FedVCP: Un esquema de posicionamiento cooperativo basado en aprendizaje federado para el Internet Social de Vehículos

Las aplicaciones de vehículos inteligentes, como la conducción autónoma y la evitación de colisiones, presentan una mayor demanda de posicionamiento preciso de vehículos. Los sistemas de navegación por satélite global (GNSS) actualmente utilizados no pueden cumplir con los requisitos de precisión del nivel submetro. Gracias al desarrollo de técnicas de detección y comunicaciones de vehículo a infraestructura (V2I), algunos vehículos pueden interactuar con hitos circundantes para lograr un posicionamiento preciso. El trabajo existente busca realizar la corrección de posicionamiento de vehículos comunes compartiendo los datos de posicionamiento de vehículos ricos en sensores. Sin embargo, la privacidad de los datos de trayectoria dificulta la recopilación y el entrenamiento de datos de manera centralizada. Además, subir los datos de ubicación del vehículo desperdicia recursos de la red. Para llenar estas lagunas, este artículo propone un sistema de posicionamiento cooperativo de vehículos (CP) basado en aprendizaje federado (FedVCP), que hace pleno uso del potencial del Internet de las Cosas (IoT) social y la computación en la niebla colaborativa (CEC) para proporcionar corrección de posicionamiento de alta precisión mientras se garantiza la privacidad del usuario. Hasta donde sabemos, este artículo es el primer intento de resolver la privacidad de CP desde una perspectiva de aprendizaje federado. Además, aprovechamos las ventajas de la cooperación local a través de comunicaciones de vehículo a vehículo (V2V) en la augmentación de datos. Para las diferencias individuales en el posicionamiento de vehículos, utilizamos el aprendizaje por transferencia para eliminar el impacto de tales diferencias. Experimentos extensos en datos reales demuestran que nuestro modelo propuesto es superior al método base en términos de eficacia y velocidad de convergencia.