在大模型驱动的具身智能浪潮中，VLA（Vision-Language-Action）模型凭借强大的语义理解与任务泛化能力，正成为下一代通用机器人的核心引擎。但现实很骨感：“听得懂”不等于“做得对”，更不等于“做得安全”。许多VLA系统在仿真中表现惊艳，一旦部署到真实环境，却因缺乏对物理世界的“敬畏之心”而频频“硬碰硬”--轻则打翻物料、中断任务，重则损坏工厂设备、危及人员。越聪明的模型，潜在风险反而越高。
面对这一“落地最后一公里”的关键瓶颈，清华大学安全控制技术研究中心、天创机器人与阿里达摩院联合提出全新解决方案：VLS（Vision-Language-Safe Action）架构--无需重训现有VLA模型；无需修改任何原始参数；即插即用嵌入动作输出端，即可为其叠加一层可验证、可量化、低延迟的安全保障层！
▲VLA 与 VLSA 模型的结构对比
核心技术：AEGIS安全执行守护系统
VLSA的核心是AEGIS（Action Execution Guarded by Invariant Safety），它像一位“永远在线却不抢方向盘”的智能副驾驶，在关键时刻精准干预，确保安全无虞：
语义驱动的安全感知
利用VLM理解任务指令（如“将传送带上的电机组件搬运至右侧装配工位”），自动推理出哪些物体是潜在威胁（如正在运转的机械臂、临时堆放的托盘、未固定好的线缆或巡检中的AGV小车）；
结合GroundingDINO开放词汇检测器+RGB-D深度图+多视角融合，将文本描述的“危险物”精准定位到3D世界坐标，实现任务对齐的障碍物感知。
▲AEGIS的流程图
几何约束下的毫秒级安全修正
想象机器人末端和周围的障碍物都不是复杂的形状，而是被简化成一个个“椭球体”。研究人员用了一种聪明的办法：在两个椭球体之间“插”进一个虚拟的平面，系统实时判断两个椭球会不会撞上这个“隔板”。为了让这个方法更灵活、不那么“保守”，还引入了一个“虚拟辅助状态”来动态调整这个平面的方向，让它能更好地贴合实际情况。最终，整个避障策略被转化成一个凸二次规划问题，在平均0.356 毫秒内完成求解，仅占单步控制周期的 1.86%，几乎零开销！
▲机械臂末端与障碍物椭球
只在必要时微调动作，最大程度保留VLA原有的精细操作意图（如端平水杯、轻柔抓取），避免传统避障算法“为了安全牺牲任务”。
严苛验证：SafeLIBERO安全基准发布
为科学评估安全性能，研究团队在主流具身智能基准LIBERO基础上，构建了首个专注于物理安全的测试集--SafeLIBERO：
○新增16个任务×2种干扰等级（贴近干扰/路径阻挡）；
○ 引入摩卡壶、酒瓶、书本、收纳盒等日常高风险障碍物；
○ 共计1600个随机化测试片段，模拟真实作业场景中的突发碰撞风险。
▲SafeLIBERO测试基准总览
实验结果亮眼
与OpenVLA-OFT和pi_0.5等主流VLA模型相比，AEGIS 模块显著提升了系统的安全性与任务执行能力。
为什么任务成功率反而更高？因为避免了碰撞引发的连锁失败--杯子没打翻、目标没移位、环境未破坏，任务自然更容易完成！
为什么需要专门设计安全层？
因为经典路径规划/人工势场：只看几何，不懂语义，容易破坏VLA的精细动作意图；微调/重训练VLA：成本高昂，且无法覆盖真实世界无限长尾风险，缺乏确定性安全保证；所以要VLSA+AEGIS：以最小侵入式架构，在保留智能性的
同时，提供数学可证明的安全边界，真正实现“智能”与“安全”兼得。
面向产业落地：安全是规模化部署的前提
在工厂、制造业、物流仓储等复杂非结构化环境中，安全不是可选项，而是准入门槛。VLSA 架构的轻量化、模块化、即插即用特性，使其可无缝集成到现有VLA机器人系统中，大幅降低安全改造成本，加速具身智能从实验室走向真实场景。
未来，团队将持续拓展 VLSA 在以下方向的能力：
●动态障碍物（如移动的人、移动的设备）的实时预测与避让
● 六自由度（6-DoF）操作中的旋转安全约束
● 全身协同运动下的多体安全控制
产学研协同，共筑人机安全新生态
此次成果由清华大学安全控制技术研究中心、天创机器人、阿里达摩院三方深度协作完成，标志着具身智能安全体系迈入新阶段。
我们相信：真正的智能，必须是负责任的智能。“守护安全，对抗焦虑"是天创机器人不变的使命。
Ref
论文题目:VLSA: Vision-Language-Action Models with Plug-and-Play Safety Constraint Layer
论文作者:Songqiao Hu, Zeyi Liu, Shuang Liu，Jun Cen，Zihan Meng，Xiao He
论文地址:https://arxiv.org/pdf/2512.11891
项目地址:https://vlsa-aegis.github.io
