Aprendizado Federado em Sistemas de Transporte Inteligente: Aplicações Recentes e Problemas Abertos

Os sistemas de transporte inteligentes (ITSs) foram impulsionados pelo rápido desenvolvimento de tecnologias de comunicação, tecnologias de sensores e a Internet das Coisas (IoT). No entanto, devido às características dinâmicas das redes veiculares, é bastante desafiador tomar decisões oportunas e precisas sobre comportamentos de veículos. Além disso, na presença de comunicações móveis sem fio, a privacidade e a segurança das informações dos veículos estão em constante risco. Nesse contexto, um novo paradigma é urgentemente necessário para várias aplicações em ambientes veiculares dinâmicos. Como uma tecnologia de aprendizado de máquina distribuído, o aprendizado federado (FL) recebeu ampla atenção devido às suas excepcionais propriedades de proteção à privacidade e fácil escalabilidade. Realizamos uma pesquisa abrangente sobre os últimos desenvolvimentos do FL para ITS. Especificamente, inicialmente pesquisamos os desafios predominantes em ITS e elucidamos as motivações para aplicar o FL de várias perspectivas. Subsequentemente, revisamos as implantações existentes do FL em ITS em vários cenários e discutimos questões potenciais específicas em reconhecimento de objetos, gestão de tráfego e cenários de prestação de serviços. Além disso, realizamos uma análise mais aprofundada dos novos desafios introduzidos pela implantação do FL e das limitações inerentes que o FL por si só não pode resolver completamente, incluindo distribuição desigual de dados, armazenamento e poder computacional limitados, e preocupações potenciais de privacidade e segurança. Em seguida, examinamos as tecnologias colaborativas existentes que podem ajudar a mitigar esses desafios. Por fim, discutimos os desafios abertos que ainda precisam ser abordados na aplicação do FL em ITS e propomos várias direções de pesquisa futuras.