Enhancing navigation of autonomous mobile robots through permanent federated learning

Abstract

Deep learning is crucial for advancing artificial intelligence in robotics. Deep learning enables autonomous robots to perceive and control their environment. Federated learning allows distributed robots to train models while maintaining privacy. This paper focuses on using FL to overcome vision-based obstacles in mobile robotic navigation. We evaluate FL’s performance in both simulated and real-world environments. Our research compares FL’s multiple image classifiers to cloud-based central learning using existing data. We also implement a continuous learning system on mobile bots with autonomous data generation. Training models in simulation and reality improves accuracy and enables continuous model updates. 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.