論文の概要: Enabling Federated Object Detection for Connected Autonomous Vehicles: A Deployment-Oriented Evaluation

• arxiv url: http://arxiv.org/abs/2509.01868v1
• Date: Tue, 02 Sep 2025 01:23:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.871481
• Title: Enabling Federated Object Detection for Connected Autonomous Vehicles: A Deployment-Oriented Evaluation
• Title（参考訳）: 連系自動運転車のフェデレーション対象検出:展開指向評価
• Authors: Komala Subramanyam Cherukuri, Kewei Sha, Zhenhua Huang,
• Abstract要約: 本研究は、コネクテッド・オートモービルズ(CAV)におけるフェデレート・ラーニング(FL)に基づくオブジェクト検出の総合的な展開指向評価を初めて導入するものである。 我々は、KITTI、BDD100K、nuScenesデータセットで評価された最先端検出器であるYOLOv5、YOLOv8、YOLOv11、Deformable DETRを用いている。 我々は,検出精度,計算コスト,資源利用のトレードオフを多種多様な解像度,バッチサイズ,天気・照明条件,動的クライアント参加で分析し,CAVにおける堅牢なFL展開の道を開く。
• 参考スコア（独自算出の注目度）: 3.030192467988537
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object detection is crucial for Connected Autonomous Vehicles (CAVs) to perceive their surroundings and make safe driving decisions. Centralized training of object detection models often achieves promising accuracy, fast convergence, and simplified training process, but it falls short in scalability, adaptability, and privacy-preservation. Federated learning (FL), by contrast, enables collaborative, privacy-preserving, and continuous training across naturally distributed CAV fleets. However, deploying FL in real-world CAVs remains challenging due to the substantial computational demands of training and inference, coupled with highly diverse operating conditions. Practical deployment must address three critical factors: (i) heterogeneity from non-IID data distributions, (ii) constrained onboard computing hardware, and (iii) environmental variability such as lighting and weather, alongside systematic evaluation to ensure reliable performance. This work introduces the first holistic deployment-oriented evaluation of FL-based object detection in CAVs, integrating model performance, system-level resource profiling, and environmental robustness. Using state-of-the-art detectors, YOLOv5, YOLOv8, YOLOv11, and Deformable DETR, evaluated on the KITTI, BDD100K, and nuScenes datasets, we analyze trade-offs between detection accuracy, computational cost, and resource usage under diverse resolutions, batch sizes, weather and lighting conditions, and dynamic client participation, paving the way for robust FL deployment in CAVs.
• Abstract（参考訳）: 物体検出は、コネクテッド・オートモービルズ(CAV)にとって、周囲を知覚し、安全な運転判断を行うことが不可欠である。 オブジェクト検出モデルの集中的なトレーニングは、しばしば有望な精度、高速収束、簡易なトレーニングプロセスを達成するが、スケーラビリティ、適応性、プライバシ保護に不足する。 対照的に、フェデレートラーニング(FL)は、自然に分散したCAV艦隊間の協調的、プライバシ保護、継続的なトレーニングを可能にする。 しかし、実世界のCAVにFLを配置することは、訓練と推論のかなりの計算要求と、非常に多様な動作条件が伴うため、依然として困難である。 実践的なデプロイメントは3つの重要な要素に対処する必要があります。 (i)非IIDデータ分布の不均一性 (二)オンボードコンピューティングハードウェアの制約、及び 三 照明、天気等の環境変動及び信頼性の高い性能を確保するための体系的な評価。 本研究は, CAVにおけるFLに基づくオブジェクト検出の総合的展開指向評価を初めて導入し, モデル性能, システムレベルの資源プロファイリング, 環境ロバスト性を統合した。 YOLOv5, YOLOv8, YOLOv11, Deformable DETRをKITTI, BDD100K, nuScenesデータセットで評価し, 多様な解像度, バッチサイズ, 天気, 照明条件, 動的クライアント参加による検出精度, 計算コスト, リソース使用量のトレードオフを分析し, CAVにおける堅牢なFL展開の道を開く。

関連論文リスト

• Edge-Enabled Collaborative Object Detection for Real-Time Multi-Vehicle Perception [1.2289361708127877]
  この研究は、レイテンシに敏感な自律システムの協調認識を強化するエッジコンピューティングの可能性を強調している。 我々は、エッジコンピューティングとマルチCAVコラボレーションを活用して、リアルタイム、マルチパースペクティブなオブジェクト検出を実現する、革新的なフレームワークであるEdge-Enabled Collaborative Object Detection (ECOD)をCAV向けに導入する。 実験の結果,物体分類精度の向上によるECODの有意なメリットが示され,従来型の単一アスペクトオンボード方式よりも75%向上し,低レイテンシでエッジ駆動のリアルタイム処理が保証された。
  論文  参考訳（メタデータ） (2025-06-06T18:58:04Z)
• A Knowledge-Informed Deep Learning Paradigm for Generalizable and Stability-Optimized Car-Following Models [15.34704164931383]
  自動車追従モデル (CFMs) は交通流解析と自律運転の基礎である。 本稿では,事前学習型大規模言語モデル(LLM)の一般化能力を軽量かつ安定性に配慮したニューラルアーキテクチャに蒸留する知識情報深層学習(KIDL)パラダイムを提案する。 KIDLを実世界のNGSIMおよびHighDデータセット上で評価し、その性能を代表的物理ベース、データ駆動、ハイブリッドCFMと比較した。
  論文  参考訳（メタデータ） (2025-04-19T09:33:02Z)
• Distributed Learning for UAV Swarms [8.184696905809473]
  フェデレートラーニング(FL)は、UAVが生データを共有せずにグローバルモデルを協調的にトレーニングすることを可能にする。 FLは、UAVが生データを共有せずに協調的にグローバルモデルを訓練することを可能にするが、UAVが収集したデータの非独立性と独立性(非IID)の性質のため、課題が発生する。
  論文  参考訳（メタデータ） (2024-10-21T11:01:44Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• Diffusion-Based Particle-DETR for BEV Perception [94.88305708174796]
  Bird-Eye-View (BEV)は、自律走行車(AV)における視覚知覚のための最も広く使われているシーンの1つである。 近年の拡散法は、視覚知覚のための不確実性モデリングに有望なアプローチを提供するが、BEVの広い範囲において、小さな物体を効果的に検出することができない。 本稿では,BEVにおける拡散パラダイムと最先端の3Dオブジェクト検出器を組み合わせることで,この問題に対処する。
  論文  参考訳（メタデータ） (2023-12-18T09:52:14Z)
• Filling the Missing: Exploring Generative AI for Enhanced Federated Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
  ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。 実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2023-10-21T12:07:04Z)
• Integrated Sensing, Computation, and Communication for UAV-assisted Federated Edge Learning [52.7230652428711]
  フェデレーションエッジ学習(FEEL)は、エッジデバイスとサーバ間の定期的な通信を通じて、プライバシ保護モデルトレーニングを可能にする。 無人航空機(UAV)搭載エッジデバイスは、効率的なデータ収集における柔軟性と移動性のため、FEELにとって特に有利である。
  論文  参考訳（メタデータ） (2023-06-05T16:01:33Z)
• A Survey of Federated Learning for Connected and Automated Vehicles [2.348805691644086]
  コネクテッド・アンド・オートマチック・ビークルズ(CAV)は、自動車分野における新興技術の1つである。 フェデレートラーニング(FL)は、複数の車両との協調モデル開発を可能にするCAVの効果的なソリューションである。
  論文  参考訳（メタデータ） (2023-03-19T14:44:37Z)
• Cycle and Semantic Consistent Adversarial Domain Adaptation for Reducing Simulation-to-Real Domain Shift in LiDAR Bird's Eye View [110.83289076967895]
  ドメイン適応プロセス中に関心のある小さなオブジェクトの情報を保存するために,事前の意味分類を用いたサイクガンに基づくbevドメイン適応法を提案する。 生成したBEVの品質は,KITTI 3D Object Detection Benchmarkの最先端3Dオブジェクト検出フレームワークを用いて評価されている。
  論文  参考訳（メタデータ） (2021-04-22T12:47:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。