PoSafeNet: Neuronale Sicherheit für Robotik mit partieller Ordnung

In der Robotik ist sichere Lernsteuerung unverzichtbar, doch bisherige Ansätze setzen meist alle Sicherheitsbedingungen gleich oder nach starren Prioritätsreihenfolgen durch – ein Vorgehen, das häufig zu Unzulässigkeit und sprödem Verhalten führt.

Die Realität ist heterogener: Sicherheitsanforderungen lassen sich nicht immer vollständig vergleichen, sondern bilden ein teilweise geordnetes System, in dem manche Einschränkungen miteinander kompatibel sind, andere jedoch nicht. PoSafeNet formalisiert dieses Konzept als poset‑strukturierte Sicherheit, wobei jede Bedingung als Element eines partiellen Ordnungssets modelliert wird und die Zusammensetzung der Sicherheit als strukturelle Eigenschaft der Policy‑Klasse behandelt wird.

Die Kerninnovation ist eine differenzierbare neuronale Sicherheits‑Schicht, die Sicherheit durch sequentielle, geschlossene Projektionen unter poset‑konformen Constraint‑Ordnung durchsetzt. Dadurch kann das System flexibel gültige Sicherheitsausführungen auswählen oder kombinieren, während die Prioritätssemantik von vornherein erhalten bleibt.

In Tests mit Mehrfachhindernis‑Navigation, robotergesteuerter Manipulation und bildbasiertem autonomen Fahren zeigte PoSafeNet deutlich höhere Durchführbarkeit, Robustheit und Skalierbarkeit als unstrukturierte und differenzierbare QP‑basierte Sicherheitslayer. Diese Ergebnisse markieren einen wichtigen Schritt hin zu verlässlicheren, lernbasierten Steuerungen in sicherheitskritischen Robotik‑Anwendungen.