⚡ electrical engineering

Staggered Integral Online Conformal Prediction for Safe Dynamics Adaptation with Multi-Step Coverage Guarantees

Die Arbeit stellt den „Staggered Integral Online Conformal Prediction"-Algorithmus (SI-OCP) vor, der mithilfe einer integrierten Score-Funktion langfristige Abdeckungsgarantien für die Unsicherheit adaptiver Systeme bietet und so die sichere Regelung komplexer Lernmodelle, wie etwa bei einem adaptiven Quadcopter, ermöglicht.

Ursprüngliche Autoren: Daniel M. Cherenson, Dimitra Panagou

Veröffentlicht 2026-04-08

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Daniel M. Cherenson, Dimitra Panagou

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stell dir vor, du fährst ein autonomes Auto (oder einen Drohnen-Piloten) durch eine Stadt, die sich ständig verändert. Es gibt Baustellen, plötzliche Stürme und andere Hindernisse, die nicht auf der Karte stehen.

Das große Problem bei solchen Systemen ist: Wie sicher ist das System wirklich?

Wenn die Software unsicher ist, wird sie extrem vorsichtig. Sie fährt so langsam und weicht so weit aus, als würde sie durch einen Minenfeld laufen, obwohl es vielleicht nur eine Pfütze ist. Das nennt man „konservativ". Das ist sicher, aber es ist ineffizient und nervig.

Dieses Papier stellt eine neue Methode vor, die SI-OCP heißt, um genau dieses Problem zu lösen. Hier ist die Erklärung in einfachen Worten:

1. Das Problem: Man kann nicht in die Zukunft sehen (und man sieht nicht alles)

Normalerweise versuchen Computer, die Zukunft vorherzusagen, indem sie schauen: „Wenn ich jetzt so steuere, wo bin ich in einer Sekunde?"
Aber um zu wissen, ob ihre Vorhersage stimmt, müssten sie wissen, wie schnell sich die Dinge genau in diesem Moment ändern (die Geschwindigkeit der Geschwindigkeit, physikalisch: die Ableitung).

Das Problem: In der echten Welt (z. B. bei einer Drohne im Wind) können wir oft nur den Standort messen, aber nicht die exakte momentane Beschleunigung oder den Winddruck direkt ablesen. Es ist, als würdest du versuchen, die Geschwindigkeit eines Autos zu messen, indem du nur schaust, wo es steht, aber nicht auf den Tacho. Ohne diese Daten ist es schwer zu sagen, wie falsch die Vorhersage ist.

2. Die Lösung: Der „Rückblick-Spiegel" (Integraler Ansatz)

Statt zu versuchen, den Moment zu messen, den man nicht sehen kann, schaut sich die neue Methode (SI-OCP) auf das Vergangene zurück.

Die Analogie: Stell dir vor, du fährst mit einem Auto, das einen sehr guten Rückspiegel hat. Du kannst nicht sehen, was jetzt passiert, aber du siehst genau, wie stark das Auto in den letzten 10 Sekunden geschaukelt hat.
Die Methode: Die KI berechnet nicht den Fehler jetzt, sondern den kumulierten Fehler über einen Zeitraum. Sie fragt: „Wie weit ist die Drohne in den letzten 10 Sekunden von ihrem geplanten Weg abgewichen?"
Das ist wie das Messen der gesamten Strecke, die ein Wanderer vom Pfad abgewichen ist, anstatt zu versuchen, jeden einzelnen Stolperstein im Moment des Stolperns zu zählen.

3. Der Trick: Der „Staggered" (Versetzte) Ansatz

Hier wird es clever. Da die Drohne in die Zukunft plant (z. B. die nächsten 5 Sekunden), braucht sie eine Garantie für diese 5 Sekunden. Aber die Daten für diese 5 Sekunden liegen erst vor, nachdem sie vergangen sind.

Die Analogie: Stell dir einen Zug mit vielen Waggons vor. Jeder Waggon ist ein Zeitabschnitt.
- Wenn der Zug fährt, berechnet die Software für den nächsten Waggon eine Sicherheitsgrenze.
- Aber die Daten, um diese Grenze zu überprüfen, kommen erst, wenn dieser Waggon vorbeigefahren ist.
- Die Methode nutzt daher mehrere parallele Rechenstränge (wie mehrere Schaffner). Einer schaut auf den Waggon, der gerade fertig ist, um die Grenze für den Waggon zu berechnen, der gerade kommt.
Das Ergebnis: Die Drohne hat immer eine aktuelle, sichere Grenze für die Zukunft, basierend auf den Daten der Vergangenheit. Es gibt keine Lücke.

4. Das Ergebnis: Ein „Sicherheitskissen", das sich anpasst

Früher mussten die Ingenieure ein riesiges, starres Sicherheitskissen um die Drohne legen, weil sie nicht wussten, wie stark der Wind wehen würde.
Mit dieser neuen Methode:

Wenn die Drohne lernt, den Wind gut vorherzusagen, wird das Sicherheitskissen kleiner. Die Drohne kann enger an Hindernissen vorbeifliegen (z. B. durch eine enge Gasse zwischen Bäumen).
Wenn plötzlich ein Sturm aufkommt oder die Drohne etwas falsch macht, erkennt die Methode das sofort (durch den Rückblick) und vergrößert das Kissen sofort. Die Drohne wird vorsichtiger, aber nicht unnötig langsam.

Zusammenfassung in einem Satz

Diese Methode ist wie ein intelligenter Sicherheitsgurt, der sich nicht starr anpasst, sondern lernt, wie unsicher die Situation gerade ist, indem er auf die letzten Fahrten schaut, und so dem Fahrzeug erlaubt, schneller und näher an Hindernissen zu fahren, ohne die Sicherheit zu gefährden.

Warum ist das wichtig?
Es erlaubt Robotern und Drohnen, in komplexen, sich ändernden Umgebungen (wie einer Stadt mit Wind und anderen Flugobjekten) sicher und effizient zu agieren, ohne dass sie sich in Angst vor dem Unbekannten verstecken müssen.

1. Problemstellung

Das Paper adressiert die Herausforderung der sicheren Regelung adaptiver Systeme in unsicheren Umgebungen, insbesondere bei sicherheitskritischen Anwendungen wie autonomen Drohnen.

Herausforderung 1: Fehlende Ableitungsdaten. In vielen realen Szenarien sind nur Zustandsmessungen ( $x$ ) verfügbar, nicht jedoch die Zustandsableitungen ( $\dot{x}$ ). Standardmethoden zur Online-Konformalen Vorhersage (OCP) benötigen jedoch sofortige „Ground-Truth"-Labels für den Vorhersagefehler (Residuum), was ohne $\dot{x}$ nicht direkt möglich ist.
Herausforderung 2: Mehrstufige Sicherheit. Sicherheitskritische Regler (wie MPC) planen über einen zukünftigen Horizont. Bestehende OCP-Methoden bieten oft nur Garantien für einen einzelnen Zeitschritt (Instantaneous Coverage). Für die Sicherheit über einen gesamten Planungshorizont ist jedoch eine Garantie für die kumulierte Wirkung von Modellfehlern und Störungen notwendig.
Herausforderung 3: Nicht-stationäre Unsicherheit. Adaptive Systeme passen ihre Modelle online an. Die Verteilung der Modellfehler ändert sich dadurch ständig (Distribution Shift), was die Annahmen klassischer konformaler Vorhersage (Austauschbarkeit) verletzt.

Das Ziel ist es, eine dynamische Robustheitsgrenze ( $d_k$ ) zu synthetisieren, die die unbekannten Störungen und Lernfehler über einen zukünftigen Horizont mit einer garantierten Wahrscheinlichkeit ( $1-\alpha$ ) nach oben abschätzt, ohne dabei zu konservativ zu sein.

2. Methodik: Staggered Integral Online Conformal Prediction (SI-OCP)

Die Autoren schlagen den SI-OCP-Algorithmus vor, der zwei Hauptinnovationen kombiniert:

A. Integrale Nicht-Konformitäts-Score-Funktion

Da der momentane Fehler $\dot{x} - f_{nom}$ nicht berechnet werden kann, nutzt SI-OCP die integrale Wirkung der Störung über ein rollendes Zeitfenster.

Der Score $S_k$ wird als das Supremum des Integrals des Fehlers über alle Teilintervalle innerhalb des letzten Horizonts $[t_k - T_p, t_k]$ definiert:
$S_k = \sup_{\tau_1, \tau_2} \left\| x(\tau_2) - x(\tau_1) - \int_{\tau_1}^{\tau_2} f_{nom}(s) ds \right\|$
Dieser Score erfasst den kumulierten Effekt von Approximationsfehlern, Adaptionsfehlern und externen Störungen. Er dient als „verzögertes Label" für die Vorhersage, die $T_p$ Zeiteinheiten zuvor getroffen wurde.

B. Staggered (Versetzte) Update-Strategie

Um die Mehrstufigkeit (Multi-Step) zu gewährleisten, wird der Planungshorizont $T_p$ in $P$ diskrete Intervalle unterteilt.

Der Algorithmus unterhält $P$ unabhängige Threads (Schichten) für die Konformitäts-Schwellenwerte $q^{(j)}_k$ .
Jeder Thread $j$ wird nur aktualisiert, wenn das entsprechende verzögerte Label (der integrale Score des abgeschlossenen Horizonts) verfügbar ist. Dies geschieht versetzt (staggered) basierend auf $j = k \mod P$ .
Durch diese Entkopplung können Schwellenwerte für zukünftige Horizonte aktualisiert werden, während gleichzeitig Vorhersagen für den aktuellen Horizont getroffen werden.

C. Umrechnung in Punktweise Grenzen

Der erhaltene Schwellenwert $q^{(j)}_{k+1}$ (Grenze für das Integral) wird unter Verwendung der Lipschitz-Konstante $L_d$ der Störung in eine punktweise Obergrenze $d_k$ für die Störungsamplitude umgewandelt. Diese $d_k$ wird dann an den Regler übergeben.

3. Wichtige Beiträge

Rahmenwerk für Online-Dynamikadaptation ohne Ableitungen: Entwicklung eines konformalen Unsicherheitsquantifizierungsrahmens, der keine Messung von Zustandsableitungen oder direkte Residuum-Labels benötigt, sondern auf einem integralen Score basiert.
Erweiterung auf Mehrstufige Horizonte: Überwindung der Limitierung von Ein-Schritt-Garantien durch die Einführung von „Staggered Updates" mit verzögerten Labels, was langfristige Abdeckungsgarantien über den gesamten Planungshorizont ermöglicht.
Integration in sicherheitskritische Regelung: Nachweis, dass die adaptiven Robustheitsmargen in einen robusten Regler (hier: Robust Tube MPC) integriert werden können, um asymptotische Sicherheitsgarantien für das geschlossene Regelkreissystem zu gewährleisten.
Validierung mit komplexen Modellen: Demonstration der Methode in Kombination mit einem volladaptiven Deep Neural Network (DNN) (alle Schichten werden adaptiert) für einen Quadrocopter, was die Anwendbarkeit auf hochkomplexe, nichtlineare Lernparameter zeigt.

4. Ergebnisse (Simulation)

Die Methode wurde in einer Simulation eines 3D-Quadrocopters validiert, der unter zeitvariierenden Windstörungen und unmodellierter Aerodynamik navigieren musste.

Szenario: Der Quadrocopter musste durch einen engen Korridor zwischen Hindernissen fliegen.
Vergleich:
- Mit Adaptation (SI-OCP aktiv): Das DNN lernte die Dynamik online. Der SI-OCP-Algorithmus quantifizierte die verbleibende Unsicherheit präzise. Dies führte zu einer schmalen Robustheitsröhre (Tube), die es dem Quadrocopter ermöglichte, sicher durch den engen Spalt zu fliegen. Die tatsächliche Störung wurde in 98,77 % der Fälle korrekt durch die geschätzte Grenze abgedeckt (Ziel war 90 %).
- Ohne Adaptation (DNN eingefroren): Da das Modell die Dynamik nicht abbildete, war der kumulierte Fehler hoch. SI-OCP erkannte dies und erhöhte die Robustheitsgrenze drastisch. Die resultierende Röhre war zu groß, um den Spalt zu passieren, und der Regler verhinderte den Flug durch den Korridor, um die Sicherheit zu gewährleisten (94 % Abdeckung).
Ergebnis: Der Algorithmus passt die Robustheitsmarge dynamisch an den tatsächlichen Lernfortschritt und die Störungsintensität an, ohne unnötig konservativ zu sein, solange das Modell gut lernt.

5. Bedeutung und Fazit

Das Paper stellt einen bedeutenden Fortschritt im Bereich des Safe Adaptive Control dar.

Praktische Relevanz: Es löst das praktische Problem, dass in der realen Welt oft keine $\dot{x}$ -Messungen verfügbar sind, und ermöglicht dennoch datengetriebene Unsicherheitsquantifizierung.
Flexibilität: Der Ansatz ist unabhängig von der spezifischen Adaptionsmethode (gilt für lineare Parametermodelle bis hin zu tiefen neuronalen Netzen).
Sicherheit: Es bietet theoretisch fundierte, asymptotische Wahrscheinlichkeitsgarantien für die Sicherheit über einen zukünftigen Horizont, was für den Einsatz in autonomen Systemen in dynamischen Umgebungen essenziell ist.
Zukunft: Die Autoren sehen Potenzial darin, die Annahmen bezüglich der Störungsableitung zu lockern und partielle Beobachtbarkeit (State Estimation) sowie aktive Unsicherheitsreduktion (Dual Control) zu integrieren.

Zusammenfassend bietet SI-OCP einen robusten, datengetriebenen Weg, um adaptive Systeme sicher zu betreiben, indem es die Lücke zwischen theoretischen Unsicherheitsgarantien und den praktischen Limitierungen von Sensordaten schließt.