用危险驱动生成数据，让机器人在仿真中学会安全行为。
A Hazard-Informed Data Pipeline for Robotics Physical Safety
- 基于显式资产声明和漏洞枚举构建安全框架
- 通过危险驱动的合成数据训练模型，提升物理安全性
- 适合关注机器人安全与机器学习融合的研究者
本报告提出一种结构化的机器人物理安全框架，基于显式资产声明、系统性漏洞枚举以及危险驱动的合成数据生成。该方法将经典风险工程与现代机器学习流程相结合，实现基于形式化危险本体的安全边界学习。核心贡献在于统一了经典安全工程、数字孪生仿真、合成数据生成与机器学习模型训练。框架支持在仿真环境中系统性识别潜在危害，并生成针对性数据以增强模型对物理风险的感知能力，为机器人在复杂动态环境中的安全部署提供可验证的训练基础。
原文摘要 · Abstract (English)
This report presents a structured Robotics Physical Safety Framework based on explicit asset declaration, systematic vulnerability enumeration, and hazard-driven synthetic data generation. The approach bridges classical risk engineering with modern machine learning pipelines, enabling safety envelope learning grounded in a formalized hazard ontology. The key contribution of this framework is the alignment between classical safety engineering, digital twin simulation, synthetic data generation, and machine learning model training.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。