⚡ electrical engineering

Quantifying Aleatoric and Epistemic Dynamics Uncertainty via Local Conformal Calibration

Questo articolo introduce la Local Uncertainty Conformal Calibration (LUCCa), un metodo basato sulla predizione conforme e non asintotico che calibra localmente le stime dell'incertezza aleatoria per generare regioni di predizione probabilisticamente valide che tengano conto sia delle incertezze aleatorie che di quelle epistemiche nella dinamica dei robot, consentendo così una pianificazione sicura in ambienti nuovi.

Autori originali: Luís Marques, Dmitry Berenson

Pubblicato 2026-09-21

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Luís Marques, Dmitry Berenson

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

I robot si muovono nel mondo prevedendo cosa accadrà dopo. Se un robot sa esattamente come le sue ruote fanno presa sul pavimento o come le sue eliche spingono contro l'aria, può calcolare un percorso perfetto verso una destinazione. Ma il mondo reale è disordinato. Le superfici diventano scivolose, i venti cambiano e la fisica di una macchina può variare in modi che i suoi progettisti non avevano anticipato. Quando un robot incontra una situazione che non ha mai visto prima, la sua previsione interna del futuro diventa un tentativo di indovinare. Per muoversi in sicurezza, il robot deve capire non solo dove pensa che sarà, ma quanto è incerta quella supposizione. Deve distinguere tra due tipi di dubbio. Un tipo è il rumore casuale, come una ruota che scivola su una chiazza di ghiaccio; questo è imprevedibile ma avviene entro limiti noti. L'altro tipo è l'ignoranza, come un robot che cerca di guidare su una superficie che non ha mai toccato prima; qui, il robot semplicemente non ha le informazioni per sapere cosa accadrà. Per anni, gli ingegneri hanno lottato per misurare questo secondo tipo di incertezza in un modo che garantisse la sicurezza, affidandosi spesso ad assunzioni che crollano quando l'ambiente cambia.

Un team di ricercatori dell'Università del Michigan ha sviluppato un nuovo metodo per risolvere questo problema, permettendo ai robot di costruire una rete di sicurezza attorno alle loro previsioni anche quando si trovano in territori completamente sconosciuti. Chiamano il loro approccio Local Uncertainty Conformal Calibration (Calibrazione Conforme dell'Incertezza Locale). L'idea centrale è quella di prendere la migliore ipotesi di un robot sul proprio movimento futuro e poi regolare la dimensione della sua "bolla di sicurezza" in base ai dati del mondo reale. Immaginate un robot che abbia un modello di come si muove, ma che quel modello possa essere errato in certe aree. Prima che il robot inizi un nuovo compito, i ricercatori lo fanno sottoporre a una breve fase di calibrazione. Durante questa fase, il robot testa il suo modello contro un piccolo insieme di movimenti effettivi che esegue al suolo. Confrontando ciò che il modello ha previsto con ciò che è effettivamente accaduto, il sistema impara quanto espandere la sua bolla di sicurezza in diverse parti della stanza. Se il modello è solitamente accurato in un angolo, la bolla rimane stretta. Se il modello è incerto in un altro angolo, forse perché il pavimento è scivoloso, la bolla si espande significamente per coprire tutti i possibili risultati.

I ricercatori hanno testato questo metodo su un robot simulato che si muove come un'auto, capace di accelerare e curvare. Hanno posto questo robot in ambienti in cui la fisica cambia improvvisamente, come una sezione di pavimento con molta meno frizione rispetto al resto. In queste zone critiche, il modello standard del robot assumerebbe di poter fermare o curvare facilmente, portandolo a pianificare percorsi che risulterebbero in uno scontro. Il nuovo metodo, tuttavia, ha riconosciuto che il modello era inaffidabile in quegli specifici punti. Ha utilizzato i dati di calibrazione per gonfiare l'incertezza per quelle aree, costringendo l'algoritmo di pianificazione a scegliere percorsi più lenti e sicuri che evitassero interamente le zone pericolose. In una serie di test attraverso quattro diversi ambienti, il robot che utilizzava questo nuovo metodo di calibrazione ha raggiunto il suo obiettivo senza collisioni con ostacoli nella maggior parte delle prove, sebbene abbia subito un piccolo numero di collisioni in scenari più complessi come curve strette. Al contrario, un robot che utilizzava il modello standard, non calibrato, si scontrava fino all'80 percento delle volte, perché non riusciva a tenere conto del fatto che la sua stessa comprensione del mondo era incompleta.

Ciò che rende questo approccio particolarmente potente è che non richiede al robot di sapere esattamente come la fisica sia cambiata. Non deve identificare che il pavimento è bagnato o che l'aria è densa. Semplicemente osserva la discrepanza tra la sua previsione e la realtà e regola di conseguenza la sua fiducia. I ricercatori hanno dimostrato matematicamente che questo metodo garantisce che la bolla di sicurezza del robot conterrà la posizione futura reale del robot almeno il 90 percento delle volte per il primo passo di un piano, anche con una quantità molto piccola di dati di calibrazione. Questa garanzia rimane valida indipendentmente dal fatto che il robot si stia muovendo attraverso un corridoio familiare o uno spazio caotico e imprevedibile. Dividendo il problema in piccole regioni locali, il sistema evita l'errore comune di essere eccessivamente cautelativo ovunque. Invece di assumere lo scenario peggiore per l'intero viaggio, espande la margini di sicurezza solo dove i dati mostrano che è veramente necessario.

Lo studio ha anche esaminato come questo metodo si comporta nel tempo mentre il robot pianifica una sequenza di movimenti. Sebbene la prova matematica sia più forte per il primissimo passo di un piano, gli esperimenti hanno mostrato che il metodo rimane efficace anche quando il robot guarda più avanti nel futuro. Il sistema è riuscito a gestire l'incertezza cumulativa che di solito affligge la pianificazione a lungo termine. Nelle simulazioni, il robot che utilizzava questo metodo ha impiegato leggermente più tempo per raggiungere la sua destinazione rispetto al robot che ignorava l'incertezza e che si scontrava, ma è arrivato a destinazione in sicurezza. Il costo computazionale dell'aggiunta di questo controllo di sicurezza è stato minimo, richiedendo meno di un millisecondo per ogni fase di pianificazione su un normale processore per computer. Ciò suggerisce che il metodo potrebbe essere implementato su robot reali senza rallentarli. Il lavoro dimostra che, combinando il modello interno di un robot con un semplice controllo basato sui dati, possiamo dare alle macchine la capacità di riconoscere la propria ignoranza e agire con la dovuta cautela, trasformando un potenziale tentativo pericoloso in un piano provabilmente sicuro.

Sintesi Tecnica: Quantificazione dell'Incertezza Dinamica Aleatoria ed Epistemica tramite Calibrazione Conforme Locale

1. Definizione del Problema

I sistemi di controllo robotico spesso si affidano ad approssimazioni della dinamica (analitiche, simulate o apprese) che possono risultare imprecise quando vengono dispiegati in ambienti nuovi. Sebbene esistano molti metodi per quantificare l'incertezza aleatoria (stocasticità intrinseca del sistema), tali stime sono insufficienti per ambienti nuovi in cui le interazioni fisiche sottostanti cambiano, inducendo incertezza epistemica (incertezza dovuta alla mancanza di dati o al disallineamento del modello).

La sfida principale è fornire garanzie di sicurezza provabili e non asintotiche per la pianificazione del movimento quando:

La vera funzione dinamica $f$ è sconosciuta e potenzialmente discontinua.
Il modello approssimativo $\tilde{f}$ può essere arbitrariamente errato nel dominio di deployment ( $P_{test}$ ) rispetto al dominio di training ( $P_{train}$ ).
Il sistema deve soddisfare un vincolo di sicurezza $P(Y_\tau \in C) \geq 1-\alpha$ su un orizzonte di pianificazione, dove $C$ è un insieme sicuro.

Gli approcci esistenti spesso si basano su forti assunzioni (ad esempio, distribuzioni di errore gaussiane), forniscono solo limiti asintotici o utilizzano fattori di calibrazione globali che sono eccessivamente conservativi e poco informativi per spazi stato-azione ad alta dimensionalità.

2. Metodologia: Calibrazione Conforme Locale (LUCCa)

Gli autori propongono LUCCa, un framework basato sulla predizione conforme che calibra le stime dell'incertezza aleatoria di un predittore di dinamica per tenere conto dell'incertezza epistemica. Il metodo opera in due fasi: una fase di calibrazione offline e una fase di pianificazione online.

2.1 Concetti Chiave

Split Conformal Prediction (SplitCP): Il metodo utilizza SplitCP per costruire regioni di predizione che siano valide in senso frequentista senza assumere la struttura del predittore o della distribuzione dei dati.
Distanza di Mahalanobis come Punteggio di Non-conformità: Poiché il predittore di dinamica $\tilde{f}$ produce una distribuzione Normale Multivariata (MVN) $\mathcal{N}(\hat{\mu}, \hat{\Sigma})$ , il punteggio di non-conformità $r$ è definito come la distanza di Mahalanobis tra la distribuzione predetta e lo stato osservato reale:
$R^{(i)} = d_M(\tilde{f}(\bar{X}^{(i)}), Y^{(i)}) = \sqrt{(Y^{(i)} - \hat{\mu})^\top \hat{\Sigma}^{-1} (Y^{(i)} - \hat{\mu})}$
L'analisi teorica mostra che se il modello fosse perfetto, la distanza di Mahalanobis al quadrato seguirebbe una distribuzione Chi-quadro ( $\chi^2_{dim(S)}$ ).
Calibrazione Locale (LOCART): Invece di applicare un singolo fattore di scala globale (che porta a regioni di predizione eccessivamente conservative e ampie), LUCCa impiega il metodo LOCART, che partiziona lo spazio stato-azione utilizzando un regressore ad albero di decisione addestrato sui residui di calibrazione.
- Partizionamento: Il dataset di calibrazione viene diviso. Una parte addestra un albero di decisione per mappare le coppie stato-azione $(s, u)$ in nodi foglia che rappresentano regioni di errore del modello simili.
- Scaling Locale: Per ogni nodo foglia $k$ , viene calcolato un fattore di scala conforme specifico $\xi_k$ basato sui residui dei punti dati che ricadono in quella partizione.
- Calibrazione: Durante la pianificazione online, la covarianza predetta $\hat{\Sigma}$ viene scalata localmente: $\hat{\Sigma}_{cal} = \xi_k \hat{\Sigma}$ . Ciò crea regioni di predizione ellissoidali che si adattano alla difficoltà locale della dinamica.

2.2 Flusso dell'Algoritmo

Calibrazione Offline:
- Raccogliere un dataset di calibrazione $D_{cal}$ di transizioni $(s_t, u_t, s_{t+1})$ dall'ambiente di deployment (o un suo proxy).
- Calcolare i residui $R^{(i)}$ per tutti i punti di calibrazione.
- Adattare un albero di decisione (LOCART) per partizionare lo spazio stato-azione e calcolare i fattori di scala locali $\xi_k$ per ogni partizione.
Pianificazione Online (MPC):
- Dato uno stato corrente, il pianificatore (ad esempio, MPPI) campiona le traiettorie.
- Per ogni passo del rollout, la dinamica approssimativa $\tilde{f}$ propaga la distribuzione dello stato.
- Il fattore di scala locale $\xi_k$ (determinato dalla posizione della coppia stato-azione corrente nell'albero di decisione) viene applicato alla covarianza propagata.
- Il pianificatore ottimizza una funzione di costo che include una penalità per la traccia dell'incertezza calibrata (incoraggiando percorsi attraverso regioni con minore errore del modello) e l'evitamento di collisioni con le regioni di predizione calibrate.

3. Contributi Principali

Proposta di Algoritmo: Introduzione di LUCCa, un algoritmo che fornisce regioni di predizione probabilisticamente valide per gli stati futuri del robot, calibrando le stime dell'incertezza aleatoria per tenere conto dell'incertezza epistemica.
Garanzie Teoriche:
- Dimostrazione di validità per qualsiasi insieme finito di dati di calibrazione, qualsiasi predittore che produca un'incertezza normale multivariata e qualsiasi funzione dinamica reale sconosciuta.
- Dimostrazione che il metodo raggiunge la copertura locale (condizionata alle partizioni stato-azione) con campioni finiti, e raggiunge la copertura condizionata asintotica sotto deboli assunzioni.
- Dimostrazione che per il primo passo di pianificazione, la regione calibrata contiene il vero stato con probabilità $\geq 1-\alpha$ . Per i passi successivi, le garanzie valgono se la dinamica approssimativa è lineare e vengono soddisfatte specifiche assunzioni sul controllore.
Adattività Locale: L'uso di fattori di scala dipendenti dallo stato-azione evita l'eccessivo conservatorismo della calibrazione globale, permettendo al pianificatore di distinguere tra regioni di alta e bassa accuratezza del modello.
Validazione Empirica: Dimostrazione dell'efficacia del metodo su un sistema a doppio integratore con cambiamenti significativi della dinamica (ad esempio, variazioni di attrito), mostrando un miglioramento della sicurezza e dei tassi di successo rispetto ai baseline non calibrati.

4. Risultati Sperimentali

Gli autori hanno valutato LUCCa su un sistema a doppio integratore in quattro ambienti contenenti regioni di dinamica accurata e regioni di significativo disallineamento del modello (che simulano un attrito inferiore).

Copertura Empirica: Nell'ambiente "Corridor", LUCCa ha mantenuto una copertura empirica superiore alla soglia del 90% (per $\alpha=0.1$ ) in tutti i passi temporali, anche nelle regioni di alto errore del modello. Al contrario, il baseline non calibrato ha sottostimato significativamente l'incertezza nelle regioni di disallineamento, portando la copertura ben al di sotto del 90% all'estendersi dell'orizzonte.
Performance della Pianificazione del Movimento: Utilizzando il Controllo Predittivo del Modello (MPC) con MPPI:
- Sicurezza: LUCCa ha ottenuto un tasso di collisione dello 0% negli ambienti Corridor e Passage e del 3% nell'L-Turn, rispetto al 30%, 83% e 80% rispettivamente per il baseline non calibrato.
- Tasso di Successo: LUCCa ha ottenuto il 100% di successo in Corridor e Passage, rispetto al 70% e 17% del baseline.
- Efficienza: Sebbene il baseline a volte raggiungesse gli obiettivi più velocemente (ignorando l'incertezza e prendendo percorsi rischiosi), spesso collideva. La funzione di costo di LUCCa, che penalizzava l'alta incertezza, ha fatto sì che il robot rallentasse nelle regioni ad alto errore, evitando collisioni.
Overhead Computazionale: La fase di calibrazione locale (interrogazione dell'albero di decisione e scaling della covarianza) ha aggiunto circa 0,3 ms per ogni passo di pianificazione (un aumento del 32% della durata del passo), un valore che gli autori ritengono trascurabile per il deployment pratico.

5. Significato e Rivendicazioni

Il paper sostiene che LUCCa affronta un limite fondamentale nella robotica basata sui dati: l'incapacità di implementare in sicurezza modelli apprendibili o analitici in ambienti nuovi dove la dinamica può cambiare.

Rigore Teorico: A differenza dei metodi euristici di quantificazione dell'incertezza, LUCCa fornisce garanzie non asintotiche e a campioni finiti senza assumere la forma della vera dinamica o della distribuzione degli errori.
Utilità Pratica: Passando dalla calibrazione globale a quella locale, il metodo genera regioni di predizione che sono "sharp" (strette) nelle regioni di alta accuratezza del modello e "adaptive" (più ampie) nelle regioni di alta incertezza epistemica. Ciò consente ai pianificatori di compiere scambi informati tra esplorazione e sicurezza.
Pianificazione Critica per la Sicurezza: Il metodo consente la costruzione di piani probabilisticamente sicuri per sistemi con dinamiche stocastiche sconosciute, garantendo che le traiettorie rimangano entro insiemi sicuri con una probabilità specificata dall'utente, anche quando il modello è arbitrariamente errato in domini non caratterizzati.

Gli autori concludono che, sebbene le garanzie di sicurezza multi-step siano teoricamente provate per dinamiche lineari sotto specifiche assunzioni del controllore, i risultati empirici suggeriscono che il metodo fornisce una robusta copertura locale anche per scenari di pianificazione più complessi.