近日，威斯康星大学麦迪逊分校和英特尔的研究团队合作开发了一个自动驾驶领域的联邦学习框架——FLAME，它可以抓取自动驾驶车辆的实时流数据进行在线协作训练。对于联邦学习这项技术来说，训练数据从离线数据到实时数据的升级，在任何一个应用领域都是值得探索的路径。如果你生活在有自动驾驶汽车试点计划的城市，你可能会想知道为什么这些通常来自少数初创公司的汽车在街道上行驶时无法相互学习。联邦学习 (FL) 是一种分布式机器学习方法，可以帮助自动驾驶车辆协作训练模型，而无需单个组织持有所有数据。这既保护了数据隐私，又允许每个客户为模型的开发做出贡献。然而，当前的 FL 基准测试侧重于离线收集的有限数据，无法捕获这些应用程序的真实动态行为。这是威斯康星大学麦迪逊分校和英特尔的研究团队关注的焦点，他们合作开发了一个名为跨自主车辆联邦学习（FLAME）的框架。FLAME 利用流行的开源物理模拟器CARLA和 FL 框架OpenFL来收集自动驾驶车辆的流数据以进行在线协作训练。FLAME 通过自动注释实现连续数据流从 CARLA 到 OpenFL 的实时传输，同时对数据异构性进行建模，以几乎零成本注释数据，并执行可重复的连续 FL 实验。提议的框架 FLAME 支持从 CARLA 收集带注释的数据，并支持 OpenFL 上的连续 FL。
为了证明该框架的有效性，研究人员实施了连续 FL 框架，并将其与流行的对象检测用例的集中式训练方法和本地训练方法进行了比较。同一个城镇的两名参与者在自动驾驶模式下驾驶，积累带有物体检测注释的图像。FL 框架的性能优于本地训练，并实现了接近中心的性能，与本地训练相比，收敛速度更快，特别是对于第二个驾驶员。驱动程序二从驱动程序一的见解中获益匪浅，突出了在联邦协作学习系统中合作的优势。两个合作者的绩效比较。FL 实现了接近中心的性能，超出了本地训练。FLAME 框架是使用 CARLA 上运行的自动驾驶车辆生成的连续数据流实现 OpenFL 联合学习方面向前迈出的重要一步。它为 FL 研究人员提供了一种在实际环境中生成新的可重复数据集的方法。