論文の概要: Robot-WATCHDOG : failure detection through object-centric graph representation

• arxiv url: http://arxiv.org/abs/2610.13403v1
• Date: Fri, 09 Oct 2026 11:19:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.547214
• Title: Robot-WATCHDOG : failure detection through object-centric graph representation
• Title（参考訳）: ロボットWATCHDOG : オブジェクト中心グラフ表現による故障検出
• Abstract要約: 学習したロボットポリシーのデプロイには、リアルタイム障害検出が不可欠だ。 既存の手法は、意味的および相互作用レベルのエラーをキャプチャする能力と、変化を無視するために頑健さのバランスをとるのに苦労する。 我々は、シーンをオブジェクト中心グラフとしてモデル化する自己中心型フレームワークであるRobot-WATCHDOを紹介した。
• 参考スコア（独自算出の注目度）: 2.2515832864485024
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable real-time failure detection is critical for deploying learned robotic policies, yet defining failures explicitly is infeasible in open-world settings. This motivates failure detection from nominal demonstrations alone. Existing methods, however, struggle to balance robustness to benign variations with the ability to capture semantic and interaction-level errors. We introduce Robot-WATCHDOG, a self-supervised framework that models manipulation scenes as object-centric spatio-temporal graphs. Building on this representation, we investigate two complementary failure scores: Trajectory Projection and Correlation (TPC), a non-parametric measure of geometric deviation and relational consistency, and GnnT, a Graph Attention Network with a Transformer that predicts future object states. We evaluate both on a public benchmark and on a new dataset of semantically complex manipulation tasks, across six tasks and ten random seeds. Both scores outperform image-based failure detectors, particularly on semantic and interaction-level failures. TPC provides the strongest performance in AUPR and MCC on both dataset averages, with low variance across seeds. Qualitative results are made available at https://cea-list.github.io/Robot-WATCHDOG/.
• Abstract（参考訳）: 学習したロボットポリシーのデプロイには信頼性の高いリアルタイム障害検出が不可欠だが、オープンワールド環境では、障害を明確に定義することは不可能だ。 これは、名目上のデモンストレーションだけで失敗の検出を動機付ける。 しかし、既存の手法は、意味的および相互作用レベルのエラーをキャプチャする能力と、変化を無視するために頑健さのバランスをとるのに苦労している。 本稿では,シーンをオブジェクト中心の時空間グラフとしてモデル化する自己教師型フレームワークであるRobot-WATCHDOGを紹介する。 この表現に基づいて、幾何学的偏差と関係性の非パラメトリック測度であるトラジェクトリ投影と相関(TPC)と、将来のオブジェクト状態を予測する変換器を備えたグラフ注意ネットワークであるGnnTの2つの相補的故障スコアについて検討する。 我々は、公開ベンチマークと6つのタスクと10個のランダムシードからなる、意味論的に複雑な操作タスクの新しいデータセットで評価する。 どちらも、画像ベースの障害検出、特にセマンティックおよびインタラクションレベルの障害よりも優れています。 TPCは、両方のデータセット平均でAUPRとMCCで最大のパフォーマンスを提供し、種子間でのばらつきは低い。 質的な結果はhttps://cea-list.github.io/Robot-WATCHDOG/で公開されている。

関連論文リスト

• 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)
• AgentProcessBench: Diagnosing Step-Level Process Quality in Tool-Using Agents [50.481033105867205]
  我々はAgentProcessBenchを紹介した。AgentProcessBenchは、現実的なツール拡張トラジェクトリにおけるステップレベルの有効性を評価するための最初のベンチマークである。 ベンチマークは、1,000の多様な軌跡と8,509の人間ラベル付きステップアノテーションと89.1%のアノテーション間合意で構成されている。 探索をキャプチャする3つのラベリングスキームと、ラベルのあいまいさを減らすためのエラー伝搬ルールを備えている。
  論文  参考訳（メタデータ） (2026-03-15T16:13:58Z)
• 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)
• Guardian: Detecting Robotic Planning and Execution Errors with Vision-Language Models [53.20969621498248]
  本稿では,多種多様な計画および実行障害を生成するために,軌道を手続き的に乱す自動ロボット故障合成手法を提案する。 RLBench-Fail, BridgeDataV2-Fail, UR5-Failの3つの新しい故障検出ベンチマークを構築した。 次に、詳細な障害推論と検出のためのマルチビューイメージを備えたVLMであるGuardianをトレーニングします。
  論文  参考訳（メタデータ） (2025-12-01T17:57:27Z)
• Failure Prediction at Runtime for Generative Robot Policies [6.375597233389154]
  実行中の早期の障害予測は、人間中心で安全クリティカルな環境でロボットをデプロイするために不可欠である。 本稿では,フェールデータを必要としない生成ロボットポリシーの故障予測フレームワークであるFIPERを提案する。 その結果、FIPERは実際の障害と良質なOOD状況とをよく区別し、既存の手法よりも正確に早期に障害を予測できることがわかった。
  論文  参考訳（メタデータ） (2025-10-10T15:09:27Z)
• Exposing and Addressing Cross-Task Inconsistency in Unified Vision-Language Models [80.23791222509644]
  一貫性のないAIモデルは、人間のユーザーによって不安定で信頼できないと見なされている。 最先端のビジョン言語モデルは、タスク間の驚くほど高い一貫性のない振る舞いに悩まされている。 本稿では,大規模で自動生成されるクロスタスクコントラスト集合上で計算されたランク相関に基づく補助訓練目標を提案する。
  論文  参考訳（メタデータ） (2023-03-28T16:57:12Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)

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。