一项新技术问世,可使机器人利用其他机型的学习成果,在陌生环境中更准确地推算距离。
据蔚山科学技术院(UNIST)4日消息,人工智能研究生院教授朱庆敦研究团队开发出名为“FeDepth”的新型联邦学习技术,用于训练充当机器人眼睛的单目深度估计人工智能(AI)模型。
AI模型若要在陌生环境中做出准确判断,就需要学习海量数据。但利用联邦学习这一方法,无需把各机器人摄像头采集的数据集中到一处,也能取得同样效果。研究团队解释,尤其应用深度估计AI模型后,即便没有复杂的传感器,也能利用摄像头获取的信息判断距离。
以无人机与送餐机器人相比,两者摄像头视角与周边环境数据性质完全不同,而既有联邦学习不考虑这种差异,将所有机器人的学习结果平均为一个,因而存在性能下降问题。FeDepth将拍摄影像特性相近的机器人分组、分别汇总学习结果,同时采用不把各机器人固定在单一组别的“软聚类”。由此既避免差异过大的数据一次性混合,又能把多个机器人共有的特性用于学习。
实际实验显示,用FeDepth训练三种深度估计AI模型时,距离推算的相对误差比经过一般联邦学习的情况减少约17%至32%。在单独验证FeDepth跨多个组别重叠归类方式的实验中,相对误差从0.264降至0.249,比把各机器人只放入一个组的既有聚类联邦学习方式减少约6%。
FeDepth技术的优点在于既减少数据传输所需的时间与通信成本,又因原始影像不外流而能保护个人信息。研究团队相关人士表示:“FeDepth是一项在不共享原始影像的前提下,反映因机器人种类和拍摄环境而异的数据特性、从而实现有效共同学习的技术”,“可用于自动驾驶、物流配送、服务机器人、灾难救援、森林监测等领域。”
本次研究获得信息通信规划评价院与韩国研究财团支持,成果已被计算机视觉领域国际学术会议“欧洲计算机视觉学术会议2026”录用并将公开。今年的学会于8日至12日在瑞典马尔默举行。






