강화 학습의 안전성 보장은 실제 세계 적용의 주요 과제이며, 안전 방패는 표준 강화 학습을 확장하여 강력한 안전성 보장을 달성합니다. 기존 안전 방패는 안전한 동작의 무작위 샘플링 또는 고정된 폴백 컨트롤러를 사용하여, 다른 안전한 동작의 미래 성능 영향을 무시합니다. 본 연구에서는 이산 공간에서 모델 기반 강화 학습 에이전트를 위한 예측 안전 방패를 제안합니다. 안전 예측에 기반하여 Q-함수를 국부적으로 업데이트하며, 안전 예측은 환경 모델의 안전한 시뮬레이션에서 비롯됩니다. 이 방패 접근 방식은 강력한 안전성 보장을 유지하면서 성능을 향상시킵니다. 그리드월드 환경에서의 실험을 통해 짧은 예측 지평선도 최적 경로를 식별하기에 충분하다는 것을 입증했습니다. 또한 시뮬레이션과 현실 사이의 분포 변화에 추가 훈련 없이도 강건함을 보였습니다.
