論文の概要: FailureSpot: Label-Efficient Timestamp-Level Failure Detection for Vision-Language-Action Models
- arxiv url: http://arxiv.org/abs/2609.04277v1
- Date: Thu, 03 Sep 2026 00:04:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:23.762544
- Title: FailureSpot: Label-Efficient Timestamp-Level Failure Detection for Vision-Language-Action Models
- Title（参考訳）: FailureSpot:ビジョンランゲージ・アクションモデルのためのラベル効率の良いタイムスタンプレベルエラー検出
- Abstract要約: 視覚言語アクション(VLA)ポリシーは、長時間の水平実行中に予測不可能に失敗する可能性がある。
本稿では、まずラベルのないVLAアクションチャンクを利用して弱い監視信号を構築するデータ効率のフレームワークを提案する。
次に、アクティブラーニングを使用して、タイムスタンプレベルのアノテーションに対して最も不確実な軌跡のみを選択する。
- 参考スコア（独自算出の注目度）: 12.030216781017558
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vision-language-action (VLA) policies have shown strong potential for general-purpose robotic manipulation, but they can still fail unpredictably during long-horizon execution, making reliable failure detection essential for safe deployment. Existing methods either rely on visual models that typically detect failures only after erroneous actions have occurred, or use lightweight proactive detectors trained on VLA internal representations. However, these proactive methods are often supervised with trajectory-level labels, causing normal pre-failure behavior in unsuccessful trajectories to be incorrectly labeled as failure. This supervision mismatch introduces label noise and limits both trajectory-level detection accuracy and precise timestamp-level failure localization. In this work, we study fine-grained timestamp-level VLA failure detection while addressing the cost of dense annotation. We propose a data-efficient framework that first leverages unlabeled VLA action chunks to construct action-derived weak supervision signals, capturing abnormal patterns such as inconsistent consecutive chunks, frozen or idle actions, and aggressive random motions. We then use active learning to select only the most uncertain trajectories for timestamp-level annotation and fine-tune the detector with these informative labels. Experiments across multiple VLA policies show that our method improves both timestamp-level and trajectory-level failure detection performance.
- Abstract（参考訳）: 視覚言語アクション(VLA)ポリシーは、汎用ロボット操作の強い可能性を示しているが、長距離実行中に予測不可能に失敗し、安全な配置に必要な信頼性の高い障害検出を実現することができる。
既存の手法では、誤動作が発生した後にのみエラーを検出する視覚モデルに依存するか、VLAの内部表現に基づいて訓練された軽量なプロアクティブ検出器を使用する。
しかしながら、これらのプロアクティブな手法は、しばしば軌道レベルのラベルで制御され、失敗した軌道における正常な事前障害挙動は失敗として誤ってラベル付けされる。
この監視ミスマッチはラベルノイズを導入し、軌道レベルの検出精度と正確なタイムスタンプレベルの障害位置化の両方を制限する。
本研究では,高密度アノテーションのコストに対処しながら,微細なタイムスタンプレベルのVLA故障検出について検討する。
本稿では、まずラベルのないVLAアクションチャンクを利用して、動作に基づく弱い監視信号を構築し、一貫性のない連続チャンク、凍結またはアイドルアクション、攻撃的ランダム動作などの異常パターンをキャプチャする。
次に、アクティブラーニングを用いて、タイムスタンプレベルのアノテーションに対して最も不確実な軌跡のみを選択し、これらの情報ラベルで検出器を微調整する。
複数のVLAポリシーをまたいだ実験により,本手法はタイムスタンプレベルと軌道レベルの故障検出性能の両方を改善した。
関連論文リスト
- TrapVLA: Trapping Vision-Language-Action Models in Configured Failure Modes [65.10128145059127]
この研究は、Vision-Language-Action(VLA)モデルに対する新しいバックドア攻撃タスクであるConfigured Failure Trappingを導入している。
本稿では,高品質な目標軌道を合成するための効率的なデータエンジンと,構成欠陥の忠実度を測定するための自動スイートを提案する。
実験によると、TrapVLAは構成された障害モードをVLAモデルに効果的に注入し、クリーンなデータのパフォーマンスを保っている。
論文 参考訳（メタデータ） (2026-08-27T03:44:49Z) - 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) - VLA-FAIL: Efficient Task Failure Detection for Finetuned Vision-Language-Action Models [19.137291311347788]
視覚言語アクションモデル(VLA)は、多くのロボットタスクで最先端のパフォーマンスを達成するが、それでも、アウト・オブ・ディストリビューションのシナリオでは予測不可能に振る舞うことができる。
本稿では、2つの新しい障害検出器を最小限のオーバーヘッドで結合するフレームワークであるVLA-FAILを提案する。
論文 参考訳（メタデータ） (2026-06-19T12:51:21Z) - Hide-and-Seek in Trajectories: Discovering Failure Signals for VLA Runtime Monitoring [35.34120853605602]
textbf-and-Seekは、粗い教師付き学習問題としてVLA障害検出を定式化するフレームワークである。
我々は、LIBERO、VLABench、および3つの代表的なVLAポリシーをまたいだ現実世界のロボットプラットフォームについて、Hie-and-Seekの評価を行った。
論文 参考訳（メタデータ） (2026-05-29T04:40:12Z) - 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) - TAG: Target-Agnostic Guidance for Stable Object-Centric Inference in Vision-Language-Action Models [59.13964209628383]
VLA(Vision-Language-Action)ポリシーは、言語指示や視覚的な観察をロボット行動にマッピングする上で大きな進歩を見せている。
本稿では,VLA政策における乱れや外見に起因したバイアスを明示的に軽減する単純な推論時ガイダンス機構であるTAG(Target-Agnostic Guidance)を提案する。
我々は, LIBERO, LIBERO-Plus, VLABenchなどの標準操作ベンチマーク上でTAGを評価し, クラッタ下での堅牢性を一貫して改善し, ニアミスや不正なオブジェクト実行を減らす。
論文 参考訳（メタデータ） (2026-03-25T17:56:32Z) - CycleVLA: Proactive Self-Correcting Vision-Language-Action Models via Subtask Backtracking and Minimum Bayes Risk Decoding [60.06899554269808]
サイクロンVLA(CycleVLA)は、VLA(Vision-Language-Action Model)を積極的に自己補正するシステムである。
CycleVLAは、重要なサブタスク遷移ポイントにフラグを付けるプログレス対応のVLAを統合することで、これを実現する。
大規模な実験により、CycleVLAは、よく訓練されたVLAと訓練されていないVLAの両方のパフォーマンスを改善することが示された。
論文 参考訳（メタデータ） (2026-01-05T17:31:01Z) - Unpacking Failure Modes of Generative Policies: Runtime Monitoring of Consistency and Progress [31.952925824381325]
本稿では,障害検出を補完する2つのカテゴリに分割するランタイム監視フレームワークを提案する。
視覚言語モデル(VLM)を用いて、ポリシーがタスクを解決しないアクションを確実かつ一貫して行うことを検知する。
時間的一貫性検出とVLMランタイム監視を統一することにより、Sentinelは2つの検出器のみを使用する場合よりも18%の障害を検出する。
論文 参考訳（メタデータ） (2024-10-06T22:13:30Z) - PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。
我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2023-01-25T16:34:43Z) - Tracking the risk of a deployed model and detecting harmful distribution
shifts [105.27463615756733]
実際には、デプロイされたモデルのパフォーマンスが大幅に低下しないという、良心的なシフトを無視することは理にかなっている。
我々は,警告を発射する有効な方法は,(a)良性な警告を無視しながら有害なシフトを検知し,(b)誤報率を増大させることなく,モデル性能の連続的なモニタリングを可能にすることを論じる。
論文 参考訳（メタデータ） (2021-10-12T17:21:41Z)
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。