FLAME: ロボット操作のための連合学習ベンチマーク

FLAME: A Federated Learning Benchmark for Robotic Manipulation

March 3, 2025

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

cs.AI

要旨

ロボットマニピュレーションにおける最近の進展は、多様な環境で収集された大規模データセットによって推進されてきた。これらのデータセットを用いたロボットマニピュレーションポリシーの訓練は、従来、中央集権的な方法で行われており、スケーラビリティ、適応性、データプライバシーに関する懸念が生じている。一方、フェデレーテッドラーニングは分散型でプライバシーを保護する訓練を可能にするが、ロボットマニピュレーションへの応用はほとんど未開拓のままである。本論文では、ロボットマニピュレーションにおけるフェデレーテッドラーニングのための最初のベンチマークであるFLAME（Federated Learning Across Manipulation Environments）を紹介する。FLAMEは以下の要素で構成される：(i) 多様なシミュレーション環境で収集された、複数のマニピュレーションタスクに関する16万件以上のエキスパートデモンストレーションを含む大規模データセット、(ii) フェデレーテッド設定におけるロボットポリシー学習のための訓練および評価フレームワーク。我々はFLAMEにおいて標準的なフェデレーテッドラーニングアルゴリズムを評価し、分散ポリシー学習の可能性を示すとともに、主要な課題を明らかにする。本ベンチマークは、スケーラブルで適応的かつプライバシーを考慮したロボット学習の基盤を確立するものである。

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.