开放世界中的机器人安全，早已超越了简单的物理避障。宾大与CMU提出的CORE框架，让机器人首次能够在线理解语境，像人一样根据“湿滑地面”或“交通锥”等语义信息调整行为，为下一代具身智能提供了关键的安全基础。
智能速览
全新CORE框架让机器人在线理解语境安全。
视觉语言模型驱动，实现从零开始的风险识别。
创新空间算子将语义约束落地为安全区域。
提供考虑感知不确定性的概率安全保证。
在仿真与波士顿动力Spot机器人上完成验证。
精华内容
传统机器人安全依赖于预设地图和规则，但在复杂多变的开放环境中，真正的安全是理解场景背后的语义。CORE框架的核心突破，就是赋予了机器人这种在线理解能力。
超越物理避障
在开放世界中，机器人面临的安全挑战从“避开物体”升级为“理解场景”。同一条走廊，在拥挤时段、紧急疏散或地面湿滑时，对应的安全策略截然不同。传统方法依赖人工预设的规则，无法灵活应对未知情况，而语境安全正是解决这一难题的关键。
VLM驱动风险推理
CORE的核心创新在于引入了视觉语言模型（VLM）。机器人不再需要庞大的规则库，而是通过实时摄像头画面，直接理解图像中的语义风险，如“湿滑地面”的警示牌、“交通锥”的封锁区域，或是“人与设备”的安全距离，实现了从感知到推理的跨越。
语义到空间的落地
如何将自然语言描述的约束转化为机器人可执行的行动？CORE设计了ON、NEAR、AROUND、BETWEEN四种空间算子。例如，“远离设备”的指令，能通过NEAR算子自动生成一个以设备为中心的像素级禁入区，将抽象的语义规则精确地映射到物理空间。
概率安全与真实验证
为应对VLM感知可能存在的漏检，CORE创新性地提供了概率安全保证，而非绝对的100%，这在理论上有严格支撑。该框架将语义安全区域转化为控制屏障函数（CBF），在不干扰原路径的前提下，实现最小幅度的安全规避。在仓库、医院等仿真环境及真实的波士顿动力Spot机器人上，其表现接近已知真实语境的Oracle模型，显著优于无语境基线。
CORE框架标志着机器人安全从“物理层”迈向“认知层”的重要一步。通过赋予机器人在线理解语境的能力，人机协作的未来将更加安全、高效和自然。当机器人能真正“看懂”我们世界时，它们还能解锁哪些全新的应用场景？
