面向车联网的感知移动性、通信与计算联合联邦学习

尽管隐私担忧促使网联自动驾驶车辆采用车载联邦学习（FL）方案，但要使其成为现实，迫切需要一个融合车辆到一切（V2X）通信且感知异构计算能力的联合学习平台。受此启发，我们提出了一种新颖的感知移动性、通信与计算的在线联邦学习平台，该平台将道路上的车辆作为学习智能体。得益于现代车辆的先进特性，车载传感器可在车辆沿轨迹行驶过程中采集数据，而车载处理器可利用所采集的数据训练机器学习模型。为考虑车辆的高移动性，我们将延迟作为学习参数，并限制其小于可容忍阈值。为满足该阈值，中央服务器接受部分训练的模型，分布式路侧单元（a）执行下行多播波束赋形以最小化全局模型分发延迟，以及（b）分配最优上行无线资源以最小化本地模型卸载延迟，车辆智能体则进行异构本地模型训练。利用真实世界车辆轨迹数据集，我们验证了所提联邦学习方案。仿真表明，所提出的集成联邦学习平台具有鲁棒性，且优于基线模型。在合理的本地训练轮次下，它能有效满足所有约束，并给出接近真实值的多步长速度与车辆专属功率预测。