关于自动驾驶汽车的联合学习系统,用于车道分割
Mohab M Eid Kishawy1,2, Mohamed T Abd El-Hafez2, Retaj Yousri3
1Department of Electrical and Computer Engineering, McMaster University, Hamilton, ON, L8S 4K1, Canada.
Scientific reports
|October 23, 2024
概括
联合学习 (FL) 通过实现保护隐私的数据协作来增强自动驾驶汽车 (AV) 的车道细分. 这种方法显著提高了AV开发的模型性能和稳定性.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器人技术 机器人技术 机器人技术
背景情况:
- 自动驾驶汽车 (AV) 需要大量的数据来进行模型培训,这给隐私和安全带来了挑战.
- 目前用于AV的数据收集方法可能会损害边缘设备的敏感信息.
- 开发强大的车道分割模型对于安全的AV操作至关重要.
研究的目的:
- 提出一个名为FedLane的新型联合学习 (FL) 解决方案,用于AV中安全有效的车道细分.
- 为了提高自动驾驶汽车模型的性能,而不会集中边缘车辆的敏感数据.
- 为了证明FL在AVs的保护隐私的协作优化中的有效性.
主要方法:
- 针对车道分割的U-Net,ResUNet和ResUNet++模型的初步培训.
- 在AV中对边缘设备进行实时推断.
- 应用FL来更新使用客户端的分散数据的中央服务器模型.
- 评估模型性能使用子系数度量.
主要成果:
- 联合学习显著改善了所有测试模型的车道细分性能.
- 子系数比基线增加:U-Net (0.9429至0.9794),ResUNet (0.9291至0.9854) 和ResUNet++ (0.9079至0.9675).与基线相比,子系数增加了:U-Net (0.9429至0.9794),ResUNet (0.9291至0.9854) 和ResUNet++ (0.9079至0.9675).
- 模型在整个训练代过程中表现出更高的稳定性,表明强大的学习.
结论:
- 联合学习提供了一种安全和有效的方法,用于AVs中的协作模型优化.
- FL提高了车道分割的准确性和稳定性,同时保持了数据隐私.
- 对于未来的 AV 产业自动化,FL 是一个有前途的技术.


