移动自主系统中生命周期感知的联邦持续学习

联邦持续学习（FCL）允许分布式自主车队在扩展的任务生命周期内协作适应不断变化的地形类型。然而，当前方法面临几个关键挑战：1）它们使用统一的保护策略，未考虑不同网络层对遗忘的不同敏感性；2）它们主要关注在训练期间防止遗忘，而未解决累积漂移的长期影响；3）它们通常依赖于理想化的模拟，未能捕捉分布式车队中存在的真实世界异质性。在本文中，我们提出了一个生命周期感知的双时间尺度FCL框架，该框架结合了训练时（遗忘前）预防和（遗忘后）恢复。在此框架下，我们设计了一种层选择性重放策略，以减轻局部训练期间的即时遗忘，以及一种快速知识恢复策略，用于在长期累积漂移后恢复退化的模型。我们提供了一个理论分析，刻画了异质性遗忘动态，并确立了长期退化的必然性。我们的实验结果表明，该框架相比最强的联邦基线实现了高达8.3%的mIoU提升，相比传统微调实现了高达31.7%的提升。我们还在一个真实世界的漫游车测试平台上部署了该FCL框架，以评估在现实约束下的系统级鲁棒性；测试结果进一步证实了我们FCL设计的有效性。