面向自主移动机器人持续仿真到真实迁移的终身联邦学习
机器人学
2022-06-01 v1
摘要
过去十年间，深度学习(DL)在机器人领域的作用显著加深。当今的智能机器人系统是高度互联的系统，依赖DL完成多种感知、控制及其他任务。与此同时，自主机器人正日益作为机群的一部分被部署，机器人间的协作成为更相关的因素。从协作学习的视角看，联邦学习(FL)能够以分布式、保护隐私的方式实现模型的持续训练。本文关注基于视觉的避障用于移动机器人导航。在此基础上，我们探索FL在移动机器人分布式系统中的潜力，通过让机器人参与仿真与真实世界场景来实现持续学习。我们扩展了以往工作，研究了不同图像分类器在FL下的性能，并与基于先验聚合数据的集中式云学习进行比较。我们还提出了一种利用配备扩展传感器套件的移动机器人实现持续学习的方法，这些机器人在完成其他任务时可提供自动标注数据。我们表明，通过在仿真与现实中同时训练模型，可获得更高精度，并实现对已部署模型的持续更新。
引用
@article{arxiv.2205.15496,
title = {Towards Lifelong Federated Learning in Autonomous Mobile Robots with Continuous Sim-to-Real Transfer},
author = {Xianjia Yu and Jorge Pena Queralta and Tomi Westerlund},
journal= {arXiv preprint arXiv:2205.15496},
year = {2022}
}