Vision-Language-Action (VLA) 모델은 로봇 조작 분야에서 뛰어난 성능을 보이지만, 자체 행동으로 인해 훈련 데이터가 거의 다루지 않은 상태로 진입하게 되면 취약성을 드러냅니다. 이러한 실패로부터 회복하기 위해서는 일반적으로 복구 시연(recovery demonstrations), 정책 재훈련(policy retraining), 또는 추론 시간(inference time)에 별도의 모델이 필요합니다.
우리는 이러한 것들 중 어느 것도 필요 없는, 동결된 VLA를 위한 경량의 실패 감지 및 복구 메커니즘인 Backtrack을 소개합니다. 이 기법은 오직 동결된 정책의 결과 레이블링된 롤아웃(outcome-labeled rollouts)만을 사용하여 훈련된 작은 실패 예측 헤드(failure prediction head)가 VLA의 기존 내부 표현(internal representations)을 읽어 현재 에피소드가 실패할지 여부를 추정합니다. 예측된 실패 확률이 임계값(threshold)을 초과하면, 컨트롤러(controller)가 정책을 일시 중단시키고 로봇 팔이 최근에 수행한 움직임을 되돌린 다음, 제어권을 변경되지 않은 정책에게 다시 넘겨주어 이전 구성(earlier configuration)에서 재시도할 수 있게 합니다. 이 헤드는 정책의 파라미터 개수에 단지 0.48-0.88%만을 추가합니다.
우리는 LIBERO 환경에서 두 가지 행동 생성 계열인 SmolVLA와 $\pi$0.5(flow-matching action experts)를 사용하고, 자기회귀적(autoregressive) $\pi$0-FAST를 사용하는 세 개의 VLA에 대해 Backtrack을 평가합니다. 모든 정책이 가장 자주 실패하는 장기 지평선 다단계 작업(long-horizon multi-step tasks)으로 구성된 LIBERO-Long에서, Backtrack은 각 정책의 실패율을 19-48% 감소시키고 성공률을 최대 7.4 퍼센트포인트까지 높였습니다. 제어 성공률이 이미 85-99%인 세 개의 짧은 환경에서는 그 효과가 더 작습니다. MetaWorld에서, SmolVLA를 사용하여 테스트된 모든 열두 가지 컨트롤러 구성은 비지원 정책보다 개선된 성능을 보였습니다.