大型云机器人操作的联邦学习：机遇与挑战-计算机科学-机器学习-云计算机器人.pdfVIP

1

大型云机器人操作的联邦学习：机遇与挑战

OBAIDULLAHZALAND,CHANHNGUYEN,FLORIANT.POKORNY,MONOWARBHUYAN

DepartmentofComputingScience,UmeåUniversity,UmeåSE-90187,Sweden

DivisionofRobotics,PerceptionandLearning,KTHRoyalInstituteofTechnology,Sweden

E-MAIL:{ozaland,chanh,monowar}@cs.umu.se,fpokorny@kth.se

本

译

中Abstract:是一种新兴的机器学习范式，它利用用户设备的计算能力，

1

v联合学习（FL）是一种新兴的分布式机器学习范式，在这种并在优先考虑数据隐私的同时使用分布式数据进行模型训

3范式中，模型的合作训练涉及设备动态参与以实现广泛的目标。练。机器人操作是FL[2]的一个引人注目的应用领域，在该

0

9相比之下，经典机器学习（ML）通常要求数据位于本地进行训领域中，机器人通过私人数据进行训练以获得高性能个性

7练，而FL则利用众多用户设备在不共享私有数据的情况下训练化模型，这有助于例如不同日程的家庭任务中的老年人。

1

.一个共同的全局模型。当前的机器人操作任务由于有限的低延迟随着对复杂模型的需求在隐私问题的背景下不断增长，联

7

0计算资源受到机器人个体能力和速度的限制。因此，云计算机器邦学习（FL）[3]作为一种机器学习应用程序的培训方法

5人概念应运而生，允许机器人应用利用计算资源的灵活性和可靠已经发展起来。在其最简单的形式中，一个FL设置包括

2

:性，在云边缘连续体中有效地缓解其计算需求。无疑，在这种分一个服务器和参与设备，其中服务器初始化全局模型并

v

i布式计算环境中，以云计算机器人操作场景为例，FL提供了多将其分享给参与设备。每个参与设备使用其本地数据训练

x

r方面的优势，同时也带来了一些挑战和机遇。在本文中，我们介该模型，并将结果发送回服务器，在那里服务器在每一轮

a

绍了FL的基本概念及其与云计算机器人操作的关系。此外，我进行聚合，并重复此过程直到模型收敛。机器人学已作为

们展望了通过FL实现大规模高效可靠的云计算机器人操作所面围绕研究智能机器的设计、创造和操作的变革性多学科领

临的机遇和挑战，其中研究人员采用设计并验证集中式或分布式域崛起。这些智能机器（机器人）能够自主执行任务，并

设置下的FL模型。且通常可以使用例如操作来感觉,计划和行为。为了在复

杂环境中进行规划，机器人需要足够的计算能力，而为了

让机器人保持敏捷性，计算或存储可以卸载到云（云端机

I.介绍器人）[4]。云计算整合为部署机器人编队（旨在执行类似

任务的机器人组）提供了一个可扩展、协作和可持续的基

机器人在各个领域中的广泛应用产生了大量数据。因础设施。虽然云计算卸载看起来是二元的，但机器人可以

此，对能够处理和利用这些数据的强大机器学习模型的需根据需要决定在本地规划较小的任务以减少延迟，并在需

求日益增加。尽管分布式机器学习范式的开发提供了一个要更大计算能力时进行卸载。机器人系统日益广泛的应用

有前景的途径，但在不断增长的数据隐私法规[1]的背景归因于它们处理复杂且不可预测环境的能力。操作通常被

下，隐私和数据所有权的挑