一种用于联网车辆中可扩展道路状况检测的联邦学习方法

《IEEE Open Journal of Intelligent Transportation Systems》：A Federated Learning Approach for Scalable Road Condition Detection in Connected Vehicles

　　摘要：传统的集中式道路监测系统存在诸多局限性，其评估速度仅为每小时3至4公里；同时，美国39%的主要道路仍处于较差的状态，这导致了高达6840亿美元的资金缺口。本研究提出了一种基于FedProx算法的增强型联邦学习框架，用于在联网车辆中实现隐私保护的道路状况检测。该方法能够利用加速度计、陀螺仪和GPS传感器数据在分布式车辆网络中进行协作式模型训练，并通过将原始传感器数据保留在设备上来降低数据泄露风险。我们开发了联邦学习模型，并使用来自智能手机传感器的28,523个样本（涵盖坑洼、路面不平及正常路面三种状况）对其进行了训练。所提出的架构优于现有方法，通过利用到2030年90%的联网车辆渗透率，可检测出98.18亿个问题。