생성 모델 기반의 모방 학습(IL)을 사용하는 로봇의 복잡하고 장기적인 작업 수행 능력이 향상되었지만, 환경 변화나 오류 누적으로 인한 예측 불가능하고 안전하지 않은 동작으로 인해 작업 실패가 발생할 수 있다. 본 논문에서는 실패 데이터를 필요로 하지 않는, 런타임 중 생성형 IL 정책의 실패를 예측하는 일반적인 프레임워크인 FIPER를 제안한다. FIPER는 (i) 정책의 임베딩 공간에서 무작위 네트워크 증류를 통해 감지된 out-of-distribution (OOD) 관찰, (ii) 새로운 action-chunk 엔트로피 점수로 측정된 생성된 액션의 높은 불확실성, 두 가지 실패 예측 지표를 식별한다. 두 실패 예측 점수는 성공적인 롤아웃의 작은 집합을 사용하여 등각 예측을 통해 보정된다. 두 지표가 짧은 시간 창을 통해 집계되어 임계값을 초과하면 실패 경고가 트리거된다. 다양한 실패 모드를 포함하는 5개의 시뮬레이션 및 실제 환경에서 FIPER를 평가한 결과, FIPER는 기존 방법보다 실제 실패와 양성 OOD 상황을 더 잘 구별하고 실패를 더 정확하고 조기에 예측함을 보여준다.
