FedDIA 联邦强化学习方法提升机器人导航成功率
热点事件持续更新
FedDIA 联邦强化学习方法提升机器人导航成功率
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
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,研究人员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,并在八台异构客户端的无地图导航任务中实现了平均 75.5% 的成功率,显著优于最强基线方法的 68.7%。实验表明,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。
AI 根据报道生成 · 3 小时前更新
最新进展11月20日 13:00
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报道时间线
沿着报道,了解事件的不同侧面。
11月20日
- arXiv · 机器人与计算机视觉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
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。
本事件热度走势
还没有足够的连续观测数据,暂不绘制趋势。