隨著6G時代即將到來，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)絡特性，構(gòu)模車聯(lián)網(wǎng)（IoV）和車對萬物（V2X）通信的型聚習引發(fā)展迎來了新的機遇。然而，合雙如何在分布式環(huán)境中高效利用車輛和基礎設施所生成的邦學海量數(shù)據(jù)，同時保證數(shù)據(jù)隱私、通新減少通信成本，時代并提升學習效率，全息是車層聯(lián)當前研究的關(guān)鍵挑戰(zhàn)。針對這一問題，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)邦學習技術(shù)，旨在構(gòu)建高效、型聚習引可擴展、合雙隱私保護的智能學習架構(gòu)，以優(yōu)化自動駕駛和智能交通系統(tǒng)的關(guān)鍵決策任務。
6G網(wǎng)絡的引入使車聯(lián)網(wǎng)能夠支持更快的數(shù)據(jù)傳輸、更低的延遲和更強的計算能力，然而，這也帶來了新的挑戰(zhàn)。首先，由于智能車輛和基礎設施設備（如路側(cè)單元RSU）在車聯(lián)網(wǎng)中的分布高度不均，導致數(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)到集中式服務器進行訓練，不僅增加了帶寬負擔，還可能帶來數(shù)據(jù)隱私泄露風險。此外，由于車聯(lián)網(wǎng)環(huán)境的動態(tài)性，數(shù)據(jù)分布和計算資源隨時間不斷變化，使得傳統(tǒng)的集中式機器學習難以適應這一復雜環(huán)境。
為應對這些挑戰(zhàn)，聯(lián)邦學習（Federated Learning，F(xiàn)L）成為了一種有效的解決方案。聯(lián)邦學習允許各個設備在本地訓練模型，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隱私保護。然而，現(xiàn)有的聯(lián)邦學習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)中的多級計算架構(gòu)。
為了解決上述問題，微云全息提出了一種雙層聯(lián)邦學習架構(gòu)，充分利用6G車聯(lián)網(wǎng)中的端邊云計算模式，以實現(xiàn)更高效、更準確的學習過程。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，以更好地適應不同計算資源和數(shù)據(jù)分布的不均衡性。
本地層（端-邊層）：在本地層，車輛（端設備）和RSU（邊緣設備）之間協(xié)同訓練模型，每輛車在本地執(zhí)行模型更新，并與相鄰的RSU共享訓練結(jié)果。RSU充當區(qū)域模型聚合中心，在多個車輛之間進行模型聚合，并根據(jù)實時環(huán)境調(diào)整模型權(quán)重。這一機制允許車輛利用RSU計算能力進行局部訓練，從而減少云服務器的計算負擔，同時優(yōu)化本地數(shù)據(jù)的學習能力。
全局層（邊-云層）：在全局層，多個RSU之間進一步聚合其管理的區(qū)域模型，并與云服務器協(xié)作完成更廣泛的模型更新。云端負責處理大規(guī)模數(shù)據(jù)，執(zhí)行深度學習任務，并對全局模型進行優(yōu)化，以確保整個網(wǎng)絡的學習效果持續(xù)提升。此外，云服務器還能動態(tài)調(diào)整RSU層的學習參數(shù)，以適應不同區(qū)域的交通狀況和計算能力。
在傳統(tǒng)的聯(lián)邦學習框架中，所有設備通常使用相同的模型架構(gòu)進行訓練，但在6G車聯(lián)網(wǎng)環(huán)境中，不同車輛和RSU具有不同的計算能力、網(wǎng)絡帶寬和數(shù)據(jù)特征，因此采用單一模型架構(gòu)會導致學習效率下降。
針對這一問題，微云全息提出了一種異構(gòu)模型選擇與聚合策略，允許不同設備采用不同復雜度的模型，并基于設備的計算能力和數(shù)據(jù)分布進行動態(tài)調(diào)整。例如，高算力RSU可以使用深度神經(jīng)網(wǎng)絡（DNN），而低算力車輛則采用輕量級神經(jīng)網(wǎng)絡（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)，通過知識蒸餾、加權(quán)平均和特定任務自適應優(yōu)化，實現(xiàn)不同模型之間的信息傳遞，從而增強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)境上下文的動態(tài)聚合機制，使RSU在聚合模型時能夠考慮道路環(huán)境、交通流量、車輛密度等因素，動態(tài)調(diào)整模型參數(shù)權(quán)重，以確保學習過程與實際交通狀況相匹配。
智能物體檢測是現(xiàn)代自動駕駛系統(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需要實時識別周圍環(huán)境中的行人、車輛、交通信號等物體，并快速做出反應。然而，由于數(shù)據(jù)的分布式特性和異構(gòu)性，現(xiàn)有集中式學習方法往往無法滿足實時性和準確性的需求。
微云全息(NASDAQ:HOLO)的雙層聯(lián)邦學習架構(gòu)通過上下文感知分布式學習機制優(yōu)化智能物體檢測任務，使得每輛車能夠利用本地學習能力，并通過RSU進一步增強檢測精度。例如，在高速公路上，RSU可以收集多個車輛的檢測結(jié)果，融合信息后反饋給所有參與訓練的車輛，使整體檢測精度得到提升。此外，在復雜城市環(huán)境中，我們的異構(gòu)模型聚合策略可以針對不同區(qū)域的檢測需求調(diào)整學習參數(shù)，以適應不同的交通場景。
面向6G車聯(lián)網(wǎng)的異構(gòu)模型聚合雙層聯(lián)邦學習技術(shù)，充分利用6G端邊云計算架構(gòu)，實現(xiàn)了高效、隱私保護和可擴展的智能學習方案。微云全息將進一步優(yōu)化模型聚合算法，結(jié)合強化學習和自適應優(yōu)化方法，使系統(tǒng)能夠根據(jù)實時交通狀況動態(tài)調(diào)整學習策略。此外，還將探索該技術(shù)在其他智能交通任務中的應用，例如車載安全檢測、智能信號燈優(yōu)化等，為下一代智能車聯(lián)網(wǎng)提供更先進的技術(shù)支持。