System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术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。
技术介绍
1、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。
2、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。
3、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
技术实现思路
1、本专利技术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。
2、本专利技术为解决上述技术问题采用以下技术方案:
3、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:
4、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;
5、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;
6、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;
7、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;
8、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。
9、作为本专利技术的一种优选方案,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。
10、作为本专利技术的一种优选方案,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:
11、,
12、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。
13、作为本专利技术的一种优选方案,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:
14、,
15、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;
16、加权聚合的公式如下:
17、,
18、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;
19、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:
20、,
21、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。
22、作为本专利技术的一种优选方案,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:
23、,
24、,
25、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。
26、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。
27、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本文档来自技高网...
【技术保护点】
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:
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:
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:
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
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。
...【技术特征摘要】
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:
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:
4.根据权利要求1所述的自动驾驶感知场景下基于...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。