安全控制器不再只追平均回报：把最弱证书裕度当训练目标，三类系统测试集零违规
安全关键系统的学习型控制器通常先最大化平均回报，再用惩罚、约束或运行时过滤补上安全。CeDL 改为无奖励训练：把李雅普诺夫稳定性、控制屏障安全、时序逻辑鲁棒性与可行性裕度合成一个证书裕度，用对抗伪造器找出最接近违规的场景反复强化。在 URLLC 无线资源分配、传感器网络节能路由和机器人避障三类仿真中，CeDL 在测试集上观测到零违规，并给出比奖励型强化学习、约束强化学习、模型预测控制、屏蔽强化学习和经典控制器更大的最小证书裕度。