技術要約：層状構成空間における接触を考慮した不確実性キャリブレーションのための粒子ベース・コンフォーマル予測

問題提起

接触の多い環境（例：障害物が多い中でのナビゲーション、組み立てタスク）に自律ロボットを配備するには、相互作用のレジーム（様態）に応じて不確実性がどのように進化するかを推論することが求められる。状態および行動の不確実性は、ロボットが自由空間の運動から障害物との接触へと移行する際に劇的に変化する場合がある。これらの遷移は、しばしば**マルチモーダル、不連続、かつ次元が変化する（trans-dimensional）**不確実性分布を誘発し、将来の構成が全構成空間（C-space）と比較して、より低い固有次元の多様体（例：壁に沿ったスライディング）上に位置することになる。

ガウス分布のような標準的な不確実性表現は、こうした複雑な接触後のダイナミクスを捉えることができないことが多い。さらに、解析的または学習された運動モデルは、モデルの不一致、データの不足、あるいは未モデル化の物理効果（例：静止摩擦、摩擦）により、精度が低いことが頻繁にある。この不正確さは、安全な実行の失敗やタスクの失敗につながる可能性がある。コンフォーマル予測（CP）は分布フリーの確率的保証を提供するが、既存のロボティクスへの応用では、特定の接触レジームに適応したり、C-spaceの幾何学的制約を尊重したりしないグローバルな不確実性境界しか提供できず、結果として物理的に実行不可能な構成を含む予測領域を生成してしまう可能性がある。

解決すべき核心的な課題は、以下の条件を満たす、確率的に妥当な予測領域を構築することである：

1. ロボットの状態、行動、および接触モード（ストラタム／層）に適応すること。
2. C-spaceの層状構造を尊重すること（実行不可能な領域を避けること）。
3. 大きなモデルの不一致やアレオリック（偶然的）な不確実性が存在する場合でも、有限サンプルでの被覆保証を提供すること。

手法：CaPTURe

著者らは、粒子ベースのダイナミクス予測とモンドリアン・コンフォーマル予測を組み合わせた、幾何学を考慮したアルゴリズムである**CaPTURe（Calibrated Particle-sets for Trans-dimensional Uncertainty Representation）**を提案している。

1. 層状構成空間（Stratified Configuration Space）

本手法は、実現可能なC-space（$C_{feas}$）を、異なる固有次元を持つ滑らかな部分多様体（ストラタム）$S_m$の直和（例：2D自由空間、1Dエッジ接触、0Dコーナー接触）としてモデル化する。既知のインデクサー関数 $T$ は、任意の構成をそれに対応するストラタムのインデックスへとマッピングする。

2. 粒子ベースの予測モデル

CaPTUReは、近似的なダイナミクスモデル $\hat{f}$（任意の忠実度を持つ）を利用して、現在の状態と行動のペアが与えられたときの次ステップの構成の条件付き分布を表す、$L$ 個の予測粒子 $\hat{Y}_i$ を生成する。この粒子ベースのアプローチは、マルチモーダル性を自然に捉えることができ、不確実性を低次元の多様体へと収束させることが可能である。

3. モンドリアン・コンフォーマル・キャリブレーション

適応的で接触を考慮した保証を実現するために、本手法はモンドリアン・コンフォーマル予測を拡張している：

• グルーピング： 例は、現在の状態・行動のペアと、将来のストラタムインデックス $T(Y)$ に基づいてグループに分割される。このグルーピング関数 $g(X, T(Y))$ は、非適合度スコアの分散を最小化するように訓練された回帰決定木（DTree）を用いて学習される。
• 非適合度スコア： スコア $r$ は、予測粒子 $\hat{Y}_i$ の中での、真の次ステップの構成 $Y_i$ からの $k$ 近傍点までの距離として定義される。これは局所的な粒子密度のプロキシとして機能する。
• 閾値設定： 各グループ $j$（DTreeのリーフノード）に対して、ホールドアウト・サブセットのキャリブレーションデータを用いて、独立したコンフォーマル閾値 $\hat{q}_j$ が計算される。これにより、各ストラタムおよび状態・行動のレジーム内での被覆保証が確保される。

4. 予測領域の構築

オンライン計画（例：モデル予測制御）において、与えられた状態・行動のペアに対し、アルゴリズムは以下の手順を実行する：

1. DTreeをクエリして、各候補となる将来のストラタムを特定する。
2. 各ストラタマ $S_m$ 内において、グループ固有の閾値 $\hat{q}_j$ 未満の非適合度スコアを持つ構成を含む予測領域 $\hat{C}^{(m)}$ を構築する。
3. これらのストラタムごとの領域の和集合として、最終的な予測集合 $\hat{C}$ を返す。

この構築により、予測領域が（有効なストラタム内に探索を制限することで）実行可能な構成のみを含むこと、およびグループ条件付きの被覆保証を満たすことが保証される。

主な貢献

1. アルゴリズム： エピステミック（認識的）およびアレオリック（偶然的）な不確実性が存在する場合でも、未知の将来の構成をユーザー指定の確率以上で含むことが保証された、接触を考慮した一ステップの次元変化を伴う予測領域を構築するアルゴリズム。
2. 理論的保証： 任意の忠実度を持つ近似ダイナミクスモデルと有限のキャリブレーションセットを用いた、ストラタムを考慮したグループ条件付き保証の証明と数値的検証。本手法は、予測領域が実行不可能なC-space領域へとはみ出さないことを保証する。
3. 実証的検証： 顕著な不確実性下での接触の多い運動計画における本アプローチの有用性を示す、2つの異なるタスクにおけるシミュレーション実験。

実験結果

著者らは、CaPTUReを4つのベースライン（未校正の粒子プランナー：ParticleNoCP、ガウス仮定を用いた局所CP：LUCCa、標準的な確率的コンフォーマル予測：PCP、およびストラタムラベルなしのCaPTUReのアブレーション）と比較評価した。

タスク1：マーブル・ラビリンス制御

• セットアップ： 狭い隙間と穴がある2D迷路内でのマーブルの制御。
• 結果：
  • CaPTU vựcは、すべてのストラタム（自由空間、エッジ、コーナー）において、ユーザー指定の90%の被覆要件を達成した。
  • LUCCaやPCPなどのベースラインは、自由空間において大幅にアンダーカバー（被覆不足）となり（それぞれ83.4%および76.4%）、一方で低次元のストラタムではオーバーコンサーバティブ（過度に保守的）であった。
  • CaPTUReは、「センター」セクションにおいて90%のタスク成功率を達成し、ParticleNoCP（53%）やPCP（3%）を大幅に上回った。
  • 本手法は、ガウスベースのベースラインと比較して、よりタイトで体積効率の高い予測領域を生成した。

タスク2：高精度ペグ・イン・ホール挿入

• セットアップ： 7自由度マニピュレータによる、確率的な乱れとモデルの不一致（乗法的ノイズ）が存在する低公差の穴へのペグ挿入。
• 結果：
  • CaPTUReは、集約された相互作用全体で90.4%の実証的被覆を達成し、自由空間、点接触、およびエッジ接触の各レジームにおいて十分な被覆を実現した。
  • ベースライン（LUCCa, PCP）は、自由空間においてアンダーカバー（約83-84%）となった。
  • 計画において、CaPTUReは78%の成功率を達成したが、これはPCPおよびLUCCaの48%、および未校正のベースラインの14%と比較して大幅に高い。
  • また、完了までの平均ステップ数を削減した（ベースラインの39.9ステップに対し、28.7ステップ）。

意義と主張

論文は、CaPTUReが、非ガウス的かつ次元が変化する、接触の多い環境における実用的で効率的な運動計画のためのフレームワークを提供すると主張している。接触の多いC-spaceの層状構造を明示的にモデル化し、粒子ベースのコンフォーマル予測を用いることで、本手法は実行可能な予測領域を生成し、局所的な接触レジームに適応することができる。

著者らは、理論的な保証は厳密には単一ステップのものであるが、モデル予測制御（MPC）の枠組み内でこれらの校正された領域を再帰的に適用することで、クローズドループのタスク成功率と効率性に大きな改善が得られることを強調している。本研究は、接触相互作用の幾何学的構造（ストラタム）を考慮することが、正確な不確実性定量化のために極めて重要であり、それがグローバルな、あるいはパラメトリックな手法で見られる過度な保守性や安全でないアンダーカバーを防ぐ鍵であることを示している。

結論として、ロボットの運動の不確実性を、状態、行動、および構成のストラタムに依存するものとして扱うことで、複雑で現実世界の環境で作動する信頼性の高い自律システムに不可欠な、情報量の多い、次元変化を伴う不確実性表現の構築が可能になるとしている。