【技術實現步驟摘要】
本專利技術涉及車聯網智能駕駛，尤其涉及一種車聯網聯邦學習方法、軟件定義網絡控制器及系統。
技術介紹
1、目前，智能網聯車輛正朝著輔助駕駛、自動駕駛l2/l3級別的方向發展。車輛上配備了大量的傳感器，如毫米波雷達、激光雷達、攝像頭等。這些傳感器采集到的數據可以幫助訓練自動駕駛相關的深度學習模型。
2、隨著用戶隱私意識的提高，越來越多的用戶不愿意將數據上傳至云端。這一現象在車聯網領域尤為明顯。為了解決這些問題，聯邦學習被提出作為候選解決方案。
3、但是現有的聯邦學習系統考慮的場景都是移動用戶場景，這種場景和車聯網場景有很大的不同，比如車聯網所訓練的智能駕駛模型本身很龐大，所以車輛端的模型訓練是非常耗能的，進而會影響智能駕駛模型的訓練效率。
技術實現思路
1、針對現有技術存在的問題，本專利技術實施例提供了一種車聯網聯邦學習方法、軟件定義網絡控制器及系統，以解決或者部分解決現有技術中利用聯邦學習法訓練自動駕駛深度學習模型時，由于模型訓練能耗較大，從而影響智能駕駛模型訓練效率技術問題。
2、本專利技術的第一方面，提供一種車聯網聯邦學習方法，應用在軟件定義網絡控制器中，所述方法包括：
3、接收由至少一個目標路側單元rsu返回的當前通信參數；
4、根據所述至少一個目標rsu的當前通信參數構建訓練能耗模型；
5、基于預設的約束條件以及所述訓練能耗模型確定所述至少一個目標rsu的目標通信參數；所述目標通信參數用于最小化所述目標r
6、為所述至少一個目標rsu配置訓練參數及目標通信參數，并將所述智能駕駛模型發送至所述目標rsu進行訓練。
7、上述方案中，所述當前通信參數包括：所述目標rsu的cpu可用頻率、cpu電容系數、發射功率、所述目標rsu與所述軟件定義網絡控制器之間的信道增益、通信帶寬及可用時隙；所述訓練能耗模型包括：通信能耗模型和計算能耗模型；所述根據至少一個目標rsu的當前通信參數構建訓練能耗模型，包括：
8、根據所述通信帶寬、所述發射功率、所述目標rsu與所述軟件定義網絡控制器之間的信道增益及所述噪聲功率確定所述目標rsu的上行通信速率；
9、根據所述智能駕駛模型占用的內存及所述目標rsu的上行通信速率確定所述目標rsu的上行通信時延；
10、根據所述目標rsu的上行通信時延及所述發射功率確定所述目標rsu的通信能耗模型；
11、根據所述訓練參數、所述cpu電容系數及所述最大發射功率確定所述計算能耗模型。
12、上述方案中，所述根據所述目標rsu的上行通信時延及所述發射功率確定所述目標rsu的通信能耗模型，包括：
13、根據公式確定第n個目標rsu的通信能耗模型其中，pn為所述第n個目標rsu的發射功率，為所述第n個目標rsu的上行通信時延。
14、上述方案中，所述根據所述訓練參數、所述cpu電容系數及所述cpu可用頻率確定所述計算能耗模型，包括：
15、獲取所述訓練參數中的訓練樣本數量和局部迭代次數；
16、根據公式確定第n個目標rsu的計算能耗模型其中，an為所述第n個目標rsu的cpu電容系數，fn為所述第n個目標rsu的cpu可用頻率，dn為所述第n個目標rsu的訓練樣本數量，l為所述局部迭代次數。
17、上述方案中，基于預設的約束函數以及所述訓練能耗模型確定至少一個目標rsu的目標通信參數，包括：
18、根據所述訓練能耗模型構建訓練能耗目標函數；
19、在所述約束條件下，利用全局最優解算法對所述訓練能耗目標函數求全局最優解；所述全局最優解為至少一個目標rsu的目標通信參數。
20、上述方案中，所述根據所述訓練能耗模型構建訓練能耗目標函數，包括：
21、根據公式構建所述訓練能耗目標函數；其中，
22、為第n個目標rsu的計算能耗模型；為第n個目標rsu的通信能耗模型；p為發射功率向量，包含了至少一個目標rsu的發射功率；τ為目標時隙向量，包含了至少一個目標rsu的目標時隙；tc.max為所述第一時長閾值。
23、上述方案中，所述約束條件具體包括：
24、
25、其中，為第n個目標rsu的局部訓練時長，tc,max為預設的第一時長閾值，τn為第n個目標rsu的被分配的時隙，tmax為預設的第二時長閾值；為第n個目標rsu的上行通信時長，pn為第n個目標rsu的發射功率，為第n個目標rsu的最大發射功率。
26、上述方案中，所述將所述智能駕駛模型發送至所述目標rsu進行訓練之后，所述方法還包括：
27、接收由所述至少一個目標rsu發送的已訓練的智能駕駛模型；
28、對每個所述已訓練的智能駕駛模型進行聚合，得到全局模型；
29、若確定所述全局模型滿足收斂條件，則向所述至少一個目標rsu發送終止訓練指令。
30、本專利技術的第二方面，提供一種軟件定義網絡控制器，所述軟件定義網絡控制器包括：
31、接收單元，用于接收由至少一個目標rsu返回的當前通信參數；
32、構建單元，用于根據所述至少一個目標rsu的當前通信參數構建訓練能耗模型；
33、確定單元，用于基于預設的約束條件以及所述訓練能耗模型確定所述至少一個目標rsu的目標通信參數；所述目標通信參數用于最小化所述目標rsu訓練智能駕駛模型所需的資源能耗；
34、配置單元，用于為所述至少一個目標rsu配置訓練參數及目標通信參數，將所述智能駕駛模型發送至所述目標rsu進行訓練。
35、本專利技術的第三方面，提供一種車聯網聯邦學習系統，所述系統包括：軟件定義網絡控制器和多個rsu；
36、所述軟件定義網絡控制器，用于在多個所述rsu中確定出至少一個目標rsu，向所述至少一個目標rsu發送參數查詢報文；
37、所述目標rsu，用于基于所述參數查詢報文返回當前通信參數；
38、所述軟件定義網絡控制器，還用于根據至少一個目標rsu的當前通信參數構建訓練能耗模型；基于預設的約束條件以及所述訓練能耗模型確定至少一個目標rsu的目標通信參數；所述目標通信參數用于最小化所述目標rsu訓練智能駕駛模型所需的資源能耗；為至少一個目標rsu配置訓練參數及目標通信參數，將所述智能駕駛模型發送至所述目標rsu進行訓練。
39、本專利技術提供了一種車聯網聯邦學習方法、軟件定義網絡控制器及系統，方法包括：接收由至少一個目標路側單元rsu返回的當前通信參數；根據至少一個目標rsu的當前通信參數構建訓練能耗模型；基于預設的約束條件以及所述訓練能耗模型確定所述至少一個目標rsu的目標通信參數；所述目標通信參數用于最小化所述目標rsu訓練智能駕駛模型所需的資源能耗；為所述至少一個目標rsu配置訓練參數及目標通信參數，并將所述本文檔來自技高網...
【技術保護點】
1.一種車聯網聯邦學習方法，其特征在于，應用在軟件定義網絡控制器中，所述方法包括：
2.如權利要求1所述的方法，其特征在于，所述當前通信參數包括：所述目標RSU的CPU可用頻率、CPU電容系數、發射功率、所述目標RSU與所述軟件定義網絡控制器之間的信道增益、通信帶寬及可用時隙；所述訓練能耗模型包括：通信能耗模型和計算能耗模型；所述根據至少一個目標RSU的當前通信參數構建訓練能耗模型，包括：
3.如權利要求2所述的方法，其特征在于，所述根據所述目標RSU的上行通信時延及所述發射功率確定所述目標RSU的通信能耗模型，包括：
4.如權利要求2所述的方法，其特征在于，所述根據所述訓練參數、所述CPU電容系數及所述CPU可用頻率確定所述計算能耗模型，包括：
5.如權利要求1所述的方法，其特征在于，基于預設的約束函數以及所述訓練能耗模型確定至少一個目標RSU的目標通信參數，包括：
6.如權利要求5所述的方法，其特征在于，所述根據所述訓練能耗模型構建訓練能耗目標函數，包括：
7.如權利要求5所述的方法，其特征在于，所述約束
8.如權利要求1所述的方法，其特征在于，所述將所述智能駕駛模型發送至所述目標RSU進行訓練之后，所述方法還包括：
9.一種軟件定義網絡控制器，其特征在于，所述軟件定義網絡控制器包括：
10.一種車聯網聯邦學習系統，其特征在于，所述系統包括：軟件定義網絡控制器和多個RSU；
...【技術特征摘要】
1.一種車聯網聯邦學習方法，其特征在于，應用在軟件定義網絡控制器中，所述方法包括：
2.如權利要求1所述的方法，其特征在于，所述當前通信參數包括：所述目標rsu的cpu可用頻率、cpu電容系數、發射功率、所述目標rsu與所述軟件定義網絡控制器之間的信道增益、通信帶寬及可用時隙；所述訓練能耗模型包括：通信能耗模型和計算能耗模型；所述根據至少一個目標rsu的當前通信參數構建訓練能耗模型，包括：
3.如權利要求2所述的方法，其特征在于，所述根據所述目標rsu的上行通信時延及所述發射功率確定所述目標rsu的通信能耗模型，包括：
4.如權利要求2所述的方法，其特征在于，所述根據所述訓練參數、所述cpu電容系數及所述cpu可用頻...
【專利技術屬性】
技術研發人員：胡友強，黃凱，夏彪，熊鷹飛，金偉，
申請(專利權)人：東風汽車集團股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。