面向智能联网车辆的基于联邦学习的分布式动态地图融合
机器学习
2022-09-23 v3 人工智能
多智能体系统
摘要
联网车辆间动态地图融合技术已被发展用于扩大单车感知范围并提高感知精度。本文提出一种基于联邦学习（FL）的动态地图融合框架，以在视场（FoV）中物体数量未知、各种感知与模型不确定性以及在线学习数据标签缺失的情况下实现高地图质量。本工作的新颖性体现在三方面：（1）开发三阶段融合方案，有效预测物体数量并以保真度分数融合多个局部地图；（2）开发一种FL算法，通过聚合模型参数分布式微调特征模型（即用于特征提取的表示学习网络）；（3）开发一种知识蒸馏方法，在数据标签不可用时生成FL训练标签。所提框架在Car Learning to Act（CARLA）仿真平台中实现。提供了大量实验结果以验证所开发地图融合与FL方案的优越性能与鲁棒性。
引用
@article{arxiv.2103.03786,
title = {Distributed Dynamic Map Fusion via Federated Learning for Intelligent Networked Vehicles},
author = {Zijian Zhang and Shuai Wang and Yuncong Hong and Liangkai Zhou and Qi Hao},
journal= {arXiv preprint arXiv:2103.03786},
year = {2022}
}
备注
7 pages, 5 figures, 2021 IEEE International Conference on Robotics and Automation (ICRA)