Los puntos clave no están disponibles para este artículo en este momento.
Los sistemas de transporte inteligente (ITS) han sido impulsados por el rápido desarrollo de tecnologías de comunicación, tecnologías de sensores y la Internet de las Cosas (IoT). No obstante, debido a las características dinámicas de las redes de vehículos, es bastante desafiante tomar decisiones oportunas y precisas sobre el comportamiento de los vehículos. Además, en presencia de comunicaciones móviles inalámbricas, la privacidad y seguridad de la información del vehículo están en constante riesgo. En este contexto, se necesita urgentemente un nuevo paradigma para diversas aplicaciones en entornos de vehículos dinámicos. Como una tecnología de aprendizaje automático distribuido, el aprendizaje federado (FL) ha recibido una amplia atención debido a sus destacadas propiedades de protección de la privacidad y su fácil escalabilidad. Realizamos una encuesta exhaustiva de los últimos desarrollos en FL para ITS. Específicamente, inicialmente investigamos los desafíos prevalentes en ITS y elucidamos las motivaciones para aplicar FL desde diversas perspectivas. Posteriormente, revisamos implementaciones existentes de FL en ITS a través de varios escenarios y discutimos problemas potenciales específicos en reconocimiento de objetos, gestión del tráfico y escenarios de prestación de servicios. Además, realizamos un análisis adicional de los nuevos desafíos introducidos por la implementación de FL y las limitaciones inherentes que FL por sí solo no puede abordar completamente, incluyendo la distribución desigual de datos, el almacenamiento y poder de computación limitados y preocupaciones potenciales de privacidad y seguridad. Luego examinamos las tecnologías colaborativas existentes que pueden ayudar a mitigar estos desafíos. Por último, discutimos los desafíos abiertos que permanecen por abordar en la aplicación de FL en ITS y proponemos varias direcciones futuras de investigación.
Zhang et al. (mar), estudiaron esta cuestión.