Otonom sürüş, robotik manipülasyon ve artırılmış gerçeklik uygulamalarında hayati rol oynayan 3D nesne tanıma teknolojisi, gizlilik endişeleri nedeniyle çok robotlu sistemlerde kullanımda zorluklarla karşılaşıyordu. Araştırmacılar bu sorunu çözmek için Fed3D adında yenilikçi bir federe öğrenme çerçevesi geliştirdi.
Geleneksel yaklaşımlarda robotlar, 3D nesne tanıma modellerini eğitmek için tüm verilerini merkezi bir sunucuya göndermek zorunda kalıyor, bu da ciddi gizlilik riskleri yaratıyordu. Fed3D sistemi ise robotların kendi verilerini yerel ortamlarında tutarak, sadece öğrenme parametrelerini paylaşmalarını sağlıyor.
Sistemin karşılaştığı temel zorluklar arasında 3D verilerin düzensiz yapısı ve sınırlı iletişim bant genişliği bulunuyor. Ayrıca her robotun farklı 3D nesnelerle karşılaşması ve çeşitli kategori dağılımlarına sahip olması, hem yerel hem de küresel heterojenlik sorunları yaratıyor.
Bu problemleri aşmak için araştırmacılar, 3D veri heterojenliğini ele alan özel bir yerel-küresel sınıf-farkında kayıp fonksiyonu geliştirdi. Bu yaklaşım, farklı robotların sahip olduğu çeşitli veri türlerini dikkate alarak daha etkili bir öğrenme süreci sağlıyor.
Fed3D çerçevesi, büyük ölçekli 3D sahneleri keşfeden robot filolarının güvenli bir şekilde işbirliği yapabilmesini mümkün kılıyor ve gelecekte otonom sistemlerin daha yaygın kullanımının önünü açabilir.