面向网联自动驾驶车辆的隐私保护与不确定性感知联邦轨迹预测
机器学习
2023-03-09 v1 计算机视觉与模式识别
分布式、并行与集群计算
机器人学
摘要
深度学习是自动驾驶车辆轨迹预测的首选方法。遗憾的是，其数据饥渴的本质隐式要求具备足够丰富且高质量的集中式数据集，这易导致隐私泄露。此外，对于预测模块严重依赖机器学习工具的安全关键信息物理系统，不确定性感知变得愈发重要。本文中，我们放宽数据收集要求，并通过在网联自动驾驶车辆上使用具有不确定性感知全局目标的联邦学习来增强不确定性感知。我们将算法命名为 FLTP。我们进一步引入 ALFLTP，其通过在自适应选择参与客户端中使用主动学习技术来提升 FLTP。我们考虑将负对数似然（NLL）与偶然不确定性（AU）作为客户端选择指标。在 Argoverse 数据集上的实验表明，FLTP 显著优于基于本地数据训练的模型。此外，ALFLTP-AU 在回归损失训练上收敛更快，且在多数轮次中在 NLL、minADE 和 MR 上优于 FLTP，并比 ALFLTP-NLL 具有更稳定的轮次间性能。
引用
@article{arxiv.2303.04340,
title = {Privacy-preserving and Uncertainty-aware Federated Trajectory Prediction for Connected Autonomous Vehicles},
author = {Muzi Peng and Jiangwei Wang and Dongjin Song and Fei Miao and Lili Su},
journal= {arXiv preprint arXiv:2303.04340},
year = {2023}
}