A Survey of Federated Learning for Connected and Automated Vehicles

要約

コネクテッド自動運転車 (CAV) は、事故、交通渋滞、汚染物質排出の問題を緩和し、安全で効率的で持続可能な輸送システムにつながる可能性を秘めた、自動車分野の新しい技術の 1 つです。
機械学習ベースの方法は、認識、モーション プランニング、モーション コントロールなどの重要なタスクのために CAV で広く使用されています。CAV の機械学習モデルは、ローカルの車両データのみを使用してトレーニングされ、新しい環境にさらされたり、新しい環境にさらされたりした場合のパフォーマンスは不明です。
見えない条件。
連合学習 (FL) は、分散学習フレームワークで複数の車両を使用した共同モデル開発を可能にする CAV の効果的なソリューションです。
FL により、CAV はさまざまな運転環境から学習し、ローカルの車両データのプライバシーとセキュリティを確保しながら、全体的なパフォーマンスを向上させることができます。
この論文では、FL を CAV に適用する際に研究者によって達成された進歩を確認します。
CAV に実装されているさまざまなデータ モダリティとアルゴリズムのより広いビューが提供されます。
FL の特定のアプリケーションが詳細にレビューされ、課題の分析と将来の研究範囲が提示されます。

要約(オリジナル)

Connected and Automated Vehicles (CAVs) are one of the emerging technologies in the automotive domain that has the potential to alleviate the issues of accidents, traffic congestion, and pollutant emissions, leading to a safe, efficient, and sustainable transportation system. Machine learning-based methods are widely used in CAVs for crucial tasks like perception, motion planning, and motion control, where machine learning models in CAVs are solely trained using the local vehicle data, and the performance is not certain when exposed to new environments or unseen conditions. Federated learning (FL) is an effective solution for CAVs that enables a collaborative model development with multiple vehicles in a distributed learning framework. FL enables CAVs to learn from a wide range of driving environments and improve their overall performance while ensuring the privacy and security of local vehicle data. In this paper, we review the progress accomplished by researchers in applying FL to CAVs. A broader view of the various data modalities and algorithms that have been implemented on CAVs is provided. Specific applications of FL are reviewed in detail, and an analysis of the challenges and future scope of research are presented.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google