⚡ electrical engineering

Lies We Can Trust: Quantifying Action Uncertainty with Inaccurate Stochastic Dynamics through Conformalized Nonholonomic Lie groups

Questo articolo introduce i Conformal Lie-group Action Prediction Sets (CLAPS), un algoritmo di predizione conforme consapevole della simmetria che fornisce garanzie probabilistiche non asintotiche e distribution-free per le configurazioni di sistema su gruppi di Lie non euclidei come SE(2), superando i metodi esistenti basati su spazi euclidei in termini di efficienza del volume e rappresentazione dell'incertezza.

Autori originali: Luís Marques, Maani Ghaffari, Dmitry Berenson

Pubblicato 2026-08-25

📖 6 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Luís Marques, Maani Ghaffari, 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 che si muovono nel mondo, dai robot per le consegne che navigano sui marciapiedi ai droni che si snodano tra le foreste, si affidano a modelli matematici per ipotizzare dove si troveranno un istante dopo aver compiuto un movimento. Questi modelli non sono mai perfetti. Il mondo reale è caotico: le ruote scivolano sull'asfalto bagnato, le batterie perdono potenza e raffiche di vento impreviste spingono un veicolo fuori rotta. A causa di queste imperfezioni, la previsione della posizione futura di un robot è sempre una congettura, non una certezza. Per operare in sicurezza, un robot deve sapere non solo dove pensa di andare, ma anche quanto ampio debba essere il margine di errore da prevedere. Se un robot è troppo sicuro di sé, potrebbe scontrarsi con un muro che pensava di evitare. Se è troppo cauto, potrebbe rifiutarsi di muoversi, paralizzato dal timore di un errore improbabile. La sfida per gli ingegneri è tracciare un confine attorno a quella congettura: una zona che sia abbastanza stretta da essere utile per la pianificazione, ma abbastanza ampia da garantire che il robot rimanga effettivamente al suo interno, anche quando le cose vanno male.

Un team di ricercatori dell'Università del Michigan ha sviluppato un nuovo modo per tracciare questi confini di sicurezza, specificamente per i robot che si muovono con i vincoli della fisica del mondo reale, come le auto che non possono scivolare lateralmente o i robot che devono curvare per cambiare direzione. Il loro metodo, che chiamano CLAPS, utilizza una tecnica statistica chiamata previsione conforme per calibrare l'incertezza del robot. Invece di assumere che gli errori seguano un modello semplice e prevedibile come una curva a campana, questo approccio apprende da un insieme di dati di movimenti passati per determinare esattamente quanto il robot potrebbe deviare. I ricercatori hanno scoperto che, rispettando la specifica geometria del movimento di questi robot, potevano creare zone di sicurezza significativamente più piccole e accurate rispetto a quelle prodotte dai metodi esistenti. Nei test condotti sia con robot simulati che con un robot fisico che si muoveva su un pavimento, il loro approccio ha contenuto con successo la vera posizione del robot all'interno della zona prevista al tasso desiderato, utilizzando al contempo meno spazio rispetto alle tecniche precedenti.

Il cuore del problema risiede nel modo in cui i robot rappresentano la propria posizione. Molti metodi standard trattano la posizione di un robot come un semplice punto su una griglia piatta, come un punto su un foglio di carta millimetrata. Questo funziona bene per movimenti semplici, ma non riesce a catturare la realtà dei robot che hanno comportamenti complessi di rotazione e scivolamento. Quando un robot curva, il suo percorso si incurva in un modo che una griglia piatta non può facilmente descrivere senza creare zone di sicurezza enormi e dispendiose. I ricercatori si sono resi conto che questi robot si muovono su una superficie matematica curva, simile a come un punto su una sfera si muove diversamente rispetto a un punto su un piano piatto. Trattando il movimento del robot come se avvenisse su questa superficie curva, sono stati in grado di definire l'incertezza in un modo che si adatta naturalmente al moto del robot.

Per testare questa idea, il team ha prima costruito un dataset di migliaia di movimenti robotici. Hanno preso un robot simulato, lo JetBot, e un robot reale, l'MBot, e hanno ordinato loro di muoversi in vari modi. Per ogni comando impartato, hanno registrato dove il robot finiva effettivamente rispetto a dove il suo modello interno prevedeva che sarebbe andato. Questa collezione di differenze ha servito come set di calibrazione. I ricercatori hanno poi applicato il loro nuovo algoritmo a questi dati. L'algoritmo ha calcolato un punteggio specifico per ogni movimento che misurava quanto la previsione fosse errata, tenendo conto dei vincoli specifici di rotazione e scivolamento del robot. Analizzando la distribuzione di questi punteggi, l'algoritmo ha determinato un fattore di scala che ha regolato la dimensione della zona di sicurezza quanto bastava per garantire che avrebbe colto la vera posizione del robot con alta probabilità.

I risultati hanno mostrato un chiaro vantaggio per il nuovo metodo. Nelle simulazioni, i ricercatori hanno confrontato il loro approccio con altri sette metodi comuni. I vecchi metodi producevano spesso zone di sicurezza che erano o troppo grandi per essere utili o troppo piccole per essere sicure. Ad esempio, alcuni metodi creavano zone di sicurezza che apparivano come cerchi o ellissi perfetti, che sono facili da calcolare ma non corrispondono alla forma reale degli errori del robot. Queste forme includevano spesso aree in cui il robot non avrebbe mai potuto andare, sprecando spazio, o mancavano aree dove il robot era effettmente propenso a finire. Il nuovo metodo, al contrario, produceva zone di sicurezza che apparivano come regioni curve, a forma di banana. Queste forme seguivano il percorso naturale dell'incertezza del robot, avvolgendo strettamente gli esiti più probabili senza includere quelli impossibili.

Quando i ricercatori hanno misurato la dimensione di queste zone, la differenza è stata significativa. Il nuovo metodo ha prodotto zone di sicurezza che erano, in media, più piccole di quelle del secondo miglior metodo calibrato. Negli esperimenti hardware con il vero MBot, il nuovo approccio ha creato zone che erano mediamente il 23 percento più piccole rispetto al metodo standard, e in alcuni casi fino al 75 percento più piccole. Nonostante fossero più piccole, le nuove zone hanno comunque contenuto con successo la posizione reale del robot al tasso che i ricercatori avevano stabilito come obiettivo. Ciò significa che il robot può essere più preciso nella sua pianificazione, permettendogli di navigare in spazi ristretti o di muoversi più velocemente senza aumentare il rischio di una collisione. I ricercatori hanno anche verificato che il loro metodo funzionasse correttamente anche quando il modello interno del robot era imperfetto o quando l'ambiente introduceva disturbi imprevisti.

Lo studio evidenzia un cambiamento nel modo in cui gli ingegneri potrebbero approcciare la sicurezza dei robot. Invece di fare affidamento su assunzioni rigide su come si comportano gli errori, o utilizzare stime eccessivamente conservative che limitano le capacità di un robot, questo approccio utilizza i dati per apprendere la vera forma dell'incertezza. Riconosce che il mondo è complesso e che il movimento di un robot è vincolato dalla fisica in modi che le semplici griglie non possono catturare. Rispettando questi vincoli, i ricercatori sono stati in grado di creare uno strumento che è sia matematicamente rigoroso che praticamente efficiente. Il lavoro suggerisce che i robot futuri potrebbero navigare con maggiore fiducia in ambienti dinamici, sapendo esattamente quanto spazio hanno bisogno per operare in sicurezza. I ricercatori hanno reso il loro codice e i loro dati disponibili agli altri, invitando la comunità più ampia a costruire su questo metodo per una vasta gamma di sistemi robotici.

Sintesi Tecnica: Conformal Lie-group Action Prediction Sets (CLAPS)

Definizione del Problema
I sistemi robotici che operano in ambienti stocastici si affidano a modelli di dinamica imperfetti per prevedere le configurazioni future. Queste imprecisioni derivano sia dall'incertezza aleatoria (stocasticità irreducibile come disturbi esterni o slittamento delle ruote) sia dall'incertezza epistemica (semplificazioni del modello, shift del dominio o dati limitati). Sebbene esistano metodi basati sull'apprendimento e strumenti tradizionali per la sicurezza critica, essi spesso mancano di rigorose garanzie probabilistiche indipendenti dalla distribuzione (distribution-free). Gli approcci tradizionali spesso assumono distribuzioni di errore specifiche (ad es. Gaussiana) o si affidano a stime di incertezza non calibrate, il che è insufficiente per il controllo sicuro. Inoltre, i metodi esistenti di Conformal Prediction (CP), che offrono garanzie probabilistiche non asintotiche, trattano tipicamente le configurazioni dei robot come vettori euclidei. Questo approccio è subottimale per sistemi con spazi di configurazione non euclidei (ad es. $SE(2)$ o $SE(3)$ ), risultando spesso in regioni di predizione eccessivamente conservative e inefficienti in termini di volume, che non riescono a catturare l'inerzia e la geometria intrinseca del sistema.

Metodologia
Gli autori propongono Conformal Lie-group Action Prediction Sets (CLAPS), un algoritmo consapevole della simmetria che costruisce set di predizione garantiti di contenere la vera configurazione del sistema con una probabilità definita dall'utente $(1-\alpha)$ , indipendentemente dalla fedeltà del modello di dinamica approssimato.

Framework Teorico: Il metodo converte rigorosamente la dinamica non oloferica dello Spazio di Stato (SS) in forma di Gruppo di Lie. Utilizzando le equazioni di Euler-Poincaré-Suslov forzate, lo stato del sistema è rappresentato come $(g, \xi) \in G \times \mathfrak{g}$ , dove $G$ è un gruppo di Lie (ad es. $SE(2)$ ) e $\mathfrak{g}$ è la sua algebra di Lie. Ciò consente di propagare l'incertezza lungo il manifold dei vincoli rispettando l'inerzia e i vincoli non oloferici del sistema.
Scoring Consapevole della Simmetria: A differenza della CP standard che utilizza distanze euclidee, CLAPS definisce uno score di non conformità basato sulla distanza di Mahalanobis nelle coordinate esponenziali (l'algebra di Lie). Lo score $r_1$ misura il disaccordo tra la configurazione predetta $\tilde{g}_1$ e la configurazione reale $g_1$ utilizzando la differenza di gruppo:
$r_1(g; \tilde{g}_1, \tilde{\Sigma}_1) = \sqrt{\log(\tilde{g}_1^{-1} g)^T \tilde{\Sigma}_1^{-1} \log(\tilde{g}_1^{-1} g)}$
Qui, $\tilde{\Sigma}_1$ rappresenta la covarianza dell'incertezza stimata nel frame solidale con il corpo (body-fixed frame).
Calibrazione e Garanzie: Utilizzando un dataset di calibrazione di transizioni di stato, l'algoritmo calcola un fattore di scala conforme $\zeta$ . Questo fattore scala la covarianza approssimata per produrre una regione calibrata nell'algebra di Lie. Attraverso una serie di teoremi, gli autori dimostrano che mappare questa regione calibrata nuovamente nello spazio di configurazione $Q$ tramite la mappa cinematica e l'esponenziale di gruppo produce un set $C_q$ che soddisfa:
$P(q_1 \in C_q) \geq (1-\alpha)$
Questa garanzia è valida non asintoticamente ed è applicabile sia alle incertezze aleatorie che a quelle epistemiche senza richiedere assunzioni forti sulla distribuzione del rumore.
Applicazione a Valle: Il set calibrato può essere utilizzato per il controllo sicuro verificando se una configurazione ricade all'interno del set o ricostruendo il confine del set nello spazio di configurazione (o nello spazio di lavoro) per l'evitamento degli ostacoli.

Contributi Chiave

Chiarificazione Teorica: Il documento fornisce una spiegazione concisa e autosufficiente della conversione della dinamica non oloferica dallo Spazio di Stato alla forma di Gruppo di Lie, colmando una lacuna nella letteratura.
Sviluppo dell'Algoritmo: L'introduzione di CLAPS, un algoritmo che costruisce set di predizione calibrati, dipendenti dallo stato e dall'azione, in $SE(2)$ . Questi set contengono provabilmente la configurazione risultante nonostante le imprecisioni del modello e i disturbi stocastici.
Efficienza Consapevole della Simmetria: Derivando una metrica di score basata su Lie e rispettosa della simmetria, il metodo produce regioni di predizione più piccole (più efficienti in termini di volume) rispetto ai baseline euclidei, mantenendo la stessa copertura probabilistica.
Validazione Empirica: Gli autori validano l'approccio attraverso simulazioni (Isaac Sim con un JetBot) ed esperimenti hardware (MBot), dimostrando una superiorità nella densità di volume e nella qualità della rappresentazione rispetto ai modelli di stato dell'arte.
Open Source: L'implementazione per ambienti reali e simulati è resa open source.

Risultati
Gli esperimenti sono stati condotti su un JetBot simulato (625 trial di validazione) e un MBot reale (4.511 trial di validazione).

Copertura: I metodi non calibrati (SS EKF, InEKF) e gli stimatori basati sui dati (InEKF+2M, InEKF+MLE) non sono riusciti a soddisfare il requisito di copertura del 90% impostato dall'utente. Tutti i metodi di Conformal Prediction, incluso CLAPS, hanno raggiunto la copertura marginale richiesta (circa 90%).
Efficienza del Volume: CLAPS ha prodotto regioni di predizione significativamente più efficienti. Nella simulazione, CLAPS ha ottenuto il volume medio più piccolo nello spazio di configurazione tra tutti i metodi calibrati (rapporto normalizzato di 1.00) e la più alta Intersezione su Unione (IoU) nello spazio di lavoro con particelle Monte Carlo (48.4%), indicando un migliore adattamento alla vera distribuzione dell'incertezza.
Prestazioni Hardware: Sul MBot, CLAPS ha prodotto regioni in media il 23% più piccole rispetto al baseline euclideo CP (SS EKF + CP) e fino al 75% più piccole in casi specifici, pur soddisfacendo la garanzia di copertura del 90%.
Costo Computazionale: Il passo di predizione online è computazionalmente efficiente (0.02s per azione), e la calibrazione offline è rapida (0.14s).

Significato e Rivendicazioni
Il documento afferma che CLAPS offre un framework rigoroso e indipendente dalla distribuzione per la quantificazione dell'incertezza in sistemi robotici non euclidei. Sfruttando la struttura geometrica dei gruppi di Lie, il metodo supera i limiti del trattamento delle configurazioni dei robot come semplici punti euclidei. Gli autori sostengono che ciò porti a "regioni di predizione più efficienti in termini di volume" che rappresentano meglio l'incertezza sottostante rispetto agli approcci esistenti. Questo miglioramento è significativo per compiti a valle come la pianificazione e il controllo sicuri, poiché predizioni più strette permettono un insieme più ampio di azioni probabilisticamente sicure, migliorando potenzialmente la velocità e le prestazioni del compito senza compromettere le garanzie di sicurezza. Il lavoro estende le precedenti garanzie di Conformal Prediction dagli spazi euclidei ai robot con configurazioni in $SE(2)$ , affrontando una lacuna critica nell'applicazione di garanzie di sicurezza statistica ai sistemi robotici stocastici e non oloferici.

Sintesi Tecnica: Conformal Lie-group Action Prediction Sets (CLAPS)

Articoli simili