Federated Multi-Agent Mapping for Planetary Exploration

要約

マルチエージェントによるロボット探査において、動的環境から生成される膨大で異種データを管理し、効果的に活用することは重要な課題である。Federated Learning（FL）は、分散マッピングのための有望なアプローチであり、協調学習における分散データの課題に対処する。FLは、帯域幅やストレージの制約を克服し、生データの集中化や共有を必要とせずに、複数のエージェントにまたがる共同モデル学習を可能にする。我々のアプローチは、暗黙的なニューラル・マッピングを活用し、マップをニューラルネットワークによって学習された連続関数として表現することで、コンパクトで適応性の高い表現を実現する。さらに、このアプローチを地球データセット上でのメタ初期化によって強化し、新しいマップ構造を迅速に学習するためにネットワークを事前学習させる。この組み合わせにより、火星の地形や氷河のような多様な領域に対する強力な汎化が実証された。我々はこのアプローチを厳密に評価し、マルチエージェント探索シナリオにおける実世界展開の有効性を実証する。

要約(オリジナル)

In multi-agent robotic exploration, managing and effectively utilizing the vast, heterogeneous data generated from dynamic environments poses a significant challenge. Federated learning (FL) is a promising approach for distributed mapping, addressing the challenges of decentralized data in collaborative learning. FL enables joint model training across multiple agents without requiring the centralization or sharing of raw data, overcoming bandwidth and storage constraints. Our approach leverages implicit neural mapping, representing maps as continuous functions learned by neural networks, for compact and adaptable representations. We further enhance this approach with meta-initialization on Earth datasets, pre-training the network to quickly learn new map structures. This combination demonstrates strong generalization to diverse domains like Martian terrain and glaciers. We rigorously evaluate this approach, demonstrating its effectiveness for real-world deployment in multi-agent exploration scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL