Recoleta Item Note
RC-NF: Robot-Conditioned Normalizing Flow for Real-Time Anomaly Detection in Robotic Manipulation
该论文提出 RC-NF，一种面向机器人操作的实时异常检测模块，用于监控机器人状态与目标物体运动轨迹是否仍与任务一致。它面向 VLA/模仿学习策略在动态环境中的 OOD 失效问题，强调仅用正常演示进行无监督训练并以亚 100ms 延迟在线报警。
Summary
该论文提出 RC-NF，一种面向机器人操作的实时异常检测模块，用于监控机器人状态与目标物体运动轨迹是否仍与任务一致。它面向 VLA/模仿学习策略在动态环境中的 OOD 失效问题，强调仅用正常演示进行无监督训练并以亚 100ms 延迟在线报警。
Problem
- VLA 模型在真实动态环境中常遇到分布外（OOD）情况，执行会偏离任务目标，但缺少足够快且准确的运行时监控。
- 现有失败检测常依赖异常类别枚举或人工规则，难以覆盖机器人操作中组合爆炸式的异常情形。
- 基于大模型/VLM 的监控虽有语义能力，但往往需要多步推理，延迟达到秒级，难以及时触发回滚或重规划。
Approach
- 用条件正则化流建模“正常任务执行”的联合分布：输入是目标物体的点集轨迹，条件是机器人状态与任务嵌入；推理时用负对数似然作为异常分数，分数越高越异常。
- 提出 RCPQNet 作为流模型的仿射耦合层：把机器人状态当作 task-aware query，把物体点集特征当作 memory，通过交叉注意力生成变换参数。
- 视觉侧先用 SAM2 分割目标物体，再对 mask 做网格采样得到点集；这样比直接用原始图像特征更聚焦、更抗噪。
- 点特征编码采用双分支：一支建模归一化后的动态形状，另一支保留位置残差信息，再用 GRU/Transformer 捕捉时序关系。
- 训练仅使用成功示范（LIBERO-10，每任务 50 条），并通过任务级阈值校准实现异常触发；部署后可作为即插即用模块，驱动状态级回滚或任务级重规划。
Results
- 在新提出的 LIBERO-Anomaly-10 基准上，RC-NF 在三类异常上均为最优，平均 AUC 0.9309 / AP 0.9494。
- 相比最强基线，平均提升约 8% AUC 和 10.0% AP；按表中数值看，相比 GPT-5 的平均 0.8500/0.8507，分别提升 +0.0809 AUC、+0.0987 AP。
- 对 Gripper Open：RC-NF 达到 AUC 0.9312 / AP 0.9781，优于 GPT-5 的 0.9137 / 0.9642，也显著高于 FailDetect 的 0.7883 / 0.9032。
- 对 Gripper Slippage：RC-NF 达到 AUC 0.9195 / AP 0.9180，优于 GPT-5 的 0.8941 / 0.8720，显著高于 FailDetect 的 0.6665 / 0.6932。
- 对 Spatial Misalignment：RC-NF 达到 AUC 0.9676 / AP 0.9585，而 GPT-5/Gemini/Claude 约为 AUC 0.49–0.53、AP 0.40–0.43，FailDetect 为 0.6557 / 0.5820，显示其在空间语义错位检测上优势尤其明显。
- 真实机器人实验中，RC-NF 报告响应延迟低于 100 ms，并可作为 [0mπ₀ 等 VLA 策略的 plug-and-play 监控器，触发状态级 rollback 或任务级 replanning；文中未给出更详细的真实世界成功率数字。
Link
Built with Recoleta
Run your own research radar
Turn arXiv, Hacker News, OpenReview, Hugging Face Daily Papers, and RSS into local Markdown, Obsidian notes, Telegram digests, and a public site.