一种用于自动驾驶中长尾场景分类的自适应客户端选择方法

《Scientific Reports》：An adaptive client selection method for long tailed scene classification in autonomous driving

　　

摘要

基于联邦学习的协作式自动驾驶常常受到长尾数据分布和感知不平衡的制约。在自动驾驶的环境场景分类中应用联邦学习时，由于现实世界气候数据具有长尾分布且非独立同分布的特性，因此面临诸多挑战。为解决这一问题，本文提出了FedRare这一客户端选择框架，它基于多维度效用函数，综合考虑了场景重要性（\(W_C\)）、数据分布的稀有性（\(W_R\)）以及本地更新的质量（\(W_L\)）。为应对极端情况下的安全问题，我们将18种驾驶场景分为标准型、多样性型和安全关键型三类，并据此设计了精细化的评估机制。在BDD100K数据集上的实验表明，在训练后期（基于五种随机种子下的最后五轮通信数据计算），FedRare的平均召回率为72.82%，而基准方法的召回率为63.42%。模型验证结果显示，FedRare在安全关键型场景（如雨天/雪夜）中的召回率可达74.13%，同时在传统基于损失函数的方法往往表现不佳的情况下仍保持了较高的感知可靠性。此外，\(W_L\)约束有助于稳定训练过程，使性能波动（标准差）保持在约0.02的水平。这项工作为在复杂且数据分布呈长尾特征的环境中提升自动驾驶的感知鲁棒性提供了一种新的框架。