FeDepth框架利用联邦学习提升机器人深度估计能力

研究人员开发了FeDepth，一个新颖的联邦学习框架，旨在提高机器人技术中的深度估计能力，即使在机器人平台和环境高度异构的情况下也能实现。传统的联邦学习因域偏移而难以避免性能下降，而现有的集群联邦学习则假设客户端域是独立的。FeDepth通过使用基于描述符的软聚类方法解决了这个问题，允许客户端属于多个集群，并更好地模拟机器人技术中常见的连续域过渡。实验表明，FeDepth在各种深度估计架构上比标准的和集群的联邦学习基线提高了鲁棒性。 AI

影响 增强了AI模型在多样化机器人环境中的鲁棒性和可扩展性。

排序理由 该集群包含一篇详细介绍机器人联邦学习新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• FeDepth
• Gotit.pub
• Hugging Face
• ScienceCast

• 论文
• 基础设施

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →