递归蒸馏用于开放集分布式机器人定位

当前最先进的自定位模型的一个典型假设是目标工作空间有标注训练数据集。然而，当机器人在一般开放世界中移动时，这一假设不一定成立。本文提出了一种针对开放世界分布式机器人系统的新型训练方案。在该方案中，一个机器人（“学生”）可以向其在陌生地点遇到的其他机器人（“教师”）寻求指导。具体来说，从教师模型重建伪训练数据集，然后用于学生模型在领域、类别和词汇增量设置下的持续学习。与典型的知识迁移方案不同，我们的方案对教师模型仅引入最小假设，因此可以处理各种类型的开放集教师，包括不合作的、不可训练的（例如图像检索引擎）或黑盒教师（即数据隐私）。在本文中，我们研究了一个排序函数作为此类通用模型的实例，使用具有挑战性的无数据递归蒸馏场景，其中经过训练的学生可以递归地加入下一代开放教师集。