Resumen Técnico: Predicción Conforme Basada en Partículas para la Calibración de la Incertidumbre Consciente del Contacto en Espacios de Configuración Estratificados

Planteamiento del Problema

El despliegue de robots autónomos en entornos ricos en contacto (por ejemplo, navegación con obstáculos o tareas de ensamblaje) requiere razonar sobre cómo evoluciona la incertidumbre a través de diferentes regímenes de interacción. La incertidumbre del estado y de la acción puede cambiar drásticamente cuando un robot transiciona de un movimiento en espacio libre a un contacto con obstáculos. Estas transiciones suelen inducir distribuciones de incertidumbre multimodales, discontinuas y transdimensionales, donde la configuración futura puede residir en variedades de dimensión intrínseca menor (por ejemplo, deslizándose a lo largo de una pared) en comparación con el espacio de configuración completo (C-space).

Las representaciones de incertidumbre estándar, como las distribuciones Gaussianas, a menudo fallan al capturar estas dinámicas complejas post-contacto. Además, los modelos de movimiento analíticos o aprendidos son frecuentemente inexactos debido al desajuste del modelo, datos limitados o efectos físicos no modelados (por ejemplo, la estática o la fricción). Esta inexactitud puede conducir a ejecuciones inseguras o fallos en la tarea. Si bien la Predicción Conforme (CP) ofrece garantías probabilísticas libres de distribución, las aplicaciones robóticas existentes suelen proporcionar solo límites de incertidumbre globales que no se adaptan a regímenes de contacto específicos ni respetan las restricciones geométricas del C-space, lo que potencialmente genera regiones de predicción que incluyen configuraciones físicamente inviables.

El desafío central abordado es la construcción de regiones de predicción probabilísticamente válidas para futuras configuraciones del robot que:

1. Se adapten al estado, la acción y el modo de contacto (estrato) del robot.
2. Respeten la estructura estratificada del C-space (evitando regiones inviables).
3. Proporcionen garantías de cobertura de muestra finita a pesar del desajuste significativo del modelo y la incertidumbre aleatoria.

Metodología: CaPTURe

Los autores proponen Calibrated Particle-sets for Trans-dimensional Uncertainty Representation (CaPTURe), un algoritmo consciente de la geometría que combina la predicción de la dinámica basada en partículas con la Predicción Conforme de Mondrian.

1. Espacio de Configuración Estratificado

El método modela el C-space factible ($C_{feas}$) como un espacio estratificado, definido como una unión disjunta de subvariedades suaves (estratos) $S_m$ de diferentes dimensiones intrínsecas (por ejemplo, espacio libre 2D, contacto de borde 1D, contacto de esquina 0D). Una función indexadora conocida $T$ mapea cualquier configuración a su correspondiente índice de estrato.

2. Modelo Predictivo Basado en Partículas

CaPTURe utiliza un modelo de dinámica aproximado $\hat{f}$ (de fidelidad arbitraria) para generar un conjunto de $L$ partículas predictivas $\hat{Y}_i$ que representan la distribución condicional de la siguiente configuración dado el par estado-acción actual. Este enfoque basado en partículas captura naturalmente la multimodalidad y permite que la incertidumbre colapse sobre variedades de menor dimensión.

3. Calibración Conforme de Mondrian

Para lograr garantías adaptativas y conscientes del contacto, el método extiende la Predicción Conforme de Mondrian:

• Agrupación (Grouping): Los ejemplos se particionan en grupos basados en el par estado-acción actual y el índice del estrato futuro $T(Y)$. Esta función de agrupación $g(X, T(Y))$ se aprende utilizando un árbol de decisión de regresión (DTree) entrenado en un subconjunto de los datos de calibración para minimizar la varianza en las puntuaciones de no conformidad.
• Puntuación de No Conformidad: La puntuación $r$ se define como la distancia desde la verdadera siguiente configuración $Y_i$ hasta su vecino más cercano $k$ (kNN) entre las partículas predichas $\hat{Y}_i$. Esta puntuación sirve como un proxy para la densidad local de las partículas.
• Umbralización (Thresholding): Para cada grupo $j$ (nodo hoja del DTree), se calcula un umbral conforme $\hat{q}_j$ de forma independiente utilizando un subconjunto de retención de los datos de calibración. Esto asegura que la garantía de cobertura se cumpla condicionalmente dentro de cada estrato y régimen de estado-acción.

4. Construcción de la Región de Predicción

Durante la planificación en línea (por ejemplo, Control Predictivo de Modelo o MPC), para un par estado-acción dado, el algoritmo:

1. Consulta el DTree para identificar el grupo para cada candidato de estrato futuro.
2. Construye una región de predicción $\hat{C}^{(m)}$ dentro de cada estrato $S_m$ que contiene las configuraciones con puntuaciones de no conformidad por debajo del umbral específico del grupo $\hat{q}_j$.
3. Devuelve la unión de estas regiones por estrato como el conjunto de predicción final $\hat{C}$.

Esta construcción garantiza que la región de predicción contenga solo configuraciones factibles (al restringir la búsqueda a estratos válidos) y satisfaga las garantías de cobertura condicional por grupo.

Contribuciones Clave

1. Algoritmo: Un algoritmo para la construcción de regiones de predicción transdimensionales conscientes del contacto de un solo paso, que están garantizadas para contener la configuración futura desconocida con al menos una probabilidad especificada por el usuario, a pesar de la incertidumbre epistémica y aleatoria.
2. Garantías Teóricas: Una prueba y validación numérica de las garantías condicionales por grupo conscientes del estrato utilizando un modelo de dinámica aproximado de fidelidad arbitraria y un conjunto de calibración finito. El método asegura que las regiones de predicción no se extiendan hacia regiones inviables del C-space.
3. Validación Empírica: Experimentos de simulación en dos tareas distintas que demuestran la utilidad del enfoque para la planificación de movimiento rica en contactos bajo una incertidumbre significativa.

Resultados Experimentales

Los autores evaluaron CaPTURe frente a cuatro líneas base: un planificador de partículas no calibrado (ParticleNoCP), un método de CP local con supuestos gaussianos (LUCCa), la Predicción Conforme Probabilística estándar (PCP) y una ablación de CaPTURe sin el etiquetado de estratos.

Tarea 1: Control de Laberinto de Canicas

• Configuración: Control de una canica en un laberinto 2D con espacios muy estrechos y pozos.
• Hallazgos:
  • CaPTURe logró el requisito de cobertura del 90% especificado por el usuario en todos los estratos (Espacio Libre, Borde, Esquina).
  • Las líneas base como LUCCa y PCP tuvieron una cobertura significativamente inferior en el espacio libre (83.4% y 76.4% respectivamente) mientras que fueron excesivamente conservadoras en los estratos de menor dimensión.
  • CaPTURe logró una tasa de éxito de la tarea del 90% en la sección "Centro", superando significativamente a ParticleNoCP (53%) y PCP (3%).
  • El método produjo regiones de predicción más ajustadas y con mayor eficiencia de volumen en comparación con las líneas base basadas en Gaussianas.

Tarea 2: Inserción de Perno en Agujero de Tolerancia Estrecha

• Configuración: Un manipulador de 7 DoF insertando un perno en un agujero de baja tolerancia bajo perturbaciones estocásticas y desajuste del modelo (ruido multiplicativo).
• Hallazgos:
  • CaPTURe logró una cobertura empírica del 90.4% a través de las interacciones agregadas, con cobertura suficiente en los regímenes de Espacio Libre, Contacto de Punto y Contacto de Borde.
  • Las líneas base (LUCCa, PCP) tuvieron una cobertura insuficiente en el Espacio Libre (aprox. 83-84%).
  • En la planificación, CaPTURe logró una tasa de éxito del 78%, comparado con el 48% de PCP y LUCCa, y el 14% de la línea base no calibrada.
  • El método redujo el número promedio de pasos para completar la tarea (28.7 pasos frente a 39.9 de la línea base).

Significación y Reivindicaciones

El artículo afirma que CaPTURe proporciona un marco práctico para la planificación de movimientos seguros y eficientes en entornos ricos en contactos donde la incertidumbre no es gaussiana y es transdimensional. Al modelar explícitamente la naturaleza estratificada del espacio de configuración y utilizar la predicción conforme basada en partículas, el método genera regiones de predicción factibles que se adaptan a los regímenes de contacto locales.

Los autores enfatizan que, aunque las garantías teóricas son estrictamente de un solo paso, la aplicación recursiva de estas regiones calibradas dentro de un marco de Control Predictivo de Modelo (MPC) produce mejoras significativas en las tasas de éxito de la tarea y la eficiencia en bucle cerrado. El trabajo demuestra que tener en cuenta la estructura geométrica de las interacciones de contacto (estratos) es crítico para una cuantificación de la incertidumbre precisa, evitando la sobre-conservación o la cobertura insuficiente e insegura observada en los enfoques globales o paramétricos existentes.

El artículo concluye que tratar la incertidumbre del movimiento del robot como dependiente del estado, la acción y el estrato de configuración permite la creación de representaciones de incertidumbre transdimensionales informativas, esenciales para sistemas autónomos fiables que operan en entornos complejos y del mundo real.