On the Federated Learning Framework for Cooperative Perception

要約

将来の交通システムの効率性と安全性を高めるためには、協調的な知覚が不可欠であり、走行中の車両間で広範なデータ共有が必要となるため、プライバシーに関する重大な懸念が生じる。連携学習は、コネクテッドカーや自律走行車（CAV）間の知覚、意思決定、プランニングにおいて、データプライバシーを保持した協調的強化を可能にすることで、有望な解決策を提供する。しかし、連合学習は、多様なクライアント間のデータの不均一性から生じる重大な課題によって阻害され、モデルの精度を低下させ、収束期間を長引かせる可能性がある。本研究では、動的調整損失（DALoss）関数によって促進される、動的重み付け集約（Federated Dynamic Weighted Aggregation：FedDWA）アルゴリズムと呼ばれる、CPに特化した連合学習フレームワークを紹介する。このフレームワークは、モデルの収束を指示するために動的なクライアントの重み付けを採用し、非独立同一分布（Non-IID）やアンバランスデータの有害な影響を打ち消すために、カルバック・ライブラー発散（KLD）を利用する新しい損失関数を統合する。BEV変換器を主要モデルとして利用し、FedBEVTデータで補強されたOpenV2Vデータセットで厳密なテストを行った結果、平均IoU（Intersection Over Union）の大幅な改善が実証されました。これらの結果は、CPにおけるデータの異質性の課題に対処するための我々の連合学習フレームワークの大きな可能性を強調し、それによって環境認識モデルの精度を向上させ、交通部門におけるよりロバストで効率的な協調学習ソリューションを促進する。

要約(オリジナル)

Cooperative perception is essential to enhance the efficiency and safety of future transportation systems, requiring extensive data sharing among vehicles on the road, which raises significant privacy concerns. Federated learning offers a promising solution by enabling data privacy-preserving collaborative enhancements in perception, decision-making, and planning among connected and autonomous vehicles (CAVs). However, federated learning is impeded by significant challenges arising from data heterogeneity across diverse clients, potentially diminishing model accuracy and prolonging convergence periods. This study introduces a specialized federated learning framework for CP, termed the federated dynamic weighted aggregation (FedDWA) algorithm, facilitated by dynamic adjusting loss (DALoss) function. This framework employs dynamic client weighting to direct model convergence and integrates a novel loss function that utilizes Kullback-Leibler divergence (KLD) to counteract the detrimental effects of non-independently and identically distributed (Non-IID) and unbalanced data. Utilizing the BEV transformer as the primary model, our rigorous testing on the OpenV2V dataset, augmented with FedBEVT data, demonstrates significant improvements in the average intersection over union (IoU). These results highlight the substantial potential of our federated learning framework to address data heterogeneity challenges in CP, thereby enhancing the accuracy of environmental perception models and facilitating more robust and efficient collaborative learning solutions in the transportation sector.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL