机器人故障挖掘会发现需要审查、重新标记或重新收集数据的推出段。目标不是最终的故障帧；它是一个上下文窗口，保存前驱物、策略决策、联系事件、后果以及任何恢复尝试。
主动学习随后将有限的标签或硬件收集预算分配到不确定性、新颖性、影响力、多样性和安全方面。高分创造候选项，而非验证失败或允许重现危险状态。
将此指南与 机器人评估指南 及 人工干预指南一起使用。将保留失败设置置于挖掘和再训练循环之外。
我用回合窗口代替终端帧
最终碰撞或掉落物体可能视觉上很明显，但为时已晚，无法教授预防。捕捉一个窗口足够长的时间，以涵盖状态漂移、不确定感知、动作选择以及第一个可恢复的偏差。
保留命令、观测、联系、模式变更和时间戳。使用任务语义设定地平线；固定帧数意味着控制速率间物理时间不同。
建立一个超越已确认失败的候选项库
包括人工干预、保护性停止、暂停、低进度、高不确定性、新颖场景和可疑成功。部分成功完成包含不安全的险些错过或需要纠正的捷径。
保留普通的硬底片，让审核员和检测器能够识别界限，而不仅仅是稀有的视觉效果。
| 信号 | 有用的 | 主要模糊性 | 校准 |
|---|---|---|---|
| 不确定性 | 模型疑问 | 可能校准错误 | 被公开的结局 |
| 新颖性 | 分布变更 | 小说可能安全 | 集群审查 |
| 进展 | 任务停滞 | 慢也可以是合理的 | 任务特定时间 |
| 影响 | 后果严重程度 | 可能很难预测 | 风险分类学 |
| 干预措施 | 人类关怀 | 算符阈值变化 | 原因与结果 |
在合并分数前先校准信号
不确定性、新颖性、预测影响和收集成本有不同的单位和错误率。将它们与标记验证事件进行归一化，并在创建合并优先级评分前保留独立组成部分。
加权总和可以掩盖严重影响的候选项，隐藏在低新颖性之后。在后果主导排名时，使用硬性安全规则。
找出失败的起点和增长
在重复自动化中，失效常因小姿态误差、接触不匹配、重试或时序漂移而加剧。标签起始、首次可检测线索、首次纠正机会和终末结果分别存在。
该结构支持早期检测和恢复学习。它还防止在不可避免的失败后，每一帧都变成冗余的训练样本。
基于机制而非视觉相似度的聚类
嵌入和轨迹聚类可以减少重复审查，但两个视觉相似的帧可能代表不同的原因，如滑移、校准偏置或指令延迟。在相关情况下添加作用、力、进展和错误代码功能。
审查每个簇的代表性、边界和异常群集。保留小型严重簇，而非合并为统一的外观类别。
使用运行时检测器作为候选生成器
2025年RSS FAIL-Detect论文 将成功训练数据中的失败检测框架为顺序分布外检测，并以共形阈值评估已学及事后信号。
其警报仍为报告任务下的模型输出。在标记根本原因或更改部署的安全响应之前，仍需进行人工审查和结果证据。
设计人工审核以获取信息
向审核者展示同步窗口、预测分数、任务阶段和先前集群示例。提出结构化的问题，如故障、原因、可恢复性、严重程度及有用的下一集，选项不确定。
衡量评审间的一致，并将分歧引导至裁决阶段。不要将复杂的物理事件强行归入一个过于自信的单一标签。
让硬性负片靠近决策边界
硬性负片包括顺应接触、进展缓慢、遮挡或异常光照，看似失败但安全完成。没有这些，监控器会持续触发，策略会避免有效的罕见状态。
尽可能将每个故障集群与相关的正常变体配对。按任务阶段和运营成本评估误报。
在受保护的信封内收集新数据
主动学习不应盲目执行最不确定的操作。通过碰撞、力、工作空间、人类访问和重置约束过滤候选对象，然后在直接自主复制不安全时使用模拟、夹具或遥操作。
明确停止标准和独立保障措施。学习目标从不授权扩展物理安全范围。
预算在多样性和预期价值之间分配
选择根据簇覆盖率、结果、预期误差减少、成本和可行性来标记或复制的回合。一个大型共同簇可能需要比一个较小严重机制更少的代表。
跟踪实际标签、采集和重置成本。使用 混合指南，确保新采集的数据不会在再训练时压倒正常行为。
重新测试未知故障和误报
重新训练后，评估包含未公开回合、新实例和难负样本的冻结保留。不要只对用于选择的候选项池进行评分，因为循环明确向候选项池优化。
测量检测延迟、恢复机会、任务成功率、不安全事件和误报成本。与固定基线进行比较，并保留每一项干预措施。
| 循环阶段 | 产物 | 接受检验 | 泄漏风险 |
|---|---|---|---|
| 我的 | 候选窗口 | 上下文和时间戳完整 | 仅终端帧 |
| 集群 | 机制组 | 保留稀有模式 | 视觉快捷方式 |
| 影评 | 标签与判决 | 一致性与不确定性 | 被迫确定 |
| 收费 | 新回合 | 安全与多样性 | 不安全不确定性追逐 |
| 重测 | 冰封的顽固派 | 无形失效改进 | 候选重用 |
以失败矿工谱系发布
链接候选评分、源头推广、评审者决策、聚类、回忆请求、新数据集版本、模型更新和保留结果。保留被拒候选者，以便后续审计了解抽样策略。
通过以下清单进行验证。
评估“机器人失败挖掘与主动学习”时，还应保存模型版本、机器人配置、标定文件、测试日期和全部试验记录。把成功、失败、恢复与人工介入放在同一份数据中，才能区分模型能力、系统接口和现场流程造成的差异。
成本评估除了设备与算力，还要记录数据采集、工程调试、安全措施、维护、停机和人员培训。只有把这些持续投入与单位成功任务的价值比较，才能判断方案是否适合扩大。
上线后仍要持续检查分布变化、传感器漂移、机械磨损和人工接管原因。监测结果应能触发降级、停止与重新验证流程，并为下一轮数据采集和模型更新留下可追溯记录。
最终结论应明确写出已知限制、尚未验证的场景和下一项可证伪的实验，使后续团队能够沿着证据继续推进。
实际项目还应指定数据、模型、控制器和安全流程的负责人，并预先定义回滚条件。责任边界、审批记录与变更日志越清楚，故障发生后越容易停止扩散、定位原因并安全恢复。
把任务拆成感知、决策、动作执行和结果确认，可以更准确地定位瓶颈。每一阶段都应有独立指标与失败示例，避免用端到端成功率掩盖偶发但严重的风险。
引用的产品规格、论文结果和监管要求需要记录发布日期与适用版本。资料更新后应重新核对关键结论；无法从一手来源确认的内容，应明确标注为待验证信息。
小规模试点的价值在于提前暴露接口、人员协作和异常处理问题。试点结束后应依据预设门槛决定扩大、修改或停止，而不是因为已经投入资源就默认继续。
所有结论都应能够追溯到原始记录，并可复核。
硬件与软件接口应分别记录单位、坐标系、时钟、延迟和允许范围，并通过自动测试检查不一致。接口定义变化时，旧数据和旧控制参数不能在未经验证的情况下直接复用。
异常测试应覆盖断电、通信丢失、传感器失真、对象滑移和人员进入工作区等情形。系统不仅要发现异常，还应以可预测的方式减速、停止或请求人工确认。
维护计划需要把检查周期、易损件、备件、校准和软件更新纳入同一套记录。若维护成本或停机时间持续上升，应重新评估系统设计，而不是只提高操作人员负担。
报告平均值之外，还应公开最差结果、分布尾部和失败视频或日志索引。对安全关键任务而言，少数严重失败往往比平均性能更能决定是否可以部署。
- 挖掘带有前导和后果的情境窗口。
- 分别校准不确定性、新颖性、影响和成本。
- 聚集机制并保留硬底片。
- 只在独立的安全控制范围内收集。
- 在冻结、未见的失败和正常边界情况下重新测试。
常见问题
每一次失败的回合都应该被加入训练吗？
不。去重、验证标签、保留机制，并与正常和恢复数据进行平衡。
高不确定性是否意味着机器人失败了？
不。这是一个候选信号，需要校准、背景和结果证据。
挖矿可以在单个框架上操作吗？
帧可以做种搜索，但根本原因和恢复通常需要同步的集数窗口。
主动学习是否故意运行危险状态？
不应该。当繁殖超过安全范围时，使用受保护的过滤器、模拟、灯具或人工控制。
再培训价值如何被证明？
使用冻结的隐匿失败和难负样本，并结合延迟、成功、安全和虚惊等指标。
候选警报与验证失败边界
失败评分优先考虑审查；它们不产生真实或硬件授权。保留上下文、不确定性、安全约束以及一个独立的未见样本留出集。