一种车辆选择和资源联合优化方法、系统、介质及应用

技术领域

本发明属于车辆边缘计算(Vehicular edge computing,VEC)中联邦学习(Federated learning，FL)的车辆选择和资源联合优化技术领域，尤其涉及一种车辆选择和资源联合优化方法、系统、介质及应用。

背景技术

目前：为了满足自动驾驶技术的快速发展的要求，传感器，计算单元，算法和通信机制已经广泛地应用于车辆。传感器使得车辆能够正确感知周围环境，这是自动驾驶的基础。这同时意味着车辆将生成大量传感器数据，如何有效地处理，利用和挖掘这些车载数据是一个棘手的问题。在具有严格实时要求的应用中，例如实时定位与地图绘制，增强现实导航，目标跟踪和高清地图生成，车辆必须在附近获得稳定、低延迟和高可靠性的服务。这些应用涉及使用许多深度学习网络来迅速高效地自动从原始数据中提取准确的决策。

车辆边缘计算(VEC)旨在利用车辆网络边缘的计算、存储和通信资源。诸如路边单元和基站之类的边缘服务器来协助自动驾驶，以使车载任务能够满足实时性和可靠性要求。而联合学习(FL)是一种新兴的分布式深度学习范例，它允许车辆使用本地数据来分别训练其本地深度学习模型并将其汇总为全局模型。这种灵活的学习方法适用于VEC场景中的数据处理。通过在边缘服务器中汇总各种车辆的本地模型，新来的车辆可以快速下载该区域的边缘网络模型以监视实际道路状况，然后实现实时定位，车道变更，碰撞预警，交通信号灯提醒和一系列安全辅助驾驶功能。联合学习(FL)要求车辆下载，训练和更新模型，这需要许多计算和通信资源。高消耗的驾驶不仅浪费了车辆的宝贵能量，限制了电池的耐用性，还导致了散热问题并增加了硬件故障。自动驾驶场景中还存在实时问题。因此，由于自动驾驶的这诸多特点，在VEC的FL中，资源和延迟优化是必要且具有特殊挑战性的。

通过上述分析，现有技术存在的问题及缺陷为：目前联合学习(FL)要求车辆下载，训练和更新模型，这需要许多计算和通信资源。高消耗的驾驶不仅浪费了车辆的宝贵能量，限制了电池的耐用性，还导致了散热问题并增加了硬件故障。

解决以上问题及缺陷的难度为：首先，车辆在道路上连续移动导致在边缘服务器之间的服务切换问题。其次，由传感器获得的数据在车辆驾驶过程中可能遭受失真，噪声和模糊，这会影响训练模型的精度和效果。同时，每个车辆具有不同的位置和速度，需要将这两个因素考虑其中。最后，FL的模型学习时间与能量消耗和模型精确度密切相关，如何关联建模也是一个难以解决的问题。

解决以上问题及缺陷的意义为：提出的方案对联邦学习的模型学习时间进行了优化，使得车辆可以更加迅速的得到最新的网络模型，快速对周围环境的变动采取正确高效的措施，从而提升了自动驾驶的安全性；方案选择拥有更高图像质量的车辆加入学习任务，这样可以自动降低移动模糊图片数据潜在影响模型精度的可能性；对于能耗的最小化会延长自动驾驶车辆的续航时间，车辆计算资源的节约可以使车主享受到计算资源带来的其他服务。

发明内容

针对现有技术存在的问题，本发明提供了一种车辆选择和资源联合优化方法、系统、介质及应用。

本发明是这样实现的，对于联邦学习中一种车辆选择和资源联合优化方法，所述车辆选择和资源联合优化方法包括：获得车载CPU周期频率和车辆传输功率；根据得到的车载CPU周期频率和车辆传输功率，更新拉格朗日对偶变量；得出最优的车载CPU周期频率和车辆传输功率；获得最优本地模型精度；基于本地模型精度，获得车载CPU周期频率和车辆传输功率；基于车载CPU周期频率和车辆传输功率，获得本地模型精度；基于本地模型精度、车载CPU周期频率和车辆传输功率，计算获得成本花费；获得最优本地模型精度、车载CPU周期频率和车辆传输功率；获取路段车辆集合；设置已参与训练任务的车辆集合为空；将路段车辆集合中符合图片质量要求的车辆逐个添加到训练任务车辆集合中，计算成本花费；获得参与训练任务的车辆集合。

进一步，所述车辆选择和资源联合优化方法具体包括以下步骤：

步骤一：获得车载CPU周期频率f；

步骤二：获得车辆上传联邦学习模型到边缘服务器的传输功率p；

步骤三：根据车载CPU周期频率f和车辆传输功率p，更新拉格朗日对偶变量λ，β，μ，

步骤四：如果对偶变量的二范数小于精度∈，那么得出最优的车载CPU周期频率

步骤五：任取和声库大小的本地模型精确值θ，组成和声库HM，并根据和声评价函数计算相应的评价值F(θ)；

步骤六：设置更新次数t

步骤七：由正态分布生成和声库取值概率HMCR和微调概率PAR，并且计算获得微调带宽BW；

步骤八：如果一个随机概率小于和声库取值概率HMCR，那么从和声库中随机选取和声，并根据BW微调为新和声θ

步骤九：如果新和声的评价值F(θ

步骤十：如果达到更新上限UP，由记录的HMCR和PAR更新正态分布参数并重置t

步骤十一：如果搜索次数达到NI，输出HM中评价最好和声为最优本地计算精度；否则，重新执行步骤七；

步骤十二：设置l＝1，和算法指定精度ε；

步骤十三：设置本地模型精确值θ(0)；

步骤十四：基于本地模型精确值θ(0)，执行步骤四获得计算车载CPU周期频率f(0)和车辆传输功率p(0)；

步骤十五：根据θ(0)、f(0)、和p(0)计算ζ(0)；

步骤十六：基于车载CPU周期频率f(l-1)和车辆传输功率p(l-1)，执行步骤十一得到本地模型精确值θ(l)；

步骤十七：基于本地模型精确值θ(l)，执行步骤4得到车载CPU周期频率f(l)和车辆传输功率p(l)；

步骤十八：根据θ(l)、f(l)、和p(l)，执行步骤十五获得ζ(l)，如果|ζ(l)-ζ(l-1)|≤ε，则得出最优本地模型精确值、车载CPU周期频率和车辆传输功率；否则，更新l＝l+1，重新执行步骤十六；

步骤十九：获取边缘服务器覆盖路段的车辆集合

步骤二十：设置已经选择加入联邦学习训练任务车辆集合

步骤二十一：如果

步骤二十二：更新

进一步，在步骤三中，对偶变量的更新表示如下：

λ

β

μ

其中：

t是迭代的下标，i(t)、j(t)、k(t)和o(t)均是非常小的非负步长，且

进一步，在步骤四中对偶变量的二范数表示如下：

||λ(t+1)-λ(t)||＜∈；

||β(t+1)-β(t)||＜∈；

||μ(t+1)-μ(t)||＜∈；

进一步，在步骤五中，和声评价函数表示如下：

进一步，在步骤七中，微调带宽BW的更新表示如下：

BW

进一步，在步骤十五中计算ζ如下：

其中：

本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：获得车载CPU周期频率和车辆传输功率；根据得到的车载CPU周期频率和车辆传输功率，更新拉格朗日对偶变量；得出最优的车载CPU周期频率和车辆传输功率；获得最优本地模型精度；基于本地模型精度，获得车载CPU周期频率和车辆传输功率；基于车载CPU周期频率和车辆传输功率，获得本地模型精度；基于本地模型精度、车载CPU周期频率和车辆传输功率，计算获得成本花费；获得最优本地模型精度、车载CPU周期频率和车辆传输功率；获取路段车辆集合；设置已参与训练任务的车辆集合为空；将路段车辆集合中符合图片质量要求的车辆逐个添加到训练任务车辆集合中，计算成本花费；获得参与训练任务的车辆集合。

本发明的另一目的在于提供一种实施所述车辆选择和资源联合优化方法的车辆选择和资源联合优化系统，所述车辆选择和资源联合优化系统包括：

车载CPU周期频率和车辆传输功率计算模块，用于获得车载CPU周期频率和车辆传输功率；根据得到的车载CPU周期频率和车辆传输功率，更新拉格朗日对偶变量；得出最优的车载CPU周期频率和车辆传输功率；

成本花费计算模块，用于获得最优本地模型精度；基于本地模型精度，获得车载CPU周期频率和车辆传输功率；基于车载CPU周期频率和车辆传输功率，获得本地模型精度；基于本地模型精度、车载CPU周期频率和车辆传输功率，计算获得成本花费；

车辆集合预处理模块，用于获得最优本地模型精度、车载CPU周期频率和车辆传输功率；获取路段车辆集合；设置已参与训练任务的车辆集合为空；

车辆集合结果输出模块，用于将路段车辆集合中符合图片质量要求的车辆逐个添加到训练任务车辆集合中，计算成本花费；获得参与训练任务的车辆集合。

本发明的另一目的在于提供一种车辆自动驾驶控制系统，所述车辆自动驾驶控制系统用于实现所述的车辆选择和资源联合优化方法。

结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提出了一个min-max优化问题，以联合优化车载计算能力，传输功率和本地模型精度，从而在最差的FL情况下实现最低成本。另外，本发明提出了一种贪婪算法来动态选择具有更高图像质量的车辆，将系统的整体成本保持在FL的最低水平。优化问题是一个非线性规划问题，因此将其解耦为两个子问题来设计高效的算法。本发明提出的算法具有很好的收敛性和有效性，并在成本和公平性之间取得了折衷。

本发明为车辆边缘计算联邦学习系统提出了一个车载计算能力、车辆传输资源和本地模型精度联合优化的框架，基于优化结果和车载图片质量，进一步提出了车辆加入联邦学习训练任务的选择算法。通过这个过程，使整个学习系统花费最低、性能最优并且实现参与任务车辆之间的公平性。

与现有的联邦学习优化方案相比，本发明将车辆边缘计算的场景特性考虑到学习的过程中。本发明提出的车辆选择和资源分配方法，方便快捷，提高行驶在路上的车辆的服务性能，降低电池的耗散量。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的车辆选择和资源联合优化方法流程图。

图2是本发明实施例提供的车辆选择和资源联合优化系统的结构示意图；

图2中：1、车载CPU周期频率和车辆传输功率计算模块；2、成本花费计算模块；3、车辆集合预处理模块；4、车辆集合结果输出模块。

图3是本发明实施例提供的应用的一个场景图。

图4是本发明实施例提供的车辆选择和资源联合优化方法的总流程图。

图5是本发明实施例提供的获得最优本地模型精度的子流程图。

图6是本发明实施例提供的在优化资源和本地模型精度的情况下，验证车辆选择算法的有效性示意图。

图7是本发明实施例提供的验证本发明所提方案的系统花费最低、性能最优并且实现参与任务车辆之间的公平性示意图。

图8是本发明实施例提供的在不同训练数据大小D

图9是本发明实施例提供的车辆在不同位置下的成本和学习时间示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对现有技术存在的问题，本发明提供了一种车辆选择和资源联合优化方法、系统、介质及应用，下面结合附图对本发明作详细的描述。

如图1所示，本发明提供的车辆选择和资源联合优化方法包括以下步骤：

S101：获得车载CPU周期频率和车辆传输功率；根据得到的车载CPU周期频率和车辆传输功率，更新拉格朗日对偶变量；得出最优的车载CPU周期频率和车辆传输功率；

S102：获得最优本地模型精度；基于本地模型精度，获得车载CPU周期频率和车辆传输功率；基于车载CPU周期频率和车辆传输功率，获得本地模型精度；基于本地模型精度、车载CPU周期频率和车辆传输功率，计算获得成本花费；

S103：获得最优本地模型精度、车载CPU周期频率和车辆传输功率；获取路段车辆集合；设置已参与训练任务的车辆集合为空；

S104：将路段车辆集合中符合图片质量要求的车辆逐个添加到训练任务车辆集合中，计算成本花费；获得参与训练任务的车辆集合。

本发明提供的车辆选择和资源联合优化方法业内的普通技术人员还可以采用其他的步骤实施，图1的本发明提供的车辆选择和资源联合优化方法仅仅是一个具体实施例而已。

如图2所示，本发明提供的车辆选择和资源联合优化系统包括：

车载CPU周期频率和车辆传输功率计算模块1，用于获得车载CPU周期频率和车辆传输功率；根据得到的车载CPU周期频率和车辆传输功率，更新拉格朗日对偶变量；得出最优的车载CPU周期频率和车辆传输功率；

成本花费计算模块2，用于获得最优本地模型精度；基于本地模型精度，获得车载CPU周期频率和车辆传输功率；基于车载CPU周期频率和车辆传输功率，获得本地模型精度；基于本地模型精度、车载CPU周期频率和车辆传输功率，计算获得成本花费；

车辆集合预处理模块3，用于获得最优本地模型精度、车载CPU周期频率和车辆传输功率；获取路段车辆集合；设置已参与训练任务的车辆集合为空；

车辆集合结果输出模块4，用于将路段车辆集合中符合图片质量要求的车辆逐个添加到训练任务车辆集合中，计算成本花费；获得参与训练任务的车辆集合。

下面结合附图对本发明的技术方案作进一步的描述。

图3是本发明方法应用的一个场景图。本发明考虑在城市道路上进行自动驾驶，路边上分布着许多边缘服务器，例如路边单元和蜂窝基站。假设一个边缘服务器覆盖的路段上行驶着N个车辆，形成一组车辆集V＝{V

如图4所示，本发明的基于车辆边缘计算联邦学习系统的车辆选择和资源联合优化方法的总流程包括以下步骤：

步骤1：获得车载CPU周期频率f；

步骤2：获得车辆上传联邦学习模型到边缘服务器的传输功率p；

步骤3：根据车载CPU周期频率f和车辆传输功率p，更新拉格朗日对偶变量λ，β，μ，

步骤4：如果对偶变量的二范数小于精度∈，那么得出最优的车载CPU周期频率

步骤5：获得最优本地模型精度θ；

步骤6：设置l＝1，和算法指定精度ε；

步骤7：设置本地模型精确值θ(0)；

步骤8：基于本地模型精确值θ(0)，执行步骤4获得计算车载CPU周期频率f(0)和车辆传输功率p(0)；

步骤9：根据θ(0)、f(0)、和p(0)计算ζ(0)。

步骤10：基于车载CPU周期频率f(l-1)和车辆传输功率p(l-1)，执行最优本地模型精度的子流程得到本地模型精确值θ(l)。

步骤11：基于本地模型精确值θ(l)，执行步骤4得到车载CPU周期频率f(l)和车辆传输功率p(l)；

步骤12：根据θ(l)、f(l)、和p(l)，执行步骤9获得ζ(l)，如果|ζ(l)-ζ(l-1)|≤ε，则得出最优本地模型精确值、车载CPU周期频率和车辆传输功率；否则，更新l＝l+1，重新执行步骤10；

步骤13：获取边缘服务器覆盖路段的车辆集合

步骤14：设置已经选择加入联邦学习训练任务车辆集合

步骤15：如果

步骤16：更新

如图5所示，本发明的基于车辆边缘计算联邦学习系统的车辆选择和资源联合优化方法的最优本地模型精度子流程包含以下步骤：

步骤1：任取和声库大小的本地模型精确值θ，组成和声库HM，并根据和声评价函数计算相应的评价值F(θ)；

步骤2：设置更新次数t

步骤3：由正态分布生成和声库取值概率HMCR和微调概率PAR，并且计算获得微调带宽BW；

步骤4：如果一个随机概率小于和声库取值概率HMCR，那么从和声库中随机选取和声，并根据BW微调为新和声θ

步骤5：如果新和声的评价值F(θ

步骤6：如果达到更新上限UP，由记录的HMCR和PAR更新正态分布参数并重置t

步骤7：如果搜索次数达到NI，输出HM中评价最好和声为最优本地计算精度；否则，重新执行步骤3。

本发明为车辆边缘计算联邦学习系统提出了一个计算能力、传输资源和本地模型精度联合优化的框架，基于优化结果和车载图片质量，进一步提出了车辆加入联邦学习训练任务的选择算法。通过这个过程，使整个学习系统花费最低、性能最优并且实现参与任务车辆之间的公平性。

与现有的联邦学习优化方案相比，本发明将车辆边缘计算的场景特性考虑到学习的过程中，包括车辆的移动特性、车辆的速度和位置等属性。本发明提出的车辆选择和资源分配方法，方便快捷，提高行驶在路上的车辆的服务性能，降低电池的耗散量，从而进一步提高系统的整体性能。

下面结合仿真对本发明的技术效果做详细的描述。

在优化资源和本地模型精度的情况下，设置以下三个对比方案，用图6验证车辆选择算法的有效性。

VBS:这个方案每次添加行驶速度最小的车辆加入训练任务；

PBS：这个方案每次添加距覆盖区域入口最小距离的车辆；

Random：这个方案每次随机挑选车辆加入联邦学习。

图6分别根据本发明、VBS、PBS和Random从十个行驶的车辆中选择八个加入联邦学习训练任务。本发明比较了这四个方案的成本。所提出的方案每次添加使得已选择车辆集合M的总成本保持最低的车辆。随着添加的车辆数量越来越多，整个系统的成本逐渐增加。VBS和PBS略优于Random方案。由于每种方案都会优化资源和本地模型精确度，因此添加的车辆越多，成本差异就越小。但是，本发明的车辆选择算法是一个动态过程。在新车辆进入边缘服务器的覆盖区域之后，始终会首先添加使总体成本最小化的车辆。

本发明设置以下三个对比方案来验证本发明所提方案的系统花费最低、性能最优并且实现参与任务车辆之间的公平性。

AOS：优化本地模型精度，随机选择车载计算能力和车辆传输资源。

ROS：优化车载计算能力和车辆传输资源，随机选择本地模型精度。

NOS：随机选择车载计算能力、车辆传输资源和本地模型精度，无优化的参数。

在图7中比较了本发明的优化方案、AOS、ROS和NOS中的平均成本，最高成本和最低成本。本发明发现，本发明不仅使成本最小化，而且每辆车之间的成本差异也很小，这达到了车辆之间的均衡且实现了公平。AOS的成本超过了ROS，因此资源分配的优化比本地模型精度更有助于降低系统成本。NOS会造成巨大的能源浪费和时间延迟，并使参加训练任务的车辆成本产生巨大差异，从而导致花费不公平现象。

图8显示了在不同训练数据大小D

图9中显示了车辆在不同位置下的成本和学习时间。车辆离边缘服务器覆盖区域入口越远，这意味着车辆即将离开此通信区域。使得停留时间很少。因此，必须大幅度减少学习时间，以在要求范围内完成学习任务，并且成本也会相应增加。对于给定的位置l

应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。