Scalable Coordinated Learning for H2M/R Applications over Optical Access Networks (Invited)
作者: Sourav Mondal, Elaine Wong
发布时间: 2025-03-03
来源: arxiv
研究方向: 下一代光纤无线接入网络中的人机/机器人协同通信
主要内容
本文提出了一种名为GLAD的全球-本地AI协调学习框架，用于支持在光纤无线接入网络上实现可扩展的人机/机器人协作。该框架允许快速部署机器人和机器人，而不会干扰现有机器人和机器人的操作，并支持更远距离的人机/机器人交互。
主要贡献
1. 提出了一种名为GLAD的全球-本地AI协调学习框架，用于支持在光纤无线接入网络上实现可扩展的人机/机器人协作。
2. 通过本地AI和全球AI的协同学习，减少了训练时间，并提高了预测准确性。
3. 实现了低延迟和高可靠性的通信，支持远程人机/机器人交互。
4. 通过实验验证了GLAD框架在降低延迟和提升预测准确性方面的有效性。
研究方法
1. GLAD框架：通过本地AI和全球AI的协同学习，实现快速部署和预测。
2. 联邦学习：在本地AI之间共享模型更新，而不泄露敏感数据。
3. 强化学习：用于预测触觉反馈样本。
4. XG-PON：用于模拟光纤接入网络环境。
实验结果
实验结果表明，GLAD框架能够在60公里的距离下实现低延迟（1毫秒）的通信，在低到中等的网络负载下，距离可以进一步增加。
未来工作
未来工作将集中于进一步优化GLAD框架，以支持更大的地理范围和更复杂的协作场景，并探索在更多类型的网络环境中的应用。