FLAME: Бенчмарк для федеративного обучения в задачах роботизированного манипулирования

FLAME: A Federated Learning Benchmark for Robotic Manipulation

March 3, 2025

Авторы: Santiago Bou Betran, Alberta Longhini, Miguel Vasco, Yuchong Zhang, Danica Kragic

cs.AI

Аннотация

Последние достижения в области роботизированного манипулирования были обусловлены использованием крупномасштабных наборов данных, собранных в различных средах. Традиционно обучение политик роботизированного манипулирования на этих данных проводится централизованно, что вызывает опасения относительно масштабируемости, адаптивности и конфиденциальности данных. Хотя федеративное обучение позволяет проводить децентрализованное обучение с сохранением конфиденциальности, его применение в области роботизированного манипулирования остается малоизученным. Мы представляем FLAME (Federated Learning Across Manipulation Environments) — первый бенчмарк, разработанный для федеративного обучения в роботизированном манипулировании. FLAME включает: (i) набор крупномасштабных данных, содержащих более 160 000 экспертных демонстраций выполнения различных задач манипулирования, собранных в широком спектре симулированных сред; (ii) фреймворк для обучения и оценки политик роботов в условиях федеративного обучения. Мы оцениваем стандартные алгоритмы федеративного обучения в FLAME, демонстрируя их потенциал для распределенного обучения политик и выделяя ключевые проблемы. Наш бенчмарк закладывает основу для масштабируемого, адаптивного и учитывающего конфиденциальность обучения роботов.

English

Recent progress in robotic manipulation has been fueled by large-scale datasets collected across diverse environments. Training robotic manipulation policies on these datasets is traditionally performed in a centralized manner, raising concerns regarding scalability, adaptability, and data privacy. While federated learning enables decentralized, privacy-preserving training, its application to robotic manipulation remains largely unexplored. We introduce FLAME (Federated Learning Across Manipulation Environments), the first benchmark designed for federated learning in robotic manipulation. FLAME consists of: (i) a set of large-scale datasets of over 160,000 expert demonstrations of multiple manipulation tasks, collected across a wide range of simulated environments; (ii) a training and evaluation framework for robotic policy learning in a federated setting. We evaluate standard federated learning algorithms in FLAME, showing their potential for distributed policy learning and highlighting key challenges. Our benchmark establishes a foundation for scalable, adaptive, and privacy-aware robotic learning.