Distributional Stability of Tangent-Linearized Gaussian Inference on Smooth Manifolds

1. Enunciato del Problema

In robotica, l'inferenza probabilistica avviene spesso su varietà lisce (ad esempio, gruppi di Lie come $SO(3)$, $SE(3)$, o insiemi di vincoli di contatto) dove gli spazi degli stati sono intrinsecamente non lineari. Le pipeline di stima standard impiegano tipicamente un flusso di lavoro "linearizza–inferisci–retrai":

1. Linearizza: Approssima la varietà localmente con il suo spazio tangente in un punto $\tilde{\mu}$.
2. Inferisci: Esegue marginalizzazione o condizionamento Gaussiano sullo spazio tangente (sottospazio affine) utilizzando identità in forma chiusa.
3. Retrai: Mappa la distribuzione risultante indietro sulla varietà.

Il Problema Centrale: Sebbene questo approccio sia computazionalmente efficiente, non è chiaro quando sia affidabile. La marginalizzazione e il condizionamento esatti su varietà curve generano generalmente distribuzioni non Gaussiane. Il documento affronta la mancanza di limiti di errore espliciti e non asintotici che quantifichino la discrepanza tra la legge esatta indotta dalla varietà e l'approssimazione linearizzata tangenziale. Nello specifico, mira a determinare come curvatura, scala della covarianza e offset della media influenzino la validità della linearizzazione a singolo grafico.

2. Metodologia

Gli autori formalizzano l'affidabilità come un problema di stabilità distribuzionale, quantificando la discrepanza tra la distribuzione esatta e l'approssimazione utilizzando la distanza di Wasserstein-2 ($W_2$). La metrica $W_2$ è scelta perché metrizza la convergenza debole con i momenti secondi, controllando direttamente gli errori nella media e nella covarianza.

Lo studio analizza due operazioni canoniche:

• Marginalizzazione per Proiezione: Spingere una Gaussiana ambientale $X \sim \mathcal{N}(\mu, \Sigma)$ sulla varietà $M$ tramite la proiezione metrica $g: \mathbb{R}^n \to M$.
• Condizionamento sulla Misura di Superficie: Restringere la densità Gaussiana ambientale a $M$ e rinormalizzarla rispetto alla misura di superficie (forma di volume) di $M$.

Quadro Teorico:
Gli autori derivano limiti di errore decomponendo l'errore in due componenti:

1. Distorsione Geometrica Locale: L'errore derivante dal disallineamento del secondo ordine tra la curvatura della varietà e lo spazio tangente piatto all'interno di un intorno locale.
2. Perdita di Coda Non Locale: L'errore causato dalla massa di probabilità che "fuoriesce" al di fuori dell'intorno locale dove la linearizzazione è valida.

I concetti geometrici chiave utilizzati includono:

• Raggiungibilità ($\rho$): Il raggio più grande tale che ogni punto entro tale distanza abbia un punto più vicino unico sulla varietà.
• Curvatura ($\kappa$): Limitata dalla norma dell'operatore della seconda forma fondamentale.
• Retrazione/Grafici: Mappature dallo spazio tangente indietro alla varietà con limiti di accuratezza quadratica.

3. Contributi Chiave

A. Limiti Espliciti Non Asintotici $W_2$

Il documento deriva limiti superiori rigorosi per la distanza $W_2$ tra le distribuzioni esatte e approssimate:

• Per la Marginalizzazione (Teorema III.1): Il limite separa l'errore locale (che scala con la curvatura $\kappa$ e l'errore di retrazione $\kappa_R$) dalla perdita di coda (controllata dalla massa di probabilità al di fuori del raggio di localizzazione).
  $$W_2 \leq C_{loc}(\kappa + \kappa_R)\sqrt{E[\|X-\tilde{\mu}\|^4]} + C_{tail}\epsilon^{1/4}$$
• Per il Condizionamento (Teorema IV.1): Il limite tiene conto delle distorsioni della forma della densità (fattori Jacobiani e differenze di log-densità) oltre al trasporto di massa. Introduce un "esponente di disallineamento curvatura/volume" $\eta_r$ che quantifica come la curvatura del vincolo e la precisione a priori deformino l'approssimazione tangenziale.

B. Diagnostica in Forma Chiusa per Input Gaussiani

Per input Gaussiani, gli autori specializzano i limiti per fornire diagnostici calcolabili basati sulla media ($\mu$), sulla covarianza ($\Sigma$) e sulla geometria locale ($\rho, \kappa$):

• Metrica di Stabilità ($k_\rho$): Una diagnostica chiave è il rapporto $k_\rho = \sqrt{\|\Sigma\|_{op}} / \rho$, che rappresenta il rapporto tra la dispersione dell'incertezza e il raggio di raggiungibilità della varietà.
• Metrica di Offset ($s_\delta$): Il rapporto tra l'offset della media dal punto di linearizzazione e il raggio di raggiungibilità, $\|\delta\|/\rho$.
• Previsione di Fallimento: I limiti prevedono che la linearizzazione diventi inaffidabile quando $k_\rho \gtrsim 1/6$ o quando l'offset della media è elevato.

C. Identificazione delle Modalità di Fallimento

L'analisi rivela che l'incertezza nella direzione normale è la modalità di fallimento dominante. L'incertezza allineata con il vettore normale alla varietà stressa maggiormente curvatura e raggiungibilità, portando a un rapido degrado della calibrazione rispetto all'incertezza tangenziale.

4. Risultati Sperimentali

Gli autori validano le loro previsioni teoriche utilizzando due benchmark:

A. Benchmark del Cerchio 2-D

• Configurazione: Una Gaussiana viene proiettata/condizionata su un cerchio di raggio $R$.
• Risultati:
  • Punto di Transizione: La transizione di calibrazione (dove l'approssimazione lineare diventa eccessivamente sicura) si verifica coerentemente a $\sqrt{\|\Sigma\|_{op}}/R \approx 1/6$.
  • Anisotropia: La norma spettrale $\|\Sigma\|_{op}$ funge da diagnostico efficace anche per covarianze anisotrope.
  • Sensibilità all'Offset: Grandi offset della media ($\delta$) causano perdita di coda e degrado della copertura anche se la curvatura è bassa.
  • Condizionamento vs. Marginalizzazione: Il condizionamento è più fragile della marginalizzazione; si rompe a una dispersione inferiore ($\approx 0.30$ contro $\approx 0.38$) a causa di artefatti nella forma della densità (distorsione Jacobiana) che $W_2$ potrebbe sottostimare.

B. Spinta Piana (Compito Ricco di Contatti)

• Configurazione: Un robot spinge una scatola con vincoli di contatto rigidi (vincoli di varietà).
• Risultati:
  • Analisi della Traiettoria: Il disallineamento tra le covarianze linearizzate e quelle Monte Carlo correla fortemente con l'indicatore di località $s_k/\hat{\rho}_k$.
  • Stress Direzionale: L'inflazione dell'incertezza nella direzione normale causa errori di calibrazione significativamente maggiori rispetto all'inflazione tangenziale, confermando la previsione teorica che l'incertezza normale è la modalità di fallimento critica.
  • Soglie Pratiche: Per raggi di contatto tipici ($R_c \approx 0.1$ m), la soglia $\sqrt{\|\Sigma\|_{op}} \lesssim 17$ mm viene facilmente violata dall'accumulo di rumore di processo.

5. Significato e Implicazioni Pratiche

• Cancello di Calibrazione in Tempo di Esecuzione: Le diagnostiche derivate ($k_\rho$ e $s_\delta$) forniscono un trigger pratico e a basso costo per i solver robotici (ad esempio, GTSAM, iSAM2).
  • Se $k_\rho \lesssim 1/6$ e $s_\delta \ll 1$: La linearizzazione tangenziale a singolo grafico è affidabile.
  • Se $k_\rho$ è elevato: Passare a relinearizzazione iterata.
  • Se $s_\delta$ è elevato: È richiesta una relinearizzazione immediata (ad esempio, dopo chiusure di loop).
  • Se entrambi sono elevati: Passare a inferenza multi-grafico o basata su particelle.
• Asimmetria nel Condizionamento: Il documento evidenzia che il condizionamento è strutturalmente più sensibile della marginalizzazione a causa delle costanti di normalizzazione che amplificano gli errori nella forma della densità. Ciò suggerisce che le operazioni di condizionamento richiedono controlli più rigorosi (ad esempio, controlli di copertura o divergenza KL) anche quando i limiti $W_2$ appaiono moderati.
• Fondamento Teorico: Questo lavoro colma il divario tra l'estimazione euristica in robotica e la probabilità geometrica rigorosa, fornendo i primi limiti non asintotici che separano la distorsione geometrica dalla perdita di coda per l'inferenza Gaussiana su varietà.

In sintesi, il documento fornisce un quadro matematicamente rigoroso per determinare quando l'inferenza Gaussiana linearizzata tangenziale è sicura da utilizzare in robotica e quando sono necessari metodi non lineari più complessi, prevenendo l'uso di stime di incertezza eccessivamente sicure e inaccurate in compiti critici di controllo e pianificazione.