面向人机协作与人形机器人的安全具身智能

项目概览

本博士项目聚焦人机协作与人形机器人中的安全具身智能，目标是让机器人在动态、不确定且有人类参与的真实环境中，既能高效完成复杂任务，又能保持安全、可靠和可信。

研究将探索多模态基础模型与人类感知规划、机器人学习及可证明安全控制的融合方法，提升机器人的感知、决策、适应与安全能力。特别关注机器人如何理解人类意图、预测人类行为、从互动中学习，并在人类近距离范围内安全运行。

项目由 Nanyang Technological University 的 School of Electrical and Electronic Engineering 开设，导师为 Prof Guoqiang Hu。项目面向全球申请者，属于资助型博士机会，全年接受申请。

项目详情

【研究背景】

具身智能正在改变机器人技术的发展路径，使机器人能够在物理世界中进行感知、推理、学习和交互。基础模型、Vision-Language Models（VLMs）以及 Vision-Language-Action（VLA）模型近年来显著增强了机器人的感知与决策能力。不过，当机器人需要与人共同工作或在人类附近运行时，仅追求任务能力并不足够。安全性、可靠性和可信度仍是走向真实部署时最关键的挑战之一。

【总体研究路线】

本研究拟开发下一代安全具身智能系统，服务于人机协作和人形机器人。核心思路是把多模态基础模型的语义理解与决策能力，同人类感知的规划、机器人学习以及具有安全保证的控制方法结合起来。研究对象并非只有单次感知或静态避障，而是机器人在复杂任务、动态场景和不确定条件下持续与人互动时形成的完整感知—推理—规划—控制链路。

方法层面将综合基础模型、强化学习、优化、博弈论和安全关键控制。预期研究问题包括：如何让机器人从视觉、语言和动作信息中形成可执行决策；如何根据人类意图与行为预测调整动作；如何在持续学习和环境变化中控制风险；以及如何把形式化或可证明的安全约束嵌入机器人控制与任务执行。项目将同时关注能力提升与风险约束，避免把高层模型输出直接等同于安全可执行动作。

【潜在研究主题】

• 面向机器人的 Vision-Language-Action 模型；

• 人类意图理解与预测；

• 人类感知的运动规划和决策；

• 安全强化学习与持续学习；

• Control Barrier Functions（控制障碍函数）及安全关键机器人控制；

• 人机协作与共享自主；

• 多智能体和多机器人具身智能；

• 安全、可信的人形机器人；

• 长时程具身任务规划与执行。

这些主题共同围绕“复杂能力如何在安全边界内执行”展开。实际博士课题可能聚焦其中一项或多项，但项目信息没有规定固定工作包、实验平台或优先顺序。

【预期研究能力】

从研究内容看，博士生需要处理机器人感知、决策、学习与控制之间的接口，并评估系统在不确定环境和人机近距离互动中的表现。项目明确列出了多种技术方向，但没有公布候选人的必备学位专业、编程语言、数学课程、机器人硬件经验或论文要求，因此不能把这些潜在主题直接视为已公布的硬性申请门槛。

申请要点

• 核心方向：安全具身智能、人机协作与人形机器人。

• 方法范围：多模态基础模型、VLM/VLA、强化学习、持续学习、优化、博弈论、控制障碍函数和安全关键控制。

• 关键任务：人类意图理解与预测、人类感知规划、共享自主、多机器人协作、长时程任务规划与执行。

• 导师：Prof Guoqiang Hu。

• 申请时间：全年接受申请，未设置公开的固定截止日。

• 资助与申请范围：资助型博士项目，面向全球申请者；具体资助条款尚未公布。

• 候选人条件与申请材料：项目信息未给出明确清单。

需要进一步确认

• 需向导师确认最终课题范围，是侧重基础模型、机器人学习、安全控制、人形机器人平台，还是这些方向的组合。

• 项目未说明可用机器人硬件、仿真平台、算力资源、数据集、实验场景及安全评价标准。

• 学历与专业背景、编程和数学要求、申请材料、语言要求、博士学制及入学时间均未明确。

• 奖学金金额、学费覆盖、生活津贴、资助期限及全球申请者的具体资格条件需要进一步核实。

PhD 项目深度调研报告：面向人机协作与人形机器人的安全具身智能

申请判断

建议：有吸引力，但需要核实匹配度。

这是一个定位较好的博士机会，位于机器人学习与安全关键控制的交叉地带。学校研究环境较强，具名导师近期在基于控制障碍函数的人机安全、双机器人交互和分布式人—多机器人控制方面拥有高度直接的论文记录。因此，与只围绕流行模型术语展开的泛化具身智能项目相比，本项目更具可信度。

核心不确定性在于执行方案。公开介绍同时覆盖多模态基础模型、Vision-Language-Action 模型、意图预测、人类感知规划、强化学习、持续学习、优化、博弈论、共享自主、多智能体系统、安全关键控制、人形机器人和长时程任务执行。这些主题足以支撑多篇博士论文。目前没有公开确切的第一年工作包、机器人平台、算力分配、安全规范、人类参与者研究方案、联合导师或资助条款。最严谨可行的研究方案，是在高层学习型决策与经过验证的实时安全层之间定义一个边界清晰的接口，再依次通过仿真、硬件在环（hardware-in-loop）、真实机器人实验和治理严谨的人机交互研究进行评估。

对学校环境和导师能力的判断置信度较高。由于具体论文计划、硬件就绪程度和资金方案仍需书面确认，对这些部分的判断置信度较低。

研究方向与领域前景

视觉—语言—动作系统（Vision-Language-Action，VLA）试图把视觉观察、自然语言目标和可执行动作整合到同一策略中。RT-2 展示了如何把互联网规模的视觉—语言知识迁移为机器人控制中的语义泛化能力。OpenVLA 提供了一个开放的 70 亿参数基线，在 970,000 条真实机器人示范数据上训练。Pi-Zero 使用预训练视觉—语言骨干网络和流匹配（flow-matching）动作生成，覆盖多类机器人。GR00T N1 则利用人类视频、真实与仿真机器人轨迹和合成数据，展示了领域前沿在跨具身形态和人形机器人方面的雄心。

这些系统并没有取代经典机器人技术，反而提高了可靠状态估计、动力学、实时执行、碰撞检查、不确定性、备用策略和硬件接口的重要性。它们还揭示了前沿演示与典型学术项目之间的资源差距：模型权重可能公开，但数据、算力、机器人使用时间和集成工程仍然昂贵。

安全研究说明，平均任务成功率为什么不够。EARBench 在其评估中发现，基础模型规划器存在很高的物理任务风险率。Embodied Red Teaming 发现，多样化或对抗式指令会使较强机器人策略出现失败、碰撞、物体掉落或执行不安全任务。SafeVLA 报告约束式训练可以在仿真基准中同时改善安全与任务表现。Human-Robot Gym 提供 6 个 HRC 任务和一个安全屏障，用于安全强化学习对比。

逐渐形成的设计原则是分层安全保障。基础模型可以解释目标或提出计划；运动规划器把计划转换为可行动作；安全过滤器或模型预测控制器执行已定义约束；独立监控模块检测感知、延迟或模型故障；恢复逻辑负责停止、重新规划、请求帮助或交还控制权。人因研究则决定机器人的行为是否清晰、可预测，以及人类信任程度是否适当。

ISO 10218-2:2025 的全生命周期视角进一步说明，算法只是安全体系的一部分。系统集成、调试、运行、维护和退役都很重要。该标准主要面向工业应用，并排除若干服务和公共访问场景，因此，家庭或公共场所人形机器人需要额外的安全论证，不能随意宣称符合标准即可。

潜在研究切入点

• 具备不确定性感知的 VLA-to-CBF 接口。 把语义动作转换为受约束运动，同时显式暴露不确定性和不可行性，而不是静默截断指令。
• 风险感知的长时程规划。 评估模型能否预见后续危险状态，而不仅是即时碰撞。
• 支持回滚的安全持续学习。 在更新后的策略进入硬件前，定义版本控制、回归测试和不变量检查。
• 带保守备用策略的人类意图预测。 将意图模型与共享控制结合，同时测量错误自信和意外动作。
• 红队驱动的机器人安全测试。 生成有效但困难的语言、感知和交互案例，测量故障发现和缓解能力。
• 多机器人共享工作空间安全。 把分布式安全约束扩展到学习型任务分配或语言条件协调。
• 人形机器人安全包络。 在限定任务下研究全身可达性、接触、平衡和跌倒感知干预。
• 与标准相连接的评估。 将模型层指标与系统风险评估、调试测试和操作者规程联系起来。

每个方向都需要明确平台、任务分布、扰动模型、安全集合、基线、失败定义和硬件验证阶梯。把所有方向合并进一篇论文会过于宽泛。

领域发展态势

研究界和产业界的投入热度都很高。开放 VLA 模型、人形机器人基础模型、合成数据管线和仿真框架降低了部分进入门槛。新加坡也把机器人和具身智能视为战略能力，因此项目方向具有较强时效性。

不过，模型评估层面尚未形成统一标准。不同基准所采用的机器人、任务、动作表示和成功定义差异很大，安全指标也不如任务指标成熟。令人印象深刻的演示可能隐藏重置次数、操作者干预、精心挑选的任务或狭窄运行条件。人形机器人还会增加平衡、全身碰撞、高动能、跌倒风险和复杂维护等问题。一项严谨的博士贡献不需要构建最通用机器人；围绕一个重要接口提出可信方法和评估协议，同样有价值。

职业与市场前景

可迁移的机器人和 AI 技能具有积极市场信号。新加坡经济发展局（EDB）的 2025 年投资回顾 将 AI 研究科学家和机器人工程师列入研发与创新岗位。2025 年职位空缺报告 显示，软件、数据和工程专业人员的需求仍然持续，雇主也高度重视可证明的技能。

相关去向包括机器人软件、自主系统、机器人操作、运动规划、控制、感知、HRI、安全验证、高级制造自动化、公共科研和学术机器人。可迁移能力包括 ROS 2、优化、CBF 或 MPC 方法、模仿学习与强化学习、VLA 评估、传感器集成、人类参与研究设计、故障分析和可重复系统基准测试。

具体细分市场比外围市场更小。以“安全人形机器人 VLA 研究员”为职位名称的岗位可能集中在少数企业和实验室。若论文产出的是可广泛复用的控制、软件、测试和安全保障证据，而不是只在一台人形机器人上运行一个模型，职业韧性会更强。国际就业还取决于工作准证条件和雇主政策。

学校、学科与培养

学校的外部背景信号较强。NTU 在 2026 年 QS 电气与电子工程学科排名中位列全球第 4。该排名能够反映学校声誉、合作网络覆盖和学术可见度，但不能作为导师指导容量或项目执行能力的替代指标。

研究环境与课题直接相关。EEE 的 自主与智能系统（Autonomous and Intelligent Systems） 研究方向公布了 36 位相关教师、130 名研究人员、137 名研究生和 7 个实验室。研究主题包括控制理论、分布式优化、博弈论、深度学习与强化学习、传感、多模态融合、任务与运动规划、多机器人协调、人机交互、遥操作、移动机器人和机械臂。这是一个可信的研究环境，能够支持把学习、规划和控制连接起来，而不是把研究局限在单一算法领域。

更广泛的机器人生态同样具有价值。先进机器人技术创新中心（Centre for Advanced Robotics Technology Innovation） 由 NTU 牵头，并有 NUS 和 A*STAR 参与。其“感知自主”（sentient autonomy）和“协作自主”（collaborative autonomy）主题覆盖主动感知、导航、协作机器人，以及机器人在物流、制造和养老场景中服务人类。这为合作人员、测试平台和产业相关问题提供了可能路径，但不能证明本博士项目拥有中心任职、预留机器人使用时间或正式产业合作方。

EEE 博士项目 培养结构明确：完成 18 个学分单元（Academic Units）的课程、通过资格考试或确认环节、提交论文并参加口试；全日制学制公开范围为 2—5 年，入学时间为 1 月和 8 月。技术范围很广的第一年不仅要搭建研究平台，还需要兼顾课程和资格考核里程碑。

正式申请时间比“全年接受申请”的表述更具体。研究型项目申请指南 显示，8 月入学的一般窗口为 10 月 1 日至 1 月 31 日，1 月入学的一般窗口为 6 月 1 日至 7 月 31 日。截至 2026 年 7 月 16 日，2027 年 1 月入学申请仍然开放，因此评估时项目并未过期。指南还列出学历文件、适用时的英语能力证明、两位学术推荐人、工程学院视频短文（College of Engineering video essay） 和 S$50 申请费。持续接受导师咨询，不能替代正式截止日期。

导师与实验室评估

当前 EEE 师资目录 显示，Guoqiang Hu 为教授、工程学院研究副院长，以及智能系统与机器人校长讲席（President's Chair in Intelligent Systems and Robotics）。其研究兴趣包括优化与博弈论、AI 算法、机器人和智慧城市应用。NTU 的 2026 年讲席任命公告 将该职位描述为对其在智能系统、机器人和自主技术领域贡献的认可，同时表明学校对其战略科研领导力的期待。

最有力的证据来自近期连续发表的论文。这些工作体现了形式化安全和协作控制方面的深度，并包含实验验证，而不仅是宽泛的主题接近。不过，公开资料并不能证明导师当前主持了人形机器人基础模型或大规模 VLA 训练项目。这一区分很重要：强控制团队可以提供安全骨架，但如果项目计划训练或适配现代 VLA 系统，还需要在多模态模型、机器人数据管线、分布式计算、跨具身形态的动作表示和评估方面具备当前经验。

公开的设施信息积极但不完整。CSIE 设施页面 列出 Robotics I 机器人实验室和物联网实验室（Internet of Things laboratory），CARTIN 则介绍了协作机器人和以人为中心的测试主题。不过，两项来源都没有说明本项目可使用的具体机械臂、人形机器人、动作捕捉系统、力觉或触觉传感器、GPU 容量、维护支持、预约优先级或达到安全等级的工作空间。这些资源应视为待核实问题，而不是默认优势。

公开资料也没有说明当前课题组成员构成、学生数量、博士后支持或会议频率。近期合著者反映了活跃的合作网络，但论文署名不能证明同一批研究人员仍能提供日常指导。理想配置应具名一位负责具身基础模型的联合导师或密切合作者；若人类参与实验是核心，还应有熟悉当前 HRI 实验与伦理要求的成员参与。

导师研究方向

已经核实的导师研究方向主要集中在四类：

1. 安全关键人机控制。 利用控制障碍函数和二次规划定义可接受控制集合，以维持安全距离、限制接近速度或满足其他约束。
2. 安全干预下的任务一致性。 近期工作研究机器人在避让或让行人类时，如何避免原任务变得无法恢复。
3. 双机器人与多机器人协作。 在多台机器人共享工作空间时，采用分布式控制器同时维持人类安全和协作任务约束。
4. 用于网络系统的优化、博弈论和学习。 这些工具能够支持共享自主、意图感知交互和多智能体决策。

项目介绍把这些已验证的优势进一步扩展到 VLM/VLA、强化学习、持续学习和人形机器人。这个延伸在科学上合理，但尚未被公开记录为固定实验室研究计划。尽调时的关键问题是：论文会在导师既有安全控制主线上增加具身智能前端，还是要求博士生同时从零建立基础模型能力与安全架构。

近期重要论文

2025 年分布式二次规划论文 是近期最接近本项目的成果。研究以控制障碍函数约束表示人类安全，以等式约束表示协作任务，并求解分布式二次规划，用于人类与多机器人交互。仿真和实验支持其实际控制深度。其研究范围仍是结构化多机器人交互，而不是开放式、语言条件驱动的人形机器人行为。

2024 年安全双机器人论文 使用高阶时变控制障碍函数维护人类安全，并以协作函数维持双机器人任务约束。分散式框架与共享工作空间和多智能体安全直接相关，但没有处理基础模型的不确定性或语义错误。

2024 年任务一致性 HRI 论文 的重要性在于：安全干预即使避免碰撞，也可能破坏任务。该研究把高阶时变障碍函数与硬、软任务约束结合，在保证安全和主要任务一致性的同时，尽可能维持完整任务一致性。这一思路有望成为连接长时程具身规划的桥梁。

2023 年双模式 HRC 论文 将非接触式协作和物理协作结合，限制接近速度，参考协作机器人安全实践，并使用时变零化控制障碍函数和二次规划。实验支持其应用能力，但安全保证仍限定于预设模型、传感和约束范围。

这些论文共同构成一条连贯的近期研究主线，但不能证明实验室已经拥有 VLA、人形机器人全身学习或持续学习基础设施。这个缺口应通过明确的导师配置和资源计划来解决，而不是被宽泛项目标题掩盖。

实验室、资源与合作环境

学院层面的证据表明，项目处于规模较大的控制、AI 和机器人研究群体中。EEE 覆盖理论工具，CARTIN 则把协作自主与物流、制造和养老场景连接起来，CSIE 列出了机器人和 IoT 设施。NTU 关于 通用 HRI 控制框架技术简介 也表明，导师的控制研究与实际 HRI 系统之间具有延续性。

项目是否真正就绪，取决于尚未公开的具体信息：

• 使用的确切机器人或人形机器人，以及设备是自有、共享还是托管在外部；
• 机械臂、末端执行器、力觉或触觉传感、深度相机和动作捕捉；
• 安全停机、速度和力限制、防护工作空间与操作者培训；
• GPU 算力、存储、机器人示范数据和软件许可；
• 仿真器、数字孪生与硬件在环（hardware-in-loop）基础设施；
• 负责维护、校准和实验监督的技术人员；
• 伦理审查、参与者招募和安全的人机交互数据处理；
• 设备使用优先级、耗材和维修预算。

仅使用仿真的第一阶段可以产生科学价值，但不能描述为真实世界人机安全。相反，在安全论证和实验阶梯尚不成熟时直接从人形机器人开始，也可能带来不必要的风险并拖慢进度。更容易评估的策略是分阶段推进：仿真、固定底座机械臂、受约束的共享工作空间研究，最后再扩展到更一般的人形具身形态。

资助、申请与生活成本

项目信息显示该机会面向全球申请者并提供资助，但没有公开奖项名称、生活津贴、学费覆盖、资助期限，也没有说明教学、机器人、算力、参与者、差旅和维护预算。这是最大的非科研不确定性。

NTU 研究奖学金 只能作为条件性比较基准，不能证明本项目实际资助方案。自 2026 年 1 月起，该奖学金为国际博士生提供每月 S$3,000，并在最长 4 年内覆盖年度学费，但前提是研究进展和经费可用。国际奖学金获得者需要承担研究生助理（Graduate Assistantship）工作；通过资格考试后，每月可能增加最多 S$500。项目应明确适用的是这一奖学金、其他校级奖项，还是科研经费资助的博士生名额。

若学费不受覆盖，财务风险较高。官方 AY2026-27 研究型项目学费表 显示，EEE 实验室型国际学生在服务义务（Service Obligation）或研究生助理（Graduate Assistantship）类别下每学年学费为 S$23,250，非补贴类别为 S$48,370。录取和奖学金文件应明确是否全额覆盖学费，以及是否适用服务义务。

当前 Graduate Hall 2 住宿费率 为：双人套间（en-suite）每人每月 S$686，单人套间每月 S$876，按次付费空调另计。把这些房租与申请指南公布的餐饮 S$300–800、交通 S$80–200 和个人支出 S$300–630 相加，双人房的估算月支出约为 S$1,366–2,316，单人房约为 S$1,556–2,506。估算未完全包含通信、教材、签证或医疗费用、押金、差旅和异常支出。校内住房不受保证，校外住房成本可能更高。按条件性的 S$3,000 津贴基准计算，校内生活通常仍有一定余量，但不能保证实际储蓄。

申请者匹配与准备

这是一个需要双重能力的项目。机器人、控制、EEE、机电一体化、计算机科学和机器学习背景都可能相关，但必须弥合不同学科之间的接口。

最适合的背景

• 具有现代深度学习和视觉—语言经验的机器人或控制研究者。
• 具备动力学、优化、估计和实时系统基础的机器学习研究者。
• 有机械臂、移动机器人或共享工作空间经验的 EEE 或机电一体化研究者。
• 能够把人因与定量安全和控制评估结合起来的 HRI 研究者。
• 能够在严格实验治理下从仿真推进到硬件的申请者。

需要谨慎评估的情况

• 希望博士研究只关注语言模型，回避机器人动力学或硬件集成。
• 作品集完全基于经典控制，没有现代感知或学习工作。
• 以展示为主，缺少可复现基线、消融实验或失败分析。
• 把安全只理解为避碰，不考虑语义、人类和系统层面。
• 加入前要求项目完全明确、风险较低且硬件和里程碑均受保证。

建议补强的技能与证据

有用的准备包括机器人运动学与动力学、估计、运动规划、优化、二次规划、MPC、控制障碍函数、强化学习与模仿学习、VLM/VLA 微调、不确定性、ROS 2、仿真和实时集成。当人类进入交互闭环时，人类意图建模、HRI 研究设计、风险评估和安全数据治理也很有价值。

较强的作品集应包含：可复现的语言条件机器人基线及分布外测试；能够报告可行性、干预和约束违反情况的安全过滤器；以及 仿真到硬件或延迟研究。评估不应只报告平均任务完成率，还应包含碰撞、最小间距、不安全指令拒绝、干预率、恢复成功和可重复性。一份有价值的研究计划应定义一个可证伪的接口，说明机器人与任务、安全集合、对比基线和分阶段验证方案。这些是项目层面的准备信号，不构成对个人录取结果的预测。

风险与待核实问题

主要风险不是缺乏科研价值，而是定义不足。如果项目能把学习—控制接口收窄，并落实必要团队、硬件和安全治理，它可以形成一篇连贯的博士论文。如果博士生被要求同时构建通用 VLA、人形机器人完整技术栈、形式化控制器和人类参与研究计划，项目就可能失去聚焦。

高优先级问题

1. 已批准的具体研究问题和可量化第一年里程碑是什么？
2. 项目介绍中的哪些方向属于核心，哪些只是可选示例？
3. 哪些机器人或人形机器人、机械臂、传感器、仿真器和 GPU 资源已经落实？
4. 谁负责基础模型、控制、HRI 和实验安全的日常指导？
5. 适用的运行设计域、安全规范和可接受残余风险是什么？
6. 高层指令在执行前如何被检查、修改或拒绝？
7. 当安全过滤器不可行或感知置信度下降时，系统如何处理？
8. 持续更新将如何验证、版本化和回滚？
9. 需要经过哪些仿真、硬件在环（hardware-in-loop）、真实机器人和人类参与研究阶段？
10. 哪些风险评估、急停、操作者培训、伦理和事故处理程序用于管理实验？
11. 由哪个奖项提供资助？生活津贴、学费、资助期限、工作义务和科研成本如何覆盖？

中优先级问题

1. 最近哪个内部项目最接近本博士课题的技术路线？
2. 导师目前指导多少学生、多久开一次会，团队成员分别承担什么角色？
3. 哪些任务成功、安全、人因和稳健性指标为强制要求？
4. 交互视频、动作和参与者数据如何存储与共享？
5. 代码开放、数据集、署名和可重复性方面有哪些要求？
6. 支持哪些发表场所、会议差旅和产业合作？
7. IP 或合作方限制是否影响公开发表？
8. 持续的项目联系如何对应 1 月和 8 月正式申请窗口？
9. 是否提供研究生住房或搬迁支持？

证据与来源

本报告共审阅 28 个相互独立的来源。下方按类别列出支撑分析的 27 个权威、读者可访问来源，优先采用当前大学页面、同行评议论文、正式标准、受认可的学科排名和新加坡政府劳动力市场材料。

最有力的证据支持培养环境、导师任职信息，以及近期基于 CBF 的人机安全研究记录。前沿论文则支持采用分层安全、风险感知评估和红队测试的必要性。资助和生活成本数字来自当前官方基准，但在与实际奖项对应前仍属于条件性信息。公开资料无法确认具体平台、安全规程、联合指导安排或资助方案；本报告将这些内容明确列为未解决问题，而没有自行推断。

学校、培养项目与机器人研究环境

• 南洋理工大学电子电气工程博士项目
• 南洋理工大学研究型项目申请指南
• 2026 年 QS 电气与电子工程学科排名
• 南洋理工大学电子电气工程学院自主与智能系统研究方向
• 先进机器人技术创新中心
• CSIE 研究设施与设备

导师与近期人机安全研究

• 南洋理工大学电子电气工程学院胡国强教授主页
• 南洋理工大学智能系统与机器人校长讲席任命公告
• 南洋理工大学人机交互通用控制框架技术简介
• 任务约束下安全人类—多机器人交互的分布式二次规划
• 基于控制屏障函数与协作函数的安全人类—双机器人交互
• 基于高阶时变控制屏障函数的安全保障与任务一致人机交互
• 基于时变零化控制屏障函数的安全双模式人机协作

具身智能前沿与安全证据

• RT-2：将网络知识迁移至机器人控制的视觉—语言—动作模型
• OpenVLA：开源视觉—语言—动作模型
• Pi-Zero：面向通用机器人控制的视觉—语言—动作流模型
• NVIDIA Isaac GR00T N1：面向人形机器人的开放基础模型
• SafeVLA：通过安全强化学习实现视觉—语言—动作模型安全对齐
• 用于审计机器人基础模型的具身红队测试
• EARBench：评估基础模型具身智能体的物理风险意识
• Human-Robot Gym：人机协作强化学习基准
• ISO 10218-2:2025 机器人安全要求

资助、生活成本与职业市场证据

• 南洋理工大学研究奖学金
• 南洋理工大学 2026—2027 学年研究型研究生学费
• 南洋理工大学研究生 2 号宿舍房价
• 新加坡经济发展局 2025 年回顾
• 新加坡 2025 年职位空缺统计