FLAME: Un punto de referencia para el aprendizaje federado en manipulación robótica

FLAME: A Federated Learning Benchmark for Robotic Manipulation

March 3, 2025

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

cs.AI

Resumen

Los recientes avances en manipulación robótica han sido impulsados por conjuntos de datos a gran escala recopilados en diversos entornos. Tradicionalmente, el entrenamiento de políticas de manipulación robótica en estos conjuntos de datos se realiza de manera centralizada, lo que plantea preocupaciones sobre escalabilidad, adaptabilidad y privacidad de los datos. Si bien el aprendizaje federado permite un entrenamiento descentralizado y que preserva la privacidad, su aplicación a la manipulación robótica sigue siendo en gran medida inexplorada. Presentamos FLAME (Federated Learning Across Manipulation Environments), el primer punto de referencia diseñado para el aprendizaje federado en manipulación robótica. FLAME consta de: (i) un conjunto de grandes bases de datos con más de 160,000 demostraciones expertas de múltiples tareas de manipulación, recopiladas en una amplia gama de entornos simulados; (ii) un marco de entrenamiento y evaluación para el aprendizaje de políticas robóticas en un entorno federado. Evaluamos algoritmos estándar de aprendizaje federado en FLAME, demostrando su potencial para el aprendizaje de políticas distribuidas y destacando desafíos clave. Nuestro punto de referencia establece una base para el aprendizaje robótico escalable, adaptable y consciente de la privacidad.

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.