WBAG: A Whole-Body and Attached-Geometry Safety Framework for Vision-Language-Action Manipulation

📄 arXiv: 2610.01083v1 📥 PDF

作者: Samuel Zhen, Siwon Jo, Yanze Zhang, Wenhao Luo

分类: cs.RO

发布日期: 2026-10-01

备注: 8 pages, 5 figures, 3 tables

💡 一句话要点

提出WBAG框架以解决机器人视觉语言动作中的安全问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 视觉语言动作 机器人安全 碰撞避免 全身几何建模 抓取条件安全集 可微分约束 自动化生产

📋 核心要点

  1. 现有的视觉语言动作策略在实际部署中面临碰撞风险，尤其是未能全面考虑机器人的全身几何和附加物体的影响。
  2. WBAG框架通过建模机器人的全身和抓取依赖的几何形状，构建抓取条件安全集，以适应不同的操作环境。
  3. 在SafeLIBERO基准测试中，WBAG实现了97.38%的场景安全性和59.38%的安全成功率，显著优于其他方法。

📝 摘要（中文）

视觉语言动作（VLA）策略在通用机器人操作中展现了出色的能力，但在实际应用中，由于机器人各部件、操作物体及周围环境之间的潜在碰撞，部署仍面临挑战。现有的VLA安全框架通常依赖简化的末端执行器中心表示，未能明确建模完整的关节机器人及附加物体几何形状。本文提出WBAG，一个安全框架，能够建模机器人的全身和抓取依赖的附加几何形状。WBAG构建了一个抓取条件安全集，随着物体被抓取而适应保护几何形状，并将这一不断演变的几何形状转换为可微分的CBF约束，最小化修改VLA的六维操作空间动作，以实现机器人、场景和附加几何的碰撞避免。在安全评估的SafeLIBERO基准上，WBAG在所有评估方法中实现了最佳的整体安全性和安全任务成功率，场景安全性达到97.38%，安全成功率为59.38%。

🔬 方法详解

问题定义：本文旨在解决现有视觉语言动作（VLA）策略在实际应用中因碰撞风险导致的安全问题。现有方法通常依赖于简化的末端执行器中心表示，未能充分考虑机器人全身及附加物体的几何特征。

核心思路：WBAG框架的核心思路是通过建模机器人的全身和抓取依赖的几何形状，构建一个动态适应的抓取条件安全集，从而在执行操作时有效避免碰撞。

技术框架：WBAG的整体架构包括多个模块，首先是全身几何建模模块，其次是抓取条件安全集构建模块，最后是将演变的几何形状转换为可微分的CBF约束模块，以实现安全的操作空间。

关键创新：WBAG的主要创新在于其能够动态调整保护几何形状，并将其转化为可微分的约束条件，这与现有方法的静态几何表示形成鲜明对比。

关键设计：在设计上，WBAG采用了可微分的控制约束，确保在执行VLA策略时，最小化对原有操作空间动作的修改，同时引入了抓取条件以适应不同的操作环境。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在SafeLIBERO基准测试中，WBAG框架表现出色，整体场景安全性达到97.38%，安全成功率为59.38%。这些结果显著优于其他评估方法，展示了WBAG在复杂环境中的有效性和安全性。

🎯 应用场景

WBAG框架在机器人操作、自动化生产线和人机协作等领域具有广泛的应用潜力。通过提高机器人在复杂环境中的安全性，WBAG能够促进更安全的自动化解决方案，减少潜在的碰撞风险，提升工作效率和可靠性。

📄 摘要（原文）

Vision-language-action (VLA) policies have demonstrated impressive capabilities in generalizable robotic manipulation, but their deployment in the real world remains challenging due to potential collisions involving different parts of the robot, manipulated objects, and the surrounding environment. Existing inference-time VLA safety frameworks typically rely on simplified end-effector-centered representations that do not explicitly model the full articulated robot and attached-object geometry. In this paper, we present WBAG, a safety framework that models the robot's whole-body and grasp-dependent attached geometry. WBAG constructs a grasp-conditioned safe set that adapts the protected geometry as objects are grasped, then converts this evolving geometry into differentiable CBF constraints that minimally modify the VLA's native six-dimensional operational-space action for collision avoidance across robot, scene, and attached geometry. On the SafeLIBERO benchmark, a variant of LIBERO augmented with obstacles for safety evaluation, WBAG achieves the best overall safety and safe task success among the evaluated methods under a scene-level safety evaluator that monitors all eligible non-task objects, reaching 97.38\% aggregate Scene Safety and 59.38\% Safe Success.