FLAME: Um Benchmark de Aprendizado Federado para Manipulação Robótica

FLAME: A Federated Learning Benchmark for Robotic Manipulation

March 3, 2025

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

cs.AI

Resumo

Os recentes avanços na manipulação robótica têm sido impulsionados por conjuntos de dados em grande escala coletados em diversos ambientes. Tradicionalmente, o treinamento de políticas de manipulação robótica nesses conjuntos de dados é realizado de maneira centralizada, levantando preocupações em relação à escalabilidade, adaptabilidade e privacidade dos dados. Embora o aprendizado federado permita o treinamento descentralizado e preservador da privacidade, sua aplicação na manipulação robótica permanece amplamente inexplorada. Apresentamos o FLAME (Federated Learning Across Manipulation Environments), o primeiro benchmark projetado para aprendizado federado em manipulação robótica. O FLAME consiste em: (i) um conjunto de grandes bases de dados com mais de 160.000 demonstrações especializadas de múltiplas tarefas de manipulação, coletadas em uma ampla variedade de ambientes simulados; (ii) uma estrutura de treinamento e avaliação para o aprendizado de políticas robóticas em um cenário federado. Avaliamos algoritmos padrão de aprendizado federado no FLAME, demonstrando seu potencial para o aprendizado distribuído de políticas e destacando desafios fundamentais. Nosso benchmark estabelece uma base para o aprendizado robótico escalável, adaptativo e consciente da privacidade.

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.