Riassunto Tecnico: Funzioni di Barriera di Controllo Adattive Online sotto Incertezza Epistemica e Aleatoria

1. Definizione del Problema

Le Funzioni di Barriera di Controllo (Control Barrier Functions - CBF) sono uno strumento standard per imporre vincoli di sicurezza nei sistemi robotici, sintetizzando filtri di sicurezza che modificano minimamente un controllore nominale. Tuttavia, le prestazioni pratiche dei controllori basati su CBF dipendono fortemente dalla scelta dei parametri delle funzioni di classe-$\mathcal{K}$ (tassi di decadimento). Ciò crea un compromesso fondamentale:

• Parametri conservativi: garantiscono fattibilità e sicurezza, ma spesso risultano in un movimento lento e tortuoso.
• Parametri aggressivi: migliorano il progresso, ma possono rendere il filtro di sicurezza in fattibile o insicuro, specialmente in presenza di vincoli di input o in prossimità di ostacoli.

Gli approcci esistenti basati sull'apprendimento che tentano di adattare questi parametri online trattano spesso il modello appreso come un generatore diretto di parametri ottimali. Ciò introduce un rischio critico: se il modello è eccessivamente fiducioso su stati fuori distribuzione (OOD) o configurazioni di ostacoli, può produrre parametri non validi che compromettono direttamente la fattibilità del filtro di sicurezza. Inoltre, molti metodi esistenti mancano di meccanismi espliciti per valutare l'incertezza predittiva o validare i parametri rispetto ai vincoli di input prima della loro applicazione.

Questo articolo affronta la sfida dell'adattamento online dei parametri CBF sotto vincoli di input, con l'obiettivo di ridurre il conservatorismo pur garantendo la sicurezza attraverso un processo di verifica rigoroso e consapevole dell'incertezza.

2. Metodologia: OA-CBF (Online Adaptive CBF)

Il framework proposto, OA-CBF, sposta il paradigma dalla predizione diretta del parametro alla valutazione consapevole dell'incertezza dei parametri candidati. Invece di predire un singolo parametro ottimale, il sistema campiona parametri candidati, li valuta rispetto a metriche di sicurezza e di performance, e seleziona il miglior candidato verificato.

A. Parametri CBF Localmente Validati

Invece di richiedere un singolo parametro valido globalmente per tutti i futuri stati (il che è spesso intrattabile e eccessivamente conservativo), OA-CBF introduce il concetto di parametri CBF localmente validati. Un parametro è considerato localmente valido se soddisfa la condizione della CBF con vincolo di input (ICCBF) su un orizzonte di predizione finito $[t, t+T]$.

• Il framework certifica che la traiettoria del sistema rimanga all'interno di un "insieme sicuro interno" $C^\star(\alpha)$ durante questo orizzonte.
• Aggiornando ripetutamente il parametro a intervalli più brevi dell'orizzonte, la sicurezza è preservata tramite un meccanismo di validazione a orizzonte mobile (receding-horizon).

B. Progettazione del Modello di Predizione

Per valutare efficientemente i candidati, OA-CBF impiega una Rete Neurale Ensemble Probabilistica (PENN) addestrata offline.

• Encoder con Attenzione a Grafo: Per gestire ambienti con un numero variabile di ostacoli, il modello utilizza una rete neurale a grafi (GNN) con meccanismi di attenzione. Esso aggrega le informazioni da tutti gli ostacoli osservati (robot, obiettivo e ostacoli come nodi) senza padding o selezione euristica, producendo un vettore di contesto.
• Struttura di Input: Il parametro CBF candidato $\tilde{\alpha}$ viene esplicitamente concatenato con il vettore di contesto ambientale. La rete predice distribuzioni su due metriche:
  1. Metrica di Sicurezza ($\phi$): un livello di rischio derivato da una funzione di densità di perdita di sicurezza che penalizza le violazioni del vincolo ICCBF e la vicinanza agli ostacoli.
  2. Metrica di Performance ($\delta$): una misura dell'efficienza del progresso (ad esempio, tempo per raggiungere l'obiettivo).
• Architettura Ensemble: La PENN consiste in molteplici reti neurali indipendenti per catturare sia l'incertezza epistemica (incertezza del modello dovuta a dati limitati) sia l'incertezza aleatoria (rumore intrinseco nel sistema).

C. Verifica in Due Fasi Consapevole dell'Incertezza

Prima che un parametro candidato venga applicato, deve superare due rigorosi controlli:

1. Gate dell'Incertezza Epistemica (Conformal Prediction):

   • Il sistema quantifica il disaccordo del modello utilizzando la Divergenza di Jensen-Rényi (JRD) attraverso l'ensemble.
   • Una soglia $D_{thr}$ viene calibrata tramite conformal prediction su un dataset di validazione per garantire un tasso di richiamo specifico in-distribution.
   • Se la JRD supera la soglia, l'input è considerato OOD e la predizione viene rifiutata per evitare estrapolazioni eccessivamente fiduciose.

2. Screening del Rischio Aleatorio (CVaR Distribuzionalmente Robusto):

   • Per i candidati che superano il gate epistemico, il sistema valuta il Valore in Rischio Condizionale (CVaR) della metrica di sicurezza predetta.
   • Una condizione distribuzionalmente robusta assicura che anche il membro più conservativo dell'ensemble predica un livello di rischio inferiore alla soglia di sicurezza con alta probabilità. Questo serve a filtrare i rischi aleatori (rumore/variabilità) che potrebbero portare a violazioni della sicurezza.

D. Selezione e Controllo

Tra i candidati che superano entrambe le fasi di verifica, il sistema seleziona il parametro che minimizza la metrica di performance predetta $\delta$. Il parametro selezionato viene quindi applicato al controllore, che può essere realizzato come un CBF-QP o un MPC-CBF a campionamento.

3. Contributi Principali

L'articolo presenta quattro contributi primari:

1. Formulazione CBF Localmente Validata: Una nuova formulazione del problema che adatta i parametri CBF verificandoli su un orizzonte finito anziché cercare una soluzione globale, dimostrando che la ripetuta validazione locale preserva la sicurezza.
2. Verifica Consapevole dell'Incertezza: Una procedura in due fasi che combina la conformal prediction per il gating epistemico e il CVaR distribuzionalmente robusto per lo screening del rischio aleatorio, garantendo che solo predizioni affidabili influenzino il controllore.
3. Architettura di Predizione con Attenzione a Grafo: Un encoder scalabile che elabora ambienti con ostacoli di dimensioni variabili senza perdita di informazioni, consentendo al modello di valutare arbitrari parametri candidati invece di produrre un singolo valore deterministico.
4. Ampia Applicabilità: Dimostrazione del fatto che il framework funziona sia con i filtri MPC-CBF che con i CBF-QP ed è applicabile sia a vincoli di sicurezza basati sulla distanza (ICCBF) sia non basati sulla distanza (Dynamic Parabolic CBF).

4. Risultati Sperimentali

Il framework OA-CBF è stato valutato su cinque sistemi non lineari con vincoli di input: Uniciclo Dinamico, Quadrotor Planare (Quad2D), Quadrotor 3D (Quad3D), Bicicletta Cinematica e VTOL Quadplane.

• Sicurezza vs. Conservatorismo: Rispetto ai baseline a parametri fissi, OA-CBF ha ridotto significativamente il conservatorismo. Ad esempio, sull'Uniciclo Dinamico, ha ottenuto un tasso di fallimento della sicurezza dello 0% con un tempo medio di raggiungimento di 10,8s, mentre un parametro fisso conservativo ha impiegato 31,0s (0% di fallimenti), e un parametro fisso aggressivo ha avuto un tasso di fallimento del 39%.
• Confronto con i Baseline di Apprendimento: OA-CBF ha superato i baseline basati sull'apprendimento come BarrierNet e i metodi di decay ottimale. Mentre alcuni baseline hanno raggiunto tempi rapidi durante i tentativi riusciti, hanno sofferto di alti tassi di fallimento (ad esempio, BarrierNet ha avuto un tasso di fallimento del 60% sull'Uniciclo). OA-CBF ha mantenuto tassi di fallimento dello 0% in tutti i benchmark basati sulla distanza, ottenendo al contempo i tempi di raggiungimento più rapidi tra i metodi sicuri.
• Impatto dell'Attenzione a Grafo: Sostituire il proposto encoder con attenzione a grafo con un encoder standard "ostacolo più vicino" ha aumentato i tassi di fallimento della sicurezza (ad esempio, dallo 0% all'11% su Quad2D), dimostrando l'importanza di elaborare l'intero ambiente di ostacoli.
• CBF Non Basate sulla Distanza: Sulla Bicicletta Cinematica utilizzando una Dynamic Parabolic CBF (definita nello spazio della velocità relativa), OA-CBF ha ridotto il tasso di fallimento della sicurezza dall'84% (aggressivo fisso) all'1%, provando l'applicabilità del metodo oltre le funzioni di distanza con segno.

5. Significato e Rivendicazioni

L'articolo sostiene che OA-CBF fornisce un meccanismo trattabile per risolvere il compromesso tra sicurezza e performance nei controllori basati su CBF. Trattando il modello appreso come un valutatore consapevole dell'incertezza piuttosto che come un generatore diretto, il framework rifiuta esplicitamente aggiornamenti non sicuri o inaffidabili prima che vengano applicati.

Gli autori sottolineano che il metodo:

• Riduce il Conservatorismo: Permette al sistema di operare più vicino ai confini dell'insieme sicuro quando le condizioni lo consentono, a differenza dei parametri fissi conservativi.
• Garantisce la Robustezza: Attraverso la calibrazione conforme e lo screening CVaR, mitiga i rischi associati all'eccessiva fiducia delle reti neurali e agli spostamenti di distribuzione.
• Generalizza: È efficace su diverse dinamiche (dal uniciclo ai velivoli VTOL) e diversi formati di CBF (basati sulla distanza e basati sulla velocità relativa).

L'articolo conclude con modestia, riconoscendo che la qualità dell'adattamento dipende dalla copertura dei dati di addestramento offline e che l'implementazione hardware richiederà ulteriori lavori per affrontare gli errori di sensori, la dinamica non modellata e la latenza dell'ottimizzazione in tempo reale.