PoSafeNet：基于偏序结构神经网络的安全学习
机器学习
2026-02-02 v1 机器人学
摘要
安全学习对在安全关键机器人系统中部署基于学习的控制器至关重要，但现有方法常对多个安全约束统一施加约束或依赖固定优先级顺序，导致不可行性和脆弱行为。在实际应用中，安全要求是异构的，仅允许部分优先级关系，其中一些约束可比较而其他约束本质上不可比较。我们将此设置形式化为偏序结构的安全性，建模安全约束为部分有序集，将安全组合视为策略类结构的性质。基于此表述，我们提出 PoSafeNet，这是一种可微分神经安全层，通过在偏序一致的约束顺序下进行顺序闭式投影来实现安全，从而启用对有效安全执行的自适应选择或混合，同时通过构造保持优先级语义。实验在多障碍导航、受约束机器人操作和基于视觉的自主驾驶中表明，PoSafeNet 在可行性、鲁棒性和可扩展性方面优于非结构化和可微分二次规划基于安全层。
引用
@article{arxiv.2601.22356,
title = {PoSafeNet: Safe Learning with Poset-Structured Neural Nets},
author = {Kiwan Wong and Wei Xiao and Daniela Rus},
journal= {arXiv preprint arXiv:2601.22356},
year = {2026}
}