前瞻：具有动作条件世界模型潜伏的长视野机器人操作的故障检测

长期任务在现实世界的机器人部署中很常见，但此类任务的故障检测仍未得到充分探索。检测长范围机器人任务中的故障特别具有挑战性，因为故障的发生通常是不明确的，并且密集的时间注释通常不可用。我们提出了 Foresight，一个故障检测框架，它使用来自动作条件世界模型的潜在表示来监视操作轨迹。仅使用最终任务级别的成功或失败标签来训练远见。通过利用预测世界模型嵌入，我们的方法为跨不同策略的故障检测提供了统一的框架。我们进一步使用功能共形预测（FCP）来自适应地校准检测阈值。我们在 LIBERO-Long、ManiSkill-Long 和 BEHAVIOR-1K 上的模拟中使用最先进的视觉-语言-动作策略来评估 Foresight，将其与最先进的故障检测方法进行比较，并在真实机器人上进行验证，在 ReactorX-200 手臂上执行三个长视野任务，在 Franka 手臂上执行一项任务。我们的结果表明，动作条件的世界模型嵌入为长范围操作中的可靠故障监控提供了可扩展的表示。