นักวิจัยนำเสนอ SAFECAST ซึ่งเป็นวิธีการตรวจจับความล้มเหลวที่มีประสิทธิภาพสำหรับนโยบายการทำงานของหุ่นยนต์แบบ Vision-Language-Action (VLA) โดยเน้นไปที่การแก้ปัญหาเมื่อหุ่นยนต์ต้องเผชิญกับสภาวะที่ต่างไปจากชุดข้อมูลที่ใช้ฝึก (distribution shifts) เช่น การมีสิ่งของวางระเกะระกะ การเปลี่ยนสภาพแสง หรือคำสั่งที่มีการปรับเปลี่ยนคำพูดใหม่
หัวใจสำคัญของ SAFECAST คือการใช้ Contrast Set Perturbations เพื่อปรับปรุงการฝึกสอนและการปรับเทียบ (calibration) ของตัวตรวจจับความเสี่ยง ช่วยให้ระบบสามารถประเมินความน่าจะเป็นที่จะเกิดความล้มเหลวในการทำงานได้อย่างแม่นยำขึ้น ผลการทดสอบในสภาพแวดล้อมจริงและระบบจำลองพบว่า SAFECAST ให้ประสิทธิภาพในการตรวจจับความล้มเหลวสูงกว่ามาตรฐานเดิมอย่างมีนัยสำคัญทางสถิติ และทำงานร่วมกับโมเดลพื้นฐาน (VLM) ได้หลากหลายรูปแบบ
