⚡ electrical engineering

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

Questo articolo propone un metodo indipendente dal pianificatore che sfrutta la previsione conforme per restringere i vincoli di pianificazione basandosi sulle deviazioni tra traiettoria nominale e reale, fornendo così garanzie probabilistiche di completamento del compito per robot autonomi operanti in condizioni di dinamiche ignote.

Autori originali: Shubham Natraj, Bruno Sinopoli, Yiannis Kantaros

Pubblicato 2026-07-27

📖 8 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Shubham Natraj, Bruno Sinopoli, Yiannis Kantaros

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

Immagina di insegnare a un robot come navigare in un labirinto. Per farlo, fornisci al robot una mappa e un insieme di regole. Ma ecco il problema: la mappa che hai è solo una supposizione. È un modello "nominale", uno schizzo fatto con le migliori intenzioni su come si muove il robot. Nel mondo reale, il robot potrebbe essere più pesante di quanto pensassi, o il pavimento potrebbe essere scivoloso, o le sue ruote potrebbero slittare. Questo divario tra la tua mappa schematica e la realtà disordinata è chiamato "disallineamento del modello" (model mismatch). Se ti fidi troppo della tua mappa, il robot potrebbe scontrarsi con un muro che pensava fosse lontano, o mancare completamente il traguardo. Questo è un grande problema nella robotica perché non possiamo sempre conoscere la fisica esatta di una nuova macchina o dell'ambiente prima di inviarla. Abbiamo bisogno di un modo per pianificare un percorso che sia sicuro anche quando la nostra mappa è imperfetta. È qui che entra in gioco il concetto di "pianificazione con vincoli di probabilità" (chance-constrained planning): invece di pretendere un percorso che sia sempre perfetto (il che è spesso impossibile), puntiamo a un percorso che funzioni la maggior parte delle volte, diciamo il 95% delle volte, dandoci una rete di sicurezza contro la nostra stessa ignoranza.

Il documento che stai per leggere affronta esattamente questo problema: come rendere sicuro il piano di un robot quando il vero comportamento del robot è sconosciuto, ma abbiamo un modello approssimativo e grezzo con cui lavorare. Gli autori, Shubham Natraj, Bruno Sinopoli e Yiannis Kantaros, propongono un trucco intelligente utilizzando uno strumento statistico chiamato "Conformal Prediction". Pensa alla Conformal Prediction come a un "ispettore della sicurezza" che osserva una serie di test passati per capire quanto il robot reale possa effettivamente deviare dalla mappa. Non cercano di correggere la mappa; invece, restringono il campo da gioco. Prendono le zone sicure sulla mappa e le rendono più piccole, e l'area dell'obiettivo più piccola, di una quantità specifica. Questa quantità è calcolata in modo che, se il robot rimane all'interno di queste zone ristrette sulla mappa, sia matematicamente garantito che rimanga al sicuro nel mondo reale con un'alta probabilità.

Ecco la storia di come l'hanno fatto e di cosa hanno scoperto.

Il Problema: La Mappa vs Il Territorio

I robot devono muoversi da un punto di partenza a un obiettivo evitando gli ostacoli. Di solito, gli ingegneri utilizzano un modello informatico per simulare il movimento del robot. Eseguono un algoritmo di pianificazione (come un GPS intelligente) per trovare una sequenza di movimenti che sembri perfetta al computer. Ma quando eseguono quella stessa sequione sul robot reale, le cose vanno male. Magari il motore del robot è leggermente più debole, o il vento lo spinge diversamente. Il percorso "vero" che il robot compie si allontana dal percorso "nominale" che il computer aveva pianificato. Se questa deriva è troppo grande, il robot colpisce un ostacolo o manca l'obiettivo.

Gli autori sostengono che non possiamo sempre conoscere la fisica esatta del robot in anticipo. Potremmo avere un modello appreso (una supposizione basata sui dati) o un modello fisico semplificato, ma non sarà mai accurato al 100%. La sfida è calcolare una sequenza di controllo (una lista di movimenti) che funzioni sul robot reale, anche se abbiamo solo il modello approssimativo con cui pianificare.

La Soluzione: Il Trucco della "Bolla di Sicurezza"

La soluzione proposta dagli autori è un processo in due fasi che trasforma un problema rischioso e incerto in uno deterministico e sicuro.

Fase 1: La Calibrazione (La Prova su Strada)
Per prima cosa, devono sapere quanto può essere grave il disallineamento. Prendono il loro modello approssimativo ed eseguono una serie di test su problemi diversi. Per ogni problema, trovano un percorso che funzioni al computer. Poi, eseguono effettivamente quel percorso sul robot reale e osservano cosa succede. Misurano la distanza tra dove il computer pensava che il robot sarebbe stato e dove il robot si trovava effettivamente. Lo fanno per 100 diversi scenari di test.

Utilizzando un metodo statistico chiamato Conformal Prediction, analizzano queste 100 misurazioni e si chiedono: "Qual è la distanza massima dalla quale il robot reale è deviato dalla previsione del computer nel 95% (o 99%, ecc.) di questi casi?" Questo fornisce loro un "raggio di sicurezza", chiamiamolo $\hat{q}_\alpha$ . Questo numero rappresenta una bolla di "caso peggiore". Sanno che, con alta probabilità, il robot reale non si allontanerà mai dal percorso previsto dal computer più di questa distanza.

Fase 2: Il Stringimento (Restringere la Stanza)
Ora arriva la magia. Invece di pianificare sulla mappa originale, creano una nuova mappa "ristretta".

Prendono gli ostacoli sulla mappa e li rendono più grandi (li gonfiano) di $\hat{q}_\alpha$ , il raggio di sicurezza.
Prendono lo spazio libero e l'area dell'obiettivo e li rendono più piccoli (li erodono) della stessa quantità.

Immaginate di camminare in un corridoio con uno zaino grande e ingombrante. Se pianificate il vostro percorso aderendo alle pareti, potreste colpirle con lo zaino. Quindi, pretendete che le pareti siano più lontane e che il corridoio sia più stretto. Camminate al centro di questo corridoolo immaginario più stretto. Se restate al centro del corridoio stretto, il vostro zaino non colpirà mai le pareti reali.

Gli autori dimostrano che se un robot riesce a trovare un percorso attraverso questa versione della mappa più stretta e "ristretta" usando il modello approssimativo, allora quello stesso percorso è garantito essere sicuro sul robot reale con la probabilità prestabilita. Il robot non ha bisogno di conoscere la vera dinamica; deve solo risolvere il problema più difficile e ristretto sulla mappa.

Gli Esperimenti: Funziona?

Per testare questo, gli autori hanno eseguito due scenari differenti.

Scenario 1: L'Auto che Rallenta (Veicolo Dubins)
Hanno utilizzato un semplice modello di auto che può curvare ma non può muoversi lateralmente. La "vera" auto aveva un difetto nascosto: era più lenta di quanto previsto dal modello a causa dell'attrito (simulato da un parametro $\beta_v$ ). Hanno testato livelli di disallineamento di 0,05, 0,10, 0,15 e 0,20.

Il Risultato: Quando hanno utilizzato il loro metodo "ristretto", il robot ha raggiunto l'obiettivo ed evitato collisioni con un tasso che corrispondeva o superava la loro garanzia di sicurezza. Ad esempio, se chiedevano un tasso di successo del 90%, il robot ha avuto successo più del 90% delle volte.
Il Compromesso: Man mano che chiedevano una maggiore sicurezza (ad esempio, il 99% invece del 90%), la "bolla di sicurezza" diventava più grande, il corridoio più stretto e diventava più difficile per il pianificatore trovare un qualsiasi percorso. Il tasso di successo nel trovare un percorso diminuiva, ma i percorsi che trovava erano molto più affidabili.
Confronto: Hanno confrontato questo con un pianificatore standard che ignorava il disallineamento. Il pianificatore standard trovava percorsi più spesso, ma quei percorsi fallivano sul robot reale molto più frequentemente. Il metodo degli autori era molto più efficace nel completare effettivamente il compito in sicurezza.

Scenario 2: Il Drone Traballante (Quadrotore Planare)
Hanno testato un drone più complesso a 6 dimensioni che ha rumore casuale (raffiche di vento) e utilizza un modello di rete neurale appresa (che è spesso imperfetto).

Il Risultato: Anche con l'aggiunta del caos del rumore casuale e di un modello appreso, il metodo ha retto. La "copertura empirica" (quanto spesso il robot è rimasto all'interno della bolla di sicurezza) è stata costantemente superiore al target.
Prestazioni: Con un livello di sicurezza target del 90%, il loro metodo ha ottenuto un tasso di completamento del compito del 100% sul drone reale, mentre il pianificatore "nominale" standard è riuscito solo in circa il 55%. Ciò dimostra che essendo un po' più cauti nella fase di pianificazione, si ottiene un risultato molto migliore nel mondo reale.

Cosa Hanno Scoperto e Cosa Significa

Il documento dimostra che non è necessario conoscere la fisica esatta di un robot per pianificare un percorso sicuro. Basta un modello approssimativo e alcuni dati per misurare quanto la nostra supposizione possa essere errata. Utilizzando la Conformal Prediction per creare una "bolla di sicurezza" e restringendo di conseguenza lo spazio di pianificazione, si può trasformare un problema rischioso e incerto in uno sicuro e risolvibile.

Gli autori mostrano che questo approccio è "indipendente dal pianificatore" (planner-agnostic), il che significa che funziona con qualsiasi algoritmo di pianificazione (come l'algoritmo RRT che hanno usato). Non importa come il pianificatore trovi il percorso; finché il percorso rimane all'interno delle zone ristrette, la garanzia è valida.

Tuttavia, c'è un costo. Più sicurezza si richiede (più alto è il valore della probabilità che si desidera), più conservativo diventa il piano. Il "corridoio" si restringe e, a volte, il pianificatore non riesce a trovare alcun percorso. Gli autori hanno scoperto che, sebbene il tasso di successo del pianificatore (trovare un percorso qualsiasi) diminuisca all'aumentare delle richieste di sicurezza, l'affidabilità dei percorsi che trova schizza alle stelle. Nei loro esperimenti, il metodo ha costantemente superato la pianificazione standard che ignorava gli errori del modello, dimostrando che un po' di cautela matematica va molto lontano nel mantenere sicuri i robot.

In breve, il documento fornisce un modo robusto e matematicamente supportato per dire: "Non so esattamente come si muove questo robot, ma so quanto la mia supposizione potrebbe essere errata, quindi pianificherò come se il mondo fosse un po' più pericoloso di quanto sembri". E gli esperimenti mostrano che questa strategia funziona, trasformando una potenziale scommessa pericolosa in una missione affidabile.

Sintesi Tecnica: Restringimento dei Vincoli Conforme per la Pianificazione del Moto con Vincoli di Probabilità con Dinamiche Sconosciute

1. Formulazione del Problema

Il documento affronta la sfida della pianificazione del moto per robot autonomi in cui le vere dinamiche del sistema sono sconosciute, ma è disponibile un modello deterministico nominale approssimativo. L'obiettivo è calcolare una sequenza di controllo che guidi il robot da uno stato iniziale a una regione di obiettivo evitando stati non sicuri (ostacoli) con una probabilità di successo prestabilita ( $1-\alpha$ ).

Fondamentalmente, il documento definisce questo come un problema di pianificazione con vincoli di probabilità su una distribuzione di problemi di pianificazione ( $D_M$ ). A differenza degli approcci tradizionali che assumono un modello stocastico noto o assunzioni strutturali sull'incertezza (ad es. rumore Gaussiano), questo lavoro assume che:

Le vere dinamiche $f$ siano sconosciute.
Sia accessibile solo un modello nominale $\hat{f}$ .
Il sistema nominale e quello vero condividano gli stessi spazi di stato e di controllo.
I problemi di pianificazione (configurazioni degli ostacoli, stati iniziali, obiettivi) siano estratti da una distribuzione i.i.d. sconosciuta.

La difficoltà principale è che gli effetti non modellati, l'incertezza dei parametri o gli errori di approssimazione nelle dinamiche apprese possono causare traiettorie che sono sicure sotto il modello nominale, ma falliscono sul sistema reale.

2. Metodologia

Il framework proposto è indipendente dal pianificatore (planner-agnostic), il che significa che può essere integrato con qualsiasi algoritmo di pianificazione del moto esistente (ad es. RRT, MPC, deep RL). La metodologia consiste in tre fasi principali:

A. Predizione Conforme (CP) per la Quantificazione dell'Incertezza

Gli autori sfruttano la Predizione Conforme per quantificare la discrepanza tra le traiettorie nominali e quelle reali senza assumere una distribuzione specifica per l'errore del modello.

Dataset di Calibrazione: Un dataset viene costruito eseguendo sequenze di controllo nominalmente fattibili sul sistema reale per raccogliere le corrispondenti traiettorie reali.
Punteggio di Non-conformità (NCS): Per ogni problema di pianificazione nel set di calibrazione, viene calcolato un punteggio che rappresenta la massima deviazione euclidea tra la traiettoria nominale e la traiettoria reale su tutto l'orizzonte di pianificazione:
$R(M) := \sup_{u} \max_{t} \|x_t - \hat{x}_t\|_2$
Nota: In pratica, questo viene approssimato utilizzando un sottoinsieme finito di sequenze di controllo fattibili.
Calcolo della Soglia: Dato un target di probabilità di fallimento $\alpha$ , la CP calcola una soglia $\hat{q}_\alpha$ come il $\text{quantile}$ empirico $(1-\alpha)$ dei punteggi di calibrazione. Questa soglia fornisce un limite probabilistico sulla deviazione tra il modello nominale e quello reale per problemi di pianificazione non visti, estratti dalla stessa distribuzione.

B. Restringimento dei Vincoli (Constraint Tightening)

Utilizzando la soglia conforme $\hat{q}_\alpha$ , gli autori definiscono un problema di pianificazione ristretto ( $M_\alpha$ ) sotto il modello nominale:

Spazio Libero Ristretto ( $X^{\hat{q}_\alpha}_{free}$ ): Lo spazio libero originale viene rimpicciolito tramite "erosione" dei confini. Uno stato $x$ è incluso solo se una sfera di raggio $\hat{q}_\alpha$ centrata in $x$ è interamente contenuta nello spazio libero originale.
Regione di Obiettivo Ristretta ( $X^{\hat{q}_\alpha}_{goal}$ ): Allo stesso modo, la regione di obiettivo viene contratta in modo che una sfera di raggio $\hat{q}_\alpha$ centrata in un qualsiasi punto della nuova regione di obiettivo sia contenuta nella regione di obiettivo originale.

Geometricamente, ciò equivale a gonfiare gli ostacoli e contrarre la regione di obiettivo con il raggio $\hat{q}_\alpha$ .

C. Garanzia Teorica

Il documento dimostra che, se una sequenza di controllo risolve il problema ristretto $M_\alpha$ utilizzando il modello nominale, essa soddisfa il problema originale con vincoli di probabilità sul sistema reale con una probabilità almeno di $1-\alpha$ . Ciò accade perché il limite conforme assicura che la traiettoria reale rimanga entro la sfera di raggio $\hat{q}_\alpha$ della traiettoria nominale; se la traiettoria nominale rimane all'interno dello spazio libero eroso, la traiettoria reale è garantita rimanere all'interno dello spazio libero originale.

3. Contributi Chiave

Quantificazione dell'Incertezza basata su CP: Sviluppo di un framework che utilizza solo un modello nominale e dati di calibrazione per fornire un limite probabilistico sul disallineamento tra modello e realtà a livello di traiettoria su una distribuzione di problemi di pianificazione, senza richiedere modelli di incertezza parametrica.
Restringimento dei Vincoli Indipendente dal Pianificatore: Un metodo per convertire il problema con vincoli di probabilità in un problema di pianificazione deterministico con vincoli ristretti. Il documento dimostra che risolvere questo problema deterministico è una condizione sufficiente per soddisfare il requisito probabilistico originale.
Validazione Empirica: Dimostrazione dell'efficacia del framework sia in scenari deterministici (disallineamento dei parametri) che stocastici (modello appreso + rumore di processo).

4. Risultati Sperimentali

Il framework è stato valutato in due scenari:

Veicolo Dubins: Un sistema deterministico con parametri di traslazione errati (che simula la resistenza superficiale).
Quadrotor Planare: Un sistema ad alta dimensionalità e sottovettorato con dinamiche stocastiche e un modello di rete neurale appreso.

Risultati Chiave:

Copertura Empirica: In tutti gli esperimenti, la copertura empirica (la frazione di traiettorie reali che soddisfano i vincoli di sicurezza/obiettivo) ha costantemente superato il livello target prestabilito ( $1-\alpha$ ), validando le garanzie teoriche.
Trade-off: All'aumentare della probabilità prestabilita ( $1-\alpha$ ), la soglia conforme $\hat{q}_\alpha$ aumenta, portando a un restringimento dei vincoli più conservativo. Ciò ha causato una diminuzione del tasso di successo del pianificatore (la capacità di trovare una soluzione all'interno dello spazio ristretto) ma un significativo aumento del tasso di completamento del compito (la capacità di eseguire con successo il compito sul sistema reale).
Performance rispetto al Baseline: Il metodo proposto ha superato costantemente un pianificatore RRT di base che utilizzava il modello nominale senza il restringimento dei vincoli. Per il quadrotor, con una copertura target del 90%, il metodo proposto ha raggiunto un tasso di completamento del compito del 100% rispetto al ~55% del baseline nominale.

5. Significato e Rivendicazioni

Il documento sostiene di affrontare una limitazione critica nella letteratura esistente sulla pianificazione del moto: la dipendenza da modelli accurati o simulatori per le garanzie di sicurezza. Decoupling (scollegando) l'algoritmo di pianificazione dalla quantificazione dell'incertezza, il framework proposto permette ai pianificatori esistenti di operare in sicurezza su sistemi con dinamiche sconosciute.

Gli autori sottolineano che il loro approccio fornisce una garanzia probabilistica marginale su una distribuzione di problemi di pianificazione, piuttosto che una garanzia per ogni singolo compito. Ciò è particolarmente rilevante per le applicazioni robotiche in cui i pianificatori vengono invocati ripetutamente in ambienti e specifiche di missione variabili. Il lavoro dimostra che è possibile ottenere un'elevata affidabilità nel completamento dei compiti per sistemi sconosciuti attraverso il compromesso di un certo tasso di successo del pianificatore (conservatività) tramite il restringimento dei vincoli conforme.

Il documento riconosce alcune limitazioni, notando che l'approccio può essere conservativo, specialmente quando il set di disturbi è grande o il disallineamento del modello è significativo. Si suggerisce come lavoro futuro concentrarsi sulla riduzione di tale conservativismo e sullo sviluppo di strategie di rischio adattive quando non è possibile trovare una soluzione per il problema ristretto.