面向机器人群体协同导航的联邦强化学习
机器人学
2022-09-13 v2 机器学习
摘要
深度强化学习（DRL）的最新进展通过实现自动控制器设计推动了机器人技术的发展。自动控制器设计是设计集群机器人系统的关键方法，与单机器人系统相比，集群机器人系统需要更复杂的控制器以产生期望的集体行为。尽管基于DRL的控制器设计方法已显示出其有效性，但对中心训练服务器的依赖在机器人-服务器通信不稳定或受限的真实世界环境中是一个关键问题。我们提出了一种新颖的基于联邦学习（FL）的DRL训练策略（FLDDPG），用于集群机器人应用。通过在有限通信带宽场景下与基线策略的比较表明，FLDDPG方法在不同环境和真实机器人上表现出更高的鲁棒性和泛化能力，而基线策略受限于通信带宽。该结果表明，所提方法可使在有限通信带宽环境中运行的集群机器人系统受益，例如高辐射、水下或地下环境。
引用
@article{arxiv.2202.01141,
title = {Federated Reinforcement Learning for Collective Navigation of Robotic Swarms},
author = {Seongin Na and Tomáš Rouček and Jiří Ulrich and Jan Pikman and Tomáš Krajník and Barry Lennox and Farshad Arvin},
journal= {arXiv preprint arXiv:2202.01141},
year = {2022}
}
备注
10 pages, 8 figures, submitted to IEEE Transactions on Cognitive and Developmental Systems Journal (R1)