学习自治系统可达状态的密度分布

与最坏情况可达性相比，状态密度分布可被用于安全相关问题，以更好地量化潜在危险情况的风险可能性。在本文中，我们提出一种数据驱动方法，用于计算非线性和甚至黑盒系统的可达状态密度分布。我们的半监督方法从轨迹数据联合学习系统动力学与状态密度，其指导依据是状态密度演化遵循刘维尔偏微分方程。借助神经网络可达性工具，我们的方法能估计所有未来可能状态的集合及其密度。此外，我们可对不安全行为发生的概率范围进行在线安全验证。我们使用大量实验表明，我们所学的方案能对密度分布产生更精确的估计，并且与最坏情况分析相比，能更不保守且灵活地量化风险。