FLAME: 로봇 조작을 위한 연합 학습 벤치마크

FLAME: A Federated Learning Benchmark for Robotic Manipulation

March 3, 2025

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

cs.AI

초록

최근 로봇 조작 분야의 발전은 다양한 환경에서 수집된 대규모 데이터셋에 힘입어 이루어졌습니다. 전통적으로 이러한 데이터셋에서 로봇 조작 정책을 훈련하는 것은 중앙 집중식으로 수행되어 확장성, 적응성, 데이터 프라이버시에 대한 우려를 불러일으켰습니다. 연합 학습(Federated Learning)은 분산적이고 프라이버시를 보존하는 훈련을 가능하게 하지만, 로봇 조작에의 적용은 아직까지 크게 탐구되지 않았습니다. 우리는 로봇 조작을 위한 연합 학습의 첫 번째 벤치마크인 FLAME(Federated Learning Across Manipulation Environments)을 소개합니다. FLAME은 다음과 같은 요소로 구성됩니다: (i) 다양한 시뮬레이션 환경에서 수집된 다중 조작 작업에 대한 160,000개 이상의 전문가 시연 데이터셋, (ii) 연합 환경에서의 로봇 정책 학습을 위한 훈련 및 평가 프레임워크. 우리는 FLAME에서 표준 연합 학습 알고리즘을 평가하여 분산 정책 학습의 잠재력을 보여주고 주요 과제를 강조합니다. 이 벤치마크는 확장 가능하고 적응적이며 프라이버시를 고려한 로봇 학습의 기반을 마련합니다.

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.