⚡ electrical engineering

Data-driven Reachable Set Estimation with Tunable Adversarial and Wasserstein Distributional Guarantees

Dit artikel presenteert een datagedreven methode voor het schatten van bereikbare verzamelingen van onbekende discrete dynamische systemen, waarbij scenario-optimalisatie wordt aangepast om via sluitvariabelen en adversariale robuustheid schaalbare, probabilistische waarborgen te bieden voor toekomstige trajecten onder verschillende meetkundige vormen en verdelingsverschuivingen.

Oorspronkelijke auteurs: Georgios Pantazis, Michelle S. Chong

Gepubliceerd 2026-04-15

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Georgios Pantazis, Michelle S. Chong

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een onbekende stad moet verkennen, maar je hebt geen kaart. Je hebt alleen een bundel verhalen van andere reizigers die er al geweest zijn. Je wilt een "veiligheidszone" tekenen op je kaart: een gebied waar je zeker weet dat elke nieuwe reiziger die je vandaag de stad in stuurt, ook zal belanden.

Dit is precies wat dit wetenschappelijke artikel doet, maar dan voor complexe systemen (zoals robots, autonome auto's of stroomnetten) in plaats van een stad. De auteurs, Georgios Pantazis en Michelle Chong, hebben een slimme methode bedacht om deze "veiligheidszones" (in de vaktaal: reachable sets) te tekenen, zelfs als je het systeem niet helemaal begrijpt en de data soms vies of nep is.

Hier is de uitleg in gewone taal, met een paar creatieve vergelijkingen:

1. Het Probleem: De Onzekere Reis

Stel je voor dat je een robot hebt die door een donkere kamer loopt. Je weet niet precies hoe de robot beweegt (misschien zijn de wielen versleten of is de vloer glad). Je hebt wel 1000 video's van eerdere runs.

De oude manier: Je tekende een lijn om al die 1000 punten. Maar wat als er één video een rare sprong maakt (een "outlier")? Dan moet je hele veiligheidszone enorm groot worden om die ene gekke sprong te omvatten. Dat maakt de zone onnauwkeurig en onbruikbaar.
De nieuwe manier: De auteurs zeggen: "Laten we niet blindelings naar elke video kijken." Ze introduceren een tuneerbare knop (de parameter $\rho$ $ρ$ ).
- Draai je de knop naar links? Je maakt een heel strakke zone, maar je riskeert dat je de robot soms buiten de zone laat vallen als er een rare sprong is.
- Draai je de knop naar rechts? Je maakt de zone groter en veiliger, maar misschien wat te groot.
- De analogie: Het is alsof je een veiligheidsnet onder een trapezist spannen. Als je het net strak trekt (kleine zone), is het mooi, maar als de trapezist een rare beweging maakt, valt hij eruit. Als je het net losser hangt (grote zone), vangt je alles, maar het ziet er minder strak uit. Met hun methode kun je precies bepalen hoe los of strak je het net wilt hebben.

2. De "Vijand" (Adversariale Robuustheid)

In de echte wereld zijn er soms "boeven" of storingen die de data verpesten. Stel, iemand heeft een van je 1000 video's een beetje gemanipuleerd, of er zit ruis in de sensoren.

De oplossing: De auteurs zeggen: "Laten we aannemen dat elke video een beetje kan verschuiven, alsof er een onzichtbare duwkracht op werkt."
De analogie: Stel je voor dat je een schietschijf tekent op basis van de plekken waar pijlen zijn geland. Maar je weet dat de wind (de "vijand") de pijlen net iets kan verplaatsen. In plaats van alleen naar de pijlen te kijken, teken je een zone die groot genoeg is om de pijlen te vangen, zelfs als de wind ze een beetje verplaatst.
Ze hebben een wiskundige manier gevonden om te garanderen dat je zone veilig blijft, zelfs als de data "vergiftigd" is door deze onzichtbare duwkracht.

3. De "Grote Verandering" (Wasserstein Distributie)

Soms verandert de wereld een beetje. De robot rijdt niet meer op de vloer van de fabriek, maar op een andere vloer. De data die je hebt, komt uit een andere verdeling dan de data die je nu nodig hebt.

De oplossing: Ze gebruiken een maatstaf genaamd Wasserstein-afstand. Dit is een manier om te meten hoe ver de nieuwe situatie afstaat van de oude situatie.
De analogie: Stel je hebt een recept voor een taart gebaseerd op appels uit de zomer. Nu wil je een taart maken in de winter, met appels die net iets anders smaken. Je weet dat de winter-appels niet helemaal anders zijn, maar ze liggen wel in een bepaald "bereik" van de zomer-appels.
De auteurs zeggen: "Zolang de nieuwe situatie binnen dit bereik blijft, weten we precies hoeveel extra 'veiligheidsmarge' we moeten toevoegen aan onze zone." Ze geven je een formule die zegt: "Als de wereld 10% verschuift, moet je je veiligheidszone met 5% vergroten." Je weet dus precies hoe je systeem degradeert als de omstandigheden veranderen.

4. De Vormen van de Zone

Je kunt deze veiligheidszones in verschillende vormen tekenen, afhankelijk van wat je nodig hebt:

Bollen (Balls): Simpel en rond, zoals een ballon.
Ellipsen: Iets langer en platter, zoals een ei.
Zonotopen: Complexe veelhoeken, die lijken op een gestapelde set van blokken.
De auteurs laten zien dat je voor al deze vormen de wiskunde kunt "vertalen" naar een probleem dat een computer snel kan oplossen. Het is alsof je voor elke vorm van de veiligheidszone een andere sleutel hebt, maar ze passen allemaal in hetzelfde slot.

Samenvatting: Wat levert dit op?

Deze paper biedt een slimme, aanpasbare manier om voorspellingen te maken over waar een systeem naartoe gaat, zonder dat je het systeem perfect hoeft te begrijpen.

Je hebt de controle: Je kunt kiezen tussen een strakke zone (goed voor precisie) of een veilige zone (goed voor risico's).
Je bent voorbereid op sabotage: Het werkt zelfs als de data een beetje "verpest" is.
Je weet wat er gebeurt als de wereld verandert: Als de omstandigheden iets afwijken van je training, weet je precies hoe groot je veiligheidszone moet zijn om nog steeds veilig te blijven.

Kortom: Het is een nieuwe, robuuste "veiligheidsnet" voor de toekomst, gebaseerd op het verleden, maar klaar voor onverwachte verrassingen.

Titel: Data-gedreven Bereikbaarheidsset-schatting met Instelbare Adversariële en Wasserstein Distributie-Garanties

Auteurs: Georgios Pantazis en Michelle S. Chong (Technische Universiteit Eindhoven)

1. Probleemstelling

Het artikel richt zich op het schatten van bereikbaarheidssets (reachable sets) voor onbekende discrete-tijd dynamische systemen, uitsluitend gebaseerd op bemonsterde trajecten (state trajectories).

Context: Bereikbaarheidssets beschrijven de mogelijke toestanden die een systeem kan bereiken binnen een eindige horizon onder onzekerheid. Traditionele methoden vereisen vaak een nauwkeurig model, wat in moderne toepassingen met complexe of onbekende dynamiek niet altijd beschikbaar is.
Uitdagingen: Bestaande data-gedreven methoden (vaak gebaseerd op scenario-optimalisatie) hebben drie belangrijke tekortkomingen:
1. Ze bieden geen instelbare afweging tussen de strakheid van de set (grootte) en de betrouwbaarheid (inclusie van toekomstige trajecten).
2. Ze zijn niet robuust tegen verstoord data (ruis of adversariële aanvallen) tijdens de bemonstering.
3. Ze bieden geen garanties die gracefully degrade (gracefully verslechteren) bij veranderingen in de kansverdeling (distributional shift) van de data, specifiek gemeten in de Wasserstein-afstand.

2. Methodologie

De auteurs presenteren een unified framework dat scenario-optimalisatie combineert met slack-variabelen en robuuste optimalisatietechnieken.

A. Geoptimaliseerd Scenario-programma met Slack

In plaats van scenario's als harde constraints te behandelen, wordt een gerelaxeerd programma ( $P_{N,\rho}$ ) geformuleerd:

Doelfunctie: Minimalisatie van de grootte van de bereikbaarheidsset (bijv. volume) plus een straffactor ( $\rho$ ) voor de som van slack-variabelen ( $\xi_i$ ).
Constraints: De geschatte set moet de bemonsterde trajecten bevatten, maar met een toelaatbare overtreding ( $\xi_i$ ).
Mechanisme: De parameter $\rho$ fungeert als een instelbare knop. Een hoge $\rho$ straft overtredingen zwaar, wat leidt tot grotere sets die meer data bevatten (hogere betrouwbaarheid), maar minder strak zijn. Een lage $\rho$ leidt tot kleinere, strakkere sets, maar met een hoger risico op het uitsluiten van toekomstige trajecten.

B. Adversariële Robuustheid

Om rekening te houden met ruis of kwaadaardige verstoringen in de data:

Elke bemonsterde traject $x^{(i)}$ wordt gemodelleerd als onderhevig aan een bounded adversarial perturbation binnen een straal $R$ (bijv. een $p$ -norm bol).
Het programma wordt omgezet naar een robustified versie ( $\hat{P}_{N,\rho,A}$ ) waarbij de constraints gelden voor alle mogelijke verstoorde versies van de trajecten binnen de adversariële set.
Dit resulteert in een adversariële complexiteit ( $s^*_A$ ), een maat voor het aantal trajecten dat essentieel is voor de vorming van de set onder verstoring.

C. Convexe Herformuleringen

Voor verschillende geometrische vormen van de bereikbaarheidssets worden tractable (oplosbare) convexe herformuleringen afgeleid:

$p$ -norm ballen: Gebaseerd op straal en centrum.
Ellipsoïden: Gebaseerd op een positief definiete matrix en een verschuiving.
Zonotopen: Gebaseerd op een generator-matrix en half-breedtes.
Deze herformuleringen maken het mogelijk om het probleem efficiënt numeriek op te lossen.

D. Distributie-robustheid (Wasserstein)

Het artikel analyseert wat er gebeurt als de verdeling van de data tijdens de implementatie verschuift ten opzichte van de trainingsdata.

Er wordt een Wasserstein-bal rond de nominale verdeling gedefinieerd.
De auteurs leiden een expliciete bovengrens af voor de waarschijnlijkheid dat een traject buiten de geschatte set valt, zelfs als de verdeling verschuift binnen deze bal. De degradatie van de garantie is lineair afhankelijk van de verhouding tussen de Wasserstein-straling en de adversariële straal.

3. Belangrijkste Bijdragen

Instelbare Trade-off: Introductie van een framework dat een expliciete afweging biedt tussen de grootte van de set en de probabilistische garanties voor toekomstige trajecten via de parameter $\rho$ .
Adversariële Robuustheid: Een methode om bereikbaarheidssets te schatten die robuust zijn tegen bemonsteringsruis en adversariële aanvallen, met afgeleide a posteriori probabilistische garanties.
Distributie-robustheid: Een expliciete bound voor de degradatie van garanties bij veranderingen in de data-distributie (gemeten via 1-Wasserstein afstand), zonder dat het model opnieuw getraind hoeft te worden.
Tractabele Convexe Formuleringen: Afleiding van efficiënt oplosbare convex programma's voor ballen, ellipsoïden en zonotopen.

4. Resultaten en Simulaties

De theorie wordt gevalideerd via simulaties op een stochastisch dynamisch systeem met een niet-lineaire component ( $\tanh$ ).

Geometrische Vergelijking: De methode wordt getest voor ballen, ellipsoïden en zonotopen.
- Resultaat: Zonotopen leveren strakkere (smallere) sets op, maar vereisen meer steekproeven ( $N$ ) om dezelfde theoretische garanties te bereiken als ballen of ellipsoïden.
Invloed van $\rho$ :
- Een hogere $\rho$ leidt tot grotere sets die beter de data coveren (minder uitsluiting van getrainde data).
- De simulaties tonen aan dat de empirische schending (violation rate) consistent onder de theoretische bovengrens blijft.
Distributieverschuiving:
- Bij het testen met data uit een verschoven verdeling (Gaussian met andere mean/variance), blijft de empirische schending onder de theoretische bound die de Wasserstein-term bevat.
- Dit bevestigt dat de robuustheid tegen adversariële verstoringen ook robuustheid tegen distributieverschuivingen "erft".

5. Significatie en Toekomstperspectief

Dit werk is significant omdat het de kloof overbrugt tussen theoretische scenario-optimalisatie en praktische, data-gedreven veiligheidsanalyse voor onbekende systemen.

Het biedt een praktische tool voor ingenieurs om de balans tussen conservatisme (grote sets) en prestatie (kleine sets) te sturen.
Het introduceert nieuwe garanties die essentieel zijn voor veilige implementatie in real-world scenario's waar data imperfect is en verdelingen kunnen veranderen.
Toekomstig werk: De auteurs suggereren dat de volgende stap is om de Wasserstein-ambiguïteitsset direct in het trainingsproces te integreren (in plaats van alleen via a posteriori garanties) om distributie-robustheid expliciet te garanderen.

Kortom, het artikel levert een robuust, wiskundig onderbouwd raamwerk voor het schatten van bereikbaarheidssets dat flexibel, data-efficiënt en veilig is tegen zowel meetfouten als veranderingen in de omgeving.