跳到正文
arXiv · 机器人与计算机视觉· Ye Lin Tun, Chu Myaet Thwal, Eui-Nam Huh, Choong Seon Hong·· 4 小时前AI 评分48

FedDIA:面向机器人导航的困难感知与改进感知的联邦强化学习聚合方法

Beyond Easy Clients: Difficulty- and Improvement-Aware Aggregation for Federated Reinforcement Learning in Robot Navigation

AI 导读

针对机器人集群在异质环境中训练时因“高原问题”导致更新信息量低下的挑战,FedDIA 提出了一种结合环境难度与模型改进幅度的新型聚合策略。该方法在无环境描述条件下自动推断难度指标,在八台异构客户端的无地图导航任务中,平均成功率达 75.5%,显著优于最强基线方法的 68.7%。实验证明该算法在跨仓库与生活空间布局迁移及应对缺陷客户端时均保持有效优势。

来源:arXiv · 机器人与计算机视觉 · arxiv.org