面向联网与自动驾驶车辆的联邦学习综述

联网与自动驾驶车辆（Connected and Automated Vehicles, CAVs）是汽车领域的新兴技术之一，具有缓解交通事故、交通拥堵和污染物排放等问题的潜力，能够带来安全、高效且可持续的交通系统。基于机器学习的方法广泛应用于 CAVs 的感知、运动规划和运动控制等关键任务中，其中 CAVs 的机器学习模型仅使用本地车辆数据进行训练，在暴露于新环境或未见条件时其性能难以确定。联邦学习（Federated Learning, FL）是 CAVs 的一种有效解决方案，它在分布式学习框架下实现了多车辆的协作模型开发。FL 使 CAVs 能够从广泛的驾驶环境中学习并提升其整体性能，同时确保本地车辆数据的隐私与安全。在本文中，我们回顾了研究人员在将 FL 应用于 CAVs 方面取得的进展。提供了在 CAVs 上实现的各种数据模态和算法的更广泛视角。详细回顾了 FL 的具体应用，并分析了其面临的挑战及未来的研究范围。