自律走行におけるプライバシー保護車両軌道予測のための連合時空間グラフニューラルネットワーク
Federated spatio-temporal graph neural network for privacy-preserving vehicle trajectory prediction in autonomous driving
自律走行と高度交通システムにおいて、車両軌道予測は重要である。LSTM、CNN、GNNなどの深層学習モデルは中央集権的な設定で高い性能を示すが、プライバシー懸念、データ集約の問題、スケーラビリティの問題がある。これらの課題を克服するため、プライバシー保護と適応的な軌道予測のための連合時空間同期動的グラフニューラルネットワーク(Federated STSDGNN)フレームワークが導入された。highDデータセットを使用し、軌道は時空間シーケンスに分割され、動的相互作用グラフとして表現される。各クライアント(車両またはロードサイドユニット)は、前処理モジュール、時空間同期モジュール(GCN/GATとGRU)、予測モジュール(CNNとMLP)からなるSTSDGNNをローカルでトレーニングする。クライアントはモデルの更新のみを送信し、サーバーは連合学習アルゴリズムを使用して集約する。この設計はプライバシーを向上させ、実験では中央集権的なSTSDGNNベースラインと比較してRMSEを約23.5%削減し、将来のプライバシー保護V2X(Vehicle-to-Everything)アプリケーションをサポートする可能性がある。
- 連合時空間同期動的グラフニューラルネットワーク(Federated STSDGNN)を導入し、プライバシー保護型の車両軌道予測を実現
- 中央集権的なSTSDGNNベースラインと比較し、highDデータセットでの実験でRMSEを約23.5%削減
- クライアントはモデル更新のみをサーバーに送信し、連合学習アルゴリズムで集約する設計でプライバシーを向上
自動運転分野におけるプライバシー保護型の車両軌道予測技術の研究発表。連合学習と時空間グラフニューラルネットワークを組み合わせることで、中央集権型と比較して約23.5%の予測誤差削減を実現しており、V2X通信の実用化に向けた技術的進展として注目に値する。ただし学術研究段階であり、実車両への展開や商用化の状況は不明である点には留意が必要。