$\mathcal{L}_1$-Certified Distributionally Robust Planning for Safety-Constrained Adaptive Control

Resumen Técnico: Planificación Robusta Distribucionalmente Certificada con L1 para Control Adaptativo con Restricciones de Seguridad

1. El Problema

El control seguro de sistemas autónomos bajo incertidumbre enfrenta un desafío fundamental: la necesidad de garantizar la seguridad frente a dos tipos de incertidumbre simultáneas:

• Incertidumbre del modelo (Epistémica): Desviaciones entre la dinámica nominal del sistema y la realidad (ej. parámetros no modelados, fricción desconocida).
• Incertidumbre del entorno (Aleatoria): Perturbaciones externas y estados de obstáculos que cambian estocásticamente.

Los enfoques existentes presentan una compensación (trade-off):

• Los métodos de control robusto clásico garantizan estabilidad pero son excesivamente conservadores al basarse en análisis de "peor caso".
• Los métodos estocásticos o basados en datos son menos conservadores pero carecen de garantías de seguridad rigurosas ante cambios de distribución o dinámicas no modeladas.

El vacío específico: La Control Predictivo Basado en Modelos Robusto Distribucionalmente (DR-MPC) permite manejar la incertidumbre del entorno mediante conjuntos de ambigüedad, pero requiere conocer o estimar la distribución de estados del sistema. En sistemas de tiempo real, solo se recibe una muestra (el estado actual) de una distribución que cambia con el tiempo, lo que hace imposible recolectar múltiples muestras independientes para certificar que el sistema real permanece dentro del conjunto de ambigüedad utilizado para la planificación.

2. Metodología Propuesta

Los autores proponen un marco jerárquico que integra dos capas de control para cerrar el ciclo entre la planificación y la adaptación mediante "certificados distribucionales":

A. Arquitectura Jerárquica:

1. Planificador DR-MPC (Nivel Superior):

   • Genera trayectorias nominales óptimas considerando la incertidumbre del entorno.
   • Utiliza Conjuntos de Ambigüedad de Wasserstein para definir una "tubería" de seguridad alrededor de la distribución nominal conjunta (sistema + entorno).
   • Enforza Restricciones de Probabilidad Robustas Distribucionalmente (DR-CC), asegurando que la probabilidad de violar una restricción de seguridad (ej. colisión) sea menor a un umbral $\beta$ para cualquier distribución dentro del conjunto de ambigüedad.
   • Reformula las restricciones probabilísticas utilizando la dualidad de Wasserstein y el Valor Condicional en Riesgo (CVaR), transformando el problema en uno tratable y basado en muestras.

2. Controlador L1-Adaptativo (Nivel Inferior):

   • Rastrea la trayectoria nominal generada por el planificador.
   • Compensa en tiempo real las incertidumbres del modelo (desviaciones de la dinámica nominal) mediante una ley de control adaptativo.
   • Certificado Clave: Proporciona una cota teórica (certificado) sobre la distancia de Wasserstein entre la distribución de estados real y la distribución nominal. Esto permite definir el radio de ambigüedad del sistema sin necesidad de muestras adicionales, basándose únicamente en la teoría de control L1.

B. Mecanismo de Certificación de Seguridad:

• Sistema: El controlador L1 garantiza que la distribución real del estado $X_t$ permanece dentro de una bola de Wasserstein de radio $\rho_x$ alrededor de la distribución nominal $\bar{X}_t$.
• Entorno: La incertidumbre del entorno se estima mediante límites de concentración finitos (basados en $N$ muestras) para obtener un radio $\rho_z$.
• Unión: El radio total de ambigüedad para la planificación es $\rho_y = \rho_x + \rho_z$. Si el planificador es factible con este radio, se garantiza que el sistema real cumple con las restricciones de seguridad con alta probabilidad.

3. Contribuciones Clave

1. Marco Jerárquico Integrado: Una arquitectura que acopla la planificación y la adaptación mediante un conjunto de ambigüedad de Wasserstein conjunto. El radio de ambigüedad del sistema se certifica en línea usando L1-AC sin muestras, mientras que el del entorno se obtiene mediante límites de concentración de muestras finitas.
2. Mecanismo de Certificación Distribucional en Lazo Cerrado: Permite garantizar la seguridad paso a paso (stagewise safety) para el sistema real bajo incertidumbre simultánea de modelo y entorno, algo que los métodos anteriores no lograban conjuntamente.
3. Reformulación Tractable y Agnóstica a la Geometría: Una reformulación de las restricciones DR-CC utilizando CVaR y dualidad de Wasserstein basada en la distancia al conjunto de colisión. Esto permite una implementación basada en muestras que no depende de la geometría específica de los obstáculos (funciona para formas circulares, polígonos, etc.).

4. Resultados Experimentales

Los autores validaron el marco mediante simulaciones de seguimiento de trayectorias con evitación de obstáculos dinámicos, comparando tres métodos:

• DR-MPC (Nominal): Planifica con el modelo nominal, ignorando la incertidumbre del modelo real.
• DR-MPC (Dinámica Real): Aplica el controlador directamente al sistema incierto sin adaptación.
• DR-MPC + L1 (Propuesto): La arquitectura híbrida.

Hallazgos principales:

• DR-MPC (Nominal): Mantiene baja tasa de fallos pero sufre degradación en el costo de seguimiento debido a la falta de compensación de errores de modelo.
• DR-MPC (Dinámica Real): Presenta un rendimiento catastrófico. En escenarios complejos (ej. trayectoria circular), la tasa de fallos (colisiones o inestabilidad) alcanzó el 86%, demostrando que la planificación robusta al entorno no es suficiente si el modelo del sistema es incorrecto.
• DR-MPC + L1 (Propuesto):
  • Eliminó los fallos en todos los escenarios probados (tasa de fallo $\approx$ 0-1%).
  • Mantuvo un costo de seguimiento cercano a la línea base nominal.
  • Las trayectorias reales se mantuvieron muy cerca de la trayectoria nominal, validando teóricamente que el controlador L1 mantiene la distribución de estados dentro de la "tubería" de seguridad esperada por el planificador.

5. Significado e Impacto

Este trabajo es significativo porque resuelve una brecha crítica en el control de sistemas autónomos seguros:

• Cierre de la Brecha Teórica-Práctica: Proporciona garantías de seguridad rigurosas (certificables) para sistemas que operan bajo incertidumbre tanto de modelo como de entorno, un escenario común en el mundo real que los métodos anteriores no podían manejar simultáneamente con garantías.
• Eliminación de la Conservación Excesiva: Al utilizar un enfoque de "caso promedio" (distribucional) en lugar de "peor caso" puro, pero con certificaciones de seguridad, permite un rendimiento más eficiente que el control robusto clásico.
• Viabilidad Computacional: La reformulación basada en CVaR y muestras hace que el problema sea computacionalmente tratable para aplicaciones en tiempo real, evitando la necesidad de resolver problemas de optimización infinita-dimensional.
• Aplicabilidad General: El marco es agnóstico a la geometría del entorno y aplicable a una amplia gama de sistemas dinámicos estocásticos, ofreciendo una ruta prometedora para la implementación segura de robots y vehículos autónomos en entornos no estructurados.

En conclusión, el artículo demuestra que la combinación de planificación robusta distribucionalmente (para el entorno) y control adaptativo L1 (para el modelo) es una estrategia efectiva y matemáticamente fundamentada para lograr operaciones seguras y eficientes en sistemas autónomos complejos.