数据博弈：一种用于集群机器人数据收集的游戏论方法
人工智能
2023-03-08 v1 多智能体系统
机器人学
摘要
联网自动驾驶车队（AVs）收集海量传感数据，通常传输至中心服务器（“云”）以训练机器学习（ML）模型。理想情况下，这些车队应上传所有数据，尤其是来自罕见运行场景的数据，以训练鲁棒的 ML 模型。然而，由于网络带宽与数据标注成本过高，这并不可行。为此，我们提出一种协作数据采样策略，让地理分布的 AVs 协作在云中收集多样化的 ML 训练数据集。由于 AVs 具有共同目标，但对彼此的局部数据分布与感知模型知之甚少，我们自然可将协作数据收集建模为一个 玩家数学博弈。我们证明，该协作采样策略仅需极少信息即可收敛到拥有所有 AVs 完整信息的集中式预言机策略。此外，我们从理论上刻画了相较于贪婪采样，该博弈论策略的性能优势。最后，我们在 4 个感知数据集（包括恶劣天气下的自动驾驶）上的实验表明，该方法优于标准基准达 。关键的是，我们在真实数据集上的实验结果与理论保证高度吻合。
引用
@article{arxiv.2303.03602,
title = {Data Games: A Game-Theoretic Approach to Swarm Robotic Data Collection},
author = {Oguzhan Akcin and Po-han Li and Shubhankar Agarwal and Sandeep Chinchali},
journal= {arXiv preprint arXiv:2303.03602},
year = {2023}
}
备注
Accepted to CoRL 2022