1. 论文基本信息

1.1. 标题

I-FailSense: Towards General Robotic Failure Detection with Vision-Language Models
中文：I-FailSense：迈向基于视觉-语言模型的通用机器人失败检测

1.2. 作者

Clémence Grislain*, Hamed Rahimi*, Olivier Sigaud, Mohamed Chetouani（* 等贡献）
单位：法国 索邦大学 智能系统与机器人研究所（ISIR, Sorbonne Université）

1.3. 发表期刊/会议

来源：arXiv 预印本。该方向目前活跃于机器人与多模态学习的顶会（如 ICRA、CoRL、NeurIPS、ICML、CVPR 等）；论文与主线问题高度相关，具备较强的前沿探索价值。

1.4. 发表年份

2025（arXiv v2 上传时间：2025-09-19）

1.5. 摘要

论文面向“语言条件（language-conditioned）”的机器人操作失败检测，特别关注“语义失配错误（semantic misalignment errors）”：机器人执行了有意义但与指令不一致的动作。作者提出：

1. 一套从现有语言条件操作数据中构建“语义失配失败（SMF）”检测数据集的方法；
2. I-FailSense 方法：在基础视觉-语言模型（VLM）上两阶段后训练（LoRA 参数高效微调 → 冻结 VLM 并在不同层接入轻量二分类头 FS blocks），通过“加权投票仲裁”聚合多层预测，实现鲁棒失败检测。

主要发现：

• 在语义失配检测上，I-FailSense 超过同体量和更大体量的 SOTA VLM；

• 仅在语义失配上训练，仍能泛化到更广泛的失败类别（控制错误）；

• 能零样本/小量后训练迁移到新仿真环境与真实场景。

  代码与数据在 HuggingFace 与项目页公开。

1.6. 原文链接

• arXiv： https://arxiv.org/abs/2509.16072v2
• PDF： https://arxiv.org/pdf/2509.16072v2.pdf
• 项目页（Webpage）：https://clemgris.github.io/I-FailSense/
• 发布状态：arXiv 预印本（v2）

2. 整体概括

2.1. 研究背景与动机

• 背景：视觉-语言模型（Vision-Language Model, VLM）在机器人中广泛用于指令理解、规划与空间推理，但“自我失败检测”能力薄弱，尤其是“语义失配错误（semantic misalignment）”：机器人动作看似合理，但与语言目标不一致（如转错方向、操作了相近但错误对象）。

• 重要性：自动失败检测对于部署至真实环境至关重要，可用于奖励塑形、任务验证、策略改进（例如人类反馈学习）、错误恢复等。

• 现有缺口：过去工作多关注“控制错误（control errors）”（如抓取失败、掉落），较少研究“语义对齐失败”。后者更难，因为需要跨时空地将语言与轨迹对齐。

• 创新思路：专门面向语义失配失败构建数据集，并提出 I-FailSense，充分利用 VLM 内部表征，在不同层添加二分类 FS blocks 并通过“有锚定（grounded）的仲裁（arbitration）”聚合，提升检测准确性与鲁棒性。

  在介绍整体能力后，作者以图示概览系统目标与泛化情形： 下图（原文 Figure 1）概览了 I-FailSense 如何根据语言指令对轨迹进行成功/失败分类，并从语义失配检测泛化到控制错误、新仿真环境以及真实场景：

该图像是一个示意图，展示了 I-FailSense 系统如何基于语言指令对机器人的观察轨迹进行成功或失败分类。系统通过检测语义不一致错误，能够有效识别控制错误以及新仿真环境下的错误，并在实际环境中以最小的后期训练实现转移。

2.2. 核心贡献/主要发现

• 方法论贡献：
  • 提出两阶段后训练框架：先用 LoRA 对基础 VLM 进行监督微调（输出成功/失败词元），再冻结 VLM，于其多层接入轻量二分类头（FS blocks），并通过加权投票仲裁整合预测。
  • 设计“语义失配失败（SMF）”数据构建流程：用已有专家演示，将正确轨迹与非对应但同任务族的指令配对，生成难负例。
• 经验结论：
  • 在 SMF 检测上，I-FailSense 较零样本 SOTA VLM 大幅领先（DsMF-CALVIN 上可达 90% 准确率）。
  • 虽只在 SMF 训练，I-FailSense 对控制错误的检测（AHA 数据集）仍显著优于专门在 AHA 上训练的基线（+19 个点）。
  • 通过少量后训练（仅 FS blocks），能有效迁移至真实场景（DsMF-DROID），最高达 74% 准确率。
• 实践意义：证明“利用 VLM 内部多层表征 + 仲裁聚合”的架构对失败检测任务有效；强调“语义失配”是极具挑战且信息量高的错误类型。

3. 预备知识与相关工作

3.1. 基础概念

• 视觉-语言模型（Vision-Language Model, VLM）：同时处理图像/视频与语言输入，学习跨模态对齐与推理的模型家族。
• 语言条件机器人操作（language-conditioned manipulation）：以语言指令为目标条件，控制机器人执行操作任务。
• 失败类型：
  • 控制错误（control errors）：低层控制或物理失败，如“抓取不牢”“掉落”等。
  • 语义失配（semantic misalignment）：高层语义对齐失败。机器人完成了“某个”合理动作，但与语言目标不符（如“向左转”执行成“向右转”）。
• 参数高效微调（Parameter-Efficient Fine-Tuning, PEFT）：在冻结大部分参数的前提下，通过小量可训练模块适配新任务。LoRA（低秩自适应，Low-Rank Adaptation）是代表性技术，在注意力投影层插入低秩更新矩阵。
• 多头注意力（Multi-Head Attention, MHA）：在 Transformer 中同时在多个子空间计算注意力，聚合多视角特征。
• 有锚定的仲裁（grounded arbitration）：基于模型内部多层语义表征，构建多个“裁决者”（FS blocks），用加权投票得到更鲁棒的最终判决。
• Egocentric/Exocentric（自我中心/外视角）：摄像机位于机器人（如夹爪）上或外部固定位置。多视角组合可补充时空信息。
• POMDP（部分可观测马尔可夫决策过程, Partially Observable Markov Decision Process）：常用于表述语言条件操作任务。论文形式化如下（见 4.1 与 4.2）。

3.2. 前人工作

• 失败分析与诊断：HRI 与 TAMP 领域强调失败检测与解释的重要性；近期如 AutoEval、RoboMD 推进自动化评估与诊断，用于策略改进。
• VLM/LLM 用于失败检测：零/小样本作为成功/失败判别器，或通过指令微调适配。AHA（2024）将失败分析公式化为生成式自由文本解释任务，推动错误恢复与性能提升。
• 表征利用：有工作从 VLM/VLA 的中间层抽取特征用于监控、失败检测（如 SAFE 关注控制错误）。本文进一步利用多层表征“多头投票”，提升鲁棒性与准确率，并将重点放在更难的“语义失配”。

3.3. 技术演进与差异化

• 以往多聚焦控制错误；本文构造针对“语义失配”的难负例数据，并通过“冻结 VLM + 多层二分类头 + 投票仲裁”的判别式设计，显式对齐语言-轨迹关系。
• 与 AHA 的生成式解释不同，I-FailSense 将“解释能力”与“高精度二分类”解耦，优化用于严苛触发恢复机制的检测精度。

4. 方法论

下图（原文 Figure 2）展示了 I-FailSense 的整体架构：左侧为输入拼接与基础 VLM；右侧为接入多层的 FS blocks 及最终仲裁。

该图像是I-FailSense框架的示意图，展示了视觉语言模型(VLM)与语言模型(LLM)之间的结构和数据流。框架通过FS块对失败进行检测，并通过投票机制输出任务成功或失败的结果。

4.1. 方法原理

核心思想：

• 语言-轨迹对齐的难点在于时空维度的跨模态关联。先用 LoRA 让基础 VLM 适配“失败判别”这一目标输出（成功/失败词元），再冻结之；
• 在语言模块（LLM）多层抽取中间表征，接入若干轻量二分类头（FS blocks），分别给出判别，并用加权投票仲裁，融合不同抽象层次的证据，提高鲁棒性与准确率。

4.2. 输入与问题形式化

论文将语言条件操作表述为 POMDP：

• 形式：$\mathcal{M} = (S, A, \mathcal{T}, \rho_{0}, \Omega, O, G)$

  • $S$：状态空间；初始状态服从 $\rho_{0}$
  • $A$：动作空间（如关节/末端控制指令）
  • $\mathcal{T}$：环境转移函数
  • $\Omega$：观测空间；$O$：观测函数
  • $G$：语言目标空间

• 多视角观测：O(s) \in \Omega = \mathbb{R}^{3 \times H \times W \times N}，$N$ 为视角数（PoV），H,W 为高宽。

• 轨迹（长度 $T$）：$\tau = (o_{0}, \dots, o_{T})$。

• 任务：对给定轨迹-指令对 $(\tau, g)$ 进行二分类（成功/失败）。

  为使 VLM 接入序列轨迹，作者将多帧多视角拼接为单张“网格图”：

• 轨迹拼接表示：$\tau \in \mathbb{R}^{3 \times (H \cdot N) \times (W \cdot T)}$

  • 纵向堆叠视角（$N$），横向堆叠时间帧（$T$）。

• 通过固定模板 $P(\tau, g)$ 将图像与文本拼接为多模态输入。

4.3. 阶段一：监督微调（LoRA）

• 模型：基础 VLM 选用 PaliGemma2-mix-3B（3B 参数），视觉编码器为 SigLIP；冻结视觉编码器与大部分语言模块参数。
• 可训练部分：
  • 冻结视觉编码器后与语言模型之间的 MLP 投影层；
  • 在语言模型注意力的 KQV（key-query-value）投影层插入 LoRA 模块（低秩增量）。
• 监督目标：生成式输出“”或“”词元，最小化交叉熵： $$\mathcal { L } _ { \mathrm { C E } } ( \boldsymbol { \theta } ) = - \frac { 1 } { M } \sum _ { i = 1 } ^ { M } \log p _ { \boldsymbol { \theta } } \left( t _ { i } \mid \boldsymbol { x } , t _ { < i } \right) ,$$
  • 符号解释：

    • $\boldsymbol{\theta}$：可训练参数（投影层与 LoRA）

    • $M$：输出序列长度

    • $t_i$：第 $i$ 个监督词元（例如 或 ）

    • $t_{<i}$：先前词元序列

    • $\boldsymbol{x}$：上下文输入（多模态提示 $P(\tau, g)$）

    • $p_{\boldsymbol{\theta}}(\cdot)$：模型在词表上的条件概率分布

      直觉：阶段一让 VLM 学会“读懂”语言与轨迹间是否一致，并在输出端用单词元表达“成功/失败”的判别倾向。

4.4. 阶段二：FS blocks 与加权投票仲裁

• 冻结阶段一后的 VLM 参数，接入 $K$ 个 FS blocks，于语言模型不同深度层 $\{i_{k}\}_{k=1}^{K}$ 获取中间特征：
  • 特征抽取：$f_{k} = VLM_{\theta'}(P(\tau, g))[i_{k}]$，其中 $\theta'$ 为阶段一后的参数。
• FS block 架构（所有块同构、独立训练、随机初始化）：
  • 混合注意力池化：结合 MLP 与多头注意力（MHA），自适应聚合该层输出序列的关键信息；
  • 若干带残差与批归一化（Batch Normalization）的 MLP 块，提升稳定性与表达力；
  • 最终二分类线性层输出 $p_{k} = FS_{\phi_{k}}(f_{k})$（对成功/失败的概率）。
  • 训练：仅更新 $\{\phi_{k}\}$，以二元交叉熵最小化与真值 $y \in \{0,1\}$ 的偏差（论文未给出 BCE 显式公式，本文不作替代）。
• 推理时的加权投票仲裁：
  • 将每个 FS block 的概率 $p_{k}$ 转为二值预测 $y_{k}=\arg\max(p_{k})$；
  • 将 VLM 的自由文本输出也转为二值 $y_{vlm}$；
  • 最终决策为： $$\hat { y } = \mathbb { 1 } \left[ \sum _ { k = 1 } ^ { K } \omega _ { k } y _ { k } + \omega _ { v l m } y _ { v l m } > 0 . 5 \left( \sum _ { k = 1 } ^ { K } \omega _ { k } + \omega _ { v l m } \right) \right] ,$$
    • 符号解释：
      • $\hat{y}$：最终二值预测（1 成功 / 0 失败）
      • $y_k$：第 $k$ 个 FS block 的二值判决
      • $y_{vlm}$：VLM 自由文本输出的二值化判决
      • $\omega_k$：第 $k$ 个 FS block 的投票权重
      • $\omega_{vlm}$：VLM 判决的权重
    • 论文默认：$K=3$，$\omega_{k}=1$，$\omega_{vlm}=2$（用于打破平局，强调基础模型的“全局”判别力）
• 直觉：不同层编码着不同抽象层次的信息（低层偏局部/视觉细节，高层偏语义/任务结构）。多层判别+投票可提升鲁棒性与泛化。

5. 实验设置

5.1. 数据集

• DsMF-CALVIN（语义失配，仿真）：

  • 来源：CALVIN Task D 基准（34 个任务、每任务约 150 条专家演示；每任务含 11 种文本指令）

  • 构造：将“正例”轨迹与“非原始但同任务族”的指令配对为“难负例”（如“转动粉色方块向左” vs “转动粉色方块向右”），强调语义细粒度差异。

  • 示例（原文 Figure 3）：上为正例（轨迹与指令一致），下为负例（对象对了但方向错了）。

    下图展示了 DsMF-CALVIN 的正/负例（原文 Figure 3）：

    该图像是示意图，展示了两个案例，分别为语义一致的正例和语义不一致的负例。在正例中，机械手臂按照指令成功举起蓝色方块；在负例中，虽然正确的粉色方块被转动，但方向错误，违反了指令。图中分为两行，分别标注了操作步骤。

• AHA（失败分析，仿真 OOD）：

  • 来源：RLBench（79 个任务），分类 7 种错误：6 类控制错误 + 1 类语义失配（错误对象）

  • 作者自建测试集：参照 AHA 公开流水线，从 RLBench 启发式生成 400 个“负例”（仅失败轨迹-指令对），用于评估“失败检测率”（即负例识别准确率）。

  • 示例（原文 Figure 4）：刀从夹爪滑出、笔记本盖抓取失败（外视角）。

    下图展示了 AHA 两个典型控制失败样例（原文 Figure 4）：

    该图像是插图，展示了两个控制失败的负面例子，来源于 AHA 数据集。上方示例中，刀具滑出机器人抓手；下方示例中，机器人未能正确抓取电脑盖。

• DsMF-DROID（语义失配，真实世界）：

  • 来源：DROID（真实机器人示教，含自我中心与双外视角）

  • 构造：用原演示作为正例；将轨迹与同任务族中非对应指令随机配对为负例；得到 6K 训练/276 测试（正负各半）。

  • 示例（原文 Figure 5）：上为成功， 下为语义失配（轨迹与指令不符）。

    下图展示了 DsMF-DROID 的真实世界正/负样例（原文 Figure 5）：

    该图像是示意图，展示了机器人执行任务的成功与失败示例。上方的四张图片显示了机器人正确执行操作的过程，其中目标物体为一个绿色物品；下方的图片则展示了机器人未能正确执行任务的情况。通过这种对比，图像突出表现了语义误对齐（Semantic Misalignment Failures）在机器人操作中的重要性。

选择这些数据集的动机：

• DsMF-CALVIN：验证在“语义失配”这一核心任务上的表征与判别能力（同分布）；
• AHA：验证跨环境（RLBench vs CALVIN）与跨错误类型（主要是控制错误）的泛化（OOD）；
• DsMF-DROID：验证从仿真到真实的迁移能力（Sim2Real）。

5.2. 评估指标

对包含正负样例的数据集（DsMF-CALVIN、DsMF-DROID），使用四个标准二分类指标：

1. 准确率（Accuracy）

   • 概念：预测正确样本占总样本的比例，整体正确性。

   • 公式： $$\mathrm{Accuracy} = \frac{TP + TN}{TP + TN + FP + FN}$$

   • 符号：

     • TP：将正例判为正例
     • TN：将负例判为负例
     • FP：将负例判为正例（假阳性）
     • FN：将正例判为负例（假阴性） 2) 精确率（Precision）

   • 概念：模型预测为正的样本中，真正为正的比例，关注“查准率”。

   • 公式： $$\mathrm{Precision} = \frac{TP}{TP + FP}$$

   • 符号：同上 3) 召回率（Recall）

   • 概念：真实为正的样本中，被模型正确判为正的比例，关注“查全率”。

   • 公式： $$\mathrm{Recall} = \frac{TP}{TP + FN}$$

   • 符号：同上 4) F1 分数（F1 score）

   • 概念：精确率与召回率的调和平均，平衡两者。

   • 公式： $$\mathrm{F1} = 2 \cdot \frac{\mathrm{Precision} \cdot \mathrm{Recall}}{\mathrm{Precision} + \mathrm{Recall}}$$

   • 符号：同上

     对仅包含负例的 AHA 测试集，报告“准确率”，可解读为“失败检测率”（越高越好）。

5.3. 对比基线

• 零样本（zero-shot, zs）VLM：
  • GPT-4o（大规模通用多模态）
  • PaliGemma2-mix-3B（与 I-FailSense 同体量的基础 VLM）
  • Qwen2.5-VL-7B（更大体量的 SOTA VL）
• AHA 专门训练的模型（7B、13B）：遵循其流水线，仅微调投影器与 Transformer 权重，冻结视觉编码器与分词器；输入同样采用轨迹拼图。
• I-FailSense：
  • 阶段一（LoRA only）与阶段二（Full：LoRA + FS blocks）。

6. 实验结果与分析

6.1. 语义失配失败检测（Q1：DsMF-CALVIN，同分布）

以下是原文 Table I 的结果：

解读与分析：

• 零样本 VLM 在该难任务上表现有限：GPT-4o 接近随机；PaliGemma2-mix-3B 甚至偏低；Qwen2.5-VL 略好，但精确率-召回率失衡（对“成功”过于乐观，误判负例较多）。

• I-FailSense 显著优于零样本基线：

  • 仅 LoRA（阶段一）：准确率已至 0.857（1 视角）/0.823（双视角）。
  • 完整模型（阶段二加入 FS blocks + 仲裁）：表中给出两行（标注略有混乱），对应“单外视角/双视角”的两组最优结果，准确率分别约为 0.906 与 0.882。论文正文亦强调“单外视角达 90%，双视角为 88%”。

• 关键观察：SMF 构造的“难负例”导致普遍的精确率-召回率张力（负例细微差异多，易漏检）。I-FailSense 将该差距（Precision-Recall gap）显著缩小，F1 达到 0.91（最优设置）。

  为何 FS blocks 有效？多层表征代表不同抽象级别的“语义-时空”证据，仲裁聚合提升了对细粒度语义差异（如对象/动作方向）的敏感性与鲁棒性。

6.2. 跨错误类型泛化（Q2：AHA，主为控制错误）

下图（原文 Figure 6）给出了在 AHA（仅负例）上的失败检测率对比（I-FailSense 训练于 DsMF-CALVIN；AHA 7B/13B 在 AHA 上训练）：

该图像是图表，展示了 I-FailSense 在 DsMF-CALVIN 数据集上训练后评估于 ext{D}_{ ext{AHA}} 的故障检测率，与 AHA 基线模型（7B, 13B）及零-shot VLMs 进行了比较。 I-FailSense 的故障检测率为 89.0%，显著高于其他模型。所有模型均使用自我中心和外部视角。

要点：

• 零样本 VLM 在 AHA 上普遍较差，甚至低于随机（存在“倾向预测成功”的偏差）。
• 专门在 AHA 上训练的基线：7B/13B 准确率约 69%/70%。
• I-FailSense（仅在 SMF 上训练）达到约 89% 准确率，显著超越专门基线约 +19 个点。
• 解释：在 SMF 训练中，模型学习了“语言-轨迹对齐验证”的核心技能：对象匹配与动作方式/方向是否符合指令。对控制错误而言，动作“未能达成有意义效果”，同样会在对齐验证中暴露，从而实现跨错误类型泛化。

6.3. 跨仿真环境泛化（Q3：CALVIN → RLBench）

• 环境差异：CALVIN（固定物体集，如方块、滑轨、灯等） vs RLBench（多样物体与任务，如刀、碗、抽屉等），摄像设置、背景环境均不同。
• 结果表明 I-FailSense 的“语义对齐判别”在 OOD 环境仍能保持强性能（见 6.2 图），说明该能力并非过拟合于特定对象或背景，而是提取了跨环境的可迁移判别特征。

6.4. Sim2Real（Q4：真实世界 DsMF-DROID）

以下是原文 Table II 的结果（LoRA 始终在 DsMF-CALVIN 上训练；仅 FS blocks 在不同组合数据上训练）：

分析：

• 直接将“仿真训练的完整 I-FailSense（两阶段均在 DsMF-CALVIN）”迁移到真实世界：准确率略升，但召回率明显下降，F1 下降，说明对真实场景中的负例仍敏感不足。
• 仅对 FS blocks 在“仿真+真实”或“仅真实”上再训练：
  • 仿真+真实：弥补召回下降，同时显著提高精确率，整体优于仅仿真训练；
  • 仅真实：最佳结果（双视角 Acc=0.743, F1=0.730）。说明 FS blocks 的少量域适配很关键；阶段一的 LoRA 所学的“基础对齐表示”仍然可复用。
• 视角配置：
  • 仿真中单外视角更优；真实中双视角更优（真实世界更嘈杂、干扰与视角不稳定，融合视角能提升鲁棒性）。

6.5. 消融与机制洞察

• 阶段一（LoRA）至关重要：基础 PaliGemma2-mix-3B 在 SMF 接近随机（Acc≈0.47/0.53），LoRA 后即显著提升至 0.86/0.82（见 Table I）。
• 阶段二（FS blocks + 仲裁）进一步提升：Acc 从 0.85→0.90（单视角），0.82→0.88（双视角），F1 同步上升。多层表征 + 投票的有效性得到验证。

7. 总结与思考

7.1. 结论总结

• 论文提出 I-FailSense：通过两阶段后训练与多层二分类头 + 加权投票仲裁，显著提升“语义失配失败”检测性能，并能跨错误类型（控制错误）、跨仿真环境（CALVIN→RLBench）以及迁移到真实世界（DROID）。
• 数据构建管线强调“同任务族、近似语义”的难负例生成，使模型学到更细粒度、更具可迁移性的“语言-轨迹对齐判别”能力。
• 实验显示：仅在“语义失配”上训练，仍能对“控制错误”实现强泛化（AHA 上 +19 个点）。少量再训练 FS blocks，即可实现有效 Sim2Real。

7.2. 局限性与未来工作

• 局限性：
  • 轨迹时间建模弱：将多帧拼成“单张网格图”，未显式使用视频时序建模（如时序 Transformer/3D Conv），可能限制对复杂时序关系的捕捉。
  • 仲裁权重手工设定（$\omega_{vlm}=2$，$\omega_k=1$），尚未自适应学习，可能非最优。
  • AHA 数据集未公开，本文复现了 400 个负例用于评测，规模有限且仅负例，难以全面刻画分布。
  • 真实世界评测规模与任务多样性仍有限，尚需更大规模验证与更细粒度的失败类型分析（超出“成功/失败”的细类标签）。
• 未来工作：
  • 从“检测”走向“恢复（recovery）”：将高准确率的判别器与生成式解释/规划模块结合，实现在线纠错与恢复。
  • 学习型仲裁：让投票权重随样本/上下文自适应，或通过元学习/不确定性估计进行校准。
  • 引入显式时序建模与对象跟踪，提升对长时程、多物体交互的理解与对齐。
  • 多源模态融合（如触觉/力觉/关节信息），进一步提升控制错误与语义错误的可分性。
  • 更系统的 Sim2Real：如域随机化、风格迁移或合成-真实联合训练策略，减少召回损失。

7.3. 个人启发与批判

• 启发：
  • “先让基础 VLM 学会‘输出判别词元’，再在多层表征上做判别器集成”的思路，使“生成式理解”与“判别式高精度触发”形成互补。对需要强鲁棒触发阈的系统（如安全控制）尤为重要。
  • “聚焦语义失配”的训练信号比“控制错误”更抽象、更强，反而能促进跨错误类型泛化，值得在其他多模态对齐任务中借鉴（如视频指令核验、视听动作对齐）。
• 批判与改进空间：

  • 时间维度的“平铺成图像”虽然工程上简洁，但可能损失动态关系，应考虑视频时序编码器或 token 级时序注意力。

  • 仲裁策略目前是“固定权重的硬投票”，可探索软融合（如加权概率平均）、不确定性驱动的门控或层自适应选择。

  • 可增加对错误子类的细粒度评估（如方向错、对象错、顺序错等），更好地指导下游恢复策略。

  • 真实世界结果虽与 7B 零样本相近，但仍有提升空间；结合更多真实数据的少量自监督/对比学习，可能进一步增强泛化。

    总体而言，I-FailSense 用一种“结构化地利用 VLM 内部多层表征”的判别式框架，实证展示了“语义对齐失败检测”对构建可自我评估的语言条件机器人具有关键作用，并为“高精度触发 + 后续恢复”奠定了坚实基础。