ShieldVLA 提出一种面向视觉-语言-动作（VLA）模型的安全对齐微调框架：它从视觉观测中无模型地学习 Hamilton-Jacobi 可达性安全价值函数作为安全评论家，用该评论家把策略优化门控为“可行区域内最大化奖励、接近不安全状态时转向恢复”，并以基于评分量规的 VLM 安全分数替代人工逐步代价标签，在五个导航与操作基准（Dubins-VL、TurtleBot-Nav、Safety-CHORES Nav/Fetch、Franka-Reach）上跨多个 VLA 主干，平均降低累计安全代价 57%、相对 SafeVLA 提升任务成功率 0.13。
ShieldVLA 提出一种面向视觉-语言-动作（VLA）模型的安全对齐微调框架：它从视觉观测中无模型地学习 Hamilton-Jacobi 可达性安全价值函数作为安全评论家，用该评论家把策略优化门控为“可行区域内最大化奖励、接近不安全状态时转向恢复”，并以基于评分量规的 VLM 安全分数替代人工逐步代价标签，在五个导航与操作基准（Dubins-VL、TurtleBot-Nav、Safety-CHORES Nav/Fetch、Franka-Reach）上跨多个 VLA 主干，平均降低累计安全代价 57%、相对 SafeVLA 提升任务成功率 0.13。