В прошлом Bluetooth, Wi-Fi, 3G, 4G со встроенными датчиками и GPS положили начало частичной или условной автоматизации транспортных средств. В сегодняшнюю эпоху 4G/5G, C-V2X (сотовая связь для всех транспортных средств) со встроенными вычислениями и датчиками подтолкнул эволюцию возможностей подключения в автомобильной промышленности. Увеличилась работа над автоматизированными и полностью автономными транспортными средствами. Все это возможно благодаря беспроводной связи 5G. 5G обеспечивает плате высокую пропускную способность, сверхнизкую задержку и высокую надежность. С этими обещаниями становится очевидным, что эти технологии, особенно с 5G, могут быть использованы в транспортных средствах. Эта технология предназначена не только для подключения транспортных средств, но и для проверки возможности подключения транспортного средства к сети для получения информации с облачных серверов.
Для случая использования транспортных средств, движущихся в колонне, мы можем ожидать задержку 10 мс с надежностью 99,99% и высокой скоростью передачи данных до 65 Мбит/с, чтобы гарантировать, что транспортные средства не столкнутся ни при каких обстоятельствах. Для сложных сценариев вождения требуется гораздо меньшая задержка – 3 мс. Федеративное обучение в 5G C-V2X является основным направлением современных инноваций в автомобильной промышленности.
Что такое федеративное обучение?
Федеративное обучение в 5G C-V2X – одна из ключевых концепций реализации ИИ/МО различными способами. Федеративное обучение – это метод машинного обучения, который обучает алгоритм на нескольких децентрализованных периферийных устройствах и серверах, хранящих локальные образцы данных, без обмена ими. Речь идет об обучении вашего алгоритма на децентрализованной архитектуре. Централизованный сервер может выполнять все тяжелые рабочие нагрузки, одновременно перенося некоторую нагрузку на вычислительные модели транспортных средств. В таких случаях на сервер отправляется не весь набор обучающих данных, что снижает нагрузку на каналы связи.
Проблемы федеративного обучения в 5G C-V2X
Некоторые из проблем, связанных с федеративным обучением, включают дорогостоящее общение, неоднородность системы и проблемы конфиденциальности. Из-за большого количества устройств обмен данными в сети иногда может становиться медленнее, чем локальные вычисления, что делает его дорогостоящим. При неоднородности системы возможности хранения, вычислений и связи каждого устройства в объединенных сетях могут различаться из-за различий в оборудовании, возможностях сетевого подключения и мощности. Эти системы демонстрируют такие проблемы, как устранение задержек и отказоустойчивость. Поскольку существуют проблемы с конфиденциальностью, эти подходы часто обеспечивают конфиденциальность за счет снижения производительности модели и эффективности системы.
Некоторые из фреймворков с открытым исходным кодом, поддерживаемых для федеративного обучения, – это PyTorch, TensorFlow, Keras и т. д.
Источник: Все изображения были взяты из выступления Анурага Агарвала, Tata Consultancy Services Ltd., на саммитах Open Source Japan + Automotive Linux.
Выражаем свою благодарность источнику из которого взята и переведена статья, сайту cnx-software.com.
Оригинал статьи вы можете прочитать здесь.