终身联邦强化学习：面向云机器人系统导航的学习架构
机器人学
2024-12-20 v3 人工智能
分布式、并行与集群计算
机器学习
系统与控制
系统与控制
摘要
本文的动机是如何使机器人融合并迁移其经验，从而能够有效利用先验知识并快速适应新环境。为解决这一问题，我们提出了一种面向云机器人系统导航的学习架构：终身联邦强化学习（LFRL）。在这项工作中，我们提出了一种知识融合算法，用于升级部署在云端的共享模型。随后，介绍了 LFRL 中有效的迁移学习方法。LFRL 与人类认知科学相一致，且非常适合云机器人系统。实验表明，LFRL 大大提高了机器人导航的强化学习效率。云机器人系统部署也表明 LFRL 能够融合先验知识。此外，我们发布了一个基于 LFRL 的云机器人导航学习网站。
引用
@article{arxiv.1901.06455,
title = {Lifelong Federated Reinforcement Learning: A Learning Architecture for Navigation in Cloud Robotic Systems},
author = {Boyi Liu and Lujia Wang and Ming Liu},
journal= {arXiv preprint arXiv:1901.06455},
year = {2024}
}