Flow-FL：面向多机器人系统时空预测的数据驱动联邦学习
机器人学
2020-10-20 v1 机器学习
多智能体系统
摘要
在本文中，我们展示了联邦学习（FL）框架如何使互联机器人团队能够从分布式数据中协同学习。该框架通常让客户端在本地收集数据、更新其模型的神经网络权重，并将更新发送至服务器以聚合成全局模型。我们通过比较该概念的两种变体来探索 FL 的设计空间。第一种变体遵循传统 FL 方法，由服务器聚合本地模型。在第二种变体中，我们称之为 Flow-FL，得益于基于 gossip 的共享数据结构的使用，聚合过程无需服务器。在两种变体中，我们都采用数据驱动机制来同步学习过程，即机器人在收集到充足数据时贡献模型更新。我们以多智能体设定下的智能体轨迹预测问题来验证我们的方法。以集中式实现为基线，我们研究了错峰在线数据收集、数据流变化、参与机器人数量，以及框架在多机器人设定下去中心化所引入的时间延迟的影响。
引用
@article{arxiv.2010.08595,
title = {Flow-FL: Data-Driven Federated Learning for Spatio-Temporal Predictions in Multi-Robot Systems},
author = {Nathalie Majcherczyk and Nishan Srishankar and Carlo Pinciroli},
journal= {arXiv preprint arXiv:2010.08595},
year = {2020}
}
备注
8 pages, 7 figures. For associated datasets, see http://www.nestlab.net/doku.php/papers:mrs_fl_dataset