基于黑盒视觉位置识别模型的多机器人无数据持续通信学习（CCL）

在新兴的多机器人社会中，异构智能体必须通过通信不断提取并整合彼此的局部知识，即使其内部模型完全不透明。现有的针对视觉位置识别（VPR）的持续或协作学习方法大多假设对模型参数具有白盒访问权限或共享训练数据集，这在机器人于真实环境中遇到未知同伴时是不切实际的。本文引入了持续通信学习（Continual Communicative Learning, CCL），一种无数据的多机器人框架，其中旅行者机器人（学生）通过受限的查询-响应通道与黑盒教师模型通信，持续提升其 VPR 能力。我们将成员推理攻击（Membership Inference Attacks, MIA）——最初作为针对机器学习模型的隐私攻击而开发——重新用作一种建设性的通信原语，在不访问参数或原始数据的情况下从黑盒 VPR 教师模型重构伪训练集。为克服黑盒 MIA 低采样效率导致的内在通信瓶颈，我们提出了一种基于先验的查询策略，利用学生自身的 VPR 先验将查询集中在嵌入空间的信息丰富区域，从而降低知识迁移（KT）成本。在标准多会话 VPR 基准上的实验结果表明，所提出的 CCL 框架在适度的通信预算下为低性能机器人带来了显著的性能提升，凸显了 CCL 作为可扩展且容错的多机器人系统的关键构建模块的潜力。此外，我们提出了一种分布式统计量聚合（Distributed Statistic Integration, DSI）框架，通过高效聚合来自黑盒 VPR 模型的充分统计量，在保持数据隐私的同时将通信开销降低至与样本量无关的常数复杂度，从而在理论上消除了灾难性遗忘。