联邦深度学习遇上自动驾驶感知：设计与验证
机器人学
2022-12-06 v2 机器学习
摘要
由于极端情况与视觉遮挡，在开放驾驶场景中实现类人感知是一项挑战。为获取罕见与遮挡实例的知识，提出了联邦学习辅助的网联自动驾驶车辆（FLCAV），其利用车载网络从车辆与道路传感器采集的分布式数据建立联邦深度神经网络（DNNs）。无需数据聚合，FLCAV在保护隐私的同时相比传统集中式学习降低了通信成本。然而，在多变场景中以多模态数据集进行多阶段训练时，确定网络资源与道路传感器布设具有挑战性。本文提出FLCAV感知的网络与训练框架。分别提出多层图资源分配与车路对比传感器布设以解决网络管理与传感器部署问题。我们还开发了CarlaFLCAV，一个实现上述系统与方法的软件平台。实验结果证实了所提技术相较多种基准的优越性。
引用
@article{arxiv.2206.01748,
title = {Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification},
author = {Shuai Wang and Chengyang Li and Derrick Wing Kwan Ng and Yonina C. Eldar and H. Vincent Poor and Qi Hao and Chengzhong Xu},
journal= {arXiv preprint arXiv:2206.01748},
year = {2022}
}
备注
10 pages, 6 figures, IEEE Network, accepted from open call