⚡ electrical engineering

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

यह शोधपत्र एक प्लानर-अज्ञेय (planner-agnostic) विधि प्रस्तावित करता है जो अज्ञात गतिकी (unknown dynamics) के तहत कार्य करने वाले स्वायत्त रोबोटों के लिए संभाव्य कार्य-पूर्णता गारंटी प्रदान करने हेतु, नाममात्र-से-वास्तविक प्रक्षेपवक्र विचलन (nominal-to-true trajectory deviations) के आधार पर नियोजन बाधाओं को कड़ा करने के लिए कॉन्फॉर्मल प्रेडिक्शन का लाभ उठाता है।

मूल लेखक: Shubham Natraj, Bruno Sinopoli, Yiannis Kantaros

प्रकाशित 2026-07-27

📖 9 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Shubham Natraj, Bruno Sinopoli, Yiannis Kantaros

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 भूलभुलैया (maze) में रास्ता खोजने के लिए सिखा रहे हैं। ऐसा करने के लिए, आप रोबोट को एक मानचित्र (map) और नियमों का एक सेट देते हैं। लेकिन यहाँ एक पेच है: आपके पास जो मानचित्र है वह केवल एक अनुमान है। यह एक "नोमिनल" (nominal) मॉडल है, जो इस बात का एक सर्वोत्तम प्रयास वाला खाका है कि रोबोट कैसे चलता है। वास्तविक दुनिया में, रोबोट आपके सोचे हुए वजन से अधिक भारी हो सकता है, या फर्श फिसलन भरा हो सकता है, या उसके पहिए फिसल सकते हैं। आपके इस कच्चे मानचित्र और वास्तविक वास्तविकता के बीच का यह अंतर "मॉडल मिसमैच" (model mismatch) कहलाता है। यदि आप अपने मानचित्र पर बहुत अधिक भरोसा करते हैं, तो रोबोट उस दीवार से टकरा सकता है जिसे उसने बहुत दूर समझा था, या वह फिनिश लाइन को पूरी तरह से मिस कर सकता है। यह रोबोटिक्स में एक बहुत बड़ी समस्या है क्योंकि हम किसी भी नए मशीन या वातावरण को भेजने से पहले उसकी सटीक भौतिकी (physics) को हमेशा नहीं जान सकते। हमें एक ऐसा रास्ता खोजने की आवश्यकता है जो सुरक्षित हो, भले ही हमारा मानचित्र अपूर्ण हो। यहीं पर "चांस-कंस्ट्रेंड प्लानिंग" (chance-constrained planning) की अवधारणा आती है: एक ऐसा रास्ता माँगने के बजाय जो हमेशा एकदम सही हो (जो अक्सर असंभव है), हमारा लक्ष्य एक ऐसा रास्ता खोजने का है जो ज्यादातर समय काम करे, जैसे कि 95% समय, जिससे हमें हमारी अपनी अज्ञानता के विरुद्ध एक सुरक्षा कवच मिल सके।

आप जो शोध पत्र (paper) पढ़ने जा रहे हैं, वह ठीक इसी समस्या को संबोधित करता है: कि कैसे एक रोबोट का प्लान सुरक्षित बनाया जाए जब रोबोट का वास्तविक व्यवहार अज्ञात हो, लेकिन हमारे पास एक मोटा-मोटी अनुमान वाला मॉडल मौजूद हो। लेखक, शुभम नटराज, ब्रूनो सिनोपोली और यियानिसs कातारोस, "कॉन्फॉर्मल प्रेडिक्शन" (Conformal Prediction) नामक एक सांख्यिकीय उपकरण का उपयोग करके एक चतुर तरीका प्रस्तावित करते हैं। कॉन्फॉर्मल प्रेडिक्शन को एक "सुरक्षा निरीक्षक" (safety inspector) के रूप में सोचें जो पिछले कई परीक्षण दौरों को देखता है ताकि यह पता लगा सके कि वास्तविक रोबोट हमारे मानचित्र से कितना विचलित हो सकता है। वे मानचित्र को ठीक करने की कोशिश नहीं करते; इसके बजाय, वे खेल के मैदान को छोटा कर देते हैं। वे मानचित्र पर सुरक्षित क्षेत्रों को और लक्ष्य क्षेत्र को एक विशिष्ट मात्रा में छोटा कर देते हैं। यह मात्रा इस तरह से गणना की जाती है ताकि यदि रोबोट मानचित्र पर इन सिकुड़े हुए क्षेत्रों के भीतर रहता है, तो वह उच्च संभावना के साथ वास्तविक दुनिया में सुरक्षित रहने की गणितीय गारंटी देता है।

यहाँ उनकी विधि और उनके निष्कर्षों की कहानी दी गई।

समस्या: मानचित्र बनाम क्षेत्र (The Map vs. The Territory)

रोबोट को बाधाओं से बचते हुए एक शुरुआती बिंदु से लक्ष्य तक पहुँचने की आवश्यकता होती है। आमतौर पर, इंजीनियर रोबोट की गति को सिम्युलेट करने के लिए एक कंप्यूटर मॉडल का उपयोग करते हैं। वे एक योजना एल्गोरिदम (जैसे एक स्मार्ट GPS) चलाते हैं ताकि कदमों का एक ऐसा क्रम खोजा जा सके जो कंप्यूटर पर एकदम सही दिखता हो। लेकिन जब वे वही क्रम वास्तविक रोबोट पर चलाते हैं, तो चीजें बिगड़ जाती हैं। शायद रोबोट का मोटर थोड़ा कमजोर है, या हवा उसे अलग तरह से धकेल रही है। "वास्तविक" पथ जिसे रोबोट लेता है, उस "नोमिनल" पथ से भटक जाता है जिसे कंप्यूटर ने नियोजित किया था। यदि यह विचलन बहुत बड़ा है, तो रोबोट किसी बाधा से टकरा जाता है या लक्ष्य को चूक जाता है।

लेखकों का तर्क है कि हम हमेशा पहले से यह नहीं जान सकते कि रोबोट की सटीक भौतिकी क्या है। हमारे पास एक सीखा हुआ मॉडल (डेटा पर आधारित एक अनुमान) या एक सरल भौतिकी मॉडल हो सकता है, लेकिन यह कभी भी 100% सटीक नहीं होगा। चुनौती एक नियंत्रण अनुक्रम (कदमों की एक सूची) की गणना करने की है जो वास्तविक रोबोट पर काम करे, भले ही हमारे पास योजना बनाने के लिए केवल एक अनुमानित मॉडल हो।

समाधान: "सेफ्टी बबल" (सुरक्षा बुलबुला) का तरीका

लेखकों का समाधान एक दो-चरणीय प्रक्रिया है जो एक जोखिम भरी, अनिश्चित समस्या को एक सुरक्षित, निश्चित समस्या में बदल देती है।

चरण 1: अंशांकन (The Calibration - परीक्षण ड्राइव)
सबसे पहले, उन्हें यह जानने की आवश्यकता है कि मिसमैच कितना बुरा हो सकता है। वे अपने अनुमानित मॉडल को लेते हैं और उसे परीक्षण के कुछ सेटों पर चलाते हैं। प्रत्येक समस्या के लिए, वे एक ऐसा पथ ढूंढते हैं जो कंप्यूटर पर काम करता है। फिर, वे वास्तव में उसी पथ को वास्तविक रोबोट पर चलाते हैं और देखते हैं कि क्या होता है। वे मापते हैं कि रोबोट वास्तव में कहाँ था और कंप्यूटर ने सोचा था कि वह कहाँ होगा। वे यह सब 100 अलग-अलग परीक्षण परिदृश्यों के लिए करते हैं।

कॉन्फॉर्मल प्रेडिक्शन नामक एक सांख्यिकीय पद्धति का उपयोग करते हुए, वे इन 100 मापों को देखते हैं और पूछते हैं: "इन मामलों में 95% (या 99%, आदि) में वास्तविक रोबोट कंप्यूटर के अनुमान से अधिकतम कितनी दूरी तक विचलित हुआ?" इससे उन्हें एक "सुरक्षा त्रिज्या" (safety radius) मिलती है, जिसे हम $\hat{q}_\alpha$ कह सकते हैं। यह संख्या एक "सबसे खराब स्थिति" वाले बुलबुले का प्रतिनिधित्व करती है। वे जानते हैं कि उच्च संभावना के साथ, वास्तविक रोबोट कंप्यूटर के अनुमानित पथ से इस दूरी से अधिक कभी नहीं जाएगा।

चरण 2: टाइटनिंग (The Tightening - कमरे को सिकोड़ना)
अब जादू आता है। मूल मानचित्र पर योजना बनाने के बजाय, वे एक नया, "टाइटन किया हुआ" (tightened) मानचित्र बनाते हैं।

वे मानचित्र पर बाधाओं को लेते हैं और उन्हें सुरक्षा त्रिज्या $\hat{q}_\alpha$ द्वारा बड़ा (फुला हुआ/inflate) बना देते हैं।
वे मुक्त स्थान और लक्ष्य क्षेत्र को उसी मात्रा से छोटा (erode) कर देते हैं।

कल्पना कीजिए कि आप एक बड़े, भारी बैकपैक के साथ एक गलियारे में चल रहे हैं। यदि आप दीवारों के करीब रहकर चलने की योजना बनाते हैं, तो आप अपने बैकपैक से टकरा सकते हैं। इसलिए, आप कल्पना करते हैं कि दीवारें और बाहर हैं और गलियारा और संकरा है। आप इस काल्पनिक संकरे गलियारे के बीच में चलते हैं। यदि आप संकरे गलियारे के भीतर रहते हैं, तो आपका बैकपैक वास्तविक दीवारों से कभी नहीं टकराएगा।

लेखक सिद्ध करते हैं कि यदि कोई रोबोट अनुमानित मॉडल का उपयोग करके इस संकरे, "टाइटन किए गए" मानचित्र के माध्यम से एक पथ खोज सकता है, तो वही पथ निर्धारित संभावना के साथ वास्तविक दुनिया में सुरक्षित रहने की गारंटी देता है। रोबोट को वास्तविक डायनेमिक्स जानने की आवश्यकता नहीं है; उसे बस मानचित्र पर इस कठिन, संकरे समस्या को हल करने की आवश्यकता है।

प्रयोग: क्या यह काम करता है?

इसे परखने के लिए, लेखकों ने दो अलग-अलग परिदृश्य चलाए।

परिदृश्य 1: धीमा होने वाली कार (Dubins Vehicle)
उन्होंने एक साधारण कार मॉडल का उपयोग किया जो मुड़ सकती है लेकिन बगल में नहीं चल सकती। "वास्तविक" कार में एक छिपा हुआ दोष था: घर्षण (friction) के कारण वह मॉडल द्वारा अनुमानित गति से धीमी थी (जिसे $\beta_v$ द्वारा सिम्युलेट किया गया था)। उन्होंने 0.05, 0.10, 0.15, और 0.20 के मिसमैच स्तरों का परीक्षण किया।

परिणाम: जब उन्होंने अपने "टाइटन किए गए" तरीके का उपयोग किया, तो रोबोट सफलतापूर्वक लक्ष्य तक पहुँचा और दुर्घटनाओं से बचा, जिसकी दर उनके सुरक्षा गारंटी से मेल खाती है या उससे अधिक थी। उदाहरण के लिए, यदि उन्होंने 90% सफलता दर मांगी, तो रोबोट वास्तव में 90% से अधिक समय तक सफल रहा।
समझौता (Trade-off): जैसे-जैसे उन्होंने अधिक सुरक्षा मांगी (जैसे 90% के बजाय 99%), "सुरक्षा बुलबुला" बड़ा हो गया, गलियारा संकरा हो गया, और योजनाकार के लिए कोई भी पथ खोजना कठिन हो गया। पथ खोजने की सफलता दर गिर गई, लेकिन जो पथ उसने खोजे वे बहुत अधिक विश्वसनीय थे।
तुलना: उन्होंने एक मानक प्लानर से तुलना की जो मिसमैच को अनदेखा करता है। मानक प्लानर ने पथ अधिक बार खोजे, लेकिन वे पथ वास्तविक रोबोट पर बहुत अधिक बार विफल हुए। लेखकों की विधि वास्तव में कार्य को सुरक्षित रूप से पूरा करने में बहुत अधिक सफल थी।

परिदृश्य 2: डगमगाता ड्रोन (Planar Quadrotor)
उन्होंने एक अधिक जटिल, 6-आयामी ड्रोन का परीक्षण किया जिसमें रैंडम शोर (हवा के झोंके) है और जो एक सीखे हुए न्यूरल नेटवर्क मॉडल का उपयोग करता है (जो अक्सर अपूर्ण होता है)।

परिणाम: रैंडम शोर और सीखे हुए मॉडल की अतिरिक्त अराजकता के बावजूद, यह विधि टिकी रही। "अनुभवजन्य कवरेज" (empirical coverage - कितनी बार रोबole सुरक्षा बुलबुले के भीतर रहा) लगातार लक्ष्य से अधिक रहा।
प्रदर्शन: 90% लक्ष्य सुरक्षा स्तर पर, उनकी विधि ने वास्तविक ड्रोन पर 100% कार्य-पूर्णता दर हासिल की, जबकि मानक "नोमिनल" प्लानर केवल लगभग 55% ही प्रबंध कर सका। यह दर्शाता है कि योजना चरण में थोड़ा अधिक सावधान रहने से, आपको वास्तविक दुनिया में बहुत बेहतर परिणाम मिलते हैं।

उन्होंने क्या पाया और इसका क्या अर्थ है

यह शोध पत्र यह प्रदर्शित करता है कि आपको योजना बनाने के लिए रोबोट की सटीक भौतिकी जानने की आवश्यकता नहीं है। आपको बस एक मोटा मॉडल और यह मापने के लिए कुछ डेटा चाहिए कि आपका मॉडल कितना गलत हो सकता है। कॉन्फॉर्मल प्रेडिक्शन का उपयोग करके एक "सुरक्षा बुलबुला" बनाने और उसके अनुसार नियोजन स्थान को छोटा करने के माध्यम से, आप एक जोखिम भरी, अनिश्चित समस्या को एक सुरक्षित, समाधान योग्य समस्या में बदल सकते हैं।

लेखक बताते हैं कि यह दृष्टिकोण "प्लानर-अग्नोस्टिक" (planner-agnostic) है, जिसका अर्थ है कि यह किसी भी योजना एल्गोरिदम (जैसे कि उन्होंने उपयोग किया RRT एल्गोरिदम) के साथ काम करता है। इससे कोई फर्क नहीं पड़ता कि प्लानर पथ कैसे खोजता है; जब तक पथ संकरे क्षेत्रों के भीतर रहता है, गारंटी बनी रहती है।

हालाँकि, इसकी एक कीमत है। आप जितनी अधिक सुरक्षा मांगते हैं (आप जितनी अधिक संभावना चाहते हैं), योजना उतनी ही रूढ़िवादी (conservative) हो जाती है। "गलियारा" संकरा हो जाता है, और कभी-कभी प्लानर को कोई पथ नहीं मिल पाता। लेखकों ने पाया कि जैसे-जैसे सुरक्षा की मांग बढ़ती है, प्लानर की सफलता दर (कोई भी पथ खोजना) गिरती है, लेकिन जो पथ वह खोजता है उनकी विश्वसनीयता आसमान छू लेती है। उनके प्रयोगों में, विधि ने मानक योजना (जो मॉडल त्रुटियों को अनदेखा करती है) से लगातार बेहतर प्रदर्शन किया, जिससे सिद्ध हुआ कि थोड़ी सी गणितीय सावधानी रोबोट को सुरक्षित रखने में बहुत काम आती है।

संक्षेप में, यह शोध पत्र एक मजबूत, गणितीय रूप से समर्थित तरीका प्रदान करता है कि, "मैं बिल्कुल नहीं जानता कि यह रोबोट कैसे चलता है, लेकिन मैं जानता हूँ कि मेरा अनुमान कितना गलत हो सकता है, इसलिए मैं ऐसे योजना बनाऊंगा जैसे कि दुनिया दिखने की तुलना में थोड़ी अधिक खतरनाक है।" और उनके प्रयोगों से पता चलता है कि यह रणनीति काम करती है, जो एक संभावित रूप से खतरनाक जुए को एक विश्वसनीय मिशन में बदल देती है।

तकनीकी सारांश: अज्ञात गतिकी (Unknown Dynamics) के साथ चांस-कंस्ट्रेंड मोशन प्लानिंग के लिए कॉन्फॉर्मल कंस्ट्रेंट टाइटनिंग

1. समस्या का निरूपण (Problem Formulation)

यह शोध पत्र स्वायत्त रोबोटों के मोशन प्लानिंग की चुनौती को संबोधित करता है जहाँ वास्तविक सिस्टम की गतिकी (dynamics) अज्ञात होती है, लेकिन एक अनुमानित नियत (deterministic) नाममात्र मॉडल (nominal model) उपलब्ध होता है। इसका उद्देश्य एक ऐसा नियंत्रण अनुक्रम (control sequence) तैयार करना है जो रोबटेज को एक प्रारंभिक अवस्था से लक्ष्य क्षेत्र तक ले जाए, जबकि एक निर्धारित सफलता की प्रायिकता ( $1-\alpha$ ) के साथ असुरक्षित अवस्थाओं (बाधाओं) से बचा रहे।

महत्वपूर्ण रूप से, यह शोध पत्र इसे अज्ञात वितरण ( $D_M$ ) पर नियोजन समस्याओं (planning problems) के एक वितरण के रूप में परिभाषित करता है। पारंपरिक दृष्टिकोणों के विपरीत, जो ज्ञात स्टोकेस्टिक मॉडल या अनिश्चितता पर संरचनात्मक धारणाओं (जैसे गाऊसी शोर) को मानते हैं, यह कार्य मानता है कि:

वास्तविक गतिकी $f$ अज्ञात है।
केवल एक नाममात्र मॉडल $\hat{f}$ सुलभ है।
नाममात्र और वास्तविक प्रणालियाँ समान अवस्था (state) और नियंत्रण स्थान (control space) साझा करती हैं।
नियोजन समस्याएँ (बाधा विन्यास, प्रारंभिक अवस्थाएँ, लक्ष्य) एक अज्ञात वितरण से i.i.d. (स्वतंत्र और समान रूप से वितरित) ली गई हैं।

मुख्य कठिनाई यह है कि अनमॉडल प्रभाव (unmodeled effects), पैरामीटर अनिश्चितता, या सीखी गई गतिकी में अनुमान त्रुटियाँ ऐसी प्रक्षेप पथों (trajectories) का कारण बन सकती हैं जो नाममात्र मॉडल के तहत सुरक्षित होते हैं, लेकिन वास्तविक प्रणाली पर विफल हो जाते हैं।

2. कार्यप्रणाली (Methodology)

प्रस्तावित ढांचा प्लानर-अज्ञेयवादी (planner-agnostic) है, जिसका अर्थ है कि इसे किसी भी मौजूदा मोशन प्लानिंग एल्गोरिदम (जैसे RRT, MPC, deep RL) के साथ एकीकृत किया जा सकता है। कार्यप्रणाली के तीन मुख्य चरण हैं:

A. अनिश्चितता मात्रा निर्धारण के लिए कॉन्फॉर्मल प्रेडिक्शन (CP)

लेखक नाममात्र और वास्तविक प्रक्षेप पथों के बीच के अंतर को मापने के लिए मॉडल त्रुटि के लिए किसी विशिष्ट वितरण की धारणा बनाए बिना, अनिश्चितता को मापने के लिए कॉन्फॉर्मल प्रेडिक्शन का उपयोग करते हैं।

कैलिब्रेशन डेटासेट: एक डेटासेट बनाया जाता है जिसमें वास्तविक प्रणाली पर नाममात्र रूप से व्यवहार्य (feasible) नियंत्रण अनुक्रमों को निष्पादित करके संगत वास्तविक प्रक्षेप पथ एकत्र किए जाते हैं।
नॉनकॉन्फॉर्मिटी स्कोर (NCS): कैलिब्रेशन सेट के प्रत्येक नियोजन समस्या के लिए, एक स्कोर की गणना की जाती है जो नियोजन क्षितिज (planning horizon) पर नाममात्र प्रक्षेप पथ और वास्तविक प्रक्षेप पथ के बीच के वर्स्ट-केस (worst-case) यूक्लिडियन विचलन को दर्शाता है:
$R(M) := \sup_{u} \max_{t} \|x_t - \hat{x}_t\|_2$
नोट: व्यवहार में, इसे व्यवहार्य नियंत्रण अनुक्रमों के एक परिमित उपसमुच्चय का उपयोग करके अनुमानित किया जाता है।
थ्रेशोल्ड गणना: दिए गए लक्षित विफलता प्रायिकता $\alpha$ के लिए, CP एक थ्रेशोल्ड $\hat{q}_\alpha$ की गणना करता है जो कैलिब्रेशन स्कोर का $(1-\alpha)$ -वाँ एम्पिरिकल क्वांटाइल (empirical quantile) है। यह थ्रेशोल्ड समान वितरण से प्राप्त अनदेखी नियोजन समस्याओं के लिए नाममात्र-से-वास्तविक विचलन पर एक संभाव्य सीमा प्रदान करता है।

B. कंस्ट्रेंट टाइटनिंग (Constraint Tightening)

कॉन्फॉर्मल थ्रेशोल्ड $\hat{q}_\alpha$ का उपयोग करते हुए, लेखक नाममात्र मॉडल के तहत एक टाइटनड प्लानिंग प्रॉब्लम ( $M_\alpha$ ) को परिभाषित करते हैं:

टाइटनड फ्री स्पेस ( $X^{\hat{q}_\alpha}_{free}$ ): मूल फ्री स्पेस को सीमाओं को "इरोड" (erode) करके छोटा किया जाता है। एक अवस्था $x$ तभी शामिल की जाती है यदि $x$ के केंद्र में स्थित $\hat{q}_\alpha$ त्रिज्या का एक बॉल (ball) मूल फ्री स्पेस के भीतर पूरी तरह से समाहित हो।
टाइटनड गोल रीजन ( $X^{\hat{q}_\alpha}_{goal}$ ): इसी प्रकार, गोल रीजन को इस तरह संकुचित किया जाता है कि नए गोल रीजन के किसी भी बिंदु के केंद्र में $\hat{q}_\alpha$ त्रिज्या का एक बॉल मूल गोल रीजन के भीतर समाहित हो।

ज्यामितीय रूप से, यह बाधाओं को फुलाने (inflating) और गोल रीजन को $\hat{q}_\alpha$ त्रिज्या से संकुचित करने के समान है।

C. सैद्धांतिक गारंटी

यह शोध पत्र सिद्ध करता है कि यदि कोई नियंत्रण अनुक्रम टाइटनड समस्या $M_\alpha$ को नाममात्र मॉडल का उपयोग करके हल करता है, तो वह $1-\alpha$ की प्रायिकता के साथ मूल चांस-कंस्ट्रेंड समस्या को संतुष्ट करता है। ऐसा इसलिए है क्योंकि कॉन्फॉर्मल बाउंड यह सुनिश्चित करती है कि वास्तविक प्रक्षेप पथ, नाममात्र प्रक्षेप पथ के $\hat{q}_\alpha$ -बॉल के भीतर रहता है; यदि नाममात्र प्रक्षेप पथ इरोडेड फ्री स्पेस के भीतर रहता है, तो यह गारंटी है कि वास्तविक प्रक्षेप पथ मूल फ्री स्पेस के भीतर रहेगा।

3. प्रमुख योगदान

CP-आधारित अनिश्चितता मात्रा निर्धारण: एक ऐसे ढांचे का विकास जो केवल एक नाममात्र मॉडल और कैलिब्रेशन डेटा का उपयोग करके, पैरामेट्रिक अनिश्चितता मॉडल की आवश्यकता के बिना, नियोजन समस्याओं के वितरण पर प्रक्षेप पथ-स्तर के मॉडल मिसमैच के लिए एक संभाव्य सीमा प्रदान करता है।
प्लानर-अज्ञेयवादी कंस्ट्रेंट टाइटनिंग: एक विधि जो चांस-कंस्ट्रेंड समस्या को टाइटनड बाधाओं वाले एक नियत (deterministic) प्लानिंग समस्या में परिवर्तित करती है। यह शोध पत्र सिद्ध करता है कि इस नियत समस्या को हल करना मूल संभाव्य आवश्यकता को संतुष्ट करने के लिए एक पर्याप्त स्थिति है।
अनुभवजन्य सत्यापन (Empirical Validation): दोनों नियत (पैरामीटर मिसमैच) और स्टोकेस्टिक (सीखी गई गतिकी + प्रोसेस नॉइज़) सेटिंग्स में ढांचे की प्रभावशीलता का प्रदर्शन, जो नाममात्र-मॉडल प्लानिंग की तुलना में बेहतर कार्य पूर्णता दर (task completion rate) दिखाता है।

4. प्रयोगात्मक परिणाम

ढांचे का मूल्यांकन दो परिदृश्यों पर किया गया:

डुबिन्स व्हीकल (Dubins Vehicle): एक नियत प्रणाली जिसमें गलत ट्रांसलेशनल पैरामीटर थे (सतह प्रतिरोध का अनुकरण करते हुए)।
प्लानर क्वाड्रोटर (Planar Quadrotor): एक उच्च-आयामी, अंडरएक्टुएटेड प्रणाली जिसमें स्टोकेस्टिक गतिकी और एक सीखा हुआ न्यूरल नेटवर्क मॉडल था।

मुख्य निष्कर्ष:

एम्पिरिकल कवरेज: सभी प्रयोगों में, एम्पिरिकल कवरेज (वास्तविक प्रक्षेप पथों का अंश जो सुरक्षा/लक्ष्य बाधाओं को संतुष्ट करते हैं) लगातार निर्धारित लक्षित स्तर ( $1-\alpha$ ) से अधिक रहा, जो सैद्धांतिक गारंटियों की पुष्टि करता है।
ट्रेड-ऑफ (Trade-off): जैसे-जैसे निर्धारित प्रायिकता ( $1-\alpha$ ) बढ़ी, कॉन्फॉर्मल थ्रेशोल्ड $\hat{q}_\alpha$ बढ़ा, जिससे अधिक रूढ़िवादी (conservative) कंस्ट्रेंट टाइटनिंग हुई। इसके परिणामस्वरूप प्लानर सक्सेस रेट (टाइटनड स्पेस के भीतर समाधान खोजने की क्षमता) में कमी आई, लेकिन टास्क-कंप्लीशन रेट (वास्तविक प्रणाली पर कार्य को सफलतापूर्वक निष्पादित करने की क्षमता) में महत्वपूर्ण वृद्धि हुई।
बेसलाइन बनाम प्रदर्शन: प्रस्तावित विधि ने बिना कंस्ट्रेंट टाइटनिंग के नाममात्र मॉडल का उपयोग करने वाले बेसलाइन RRT प्लानर की तुलना में लगातार बेहतर प्रदर्शन किया। क्वाड्रोटर के लिए, 90% लक्षित कवरेज पर, प्रस्तावित विधि ने ~55% नाममात्र बेसलाइन की तुलना में 100% टास्क-कंप्लीशन रेट प्राप्त किया।

5. महत्व और दावे

यह शोध पत्र मौजूदा मोशन प्लानिंग साहित्य की एक महत्वपूर्ण सीमा को संबोधित करने का दावा करता है: सुरक्षा गारंटी के लिए सटीक मॉडल या सिमुलेटर पर निर्भरता। सुरक्षा गारंटी के लिए प्लानिंग एल्गोरिदम को अनिश्चितता मात्रा निर्धारण से अलग करके, प्रस्तावित ढांचा मौजूदा प्लानर्स को अज्ञात गतिकी वाली प्रणालियों पर सुरक्षित रूप से संचालित करने की अनुमति देता है।

लेखक इस बात पर जोर देते हैं कि उनका दृष्टिकोण नियोजन समस्याओं के वितरण पर एक मार्जिनल प्रोबेबिलिस्टिक गारंटी प्रदान करता है, न कि प्रति-कार्य (per-task) गारंटी। यह उन रोबोटिक अनुप्रयोगों के लिए विशेष रूप से प्रासंगिक है जहाँ प्लानर्स को विविध वातावरणों और मिशन विनिर्देशों में बार-बार बुलाया जाता है। यह कार्य प्रदर्शित करता है कि टाइटनड समस्या के लिए समाधान न मिलने पर कुछ प्लानर सक्सेस रेट (रूढ़िवादिता) का त्याग करके अज्ञात प्रणालियों के लिए उच्च विश्वसनीयता प्राप्त करना संभव है।