CycleVLA: Proactive Self-Correcting Vision-Language-Action Models via Subtask Backtracking and Minimum Bayes Risk Decoding

📄 arXiv: 2601.02295v1 📥 PDF

作者: Chenyang Ma, Guangyu Yang, Kai Lu, Shitong Xu, Bill Byrne, Niki Trigoni, Andrew Markham

分类: cs.RO

发布日期: 2026-01-05

备注: Project Page: https://dannymcy.github.io/cyclevla/

🔗 代码/项目: PROJECT_PAGE

💡 一句话要点

CycleVLA：基于子任务回溯和最小贝叶斯风险解码的主动自纠正视觉-语言-动作模型

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 视觉-语言-动作模型 主动自纠正 子任务回溯 最小贝叶斯风险解码 机器人任务 失败预测 VLM 测试时缩放

📋 核心要点

  1. 现有机器人故障检测与纠正方法通常是事后分析，在故障发生后才进行分析和纠正。
  2. CycleVLA通过预测潜在失败并主动回溯到关键子任务，实现了视觉-语言-动作模型的主动自纠正。
  3. 实验表明，CycleVLA能有效提升VLA在各种训练程度下的性能，且MBR解码是一种有效的零样本测试时策略。

📝 摘要（中文）

本文提出CycleVLA，一个赋予视觉-语言-动作模型（VLAs）主动自纠正能力的系统，使其能够在执行过程中预测即将发生的失败并在完全显现之前恢复。CycleVLA通过集成一个感知进度的VLA（标记最常发生失败的关键子任务转换点）、一个基于VLM的失败预测器和规划器（在预测到失败时触发子任务回溯）以及一个基于最小贝叶斯风险（MBR）解码的测试时缩放策略（以提高回溯后的重试成功率）来实现这一目标。大量实验表明，CycleVLA提高了训练良好和训练不足的VLAs的性能，并且MBR作为VLA的有效零样本测试时缩放策略。

🔬 方法详解

问题定义：现有视觉-语言-动作模型（VLAs）在机器人任务中，通常在发生错误后才进行纠正，缺乏主动预防机制。这种事后纠正方式效率低下，可能导致任务失败。因此，需要一种能够预测潜在失败并主动采取措施的VLA系统。

核心思路：CycleVLA的核心在于通过预测子任务执行过程中的潜在失败，并主动回溯到之前的子任务进行重试，从而避免任务失败。这种主动纠正机制依赖于对任务进度的感知和对失败风险的预测。

技术框架：CycleVLA包含三个主要模块：1) 进度感知VLA：用于执行任务并标记关键子任务转换点；2) 基于VLM的失败预测器和规划器：预测子任务执行过程中的失败风险，并在预测到失败时触发子任务回溯；3) 基于最小贝叶斯风险（MBR）解码的测试时缩放策略：用于提高回溯后的重试成功率。整体流程是，VLA执行任务，失败预测器监控执行过程，一旦预测到失败，则触发回溯，并使用MBR解码进行重试。

关键创新：CycleVLA的关键创新在于其主动自纠正机制，它不同于传统的被动纠正方法。通过预测失败并主动回溯，CycleVLA能够更有效地避免任务失败。此外，MBR解码作为一种零样本测试时缩放策略，进一步提高了回溯后的重试成功率。

关键设计：进度感知VLA需要能够准确地识别关键子任务转换点，这可能涉及到对VLA输出的概率分布进行分析。失败预测器需要能够准确地预测失败风险，这可能涉及到使用VLM对任务状态进行评估。MBR解码的具体实现细节未知，但其目标是选择能够最大化预期回报的动作。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，CycleVLA能够显著提高VLA的性能，尤其是在训练不足的情况下。具体性能数据未知，但摘要中提到CycleVLA提高了训练良好和训练不足的VLAs的性能，并且MBR作为VLA的有效零样本测试时缩放策略。

🎯 应用场景

CycleVLA可应用于各种需要高可靠性的机器人任务，例如自动驾驶、工业自动化、医疗机器人等。通过主动预测和纠正错误，CycleVLA可以提高机器人的任务完成率和安全性，降低人工干预的需求，具有重要的实际应用价值和广阔的应用前景。

📄 摘要（原文）

Current work on robot failure detection and correction typically operate in a post hoc manner, analyzing errors and applying corrections only after failures occur. This work introduces CycleVLA, a system that equips Vision-Language-Action models (VLAs) with proactive self-correction, the capability to anticipate incipient failures and recover before they fully manifest during execution. CycleVLA achieves this by integrating a progress-aware VLA that flags critical subtask transition points where failures most frequently occur, a VLM-based failure predictor and planner that triggers subtask backtracking upon predicted failure, and a test-time scaling strategy based on Minimum Bayes Risk (MBR) decoding to improve retry success after backtracking. Extensive experiments show that CycleVLA improves performance for both well-trained and under-trained VLAs, and that MBR serves as an effective zero-shot test-time scaling strategy for VLAs. Project Page: https://dannymcy.github.io/cyclevla/