VREM-FL：面向车联网联邦学习的感知移动性计算调度协同设计

辅助驾驶与自动驾驶正迅速发展，即将成为现实。人工智能与机器学习被视为关键使能技术，得益于智能网联汽车通过车载传感器所采集的海量数据。联邦学习（Federated Learning）是当前最具前景的技术之一，能够在保护车辆数据隐私的同时，实现全局机器学习模型的训练，并优化通信资源的使用。本文提出了一种面向车联网的无线环境地图联邦学习框架（Vehicular Radio Environment Map Federated Learning, VREM-FL），这是一种计算与调度协同设计的车联网联邦学习方案，融合了车辆的移动特性与5G无线环境地图。VREM-FL通过联合优化全局模型的学习性能，以及智能分配通信与计算资源，实现高效协同。该方案通过利用无线信道地图，以自适应且预测性的方式协调车辆端的本地计算任务，并动态调度本地模型的传输过程。所提出的算法可根据需求灵活调整，实现训练时间与无线资源消耗之间的权衡。实验结果表明，VREM-FL在多种场景下均显著优于现有基准方法：对于线性回归模型，学习时间缩短了28%；对于用于语义图像分割的深度神经网络，在相同时间窗口内模型更新次数提升一倍。