2026-09-03 | 울산=장지승 기자

借其他机器人经验探陌生路径…UNIST开发点亮机器人“眼睛”的联邦学习

本页标题和正文均由AI机器翻译,未经人工审校。准确内容请以韩文原文为准。

一项人工智能(AI)技术被开发出来,可让无人机与步行机器人等不同机器人共享在现场获得的视觉经验,从而在陌生环境中也能准确判断距离。该技术无需将机器人摄像头的原始影像传输到外部,既减轻个人信息侵犯风险与通信费负担,又能大幅提升自主行驶精度。

蔚山科学技术院(UNIST)3日表示,人工智能研究生院朱京敦教授团队与尹成焕教授团队共同开发出可精细训练机器人单目深度估计AI模型的新型联邦学习技术“FeDepth”。

单目深度估计是无需昂贵复杂传感器、仅凭单一摄像头影像计算物体与空间之间距离的技术。机器人要在未知环境中安全识别路径,必须学习海量数据,但将高分辨率影像汇集到中央服务器的传统方式伴随巨大的通信成本和个人信息泄露风险。不共享原始数据、仅交换学习结果的“联邦学习”因此成为替代方案,但对于飞行无人机与室内送餐机器人这类平台、视角和周边环境完全不同的机器人数据,若简单取平均则会出现性能下降的局限。

为克服这种数据异质性,研究团队引入了“软聚类(柔性聚类)”方法。通过比较概括机器人影像特性的信息,将经历相似环境的机器人归为一组进行学习,同时不将某一机器人固定于特定组,而是设计为可重复参与多个相关组。例如在森林中飞行的无人机既与穿行同一森林的四足步行机器人组成一组,也与在城市飞行的无人机另行组成一组共享学习。由此在阻断相互冲突数据造成的失真的同时,将共同的空间特性无一遗漏地反映到模型中。

实证实验结果显示,在机器人平台与行驶环境混杂的条件下,FeDepth较普通联邦学习将距离估计相对误差降低约17~32%。与既有单一分组方式的对比实验中,相对误差也从0.264降至0.249,减少约6%。从10米以内的近距离室内环境到最远80米的远距离室外环境,均验证了均衡的性能提升,并在三种不同结构的单目深度估计AI模型上均呈现相同的改善效果。

研究团队解释称,“FeDepth是在不交换原始影像的前提下,反映机器人机型与作业环境差异实现高效共同学习的技术”,“将把自动驾驶汽车、物流配送、服务机器人、灾难救援、森林监测等各类无人移动体领域的空间认知能力提升一个层次”。

本次研究由李康贤、李仁夏研究员作为第一作者参与。研究成果已被计算机视觉领域最具权威的国际学术会议“欧洲计算机视觉大会(ECCV 2026)”录用,将于9月8日至12日在瑞典马尔默正式发表。研究工作获得韩国科学技术情报通信部信息通信规划评价院(IITP)和韩国研究财团(NRF)的支持。

阅读韩文原文