⚡ electrical engineering

Staggered Integral Online Conformal Prediction for Safe Dynamics Adaptation with Multi-Step Coverage Guarantees

यह शोध पत्र स्टैगर्ड इंटीग्रल ऑनलाइन कॉन्फॉर्मल प्रेडिक्शन (SI-OCP) का प्रस्ताव करता है, जो एक नवीन एल्गोरिदम है जो अवस्था व्युत्पन्न मापों के बिना अनुकूली प्रणालियों में मॉडल अनिश्चितता को परिमाणित करने के लिए दीर्घकालिक कवरेज गारंटी प्रदान करने हेतु एक इंटीग्रल स्कोर फंक्शन का उपयोग करता है, जिससे ट्यूब MPC जैसे मजबूत सुरक्षा-महत्वपूर्ण नियंत्रकों के साथ संश्लेषित होने पर सुरक्षित डायनेमिक्स अनुकूलन सक्षम होता है।

मूल लेखक: Daniel M. Cherenson, Dimitra Panagou

प्रकाशित 2026-04-08

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Daniel M. Cherenson, Dimitra Panagou

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक ऐसे शहर में एक सेल्फ-ड्राइविंग कार चला रहे हैं जहाँ मौसम हर सेकंड बदल रहा है, और सड़क की सतह फिसलन भरी और अप्रत्याशित है। आपकी कार के पास एक "दिमाग" (एक कंप्यूटर मॉडल) है जो यह अनुमान लगाने की कोशिश करता है कि आगे क्या होगा।

समस्या: सुरक्षा का "ब्लाइंड स्पॉट" (Blind Spot of Safety)
आमतौर पर, सुरक्षित रूप से गाड़ी चलाने के लिए, कार को यह जानने की आवश्यकता होती है कि वह कितनी फिसल सकती है या भटक सकती है।

पुराना तरीका: इंजीनियर कहते थे, "मान लेते हैं कि सबसे खराब संभव फिसलन हो रही है!" यह कार को बहुत धीरे और सावधानी से चलाने पर मजबूर करता है, जैसे एक कछुआ, क्योंकि वह दुर्घटना होने से डरता है।
नया तरीका (अनुकूली सीखना - Adaptive Learning): कार चलते समय सीखने की कोशिश करती है। यदि वह फिसलने लगती है, तो वह अपने दिमाग को अपडेट करती है और कहती है, "ओह, यहाँ फिसलन है, मैं खुद को एडजस्ट करूँगी।"
चुनौती: यह जानने के लिए कि वह वास्तव में कितनी फिसली, कार को अपनी गति में होने वाले तात्कालिक बदलाव (जैसे कि एक डेरिवेटिव/derivative) को मापना होगा। लेकिन वास्तविक दुनिया में, सेंसर अक्सर बहुत धीमे या शोर वाले होते हैं जो ऐसा तात्कालिक माप नहीं दे पाते। इस तात्कालिक डेटा के बिना, कार सुनिश्चित नहीं हो सकती कि उसका नया "दिमाग" वास्तव में काम कर रहा है या वह केवल गलत अनुमान लगा रहा है। यदि वह गलत अनुमान लगाती है, तो दुर्घटना हो सकती है।

समाधान: SI-OCP (द "डिलेड रिपोर्ट कार्ड" सिस्टम)
लेखकों ने, डैनियल और दिमित्रा ने, एक चतुर प्रणाली बनाई जिसे Staggered Integral Online Conformal Prediction (SI-OCP) कहा जाता है।

यह इस प्रकार काम करता है, एक सरल उपमा का उपयोग करते हुए:

1. "इंटीग्रल स्कोर" (यात्रा की रसीद, वस्तु नहीं)

चूंकि कार यह नहीं देख सकती कि तुरंत कितनी फिसलन हुई, वह यात्रा की रसीद देखती है।

यह पूछने के बजाय कि, "मैं अभी कितनी फिसली?" (जिसे मापना असंभव है), सिस्टम पूछता है, "पिछले 5 सेकंड में मेरा कुल रास्ता उस जगह से कितना अलग था जहाँ मुझे सोचा था कि मैं जाऊँगी?"
यह दिन के अंत में अपना बैंक बैलेंस चेक करने जैसा है। आपको यह नहीं पता होगा कि आपने दोपहर के 2:03 बजे कॉफी पर ठीक कितने पैसे खर्च किए, लेकिन आप जानते हैं कि आपका कुल बैलेंस $5 कम है। वह कुल अंतर आपको अपनी खर्च करने की आदतों के बारे में कुछ महत्वपूर्ण बताता है।
पेपर में, वे इसे Integral Score कहते हैं। यह एक छोटे से समय अंतराल (window) के दौरान होने वाली सभी छोटी त्रुटियों को जोड़कर वातावरण की कुल "अव्यवस्था" की स्पष्ट तस्वीर देता है।

2. "स्टैगर्ड" दृष्टिकोण (एक रिले रेस की तरह)

यहाँ पेचीदा हिस्सा है: आप उस "कुल अव्यवस्था" की गणना तभी कर सकते हैं जब 5 सेकंड पूरे हो जाते हैं। लेकिन कार को अगले 5 सेकंड चलाने से पहले सुरक्षा मार्जिन जानने की आवश्यकता होती है।

उपमा: कल्पना कीजिए कि एक रिले रेस है जहाँ धावक बैटन (baton) पास कर रहे हैं।
- धावक A पहले 5 सेकंड दौड़ता है।
- धावक B अगले 5 सेकंड के लिए तुरंत दौड़ना शुरू करता है।
- जब तक धावक B अपना भाग पूरा कर लेता है, धावक A अपना काम खत्म कर चुका होता है और अंततः कह सकता है, "हे, मैं 2 मीटर से भटक गया था!"
- धावक B उस जानकारी को लेता है और कहता है, "ठीक है, अगले धावक के लिए, मैं 2 मीटर की त्रुटि मानूँगा।"
सिस्टम इसे मल्टीपल थ्रेड्स (कई धावकों की तरह) के साथ एक स्टैगर्ड पैटर्न में करता है। जबकि एक थ्रेड कार चला रहा होता है, दूसरा थ्रेड पिछले ड्राइव के डेटा का विश्लेषण करके भविष्य के लिए सुरक्षा नियम अपडेट करता है।

3. "कॉन्फॉर्मल प्रेडिक्शन" (सुरक्षा का बुलबुला)

एक बार जब सिस्टम यह गणना कर लेता है कि पिछले कुछ सेकंड कितने "अव्यवस्थित" थे, तो यह Conformal Prediction नामक एक सांख्यिकीय ट्रिक का उपयोग करता है।

इसे कार के रास्ते के चारों ओर एक सुरक्षा बुलबुले (या ट्यूब) को खींचने के रूप में सोचें।
यदि पिछला सफर बहुत ऊबड़-खाबड़ था, तो बुलबुला बड़ा हो जाता है। कार धीरे चलती है और बाधाओं से दूर रहती है ताकि सुरक्षित रहे।
यदि पिछला सफर सुचारू था, तो बुलबुला छोटा हो जाता है। कार तेजी से चल सकती है और बाधाओं के बीच के संकरे रास्तों से निकल सकती है क्योंकि वह जानती है कि वह ज्यादा फिसलेगी नहीं।
इसकी खासियत यह है कि यह गणितीय रूप से गारंटी देता है कि यह 90% (या 99%) समय पर्याप्त बड़ा होगा, भले ही मौसम अप्रत्याशित रूप से बदले। इसे यह जानने की जरूरत नहीं है कि हवा क्यों चल रही है; यह बस इतना जानता है कि कार वास्तव में कितनी हिली।

वास्तविक दुनिया का परीक्षण: हवा में ड्रोन

लेखकों ने इसका परीक्षण एक क्वाडकोप्टर ड्रोन पर किया जो पेड़ों (बाधाओं) और तेज, बदलती हवाओं के बीच जंगल में उड़ रहा था।

ड्रोन का दिमाग: इसने हवा के पैटर्न को सीखने के लिए एक जटिल AI (Deep Neural Network) का उपयोग किया।
परिणाम:
- इस सिस्टम के बिना: ड्रोन दो पेड़ों के बीच के संकरे गैप से गुजरने में बहुत डरा हुआ था क्योंकि उसने मान लिया था कि हवा बहुत खराब होगी।
- SI-OCP के साथ: ड्रोन ने महसूस किया, "हे, पिछले कुछ सेकंड में हवा वास्तव में काफी शांत थी।" इसने अपने सुरक्षा बुलबुले को इतना सिकोड़ लिया कि वह सुरक्षित रूप से संकरे गैप से निकल सका, जबकि उसके पास एक गणितीय गारंटी भी थी कि वह टकराएगा नहीं।
- यदि AI खराब भी हो: उन्होंने एक परिदृश्य का परीक्षण किया जहाँ AI स्थिर (frozen) था (सीख नहीं रहा था)। सिस्टम ने देखा कि AI विफल हो रहा है, उसने सुरक्षा बुलबुले को बहुत बड़ा कर दिया, और ड्रोन ने दुर्घटनाग्रस्त होने के बजाय सुरक्षित रहने के लिए गैप से उड़ने से मना कर दिया।

सारांश

यह पेपर रोबोटों को साहसी लेकिन समझदार बनने का एक तरीका देता है।

यह उन्हें नए, डरावने वातावरण (जैसे तूफान में ड्रोन) में सीखने और अनुकूल होने की अनुमति देता है।
इसे हर छोटी हरकत को मापने के लिए सटीक सेंसर की आवश्यकता नहीं है।
यह एक "विलंबित रिपोर्ट कार्ड" (delayed report card) सिस्टम का उपयोग करता है जो लगातार एक डायनामिक सुरक्षा बुलबुले को अपडेट करता है।
यह सुनिश्चित करता है कि रोबोट 99% समय सुरक्षित रहे, भले ही दुनिया अराजक हो और रोबोट का अपना दिमाग अभी सीख ही रहा हो।

संक्षेप में: यह एक सुरक्षा जाल (safety net) है जो इस आधार पर कसता या ढीला होता है कि रोबोट वास्तव में कैसा प्रदर्शन कर रहा है, जिससे यह सुनिश्चित होता है कि वह कभी गिर न जाए।

यहाँ डैनियल एम. चेरेंसन और दिमित्रा पानागु के शोध पत्र "Staggered Integral Online Conformal Prediction for Safe Dynamics Adaptation with Multi-Step Coverage Guarantees" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र अनिश्चित, गतिशील वातावरण में संचालित होने वाले अनुकूली प्रणालियों (adaptive systems) के लिए सुरक्षित नियंत्रण की चुनौती को संबोधित करता है। विशेष रूप से, यह निरंतर-समय (continuous-time) प्रणालियों को लक्षित करता है जहाँ:

अनिश्चितता अज्ञात है: सिस्टम डायनेमिक्स में अनमॉडल किए गए विक्षोभ (unmodeled disturbances, $\Delta$ ) और मॉडलिंग त्रुटियाँ शामिल हैं।
अनुकूलन ऑनलाइन है: कंट्रोलर इन डायनेमिक्स को वास्तविक समय में सीखने के लिए एक अनुकूली मॉडल (जैसे, एक डीप न्यूरल नेटवर्क) का उपयोग करता है।
मापन सीमाएँ: जबकि सिस्टम अवस्था $x(t)$ मापने योग्य है, अवस्था व्युत्पन्न (state derivative) $\dot{x}(t)$ मापने योग्य नहीं है। यह मानक अनिश्चितता मात्रा निर्धारण विधियों द्वारा आवश्यक तात्कालिक अवशिष्ट त्रुटि (true residual error - वास्तविक डायनेमिक्स और सीखे गए मॉडल के बीच का अंतर) की सीधी गणना को रोकता है।
सुरक्षा आवश्यकताएँ: सुरक्षा-महत्वपूर्ण कंट्रोलर्स (जैसे, मॉडल प्रेडिक्टिव कंट्रोल) को बहु-चरण कवरेज गारंटी (multi-step coverage guarantees) की आवश्यकता होती है। उन्हें भविष्य के प्रेडिक्शन होराइजन पर संचित त्रुटि (accumulated error) को सीमित करने की आवश्यकता होती है ताकि रिकर्सिव व्यवहार्यता और सुरक्षा सुनिश्चित की जा सके, न कि केवल एक-चरण (one-step) बाउंड प्रदान करना।

मुख्य अंतराल (Core Gap): मौजूदा ऑनलाइन कॉन्फॉर्मल प्रेडिक्शन (OCP) विधियों को भविष्यवाणी किए जाने के तुरंत बाद भविष्यवाणी त्रुटियों के लिए 'ग्राउंड-ट्रुथ लेबल' की आवश्यकता होती है। अनुकूली डायनेमिक्स में, "लेबल" (वास्तविक अवशिष्ट) ऑनलाइन उपलब्ध नहीं होता है क्योंकि इसके लिए $\dot{x}$ की आवश्यकता होती है। इसके अलावा, मानक OCP केवल एक-चरण की गारंटी प्रदान करता है, जो सीमित होराइजन पर योजना बनाने वाले कंट्रोलर्स के लिए अपर्याप्त है।

2. कार्यप्रणाली: स्टैगर्ड इंटीग्रल ऑनलाइन कॉन्फॉर्मल प्रेडिक्शन (SI-OCP)

लेखक SI-OCP का प्रस्ताव करते हैं, जो एक डिस्ट्रीब्यूशन-फ्री फ्रेमवर्क है जो बिना किसी विशिष्ट विक्षोभ वितरण (disturbance distribution) की धारणा बनाए या व्युत्पन्न की आवश्यकता के बिना अनिश्चितता को मात्रात्मक रूप देता है।

A. इंटीग्रल नॉन-कॉन्फॉर्मिटी स्कोर (Integral Non-Conformity Score)

तात्कालिक त्रुटि को मापने के बजाय, SI-OCP एक रोलिंग टाइम विंडो $[t_k - T_p, t_k]$ पर विक्षोभ के एकीकृत प्रभाव (integrated effect) को मापता है।

स्कोर ( $S_k$ ): इसे वास्तविक अवस्था प्रक्षेपवक्र (actual state trajectory) और नाममात्र मॉडल (nominal model - जिसमें अनुकूली पैरामीटर अनुमान $\hat{\theta}$ शामिल है) द्वारा अनुमानित प्रक्षेपवट्र के बीच इंटीग्रल अंतर के सुप्रीमम (supremum) के रूप में परिभाषित किया गया है:
$S_k = \sup_{\tau_1, \tau_2 \in [t_k-T_p, t_k]} \left\| x(\tau_2) - x(\tau_1) - \int_{\tau_1}^{\tau_2} f_{nom}(s, u(s), \hat{\theta}(s)) ds \right\|$
महत्व: यह स्कोर केवल मापने योग्य अवस्थाओं और इनपुट्स का उपयोग करके एप्रोक्सीमेशन एरर, अनुकूलन त्रुटि और बाह्य विक्षोभों के सम्मिलित प्रभाव को प्रभावी ढंग से कैप्चर करता है।

B. स्टैगर्ड मल्टी-स्टेप अपडेट्स (Staggered Multi-Step Updates)

एक होराइजन $T_p$ के लिए बहु-चरण कवरेज प्रदान करने के लिए, एल्गोरिदम एक "स्टैगर्ड" दृष्टिकोण अपनाता है:

थ्रेड पार्टीशनिंग (Thread Partitioning): प्रेडिक्शन होराइजन को $P$ अलग-अलग अंतरालों में विभाजित किया जाता है। एल्गोरिदम $P$ स्वतंत्र "थ्रेड्स" (कॉन्फॉर्मल थ्रेशोल्ड) बनाए रखता है।
विलंबित लेबलिंग (Delayed Labeling): समय $t_k$ पर, एल्गोरिदम पिछले होराइजन के आधार पर स्कोर $S_k$ की गणना करता है। यह स्कोर उस भविष्यवाणी के लिए "ग्राउंड ट्रुथ" लेबल के रूप में कार्य करता है जो $T_p$ सेकंड पहले (थ्रेड $j = k \mod P$ द्वारा) की गई थी।
स्टैगर्ड अपडेट: सक्रिय थ्रेड के लिए कॉन्फॉर्मल थ्रेशोल्ड $q^{(j)}_k$ को पिनबॉल लॉस (pinball loss) पर सब-ग्रेडिएंट डिसेंट का उपयोग करके अपडेट किया जाता है। क्योंकि थ्रेड्स डीकप्ल्ड (decoupled) हैं, सिस्टम भविष्य के होराइजन के लिए वैध कवरेज गारंटी बनाए रखते हुए निरंतर थ्रेशोल्ड को अपडेट कर सकता है।

C. इंटीग्रल से पॉइंट-वाइज बाउंड्स तक

इंटीग्रल स्कोर $S_k$ को आगामी होराइजन के लिए पॉइंट-वाइज डिस्टर्बेंस बाउंड $d_k$ में परिवर्तित किया जाता है। यह रूपांतरण विक्षोभ के लिप्सचिट्ज़ स्थिरांक ( $L_d$ ) और प्रेडिक्शन होराइजन की लंबाई ( $T_p$ ) पर निर्भर करता है।

यदि इंटीग्रल बाउंड छोटा है, तो पॉइंट-वाइज बाउंड इंटीग्रल के वर्गमूल (Case 1) से प्राप्त किया जाता है।
यदि इंटीग्रल बाउंड बड़ा है, तो एक रैखिक संबंध (Case 2) का उपयोग किया जाता है।
यह डायनेमिक बाउंड $d_k$ एक रोबस्ट ट्यूब मॉडल प्रेडिक्टिव कंट्रोल (RT-MPC) या इसी तरह के सुरक्षा-महत्वपूर्ण कंट्रोलर में फीड किया जाता है ताकि यह सुनिश्चित किया जा सके कि सिस्टम एक सुरक्षित सेट के भीतर रहे।

3. मुख्य योगदान (Key Contributions)

डेरिवेटिव-फ्री अनिश्चितता मात्रा निर्धारण: इंटीग्रल नॉन-कॉन्फॉर्मिटी स्कोर का परिचय मापने योग्य अवस्था व्युत्पन्न ( $\dot{x}$ ) की आवश्यकता के बिना अनुकूली प्रणालियों में अनिश्चितता मात्रा निर्धारण की अनुमति देता है।
बहु-चरण कवरेज गारंटी: स्टैगर्ड अपडेट तंत्र OCP को तात्कालिक गारंटी से विस्तारित कर एसिम्प्टोटिक लॉन्ग-रन मल्टी-स्टेप कवरेज तक ले जाता है। यह सुनिश्चित करता है कि भविष्य के होराइजन पर संचित त्रुटि कम से कम $1-\alpha$ की प्रायिकता के साथ एक बाउंड के भीतर है।
सामान्य प्रयोज्यता: यह फ्रेमवर्क अपने अंतर्निहित अनुकूलन नियम (adaptation law) के प्रति तटस्थ (agnostic) है। यह लीनियर-इन-पैरामीटर मॉडल और जटिल ऑल-लेयर डीप न्यूरल नेटवर्क (DNN) अनुकूलन दोनों के साथ काम करता है।
सुरक्षा एकीकरण: यह विधि एक कठोर सैद्धांतिक प्रमाण प्रदान करती है कि SI-OCP को एक रोबस्ट प्रेडिक्टिव कंट्रोलर के साथ एकीकृत करने से एसिम्प्टोटिक लॉन्ग-रन सेफ्टी प्राप्त होती है (सिस्टम $1-\alpha$ की प्रायिकता के साथ सुरक्षित सेट के भीतर रहता है)।

4. सिमुलेशन परिणाम (Simulation Results)

लेखकों ने समय-परिवर्तनीय हवा और अनमॉडल किए गए एरोडायनामिक ड्रैग के तहत बाधाओं (obstacles) के माध्यम से नेविगेट करने वाले एक 3D क्वाडकॉप्टर का उपयोग करके SI-OCP को मान्य किया।

सेटअप: अनुकूली मॉडल एक ऑल-लेयर DNN था जिसे सेल्फ-सुपरवाइज्ड मेटा लर्निंग (SSML) के माध्यम से अपडेट किया गया था। कंट्रोलर एक डायनेमिक ट्यूब MPC (DTMPC) था।
परिदृश्य 1 (अनुकूलन सक्षम): DNN ने डायनेमिक्स को सीखा, जिससे अवशिष्ट त्रुटि (residual error) कम हो गई। SI-OCP ने एक सटीक अनिश्चितता बाउंड बनाया, जिससे MPC को एक संकीर्ण "ट्यूब" उत्पन्न करने की अनुमति मिली जिसने बाधाओं के बीच एक तंग गैप से सफलतापूर्वक नेविगेट किया।
- कवरेज: वास्तविक विक्षोभ 98.77% समय तक बाउंड के भीतर था (लक्ष्य 90% था)।
परिदृश्य 2 (अनुकूलन अक्षम): DNN को खराब प्रारंभिक वेट्स के साथ फ्रीज कर दिया गया था। अवशिष्ट त्रुटि अधिक थी। SI-OCेक्ट ने इसे सही ढंग से पहचाना, जिससे अनिश्चितता बाउंड बढ़ गया।
- परिणाम: MPC ने एक चौड़ी ट्यूब बनाई, जिससे क्वाडकॉप्टर ने तंग गैप से गुजरने का प्रयास करने से परहेज किया, जिससे टक्कर से बचाव हुआ।
- कवरेज: बाउंड 94.0% समय तक बना रहा।

5. महत्व (Significance)

यह कार्य डेटा-ड्रिवन एडैप्टिव कंट्रोल और औपचारिक सुरक्षा गारंटी (formal safety guarantees) के बीच एक महत्वपूर्ण अंतर को पाटता है।

संरक्षण (Conservatism) को कम करना: पारंपरिक सुरक्षित अनुकूली नियंत्रण अक्सर अत्यधिक रूढ़िवादी (conservative) बाउंड्स पर निर्भर करता है, जो प्रदर्शन को सीमित करता है। SI-OCP डेटा-ड्रिवन, सटीक बाउंड प्रदान करता है जो सुरक्षा बनाए रखते हुए उच्च प्रदर्शन की अनुमति देता है।
जटिल लर्निंग को सक्षम बनाना: अवस्था व्युत्पन्न की आवश्यकता को हटाकर और नॉन-आईआईडी (non-i.i.d.) डेटा को संभालकर, SI-OCP जटिल, नॉन-लीनियर लर्निंग मॉडल्स (जैसे डीप न्यूरल नेटवर्क) के सुरक्षित परिनियोजन को सक्षम बनाता है।
डिस्ट्रीब्यूशन शिफ्ट के प्रति मजबूती: यह विधि डिस्ट्रीब्यूशन-फ्री है, जो इसे बदलते वातावरण के प्रति मजबूत बनाती है जहाँ विक्षोभ की प्रकृति अज्ञात या विकसित होती रहती है।

संक्षेप में, SI-OCP एक गणितीय रूप से कठोर और व्यावहारिक तरीका प्रदान करता है जिससे यह सुनिश्चित किया जा सके कि अनुकूली रोबोट सुरक्षा गारंटी से समझौता किए बिना वास्तविक समय में अपने वातावरण से सीख सकते हैं।