合作感知和联邦学习在未来交通系统中具有很大潜力，但数据异质性是一个重要挑战。本研究介绍了一种专门用于合作感知的联邦学习框架，名为 FedDWA 算法，并结合动态调节损失函数。实验证明该框架能够显著改善环境感知模型的准确性，提高交通部门的协同学习解决方案。

Apr, 2024

本研究提出一种基于协议的去中心化联邦学习框架 C-DFL，以应对联邦学习在车联网中的缺陷并提高学习效果，通过大量仿真实验证明其在所有情况下优于传统方法。

Sep, 2022

该研究提出了 FedDrive，这是一个新的基准，利用统计异质性和域普适性等真实世界挑战来评估联合学习在车辆语义分割中的应用，研究通过深入分析来评估目前的联合学习算法。

Feb, 2022

机器学习在互联和自动化车辆（CAV）的关键任务中被广泛应用，然而，由于对车辆数据进行模型训练，导致了与车辆用户隐私和通信开销相关的重大挑战。联邦学习是一种分散的机器学习方法，使多个车辆可以协作开发模型，从不同的驾驶环境中进行学习，提高整体性能，并同时确保本地车辆数据的隐私和安全。本论文综述了联邦学习在 CAV 中应用的进展，分析了中心化和分散化联邦学习框架的关键特性和方法学，并回顾了与 CAV 中联邦学习相关的多样数据来源、模型和数据安全技术，强调它们在确保隐私和机密性方面的重要性。其次，探讨了联邦学习的特定应用，并提供了每个应用所采用的基本模型和数据集的见解。最后，列出了 FL4CAV 面临的现有挑战，并讨论了进一步提升 FL 在 CAV 背景下的效果和效率的潜在方向。

Aug, 2023

本论文提供了一种基于封建网络和分层强化学习的车辆代理预测从车辆驾驶数据集中的第一视角实时图像进行自动驾驶方向盘角度预测的新方法，演示了在 Udacity 数据集上最先进的预测结果。

Jun, 2020

本篇论文研究了 FL 领域中不同于普通平均策略的模型聚合方法 ——ensemble distillation，证明其能够在保证数据隐私性和节约算力的同时，更灵活地聚合异构模型，并在各种 CV/NLP 数据集和场景下优于现有的 FL 算法。

Jun, 2020

本文研究车联网应用中的联邦学习与集中式学习的可行性，探讨了基于图像数据集的目标检测，分析了数据标注、模型训练的挑战，以及数据速率、可靠性、隐私和资源管理等通信方面的问题，并为联邦学习在车联网领域中的未来研究方向提供了展望。

Jun, 2020

本论文提出了一种新的基于大规模无线连接的联邦学习框架，用于设计连接和自动驾驶车辆（CAVs）的自主控制器。使用联合训练模型，应对 CAVs 参与联邦学习过程的不同和数据质量的多样化，提出了动态联邦近端算法（DFP）。在此基础上，设计了基于合同理论的激励机制，以提高 FL 的收敛速度。仿真结果表明，DFP 控制器可以精确跟踪目标 CAV 在不同交通场景下的车速。

Feb, 2021

本篇论文提出了一种基于联邦学习的动态地图融合框架，可在 FoVs 内有效预测目标数量和融合多个本地地图，实现高质量的地图制作，并在 CARLA 模拟平台上得到广泛的实验验证。

Mar, 2021

基于联网汽车与云端协作的联邦学习方法和无监督评分模型，能够在不需要标签的情况下准确评估驾驶员的驾驶表现。

Jan, 2024