본 논문은 제한된 사전 수집 데이터를 활용하여 신경망 기반 제어 장벽 함수(CBF)를 학습하는 새로운 프레임워크를 제안합니다. 기존 방법들의 주요 한계점인 광범위한 상태 공간 샘플링이나 시뮬레이션 상의 온라인 시스템 상호작용에 대한 의존성을 극복하기 위해, 본 연구는 분포 외 분석(out-of-distribution analysis) 기반의 새로운 주석 기법을 도입하여 제한된 레이블 데이터에서 레이블 없는 데이터로의 효율적인 지식 전파를 가능하게 합니다. 또한 고성능 전문가 제어기(expert controller)에 대한 의존성을 제거하고, 데이터 수집 과정에서 여러 개의 최적이 아닌 정책 또는 수동 제어를 허용합니다. 실제 플랫폼에서의 평가 결과, 제한된 오프라인 데이터만으로도 동적 장애물 회피에 최첨단 성능을 달성하며, 기존 방법에 비해 통계적으로 더 안전하고 보수적인 조작을 수행함을 보여줍니다.
