胡宇翔，高琛，譚北海

（1.廣東工業(yè)大學(xué)自動(dòng)化學(xué)院，廣州 510006；2.廣州蔚馳科技有限公司，廣州 511455）

0 引言

隨著經(jīng)濟(jì)的持續(xù)增長(zhǎng)，運(yùn)輸需求也在增長(zhǎng)，交通行業(yè)正在迅速發(fā)展。交通行業(yè)憑借其獨(dú)特的優(yōu)勢(shì)，幫助實(shí)現(xiàn)現(xiàn)代化和提高了人民的生活水平。但隨之出現(xiàn)的是頻繁發(fā)生的交通事故。

隨著世界各地的公路數(shù)量和汽車數(shù)量的急劇增加，交通事故發(fā)生的概率也在迅速增加，導(dǎo)致了許多的人員傷亡和經(jīng)濟(jì)方面的損失。針對(duì)這些問(wèn)題，需要采取相關(guān)有效措施減少交通事故的發(fā)生。根據(jù)相關(guān)數(shù)據(jù)顯示，事故頻繁發(fā)生的一個(gè)很重要的原因是駕駛員在駕駛過(guò)程中的疏忽［1］。為了減少交通事故的發(fā)生，汽車制造商引進(jìn)了各種在保證汽車安全方面對(duì)生命安全起著重要作用的安全保護(hù)設(shè)備，隨著對(duì)汽車安全的重視，汽車安全將不可避免地成為研究領(lǐng)域的熱點(diǎn)。近年來(lái)，安全輔助駕駛的相關(guān)研究工作受到了世界各國(guó)的廣泛關(guān)注。目前，許多廠家致力于對(duì)車道偏離警告和保持車輛安全距離兩個(gè)方向的研究和探索。目前這兩個(gè)方面的技術(shù)有紅外探測(cè)、雷達(dá)探測(cè)、超聲波探測(cè)、激光探測(cè)、機(jī)器視覺(jué)探測(cè)等。統(tǒng)計(jì)數(shù)據(jù)顯示，如果可以在車禍發(fā)生前警告司機(jī)危險(xiǎn)，許多交通事故就可以減少。因此，通過(guò)駕駛輔助系統(tǒng)，獲取司機(jī)駕駛狀態(tài)，并在駕駛員不注意時(shí)提供預(yù)警，是減少交通事故的有效措施。

2017年，谷歌首先引入了聯(lián)邦學(xué)習(xí)的概念。從分散的移動(dòng)設(shè)備中訓(xùn)練模型，之后通過(guò)服務(wù)器聚合這些本地模型更新共享模型，聯(lián)邦學(xué)習(xí)可以實(shí)現(xiàn)分散數(shù)據(jù)下模型的協(xié)同訓(xùn)練，其中數(shù)量眾多的客戶端在中央服務(wù)器的協(xié)調(diào)下以協(xié)作的方式共同訓(xùn)練模型，客戶端無(wú)需上傳或者進(jìn)行數(shù)據(jù)交換，只需要向中央服務(wù)器傳輸本地訓(xùn)練好的模型就可以了。這樣，本地客戶端始終都可以保有對(duì)本地私有數(shù)據(jù)的控制權(quán)，既可以減少收集數(shù)據(jù)、管理數(shù)據(jù)和保存數(shù)據(jù)的成本，又可以滿足越來(lái)越嚴(yán)格的數(shù)據(jù)隱私保護(hù)的要求。聯(lián)邦學(xué)習(xí)“數(shù)據(jù)不動(dòng)，模型動(dòng)”的特點(diǎn)在交通、金融、消費(fèi)等領(lǐng)域都有著非常好的發(fā)展前景［2］。

本文針對(duì)駕駛識(shí)別和聯(lián)邦學(xué)習(xí)的特點(diǎn)，提出一種基于聯(lián)邦學(xué)習(xí)的司機(jī)駕駛狀態(tài)識(shí)別的方法，利用聯(lián)邦學(xué)習(xí)“數(shù)據(jù)不動(dòng)，模型動(dòng)”的特點(diǎn)，在保護(hù)車輛數(shù)據(jù)隱私的情況下，充分利用車載數(shù)據(jù)資源訓(xùn)練出性能好的模型應(yīng)用于實(shí)際交通場(chǎng)景幫助減少交通事故的發(fā)生。實(shí)驗(yàn)以kaggle分心駕駛數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)集，以VGG16作為模型特征提取網(wǎng)絡(luò)，運(yùn)用基于迭代模型平均的聯(lián)邦學(xué)習(xí)算法協(xié)調(diào)服務(wù)器和客戶端模型訓(xùn)練和聚合，結(jié)果證明該方法具有可行性，訓(xùn)練出的模型性能良好。

1 相關(guān)工作

1.1 聯(lián)邦學(xué)習(xí)

作為連接數(shù)據(jù)孤島的橋梁，聯(lián)邦學(xué)習(xí)可以在滿足數(shù)據(jù)安全隱私及相關(guān)部門(mén)監(jiān)管要求的前提下，使得各個(gè)用戶有效利用本地?cái)?shù)據(jù)模型來(lái)獲得高質(zhì)量的聯(lián)邦學(xué)習(xí)模型?？墒请S著聯(lián)邦學(xué)習(xí)的不斷發(fā)展，其也暴露出許多問(wèn)題，比如模型訓(xùn)練存在的潛在攻擊、通信效率相對(duì)較慢、用戶數(shù)據(jù)可用性差、設(shè)備的不穩(wěn)定性以及參與用戶處于不公平地位等。所以，聯(lián)邦學(xué)習(xí)需考慮隱私安全、通信效率、異構(gòu)性以及公平性等因素，可以采用安全多方計(jì)算、模型壓縮、知識(shí)蒸餾、博弈論等技術(shù)，來(lái)構(gòu)建一個(gè)更加安全、有效、公平的聯(lián)邦學(xué)習(xí)模型［3］。

1.2 駕駛狀態(tài)識(shí)別

近年來(lái)，國(guó)內(nèi)外許多學(xué)者對(duì)駕駛行為狀態(tài)進(jìn)行了深入研究，慢慢地已經(jīng)從普通傳感器檢測(cè)發(fā)展到通過(guò)機(jī)器視覺(jué)算法對(duì)面部表情、生理參數(shù)、操作行為的檢測(cè)判斷。人體行為識(shí)別作為計(jì)算機(jī)視覺(jué)領(lǐng)域及深度學(xué)習(xí)理論的重要研究熱點(diǎn)，最具有代表性的是卷積神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)有AlexNet、VGG、InceptionNet模型等，特征提取算法有主成分分析法、局部二值模式、方向梯度直方圖和尺度不變特征變換等，常見(jiàn)的分類器則有決策樹(shù)、支持向量機(jī)、softmax分類器等［4］。

2 基于聯(lián)邦學(xué)習(xí)的司機(jī)駕駛狀態(tài)識(shí)別方法

2.1 概述

本文建模的應(yīng)用場(chǎng)景為：交通領(lǐng)域的AI部門(mén)根據(jù)實(shí)際需求，想研究出一種根據(jù)司機(jī)駕駛狀態(tài)提前預(yù)警危險(xiǎn)的輔助駕駛系統(tǒng)，相關(guān)部門(mén)最終決定選擇結(jié)合聯(lián)邦學(xué)習(xí)和圖像分類網(wǎng)絡(luò)模型來(lái)實(shí)現(xiàn)該任務(wù)。AI部門(mén)工程師采用星形網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)部署聯(lián)邦學(xué)習(xí)算法中的服務(wù)器和客戶端，中心節(jié)點(diǎn)為服務(wù)器，邊緣節(jié)點(diǎn)是各客戶端，服務(wù)器和客戶端之間通行是雙向的，各個(gè)客戶端之間不進(jìn)行通信［5］。其中，客戶端代表具有不同數(shù)據(jù)資源的各種行駛的車輛，服務(wù)器指的是云服務(wù)器。用于檢測(cè)司機(jī)駕駛狀態(tài)的圖像分類網(wǎng)絡(luò)模型被部署于各個(gè)客戶端，在服務(wù)器端設(shè)置聯(lián)邦學(xué)習(xí)模型參數(shù)的聚合算法以及通行輪換等。訓(xùn)練的時(shí)候，首先在服務(wù)器進(jìn)行全局模型的初始化，之后每輪通信中服務(wù)器首先會(huì)將本輪全局模型向各客戶端廣播，客戶端將接收的模型參數(shù)作為本輪局部模型訓(xùn)練的初始參數(shù)并結(jié)合本地私有數(shù)據(jù)進(jìn)行訓(xùn)練，客戶端訓(xùn)練完成后向服務(wù)器上傳局部模型參數(shù)進(jìn)行模型參數(shù)更新。服務(wù)器接收到各客戶端的局部模型參數(shù)后進(jìn)行新一輪的全局模型更新，依此循環(huán)，直到達(dá)到指定的通信輪換次數(shù)。本文假設(shè)服務(wù)器是具備安全性和可靠性，并且所有客戶端設(shè)備不存在受到惡意攻擊或者通信延時(shí)等帶來(lái)的問(wèn)題［6］。本文算法示意圖如圖1所示，其中序號(hào)標(biāo)明了訓(xùn)練過(guò)程模型傳輸流程，其他客戶端依此類推。

圖1 本文算法示意圖

2.2 基于迭代模型平均的聯(lián)邦學(xué)習(xí)

對(duì)于基于迭代模型平均的聯(lián)邦學(xué)習(xí)，我們假設(shè)有一個(gè)固定的K個(gè)客戶端集合，每個(gè)客戶端都有一個(gè)固定的本地?cái)?shù)據(jù)集。在每一輪的開(kāi)始，選擇客戶端的一個(gè)隨機(jī)比率C，服務(wù)器將當(dāng)前的全局模型發(fā)送給每個(gè)客戶端。然后，每個(gè)選定范圍內(nèi)的客戶端根據(jù)接收的全局模型及其本地?cái)?shù)據(jù)集執(zhí)行本地計(jì)算進(jìn)行訓(xùn)練，并向服務(wù)器發(fā)送本地訓(xùn)練的局部模型用于全局模型的更新。然后服務(wù)器將這些來(lái)自客戶端的局部模型更新應(yīng)用到其全局模型，然后重復(fù)此過(guò)程。

對(duì)機(jī)器學(xué)習(xí)的問(wèn)題，我們通常采取fi(w)=l(xi,yi;w)來(lái)表述，也就是說(shuō)，損失預(yù)測(cè)的例子(xi,yi)由模型參數(shù)w得出。我們假設(shè)有K個(gè)客戶數(shù)據(jù)分區(qū)，Pk代表集合中第K個(gè)用戶，nk= ||Pk代表第K個(gè)用戶數(shù)據(jù)集的個(gè)數(shù)，因此，我們可以將優(yōu)化的目標(biāo)函數(shù)寫(xiě)為：

大量成功的深度學(xué)習(xí)應(yīng)用幾乎完全依賴于隨機(jī)梯度下降（SGD）來(lái)進(jìn)行優(yōu)化，事實(shí)上，許多進(jìn)步可以理解為調(diào)整模型的結(jié)構(gòu)以及損失函數(shù)，使其更易于通過(guò)簡(jiǎn)單的基于梯度的方法進(jìn)行優(yōu)化［7］。因此，本文聯(lián)邦學(xué)習(xí)的優(yōu)化對(duì)象選擇SGD，確立了優(yōu)化的目標(biāo)后，整體的優(yōu)化流程可表述為以下步驟。

假設(shè)有K個(gè)客戶端，以下標(biāo)k作為標(biāo)識(shí)，隨機(jī)選取的客戶端比率為C，B是本地客戶端的minibatchsize，E是本地客戶端訓(xùn)練輪換次數(shù)，η是學(xué)習(xí)率。

●對(duì)于服務(wù)器端：

Step1：初始化初始全局模型參數(shù)w0

Step2：依通信輪換次數(shù)t=1，2，…循環(huán)執(zhí)行以下步驟：

●對(duì)于客戶端：

Step1：依據(jù)minibatchsize大小B對(duì)本地用戶數(shù)據(jù)集Pk劃分，記為β

Step2：依據(jù)本地訓(xùn)練輪換次數(shù)E循環(huán)執(zhí)行更新：b∈β,w-η?l(w;b)

Step3：上傳w給服務(wù)器端

2.3 駕駛狀態(tài)識(shí)別模型

針對(duì)駕駛狀態(tài)識(shí)別任務(wù)特點(diǎn)，本文以VGG16為基礎(chǔ)進(jìn)行修改來(lái)進(jìn)行分類識(shí)別，VGG是由Si?monyan和Zisserman提出的卷積神經(jīng)網(wǎng)絡(luò)模型，該模型參加2014年的ImageNet圖像分類與定位挑戰(zhàn)賽，取得了優(yōu)異成績(jī)，VGG模型的主要特點(diǎn)是采用了很小的卷積核尺寸以及相對(duì)其他網(wǎng)絡(luò)更深的網(wǎng)絡(luò)結(jié)構(gòu)，本文實(shí)驗(yàn)以pytorch中預(yù)置的VGG16為基礎(chǔ)保留其特征層，將分類層置空并將其接到自定義的分類層，整體的駕駛狀態(tài)識(shí)別模型結(jié)構(gòu)簡(jiǎn)圖如圖2所示。

圖2 駕駛狀態(tài)識(shí)別模型結(jié)構(gòu)簡(jiǎn)圖

3 實(shí)驗(yàn)與結(jié)果分析

3.1 數(shù)據(jù)集

本文以kaggle的state-farm-distracted-driverdetection數(shù)據(jù)集為實(shí)驗(yàn)數(shù)據(jù)集，其中，test用于測(cè)試的，Train用于訓(xùn)練的，Train文件夾下共有10個(gè)子文件夾，每個(gè)子文件夾下的圖片屬于同類，每類共有2000多張圖片，這10類及其含義如表1所示，分心駕駛數(shù)據(jù)集示例如圖3所示，Test文件夾下直接是圖片，接近8萬(wàn)張，但是每個(gè)文件分別屬于哪類并不知道：

圖3 分心駕駛數(shù)據(jù)集示例

表1 kaggle分心駕駛數(shù)據(jù)集各分類含義

3.2 實(shí)驗(yàn)細(xì)節(jié)

本實(shí)驗(yàn)共設(shè)置10個(gè)客戶端模擬現(xiàn)實(shí)世界的10個(gè)車輛，從總數(shù)據(jù)中隨機(jī)分配數(shù)據(jù)到各個(gè)客戶端，以獨(dú)立同分布的方式呈現(xiàn)。數(shù)據(jù)集以8∶2的比例劃分為訓(xùn)練集和測(cè)試集，對(duì)原始數(shù)據(jù)集進(jìn)行隨機(jī)分配，分成10份作為各個(gè)客戶端的初始本地私有數(shù)據(jù)集，由于數(shù)據(jù)量有限，客戶端完成數(shù)據(jù)分配后，對(duì)數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)操作，本文采用翻轉(zhuǎn)、平移、旋轉(zhuǎn)等數(shù)據(jù)增強(qiáng)方式對(duì)各客戶端數(shù)據(jù)進(jìn)行擴(kuò)充，客戶端的訓(xùn)練輪換次數(shù)為3，批大小設(shè)置為10，初始學(xué)習(xí)率為η=0.001，采用學(xué)習(xí)率衰減策略，衰減因子為0.996，客戶端和服務(wù)器端的通信輪換次數(shù)為10，每輪通信包含3個(gè)主要過(guò)程：服務(wù)器廣播、客戶端局部更新、服務(wù)器聚合?？蛻舳伺c服務(wù)器均采用GTX 2080 Ti的GPU，CPU為3核Intel E5系列，運(yùn)行內(nèi)存為10 G，采用10 Gbit/s的以太網(wǎng)，操作系統(tǒng)為Ubuntu，Python版本為Python 3.7，深度學(xué)習(xí)框架采用Pytorch 1.3版本。

3.3 實(shí)驗(yàn)結(jié)果

經(jīng)過(guò)10輪通信循環(huán)，在云服務(wù)器端耗時(shí)4小時(shí)訓(xùn)練得到如圖4和圖5的測(cè)試結(jié)果，從圖中比較可以看出經(jīng)過(guò)5次通信輪換后準(zhǔn)確率已經(jīng)達(dá)到了99%以上，測(cè)試的loss也已經(jīng)到0.5以下，隨后基本穩(wěn)定在在一定數(shù)值，整體訓(xùn)練得到了比較高的準(zhǔn)確率。

圖4 測(cè)試準(zhǔn)確率

圖5 測(cè)試損失loss

同時(shí)，對(duì)司機(jī)駕駛狀態(tài)的檢測(cè)識(shí)別，本文進(jìn)行了另外兩個(gè)對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)情況如下：

（1）對(duì)比實(shí)驗(yàn)1：基于MobilenetV2司機(jī)駕駛行為。

MobileNetV2作為對(duì)MobileNetV1的改進(jìn)版，同樣也是一個(gè)輕量化的卷積神經(jīng)網(wǎng)絡(luò)，MobileNet-V2的特點(diǎn)就是采用depth-wise sepa?rable convolution來(lái)減少運(yùn)算量以及參數(shù)量，而在網(wǎng)絡(luò)結(jié)構(gòu)上，借鑒Resnet采用shortcut的方式。實(shí)驗(yàn)1與上文基于聯(lián)邦學(xué)習(xí)的司機(jī)駕駛狀態(tài)檢測(cè)方法采用同樣的軟硬件實(shí)驗(yàn)環(huán)境，實(shí)驗(yàn)的測(cè)試準(zhǔn)確率和測(cè)試loss如圖6、圖7所示，測(cè)試準(zhǔn)確率最終穩(wěn)定在95%左右，測(cè)試的loss穩(wěn)定在0.1左右。

圖6 測(cè)試準(zhǔn)確率

圖7 測(cè)試損失loss

（2）對(duì)比實(shí)驗(yàn)2：基于VGG16司機(jī)駕駛行為檢測(cè)。

VGG16網(wǎng)絡(luò)作為卷積神經(jīng)網(wǎng)絡(luò)中的一個(gè)經(jīng)典網(wǎng)絡(luò)有著優(yōu)秀的檢測(cè)性能，實(shí)驗(yàn)二同樣采用與上文基于聯(lián)邦學(xué)習(xí)的司機(jī)駕駛狀態(tài)檢測(cè)方法采用同樣的軟硬件實(shí)驗(yàn)環(huán)境，實(shí)驗(yàn)的測(cè)試準(zhǔn)確率和測(cè)試loss如圖8、圖9所示，測(cè)試準(zhǔn)確率最終穩(wěn)定在98%左右，測(cè)試的loss穩(wěn)定在0.05左右。

圖8 測(cè)試準(zhǔn)確率

圖9 測(cè)試損失loss

綜合對(duì)比以上三個(gè)實(shí)驗(yàn)可知，本文提出的基于聯(lián)邦學(xué)習(xí)加VGG16的司機(jī)駕駛狀態(tài)檢測(cè)訓(xùn)練周期更短，訓(xùn)練出的模型性能更加優(yōu)異。

4 結(jié)語(yǔ)

本文將聯(lián)邦學(xué)習(xí)機(jī)制引入輔助駕駛識(shí)別場(chǎng)景中，部署單服務(wù)器-多客戶端結(jié)構(gòu)用于模型訓(xùn)練，讓多個(gè)車輛客戶端合作訓(xùn)練完成司機(jī)駕駛狀態(tài)識(shí)別模型，各個(gè)客戶端始終保有著對(duì)本地私有數(shù)據(jù)的控制，不需要與其他用戶共享自己的私有數(shù)據(jù)，整套系統(tǒng)充分利用現(xiàn)有的車輛數(shù)據(jù)資源，這樣的方法可以幫助交通領(lǐng)域相關(guān)部門(mén)在節(jié)省數(shù)據(jù)收集管理等成本的同時(shí)又可以訓(xùn)練出性能非常優(yōu)異的模型用于輔助駕駛識(shí)別，減少交通事故的發(fā)生，并且這樣的方法可以在模型性能發(fā)生變化時(shí)很方便地更新模型。