Skip to content
具身智能数据

闭环纠错与失败经验数据

一段成功或失败的末尾标签，无法解释机器人在哪一步偏离目标。VLA-Corrector按任务阶段核验可观测状态并恢复固定 VLA 策略；CommitFlow把每阶段必须建立的物理条件称为语义承诺。数据集应记录“原本预期什么、实际观察到什么、依据什么纠错”，这样失败才可复查与再利用。

机器人执行过程中从阶段承诺、状态观测、偏差判断到修正和经验回写的闭环

概念与数据问题

Section titled “概念与数据问题”

闭环纠错是利用执行后的新证据更新动作。局部修正只调整当前步骤，重规划则可能改变后续策略；两者都要与原计划关联。Body-Grounded Replanning把机器人自身关节负载和活动能力用于高层重规划，残差故障适应处理运行中关节指令通道故障。单靠物体视觉状态无法覆盖所有失败类型。

采集、处理与对齐

Section titled “采集、处理与对齐”

采集：保存原始指令、阶段目标、每次动作前后观测、实际动作、故障信号、人类接管和最终结果。GRAFT在有限真机交互中做在线适应，REVOLVE把失败评估、纠正和环境重置组成自动化循环；这些研究都说明失败轨迹是有效数据，而不是应删除的“脏样本”。

标注与处理：先标失败出现的阶段和可观察证据，再标修正策略及其影响。TraceFlow用成功和失败轨迹引导冻结的 flow-matching 策略；Self-Adaptive VLA关注部署时硬件磨损或标定偏差。对硬件变化要记录型号、标定和故障时间；对任务变化要记录指令和目标版本，避免误把环境改变标成策略错误。

闭环纠错样本绑定预期状态、实际偏差、修正动作和复验结果

最小字段契约

Section titled “最小字段契约”

字段名是建议的数据接口，不表示所引论文使用完全相同的文件格式。

字段 记录内容 检查重点
episode_id / stage_id 任务和当前阶段 每次修正关联原任务
expected_condition 阶段应满足的物理条件 可由观测或传感器验证
observed_state / evidence_uri 图像、状态和故障证据 证据时间先于修正
deviation_type / confidence 目标错位、滑移、关节故障等 不确定原因可保留多标签
original_action / applied_action 计划动作与实际执行 区分控制器覆盖
correction_type / parameters 残差、提示、重规划或接管 修正版本和幅度可追溯
recheck_condition / outcome 复验结果与最终结果 局部恢复不等于任务成功
robot_health / calibration_id 负载、故障和标定状态 硬件偏移可归因

质控与评估

Section titled “质控与评估”

失败检测应按阶段类型、扰动强度和可观测性评估漏报与误报；恢复则统计修正后的成功、额外动作、时间和安全事件。CommitFlow强调每步物理承诺需要复验，VLA-Corrector强调阶段感知，TraceFlow强调失败经验回用。比较策略时保留相同初始条件和扰动协议，不要只挑容易恢复的案例。

闭环系统的失败发现、恢复和跨场景经验复用三层评估

数据集使用边界

Section titled “数据集使用边界”

训练数据里可能同时有自然失败和人为注入扰动，二者分布不同，应单独标记。修正策略在新硬件或新场景上可能放大错误；应设独立安全停止条件。失败原因若不可直接观测，标签应写成“怀疑的机制”并附证据，而非伪造确定诊断。

本主题论文

Section titled “本主题论文”

以下论文按清单中的主主题归档。跨主题使用时，应重新核对任务、传感器和评测口径。