Sense4FL：面向自动驾驶目标检测的车联众感增强联邦学习
机器人学
2025-09-09 v2 分布式、并行与集群计算
摘要
为适应不断变化的道路条件，实时视觉模型训练是自动驾驶（AD）中必不可少的。联邦学习（FL）作为一种使自动驾驶车辆能够利用 onboard 计算资源进行协作训练的有前景的范式。然而，现有车辆选择方案均假设预先确定且位置无关的车辆数据集，忽略了车辆沿路径收集训练数据的事实，导致车辆选择次优。本文聚焦基本感知问题，提出 Sense4FL，一种车联众感增强 FL 框架，采用轨迹相关的车辆训练数据收集以提高 AD 区域内目标检测质量。为此，我们首先通过考虑车辆不可确定轨迹和上传概率的影响，导出 FL 的收敛下界，发现最小化训练损失等价于最小化局部和全局地球 mover 距离（EMD）在车辆收集数据分布与全局数据分布之间的加权和。基于此，我们对 AD 中的轨迹相关车辆选择和数据收集问题进行建模。鉴于问题为 NP 难，本文开发了一种具有近似保证的高效算法。大量仿真结果表明，我们的方法在提高目标检测性能方面优于现有基准。
关键词
引用
@article{arxiv.2503.17697,
title = {Sense4FL: Vehicular Crowdsensing Enhanced Federated Learning for Object Detection in Autonomous Driving},
author = {Yanan Ma and Senkang Hu and Zhengru Fang and Yun Ji and Yiqin Deng and Yuguang Fang},
journal= {arXiv preprint arXiv:2503.17697},
year = {2025}
}
备注
18 pages, 8 figures