引言：车联网的机遇与挑战
在智能交通时代，车联网（Internet of Vehicles, IoV）正成为自动驾驶技术的关键基础设施。通过车辆、路侧设备与云端系统的实时互联，车联网能够为自动驾驶汽车提供丰富的环境感知与决策支持。然而，如何高效共享海量数据中的“知识”以提升车辆决策能力，同时避免用户隐私泄露，一直是技术落地的核心难题。近日，一项名为**“低成本的异步联邦宽学习框架”（Federated Broad Learning, FBL）**的研究成果在《Engineering》期刊发表，为解决这一矛盾提供了创新方案。该技术通过融合联邦学习（Federated Learning, FL）、宽学习（Broad Learning, BL）与可重构智能表面（Reconfigurable Intelligent Surface, RIS），在保障隐私的前提下，将车联网知识共享效率提升至新高度。

隐私与效率的“两难困境”
车联网中的知识共享依赖于对多源数据（如车辆轨迹、路况图像、传感器信号）的联合分析。传统集中式学习需将所有数据上传至中心服务器，存在隐私泄露风险；而现有联邦学习虽支持本地数据训练，但其依赖深度神经网络的复杂模型在高动态车联网环境中面临两大瓶颈：

  1. 计算效率低：车辆移动性导致通信资源波动，传统联邦学习模型训练耗时长，难以满足实时决策需求。
  2. 通信成本高：无线信道质量不稳定时，模型参数传输可能占用大量带宽，增加延迟与能耗。

如何设计轻量化、高鲁棒性的本地学习模型，并优化通信资源调度，成为车联网知识共享技术突破的关键。

技术突破：联邦宽学习框架的创新设计
研究团队提出的异步联邦宽学习框架（FBL），通过三大核心技术实现隐私保护与效率提升的平衡：

1. 宽全连接模型（BFCM）：轻量化本地学习的“快刀手”
传统联邦学习使用深度神经网络作为本地模型，需多次迭代调整参数，计算复杂度高。FBL框架引入宽学习（Broad Learning, BL）技术，设计了一种新型宽全连接模型（Broad Fully Connected Model, BFCM）。该模型通过“特征节点”与“增强节点”的并行扩展，仅需单次线性计算即可完成训练，相比深度学习模型，训练速度提升数十倍，且保持高精度。这种“快而准”的特性，使车辆能够在动态环境中快速完成本地知识提取。

2. 智能反射面（RIS）：无线信道优化的“隐形助手”
车联网通信质量受建筑物遮挡、车辆移动等因素影响显著。研究团队引入可重构智能表面（Reconfigurable Intelligent Surface, RIS），通过智能调控电磁波反射方向，增强车辆与基站间的信号强度。配合双DFP（Davidon-Fletcher-Powell）算法，FBL框架可联合优化RIS配置与通信资源分配，在降低传输能耗的同时，将信道容量提升最高达40%。

3. 联邦激励机制：公平补偿成本的“经济账本”
为激励车辆参与联邦学习，FBL设计了一种基于**联邦激励学习（FIL）**的奖励分配算法。该算法根据车辆贡献的数据量、信道质量、计算资源消耗动态调整奖励，既保障参与者成本得到补偿，又避免“搭便车”行为，实现资源调度效率与公平性的双赢。

实验结果：效率、精度、成本的全面领先
在模拟实验中，FBL框架在多项指标上超越传统联邦学习模型：

  • 训练速度：BFCM模型训练时间缩短至深度学习的1/20，且准确率保持97%以上；
  • 通信成本：RIS优化使传输能耗降低35%，时间延迟减少28%；
  • 资源利用率：双DFP算法实现信道资源分配效率提升52%。

这些数据表明，FBL框架能够为自动驾驶汽车提供实时、低耗、高可靠的知识共享支持，尤其适用于交通拥堵预测、突发路况预警等对时效性要求极高的场景。

应用前景：从智慧交通到6G通信的跨领域价值
FBL技术的突破不仅限于车联网领域。其核心设计思想——“轻量化本地模型+智能通信优化”——为医疗、工业物联网等隐私敏感场景的分布式学习提供了新范式。例如：

  • 6G智能反射面网络：RIS与联邦学习的结合，可扩展至无人机群协同、边缘计算等场景，提升无线资源利用率；
  • 智慧城市动态决策：通过跨区域知识共享，优化城市交通信号灯控制、应急资源调度等系统。

研究团队负责人指出：“FBL框架的终极目标是构建一个**‘隐私无忧、知识互联’的智能生态**。未来，我们将探索该技术与区块链、数字孪生的深度融合，推动自动驾驶向全场景协同进化。”

结语：隐私与效率的“双赢”之路
在数据成为核心生产要素的今天，联邦宽学习与智能反射面的结合，为车联网隐私保护与知识共享的矛盾提供了破局思路。这项技术的落地，不仅将加速自动驾驶商业化进程，更标志着分布式人工智能在动态复杂环境中迈出了关键一步。随着6G与车联网的深度协同，“万物互联”的智能交通时代正加速到来。

来源: Engineering