Privacy-preserving and Uncertainty-aware Federated Trajectory Prediction for Connected Autonomous Vehicles

要約

深層学習は、自動運転車の軌道予測に最適な方法です。
残念ながら、データを大量に消費するという性質上、十分に豊富で高品質の一元化されたデータセットを利用できることが暗示的に要求され、プライバシーの漏えいにつながります。
さらに、予測モジュールが機械学習ツールに大きく依存している安全上重要なサイバー物理システムでは、不確実性を認識することがますます重要になっています。
このホワイト ペーパーでは、データ収集要件を緩和し、不確実性を意識したグローバルな目的を持つコネクテッド自律走行車でフェデレーテッド ラーニングを使用することにより、不確実性への認識を強化します。
アルゴリズムに FLTP という名前を付けます。
さらに、参加するクライアントを適応的に選択する際にアクティブラーニング技術を使用して FLTP を強化する ALFLTP を紹介します。
クライアント選択の指標として、負の対数尤度 (NLL) と偶然の不確実性 (AU) の両方を考慮します。
Argoverse データセットの実験では、FLTP がローカル データでトレーニングされたモデルよりも大幅に優れていることが示されています。
さらに、ALFLTP-AU はトレーニング回帰損失の収束が速く、ほとんどのラウンドで FLTP よりも NLL、minADE、および MR のパフォーマンスが高く、ALFLTP-NLL よりもラウンド単位のパフォーマンスが安定しています。

要約(オリジナル)

Deep learning is the method of choice for trajectory prediction for autonomous vehicles. Unfortunately, its data-hungry nature implicitly requires the availability of sufficiently rich and high-quality centralized datasets, which easily leads to privacy leakage. Besides, uncertainty-awareness becomes increasingly important for safety-crucial cyber physical systems whose prediction module heavily relies on machine learning tools. In this paper, we relax the data collection requirement and enhance uncertainty-awareness by using Federated Learning on Connected Autonomous Vehicles with an uncertainty-aware global objective. We name our algorithm as FLTP. We further introduce ALFLTP which boosts FLTP via using active learning techniques in adaptatively selecting participating clients. We consider both negative log-likelihood (NLL) and aleatoric uncertainty (AU) as client selection metrics. Experiments on Argoverse dataset show that FLTP significantly outperforms the model trained on local data. In addition, ALFLTP-AU converges faster in training regression loss and performs better in terms of NLL, minADE and MR than FLTP in most rounds, and has more stable round-wise performance than ALFLTP-NLL.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google