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。

本文研究了在大语言模型（LLM）控制的多机器人协作系统中，通过单一机器人被攻陷后传播不安全行为的安全威胁。随着LLM在具身智能中作为通用规划器的广泛应用，其在高层次协调和低层次任务规划中发挥关键作用，但同时也引入了新的安全风险：被操纵或对齐错误的指令可能转化为物理动作。已有工作主要关注单机器人场景中的此类威胁，而在多机器人协作中，通过机器人间通信传播的安全风险尚未被充分探索。为填补这一空白，作者提出了一种针对多机器人系统的新型攻击范式，攻击者仅操控系统中的单个入口机器人，被攻陷的机器人通过同伴通信传播恶意意图，导致整个系统产生协调的不安全行为。评估覆盖了高风险的三个维度：失职（dereliction of duty）、隐私侵犯（privacy compromise）和公共安全危害（public safety hazards）。实验揭示了多机器人规划器在安全对齐方面的持续缺陷。作者使用三个指标量化攻击效果：服从度（obedience）、传染性（infectiousness）和隐蔽性（stealthiness）。实验结果表明，攻击者能够实现持久控制和快速传播：在最强的攻击设置下服从度达到1.00，传染性上升至0.90；攻击效率极高，仅需平均3.0轮即可攻陷所有机器人，同时保持0.81的隐蔽性。当机器人在关键场景（如紧急情况或权利冲突）中必须解决权衡时，风险进一步放大，因为协调机制可能无意中允许对抗性指令覆盖安全要求。论文提供了开源代码。本文适合机器人安全、LLM安全及多智能体系统的研究者阅读。