Conduct object detection based on radar frequency data by federated learning

Autonomous driving application, becoming an important equipment nowadays, highly relies on the accurate object detection results. Image-based object detection could be the most used technique to provide real-time detection results while driving, however, its robustness and reliability will decrease dramatically when facing with the weak/strong lighting and severe weather driving conditions. Based on that, RODNet also adopts the radio frequency (RF) images transformed from radar signals collected by frequency modulated continuous wave (FMCW) radars to obtain precise detection results even under the vision-hard scenarios. Other than reliability, people now are more and more focusing on privacy protection, they are unwilling to sacrifice privacy to gain no matter how much has been improved on experiences. Hence, in this work, combine RODNet as well as FedAvg algorithm in the object detection task for autonomous driving scenario, to both improve the reliability of the autonomous driving applications and protect drivers’ privacy by without requiring them to upload their driving data to the central server to train a better object detection model for autonomous driving scenarios. After experiments, although the final model has a bit poorer performance than that of models trained by a regular deep learning schema, this combination still achieves the purpose of realizing a trade-off between reliability and privacy protection. Particularly, such an idea behind concentrating on both effectiveness and privacy protection could be generalized to any field, not only for autonomous driving.

L'applicazione di guida autonoma, che sta diventando un'apparecchiatura importante al giorno d'oggi, si basa molto su risultati accurati di rilevamento degli oggetti. Il rilevamento di oggetti basato su immagini potrebbe essere la tecnica più utilizzata per fornire risultati di rilevamento in tempo reale durante la guida, tuttavia la sua robustezza e affidabilità diminuiscono drasticamente quando si devono affrontare condizioni di guida con illuminazione debole/forte e condizioni atmosferiche avverse. Su questa base, RODNet adotta anche le immagini a radiofrequenza (RF) trasformate da segnali radar raccolti da radar a modulazione di frequenza a onda continua (FMCW) per ottenere risultati di rilevamento precisi anche in scenari difficili per la vista. Oltre all'affidabilità, le persone sono sempre più attente alla protezione della privacy e non sono disposte a sacrificare la privacy per ottenere vantaggi, indipendentemente da quanto sia stato migliorato in termini di esperienza. In questo lavoro, quindi, si combinano l'algoritmo RODNet e FedAvg nel compito di rilevamento degli oggetti per lo scenario di guida autonoma, per migliorare l'affidabilità delle applicazioni di guida autonoma e proteggere la privacy dei conducenti senza richiedere loro di caricare i dati di guida sul server centrale per addestrare un modello di rilevamento degli oggetti migliore per gli scenari di guida autonoma. Dopo gli esperimenti, sebbene il modello finale abbia prestazioni leggermente inferiori a quelle dei modelli addestrati con un normale schema di deep learning, questa combinazione raggiunge comunque l'obiettivo di realizzare un compromesso tra affidabilità e protezione della privacy. In particolare, l'idea di concentrarsi sia sull'efficacia che sulla protezione della privacy potrebbe essere generalizzata a qualsiasi campo, non solo alla guida autonoma.