⚡ electrical engineering

Conformal Constraint Tightening for Chance-Constrained Motion Planning with Unknown Dynamics

Este artículo propone un método agnóstico al planificador que aprovecha la predicción conforme para estrechar las restricciones de planificación basándose en las desviaciones entre la trayectoria nominal y la real, proporcionando así garantías probabilísticas de completitud de tareas para robots autónomos que operan bajo una dinámica desconocida.

Autores originales: Shubham Natraj, Bruno Sinopoli, Yiannis Kantaros

Publicado 2026-07-27

📖 9 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Shubham Natraj, Bruno Sinopoli, Yiannis Kantaros

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que le estás enseñando a un robot a navegar por un laberinto. Para hacerlo, le das un mapa y un conjunto de reglas. Pero aquí está el truco: el mapa que tienes es solo una suposición. Es un modelo "nominal", un boceto de lo mejor posible sobre cómo se mueve el robot. En el mundo real, el robot podría ser más pesado de lo que pensabas, o el suelo podría ser resbaladizo, o sus ruedas podrían patinar. Esta brecha entre tu mapa esquemático y la realidad desordenada se llama "desajuste del modelo" (model mismatch). Si confías demasiado en tu mapa, el robot podría chocar contra una pared que pensaba que estaba lejos, o perder de vista la meta por completo. Este es un gran problema en la robótica porque no siempre podemos conocer la física exacta de una nueva máquina o entorno antes de enviarla. Necesitamos una forma de planificar una ruta que sea segura incluso cuando nuestro mapa es imperfecto. Aquí es donde entra el concepto de "planificación con restricciones de probabilidad" (chance-constrained planning): en lugar de exigir un camino que sea siempre perfecto (lo cual suele ser imposible), aspiramos a un camino que funcione la mayor parte del tiempo, digamos, el 95% de las veces, dándonos una red de seguridad contra nuestra propia ignorancia.

El artículo que vas a leer aborda exactamente este problema: cómo hacer que el plan de un robot sea seguro cuando el comportamiento real del robot es desconocido, pero tenemos un modelo aproximado y tosco con el que trabajar. Los autores, Shubham Natraj, Bruno Sinopoli y Yiannis Kantaros, proponen un truco ingenioso utilizando una herramienta estadística llamada "Predicción Conforme" (Conformal Prediction). Piensa en la Predicción Conforme como un "inspector de seguridad" que observa una serie de ejecuciones de prueba pasadas para determinar qué tanto podría desviarse el robot real de la trayectoria prevista. No intentan arreglar el mapa; en su lugar, encogen el campo de juego. Hacen que las zonas seguras en el mapa sean más pequeñas, y el área de la meta también sea más pequeña, por una cantidad específica. Esta cantidad se calcula de modo que, si el robot se mantiene dentro de estas zonas reducidas en el mapa, se garantiza matemáticamente que se mantendrá seguro en el mundo real con una alta probabilidad.

Esta es la historia de cómo lo hicieron y qué fue lo que encontraron.

El Problema: El Mapa vs. El Territorio

Los robots necesitan moverse desde un punto de partida hacia una meta mientras evitan obstáculos. Por lo general, los ingenieros utilizan un modelo computacional para simular el movimiento del robot. Ejecutan un algoritmo de planificación (como un GPS inteligente) para encontrar una secuencia de movimientos que parece perfecta en la computadora. Pero cuando ejecutan esa misma secuencia en el robot real, las cosas salen mal. Tal vez el motor del robot es ligeramente más débil, o el viento lo empuja de forma distinta. La trayectoria "verdadera" que toma el robot se desvía del camino "nominal" que la computadora planeó. Si esta desviación es demasiado grande, el robot choca contra un obstáculo o no alcanza la meta.

Los autores argumentan que no siempre podemos conocer la física exacta del robot de antemano. Podemos tener un modelo aprendido (una suposición basada en datos) o un modelo de física simplificado, pero nunca será 100% preciso. El desafío es calcular una secuencia de control (una lista de movimientos) que funcione en el robot real, a pesar de que solo tenemos el modelo aproximado para planificar.

La Solución: El Truco de la "Burbuja de Seguridad"

La solución de los autores es un proceso de dos pasos que convierte un problema incierto y arriesgado en uno seguro y determinista.

Paso 1: La Calibración (La Prueba de Manejo)
Primero, necesitan saber qué tan malo puede ser el desajuste. Toman su modelo aproximado y lo ejecutan en un conjunto de problemas de prueba. Para cada problema, encuentran una ruta que funciona en la computadora. Luego, realmente ejecutan esa misma ruta en el robot real y observan qué sucede. Miden la distancia entre donde la computadora pensó que estaría el robot y donde realmente estaba. Hacen esto para 100 escenarios de prueba diferentes.

Utilizando un método estadístico llamado Predicción Conforme, observan estas 100 mediciones y preguntan: "¿Cuál es la distancia máxima que el robot real se desvió de la predicción de la computadora en el 95% (o 99%, etc.) de estos casos?". Esto les da un "radio de seguridad", llamémoslo $\hat{q}_\alpha$ . Este número representa una burbuja de "peor escenario". Saben que, con alta probabilidad, el robot real nunca estará más lejos de esta distancia de la trayectoria predicha por la computadora.

Paso 2: El Ajuste (Encogiendo la Habitación)
Aquí viene la magia. En lugar de planificar sobre el mapa original, crean un nuevo mapa "ajustado" (tightened).

Toman los obstáculos en el mapa y los hacen más grandes (los inflan) mediante el radio de seguridad $\hat{q}_\alpha$ .
Toman el espacio libre y el área de la meta y los hacen más pequeños (los erosionan) por la misma cantidad.

Imagina que estás caminando por un pasillo con una mochila grande y torpe. Si planeas tu ruta pegándote a las paredes, podrías golpearlas con tu mochila. Así que pretendes que las paredes están más afuera y que el pasillo es más estrecho. Caminas por el centro de este pasillo imaginario más estrecho. Si te mantienes en el medio del pasillo estrecho, tu mochila nunca golpeará las paredes reales.

Los autores demuestran que si un robot puede encontrar una ruta a través de esta versión reducida y "ajustada" del mapa usando el modelo aproximado, entonces esa misma ruta está garantizada para ser segura en el robot real con la probabilidad prescrita. El robot no necesita conocer la dinámica real; solo necesita resolver el problema más difícil y reducido en el mapa.

Los Experimentos: ¿Funciona?

Para probar esto, los autores ejecutaron dos escenarios diferentes.

Escenario 1: El Coche que se Ralentiza (Vehículo de Dubins)
Utilizaron un modelo de coche simple que gira pero no puede moverse lateralmente. El coche "verdadero" tenía un fallo oculto: era más lento de lo que el modelo predecía debido a la fricción (simulada por un parámetro $\beta_v$ ). Probaron niveles de desajuste de 0.05, 0.10, 0.15 y 0.20.

El Resultado: Cuando utilizaron su método de "ajuste", el robot alcanzó la meta con éxito y evitó choques a una tasa que coincidía o superaba su garantía de seguridad. Por ejemplo, si pedían una tasa de éxito del 90%, el robot tuvo éxito más del 90% de las veces.
El Intercambio (Trade-off): A medida que pedían una mayor seguridad (por ejemplo, 99% en lugar de 90%), la "burbuja de seguridad" se hacía más grande, el pasillo se volvía más estrecho y se hacía más difícil para el planificador encontrar cualquier ruta. La tasa de éxito de encontrar una ruta cayó, pero las rutas que sí encontró eran mucho más fiables.
Comparación: Lo compararon con un planificador estándar que ignoraba el desajuste. El planificador estándar encontraba rutas con más frecuencia, pero esas rutas fallaban en el robot real con mucha más frecuencia. El método de los autores fue mucho más exitoso al completar realmente la tarea de forma segura.

Escenario 2: El Dron Tambaleante (Cuadrotor Planar)
Probaron un dron más complejo de 6 dimensiones que tiene ruido aleatorio (ráfagas de viento) y utiliza un modelo de red neuronal aprendida (que suele ser imperfecto).

El Resultado: Incluso con el caos añadido del ruido aleatorio y un modelo aprendido, el método se mantuvo firme. La "cobertura empírica" (qué tan seguido el robot se mantuvo dentro de la burbuja de seguridad) fue consistentemente mayor que el objetivo.
Rendimiento: Con un nivel de seguridad objetivo del 90%, su método logró una tasa de finalización de tareas del 100% en el dron real, mientras que el planificador "nominal" estándar solo logró alrededor del 55%. Esto demuestra que, al ser un poco más cuidadosos en la fase de planificación, se obtiene un resultado mucho mejor en el mundo real.

Qué Encontraron y Qué Significa

El artículo demuestra que no necesitas conocer la física exacta de un robot para planificar una ruta segura. Solo necesitas un modelo tosco y algunos datos para medir qué tan equivocado podría estar ese modelo. Al usar la Predicción Conforme para crear una "burbuja de seguridad" y reducir el espacio de planificación en consecuencia, puedes convertir un problema incierto y arriesgado en uno seguro y resoluble.

Los autores demuestran que este enfoque es "independiente del planificador" (planner-agnostic), lo que significa que funciona con cualquier algoritmo de planificación (como el algoritmo RRT que utilizaron). No importa cómo el planificador encuentre la ruta; siempre que la ruta se mantenga dentro de las zonas reducidas, la garantía se cumple.

Sin embargo, hay un costo. Cuanta más seguridad se demande (cuanto mayor sea la probabilidad que se desee), más conservador será el plan. El "pasillo" se vuelve más estrecho y, a veces, el planificador no puede encontrar ninguna ruta. Los autores descubrieron que, si bien la tasa de éxito del planificador (encontrar cualquier ruta) cae a medida que aumentan las demandas de seguridad, la fiabilidad de las rutas que sí encuentra se dispara. En sus experimentos, el método superó consistentemente a la planificación estándar que ignoraba los errores del modelo, demostando que un poco de precaución matemática ayuda mucho a mantener seguros a los robots.

En resumen, el artículo proporciona una forma robusta y con base matemática de decir: "No sé exactamente cómo se mueve este robot, pero sé qué tan lejos de mi suposición podría estar, así que planificaré como si el mundo fuera un poco más peligroso de lo que parece". Y los experimentos muestran que esta estrategia funciona, convirtiendo una apuesta potencialmente peligrosa en una misión fiable.

Resumen Técnico: Estrechamiento de Restricciones Conformes para la Planificación de Movimiento con Restricciones de Probabilidad con Dinámicas Desconocidas

1. Formulación del Problema

El artículo aborda el desafío de la planificación de movimiento para robots autónomos donde las dinámicas reales del sistema son desconocidas, pero se dispone de un modelo nominal determinista aproximado. El objetivo es computar una secuencia de control que lleve al robot desde un estado inicial a una región objetivo evitando estados inseguros (obstáculos) con una probabilidad de éxito prescrita ( $1-\alpha$ ).

Crucialmente, el artículo define esto como un problema de planificación con restricciones de probabilidad sobre una distribución de problemas de planificación ( $D_M$ ). A diferencia de los enfoques tradicionales que asumen un modelo estocástico conocido o supuestos estructurales sobre la incertidumbre (por ejemplo, ruido Gaussiano), este trabajo asume que:

Las dinámicas reales $f$ son desconocidas.
Solo se tiene acceso a un modelo nominal $\hat{f}$ .
Los sistemas nominal y real comparten los mismos espacios de estado y control.
Los problemas de planificación (configuraciones de obstáculos, estados iniciales, metas) se extraen de forma i.i.d. de una distribución desconocida.

La dificultad central es que los efectos no modelados, la incertidumbre de los parámetros o los errores de aproximación en las dinámicas aprendidas pueden causar que trayectorias que son seguras bajo el modelo nominal fallen en el sistema real.

2. Metodología

El marco propuesto es independiente del planificador (planner-agnostic), lo que significa que puede integrarse con cualquier algoritmo de planificación de movimiento existente (por ejemplo, RRT, MPC, RL profundo). La metodología consta de tres etapas principales:

A. Predicción Conforme (CP) para la Cuantificación de la Incertidumbre

Los autores aprovechan la Predicción Conforme para cuantificar la discrepancia entre las trayectorias nominales y reales sin asumir una distribución específica para el error del modelo.

Conjunto de Datos de Calibración: Se construye un conjunto de datos ejecutando secuencias de control nominalmente factibles en el sistema real para recolectar las trayectorias reales correspondientes.
Puntuación de No Conformidad (NCS): Para cada problema de planificación en el conjunto de calibración, se computa una puntuación que representa la desviación euclidiana máxima en el peor de los casos entre la trayectoria nominal y la trayectoria real sobre el horizonte de planificación:
$R(M) := \sup_{u} \max_{t} \|x_t - \hat{x}_t\|_2$
Nota: En la práctica, esto se aproxima utilizando un subconjunto finito de secuencias de control factibles.
Cálculo del Umbral: Dado una probabilidad de fallo objetivo $\alpha$ , la CP computa un umbral $\hat{q}_\alpha$ como el cuantil empírico $(1-\alpha)$ de las puntuaciones de calibración. Este umbral proporciona un límite probabilístico sobre la desviación de lo nominal a lo real para problemas de planificación no vistos extraídos de la misma distribución.

B. Estrechamiento de Restricciones

Utilizando el umbral conforme $\hat{q}_\alpha$ , los autores definen un problema de planificación estrechado ( $M_\alpha$ ) bajo el modelo nominal:

Espacio Libre Estrechado ( $X^{\hat{q}_\alpha}_{free}$ ): El espacio libre original se reduce "erosionando" sus fronteras. Un estado $x$ se incluye solo si una bola de radio $\hat{q}_\alpha$ centrada en $x$ está contenida enteramente dentro del espacio libre original.
Región de Meta Estrechada ( $X^{\hat{q}_\alpha}_{goal}$ ): De manera similar, la región de meta se contrae de tal forma que una bola de radio $\hat{q}_\alpha$ centrada en cualquier punto de la nueva región de meta esté contenida dentro de la región de meta original.

Geométricamente, esto es equivalente a inflar los obstáculos y contraer la región de meta por el radio $\hat{q}_\alpha$ .

C. Garantía Teórica

El artículo demuestra que si una secuencia de control resuelve el problema estrechado $M_\alpha$ utilizando el modelo nominal, satisface el problema original de restricciones de probabilidad en el sistema real con una probabilidad de al menos $1-\alpha$ . Esto se debe a que el límite conforme asegura que la trayectoria real permanezca dentro de la bola de radio $\hat{q}_\alpha$ de la trayectoria nominal; si la trayectoria nominal permanece dentro del espacio libre erosionado, se garantiza que la trayectoria real permanecerá dentro del espacio libre original.

3. Contribuciones Clave

Cuantificación de la Incertidumbre basada en CP: Desarrollo de un marco que utiliza únicamente un modelo nominal y datos de calibración para proporcionar un límite probabilístico sobre el desajuste de la trayectoria a nivel de modelo sobre una distribución de problemas de planificación, sin requerir modelos de incertidumbre paramétricos.
Estrechamiento de Restricciones Independiente del Planificador: Un método para convertir el problema de restricciones de probabilidad en un problema de planificación determinista con restricciones estrechadas. El artículo demuestra que resolver este problema determinista es una condición suficiente para satisfacer el requisito probabilístico original.
Validación Empírica: Demostración de la efectividad del marco tanto en escenarios deterministas (desajuste de parámetros) como estocásticos (modelo aprendido + ruido de proceso), mostrando tasas de finalización de tareas mejoradas en comparación con la planificación de modelo nominal.

4. Resultados Experimentales

El marco fue evaluado en dos escenarios:

Vehículo Dubins: Un sistema determinista con parámetros de traslación incorrectos (simulando resistencia superficial).
Cuadricóptero Plano: Un sistema de mayor dimensión y subactuado con dinámicas estocásticas y un modelo de red neuronal aprendido.

Hallazgos Clave:

Cobertura Empírica: En todos los experimentos, la cobertura empírica (la fracción de trayectorias reales que satisfacen las restricciones de seguridad/meta) superó consistentemente el nivel objetivo prescrito ( $1-\alpha$ ), validando las garantías teóricas.
Compromiso (Trade-off): A medida que aumentaba la probabilidad prescrita ( $1-\alpha$ ), el umbral conforme $\hat{q}_\alpha$ aumentaba, lo que conducía a un estrechamiento de restricciones más conservador. Esto resultó en una disminución de la tasa de éxito del planificador (la capacidad de encontrar una solución dentro del espacio estrechado) pero en un aumento significativo de la tasa de finalización de la tarea (la capacidad de ejecutar exitosamente la tarea en el sistema real).
Rendimiento vs. Línea Base: El método propuesto superó consistentemente a un planificador RRT de línea base que utilizaba el modelo nominal sin estrechamiento de restricciones. Para el cuadricóptero, con una cobertura objetivo del 90%, el método propuesto logró una tasa de finalización de tarea del 100% en comparación con aproximadamente el 55% de la línea base nominal.

5. Significado y Reivindicaciones

El artículo afirma abordar una limitación crítica en la literatura existente de planificación de movimiento: la dependencia de modelos o simuladores precisos para las garantías de seguridad. Al desacoplar el algoritmo de planificación de la cuantificación de la incertidumbre, el marco propuesto permite que los planificadores existentes operen de forma segura en sistemas con dinámicas desconocidas.

Los autores enfatizan que su enfoque proporciona una garantía probabilística marginal sobre una distribución de problemas de planificación, en lugar de una garantía por tarea. Esto es particularmente relevante para aplicaciones robóticas donde los planificadores se invocan repetidamente en entornos y especificaciones de misión variables. El trabajo demuestra que es posible lograr una alta fiabilidad en la finalización de tareas para sistemas desconocidos mediante el intercambio de cierta tasa de éxito del planificador (conservadurismo) a través del estrechamiento de restricciones conforme.

El artículo reconoce limitaciones, señalando que el enfoque puede ser conservador, particularmente cuando el conjunto de perturbaciones es grande o el desajuste del modelo es significativo. Se sugiere como trabajo futuro centrarse en reducir este conservadurismo y desarrollar estrategias de riesgo adaptativo cuando no se encuentra una solución para el problema estrechado.