DeepReach 是一种新的方法，利用了正弦网络的新发展，针对高维可达性问题开发了神经偏微分方程求解器，不需要任何显式监督，可以轻松处理外部干扰，对抗性输入和系统约束，并为系统提供安全控制器。在多车碰撞问题和狭窄通道问题上，DeepReach 可以实现与最先进的可达性方法相当的结果，这些问题是受自动驾驶应用启发的。

Nov, 2020

通过鲁棒方案优化和符合性预测，为神经可达管提供概率性安全保证；采用异常值调整的验证方法从神经可达管的误差分布中恢复更大的安全空间，有效解决多车碰撞避免和火箭降落等高维问题。

Dec, 2023

介绍了基础 Hamilton-Jacobi reachability 理论的概述和最新的数值工具的使用说明，此外，还回顾了一些高维 HJ reachability 的现有工作，展示了通过各种通用理论和应用特定的见解可以缓解维度挑战。

Sep, 2017

本研究提出了一种基于 Hamilton-Jacobi 可达性的实时安全分析方法，该方法可以在未知的环境下为自主车辆提供强有力的安全保障。

May, 2019

本文提出使用新颖的前向可达性分析方法以验证具有神经网络的时间变化系统的安全性，并举例证明其在四旋翼控制系统中的实用性。

Apr, 2020

本研究提出了一种使用 Hamilton-Jacobi reachability 方法的图像驱动机器学习控制器安全性分析方法。通过计算系统的 backward reachable tube (BRT)，系统能够可控地找到导致 closed-loop failures 的视觉输入，并进一步分析导致失败的输入特征。

Nov, 2022

自动化系统越来越多地使用端到端训练的控制器进行实现。本文提出了一种将详尽的闭环验证与高维控制器相连接的方法。我们的关键见解是，高维控制器的行为可以用不同状态空间区域的几个低维控制器来近似。为了平衡逼近和可验证性，我们利用最新的验证感知知识蒸馏。然后，如果低维可达性结果受到统计逼近误差的膨胀，它们就可以为高维控制器提供高可信度的可达性保证。我们研究了两种膨胀技术 -- 基于轨迹和动作 -- 它们在两个 OpenAI gym 基准测试中都表现出令人信服的性能。

Nov, 2023

在线安全验证自主系统的一项新技术，通过使用神经屏障证书有效地进行有界和无界时域的可达性分析，我们的方法使用由参数化神经网络给出的屏障证书，这些证书依赖于给定的初始集合，不安全集合和时间范围。

Apr, 2024

本文提出了一种针对 DRL 系统的紧密可扩展的可达性分析方法，使用抽象状态处理内嵌的神经网络以避免神经网络的过估计，并设计了一种名为 BBReach 的工具来评估其紧密性、可扩展性和效率。

Nov, 2022

本文利用概率规定的安全性和性能提出了一种针对随机扰动下的约束动态系统的一种优化算法，在考虑时间变化状态约束的情况下，最大化状态始终保持在限定区域内的概率，我们提供充分的条件使随机可达集是闭合、紧凑和凸形的，并提供一种随机传递集估计技术。

Oct, 2018