Communication Resources Constrained Hierarchical Federated Learning for End-to-End Autonomous Driving

要約

フェデレーテッド ラーニング (FL) はモデルの集約によりエンドツーエンドの自動運転の一般化を改善しますが、従来のシングルホップ FL (SFL) は車両とクラウド サーバー間の長距離通信により収束速度が遅いという問題がありました。
階層型フェデレーション ラーニング (HFL) は、ミッドポイント エッジ サーバーの導入によってこのような欠点を克服します。
ただし、制約のある通信リソースと HFL パフォーマンスの間の調整が緊急の問題になります。
この論文では、ハイブリッド データとモデル集約を使用して自動運転モデル​​の汎化誤差を最小限に抑えるための、最適化ベースの通信リソース制約階層連合学習 (CRCHFL) フレームワークを提案します。
提案された CRCHFL の有効性は、Car Learning to Act (CARLA) シミュレーション プラットフォームで評価されます。
結果は、提案された CRCHFL が収束速度を加速し、連合学習自動運転モデル​​の一般化を強化することを示しています。
さらに、同じ通信リソース予算の下で、HFL を 10.33%、SFL を 12.44% 上回っています。

要約(オリジナル)

While federated learning (FL) improves the generalization of end-to-end autonomous driving by model aggregation, the conventional single-hop FL (SFL) suffers from slow convergence rate due to long-range communications among vehicles and cloud server. Hierarchical federated learning (HFL) overcomes such drawbacks via introduction of mid-point edge servers. However, the orchestration between constrained communication resources and HFL performance becomes an urgent problem. This paper proposes an optimization-based Communication Resource Constrained Hierarchical Federated Learning (CRCHFL) framework to minimize the generalization error of the autonomous driving model using hybrid data and model aggregation. The effectiveness of the proposed CRCHFL is evaluated in the Car Learning to Act (CARLA) simulation platform. Results show that the proposed CRCHFL both accelerates the convergence rate and enhances the generalization of federated learning autonomous driving model. Moreover, under the same communication resource budget, it outperforms the HFL by 10.33% and the SFL by 12.44%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google