Distributional Stability of Tangent-Linearized Gaussian Inference on Smooth Manifolds

1. Probleemstelling

In de robotica vindt probabilistische inferentie vaak plaats op gladde variëteiten (bijvoorbeeld Lie-groepen zoals $SO(3)$, $SE(3)$, of contactbeperkingen), waar toestandsruimten intrinsiek niet-lineair zijn. Standaard schattingspijplijnen maken doorgaans gebruik van een "lineariseren–infereren–retracteren" workflow:

1. Lineariseren: Benader de variëteit lokaal met zijn raakruimte in een punt $\tilde{\mu}$.
2. Infereren: Voer Gaussische marginalisatie of conditionering uit op de raakruimte (affiene deelruimte) met behulp van gesloten-formule-identiteiten.
3. Retracteren: Koppel de resulterende verdeling terug naar de variëteit.

Het Kernprobleem: Hoewel deze aanpak computatie-efficiënt is, is het onduidelijk wanneer deze betrouwbaar is. Exacte marginalisatie en conditionering op gekromde variëteiten leveren doorgaans niet-Gaussische verdelingen op. Het artikel adresseert het gebrek aan expliciete, niet-asymptotische foutgrenzen die de discrepantie kwantificeren tussen de exacte, door de variëteit geïnduceerde wet en de raak-gelineariseerde benadering. Specifiek wordt gezocht naar een bepaling van hoe kromming, covariantieschaal en mean-offset de geldigheid van linearisatie in één kaart beïnvloeden.

2. Methodologie

De auteurs formaliseren betrouwbaarheid als een distributiestabiliteitsprobleem, waarbij de discrepantie tussen de exacte verdeling en de benadering wordt gekwantificeerd met de 2-Wasserstein-afstand ($W_2$). De $W_2$-metriek wordt gekozen omdat deze zwakke convergentie met tweede momenten metrizeert, en direct fouten in gemiddelde en covariantie controleert.

De studie analyseert twee canonieke operaties:

• Projectie-marginalisatie: Het projecteren van een omgevings-Gaussische verdeling $X \sim \mathcal{N}(\mu, \Sigma)$ op de variëteit $M$ via de metrische projectie $g: \mathbb{R}^n \to M$.
• Oppervlaktemaat-conditionering: Het beperken van de omgevings-Gaussische dichtheid tot $M$ en het renormaliseren met betrekking tot het oppervlaktemaat (volumevorm) van $M$.

Theoretisch Kader:
De auteurs leiden foutgrenzen af door de fout te decomponeren in twee componenten:

1. Lokale Geometrische Distorsie: De fout die voortkomt uit het mismatch van de tweede orde tussen de kromming van de variëteit en de vlakke raakruimte binnen een lokale omgeving.
2. Niet-lokale Staartlekkage: De fout veroorzaakt door waarschijnlijkheidsmassa die "lekt" buiten de lokale omgeving waar de linearisatie geldig is.

Belangrijke geometrische concepten die worden gebruikt, zijn:

• Bereik ($\rho$): De grootste straal zodat elk punt binnen die afstand een uniek dichtstbijzijnd punt op de variëteit heeft.
• Kromming ($\kappa$): Begrensd door de operatornorm van de tweede fundamentele vorm.
• Retractie/Kaarten: Afbeeldingen van de raakruimte terug naar de variëteit met kwadratische nauwkeurigheidsgrenzen.

3. Belangrijkste Bijdragen

A. Expliciete Niet-Asymptotische $W_2$-Grenzen

Het artikel leidt rigoureuze bovengrenzen af voor de $W_2$-afstand tussen de exacte en benaderde verdelingen:

• Voor Marginalisatie (Stelling III.1): De grens scheidt lokale fout (schalend met kromming $\kappa$ en retractiefout $\kappa_R$) van staartlekkage (gecontroleerd door de waarschijnlijkheidsmassa buiten de localisatiestraal).
  $$W_2 \leq C_{loc}(\kappa + \kappa_R)\sqrt{E[\|X-\tilde{\mu}\|^4]} + C_{tail}\epsilon^{1/4}$$
• Voor Conditionering (Stelling IV.1): De grens houdt rekening met vervormingen van de dichtheidsvorm (Jacobianfactoren en log-dichtheidsverschillen) in aanvulling op massatransport. Het introduceert een "kromming/volume-mismatch exponent" $\eta_r$ die kwantificeert hoe beperkingskromming en prior-precisie de raakbenadering vervormen.

B. Gesloten-Formule Diagnostiek voor Gaussische Invoer

Voor Gaussische invoer specialiseren de auteurs de grenzen om berekenbare diagnostiek te bieden op basis van het gemiddelde ($\mu$), de covariantie ($\Sigma$) en de lokale geometrie ($\rho, \kappa$):

• Stabiliteitsmetriek ($k_\rho$): Een belangrijke diagnostische is de verhouding $k_\rho = \sqrt{\|\Sigma\|_{op}} / \rho$, die de verhouding van de onzekerheidsverspreiding tot het bereik van de variëteit voorstelt.
• Offset-metriek ($s_\delta$): De verhouding van de mean-offset ten opzichte van het linearisatiepunt tot het bereik, $\|\delta\|/\rho$.
• Foutvoorspelling: De grenzen voorspellen dat linearisatie onbetrouwbaar wordt wanneer $k_\rho \gtrsim 1/6$ of wanneer de mean-offset groot is.

C. Identificatie van Foutmodi

De analyse onthult dat onzekerheid in de normaalrichting de dominante foutmodus is. Onzekerheid die is uitgelijnd met de normaalvector van de variëteit belast kromming en bereik het meest, wat leidt tot snelle degradatie van de kalibratie in vergelijking met tangentiële onzekerheid.

4. Experimentele Resultaten

De auteurs valideren hun theoretische voorspellingen met twee benchmarks:

A. 2-D Cirkel Benchmark

• Opzet: Een Gaussische verdeling wordt geprojecteerd/geconditioneerd op een cirkel met straal $R$.
• Vondsten:
  • Overgangspunt: De kalibratie-overgang (waar de lineaire benadering oververzekerd wordt) treedt consequent op bij $\sqrt{\|\Sigma\|_{op}}/R \approx 1/6$.
  • Anisotropie: De spectrale norm $\|\Sigma\|_{op}$ dient als een effectieve diagnostiek, zelfs voor anisotrope covarianties.
  • Offset-gevoeligheid: Grote mean-offsets ($\delta$) veroorzaken staartlekkage en degradatie van de dekking, zelfs als de kromming laag is.
  • Conditionering versus Marginalisatie: Conditionering is fragieler dan marginalisatie; het faalt bij een kleinere verspreiding ($\approx 0,30$ versus $\approx 0,38$) vanwege artefacten van de dichtheidsvorm (Jacobian-distorsie) die $W_2$ mogelijk onderschat.

B. Planair Duwen (Contact-Rijke Taak)

• Opzet: Een robot duwt een doos met harde contactbeperkingen (variëteitsbeperkingen).
• Vondsten:
  • Trajectanalyse: Het mismatch tussen gelineariseerde en Monte Carlo-covarianties correleert sterk met de localiteitsindicator $s_k/\hat{\rho}_k$.
  • Directionele Belasting: Inflatie van onzekerheid in de normaalrichting veroorzaakt aanzienlijk grotere kalibratiefouten dan tangentiële inflatie, wat de theoretische voorspelling bevestigt dat normaalonzekerheid de kritieke foutmodus is.
  • Praktische Drempels: Voor typische contactstralen ($R_c \approx 0,1$ m) wordt de drempel $\sqrt{\|\Sigma\|_{op}} \lesssim 17$ mm gemakkelijk geschonden door accumulatie van procesruis.

5. Betekenis en Praktische Implicaties

• Run-time Kalibratiepoort: De afgeleide diagnostiek ($k_\rho$ en $s_\delta$) bieden een praktische, goedkope trigger voor robotica-oplossers (bijvoorbeeld GTSAM, iSAM2).
  • Als $k_\rho \lesssim 1/6$ en $s_\delta \ll 1$: Is de linearisatie in één kaart van de raakruimte betrouwbaar.
  • Als $k_\rho$ groot is: Schakel over naar geïtereerde herlinearisatie.
  • Als $s_\delta$ groot is: Directe herlinearisatie is vereist (bijvoorbeeld na lus-sluitingen).
  • Als beide groot zijn: Schakel over naar meerdere kaarten of deeltjesgebaseerde inferentie.
• Asymmetrie in Conditionering: Het artikel benadrukt dat conditionering structureel gevoeliger is dan marginalisatie vanwege normalisatieconstanten die fouten in de dichtheidsvorm versterken. Dit suggereert dat conditioneringsoperaties strengere checks vereisen (bijvoorbeeld dekking of KL-divergentie-checks), zelfs wanneer $W_2$-grenzen matig lijken.
• Theoretische Fundering: Dit werk overbrugt de kloof tussen heuristische robotica-schatting en rigoureuze geometrische waarschijnlijkheid, en biedt de eerste niet-asymptotische grenzen die geometrische distorsie scheiden van staartlekkage voor Gaussische inferentie op variëteiten.

Kortom, het artikel biedt een wiskundig rigoureus kader om te bepalen wanneer raak-gelineariseerde Gaussische inferentie veilig is om te gebruiken in de robotica en wanneer complexere, niet-lineaire methoden noodzakelijk zijn, waardoor het gebruik van oververzekerde en onnauwkeurige onzekerheidsschattingen in kritieke controle- en planningsopdrachten wordt voorkomen.