在機器人操作領域，涉及流體、布料和軟物體等可變形介質的任務對安全關鍵控制提出了重大挑戰。現有基於學習的方法通常通過獎勵塑形間接編碼安全性，這無法保證部署時的約束滿足。為此，研究人員提出了一種約束驅動的在線安全濾波器，用於可變形物體操作，通過最小修改任意名義控制策略，實時強制執行顯式的任務級安全約束。
該方法的兩個核心組件是：一個視界無關的神經算子，它學習底層偏微分方程動態的邊界輸入-輸出映射，並能在無需重新訓練的情況下推廣到不同展開長度；以及一個邊界控制障礙函數，通過輕量級二次規劃在任務相關輸出級別上證明安全性。由此產生的安全約束是邊界輸入速率的仿射函數，使得實時在線濾波成為可能。
在FluidLab的流體操作任務中，評估表明該濾波器將安全軌跡率提高了高達22%，同時減少了到達安全集所需的步數。結果證明，與獎勵塑形方法相比，約束驅動的安全執行既更可靠又更高效。該工作為可變形物體操作的安全控制提供了新思路，有望推動機器人技術在更復雜環境中的應用。
論文作者包括Jiaxing Li、Hanjiang Hu、Zhuoyuan Wang、Yorie Nakahira和Changliu Liu，提交於2026年5月1日。該研究受到Simons基金會和成員機構的支持。未來的工作可能擴展到其他類型的可變形物體，並考慮更復雜的任務約束。這一成果對於自動化廚房、醫療手術和工業製造等領域具有重要意義，其中安全操作流體和柔軟物體是核心需求。