障害検出2026/9/3arXiv:2609.04277

FailureSpot: VLAモデルのためのラベル効率的なタイムスタンプレベル障害検出

FailureSpot: Label-Efficient Timestamp-Level Failure Detection for Vision-Language-Action Models

VLAポリシーの実行中に発生する障害を、タイムスタンプ単位で正確に検出する手法を提案。未ラベルのアクションチャンクから弱教師信号を生成し、能動学習で重要な軌道のみに注釈を付けて検出器を微調整することで、ラベルコストを抑えつつ検出精度を向上させた。

詳しい要約

1. どんなもの？

本論文は、Vision-Language-Action (VLA) モデルによるロボット操作の長期実行中に発生する失敗を、タイムスタンプレベルで検出するためのデータ効率的なフレームワーク 'FailureSpot' を提案している。既存の失敗検出手法は、誤動作が発生した後に視覚モデルで検出するか、VLAの内部表現を用いた軽量なプロアクティブ検出器を使用するが、軌道レベルのラベルで学習されるため、失敗軌道内の正常な前兆行動が誤って失敗とラベル付けされる問題がある。FailureSpotは、ラベルなしのVLA action chunksから弱い教師信号を構築し、アクティブラーニングで最も不確実な軌道のみを選択してタイムスタンプレベルのアノテーションを行い、検出器を微調整することで、ラベル効率を高めつつ、タイムスタンプレベルと軌道レベルの両方で失敗検出性能を向上させる。

2. 先行研究と比べてどこがすごい？

先行研究と比較して、以下の点が優れている。1) 従来のプロアクティブ検出器は軌道レベルのラベルで学習されるため、失敗軌道内の正常な前兆行動が誤って失敗とラベル付けされるというラベルノイズ問題があったが、本手法はタイムスタンプレベルの検出を可能にし、この問題を軽減する。2) 高価なタイムスタンプレベルのアノテーションコストを削減するため、ラベルなしのaction chunksから弱い教師信号を自動生成し、アクティブラーニングで重要な軌道のみを選択してアノテーションするデータ効率的な枠組みを導入している。3) 複数のVLAポリシーにわたる実験で、タイムスタンプレベルと軌道レベルの両方の失敗検出性能を向上させている。

3. 技術・手法の肝は？

手法の核となるのは、以下の2段階のアプローチである。まず、ラベルなしのVLA action chunksを利用して、アクション由来の弱い教師信号を構築する。具体的には、連続するチャンク間の不整合、フリーズやアイドル状態のアクション、過度にランダムな動きなど、異常なパターンを捉える。次に、アクティブラーニングを用いて、最も不確実な軌道のみを選択し、それらに対してタイムスタンプレベルのアノテーションを取得し、その情報量の多いラベルで検出器を微調整する。これにより、ラベル効率を高めつつ、タイムスタンプレベルの失敗検出を実現している。

4. どうやって有効だと検証した？

有効性の検証は、複数のVLAポリシーにわたる実験で行われた。実験では、提案手法がタイムスタンプレベルと軌道レベルの両方の失敗検出性能を向上させることが示された。具体的なデータセットやベースラインとの比較詳細は要旨からは不明であるが、複数のVLAポリシーでの性能向上が確認されている。

5. 議論はある？

議論としては、要旨からは、提案手法がラベルノイズ問題を軽減し、データ効率的であることが示唆されているが、具体的な限界や将来の課題については言及されていない。また、アクティブラーニングの選択基準や弱い教師信号の品質が最終性能に与える影響など、詳細な分析は要旨からは不明である。

6. 次に読むべき論文は？

次に読むべき論文としては、要旨で参照されている既存の失敗検出手法、すなわち視覚モデルを用いた失敗検出やVLA内部表現を用いたプロアクティブ検出器に関する研究が挙げられる。また、VLAモデル自体の研究や、アクティブラーニングをロボット学習に適用した研究も関連する。具体的な論文名は要旨に記載がないため、同分野の定番である 'VLA' モデルや 'failure detection' に関する論文を探すとよい。

※ 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: Jie Ma, Zongxi Liu, Yi Zhu

分類: cs.RO, cs.CV

原文アブストラクト

Vision-language-action (VLA) policies have shown strong potential for general-purpose robotic manipulation, but they can still fail unpredictably during long-horizon execution, making reliable failure detection essential for safe deployment. Existing methods either rely on visual models that typically detect failures only after erroneous actions have occurred, or use lightweight proactive detectors trained on VLA internal representations. However, these proactive methods are often supervised with trajectory-level labels, causing normal pre-failure behavior in unsuccessful trajectories to be incorrectly labeled as failure. This supervision mismatch introduces label noise and limits both trajectory-level detection accuracy and precise timestamp-level failure localization. In this work, we study fine-grained timestamp-level VLA failure detection while addressing the cost of dense annotation. We propose a data-efficient framework that first leverages unlabeled VLA action chunks to construct action-derived weak supervision signals, capturing abnormal patterns such as inconsistent consecutive chunks, frozen or idle actions, and aggressive random motions. We then use active learning to select only the most uncertain trajectories for timestamp-level annotation and fine-tune the detector with these informative labels. Experiments across multiple VLA policies show that our method improves both timestamp-level and trajectory-level failure detection performance.

arXivで原文を読む →arXiv概要ページ