DroneFL：面向多无人机视觉目标跟踪的联邦学习
机器人学
2025-09-29 v1
摘要
多机器人目标跟踪是需要在诸如精密农业、环境监测、灾后应急和安防监视等应用中协调监控动态实体的基本问题。虽然联邦学习（FL）有望在无需中心化数据聚合的情况下增强多个机器人之间的学习，但其在多无人机（UAV）目标跟踪中的应用仍属未得到充分探索的领域。关键挑战包括 onboard计算资源有限、由于目标和视野差异导致的FL数据异构性显著，以及轨迹预测与多机器人规划之间的紧密耦合需求。在本文中，我们引入DroneFL，首个专为高效多UAV目标跟踪设计的联邦学习框架。我们设计了轻量级本地模型，从传感器输入预测目标轨迹，采用冻结的YOLO主干网络和浅层Transformer实现高效onboard训练。定期聚合更新后的模型以实现全局知识共享。为缓解阻碍FL收敛的数据异构性，DroneFL引入了位置不变模型架构，采用高度为基础的自适应实例归一化。最后，我们在云端融合来自多个无人机的预测，并生成平衡目标预测精度和整体跟踪性能的最优轨迹。我们的结果表明，DroneFL相对于分布式非FL框架可将预测误差降低6%-83%，将跟踪距离降低0.4%-4.6%。在效率方面，DroneFL可在树莓派5上实时运行，平均仅需1.56 KBps的云数据率。
引用
@article{arxiv.2509.21523,
title = {DroneFL: Federated Learning for Multi-UAV Visual Target Tracking},
author = {Xiaofan Yu and Yuwei Wu and Katherine Mao and Ye Tian and Vijay Kumar and Tajana Rosing},
journal= {arXiv preprint arXiv:2509.21523},
year = {2025}
}