面向自动驾驶车辆的层次化联邦区域学习框架——FedRAV
分布式、并行与集群计算
2024-11-22 v1 人工智能
摘要
联邦学习使自动驾驶车辆能够在不暴露原始数据的情况下协同训练装配深度学习模型，为利用 explosively 增长的自动驾驶数据提供了巨大的潜力。然而，考虑到复杂的交通环境和驾驶情景，在自动驾驶车辆上部署联邦学习不可避免地面临来自车辆非独立同分布(non-IID)数据的挑战，这可能导致收敛失败和低训练准确率。本文提出一种新颖的层次化联邦区域学习框架用于自动驾驶车辆(FedRAV)，该框架包含两个阶段，能够根据定义的区域距离将包含车辆的大区域自适应划分为子区域，并实现个性化车辆模型和区域模型。这种方法确保个性化车辆模型采用有益的模型，同时丢弃不利的模型。我们在三个真实世界的自动驾驶数据集上对FedRAV框架进行了验证，数据集在各种异构设置下进行测试。实验结果表明，我们的框架优于已知算法，准确率提高了至少3.69%。FedRAV的源代码可在 https://github.com/yjzhai-cs/FedRAV 获取。
引用
@article{arxiv.2411.13979,
title = {FedRAV: Hierarchically Federated Region-Learning for Traffic Object Classification of Autonomous Vehicles},
author = {Yijun Zhai and Pengzhan Zhou and Yuepeng He and Fang Qu and Zhida Qin and Xianlong Jiao and Guiyan Liu and Songtao Guo},
journal= {arXiv preprint arXiv:2411.13979},
year = {2024}
}
备注
8 pages, 4 figures