Technische Samenvatting: Kwantificering van Aleatorische en Epistemische Dynamische Onzekerheid via Lokale Conforme Kalibratie

1. Probleemstelling

Robotische controlesystemen vertrouwen vaak op benaderingen van dynamica (analytisch, gesimuleerd of geleerd) die onnauwkeurig kunnen zijn wanneer ze in nieuwe omgevingen worden ingezet. Hoewel er veel methoden bestaan om aleatorische onzekerheid (stochastiek inherent aan het systeem) te kwantificeren, zijn deze schattingen onvoldoende voor nieuwe omgevingen waar de onderliggende fysieke interacties veranderen, wat epistemische onzekerheid induceert (onzekerheid door gebrek aan data of modelmismatch).

De kernuitdaging is het bieden van bewijsbare, niet-asymptotische veiligheidsgaranties voor bewegingsplanning wanneer:

1. De ware dynamicafunctie $f$ onbekend is en potentieel discontinu.
2. De benaderde model $\tilde{f}$ willekeurig foutief kan zijn in het deploymentdomein ($P_{test}$) vergeleken met het trainingsdomein ($P_{train}$).
3. Het systeem een veiligheidsrestrictie moet voldoen $P(Y_\tau \in C) \geq 1-\alpha$ over een planningshorizon, waarbij $C$ een veilige verzameling is.

Bestaande benaderingen vertrouwen vaak op sterke aannames (bijv. Gaussische foutverdelingen), bieden slechts asymptotische grenzen, of gebruiken globale kalibratiefactoren die overmatig conservatief en oninformatief zijn voor hoogdimensionale staat-actie ruimtes.

2. Methodologie: Lokale Onzekerheid Conforme Kalibratie (LUCCa)

De auteurs stellen LUCCa voor, een op conformal prediction gebaseerd framework dat de aleatorische onzekerheidsschattingen van een dynamica-voorspeller kalibreert om rekening te houden met epistemische onzekerheid. De methode werkt in twee fasen: een offline kalibratiefase en een online planningsfase.

2.1 Kernconcepten

• Split Conformal Prediction (SplitCP): De methode maakt gebruik van SplitCP om voorspellingsregio's te construeren die geldig zijn in frequentistische zin zonder de structuur van de voorspeller of de datadistributie te veronderstellen.
• Mahalanobis Afstand als Non-conformiteitsscore: Omdat de dynamica-voorspeller $\tilde{f}$ een Multivariate Normale (MVN) distributie $\mathcal{N}(\hat{\mu}, \hat{\Sigma})$ uitvoert, wordt de non-conformiteitsscore $r$ gedefinieerd als de Mahalanobis afstand tussen de voorspelde distributie en de ware geobserveerde staat:
  $$R^{(i)} = d_M(\tilde{f}(\bar{X}^{(i)}), Y^{(i)}) = \sqrt{(Y^{(i)} - \hat{\mu})^\top \hat{\Sigma}^{-1} (Y^{(i)} - \hat{\mu})}$$
  Theoretische analyse toont aan dat als het model perfect zou zijn, de gekwadrateerde Mahalanobis afstand een Chi-kwadraatverdeling ($\chi^2_{dim(S)}$) volgt.
• Lokale Kalibratie (LOCART): In plaats van een enkele globale schalingfactor toe te passen (wat leidt tot conservatieve, grote voorspellingsregio's), gebruikt LUCCa de LOCART-methode. Het verdeelt de staat-actie ruimte met behulp van een decision tree regressor getraind op kalibratierestwaarden.
  • Partitionering: De kalibratiedataset wordt gesplitst. Een deel traint een decision tree om staat-actie paren $(s, u)$ te mappen naar bladknopen die regio's met vergelijkbare modelfouten vertegenwoordigen.
  • Lokale Schaling: Voor elke bladknoop $k$ wordt een specifieke lokale conformiteitsfactor $\xi_k$ berekend op basis van de residuen van datapunten die in die partitie vallen.
  • Kalibratie: Tijdens online planning wordt de voorspelde covariantie $\hat{\Sigma}$ lokaal geschaald: $\hat{\Sigma}_{cal} = \xi_k \hat{\Sigma}$. Dit creëert hyperellipsoïdale voorspellingsregio's die zich aanpassen aan de lokale moeilijkheidsgraad van de dynamica.

2.2 Algoritme Flow

1. Offline Kalibratie:
   • Verzamel een kalibratiedataset $D_{cal}$ van transities $(s_t, u_t, s_{t+1})$ uit de deployment omgeving (of een proxy).
   • Bereken residuen $R^{(i)}$ voor alle kalibratiepunten.
   • Fit een decision tree (LOCART) om de staat-actie ruimte te partitioneren en bereken lokale schalingsfactoren $\xi_k$ voor elke partitie.
2. Online Planning (MPC):
   • Gegeven een huidige staat, plant de planner (bijv. MPPI) trajecten.
   • Voor elke stap in de rollout propageert de benaderde dynamica $\tilde{f}$ de staatverdeling.
   • De lokale schalingsfactor $\xi_k$ (bepaald door de huidige staat-actie paren's locatie in de decision tree) wordt toegepast op de gepropageerde covariantie.
   • De planner optimaliseert een kostenfunctie die een penalty bevat voor de trace van de gekalibreerde onzekerheid (wat paden door regio's met lagere modelfout aanmoedigt) en botsingsvermijding met de gekalibreerde voorspellingsregio's.

3. Belangrijkste Bijdragen

1. Algoritme Voorstel: Introductie van LUCCa, een algoritme dat probabilistisch geldige voorspellingsregio's biedt voor de toekomstige staten van robots door aleatorische onzekerheidsschattingen te kalibreren om rekening te houden met epistemische onzekerheid.
2. Theoretische Garanties:
   • Bewijs van geldigheid voor elke eindige set kalibratiedata, elke voorspeller die een multivariate normale onzekerheid uitvoert, en elke onbekende ware dynamica functie.
   • Demonstratie dat de methode lokale dekking (geconditioneerd op staat-actie partities) bereikt met eindige samples, en asymptotische conditionele dekking bereikt onder milde aannames.
   • Bewijs dat voor de eerste planningsstap, de gekalibreerde regio de ware staat bevat met een waarschijnlijkheid $\geq 1-\alpha$. Voor daaropvolgende stappen gelden de garanties als de benaderde dynamica lineair is en specifieke aannames over de controller worden gedaan.
3. Lokale Adaptiviteit: Het gebruik van staat-actie afhankelijke schalingsfactoren voorkomt de overmatige conservativiteit van globale kalibratie, waardoor de planner onderscheid kan maken tussen regio's met hoge en lage modelnauwkeurigheid.
4. Empirische Validatie: Demonstratie van de effectiviteit van de methode op een dubbel-integrator systeem met significante dynamica verschuivingen (bijv. wrijving veranderingen), wat een verbeterde veiligheid en succesratio laat zien vergeleken met ongekalibreerde baselines.

4. Experimentele Resultaten

De auteurs evalueerden LUCCa op een dubbel-integrator systeem in vier omgevingen met regio's van nauwkeurige dynamica en regio's van significante modelmismatch (simulatie van lagere wrijving).

• Empirische Dekking: In de "Corridor" omgeving behield LUCCa een empirische dekking boven de 90% drempel (voor $\alpha=0.1$) over alle tijdstappen, zelfs in regio's met hoge modelfout. In contrast hiermee onderschatte de ongekalibreerde baseline de onzekerheid aanzienlijk in mismatch regio's, wat leidde tot een dekking die ver onder de 90% zakte naarmate de horizon toenam.
• Bewegingsplanning Prestaties: Gebruikmakend van Model Predictive Control (MPC) met MPPI:
  • Veiligheid: LUCCa behaalde een 0% botsingspercentage in de Corridor en Passage omgevingen en 3% in de L-Turn, vergeleken met 30%, 83%, en 80% respectievelijk voor de ongekalibreerde baseline.
  • Succes Ratio: LUCCa behaalde 100% succes in Corridor en Passage, vergeleken met 70% en 17% voor de baseline.
  • Efficiëntie: Hoewel de baseline soms sneller doelen bereikte (door onzekerheid te negeren en risicovolle paden te nemen), botste deze frequent. LUCCa's kostenfunctie, die hoge onzekerheid bestrafte, zorgde ervoor dat de robot vertraagde in regio's met hoge fout, waardoor botsingen werden vermeden.
• Computationele Overhead: De lokale kalibratiestap (het opvragen van de decision tree en het schalen van de covariantie) voegde ongeveer 0.3 ms toe per planningsstap (een toename van 32% in stapduur), wat de auteurs als verwaarloosbaar beschouwen voor praktische inzetbaarheid.

5. Betekenis en Claims

Het artikel claimt dat LUCCa een fundamentele beperking in data-gedreven robotica aanpakt: het onvermogen om veilige modellen of analytische modellen in te zetten in nieuwe omgevingen waar de dynamica kan verschuiven.

• Theoretische Rigor: In tegen tegenstelling tot heuristische onzekerheid kwantificeringsmethoden, biedt LUCCa niet-asymptotische, eindige-sample garanties zonder de vorm van de ware dynamica of de distributie van fouten te veronderstellen.
• Praktisch Nut: Door over te stappen van globale naar lokale kalibratie, genereert de methode voorspellingsregio's die "scherp" (strak) zijn in regio's met hoge modelnauwkeurigheid en "adaptief" (groter) in regio's met hoge epistemische onzekerheid. Dit stelt planners in staat om geïnformeerde afwegingen te maken tussen exploratie en veiligheid.
• Veiligheidskritische Planning: De methode maakt de constructie mogelijk van waarschijnlijk veilige plannen voor systemen met onbekende stochastische dynamica, waarbij wordt gewaarborgd dat trajecten binnen veilige verzamelingen blijven met een door de gebruiker gespecificeerde waarschijnlijkheid, zelfs wanneer het model willekeurig fout is in onkarakteriseerde domeinen.

De auteurs concluderen dat hoewel de meerstaps veiligheidsgaranties theoretisch bewezen zijn voor lineaire dynamica onder specifieke controller aannames, de empirische resultaten suggereren dat de methode robuuste lokale dekking biedt, zelfs voor complexere planningsscenario's.