CN117973457A - 自动驾驶感知场景下基于推理相似性的联邦学习方法 - Google Patents
自动驾驶感知场景下基于推理相似性的联邦学习方法 Download PDFInfo
- Publication number
- CN117973457A CN117973457A CN202410382744.8A CN202410382744A CN117973457A CN 117973457 A CN117973457 A CN 117973457A CN 202410382744 A CN202410382744 A CN 202410382744A CN 117973457 A CN117973457 A CN 117973457A
- Authority
- CN
- China
- Prior art keywords
- model
- vehicle
- parameters
- representing
- similarity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000008447 perception Effects 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000004220 aggregation Methods 0.000 claims abstract description 14
- 230000002776 aggregation Effects 0.000 claims abstract description 14
- 238000004590 computer program Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 239000002131 composite material Substances 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 12
- 238000012545 processing Methods 0.000 abstract description 6
- 230000005540 biological transmission Effects 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 3
- 238000006243 chemical reaction Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000001934 delay Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了自动驾驶感知场景下基于推理相似性的联邦学习方法，包括对感知数据的采集，对数据的处理和转化操作；对传输的模型参数进行初始化设置；将预处理后的感知数据输入训练网络中，选择不同超参数对模型进行训练；对训练出的模型提取其中的logits进行传输；路侧单元收到不同车辆上传的参数后进行相似性聚类并对每一类数据进行加权聚合，将聚合后的新参数分别发送给对应的车辆客户端；客户端学习新的数据并作出相应的判断。通过本发明提出的方法，减少了数据异质性对感知效果的影响并且降低了通信成本，同时还能消除数据传输中的安全问题。
Description
技术领域
本发明涉及自动驾驶感知场景下基于推理相似性的联邦学习方法，属于自动驾驶通信技术领域。
背景技术
随着信息通信技术（ICT）的快速发展，运用传感器技术、无线通信、人工智能（AI）和强大计算资源，智能汽车可以从周围车辆中收集数据。这些车辆可以参与本地学习过程，并利用云或边缘云助手来执行学习任务。因此，许多智能应用从理论落到实处，包括自动驾驶、高级驾驶辅助、智能导航等。
在自动驾驶应用中，为全面了解周围环境，车辆融合并处理从车载传感器（即RGB摄像头、超声波雷达、激光雷达和毫米波雷达）获得的数据。通过利用机器学习算法，车辆可以将传感器数据与先前获得的知识进行比较并学习，从而做出安全和智能的驾驶决策。然而，本地计算资源可用性不足和传感器数据有限这类问题，导致自动驾驶中的实时数据学习和环境感知的效果大大下降。一个有效的解决方案是通过与其他车辆和边缘云的合作，增强联网车辆的传感能力并保证实时数据学习。为了促进有效的协作，需要采用车辆间通信和信息共享策略。信息共享涉及通过车联网（IoV）在互联车辆和边缘云之间交换周围的感知数据。数据交换旨在增强自动驾驶汽车的感知和数据学习能力，从而提高驾驶安全性。然而，数据在无线传输中可能会被恶意获取拦截。此类私人数据包括大量敏感信息，包括周围感知数据、驾驶控制数据、驾驶路线、GPS 坐标、驾驶偏好等。这些数据对于确保驾驶体验的整体安全性具有重要意义。
考虑上述问题，联邦学习（FL）已成为自动驾驶场景中的一个有效学习框架。联邦学习采用分布式学习方式，参与学习的车辆使用自己的数据训练其本地模型，然后将这些本地模型的参数发送到路侧单元（RSU），以训练全局模型。路侧单元作为中央服务器，将全局模型多播到相邻车辆，以保护数据隐私。但通信开销问题和数据异质性问题仍有待完善。
发明内容
本发明所要解决的技术问题是：提供自动驾驶感知场景下基于推理相似性的联邦学习方法，该方法首先采用联邦学习框架以解决数据传输过程中被恶意获取拦截的问题，再在联邦学习的基础上引入一种基于数据相似性的聚类方法以解决实际场景中数据异构性带来的协作感知效率下降问题。此外，在集群和路侧单元之间传输训练模型中的logits这一参数，以降低通信成本和时延。
本发明为解决上述技术问题采用以下技术方案：
自动驾驶感知场景下基于推理相似性的联邦学习方法，包括如下步骤：
步骤1，获取交通标志数据集，将交通标志数据集中的图片统一为相同大小，从交通标志数据集中为每一辆车分配其私有数据集；
步骤2，将所有车辆置于自动驾驶感知场景下，每个车辆对应一个本地模型，利用每一辆车对应的私有数据集对车辆的本地模型进行训练，得到模型参数以及模型输出层参数；
步骤3，将模型输出层参数传输至与模型输出层参数对应车辆最接近的路侧单元中；
步骤4，每个路侧单元对其自身接收到的模型输出层参数进行推理相似度计算，并进行推理相似度聚类，对归为同一类的模型输出层参数进行加权聚合，得到全局模型参数；
步骤5，将每一类加权聚合后得到的全局模型参数发送至每一类对应的车辆本地模型，利用全局模型参数以及车辆对应的私有数据集对车辆的本地模型进行下一轮的训练，直至达到预设的迭代轮数后，输出训练好的本地模型。
作为本发明的一种优选方案，所述步骤2中，每个车辆对应一个卷积神经网络模型LeNet5，利用每个车辆对应的私有数据集对每个车辆对应的LeNet5进行训练，得到模型参数；LeNet5包括依次相连的第一卷积层、第一下采样层、第二卷积层、第二下采样层、第一全连接层、第二全连接层以及高斯连接层，将第二全连接层作为模型输出层。
作为本发明的一种优选方案，所述本地模型在训练时，通过寻找最小化经验风险损失得到模型参数，经验风险损失/>是本地训练数据的经验风险和一个正则项经验风险的总和，具体为：
，
其中，为车辆k的模型参数，/>表示车辆k私有数据集的经验风险，/>表示用来调节正则化项的权重，/>为车辆k的私有数据集，/>表示车辆k所在聚类的模型输出层参数加权聚合得到的加权平均值，/>表示车辆k对应的本地模型的输出层参数，D表示交通标志数据集，x表示交通标志数据集D中的数据。
作为本发明的一种优选方案，所述步骤4中，通过构建邻接矩阵进行推理相似度聚类，邻接矩阵中的元素表示为：
，
其中，表示邻接矩阵中的元素，/>分别表示车辆i、j对应的本地模型的输出层参数，/>表示二范数，/>表示哈达玛积，/>表示每个路侧单元所接收到的模型输出层参数的数量；
加权聚合的公式如下：
，
其中，表示车辆i所在聚类的模型输出层参数加权聚合得到的全局模型参数，/>为加权聚合的权重，/>表示车辆i对应的本地模型的输出层参数；
在第t+1轮训练时，若有新的车辆l加入，通过以下公式判断新加入车辆的所属类：
，
其中，表示新的车辆l所属类的全局模型参数，/>表示为新的车辆l分配用来判断自身所属类的私有数据集，/>表示第t轮训练后第h个类的全局模型参数，/>为经验风险损失。
作为本发明的一种优选方案，所述本地模型在每一轮训练时，通过执行步随机梯度下降更新，得到模型参数，每一步本地模型更新公式如下：
，
，
其中，分别表示第/>轮训练时第/>步的模型参数，/>为学习率，表示第/>轮训练后的车辆k的全局模型参数，/>表示用来调节正则化项的权重，/>为车辆/>的私有数据集，/>表示梯度，/>表示车辆/>在第/>轮/>步迭代后本地模型的输出层参数，/>表示从车辆/>的私有数据集中随机采集的子集，/>表示复合损失函数。
一种计算机设备，包括存储器、处理器，以及存储在所述存储器中并能够在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的自动驾驶感知场景下基于推理相似性的联邦学习方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的自动驾驶感知场景下基于推理相似性的联邦学习方法的步骤。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
1、本发明通过将感知数据进行训练处理并发送到路侧单元，路侧单元根据数据相似性对车辆进行聚类后，车辆得到的参数包含了和其具有相似数据的车辆识别到的信息，车辆可在这些信息中学习到更多的知识，从而提高了感知识别的精度。
2、相比于现有的传输模型的方法，本发明提取模型的最后一层包含数据特征的参数logits进行传输，传输的参数量大大降低。对预测结果与几种基线方法进行分析，结果表明本发明大大降低了传输成本和通信延迟。
附图说明
图1是基于推理相似性联邦学习的流程图；
图2是本地模型结构；
图3是聚类联邦学习的框架；
图4是实际场景中车辆聚类的示意图；
图5是本发明提出的方法和基线方法在Belgium TSC数据集上的测试精度；
图6是本发明提出的方法和基线方法在GTSRB数据集上的测试精度；
图7是车辆通信时延。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
如图1所示，本发明针对自动驾驶感知场景，提出一种基于推理相似性聚类的个性化联邦学习方法，通过将具有相似数据的车辆归入一个簇，对每个簇内车辆的模型参数中的logits值聚合更新后传回车辆进行学习。具体步骤如下：
（1）数据集处理：本专利选取比利时交通标志数据集（Belgium TS）和德国交通标志数据集（GTSRB）。第一个数据集包含了62种交通信号，第二种数据集包含了43种不同类别交通标志，共有50000张图片。数据集中的图片大小不一，但为了训练模型，我们需要将它们调整为相同的大小。
Belgium TSC和GTSRB数据集用于评估自动驾驶环境感知的性能。Belgium TSC数据集中的每个图像代表在各种环境条件下拍摄的交通标志。GTSRB数据集涵盖了广泛的交通标志类别，包括限速、禁止进入标志、让行标志以及道路上常见的各种其他监管、警告和信息标志。
（2）模型训练：用LeNet5网络训练处理过的训练集数据，每个车辆得到一个模型参数，提取模型的最后一个全连接层的参数。该模型包括两个卷积层、两个下采样层、两个全连接层和一个高斯连接层（将最后一个全连接层作为模型输出层），如图2所示。
（3）模型传输：将模型的最后一个全连接层参数logits传输到临近的路侧单元（RSU）。
（4）车辆聚类：路侧单元对不同车辆传输的参数进行相似度计算，将相似度高的车辆聚为一类，并对每一类的车辆单独进行参数的加权聚合。
（5）模型更新：路侧单元将聚合得到的新参数发送回相应的车辆，车辆对用自身数据和传回的参数进行下一轮的训练。直到达到各自的迭代次数，输出模型。图3是聚类联邦学习的框架，图4是实际场景中车辆聚类的示意图。
模型训练过程中，车辆都寻找最小化经验风险的模型参数/>，/>是其本地训练数据的经验风险/>和一个正则项经验风险的总和：
，
其中，表示车辆k得到的所有车辆logits的加权平均值，/>用来调节正则化项的权重。/>是每个x堆叠成行的。
对于通过推理相似性对车辆进行聚类，目标是在不需要任何关于数据分布的先验知识的情况下找到具有相似数据分布的车辆。使用每个车载客户端的计算结果，服务器构造一个邻接矩阵/>。/>是每个路侧单元所接收到的模型输出层参数的数量。定义硬阈值算子/>，并应用于/>进行联合聚类，其中/>是一个阈值。接着将/>每一行的值放在一起并判断相似度，来形成具有相似信息的联合簇。
第一轮RSU广播模型，从随机初始化模型参数开始。每个车辆都有其私有数据集/>。分类模型/>在预定义数量的类别N上输出logits，也就是N个类别的概率向量。将模型/>对私有数据集输入的数据x的logits定义为/>。
每辆车用初始模型训练自身的数据，将更新的模型的logits发送给RSU进行相似度聚类。对于推理相似度聚类，我们也就无需收到任何关于数据的私有信息。对从车载客户端得到的构建邻接矩阵：
，
其中，是二范数，/>代表哈达玛积，定义一个硬阈值算子/>，使用sign函数求解。即/>。RSU将/>的每一行的值放在一起来判断是否相似，并将具有相似数据的车辆放在相同簇里形成有相似信息的联合簇。最后，RSU再对同一估计集群中的logits进行加权平均发送给相应车载客户端，用户用得到的新的加权模型进行下一轮的本地模型更新和通信。其中，每个集群更新的logits值定义为：
，
是RSU聚合的权重，在第t轮迭代中，RSU对客户端的数据进行采样，并向车载客户端广播从模型参数中得到的当前需要传输的参数/>，局部目标/>通常由局部数据的经验损失定义，每个客户端通过找到在其测试数据上产生的最小损失的模型参数来估计其集群身份并得到相应的训练模型，即：
，
是车辆l用来判断集群身份的数据。接着车辆执行/>步随机梯度下降更新，得到更新后的参数/>发送到RSU。针对每个车辆/>最小化，客户端和RSU仅通信logits而不是模型参数/>，对于每个客户端每一轮的本地模型更新公式如下：
，
，
其中，是表示训练轮次，/>表示局部迭代轮次，/>是局部迭代的总数。/>表示车辆/>的本地模型参数，/>是学习率，/>是从车辆/>的本地数据集随机采样的mini-batch。对于每一个训练轮次，我们选择q个车辆参与，对于所有的局部迭代/>是固定的。/>表示第t轮的所有本地迭代之后车辆k更新的本地模型。RSU再利用更新的参数形成具有相似数据的动态客户端集群，并对每个集群的参数进行平均。通过集群分簇，每个车载客户端能从和自己相似的车辆学习到知识，提高泛化性能。
对于图5和图6，展示了在Belgium和GTSRB数据集上几种方法的测试准确率曲线和通信轮数的关系，可以看到，本发明所提出的算法在50轮到70轮左右就能够达到收敛，而四种对比算法在200轮时准确率还在缓慢上升，将近300轮才基本达到收敛。个性化联邦学习方法FedFomo收敛性能仅次于本文方法。这表明本发明方法在感知效率方面相比于一般的协作感知方法，有显著的提升。
图7显示了在一轮训练中不同车辆计算和传输产生的时延，用于比较的两种基线方法是FedAvg和FedFomo。结果表明，这两种基线方法的延迟远高于本发明提出的方法。由于这两种方法不适应车载客户端的计算能力，所以训练延迟变化范围很大。另一方面，本发明提出的方法在训练过程中具有稳定的延迟范围，其延迟显著低于两种基线方法。这表明本发明提出的方法更适合于自动驾驶场景，并且在联邦学习中可以提供更高效、更可靠的通信延迟表现。
基于同一发明构思，本申请实施例提供一种计算机设备，包括存储器、处理器，以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现前述的自动驾驶感知场景下基于推理相似性的联邦学习方法的步骤。
基于同一发明构思，本申请实施例提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现前述的自动驾驶感知场景下基于推理相似性的联邦学习方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程以及流程图中的流程的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程中指定的功能的步骤。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。
Claims (7)
1.自动驾驶感知场景下基于推理相似性的联邦学习方法，其特征在于，包括如下步骤：
步骤1，获取交通标志数据集，将交通标志数据集中的图片统一为相同大小，从交通标志数据集中为每一辆车分配其私有数据集；
步骤2，将所有车辆置于自动驾驶感知场景下，每个车辆对应一个本地模型，利用每一辆车对应的私有数据集对车辆的本地模型进行训练，得到模型参数以及模型输出层参数；
步骤3，将模型输出层参数传输至与模型输出层参数对应车辆最接近的路侧单元中；
步骤4，每个路侧单元对其自身接收到的模型输出层参数进行推理相似度计算，并进行推理相似度聚类，对归为同一类的模型输出层参数进行加权聚合，得到全局模型参数；
步骤5，将每一类加权聚合后得到的全局模型参数发送至每一类对应的车辆本地模型，利用全局模型参数以及车辆对应的私有数据集对车辆的本地模型进行下一轮的训练，直至达到预设的迭代轮数后，输出训练好的本地模型。
2.根据权利要求1所述的自动驾驶感知场景下基于推理相似性的联邦学习方法，其特征在于，所述步骤2中，每个车辆对应一个卷积神经网络模型LeNet5，利用每个车辆对应的私有数据集对每个车辆对应的LeNet5进行训练，得到模型参数；LeNet5包括依次相连的第一卷积层、第一下采样层、第二卷积层、第二下采样层、第一全连接层、第二全连接层以及高斯连接层，将第二全连接层作为模型输出层。
3.根据权利要求1所述的自动驾驶感知场景下基于推理相似性的联邦学习方法，其特征在于，所述本地模型在训练时，通过寻找最小化经验风险损失得到模型参数，经验风险损失/>是本地训练数据的经验风险和一个正则项经验风险的总和，具体为：
，
其中，为车辆k的模型参数，/>表示车辆k私有数据集的经验风险，/>表示用来调节正则化项的权重，/>为车辆k的私有数据集，/>表示车辆k所在聚类的模型输出层参数加权聚合得到的加权平均值，/>表示车辆k对应的本地模型的输出层参数，D表示交通标志数据集，x表示交通标志数据集D中的数据。
4.根据权利要求1所述的自动驾驶感知场景下基于推理相似性的联邦学习方法，其特征在于，所述步骤4中，通过构建邻接矩阵进行推理相似度聚类，邻接矩阵中的元素表示为：
，
其中，表示邻接矩阵中的元素，/>分别表示车辆i、j对应的本地模型的输出层参数，/>表示二范数，/>表示哈达玛积，/>表示每个路侧单元所接收到的模型输出层参数的数量；
加权聚合的公式如下：
，
其中，表示车辆i所在聚类的模型输出层参数加权聚合得到的全局模型参数，/>为加权聚合的权重，/>表示车辆i对应的本地模型的输出层参数；
在第t+1轮训练时，若有新的车辆l加入，通过以下公式判断新加入车辆的所属类：
，
其中，表示新的车辆l所属类的全局模型参数，/>表示为新的车辆l分配用来判断自身所属类的私有数据集，/>表示第t轮训练后第h个类的全局模型参数，/>为经验风险损失。
5.根据权利要求1所述的自动驾驶感知场景下基于推理相似性的联邦学习方法，其特征在于，所述本地模型在每一轮训练时，通过执行步随机梯度下降更新，得到模型参数，每一步本地模型更新公式如下：
，
，
其中，分别表示第/>轮训练时第/>步的模型参数，/>为学习率，表示第/>轮训练后的车辆k的全局模型参数，/>表示用来调节正则化项的权重，/>为车辆/>的私有数据集，/>表示梯度，/>表示车辆/>在第/>轮/>步迭代后本地模型的输出层参数，/>表示从车辆/>的私有数据集中随机采集的子集，/>表示复合损失函数。
6.一种计算机设备，包括存储器、处理器，以及存储在所述存储器中并能够在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的自动驾驶感知场景下基于推理相似性的联邦学习方法的步骤。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的自动驾驶感知场景下基于推理相似性的联邦学习方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410382744.8A CN117973457A (zh) | 2024-04-01 | 2024-04-01 | 自动驾驶感知场景下基于推理相似性的联邦学习方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410382744.8A CN117973457A (zh) | 2024-04-01 | 2024-04-01 | 自动驾驶感知场景下基于推理相似性的联邦学习方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117973457A true CN117973457A (zh) | 2024-05-03 |
Family
ID=90864967
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410382744.8A Pending CN117973457A (zh) | 2024-04-01 | 2024-04-01 | 自动驾驶感知场景下基于推理相似性的联邦学习方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117973457A (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113283177A (zh) * | 2021-06-16 | 2021-08-20 | 江南大学 | 一种基于异步联邦学习的移动感知缓存方法 |
| CN114465900A (zh) * | 2022-03-01 | 2022-05-10 | 北京邮电大学 | 基于联邦边缘学习的数据共享时延优化方法及装置 |
| US20220414450A1 (en) * | 2021-06-28 | 2022-12-29 | Mitsubishi Electric Research Laboratories, Inc. | Distributed Multi-Task Machine Learning for Traffic Prediction |
| CN116187431A (zh) * | 2023-02-13 | 2023-05-30 | 安徽科讯金服科技有限公司 | 面向非独立同分布场景的联邦学习蒸馏方法及装置 |
| US20230269766A1 (en) * | 2022-02-23 | 2023-08-24 | Mitsubishi Electric Research Laboratories, Inc. | Communication and Computation Aware Distributed Machine Learning for Vehicular Networks |
| CN116662856A (zh) * | 2023-05-30 | 2023-08-29 | 重庆邮电大学 | 基于模糊逻辑的实时驾驶风格分类及预警方法 |
| CN116706888A (zh) * | 2023-06-05 | 2023-09-05 | 南京信息工程大学 | 基于联邦学习的智能电网负荷预测方法 |
| CN116758513A (zh) * | 2023-06-12 | 2023-09-15 | 南京信息工程大学 | 一种基于联邦学习的个性化交通标志判别方法 |
| CN117292221A (zh) * | 2023-09-26 | 2023-12-26 | 山东省计算中心（国家超级计算济南中心） | 基于联邦元学习的图像识别方法及系统 |
| CN117422151A (zh) * | 2023-10-25 | 2024-01-19 | 河南大学 | 基于推理相似性与软聚类的联邦学习方法和装置 |
| CN117576655A (zh) * | 2023-11-04 | 2024-02-20 | 河南工业大学 | 基于联邦学习的交通标志检测方法与系统 |
| US20240064793A1 (en) * | 2022-08-19 | 2024-02-22 | Qualcomm Incorporated | Methods for enhanced sidelink communications with clustered or peer-to-peer federated learning |
| CN117690098A (zh) * | 2024-02-01 | 2024-03-12 | 南京信息工程大学 | 一种基于动态图卷积的开放驾驶场景下多标签识别方法 |
-
2024
- 2024-04-01 CN CN202410382744.8A patent/CN117973457A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113283177A (zh) * | 2021-06-16 | 2021-08-20 | 江南大学 | 一种基于异步联邦学习的移动感知缓存方法 |
| US20220414450A1 (en) * | 2021-06-28 | 2022-12-29 | Mitsubishi Electric Research Laboratories, Inc. | Distributed Multi-Task Machine Learning for Traffic Prediction |
| US20230269766A1 (en) * | 2022-02-23 | 2023-08-24 | Mitsubishi Electric Research Laboratories, Inc. | Communication and Computation Aware Distributed Machine Learning for Vehicular Networks |
| CN114465900A (zh) * | 2022-03-01 | 2022-05-10 | 北京邮电大学 | 基于联邦边缘学习的数据共享时延优化方法及装置 |
| US20240064793A1 (en) * | 2022-08-19 | 2024-02-22 | Qualcomm Incorporated | Methods for enhanced sidelink communications with clustered or peer-to-peer federated learning |
| CN116187431A (zh) * | 2023-02-13 | 2023-05-30 | 安徽科讯金服科技有限公司 | 面向非独立同分布场景的联邦学习蒸馏方法及装置 |
| CN116662856A (zh) * | 2023-05-30 | 2023-08-29 | 重庆邮电大学 | 基于模糊逻辑的实时驾驶风格分类及预警方法 |
| CN116706888A (zh) * | 2023-06-05 | 2023-09-05 | 南京信息工程大学 | 基于联邦学习的智能电网负荷预测方法 |
| CN116758513A (zh) * | 2023-06-12 | 2023-09-15 | 南京信息工程大学 | 一种基于联邦学习的个性化交通标志判别方法 |
| CN117292221A (zh) * | 2023-09-26 | 2023-12-26 | 山东省计算中心（国家超级计算济南中心） | 基于联邦元学习的图像识别方法及系统 |
| CN117422151A (zh) * | 2023-10-25 | 2024-01-19 | 河南大学 | 基于推理相似性与软聚类的联邦学习方法和装置 |
| CN117576655A (zh) * | 2023-11-04 | 2024-02-20 | 河南工业大学 | 基于联邦学习的交通标志检测方法与系统 |
| CN117690098A (zh) * | 2024-02-01 | 2024-03-12 | 南京信息工程大学 | 一种基于动态图卷积的开放驾驶场景下多标签识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110850861B (zh) | 基于注意的分层变道深度强化学习 | |
| CN107229973B (zh) | 一种用于车辆自动驾驶的策略网络模型的生成方法及装置 | |
| CN110007675B (zh) | 一种基于行车态势图的车辆自动驾驶决策系统及基于无人机的训练集制备方法 | |
| CN111222630B (zh) | 一种基于深度强化学习的自主驾驶规则学习方法 | |
| US20200033869A1 (en) | Systems, methods and controllers that implement autonomous driver agents and a policy server for serving policies to autonomous driver agents for controlling an autonomous vehicle | |
| CN110443138B (zh) | 基于车载毫米波雷达联合svm和cnn多目标分类方法 | |
| Akan et al. | Stretchbev: Stretching future instance prediction spatially and temporally | |
| US20230257003A1 (en) | Method and system for graph neural network based pedestrian action prediction in autonomous driving systems | |
| US20210166085A1 (en) | Object Classification Method, Object Classification Circuit, Motor Vehicle | |
| US11055576B2 (en) | System and method for system-aware classifiers | |
| CN111874007A (zh) | 基于知识与数据驱动的无人车分层决策方法、系统、装置 | |
| CN113822118A (zh) | 增强的车辆操作 | |
| US20230019834A1 (en) | Group of neural networks ensuring integrity | |
| CN116760536A (zh) | 一种多智能体协同感知方法、系统、电子设备及存储介质 | |
| US20220129704A1 (en) | Computing device | |
| Yuan et al. | Prioritized experience replay-based deep q learning: Multiple-reward architecture for highway driving decision making | |
| CN113561995B (zh) | 一种基于多维奖励架构深度q学习的自动驾驶决策方法 | |
| Sun et al. | RobNet: real-time road-object 3D point cloud segmentation based on SqueezeNet and cyclic CRF | |
| US20220335258A1 (en) | Systems and methods for dataset and model management for multi-modal auto-labeling and active learning | |
| Han et al. | DP-Authentication: A novel deep learning based drone pilot authentication scheme | |
| CN110213741B (zh) | 一种基于宽度学习的车辆发送信息真伪性的实时检测方法 | |
| CN117973457A (zh) | 自动驾驶感知场景下基于推理相似性的联邦学习方法 | |
| CN117392624A (zh) | 更新具有自动驾驶系统的车辆的感知功能的方法和系统 | |
| CN114326821B (zh) | 基于深度强化学习的无人机自主避障系统及方法 | |
| US20220114458A1 (en) | Multimodal automatic mapping of sensing defects to task-specific error measurement |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |