본 논문은 자율 주행 및 로봇공학에서 안전 중요 제어기의 필요성을 강조하며, 안전 보장을 일반적인 제어 프레임워크에 추가하는 데 널리 사용되는 제어 장벽 함수(CBF) 생성의 어려움을 다룹니다. 기존 방법들은 비미분 가능하거나 부정확한 근사치를 생성하여 안전을 보장하지 못하는 한계를 지닙니다. 이를 해결하기 위해 본 연구는 물리 정보 신경망(PINN)을 사용하여 Hamilton-Jacobi(HJ) 최적 제어 해를 계산함으로써 CBF의 매끄러운 근사치를 생성하는 도달 가능성 장벽 네트워크(RBN)를 제안합니다. RBN은 기존의 차원 제약을 피하고 매개변수화된 할인 항을 통해 훈련 후 보수성을 조정할 수 있습니다. 할인된 해의 강건성을 보장하기 위해, 본 연구는 합치 예측 방법을 활용하여 RBN에 대한 확률적 안전 보장을 도출합니다. 실험 결과, RBN은 저차원에서는 매우 정확하고, 고차원에서는 표준 신경망 CBF 접근 방식보다 안전함을 보여줍니다. 특히 9차원 다중 차량 충돌 회피 문제에서 신경망 CBF보다 5.5배 더 안전하고 1.9배 덜 보수적인 것으로 나타나 일반적인 비선형 자율 시스템에 대한 CBF를 합성하는 유망한 방법을 제시합니다.
