En este artículo, presentamos un método para aprender funciones de barrera de control de tiempo discreto aproximadas e integrarlas en el control predictivo de modelos (MPC) por inferencia variacional (VIMPC). Esto permite abordar el problema del cumplimiento de las especificaciones de seguridad más allá del horizonte de predicción en el control predictivo de modelos (MPC). Para lograr un equilibrio entre la factibilidad recursiva exacta, la trazabilidad computacional y la aplicabilidad a dinámicas de "caja negra", proponemos una novedosa estrategia de muestreo que reduce significativamente la varianza del control óptimo estimado y permite la planificación en tiempo real en la CPU. El controlador Neural Shield-VIMPC (NS-VIMPC) resultante mejora significativamente la seguridad en comparación con los controladores MPC convencionales basados en muestras, y verificamos su eficacia con funciones de coste mal diseñadas mediante simulaciones y experimentos con hardware real.
