利用控制屏障函数与世界模型在潜空间中进行安全认证
Safety Certification in the Latent space using Control Barrier Functions and World Models
AI总结：
本文提出一种半监督框架，在世界模型潜空间中学习控制屏障证书，结合有限标注数据和视觉Transformer，实现数据高效的安全视觉运动策略合成。
摘要：
从视觉数据合成安全控制器通常需要对安全关键数据进行大量监督标注，这在实际场景中往往不可行。世界模型的最新进展使得在潜空间中进行可靠预测成为可能，为可扩展且数据高效的安全控制开辟了新途径。在本工作中，我们引入了一个半监督框架，利用在世界模型潜空间中学习的控制屏障证书（CBCs）来合成安全的视觉运动策略。我们的方法使用有限的标注数据联合学习神经屏障函数和安全控制器，同时利用现代视觉Transformer的预测能力进行潜动力学建模。
英文摘要：
Synthesising safe controllers from visual data typically requires extensive supervised labelling of safety-critical data, which is often impractical in real-world settings. Recent advances in world models enable reliable prediction in latent spaces, opening new avenues for scalable and data-efficient safe control. In this work, we introduce a semi-supervised framework that leverages control barrier certificates (CBCs) learned in the latent space of a world model to synthesise safe visuomotor policies. Our approach jointly learns a neural barrier function and a safe controller using limited labelled data, while exploiting the predictive power of modern vision transformers for latent dynamics modelling.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
