基于聚类的带宽高效联邦学习框架用于自主视觉机器人导航
机器人学
2025-03-13 v1 人工智能
计算机视觉与模式识别
分布式、并行与集群计算
摘要
集中式学习需要将数据聚合到中心服务器，这在数据隐私和带宽消耗方面存在显著挑战。联邦学习作为一种有力替代方案，但在机器人领域部署的常规联邦学习方法旨在跨机器人学习单个全局模型，以适用于所有场景。然而实际情况往往一个模型并不适用于部署于各种环境中的机器人。本文提出了Federated-EmbedCluster (Fed-EC)，一种基于聚类的联邦学习框架，针对多样化户外环境中的基于视觉的自主机器人导航进行部署。该框架解决了由于现实机器人之间数据呈非独立同分布 (non-IID) 特征导致单一全局模型性能下降的关键联邦学习挑战。大量现实实验表明，Fed-EC可将每个机器人的数据通信规模降低23倍，同时匹配集中式学习在以目标为导向的导航任务中的性能，并优于本地学习。Fed-EC能够将已学习的模型迁移到新增的机器人。
引用
@article{arxiv.2411.04112,
title = {Fed-EC: Bandwidth-Efficient Clustering-Based Federated Learning For Autonomous Visual Robot Navigation},
author = {Shreya Gummadi and Mateus V. Gasparino and Deepak Vasisht and Girish Chowdhary},
journal= {arXiv preprint arXiv:2411.04112},
year = {2025}
}