CARE：面向视觉-语言-动作策略的经验引导原子级纠错执行框架 CARE: Experience-Guided Atomic Corrective Execution for Vision-Language-Action Policies
从失败经验中学习纠错：经验引导数据合成+3D监控原子级纠错，大幅提升VLA恢复成功率
前置知识
VLA（Vision-Language-Action）模型
将视觉观测与语言指令映射为机器人动作序列的通用操作模型，通常以预训练视觉-语言骨干为基础，通过扩散/流匹配或自回归动作 token 化输出连续动作块。它接收图像与指令、输出低层控制，是当前机器人操作的主流范式。
CARE 不改变 VLA 架构本身，而是为其补上“执行失败后如何恢复”的能力。理解 VLA 的输入输出形式（观测+指令→动作）是理解“同一个执行器既做名义动作又做纠错动作”这一设计的前提。
π0 与 π0-FAST
π0 是基于流匹配的 VLA 基座模型，以扩散式生成连续动作块；π0-FAST 使用 FAST 动作 tokenization 自回归地生成离散动作 token，推理更高效。两者分别代表连续生成与 token 化两类主流骨干。
论文所有主实验（RoboTwin 2.0、RoboFactory、真机 SO-101）都围绕这两个骨干做 Base/CARE 成对对比，并在 FSR-Bench 上额外加入 RDT-1B，用以证明 CARE 与底层 VLA 架构正交。
AIC 与 KS 检验
赤池信息准则（AIC）在拟合优度与模型复杂度之间权衡，值越小模型越好；KS 检验比较经验分布与候选参数分布的最大距离，用于 goodness-of-fit 检验。二者常联合用于统计分布选型。
CARE 的核心是失败偏差先验 $p(d\mid k)$：对每个原子阶段的 $\Delta x,\Delta y,\Delta z,\Delta r$ 在 6 种参数分布中用 AIC+KS 选最优拟合。理解这套统计选型流程才能看懂“经验引导”到底引导了什么。
点云几何谓词监控
把 RGB-D 观测经分割与深度估计反投影为夹爪、物体、目标区域的点云，再用手工定义的几何关系（距离阈值、投影对齐、支撑面距离等布尔谓词）判断执行状态是否正常，是一种免学习的物理接地监控方式。
CARE 的 3D 监控器就是一个点云谓词检查器（93.8% 准确率、0.24s 延迟），负责在线决定继续执行、触发调整还是重操作，是闭环纠错执行的“什么时候动手”那一半。
失败恢复与 RSR
失败恢复指策略从中间失败状态（如抓空、放偏、物体倾倒）出发，把任务拉回可行轨道的能力。RSR（Recovery Success Rate）定义为在场景规定的恢复步数预算内达到恢复目标的 trial 比例。
FSR-Bench 用 RSR 独立于常规任务成功率地评估恢复能力，且训练用均匀扰动、测试用经验失败分布采样初始化。不理解 RSR 和这一训练/测试解耦设计，就无法正确解读实验部分。
原子阶段分解（Atomic Stages）
将长程多臂任务拆成抓取、抬升、放置、交接等原子技能的有序序列，每个阶段带名义指令、几何提示、终止谓词和纠错指令池，由规划器一次性生成，执行器逐阶段推进。
CARE 的失败建模是“阶段条件化”的（$p(d\mid k)$），数据合成、监控触发、纠错指令调度全部以原子阶段为单位，这个概念贯穿方法与实验的每个环节。
研究动机
VLA 策略几乎只在“标称初始状态+成功演示”上训练，而物理操作中物体打滑、倾倒、放错位置、双臂失同步等偏差司空见惯。以 RoboTwin 2.0 的 7 个硬双臂任务为例，即使最强的 π0 平均成功率也只有 39.6%，π0-FAST 仅 17.4%，ACT 只有 21.1%——一旦执行偏离标称轨迹，策略就进入训练分布中几乎没见过的状态并迅速失败。现有恢复方案各有缺陷：回滚/重规划（如世界模型方法）把失败当异常抹掉，且存在延迟与幻觉；FailSafe、RACER 等用随机或人工设计的扰动生成纠错数据，没有建模“哪些偏差真正由策略自身执行诱发”，监督分布与真实失败分布错配；VLM 检测器缺乏物理接地（本文实测 GPT-4.1 判断准确率仅 71.4%、单次 3.40s），已有 3D 点云监控又局限于单臂场景。
本文的目标是本文回答一个明确的问题：执行失败本身能否为恢复学习提供结构化监督？具体目标有三层。第一，从失败 rollout 中建模阶段条件化的几何偏差分布 $p(d\mid k)$，并据此合成有代表性的新失败状态和短程纠错演示，让 VLA 在自己真实会跌入的失败邻域内学会恢复。第二，构建原子纠错执行框架：GPT-4.1 规划器在任务开始时一次性做原子阶段分解，物理接地的 3D 监控器在阶段关键事件触发“执行内调整”（保留进度就地修正）或“阶段后重操作”（重做当前原子阶段），名义与纠错动作由同一个 VLA 执行器完成，无需切换独立恢复策略。第三，提出 FSR-Bench 基准，从经验失败分布采样初始化，把“恢复能力”从常规任务成功率中独立出来评估。
与已有工作不同的是，独特切入是把失败当“经验”而非“异常”。数据侧，与 FailSafe 式均匀随机扰动本质不同，CARE 对每个任务、每个原子阶段独立拟合一组偏差分布（$\Delta x,\Delta y,\Delta z,\Delta r$ 各自在 Gaussian/Beta/Gamma/Weibull/Log-Normal/Uniform 六族中用 AIC+KS 选优），只采样策略自己真正会犯的失败，并用 JS 散度分析证明 100 次 rollout 足以稳定先验（散度从 50 次时的 0.058–0.156 降到 0.020–0.037）。执行侧，与 RACER/FailSafe 训练独立恢复策略不同，CARE 的名义、调整、重操作指令共享同一个 VLA 执行器，恢复时不发生策略切换；监控侧用事件触发的点云几何谓词替代 VLM 判断，准确率 93.8%、延迟 0.24s，比 VLM 快 14.1 倍。评估侧，FSR-Bench 刻意让训练用均匀扰动、测试用混合名义策略的经验失败分布，解耦“学什么”和“考什么”。
核心方法
直觉是“从自己的错误中学习”，方法分离线数据合成与在线纠错执行两半。离线半区回答“恢复监督从哪来”：先跑 100 次无纠错的名义执行收集失败，在阶段关键事件（合爪、释放）处记录偏差 $d_i=(\Delta\tau_i,\Delta R_i)$，对每任务每阶段逐标量拟合出经验分布 $p(d\mid k)$；采样新偏差注入标称执行的阶段相关相对位姿（$\tau_k\leftarrow\tau_k+\Delta\tau$，$R_k\leftarrow\Delta R R_k$），在物理动力学下前滚得到全新失败状态，再由仿真 IK/运动规划 oracle 或真机遥操作收集只覆盖当前原子恢复目标的短纠错段。在线半区回答“何时调用恢复”：GPT-4.1（温度 0）在任务开始时一次性把指令分解为 $K$ 个原子阶段；3D 监控器在关键事件融合 SAM 3 掩码与 Depth Anything 3 深度为点云，计算几何状态 $q_t$，决定继续、调整或重操作；所有动作由同一个 VLA 以 $a_t\sim\pi(a_t\mid o_t,\tilde{u}_t)$ 生成。
核心创新有三。其一是“经验引导的失败先验”：显式建模策略自身诱发、阶段条件化的失败几何分布 $p(d\mid k)$，而不是拍脑袋的均匀扰动。消融证明在偏差维度、幅度范围、轨迹数量、训练设置完全一致的前提下，仅把均匀采样换成经验拟合分布，平均成功率就提高 12.2（π0）/8.8（π0-FAST）个点——增益来自“先验正确”而非“数据更多”。其二是“原子级纠错执行”：不训练独立恢复策略、不让 VLM 直接给修正动作，而是把恢复拆成执行内调整与阶段后重操作两类原子指令，由 3D 几何监控器在线选择，成功后立即回到标称计划，最大限度保留任务进度。其三是把“学什么”（数据合成）与“何时用”（监控触发）解耦：组件消融显示仅数据 +9.2 点、仅执行 +4.2 点、合用 +23.2 点，二者互补且缺一不可。
方法步骤详情
第一步（失败建模）：输入 100 次名义 rollout，某原子阶段不满足终止条件即记失败，在关键事件处计算 $d_i=(\Delta\tau_i,\Delta R_i)$——抓取在合爪瞬间量测夹爪-物体错位，放置在开爪瞬间量测物体-目标错位，旋转简化为偏航 $\Delta R_i=R_z(\Delta r_i)$。第二步（分布拟合）：对 $\Delta x,\Delta y,\Delta z,\Delta r$ 各自在 Gaussian/Beta/Gamma/Weibull/Log-Normal/Uniform 六族中拟合，AIC+KS 选优得到 $p(d\mid k)$。第三步（数据合成）：采样 $d\sim p(d\mid k)$，扰动 $\tau_k\leftarrow\tau_k+\Delta\tau$、$R_k\leftarrow\Delta R R_k$ 后物理前滚生成新失败状态；仿真用 IK/运动规划 oracle、真机用遥操作收集纠错演示，轨迹达到当前原子恢复目标即截断。第四步（VLM 规划）：GPT-4.1 读初始全局图像与指令，一次性输出每阶段 $\Pi_k=(u_k,\gamma_k,\psi_k,\mathcal{U}_k)$，$\mathcal{U}_k=\mathcal{U}^{adj}_k\cup\mathcal{U}^{re}_k$ 为调整与重操作指令池。第五步（3D 监控）：事件触发地用 SAM 3+Depth Anything 3 融合点云 $P_{g,t},P_{o,t},P_{tar,t}$，计算 $q_t=\Phi(\cdot)$，按 $\tilde{u}_t=f_{mon}(\Pi_{k_t},q_t)$ 选择指令；几何一致则继续，阶段内偏差触发调整，阶段失败触发重操作；$\psi_{k_t}$ 满足则推进到 $k_t+1$，重试预算耗尽则恢复失败。第六步（VLA 执行）：$a_t\sim\pi(a_t\mid o_t,\tilde{u}_t)$，观测含机器人状态、全局与腕部 RGB。
技术新颖性
与 FailSafe 的区别不在数据量而在采样分布：Table VI 控制变量实验表明，同样的偏差维度、范围、轨迹数与训练设置下，仅换采样分布就带来 +12.2/+8.8 点，说明先验本身是收益来源。与回滚方法相比（Table XI：回滚 45.7% vs CARE 64.0%），回滚只能撤销累积误差，教不会策略在当前失败状态如何行动。与 RACER/FailSafe 的独立恢复策略不同，CARE 保持单一执行器，避免名义/恢复策略切换带来的分布跳变，且对骨干无关（π0、π0-FAST、RDT-1B 一致受益）。监控侧不学分类器、不依赖 VLM：技能级谓词模板一次定义、跨任务复用，数值容差（如 $\delta_{geg},\delta_{safe},\delta_{place}$）从 rollout 统计校准，在物体繁多的 Put Object Cabinet 上仍达 96% 准确率，比 GPT-4.1 判断高 22.4 点、快 14.1 倍。此外合成失败是物理前滚产生的新状态而非重放，FSR-Bench 的训练/测试分布解耦进一步排除了“背题”效应。
实验结果
RoboTwin 2.0 七个硬双臂任务：CARE 把 π0 平均成功率从 39.6% 提到 60.7%（+21.1 点），π0-FAST 从 17.4% 提到 33.1%（+15.7 点），远超 ACT（21.1%）、DP（25.4%）、DP3（28.1%）等基线。RoboFactory 多臂协作（2/3/4 臂）：π0 62.0%→74.0%（+12.0 点），π0-FAST 26.7%→36.0%（+9.3 点），四臂拍照上 π0 82%→88%。FSR-Bench 为隔离执行机制贡献而禁用经验引导合成、三骨干统一用 50 条/恢复类型的均匀纠错轨迹：π0 的 RSR 在 Easy 38.8%→57.2%、Hard 15.8%→21.2%；π0-FAST 24.4%→32.6%、4.6%→10.8%；RDT-1B 21.8%→25.2%、2.6%→6.0%，平均恢复提升 7.5 点。真机 SO-101 四个双臂任务：π0 30.8%→50.0%、π0-FAST 18.8%→31.3%，超专门恢复方法 FailSafe 13.7/7.3 点。汇总仿真平均 +14.5 点、真机 +15.9 点。消融：仅纠错数据 π0 31.6%→40.8%（+9.2），仅执行框架 35.8%（+4.2），全 CARE 54.8%（+23.2），两者互补。监控消融：3D 监控准确率 93.8% vs VLM 71.4%，延迟 0.24s vs 3.40s（14.1 倍）。经验 rollout 数：50/100/150 次对应 45.0%/51.5%/51.0%，100 次为拐点，JS 散度已从 50 次的 0.058–0.156 降至 0.020–0.037。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| RoboTwin 2.0 硬双臂任务（7 个，短+长程平均） | 任务成功率 | 60.7%（π0+CARE） | 39.6%（π0 原版） | +21.1 点 |
| RoboTwin 2.0 硬双臂任务（π0-FAST） | 任务成功率 | 33.1%（π0-FAST+CARE） | 17.4%（π0-FAST 原版） | +15.7 点 |
| RoboFactory 多臂协作（2/3/4 臂平均，π0） | 任务成功率 | 74.0%（π0+CARE） | 62.0%（π0 原版） | +12.0 点 |
| RoboFactory 多臂协作（π0-FAST） | 任务成功率 | 36.0%（π0-FAST+CARE） | 26.7%（π0-FAST 原版） | +9.3 点 |
| FSR-Bench Easy 域（5 个恢复任务，π0） | 恢复成功率 RSR | 57.2%（π0+CARE） | 38.8%（π0 原版） | +18.4 点 |
| FSR-Bench Hard 域（π0） | 恢复成功率 RSR | 21.2%（π0+CARE） | 15.8%（π0 原版） | +5.4 点 |
| 真机 SO-101 双臂任务（4 个，π0） | 任务成功率（100 trials/任务） | 50.0%（CARE） | 30.8%（原版 π0）；36.3%（FailSafe） | +19.2 点；超 FailSafe +13.7 点 |
| 真机 SO-101 双臂任务（π0-FAST） | 任务成功率 | 31.3%（CARE） | 18.8%（原版）；24.0%（FailSafe） | +12.5 点；超 FailSafe +7.3 点 |
| 纠错数据采集策略消融（经验引导 vs 均匀随机） | 平均任务成功率 | 56.6%（π0）/24.6%（π0-FAST） | 44.4%（π0）/15.8%（π0-FAST） | +12.2 / +8.8 点 |
| 回滚恢复 vs CARE（3 个仿真任务，π0） | 平均任务成功率 | 64.0%（π0+CARE） | 39.7%（原版）；45.7%（回滚） | 超回滚 +18.3 点 |
局限与改进
作者承认或可从数据直接读出的局限：(1) Hard 域绝对恢复率仍低——FSR-Bench 上 π0+CARE 的 Hard 平均 RSR 仅 21.2%，面对倾倒、目标被占、意外掉落这类需要多步或多臂协同的结构性失败，恢复能力远未解决；(2) 重试预算耗尽后恢复直接判失败，系统没有计划级的反思与重规划；(3) 偏差先验只建模平移三分量加偏航角（$\Delta R_i=R_z(\Delta r_i)$），俯仰/横滚类失败（如物体倾倒）不在分布支撑内；(4) 谓词模板需为每个新原子技能手工定义一次、容差靠 rollout 统计校准，跨具身与跨技能泛化未验证；(5) FSR-Bench 的训练刻意用均匀扰动、测试用经验分布，这个保守设计实际上低估了完整 CARE（经验引导+执行框架）在恢复场景的上限；(6) 真机验证只有 4 个双臂任务、单一 SO-101 平台，未涉及液体、柔性物等接触丰富场景。
独立分析的弱点
独立分析的弱点及改进方向：(1) 多步结构性恢复薄弱——Seal Stamp Recovery Hard 上 π0+CARE 仅 24%，短程纠错段数据难覆盖级联失败，可引入 RL 微调或树搜索式多步恢复规划。(2) 旋转建模过度简化——放置类失败中俯仰/横滚错位常见（FSR-Bench 的 Pose Misalignment 类型），标量偏航 $\Delta r$ 无法表达，应扩展到完整 $SO(3)$ 或 6D 旋转分布。(3) 几何谓词脆弱——真机 Pass Two Toys 监控准确率仅 86%，遮挡、反光或异形物体下阈值化谓词会误触发/漏触发，可加谓词置信度估计与多帧时序滤波，或用学习式残差判别器兜底。(4) 规划一次成型不可修正——若 GPT-4.1 初始分解违反物理依赖，监控无法触发重规划，可设计“终止谓词连续失败 N 次即回调规划器重分解”的机制。(5) 失败先验按“任务×阶段”独立估计、无跨任务迁移，每个新任务都要 100 次预 rollout，可在技能层面建共享先验库。(6) 分布外失败（新物体、新干扰）不在 $p(d\mid k)$ 支撑内，可在线检测 novel failure 并增量更新先验。
未来方向
作者明确提出的方向是将强化学习集成进 CARE 以进一步增强恢复能力。基于其成果还可延伸：(1) 用已合成的失败-恢复配对做 offline RL 或偏好优化，替代昂贵的 IK oracle 与人工遥操作演示；(2) 把经验先验从平移+偏航扩展到全 6D 位姿并引入力/触觉信号，覆盖打滑、倾倒等接触丰富失败；(3) 监控-规划闭环：谓词反复失败时触发 VLM 在线重规划，处理计划级错误与重试预算耗尽问题；(4) 跨任务、跨具身的技能级先验迁移与谓词模板库建设，降低新任务 100 次 rollout 的数据门槛；(5) 在 FSR-Bench 中加入可变形物体、动态干扰与更长的失败级联，检验先验的外推极限；(6) 与世界模型结合，用学习到的前滚预测替代物理引擎做失败状态合成，把经验引导框架推广到没有精确仿真的真实场景。
复现评估
复现条件较好：代码、模型、数据开源在 https://github.com/xiaojunlan/care，补充材料给出完整协议——标准任务每方法 150 条名义演示+每错误类型 50 条额外轨迹，经验先验需每任务 100 次预 rollout；FSR-Bench 每恢复类型 50 条均匀纠错轨迹、20k 步训练；π0/π0-FAST 训练 40k 步、batch 32、动作视野 50、学习率分别为 $3\times10^{-5}$ 与 $5\times10^{-5}$，硬件 2×A800 80GB，ACT/DP/DP3/RDT-1B 配置也逐表列出。监控侧 SAM 3 与 Depth Anything 3 在单张 RTX 4090 即可运行，VLA 由 A800 服务器远程推理。仿真复现门槛主要是双卡 A800 算力与闭源 GPT-4.1 API；真机复现需双臂 LeRobot SO-101（12 自由度、30Hz 全局+腕部相机）、遥操作采集（每任务 50 条名义+每错误类型 20 条）与每任务 100 次预执行，人力成本较高。FSR-Bench 的 36 个失败场景全部图示、每任务-域 100 次评估且所有方法共享预生成失败初始化，对比公平。总体：仿真中等偏易，真机中偏高但协议足够细。
论文图表
左半展示 CARE 的经验引导失败建模流程：收集失败 rollout、分析失败分布、合成失败状态并采集专家纠错演示；右半展示 CARE 与 FSR-Bench 的关系：CARE 用这些分布做恢复学习，FSR-Bench 则从混合名义策略独立估计评估分布以生成共享的恢复初始化。
一图看清论文两大贡献的分工与联系：训练监督来自经验分布，评估初始化来自另一套独立估计的经验分布，这种解耦设计是理解实验公平性的关键。
36 个失败状态图集后半部分：覆盖 Dual Shoes Hard、Seal Stamp Recovery 的 Easy/Hard 场景，包括双臂倾倒、遗留错误、放置偏移、不可达目标、目标被占等失败状态的实物照片。
与 Fig. 15 合起来完整公开基准的失败状态空间，保证 FSR-Bench 的可复现性与评估透明度。
RoboTwin 2.0 七个硬双臂任务（LP/SS/PBS/PDS/POC/HB/DBB）上 8 个方法的成绩：ACT 21.1%、RDT-1B 18.0%、DP 25.4%、DP3 28.1%、π0-FAST 17.4%→CARE 后 33.1%、π0 39.6%→CARE 后 60.7%，其中 Place Dual Shoes 从 14% 升到 40%、Handover Block 从 27% 升到 62%。
主结果表，量化 CARE 在最难的仿真双臂基准上对两类 VLA 骨干的一致提升幅度，是论文核心声明的第一证据。
RoboFactory 三个多臂协作任务（双臂放置食物、三臂堆三个方块、四臂拍照）：DP 20.7%、π0-FAST 26.7%→36.0%、π0 62.0%→74.0%，CARE 在 2/3/4 臂设置下全面提升，如双臂放置食物 π0 56%→73%、三臂 48%→61%。
证明方法可扩展到双臂之外的多臂协同场景，这是多数已有失败恢复工作（多为单臂）无法覆盖的设置。
FSR-Bench 上 RDT-1B/π0-FAST/π0 三骨干的原版与 CARE 版在 5 个恢复任务的 Easy/Hard 域 RSR：π0 Easy 平均 38.8%→57.2%、Hard 15.8%→21.2%；π0-FAST 24.4%→32.6%、4.6%→10.8%；RDT-1B 21.8%→25.2%、2.6%→6.0%；如 PLR_easy 上 π0 30%→78%。
该表刻意禁用经验引导合成、三骨干统一均匀纠错数据，从而把执行框架本身的贡献隔离出来，是方法两部分贡献分解的关键证据。
真机 SO-101 四个双臂任务上 π0 与 π0-FAST 的原版、FailSafe、CARE 三种配置对比（每任务 100 trials）：π0 平均 30.8%→FailSafe 36.3%→CARE 50.0%；π0-FAST 18.8%→24.0%→31.3%；如 Pass Two Toys 上 π0 15%→CARE 42%。
真机主结果表，且包含与专门恢复方法 FailSafe 的系统级对比，证明 CARE 的优势不只是离线数据更好，在线执行机制同样关键。
组件消融：π0 基线 31.6%，仅加纠错数据（Data）40.8%（+9.2），仅加执行框架（Execution）35.8%（+4.2），全 CARE 54.8%（+23.2）；π0-FAST 同样趋势（11.8%→20.8%/13.8%/31.6%）；全 CARE 与 Data-only 之间 14.0/10.8 点的差距隔离出在线原子纠错执行的净贡献。
证明经验引导数据与原子纠错执行缺一不可且大致互补，是理解方法为何要同时做两件事的核心表。
纠错数据采集策略消融：均匀随机（FailSafe 式）vs 经验引导，两者偏差维度、范围、轨迹数与训练设置完全一致，只差采样分布。经验引导使 π0-CARE 平均 44.4%→56.6%（+12.2），π0-FAST-CARE 15.8%→24.6%（+8.8），如 LP 任务 π0 66%→91%。
直接验证论文最核心的主张——失败分布先验本身（而非数据量）是收益来源，是“经验引导”这个名字的实证支撑。
监控机制消融：在相同触发观测与人工决策标签下，GPT-4.1 VLM 监控平均准确率 71.4%、延迟 3.40s/次，3D 监控准确率 93.8%（+22.4 点）、延迟 0.24s（快 14.1 倍）；如 Handover Block 上 VLM 仅 50% vs 3D 监控 96%。
论证用物理接地的点云谓词替代 VLM 判断的合理性，准确率与延迟双优势是系统能在线闭环的前提。
FSR-Bench 每个任务 Easy/Hard 域的最大恢复步数预算：Pot Lift 100/400、Skillet Placement 200/250、Block Handover 400/500、Seal Stamp 200/500、Dual Shoes 200/400，Hard 域预算更大以容纳结构性异常所需的多步纠错。
定义 RSR 的评估口径（恢复目标与步数预算跨方法共享），是正确解读 Table III 数字的协议基础。
FSR-Bench 失败类型到任务的映射：位姿错位、抓取失败、放置偏移属 Easy 域；倾倒、不可达目标、目标被占、意外掉落、遗留错误等结构性失败属 Hard 域，如遗留错误出现在 PLR_hard 与 DSR_hard。
给出基准的失败分类体系，解释 Easy/Hard 两域的定义边界以及为什么 Hard 域需要多步或多臂恢复。
经验 rollout 数消融（纠错监督量固定为每错误类型 50 条）：LP/PDS/HB 三任务平均成功率 50 次为 45.0%、100 次 51.5%、150 次 51.0%；如 Lift Pot 上 π0 从 83%（50 次）升至 91%（100 次）。
确定先验估计的数据成本拐点，说明方法在实际部署中“100 次预 rollout”是性价比最优配置。
回滚恢复对比（回滚用同一 3D 监控检测偏差后恢复到上一原子阶段末状态再继续名义执行）：π0 原版平均 39.7%、回滚 45.7%、CARE 64.0%；如 Place Dual Shoes 上回滚仅 18% vs CARE 40%。
证明“只撤销误差不教新行为”的回滚路线收益有限，凸显显式纠错监督+原子执行组合的必要性。
技能级 3D 监控在 11 个仿真/真机任务上的判定准确率：多数任务 94–98%，物体繁多的 Put Object Cabinet 96%，最难的真机 Pass Two Toys 86%，全部平均 93.2%。
验证谓词模板跨任务复用的鲁棒性（尤其是多物体类别场景），支撑监控器无需任务特定学习分类器的设计选择。