COFFAIL：当机器人学泡咖啡，失败比成功更有价值

COFFAIL: A Dataset of Successful and Anomalous Robot Skill Executions in the Context of Coffee Preparation Alex Mitrevski, Ayush Salunke 等 | arXiv: 2604.18126 | 2026

一个被忽视的数据缺口

假设你在训练一个机器人泡咖啡。

它学会了拿起杯子、按下咖啡机的按钮、等待萃取完成、把杯子递给你。一切顺利，成功率 95%。

但那 5% 的失败呢？杯子滑落了、按钮按错了位置、咖啡洒了、把手放反了——这些"异常"情况，你的训练数据里有吗？

大概率没有。

这就是机器人学习领域一个普遍存在的问题：现有数据集几乎只包含成功的执行记录。失败的、异常的、部分完成的执行——这些对训练鲁棒系统至关重要的数据——严重缺失。

COFFAIL：成功和失败都记录

COFFAIL（Coffee Failure）数据集填补了这个缺口。它记录了 Jessie 机器人在咖啡制备场景中执行七种不同技能的过程，同时包含成功和异常的执行记录。

七种技能包括：拿起杯子、操作咖啡机、加入牛奶、搅拌、递送杯子等——覆盖了泡一杯咖啡的完整流程。

数据集的独特之处在于：

• 异常多样性：不只是"失败了"，而是记录了各种不同类型的失败——抓取滑落、放置偏移、操作顺序错误、力度过大/过小等
• 真实物理交互：不是仿真数据，而是真实机器人在真实环境中执行的真实记录
• 完整 episode：每个记录包含从开始到结束的完整执行过程，包括成功和失败的时刻

为什么失败数据如此重要？

从机器学习的角度看，只训练成功数据有几个严重问题：

分布偏移：真实部署中，异常情况不可避免。如果模型从未见过失败，它就不知道如何从失败中恢复，甚至不知道自己已经失败了。

脆弱性：只在"理想条件"下训练的模型，对噪声、干扰、微小偏差极其敏感。一个成功的泡咖啡动作，可能因为杯子位置偏了 1 厘米就完全失败。

安全风险：在真实世界中操作的机器人，如果不知道什么是"异常"，就无法触发安全机制。识别异常是安全系统的第一步。

COFFAIL 的价值在于，它让研究者可以：

• 训练异常检测模型，让机器人知道"什么时候不对劲了"
• 训练恢复策略，让机器人从失败中"自救"
• 评估模型的鲁棒性，而不只是看成功率

我的思考

这篇论文虽然短小（作者自己说"short paper"），但提出了一个非常重要的观点：在机器人学习中，我们不应该只关注成功，而应该系统地收集和分析失败。

这让我想到航空安全领域的做法。飞机的黑匣子记录所有飞行数据，包括事故和险情。航空业的安全进步，很大程度上来自于对"失败案例"的深入分析，而不是对"成功飞行"的重复训练。

机器人学习也应该如此。COFFAIL 虽然只是一个咖啡制备场景的数据集，但它代表了一种方法论：系统性地记录、分类和学习失败，是构建鲁棒机器人系统的必经之路。

而且说实话，一个叫 COFFAIL 的数据集，本身就很有趣——谁不想看看机器人泡咖啡失败时是什么样子呢？

论文：arxiv.org/abs/2604.18126 机器人：Jessie Robot