问题定义
让 VLM 直接生成关节角或轨迹，会把语言模型的格式错误、目标误识别和运动安全问题混在一次执行里。AuraVLA 将模型输出限定为任务意图，确定性规划器再根据当前场景生成抓取和放置动作。
JSON 契约
规划器使用 schema_version=1.0，当前支持的任务集合只有 pick_and_place。可执行计划至少包含：
{
"schema_version": "1.0",
"doable": true,
"task": "pick_and_place",
"actions": [
{
"action_id": "action-1",
"task": "pick_and_place",
"object_name": "banana",
"target_name": "basket",
"attributes": {}
}
]
}doable=true 但没有具体 action 时直接报错；未知任务、空对象名和空目标名不会进入执行器。相同的 (task, object_name, target_name) 只保留一次，避免模型重复描述导致同一物体被连续抓取。
禁止越权字段
Schema 校验会递归扫描对象和数组，拒绝以下字段：
control, grasp_pose, ik, joint_positions,
joint_trajectory, pose, trajectory, velocity, waypoints这不是简单的顶层字段检查。字段嵌套在 attributes 或 action 下面同样会失败，防止模型把底层控制命令藏在合法任务结构中。
容错解析不等于放宽校验
模型返回 Markdown 代码块时，解析器只去掉围栏；普通文本中混有解释时，解析器尝试提取第一个 JSON 对象。解析成功后仍必须执行完整 Schema 校验，不能因为“能解析”就接受不完整计划。
对不可执行请求返回 doable=false 和 reason，对机器人动作保持统一计划格式。这样上层可以区分用户意图不明确、目标不存在和模型输出非法，而不是依赖自然语言日志猜测。
VLM 失败与重试
当前配置将图像长边限制为 448，历史消息最多保留 2 条，输出上限为 768 tokens，HTTP 可重试错误使用指数退避。多 API key 场景下并发请求，第一份能够通过 JSON 解析的响应获胜，其余请求取消。
重试只处理网络中断、429 和 5xx；模型返回结构合法但语义不可执行时，不应无限重试同一个提示，而应返回结构化失败原因交给规划器或用户。
验证方法
- 对嵌套
pose、trajectory和waypoints构造负例，确认递归禁用生效； - 对重复 action、空 action 和未知 task 做 Schema 单测；
- 模拟 Markdown、前置解释文本和截断 JSON，检查解析与校验边界；
- 分别模拟 429、5xx、超时和非法 JSON，确认重试次数有限；
- 保存原始响应、解析后的计划和失败原因，保证每次决策可复现。
小结
AuraVLA 的 VLM 只负责把语言映射为受限任务契约。安全性来自递归禁用底层字段、动作去重、有限重试和确定性执行器，而不是依赖 prompt 中的一句“不要输出控制指令”。