基于 V2X 的隐私保护联邦测量与学习系统

未来的自动驾驶汽车将使用各种传感器，产生大量数据。自然地，这些数据不仅服务于自动驾驶算法；还可以实时协助其他车辆或基础设施进行决策。因此，车辆应通过车联网技术交换其测量数据。此外，预测道路网络的状态也可能是有益的。有了这样的预测，我们可能会缓解道路拥堵，平衡停车场使用，或优化交通流。这将降低运输成本并减少其对环境的影响。在本文中，我们提出了一种联邦测量与学习系统，该系统通过车对车通信向同伴车辆提供实时数据，同时通过车对网络链路运行联邦学习方案，以创建交通网络的预测模型。由于我们目前还没有现实世界的自动驾驶汽车数据，我们使用非独立同分布数据集对其进行建模，以评估所提出系统在性能和隐私方面的能力。结果表明，所提出的联邦学习方案提高了学习性能，并防止了聚合服务器端的窃听。