自回归世界动作模型中故障恢复的因果历史测试时间缩放

通过联合建模未来的视觉动力学和机器人动作，世界动作模型（WAM）已成为机器人操纵的一个有前途的范例。然而，现有的 WAM 主要是根据成功的轨迹进行训练的，当现实世界的执行与学习的动态偏离时，它们很容易失败。这个问题在自回归 WAM 中被放大，其中执行错误成为因果历史的一部分，并继续影响后续预测。为此，我们引入了 \method{}，一个无需训练的框架，它将故障恢复重新表述为 \emph{因果历史上的测试时间缩放}。该公式将恢复分解为三个耦合决策：\emph{when} 修改因果历史记录，\emph{where} 恢复可靠的历史前缀，以及 \emph{which} 历史配置最支持后续执行。具体来说，\method{}通过三个阶段实现这些决策： 1) \textbf{Progress-Aware Recovery Trigger} 检测持续无进展，仅在当前执行状态允许干预时触发恢复； 2) \textbf{History-Prefix Recovery} 识别不可靠的历史后缀，检索与当前物理状态匹配的历史锚点，并根据最新的真实观察结果从保留的前缀重建因果 KV 状态； 3）\textbf{假设验证}比较由完整历史、恢复前缀和完全重置假设引起的未来延续，并提交最佳支持的假设。模拟和现实操作环境中的实验表明，任务成功率得到了持续改善，而消融则证实了每个恢复阶段的贡献。