基于联邦学习的云机器人终身学习系统中关键技术的研究

发布时间：2024-02-15 12:32

　　云机器人是近年来新兴的交叉研究领域,其主要是借助云计算资源,协助完成机器人本体端的诸多任务。为机器人构建云端大脑,实现机器人的终身学习是云机器人系统的愿景之一,针对这一目标,本文作出了研究,提出了基于联邦学习的机器人终身学习系统框架及其关键算法,并且对相同含义不同维度传感器数据(同源异构)、不同含义且不同维度传感数据(异源异构)的情况进行了分析,提出了相适应的框架和算法,实现了云机器人系统中云端大脑的构建。借助云端的共享模型,云机器人系统能够实现本地机器人知识的融合、进化、迁移,有效地提升了本地机器人的学习效率。本文主要完成了以下工作:1、首先,在云机器人终身学习系统数据同源同构的前提下,提出了基于联邦学习的机器人终身学习系统基本框架:终身联邦强化学习(LFRL)。提出了其中的基于生成式网络的云端知识融合算法,提供了两种可用的知识迁移方法,并分别对LFRL和其中的关键算法进行了实验验证,实验结果表明框架和方法有效地进行了知识融合和进化。2、进一步地,针对云机器人终身学习系统中数据同源异构的情况,提出了异构联邦学习(HFL)及其云端知识融合算法、知识迁移算法,并分别对HFL和云端知识融合...

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

图2.1人类在对弈中所

ǎ?杂谔岣呶粗?肪持幸贫???人的实时性能和适应性具有重要意义。然而，在导航中应用强化学习仍然存在许多问题，例如减少训练时间，长时间存储数据，与计算分离，快速适应新环境等。而借助云机器人的终身学习系统，可以有效改善这些问题。Actor1:Thenextstepmayhavelit....

图2.8物理环境下的实验验证情况

基于联邦学习的云机器人终身学习系统中关键技术的研究BluehasabetterbeginningRedhasbetterstability图2.7LFRL中两种不同知识迁移方法的对比实验结果Figure2.7Comparativeexperimentalresultsoftwod....

图3.4用于进行FIL实验测试的6个环境

基于联邦学习的云机器人终身学习系统中关键技术的研究3.3实验验证由于云端模型与本地端模型的维度不同，所以无法像前文中一样直接验证云端模型的情况，但是我们可以根据云端模型提供给本地机器人的预训练服务是否有效来进行验证。若能够使本地机器人的学习过程得到提升，即验证了融合和迁移的过程是....

本文编号：3899750