本文针对大语言模型（LLM）作为高层规划器在具身多机器人系统中的应用，系统研究了多机器人协作中通信环节的安全威胁。以往研究主要关注单个机器人的安全性，对多机器人协同通信风险的理解不足，且现有工作仅针对去中心化多智能体系统（DMAS）架构进行了初步分析，未覆盖其他常见通信架构。为填补这一空白，作者根据攻击者的访问权限设置了两种通信攻击：外部入口点攻击（External Entry Point Attack）和特权系统内部攻击（Privileged In-System Attack），并在DMAS、HMAS-1、HMAS-2三种架构上，利用三个LLM和五个具身多机器人任务进行了全面评估。实验结果表明，不安全信息可以在所有三种架构中转化为不安全动作：DMAS达到96.7%的入口背书率和100%的背书后激活率；HMAS-1达到97.8%的不安全动作成功率；HMAS-2触发了88.3%的任务定义不安全动作槽位。为缓解可信信息流被污染的风险，作者提出了声明来源与验证（Claim Provenance and Verification, CPV）门控机制，在信息下游复用前对通信声明进行验证，将违规率从70.0%降至36.6%。该研究揭示了多机器人通信架构中的系统性安全风险，并提出了有效的缓解手段，适合机器人安全、LLM智能体安全以及多智能体协作系统的研究者和工程人员阅读。