본 논문은 자율 시스템의 안전성과 성능을 동시에 최적화하는 문제를 다룹니다. 기존의 강화학습 기반 방법은 높은 성능을 달성하지만 안전성 보장이 부족하고, 형식적 방법은 안전성을 보장하지만 성능이 낮다는 한계를 지닙니다. 이를 해결하기 위해, 본 논문은 안전 요구사항을 상태 제약 조건으로, 성능 목표를 비용 함수로 인코딩하여 상태 제약 최적 제어 문제로 공식화합니다. 해당 값 함수는 Hamilton-Jacobi-Bellman (HJB) 방정식을 만족하며, 물리 정보 기반 기계 학습 프레임워크를 사용하여 효율적으로 근사합니다. 또한, 확률적 오차 한계를 포함하여 신뢰도 높은 안전 값 함수를 복구하기 위해 conformal prediction 기반 검증 전략을 도입합니다. 복잡하고 고차원적인 자율 시스템에 대해 안전하고 성능이 좋은 제어기를 학습하는 프레임워크의 효과를 여러 사례 연구를 통해 보여줍니다.
