Foresight：基于动作条件世界模型潜在表示的长时域机器人操作故障检测

arXiv 2026 53.4 method, application

TLDR

Foresight利用动作条件世界模型潜变量和共形预测检测长期机器人操作中的失败，经仿真和真实机器人验证。

评分理由

The paper addresses an underexplored problem with a novel framework that leverages world model embeddings for failure detection, requiring only final task labels. Strengths include real-world validation and adaptive threshold calibration; weaknesses are limited detail on limitations and comparison baselines in the abstract.

Read-first 评分解释

综合优先阅读分 53.4，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 27。

近期性 6%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

引用影响力 18%

95.2

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。归一化引用分位：0.95172744

方法质量 18%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基准、评估、结果

主题相关性 29%

38.6

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 18%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：无

引用速度 12%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

基础论文前沿论文桥接论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：387。

关键词评分

world model

world dynamics prediction

interactive world model

model-based reinforcement learning world model

generative world model

world simulator

video world model

深度分析

创新点

使用动作条件世界模型潜在表示作为跨不同策略的故障检测统一表示
仅使用最终任务级成功/失败标签训练故障检测，消除对密集时间标注的需求
通过函数共形预测（FCP）进行自适应阈值校准以实现鲁棒检测

方法

Foresight训练一个动作条件世界模型，从操作轨迹生成潜在嵌入。这些嵌入作为故障检测器的输入，该检测器仅使用最终任务级成功/失败标签进行训练。检测阈值通过函数共形预测（FCP）自适应校准，以处理不同条件。

关键结果

Foresight在多个模拟基准（LIBERO-Long、ManiSkill-Long、BEHAVIOR-1K）上优于最先进的故障检测方法，并在真实机器人（ReactorX-200机械臂和Franka机械臂）上针对长时域任务进行了验证。

局限性

需要训练动作条件世界模型，这可能计算成本高且数据密集
性能可能取决于世界模型嵌入的质量和覆盖范围
评估仅限于特定模拟环境和少量真实机器人任务

资源

论文