.png){kind=icon}
.png){kind=icon}
返回
Distributed Collaborative Data Processing Framework for Unmanned Platforms Based on Federated Edge Intelligence
.png){kind=icon}
PRE
AI
DOI：10.3390-s25154752.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
无人平台（如无人机、无人地面车辆和自主水下航行器）在执行协同数据处理任务时，常面临数据、设备和模型异构性等挑战。现有研究未能同时解决这三个方面的问题。为解决此问题，本研究设计了受云-边-端模型启发的新型无人平台集群架构。该架构融合联邦学习以保护隐私，利用分布式模型训练的优势，并运用边缘计算的近源数据处理能力。此外，本文提出了一种联邦边缘智能方法（DSIA-FEI），包含两个关键组件。基于传统联邦学习，引入了数据共享机制，将边缘侧平台的数据提取至数据共享平台，形成公共数据集。在模型训练开始时，从公共数据集中进行随机采样并分发给各无人平台，以缓解无人平台协同数据处理中的数据分布异构性和类别不平衡问题。此外，基于相似度测量和损失梯度的智能模型聚合策略被开发出来。该策略通过分层参数对齐将异构模型参数映射至统一空间，并实时评估边缘设备本地模型与全局模型的相似度及损失梯度，以选择最优模型用于全局聚合，降低设备与模型异构性对无人平台群协同学习的影响。本研究在多个数据集上进行了广泛验证，实验结果表明，本文提出的DSIA-FEI方法在FEMNIST、FEAIR、EuroSAT和RSSCN7数据集上的准确率分别达到0.91、0.91、0.88和0.87，较基线方法提高了超过10%。此外，通信轮次减少了40%以上，优于现有主流方法，验证了所提方法的有效性。
Keyword:
federated learning
edge computing
unmanned platform cluster
model heterogeneity
data sharing