On the Federated Learning Framework for Cooperative Perception

合作感知对于提高未来交通系统的效率和安全至关重要，需要车辆之间进行广泛的数据共享，这引发了重大的隐私问题。联邦学习通过实现数据隐私保护的协作增强，为连接和自动驾驶车辆（CAV）之间的感知、决策和规划提供了有前途的解决方案。然而，联邦学习面临着来自不同客户端的数据异构性带来的重大挑战，这可能会降低模型准确性并延长收敛时间。本研究引入了一种专门针对CP的联邦学习框架，称为联邦动态加权聚合（FedDWA）算法，由动态调整损失（DALoss）函数加以实现。该框架采用动态客户端加权来指导模型收敛，并集成了一种新型损失函数，利用Kullback-Leibler散度（KLD）来抵消非独立同分布（Non-IID）和不平衡数据的不利影响。利用BEV转换器作为主要模型，我们在OpenV2V数据集上进行了严格测试，增加了FedBEVT数据，证明了平均交叉联合（IoU）的显著提高。这些结果突显了我们的联邦学习框架在解决CP中的数据异构性挑战方面具有重要潜力，从而提高了环境感知模型的准确性，并促进了交通领域更强大、更高效的协作学习解决方案。

本文旨在解决联合感知中数据异质性带来的模型精度下降和收敛时间延长的问题，提出了一种名为FedDWA的联邦学习框架，并结合动态调整损失函数（DALoss）进行优化。

FedDWA算法采用动态客户端加权来指导模型收敛，并集成了一种利用KLD对抗非独立同分布和不平衡数据的新型损失函数。实验结果表明，该框架能够显著提高联合感知模型的平均IoU。

实验使用了OpenV2V数据集，并结合FedBEVT数据进行了扩展。该框架能够有效解决联合感知中数据异质性的问题，提高了模型的精度和效率。值得进一步研究。

相关研究包括联邦学习、联合感知、数据隐私保护等方面的研究。