摘 要：在智能交通中，為彌補(bǔ)路側(cè)端點(diǎn)云數(shù)據(jù)集的缺乏，提高目標(biāo)檢測模型泛化能力，提出了一種基于參數(shù)自適應(yīng)聯(lián)邦學(xué)習(xí)（FL）的點(diǎn)云目標(biāo)檢測算法（FLA3DSSD）。在各個(gè)路側(cè)客戶端數(shù)據(jù)不互通的情況下，將基于點(diǎn)的3D單級(jí)目標(biāo)檢測器（3DSSD）算法與經(jīng)典聯(lián)邦學(xué)習(xí)（FL）策略相結(jié)合，同時(shí)通過上傳局部模型在路側(cè)服務(wù)器進(jìn)行模型自適應(yīng)參數(shù)融合改進(jìn)客戶端模型參數(shù)更新策略，實(shí)現(xiàn)數(shù)據(jù)信息共享，并提升檢測精度。結(jié)果表明：在車路協(xié)同差異路口場景算法部署任務(wù)中，對(duì)比本地?cái)?shù)據(jù)訓(xùn)練模型，直接部署于其余客戶端，用FL與3DSSD的聚合模型所測試的檢測平均精度（AP），上升5%～40%；帶有改進(jìn)參數(shù)的自適應(yīng)聯(lián)邦學(xué)習(xí)FLA3DSSD聚合模型，實(shí)現(xiàn)AP值提升1%～7%。因此，在保護(hù)數(shù)據(jù)隱私的前提下，本方法能夠提高模型泛化能力和檢測精度。

關(guān)鍵詞：智能交通；車路協(xié)同；目標(biāo)檢測；激光點(diǎn)云；聯(lián)邦學(xué)習(xí)（FL）策略；深度學(xué)習(xí)模型

Adaptive federated learning algorithm for differential intersection based on 3DSSD

Abstract： A point-cloud object-detection algorithm （FLA3DSSD） was proposed based on a parameter adaptive Federated Learning （FL） strategy to solve the problems of lack of roadside endpoint cloud dataset and the low generalization ability of object detection models. The point-cloud based 3-D Single-Stage Object Detector algorithm （3DSSD） was combined with the FL in the cases in which the data from various roadside clients are not interconnected. The client model parameter update strategy was improved by uploading local models to the server for model adaptive parameter fusion， to achieve data information sharing. The results show that the aggregation model combining classical federated learning and 3DSSD algorithm showed a 5%～40% increase in detection Average Precision （AP） compared to the locally trained model deployed directly to other clients for testing in the deployment task of the vehicle road collaborative differential intersection scene algorithm; Improved parameter adaptive federated learning FLA3DSSD achieves a 1%～7% increase in AP value based on"the aggregated model. Therefore， the method improves the generalization ability and detection accuracy with protecting data privacy.

Key words： intelligent transportation; vehicle-road coordination; object detection; laser point-cloud; Federated- Learning （FL） strategy; Deep-Learning model

隨著智能交通應(yīng)用的不斷發(fā)展，車路協(xié)同成為重點(diǎn)研究方向之一，現(xiàn)有目標(biāo)檢測算法均需要場景覆蓋完整，數(shù)據(jù)量充足的數(shù)據(jù)集進(jìn)行支撐。由于車路協(xié)同路側(cè)場景的多樣性 （ 差異路口道路類型，交通參與者種類，天氣變化及交通堵塞等 ），與車端的檢測場景存在較大差別，現(xiàn)有數(shù)據(jù)集不能完全覆蓋所需的路側(cè)端真實(shí)場景。點(diǎn)云目標(biāo)檢測受到點(diǎn)云質(zhì)量的影響，而點(diǎn)云質(zhì)量更容易受到環(huán)境的光照天氣，與圖像相比更敏感，數(shù)據(jù)分散，采集自不同場景的點(diǎn)云數(shù)據(jù)集數(shù)量，傳感器安裝角度和點(diǎn)云質(zhì)量均存在差異，所以需要增強(qiáng)點(diǎn)云目標(biāo)檢測算法模型的泛化能力，進(jìn)一步提高算法快速部署后的檢測精度。

在點(diǎn)云目標(biāo)檢測中，單階段目標(biāo)檢測具有實(shí)時(shí)性高、檢測精度高、流程簡易等特性，經(jīng)典的單階段點(diǎn)云目標(biāo)檢測算法包括 PIXOR [^1]，SECOND [^2]，PointPillars [^3]和輕量高效的基于點(diǎn)的 3 維單級(jí)目標(biāo)檢測器 （3-D single-stage object detector，3DSSD） [4^{] 算法。針對(duì)目標(biāo)檢測任務(wù)缺乏場景豐富的大規(guī)模數(shù)據(jù)集的問題，傳統(tǒng)的解決方法是將不同場景的數(shù)據(jù)集進(jìn)行聚合，通過標(biāo)注訓(xùn)練提高模型的泛化能力。若采集不同場景的真實(shí)數(shù)據(jù)并進(jìn)行標(biāo)注，其成本較高、工作量較繁重，同時(shí)涉及到地區(qū)數(shù)據(jù)通信成本及隱私問題。為了解決缺少大量數(shù)據(jù)集和保護(hù)數(shù)據(jù)隱私的問題，聯(lián)邦學(xué)習(xí) （Federated Learning，FL） 軟件得到了廣泛應(yīng)用。谷歌公司利用聯(lián)邦學(xué)習(xí)實(shí)現(xiàn)分布式用戶行為等數(shù)據(jù)共建深度學(xué)習(xí)模型，解決了數(shù)據(jù)孤島的問題。文獻(xiàn) [5] 提出了聯(lián)合平均 （FedAvg） 算法，使各個(gè)本地模型權(quán)重進(jìn)行有意義地聚合，更新形成全局模型。文獻(xiàn) [6] 實(shí)現(xiàn)了基于聯(lián)邦學(xué)習(xí)}的目標(biāo)檢測系統(tǒng)，用于監(jiān)測監(jiān)控中的特殊目標(biāo)。文獻(xiàn) [7]針對(duì) CT 影像綜合性病灶檢測任務(wù)，提出隱私保護(hù)的聯(lián)邦學(xué)習(xí)算法。文獻(xiàn) [8] 提出分布式邊緣計(jì)算模型，降低視頻監(jiān)控系統(tǒng)的處理時(shí)延?，F(xiàn)有的基于聯(lián)邦學(xué)習(xí)的目標(biāo)檢測成果主要集中于圖像檢測領(lǐng)域，缺乏對(duì)激光點(diǎn)云目標(biāo)檢測領(lǐng)域的研究。

針對(duì)經(jīng)典聯(lián)邦學(xué)習(xí)面臨的數(shù)據(jù)非獨(dú)立同分布問題，研究人員提出個(gè)性化聯(lián)邦學(xué)習(xí) （personalized federated learning，PFL） 模型，針對(duì)各客戶端數(shù)據(jù)存在分布差異的情形，為每個(gè)客戶端訓(xùn)練一個(gè)專有的模型。部分學(xué)者針對(duì)數(shù)據(jù)進(jìn)行處理，文獻(xiàn)[9] 提出了一種將按類的均衡的少量全局?jǐn)?shù)據(jù)分發(fā)給各客戶端的數(shù)據(jù)共享策略。另一部分學(xué)者針對(duì)具有相似性數(shù)據(jù)分布的情況開展策略方向的研究，文獻(xiàn) [10] 為局部子問題引入近似項(xiàng)，以調(diào)整局部更新的影響。文獻(xiàn) [11] 提出一種基于注意力機(jī)制的聯(lián)邦學(xué)習(xí)框架 FedAMP，實(shí)現(xiàn)具有相似數(shù)據(jù)分布的客戶端之間的協(xié)作?，F(xiàn)有的研究主要針對(duì)具有相似性數(shù)據(jù)分布的情況開展研究，不能滿足車路協(xié)同路側(cè)端復(fù)雜多變的場景檢測需求。

基于以上分析，針對(duì)路側(cè)端點(diǎn)云目標(biāo)檢測任務(wù)缺乏場景豐富的大規(guī)模數(shù)據(jù)集帶來的成本高周期長的問題以及車端目標(biāo)檢測算法部署路端帶來的性能下降問題。本文提出一種基于參數(shù)自適應(yīng)聯(lián)邦學(xué)習(xí)（Federated- learning adaptation，F(xiàn)LA） 的激光雷達(dá)點(diǎn)云車輛 3 維單級(jí)目標(biāo)檢測 （3DSSD） 算法，命名為 FLA3DSSD，通過聯(lián)邦學(xué)習(xí)結(jié)合深度學(xué)習(xí)點(diǎn)云目標(biāo)檢測的方法，來實(shí)現(xiàn)激光點(diǎn)云目標(biāo)檢測模型的差異場景部署；改變聯(lián)邦學(xué)習(xí)客戶端本地模型的更新策略，將上一輪次的本地模型與獲得的全局模型的信息進(jìn)行整合，生成新的客戶端本地模型，增強(qiáng)模型的泛化能力，提高跨場景檢測精度；通過對(duì)差異路口的場景數(shù)據(jù)集設(shè)計(jì)對(duì)比實(shí)驗(yàn)，分析非獨(dú)立同分布的數(shù)據(jù)對(duì)聯(lián)邦學(xué)習(xí)效果的影響，驗(yàn)證參數(shù)自適應(yīng)聯(lián)邦學(xué)習(xí)對(duì)點(diǎn)云目標(biāo)檢測算法泛化能力提高及快速部署的可靠性。

1"" FLA3DSSD 點(diǎn)云目標(biāo)檢測框架

本文提出的 FLA3DSSD 的算法的整體流程如圖 1所示。

步驟1：路側(cè)客戶端1，2，…，k利用本地獲取的訓(xùn)練數(shù)據(jù)集基于3DSSD算法訓(xùn)練目標(biāo)檢測模型。路側(cè)客戶端 1，2，…，k收到聚合模型后，將聚合模型與上一輪次的本地模型進(jìn)行聚合升級(jí)處理，自適應(yīng)地實(shí)現(xiàn)模型的客戶端局部模型更新，在新一輪的客戶端節(jié)點(diǎn)模型本地訓(xùn)練之前初始化更新局部模型。

步驟2：每當(dāng)本地訓(xùn)練完成設(shè)置的特定輪次，路側(cè)客戶端1，2，…，k會(huì)將本地訓(xùn)練好的模型上傳到計(jì)算機(jī)服務(wù)器終端進(jìn)行聚合。

步驟3：計(jì)算機(jī)服務(wù)器終端在收到來自路側(cè)客戶端 1，2，…，k訓(xùn)練的局部模型后進(jìn)行模型聚合處理，生成新的聚合模型再下發(fā)到客戶端。

最后，設(shè)置的通信輪次結(jié)束后，計(jì)算機(jī)服務(wù)器終端得到一個(gè)基于FLA3DSSD 的點(diǎn)云目標(biāo)檢測聚合模型。

1.1"" 3DSSD 目標(biāo)檢測算法模型

本文將 3DSSD 算法作為參數(shù)自適應(yīng)聯(lián)邦學(xué)習(xí)的基準(zhǔn)算法。該算法借鑒 PointNet++ [1^{2] 第一階段算法結(jié)構(gòu)}設(shè)計(jì)主干網(wǎng)絡(luò)，通過網(wǎng)絡(luò)模型的降采樣過程提取點(diǎn)云深層語義特征，最后得到各個(gè)點(diǎn)，每個(gè)點(diǎn)對(duì)應(yīng)各個(gè)維度；候選生成層 （candidate generation layer，CG） 作為點(diǎn)集選取層 （set abstraction layer，SA） 的變體，通過對(duì)采樣點(diǎn)進(jìn)行霍夫投票選取候選點(diǎn)，對(duì)候選點(diǎn)進(jìn)行特征提取得到候選點(diǎn)特征；所得到的特征被發(fā)送到預(yù)測頭進(jìn)行回歸和分類，得到最終的預(yù)測結(jié)果。圖 2 為 3DSSD 算法的總體網(wǎng)絡(luò)結(jié)構(gòu)圖。其中：MLP 為多層感知器（multilayer perceptron），MaxPool 為最大池化層。

PointNet++ 算法在第 1 階段往往利用 SA 層進(jìn)行不斷的下采樣、分組與特征提取，然后利用特征提取層 （feature propagation layer，F(xiàn)P） 對(duì) SA 層的輸出進(jìn)行不斷上采樣與特征傳播。在第 2 階段，通過區(qū)域提案網(wǎng)絡(luò)生成的候選框來進(jìn)行更精細(xì)化的預(yù)測，以獲得更準(zhǔn)確的預(yù)測。

在 PointNet++ 算法中，F(xiàn)P 層和細(xì)化階段消耗了大量的推理時(shí)間，3DSSD 算法放棄了FP 層。為了解決丟棄 FP 層產(chǎn)生的在具有很少內(nèi)部點(diǎn)的前景實(shí)例出現(xiàn)的丟失所有點(diǎn)的問題，提出了一種基于特征距離的新型采樣策略 （features-farthest point sampling，F(xiàn)-FPS），該策略有效地保留了不同實(shí)例的內(nèi)部點(diǎn)。整體算法框架的采樣策略將 F-FPS 和距離采樣法 （distance-farthest point sampling，D-FPS） 進(jìn)行融合使用。

考慮空間距離和特征距離的條件下，F(xiàn)-FPS 公式為

C（A，B） = λL （A，B） + L （A，B）." " （1）

式中：L_D為XYZ空間距離計(jì)算函數(shù)，λ為權(quán)重，L_F為特征距離計(jì)算函數(shù)。

3DSSD 算法提出一種 SA 層的變體作為連接與過渡特征提取層與預(yù)測層的 CG 層。主干網(wǎng)絡(luò)中 D-FPS方法獲得的點(diǎn)多為背景點(diǎn)，在CG 層通過 F-FPS 方法獲得的初始點(diǎn)，結(jié)合監(jiān)督信息，使其向其對(duì)應(yīng)實(shí)例的中心點(diǎn)進(jìn)行偏移，生成對(duì)應(yīng)候選點(diǎn)。候選點(diǎn)生成過程圖例如圖 3 所示。

具體過程為首先將初始點(diǎn)視為 CG 層的中心點(diǎn)，然后從全部的采樣點(diǎn)中通過鄰域點(diǎn)分組找到每個(gè)中心點(diǎn)一定范圍內(nèi)的點(diǎn)，最后將上述范圍內(nèi)點(diǎn)的坐標(biāo)和特征信息輸入到多層感知機(jī)網(wǎng)絡(luò)（MLP） 和最大池化層（MaxPool）中進(jìn)行特征提取。

為了更好地進(jìn)行候選框的位置回歸，算法選擇了無錨框的預(yù)測網(wǎng)絡(luò)。對(duì)每個(gè)候選點(diǎn)來說，需要對(duì)實(shí)例中心點(diǎn)距離（d_x，d_y，d_z），實(shí)例尺度信息（d_l，d_w，d_h）及方向角度進(jìn)行回歸。同時(shí)為了提升檢測框的質(zhì)量，借鑒了無錨框 2D檢測模型中心域法^[13]中的中心度來設(shè)置模型要學(xué)習(xí)的類別標(biāo)簽信息。

算法的損失函數(shù)包括分類損失，回歸損失和移位損失 3 部分。計(jì)算公式如下：

式中：N 、N 分別為候選點(diǎn)和正候選點(diǎn)的數(shù)量；正候選點(diǎn)為位于前景實(shí)例的候選點(diǎn)個(gè)數(shù)。

在分類損失中，s_i表示點(diǎn)i的預(yù)測分類分?jǐn)?shù)，u_i表示點(diǎn)i的中心度標(biāo)簽，L_C使用交叉熵?fù)p失計(jì)算?；貧w損失L_r包括距離回歸損失L_dist，大小回歸損失L_size，角度回歸損失L_angle和角點(diǎn)損失L_corner。距離回歸損失L_dist和大小回歸損失L_size采用 Smooth_L1損失函數(shù)計(jì)算損失。

通過輕量級(jí)且高效的單階段目標(biāo)檢測器 3DSSD 算法實(shí)現(xiàn)路側(cè)端對(duì)車輛目標(biāo)的檢測，能夠?qū)崿F(xiàn)精度和效率之間良好的平衡，滿足車路協(xié)同目標(biāo)檢測場景及聯(lián)邦學(xué)習(xí)策略的要求。

1.2"" 聯(lián)邦學(xué)習(xí)模型聚合策略

整個(gè)聯(lián)邦學(xué)習(xí)模型策略框架可以分為 2 個(gè)階段：

1） 本地模型訓(xùn)練階段、2） 全局模型參數(shù)聚合階段。 本文中全局模型和本地模型采用同樣的網(wǎng)絡(luò)結(jié)構(gòu)。

在本地模型訓(xùn)練階段，本地模型參數(shù)首先基于本地?cái)?shù)據(jù)進(jìn)行訓(xùn)練優(yōu)化，更新本地訓(xùn)練迭代輪次，向服務(wù)器端上傳本地模型參數(shù)；在全局模型參數(shù)聚合階段，服務(wù)器端收到客戶端上傳的模型后，進(jìn)行全局模型參數(shù)聚合，根據(jù)上傳的客戶端本地模型參數(shù)計(jì)算加權(quán)平均值，得到全局模型后，將更新的模型參數(shù)分享給所有的客戶端；進(jìn)入下一輪次的本地模型訓(xùn)練階段，迭代到指定輪次后，全局模型與本地模型均實(shí)現(xiàn)收斂。

針對(duì)車路協(xié)同差異路口場景的聯(lián)邦學(xué)習(xí)點(diǎn)云目標(biāo)檢測過程詳細(xì)說明見算法1。其中：K個(gè)路側(cè)客戶端由k進(jìn)行編號(hào)；B為本地訓(xùn)練的批量大小，E為本地訓(xùn)練迭代輪次， C為路側(cè)客戶端參與比率，w為模型參數(shù)，α為學(xué)習(xí)率。

服務(wù)器端節(jié)點(diǎn)收到所有客戶端節(jié)點(diǎn)上傳的本地模型后再進(jìn)行進(jìn)一步的聚合，然后將聚合后的聚合模型下發(fā)至各客戶端節(jié)點(diǎn)繼續(xù)下一輪的訓(xùn)練。在服務(wù)器端節(jié)點(diǎn)聚合過程中，采用模型參數(shù)加權(quán)平均的方式進(jìn)行模型參數(shù)聚合。全局模型的參數(shù)聚合過程描述為

1.3"" 聯(lián)邦學(xué)習(xí)局部模型更新策略

本文提出一種自適應(yīng)的個(gè)性聯(lián)邦學(xué)習(xí)方法，改變聯(lián)邦學(xué)習(xí)客戶端本地模型的更新策略，將上一輪次的本地模型與獲得的全局模型的信息進(jìn)行整合，生成新的客戶端本地模型。新策略的學(xué)習(xí)過程如圖 4 所示。

假設(shè)有k個(gè)客戶端，每一個(gè)客戶端的本地?cái)?shù)據(jù)集d₁， d₂，…，d_i，具體來說，各客戶端的數(shù)據(jù)集d₁，d₂，…，d_i來自于安裝在差異路口的激光雷達(dá)獲取的數(shù)據(jù)，各數(shù)據(jù)集數(shù)量大小及分布均不同。

經(jīng)典的聯(lián)邦學(xué)習(xí)的本地模型更新，客戶端直接接收到服務(wù)器端聚合生成的全局模型 θ_t-1，全局模型 θ_t-1覆蓋舊的本地模型 θ_{i， t-1}，得到新的本地模型 θ_{i， t} 進(jìn)行本地訓(xùn)練。本文的更新策略結(jié)合了全局模型和本地模型的信息，通過接收到的來自服務(wù)器端的全局模型和上一輪次迭代完成的舊的本地模型參數(shù)，計(jì)算得到更新的本地模型。計(jì)算公式為：

θ_t-1 - θ_{i， t-1} 被稱為更新模型，通過元素加權(quán)裁剪實(shí)現(xiàn)權(quán)重的歸一化處理。

初始化權(quán)重矩陣中的值為 1，在每次訓(xùn)練迭代中根據(jù)舊的權(quán)重學(xué)習(xí)新的權(quán)重。客戶端通過基于梯度的訓(xùn)練方法更新權(quán)重，訓(xùn)練的損失函數(shù)為交叉熵?fù)p失 （cross-entropy loss function），權(quán)重的更新為公式 （6），損失函數(shù)如下公式 （7），即：

式中：η 為權(quán)重學(xué)習(xí)的學(xué)習(xí)率。

權(quán)重更新訓(xùn)練結(jié)束通過設(shè)置閾值和損失值計(jì)數(shù)參數(shù)項(xiàng)進(jìn)行判斷。當(dāng)設(shè)定記錄的損失值標(biāo)準(zhǔn)差小于給定的閾值，停止權(quán)重更新訓(xùn)練完成局部模型初始化，開始新一輪次的本地訓(xùn)練。閾值設(shè)置為默認(rèn)值 0.01 ；損失值計(jì)數(shù)為計(jì)算標(biāo)準(zhǔn)差時(shí)要考慮的記錄損失數(shù)量，設(shè)置為默認(rèn)值 5。

經(jīng)典的聯(lián)邦學(xué)習(xí)直接獲取服務(wù)器參數(shù)聚合后的全局模型，作為新一輪客戶端訓(xùn)練的本地模型，這樣獲取的全局模型在各客戶端泛化能力較差，通過參數(shù)自適應(yīng)聯(lián)邦學(xué)習(xí)實(shí)現(xiàn)獲得具有更高檢測性能及良好泛化能力的目標(biāo)檢測模型。

2"" 實(shí)驗(yàn)與結(jié)果分析

2.1"" 數(shù)據(jù)集及預(yù)處理

車路協(xié)同 DAIR-V2X-Seq 感知數(shù)據(jù)集 ^{[14] 采集自北京市高級(jí)別自動(dòng)駕駛示范區(qū)，該數(shù)據(jù)集涉及若干交通場景復(fù)雜路口，路側(cè)部署相機(jī)和 300 線激光雷達(dá)，能夠提供多個(gè)路側(cè)客戶端豐富的場景數(shù)據(jù)。本文實(shí)驗(yàn)按路口場景不同分割為 6 個(gè)數(shù)據(jù)集，模擬 6 個(gè)路側(cè)客戶端的數(shù)據(jù)。每一數(shù)據(jù)集的數(shù)量不同，數(shù)據(jù)分布不同，}各客戶端數(shù)據(jù)集之間存在差異。各點(diǎn)云數(shù)據(jù)集按照 9∶1分為訓(xùn)練集和測試集，訓(xùn)練集模擬客戶端收集的激光點(diǎn)云數(shù)據(jù)。

DAIR-V2X-Seq 感知數(shù)據(jù)集共包含 11 275 幀數(shù)據(jù)，障礙物標(biāo)注類別包含 10 類，包括車輛、行人等，本文僅關(guān)注車路協(xié)同的主要道路參與者車輛，標(biāo)注字段名稱為Car。針對(duì)實(shí)驗(yàn)數(shù)據(jù)要求，將車路協(xié)同DAIR-V2X- Seq 感知數(shù)據(jù)集轉(zhuǎn)化為KITTI 數(shù)據(jù)集的數(shù)據(jù)結(jié)構(gòu)。驗(yàn)證時(shí)按照 KITTI 中標(biāo)注的目標(biāo)截?cái)嗪驼趽醭潭葏?shù)，將目標(biāo)劃分為簡單、中等、困難 3 個(gè)級(jí)別。經(jīng)過場景分割的客戶端數(shù)據(jù)集信息如表 1 所示。圖 5 按順序分別展示數(shù)據(jù)集 1—6 的路口場景。

實(shí)驗(yàn)設(shè)置

本文模擬多個(gè)客戶端和服務(wù)器端進(jìn)行聯(lián)邦學(xué)習(xí)，所有實(shí)驗(yàn)均基于一張 RTX2080 的顯卡進(jìn)行訓(xùn)練，顯存大小為 8 GB。程序采用 python3.8 編寫， 基于 Openpcdet 框架完成訓(xùn)練。各客戶端節(jié)點(diǎn)使用相同的算法模型及參數(shù)設(shè)置，本文針對(duì)迭代次數(shù)和通信輪次進(jìn)行設(shè)置，其中本地訓(xùn)練batchsize為4，學(xué)習(xí)率設(shè)置為0.01。

評(píng)價(jià)指標(biāo)

本文使用交并比 （intersection over union，IoU） 判定在 3D 目標(biāo)檢測和鳥瞰圖 （bird’s eye view，BEV） 目標(biāo)檢測任務(wù)中目標(biāo)框是否命中真值，如果 IoU 大于閾值則認(rèn)為命中目標(biāo)，反之視為誤檢，閾值越高則表示判斷標(biāo)準(zhǔn)越嚴(yán)苛。

基于上述目標(biāo)命中判斷方法，可計(jì)算檢測精度（V_Prec） 與召回率 V_Reca） 如公式 （8）、（9） 所示。

式中：N_TP為正常命中的檢測框數(shù)目；N_FP為未命中或重復(fù)檢測的檢測框數(shù)目；N_GT為真值目標(biāo)框數(shù)目。

通過模型測試可以繪制檢測精度- 召回率曲線，即 P-R 曲線，估算該曲線與坐標(biāo)軸包圍區(qū)域的面積可獲得目標(biāo)檢測平均精度 （average precision，AP），AP 值計(jì)算公式如式 （10），AP 值越高則表示檢測精度越高。

2.4"" 實(shí)驗(yàn)結(jié)果與分析

本文為了實(shí)現(xiàn)在不同 IoU 下的檢測精度模型評(píng)估，使用車路協(xié)同 DAIR-V2X-Seq 感知數(shù)據(jù)集分別進(jìn)行 3D及 BEV 目標(biāo)檢測任務(wù)實(shí)驗(yàn)。針對(duì)數(shù)據(jù)集劃分的簡單，中等和困難 3 個(gè)等級(jí)，設(shè)置 IoU 分別為 （0.7，0.5，0.5）和（0.7，0.7，0.7） 進(jìn)行目標(biāo)檢測精度實(shí)驗(yàn)。訓(xùn)練輪次為本地訓(xùn)練次數(shù)，通信輪次即各客戶端向服務(wù)器端發(fā)送模型參數(shù)的次數(shù)。

2.4.1 三維目標(biāo)檢測結(jié)果定量與定性分析

本節(jié)使用平均檢測精度 AP 值對(duì) 3DSSD 算法的檢測效果進(jìn)行定量評(píng)估。檢測精度結(jié)果如表 2 所示。

由表 2 可知：3DSSD 算法在 IoU = （0.7，0.5，0.5）時(shí)獲得了較高的 3D 目標(biāo)檢測平均準(zhǔn)確率及 BEV 目標(biāo)檢測平均準(zhǔn)確率。上述結(jié)果表明，3DSSD 算法能夠有效識(shí)別點(diǎn)云數(shù)據(jù)集中的車輛目標(biāo)。

2.4.2 聯(lián)邦學(xué)習(xí)結(jié)果對(duì)比

聯(lián)邦學(xué)習(xí) FL3DSSD 算法為不改變聯(lián)邦學(xué)習(xí)客戶端本地模型的更新策略，直接將全局模型作為新一輪的本地模型的聯(lián)邦學(xué)習(xí)策略。實(shí)驗(yàn)設(shè)計(jì)將數(shù)據(jù)集 1—5 作為聯(lián)邦學(xué)習(xí)FL3DSSD 各客戶端數(shù)據(jù)集進(jìn)行訓(xùn)練得到聚合模型，并應(yīng)用部署于各客戶端數(shù)據(jù)集，利用劃分的測試集進(jìn)行性能評(píng)估。本地訓(xùn)練輪次設(shè)置為 2，通信輪次設(shè)置為 50。同時(shí)，將聯(lián)邦學(xué)習(xí)后的聚合模型應(yīng)用于未參加聯(lián)邦學(xué)習(xí)訓(xùn)練的測試集 6 進(jìn)行泛化性的測試，測試結(jié)果如表 3 所示。

設(shè)計(jì)對(duì)比實(shí)驗(yàn)將基準(zhǔn)算法 3DSSD 在 1—6 數(shù)據(jù)集上分別單獨(dú)訓(xùn)練的模型，直接在其余數(shù)據(jù)集上測試，發(fā)現(xiàn)基準(zhǔn)算法 3DSSD 直接遷移的效果較差，尤其針對(duì)數(shù)據(jù)集 3 遷移效果受到較大程度的影響，檢測精度較低；經(jīng)數(shù)據(jù)集內(nèi)容分析，數(shù)據(jù)集 3 所采集的場景為雨后場景，地面有積水影響點(diǎn)云的數(shù)據(jù)質(zhì)量，場景與其他數(shù)據(jù)集的差異性較大。

為了驗(yàn)證聯(lián)邦學(xué)習(xí)對(duì)點(diǎn)云目標(biāo)檢測模型泛化能力的提升，將使用數(shù)據(jù)集 1—5 訓(xùn)練的聯(lián)邦學(xué)習(xí)算法模型，使用數(shù)據(jù)集 1—6 訓(xùn)練的聯(lián)邦學(xué)習(xí)算法模型和基準(zhǔn)算法3DSSD 直接遷移 3 種方法的 3D 目標(biāo)檢測結(jié)果 AP 值與3DSSD 基準(zhǔn)算法在該數(shù)據(jù)集本地訓(xùn)練測試的 3D 目標(biāo)檢測結(jié)果 AP 值做差對(duì)比，繪制點(diǎn)線圖如圖 6。選取具有代表性且數(shù)量盡可能多的數(shù)據(jù)集 1—5 或 1—6 的情況進(jìn)行聯(lián)邦學(xué)習(xí)結(jié)果展示，聯(lián)邦學(xué)習(xí)遷移效果 1 為將數(shù)據(jù)集 1—5 作為訓(xùn)練集進(jìn)行聯(lián)邦學(xué)習(xí)生成的聚合模型效果，聯(lián)邦學(xué)習(xí)遷移效果 2 為將數(shù)據(jù)集 1—6 作為訓(xùn)練集進(jìn)行聯(lián)邦學(xué)習(xí)生成的聚合模型效果，橫坐標(biāo)表示將聚合模型部署到不同的客戶端數(shù)據(jù)集，括號(hào)中字母 a、 b 和c 分別表示目標(biāo)的難易程度，分別為容易、中等和困難，IoU 設(shè)置均為 0.7 時(shí)的情況，客戶端部署后 AP值變化量越大即方法的泛化能力越強(qiáng)。

由實(shí)驗(yàn)結(jié)果可知，經(jīng)聯(lián)邦學(xué)習(xí)后的聚合模型在不同客戶端部署后 AP 值比單獨(dú)在本地?cái)?shù)據(jù)集訓(xùn)練直接進(jìn)行模型差異場景部署更高，經(jīng)過聯(lián)邦學(xué)習(xí)后的聚合模型能夠?qū)崿F(xiàn)算法模型泛化能力的提升。同時(shí)，增加聯(lián)邦學(xué)習(xí)客戶端數(shù)據(jù)集數(shù)量，能夠較大概率提升聚合模型的檢測精度，但是增加數(shù)據(jù)集的差異程度會(huì)影響檢測精度結(jié)果。

2.4.3 參數(shù)自適應(yīng)聯(lián)邦學(xué)習(xí)結(jié)果對(duì)比

實(shí)驗(yàn)設(shè)計(jì)將數(shù)據(jù)集 1—5 作為參數(shù)自適應(yīng)聯(lián)邦學(xué)習(xí)FLA3DSSD 的客戶端數(shù)據(jù)集進(jìn)行訓(xùn)練，得到的聚合模型結(jié)果分別應(yīng)用部署于各客戶端數(shù)據(jù)集的測試集進(jìn)行性能評(píng)估，IoU 設(shè)置為 （0.7，0.7，0.7） 和 （0.7，0.7，0.5） 2 種情況。本地訓(xùn)練輪次設(shè)置為 5，通信輪次設(shè)置為10。對(duì)比實(shí)驗(yàn)設(shè)置相同的訓(xùn)練及通信輪次的聯(lián)邦學(xué)習(xí)FL3DSSD 聚合模型檢測結(jié)果，3D 目標(biāo)檢測測試結(jié)果如表 4。

圖 7 為參數(shù)自適應(yīng)聯(lián)邦學(xué)習(xí) FLA3DSSD 聚合模型與聯(lián)邦學(xué)習(xí) FL3DSSD 聚合模型結(jié)果圖。橫坐標(biāo)表示將聚合模型部署到不同的客戶端數(shù)據(jù)集，括號(hào)中字母 a、 b 和c 分別表示目標(biāo)的難易程度，分別為容易、中等和困難，IoU 設(shè)置均為 0.7 時(shí)的情況。

通過實(shí)驗(yàn)結(jié)果可以看出，經(jīng)過 FLA3DSSD 的聚合模型對(duì)比聯(lián)邦學(xué)習(xí)模型在部署于數(shù)據(jù)集 1—6 的 3D 目標(biāo)檢測精度 AP 值均有提高；同時(shí)，參數(shù)自適應(yīng)聯(lián)邦學(xué)習(xí)的聚合模型對(duì)沒有參加訓(xùn)練的數(shù)據(jù)集 6 的目標(biāo)檢測性能也有一定程度的提升。

將FL3DSSD 及 FLA3DSSD 的場景檢測結(jié)果可視化，如圖 8 所示。左側(cè)圖為聯(lián)邦學(xué)習(xí) FL3DSSD 的檢測結(jié)果，紅色框?yàn)檎`檢結(jié)果；右側(cè)圖為參數(shù)自適應(yīng)聯(lián)邦學(xué)習(xí)FLA3DSSD 的檢測結(jié)果，黃色框?yàn)槁z結(jié)果。

通過實(shí)驗(yàn)對(duì)比結(jié)果可以看出，參數(shù)自適應(yīng)聯(lián)邦學(xué)習(xí)FLA3DSSD 的聚合模型的泛化能力對(duì)比聯(lián)邦學(xué)習(xí) FL3DSSD 的訓(xùn)練模型得到了一定程度的提升；在不直接傳輸數(shù)據(jù)保證隱私性且不增加通信代價(jià)的前提下，提高了模型的檢測精度及泛化能力，使得訓(xùn)練后的模型能夠在未訓(xùn)練場景領(lǐng)域得到較好的檢測效果，從而解決激光點(diǎn)云目標(biāo)檢測算法模型泛化能力低，車路協(xié)同路側(cè)端點(diǎn)云數(shù)據(jù)集數(shù)量少，場景覆蓋率低等問題。

3"" 結(jié)""" 論

為了解決車路協(xié)同中路側(cè)端點(diǎn)云數(shù)據(jù)集數(shù)量少場景覆蓋度低及點(diǎn)云目標(biāo)檢測算法泛化能力低的問題，本文提出了參數(shù)自適應(yīng)的個(gè)性聯(lián)邦學(xué)習(xí)方法 FLA3DSSD，該方法將聯(lián)邦學(xué)習(xí)與點(diǎn)云目標(biāo)檢測任務(wù)相結(jié)合，同時(shí)提取上一輪次本地模型和全局模型的信息，改進(jìn)本地模型參數(shù)的更新策略。為了驗(yàn)證方法的可靠性，利用車路協(xié)同DAIR-V2X-Seq 感知數(shù)據(jù)集結(jié)合點(diǎn)云目標(biāo)檢測算法，進(jìn)行差異路口場景的客戶端目標(biāo)檢測。

實(shí)驗(yàn)結(jié)果表明，該方法通過分享模型參數(shù)實(shí)現(xiàn)數(shù)據(jù)信息的共享，有效解決路側(cè)端目標(biāo)檢測缺乏大規(guī)模數(shù)據(jù)的問題；同時(shí)，參數(shù)自適應(yīng)聯(lián)邦學(xué)習(xí)聚合后的模型泛化能力和檢測精度均得到了提升，尤其是針對(duì)數(shù)據(jù)量較小的客戶端，聯(lián)邦學(xué)習(xí)帶來的優(yōu)勢更為顯著。通過在真實(shí)數(shù)據(jù)集上的驗(yàn)證實(shí)驗(yàn)，說明了本方法的應(yīng)用能夠提高路側(cè)端目標(biāo)檢測算法的泛化能力與檢測精度，有望應(yīng)用于車路協(xié)同領(lǐng)域算法部署任務(wù)。

在后續(xù)的研究中，可以針對(duì)不同城市及天氣因素形成的差異道路場景進(jìn)行研究，完成更多客戶端數(shù)量的測試部署；同時(shí)，可以針對(duì)數(shù)據(jù)集差異，參數(shù)變化及基準(zhǔn)算法模型改變對(duì)框架的影響進(jìn)行深入分析，提出進(jìn)一步改進(jìn)方法。