内容摘要
机器人与人同处一室时，安全监控要回答的不是"画面里有没有人"，而是机器人自身是否已撞上场景或人、是否即将撞上。作者把这种把视觉证据绑定到机器人本体几何、相机视角、场景布局与时序运动以推断接触的能力称为碰撞接地（collision grounding），并发布基准 TouchSafeBench：在 Habitat 3.0 中生成 2,940 个室内共处片段，同步记录多视角 RGB-D（彩色加深度）流与俯视轨迹图，接触标签取自仿真器状态。任务为当前状态判定与接触前预警；近距离未碰撞片段被算作安全类难负样本，误报率因此是一等指标。基准在作者项目页公开。
在 GPT-5.5、Gemini 3.1 Pro 与带机器人方向预训练的 Gemini Robotics-ER 1.6 上，当前状态分类最好 56.2 Macro-F1，碰撞预警最好 51.2，作者摘要给出的专家人类成绩约 74%。三个结论：深度图不会自动变成机器人本体的接触证据；撞场景比撞人更难（场景碰撞准确率 21.5%，场景碰撞预警 34.1%）；俯视轨迹图把误报率压到 34.0/28.0/6.0，却让当前状态识别变差，说明预警与接触识别需要的表示并不相同。
在真实机器人录像 THÖR-MAGNI 上用同一套提示词复核，GPT-5.5 当前状态识别接近随机（52.0%），12 段近碰撞负样本误报 10 段，100 段中没有虚构碰撞；作者据此认为失败出在感知而非渲染伪影。
点评
对做机器人本体软件与部署的人，最可用的结论有三条。其一，VLM 的短板不在"看不清"而在"绑不准"，输入侧需要补上以机器人本体为中心的几何线索，例如本体坐标系标记、标定的相机到本体变换、机器人足迹叠加。其二，"识别当前是否接触"与"预警即将接触"要用不同的输入组合：俯视轨迹图压误报但会让当前接触识别变差，最好的预警分又来自彩色化深度的单视角输入，因此评测与调参必须按任务分开做。其三，误报与漏报要分开看，一个"从不报警"的监控器在这个基准上并不更安全——带机器人预训练的模型误报更低，却并没有更高的综合 F1。以上均为作者论文的评测结论与设计建议，材料中未见第三方独立复现，也不代表真实产品中的部署效果。
全部结论来自仿真：固定 Habitat 任务与人形外观、只评短片段而非闭环干预；采样本身不对称，场景碰撞样本只来自社交导航，150 段任务一场景接触片段中有 22 段同时含人接触；人类参考只有一位专家，且两种视角按固定顺序作答，其多视角增益与练习效应混淆；真实录像复核没有物理接触，相机戴在人头而非机器人身上，参与者刻意避开机器人，因此其误报率偏乐观。论文本身只做离线评测，提出的机制方向仍属后续工作。本次材料为 arXiv v2 全文快照，项目主页仅以链接形式出现，未包含其代码与数据内容，也未包含任何第三方独立复现结果。
版本与核查范围
版本 2605.31196v2 · 原文定位与程序检查、独立上下文模型复核；不代表独立研究复现。。依据已核查材料整理；未运行模型或机器人。
原文与定位
- 原文链接 #abstract1.1；#abstract1.1；#A1.SS0.SSS0.Px2.p1.1；#S4.p3.1；#S4.SS0.SSS0.Px4.p1.1；#abstract1.1；#S4.SS0.SSS0.Px5.p1.1；#S4.SS0.SSS0.Px7.p1.1；#S4.SS0.SSS0.Px2.p1.1；#S4.SS0.SSS0.Px8.p1.1；#A1.SS0.SSS0.Px4.p1.1；#S5.SS0.SSS0.Px1.p1.1