FLAME: Een Federated Learning Benchmark voor Robotmanipulatie

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

Samenvatting

Recente vooruitgang in robotmanipulatie is aangedreven door grootschalige datasets die in diverse omgevingen zijn verzameld. Het trainen van robotmanipulatiebeleid op deze datasets gebeurt traditioneel op een gecentraliseerde manier, wat zorgen oproept over schaalbaarheid, aanpasbaarheid en gegevensprivacy. Hoewel federated learning gedecentraliseerde, privacybeschermende training mogelijk maakt, blijft de toepassing ervan op robotmanipulatie grotendeels onontgonnen. Wij introduceren FLAME (Federated Learning Across Manipulation Environments), de eerste benchmark die is ontworpen voor federated learning in robotmanipulatie. FLAME bestaat uit: (i) een set grootschalige datasets met meer dan 160.000 expertdemonstraties van meerdere manipulatietaken, verzameld in een breed scala aan gesimuleerde omgevingen; (ii) een trainings- en evaluatieraamwerk voor het leren van robotbeleid in een federated setting. We evalueren standaard federated learning-algoritmen in FLAME, tonen hun potentieel voor gedistribueerd beleidsleren aan en belichten belangrijke uitdagingen. Onze benchmark legt de basis voor schaalbare, aanpasbare en privacybewuste robotleren.

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.