Newest papers

Enumeration-Guided Training of Neural Hamilton-Jacobi Safety Certificates

Mihaela-Larisa Clement, Tosca Pierro, Ezio Bartocci, Luca Marzari · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.27870 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Hamilton-Jacobi (HJ) an toàn phân tích khả năng tiếp cận cung cấp đảm bảo an toàn chính thức cho các hệ thống kiểm soát, nhưng đào tạo chứng chỉ thần kinh chính xác vẫn còn khó khăn, đặc biệt là khi các khu vực không an toàn là khó để đặc trưng. Chúng tôi đề xuất một khuôn khổ đào tạo theo hướng dẫn xác minh giải quyết điều này bằng cách sử dụng số lượng xác suất của các hạn chế an toàn để phát hiện vi phạm về phía trước-invariance, tức là, các trạng thái nơi chứng chỉ học sai phân loại hành vi không an toàn. Điều này tạo ra một tập hợp nhỏ gọn, nhắm mục tiêu của các đối chứng mà chính xác hơn nắm bắt giới hạn thất bại so với các đầu vào được tạo ra bởi các phương pháp tấn công đối thủ tiêu chuẩn. Quan trọng, sử dụng đại diện này để tinh chỉnh một giá trị HJ được đào tạo trước kết quả khu vực

Machine translation (Meta M2M100); the English original follows.

Abstract

Hamilton-Jacobi (HJ) reachability analysis offers formal safety guarantees for control systems, but training accurate neural certificates remains difficult, particularly when unsafe regions are hard to characterize. We propose a verification-guided training framework that addresses this by using probabilistic enumeration of safety constraints to detect forward-invariance violations, i.e., states where the learned certificate incorrectly classifies unsafe behavior. This produces a compact, targeted set of counterexamples that more precisely captures the failure boundary than inputs generated by standard adversarial attack methods. Crucially, using this representation to fine-tune a pretrained HJ value function yields larger certified regions and reduces certification time across all tested benchmarks. We further introduce a shielding mechanism based on the refined certificates to enforce safety constraints at deployment time. We evaluate the proposed safety filter in a realistic, physics-based Isaac Sim environment and through real-world autonomous racing experiments, achieving zero safety constraint violations compared to a nominal controller and a backup policy based on Linear Quadratic Regulation (LQR). These results demonstrate the effectiveness of the proposed shielding mechanism in ensuring safe operation under high-speed, safety-critical conditions.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Computer science, Certification, Probabilistic logic, Backup, Certificate, System safety

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange