通过潜在空间可达性分析将安全性推广至碰撞规避之外

基于摘要分析。本文研究机器人如何避免难以手工形式化、但可从高维观测中识别的失败，例如袋中物品洒落。作者提出 Latent Safety Filters，在生成式世界模型的潜在嵌入空间中执行 Hamilton-Jacobi（HJ）可达性分析，以生成保持安全的动作，将安全控制从传统碰撞规避推广至更复杂的约束。 核心机制是利用质量不一的多样化机器人观测—动作数据学习世界模型，再将约束定义转化为该模型潜在空间中的分类问题。方法直接面向 RGB 图像等原始观测，不要求显式的恢复示范。相较依赖低维状态表示、第一性原理动力学及手工碰撞约束的传统实践，其主要变化是用学习得到的潜在表示承载安全约束与可达性分析；摘要未说明世界模型架构、分类监督来源、具体训练损失及在线求解流程。 作者报告，在硬件实验中，Latent Safety Filters 可为模仿学习策略和直接遥操作等不同控制策略提供安全过滤，并用于防止 Franka Research 3 机械臂使袋中物品洒落。摘要未提供成功率、干预频率、计算延迟或对照结果，因此尚不能量化其相对优势，也不能将 HJ 框架的理论性质直接等同于学习潜在模型下已获验证的安全保证。 复现时需核对观测—动作数据的覆盖范围、危险状态标注方式、潜在动力学误差、安全边界及控制实时性；实验协议、消融及统计信息尚未验证。本文的主要研究对象是机器人安全控制，材料未提供 EEG/BCI 验证，不据此推断其具有神经信号解码效果。