FLAME : Un benchmark d'apprentissage fédéré pour la manipulation robotique

FLAME: A Federated Learning Benchmark for Robotic Manipulation

March 3, 2025

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

cs.AI

Résumé

Les récents progrès en manipulation robotique ont été alimentés par des ensembles de données à grande échelle collectés dans divers environnements. Traditionnellement, l'entraînement des politiques de manipulation robotique sur ces ensembles de données s'effectue de manière centralisée, soulevant des préoccupations concernant l'évolutivité, l'adaptabilité et la confidentialité des données. Bien que l'apprentissage fédéré permette un entraînement décentralisé et respectueux de la vie privée, son application à la manipulation robotique reste largement inexplorée. Nous présentons FLAME (Federated Learning Across Manipulation Environments), le premier benchmark conçu pour l'apprentissage fédéré en manipulation robotique. FLAME comprend : (i) un ensemble de jeux de données à grande échelle contenant plus de 160 000 démonstrations expertes de multiples tâches de manipulation, collectées dans une large gamme d'environnements simulés ; (ii) un cadre d'entraînement et d'évaluation pour l'apprentissage de politiques robotiques dans un contexte fédéré. Nous évaluons des algorithmes standard d'apprentissage fédéré dans FLAME, démontrant leur potentiel pour l'apprentissage distribué de politiques et mettant en lumière les principaux défis. Notre benchmark établit une base pour un apprentissage robotique évolutif, adaptable et respectueux de la confidentialité.

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.