🎯 给机器人找"死穴"——自动生成让策略崩溃的物体变种

测试机器人策略的鲁棒性，传统方法是人工设计各种场景。但人类能想到的"对手案例"有限。Geometric Red-Teaming 提供了一个自动化替代方案。

CoRL 2025 Oral 论文的方法：给定一个目标物体（比如一个零件）和一个训练好的抓取策略，系统自动生成 CrashShape——物体的几何变形，这些变形在物理上是合理的（看起来还是"零件"）但会让机器人策略完全崩溃（成功率从 90% 跌到 22.5%）。

核心方法：用 Jacobian 场进行局部形变，配合无梯度优化在模拟器中搜索"最容易让策略失败"的形状。发现的问题包括：插入任务中视觉特征的微妙偏移、抓取任务中接触面的微小变化。

但这不仅仅是一个红队工具——论文进一步展示了 Blue-Teaming：在那些 CrashShape 上微调策略，可以在对应形状上恢复成功率到 90%，同时保持原始物体上的性能。

*费曼式点评*：最好的防守不是建立最高墙——而是知道敌人会从哪里进攻。

[Geometric Red-Teaming for Robotic Manipulation / CoRL 2025 Oral]