VLSA: Vision-Language-Action Models with Plug-and-Play Safety Constraint Layer

📄 arXiv: 2512.11891 📥 PDF

作者: Songqiao Hu, Zeyi Liu, Shuang Liu, Jun Cen, Zihan Meng, Shihefeng Wang, Xiang Li, Xiao He

分类: cs.RO, eess.SY

发布日期: 2026-07-05

💡 一句话要点

提出VLSA架构以解决机器人操作中的安全性问题

🎯 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 安全约束 机器人操作 控制屏障函数 任务合规 非结构化环境 智能机器人

📋 核心要点

  1. 现有的视觉-语言-动作模型在非结构化环境中部署时，面临任务合规与安全保障的双重挑战，尤其是防止碰撞。
  2. 本文提出的AEGIS架构通过引入可插拔的安全约束层，利用控制屏障函数来增强现有模型的安全性。
  3. 实验结果显示，AEGIS在障碍物规避率上提升超过50%，任务成功率提高近10%，优于现有最先进的基线方法。

📝 摘要（中文）

视觉-语言-动作（VLA）模型在多样化的机器人操作任务中展现了卓越的泛化能力。然而，在非结构化环境中部署这些模型面临挑战，尤其是在确保任务合规和安全性方面。为此，本文提出了一种视觉-语言-安全动作（VLSA）架构AEGIS，包含一个可插拔的安全约束层，利用控制屏障函数进行设计。AEGIS能够与现有的VLA模型直接集成，提升安全性并提供理论保障，同时保持原有的指令执行性能。通过构建一个全面的安全关键基准SafeLIBERO，进行广泛实验，结果表明该方法在障碍物规避率上提升超过50%，任务成功率提高近10%。

🔬 方法详解

问题定义：本文旨在解决视觉-语言-动作模型在非结构化环境中部署时的安全性问题，现有方法在确保任务合规与防止碰撞方面存在不足。

核心思路：AEGIS架构通过引入可插拔的安全约束层，利用控制屏障函数来增强模型的安全性，同时保持其原有的指令执行能力。

技术框架：AEGIS的整体架构包括一个主VLA模型和一个安全约束层，安全层负责实时监控和调整模型的输出，以确保安全性。

关键创新：AEGIS的主要创新在于其可插拔的安全约束层设计，使得安全性与任务执行能够并行进行，显著提升了模型在复杂环境中的适应能力。

关键设计：在设计中，控制屏障函数被用作安全约束的核心，确保在执行过程中实时监控潜在的碰撞风险，此外，模型的损失函数也考虑了安全性因素，以优化整体性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，AEGIS在障碍物规避率上提升超过50%，任务成功率提高近10%，显著优于现有最先进的基线方法，展示了其在安全性和任务执行能力上的双重优势。

🎯 应用场景

该研究的潜在应用领域包括智能机器人、自动化制造、无人驾驶等，能够有效提升机器人在复杂环境中的操作安全性，减少事故发生的风险，具有重要的实际价值和未来影响。

📄 摘要（原文）

Vision-Language-Action (VLA) models have demonstrated remarkable capabilities in generalizing across diverse robotic manipulation tasks. However, deploying these models in unstructured environments remains challenging due to the critical need for simultaneous task compliance and safety assurance, particularly in preventing potential collisions during physical interactions. In this work, we introduce a Vision-Language-Safe Action (VLSA) architecture, named AEGIS, which contains a plug-and-play safety constraint (SC) layer formulated via control barrier functions. AEGIS integrates directly with existing VLA models to improve safety with theoretical guarantees, while maintaining their original instruction-following performance. To evaluate the efficacy of our architecture, we construct a comprehensive safety-critical benchmark SafeLIBERO, spanning distinct manipulation scenarios characterized by varying degrees of spatial complexity and obstacle intervention. Extensive experiments demonstrate the superiority of our method over state-of-the-art baselines. Notably, AEGIS achieves over 50% improvement in obstacle avoidance rate while substantially increasing the task success rate by nearly 10%. All benchmark datasets, code, and supplementary materials are publicly available atthis https URL.