MTF-Grasp：面向机器人抓取的多层级联邦学习方法
机器学习
2025-07-17 v2 机器人学
摘要
联邦学习 (Federated Learning, FL) 是一种促进参与设备在不移动数据且确保数据隐私的前提下训练隐私保留的协作模型的机器学习范式。联邦学习已证明在机器人操作任务中具有显著优势。然而，抓取任务在机器人训练全局模型、无需移动数据且确保数据隐私的设置下缺乏探索。主要挑战在于，每个机器人学习的数据是非独立且相同分布 (non-IID) 的，且数据量较小。这在机器人抓取中表现出性能下降。因此，本文提出 MTF-Grasp，一种面向机器人抓取的多层级联邦学习方法，充分考虑跨机器人数据分布（包括数量上的偏斜）所带来的独特挑战。MTF-Grasp 利用跨机器人的数据质量与数量，挑选出一组数据分布更好、样本数更大的“顶级”机器人。它然后利用顶级机器人训练初始种子模型，并分发给剩余的“底级”机器人，从而降低底级机器人模型性能下降的风险。我们的方法在数量偏斜的 Cornell 和 Jacquard 抓取数据集上，较conventional联邦学习设置提升了最高可达 8%。
引用
@article{arxiv.2507.10158,
title = {MTF-Grasp: A Multi-tier Federated Learning Approach for Robotic Grasping},
author = {Obaidullah Zaland and Erik Elmroth and Monowar Bhuyan},
journal= {arXiv preprint arXiv:2507.10158},
year = {2025}
}
备注
The work is accepted for presentation at IEEE SMC 2025