异构联邦学习(heterogeneous federated learning, HFL)是一种用于解决数据和设备异构性问题的分布式机器学习方法，广泛应用于包括无人系统在内的多种场景。随着无人系统(如无人机、自动驾驶车辆)的快速发展，如何有效应对非独立同分布(non-IID)数据及设备计算能力差异，已成为提升联邦学习效率和性能的重要挑战。综述了异构联邦学习在无人系统中的最新研究进展，重点分析了数据、设备及模型异构性带来的主要问题，并总结了现有的解决方案，如分层联邦学习、模型压缩与剪枝技术在此领域的应用。还讨论了这些技术的实际应用场景，评估了它们的优缺点，并提出了未来可能的研究方向，以进一步提升无人系统中的联邦学习性能和数据隐私保护水平。