論文の概要: Failure Detection for Surgical Robot Imitation Policies via Flow-Matching World Modeling
- arxiv url: http://arxiv.org/abs/2607.27511v1
- Date: Wed, 29 Jul 2026 22:55:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.34327
- Title: Failure Detection for Surgical Robot Imitation Policies via Flow-Matching World Modeling
- Title（参考訳）: フローマッチング世界モデリングによる手術ロボット模倣ポリシーの故障検出
- Abstract要約: 本稿では,FoMo-FDを提案する。FoMo-FDは,動作条件付きフローマッチング世界モデルを用いて,名目上の短期的視覚力学を学習する故障検出手法である。
我々はFoMo-FDをシミュレーションと実世界の実験で20の障害モードを持つ4つの手術関連操作タスクで評価した。
その結果、FoMo-FDは観測レベルの異常ベースラインと、同じ世界モデルの予測エラー変異よりも優れていた。
- 参考スコア（独自算出の注目度）: 11.44542391067398
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Imitation learning has shown increasing promise for autonomous robotic surgery, yet safe deployment remains challenging due to the safety-critical nature of surgical tasks and the complexity and variability of surgical environments. Failure detection is therefore an essential safeguard, but its development remains difficult due to the challenges of scarce failure data, highly variable manipulation dynamics, and the need to balance missed detections against disruptive false alarms. To address these challenges, we introduce FoMo-FD (Flow-Matching World Model for Failure Detection), a failure detection method that learns nominal short-horizon visual dynamics with an action-conditioned flow-matching world model. FoMo-FD scores the inverse-transport nonconformity of observed endpoint latents, enabling window-level detection of visual-action inconsistencies without requiring failure demonstrations. Detection thresholds are obtained by conformal calibration on successful executions, yielding task-specific alarms without assuming future failure types. We evaluate FoMo-FD on four surgically relevant manipulation tasks with twenty failure modes across simulation and real-world experiments using the da Vinci Research Kit (dVRK). Results show that FoMo-FD outperforms observation-level anomaly baselines and a prediction-error variant of the same world model, with the wrist-camera view achieving the strongest performance, including a 96.6% failure detection rate (FDR) at a 1.3% false alarm rate (FAR).
- Abstract（参考訳）: 模倣学習は、自律型ロボット手術への期待が高まるが、外科的作業の安全性と、手術環境の複雑さと変動性のために、安全な配置は依然として困難である。
したがって、障害検出は必須のセーフガードであるが、障害データ不足、高度に可変な操作ダイナミクス、エラー検出と破壊的な誤報のバランスを取る必要性のため、その開発は依然として困難である。
これらの課題に対処するため,FoMo-FD (Flow-Matching World Model for Failure Detection)を導入する。
FoMo-FDは、観測された終端遅延の逆トランスポート非整合性をスコアし、失敗のデモンストレーションを必要とせずに、窓レベルの視覚的不整合の検出を可能にする。
検出しきい値は、実行成功時の適合校正によって取得され、将来の障害タイプを仮定せずにタスク固有のアラームが生成される。
本研究では,ダ・ヴィンチ・リサーチ・キット(dVRK)を用いて,FoMo-FDとFoMo-FD,FoMo-FD,FoMo-FD,FoMo-FD,FoMo-FD,FoMo-FD,FoMo-FD,FoMo-FD,FoMo-FD,FoMo-FDとFoMo-FDとFoMo-FDの4つの操作課題について検討した。
その結果、FoMo-FDは観測レベルの異常ベースラインと、同じ世界モデルの予測エラーモデルよりも優れており、手首カメラビューは96.6%の故障検出レート(FDR)を1.3%の誤警報レート(FAR)で達成していることがわかった。
関連論文リスト
- Operational Range Bounding in Spectroscopy: A Safety Cage Framework for Machine Learning Models [0.6908439820101059]
本研究では,並列監視層として機能するモジュール型安全ケージアーキテクチャを評価し,予測の有効性を評価する。
単一のインジケータがすべての障害モードをキャプチャし、インジケータの融合の必要性を示す。
形式化されたカバレッジリスクフレームワークを用いて、リスクレベルの精度を最大化する構成を特定するために、インジケータの組み合わせの体系的分析を行う。
論文 参考訳（メタデータ） (2026-09-11T20:32:01Z) - Foresight: Failure Detection for Long-Horizon Robotic Manipulation with Action-Conditioned World Model Latents [58.49879338545782]
ロングホライゾンタスクは、現実のロボット展開では一般的なものだが、そのようなタスクの障害検出は未調査のままである。
動作条件付き世界モデルからの潜在表現を用いて、操作軌跡をモニタする故障検出フレームワークであるForesightを提案する。
この結果から, 動作条件付きワールドモデル埋め込みは, 長距離操作における信頼性のある故障監視のためのスケーラブルな表現を提供する可能性が示唆された。
論文 参考訳（メタデータ） (2026-06-22T09:32:28Z) - SurgVista: Long-Horizon Surgical World Modeling with Plausible Instrument-Tissue Dynamics [49.771521708359955]
SurgVistaは、空間的相互作用の不整合と時間的忠実性の崩壊を緩和する外科的世界モデルである。
それは、視覚的品質、時間的一貫性、相互作用の忠実性にまたがる最先端の手法を一貫して上回ります。
論文 参考訳（メタデータ） (2026-06-18T07:47:28Z) - Failure Identification in Imitation Learning Via Statistical and Semantic Filtering [2.2515832864485024]
ロボット工学における模倣学習(IL)ポリシは、制御された設定において強力なパフォーマンスを提供するが、実際のデプロイメントでは脆弱である。
本稿では、ポリシーに依存しない障害検出モジュールFIDeL(Failure Identification in Demonstration Learning)を紹介する。
また,ロボット工学における故障検出のための実世界のタスクのマルチモーダルデータセットであるBotFailsを紹介した。
論文 参考訳（メタデータ） (2026-04-15T12:27:32Z) - Foundational World Models Accurately Detect Bimanual Manipulator Failures [21.93685012734004]
我々は、事前学習された視覚基盤モデルの圧縮潜在空間内で、確率的、歴史的、世界モデルを訓練する。
このモデルは、整合予測フレームワーク内の非整合性スコアとして機能する予測と共に不確実性推定を出力する。
また,本手法の学習手法として,トレーニング可能なパラメータの約20分の1が必須であることを示す。
論文 参考訳（メタデータ） (2026-03-07T02:11:29Z) - Improving Anomaly Detection with Foundation-Model Synthesis and Wavelet-Domain Attention [54.73850941855912]
異常合成パイプライン(FMAS)は、微調整やクラス固有の訓練をすることなく、非常に現実的な異常サンプルを生成する。
Wavelet Domain Attention Module (WDAM) は適応サブバンド処理を利用して異常特徴抽出を強化する。
論文 参考訳（メタデータ） (2026-03-03T13:17:08Z) - When World Models Dream Wrong: Physical-Conditioned Adversarial Attacks against World Models [54.08784776767683]
本稿では,物理条件を乱す最初のホワイトボックス世界モデルアタックであるPhysCond-WMA(PhysCond-WMA)を提案する。
PhysCond-WMAは知覚の忠実さを維持しながら意味、論理、決定レベルの歪みを引き起こす。
論文 参考訳（メタデータ） (2026-02-21T07:22:37Z) - ProbeLLM: Automating Principled Diagnosis of LLM Failures [89.44131968886184]
ProbeLLMはベンチマークに依存しない自動探索フレームワークで、個々の障害から構造的障害モードへの脆弱性発見を増大させる。
ProbeLLMは、検証可能なテストケースにプローブを制限し、ツールの拡張された生成と検証を活用することで、信頼性のある証拠として障害発見を根拠とする。
論文 参考訳（メタデータ） (2026-02-13T14:33:13Z) - Can We Detect Failures Without Failure Data? Uncertainty-Aware Runtime Failure Detection for Imitation Learning Policies [19.27526590452503]
FAIL-Detectは、模倣学習に基づくロボット操作における障害検出のための2段階のアプローチである。
まず、政策失敗と相関し、不確実性を捉えるスカラー信号にポリシー入力と出力を蒸留する。
我々の実験は、新しいフローベース密度推定器を使用する場合、学習信号がほぼ一貫した効果を示す。
論文 参考訳（メタデータ） (2025-03-11T15:47:12Z) - Uncertainty-aware Human Mobility Modeling and Anomaly Detection [24.22648449430148]
生のGPSデータを連続的静止点イベントとしてモデル化した人間の行動における異常検出を定式化する。
提案したモデルUSTADとアレータティック不確実性推定を併用する。
実験の結果,USTADは産業規模データのベースライン以上でAUCROCの異常検出を3%-15%改善することがわかった。
論文 参考訳（メタデータ） (2024-10-02T06:57:08Z) - Extreme Miscalibration and the Illusion of Adversarial Robustness [66.29268991629085]
敵の訓練は、しばしばモデルの堅牢性を高めるために使用される。
我々は、この観測されたロバストネスの利得はロバストネスの錯覚(IOR)であることを示した。
我々は,NLPコミュニティに対して,試験時間温度のスケーリングを堅牢性評価に組み込むよう促す。
論文 参考訳（メタデータ） (2024-02-27T13:49:12Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。