一种面向车辆感知的异质联邦学习收敛优化方法

本发明涉及一种面向车辆感知的异质联邦学习收敛优化方法，属于车辆感知与联邦学习技术领域，解决了现有联邦学习在车辆感知场景中因各车辆节点感知数据存在异质性而导致模型训练收敛缓慢、感知精度下降以及通信成本高的问题。方法包括：各车辆节点下载前一通信轮次全局基础层参数和融合后的个性化层参数，使用本地训练数据集进行训练，得到当前通信轮次的基础层参数和个性化层参数；对当前通信轮次个性化层参数和历史通信轮次个性化层参数进行加权融合，得到更新后个性化层参数；各车辆节点将当前通信轮次基础层参数和更新后个性化层参数上传至云服务器进行融合，得到当前通信轮次全局基础层参数和各车辆节点对应的融合后个性化层参数。