失敗から学ぶ：物理的失敗の理解と修正のためのフィードバック学習

- 本論文は、embodied intelligence の認知基盤としての Multimodal large language models (MLLMs) が実行中の失敗を理解し修正する能力を欠いている点を問題視する研究。 - 提案手法 Embodied-Corrector は、実行のずれの原因を特定し、実現可能な範囲を認識し、経験に基づいて計画を修正する embodied brain の実現を目指す。 - 失敗の causal failure localization、capability-constrained adaptation、experience-driven revision の3能力に対応する。 - 失敗回復データの構築と Judge-Cause-Sub-Fine 監督による学習、OPD による計画分布の内部化を行う。

- 既存の embodied foundation models は、指示からの計画だけでは信頼性が不十分で、実行時の失敗理解・修正能力をほとんど持たないと指摘。 - 本研究は失敗回復データを体系的に構築し、失敗の Judge・Cause・Sub・Fine を統合的に監督する点が新しい。 - さらに OPD により、正確な prefix 下の計画分布を自己生成 prefix 下へ内部化する点が先行研究と異なる。 - 具体的な比較対象の研究名は要旨からは不明。

- 成功 trajectory の subtask 境界に perturbation を注入し、影響 subtask を replay して、公開証拠から観測可能かつ現状態から回復可能な失敗のみを保持して失敗回復データを構築。 - 行動・結果・失敗原因・回復を Judge-Cause-Sub-Fine 監督に整列。 - evaluation-first SFT を採用し、まず Judge と Cause を学習し、正確な prefix を条件に Sub と Fine を学習。 - 展開時は自己生成 prefix を使うため誤差が伝播する問題に対し、OPD を導入。自己生成 prefix から計画を生成しつつ、正確な prefix との contrastive forward pass で token 確率を比較し、計画 token を強化・抑制。展開時はこの分岐を除去。

- 失敗分析と修正計画の性能を実験で評価。 - frozen VLA を用いた場合、composite task success が 6.1 percentage points 向上。 - 固定 GPT-5.5 実行下で、manipulation と navigation タスクが 13.9 percentage points 向上。 - 具体的なデータセット名・ベンチマーク名・被験者数などは要旨からは不明。

- 展開時に自己生成 prefix を用いることで評価誤差が回復計画へ伝播する点を議論し、response-level rewards では影響を受けた planning tokens の特定が粗すぎることを指摘。 - これを OPD で緩和する設計を提示。 - 失敗データは公開証拠から観測可能かつ現状態から回復可能なものに限定しており、それ以外の失敗への一般化は要旨からは不明。 - 計算コストや安全性、実ロボットでの長期運用に関する議論は要旨からは不明。

- 要旨で直接参照・比較されている個別研究名は不明。 - 関連手法として、embodied foundation models、Vision-Language-Action (VLA) モデル、failure recovery に関する研究、SFT と強化学習/選好学習による計画修正の研究を次に読む候補として挙げる。 - 特に GPT-5.5 を用いた実行評価や frozen VLA との比較設定に関連するベースライン論文を確認すべき。