**CARE：经验引导的原子级纠错执行，提升 VLA 策略失败恢复能力**

_CARE: Experience-Guided Atomic Corrective Execution for Vision-Language-Action Policies_

> 视觉-语言-动作（VLA）策略在机器人操作中表现优异，但一旦执行偏离标称轨迹便十分脆弱。为此，作者提出 CARE 框架：不再依赖人工设计或随机扰动生成纠错数据，而是收集失败 rollout，建模阶段条件下的失败后偏差，并据此合成代表性失败状态与纠错示范。推理时，CARE 结合阶段式规划与基于物理的 3D 监控，触发原子调整或重新操作，同时保持任务进度。团队还提出 FSR-Bench 基准，用于评估局部偏差与结构异常下的中间失败状态恢复。在多种 VLA 骨干、仿真基准和真实双臂任务上均取得一致提升，仿真平均任务成功率提升 14.5 个百分点，真实世界提升 15.9 个百分点。代码、模型与数据已开源。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-09-22 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2609.24118)