本研究提出了FedRAV框架，旨在解决自动驾驶车辆中因数据非独立同分布导致的联邦学习收敛失败和准确率低的问题。通过自适应分区，该框架显著提高了训练准确性，提升至少3.69%。

本研究提出了一种新颖的层微调方案，旨在提高资源受限设备上联邦学习中大型语言模型的效率。该方案在计算和内存约束下优于现有方法，并在有限通信条件下的准确度与LoRA相当，显著提升了训练准确性。