类型a：这篇文档报告了一项原创研究。

主要作者与机构及发表信息
本研究的主要作者包括张振荣（Zhenrong Zhang）、刘佳楠（Jianan Liu）、周曦（Xi Zhou）、黄涛（Tao Huang，IEEE高级会员）、韩庆龙（Qing-Long Han，IEEE会士）、刘景欣（Jingxin Liu，IEEE会员）和刘洪斌（Hongbin Liu，通讯作者）。研究由西安交通大学利物浦大学人工智能与先进计算学院、詹姆斯库克大学科学与工程学院、斯威本科技大学科学、计算与工程学院等多个机构合作完成。该研究发表于《IEEE Robotics and Automation Letters》期刊。

学术背景
本研究属于智能交通系统（Cooperative Intelligent Transportation System, C-ITS）和自动驾驶领域，重点探讨了联邦学习（Federated Learning）在协同感知（Cooperative Perception, CP）中的应用。协同感知是提升未来交通系统效率与安全性的关键技术，但其依赖车辆间的数据共享，这引发了隐私保护的重大挑战。联邦学习通过去中心化的模型训练方法解决了数据隐私问题，但在应用于C-ITS时，因客户端数据异构性（Data Heterogeneity）和非独立同分布（Non-IID）数据的存在，传统联邦学习框架面临收敛缓慢和模型精度下降的问题。为解决这些问题，本研究旨在提出一种新的联邦学习框架，以应对数据异构性和分布偏移的挑战，从而提高协同感知模型的准确性和鲁棒性。

研究流程
本研究主要包括以下步骤：

1. 问题定义与框架设计
   研究目标是设计一个适用于鸟瞰图（Bird’s-Eye-View, BEV）语义分割任务的联邦学习框架。框架包含M个客户端，每个客户端拥有独特的标签m ∈ {1, 2, …, M}。第m个客户端的数据样本集表示为Nm = {(Nm,i, Ym,i)}i∈{1,2,…,|Nm|}，其中Nm,i是从多视角相机系统捕获的图像集合，Ym,i是对应的BEV语义掩码集合。每个客户端独立训练本地模型Gm，并将更新后的模型参数发送至中央服务器进行全局模型聚合。

2. 算法开发
   研究提出了两种创新方法：

   • 联邦动态加权聚合算法（Feddwa）
     Feddwa通过动态调整客户端权重来引导模型收敛，并使用Kullback-Leibler散度（KLD）评估全局模型与本地模型之间的分布差异。具体而言，算法根据KLD动态调整每个客户端对全局模型更新的贡献权重。
     
   • 动态调整损失函数（Daloss）
     Daloss是一种增强型本地训练损失函数，结合了标准交叉熵损失和基于KLD的动态控制项，用于缓解非IID数据对模型收敛的不利影响。
     

3. 实验设计
   实验基于FedBEVT数据集展开，该数据集扩展自OpenV2V数据集，包含三种类型的车辆（公交车、卡车和轿车），每种车辆的传感器安装位置和角度不同，导致数据异构性显著。实验设置了四个客户端，分别代表不同的车辆类型，每个客户端的训练集和测试集规模分别为：

   • 客户端1（公交车）：训练集1,398帧，测试集413帧；
     
   • 客户端2（卡车）：训练集1,459帧，测试集356帧；
     
   • 客户端3（轿车A）：训练集11,636帧，测试集3,546帧；
     
   • 客户端4（轿车B）：训练集7,142帧，测试集10,191帧。
     

4. 模型配置与数据分析
   模型采用基于Transformer的BEV分割网络，包含CNN编码器、BEV Transformer和BEV解码器三个主要模块。实验分析指标包括训练损失（Loss）、平均交并比（Intersection over Union, IoU）和通信轮次（Communication Rounds）。数据处理与分析均在PyTorch 2.0.1和CUDA 12.3环境下完成。

主要结果
实验结果表明，所提出的Feddwa算法和Daloss函数显著提升了联邦学习框架在协同感知任务中的性能：
1. 客户端1（公交车）
在235轮通信后，IoU达到10.72%，相比现有方法表现出更高的数据异构性管理能力和通信效率。
2. 客户端2（卡车）
IoU达到15.91%，较本地训练有显著提升，表明模型对客户端特定数据特性的适应能力更强。
3. 客户端3（轿车A）
IoU达到21.30%，为所有方法中最高值，显示了模型在复杂车辆环境中的优越性。
4. 客户端4（轿车B）
在仅100轮通信后，IoU达到19.35%，体现了模型的高效性和鲁棒性。

消融实验进一步验证了Daloss的有效性，当将其添加到FedBEVT框架中时，各客户端的IoU均有显著提升。例如，客户端2的IoU从14.88%提升至15.91%，而客户端3的IoU达到21.30%。这些结果表明，Feddwa和Daloss的结合能够显著改善联邦学习框架的性能。

结论与价值
本研究提出了一种专为协同感知设计的联邦学习框架，通过动态调整模型收敛方向和均衡整合不同客户端的本地模型，有效解决了数据异构性带来的挑战。研究结果不仅证明了该框架在提升模型精度和通信效率方面的潜力，还为智能交通系统中的隐私保护提供了新思路。此外，该框架可广泛应用于自动驾驶、交通流量预测等领域，具有重要的科学价值和实际应用前景。

研究亮点
1. 提出了联邦动态加权聚合算法（Feddwa），通过KLD动态调整客户端权重，有效应对数据异构性问题。
2. 设计了动态调整损失函数（Daloss），结合KLD和L2范数，显著提升了模型收敛速度和准确性。
3. 在FedBEVT数据集上的实验表明，所提框架在多个客户端场景中均优于现有方法，特别是在复杂车辆环境中表现突出。

其他有价值内容
研究还探讨了联邦学习在智能交通系统中的潜在应用场景，例如通过V2X通信实现车辆与基础设施之间的无缝数据交换。此外，研究强调了数据隐私保护的重要性，并指出联邦学习在这一领域的独特优势。