面向网联自动驾驶车辆的联邦目标检测：一种面向部署的评估
计算机视觉与模式识别
2025-09-03 v1 分布式、并行与集群计算
摘要
目标检测对于网联自动驾驶车辆 (CAVs) 感知周围环境并做出安全驾驶决策至关重要。目标检测模型的集中式训练通常能实现较高的准确率、快速的收敛和简化的训练过程，但在可扩展性、适应性和隐私保护方面存在不足。相比之下，联邦学习 (FL) 能够在自然分布的 CAV 车队中实现协作式、隐私保护和持续的训练。然而，由于训练和推理的巨大计算需求以及高度多样化的运行条件，在现实世界的 CAV 中部署 FL 仍然具有挑战性。实际部署必须解决三个关键因素：(i) 来自非独立同分布数据分布的异构性，(ii) 受限的车载计算硬件，以及 (iii) 光照和天气等环境变异性，同时需要进行系统性评估以确保可靠的性能。本工作引入了针对 CAV 中基于 FL 的目标检测的首次面向部署的整体评估，集成了模型性能、系统级资源分析和环境鲁棒性。使用最先进的检测器 YOLOv5、YOLOv8、YOLOv11 和 Deformable DETR，在 KITTI、BDD100K 和 nuScenes 数据集上进行评估，我们分析了在不同分辨率、批大小、天气和光照条件以及动态客户端参与下检测准确率、计算成本和资源使用之间的权衡，为 CAV 中鲁棒的 FL 部署铺平了道路。
引用
@article{arxiv.2509.01868,
title = {Enabling Federated Object Detection for Connected Autonomous Vehicles: A Deployment-Oriented Evaluation},
author = {Komala Subramanyam Cherukuri and Kewei Sha and Zhenhua Huang},
journal= {arXiv preprint arXiv:2509.01868},
year = {2025}
}