使用基于贝叶斯推断的模型方法来估计序列系统的失效轨迹，使用自动微分计算轨迹梯度并使用 Hamiltonian Monte Carlo 采样方法进行多模式捕捉和平滑处理，该方法在自主驾驶车辆、倒置摆控制系统和部分可观察月球着陆器实现，结果显示在样本效率和参数空间覆盖率方面比黑盒子基线方法有所改进，此方法已开放源代码。

May, 2023

本文提出了一种基于概率方法的安全性评估模拟方法，能够快速地对危险事件进行探测和评估，并证明了方法在统计和计算效率方面的优越性，最后在多种场景下进行了测试，证明了该方法对于开发和测试安全关键自主系统的敏感性分析和模型比较的重要性。

Aug, 2020

本文提出了一种基于贝叶斯优化的安全验证算法，它通过迭代地适配概率代理模型来高效预测故障，并通过重要性采样来估计操作域内的故障概率。经实验表明，该算法在减少样本数和各种安全验证指标方面表现良好，并可用于补充机器学习组件的 FAA 认证过程。

May, 2023

本研究旨在提出适用于顺序决策系统的两种自适应重要性采样算法，以高效地评估罕见事件的概率。该方法基于状态依赖的提议分布与目标分布之间的 Kullback-Leibler 散度最小化，用于减少精度方面的误差和处理多峰性提议分布的问题，并将多重重要性采样应用于多种基线以显示准确性改进。

Nov, 2022

通过开发一种概率近似方案，使扩散模型能够在推理时间内有条件地采样非线性用户定义事件，从而匹配数据统计，即使从分布的尾部进行采样。

Jun, 2023

我们提出一种新的方法 SafeDiffuser，使用控制屏障函数来确保扩散概率模型满足规范，并将有限时间扩散不变性嵌入去噪扩散过程中，从而实现可信扩散数据生成，并证明我们的方法不仅具有一般化性能，而且还在安全数据生成中创建了鲁棒性。

May, 2023

应用数据驱动方法学习可用于指导 AST 中的故障搜索的分类器，该方法结合了重要状态，增加了一个自主驾驶策略中的安全违规案例。

Apr, 2023

本研究针对安全关键应用领域，提出了针对 CPS 系统进行模拟测试的安全验证技术。文中归纳了针对优化、路径规划、强化学习和重要性采样等技术进行的算法改进，并介绍了用于应对 CPS 软硬件状态空间巨大的问题分解技术。此外，本研究对自动驾驶汽车和飞行器防撞系统等领域的安全验证工具进行了总结。

May, 2020

我们提出了一种贝叶斯方法，将元学习策略与多臂老虎机框架相结合，以加速自动系统的故障检测、减少模拟运行时间，并通过学习参数和准确模拟的分布来评估新场景中的学习速度。通过在先进的 3D 驾驶模拟器中应用 16 个保真设置来展示我们的方法，以评估基于自动化车辆事故前个体的各种场景，结果表明与仅依赖于高保真模拟器的传统方法相比，我们的方法加快了模拟速度，最多高出 18 倍。

Sep, 2023

为了解决使用 DRL solver 的这两个主要问题，我们使用了循环神经网络，该神经网络具有连续空间中的一组初始条件，并且可以跨越整个初始条件空间进行推广，从而使得解决方案具有鲁棒性和高效性。

Jul, 2019