Fugu-MT 論文翻訳(概要): FLAD: Federated Learning for LLM-based Autonomous Driving in Vehicle-Edge-Cloud Networks

論文の概要: FLAD: Federated Learning for LLM-based Autonomous Driving in Vehicle-Edge-Cloud Networks

arxiv url: http://arxiv.org/abs/2511.09025v1
Date: Thu, 13 Nov 2025 01:26:39 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-13 22:34:54.361746
Title: FLAD: Federated Learning for LLM-based Autonomous Driving in Vehicle-Edge-Cloud Networks
Title（参考訳）: FLAD: 自動車エッジクラウドネットワークにおけるLDMベースの自動運転のためのフェデレーションラーニング
Authors: Tianao Xiang, Mingjian Zhi, Yuanguo Bi, Lin Cai, Yuhao Chen,
Abstract要約: Federated Learning(FL)は、自動運転車が生データを共有せずに、協力的にモデルを訓練できるようにすることを約束している。 We present Federated LLM-based Autonomous Driving (FLAD) a FL framework that leverageing distributed multimodal sensory data across AVs in heterogeneous environment。 FLAD には,(1) 通信遅延を低減し,データのプライバシを保護するクラウドエッジ車両協調アーキテクチャ,(2) 訓練効率を最適化する通信スケジューリング機構を用いたインテリジェント並列協調トレーニング,(3) 異種エッジデータに基づいて LLM をパーソナライズする知識蒸留手法,の3つの革新がある。
参考スコア（独自算出の注目度）: 13.159277094011053
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Large Language Models (LLMs) have impressive data fusion and reasoning capabilities for autonomous driving (AD). However, training LLMs for AD faces significant challenges including high computation transmission costs, and privacy concerns associated with sensitive driving data. Federated Learning (FL) is promising for enabling autonomous vehicles (AVs) to collaboratively train models without sharing raw data. We present Federated LLM-based Autonomous Driving (FLAD), an FL framework that leverages distributed multimodal sensory data across AVs in heterogeneous environment. FLAD has three key innovations: (1) a cloud-edge-vehicle collaborative architecture that reduces communication delay and preserving data privacy; (2) an intelligent parallelized collaborative training with a communication scheduling mechanism that optimizes training efficiency, leveraging end-devices otherwise having insufficient resources for model training; and (3) a knowledge distillation method that personalizes LLM according to heterogeneous edge data. In addition, we prototype FLAD in a testbed with NVIDIA Jetsons, overcoming practical implementation challenges including CPU/GPU memory sharing in resource-constrained devices, dynamic model partitions, and fault-tolerant training.Extensive experimental evaluation demonstrates that FLAD achieves superior end-to-end AD performance while efficiently utilizing distributed vehicular resources, opening up new possibilities for future collaborative AD model training and knowledge sharing.
Abstract（参考訳）: 大規模言語モデル(LLM)は、自律運転(AD)のための印象的なデータ融合と推論機能を備えている。しかし、ADのためのLLMのトレーニングは、高い計算伝達コストや、機密性のある運転データに関連するプライバシー上の懸念など、重大な課題に直面している。 Federated Learning (FL)は、自動運転車(AV)が生データを共有せずに、協力的にモデルを訓練できるようにすることを約束している。 We present Federated LLM-based Autonomous Driving (FLAD) a FL framework that leverageing distributed multimodal sensory data across AVs in heterogeneous environment。 FLADには,(1)通信遅延を低減し,データのプライバシを保存するクラウドエッジ車両協調アーキテクチャ,(2)トレーニング効率を最適化する通信スケジューリング機構を用いたインテリジェント並列協調トレーニング,(2)モデルトレーニングに不十分なリソースを持つエンドデバイスを活用すること,(3)ヘテロジニアスエッジデータに基づいてLCMをパーソナライズする知識蒸留手法,の3つの重要なイノベーションがある。さらに,我々は NVIDIA Jetsons を用いたテストベッドで FLAD を試作し,リソース制約のあるデバイスにおける CPU/GPU メモリ共有,動的モデル分割,フォールトトレラントトレーニングといった実装上の課題を克服した。大規模な実験的評価は,FLAD が分散車載資源を効率的に活用しつつ,優れたエンドツーエンドAD 性能を達成し,今後の共同AD モデルトレーニングと知識共有の新たな可能性を開くことを実証している。

関連論文リスト

TeLL-Drive: Enhancing Autonomous Driving with Teacher LLM-Guided Deep Reinforcement Learning [61.33599727106222]
TeLL-Driveは、Teacher LLMを統合して、注意に基づく学生DRLポリシーをガイドするハイブリッドフレームワークである。自己維持機構はDRLエージェントの探索とこれらの戦略を融合させ、政策収束を加速し、堅牢性を高める。
論文参考訳（メタデータ） (2025-02-03T14:22:03Z)
Adaptive and Parallel Split Federated Learning in Vehicular Edge Computing [6.004901615052089]
車両エッジインテリジェンス(VEI)は、将来のインテリジェントトランスポートシステムを実現するための有望なパラダイムである。フェデレートラーニング(Federated Learning, FL)は、コラボレーティブモデルトレーニングとアグリゲーションを促進する基礎技術のひとつである。 ASFV(Adaptive Split Federated Learning scheme for Vehicular Edge Computing) を開発した。
論文参考訳（メタデータ） (2024-05-29T02:34:38Z)
Forging Vision Foundation Models for Autonomous Driving: Challenges, Methodologies, and Opportunities [59.02391344178202]
ビジョンファウンデーションモデル(VFM)は、幅広いAIアプリケーションのための強力なビルディングブロックとして機能する。総合的なトレーニングデータの不足、マルチセンサー統合の必要性、多様なタスク固有のアーキテクチャは、VFMの開発に重大な障害をもたらす。本稿では、自動運転に特化したVFMを鍛造する上で重要な課題について述べるとともに、今後の方向性を概説する。
論文参考訳（メタデータ） (2024-01-16T01:57:24Z)
VREM-FL: Mobility-Aware Computation-Scheduling Co-Design for Vehicular Federated Learning [2.6322811557798746]
車両用無線環境マップフェデレートラーニング(VREM-FL)を提案する。車両の移動性と5G無線環境マップを組み合わせる。 VREM-FLは無線リソース使用のためのトレーニング時間に調整することができる。
論文参考訳（メタデータ） (2023-11-30T17:38:54Z)
Time-sensitive Learning for Heterogeneous Federated Edge Intelligence [52.83633954857744]
フェデレーションエッジインテリジェンス(FEI)システムにおけるリアルタイム機械学習について検討する。 FEIシステムは異種通信と計算資源分布を示す。本稿では,共有MLモデルの協調学習における全体の実行時間を最小化するために,時間依存型フェデレーションラーニング(TS-FL)フレームワークを提案する。
論文参考訳（メタデータ） (2023-01-26T08:13:22Z)
Federated Learning and Meta Learning: Approaches, Applications, and Directions [94.68423258028285]
本稿では,FL,メタラーニング,フェデレーションメタラーニング(FedMeta)について概観する。他のチュートリアルと異なり、私たちの目標はFL、メタラーニング、FedMetaの方法論をどのように設計、最適化、進化させ、無線ネットワーク上で応用するかを探ることです。
論文参考訳（メタデータ） (2022-10-24T10:59:29Z)
Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。 FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文参考訳（メタデータ） (2022-06-03T23:55:45Z)
Mobility, Communication and Computation Aware Federated Learning for Internet of Vehicles [29.476152044104005]
道路車両を学習エージェントとして利用する新しいオンラインFLプラットフォームを提案する。現代の車両の高度な機能のおかげで、車載センサーは車両が軌道に沿って移動するときにデータを集めることができる。オンボードプロセッサは、収集されたデータを使用して機械学習モデルをトレーニングすることができる。
論文参考訳（メタデータ） (2022-05-17T19:14:38Z)
Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
論文参考訳（メタデータ） (2020-12-01T11:46:03Z)

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。