⚡ electrical engineering

Local Conformal Calibration of Dynamics Uncertainty from Semantic Images

यह शोध पत्र OCULAR प्रस्तुत करता है, जो एक कॉन्फॉर्मल प्रेडिक्शन-आधारित एल्गोरिदम है जो लीनियर गॉसियन डायनेमिक्स मॉडल्स के लिए नॉन-एसिम्प्टोटिक (non-asymptotic), डिस्ट्रीब्यूशन-फ्री अनसर्टेन्टी क्वांटिफिकेशन गारंटी प्रदान करने के लिए सिमेंटिक इमेज सूचना का लाभ उठाता है, जिससे पर्यावरण-विशिष्ट डेटा की आवश्यकता के बिना उच्च और निम्न अनिश्चितता वाले क्षेत्रों के बीच अंतर करके अनदेखे वातावरण में संभाव्य रूप से सुरक्षित नियोजन (probabilistically safe planning) सक्षम होता है।

मूल लेखक: Luís Marques, Dmitry Berenson

प्रकाशित 2026-05-14

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Luís Marques, Dmitry Berenson

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 रोबोट को कार चलाना सिखा रहे हैं। आप रोबोट को एक नक्शा और कार चलाने के कुछ नियम देते हैं। लेकिन वास्तविक दुनिया में, चीजें हमेशा नियमों के अनुसार नहीं चलतीं। कभी सड़क बर्फीली होती है, कभी हवा का एक झोंका आता है, तो कभी टायर फिसल जाते हैं। रोबोट को यह जानने की ज़रूरत है: "अगले एक सेकंड में मैं अपनी स्थिति को लेकर कितना आश्वस्त हूँ?"

यदि रोबोट बहुत अधिक आत्मविश्वासी है जब उसे सावधान रहना चाहिए, तो वह दुर्घटनाग्रस्त हो सकता है। यदि वह बहुत अधिक सतर्क है जब उसे साहसी होना चाहिए, तो वह फंस सकता है या बहुत धीरे चल सकता है।

यह शोध पत्र एक नई विधि पेश करता है जिसे OCULAR (Observation-aware Conformal Uncertainty Local-Calibration) कहा जाता है। OCULAR को एक "स्मार्ट सुरक्षा जाल" के रूप में समझें जो रोबोट को यह समझने में मदद करता है कि वह अपने आस-पास जो देख रहा है, उसके आधार पर अपने भविष्य के अनुमानों पर कितना भरोसा कर सकता है।

यह कैसे काम करता है, इसे सरल अवधारणाओं में यहाँ दिया गया है:

1. समस्या: "एक ही आकार सबके लिए" वाली गलती

पारंपरिक तरीके जो रोबोट को उनके भविष्य की स्थिति का अनुमान लगाने में मदद करते हैं, वे आमतौर पर एक "एक ही आकार सबके लिए" वाले रेनकोट की तरह काम करते हैं। वे कहते हैं, "आप कहीं भी हों, सबसे खराब स्थिति मान लें।"

दोष: यदि रोबक एक सूखी, धूप वाली सड़क पर है, तो यह रेनकोट बहुत भारी है और रोबोट को धीमा कर देता है। लेकिन यदि रोबोट काली बर्फ के एक टुकड़े पर है, तो वही रेनकोट बहुत पतला हो सकता है, और रोबोट भीग (दुर्घटनाग्रस्त) जाता है।
पुराना तरीका: इसे ठीक करने के लिए, पिछले तरीकों के लिए यह आवश्यक था कि रोबोट उस विशिष्ट नई सड़क पर पहले ही चक्कर लगाकर आए जिस पर वह यात्रा करने वाला था, ताकि यह माप सके कि वह कितनी फिसलन भरी है। यह खतरनाक और अक्षम है। आप नहीं चाहेंगे कि रोबोट यह सीखने के लिए दीवार से टकरा जाए कि दीवार सख्त है।

2. समाधान: "विजुअल डिटेक्टिव" (दृश्य जासूस)

OCULAR अलग है। नई सड़क पर पहले गाड़ी चलाने के बजाय, यह एक विजुअल डिटेक्टिव की तरह काम करता है।

उपमा: कल्पना कीजिए कि आपने पहले कभी उस विशिष्ट बर्फीली सड़क पर गाड़ी नहीं चलाई है। हालाँकि, आपने अतीत में कई अन्य बर्फीली सड़कों पर गाड़ी चलाई है। आप जानते हैं कि "बर्फीली सड़कें सफेद और चमकदार दिखती हैं।"
OCULAR कैसे काम करता है: जब रोबोट एक नई सड़क देखता है, तो वह कैमरा फीड को देखता है। यदि सड़क वैसी ही दिखती है जैसी उसने पहले देखी गई बर्फीली सड़कें थीं, तो OCULAR कहता है, "आह, यह बर्फ जैसा लग रहा है! मुझे अतिरिक्त सावधानी बरतने की आवश्यकता है और यह मान लेना चाहिए कि मेरी गति बहुत अनिश्चित है।" यदि सड़क सूखी डामर जैसी दिखती है, तो यह कहता है, "यह सामान्य लग रहा; मैं अधिक आश्वस्त हो सकता हूँ।"

3. जादू का नुस्खा: "कॉन्फॉर्मल प्रेडिक्शन" (Conformal Prediction)

यह शोध पत्र एक सांख्यिकीय तकनीक का उपयोग करता है जिसे कॉन्फॉर्मल प्रेडिक्शन कहा जाता है। इसे एक कैलिब्रेशन टूल के रूप में समझें।

रोबोट के पास एक "अनुमान लगाने वाला इंजन" (एक गणितीय मॉडल) है जो भविष्यवाणी करता है कि वह अगले क्षण कहाँ होगा।
OCULAR अन्य समान वातावरणों (जैसे बर्फ या सूखी सड़कों वाले अन्य मानचित्रों) से प्राप्त डेटा का उपयोग करता है और जाँच करता है: "इस इंजन ने पिछले ऐसे मामलों में कितनी गलतियाँ की थीं?"
इसके बाद यह रोबोट की भविष्य की अनुमानित स्थिति के चारों ओर एक सुरक्षा बुलबुला (safety bubble) बनाता है।
- यदि रोबोट "कम अनिश्चितता" वाले क्षेत्र (सूखी सड़क) में है, तो बुलबुला छोटा और तंग होता है।
- यदि रोबोट "उच्च अनिश्चितता" वाले क्षेत्र (बर्फीली सड़क) में है, तो बुलबुला बहुत बड़ा हो जाता है, जिससे रोबोट को सुरक्षित रहने के लिए पर्याप्त जगह मिलती है।

4. यह क्यों बड़ी बात है

यह शोध पत्र सिद्ध करता है कि OCULAR दो चीजें कर सकता है जो पिछले तरीके अच्छी तरह से नहीं कर सके:

बिना परीक्षण के सामान्यीकरण करना: यह एक बिल्कुल नई सड़क पर सुरक्षित रूप से चल सकता है जिसे इसने पहले कभी नहीं देखा है, बशर्ते वह सड़क विजुअली उन सड़कों के समान दिखे जिनका इसने अध्ययन किया है। इसे कैलिब्रेट करने के लिए इसे पहले उस नई सड़क पर गाड़ी चलाने की आवश्यकता नहीं है।
कुशल होना: यह केवल हर जगह सुरक्षा बुलबुले को विशाल नहीं बनाता (जिससे रोबोट कछुए की तरह धीमा हो जाएगा)। यह बुलबुले को केवल वहीं बड़ा करता है जहाँ वास्तव में इसकी आवश्यकता होती है (जैसे बर्फ पर) और इसे वहां छोटा रखता है जहाँ रोबोट आश्वस्त होता है।

5. परिणाम

शोधकर्ताओं ने इस परीक्षण को एक सिम्युलेटेड रोबोट कार पर दो परिदृश्यों में परखा:

सरल 2D मानचित्र: जहाँ रोबोट को फिसलन भरे स्थानों वाले गलियारोंों से गुजरना था।
यथार्थवादी 3D सिमुलेशन (Isaac Sim): जहाँ एक रोबोट ने कैमरा का उपयोग करके एक बर्फीले टी-जंक्शन को देखा।

परिणाम:

पुराने तरीकों या तो बहुत अधिक आत्मविश्वास के कारण दुर्घटनाग्रस्त हो गए, या बहुत अधिक डर के कारण फंस गए।
OCULAR ने सफलतापूर्वक अनदेखी बर्फीली सड़कों पर सफलतापूर्वक रास्ता बनाया। इसने "बर्फ" (उच्च अनिश्चितता) देखते ही गति धीमी कर दी और "सूखी सड़क" (कम अनिश्चितता) देखते ही गति बढ़ा दी, और वह भी बिना उस विशिष्ट सड़क पर पहले कभी चले बिना।

संक्षेप में

OCULAR एक तरीका है जिससे रोबट कह सकते हैं, "मैं यहाँ पहले नहीं आया हूँ, लेकिन मैंने ऐसी जगहों को देखा है जो ऐसी ही दिखती हैं। जो मैं देख रहा हूँ उसके आधार पर, मुझे पता है कि मुझे अपने अगले कदम के लिए कितनी चिंता करने की आवश्यकता है।" यह रोबोट को नए, अप्रत्याशित वातावरण में बिना पहले दुर्घटनाग्रस्त हुए या परीक्षण किए, सुरक्षित और कुशल होने की अनुमति देता है।

तकनीकी सारांश: सिमेंटिक छवियों से डायनेमिक्स अनिश्चितता का स्थानीय अनुरूप अंशांकन (Local Conformal Calibration of Dynamics Uncertainty from Semantic Images)

समस्या विवरण
वास्तविक दुनिया के वातावरण में काम करने वाले रोबोटिक सिस्टम अनमॉडल गड़बड़ियों (aleatoric uncertainty) और मॉडल मिसमैच (epistemic uncertainty) के कारण अनिश्चितता मात्रा निर्धारण (uncertainty quantification) में महत्वपूर्ण चुनौतियों का सामना करते हैं। जबकि कॉन्फॉर्मल प्रेडिक्शन (CP) भविष्यवाणियों के क्षेत्रों पर संभाव्य गारंटी प्रदान करने के लिए एक डिस्ट्रीब्यूशन-फ्री फ्रेमवर्क प्रदान करता है, रोबोटिक्स में मौजूदा CP विधियाँ दो गंभीर सीमाओं से ग्रस्त हैं:

विभेदन क्षमता का अभाव (Lack of Discriminability): मानक CP एक डेटासेट पर औसत (मार्जनल) कवरेज गारंटी प्रदान करता है लेकिन उच्च बनाम निम्न मॉडल मिसमैच वाले स्टेट-एक्शन क्षेत्रों के बीच अंतर करने में विफल रहता है। यह योजनाकारों (planners) को कम-अनिश्चितता वाले राज्यों की ओर जाने से रोकता है।
पर्यावरण-विशिष्ट डेटा की आवश्यकता: वर्तमान दृष्टिकोणों के लिए आमतौर पर यह सुनिश्चित करने के लिए परीक्षण-समय (test-time) के सटीक वातावरण से एकत्र किए गए अंशांकन डेटा की आवश्यकता होती है कि वह वैध हो। यह अव्यावहारिक और जोखिम भरा है, क्योंकि इसके लिए केवल डायनेमिक्स मॉडल को अंशांकित करने के लिए नए, संभावित रूप से खतरनाक वातावरण (जैसे, बर्फीली सड़कें) को पार करने की आवश्यकता होती है।

लेखक एक ऐसे एल्गोरिदम की आवश्यकता को संबोधित करते हैं जो विजुअली समान, लेकिन भिन्न वातावरणों से धारणा (perception) जानकारी का लाभ उठाकर, अनदेखे परीक्षण-समय के वातावरणों के लिए प्रमाणित, परिमित-नमूना (finite-sample) अनिश्चितता गारंटी प्रदान कर सके।

कार्यप्रणाली: OCULAR
यह शोध पत्र OCULAR (Observation-aware Conformal Uncertainty Local-Calibration) पेश करता है, जो रोबोट-फ्रेम धारणा डेटा का उपयोग करके एक लीनियर गॉसियन डायनेमिक्स मॉडल ( $\tilde{f}$ ) को अंशांकित करता है। मुख्य नवाचार विश्व-फ्रेम पोसेस (जिन्हें पर्यावरण-विशिष्ट डेटा की आवश्यकता होती है) को एक सीखे गए सिमेंटिक ऑब्जर्वेशन के प्रतिनिधित्व से बदलना है।

कार्यप्रणाली दो चरणों में चलती है:

ऑफलाइन अंशांकन (Offline Calibration):
- ऑब्जर्वेशन प्रोसेसिंग: रॉ डेप्थ और सिमेंटिक छवियों को एक रोबोट-फ्रेम "प्लेनर सिमेंटिक फुटप्रिंट" ( $o'_t$ ) में प्रोजेक्ट किया जाता है। यह प्रतिनिधित्व रोबोट के सामने के वातावरण को कैप्चर करता है जबकि अप्रासंगिक विश्व-फ्रेम निर्देशांकों को हटा देता है।
- लेटेंट एनकोडिंग: एक कन्वोल्यूशनल ऑटोएनकोडर (CAE) को अंशांकन वातावरणों के एक सेट पर डेटा का उपयोग करके प्रशिक्षित किया जाता है ताकि प्लेनर फुटप्रिंट्स को एक निम्न-आयामी लेटेंट वेक्टर ( $\phi_t$ ) में संकुचित किया जा सके।
- लोकल पार्टीशनिंग: इनपुट स्पेस को $X = (v_t, a_t, \phi_t)$ के रूप में परिभाषित किया गया है, जो वेलोसिटी, एक्शन और लेटेंट ऑब्जर्वेशन को जोड़ता है। एक डिसीजन ट्री (DTree) को इस स्पेस को उन क्षेत्रों ( $X_k$ ) में विभाजित करने के लिए प्रशिक्षित किया जाता है जहाँ नॉन-कन्फॉर्मिटी स्कोर ( $\tilde{f}$ और ग्राउंड ट्रुथ के बीच असहमति) लगभग स्थिर होते हैं। यह LOCART एल्गोरिदम का उपयोग करके किया जाता है ताकि विभाजनों के भीतर स्कोर वेरिएंस को न्यूनतम किया जा सके।
- लोकल कैलिब्रेशन: प्रत्येक पार्टीशन $X_k$ के लिए, होल्ड-आउट डेटा के एक उपसमुच्चय पर एक स्प्लिट कॉन्फॉर्मल प्रेडिक्शन (SplitCP) प्रक्रिया की जाती है। इससे एक पार्टीशन-विशिष्ट स्केलिंग फैक्टर ( $\hat{q}_k$ ) प्राप्त होता है जो गॉसियन भविष्यवाणियों के कोवेरिएंस को एडजस्ट करता है।
ऑनलाइन परिनियोजन (Online Deployment):
- ऑपरेशन के दौरान, एक नए, अनदेखे वातावरण में, रोबोट अपने वर्तमान ऑब्जर्वेशन को लेटेंट स्पेस में प्रोसेस करता है और वर्तमान पार्टीशन $X_k$ की पहचान करने के लिए पूर्व-प्रशिक्षित DTree के माध्यम से उसे पास करता है।
- डायनेमिक्स मॉडल के प्रेडिक्टेड कोवेरिएंस को $\hat{q}_k$ से प्राप्त संगत कारक $\xi_k$ द्वारा स्केल किया जाता है।
- इस कैलिब्रेटेड अनिश्चितता अनुमान को एक मॉडल प्रेडिक्टिव कंट्रोल (MPC) प्लानर में फीड किया जाता है। प्लानर एक प्रेडिक्शन रीजन का निर्माण करता है जो गारंटी के साथ अगले स्टेट को $(1-\alpha)$ प्रायिकता के साथ शामिल करेगा और उन क्षेत्रों से बचने के लिए प्रक्षेपवक्र (trajectories) को अनुकूलित करेगा जहाँ कैलिब्रेटेड अनिश्चितता अधिक है या बाधाओं के साथ प्रतिच्छेद करती है।

प्रमुख योगदान
लेखक तीन प्राथमिक योगदान देते हैं:

एल्गोरिदम प्रस्ताव: वे OCULAR प्रस्तावित करते हैं, जो एक एल्गोरिदम है जो केवल विजुअली समान वातावरणों के डेटा का उपयोग करके एक नए, अनदेखे वातावरण में डायनेमिक्स अनिश्चितता पर प्रमाणित परिमित-नमूना गारंटी प्रदान करता है।
सैद्धांतिक वैधता: वे सिद्ध करते हैं कि ऑब्जर्वेशन को प्रोजेक्ट करने, उन्हें CAE के माध्यम से एनकोड करने और DTree के माध्यम से पार्टीशन करने की पाइपलाइन उस एक्सचेंजैबिलिटी को सुरक्षित रखती जो कॉन्फॉर्मल प्रेडिक्शन के लिए आवश्यक है। यह केवल वैश्विक मार्जिनल गारंटी के बजाय स्थानीय (कंडीशनल) कवरेज गारंटी की अनुमति देता है।
अनुभवजन्य सत्यापन (Empirical Validation): वे एक डबल-इंटीग्रेटर सिस्टम पर, जो रैंडम परटर्बेशन और महत्वपूर्ण मॉडल मिसमैच (बर्फ़ीली सतहों का अनुकरण करने वाला) के अधीन है, OCULAR का सत्यापन करते हैं। प्रयोगों में सरल प्लेनर सेंसर और यथार्थवादी Isaac Sim कैमरों दोनों का उपयोग किया गया है।

परिणाम
प्रयोग चार प्लेनर मैप्स और तीन Isaac Sim रोड परिदृश्यों पर आयोजित किए गए, जिसमें OCULAR की तुलना निम्नलिखित से की गई:

NoCP: अनकैलिब्रेटेड मॉडल (OOD डेटा पर विफल होता है)।
SplitCP: टेस्ट-एनवायरनमेंट डेटा का उपयोग करके ग्लोबल कैलिब्रेशन (इन-डिस्ट्रीब्यूशन में अत्यधिक रूढ़िवादी, OOD में कम सुरक्षात्मक)।
LUCCa: टेस्ट-एनवायरनमेंट डेटा का उपयोग करके लोकल कैलिब्रेशन (टेस्ट-एन्वायरमेंट-विशिष्ट डेटा की आवश्यकता)।

मुख्य निष्कर्ष:

कवरेज: OCULAR बिना किसी टेस्ट-एनवायरमेंट डेटा के, इन-डिस्ट्रीब्यूशन और OOD क्षेत्रों (जैसे, बर्फीली सड़कें) दोनों में उपयोगकर्ता-निर्धारित कवरेज प्रोबेबिलिटी (90%) प्राप्त करता है। इसके विपरीत, NoCP OOD क्षेत्रों में बहुत कम कवरेज करता है, और SplitCP स्थानीय अनिश्चितता विविधताओं के अनुकूल होने में विफल रहता है।
वॉल्यूम एफिशिएंसी: OCULAR ऐसे प्रेडिक्शन रीजन बनाता है जो एक "ओरेकल" ऑप्टिमल रीजन से केवल 12-15% बड़े होते हैं, जो उच्च वॉल्यूम एफिशिएंसी प्रदर्शित करता है जो उन विधियों के समान है जिनके पास टेस्ट-एन्वायरमेंट डेटा तक पहुंच है (जैसे, LUCCa)।
सुरक्षित प्लानिंग: प्रक्षेपवक्र अनुकूलन कार्यों में, OCULAR उच्च-अनिश्चितता वाले क्षेत्रों से बचकर और धीमा होकर सफलतापूर्वक नेविगेट करता है, सभी मैप्स में 100% सफलता दर प्राप्त करता है। बिना कैलिब्रेशन (NoCP) या ग्लोबल कैलिब्रेशन (SplitCP) वाली विधियाँ अक्सर ओवर-ऑप्टिमिज्म या अत्यधिक रूढ़िवादिता के कारण टकराव (collisions) का शिकार होती हैं।

महत्व और दावे
पेपर दावा करता है कि OCULAR सैद्धांतिक अनिश्चितता गारंटी और व्यावहारिक रोबोटिक परिनियोजन के बीच के अंतर को पाटता है। वातावरणों के बीच सामान्यीकरण करने के लिए धारणा (perception) जानकारी का उपयोग करके, यह विधि पर्यावरण-विशिष्ट अंशांकन डेटा संग्रह की आवश्यकता को समाप्त करती है। लेखक इस बात पर जोर देते हैं कि उनके गारंटी नॉन-एसिम्प्टोटिक और डिस्ट्रीब्यूशन-फ्री हैं, जिसके लिए अज्ञात वास्तविक सिस्टम डायनेमिक्स के बारे में कोई कड़े अनुमानों की आवश्यकता नहीं है।

लेखक विनम्रतापूर्वक नोट करते हैं कि हालांकि वे वन-स्टेप सुरक्षा गारंटी और ह्यूरिस्टिक मल्टी-स्टेप प्लानिंग का प्रदर्शन करते हैं, वे निष्पादन के दौरान मैप-जेनरेटेड ऑब्जर्वेशन की नॉन-एक्सचेंजैबिलिटी के कारण मल्टी-स्टेप सुरक्षा के लिए कठोर सैद्धांतिक गारंटी का दावा नहीं करते हैं। इसके अलावा, वे CAE और Decision Tree में हाइपरपैरामीटर के प्रति संवेदनशीलता को स्वीकार करते हैं, और वर्तमान लेटेंट रिप्रेजेंटेशन लर्निंग, अनिश्चितता भविष्यवाणी उपयोगिता से अलग (decoupled) है, जो भविष्य के कार्य के लिए एक मार्ग सुझाता है।