隨著6G時(shí)代即將到來，全息智能交通系統(tǒng)的車層聯(lián)核心技術(shù)正在經(jīng)歷革命性的變化。憑借6G技術(shù)的聯(lián)網(wǎng)領(lǐng)智高數(shù)據(jù)速率、低延遲和超密集網(wǎng)絡(luò)特性，構(gòu)模車聯(lián)網(wǎng)（IoV）和車對(duì)萬物（V2X）通信的型聚習(xí)引發(fā)展迎來了新的機(jī)遇。然而，合雙如何在分布式環(huán)境中高效利用車輛和基礎(chǔ)設(shè)施所生成的邦學(xué)海量數(shù)據(jù)，同時(shí)保證數(shù)據(jù)隱私、通新減少通信成本，時(shí)代并提升學(xué)習(xí)效率，全息是車層聯(lián)當(dāng)前研究的關(guān)鍵挑戰(zhàn)。針對(duì)這一問題，聯(lián)網(wǎng)領(lǐng)智微云全息(NASDAQ:HOLO)提出了一種面向6G車聯(lián)網(wǎng)的構(gòu)模異構(gòu)模型聚合雙層聯(lián)邦學(xué)習(xí)技術(shù)，旨在構(gòu)建高效、型聚習(xí)引可擴(kuò)展、合雙隱私保護(hù)的智能學(xué)習(xí)架構(gòu)，以優(yōu)化自動(dòng)駕駛和智能交通系統(tǒng)的關(guān)鍵決策任務(wù)。
6G網(wǎng)絡(luò)的引入使車聯(lián)網(wǎng)能夠支持更快的數(shù)據(jù)傳輸、更低的延遲和更強(qiáng)的計(jì)算能力，然而，這也帶來了新的挑戰(zhàn)。首先，由于智能車輛和基礎(chǔ)設(shè)施設(shè)備（如路側(cè)單元RSU）在車聯(lián)網(wǎng)中的分布高度不均，導(dǎo)致數(shù)據(jù)生成方式呈現(xiàn)顯著的異構(gòu)性。其次，傳輸大量原始數(shù)據(jù)到集中式服務(wù)器進(jìn)行訓(xùn)練，不僅增加了帶寬負(fù)擔(dān)，還可能帶來數(shù)據(jù)隱私泄露風(fēng)險(xiǎn)。此外，由于車聯(lián)網(wǎng)環(huán)境的動(dòng)態(tài)性，數(shù)據(jù)分布和計(jì)算資源隨時(shí)間不斷變化，使得傳統(tǒng)的集中式機(jī)器學(xué)習(xí)難以適應(yīng)這一復(fù)雜環(huán)境。
為應(yīng)對(duì)這些挑戰(zhàn)，聯(lián)邦學(xué)習(xí)（Federated Learning，F(xiàn)L）成為了一種有效的解決方案。聯(lián)邦學(xué)習(xí)允許各個(gè)設(shè)備在本地訓(xùn)練模型，并僅傳輸模型更新參數(shù)，而非原始數(shù)據(jù)，從而有效降低通信開銷并增強(qiáng)隱私保護(hù)。然而，現(xiàn)有的聯(lián)邦學(xué)習(xí)方法大多采用單一的全局聚合方式，忽略了車聯(lián)網(wǎng)環(huán)境的異構(gòu)性和層次化結(jié)構(gòu)，難以充分利用6G車聯(lián)網(wǎng)中的多級(jí)計(jì)算架構(gòu)。
為了解決上述問題，微云全息提出了一種雙層聯(lián)邦學(xué)習(xí)架構(gòu)，充分利用6G車聯(lián)網(wǎng)中的端邊云計(jì)算模式，以實(shí)現(xiàn)更高效、更準(zhǔn)確的學(xué)習(xí)過程。該架構(gòu)分為本地層（端-邊）和全局層（邊-云），并采用一種新穎的異構(gòu)模型選擇與聚合策略，以更好地適應(yīng)不同計(jì)算資源和數(shù)據(jù)分布的不均衡性。
本地層（端-邊層）：在本地層，車輛（端設(shè)備）和RSU（邊緣設(shè)備）之間協(xié)同訓(xùn)練模型，每輛車在本地執(zhí)行模型更新，并與相鄰的RSU共享訓(xùn)練結(jié)果。RSU充當(dāng)區(qū)域模型聚合中心，在多個(gè)車輛之間進(jìn)行模型聚合，并根據(jù)實(shí)時(shí)環(huán)境調(diào)整模型權(quán)重。這一機(jī)制允許車輛利用RSU計(jì)算能力進(jìn)行局部訓(xùn)練，從而減少云服務(wù)器的計(jì)算負(fù)擔(dān)，同時(shí)優(yōu)化本地?cái)?shù)據(jù)的學(xué)習(xí)能力。
全局層（邊-云層）：在全局層，多個(gè)RSU之間進(jìn)一步聚合其管理的區(qū)域模型，并與云服務(wù)器協(xié)作完成更廣泛的模型更新。云端負(fù)責(zé)處理大規(guī)模數(shù)據(jù)，執(zhí)行深度學(xué)習(xí)任務(wù)，并對(duì)全局模型進(jìn)行優(yōu)化，以確保整個(gè)網(wǎng)絡(luò)的學(xué)習(xí)效果持續(xù)提升。此外，云服務(wù)器還能動(dòng)態(tài)調(diào)整RSU層的學(xué)習(xí)參數(shù)，以適應(yīng)不同區(qū)域的交通狀況和計(jì)算能力。
在傳統(tǒng)的聯(lián)邦學(xué)習(xí)框架中，所有設(shè)備通常使用相同的模型架構(gòu)進(jìn)行訓(xùn)練，但在6G車聯(lián)網(wǎng)環(huán)境中，不同車輛和RSU具有不同的計(jì)算能力、網(wǎng)絡(luò)帶寬和數(shù)據(jù)特征，因此采用單一模型架構(gòu)會(huì)導(dǎo)致學(xué)習(xí)效率下降。
針對(duì)這一問題，微云全息提出了一種異構(gòu)模型選擇與聚合策略，允許不同設(shè)備采用不同復(fù)雜度的模型，并基于設(shè)備的計(jì)算能力和數(shù)據(jù)分布進(jìn)行動(dòng)態(tài)調(diào)整。例如，高算力RSU可以使用深度神經(jīng)網(wǎng)絡(luò)（DNN），而低算力車輛則采用輕量級(jí)神經(jīng)網(wǎng)絡(luò)（如MobileNet）。在模型聚合過程中，我們采用多層異構(gòu)模型融合技術(shù)，通過知識(shí)蒸餾、加權(quán)平均和特定任務(wù)自適應(yīng)優(yōu)化，實(shí)現(xiàn)不同模型之間的信息傳遞，從而增強(qiáng)全局模型的泛化能力。
此外，微云全息還引入了一種基于環(huán)境上下文的動(dòng)態(tài)聚合機(jī)制，使RSU在聚合模型時(shí)能夠考慮道路環(huán)境、交通流量、車輛密度等因素，動(dòng)態(tài)調(diào)整模型參數(shù)權(quán)重，以確保學(xué)習(xí)過程與實(shí)際交通狀況相匹配。
智能物體檢測(cè)是現(xiàn)代自動(dòng)駕駛系統(tǒng)的核心功能之一，直接影響車輛的安全性和決策能力。在6G車聯(lián)網(wǎng)環(huán)境下，車輛和RSU需要實(shí)時(shí)識(shí)別周圍環(huán)境中的行人、車輛、交通信號(hào)等物體，并快速做出反應(yīng)。然而，由于數(shù)據(jù)的分布式特性和異構(gòu)性，現(xiàn)有集中式學(xué)習(xí)方法往往無法滿足實(shí)時(shí)性和準(zhǔn)確性的需求。
微云全息(NASDAQ:HOLO)的雙層聯(lián)邦學(xué)習(xí)架構(gòu)通過上下文感知分布式學(xué)習(xí)機(jī)制優(yōu)化智能物體檢測(cè)任務(wù)，使得每輛車能夠利用本地學(xué)習(xí)能力，并通過RSU進(jìn)一步增強(qiáng)檢測(cè)精度。例如，在高速公路上，RSU可以收集多個(gè)車輛的檢測(cè)結(jié)果，融合信息后反饋給所有參與訓(xùn)練的車輛，使整體檢測(cè)精度得到提升。此外，在復(fù)雜城市環(huán)境中，我們的異構(gòu)模型聚合策略可以針對(duì)不同區(qū)域的檢測(cè)需求調(diào)整學(xué)習(xí)參數(shù)，以適應(yīng)不同的交通場(chǎng)景。
面向6G車聯(lián)網(wǎng)的異構(gòu)模型聚合雙層聯(lián)邦學(xué)習(xí)技術(shù)，充分利用6G端邊云計(jì)算架構(gòu)，實(shí)現(xiàn)了高效、隱私保護(hù)和可擴(kuò)展的智能學(xué)習(xí)方案。微云全息將進(jìn)一步優(yōu)化模型聚合算法，結(jié)合強(qiáng)化學(xué)習(xí)和自適應(yīng)優(yōu)化方法，使系統(tǒng)能夠根據(jù)實(shí)時(shí)交通狀況動(dòng)態(tài)調(diào)整學(xué)習(xí)策略。此外，還將探索該技術(shù)在其他智能交通任務(wù)中的應(yīng)用，例如車載安全檢測(cè)、智能信號(hào)燈優(yōu)化等，為下一代智能車聯(lián)網(wǎng)提供更先進(jìn)的技術(shù)支持。