Resumen Técnico: LabGuard

Planteamiento del Problema

Si bien los agentes corporales son cada vez más capaces de ejecutar procedimientos de laboratorio complejos utilizando modelos de Visión-Lenguaje-Acción (VLA) y aprendizaje por imitación, garantizar la seguridad en entornos de laboratorio dinámicos sigue siendo un desafío significativo. La investigación actual sobre seguridad suele asumir que la información de seguridad ya está formalizada. Sin embargo, en los laboratorios del mundo real, el conocimiento de seguridad existe principalmente como lenguaje natural no estructurado (por ejemplo, Procedimientos Operativos Estándar, manuales, protocolos y reglas de manipulación química).

El problema central abordado por este artículo es el "eslabón perdido" entre estas reglas de seguridad en lenguaje natural y las restricciones de tiempo de ejecución verificables por máquina requeridas por los controladores de robots. Los enfoques existentes a menudo pasan por alto el paso intermedio de transformar las reglas de seguridad textuales en especificaciones ejecutables que puedan ser monitoreadas y aplicadas activamente en el límite del controlador durante la ejecución. Los autores identifican tres desafíos clave:

1. Representación: Cómo representar el lenguaje de seguridad de laboratorio para que los controladores puedan activar y verificar las reglas.
2. Anclaje (Grounding): Cómo mapear diversas fuentes de lenguaje natural (SOPs, manuales, etc.) en una representación tipada y ejecutable.
3. Compilación: Cómo compilar estas representaciones ancladas en monitores de tiempo de ejecución que puedan verificar estados en vivo e intervenir (pasar, modificar o bloquear) acciones antes de la ejecución.

Metodología: La Suite LabGuard

Los autores proponen LabGuard, una suite de seguridad de lenguaje a ejecución diseñada para anclar las reglas de laboratorio en lenguaje natural en guardas de ejecución en tiempo de ejecución. El sistema opera a través de un flujo de trabajo de tres etapas:

1. LabGuard-IR (Representación Intermedia)

Los autores definen LabGuard-IR, una representación ejecutable tipada que sirve como objetivo para el anclaje y entrada para la compilación. A diferencia de las simples descripciones de texto, LabGuard-IR captura la semántica de ejecución necesaria para la verificación en el lado del controlador. Consta de seis campos:

• $\hat{t}$ (Tipo de Restricción): Selecciona la lógica de seguridad (por ejemplo, incompatibilidad química, límites de temperatura, verificación de secuencia).
• $\hat{S}$ (Conjunto de Sustancias/Entidades): Vincula menciones textuales con entidades de laboratorio concretas y rastreables.
• $\hat{p}$ (Predicado de Estado): Define la condición evaluada contra el estado en vivo o la acción propuesta.
• $\hat{T}$ (Alcance de la Acción): Activa la regla solo para las acciones relevantes del controlador.
• $\hat{v}$ (Severidad): Determina la prioridad de la violación.
• $\hat{i}$ (Modo de Intervención): Especifica la respuesta (por ejemplo, registrar, modificar, bloquear).

2. LabGuard-Bench (Benchmark Supervisado)

Para entrenar y evaluar el proceso de anclaje, los autores construyeron LabGuard-Bench.

• Datos: Contiene 812 anotaciones supervisadas expandidas a partir de 203 reglas de laboratorio semilla.
• Fuentes: Las semillas se extraen de cuatro familias distintas: manuales de seguridad de laboratorio, declaraciones GHS de PubChem, reglas orientadas a controladores redactadas por expertos y referencias de seguridad química.
• Anotación: Cinco anotadores con formación en química/robótica revisaron los datos, asegurando la equivalencia semántica entre los parafraseos y las reglas canónicas. El conjunto de datos cubre 15 tipos de restricciones agrupados en cuatro familias (compatibilidad de materiales, manipulación física/cuantitativa, comprobaciones de proceso/equipo, y entorno/EPP/residuos).

3. LabGuard-Grounder y el Flujo de Trabajo (Pipeline)

• LabGuard-Grounder: Un componente entrenable (implementado como un modelo de lenguaje con ajuste fino LoRA) que mapea las reglas de lenguaje natural al esquema LabGuard-IR. Se entrena mediante generación de secuencias supervisadas para recuperar los campos estructurados requeridos para la compilación posterior.
• Flujo de Trabajo LabGuard:
  • Tiempo de Compilación: La instancia de IR anclada se valida contra el esquema y se compila en un monitor de ejecución en tiempo de ejecución ($\rho$). El compilador instancia funciones de verificación ($f_{check}$), predicados de alcance ($\phi_{scope}$) y parámetros ($\theta$) basados en los campos del IR.
  • Tiempo de Ejecución: En cada paso de control, el controlador base propone una acción bruta. El ejecutor en tiempo de ejecución activa los monitores relevantes basados en el alcance de la acción. El filtro de seguridad ($SafeFilter$) evalúa la acción contra el estado vivo del laboratorio (incluyendo identidades de sustancias, volúmenes, temperaturas y cinemática). Luego devuelve un veredicto: pasar, modificar o bloquear.

Contribuciones Clave

1. LabGuard-IR: Una representación tipada que hace que el lenguaje de seguridad de laboratorio sea utilizable por el controlador al capturar explícitamente tipos de restricciones, vínculos de entidades, alcances de acción y modos de intervención.
2. LabGuard-Bench & Grounder: Un benchmark supervisado con 812 anotaciones y un modelo de anclaje correspondiente que mapea diversas reglas de lenguaje natural al esquema de IR ejecutable.
3. Flujo de Trabajo LabGuard: Un sistema completo que compila instancias de IR ancladas en monitores de tiempo de ejecución y las integra con agentes corporales (específicamente políticas ACT en LabUtopia) para probar la reducción de peligros y la preservación de tareas.

Resultados Experimentales

Los autores evaluaron LabGuard a través de tres etapas: anclaje, reproducción fuera de línea (offline replay) y ejecución en vivo en tiempo de ejecución.

• Anclaje de Lenguaje de Laboratorio: Bajo configuraciones de exclusión de fuente (probando la generalización a fuentes de reglas no vistas), LabGuard-Hybrid (que combina el anclaje aprendido con la normalización basada en reglas) logró un F1 de alcance de tarea de 79.4. En configuraciones de exclusión de química (categorías químicas no vistas), alcanzó un F1 de 91.8.
• Reproducción de Monitor Compilado: En pruebas de estrés fuera de línea que involucraron 70 escenarios inseguros, los monitores compilados a partir de las reglas ancladas por LabGuard-Hybrid lograron una tasa de detección del 58.6% y un F1 de 69.5, acercándose al límite del oráculo de las etiquetas de oro (detección del 77.1%, F1 de 84.4). Los resultados indican que el enrutamiento preciso del alcance de la tarea y el vínculo de sustancias son críticos para la seguridad posterior, incluso si la recuperación exacta del predicado es desafiante.
• Ejecución en Tiempo de Ejecución (LabUtopia): Integrado con políticas ACT en LabUtopia (Niveles 1–4):
  • Seguridad: Los eventos inseguros se redujeron del 39.5% al 23.8% tras la compilación del monitor.
  • Éxito de la Tarea: La capa de seguridad preservó o mejoró las tasas de éxito de las tareas. Por ejemplo, en la tarea "HeatLiquid", la tasa de éxito aumentó del 33.3% (Base) al 46.7% (Full LabGuard).
  • Sobrecarga (Overhead): Las tasas de intervención se mantuvieron bajas (≤0.5%), lo que indica que el sistema no introduce bloqueos espurios para acciones seguras.
  • Ablación: El módulo "Action Filter" contribuyó más a las mejoras en la tasa de éxito, mientras que las comprobaciones semánticas y la calificación de riesgos proporcionaron beneficios complementarios.

Significancia y Reclamaciones

El artículo afirma que LabGuard proporciona una vía auditable desde el conocimiento de seguridad de laboratorio legible por humanos hasta los monitores ejecutables. Al separar el anclaje, la compilación y la ejecución, el sistema cierra la brecha entre el lenguaje natural y los bucles de control de robots sin requerir que la política base sea reentrenada.

Los autores enfatizan que su trabajo demuestra la viabilidad de conectar el lenguaje natural de laboratorio con monitores de tiempo de ejecución en simulación. Establecen explícitamente que los resultados aún no establecen la seguridad de laboratorio en el mundo real, ya que el despliegue físico requeriría validación contra la dinámica real del robot, el ruido de los sensores y los procedimientos institucionales. El trabajo se presenta como un paso fundacional hacia una seguridad "representable, aprendible y ejecutable" para agentes científicos corporales.