CrossSafe: Towards Cross-Embodiment Latent Safety Filters
作者: Ihab Tabbara, Yuxuan Yang, Hussein Sibai
分类: cs.RO, cs.AI, cs.LG, eess.SY
发布日期: 2026-09-24
💡 一句话要点
提出CrossSafe以解决跨实体安全过滤问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱七：动作重定向 (Motion Retargeting) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 跨实体学习 安全过滤 哈密顿-雅可比分析 形态感知 机器人操作 策略优化 零-shot泛化
📋 核心要点
- 现有方法未能有效捕捉安全性与机器人形态和运动学之间的关系，导致安全执行的局限性。
- 提出了一种基于哈密顿-雅可比可达性分析的安全过滤方法，利用形态感知的潜在表示实现跨实体的安全概念泛化。
- 实验结果显示，联合训练的策略在五个操作任务和四个机器人上实现了零-shot泛化，碰撞率显著降低。
📝 摘要（中文）
跨实体学习表明，单一模型可以学习适用于不同机器人执行多种任务的状态表示和操作技能。本文假设安全执行也可以共享，尽管不同机器人在形态、运动学和动力学上存在差异。我们提出了一种基于哈密顿-雅可比可达性分析的安全过滤方法，利用形态感知的潜在表示，确保安全概念在不同机器人间的泛化。实验表明，经过联合训练的单一策略在未见机器人上实现了零-shot泛化，显著降低了碰撞率。
🔬 方法详解
问题定义：本文旨在解决跨实体机器人在执行操作时的安全性问题，现有方法未能充分考虑不同机器人在形态和运动学上的差异，导致安全执行的局限性。
核心思路：提出了一种基于哈密顿-雅可比可达性分析的安全过滤方法，利用形态感知的潜在表示，使得安全概念能够在不同机器人间泛化，同时保持对各自形态和运动学的明确条件。
技术框架：整体架构包括形态感知的潜在表示模块、哈密顿-雅可比可达性分析模块和安全最大化策略模块。通过这些模块的协同工作，实现安全过滤和策略优化。
关键创新：最重要的技术创新在于提出了形态条件的安全过滤方法，使得同一策略可以在不同机器人上实现安全执行，突破了传统方法的局限。
关键设计：在设计中，采用了哈密顿-雅可比可达性分析作为核心算法，结合形态感知的潜在表示，确保安全性与机器人特性相匹配，同时优化了损失函数以提高训练效果。
🖼️ 关键图片
📊 实验亮点
实验结果显示，经过联合训练的单一策略在五个操作任务和四个机器人上实现了零-shot泛化，碰撞率显著降低。具体而言，训练使用更多的机器人实例显著提升了策略的泛化能力，验证了方法的有效性。
🎯 应用场景
该研究的潜在应用领域包括多种类型的机器人操作，如工业机器人、服务机器人和自主移动机器人等。通过实现跨实体的安全过滤，可以提高机器人在复杂环境中的操作安全性，降低事故风险，具有重要的实际价值和未来影响。
📄 摘要（原文）
Cross-embodiment learning has shown that a single model, such as a vision-language-action (VLA) model, can learn state representations and manipulation skills that can be applied across heterogeneous robots to accomplish various tasks. We hypothesize that the same holds for safety enforcement. The reasoning required to satisfy a safety constraint, such as detecting an obstacle, recognizing that it should be avoided, and selecting a safe abstract action, is largely shared across robots. What differs across embodiments is how the abstract safe action is realized: morphology, kinematics, and dynamics determine which actions are safe and feasible. Consequently, the same action can be safe for one robot and unsafe for another. This is especially important for generalist manipulation policies that operate in a common end-effector action space without explicitly capturing how safety depends on the robot's morphology and kinematics. We propose embodiment-conditioned safety filtering, in which a Hamilton-Jacobi reachability-based value function and its corresponding safety-maximizing policy are shared across robots. Using a morphology-aware latent representation of the robot and its environment, we perform Hamilton-Jacobi reachability analysis directly in latent space so that the learned safety concepts can generalize across embodiments while remaining explicitly conditioned on each robot's morphology and kinematics. We evaluate our approach across five bimanual robot embodiments and five manipulation tasks with whole-body collision-avoidance constraints. Our results show that a single policy, jointly trained across five manipulation tasks and four embodiments, exhibits zero-shot generalization to a held-out embodiment, reducing the nominal policy's collision rate. They also show that training using more embodiments improves generalization.