Distributional Stability of Tangent-Linearized Gaussian Inference on Smooth Manifolds

1. Énoncé du problème

En robotique, l'inférence probabiliste se produit souvent sur des variétés lisses (par exemple, des groupes de Lie comme $SO(3)$, $SE(3)$, ou des ensembles de contraintes de contact) où les espaces d'état sont intrinsèquement non linéaires. Les chaînes d'estimation standard utilisent généralement un flux de travail "linéariser–inférer–rétracter" :

1. Linéariser : Approximer localement la variété par son espace tangent en un point $\tilde{\mu}$.
2. Inférer : Effectuer une marginalisation ou une conditionnement gaussien sur l'espace tangent (sous-espace affine) en utilisant des identités sous forme fermée.
3. Rétracter : Mapper la distribution résultante vers la variété.

Le problème central : Bien que cette approche soit efficace sur le plan computationnel, il est incertain quand elle est fiable. La marginalisation et le conditionnement exacts sur des variétés courbes produisent généralement des distributions non gaussiennes. L'article traite de l'absence de bornes d'erreur explicites et non asymptotiques quantifiant l'écart entre la loi exacte induite par la variété et l'approximation linéarisée tangente. Plus précisément, il cherche à déterminer comment la courbure, l'échelle de la covariance et le décalage de la moyenne affectent la validité de la linéarisation sur une seule carte.

2. Méthodologie

Les auteurs formalisent la fiabilité comme un problème de stabilité distributionnelle, quantifiant l'écart entre la distribution exacte et l'approximation à l'aide de la distance de Wasserstein 2 ($W_2$). Le métrique $W_2$ est choisi car il métrise la convergence faible avec les moments d'ordre deux, contrôlant directement les erreurs de moyenne et de covariance.

L'étude analyse deux opérations canoniques :

• Marginalisation par projection : Projection d'un gaussien ambiant $X \sim \mathcal{N}(\mu, \Sigma)$ sur la variété $M$ via la projection métrique $g: \mathbb{R}^n \to M$.
• Conditionnement par mesure de surface : Restriction de la densité gaussienne ambiante à $M$ et renormalisation par rapport à la mesure de surface (forme volume) de $M$.

Cadre théorique :
Les auteurs dérivent des bornes d'erreur en décomposant l'erreur en deux composantes :

1. Distorsion géométrique locale : L'erreur résultant du désaccord d'ordre deux entre la courbure de la variété et l'espace tangent plat au sein d'un voisinage local.
2. Fuite de queue non locale : L'erreur causée par la masse de probabilité "fuyant" en dehors du voisinage local où la linéarisation est valide.

Les concepts géométriques clés utilisés incluent :

• Portée ($\rho$) : Le plus grand rayon tel que tout point à cette distance possède un point le plus proche unique sur la variété.
• Courbure ($\kappa$) : Bornée par la norme de l'opérateur de la seconde forme fondamentale.
• Rétraction/Cartes : Applications de l'espace tangent vers la variété avec des bornes d'erreur quadratiques.

3. Contributions clés

A. Bornes explicites non asymptotiques $W_2$

L'article dérive des bornes supérieures rigoureuses pour la distance $W_2$ entre les distributions exacte et approximative :

• Pour la marginalisation (Théorème III.1) : La borne sépare l'erreur locale (qui évolue avec la courbure $\kappa$ et l'erreur de rétraction $\kappa_R$) de la fuite de queue (contrôlée par la masse de probabilité en dehors du rayon de localisation).
  $$W_2 \leq C_{loc}(\kappa + \kappa_R)\sqrt{E[\|X-\tilde{\mu}\|^4]} + C_{tail}\epsilon^{1/4}$$
• Pour le conditionnement (Théorème IV.1) : La borne prend en compte les distorsions de la forme de la densité (facteurs jacobien et différences de log-densité) en plus du transport de masse. Elle introduit un "exposant de désaccord courbure/volume" $\eta_r$ qui quantifie comment la courbure de la contrainte et la précision a priori déforment l'approximation tangente.

B. Diagnostics sous forme fermée pour des entrées gaussiennes

Pour des entrées gaussiennes, les auteurs spécialisent les bornes pour fournir des diagnostics calculables basés sur la moyenne ($\mu$), la covariance ($\Sigma$) et la géométrie locale ($\rho, \kappa$) :

• Métrique de stabilité ($k_\rho$) : Un diagnostic clé est le rapport $k_\rho = \sqrt{\|\Sigma\|_{op}} / \rho$, représentant le rapport de la dispersion de l'incertitude à la portée de la variété.
• Métrique de décalage ($s_\delta$) : Le rapport du décalage de la moyenne par rapport au point de linéarisation à la portée, $\|\delta\|/\rho$.
• Prédiction de défaillance : Les bornes prédisent que la linéarisation devient peu fiable lorsque $k_\rho \gtrsim 1/6$ ou lorsque le décalage de la moyenne est important.

C. Identification des modes de défaillance

L'analyse révèle que l'incertitude dans la direction normale est le mode de défaillance dominant. L'incertitude alignée avec le vecteur normal de la variété sollicite le plus la courbure et la portée, entraînant une dégradation rapide de l'étalonnage par rapport à l'incertitude tangentielle.

4. Résultats expérimentaux

Les auteurs valident leurs prédictions théoriques en utilisant deux benchmarks :

A. Benchmark du cercle 2D

• Configuration : Un gaussien est projeté/conditionné sur un cercle de rayon $R$.
• Résultats :
  • Point de transition : La transition d'étalonnage (où l'approximation linéaire devient trop confiante) se produit systématiquement à $\sqrt{\|\Sigma\|_{op}}/R \approx 1/6$.
  • Anisotropie : La norme spectrale $\|\Sigma\|_{op}$ sert de diagnostic efficace même pour des covariances anisotropes.
  • Sensibilité au décalage : De grands décalages de moyenne ($\delta$) provoquent une fuite de queue et une dégradation de la couverture même si la courbure est faible.
  • Conditionnement vs Marginalisation : Le conditionnement est plus fragile que la marginalisation ; il s'effondre à une dispersion plus faible ($\approx 0,30$ contre $\approx 0,38$) en raison d'artefacts de forme de densité (distorsion jacobienne) que $W_2$ peut sous-estimer.

B. Poussée planaire (Tâche riche en contacts)

• Configuration : Un robot pousse une boîte avec des contraintes de contact rigides (contraintes de variété).
• Résultats :
  • Analyse de trajectoire : Le désaccord entre les covariances linéarisées et Monte Carlo corrèle fortement avec l'indicateur de localité $s_k/\hat{\rho}_k$.
  • Contrainte directionnelle : L'inflation de l'incertitude dans la direction normale provoque des erreurs d'étalonnage significativement plus importantes que l'inflation tangentielle, confirmant la prédiction théorique selon laquelle l'incertitude normale est le mode de défaillance critique.
  • Seuils pratiques : Pour des rayons de contact typiques ($R_c \approx 0,1$ m), le seuil $\sqrt{\|\Sigma\|_{op}} \lesssim 17$ mm est facilement violé par l'accumulation de bruit de processus.

5. Importance et implications pratiques

• Porte d'étalonnage en temps réel : Les diagnostics dérivés ($k_\rho$ et $s_\delta$) fournissent un déclencheur pratique et peu coûteux pour les solveurs robotiques (par exemple, GTSAM, iSAM2).
  • Si $k_\rho \lesssim 1/6$ et $s_\delta \ll 1$ : La linéarisation tangente sur une seule carte est fiable.
  • Si $k_\rho$ est grand : Passer à une rélinéarisation itérée.
  • Si $s_\delta$ est grand : Une rélinéarisation immédiate est requise (par exemple, après des fermetures de boucle).
  • Si les deux sont grands : Passer à une inférence multi-cartes ou basée sur des particules.
• Asymétrie dans le conditionnement : L'article souligne que le conditionnement est structurellement plus sensible que la marginalisation en raison des constantes de normalisation amplifiant les erreurs de forme de densité. Cela suggère que les opérations de conditionnement nécessitent des vérifications plus strictes (par exemple, vérifications de couverture ou de divergence KL) même lorsque les bornes $W_2$ semblent modérées.
• Fondement théorique : Ce travail comble le fossé entre l'estimation heuristique en robotique et la probabilité géométrique rigoureuse, fournissant les premières bornes non asymptotiques qui séparent la distorsion géométrique de la fuite de queue pour l'inférence gaussienne sur les variétés.

En résumé, l'article fournit un cadre mathématiquement rigoureux pour déterminer quand l'inférence gaussienne linéarisée tangente est sûre à utiliser en robotique et quand des méthodes non linéaires plus complexes sont nécessaires, évitant ainsi l'utilisation d'estimations d'incertitude trop confiantes et inexactes dans des tâches critiques de contrôle et de planification.