1.车联网场景下的高效联邦学习方法，其特征在于，包括：步骤1：路侧单元收集学习任务，得到备选学习任务集合；

步骤2：路侧单元在所述备选学习任务集合中选定其中一个学习任务作为训练任务；

步骤3：路侧单元建立所述训练任务的初始模型参数，将所述训练任务和路侧单元的网络地址发送至覆盖范围内的车辆；

步骤4：各车辆解析接收到的训练任务的任务信息，然后决定是否参加所述训练任务的训练过程；若参加，则通过路侧单元的网络地址与路侧单元建立通信连接；

步骤5：路侧单元将训练任务的初始模型参数发送至建立有通信连接的各车辆；

步骤6：各车辆使用本地数据对接收到的训练任务的当前模型参数进行本地训练，并将本地训练模型上传至路侧单元；

步骤7：路侧单元一旦接到某一车辆上传的本地训练模型就实时计算该本地训练模型的权值，然后将该车辆上传的本地训练模型实时加权聚合至全局模型中，并生成训练任务的当前模型参数，将其实时返回至各车辆；

步骤8：迭代执行步骤6至步骤7，直至满足设定的迭代次数。

2.根据权利要求1所述的高效联邦学习方法，其特征在于，步骤4中，在各车辆与路侧单元建立通信连接后，还包括：将本车辆的身份认证信息传递至路侧单元；

对应地，步骤5具体为：路侧单元根据接收到的车辆的身份认证信息对参加训练任务的车辆进行身份认证，将训练任务的初始模型参数发送至通过身份认证的车辆。

3.根据权利要求1所述的高效联邦学习方法，其特征在于，步骤7中，在路侧单元将该车辆上传的本地训练模型实时加权聚合至全局模型中之前，还包括：路侧单元对该车辆上传的本地车辆训练模型进行质量评估；

对应地，步骤7中的路侧单元将该车辆上传的本地训练模型实时加权聚合至全局模型中，具体为：将通过质量评估的该本地训练模型实时加权聚合至全局模型中。

4.根据权利要求1所述的高效联邦学习方法，其特征在于，所述备选学习任务集合为Q＝{Q1,Q2,…,Qk,…,QN}，k∈{1,2,…,N}；其中，Qk＝(Wk,Uk)，Qk表示收集到的第k个学习任务，Wk表示第k个学习任务的权重，Uk表示第k个学习任务的任务信息，N表示收集到的学习任务的总数；

对应地，步骤2具体包括：在所述备选学习任务集合中选取权重Wk值最大的学习任务作为训练任务。

5.根据权利要求2所述的高效联邦学习方法，其特征在于，车辆的身份认证信息包括车辆的认证等级；

对应地，路侧单元根据接收到的车辆的身份认证信息对参加训练任务的车辆进行身份认证，具体包括：

判断车辆的认证等级的数值是否大于等于预设阈值，若大于等于预设阈值，则表示车辆通过身份认证；

其中，第一次参加训练任务的新注册车辆的认证等级的数值大于等于预设阈值。

6.根据权利要求2所述的高效联邦学习方法，其特征在于，步骤5中，在训练任务的初始模型参数发送至通过身份认证的车辆之前，还包括：路侧单元为通过身份认证的车辆建立临时索引C＝{C1,C2,…,Ci,…,CM}，Ci表示车辆i的索引值，i∈{1,2,…,M}；

对应地，步骤5中的将训练任务的初始模型参数发送至通过身份认证的车辆，具体为：路侧单元通过广播将训练任务的初始模型参数发送至临时索引中的各车辆。

7.根据权利要求1所述的高效联邦学习方法，其特征在于，步骤6中的各车辆使用本地数据对接收到的训练任务的当前模型参数进行本地训练，具体包括：车辆i根据本地数据和全局模型参数计算第t次迭代过程的梯度下降 其中，f(ω)＝l(ω,D)，f(ω)表示预测损失函数，ω表示车辆接收到的全局模型参数，D表示车辆的本地数据， 表示梯度算子；

车辆i根据所述梯度下降 更新得到第t次迭代过程的本地训练模型其中，ηi为车辆i的学习效率， 表示车辆i在进行第t次迭代过程的本地训练之前的本地训练模型参数。

8.根据权利要求1或7所述的高效联邦学习方法，其特征在于，步骤6中，所述本地数据包括车辆曾参加过的训练任务的本地历史数据和/或车辆上各传感设备所感知到的传感数据。

9.根据权利要求3所述的高效联邦学习方法，其特征在于，步骤7中的路侧单元对各车辆上传的本地训练模型进行质量评估，具体包括：路侧单元获取车辆所在位置的预设区域范围内的与训练任务相关的数据信息，根据获取的数据信息判断采用该车辆上传的本地训练模型进行更新的内容是否可靠，若可靠，则认为该车辆的本地训练模型通过质量评估。

10.根据权利要求5所述的高效联邦学习方法，其特征在于，步骤7中的路侧单元计算各本地训练模型的权值，然后将各车辆上传的本地训练模型加权聚合至全局模型中，具体包括：

路侧单元按照下式为车辆更新车辆的认证等级：其中， 表示车辆i关于训练任务k的第t次迭代过程的认证等级， 表示车辆初始认证等级，M表示参与训练任务k的车辆总数；

路侧单元根据车辆的认证等级按照下式更新该车辆的当前本地训练模型的权重：其中， 表示车辆i在参与训练任务k时所上传的当前本地训练模型的权重；

路侧单元按照下式将各本地训练模型加权聚合至全局模型：其中，ωj+1表示路侧单元j进行当前轮聚合得到的全局模型参数，ωj表示路侧单元j进行上一轮聚合后得到的全局模型参数；ωi表示车辆i的当前本地训练模型。