본 논문은 자율 주행 및 로봇 공학 분야에서 안전성이 중요한 제어기의 필요성을 강조하며, 안전 보장을 일반적인 제어 프레임워크에 추가하는 방법으로 널리 사용되는 제어 장벽 함수(CBF)의 고차원 문제에서의 어려움을 해결하는 새로운 방법을 제시한다. 기존 방법들의 비미분 가능성이나 부정확성 문제를 해결하기 위해, 본 연구는 물리 정보 기반 신경망(PINN)을 이용하여 해밀턴-야코비(HJ) 최적 제어 해를 계산함으로써 CBF의 매끄러운 근사를 생성하는 도달 가능성 장벽 네트워크(RBN)를 제안한다. RBN은 기존의 차원 제약을 피하고, 매개변수화된 할인 항을 통해 훈련 후 보수성을 조정할 수 있다. 또한, 확률적 안전 보장을 위해 등각 예측 방법을 활용하여 할인된 해의 강건성을 보장한다. 실험 결과, RBN은 저차원에서는 높은 정확도를, 고차원에서는 기존의 신경망 CBF보다 더 안전한 성능을 보임을 보여준다. 특히, 9차원 다중 차량 충돌 회피 문제에서 기존 방법보다 5.5배 더 안전하고 1.9배 덜 보수적인 결과를 제시하며, 일반적인 비선형 자율 시스템에 대한 CBF를 합성하는 유망한 방법을 제공한다.
