Federated Learning for Distributed Robotic Fleets

Motivation

Verteilte Robotersysteme besitzen enormes Potenzial zur Erfassung vielfältiger Interaktionsdaten, stehen jedoch vor erheblichen Herausforderungen hinsichtlich Datenschutz und Bandbreite bei der Zentralisierung von Rohdaten. Federated Learning Ansätze ermöglichen dezentrale Datenverarbeitung und kollaborative Modellverbesserung, wovon verteilte Robotersysteme erheblich profitieren. Die Gewährleistung von Datenschutz, effizienter Bandbreitennutzung und kollektivem Lernen aus heterogenen Umgebungen ist essenziell für den skalierbaren Einsatz verteilter Robotersysteme.

Forschungsrichtung

Unsere Forschung untersucht dezentrale Trainingsframeworks auf Basis von Federated Learning Protokollen, die es verteilten robotischen Systemen ermöglichen, globale Modelle kollaborativ zu verfeinern, ohne Sensordaten zu zentralisieren. Ziel ist die Optimierung von Datenschutz, Bandbreiteneffizienz und kollektiver Intelligenz, damit Roboterflotten heterogene Umgebungsdaten effektiv nutzen können. Langfristig streben wir robuste, kollektiv intelligente Systeme durch dezentrales Lernen an.