智能网联车辆系统是近年来新型的交叉研究领域,其主要借助自动驾驶车辆与外界的信息交互,来完成协同感知、地图管理、运动规划等任务。在所有任务中,分布式地图管理旨在扩大感知范围并提高单个自动驾驶车辆的感知精度。因此,其在智能网联车辆系统中发挥核心作用。当前,关于智能网联车辆系统的动态地图融合研究面临着以下几个问题:（1）由于传感器的限制和环境复杂性,单车的测量数据具有一定不确定性,这会严重影响自动驾驶车辆对周围动态环境的感知精度。（2）在动态地图融合过程中,融合的质量取决于动态目标检测模型的性能。通常,那些经过云端标记数据集训练的模型无法泛化到所有场景。（3）在自动驾驶车辆上收集的新数据样本通常没有标签。若要完成检测模型的性能提升以进行高质量的动态地图融合,则需要首先完成新数据样本繁冗且成本高昂的标注工作。针对以上问题,本课题旨在达到以下目标:（1）提出一种动态地图融合策略,以充分利用不同自动驾驶车辆的传感器数据,通过融合算法消除感知的不确定性;（2）设计一种更新模型参数的算法,在保证数据安全的前提下,同时完成数据的标注与模型的训练工作,达到提升模型泛化能力的目的。基于以上两个目标,本论文提出了一种基于联邦学习的分布式动态地图融合框架,开发了一种基于对象级的三阶段动态地图融合算法,一种基于点云的联邦学习算法以及一种“集成式”知识蒸馏算法。基于联邦学习的分布式动态地图融合框架用来将地图融合与模型训练整合成一个统一的问题,彼此相互支撑。对象级三阶段动态地图融合算法用来实现高质量和低通信开销的动态地图融合。基于点云的联邦学习算法通过聚合模型参数来完成检测模型参数的更新。“集成式”知识蒸馏算法用来将知识从融合结果迁移到各个自动驾驶车辆的检测模型上。本课题基于CARLA自动驾驶仿真平台和本论文设计的评估指标,验证了本论文所提出的基于联邦学习的分布式动态地图融合框架。实验结果表明本论文提出的基于联邦学习的动态地图融合框架能有效降低传统方法融合动态地图的误差,同时基于“集成式”知识蒸馏算法能有效提升动态目标检测模型的泛化能力。这个技术可应用在智能网联车辆系统中的动态地图构建以及检测模型泛化能力的提升。