RoboFAC：机器人失败分析与纠正框架

本页是 RSI 数据集版图 中"机器人操作失败"一列的第二个数据： RoboFAC ^[1]（2025）——9,440 条错误操作轨迹 + 78,623 个 QA pair， 把"VLA 失败"拆成理解 → 分析 → 纠正三段式问题。

1. 数据概况

问题结构对应三个子任务：

$\text{Task Understanding} \rightarrow \text{Failure Analysis} \rightarrow \text{Failure Correction}$

2. 结果

• 专用轻量多模态模型可本地部署，失败分析准确率比 GPT-4o 高 34.1%；
• 作为外挂 supervisor 接入真实 VLA 控制管线：四个任务上 相对提升 29.1%，同时延迟显著低于 GPT-4o。

3. 对 RSI 的定位

与 ViFailback 同样停在"当次纠正"： supervisor 指出失败、给出纠正，VLA 参数并不因这次失败而改变。 它的价值在于：

• 多模态 trajectory critic 的直接训练料——三段式 QA 比 纯 GUI 截图数据更贴近"诊断"的推理形态；
• 仿真 + 真实混合，便于先在 sim 里跑通 lesson 提取、 再迁移到 real（对照 GUI-360° 在 GUI 侧的同样角色）。

参考文献

[1] YE Z W, LU W F, YE M H, et al. RoboFAC: a comprehensive framework for robotic failure analysis and correction[J/OL]. arXiv preprint arXiv:2505.12224, 2025. https://arxiv.org/abs/2505.12224

© 2026 Yang Huan · yanghuan9812@qq.com