연구진은 VLA 모델의 실행 실패를 감지하는 새로운 프레임워크 'Hide-and-Seek'를 제안했어요. 이 프레임워크는 trajectory 수준의 감독만으로 시간적으로 구조화된 실패 신호를 유도하며, 단계별 주석 없이도 실패를 나타내는 행동을 찾아내요. LIBERO, VLABench, 실제 로봇 플랫폼에서 OpenVLA, π_0, π_{0.5} 정책을 통해 평가 결과, 기존 방법보다 우수한 성능을 보여줬어요.
Hide-and-Seek는 inter-trajectory와 intra-trajectory contrastive objectives를 결합하여 VLA 실패 감지를 coarse하게 감독하는 학습 문제로 정의해요. 이를 통해 정확도와 적시성 간의 균형을 맞추고, 기존 방식보다 실용적인 성능을 제공해요.
연구 결과, Hide-and-Seek는 conformal prediction 하에서 state-of-the-art의 다중 작업 실패 감지 성능을 달성하며, 기존에 학습한 작업과 새로운 작업 모두에 잘 작동하는 것을 확인했어요.