arXiv cs.AI· Michal P. Podolinsky, Yunhao Yang, Daniel Little, Hong Lu, Rohan Siva, Olin Goudey, Neel P. Bhatt, Matthias Scheutz, Ufuk Topcu·· 11 小时前AI 评分34
VLA-Tug：通过校准潜在探针实现视觉-语言-动作模型的失败预测与分类
Failure Prediction and Classification in Vision-Language-Action Models Via Calibrated Latent Probing
AI 导读
VLA-Tug 是一种运行在 VLA 主干潜在层上的轻量探针，可在最小推理开销下实现早期失败检测，并约束漏检率与误报率。在相同误报率下，其早期失败检测能力比最强学习基线提升最多 30%；迁移到未见任务时，漏检与误报边界在最多 86% 的运行中仍然有效，而基线最多为 21%。
正文 · AI 翻译
摘要：视觉-语言-动作模型（VLA）能够实现通用具身智能，但其在分布偏移下的性能较为脆弱，意外故障可能损坏设备或危及人员安全。因此，在真实系统中部署 VLA 需要一种运行时监控器，它必须及时、经过校准、信息丰富，同时足够高效以在边缘设备上运行。现有方法无法满足这些要求。我们提出 VLA-Tug，一种作用于 VLA 骨干网络潜在层的轻量级探针，可提升早期故障检测能力，并约束漏检率和误报率，且推理开销极小。我们表明，在轨迹的故障前片段上进行监督，可在相同假阳性率下将早期故障检测率相比最强的学习基线提升最多 30%。在迁移到未见任务时，漏检率和误报率的界限在最多 86% 的运行中仍然有效，而基线最多仅为 21%。与现有方法不同，VLA-Tug 能预测故障模式以支持纠正动作，在未见任务上将 top-3 准确率相比多数类基线提升最多 44%。VLA-Tug 支持实时监控，其时机恰当且信息丰富的探针可支撑轻量级引导，从而提升任务成功率。我们发布了一个包含 3,180 个带标注操作回合的数据集，以支持未来关于 VLA 潜在故障检测的研究，地址为 此 https URL。
| 评论： | 代码、视频和数据集可在 此 https URL 获取 |
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.08425 [cs.RO] |
| （或 arXiv:2611.08425v1 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.08425 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Michal Podolinsky [查看邮箱]
[v1]
2026年11月5日星期四 18:21:07 UTC（20,516 KB）
来源：arXiv cs.AI · arxiv.org