失敗したら巻き戻せ：凍結VLAのための軽量リカバリ機構

- Vision-Language-Action (VLA) モデルはロボット操作で高い性能を示すが、自身の行動により訓練データがほとんどカバーしない状態に陥ると脆くなる。 - 本論文は Backtrack を提案する。これは frozen な VLA に対する軽量な failure detection と recovery の仕組みである。 - recovery demonstrations、policy retraining、推論時の別モデルを必要としない。 - 小さな failure prediction head が VLA の既存の内部表現を読み、現在の episode が失敗するかを推定する。 - 失敗確率が閾値を超えると、controller が policy を一時停止し、腕の最近の動作を逆行させ、変更していない policy に制御を戻して以前の構成から再試行させる。

- 従来の失敗からの回復は、recovery demonstrations、policy retraining、推論時の別モデルを通常必要とする。 - Backtrack はこれらを一切必要とせず、frozen VLA をそのまま使う点が異なる。 - failure prediction head は policy のパラメータ数の 0.48-0.88% しか追加しない軽量性が特徴。 - 複数の action-generation families にまたがる 3 つの VLA で評価しており、特定モデルに依存しない手法として提示されている。

- frozen な VLA の内部表現を入力とする小さな failure prediction head を訓練する。 - 訓練データは frozen policy の outcome-labeled rollouts のみ。 - head が現在の episode の失敗確率を推定し、閾値超過時に controller が介入する。 - 介入では policy を一時停止し、腕の最近達成した動きを逆行(retrace)させ、以前の configuration から unchanged policy に制御を戻して再試行させる。 - 追加パラメータは policy 全体の 0.48-0.88% に抑えられる。

- LIBERO 上で 3 つの VLA を評価。SmolVLA と π0.5 は flow-matching action experts、π0-FAST は autoregressive。 - LIBERO-Long(長 horizon 多段タスクで 3 policy とも最も失敗しやすい suite)で、各 policy の failure rate を 19-48% 削減し、success を最大 7.4 percentage points 向上。 - 短い 3 つの suite では制御 success が既に 85-99% であり、効果はより小さい。 - MetaWorld では SmolVLA を用いた 12 の controller configurations すべてで、支援なし policy を上回った。

- 短い suite では success が既に 85-99% と高く、Backtrack の効果は限定的である点が示されている。 - 閾値や failure prediction head の設計、retrace の範囲など詳細な議論は要旨からは不明。 - 失敗予測の誤検知や、retrace による時間コストへの影響は要旨からは不明。 - 評価は LIBERO と MetaWorld に限られており、実機や他タスクへの一般化は要旨からは不明。

- SmolVLA(flow-matching action expert を用いる VLA) - π0.5(flow-matching action expert を用いる VLA) - π0-FAST(autoregressive な VLA) - LIBERO / LIBERO-Long(評価 benchmark) - MetaWorld(評価 benchmark) - recovery demonstrations や policy retraining を用いる従来の failure recovery 研究(個別名は要旨からは不明)