FLARE：视觉语言机器人操作中自主纠正和恢复的故障感知框架

视觉-语言-动作模型~（VLA）在推广复杂的长视野机器人操作任务方面表现出了巨大的前景。然而，它们的性能仍然很脆弱，因为它们通常接受轨迹单调、无故障演示的训练。这种对“完美”数据的依赖使它们无法从常见的执行错误中恢复，例如错过抓取、掉落的物体或意外碰撞。在本文中，我们提出了 FLARE，这是一种新颖的框架，通过“重试”和“重置”范式赋予 VLA 强大的错误恢复能力。首先，我们引入了一种“重试”机制，通过注入扰动和桥接段将机器人姿势与环境状态解耦到演示中，使策略能够自主执行处理执行偏差。其次，为了解决关键的、破坏状态 (OOD) 的故障，我们引入了“重置”管道。我们利用 MLLM 进行离线故障分析，自动从执行视频中识别 OOD 状态。这种分析能够高效、有针对性地收集以对象为中心的“重置”技能小型库，这些技能经过训练，可以将环境恢复到任务有效状态。我们的完整框架整合了这些学到的政策。在推理时，在线 MLLM 监视器在任务执行和“重置”技能之间进行仲裁。对具有挑战性、接触丰富的操作任务的实验表明，我们的方法显着提高了任务的成功率和鲁棒性。