Can We Detect Failures Without Failure Data? Uncertainty-Aware Runtime Failure Detection for Imitation Learning Policies
作者: Chen Xu, Tony Khuong Nguyen, Emma Dixon, Christopher Rodriguez, Patrick Miller, Robert Lee, Paarth Shah, Rares Ambrus, Haruki Nishimura, Masha Itkina
发布时间: 2025-03-12
来源: arxiv
研究方向: 机器人学与机器学习
主要内容
该论文研究了如何在不依赖失败数据的情况下检测机器人操作中的故障。作者提出了FAIL-Detect，一种基于模仿学习的机器人操作故障检测方法，通过提取策略输入和输出的标量信号，并利用符合性预测进行不确定性量化，从而实现故障检测。
主要贡献
1. 提出了FAIL-Detect，一种基于模仿学习的机器人操作故障检测方法。
2. 设计了两种阶段的故障检测框架：第一阶段提取策略输入和输出的标量信号，第二阶段使用符合性预测构建时间变化的阈值。
3. 提出了新的学习得分方法logpZO，并证明了其在故障检测中的有效性。
4. 在模拟和真实机器人硬件任务上进行了实验，验证了FAIL-Detect的有效性和优越性。
研究方法
1. 模仿学习
2. 符合性预测
3. 密度估计
4. 第二阶分布
5. 单类判别器
6. 后处理指标
7. 时间序列分析
实验结果
实验结果表明，FAIL-Detect在模拟和真实机器人硬件任务上均优于现有的故障检测方法。学习得分方法logpZO在多数情况下均表现出优异的性能。FAIL-Detect能够有效地检测出故障，且检测时间快于其他方法。
未来工作
未来可以探索以下方面：1) 利用视觉信息提高故障检测性能；2) 考虑时间序列数据以提高故障预测；3) 考虑多模态传感器信息。