基于联邦学习的自动驾驶车道与目标检测语义分割
系统与控制
2025-04-29 v1 系统与控制
摘要
自动驾驶车辆（AVs）需要精确的车道与目标检测以确保安全导航。然而，中心化的深度学习（DL）方法在语义分割方面存在隐私与可扩展性挑战，尤其是处理敏感数据时。本研究提出了一种新的联邦学习（FL）框架，集成安全深度卷积神经网络（CNN）和差分隐私（DP）以解决这些问题。本文的核心贡献包括：（1）开发一种新的混合UNet-ResNet34架构用于中心化语义分割以实现高精度并解决因中心化训练导致的隐私问题；（2）实施分布式的隐私保护FL模型，跨越AVs以通过安全CNN和DP机制提升性能。在本文提出的FL框架中，方法论区别于现有方法体现在：（a）通过联邦学习确保数据去中心化以维护用户隐私，无需集中数据聚合；（b）集成DP机制以保护敏感模型更新，防止潜在的对抗性推断攻击；（c）使用源自CARLA模拟器的RGB和语义分割数据集评估框架的性能与可泛化性。实验结果显示，在20至70个通信轮（CR）内，RGB数据集准确率从81.5%提升至88.7%，分割数据集准确率从79.3%提升至86.9%。全局损失降低了60%以上，差分隐私带来的轻微精度权衡也得到了观察。本研究通过为AVs提供面向可扩展性和隐私保护的FL框架，优化了通信效率，同时在性能与数据安全之间取得平衡。
引用
@article{arxiv.2504.18939,
title = {Federated Learning-based Semantic Segmentation for Lane and Object Detection in Autonomous Driving},
author = {Gharbi Khamis Alshammari and Ahmad Abubakar and Nada M. O. Sid Ahmed and Naif Khalaf Alshammari},
journal= {arXiv preprint arXiv:2504.18939},
year = {2025}
}
备注
This paper has been accepted for publication in Scientific Reports