Apprentissage Fédéré pour les Véhicules Connectés et Automatisés : Un Examen des Approches Existantes et des Défis

L'apprentissage automatique (AA) est largement utilisé pour des tâches clés dans les Véhicules Connectés et Automatisés (VCA), notamment la perception, la planification et le contrôle. Cependant, sa dépendance aux données véhiculaires pour l'entraînement des modèles pose des défis significatifs liés à la vie privée des utilisateurs à bord et à la surcharge de communication générée par l'énorme volume de données. L'apprentissage fédéré (AF) est une approche décentralisée de l'AA qui permet à plusieurs véhicules de développer des modèles de manière collaborative, élargissant l'apprentissage à différents environnements de conduite, améliorant les performances globales et sécurisant simultanément la vie privée et la sécurité des données locales des véhicules. Cet article de synthèse présente un examen des avancées réalisées dans l'application de l'AF pour VCA (AF4VCA). Premièrement, les cadres centralisés et décentralisés de l'AF sont analysés, mettant en lumière leurs caractéristiques clés et méthodologies. Deuxièmement, diverses sources de données, modèles et techniques de sécurité des données pertinents pour l'AF dans les VCA sont examinés, soulignant leur importance pour garantir la vie privée et la confidentialité. Troisièmement, des applications spécifiques de l'AF sont explorées, fournissant des informations sur les modèles de base et les ensembles de données utilisés pour chaque application. Enfin, les défis existants pour AF4VCA sont listés et les directions potentielles pour de futures enquêtes afin de renforcer l'efficacité et l'efficience de l'AF dans le contexte des VCA sont discutées.