机器人前瞻（公众号：robot_pro）
作者 | 刘俐杉
编辑 | 许丽思
机器人前瞻8月13日报道，近日，加州大学圣地亚哥团队发布论文《FACT：面向世界-动作模型的多故障感知因果训练》，推出了一款因果世界-动作模型FACT。
简单来说，FACT就是先生成动作，后根据这个动作去预测做完之后会发生什么，任务会推进多少。
现有的WAM模型大多只用成功案例来训练，模型看不到“错误动作会带来什么后果”。而FACT的特点在于，它将失败的轨迹用来训练，不学习其中错误的具体操作，而是学习这些错误操作所造成的后果，这也避免了模型在错误动作下产生“任务能成功”的幻觉。
而实验结果也显示，FACT的性能优于现有的多种基线方法，在可见任务中，FACT的成功率可达82%，随着故障数据加入训练，模型性能也得到了提升。
▲《FACT：面向世界-动作模型的多故障感知因果训练》
一、先生成动作，后预测结果
构建通用机器人策略是机器人学习领域的核心目标。视觉-语言-动作模型（VLA）给定图像观测与语言指令，模型可学习并输出机器人动作。
与之互补的世界-动作模型（WAMs），则通过引入未来视觉预测强化了这一范式。它们利用视频模型或未来预测目标，在学习控制的同时，学习场景在机器人交互下将如何演化。
现有的WAM通常将预测的未来作为选择动作的中间信号，要么像是“视频优先”系统那样，先构想未来视频，再利用逆向动力学模型解码出动作；要么是将预测的未来帧或隐变量作为动作预测的条件。但两种方法可能会导致在测试阶段，即便机器人做出了错误动作，模型依然会盲目预判任务成功。
那么要如何才能将未完成目标的失败轨迹用作后果监督，加以利用，同时又不把失败的动作当成模仿目标？
该研究团队提出了FACT，这是一种“先生成动作，后预测结果”的因果世界-动作模型。FACT会给出备选动作，再将这些动作带入模型，预测未来视频与任务进度值。
在架构设计，论文将整个Token顺序拆解为五段，其中P是观测前缀，A是预测动作片段，G是清晰的教师强制动作片段，V是价值片段，I是未来视频片段。
▲FACT架构图
价值评估与未来视频预测均基于“干净的动作G”进行条件约束。而“带噪的动作槽A”无法直接接触到干净动作，因此模型能利用对未来结果的预测来提升动作生成的精准度，同时又不会造成目标信息的泄漏。
成功示范数据同时会对动作预测和世界预测进行监督；对于失败轨迹的采样，模型会屏蔽动作模仿损失，但依然会对观察到的失败未来以及较低的任务进度值进行监督。这样可以让模型学会理解“失败后果”，而非盲目模仿“错误行为”。
由于在失败结果上接受过训练，价值评估模块对动作变得高度敏感。在实际部署时，它可以对采样的N个候选动作进行打分和排序，从而提升系统的可靠性。
二、成功率82%，推理速度提升3倍
在真机验证上，团队通过基准测试对比、受控变体对照以及诊断性分析对FACT进行评估。该实验主要围绕FACT整体性能表现、动作条件的作用和故障数据的价值三个方面展开。
在仿真环境中，研究团队让模型在50个RoboTwin任务上进行训练，并加入了约1.3K条推演故障数据。
如下图显示，视频联合训练将FACT的平均成功率从81.8%提升到了85.6%，而故障联合训练进一步将其提升至87.5%。这使得FACT在该基准测试上的表现非常接近Motus，FACT成功率为87.5%，Motus为87.8%，同时在部署推理时的运行速度约为其3倍。
▲RoboTwin模拟结果
该研究团队评估了叠方块、抓方块、双臂交接、叠碗以及倒水这5个可见操作任务，以及叠方块、抓方块、叠碗这3个改变了物体颜色、形状和相应指令的保留不可见变体。
▲可见操作任务和不可见任务
方块操纵任务使用了200条专家示范数据，其余可见任务各自使用50条。并且该研究为每个方块任务采集了约30条故障推演轨迹用于联合训练。
在可见任务中，FACT的表现优于Motus，FACT的成功率为82%，而Motus的成功率仅为64%，故障感知训练将该成功率进一步从82%提升到了89%，结合可选的打分机制后更是达到了92%。
▲可见任务与不可见任务结果
值得注意的是，在没有引入失败后果数据的前提下，单凭打分机制并不能提升性能，这证实了价值头只有在经过后果训练后才真正具备实用价值。
在不可见变体上，故障感知训练将成功率从67%提升至77%，结合可选的打分机制后达到82%。这一结果非常接近π0.5模型的85%，尽管π0.5得益于大规模机器人预训练，而FACT并未使用此类预训练数据。
结语：在失败中学习，仍有不足
该论文提出的FACT通过将“先生成动作，后预测后果”的因果顺序引入世界-动作模型，将失败轨迹转化为有效的后果监督信号，避免了模型在执行错误动作时，也依旧盲目预测“自己能够成功”的幻想。
但同时，FACT仍有局限。首先，在价值头设计上仍需改进，未来工作可以在保持相同动作条件化价值接口的前提下，替换当前的价值头，或引入可学习式的进度估计器来增强。
其次，在价值引导筛选上会带来额外计算开销，最佳候选选择策略是以计算量换取可靠性。在延迟要求严苛的场景下，FACT可以仅运行动作模式而跳过价值引导的选择，但若要进行价值引导的候选筛选，则需要对每个候选批次额外执行一次评分前向传播。
