Question
vault 中有哪些關於 3D/4D 重建搭配 safety（安全性）的文章或筆記？
Answer
Vault 中與此主題相關的文章分三層：直接交叉、3D/4D 重建端、Safety 端。
直接交叉（兩個主題同時出現）
research/world-models-robot-safety.md — 目前 vault 中最完整的綜合分析，包含一節「3D/4D 安全差距分析」，指出 3D/4D 重建模型的幾何一致性優勢目前尚未被安全框架充分利用。涵蓋 ParticleFormer、幾何感知 4D 生成、SafeDreamer、Bayesian Risk Fields 五篇論文的架構對比。
Clippings/semantic-metric-bayesian-risk-fields-vlm-robot-safety.md (arXiv:2512.08233) — 在語義度量 3D 場景表示中計算 VLM 控制機器人的貝氏風險場；是目前最接近「在 3D 空間中直接推導安全性」的工作，而非在 latent space 中。
2026-W15 arXiv: Tex3D (arXiv:2604.01618) — 對 3D 紋理進行對抗性優化以攻擊 VLA 模型，達到 96.7% 任務失敗率。屬於安全攻擊面的 3D 重建角度；揭示 VLA 對物理 3D 攻擊的脆弱性。
2026-W16 arXiv: HRI 異常偵測 — 明確使用 reconstruction-based 異常偵測模型來偵測 HRI 中的非預期事件（用於安全），指出單模態重建的局限。
3D/4D 重建端（技術基礎，間接支援安全分析）
- Clippings/dust3r-geometric-3d-vision-made-easy.md — DUSt3R：3D 幾何視覺基礎模型，pointmap 對齊方法也被 4D 生成論文繼承
- Clippings/geometry-aware-4d-video-generation-robot-manipulation.md (ICLR 2026) — 幾何感知 4D 影片生成，跨視角 pointmap 對齊，輸出可供安全預測的 RGB-D 序列
- Clippings/particleformer-3d-point-cloud-world-model-robot-manipulation.md — 3D 點雲動態世界模型，建模物件在操作中的時序幾何變化
- Clippings/pointworld-scaling-3d-world-models-in-the-wild-robotic-manipulation.md — PointWorld：在 3D 點雲空間中擴展世界模型
- 2026-W16 BLaDA (arXiv:2604.08410) — 在 3DGS（3D Gaussian Splatting）場景中建立語言到靈巧動作的管線
Safety 端（依賴場景表示，但多在 latent space 運作）
- Clippings/safevla-safety-alignment-vla-constrained-learning.md — SafeVLA（NeurIPS 2025 Spotlight）：約束優化在 VLA 訓練中強制安全對齊
- Clippings/safedreamer-safe-reinforcement-learning-world-models.md — SafeDreamer：在 Dreamer 系列 latent 世界模型中使用 Lagrangian 方法滿足安全約束
- Clippings/safety-security-cognitive-risks-world-models-2604.01346.md — 世界模型的安全、保安與認知風險綜述
- Clippings/llm-vlm-controlled-robotics-vulnerability.md — LLM/VLM 控制機器人的漏洞分析
- Clippings/vlmpc-vision-language-model-predictive-control.md (RSS 2024) — VLMPC：VLM 預測控制，在生成軌跡前進行安全篩選
核心差距（來自 world-models-robot-safety.md）
現有安全框架（SafeVLA、SafeDreamer、VLMPC）主要在 2D 或 latent space 中運作。Semantic-Metric Bayesian Risk Fields 是唯一在明確 3D 語義度量空間中推導風險的工作。這個差距意味著：3D/4D 重建提供的幾何保真度（pointmap 對齊、點雲動態）尚未被用來強化安全約束的幾何可解釋性。
Sources
Vault 文件：
- world-models-robot-safety — 最完整的安全+世界模型綜合研究，含 3D/4D 差距分析
- semantic-metric-bayesian-risk-fields-vlm-robot-safety — 3D 場景中的貝氏安全風險場
- geometry-aware-4d-video-generation-robot-manipulation — ICLR 2026，幾何一致 4D 生成
- dust3r-geometric-3d-vision-made-easy — DUSt3R 3D 重建基礎模型
- particleformer-3d-point-cloud-world-model-robot-manipulation — ParticleFormer 3D 動態世界模型
- safevla-safety-alignment-vla-constrained-learning — SafeVLA NeurIPS 2025
- safedreamer-safe-reinforcement-learning-world-models — SafeDreamer latent 安全 RL
- llm-vlm-controlled-robotics-vulnerability — LLM/VLM 機器人漏洞
- papers/weekly/2026-W15-arxiv-digest — Tex3D（3D 對抗紋理攻擊 VLA）
- papers/weekly/2026-W16-arxiv-digest — BLaDA（3DGS 語言到靈巧動作）、HRI reconstruction-based 安全
Follow-up Questions
- Semantic-Metric Bayesian Risk Fields 是否已在真實機器人上部署，或仍停留在模擬？
- 幾何感知 4D 生成的 RGB-D 輸出能否直接用來做 pre-execution safety probing（在執行前在虛擬中預演並偵測危險狀態）？
- 目前有沒有在 3DGS 場景表示中同時做語義安全約束的工作？