面向社交感知机器人的联邦持续学习

从学习辅助到陪伴，社交机器人有望提升日常生活的诸多方面。然而，社交机器人并未得到广泛采用，部分原因在于 (1) 它们无法根据新用户调整行为，以及 (2) 它们未提供充分的隐私保护。集中式学习（即机器人在服务器上收集数据以发展技能）通过阻碍对新经验的在线学习并要求存储隐私敏感数据，加剧了这些局限性。在本工作中，我们提出了一种去中心化学习替代方案，以改善社交机器人的隐私性和个性化。我们结合了联邦学习和持续学习两种机器学习方法，以捕捉在物理上分布于各机器人且在时间上跨越多次机器人交互的交互动态。我们定义了一组在去中心化机器人学习场景中应予以平衡的标准。我们还开发了一种新算法——弹性迁移，该算法利用基于重要性的正则化来保留跨机器人及与多人类交互中的相关参数。我们在一个概念验证的社交感知导航领域中表明，去中心化学习是集中式学习的可行替代方案，并展示了弹性迁移如何改善所提出的多项标准。