自动驾驶感知场景下基于推理相似性的联邦学习方法技术

本发明专利技术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。通过本发明专利技术提出的方法，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。

【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...

【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...

【专利技术属性】
技术研发人员：金子龙，张驰，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：