로봇이 미지의 재료를 조작할 때 촉각 표현의 일반화 능력을 평가하기 위해, 122종 산업용 재료에 대한 29,279개의 촉각 프레임을 접촉 시퀀스 단위로 보존한 터치-비전-언어 데이터셋 RCT를 제안한다. 프레임 단위 랜덤 분할이 접촉 시퀀스 중복으로 성능을 17.7%p 과대평가함을 실증하고, 재료 홀드아웃 시 Recall@1이 25.1±6.1%로 급락하여 새로운 재료에 대한 일반화가 로봇 촉각 지각의 핵심 미해결 과제임을 밝힌다.
계층적 비전-언어-액션(VLA) 모델에서 고수준 플래너가 2D 궤적을 예측하고 저수준 정책이 포인트 클라우드 기반 3D 공간에서 동작할 때 발생하는 표현 불일치 문제를 해결하기 위해, 3D HAMSTER는 VLM에 전용 깊이 인코더와 밀집 깊이 복원 손실(dense depth reconstruction loss)을 추가해 메트릭 신뢰성 있는 3D 웨이포인트 시퀀스를 직접 예측하도록 한다. 3D 궤적 예측, 시뮬레이션, 실제 로봇 조작 실험에서 독점 VLM 및 2D 유도 기반 모델 대비 일관되게 높은 성능을 보이며, 특히 외형 변화나 미관측 언어·공간·시각 조건 같은 분포 이탈(out-of-distribution) 상황에서 가장 큰 성능 향상을 달성한다.
현재 단일 프레임 비전-언어-액션(VLA) 모델이 가진 시간적 근시안, 고수준 명령과 저수준 모터 제어 간의 추론 격차, 자기회귀 디코딩의 비효율성을 해결하기 위해 MIRTH 프레임워크를 제안한다. MIRTH는 장단기 장면 변화를 압축하는 이중 스케일 시간 메모리 허브, 상호정보량(mutual information) 목적함수로 최적화된 잠재 추론 토큰, 병렬 액션 디코딩을 결합하여 LIBERO 벤치마크와 실제 LeRobot 플랫폼에서 최고 성능과 창발적 오류 복구 능력을 달성했다.
CMU Vision-Language-Action(VLA) 챌린지를 위한 모듈형 로봇 프레임워크로, OwlViT 임베딩 기반의 의미론적 복셀 맵(semantic voxel map)을 실시간으로 구축하는 인식 파이프라인과 Gemini VLM을 활용한 자연어 명령 분류 파이프라인을 병렬로 운용한다. 시간 제한(500초) 내에 자율 탐색으로 부분 맵을 구성하고, 이를 기반으로 사용자 질의를 공간·의미 컨텍스트에 그라운딩하여 수치 응답, 객체 탐색, 경유지 기반 내비게이션 등 복합 실내 작업을 수행한다.
Vision-Language-Action (VLA) models represent a promising direction for embodied intelligence in surgical robotics. Despite the prevalence of VLA benchmarks for general robotics, standardized evaluation platforms specifically designed for surgical contexts remain absent. To address this limitation, we present SurgVLA-Bench, the first comprehensive benchmark for evaluating VLA models in laparoscopic surgical robotics. Leveraging the SurRoL simulation platform, we construct a hierarchical task taxonomy ranging from atomic actions to complete surgical procedures, complemented by a multi-dimensional evaluation framework assessing action accuracy and semantic consistency. We then systematically evaluate two representative paradigms, including autoregressive models such as OpenVLA, and flow matching models such as $π_{0}$, $π_{0.5}$, and SmolVLA. Our experiments show that autoregressive models tend to excel in semantic understanding, while flow matching models often achieve higher task precision but may face generalization trade-offs. However, even the best-performing models remain far from satisfactory, as the constrained endoscopic field of view, restricted viewing angles, and frequent occlusions persist as fundamental physical bottlenecks. The code and data are available at https://github.com/VCL-HNU/SurgVLA
인간 동작으로부터 평행 그리퍼(parallel gripper)를 갖춘 양손(bi-manual) 로봇에 새로운 조작 기술을 학습할 수 있는지 연구한다. 인간 동작 데이터는 값싸고 풍부하며 다양하여, 로봇 학습(robot learning) 확장(scaling)을 위한 가장 유망한 자원 중 하나이다. 그러나 인간으로부터 로봇으로 기술을 전이하는 것은 여전히 어렵다. 대부분의 선행 연구는 인간을 또 하나의 양손 6DoF embodiment로 취급하는데, 여기서 손 자세(hand-pose) 추정치는 노이즈가 많고 인간 손가락의 접촉 패턴(contact pattern)은 평행 그리퍼의 것과 근본적으로 다르다. 따라서 인간 데이터로부터 회전을 포함한(rotation-inclusive) 동작 신호를 학습하는 것은 차선책이라고 주장하며, 대신 브릿징 액션(bridging action) 표현을 제안한다. 이는 초기 헤드 카메라(head-camera) 좌표계에서의 상대적 손목(wrist) 이동(translation)으로, 인간과 로봇이 공유하는 동작 공간(action space)이다. 서로 다른 embodiment에서 특정 동작 구성 요소가 없을 수 있는 문제를 다루기 위해, 교차 배치된(interleaved) 동작 토큰(action token)과 어텐션 마스킹을 갖춘 $π_0$ 유사 비전-언어-동작(vision-language-action) 모델을 구축한다. 새로운 양손 조작 과제 모음에서, 우리의 브릿징 액션은 노이즈가 많은 6DoF 인간 동작보다 인간의 조작 지식을 로봇에 훨씬 더 효과적으로 전이하며, 인간 데이터 양에 따라 확장된다.
실제 환경에서 범용 로봇 조작 정책을 평가하는 것은 비용이 많이 들고, 느리며, 확장하기 어렵습니다. 행동 조건부 비디오 월드 모델은 정책 롤아웃(rollout)을 시뮬레이션하여 확장 가능한 대안을 제공합니다. 자기회귀(autoregressive) 롤아웃은 오류가 누적되고, 여러 카메라 뷰에 걸친 관찰은 상호 일관성을 유지해야 하며, 평가자는 학습 분포 밖에 있는 행동을 보이는 정책으로 일반화되어야 합니다. 우리는 SC3-Eval을 통해 이러한 문제를 해결합니다. SC3-Eval은 세 가지 보완적인 형태의 일관성을 강제하여 사전 학습된 비디오 파운데이션 모델을 정확한 정책 평가자로 적용하는 자기 일관성 비디오 생성 방식입니다. 첫째, 순방향-역방향 역학(forward-inverse dynamics) 일관성은 모델이 행동에서 프레임을 예측하고 프레임에서 행동을 복구하도록 공동으로 학습시켜, 생성된 롤아웃을 물리적으로 타당한 행동 다양체(manifold)에 고정하고 순방향 전용 모델이 페널티를 부과할 수 없는 드리프트(drift)를 상쇄합니다. 둘째, 교차 뷰(cross-view) 일관성은 모델이 다른 뷰에서 각 카메라 뷰를 인페인트(inpaint)하도록 학습시켜, 명시적인 메모리 메커니즘 없이 긴 롤아웃에 걸쳐 다중 카메라 관찰이 응집되도록 유지합니다. 셋째, 테스트 타임(test-time) 일관성은 추론(inference) 시 역방향 역학 모드를 행동 청크(action chunk)별 불확실성 신호로 재사용하여, 생성된 프레임이 요청된 행동에서 벗어난 롤아웃을 종료합니다. 또한 SC3-Eval 롤아웃이 실제 환경 롤아웃에서 정책이 보여주는 실패 모드를 재현함을 입증하여, 단순한 집계 순위가 아닌 세밀한 진단 비교를 지원합니다. 7개의 실제 환경 비전-언어-행동(vision-language-action) 정책에 걸쳐 SC3-Eval은 $0.929$의 폐루프(closed-loop) 피어슨 상관계수와 $0.119$의 MMRV를 달성하여 3가지 강력한 기존 비디오 모델 기반 베이스라인을 능가했으며, 새로운 작업으로 일반화되었습니다.
비전-언어-액션(VLA) 모델은 로봇 조작에서 강력한 성능을 보여왔지만, 누적 오류 전파로 인해 장기 과제에서 성능이 크게 저하된다. 이 한계는 주로 고정 가중치에 의존하여 시각, 언어, 액션 표현을 결합하는 정적 특징 융합 메커니즘에서 비롯되며, 모델이 과제 실행의 서로 다른 단계에 적응하는 것을 막는다. 이 한계를 해결하기 위해, 우리는 상태 공간 유도 적응형 어텐션(SSGAA) 메커니즘을 도입하는 프레임워크인 S$^2$-VLA를 제안한다. SSGAA는 과제 진행을 추적하는 belief state를 유지하고, 동적 게이팅 가중치를 생성하여 세 가지 상호 보완적 소스—공간 인식을 위한 시각 특징, 고수준 과제 계획을 위한 과제 의도, 실행 일관성을 위한 시간적 액션 시퀀스—로부터 정보를 적응적으로 융합한다. 이 적응형 융합을 통해 모델은 과제 실행 전반에 걸쳐 초점을 전환할 수 있으며, 서로 다른 과제 단계의 변화하는 요구에 부합한다. 경량 2B 매개변수 규모에도 불구하고, S$^2$-VLA는 더 큰 7B 규모 모델을 꾸준히 능가하며 LIBERO와 SimplerEnv를 포함한 장기 조작 벤치마크에서 최신 최고(state-of-the-art) 성능을 달성한다. 이는 장기 로봇 조작에서 적응형 특징 융합의 중요성을 부각한다.
Vision-Language-Action(VLA) 모델은 지시문 기반 로봇 조작(manipulation)을 가능하게 하지만, 사전학습된 VLM에서 과대한 언어 백본을 물려받으며, 그 용량은 짧은 로봇 지시문에 필요한 수준을 훨씬 초과한다. 이는 기본적인 질문을 제기한다: 폐루프 제어(closed-loop control)에 VLA 모델의 어느 정도가 실제로 필요한가? 본 연구에서는 트랜스포머 블록 제거를 통제된 개입으로 사용하여 VLA 모델의 아키텍처적 중복성을 조사한다. 사전학습된 VLA 모델에서 선택된 블록을 제거한 뒤, 결과 모델을 미세조정하여 제거된 용량이 하류 제어에 필요했는지 측정하는 분석 프로토콜인 Drop-Then-Recovery(DTR)를 제안한다. 이 개입을 신뢰할 수 있게 하기 위해, 하류 행동 손실에 대한 블록 기여도로 블록 순위를 매기는 one-shot virtual-gate 민감도 지표인 GateProbe를 제안한다. 여러 VLA 아키텍처, 조작 벤치마크, 실제 로봇 산업 시나리오에 걸쳐, 제거 후 회복 가능성에서 강한 비대칭을 발견한다: 표준 로봇 조작 과제에서는 언어 백본이 매우 중복적이지만, 비전 및 행동 경로는 제거에 훨씬 덜 견디는 경향이 있다. LIBERO에서 LLM 블록의 절반을 제거해도 동일한 하류 미세조정 예산 하에 OpenVLA-OFT의 성능을 95.0%에서 98.3%로 향상시키며, 언어 블록 2개만 유지해도 기준선 수준의 성능을 회복한다. 이 결과는 현재 VLA 벤치마크가 깊은 언어 그라운딩(grounding)과 구성적(compositional) 지시문 이해에 제한적인 압력을 가할 수 있음을 시사하며, 향후 VLA 아키텍처는 언어, 비전, 행동 구성 요소에 용량을 더 의도적으로 배분해야 함을 나타낸다. 코드는 https://github.com/s1ghhh/VLADrop 에서 제공된다.
flow-matching 기반 비전-언어-행동(VLA) 모델은 정책 비율 계산이 어려워 기존 정책 그래디언트 강화학습(RL) 미세조정이 사실상 불가능한데, 조건부 flow-matching 목적 함수의 샘플별 변화로 중요도 샘플링을 재공식화한 Flow Policy Optimization(FPO)을 제안한다. LIBERO 벤치마크와 ALOHA 시뮬레이션에서 π₀ 모델에 적용했을 때 모방 사전학습 및 강력한 베이스라인 대비 희소 보상 하에서도 안정적으로 성능이 개선되었다.
VLA 미세조정에서 모든 타임스텝에 동일한 액션 감독을 적용하면 그리퍼 이벤트 전환 지점에서 실패가 집중되는 문제를, 시연 그리퍼 상태로 조작 단계 분류와 다음 그리퍼 전환 키프레임 예측 신호를 자동 도출하는 플러그인 보조 감독 프레임워크 StaKe로 해결한다. 양팔 시뮬레이션과 Franka 실제 로봇 작업에서 성공률이 각각 14%·56% 상대 향상되었고, 그리퍼 전환이 많은 장기 작업에서 개선이 더 크게 나타났다.
VLA 모델은 행동 청크 후반부 예측 저하와 중복 물리 단계로 인해 추론 호출이 늘어나는 내재적 정책 비효율에 취약하다. PolicyTrim은 강화학습 기반 사후학습으로 신뢰 가능한 청크 길이를 늘리고 중복 행동을 줄여, 세 벤치마크와 세 VLA 모델에서 청크 활용도 3배 향상·물리 단계 51.4% 감소·성공률 유지하에 최대 5.83배 배포 가속을 달성했다.
대부분의 비전-언어-행동(VLA) 모델은 반응형(reactive)이다: 현재 명령과 관찰로부터 다음 행동을 예측하며, 현재 관찰이 행동과 관련된 상태를 완전히 명시한다고 암묵적으로 가정한다. 그러나 구현 제어(embodied control)에서는 카메라-로봇 간 기하학적 관계, 로봇 캘리브레이션, 또는 체계적인 작동 바이어스와 같은 구현체(embodiment)별 요인들이 단일 관찰만으로는 식별하기 어려운 경우가 많다. 결과적으로 반응형 정책은 이러한 요인들을 일반적으로 안정적으로 구분할 수 없어 학습 환경에 과적합되고 배포 시 일반화 성능이 저하된다. 우리는 각 결정을 관찰-행동-결과 삼중항(triplet)의 컨텍스트에 조건화하는 Reflective VLA를 제안한다. 각 삼중항은 로봇이 무엇을 관찰하고 실행했는지뿐만 아니라 이후 장면이 어떻게 변했는지도 기록함으로써, 행동에서 관찰된 효과로의 배포별 매핑을 드러낸다. 아키텍처 측면에서 Reflective VLA는 공유 어텐션 하에 모든 관찰 모달리티를 VLM을 통해 라우팅하므로, 행동 전문가(action expert)가 과거 삼중항과 현재 관찰에 대해 직접 추론한다. 블록 인과 마스크(block-causal mask)는 누출 없이 병렬 다중 프레임 학습을 가능하게 하고 KV 캐시 기반 실시간 추론을 지원한다. 표준 LIBERO 및 SimplerEnv-Bridge에서 Reflective VLA는 분포 내(in-distribution) 강력한 성능을 유지한다. LIBERO-Plus 및 더 어려운 LIBERO-Plus-Hard에서의 분포 변화(distribution shift) 하에서는 매칭된 반응형 기준선 대비 평균 성공률을 각각 5.4 및 4.2 퍼센트포인트 향상시킨다. 매칭된 히스토리 전용 기준선을 이용한 절제 실험(ablation)은 추가적인 컨텍스트 길이만이 아니라 행동 결과(action consequences)가 환경 간 일반화의 핵심임을 추가로 보여준다. 프로젝트 페이지: https://lianqing11.github.io/reflective-vla-page/
Most Vision-Language-Action (VLA) models build on a Vision-Language Model (VLM) backbone by attaching an action module and optimizing the full policy jointly. This design inherits strong visual and linguistic priors from the VLM, but leaves the action module to learn physical motion almost from scratch. As a result, the policy lacks an explicit motion prior, forcing early optimization to simultaneously discover temporal action dynamics and cross-modal alignment, a challenge further amplified in cross-embodiment settings. In this work, we propose to pretrain the action module with motion priors before cross-modal VLA alignment. Specifically, we introduce a two-stage training framework that equips the action module with cross-embodiment temporal motion structure before VLA training begins. In Stage~1, a lightweight flow-matching-based encoder-decoder action module efficiently learns temporal motion structure solely from unconditioned action trajectories, without processing visual or language tokens. In Stage~2, this learned prior is transferred to VLA training through decoder reuse and early-stage latent distillation, aligning visual-language features with the action embedding space while still allowing end-to-end policy refinement. In addition, the trained encoder serves as a compact history compressor, summarizing state-action histories into a single temporal context token for history-aware modeling at negligible cost. Extensive experiments across 13 diverse cross-embodiment tasks on both simulated and real-world platforms validate the effectiveness of our approach. Compared with VLA training without action priors, our model achieves faster convergence, higher success rates, and substantially stronger performance on data-scarce real-world tasks. Moreover, scaling up the action data in Stage~1 yields a more generalizable action prior that directly improves downstream VLA performance.
Vision-Language-Action (VLA) models are often constrained by the imitation ceiling imposed by sub-optimal data. While Reinforcement Learning (RL) fine-tuning can surpass this limit, it is notoriously sample inefficient. This challenge arises from two core issues: (1) catastrophic initial unlearning due to an unstable Q-function and (2) inefficient policy updates caused by low-quality exploration data, often forcing a reliance on costly human interventions. We introduce FORCE, a 3-stage framework that stabilizes fine-tuning by tackling both issues. FORCE first incorporates a Value-Calibrated Warm-Up phase, utilizing on-policy rollouts to mitigate the distributional shift of the Q-function. Subsequently, during the online stage, this calibrated Q-function acts as a filter for both the policy's own action proposals and expert data, ensuring only high-value actions are used for the policy update. We evaluate FORCE on various simulation and real-world tasks, and the result shows that FORCE achieves a 79% absolute improvement in success rates and outperform prior RL methods by 10%, while accelerating training by 32.5%. Critically, it mitigates the common success rate drop and achieves this robust performance without human intervention, marking a significant step towards deploying capable and autonomous robotic agents.
비전-언어-행동(VLA) 자율주행 모델은 사전학습된 비전-언어 모델을 주행 정책으로 변환하여 세계 지식을 활용하고 언어 지시를 따를 수 있게 한다. 그러나 기존 VLA 자율주행 모델은 주행 지향적 공간 지능이 여전히 부족하다. 이러한 모델의 정책은 주로 원근 이미지 토큰과 언어 사전 지식에 의존하는 반면, 정밀한 모션 플래닝에는 메트릭 기하학, 하향식 장면 구조, 그리고 안전에 중요한 지각 단서에 대한 어텐션이 필요하다. 이러한 한계로 인해 현재 모델은 전문가 시연에서 시각적 기하학 모델링 약화 및 지각 범위 부족에 취약하다. 본 논문에서는 대규모 VLM 백본 위에 구축된 프레임워크인 DriveStack-VLA를 제안한다. VLA 자율주행의 공간 그라운딩을 강화하기 위해 이중 시각 모델링 구성 요소를 개발한다. DeepStack 방식의 연결을 통해 조감도(Bird-Eye-View, BEV) 표현을 대규모 언어 모델(LLM) 디코더에 주입하고, 실제 이미지의 지각적 초점을 래스터화된 이미지의 초점과 정렬하는 Render-Teacher Alignment를 제안한다. 나아가 멀티모달 궤적 선택의 격차를 해소하기 위해, 샘플링된 궤적에 순위를 매기고 최상의 궤적을 조건부로 정제하는 헤드 기반 자기 비평 모듈을 도입한다. DriveStack-VLA는 NAVSIMv1에서 91.6 PDMS, NAVSIMv2에서 91.0 EPDMS(인간 패널티 필터 적용 시), 그리고 폐루프 Bench2Drive에서 56.36%의 성공률과 79.49의 주행 점수를 달성한다. 추가 시각화 자료는 프로젝트 페이지에서 확인할 수 있다: https://anonymous.4open.science/w/drivestack-vla/
범용 로봇 정책은 사용자 지시를 따르면서 객체, 카메라, 로봇 동작이 3D 물리적 세계에서 어떻게 상호작용하는지 추론할 수 있어야 한다. 최근의 비전-언어-액션 모델(VLA)과 비디오 세계-액션 모델(WAM)은 대규모 파운데이션 모델로부터 강력한 의미론적 또는 시간적 사전 지식을 계승하지만, 여전히 주로 2D 이미지 프레임 또는 2D 기반 잠재 공간에서 작동하므로 접촉이 많은 조작에 필요한 3D 기하 정보가 암묵적으로만 처리된다. 우리는 기하학적 액션 모델(GAM)을 제안한다. 이는 사전학습된 기하학적 파운데이션 모델(GFM)을 지각, 시간적 예측, 액션 디코딩을 위한 공유 기반으로 직접 재활용하는 언어 조건부 조작 정책이다. GAM은 GFM을 중간 층에서 분할한다: 앞쪽 층들은 관측 인코더로 사용되고, 분할 층에 삽입된 인과적 미래 예측기는 언어, 고유 감각(proprioception), 액션 이력을 조건으로 미래 잠재 토큰을 예측한다. 예측된 미래 토큰은 이후 GFM 블록들을 통해 라우팅되어 특징 전파와 디코딩을 수행하며, 단일 백본이 미래 기하 정보와 액션을 동시에 생성할 수 있게 한다. 이 설계는 최소한의 아키텍처 수정만으로 GFM에 언어 조건부 시간적 세계 모델링 능력을 부여하면서 풍부한 기하학적 사전 지식을 보존한다. 다양한 시뮬레이션 및 실제 로봇 조작 벤치마크에서 GAM은 현재 파운데이션 모델 규모의 기준 모델들보다 더 높은 정확도, 더 강한 로버스트니스, 더 빠른 속도, 더 경량화된 구조를 보인다.
Vision-language-action (VLA) models have made rapid progress in generalist robot manipulation by harnessing semantic knowledge from pretrained vision-language backbones, but their visual tokens remain grounded in 2D image coordinates rather than the calibrated geometry of the robot's cameras -- a mismatch especially pronounced in multi-camera setups, where views are coupled by known intrinsics and extrinsics yet processed as independent images. We propose G$^3$VLA, a camera-aware geometric module that injects calibrated structure into the visual-token stream of a pretrained VLA without altering its action space or imitation objective, combining intrinsic-conditioned ray embeddings, projective positional encoding (PRoPE), and bidirectional cross-view fusion. Geometric supervision is provided either from ground-truth point maps when available, or from confidence-gated $π^3$X teacher predictions, requiring no depth sensors or manual annotations. Instantiated on $π_0$, G$^3$VLA yields consistent gains across the LIBERO suites, RoboCasa24, RoboTwin2.0, and real-robot settings, with the largest improvements on spatially and object-sensitive tasks. We further validate on $π_{0.5}$ and GR00T 1.5, with results suggesting that geometric transfer is most effective when geometry-aware tokens have direct access to the action generation pathway. Our project page is at https://sites.google.com/view/g3vla
Driving VLA models incorporating Chain-of-Thought (CoT) reasoning are attractive because they leverage pretrained VLM representations and expose intermediate decisions in natural language, yet current rationales often lack the step-by-step decision semantics needed to keep the rationale causally connected to the planned motion. We introduce Neuro-Symbolic Drive, a neuro-symbolic driving framework that supervises a driving VLA with rule-grounded reasoning traces extracted directly from classical rule-based planners. Our key observation is that rule-based planners are symbolic AI systems that already function as executable reasoning engines: they reason about active safety constraints, search over candidate maneuvers, and select a final trajectory. We instrument these planners in simulation to capture both the executed trajectory and the internal decision trace at each rule-evaluation step. Each trace is serialized into structured rule-grounded reasoning and paired with the trajectory to fine-tune Qwen3.5-4B as a driving VLA. Because these traces are derived directly from the planner states that determine the action, they ensure reasoning is structurally coupled to motion generation by construction, rather than by post-hoc alignment. On our simulator-generated benchmark, detailed rule-grounded reasoning reduces ADE@3s from 0.47 to 0.26 and miss rate from 8.30% to 6.40% under three-camera perception, and from 0.54 to 0.26 and 10.13% to 5.99% under eight-camera perception. Neuro-Symbolic Drive thus converts neuro-symbolic planning logic into structured supervision. Code base: https://github.com/XiangboGaoBarry/Neural-Symbolic-Drive.
비전-언어-액션 모델(VLA)은 다양한 로봇 조작 작업에서 최첨단 성능을 달성하지만, 분포 외(out-of-distribution) 시나리오에서는 여전히 예측 불가능한 동작을 보일 수 있다. 따라서 런타임 실패 감지는 VLA의 안전한 실제 환경 배포에 필수적이다. 그러나 기존의 작업 실패 감지기는 계산 비용이 높은 액션 샘플링을 필요로 하거나, VLA에 대한 적용성을 제한하는 아키텍처 가정에 기반하거나, 실패 롤아웃에 대한 접근이 필요하다. 우리는 실패 데이터 없이 최소한의 오버헤드로 두 가지 새로운 실패 감지기를 결합한, VLA를 위한 경량의 범용 실패 감지 프레임워크인 VLA-FAIL을 제안한다. 첫 번째인 마지막 층 마할라노비스 거리(LLMD)는 학습 데이터 대비 마지막 층 특징에서의 토큰별 편차를 측정하여 분포 외 상태를 감지한다. 두 번째인 액션 청크 일관성(ACC)은 후퇴 수평선 제어(receding-horizon control)에 의해 유도되는 시간적 중첩을 활용하여, 연속적인 액션 청크가 일관성을 잃을 때 실패를 감지한다. 감지 정확도와 감지 지연 간의 트레이드오프를 포착하기 위해, 우리는 정밀도, 재현율, 감지 시간을 공동으로 평가하는 임계값 독립적 지표인 AUCPDT를 도입한다. 광범위한 실제 환경 및 시뮬레이션 실험을 통해, LLMD와 ACC가 상호 보완적인 실패 모드를 포착하며, 이 둘의 조합이 다양한 작업에 걸쳐 신뢰할 수 있는 조기 실패 감지를 가능하게 하여, 훨씬 더 비용이 높은 기준선 방법들을 자주 능가함을 입증한다.