ОБЕСПЕЧЕНИЕ ГИБКОЙ И АДАПТИРУЕМОЙ НАВИГАЦИИ НАЗЕМНЫХ РОБОТОВ В ДИНАМИЧЕСКИХ СРЕДАХ С ПОМОЩЬЮ ИНТЕРАКТИВНОГО ОБУЧЕНИЯ

Аннотация

Федеративное обучение используется для автоматизированной навигации наземных роботов, обеспечивая децентрализованное обучение и непрерывную адаптацию модели. Стратегии включают выбор оборудования, разработку модели машинного обучения и тонкую настройку гиперпараметров. Реальное приложение включает в себя оптимизацию протоколов связи и оценку производительности в различных сетевых условиях. Федеративное обучение показывает перспективы для систем обучения жизни на основе машинного обучения в навигации наземных роботов. Цель исследования: изучить использование федеративного обучения в автоматизированной навигации наземных роботов и оптимизировать систему для повышения производительности в динамических средах. Материалы и методы. В исследовании используется федеративное обучение для обучения моделей машинного обучения навигации наземных роботов. Используются выбор оборудования, проектирование модели машинного обучения и точная настройка гиперпараметров. Протоколы связи оптимизированы, а производительность оценивается с помощью нескольких алгоритмов игровых автоматов. Результаты. Результаты показывают, что уменьшение скорости обучения и увеличение числа скрытых единиц повышают точность модели, в то время как размер пакета не оказывает существенного влияния. Оцениваются коммуникационные протоколы: протокол A обеспечивает высокую эффективность, но низкую безопасность, протокол B предлагает баланс, а протокол C отдает приоритет безопасности. Заключение. Предлагаемый подход, использующий федеративное обучение, позволяет наземным роботам эффективно перемещаться в динамической среде. Оптимизация системы включает в себя выбор эффективных протоколов связи и тонкую настройку гиперпараметров. Будущая работа включает в себя интеграцию дополнительных датчиков, усовершенствованных моделей машинного обучения и оптимизацию протоколов связи для повышения производительности и интеграции с системой управления. В целом такой подход повышает мобильность наземных роботов в динамичных средах.