普渡大學(xué)Aniket Bera教授：可靠自主機(jī)器人的“安全閥”，藏在“可檢查接口”里 | ICRA 2026

 

 

2026年6月2日，國際機(jī)器人與自動(dòng)化會(huì)議（ICRA 2026）在奧地利維也納進(jìn)入第二天。普渡大學(xué)（Purdue University）計(jì)算機(jī)科學(xué)系教授、IDEAS Lab實(shí)驗(yàn)室主任Aniket Bera發(fā)表了題為"RobotsSafe Navigation in Unstructured & Human-Centered Environments"（在非結(jié)構(gòu)化與以人為中心環(huán)境中安全導(dǎo)航）的主題演講，系統(tǒng)闡述了他對(duì)魯棒自主機(jī)器人系統(tǒng)的一整套方法論。

 

他的核心論斷直指當(dāng)前自主系統(tǒng)研發(fā)中的結(jié)構(gòu)性缺陷：今天絕大多數(shù)“成功”的自主系統(tǒng)，本質(zhì)上是因?yàn)槲覀儼咽澜缱兒唵瘟?，而不是機(jī)器人真正理解了世界。 工廠里的機(jī)械臂被圍欄隔離、倉庫中的AGV依賴地面標(biāo)記、自動(dòng)駕駛依賴高精地圖——這些人為鋪設(shè)的外部條件，本質(zhì)上都是幫助系統(tǒng)起步的腳手架。而真正的自主性，恰恰要求最終拆掉它們。

 

對(duì)此，他提出了貫穿其實(shí)驗(yàn)室研究的核心框架——“學(xué)習(xí)負(fù)責(zé)提議，結(jié)構(gòu)負(fù)責(zé)決策”（Learning proposes, Structure decides）。

在這一范式下，任何學(xué)習(xí)型模塊——無論是視覺感知還是大語言模型——都不應(yīng)該直接輸出最終控制指令，而是必須先通過一道“可檢查接口”（Checkable Interface）：這是一種可被形式化方法驗(yàn)證、由約束求解器審查的結(jié)構(gòu)化輸出。這條原則貫穿了IDEAS實(shí)驗(yàn)室的四大支柱研究：

 

 

總結(jié)而言，Aniket Bera給出了一條清晰的路線圖：學(xué)習(xí)賦予機(jī)器人靈活性，但結(jié)構(gòu)賦予它們可靠性。 二者不是對(duì)立的技術(shù)路線，而是同一系統(tǒng)中不可分割的兩面——而這正是將自主機(jī)器人從實(shí)驗(yàn)室"溫室"推向真實(shí)"荒野"的必由之路。

 

以下是Aniket Bera在ICRA 2026大會(huì)發(fā)表的演講精編稿，雷峰網(wǎng)·AI科技評(píng)論基于原英文演講內(nèi)容進(jìn)行了不改原意的翻譯編輯：

 

《Toivard Behaviorally-Intelligent RobotsSafe Navigation in Unstructured &Human-Centered Enironments》

主講人：Aniket Bera，普渡大學(xué)（Purdue University）計(jì)算機(jī)科學(xué)系，IDEAS實(shí)驗(yàn)室

 

一、成功的假象：我們不是在"造聰明機(jī)器人"，而是在"造溫室"

 

我是Aniket Bera，普渡大學(xué)計(jì)算機(jī)科學(xué)系的教授，領(lǐng)導(dǎo)IDEAS實(shí)驗(yàn)室。我們實(shí)驗(yàn)室橫跨機(jī)器人學(xué)、計(jì)算機(jī)視覺、機(jī)器學(xué)習(xí)和以人為中心的自主系統(tǒng)，共同的主線是：我們喜歡造智能的機(jī)器人。具身系統(tǒng)如何感知這個(gè)混亂的世界？如何推理人類和其他智能體的行為，同時(shí)在真實(shí)世界中實(shí)時(shí)執(zhí)行安全的動(dòng)作？

 

我先從一個(gè)“成功自主系統(tǒng)”的失效模式講起。我們把世界變簡單了，以為這樣機(jī)器人就好辦了——給機(jī)械臂圍上圍欄，在倉庫地板上貼標(biāo)記，給車輛裝高精地圖，在工廠里寫死固定腳本。這些系統(tǒng)能工作，不是因?yàn)闄C(jī)器人真正理解環(huán)境，而是因?yàn)槲覀儼循h(huán)境精心設(shè)計(jì)成了機(jī)器人能應(yīng)付的樣子。

 

而我和我實(shí)驗(yàn)室關(guān)心的場景，恰恰是要拆掉這些腳手架。機(jī)器人可能沒有GPS，沒有先驗(yàn)地圖，沒有穩(wěn)定的工作流程——而一個(gè)錯(cuò)誤動(dòng)作的代價(jià)可能是實(shí)實(shí)在在的物理損失。幾周前我實(shí)驗(yàn)室就發(fā)生過一次，代價(jià)昂貴。

 

二、核心框架：學(xué)習(xí)負(fù)責(zé)提案，結(jié)構(gòu)負(fù)責(zé)決策

 

正因如此，我把自主系統(tǒng)的問題框架化表述為：在語義約束、社交約束和安全約束下的閉環(huán)決策。

 

 

人們常問：你用的是傳統(tǒng)經(jīng)典機(jī)器人方法，還是基于學(xué)習(xí)的方法？我認(rèn)為這個(gè)問題本身就是錯(cuò)的。真正有用的問題是——學(xué)習(xí)型模塊向自主系統(tǒng)其余部分暴露的“接口”是什么？

 

感知模塊不應(yīng)該只輸出特征向量，它應(yīng)該輸出物體、位姿、尺寸和不確定性。同樣，大語言模型不應(yīng)該直接輸出機(jī)器人的控制指令——它應(yīng)該輸出某種可以被監(jiān)控、可以被約束求解器檢查的東西。這就是我所說的“可檢查接口”（Checkable Interfaces）。

 

學(xué)習(xí)負(fù)責(zé)提出更豐富的表征、更豐富的候選方案；而結(jié)構(gòu)負(fù)責(zé)決策哪些可以被信任、哪些需要被執(zhí)行。這就是我們實(shí)驗(yàn)室工作的底層邏輯。

 

三、感知：從"好看的地圖"到"可用的狀態(tài)"

 

在機(jī)器人能夠推理或行動(dòng)之前，它需要一個(gè)狀態(tài)估計(jì)——這個(gè)狀態(tài)必須是幾何的、語義的、可定位的，并且對(duì)下游任務(wù)有用。機(jī)器人需要持久化的物體表征、語義含義、不確定性——即一種可以被底層規(guī)劃器查詢的表示。而最難的部分是：所有這些必須實(shí)時(shí)完成。

 

核心問題是：你的感知棧輸出的是什么？ 如果它輸出的是原始像素或某種黑箱嵌入向量，整個(gè)系統(tǒng)棧的其余部分就無法做出安全論證。反之，如果它輸出的是一個(gè)類型化的狀態(tài)（Typed State），那么規(guī)劃和驗(yàn)證層就能真正使用它。我們需要知道機(jī)器人在哪里、場景中有哪些物體、這些物體之間的關(guān)系是什么，以及所有這些估計(jì)有多不確定。

 

 

近年來，神經(jīng)渲染領(lǐng)域（如3D高斯濺射）的工作為建圖、定位和SLAM提供了強(qiáng)大的表示。它能給出稠密、照片級(jí)真實(shí)、可連續(xù)優(yōu)化的地圖。但這里有兩個(gè)問題：第一，通過渲染-比較-優(yōu)化光度誤差來估計(jì)相機(jī)位姿的管線，對(duì)于像無人機(jī)這樣需要快速閉環(huán)控制的場景來說太慢太脆弱；第二，一幅視覺上完美的高斯地圖，并不自動(dòng)等同于一個(gè)規(guī)劃狀態(tài)——它不包含物體身份、開放詞匯語義，或校準(zhǔn)過的不確定性。

 

我們的FastSLAM項(xiàng)目正是針對(duì)這個(gè)延遲問題。我們把位姿估計(jì)問題從“渲染-優(yōu)化”轉(zhuǎn)變?yōu)椤捌ヅ?剛體注冊(cè)”：將當(dāng)前幀與活躍關(guān)鍵幀進(jìn)行匹配，反投影得到兩個(gè)3D點(diǎn)集，然后求解SE(3)上的最小二乘對(duì)齊——SVD解法直接從互協(xié)方差矩陣給出旋轉(zhuǎn)量。位姿變成一個(gè)快速的幾何計(jì)算，而重建質(zhì)量可以異步提升。我們已經(jīng)在搭載NVIDIA Jetson的無人機(jī)上部署了這個(gè)系統(tǒng)，在茂密森林中實(shí)現(xiàn)實(shí)時(shí)定位與建圖。

 

沿著同樣的思路，GoSLAM解決的是“如何讓重建的物體具有可指稱性和開放詞匯語義”——讓規(guī)劃器可以通過物體名稱查詢地圖，而不是只能通過像素坐標(biāo)。TransLocNet則解決“無GPS環(huán)境下如何將局部地圖全局錨定”——通過將地面觀測(cè)與航拍影像進(jìn)行跨視角、跨季節(jié)的配準(zhǔn)。想象一下，森林里大雪紛飛，樹葉落盡，而你的衛(wèi)星圖是夏天拍的。這需要超越像素和坐標(biāo)層面的表征理解。

 

所有這些不同的技術(shù)問題，被同一條主線縫合在一起：感知必須產(chǎn)出一個(gè)可查詢、可定位、可被關(guān)注的類型化狀態(tài)。

 

四、可信自主：大模型不是決策者，而是被審查的提案者

 

接下來進(jìn)入第二大支柱：可信自主（Dependability）。在這里，科學(xué)論證變得更加明確。一個(gè)學(xué)習(xí)型模塊可以非常有用，但同時(shí)仍然危險(xiǎn)——它會(huì)在分布偏移下失效，它的置信度可能被錯(cuò)誤校準(zhǔn)；在語言模型的場景中，它可能生成一個(gè)聽上去完美、實(shí)則違反任務(wù)級(jí)約束的計(jì)劃。

 

所以問題是：什么是一個(gè)“可檢查的對(duì)象”？對(duì)感知來說，答案是類型化狀態(tài)；對(duì)規(guī)劃來說，答案必須是一個(gè)可容許的計(jì)劃或動(dòng)作。

 

我們的項(xiàng)目SELP（ICRA 2025最佳論文入圍）正是為此而生。它的核心思想是：將大語言模型的角色從"無約束的規(guī)劃器"轉(zhuǎn)變?yōu)?quot;受約束的提案機(jī)制"。

SELP的工作方式是這樣的：將一個(gè)機(jī)器人任務(wù)翻譯成時(shí)序邏輯規(guī)范（Temporal Logic Specification），然后在生成過程中約束每一步——在每個(gè)token被采樣之前，系統(tǒng)先檢查“如果加上這個(gè)token，部分計(jì)劃是否仍然可行”。

 

如果不可行，這個(gè)token在采樣前就被屏蔽。大語言模型仍然是有用的先驗(yàn)知識(shí)來源（幫助生成高效的計(jì)劃），但它不再是安全問題的最終權(quán)威。

 

這意味著什么？它意味著約束不是“事后補(bǔ)救”——不是在模型輸出之后再貼一層安全檢查；約束被嵌入到生成過程本身。 形式化規(guī)范不是護(hù)欄，而是搜索空間的邊界。

 

沿著同樣的哲學(xué)，我們還開發(fā)了CAsForD（Context-Aware Safety For Decision-making，上下文感知決策安全）——當(dāng)用戶指令不安全時(shí)，系統(tǒng)不只說“不”，而是識(shí)別不安全成分并選擇安全修復(fù)方案。

 

還有我們實(shí)驗(yàn)室的其他工作，通過讓模型產(chǎn)生數(shù)學(xué)優(yōu)化程序來表達(dá)運(yùn)動(dòng)規(guī)劃的時(shí)間約束。一以貫之的原則是：學(xué)習(xí)型模塊永遠(yuǎn)不獲得未經(jīng)審查的權(quán)威，它產(chǎn)生的計(jì)劃、修復(fù)和控制必須可驗(yàn)證、可約束、可認(rèn)證。

五、人不是移動(dòng)障礙物：行為感知導(dǎo)航與多機(jī)器人協(xié)作

 

在第三和第四支柱中，我們的工作延伸到更復(fù)雜的社交和協(xié)作場景。

 

在人類行為建模方面，我們研究的問題包括：在密集社交場景中預(yù)測(cè)人類運(yùn)動(dòng)、建模群體層面的動(dòng)力學(xué)、人-物交互，以及當(dāng)場景中的物體需要被移動(dòng)或重新布置時(shí)的規(guī)劃。核心主題是：人不僅僅是移動(dòng)的障礙物——他們互相交互，他們與物體交互，他們與環(huán)境交互，圍繞機(jī)器人形成了一個(gè)耦合的、不確定的動(dòng)力學(xué)系統(tǒng)。 機(jī)器人必須預(yù)測(cè)人類行為，推理以物體為中心的上下文，并在幾何約束不足以保障安全時(shí)采取行動(dòng)。

 

在多機(jī)器人協(xié)作方面，我們研究了協(xié)作主動(dòng)重建、多智能體信息路徑規(guī)劃、可擴(kuò)展的多智能體SLAM等問題。核心主題是去中心化的團(tuán)隊(duì)自主性：每個(gè)機(jī)器人必須基于局部觀測(cè)和有限通信采取行動(dòng)。我們的策略是，在訓(xùn)練階段使用集中式學(xué)習(xí)來獲取優(yōu)勢(shì)，但在部署階段以去中心化方式運(yùn)行——在部分可觀測(cè)、通信受限、多智能體動(dòng)態(tài)交互的條件下。

 

六、結(jié)語：讓機(jī)器人走出"溫室"

 

回到最初的四大支柱，我想留給大家一個(gè)核心理念：安全的自主系統(tǒng)不是一個(gè)單獨(dú)的模塊，它是整個(gè)系統(tǒng)棧編織在一起的結(jié)果。 學(xué)習(xí)賦予機(jī)器人靈活性，但結(jié)構(gòu)賦予它們可靠性。真正的目標(biāo)是——當(dāng)世界變得混亂：沒有GPS、地圖不完整、物體在移動(dòng)、處處都是不確定性——機(jī)器人仍然能夠以安全的方式行動(dòng)。

 

Q&A 問答環(huán)節(jié)

 

聽眾A： 感謝精彩的演講。我覺得工業(yè)界存在一個(gè)很大的脫節(jié)——我們?cè)谧分餕PI數(shù)字，和真正部署可驗(yàn)證、安全的系統(tǒng)之間。我想問，您如何看待基于物理的方法與神經(jīng)渲染（如高斯濺射）在驗(yàn)證與安全方面的關(guān)系？

 

Aniket Bera： 這個(gè)問題切中要害。所有的神經(jīng)模型都需要——人們常說的——“護(hù)欄”（guardrails）。但護(hù)欄的問題在于，它是一種事后補(bǔ)救：你把機(jī)器學(xué)習(xí)模型建好了，然后貼上一層基于物理的約束或真實(shí)世界約束來限制輸出，讓它在做出危險(xiǎn)行為之前被攔住。我認(rèn)為這是極其錯(cuò)誤的做法。

這些約束——無論是物理先驗(yàn)還是來自其他領(lǐng)域的先驗(yàn)知識(shí)——應(yīng)該被“嵌入”到學(xué)習(xí)空間本身中去。這就是為什么我們要把問題轉(zhuǎn)化為形式化方法規(guī)范：讓我們能夠獨(dú)立地約束空間中的每一個(gè)輸出，從一開始就保證生成結(jié)果的可靠性和可信性。目標(biāo)不是“全押”在學(xué)習(xí)方法上，而是找到一種智能的組合——在何處植入形式化方法規(guī)范、在何處植入物理約束、在何處植入特定應(yīng)用所需的其他約束。

 

聽眾A（追問）： 您說的是應(yīng)該“內(nèi)置”（in）而不是“后置”（post）。我的問題是：作為一個(gè)社區(qū)，我們有時(shí)候在追逐KPI數(shù)字，但真正部署物理系統(tǒng)需要考慮的遠(yuǎn)不止一個(gè)數(shù)字。我們?nèi)绾尾拍茏屵@兩者更接近？

 

Aniket Bera： 我要說一些可能不太受歡迎的話。在與工業(yè)界合作、尤其是與制造業(yè)和國防領(lǐng)域的工程合作伙伴打交道的過程中，我理解為什么很多工程方案傾向于更傳統(tǒng)的控制方法——因?yàn)閷W(xué)術(shù)界常常把"學(xué)習(xí)"包裝成一種萬能神諭，仿佛它能解決下游的一切。

 

我認(rèn)為彌合這兩個(gè)世界的方法，也是讓工程界對(duì)基于學(xué)習(xí)的方法建立信心的方式，就是從一開始就給學(xué)習(xí)型問題賦予約束、賦予意義。我們不應(yīng)該只看“教科書數(shù)字”，而應(yīng)該關(guān)注系統(tǒng)在哪里失敗、下游的可靠性指標(biāo)是什么。這正是這兩個(gè)領(lǐng)域需要更頻繁對(duì)話的地方。

 

聽眾B： 您談到了讓機(jī)器人行為更具社交性。我的問題是如何將這些行為信號(hào)傳導(dǎo)到操作層面（manipulation level）？比如在布置餐桌的任務(wù)中，用戶可能期望先放杯子再放盤子，這種對(duì)齊如何傳導(dǎo)到運(yùn)動(dòng)規(guī)劃層面？

 

Aniket Bera： 這是一個(gè)很有意思的問題。我認(rèn)為，如果你能夠在任務(wù)層面用更好的物理約束來約束生成過程——確保步驟序列物理上可行，不會(huì)導(dǎo)向?yàn)?zāi)難狀態(tài)或倫理失效——那么，形式化方法的技巧就能幫上忙。你可以將基于學(xué)習(xí)的方法剖分成子模塊，判斷每一步是否仍在規(guī)劃邊界之內(nèi)，還是已經(jīng)進(jìn)入了安全關(guān)鍵區(qū)域。

 

不過，安全約束和文化/行為約束的性質(zhì)不同。如果你能把每一種約束都建模出來，嵌入到像SELP這樣的形式化方法規(guī)范中，我認(rèn)為只要在安全范圍內(nèi)，沒有理由不能處理文化線索和行為線索。這個(gè)問題我們可以在會(huì)后繼續(xù)聊。

 

 

為了讓國內(nèi)的研發(fā)者、創(chuàng)業(yè)者與投資人能夠毫無時(shí)差地掌握本屆 ICRA 2026 的完整干貨，雷峰網(wǎng)(公眾號(hào)：雷峰網(wǎng))已全面上線【ICRA 2026 深度專區(qū)】。

 

專區(qū)不僅全面收錄了重磅論文的工程化解讀、專家前沿演講，更將持續(xù)更新前方記者的第一手會(huì)議動(dòng)態(tài)。

掃描下方二維碼，或點(diǎn)擊“閱讀原文”關(guān)注專區(qū)。

與全球 8000 名頂尖大腦同步呼吸，搶先透視具身智能的下一個(gè)五年！

 

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。