VLA-FAIL：面向微调视觉-语言-动作模型的高效任务失败检测
VLA-FAIL: Efficient Task Failure Detection for Finetuned Vision-Language-Action Models
精选理由
为机器人模型提供轻量、无需故障数据的早期失效检测，提升真实部署的安全性与可靠性。
AI 摘要
arXiv:2606.21386v2 公告类型：替换 摘要：视觉-语言-动作模型（VLA）在许多机器人操作任务上达到了最先进的性能，但在分布外场景中仍可能表现出不可预测的行为。因此，运行时失败检测对于 VLA 在现实世界中的安全部署至关重要。然而，现有的任务失败检测器要么需要计算成本高昂的动作采样，要么基于限制其对 VLA 适用性的架构假设，要么需要获取失败轨迹。我们提出 VLA-FAIL，这是一种轻量且广泛适用的 VLA 失败检测框架，以极低的额外开销结合了两种新颖的失败检测器，且无需失败数据。第一种是末层马氏距离（LLMD），通过逐词元测量末层特征相对于训练数据的偏离程度来检测分布外状态。第二种是动作块一致性（ACC），利用滚动时域控制产生的时间重叠，在连续动作块变得不一致时检测失败。为刻画检测准确性与检测延迟之间的权衡，我们引入了 \textsc{AUCPDT}，这是一种不依赖阈值的指标，可联合评估精确率、召回率和检测时间。通过大量现实世界和仿真实验，我们证明 LLMD 和 ACC 能够捕捉互补的失败模式，两者结合可在多种任务中实现可靠且及时的失败检测，并且经常优于计算成本高得多的基线方法。项目页面：https://vla-fail.github.io/vla-fail-2026