FLAME: Un Benchmark per l'Apprendimento Federato nella Manipolazione Robotica

FLAME: A Federated Learning Benchmark for Robotic Manipulation

March 3, 2025

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

cs.AI

Abstract

I recenti progressi nella manipolazione robotica sono stati alimentati da grandi dataset raccolti in ambienti diversi. Tradizionalmente, l'addestramento delle politiche di manipolazione robotica su questi dataset viene eseguito in modo centralizzato, sollevando preoccupazioni riguardo alla scalabilità, all'adattabilità e alla privacy dei dati. Sebbene l'apprendimento federato consenta un addestramento decentralizzato e rispettoso della privacy, la sua applicazione alla manipolazione robotica rimane in gran parte inesplorata. Introduciamo FLAME (Federated Learning Across Manipulation Environments), il primo benchmark progettato per l'apprendimento federato nella manipolazione robotica. FLAME consiste in: (i) un insieme di grandi dataset contenenti oltre 160.000 dimostrazioni esperte di molteplici compiti di manipolazione, raccolti in una vasta gamma di ambienti simulati; (ii) un framework di addestramento e valutazione per l'apprendimento di politiche robotiche in un contesto federato. Valutiamo gli algoritmi standard di apprendimento federato in FLAME, dimostrando il loro potenziale per l'apprendimento distribuito delle politiche e evidenziando le principali sfide. Il nostro benchmark getta le basi per un apprendimento robotico scalabile, adattivo e attento alla privacy.

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.