Otonom sistemlerin güvenliğini sağlamak için kullanılan güvenlik filtrelerinin performansını önemli ölçüde artıran yeni bir yöntem geliştirildi. Araştırmacılar, Pontryagin Maksimum Prensibi (PMP) kullanarak güvenlik ihlallerini zar zor önleyen sınır yörüngelerini belirleyerek, öğrenme sürecini daha verimli hale getiren bir yaklaşım ortaya koydu.
Geleneksel güvenlik filtreleri, otonom sistemlerde güvenlik kısıtlamalarını zorlamak için pratik bir yaklaşım sunarken, öğrenme tabanlı araçlar yüksek boyutlu sistemlerde ölçeklenebilir. Ancak bu sistemlerin performansı, kısıt ihlallerine yol açma olasılığı yüksek durumları içeren bilgilendirici verilere bağlıdır. Karmaşık ve yüksek boyutlu sistemlerde bu tür verileri verimli bir şekilde örneklemek zorlu bir süreçtir.
Yeni yaklaşımda, güvenlik ihlallerinin sınırında bulunan yörüngeler Pontryagin Maksimum Prensibi kullanılarak karakterize ediliyor. Bu sınır yörüngeleri, öğrenilmiş Hamilton-Jacobi Erişilebilirlik sistemi için veri toplama sürecini yönlendirmek üzere kullanılıyor ve öğrenme çabalarını güvenlik açısından kritik durumlar yakınında yoğunlaştırarak verimliliği artırıyor.
Geliştirilen Kontrol Bariyeri Değer Fonksiyonu doğrudan güvenlik filtrelemesi için kullanılabiliyor. Paylaşımlı kontrollü otonom araç yarışı uygulamasında yapılan simülasyonlar ve deneysel doğrulamalar, PMP örnekleme yönteminin öğrenme verimliliğini artırdığını, daha hızlı yakınsama sağladığını ve başarısızlık oranlarını azalttığını kanıtladı.