Federated Robot Learning Benchmark是机器人联邦学习领域的标准化评测基准，用于评估和比较不同联邦学习算法在机器人任务中的性能。该基准提供了多种机器人联邦学习任务场景，包括联邦强化学习（多机器人协作导航、多机器人协作操作）、联邦模仿学习（跨场景操作策略学习、跨工厂技能共享）、联邦感知（多机器人协同目标检测、分布式场景理解）、联邦控制（分布式运动控制、多机器人编队）等，支持多种联邦学习算法（FedAvg、FedProx、FedNova、SCAFFOLD、FedAdam等）和多种系统配置（不同客户端数量、不同数据异质性程度、不同通信带宽）。Federated Robot Learning Benchmark支持多种评估指标，包括模型性能（准确率/成功率/累积奖励）、通信效率（通信轮数/通信量/收敛速度）、系统性能（训练时间/资源利用率/容错性）、隐私保护（隐私预算/数据泄露风险）等，提供了标准化的评估协议和多种测试用例。该基准推动了机器人联邦学习技术的发展，多种经典和最新的联邦学习算法都在该基准上进行了评估和对比。该基准被广泛应用于多机器人协作学习、工业机器人知识共享、分布式感知、联邦强化学习等领域的研究和开发中，是机器人联邦学习算法评估的标准基准之一。