机器人功能安全与整机安全监控模块设计

功能安全追求故障后进入安全状态，而非任务成功。本文以 rl_sar 为落地点，提出业务与安全双链路：独立安全监控作为安全大脑，对策略与速度指令有单向否决权。故障按后果分正常、降功率、停机、急停锁定四级；整机状态分自检、待机、行走、跌倒保护、充电、故障锁定。软件做诊断分级与指令闸门，硬件以急停、STO、抱闸作最终切断。现有 Passive 与限幅只是执行器，需补齐独立监控、看门狗与分级恢复，并从仿真

gello遥操Franka容易触发力矩超限问题解决

在Gello主从遥操Franka机械臂场景中，机器人频繁出现爆红保护、急停锁机问题，极大影响遥操稳定性与数据采集效率。该问题并非硬件故障，核心源于Gello遥控基于位置差解算控制力矩的特性：人工操作抖动、姿态突变、负载惯性会产生瞬时超标力矩，无约束力矩会触发Franka伺服超限保护，同时运动惯性力易被机身碰撞检测算法误判为外部碰撞，最终导致机械臂爆红停机。本文从力位混合控制原理出发，拆解问题本质，

对抗性攻击与鲁棒性：破解机器学习模型的“视觉盲区”

摘要深度学习模型在图像分类、目标检测、人脸识别等视觉任务中展现出超越人类水平的性能，然而它们普遍存在一个致命的“视觉盲区”——对抗性攻击。攻击者通过在原始图像上添加人眼难以察觉的微小扰动，即可使最先进的神经网络产生完全错误的判断。这一安全漏洞对自动驾驶、医疗影像、智能安防等关键领域构成了严峻威胁。本文系统梳理了对抗性攻击的技术原理与典型方法，深入分析了深度学习模型脆弱性的成因，全面综述了从对抗训练