RAPT：面向 Sim-to-Real 人形机器人的模型预测型分布外检测与故障诊断
机器人学
2026-02-03 v1 机器学习
摘要
将学习型控制策略部署到人形机器人上具有挑战性：在仿真中看似稳健的策略在 Sim-to-Real 迁移后，可能会在分布外状态下自信地执行，从而导致静默故障并危及硬件安全。虽然异常检测可以缓解此类故障，但现有方法往往与高频率控制不兼容、在实际部署所需的极低假阳性率下校准不良，或作为黑盒运作，仅提供二元停止信号而不解释机器人为何偏离正常行为。我们提出 RAPT，一种用于 50Hz 人形控制的轻量级、自监督部署时监控器。RAPT 从仿真中学习正规执行的概率时空流形，并在执行时评估预测偏差作为校准的、按维度的信号。这实现了：（i）在严格的假阳性约束下实现可靠的在线分布外检测；（ii）提供连续、可解释的 Sim-to-Real 不匹配度量，可随时间跟踪以量化部署相对于训练的漂移程度。除检测外，我们引入了自动后处理根因分析管道，结合 RAPT 重构目标派生的基于梯度的时间相关性显著性与 LLM 推理，基于显著性和关节运动学，在零样本设置下生成语义故障诊断。我们在 Unitree G1 人形机器人上进行评估，分别在仿真中进行四项复杂任务的评估，以及在物理硬件上进行部署。在大规模仿真中，RAPT 在固定 episode 级假阳性率为 0.5% 时，相对于最强基线提高了 37% 的真阳性率（TPR）。在实际部署中，RAPT 实现了 12.5% 的 TPR 提升，并提供可操作的可解释性，仅使用关节感知数据即可在 16 起实际故障中实现 75% 的根因分类准确率。
引用
@article{arxiv.2602.01515,
title = {RAPT: Model-Predictive Out-of-Distribution Detection and Failure Diagnosis for Sim-to-Real Humanoid Robots},
author = {Humphrey Munn and Brendan Tidd and Peter Bohm and Marcus Gallagher and David Howard},
journal= {arXiv preprint arXiv:2602.01515},
year = {2026}
}