标题： 基于控制障碍函数和世界模型的潜在空间安全认证 显示英文标题

标题： Safety Certification in the Latent space using Control Barrier Functions and World Models

摘要： 从视觉数据中合成安全控制器通常需要对关键安全数据进行大量的监督标记，这在现实世界环境中通常是不切实际的。 世界模型的最新进展使得在潜在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部署开辟了新的途径。 在本工作中，我们引入了一个半监督框架，该框架利用世界模型潜在空间中学习到的控制屏障证书（CBCs）来合成安全的视觉运动策略。 我们的方法在使用有限标记数据的同时，联合学习一个神经屏障函数和一个安全控制器，并利用现代视觉变压器的预测能力进行潜在动态建模。 显示英文摘要

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.