Equivalence and Divergence of Bayesian Log-Odds and Dempster's Combination Rule for 2D Occupancy Grids

Resumen Técnico: Equivalencia y Divergencia de la Log-Odds Bayesiana y la Regla de Combinación de Dempster en Mapas de Ocupación 2D

1. Planteamiento del Problema

El mapeo de ocupación en cuadrículas (occupancy grid mapping) es fundamental para la robótica móvil, permitiendo la planificación de trayectorias y la evitación de obstáculos. Existen dos marcos teóricos principales para fusionar observaciones de sensores en estas cuadrículas:

1. Enfoque Bayesiano: Utiliza la representación log-odds (Elfes, Thrun), que es computacionalmente eficiente y ampliamente adoptada en sistemas SLAM de código abierto (GMapping, Cartographer).
2. Enfoque de Funciones de Creencia (Dempster-Shafer): Utiliza asignaciones de masa básica (BBA) para representar la ignorancia explícita, prometiendo ventajas en la detección de objetos dinámicos y la gestión de la incertidumbre.

El problema central: Las comparaciones previas entre ambos enfoques han sido metodológicamente defectuosas. No controlaban la equivalencia del modelo de sensor a nivel de observación individual. Es decir, los parámetros del sensor (incrementos log-odds vs. asignaciones de masa) se elegían independientemente para cada marco. Esto generaba "confusores" (confounds) significativos: las diferencias de rendimiento observadas se debían a la parametrización del sensor y no a la regla de fusión en sí misma. De hecho, en experimentos previos, esta falta de equivalencia invirtió artificialmente los resultados, favoreciendo a las funciones de creencia cuando, bajo condiciones justas, el resultado era el opuesto.

2. Metodología Propuesta

Los autores introducen una metodología rigurosa para realizar una comparación justa, controlando el modelo de sensor a nivel de cada observación individual.

• Emparejamiento basado en la Transformada Pígnística (Pignistic Transform):

  • Se establece una biyección formal entre los valores log-odds bayesianos ($L$) y las asignaciones de masa consonantes de Dempster-Shafer ($m_O, m_F, m_{OF}$).
  • La condición de equivalencia exige que la probabilidad pígnística ($BetP(O)$) de la función de creencia sea idéntica a la probabilidad posterior bayesiana ($\sigma(L)$) para cada observación individual.
  • Esto asegura que cualquier diferencia en el rendimiento acumulado se atribuya exclusivamente a la regla de fusión (suma log-odds con saturación vs. combinación de Dempster con normalización de conflicto), y no a la "agresividad" inicial del sensor.

• Diseño Experimental:

  • Simulación: Pruebas en entornos 2D generados proceduralmente (agente único y multi-robot con 3 robots) bajo diversas condiciones de ruido y dinámica.
  • Datos Reales: Validación en dos conjuntos de datos estándar de LiDAR indoor: Intel Research Lab y Freiburg Building 079. Se utiliza una técnica de "splitting de escaneos" (scan-splitting) para simular múltiples robots con alineación ideal, eliminando incertidumbre de registro.
  • Métricas: Precisión de celda, nitidez de frontera (boundary sharpness), puntuación Brier y entropía del mapa. También se evalúa la planificación de caminos (A*).
  • Análisis Estadístico: Uso de pruebas de equivalencia TOST (Two One-Sided Tests), tamaños de efecto (Cohen's d) y consistencia direccional (15/15 en simulaciones).

3. Contribuciones Clave

1. Metodología de Comparación Justa: Desarrollo de un marco basado en la transformada pígnística para igualar modelos de sensores entre marcos bayesianos y de funciones de creencia, permitiendo aislar el efecto de la regla de fusión.
2. Análisis de Mecanismos: Demostración de que la ventaja bayesiana no proviene de la regularización (saturación/clamping), sino de la normalización de conflicto ($1/(1-K)$) de la regla de Dempster. Esta normalización hace que la convergencia hacia la certeza en celdas de frontera (con observaciones conflictivas) sea geométricamente más lenta que la suma log-odds.
3. Validación Empírica Exhaustiva: Comparación de cuatro reglas de fusión (Bayesiana, Bayesiana con conteo, Dempster, Yager) en simulación y datos reales, revelando una consistencia direccional abrumadora a favor de Bayes bajo emparejamiento BetP.

4. Resultados Principales

• Inversión de Resultados: En un experimento multi-robot inicial sin emparejamiento, las funciones de creencia mostraron un +12% de ventaja en nitidez de frontera. Tras aplicar el emparejamiento pígnístico, la ventaja se invirtió a -22% a -29% a favor de la fusión bayesiana.
• Rendimiento Superior de Bayes (Bajo BetP):
  • Simulación: La fusión bayesiana superó a la regla de Dempster en todas las métricas y condiciones (15/15 consistencia direccional). Las diferencias absolutas en precisión de celda fueron pequeñas (0.001–0.011), pero estadísticamente significativas y consistentes.
  • Datos Reales: En Intel Lab y Freiburg 079, Bayes superó a Dempster en precisión de celda y puntuación Brier en todas las configuraciones de división de escaneos.
  • Nitidez de Frontera: En simulación, Bayes fue significativamente mejor. En Intel Lab, las diferencias no fueron estadísticamente significativas (atribuidas a artefactos de saturación), mientras que en Freiburg 079 Bayes fue claramente superior.
• Análisis de Sensibilidad:
  • Emparejamiento con Plausibilidad Normalizada (PPl): Si se usa la transformada de plausibilidad en lugar de la pígnística, la dirección de la nitidez de frontera se invierte a favor de Dempster, pero la precisión de celda y la puntuación Brier siguen favoreciendo a Bayes. Esto confirma que el hallazgo es robusto a la elección de la transformación de probabilidad.
  • Ablación de $L_{max}$: Eliminar la saturación bayesiana ($L_{max} = \infty$) no elimina la ventaja de Bayes; de hecho, la ventaja persiste e incluso aumenta ligeramente, confirmando que el origen es la normalización de conflicto de Dempster, no la regularización.
  • Regla de Yager: La regla de Yager (que asigna conflicto a la ignorancia en lugar de normalizarlo) tuvo un rendimiento peor en nitidez de frontera, confirmando que ninguna estrategia de manejo de conflicto de funciones de creencia probada igualó al acumulador log-odds.
• Impacto en Planificación de Trayectorias: Una evaluación downstream con el algoritmo A* mostró resultados funcionalmente idénticos (99.8% de éxito compartido, 76% de equivalencia de rutas). Las diferencias en las probabilidades puntuales no se tradujeron en degradación práctica de la navegación.

5. Significado y Conclusiones

• Revisión de la Literatura: Los supuestos beneficios previos de las funciones de creencia (Dempster-Shafer) en mapeo de ocupación pueden atribuirse, al menos en parte, a una parametrización no coincidente de los modelos de sensor.
• Recomendación Práctica: Para mapas de ocupación 2D binarios con sensores tipo LiDAR y la regla de combinación de Dempster, no existe una justificación basada en la precisión para preferir Dempster sobre la log-odds bayesiana. La fusión bayesiana ofrece:
  • Igual o mejor precisión en puntos de probabilidad.
  • Menor costo computacional (una suma y una saturación vs. múltiples multiplicaciones y normalización).
  • Menor costo de comunicación en sistemas multi-robot (2 canales vs. 3 para las masas de creencia).
• Limitaciones y Alcance:
  • Las conclusiones se restringen a probabilidades puntuales. La representación de intervalos $[Bel(A), Pl(A)]$ única de las funciones de creencia (que ofrece límites conservadores para planificación segura) no fue evaluada aquí.
  • El estudio se limita a reglas de combinación específicas (Dempster y Yager); reglas diseñadas para alto conflicto (PCR6, Dubois-Prade) no fueron probadas y podrían comportarse diferente.
  • El enfoque es en entornos 2D; la extensión a 3D es trabajo futuro.

Conclusión Final: El artículo establece que, bajo una comparación controlada y justa, la fusión bayesiana es superior o equivalente a la regla de Dempster en términos de precisión de mapeo, y que las ventajas reportadas anteriormente en la literatura probablemente eran artefactos metodológicos. La metodología de emparejamiento pígnístico propuesta se ofrece como una herramienta reutilizable para futuras comparaciones entre marcos de fusión.