CrossSafe：迈向跨实施例的潜在安全过滤器

跨实体学习表明，单一模型，例如视觉-语言-动作（VLA）模型，可以学习状态表示和操作技能，这些技能可以应用于异构机器人来完成各种任务。我们假设安全执法也是如此。满足安全约束所需的推理，例如检测障碍物、认识到应该避开障碍物以及选择安全的抽象动作，在很大程度上是在机器人之间共享的。各个实施例的不同之处在于如何实现抽象安全动作：形态学、运动学和动力学确定哪些动作是安全且可行的。因此，相同的动作对于一个机器人来说可能是安全的，而对于另一个机器人来说可能是不安全的。这对于在公共末端执行器动作空间中运行的通用操纵策略尤其重要，而无需明确捕获安全性如何依赖于机器人的形态和运动学。我们提出了实施例条件安全过滤，其中基于汉密尔顿-雅可比可达性的价值函数及其相应的安全最大化策略在机器人之间共享。使用机器人及其环境的形态感知潜在表示，我们直接在潜在空间中进行 Hamilton-Jacobi 可达性分析，以便学习到的安全概念可以跨实施例推广，同时保持对每个机器人的形态和运动学的明确条件。我们通过五个双手机器人实施例和五个具有全身防撞约束​​的操作任务来评估我们的方法。我们的结果表明，跨五个操作任务和四个实施例联合训练的单个策略表现出对保留实施例的零样本泛化，降低了名义策略的冲突率。他们还表明，使用更多实施例的训练可以提高泛化能力。