Federated Data-Driven Kalman Filtering for State Estimation

要約

このペーパーでは、自動運転車の非常に正確なローカリゼーションのために、共同トレーニングまたは連合学習パラダイムに基づいた新しいローカリゼーションフレームワークを提案します。
より具体的には、従来の拡張されたカルマンフィルタリングの基礎となるシステムの不確実性を推定することを目的とした再発性ニューラルネットワークであるKalmannetの標準的なアプローチに基づいて、FedkalMannetへの適応とコビンの概念によってそれを再定式化することを目的としています。
後者は、グローバルサーバー集約操作を通じて、車両の位置と速度測定からなるローカルトレーニングデータセットを使用して、車両のグループ（またはクライアント）によって分散された方法でトレーニングされています。
FedKalManNetは、関連するシステムの不確実性マトリックス（つまり、Kalman Gain）を推定することにより、各車両によってそれ自体をローカライズするために使用されます。
私たちの目的は、リアルタイムの制約の下での測定交換とセンサー融合のための豊富なV2X通信リソースを必要とする、自律運転における国家推定、共同意思決定のための共同トレーニングの利点を実際に実証することです。
Carla Autonomous Driving Simulatorで実施された広範な実験および評価研究は、リアルタイムのV2X通信を必要とせずに車両をローカライズする際に、最先端の共同意思決定アプローチよりもFedKalManNetの優れたパフォーマンスを強調しています。

要約(オリジナル)

This paper proposes a novel localization framework based on collaborative training or federated learning paradigm, for highly accurate localization of autonomous vehicles. More specifically, we build on the standard approach of KalmanNet, a recurrent neural network aiming to estimate the underlying system uncertainty of traditional Extended Kalman Filtering, and reformulate it by the adapt-then-combine concept to FedKalmanNet. The latter is trained in a distributed manner by a group of vehicles (or clients), with local training datasets consisting of vehicular location and velocity measurements, through a global server aggregation operation. The FedKalmanNet is then used by each vehicle to localize itself, by estimating the associated system uncertainty matrices (i.e, Kalman gain). Our aim is to actually demonstrate the benefits of collaborative training for state estimation in autonomous driving, over collaborative decision-making which requires rich V2X communication resources for measurement exchange and sensor fusion under real-time constraints. An extensive experimental and evaluation study conducted in CARLA autonomous driving simulator highlights the superior performance of FedKalmanNet over state-of-the-art collaborative decision-making approaches, in localizing vehicles without the need of real-time V2X communication.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google