自主机器人在交通运输、人机协作等领域的广泛部署，要求系统具备鲁棒的安全措施，以确保与物理世界的平稳交互。传统的安全控制算法虽能在结构化环境中提供可证明的保证，但在实际部署中仍面临两大持续挑战：其一，难以适应非平稳的目标与动力学过程；其二，在面对高维机器人及其复杂环境时，安全推理与执行的计算开销巨大，缺乏可扩展性。本论文认为，为了使机器人能够在日常生活中安全运行，必须超越传统的机器人安全范式，开发既具备自适应性又具备可扩展性的安全控制与分析方法。 本论文采用自顶向下的方式处理受安全约束的自适应任务。在顶层框架中，我们将问题表述为一个优化问题，其包含：(a) 任意控制目标，并受限于 (b) 系统动力学和 (c) 安全要求的编码约束。这一视角自然地延伸到了对真实世界复杂性的建模：控制目标可能因人类偏好等不可预测因素而改变，动力学可能因物理条件的演变而漂移，且在考虑细粒度的人机交互时，安全约束会演变为高维且多目标的形式。 基于上述视角，本论文做出了两项主要贡献。首先，我们开发了能够在交互式操作中保持安全性的自适应方法。针对多变的控制目标，我们提出了条件协作处理过程 (Conditional Collaborative Handling Process, CCHP)，通过引入短时上下文演示，在物理人机协作任务中实现了快速的目标推理与控制器调节。针对带安全保证的动力学自适应问题，我们利用可证明安全控制器综合的结构特性，通过行列式梯度上升法 (Determinant Gradient Ascent, DGA) 实现了安全证书的实时更新。 其次，我们将研究重点转向高维系统，此类系统的安全推理必须能够扩展至复杂的动力学、丰富的感知信息以及耦合约束。我们提出了 $\lambda$-可达性 ($\lambda$-Reachability)，这是一种可扩展的 Hamilton-Jacobi 安全分析方法，通过在局部一致性与长时界安全目标之间进行插值，提升了高维类人机器人安全价值综合中的价值近似精度与样本效率。针对安全价值函数不可避免存在缺陷的情况，我们进一步提出了投影安全集算法 (Projected Safe Set Algorithm, p-SSA)，用以处理带有密集多体碰撞约束的灵巧安全控制中的不可行性问题，并在仿真环境及真实类人机器人的拥挤场景任务中实现了鲁棒的避障。 综上所述，这些研究成果将安全关键型机器人技术的研究范畴从受控的低维环境扩展到了自适应、高维的真实世界部署场景，使机器人能够在复杂的安全要求下高效且安全地运行。