知识卡片：ContactGuard——基于动作条件潜世界模型的接触前执行监控

一句话结论

ContactGuard 利用动作条件潜世界模型，在机械臂尚未接触物体前预测策略动作块（action chunk）的短期后果，若预测潜状态指示失败则提前中止执行，从而避免接触类操作中“接触后才发现失败”的问题。

事件概述或研究问题

接触丰富的机器人操作中，失败往往要在机器人已经与物体发生接触后才被检测到。特别是在腕部相机设置下，虽然近距的夹爪—物体视图有助于观察接触状态，但一个不良的接近动作可能在传统检测器反应之前就已经造成推挤、未抓取、滑动或扰动物体。ContactGuard 针对分块视觉运动策略（chunked visuomotor policies）提出一种接触前执行监控方法，试图在接触发生前判断预定动作是否会导致失败。

方法/产品要点

• 输入为策略规划的动作块，ContactGuard 在潜在视觉空间中预测其短时域后果。
• 如果预测的未来潜状态指示可能失败，则中止执行。
• 潜世界模型从无标签的机器人轨迹中训练，预测在计划动作下的紧凑多视角视觉嵌入，避免逐像素视频预测。
• 轻量级“失败探针”（failure probe）仅使用少量带标签的接触前片段训练。
• 部署时，ContactGuard 在即将发生的接触事件前锚定预测，在策略自身动作下滚动前向模型，并验证预测的接触后潜状态。
• 作为外部监控信号，ContactGuard 不修改底层策略。

主要结果或产业意义

在真实世界的接触丰富操作任务中，ContactGuard 比直接预测和“损坏动作”（corrupted-action）消融基线更准确地预测失败，并且可以作为接触前中止信号迁移到真实机器人上，无需修改底层策略。

为什么重要

传统执行监控往往依赖接触后信号或像素级视频预测，难以在腕部相机场景下提前干预。ContactGuard 展示了用潜世界模型做接触前失败预测的可行性，为接触丰富的操作任务提供了一种不侵入底层策略的安全监控层。相比已有相关卡片中的世界模型工作，其增量价值在于将潜世界模型明确用于“接触前执行监控”，并针对分块视觉运动策略设计，而非面向通用运动规划或多智能体交互预测。

局限与不确定性

• 摘要未提供具体任务类别、物品类型、成功率数值、与更广泛基线（如基于接触力的检测）的定量对比，需核实原文实验部分。
• 失败探针需要少量带标签的接触前片段，这些标签如何获取及标注成本未在摘要中说明。
• “直接从策略动作块预测潜未来”的误差累积、鲁棒性和计算延迟未在摘要中给出，部署到真实机器人上的实时性细节待核实。
• 是否适用于无腕部相机、非分块策略或其他接触形态（如工具使用）尚不明确。

可用于图书/PPT/简报的角度

• 题目示例：“在接触之前就喊停：潜世界模型如何让机器人‘预知’操作失败”。
• 类比：世界模型不仅用于生成或规划，也可作为执行阶段的“安全预测器”。
• 强调“不修改底层策略”的外部监控思路，与可解释、可插拔安全机制结合。
• 说明潜空间预测避免了像素级视频预测的计算负担，适合机器人实时监控。

原始材料

• 英文标题: ContactGuard: Pre-Contact Execution Monitoring with Action-Conditioned Latent World Models
• 英文关键词: contact-rich manipulation, execution monitoring, latent world models, visuomotor policies（自摘要提取，原文若未显式列出关键词，则按内容归纳）
• 作者: Gehan Zheng, Matthew Johnson-Roberson, Weiming Zhi
• 发布/更新: 2026-08-13
• arXiv ID: 2608.13438v1
• 分类: cs.RO, cs.AI, cs.CV
• 来源: https://arxiv.org/abs/2608.13438v1