RC-NF：用于机器人操作中实时异常检测的机器人条件化正规化流
计算机视觉与模式识别
2026-03-13 v1 机器人学
摘要
最近的视觉语言动作（VLA）模型进展使机器人能够执行越来越复杂的任务。然而，基于模仿学习训练的 VLA 模型在动态环境中难以可靠运行，常在分布外（OOD）条件下失败。为此，我们提出机器人条件化正规化流（RC-NF），一种用于机器人异常检测和干预的实时监控模型，确保机器人的状态与物体运动轨迹与任务一致。RC-NF 在正规化流中解耦了任务感知的机器人状态和物体状态的处理。它仅需正样本即可进行无监督训练，并通过概率密度函数在推理阶段计算准确的机器人异常得分。我们进一步提出了 LIBERO-Anomaly-10 数据集，用于仿真评估，包含三类机器人异常。RC-NF 在所有异常类型上均实现了与先前方法相比的领先性能。实际实验表明，RC-NF 可作为 VLA 模型（如 pi0）的即插即用模块，提供实时 OOD 信号，当必要时可实现状态级回滚或任务级重规划，响应延迟低于 100 毫秒。这些结果表明，RC-NF 在动态环境中显著提升了 VLA 机器人系统的鲁棒性和适应性。
引用
@article{arxiv.2603.11106,
title = {RC-NF: Robot-Conditioned Normalizing Flow for Real-Time Anomaly Detection in Robotic Manipulation},
author = {Shijie Zhou and Bin Zhu and Jiarui Yang and Xiangyu Zhao and Jingjing Chen and Yu-Gang Jiang},
journal= {arXiv preprint arXiv:2603.11106},
year = {2026}
}
备注
Accepted to the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026