2026年6月22日，arXiv 上发布了一篇题为《Verifiable Foundation Models for Robot Safety》（面向机器人安全的可验证基础模型）的论文，作者为 Davide Corsi 等三人，编号 arXiv:2606.23754v1，归属机器人学（cs.RO）与机器学习（cs.LG）交叉领域。论文聚焦于一个核心矛盾：将基础模型用于机器人控制时，其强大的多模态感知与表达能力恰恰使其内部机制难以被形式化分析，因而现有验证工具几乎无法直接处理这类模型。
为缓解这一张力，作者提出 FEARL（Foundation-Enabled Assured Robot Learning，基础模型赋能的可保障机器人学习）框架。其关键思路是采用模块化的架构分解：将策略拆分为一个大型的 Controller（C，控制器）与一个小型 Safety 模块（S，安全模块）。控制器负责高维感知与任务推理，承接基础模型原有的表达能力；安全模块则接收来自专用安全传感器的低维观测，并同时输入控制器给出的有界上下文嵌入，最终由它输出实际动作。
这一设计的要点在于验证对象的转移。许多机器人安全需求，例如碰撞 avoidance（避碰）与工作空间边界约束，本就定义在安全传感器观测之上。因此，形式化验证可以施加于小型的 S 模块，而不必针对庞大的基础模型主干。论文指出，这使形式化分析在现有工具下变得可行（tractable），同时保留了控制器在任务推理上的表达力。
为证明分解后的策略仍能完成多样化任务，作者在三个仿真机器人域上评估 FEARL，并使用多种控制器主干与训练流程，其中包括预训练、开箱即用的视觉-语言-动作（VLA）模型。此外，作者还将其中一个仿真任务中学到的策略迁移到真实机器人上，结果表明这种低维安全接口有助于实际的 sim-to-real 迁移。
论文于 2026 年 6 月 22 日 03:10:51 UTC 提交，全文约 2,225 KB，提供 PDF、实验性 HTML 与 TeX 源码，DOI 为 https://doi.org/10.48550/arXiv.2606.23754，由 DataCite 发放（待注册）。