在机器人操作领域，涉及流体、布料和软物体等可变形介质的任务对安全关键控制提出了重大挑战。现有基于学习的方法通常通过奖励塑形间接编码安全性，这无法保证部署时的约束满足。为此，研究人员提出了一种约束驱动的在线安全滤波器，用于可变形物体操作，通过最小修改任意名义控制策略，实时强制执行显式的任务级安全约束。
该方法的两个核心组件是：一个视界无关的神经算子，它学习底层偏微分方程动态的边界输入-输出映射，并能在无需重新训练的情况下推广到不同展开长度；以及一个边界控制障碍函数，通过轻量级二次规划在任务相关输出级别上证明安全性。由此产生的安全约束是边界输入速率的仿射函数，使得实时在线滤波成为可能。
在FluidLab的流体操作任务中，评估表明该滤波器将安全轨迹率提高了高达22%，同时减少了到达安全集所需的步数。结果证明，与奖励塑形方法相比，约束驱动的安全执行既更可靠又更高效。该工作为可变形物体操作的安全控制提供了新思路，有望推动机器人技术在更复杂环境中的应用。
论文作者包括Jiaxing Li、Hanjiang Hu、Zhuoyuan Wang、Yorie Nakahira和Changliu Liu，提交于2026年5月1日。该研究受到Simons基金会和成员机构的支持。未来的工作可能扩展到其他类型的可变形物体，并考虑更复杂的任务约束。这一成果对于自动化厨房、医疗手术和工业制造等领域具有重要意义，其中安全操作流体和柔软物体是核心需求。