1.自动驾驶感知场景下基于推理相似性的联邦学习方法，其特征在于，包括如下步骤：

步骤1，获取交通标志数据集，将交通标志数据集中的图片统一为相同大小，从交通标志数据集中为每一辆车分配其私有数据集；

步骤2，将所有车辆置于自动驾驶感知场景下，每个车辆对应一个本地模型，利用每一辆车对应的私有数据集对车辆的本地模型进行训练，得到模型参数以及模型输出层参数；

所述本地模型在训练时，通过寻找最小化经验风险损失 得到模型参数，经验风险损失 是本地训练数据的经验风险和一个正则项经验风险的总和，具体为：其中，wk为车辆k的模型参数，Fk(wk)表示车辆k私有数据集的经验风险，λ表示用来调节正则化项的权重，Dk为车辆k的私有数据集， 表示车辆k所在聚类的模型输出层参数加权聚合得到的加权平均值，g(wk,x)表示车辆k对应的本地模型的输出层参数，D表示交通标志数据集，x表示交通标志数据集D中的数据；

步骤3，将模型输出层参数传输至与模型输出层参数对应车辆最接近的路侧单元中；

步骤4，每个路侧单元对其自身接收到的模型输出层参数进行推理相似度计算，并进行推理相似度聚类，对归为同一类的模型输出层参数进行加权聚合，得到全局模型参数；

所述步骤4中，通过构建邻接矩阵进行推理相似度聚类，邻接矩阵中的元素表示为：

其中，Ai,j表示邻接矩阵中的元素，gi、gj分别表示车辆i、j对应的本地模型的输出层参数，||·||F表示二范数，⊙表示哈达玛积，|St|表示每个路侧单元所接收到的模型输出层参数的数量；

加权聚合的公式如下：

其中， 表示车辆i所在聚类的模型输出层参数加权聚合得到的全局模型参数，αi为加权聚合的权重，g(wi,x)表示车辆i对应的本地模型的输出层参数；

在第t+1轮训练时，若有新的车辆l加入，通过以下公式判断新加入车辆的所属类：

其中， 表示新的车辆l所属类的全局模型参数， 表示为新的车辆l分配用来判断自身所属类的私有数据集， 表示第t轮训练后第h个类的全局模型参数，Lk为经验风险损失；

步骤5，将每一类加权聚合后得到的全局模型参数发送至每一类对应的车辆本地模型，利用全局模型参数以及车辆对应的私有数据集对车辆的本地模型进行下一轮的训练，直至达到预设的迭代轮数后，输出训练好的本地模型；

所述本地模型在每一轮训练时，通过执行τ步随机梯度下降更新，得到模型参数，每一步本地模型更新公式如下：其中， 分别表示第t轮训练时第r+1、r步的模型参数，η为学习率， 表示第t轮训练后的车辆k的全局模型参数， 表示梯度， 表示车辆k在第t轮r步迭代后本地模型的输出层参数， 表示从车辆k的私有数据集中随机采集的子集，表示复合损失函数。

2.根据权利要求1所述的自动驾驶感知场景下基于推理相似性的联邦学习方法，其特征在于，所述步骤2中，每个车辆对应一个卷积神经网络模型LeNet5，利用每个车辆对应的私有数据集对每个车辆对应的LeNet5进行训练，得到模型参数；LeNet5包括依次相连的第一卷积层、第一下采样层、第二卷积层、第二下采样层、第一全连接层、第二全连接层以及高斯连接层，将第二全连接层作为模型输出层。

3.一种计算机设备，包括存储器、处理器，以及存储在所述存储器中并能够在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至2任一项所述的自动驾驶感知场景下基于推理相似性的联邦学习方法的步骤。

4.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至2任一项所述的自动驾驶感知场景下基于推理相似性的联邦学习方法的步骤。