학습 기반 자율 시스템의 안전 보장을 위해, Hamilton-Jacobi (HJ) 가역성 분석을 이용한 안전성 검증 및 안전 제어기 생성에 대한 연구를 수행한다. 특히, 고차원 시스템에서 계산 비용이 높은 HJ 값 함수를 근사하기 위해 강화 학습을 활용하고, 학습된 값 함수와 안전 정책의 정확성이 보장되지 않는 문제를 해결하기 위해 Conformal Prediction (CP) 기반 프레임워크를 도입한다. 이 프레임워크는 학습된 HJ 값 함수 및 정책 사용 시 확률적 안전 보장을 제공하며, 위험 상태에 도달하는 것을 방지한다. 또한, CP를 활용하여 안전하지 않은 일반 제어기와 학습된 HJ 기반 안전 정책 간의 전환을 보정하고, 전환된 정책 하에서 안전 보장을 유도한다. 독립적으로 학습된 HJ 값 함수의 앙상블을 안전 필터로 사용하여 개별 값 함수만 사용하는 경우와 비교한다.
