Caging Vision-Language Navigation for Legged Robots via Barrier-Certified Safety Architecture

Abhijeet M. Kulkarni, Saimouli Katragadda, Yuze Du, Zijun Sha, Guoquan Huang

发布 2026-11-03 · 收录于 2026-11-05

不改大模型，只在它和腿式机器人之间加一层带碰撞证明的规划“笼子”，就能让语言导航在真机上基本不撞。

任务: 语言指令导航（VLN）的安全执行
硬件: Unitree G1 人形、Ghost Vision 60 四足，均带 LiDAR
语义前端: ChatGPT、Gemini、Claude、NaVILA
主要数字: 12 m 场地长任务碰撞 60/60 → 0/60
代码: 论文未提及开源

Paper PDF

证据等级 C · 单一基准或无代码（A 真机 + 多基准 + 消融 / B 仿真充分 / C 单一基准或无代码）

动机

大模型（VLM，看图懂话的模型；VLA，直接输出动作的模型）能听懂“出门左转停在自行车旁”，但它给出的动作不考虑机器人有多宽、眼前障碍在哪，直接执行容易撞。

已有的安全化做法要么重新训练模型（如 SafeVLA），要么针对机械臂操作。作者想要的是：不碰大模型本身，在它后面加一层专门管“别撞”的模块，而且这层模块能换机器人、换模型都照用。作者把这种做法叫“关进笼子”（caging）。

方法

1听指令VLM 输出转向或前进等离散动作
2投目标动作变成目标点，避开障碍 0.3 m
3建距离场LiDAR 增量更新 SDF 距离场
4采样规划MPPI 采样 200 条平滑轨迹
5安全审核只执行满足 dEBF 的轨迹，否则停
6找物体可选：检测分割目标后靠近停下

比喻：大模型像坐在副驾驶的导游，只说“往前走、左转”；真正握方向盘的是一个谨慎的司机，他只采纳不会撞车的建议，实在不行就踩刹车。

1. 目标投影器（Kinematic Goal Projector）：VLM 每次输出“左/右转 15°-45°”或“前进 25-75 cm”这类动作，模块把它换成地图上的目标点。若该点离障碍不足 0.3 m，就在附近找一个兼顾“离原目标近、朝向不乱转、离障碍远”的替代点（P.3 式 2）。

2. 低维 MPPI 规划：MPPI（模型预测路径积分）是一种随机撒很多条候选轨迹、按代价加权平均的规划方法。这里每条轨迹的速度指令用少量 Bézier 控制点描述，维度低、指令天然平滑。地图用 SDF（有符号距离场，每个位置存“离最近障碍多远”）表示，只查数值、不求梯度。

3. dEBF 安全约束：把机器人近似成几个圆（P.4 图 2），每个圆到最近障碍的距离减去半径就是“屏障值” h。离散指数屏障条件要求下一步的 h 不小于当前 h 乘以 γ（实验取 0.95）：离障碍越近，允许靠近的速度就越小，所以机器人会提前减速而不是冲到边上才躲。规划时它先作为软代价引导采样，执行前再作为硬条件逐条审核；全不合格就用“速度为零”的后备动作。作者据此证明：在平面模型、地图完整、跟踪无误差等假设下，机器人永远不撞（P.4 定理 1）。注意这个证明依赖“原地停一定安全”，地图里没看到的障碍它管不了。

最后可选一个找物体模块：用 GroundingDINO 检测、SAM2 分割用户说的物体，投到 3D 后靠近到 0.5 m 停下。

原文图 · P.2 上半黄框是语义层：图像和指令进 VLM，输出经目标投影器变成 2D 目标；下半橙框是安全执行层：本体感知和 LiDAR 建图后由 dEBF-MPPI 输出速度指令。图片来源：Kulkarni et al., Caging Vision-Language Navigation for Legged Robots via Barrier-Certified Safety Architecture (arXiv:2611.04972) · 查看原文

原文图 · P.4 左为四足、右为人形，每个圆是一个碰撞检测点，只要每个圆到障碍的距离不小于其半径就算安全。图片来源：Kulkarni et al., Caging Vision-Language Navigation for Legged Robots via Barrier-Certified Safety Architecture (arXiv:2611.04972) · 查看原文

实验

真机端到端：加 dEBF 前后的碰撞率 CR (比例(0-1)) · 越低越好 ↓

本文方法对比方法 · 数据来源：Table III, P.7

G1 突然出现障碍时的端到端成功率（开 JPS） E2E SR (%) · 越高越好 ↑

本文方法对比方法 · 数据来源：Table II, P.7

指标：碰撞率 CR（越低越好）、任务成功率 SR（越高越好）、端到端成功率 E2E SR（完成任务且不撞，越高越好）、终点误差 NE（米，越低越好）。

仿真（Gazebo）：γ 越大绕障越保守；窄道里 dEBF 会随间距变小而减速，普通碰撞惩罚 MPPI 则几乎不减速（P.6 图 3）。

G1 4×4 m 对照实验（每个前端 5 次）：不开全局规划 JPS 时，汇总 CR 从 80% 降到 0%；开 JPS 并突然放入新障碍时，CR 从 100% 降到 0%，E2E SR 从 0% 升到 70%（P.7 表 I、II）。成功率仍取决于大模型本身，例如 Claude 前端在表 I 中不撞但也没完成任务。

G1 6×6 m 与 Vision 60 室内外：G1 每种配置 75 次，CR 降到 0 而 SR 保持 0.75；Vision 60 复杂任务 CR 从 0.91 降到 0.08（P.7 表 III）。Vision 60 剩余碰撞多来自细电线、桌边、细杆和老款 VLP16 雷达盲区。

G1 12×12 m 长任务：四个前端各 15 条指令，无笼 60/60 次碰撞，有笼 0/60（P.7 表 IV）。物体定位模块把 Vision 60 终点误差从 1.50 m 降到 0.29 m，但只有 5 和 3 个终点（P.7 表 V）。

代价：每步 200 条样本、10 次迭代、2.5 s 预测时域，跑在 NVIDIA A4500 上；论文没有报告规划耗时。样本量小（每格 5 次），无标准基准，结论应视为初步。

原文图 · P.6 左图看不同 γ 的绕障轨迹，越大绕得越远；中图和右图比较速度曲线，红线（dEBF）在窄处和接近目标时提前减速。图片来源：Kulkarni et al., Caging Vision-Language Navigation for Legged Robots via Barrier-Certified Safety Architecture (arXiv:2611.04972) · 查看原文

原文图 · P.7 从左到右是 G1 执行一条多步指令的过程，黄框是最后找到的目标显示器，机器人在其前方停下。图片来源：Kulkarni et al., Caging Vision-Language Navigation for Legged Robots via Barrier-Certified Safety Architecture (arXiv:2611.04972) · 查看原文

要点 Take-home

让大模型只给目标，由几何安全层负责执行，换模型换机器人都能用
加 dEBF 后真机碰撞率大幅下降，G1 上降到 0 且成功率不变
安全层只防撞，选错目标、听错指令仍要靠大模型自己
证明依赖地图完整，细电线、雷达盲区里的障碍仍会撞上

Claude 读完全文后的提炼。

更多：先读哪 · 值得看的理由 · 质疑

先读哪

先看第 2 页图 1 的整体结构，再看第 7 页表 III 和表 IV

值得看的理由

把 VLM/VLA 输出当“提议”，由独立的几何安全层执行，换模型、换机器人都不用改安全层 → P.3 第 III-B, Fig. 1 节
人形和四足两台真机、四个语义前端都做了开/关对比，长任务碰撞从 60/60 降到 0/60 → P.7 表 IV

质疑

表 IV 的“无笼”基线同时关掉 MPPI、JPS 和 dEBF，等于直接执行 VLM 指令，100% 碰撞主要说明需要局部规划器，而非 dEBF 本身更好 → P.6 第 VI-E 节

审稿人笔记

有两台真机的开关对照，但每格仅 5 次、无标准基准、未提代码，证据按 C 计。