递归蒸馏用于开放集分布式机器人定位
原文中文，约300字，阅读约需1分钟。发表于：。提出了一种适用于开放式分布式机器人系统的新型训练方案，通过在未知地点遇到的其他机器人的协助下，构建伪训练数据集并用于学生模型的持续学习，在处理各种类型的开放式教师时只引入了最少的假设，包括不合作、无法训练（例如图像检索引擎）或黑盒教师（即数据隐私）。通过使用具有挑战性的无数据递归蒸馏场景中的排名函数作为实例，研究了这种通用模型，其中经过训练的学生可以递归地加入下一代开放教师集合。
提出了适用于开放式分布式机器人系统的新型训练方案，通过构建伪训练数据集并用于学生模型的持续学习，最小化了对教师的假设。研究了通用模型，训练的学生可以递归地加入下一代开放教师集合。
