路上的联邦学习：面向网联自动驾驶车辆的自主控制器设计
系统与控制
2022-06-17 v2 人工智能
机器学习
系统与控制
摘要
提出了一种由大规模无线连接赋能的新型联邦学习（FL）框架，用于设计网联自动驾驶车辆（CAVs）的自主控制器。在该框架中，控制器使用的学习模型在一组CAV之间协作训练。为刻画CAV在FL训练过程中参与度的变化以及CAV间本地数据质量的差异，提出了一种新颖的动态联邦近端（DFP）算法，该算法考虑了CAV的流动性、无线衰落信道以及CAV间不平衡且非独立同分布的数据。对所提算法进行了严格的收敛性分析，以确定CAV收敛到使用最优自主控制器的速度。特别地，明确分析了FL过程中CAV参与度的变化以及CAV数据质量的差异对所提DFP算法收敛性的影响。利用该分析，设计了一种基于契约理论的激励机制以提高FL收敛速度。使用真实车辆数据轨迹的仿真结果表明，所提出的基于DFP的控制器能够在不同交通场景下随时间准确跟踪目标CAV速度。此外，结果表明所提DFP算法相比联邦平均（FedAvg）和联邦近端（FedProx）等流行FL算法具有更快的收敛速度。结果还验证了基于契约理论的激励机制的可行性，并表明所提机制相比基线可将DFP算法的收敛速度提高40%。
引用
@article{arxiv.2102.03401,
title = {Federated Learning on the Road: Autonomous Controller Design for Connected and Autonomous Vehicles},
author = {Tengchan Zeng and Omid Semiari and Mingzhe Chen and Walid Saad and Mehdi Bennis},
journal= {arXiv preprint arXiv:2102.03401},
year = {2022}
}
备注
30 pages, 6 figures