联邦模仿学习：一种面向异构传感器数据云机器人系统的隐私考量模仿学习框架
机器人学
2019-09-17 v2 人工智能
机器学习
摘要
人类能够通过观察他人执行技能来学习新行为。机器人也可以通过模仿学习实现这一点。此外，如果有外部指导，人类会更高效地掌握新行为。那么机器人如何实现这一点？为解决该问题，我们在本文中提出联邦模仿学习（FIL）。首先，提出一种部署在云端的、用于融合来自本地机器人知识的知识融合算法。然后，介绍 FIL 中有效的迁移学习方法。借助 FIL，机器人能够利用来自其他机器人的知识来提升其模仿学习。FIL 在机器人共享知识时考虑信息隐私和数据异构性。它适合部署在云机器人系统中。最后，我们进行了机器人的简化自动驾驶任务（车辆）实验。实验结果证明 FIL 能够提升云机器人系统中本地机器人的模仿学习。
引用
@article{arxiv.1909.00895,
title = {Federated Imitation Learning: A Privacy Considered Imitation Learning Framework for Cloud Robotic Systems with Heterogeneous Sensor Data},
author = {Boyi Liu and Lujia Wang and Ming Liu and Cheng-Zhong Xu},
journal= {arXiv preprint arXiv:1909.00895},
year = {2019}
}