Dei ricercatori affiliati alla University of Texas presentano UNCAP, un quadro di cooperazione per veicoli autonomi in cui le auto si descrivono reciprocamente ciò che osservano, in linguaggio naturale. Secondo loro, questo sistema insegna ai veicoli a scegliere i vicini da ascoltare e ad attribuire ai loro messaggi un grado di fiducia appropriato.
- UNCAP permette ai veicoli autonomi di scambiarsi descrizioni in linguaggio naturale di ciò che osservano.
- Il sistema seleziona i vicini pertinenti e valuta la affidabilità dei loro messaggi.
- Nelle simulazioni riduce la banda del 63% e migliora il punteggio di guida del 31%.
- Gli esperimenti restano limitati alla simulazione, e i sensori reali e le reti wireless devono ancora essere studiati.
Il principio si basa su una situazione semplice. Un camion parcheggiato a un incrocio nasconde un’auto che arriva da destra. Il veicolo vicino, invece, la vede e potrebbe trasmettere un messaggio di questo tipo: « Veicolo che si immette da destra, a circa 15 metri, che procede veloce. » L’auto riceve così un’informazione che i suoi stessi sensori non potevano osservare.
Parlare piuttosto che condividere i dati grezzi
La condivisione di dati grezzi, come le immagini delle telecamere, le nuvole di punti LiDAR o le misurazioni radar, è l’approccio classico. I ricercatori notano che diventa difficile da implementare su larga scala: questi flussi consumano una larghezza di banda significativa, richiedono molto calcolo e presuppongono che tutti i veicoli dispongano di hardware comparabile. Tuttavia il traffico riunisce costruttori, configurazioni di sensori e software molto diversi.
Il linguaggio naturale costituisce un’alternativa. Un messaggio come « pedone che attraversa dietro l’autobus » o « moto che si avvicina da sinistra, ad alta velocità » è molto breve, indipendente dall’hardware e comprensibile dai modelli visione-linguaggio, cioè modelli in grado di elaborare sia immagini che testo. Resta comunque da decidere quali messaggi ascoltare e cosa fare quando due veicoli si contraddicono.
Quattro fasi
UNCAP funziona senza addestramento specifico, detto « zero-shot », e si basa su modelli esistenti ai quali aggiunge una strategia di comunicazione. La prima fase consiste nell’individuare i vicini: ogni veicolo diffonde periodicamente un segnale di pochi byte contenente la sua posizione e direzione. La seconda fase filtra i veicoli pertinenti, quelli abbastanza vicini e suscettibili di influenzare la propria traiettoria. Secondo i ricercatori, questa selezione riduce fortemente gli scambi inutili e permette al sistema di passare su larga scala.
I veicoli selezionati descrivono poi le loro osservazioni, accompagnate da stime di confidenza « calibrate » grazie alla predizione conforme, un metodo leggero che fa corrispondere i livelli di confidenza all’affidabilità reale delle informazioni. Ogni veicolo misura quindi, grazie all’informazione mutua, in che misura ogni messaggio riduce la propria incertezza sulla scena. Infine, la descrizione così costruita viene trasmessa a un modello visione-linguaggio, che propone una decisione, ad esempio immettersi, attendere o dare la precedenza, con un punteggio di confidenza associato.
Risultati in simulazione
I test sono stati condotti nel simulatore di guida CARLA, con il benchmark OPV2V, che include tra l’altro immissioni in autostrada e incroci urbani. Rispetto a veicoli senza comunicazione, e rispetto ad approcci precedenti che diffondono ogni osservazione a tutti i veicoli, i ricercatori riportano un miglioramento costante. Citano una riduzione del 63% della larghezza di banda di comunicazione, un aumento del 31% del punteggio di guida, una diminuzione del 61% dell’incertezza delle decisioni e margini di sicurezza quattro volte maggiori durante i quasi-incidenti.
Il risultato più inatteso riguarda le immagini grezze, che hanno dato risultati peggiori rispetto al linguaggio. I ricercatori avanzano l’ipotesi che i modelli visione-linguaggio facciano fatica a ragionare su più flussi di telecamere ripresi da angolazioni diverse, e che la traduzione in descrizioni concise agisca come una fase di scrematura dell’informazione. I guadagni si riscontrano con diversi modelli, GPT-4o, GPT-4.1, GPT-4o-mini e GPT-5, il che, secondo loro, dipende dalla strategia di comunicazione piuttosto che da un modello particolare.
Limiti
Gli esperimenti rimangono limitati alla simulazione. I rumori dei sensori, le comunicazioni wireless poco affidabili, i ritardi di rete e le perdite di pacchetti restano da studiare. Inoltre, una richiesta a un modello visione-linguaggio richiede circa un secondo, per cui le decisioni vengono prese in momenti chiave e non in continuo. Gli autori ritengono che il loro approccio vada oltre la guida autonoma, per team di robot, droni o agenti software. Il loro articolo, pubblicato su arXiv, è stato selezionato per il premio del miglior articolo della conferenza AAMAS 2026.
