Méthodes d'apprentissage fédéré pour la détection d'objets en temps réel dans l'internet des véhicules

L’Internet des véhicules émerge comme une technologie essentielle pour la conduite autonome et les systèmes de transport intelligents, en permettant le traitement de données volumineuses à faible latence dans un vaste réseau interconnecté incluant véhicules, infrastructures, piétons et le nuage. Les véhicules autonomes, qui dépendent largement de modèles d’apprentissage automatique, spécifiquement de réseaux de neurones, peuvent fortement bénéficier des riches données sensorielles générées dynamiquement à la périphérie du réseau pour améliorer leurs performances. L’utilisation de ces données exige toutefois de pouvoir concilier l’entraînement des modèles avec la préservation de la confidentialité des données sensibles des utilisateurs. L’apprentissage fédéré, technique où un ensemble de clients entraînent collectivement un modèle d’apprentissage automatique sans échange de données locales, apparait comme une solution prometteuse pour protéger la vie privée des usagers de la route tout en réduisant le coût des communications dans les réseaux véhiculaires. Néanmoins, en dépit de la popularité croissante de l’apprentissage fédéré, les différents cadriciels y étant consacrés se limitent généralement à la classification d’images. Subséquemment, les tâches plus avancées et critiques pour la conduite autonome, comme la détection d’objets, ont été pour bonne partie ignorées. Dans ce mémoire, nous introduisons FedPylot, un prototype d’apprentissage fédéré simulant l’entraînement de modèles de détection d’objets en temps réel par des véhicules autonomes et connectés reposant sur l’Internet des véhicules. Notre simulateur adopte une architecture client-serveur conçue pour être exécutée sur des systèmes de calcul à haute performance et intègre un chiffrement hybride pour sécuriser les communications entre le serveur et les clients véhiculaires. Nous examinons en particulier l’optimisation fédérée du modèle de l’état de l’art YOLOv7, dans un contexte marqué par l’hétérogénéité statistique, dont dérive conceptuelle, asymétrie dans la distribution des labels et déséquilibre des jeux de données locaux, en incluant toutefois dans nos simulations les hypothèses simplificatrices de persistance, synchronicité et pleine participation des clients. En outre, nous intégrons dans notre évaluation non seulement les performances prédictives de plusieurs variantes de YOLOv7, mais également le coût associé aux communications et la vitesse d’inférence des modèles, et ce, afin de présenter une approche équilibrée des défis auxquels sont confrontés les véhicules autonomes. Nous démontrons des résultats prometteurs pour l’applicabilité de l’apprentissage fédéré dans l’Internet des véhicules, y compris pour réaliser des tâches avancées comme la détection d’objets en temps réel. Nous espérons que FedPylot encouragera de plus amples recherches dans cette direction, et sera enrichi à l’avenir de nouvelles fonctionnalités se rapportant à la sécurité, à la diversité des scénarios envisagés ou encore à l’efficacité des communications.