Resumen Técnico: Filtrado Variacional Híbrido Seguro para el Soporte en la Recuperación de Modos de Contacto y Leyes Escasas

Enunciado del Problema

La dinámica de robots rica en contactos es inherentemente híbrida, caracterizada por transiciones entre regímenes distintos como movimiento libre, impacto, adherencia y deslizamiento. Un modo de fallo crítico en el filtrado variacional amortizado estándar es la discrepancia de soporte: una distribución propuesta aprendida puede asignar probabilidad cero o despreciable a una transición de contacto factible que el robot sigue realmente. Si esta rama se elimina temprano en el proceso de filtrado, las observaciones posteriores no pueden recuperarla, lo que conduce a un colapso catastrófico del filtrado. Este problema es particularmente agudo bajo observación parcial (por ejemplo, oclusión severa), donde múltiples futuros consistentes con el contacto permanecen factibles.

Los enfoques existentes enfrentan una compensación: los modelos latentes variacionales escalables a menudo carecen de estructura híbrida explícita e interpretabilidad física, mientras que los modelos con estructura física o los métodos basados en partículas suelen ser computacionalmente costosos de amortizar o difíciles de desplegar como modelos de percepción aprendidos de extremo a extremo. Además, las propuestas estándar pueden no cubrir el soporte objetivo, lo que resulta en pesos de importancia inestables y aprendizaje degradado.

Metodología: VHyDRO

Los autores proponen VHyDRO (Dinámica Híbrida Variacional con Soporte de Propuesta Robusto), un modelo de espacio de estados variacional híbrido seguro para el soporte diseñado para dinámicas de contacto parcialmente observadas.

Arquitectura del Modelo

VHyDRO representa el estado del sistema $x_t = (s_t, z_t)$, donde:

• $z_t$ es un estado de creencia latente continuo.
• $s_t$ es un régimen de contacto predictivo discreto (modo).

La dinámica de transición para cada modo se parametriza mediante un núcleo de Hamiltoniano con puerto aumentado con correcciones de biblioteca dispersa. Esta estructura asegura que las dinámicas aprendidas tengan estructura física, sean interpretables y capaces de recuperar las ecuaciones gobernantes.

Inferencia Segura para el Soporte

La innovación central reside en el procedimiento de inferencia, que previene la eliminación de ramas factibles para el modelo.

1. Propuesta de Mezcla Defensiva: En lugar de muestrear únicamente desde una propuesta amortizada $Q_t$, VHyDRO muestrea desde una distribución de mezcla:
   $$Q_{t,\lambda} = (1 - \lambda)Q_t + \lambda P_t$$
   Aquí, $P_t$ es la ley de transición de un paso del modelo (el "portador de transición factible") que define el conjunto de modos y transiciones factibles para el modelo. La propuesta aprendida $Q_t$ es adaptativa a la observación y precisa, mientras que $P_t$ asegura la cobertura del soporte factible.
2. Presupuestación Pre-muestreo: El peso de mezcla $\lambda_t$ se elige antes de muestrear partículas, basándose en un certificado $\bar{\rho}_t$ derivado del presupuesto de varianza deseado. Esto asegura que la relación entre la densidad objetivo y la densidad propuesta esté acotada ($dP_t/dQ_{t,\lambda} \le 1/\lambda$).
3. Ponderación Consistente: La misma mezcla realizada $Q_{t,\lambda}$ se utiliza tanto para el muestreo como para calcular los pesos de importancia, manteniendo la validez de la estimación de Importancia Secuencial Ponderada (IW) / Objetivo Variacional de Filtrado (FIVO).

Garantías Teóricas

El artículo establece tres vínculos teóricos que conectan el mecanismo de filtrado con las capacidades aguas abajo:

1. Filtrado Seguro para el Soporte (Teorema 1): La mezcla defensiva asegura que la propuesta $Q_{t,\lambda}$ domine el soporte objetivo $P_t$. Esto acota la varianza relativa de la estimación del normalizador y garantiza una cota inferior en el Tamaño de Muestra Efectivo (ESS), previniendo el colapso del filtro bajo alta oclusión.
2. Concentración de Modos (Teorema 2): Bajo condiciones de separación predictiva (brecha suficiente de verosimilitud logarítmica entre modos), el filtro estabilizado concentra la posterior discreta en regímenes de contacto coherentes. Esto permite que el modelo identifique segmentos temporalmente consistentes de comportamiento de contacto.
3. Recuperación de Leyes Dispersas (Teorema 3): Una vez identificados los segmentos puros en modo, el artículo aplica cotas de oráculo Lasso para mostrar que la regresión de Hamiltoniano con puerto dispersa puede recuperar los términos físicos activos. El error se descompone en componentes de filtrado, derivada, impureza de modo y perturbación de inserción.

Contribuciones Clave

1. Puerta IW/FIVO Segura para el Soporte: Un mecanismo desplegable para el filtrado híbrido amortizado que mezcla la propuesta aprendida con un portador factible antes del muestreo. A diferencia de las desigualdades de mezcla defensiva estáticas, este enfoque opera secuencialmente, eligiendo $\lambda_t$ basándose en un certificado pre-muestreo y utilizando la misma mezcla para la ponderación.
2. Modos de Contacto Predictivos: El método infiere conjuntamente estados latentes continuos y modos de contacto discretos, generando segmentos temporalmente coherentes que se alinean con regímenes de proxy cinemáticos, superando a las líneas base de segmentación post-hoc.
3. Auditoría Controlada de Leyes Dispersas: El marco permite la recuperación de leyes físicas dispersas interpretables (coeficientes de Hamiltoniano con puerto) a partir de segmentos condicionados por el modo, separando la predicción precisa de la recuperación del mecanismo.

Resultados Experimentales

Los autores validan los tres vínculos de mecanismo a través de tres experimentos:

Experimento 1: Auditoría de Discrepancia de Soporte bajo Alta Oclusión

• Configuración: Evaluado en tareas estilo Contacto (PickCube, PokeCube, etc.) y familias Sawyer/BridgeData bajo niveles variables de oclusión (hasta un 90%).
• Hallazgos: Bajo oclusión severa, las líneas base no defensivas ($\lambda=0$) y los modelos latentes suaves sufren de "colapso predictivo", caracterizado por una caída brusca en ESS/N y un aumento masivo en la Verosimilitud Negativa Logarítmica (NLL).
• Rendimiento: Las variantes seguras para el soporte de VHyDRO mantienen un ESS/N utilizable (por ejemplo, mejorando de 0.042 a 0.141 al 90% de oclusión) y previenen el colapso de NLL (reduciendo NLL de ~11.3 a ~0.16). La variante conservadora (mayor $\lambda$ fijo) ofrece la mayor robustez, mientras que la variante adaptativa equilibra precisión y estabilidad.

Experimento 2: Segmentación de Regímenes de Contacto

• Configuración: Aplicado a demostraciones de ManiSkill y Sawyer/BridgeData. La evaluación utiliza etiquetas de proxy cinemático desruidas (libre, impacto, adherencia/deslizamiento) derivadas de campos de estado/acción, no de fuerzas de contacto del simulador.
• Hallazgos: VHyDRO produce segmentos de modo temporalmente coherentes que se alinean mejor con las etiquetas de proxy que las líneas base.
• Métricas: VHyDRO logra un rendimiento superior en el Índice Rand Ajustado (ARI), F1 de punto de cambio y F1 de modo en comparación con HMM y variantes de ablación (sin soporte, sin modo). La línea base "sin modo" falla completamente, confirmando la necesidad de una estructura discreta.

Experimento 3: Recuperación de Leyes Físicas Dispersas

• Configuración: Probado en cuatro sistemas híbridos controlados con ecuaciones conocidas de Hamiltoniano con puerto dispersas.
• Hallazgos: Dado segmentos puros en modo, VHyDRO recupera con éxito los términos físicos activos y los coeficientes.
• Métricas: VHyDRO logra un alto F1 de Soporte (0.978) y un bajo error relativo de coeficiente (0.006). En contraste, la ablación "sin modo" confunde regímenes, lo que lleva a altos errores, y la ablación "sin dispersidad" falla en identificar el soporte activo a pesar de una predicción razonable del campo vectorial.

Significado y Afirmaciones

El artículo afirma que VHyDRO proporciona un mecanismo necesario para estabilizar el filtrado variacional en entornos ricos en contactos donde la discrepancia de soporte es un modo de fallo primario.

• Aislamiento de Mecanismo: Los autores enfatizan que sus resultados son "auditorías de aislamiento de mecanismo". Demuestran que añadir un portador de soporte defensivo estabiliza el filtrado, lo que a su vez habilita la segmentación de modos coherente y la recuperación de leyes dispersas.
• Garantías Relativas al Modelo: Las garantías son explícitamente relativas al modelo. VHyDRO solo puede recuperar ramas que son factibles según el modelo portador $P_t$; no puede recuperar ramas físicas omitidas por el modelo en sí mismo.
• Utilidad Aguas Abajo: El filtro estabilizado produce estados discretos lo suficientemente coherentes como para soportar tareas aguas abajo como el descubrimiento de leyes físicas dispersas, una capacidad que carecen las líneas base puramente predictivas.
• Limitaciones: Los autores notan modestamente que no afirman dominio en el éxito de tareas de bucle cerrado, transferencia a robots reales o recuperación de la verdad fundamental de fuerzas de contacto del simulador. Los experimentos se centran en los mecanismos intermedios de estabilidad de filtrado, coherencia de segmentación y recuperación de ecuaciones. Las garantías teóricas para el control de bucle cerrado (Teorema 4) se presentan como declaraciones condicionales aguas abajo que requieren una ley de despliegue calibrada por KL, la cual no está certificada numéricamente en los experimentos actuales.

En resumen, VHyDRO cierra la brecha entre la percepción variacional escalable y la dinámica híbrida interpretable asegurando que el proceso de filtrado no descarte prematuramente ramas de contacto factibles, permitiendo así una inferencia robusta y la recuperación de leyes físicas en escenarios parcialmente observados y ricos en contactos.