HOLO微云全息面向 6G 车联网的异构模型聚合双层联邦学习：引领智能交通新时代

随着 6G 时代即将到来，智能交通系统的核心技术正在经历革命性的变化。凭借 6G 技术的高数据速率、低延迟和超密集网络特性，车联网（IoV）和车对万物（V2X）通信的发展迎来了新的机遇。然而，如何在分布式环境中高效利用车辆和基础设施所生成的海量数据，同时保证数据隐私、减少通信成本，并提升学习效率，是当前研究的关键挑战。针对这一问题，微云全息(NASDAQ:HOLO)提出了一种面向 6G 车联网的异构模型聚合双层联邦学习技术，旨在构建高效、可扩展、隐私保护的智能学习架构，以优化自动驾驶和智能交通系统的关键决策任务。

6G 网络的引入使车联网能够支持更快的数据传输、更低的延迟和更强的计算能力，然而，这也带来了新的挑战。首先，由于智能车辆和基础设施设备（如路侧单元 RSU）在车联网中的分布高度不均，导致数据生成方式呈现显著的异构性。其次，传输大量原始数据到集中式服务器进行训练，不仅增加了带宽负担，还可能带来数据隐私泄露风险。此外，由于车联网环境的动态性，数据分布和计算资源随时间不断变化，使得传统的集中式机器学习难以适应这一复杂环境。

为应对这些挑战，联邦学习（Federated Learning，FL）成为了一种有效的解决方案。联邦学习允许各个设备在本地训练模型，并仅传输模型更新参数，而非原始数据，从而有效降低通信开销并增强隐私保护。然而，现有的联邦学习方法大多采用单一的全局聚合方式，忽略了车联网环境的异构性和层次化结构，难以充分利用 6G 车联网中的多级计算架构。

为了解决上述问题，微云全息提出了一种双层联邦学习架构，充分利用 6G 车联网中的端边云计算模式，以实现更高效、更准确的学习过程。该架构分为本地层（端-边）和全局层（边-云），并采用一种新颖的异构模型选择与聚合策略，以更好地适应不同计算资源和数据分布的不均衡性。

本地层（端-边层）：在本地层，车辆（端设备）和 RSU（边缘设备）之间协同训练模型，每辆车在本地执行模型更新，并与相邻的 RSU 共享训练结果。RSU 充当区域模型聚合中心，在多个车辆之间进行模型聚合，并根据实时环境调整模型权重。这一机制允许车辆利用 RSU 计算能力进行局部训练，从而减少云服务器的计算负担，同时优化本地数据的学习能力。

全局层（边-云层）：在全局层，多个 RSU 之间进一步聚合其管理的区域模型，并与云服务器协作完成更广泛的模型更新。云端负责处理大规模数据，执行深度学习任务，并对全局模型进行优化，以确保整个网络的学习效果持续提升。此外，云服务器还能动态调整 RSU 层的学习参数，以适应不同区域的交通状况和计算能力。

在传统的联邦学习框架中，所有设备通常使用相同的模型架构进行训练，但在 6G 车联网环境中，不同车辆和 RSU 具有不同的计算能力、网络带宽和数据特征，因此采用单一模型架构会导致学习效率下降。

针对这一问题，微云全息提出了一种异构模型选择与聚合策略，允许不同设备采用不同复杂度的模型，并基于设备的计算能力和数据分布进行动态调整。例如，高算力 RSU 可以使用深度神经网络（DNN），而低算力车辆则采用轻量级神经网络（如 MobileNet）。在模型聚合过程中，我们采用多层异构模型融合技术，通过知识蒸馏、加权平均和特定任务自适应优化，实现不同模型之间的信息传递，从而增强全局模型的泛化能力。

此外，微云全息还引入了一种基于环境上下文的动态聚合机制，使 RSU 在聚合模型时能够考虑道路环境、交通流量、车辆密度等因素，动态调整模型参数权重，以确保学习过程与实际交通状况相匹配。

智能物体检测是现代自动驾驶系统的核心功能之一，直接影响车辆的安全性和决策能力。在 6G 车联网环境下，车辆和 RSU 需要实时识别周围环境中的行人、车辆、交通信号等物体，并快速做出反应。然而，由于数据的分布式特性和异构性，现有集中式学习方法往往无法满足实时性和准确性的需求。

微云全息(NASDAQ:HOLO)的双层联邦学习架构通过上下文感知分布式学习机制优化智能物体检测任务，使得每辆车能够利用本地学习能力，并通过 RSU 进一步增强检测精度。例如，在高速公路上，RSU 可以收集多个车辆的检测结果，融合信息后反馈给所有参与训练的车辆，使整体检测精度得到提升。此外，在复杂城市环境中，我们的异构模型聚合策略可以针对不同区域的检测需求调整学习参数，以适应不同的交通场景。

面向 6G 车联网的异构模型聚合双层联邦学习技术，充分利用 6G 端边云计算架构，实现了高效、隐私保护和可扩展的智能学习方案。微云全息将进一步优化模型聚合算法，结合强化学习和自适应优化方法，使系统能够根据实时交通状况动态调整学习策略。此外，还将探索该技术在其他智能交通任务中的应用，例如车载安全检测、智能信号灯优化等，为下一代智能车联网提供更先进的技术支持。