近日,智能车辆团队论文《Joint Partial Offloading and Resource Allocation for Vehicular Federated Learning Tasks》在IEEE Transactions on Intelligent Transportation Systems发表。

随着智能网联汽车渗透率的增加和自动驾驶等级的提升，车载智能算法日益复杂，对计算能力的需求不断增大，导致车辆任务计算成本和能耗上升，而基于车路协同的计算卸载技术为解决上述问题提供了有效手段。本研究提出了考虑计算实时性的分布式计算卸载与资源分配方法，通过解耦变量和推导约束的边界条件优化卸载和分配决策。提出了一种低复杂度的分布式求解算法并应用于联邦学习框架中。通过部署联邦学习模型训练任务验证了算法的实时性与有效性，进一步通过资源分配的冗余率指标验证了理论模型求解与实际任务执行之间的偏差，为改进理论模型与算法提供了方法支撑。

主要贡献如下：

1）提出了一个联合优化部分卸载以及计算和通信资源分配的优化问题。结合实际问题分析可行性条件，推导出部分卸载和资源分配比例的边界条件，将原非凸问题转化为简化的等价问题，从而提高求解效率。

2）提出了基于交替方向乘子法的分布式求解方法，导出了部分卸载与资源分配策略的封闭解，并将计算复杂度简化为线性复杂度。

3）分别搭建了静态和动态试验平台，并集成部署联邦学习模型训练任务，测试了所提出的算法在实际应用中的求解实时性与实用性。

4）评估了理论模型求解与实际任务执行之间的偏差，通过测量资源分配冗余率来量化模型的准确性。

论文作者：马贵福、胡满江、王晓伟、李浩然、边有钢、朱孔林、吴迪

论文链接：https://ieeexplore.ieee.org/document/10521565