본 논문은 예상치 못한 장애물, 센서 오류 또는 환경 변화로 인한 로봇 시스템의 실행 실패 문제를 해결하기 위해 Vision-Language Model(VLM), 반응형 플래너, Behavior Tree(BT)를 결합한 통합적인 실패 복구 프레임워크를 제시한다. 이 프레임워크는 실행 전에 잠재적인 실패를 확인하는 사전 실행 검증과 실행 중에 실패를 감지하고 수정하는 반응형 실패 처리를 포함한다. 실행 중에는 기존 BT 조건을 검증하고, 누락된 전제 조건을 추가하며, 필요에 따라 새로운 기술을 생성하여 실패를 복구한다. 구조화된 환경 인식을 위한 장면 그래프와 지속적인 모니터링을 위한 실행 이력을 사용하여 상황에 맞는 적응형 실패 처리를 가능하게 한다. ABB YuMi 로봇을 사용한 실제 환경 실험(peg insertion, object sorting, drawer placement)과 AI2-THOR 시뮬레이터를 통해 프레임워크를 평가하였으며, 사전 실행 및 반응형 방법을 개별적으로 사용하는 것보다 높은 작업 성공률과 더 큰 적응성을 달성했다. 더불어, VLM 기반 추론, 구조화된 장면 표현, 실행 이력 추적의 중요성을 강조하는 ablation study 결과도 제시한다.
