گسترش اینترنت اشیاء (IoT) و اتصال میلیاردها دستگاه هوشمند، چالش‌های متعددی همچون مصرف انرژی بالا، محدودیت منابع محاسباتی، امنیت داده‌ها، و پایداری ارتباطات را به همراه داشته است. یادگیری فدرال (FL) به‌عنوان رویکردی توزیع‌شده در یادگیری ماشین، با امکان پردازش داده‌ها در محل تولید آنها بدون نیاز به انتقال به سرور مرکزی، این چالش‌ها را تا حدی برطرف می‌کند و از مشکلاتی نظیر نقض حریم خصوصی و ایجاد ترافیک سنگین در شبکه جلوگیری به عمل می‌آورد. این رویکرد، با حفظ حریم خصوصی داده‌ها و کاهش سربار ارتباطی، بستر مناسبی برای توسعه اینترنت اشیاء فراهم می‌سازد. این پژوهش روشی جدید برای تعامل ربات‌های همکار در اینترنت اشیاء ارائه می‌دهد. این روش با استفاده از یادگیری مشارکتی در قالب دوقلوی دیجیتال، بهینه‌سازی مصرف انرژی، کاهش سربار ارتباطی، و تقویت امنیت مدل‌سازی دقیقی از رفتار و تعاملات ربات‌های همکار ارائه می‌دهد. به‌کارگیری پروتکل ارتباطی MQTT، به دلیل کارایی بالا در محیط‌های با پهنای باند محدود و ویژگی‌هایی مانند رمزنگاری داده‌ها، احراز هویت، و مصرف انرژی پایین، نقش بسزایی در بهبود عملکرد شبکه و امنیت ارتباطات داشته است. همچنین، مدل پیشنهادی با طراحی مکانیزم خواب/بیداری و استفاده از تکنیک‌های خوشه‌بندی، پایداری شبکه را بهبود داده و وابستگی به سرور مرکزی را به حداقل رسانده است. نتایج آزمایش‌ها نشان می‌دهند که روش پیشنهادی در کاهش مصرف انرژی، بهبود زمان یادگیری، بهبود هماهنگی و تعامل بین ربات‌ها، تقویت امنیت ارتباطات، و بهبود عملکرد شبکه، نسبت به روش‌های پیشین موفق‌تر عمل کرده است. در این میان، بهینه‌سازی مصرف انرژی برجسته‌ترین دستاورد این پژوهش بوده و مدل پیشنهادی توانسته است مصرف انرژی را تا 34.6 درصد کاهش دهد. این دستاورد نشان‌دهنده اثربخشی بالای روش پیشنهادی در کاهش هزینه‌های انرژی و افزایش پایداری شبکه است.
