Où l’apprentissage fédéré doit-il être exécuté ? Règles de conception pour la perception coopérative CCAM

L’apprentissage fédéré (FL) permet de maintenir à jour les modèles de perception sans avoir à transférer des téraoctets de vidéos brutes vers le cloud. Il s’agit d’un élément clé de la mobilité coopérative, connectée et automatisée (CCAM), dans laquelle les véhicules, les unités en bord de route et les serveurs cloud apprennent conjointement. Cependant, la latence, la bande passante, la consommation d’énergie et la confiance dépendent autant du lieu d’exécution des calculs que de l’algorithme lui-même. Cet article présente une cartographie exhaustive du paysage des déploiements de l’apprentissage fédéré dans l’environnement automobile. Nous définissons les exigences en matière de performances, de sécurité et de confidentialité pour la perception en temps réel. Nous analysons six déploiements concrets (deux centrés sur le véhicule, un centré sur l’infrastructure et trois hybrides) en détaillant leurs pipelines d’apprentissage et d’inférence. Une analyse comparative qualitative montre que chaque déploiement excelle dans un domaine tout en cédant du terrain dans un autre. Les enseignements tirés et les pistes de recherche identifiées (changement de mode en fonction du contexte, instantanés incrémentiels, compression tenant compte des tranches de données et désapprentissage vérifiable) tracent une feuille de route vers une perception CCAM déployable, économe en énergie et préservant la vie privée.

Traduction réalisée avec l’intelligence artificielle.