FLAME：面向机器人操作的联邦学习基准
机器人学
2025-09-23 v2
摘要
近期机器人操作的进展得益于跨越多样环境收集的大规模数据集。传统上，针对这些数据集进行机器人操作策略训练以集中式方式进行，引发了可扩展性、适应性和数据隐私等方面的顾虑。虽然联邦学习实现了去中心化、隐私保护的训练，但其在机器人操作中的应用仍属未被充分探索的领域。我们引入 FLAME（Federated Learning Across Manipulation Environments，即联邦学习跨操作环境），这是第一个为机器人操作设计的联邦学习基准。FLAME 包括：(i) 超过 16 万个多个操作任务的专家演示大规模数据集，跨越广泛的模拟环境收集；(ii) 机器人策略学习的联邦化训练与评估框架。我们在 FLAME 中评估了标准联邦学习算法，展示了其在分布式策略学习中的潜力，并突显了关键挑战。本基准为可扩展、可适应且注重隐私的机器人学习奠定了基础。
引用
@article{arxiv.2503.01729,
title = {FLAME: A Federated Learning Benchmark for Robotic Manipulation},
author = {Santiago Bou Betran and Alberta Longhini and Miguel Vasco and Yuchong Zhang and Danica Kragic},
journal= {arXiv preprint arXiv:2503.01729},
year = {2025}
}
备注
Under Review