何が起きたか
2026年6月19日、arXivにプレプリント「VLA-FAIL: Efficient Task Failure Detection for Finetuned Vision-Language-Action Models」が公開された。提案手法は、最終層のマハラノビス距離(LLMD)とアクションチャンク整合性(ACC)の2つの検出器を組み合わせ、失敗データを必要とせずにVLAの実行時失敗を検出する。
詳細
VLA-FAILは、計算コストの高いアクションサンプリングやアーキテクチャ上の仮定、失敗ロールアウトへのアクセスを必要としない、軽量で広く適用可能な失敗検出フレームワークである。第1の検出器LLMDは、最終層の特徴量のトークン単位の偏差を訓練データと比較して分布外状態を検出する。第2の検出器ACCは、後退地平線制御による時間的重複を利用し、連続するアクションチャンクが不整合になったときに失敗を検出する。また、検出精度と検出遅延のトレードオフを捉えるため、閾値に依存しない指標AUCPDTを導入した。実世界およびシミュレーション実験で、LLMDとACCは相補的な失敗モードを捉え、より高価なベースライン手法を頻繁に上回る性能を示したとしている。
Key Facts
| VLA-FAILは、最終層マハラノビス距離(LLMD)とアクションチャンク整合性(ACC)の2つの検出器を組み合わせる。 | [1] |
| LLMDは、最終層の特徴量のトークン単位の偏差を訓練データと比較して分布外状態を検出する。 | [1] |
| ACCは、後退地平線制御による時間的重複を利用し、連続するアクションチャンクの不整合から失敗を検出する。 | [1] |
| 新指標AUCPDTは、検出精度と検出遅延のトレードオフを閾値に依存せず評価する。 | [1] |
| 実世界およびシミュレーション実験で、LLMDとACCの組み合わせは、より高価なベースライン手法を頻繁に上回る性能を示した。 | [1] |
なぜ重要か
VLAの実用化には、予期せぬ動作を検出し安全に対処する仕組みが不可欠であり、本手法はそのための軽量な選択肢を提供する。失敗データを必要としない点は、実環境での適用ハードルを下げる可能性があり、ロボットシステムの信頼性向上に寄与するとみられる。