DRFR：面向机器人任务语义弱监督持续监测的偏差表征与失败风险学习

基于摘要分析。该研究针对语言条件机器人任务中“动作在物理上合理、却偏离任务语义”的执行失败，提出 DRFR 弱监督持续监测框架：仅依赖任务级成功／失败标签学习执行过程中的风险，并利用积累的可靠成功经验动态扩展参考空间。研究对象是机器人任务语义监测，而非 EEG 解码或 BCI 控制。 核心难点是成功执行的策略与时序可能不同，且局部偏差可能被后续动作修正，因此单一参考轨迹或瞬时异常判断未必可靠。框架首先通过 Progress-Aware Deviation Representation with Success Memory（PADR），利用任务条件视觉—语言表征检索相关成功轨迹，再以开放终点的单调对齐，将当前执行前缀与多个候选成功轨迹匹配，生成相对偏差信号。 随后，Failure Risk Learning from Execution Deviations（FRLED）通过非负证据注入与可学习恢复门，跟踪偏差证据的累积和消解，在任务级标签监督下估计过程风险。这一机制将“发生偏差”与“最终失败”区分开来，但摘要未提供具体损失函数、恢复门实现及风险校准方式。 Continual Success Memory Expansion via Reliability and Novelty Gating（CSME）依据任务结果、行为可靠性和经验新颖性，对候选经验进行接纳、暂存或拒绝，再把确认的成功模式纳入参考记忆。其持续更新的是成功参考空间；摘要不足以确认其他模型组件是否同步更新。 作者报告，该框架能够识别语义任务失败，并改善后续任务的检测表现；摘要未给出数据集、任务划分、对照基线或指标数值，因此尚不能判断收益幅度及适用边界。实验协议、消融及统计信息尚未验证；复现时还需核对成功记忆的初始化与更新规则、任务级标签的获取时点，以及在线检索和对齐的计算开销。该机制在 EEG／BCI 中的适用性尚未验证，相关已有工作尚未检索确认。