تتزايد أهمية الروبوتات المستقلة (Autonomous Robots) في حياتنا اليومية، لذا تبرز الحاجة لتوفير بيئة آمنة أثناء تفاعل هذه الروبوتات مع البشر. يعتمد هذا الأمر على كيفية اتخاذ الروبوتات لقرارات آمنة وفعّالة تحت ضغوط عدم اليقين الناجمة عن تفضيلات البشر وأهدافهم وكفاءاتهم.

تُعتبر مرشحات السلامة (Safety Filters) إحدى الطرق الشائعة لضمان سلامة الروبوتات التفاعلية، حيث تفصل تصميمها القابل للتعديل بين السلامة والأداء، مما يسمح للروبوتات بالعمل بأمان حول البشر دون التأثير الكبير على كفاءة المهام. لكن في العادة، تُشغل هذه المرشحات في الفضاء الفيزيائي دون الأخذ في الاعتبار قدرة الروبوت على التعلم والتكيف في الوقت الحقيقي.

قدّمت دراسات حديثة مرشح السلامة في فضاء الاعتقاد (Belief-Space Safety Filter - BeliefSF) الذي يقوم بتفكير آمن للروبوت في حلقة مغلقة باستخدام تنبؤات أثناء التشغيل، مما يقلل من عدم اليقين في الوقت الحقيقي ويعزز السلامة. ومع ذلك، لا تزال التحديات قائمة في تقديم ضمانات سلامة رسمية أثناء تطبيق BeliefSF، وذلك بسبب الأخطاء المحتملة في تنبؤات زمن التشغيل والتقريب العصبي المستخدم في حماية الأنظمة متعددة الأبعاد.

من هنا، تم اقتراح نهج خوارزمي جديد لتوثيق سلامة BeliefSF بموثوقية عالية باستخدام التنبؤ المتناغم (Conformal Prediction)، مع مراعاة موثوقية وحدة التنبؤ في الوقت الحقيقي الخاصة بالروبوت. ويستفيد هذا الأسلوب من بنية مرشحات السلامة في فضاء الاعتقاد من خلال تركيز التحقق على المنطقة التي يُتوقع أن يكون فيها التنبؤ موثوقًا.

وقد أظهرت النتائج في محاكاة تفاعل بين البشر والمركبات أن هذا النهج قادر على التحقق من مرشح سلامة فضاء الاعتقاد بشكل أكثر شمولًا ومرونة مقارنة بنموذج التنبؤ المتناغم التقليدي، مما يفتح آفاقًا جديدة لتحسين سلامة الروبوتات أثناء تفاعلها مع البشر.