边缘联邦学习与分布式账本技术在机器人与自主系统中的应用综述
机器人学
2021-09-10 v2
摘要
随着计算和通信解决方案的进步使得分布式设备能够实现低延迟卸载与实时协作，自主系统正变得无处不在。具有区块链和分布式账本技术（DLTs）的去中心化技术正发挥着关键作用。与此同时，深度学习（DL）的进步显著提升了机器人与自主系统的自主程度和智能水平。在这些技术变革发生的同时，数据安全和终端用户隐私方面的担忧已成为不可回避的研究考量。联邦学习（FL）是一种在边缘端实现隐私保护型深度学习的 promising 方案，其本质具有分布式特性，在隔离的数据孤岛上学习且仅传递模型更新。然而，FL 本身并不能提供当今分布式自主系统标准所需的安全性和鲁棒性水平。本综述涵盖了 FL 在自主机器人中的应用，分析了 DLT 与 FL 对于这些系统的作用，并介绍了当前研究中的关键背景概念与考量。
引用
@article{arxiv.2104.10141,
title = {An Overview of Federated Learning at the Edge and Distributed Ledger Technologies for Robotic and Autonomous Systems},
author = {Yu Xianjia and Jorge Peña Queralta and Jukka Heikkonen and Tomi Westerlund},
journal= {arXiv preprint arXiv:2104.10141},
year = {2021}
}