SafeFlow：基于物理引导的矩形流和选择性安全门实现文本驱动的人类全身控制

近期在实时交互式文本驱动运动生成方面取得的进展使人类能够执行多样化的行为。然而，仅依赖运动学的生成器常常出现物理幻觉，产生难以由下游运动跟踪控制器跟踪或不安全用于实际部署的运动轨迹。这些故障常因缺乏针对实际机器人执行的显式物理目标而加剧，在超出分布（OOD）的用户输入情形下更为严重。因此，我们提出 SafeFlow，一种结合物理引导的运动生成与由显式风险指示符驱动的 3 阶段安全门的文本驱动人类全身控制框架。SafeFlow 采用两级体系结构。在高层，我们使用 Physics-Guided Rectified Flow Matching 在 VAE 潜空间中生成运动轨迹以提高实际机器人可执行性，进一步通过 Reflow 加速采样以减少实际控制所需的函数评估次数（NFE）。3 阶段安全门通过检测文本嵌入空间中的马哈拉里斯距离来识别语义 OOD 提示，通过方向灵敏度差异度量过滤不稳定的生成，并在将生成轨迹传递给低层运动跟踪控制器之前强制执行最终硬运动学约束，如关节限制和速度限制。针对 Unitree G1 进行的大量实验表明，SafeFlow 在成功率、物理合规性和推理速度方面均优于先前基于扩散的方法，同时保持多样化的表达性。