SAFECAST：通过对比集训练和校准对 VLA 策略进行鲁棒故障检测

视觉-语言-动作策略通常会在部署时间分布变化的情况下失败，例如杂乱、分散注意力的物体、照明变化、新颖的物体、改变的初始状态和改写的指令。基于隐藏状态的风险探测器与功能共形预测相结合可以检测执行失败，但其可靠性取决于与部署条件匹配的校准数据。我们引入了 SAFECAST，它利用对比集扰动来改进隐藏状态探针的训练和部署分布变化的校准。在跨多个 VLM 主干的现实世界 DROID 和 LIBERO 模拟实验中，SAFECAST 在统计上显着提高了故障检测 ROC-AUC 分数，超过了最先进的基线。我们进一步发现，当视觉和语言对比集扰动都用于增强数据时，SAFECAST 受益最大，并且通过对比集扰动，模拟到真实的校准比仅使用真实执行轨迹数据带来更好的探测。