机器人与装备工厂自动化工业互联网评论分析· 3244 字· 约6分钟阅读

机器人没做错什么,却还是伤了人

A
AI编辑团队AI 原创内容
2026-11-09 00:29 发布· 本文由作者与AI协作完成
本内容由人工智能生成,仅供研究参考,不构成投资建议。
💡

安全功能测试全通过的机器人,可能因为一个被篡改的距离读数、一个被吞掉的停止信号而伤人。本文拆解感知层数据可信这个被功能安全体系长期忽略的盲区,分析攻击面从控制器前移到传感器的产业逻辑,以及工厂场景为何最先为此买单。

走廊里,一台移动机器人在人靠近时稳稳减速——这是它被设计好的动作,验收测试全部通过。但如果它读到的距离数据本身是假的呢?机器人依然会『精确地』执行安全逻辑,只不过执行的对象,是一个不存在的世界。VicOne 旗下 Lab R7 近期在 IEEE Spectrum 上展示的核心命题就是:机器人的安全功能没问题,问题在于输入会说谎。这不是故障工程的老话题,而是机器人大规模走出围栏之后,整个行业必须补上的一课——功能安全管住了机器的『大脑』,却没人管它的『眼睛』和『耳朵』是否被人做了手脚。

🚶 没做错什么,却还是伤了人

安全功能的意义,恰恰建立在『输入可信』这个默认假设上。

Lab R7 给出的三个场景极具代表性:走廊里的移动机器人,靠一个距离读数决定减速;协作机械臂,靠一个位置估计判断工人离得多远;人形机器人,靠一个停止信号决定要不要在人穿过路径时停下。三个动作,三种输入,一个共同点——安全逻辑本身完全正常,测试也都通过。

然后假设变了。距离读数说走廊是空的,人其实还在那里;位置估计把工人『推』远了一米;停止信号在人形机器人面前凭空消失。机器人的每一步响应都严格符合设计,事故却照样发生。

场景正常输入被篡改后机器人行为
移动机器人减速距离读数真实读数显示无人按设计正常行驶
协作机械臂降速工人位置估计准确位置被估计得更远未触发降速
人形机器人避让停止信号正常送达信号被吞掉继续按原计划动作

这里的关键区分是:故障(fault)和蓄意操纵(deliberate manipulation)能造成一模一样的症状——输入与真实世界不符。但两者的根因、排查路径和责任归属完全不同。故障是概率问题,可以用冗余和可靠性工程压下去;操纵是对抗问题,对手会主动绕过你的冗余设计。

产业判断很直白:整个机器人行业的安全认证体系,验证的是『逻辑正确』,而几乎不验证『输入为真』。这个缺口在机器人关在围栏里时无伤大雅,一旦它们和人共享空间,就成了悬在头顶的事。

🎭 攻击面从控制器前移到了传感器

攻击者早就不再盯着控制器了,他们盯的是喂给控制器的数据。

传统上,工业安全的防护重心在网络边界和控制器:别让陌生设备接入产线,别让人篡改 PLC 程序。这套思路对应的是『指令被篡改』的威胁模型。但 Lab R7 展示的是另一类威胁:指令链路完好无损,安全逻辑运行无误,唯独最前端的感知数据被换掉了。距离读数、位置估计、停止信号——这些是安全功能的『事实来源』,来源本身被污染,后面的每一层防护都在精确地做错事。

这张链路图暴露的是一个组织问题,而不仅是技术问题。做功能安全的工程师,考核的是安全回路响应时间和逻辑覆盖率;做信息安全的团队,守的是网络和系统;至于『传感器报出来的数是不是真的』——它恰好落在两个学科的接缝处,两边都默认对方管了。

更深一层的产业逻辑是:机器人越自动化,人对它的直接监督越少,感知数据在决策链里的权重就越高。一台需要人全程盯着的安全门,数据被篡改顶多报个警;一台被授权自主避让、自主协作的人形机器人,数据被篡改就是把它变成了一个『按剧本伤害人』的执行器。自动化程度和安全攻击面,是同一条曲线的两个端点。

🏭 谁和人贴得最近,谁先为此买单

工厂不会为理论风险掏钱,但会为『出不起的一次』掏钱。

从落地视角看,最先直面这个问题的场景非常清晰:AMR 车队在人机混行的车间里跑,协作机械臂直接部署在没有围栏的工位旁,人形机器人开始进厂试运行。这些场景的共同点是——安全功能是它们被允许进入现场的准入门槛,而这个门槛的基石恰恰是感知数据的真实性。

把账算清楚就明白了。给感知链路加数据校验、加异常检测,对单台设备是一笔可感知的增量成本;但一次人机协作事故,代价是停产整顿、监管审查、供应链客户的信任重估,对刚起步的人形机器人厂商来说可能直接出局。ROI 的天平在『协作密度越高的场景』越快倾斜——这也是为什么这个议题最先在协作机器人和人形机器人圈子里被认真讨论,而不是在传统重工业。

据接近整机厂的业内人士透露,已经有下游大客户在供应商准入审核里,开始追问『感知数据被篡改怎么办』这类问题,而不是只看安全功能的功能安全证书。这通常意味着一件事:要求会先出现在头部客户的采购条款里,再倒逼整个供应链跟进。安全功能测试全绿、输入层裸奔的设备,未来可能连标书都过不了。

另一个隐性的推力是保险。机器人进入共享空间,责任险定价必然要回答『输入被操纵的概率有多大』。当保险公司开始向厂商要感知层安全证据时,这个议题就从技术沙龙走向了合同条款。

🧩 给输入层装上测谎仪

解法不是推倒重来,而是把『数据可信』纳入安全设计的闭环。

Lab R7 提出的问题,答案大致沿三条线展开。第一是合理性校验:距离读数、位置估计、停止信号,这些输入在物理上有先验约束——速度、惯性和已知环境能划出一个合理区间,超出区间的读数就该被质疑,而不是照单全收。第二是多源交叉验证:单一传感器被欺骗的代价远低于让多个独立传感器的结论同时说谎,跨传感器的互证是最经济的防线。第三是把输入层的身份与完整性校验前置到设计阶段,而不是部署后再打补丁。

这张定位图的含义值得整机厂细品:停止信号被吞和距离读数篡改落在右上区——攻击门槛不算最高,后果却最重,理应最先投入。而现实中多数厂商的投入还集中在左下到右下的区间,也就是说,防护资源和真实风险之间存在系统性错位。

感知层安全缺口与对策
痛点 1
安全功能默认输入可信,被篡改后照常执行
→
解法
对距离、位置、停止信号做合理性校验与区间约束
痛点 2
单一传感器被欺骗难以察觉
→
解法
多传感器独立交叉验证,异常一致性触发安全侧响应
痛点 3
功能安全与信息安全团队各管一段,输入层无人负责
→
解法
把感知数据完整性纳入安全回路,安全与安防联合评审
痛点 4
安全防护部署后才补丁式加固
→
解法
设计阶段即定义数据身份认证与异常检测的准入要求

结语

机器人行业的下一轮安全竞赛,不在算力和负载参数上,而在『输入是否为真』这个最朴素的命题上。功能安全解决的是机器不犯错,感知安全要解决的是机器不被骗——两者叠加,才是人机共享空间的真正入场券。可以预判的是:感知层数据可信会从安全研究议题,逐步变成头部客户的准入条款和保险定价的输入项。谁的输入层先经得起质疑,谁的产品先拿到下一阶段的通行证。机器人没做错什么,前提是,别让它的输入替它做错。