目录

01  基于VLA的接触任务难在哪里

语言安全约束，往往是“懂了也没法直接执行”

VLA 输出的是动作，但风险常发生在“动作落地的物理细节”

更现实的做法：prompt 负责“说清规则”，系统负责“强制执行”

VLA 的安全需要完成两次关键 “落地”

02 训练阶段：安全探索

用“安全边界”把探索圈起来：控制障碍函数（CBF）

用“概率红线”控制风险：机会约束（Chance Constraints）

配一个“安全兜底动作”：可达性过滤 / 干预式安全层

03 部署阶段：安全执行

柔顺控制：让机器人“会让步”，而不是硬刚

难点

放一个“安全护栏”：MPC 安全屏蔽的思路

不可能三角

04 总结

---

做具身操作，最棘手的不是“能不能动”，而是“动的时候会不会出事”，尤其对于接触丰富（contact-rich）的任务。

相关数据表明：近年来，围绕“安全”和“接触密集型任务”的机器人研究，呈爆发式增长，7年间涨幅比高达581.4%。

其中原因，也非常好理解：越是把机器人推向真实世界、让它动手干活，越会发现“能完成任务”远远不够——卡在的正是 “安全交互” 这道鸿沟。

VLA 的出现，被赋予了“打破这道鸿沟”更多的希望。

很多人第一反应会是：既然 VLA 能读懂指令，那我们能不能像 CoT（Chain-of-thought，） 一样，直接在 prompt 里把“安全”写清楚？

比如说：“你要把水果夹起来，但不要碰撞、不要用太大力，保证安全。”

这类提示当然有用，它至少让模型在决策时把“安全”当成目标的一部分。

但是，语言提示更像“安全意图声明”，很难直接变成“可验证的安全行为保证”。

那么如何在不确定的接触中学习，并确保学习过程与执行结果的双重安全？

今天这篇文章，我们具体梳理一下 VLA 做接触任务时具体的难点是什么，以及让 VLA 接触任务安全落地，又有哪些可行方案。

01  基于VLA的接触任务难在哪里

关键仍在于数据。

▲机器人要安全学会 “接触密集型任务”，不能只靠某一种数据

图中展示了机器人接触密集型任务安全学习，所需数据的 “层级结构” ：

• 最顶层是真实世界数据：

包括高频的关节/速度/触觉与力-力矩传感，以及安全/不安全（失败）案例。

它最贴近真实接触与事故模式，所以对“上线不越界”最关键，但也最难采、最昂贵。

• 中间是仿真：

能做大规模探索，适合“训练阶段的安全探索”，但再强也难完全复刻真实接触的复杂性，只能说是可控但不完美。

• 底层是互联网与共享数据集：

数量大，但对“接触细节”和“安全关键现象”刻画往往是间接的。

而且很多真实任务是“多种困难叠在一起”的，比如既要插入对齐、又要控制接触力、还要处理物体滑动或变形。

▲接触丰富任务四个类型

这也解释了：为什么光靠语言指令，难以实现“接触操作任务中的安全落地”，因为如果缺少真实接触与失败证据，模型很难真正学会“物理后果”。

下面我们具体分析其中原因。

语言安全约束，往往是“懂了也没法直接执行”

例如一些接触任务的语言指令（prompt）：

不要碰撞、轻轻夹、慢慢插入

这些语言，人类听得懂，但对于机器人来说，没有一套真正能衡量的、可落地的、可计算的“量”：

• 碰撞的定义是什么？

是“末端和物体零接触”还是“允许轻微接触但不能冲击”？

• “轻轻”到底是多大力？

不同物体允许的阈值不同，甚至同一个物体不同位置也不同。

• “慢慢”是速度上限还是加速度上限？

接触过程中要不要随时降速？什么时候该停、什么时候该让？

也就是说，prompt 解决的是“你想要什么”，但安全执行更依赖“你如何把这句话翻译成‘可计算’的约束”。

VLA 输出的是动作，但风险常发生在“动作落地的物理细节”

接触丰富任务里，危险经常不是来自“方向错了”，而是来自接触瞬间的力、顺应、抖动、卡滞。

VLA 就算在高层规划上非常合理，也可能在这些细节上踩坑：同样是“夹起水果”，

真正决定安全的往往是末端的柔顺程度、接触模式切换时机、力的上升斜率……

而这些东西靠一句 prompt 很难稳定控制。

也就是说，prompt 能让模型更“谨慎地想”，但不能替代它在物理层面“持续地守规矩”。

更现实的做法：prompt 负责“说清规则”，系统负责“强制执行”

因此，更可落地的安全接入方式通常是“分层的”：

• 语言层（VLM/提示词）：

把安全要求说清楚、结构化，最好能明确“哪些是硬红线，哪些是软偏好”。

• 策略层（VLA）：

负责根据观测与指令输出动作或动作参数，让系统具备通用性和任务适应能力。

• 执行层（护栏层）：

把语言里的“安全”变成能实时检查、能强制满足的约束。

▲几类代表性方向：面向接触任务的控制、安全控制，以及学习驱动的方法路线，基本对应后文提到的“安全探索/安全执行”两条主线。

VLA 的安全需要完成两次关键 “落地”

语言更像“安全规则的接口”，而真正兜底的，仍然是那些能计算、能验证、能实时拦截的机制。

对 VLA 来说，安全要分两次“落地”：

第一次落在训练数据与探索策略里，避免把危险习惯学进模型；

第二次落在部署时的控制与约束层里，保证每一步动作都不越界。

下面我们就按这两个阶段，看看当前接触任务在安全探索、安全执行两个方向上，都有哪些主流做法。

02 训练阶段：安全探索

训练阶段的核心矛盾是：学习需要探索，但探索很容易把“危险动作”也探索出来。

那么，如何在训练阶段，让机器人“少犯”危险动作至关重要。

而这一点在 VLA 中尤其明显：

VLA 往往直接从图像+指令输出动作（或输出一段动作参数），训练时如果让它“自由试”，它可能会为了完成目标去推、去挤、去硬插。

短期看起来更快，长期却可能学到一套“强行完成任务”的坏风格。

我们把这一阶段常见的做法，按“怎么把约束加进去”，分成了三类，更好理解。

用“安全边界”把探索圈起来：控制障碍函数（CBF）

CBF 你可以把它理解成一个“安全边界计算器”：

研究人员先定义什么叫安全，比如：

末端与人保持至少 d 的距离、接触力不能超过 F、机械臂不能进入禁区。

然后每次模型给出一个动作，CBF 会做一次快速的优化：

尽量不改动模型动作，但如果这个动作会越界，就把它修正回安全边界以内。

对 VLA 来说，这种方式很像给端到端模型加了一个“最终审查”。

模型可以大胆提议动作，但最后落地的是“通过安全审查的动作”，如下入所示：

▲CBF 的直觉版示意，给 VLA 的动作加一道“落脚护栏”。

这是一个很典型的安全关键任务：机器人要在“踏石”地形上动态行走。

这里的“危险”不是走得快不快，而是每一步脚落下去能不能踩在石头上，一旦踩空就可能摔倒或损坏设备。

CBF的作用就是替代右侧（b）中的那一堆安全公式：

当 VLA 给出的动作会导致落脚点越界（比如步子迈太大、迈太小、或者落点偏出踏石），CBF就会把动作拉回到安全可行的落脚区域里，确保机器人每一步都“走在规则里”，而不是只“听起来很安全”。

CBF 的优势很直观：能把红线写得清清楚楚，越界就拦。

但接触任务里还有个极常见的问题：

环境参数不确定（摩擦、刚度、孔位误差），安全边界也会“算得不准”。

于是又会出现带不确定性的 CBF 变体，思路是把未知因素也考虑进去，只是往往会更保守。

用“概率红线”控制风险：机会约束（Chance Constraints）

有些约束你很难说“绝对不能”，只能说“发生概率必须极低”。

比如抓取时偶尔轻微碰触可以接受，但不能频繁撞击。

机会约束就是这种思路：允许极少数违规，但把违规概率压到阈值以下。

对 VLA 来说，它更像“风险预算”：

模型可以更灵活，但系统会严格控制风险暴露的概率。

但其难点也非常明显，就是“计算”，很多真实场景的可行域并不规整，算起来重，工程上不如 CBF 那么干脆利落。

配一个“安全兜底动作”：可达性过滤 / 干预式安全层

还有一类更实用的做法：

模型照样输出动作，但系统随时准备一个“安全备份”。

一旦当前动作可能导致“不可恢复”的危险，系统就切换到备份策略，或者把动作投影到一个可达、安全的轨迹集合里。

类似于自动驾驶里的“安全接管”：

平时你让学习策略开车；但只要检测到要撞，就强制刹车或改道。

这种策略也被迁移到了VLA的训练过程中：

因为VLA 再聪明，它本质上仍可能在长尾场景里犯错，干预式安全层可以保证训练阶段不会因为“一次极端动作”就把环境和机器人搞坏，也能让数据采集更可控。

03 部署阶段：安全执行

如果说探索阶段是“别学坏”，那执行阶段就是“别失控”。

因此，部署阶段的目标就是让机器人具备“稳、守规矩、抗不确定性”的能力。

我们都清楚：接触丰富任务上线后的风险通常更隐蔽，因为你可能看不出它马上会撞，但它在持续接触中慢慢积累偏差，最后突然卡死、弹开、或者力爆掉。

在这一阶段，研究人员通常不会只靠“一个大模型直接出动作”，而是会在底层放一个更可靠的执行栈，最典型的是柔顺控制。

柔顺控制：让机器人“会让步”，而不是硬刚

柔顺控制常用两种形式：

• 阻抗控制（Impedance）

让机器人表现得像一个“弹簧+阻尼”，外界推它，它不会硬顶，而是吸收冲击、稳定接触。

• 导纳控制（Admittance）

更像“你给我多大力，我就按一定规律让出多少位移”，特别适合外力变化大的互动。

延展阅读：署名是英伟达×斯坦福，但C位是宇树的。

▲例如这项工作就是可控柔顺性与 VLA 任务理解的精准匹配

为什么这对 VLA 很重要？

因为 VLA 输出的动作往往是高层的“我要怎么动”；

但接触任务真正安全的关键常常是“我该用多少力、我什么时候该大力操作、什么时候该缓一下”。

柔顺控制就是把这部分“物理直觉”固化在执行层里，让系统不会因为一点误差就变成硬碰硬。

▲机器人柔顺控制的例子，在受到外力之后，机器人并没有依靠关节的刚性硬顶冲击，而是借着外力倒下，随后再站起来。这种柔顺控制使得机器人能够有效“卸力”，四两拨千斤，而不是依靠自己的钢铁之躯“硬抗”，导致不必要的安全隐患

难点

柔顺控制不是开关，它有一堆参数（刚度、阻尼等），因此柔顺参数不好调，调错了反而更危险。

参数太硬，接触力会上去，容易损坏；

参数太软，动作漂，插不进去、拧不紧；

环境一变（材质、摩擦、孔位误差），原来调好的参数又不灵了。

因此执行阶段一个重要趋势是——让学习方法去自动调柔顺参数

在不同接触条件下动态选择更合适的“软硬程度”。

这里学习的角色不是替代控制器，而是帮控制器“选参数”，把安全和性能一起兼顾。

放一个“安全护栏”：MPC 安全屏蔽的思路

除了柔顺控制，还有一类很常见的部署“护栏”：

用模型预测控制（MPC）的思想做安全屏蔽。

它的逻辑是：每次动作输出前，系统会“短视地”预测未来几步，如果发现这条动作链会导致约束违背，就改成一条可行的、安全的动作序列。

对 VLA 来说，这种做法非常适合作为“最后一道门”：

VLA 负责提出意图和动作候选，MPC 把它修正成短期可执行、可验证的动作。

这样既保留 VLA 的灵活性，又不会让它把低层动力学约束踩穿。

不可能三角

安全不是“越保守越好”，它永远要跟任务和效率做交换。

▲3 个核心评价维度

如图所示，指标被分成三类：安全、任务成功、效率，并强调它们之间存在 trade-off。

这对接触任务尤其明显：把力限制得太严可能任务做不成；动作太保守则时间与能耗飙升。

像接触力、速度、能量这些指标之所以常被反复使用，就是因为它们往往同时反映“安全边界”和“任务质量”。

简单说就是 “机器人干活又安全、又能干好、又高效，很难三者兼顾”。

04 总结

当我们把安全拆成“训练阶段”和“执行阶段”之后，很多争论反而会更清晰：

• 训练阶段你需要的是“允许探索但不越界”的机制，用安全边界、干预式兜底把危险动作拦住，让模型学到更稳定的策略风格；

• 部署阶段你需要的是“能长期守规矩、抗不确定”的执行栈，用柔顺控制、MPC/CBF 等护栏把动作落稳，把语言层约束变成可执行的物理约束；

VLA 再强，也不适合单独承担这两件事——

这也是为什么 “语义接口 + 物理兜底” 的双重架构，不是可选，而是某种程度上的“必选项”。

但当跳出文章框架再来看“VLA 接触任务的安全落地”，其实还有几个容易被忽视的关键视角：

一是安全是 “复用性” 的前提

如果每次换个零件、换个场景，都要重新标注 “安全力阈值”“禁止接触区域”，VLA 的 “通用性” 就成了空谈。

二是人机协同的 “隐性安全” 比 “显性约束” 更重要。

拿机器人按摩来说，“力度刚好不疼”，比单纯的力阈值更影响用户接受度。

三是安全的 “可追溯性”

具身智能越普及，安全的 “责任界定” 越重要。当 VLA 应用到医疗、工业等高危场景（比如手术机器人、工业装配机器人），安全不只是 “不出事”，还要 “出事能溯源”，这是跨场景落地必须解决的问题之一。

所以，安全不是阻碍 VLA 拓展能力，而是让它的能力拓展有 “可预期的边界”

—— 恰恰是这个边界，让 VLA 开出的「安全支票」，能在物理银行真正「兑现」。

Ref：

论文题目：Safe Learning for Contact-Rich Robot Tasks: A Survey from Classical Learning-Based Methods to Safe Foundation Models

论文地址：https://arxiv.org/pdf/2512.11908