论文页面 - Foresight：基于动作条件世界模型隐变量的长时程机器人操作故障检测

来源：https://huggingface.co/papers/2606.23085

摘要

一种针对长时程机器人任务的故障检测框架，利用动作条件世界模型和函数保形预测，仅通过最终任务标签即可监控操作轨迹。

长时程任务（https://huggingface.co/papers?q=Long-horizon%20tasks）在实际机器人部署中很常见，然而针对这类任务的故障检测（https://huggingface.co/papers?q=failure%20detection）尚未得到充分探索。检测长时程机器人任务中的故障尤其具有挑战性，因为故障发生往往模糊不清，且通常缺乏密集的时间注释。我们提出Foresight，一种故障检测（https://huggingface.co/papers?q=failure%20detection）框架，利用来自动作条件世界模型（https://huggingface.co/papers?q=action-conditioned%20world%20model）的隐表示（https://huggingface.co/papers?q=latent%20representations）来监控操作轨迹（https://huggingface.co/papers?q=manipulation%20trajectories）。Foresight仅使用最终任务级别的成功或失败标签进行训练。通过利用预测性世界模型嵌入（https://huggingface.co/papers?q=predictive%20world-model%20embeddings），我们的方法为不同策略下的故障检测（https://huggingface.co/papers?q=failure%20detection）提供了一个统一框架。我们进一步使用函数保形预测（https://huggingface.co/papers?q=functional%20conformal%20prediction）（FCP）来自适应校准检测阈值。我们在模拟环境中使用最先进的视觉-语言-动作策略（https://huggingface.co/papers?q=vision-language-action%20policies）在LIBERO-Long、ManiSkill-Long和BEHAVIOR-1K上评估Foresight，与最先进的故障检测（https://huggingface.co/papers?q=failure%20detection）方法进行比较，并在真实机器人上使用ReactorX-200臂进行三个长时程任务（https://huggingface.co/papers?q=long-horizon%20tasks）以及Franka臂进行一个任务验证。我们的结果表明，动作条件世界模型嵌入为长时程操作中的可靠故障监控提供了一种可扩展的表示。

查看arXiv页面（https://arxiv.org/abs/2606.23085）查看PDF（https://arxiv.org/pdf/2606.23085）项目页面（https://haoranzhangumich.github.io/Forsight_web/）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2606.23085）

在你的智能代理中获取本文：

hf papers read 2606.23085

没有最新的CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用本文的模型0

没有模型链接此论文

在模型README.md中引用arxiv.org/abs/2606.23085以从此页面链接。

引用本文的数据集0

没有数据集链接此论文

在数据集README.md中引用arxiv.org/abs/2606.23085以从此页面链接。

引用本文的Spaces0

没有Space链接此论文

在Space README.md中引用arxiv.org/abs/2606.23085以从此页面链接。

包含本文的收藏集0

没有收藏集包含此论文

将本文添加到一个收藏集（https://huggingface.co/new-collection）以从此页面链接。