FLAME: Ein Benchmark für föderiertes Lernen in der robotischen Manipulation

FLAME: A Federated Learning Benchmark for Robotic Manipulation

March 3, 2025

papers.authors: Santiago Bou Betran, Alberta Longhini, Miguel Vasco, Yuchong Zhang, Danica Kragic

cs.AI

papers.abstract

Jüngste Fortschritte in der robotischen Manipulation wurden durch groß angelegte Datensätze vorangetrieben, die in verschiedenen Umgebungen gesammelt wurden. Das Training von robotischen Manipulationsstrategien auf diesen Datensätzen erfolgt traditionell zentralisiert, was Bedenken hinsichtlich Skalierbarkeit, Anpassungsfähigkeit und Datenschutz aufwirft. Während föderiertes Lernen dezentrales, datenschutzbewusstes Training ermöglicht, ist seine Anwendung auf die robotische Manipulation weitgehend unerforscht. Wir stellen FLAME (Federated Learning Across Manipulation Environments) vor, den ersten Benchmark, der speziell für föderiertes Lernen in der robotischen Manipulation entwickelt wurde. FLAME besteht aus: (i) einer Sammlung groß angelegter Datensätze mit über 160.000 Experten-Demonstrationen für mehrere Manipulationsaufgaben, die in einer Vielzahl von simulierten Umgebungen gesammelt wurden; (ii) einem Trainings- und Bewertungsrahmen für das Erlernen von robotischen Strategien in einem föderierten Setting. Wir bewerten Standardalgorithmen des föderierten Lernens in FLAME, zeigen ihr Potenzial für verteiltes Strategienlernen und heben zentrale Herausforderungen hervor. Unser Benchmark legt die Grundlage für skalierbares, adaptives und datenschutzbewusstes robotisches Lernen.

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.