Teknologien rundt selvkjørende biler har sett en oppblomstring de siste årene, som følge av at flere og flere teknologi-giganter tar del i kappløpet. Dagens teknikker benytter seg av sentralt opptrente maskinlæringsmodeller. Innsamling av data fra forskjellige områder som byer og landeveier, ideelt sett også fra forskjellige land, er både vanskelig og dyrt, selv for store selskaper som Google og Tesla. Dette resulterer i at store mengder data tiltenkt selvkjørende biler i hovedsak kommer fra solfyllte stater langs USAs vestkyst, med sine brede veier og særegne skilt. De siste års forbedringer av tingenes internett (IoT), samt EUs innføring av personvernforordningen (GDPR) gjør at privatpersoner nå har eierskap over egen data. Dette muligjør desentraliserte tilnærminger og danner grunnlaget for mer divers datainnhenting til bruk i forbedringen av selvkjørende biler. Denne avhandlingen foreslår et nytt paradigme for hvordan data samles, og hvordan de kan distribueres og brukes i selvkjørende kjøretøy. Oppgaven beskriver et desentralisert nettverk hvor nodene i nettverket brukes for å samle data fra deltakerene, og modellene trenes lokalt. Modellene vil ha en naturlig bias, avhengig av konteksten de er trent med, for eksempel landsbygda eller byen. De selvkjørende bilene i nettverket kan benytte seg av én av to foreslåtte metoder for å kombinere de forskjellige modellene i nettverket: en kontekst-uvitende, og en kontekst-bevisst metode. Den første metoden, ensemble detektoren, er en metode som bruker vektet majoritetsavstemning på en samling modeller for å kombinere deres ekspertise. Den andre metoden er en kontekst-bevisst detektor som bruker forsterkende læring for å kjapt kunne bytte modeller, basert på hvilke modeller som gjør det bra i nåværende kontekst. Metodene har blitt testet på bilder fra Berkley DeepDrive datasettet, og viser lovende resultater for bruken av kontekst-bevisste detektorer, men ikke fullt så gode resultater for ensemble-metoden.