内容摘要
作者提出 MAIA，将接触密集型操作的异常预判建模为执行前的动作评估：视觉—动作—力世界模型从正常执行中学习预期交互动力学，预测计划动作对应的未来视觉与力响应，再由轻量异常头估计异常是否发生及其时间占比。配套 CRIA 数据集包含 18 项真实操作任务的 2,852 条轨迹，提供同步多模态信号与逐帧异常标注。实验使用 13 项已见任务训练，另留 5 项新任务，每项用 10 条训练轨迹适配。
作者报告，已见与新任务的平衡准确率（bACC）分别为 0.765 和 0.710，预警提前量中位数分别为 28.0 和 25.1 步；该提前量仅统计成功预判的事件，并非所有异常均能提前发现。真机部署时，冻结的 π0.5 策略每次生成 8 个候选动作块，MAIA 选择预测异常概率最低者；在 18 项任务、每种方法每项 30 次试验中，总体成功率由 52.6% 升至 61.5%，无需重训底层策略。这些是作者论文报告的结果，新任务成绩包含适配，不应解读为零样本通用能力。
点评
这项工作展示了世界模型的一种用途：预测计划动作的物理后果，为执行前的候选动作筛选提供依据，而不只在异常出现后报警。
有限预测窗口与固定历史长度可能限制长时异常预判；实验仅覆盖单一机器人及固定力/力矩传感配置，跨本体、跨传感器泛化尚未验证，也未解决根因诊断或自主恢复。
版本与核查范围
版本 2610.21686v1 · 原文定位与程序检查、独立上下文模型复核；不代表独立研究复现。。依据已核查材料整理；未运行模型或机器人。
原文与定位
- 原文链接 #S1.p4.1；#S4.p2.1；#S4.SS3.p2.1；#S6.SS1.SSS1.p1.1；#abstract1.1；#S6.SS1.SSS3.p1.1；#S6.SS5.p1.1；#abstract1.1；#S1.p6.1；#S7.p2.1