본 논문은 학습부터 운영까지 정책의 안전성을 보장하는 안전 강화 학습(RL) 방법을 제시합니다. 기존 안전 RL 패러다임의 한계를 극복하기 위해, 오프라인 안전 RL과 안전 정책 배포를 통합한 PLS(Provably Lifetime Safe RL) 방법을 제안합니다. PLS는 반환 조건부 지도 학습을 사용하여 오프라인으로 정책을 학습하고, 가우시안 프로세스(GPs)를 사용하여 제한된 목표 반환 매개변수를 신중하게 최적화하면서 정책을 배포합니다. 목표 반환과 실제 반환 간의 수학적 관계를 분석하여 GPs의 사용을 이론적으로 정당화하고, PLS가 높은 확률로 안전성을 보장하면서 거의 최적의 목표 반환을 찾는다는 것을 증명합니다. 실험적으로 PLS가 안전성과 보상 성능 모두에서 기준선을 능가하여 학습부터 운영까지 정책의 안전성을 보장하면서 높은 보상을 얻는다는 오랜 목표를 달성함을 보여줍니다.