面向自动驾驶的驾驶员预测模型的个性化联邦学习
机器学习
2021-12-03 v1 多智能体系统
网络与互联网体系结构
机器人学
摘要
自动驾驶车辆(AVs)必须与异质地理区域中多样化的人类驾驶员进行交互。理想情况下,AV车队应共享轨迹数据,利用基于云的分布式学习从集体经验中持续重新训练并改进轨迹预测模型。同时,这些机器人理想情况下应避免上传原始驾驶员交互数据,以保护专有策略(当与其他公司共享见解时)或保护驾驶员免受保险公司侵犯隐私。联邦学习(FL)是一种流行的机制,可在不泄露私有本地数据的情况下从多样化用户处向云服务器学习模型。然而,FL通常不够鲁棒——当用户数据来自高度异质的分布时(这是人机交互的一个关键特征),它会学习到次优模型。在本文中,我们提出一种新颖的个性化FL变体,使鲁棒的机器人学习模型专门适应多样化的用户分布。我们所进行的真实用户研究中,由人类操作的车辆必须在标准CARLA和CARLO自动驾驶模拟器中与模拟AV优雅地合并车道,我们的算法性能优于标准FL基准达2倍。
引用
@article{arxiv.2112.00956,
title = {Personalized Federated Learning of Driver Prediction Models for Autonomous Driving},
author = {Manabu Nakanoya and Junha Im and Hang Qiu and Sachin Katti and Marco Pavone and Sandeep Chinchali},
journal= {arXiv preprint arXiv:2112.00956},
year = {2021}
}