論文「Recover, Discover, Plan: Learning Skills and Concepts from Robot Failures」は、Bowen Li 氏を筆頭に計10名の著者によって執筆され、2026年6月16日に arXiv に投稿された。論文番号は arXiv:2606.18328v1 で、ロボティクス（cs.RO）に分類されている。本文は9ページ・図6点で構成され、プロジェクトのウェブサイトへのリンクも示されている。DOI は DataCite 経由で発行済み（登録は保留中）である。
本研究の中心的な主張は、知的ロボットは失敗から回復するだけでなく、将来の失敗を避けるために必要な抽象的な知識を獲得すべきだという点にある。強化学習（RL）は反応的な回復行動を学習できるものの、個々の異なる失敗モードごとに別々のポリシーを訓練するのは非常に非効率である。この課題に対し、著者らは ReSYNC（Recovery-Driven Synthesis of Relational Concepts、回復駆動型関係概念合成）を提案した。これは、失敗回復の経験から状態抽象（関係述語）を段階的に発見・精緻化し、抽象プランニングを支援する初のアプローチである。純粋に反応的な手法とは異なり、ReSYNC は増分的なデュアル学習プロセスを通じてスキルと概念を同時に学習する。
この枠組みは二つの段階に分かれる。スキル学習段階では、ロボットは強化学習を用いて、訓練タスクで見られた失敗から回復することを学ぶ。概念学習段階では、ロボットは新たな関係述語を発見し、学習した回復行動を説明・一般化するために抽象プランニングモデルを精緻化する。この二つの相互作用により、ReSYNC は訓練中に観察された局所的な回復を、テスト時の大域的な失敗回避へと変換できる。
四つのシミュレーション領域での実験により、ReSYNC が抽象ライブラリを継続的に拡張・精緻化する能力によって、これまで見たことのない長期的な問題を解決でき、強力なベースラインを50%以上上回ることが示された。さらに、著者らは ReSYNC の sim-to-real（シミュレーションから実世界への）転移を実証しており、実世界で非把持型の操作スキルを実行し、抽象プランニングを通じて未見のシナリオへ一般化できることを示している。
結論として著者らは、ReSYNC が、物理世界におけるスケーラブルで失敗を考慮したプランニングのために抽象概念を自律的に獲得するロボットへの重要な一歩になると述べている。