2026/8/1arXiv:2608.13438

ContactGuard: Pre-Contact Execution Monitoring with Action-Conditioned Latent World Models

詳しい要約

1. どんなもの？

ContactGuardは、接触を伴う操作タスクにおいて、ロボットが物体に接触する前に失敗を予測し、実行を中断するためのpre-contact execution monitorである。chunked visuomotor policiesを対象とし、ポリシーが計画したaction chunkに基づいて、潜在視覚空間での短期的な結果を予測し、失敗の可能性が高い場合には動作を中止する。wrist-camera設定での接触リッチな操作タスクに焦点を当てている。

2. 先行研究と比べてどこがすごい？

従来の失敗検出は、ロボットが接触した後に反応するため、接近動作が不適切な場合には物体を押したり、見逃したり、滑らせたり、乱したりする可能性がある。ContactGuardは、接触イベントの前に予測を行うことで、これらの問題を未然に防ぐ点が新しい。また、ピクセルレベルのビデオ予測を避け、コンパクトなマルチビュー視覚埋め込みを予測する潜在世界モデルを用いることで、計算効率と汎化性を高めている。

3. 技術・手法の肝は？

手法の核心は、ラベルなしのロボット軌跡から訓練された潜在世界モデルを用いて、計画されたアクションの下での将来の視覚埋め込みを予測することである。このモデルは、接触イベントの直前に予測を開始し、ポリシーのアクションに従ってロールアウトし、接触後の潜在表現を検証する。さらに、小さなラベル付きデータセットから訓練された軽量な失敗プローブを使用して、予測された潜在表現が失敗を示すかどうかを判定する。

4. どうやって有効だと検証した？

実世界の接触リッチな操作タスクにおいて、ContactGuardの失敗予測精度を、直接的なベースラインや破損したアクションを用いたアブレーションと比較して評価した。その結果、ContactGuardはより正確に失敗を予測でき、ライブロボットでのpre-contact abort signalとして機能し、基盤となるポリシーを変更せずに動作を中断できることを示した。

5. 議論はある？

要旨からは、ContactGuardの限界や潜在的な問題についての議論は不明である。ただし、予測モデルがラベルなしデータに依存しているため、訓練データの分布から外れた状況での性能や、複雑な接触ダイナミクスへの対応などが課題となる可能性が考えられるが、要旨には明記されていない。

6. 次に読むべき論文は？

要旨で参照されている関連研究は明示されていないが、chunked visuomotor policiesやlatent world models、failure detectionに関する研究が関連する。具体的には、行動条件付きの潜在世界モデルを用いたモデル予測制御や、接触リッチな操作における失敗検出の研究が挙げられる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Gehan Zheng, Matthew Johnson-Roberson, Weiming Zhi

分類: cs.RO, cs.AI, cs.CV

原文アブストラクト

Contact-rich manipulation failures are often detected only after the robot has committed to contact. This is especially limiting in wrist-camera setups: close gripper--object views help observe contact, but a poor approach may already push, miss, slip, or disturb the object before conventional detectors react. We introduce \emph{ContactGuard}, a pre-contact execution monitor for chunked visuomotor policies. Given the policy's planned action chunk, ContactGuard predicts its short-horizon consequence in latent visual space and aborts if the predicted future latent indicates likely failure. Its latent world model is trained from unlabelled robot trajectories to predict compact multi-view visual embeddings under planned actions, avoiding pixel-level video prediction. A lightweight failure probe is then trained from a small labelled set of pre-contact clips. At deployment, ContactGuard anchors prediction before an imminent contact event, rolls the model forward under the policy's own actions, and verifies the predicted post-contact latent. Across real-world contact-rich manipulation tasks, ContactGuard predicts failure more accurately than direct and corrupted-action ablations, and transfers to live robot as a pre-contact abort signal without modifying the underlying policy.

arXivで原文を読む →arXiv概要ページ

← 論文一覧