基于模块的通信高效联邦学习：针对布置杂乱环境中的抓取姿态检测
机器人学
2025-12-15 v2 机器学习
摘要
抓取姿态检测（GPD）是机器人自主性的基本能力，但其对大规模多样数据集的依赖造成了显著的数据隐私和集中化挑战。联邦学习（FL）提供了一种隐私保护的解决方案，但其在GPD中的应用受限于大型模型的显著通信开销，这对于资源受限的机器人而言是关键问题。为此，我们提出一种新型的模块级联邦学习框架，首先分析GPD模型功能组件的学习动力学。该分析识别出收敛较慢的模块，我们的框架随后分配额外的通信资源。通过两个阶段实现：首先进行标准的全模型训练阶段，随后进行通信高效阶段，仅训练被识别的子集慢收敛模块并聚合其部分更新。在GraspNet-1B数据集上进行大量实验表明，我们的方法优于标准FedAvg和其他基线方法，在给定通信预算下实现更高的准确率。此外，针对物理机器人上的实际实验验证了我们的方案，在杂乱场景中抓取成功率优于基线方法。我们的工作为在分布式环境中训练健壮、通用的GPD模型提供了通信高效框架，有效改进了通信成本与模型性能之间的权衡。
引用
@article{arxiv.2507.05861,
title = {Communication-Efficient Module-Wise Federated Learning for Grasp Pose Detection in Cluttered Environments},
author = {Woonsang Kang and Joohyung Lee and Seungjun Kim and Jungchan Cho and Yoonseon Oh},
journal= {arXiv preprint arXiv:2507.05861},
year = {2025}
}
备注
Accepted to IEEE Robotics and Automation Letters (RA-L). 8 pages, 5 figures