CARE：經驗導向的原子校正式執行框架
為何重要
此研究解決了 VLA 模型在即時操控中容錯性低的關鍵痛點，提出的「原子校正」機制提供開發者在極端環境下保護作業進度的參考框架。儘管目前以學術與技術突破為主，但它驗證了在真實世界中從失敗中反向學習的可行性。
視覺語言動作政策在機器人操作領域表現強勁，但容易因執行偏離預期軌跡而失效。研究提出經驗導向的原子校正式執行（CARE）框架，透過學習失敗情境來提升政策容錯率。
- CARE 收集執行中遇到的失敗 rollouts 並建模失效後的偏差，用於合成代表性的失效狀態與校正示範。
- 推論時結合階段規劃與 3D 監控，觸發原子層級的微調或重新操作，以保留任務進度。
- 新引進的 FSR-Bench 針對從中間失效狀態恢復的能力進行評估，實驗顯示在模擬器與現實世界雙臂任務中，平均任務成功率分別提升 14.5 點與 15.9 點。