⚡ electrical engineering

Distributionally Robust Safety Under Arbitrary Uncertainties: A Safety Filtering Approach

Dit artikel stelt een distributie-robuust veiligheidsfilteringskader voor dat probabilistische veiligheid voor niet-lineaire systemen onder willekeurige distributieonzekerheden waarborgt door veiligheidscertificering terug te brengen tot een een-dimensionale zoektocht naar schakeltijden en het toepassen van een op steekproeven gebaseerde procedure met garanties voor eindige steekproeven.

Oorspronkelijke auteurs: Daniel M. Cherenson, Haejoon Lee, Taekyung Kim, Dimitra Panagou

Gepubliceerd 2026-05-14

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Daniel M. Cherenson, Haejoon Lee, Taekyung Kim, Dimitra Panagou

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 zeer snelle, hoogpresterende raceauto bestuurt. Je hebt een "Nominele Bestuurder" die ongelooflijk getalenteerd is in snel rijden en het nemen van de perfecte racelijn. Deze bestuurder weet echter niets van gaten in de weg, plotselinge windstoten of het feit dat de weg op manieren glad kan zijn die ze nog nooit hebben gezien. Als ze te snel rijden, kunnen ze een ongeluk krijgen.

Om je veilig te houden, heb je een "Reservebestuurder" op de bijrijdersstoel. Deze bestuurder is iets trager en voorzichtiger, maar is een meester in overleven. Ze weten precies hoe ze de auto in een veilige, trage baan moeten sturen als er iets misgaat.

Het probleem is: Wanneer moet je overschakelen van de Snelle Bestuurder naar de Veilige Bestuurder?

Als je te vroeg overschakelt, rijdt je te langzaam en mis je de race. Als je te laat overschakelt, crasht je.

Dit artikel introduceert een nieuwe "Veiligheidsfilter" genaamd DRS-gatekeeper. Het fungeert als een superintelligente copiloot die het exacte moment bepaalt om de controle over te dragen. Hier is hoe het werkt, met behulp van eenvoudige analogieën:

1. Het Probleem: "We Kennen het Weer Niet"

De meeste veiligheidssystemen gaan ervan uit dat ze het "weer" (de onzekerheden) kennen. Ze kunnen zeggen: "We weten dat de wind altijd tussen de 8 en 16 km/u waait." Maar in de echte wereld kan de wind één minuut 3 km/u waaien en de volgende 80 km/u, of het kan een vreemd patroon volgen dat we nog nooit hebben gezien.

Als je veiligheidssysteem ervan uitgaat dat de wind zacht is, maar het is eigenlijk een orkaan, crasht je auto. De auteurs noemen dit Distributie-Ambiguïteit — we kennen de ware regels van het spel niet, alleen een gok gebaseerd op eerdere data.

2. De Oplossing: De "Wasserstein-Paraplu"

Om dit onbekende weer te hanteren, gebruiken de auteurs een wiskundig hulpmiddel genaamd een Wasserstein-Ambiguïteitsset.

De Analogie: Stel je een kaart voor van waar de wind meestal waait (je "Nominele Distributie"). Maar je weet dat je kaart misschien iets verkeerd is. Teken daarom een gigantische, onzichtbare "paraplu" om die kaart heen. Deze paraplu vertegenwoordigt alle mogelijke manieren waarop de wind zich daadwerkelijk kan gedragen, inclusief de rare, onverwachte patronen.
Het Doel: Het systeem controleert niet alleen of de auto veilig is onder de "gewone" wind. Het controleert of de auto veilig is onder elk mogelijk windpatroon binnen die paraplu.

3. De Truc: De "Eendimensionale Zoeking"

Elk mogelijk windpatroon binnen die paraplu controleren is meestal een nachtmerrie voor computers. Het zou te lang duren om te berekenen, en de auto zou crashten terwijl de computer nog steeds nadenkt.

De auteurs vonden een slimme afkorting. Omdat ze de "Reservebestuurder" klaar hebben staan om over te nemen, hoeven ze niet de hele toekomst te berekenen. Ze hoeven alleen één getal te vinden: Het exacte moment om de bestuurder te wisselen.

De Analogie: In plaats van elke mogelijke toekomstige storm te simuleren, vraagt het systeem: "Als ik op 1 seconde overschakel naar de Veilige Bestuurder, ben ik dan veilig? Wat zit er bij 2 seconden? 3 seconden?"
Ze veranderen een enorm, complex wiskundig probleem in een eenvoudige zoektocht naar het laatste mogelijke moment om veilig over te schakelen.

4. Het "Sampling"-Veiligheidsnet

Omdat ze niet elk mogelijk windscenario kunnen controleren (er zijn er oneindig veel), gebruiken ze een sampling-truc.

De Analogie: Stel je wilt weten of een brug een zware vrachtwagen kan dragen. Je hoeft hem niet te testen met elke vrachtwagen ter wereld. Je test hem met 1.000 willekeurige vrachtwagens.
Het systeem simuleert het pad van de auto 1.000 keer met behulp van willekeurige "wind"-stalen.
De Veiligheidsboost: Om rekening te houden met het feit dat de echte wind erger kan zijn dan hun stalen, voegen ze een "veiligheidsbuffer" toe (het verhogen van de faaldrempel). Als de auto 99% van de gesimuleerde winden plus deze extra buffer overleeft, zijn ze ervan overtuigd dat het de echte wereld zal overleven, zelfs als het weer vreemd is.

5. Tests in de Echte Wereld

De auteurs hebben deze "Veiligheidsfilter" getest op drie zeer verschillende machines om te bewijzen dat het werkt:

Een Dubins-voertuig (Een simpele robotauto): Het moest rond obstakels navigeren. De nieuwe filter hield het veiliger dan oudere methoden, zelfs wanneer de sensoren van de robot verward waren.
Een Formule 1-raceauto: Deze auto reed op een echt racecircuit met complexe fysica. De filter liet de auto snel rijden (met behulp van de Nominele Bestuurder), maar schakelde op het laatste moment over naar de reserve toen de baancondities lastig werden. Het was veel veiliger dan de standaard race-AI.
Een F-16-jachtvliegtuig: Dit was de moeilijkste test. Het vliegtuig vloog laag en snel door een smalle canyon. De wind en de eigen aerodynamica van het vliegtuig waren onvoorspelbaar. De standaardmethode (die deze filter niet gebruikte) crashte of kwam te dicht bij de muren. De nieuwe filter hield het vliegtuig veilig, laag en snel vliegend, en schakelde alleen over naar de reserve wanneer het absoluut noodzakelijk was.

De Conclusie

Dit artikel presenteert een "Veiligheidsbewaker" die hoogpresterende robots en voertuigen hun werk snel en efficiënt laat doen. Het gokt niet op de toekomst; in plaats daarvan bereidt het zich voor op het slechtst mogelijke scenario binnen een redelijke reeks mogelijkheden.

Het is alsof je een copiloot hebt die zegt: "Ik vertrouw je om snel te rijden, maar ik houd het weer in de gaten. Als de wind zelfs maar een beetje vreemder wordt dan we verwachtten, neem ik direct het stuur over zodat we niet crashten." Dit zorgt voor hoge prestaties zonder veiligheid op te offeren, zelfs als de regels van de wereld onduidelijk zijn.

Technische Samenvatting: Distributioneel Robuuste Veiligheid onder Arbitraire Onzekerheden

Probleemstelling

Het waarborgen van veiligheid voor autonome robotsystemen wordt bemoeilijkt door niet-lineaire dynamica, actuatielimieten en onzekerheden die voortvloeien uit modelmismatch, perceptiefouten en exogene verstoringen. Hoewel veiligheidsfilters (of "poortwachters") een modulaire oplossing bieden door te schakelen van een hoogpresterend nominaal beleid naar een gecertificeerd back-upbeleid wanneer veiligheid in gevaar komt, lopen bestaande aanpakken onder distributie-ambiguïteit tegen aanzienlijke beperkingen aan.

Huidige methoden vertrouwen doorgaans op één van de volgende:

Robuuste Veiligheidsfilters: Aannemen van worst-case deterministische grenzen, wat overmatig conservatief kan zijn.
Stochastische Veiligheidsfilters: Aannemen van bekende, specifieke verstoringverdelingen (bijvoorbeeld Gaussisch), wat faalt wanneer de ware verdeling onbekend, gedeeltelijk waargenomen of verschoven is (distributieve verschuiving).
Distributioneel Robuuste (DR) Planning: Hoewel veelbelovend, is het direct integreren van DR-beperkingen in veiligheidsfilters voor algemene niet-lineaire systemen computationeel onhaalbaar. Dit vereist vaak het oplossen van hoogdimensionale optimalisatieproblemen over worst-case verdelingen binnen ambiguïteitssets, waardoor real-time implementatie onmogelijk wordt.

De kernuitdaging die in dit werk wordt aangepakt, is hoe probabilistische veiligheidsgaranties te bieden voor algemene niet-lineaire systemen onder arbitraire onzekerheidsstructuren (niet-additief, niet-affien) waar de ware ruisverdeling onbekend is, zonder de computationele kosten van online DR-trajectoptimalisatie te incasseren.

Methodologie: DRS-gatekeeper

De auteurs stellen Distributioneel Robuust Stochastisch gatekeeper (DRS-gatekeeper) voor, een real-time veiligheidsfilter dat het op back-up gebaseerde veiligheidsfilterkader uitbreidt. De methode combineert een Wasserstein-ambiguïteitsset met statistische analyse op basis van eindige steekproeven om veiligheid te certificeren.

Kernarchitectuur

Het systeem werkt door te schakelen tussen een hoogpresterend nominaal beleid ( $\pi_N$ ) en een vooraf geverifieerd back-upbeleid ( $\pi_B$ ). Het back-upbeleid is ontworpen om een specifieke veilige set $\mathcal{C}$ met hoge waarschijnlijkheid voorwaarts invariant te houden (een $\alpha$ -probabilistische gecontroleerde invariante set). Het doel is om zo lang mogelijk op het nominale beleid te blijven, terwijl er wordt gegarandeerd dat een schakeling naar het back-upbeleid plaatsvindt voordat de veiligheid wordt aangetast.

Belangrijkste Technische Componenten

Distributioneel Robuuste Kansbeperking (DRCC):
In plaats van te optimaliseren tegen een enkele nominale verdeling $\hat{P}_t$ , waarborgt de methode veiligheid tegen een ambiguïteitsset $\mathcal{B}_\beta(\hat{P}_t)$ die wordt gedefinieerd door de $\infty$ -Wasserstein-afstand met straal $\beta$ . Deze set bevat alle verdelingen die consistent zijn met de beschikbare data. Het doel is om te voldoen aan:
$\inf_{Q \in \mathcal{B}_\beta(\hat{P}_t)} \Pr_{w \sim Q} [\text{Veiligheid}] \geq 1 - \varepsilon$
Dimensionaliteitsreductie via Schakeltijdzoektocht:
In plaats van een hoogdimensionaal DR-optimalisatieprobleem online op te lossen, maken de auteurs gebruik van de structuur van op back-up gebaseerd filteren. Het veiligheidscertificeringsprobleem wordt gereduceerd tot een ééndimensionale zoektocht over de schakeltijd $s_t$ tussen het nominale en het back-upbeleid.
Certificering op Basis van Steekproeven met Garanties voor Eindige Steekproeven:
De methode maakt gebruik van een aanpak geïnspireerd op Monte Carlo:
- Parallelle Rollouts: Voor elke kandidaat-schakeltijd $m$ genereert het algoritme $N$ onafhankelijke ruis-trajectsteekproeven uit de nominale verdeling $\hat{P}_t$ .
- Wasserstein-geinflatieerde Drempel: Om rekening te houden met de ambiguïteitsset zonder daar direct uit te stalen, berekent het algoritme een veiligheidsmarge $H$ voor elke rollout. Het telt "mislukkingen" niet alleen wanneer $H < 0$ , maar wanneer $H < L_H \beta$ , waarbij $L_H$ de Lipschitz-constante van de veiligheidsfunctie is en $\beta$ de straal van de ambiguïteit. Dit inflatieert effectief de mislukkingenset om de worst-case verdeling binnen de ambiguïteitsset te dekken (Lemma 1).
- Statistische Grenzen: Het waargenomen aantal mislukkingen wordt gebruikt om een bovengrens te berekenen voor de ware mislukingskans met behulp van de binomiale verdeling en een door de gebruiker gespecificeerd betrouwbaarheidsniveau $1-\delta$ .
- Selectie: Het algoritme selecteert de laatste schakeltijd $s_t$ zodat de statistische bovengrens voor de mislukingskans onder de drempel $(\varepsilon - \alpha)/(1 - \alpha)$ blijft.

Theoretische Garanties

Het artikel levert een formeel bewijs (Stelling 1) dat, indien de aannames met betrekking tot de Lipschitz-continuïteit van de veiligheidsfunctie en het bestaan van een geldig back-upbeleid gelden, de DRS-gatekeeper voldoet aan de DRCC met een waarschijnlijkheid van ten minste $1-\delta$ . Deze garantie is onafhankelijk van de trajectdimensionaliteit of het aantal steekproeven $N$ , hoewel $N$ invloed heeft op het conservatisme van het filter.

Belangrijkste Bijdragen

DRS-gatekeeper Algoritme: Introductie van een real-time veiligheidsfilter voor niet-lineaire systemen met arbitraire verstoringstructuren en distributie-ambiguïteit.
Certificaat op Basis van Eindige Steekproeven: Afleiding van een probabilistisch veiligheidscertificaat onder een Wasserstein-ambiguïteitsset door een bovengrens te berekenen voor de worst-case mislukingskans met een gespecificeerd betrouwbaarheidsniveau.
Computationele Efficiëntie: Herformulering van het oneindig-dimensionale DR-veiligheidsprobleem tot een ééndimensionale zoektocht, wat real-time implementatie mogelijk maakt via parallel stalen.
Empirische Validatie: Demonstratie van de methode in drie verschillende domeinen van toenemende complexiteit: een Dubins-voertuig, een Formule 1-raceauto en een F-16-gevechtsvliegtuig.

Experimentele Resultaten

De auteurs hebben DRS-gatekeeper gevalideerd via simulaties waarbij het werd vergeleken met basislijnmethode (waaronder Distributioneel Robuuste Control Barrier Functions, DR-CBF, en Model Predictive Path Integral control, MPPI).

Dubins-voertuig: In vergelijking met DR-CBF behaalde DRS-gatekeeper aanzienlijk hogere veiligheidspercentages (tot 100% versus 15-75%, afhankelijk van parameters) over variërende mislukingskansen ( $\varepsilon$ ) en ambiguïteitsstralen ( $\beta$ ). Hoewel de tijden om het doel te bereiken in sommige gevallen iets hoger waren, bood de methode een betrouwbaardere afweging tussen veiligheid en prestatie.
Formule 1-raceauto: In een hoogdimensionaal scenario (7 toestandsvariabelen) met complexe, niet-Gaussische empirische onzekerheid:
- Onder Gaussische ruis behield DRS-gatekeeper 96% veiligheid, vergeleken met 92% voor MPPI.
- Onder empirische ruis (die distributieve verschuiving simuleerde) daalde de veiligheid van MPPI naar 76%, terwijl DRS-gatekeeper 94% veiligheid behield.
- De methode behaalde deze resultaten met minimale back-upinterventie (<1,5%) en rekentijden (~21 ms) die geschikt zijn voor real-time besturing.
F-16-gevechtsvliegtuig: In een scenario met 12 toestandsvariabelen en 4 ingangen, vliegend door een smalle canyon met turbulentie en modelresiduen:
- Een basislijn-methode voor optimale trajectvolging behaalde slechts 40% veiligheid (88% wanneer rekening wordt gehouden met het volledige horizon, nog steeds onder de 95%-doelstelling).
- DRS-gatekeeper verbeterde het veiligheidspercentage tot 88% (met een doel van 95% per iteratie, waarbij het cumulatieve effect wordt opgemerkt) met laag back-upgebruik (13,9%) en minimale computerelastiek (12,2 ms).
- De methode slaagde erin om de hoge relatieve graad en inputbeperkingen te hanteren die DR-CBF ontoepasbaar maakten voor dit systeem.

Betekenis en Beweringen

Het artikel beweert dat DRS-gatekeeper een kritieke kloof in autonome veiligheid aanpakt: het vermogen om arbitraire onzekerheidsstructuren en distributieve verschuivingen te hanteren zonder de computationele last van online DR-optimalisatie. Door gebruik te maken van de op back-up gebaseerde architectuur en op Wasserstein gebaseerde robuustheid, biedt de methode rigoureuze probabilistische veiligheidsgaranties voor complexe, hoogdimensionale niet-lineaire systemen waar traditionele robuuste of stochastische filters falen of te conservatief zijn. De auteurs benadrukken dat hun aanpak bijzonder significant is voor systemen waar de ware ruisverdeling onbekend of niet-stationair is, zoals bij hoge snelheidswedstrijden of luchtmanoeuvres onder turbulentie.