Federated Reinforcement Learning verbessert Echtzeit‑AI in Smart Eyewear

Erweiterte Realität verändert Medizin, Unterhaltung und Bildung, wobei Smart‑Eyewear (SEW) und künstliche Intelligenz (KI) zentrale Rollen spielen. SEW‑Geräte sind jedoch durch begrenzte Rechenleistung, Speicher und Akkulaufzeit eingeschränkt, und das Auslagern von Berechnungen auf externe Server ist durch Netzwerkbedingungen und Serverauslastung begrenzt.

Um diese Hindernisse zu überwinden, wurde ein Federated Reinforcement Learning (FRL) –Rahmenwerk entwickelt, das mehrere Agenten ermöglicht, gemeinsam zu lernen, während die Privatsphäre der Daten gewahrt bleibt. Dabei wurden sowohl synchrone als auch asynchrone Federationsstrategien implementiert, bei denen die Modelle entweder in festen Intervallen oder dynamisch anhand des Fortschritts der Agenten zusammengeführt werden.

Die experimentellen Ergebnisse zeigen, dass die federierten Agenten eine deutlich geringere Leistungsvariabilität aufweisen, was zu höherer Stabilität und Zuverlässigkeit führt. Diese Erkenntnisse unterstreichen das Potenzial von FRL für Anwendungen, die robuste Echtzeit‑KI‑Verarbeitung erfordern, wie etwa die Echtzeit‑Objekterkennung in Smart‑Eyewear.