Улучшение навигации автономных мобильных роботов посредством постоянного федеративного обучения

Глубокое обучение имеет решающее значение для развития искусственного интеллекта в робототехнике. Оно позволяет автономным роботам воспринимать окружающую среду и управлять ею. Федеративное обучение позволяет распределенным роботам обучать модели, сохраняя конфиденциальность. В этой статье основное внимание уделяется использованию федеративного обучения для преодоления препятствий, основанных на зрении, в мобильной роботизированной навигации. Производительность такого обучения оценивается как в смоделированных, так и в реальных условиях. Настоящее исследование сравнивает несколько классификаторов изображений с облачным централизованным обучением с использованием существующих данных. Также система непрерывного обучения внедряется на мобильных ботах с автономным формированием данных. Обучение моделей в симуляции и реальности повышает точность и обеспечивает непрерывное обновление модели.