摘要

本文介绍了一种利用配备LiDAR传感器的多机器人系统通过联邦学习（Federated Learning, FL）进行迷宫探索的方法。该研究旨在训练分类模型，以准确识别由不规则形状墙壁构成的两个不同方形迷宫中的网格区域形状。由于墙壁形状的不同，在一个迷宫中训练的分类模型无法泛化到另一个迷宫。通过在探索单一迷宫的机器人之间采用FL框架，集体知识使得机器人能够在未见过的迷宫中准确操作。这展示了FL在实际应用中提高分类准确性和迷宫探索任务鲁棒性的有效性。

原理

联邦学习（FL）是一种允许学习代理在不共享原始数据的情况下协作训练机器学习模型的方法。在本研究中，两个自主机器人在两个具有不同结构构建的迷宫环境中使用FL进行迷宫探索和导航。与单独学习相比，FL允许机器人训练泛化模型，这些模型可以准确地用于识别已见和未见迷宫中的特征。通过FL，机器人能够共享本地知识，从而提高在多样环境中的集体知识和性能，而无需交换原始数据。

流程

1. 导航与数据收集：机器人使用基于视觉的线跟随系统在迷宫中导航，通过摄像头模块进行图像处理，并使用LiDAR传感器收集环境数据。
2. 分类模型训练：机器人使用本地数据进行监督学习，训练分类模型。模型采用前馈神经网络架构，包括输入层、隐藏层和输出层。
3. 联邦学习模式：机器人作为客户端，边缘服务器作为参数服务器，使用FedAvg算法进行模型训练。在FL模式下，机器人共享模型参数，进行全局模型更新。
4. 迷宫探索：使用本地训练和FL模式下的分类模型进行迷宫探索。机器人通过执行不同的动作（如前进、旋转）来发现迷宫布局。

应用

该研究展示了联邦学习在多机器人系统中的应用潜力，特别是在复杂环境下的导航和探索任务。未来，这种方法可以扩展到更广泛的机器人应用领域，如搜索救援、环境监测和自动化物流等。通过进一步优化通信和计算效率，利用LiDAR点云数据进行模型训练，可以提高系统的整体性能和适应性。