⚡ electrical engineering

Conformal Constraint Tightening for Chance-Constrained Motion Planning with Unknown Dynamics

Dit artikel stelt een planner-agnostische methode voor die gebruikmaakt van conformal prediction om planningsrestricties aan te scherpen op basis van afwijkingen tussen nominale en werkelijke trajecten, waardoor probabilistische garanties voor taakvoltooiing worden geboden voor autonome robots die opereren onder onbekende dynamica.

Oorspronkelijke auteurs: Shubham Natraj, Bruno Sinopoli, Yiannis Kantaros

Gepubliceerd 2026-07-27

📖 8 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Shubham Natraj, Bruno Sinopoli, Yiannis Kantaros

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 robot leert navigeren door een doolhof. Om dit te doen, geef je de robot een kaart en een reeks regels. Maar hier is de crux: de kaart die je hebt is slechts een gok. Het is een "nominaal" model, een best-effort schets van hoe de robot beweegt. In de echte wereld kan de robot zwaarder zijn dan je dacht, of de vloer kan glad zijn, of de wielen kunnen slippen. Deze kloof tussen je schetsmatige kaart en de rommelige realiteit wordt "model mismatch" genoemd. Als je je kaart te veel vertrouwt, kan de robot tegen een muur botsen die hij dacht ver weg te zien, of de finishlijn volledig missen. Dit is een enorm probleem in de robotica omdat we niet altijd de exacte fysica van een nieuwe machine of omgeving kennen voordat we deze naar buiten sturen. We hebben een manier nodig om een pad te plannen dat veilig is, zelfs wanneer onze kaart imperfect is. Hier komt het concept van "chance-constrained planning" kijken: in plaats van te eisen dat een pad altijd perfect is (wat vaak onmogelijk is), streven we naar een pad dat meestal werkt, zeg 95% van de tijd, wat ons een vangnet biedt tegen onze eigen onwetendheid.

De paper die je nu gaat lezen, pakt exact dit probleem aan: hoe maak je een plan voor een robot veilig wanneer het werkelijke gedrag van de robot onbekend is, maar we wel een ruwe, benaderde modellen hebben om mee te werken. De auteurs, Shubham Natraj, Bruno Sinopoli en Yiannis Kantaros, stellen een slimme truc voor met behulp van een statistisch hulpmiddel genaamd "Conformal Prediction". Zie Conformal Prediction als een "veiligheidsinspecteur" die naar een reeks eerdere testritten kijkt om te achterhalen hoe sterk de echte robot kan afwijken van de kaart. Ze proberen de kaart niet te repareren; in plaats daarvan verkleinen ze de speeltuin. Ze maken de veilige zones op de kaart kleiner, en het doelgebied kleiner, met een specifiek bedrag. Dit bedrag wordt zo berekend dat als de robot binnen deze verkleinde zones op de kaart blijft, het wiskundig gegarandeerd is dat hij in de echte wereld met een hoge waarschijnlijkheid veilig blijft.

Hier is het verhaal van hoe ze het aanpakten en wat ze ontdekten.

Het Probleem: De Kaart versus het Terrein

Robots moeten van een startpunt naar een doel bewegen terwijl ze obstakels vermijden. Meestal gebruiken ingenieurs een computermodel om de beweging van de robot te simuleren. Ze draaien een planningsalgoritme (zoals een slimme GPS) om een reeks bewegingen te vinden die er perfect uitziet op de computer. Maar wanneer ze diezelfde reeks op de echte robot testen, gaat het mis. Misschien is de motor van de robot iets zwakker, of duwt de wind hem anders. Het "ware" pad dat de robot aflegt, drijft weg van het "nominale" pad dat de computer heeft gepland. Als deze drift te groot is, botst de robot tegen een obstakel of mist hij het doel.

De auteurs stellen dat we de exacte fysica van de robot niet altijd vooraf kunnen weten. We kunnen een geleerd model hebben (een gok gebaseerd op data) of een vereenvoudigd natuurkundig model, maar het zal nooit 100% nauwkeurig zijn. De uitdaging is om een controlevolgorde (een lijst met bewegingen) te berekenen die werkt op de echte robot, ook al hebben we alleen het benaderde model om mee te plannen.

De Oplossing: De "Veiligheidsbubbel"-truc

De oplossing van de auteurs is een tweestaps-proces dat een risicovol, onzeker probleem verandert in een veilig, deterministisch probleem.

Stap 1: De Kalibratie (De Proefrit)
Eerst moeten ze weten hoe slecht de mismatch kan zijn. Ze nemen hun benaderde model en draaien dit op een reeks testproblemen. Voor elk probleem vinden ze een pad dat werkt op de computer. Vervolgens draaien ze datzelfde pad daadwerkelijk op de echte robot en kijken ze wat er gebeurt. Ze meten de afstand tussen waar de computer dacht dat de robot zou zijn en waar de robot daadwerkelijk was. Ze doen dit voor 100 verschillende testscenario's.

Met behulp van een statistische methode genaamd Conformal Prediction kijken ze naar deze 100 metingen en vragen ze zich af: "Wat is de maximale afstand die de echte robot afweek van de voorspelling van de computer in 95% (of 99%, etc.) van deze gevallen?" Dit geeft hen een "veiligheidsradius", laten we deze $\hat{q}_\alpha$ noemen. Dit getal vertegenwoordigt een "worst-case" bubbel. Ze weten dat de echte robot met een hoge waarschijnlijkheid nooit meer dan deze afstand verwijderd zal zijn van het door de computer voorspelde pad.

Stap 2: Het Verkleinen (De Kamer Versmallen)
Nu komt de magie. In plaats van te plannen op de originele kaart, maken ze een nieuwe, "verstrakte" kaart.

Ze nemen de obstakels op de kaart en maken deze groter (inflateren) door de veiligheidsradius $\hat{q}_\alpha$ .
Ze nemen de vrije ruimte en het doelgebied en maken deze kleiner (eroderen) met hetzelfde bedrag.

Stel je voor dat je door een gang loopt met een grote, onhandige rugzak. Als je je pad plant door de muren op te zoeken, kun je de muren raken met je rugzak. Dus doe je alsof de muren verder naar buiten staan en de gang smaller is. Je loopt door het midden van deze "imaginair" smallere gang. Als je in het midden van de smalle gang blijft, zal je rugzak nooit de echte muren raken.

De auteurs bewijzen dat als een robot een pad kan vinden door deze verkleinde, "verstrakte" versie van de kaart met behulp van het benaderde model, datzelfde pad gegarandeerd veilig zal zijn op de echte robot met de voorgeschreven waarschijnlijkheid. De robot hoeft de ware dynamica niet te kennen; hij hoeft alleen het moeilijkere, verkleinde probleem op de kaart op te lossen.

De Experimenten: Werkt het?

Om dit te testen, voerden de auteurs twee verschillende scenario's uit.

Scenario 1: De Vertragende Auto (Dubins Vehicle)
Ze gebruikten een eenvoudig automodel dat wel kan draaien maar niet zijwaarts kan bewegen. De "ware" auto had een verborgen fout: hij was langzamer dan het model voorspelde vanwege wrijving (gesimuleerd door een parameter $\beta_v$ ). Ze testten mismatch-niveaus van 0,05, 0,10, 0,15 en 0,20.

Het Resultaat: Wanneer ze hun "verstrakte" methode gebruikten, bereikte de robot het doel en vermeed hij crashes met een snelheid die overeenkwam met of hoger was dan hun veiligheidsgarantie. Bijvoorbeeld, als ze om een succespercentage van 90% vroegen, slaagde de robot vaker dan 90% van de tijd.
De Afweging: Naarmate ze om hogere veiligheid vroegen (bijv. 99% in plaats van 90%), werd de "veiligheidsbubbel" groter, de gang narrower, en werd het moeilijker voor de planner om enig pad te vinden. Het succespercentage van het vinden van een pad daalde, maar de paden die het wel vond, waren veel betrouwbaarder.
Vergelijking: Ze vergeleken dit met een standaard planner die de mismatch negeerde. De standaard planner vond vaker paden, maar die paden faalden veel vaker op de echte robot. De methode van de auteurs was veel succesvoller in het daadwerkelijk voltooien van de taak veilig.

Scenario 2: De Wankele Drone (Planar Quadrotor)
Ze testten een complexere, 6-dimensionale drone die last heeft van willekeurige ruis (windvlagen) en een geleerd neuraal netwerkmodel gebruikt (dat vaak imperfect is).

Het Resultaat: Zelfs met de toegevoegde chaos van willekeurige ruis en een geleerd model, hield de methode stand. De "empirische dekking" (hoe vaak de robot binnen de veiligheidsbubbel bleef) was consequent hoger dan het doel.
Prestaties: Bij een doelstelling van 90% veiligheid bereikte hun methode een taakvoltooiingspercentage van 100% op de echte drone, terwijl de standaard "nominale" planner slechts ongeveer 55% haalde. Dit laat zien dat door in de planningsfase een beetje voorzichtiger te zijn, je een veel beter resultaat krijgt in de echte wereld.

Wat ze vonden en wat het betekent

De paper demonstreert dat je niet de exacte fysica van een robot hoeft te kennen om een veilig pad te plannen. Je hebt alleen een ruwe schatting nodig en wat data om te meten hoe fout die schatting kan zijn. Door Conformal Prediction te gebruiken om een "veiligheidsbubbel" te creëren en de planningsruimte dienovereenkomstig te verkleinen, kun je een risicovol, onzeker probleem veranderen in een veilig, oplosbaar probleem.

De auteurs laten zien dat deze aanpak "planner-agnostisch" is, wat betekent dat het werkt met elk planningsalgoritme (zoals het RRT-algoritme dat ze gebruikten). Het maakt niet uit hoe de planner het pad vindt; zolang het pad binnen de verkleinde zones blijft, houdt de garantie stand.

Er is echter een prijs. Hoe meer veiligheid je eist (hoe hoger de waarschijnlijkheid die je wilt), hoe conservatiever het plan wordt. De "gang" wordt smaller, en soms vindt de planner helemaal geen pad. De auteurs ontdekten dat hoewel het succespercentage van de planner (het vinden van elk pad) daalt naarmate de veiligheidseisen stijgen, de betrouwbaarheid van de paden die het wel vindt, enorm toeneemt. In hun experimenten presteerde hun methode consequent beter dan de standaard planning die modelfouten negeerde, wat bewijst dat een beetje wiskundige voorzichtigheid een grote rol speelt bij het veilig houden van robots.

Kortom, de paper biedt een robuuste, wiskundig onderbouwde manier om te zeggen: "Ik weet niet precies hoe deze robot beweegt, maar ik weet hoe ver mijn gok zou kunnen afwijken, dus ik plan alsof de wereld een beetje gevaarlijker is dan hij lijkt." En de experimenten laten zien dat deze strategie werkt, waardoor een potentieel gevaarlijke gok verandert in een betrouwbare missie.

Technische Samenvatting: Conformal Constraint Tightening voor Chance-Constrained Motion Planning met Onbekende Dynamica

1. Probleemformulering

Het artikel behandelt de uitdaging van bewegingsplanning voor autonome robots waarbij de ware systeemdynamica onbekend is, maar een benaderend deterministisch nominaal model beschikbaar is. Het doel is om een controlevolgorde te berekenen die de robot van een begintoestand naar een doelregio stuurt, terwijl obstakels wordt vermeden met een voorgeschreven succeswaarschijnlijkheid ( $1-\alpha$ ).

Cruciaal is dat het artikel dit definieert als een chance-constrained planningsprobleem over een distributie van planningsproblemen ( $D_M$ ). In tegenstelling tot traditionele benaderingen die een bekende stochastische model of structurele aannames over onzekerheid (zoals Gaussische ruis) veronderstellen, gaat dit werk uit van het volgende:

De ware dynamica $f$ is onbekend.
Alleen een nominaal model $\hat{f}$ is toegankelijk.
Het nominale en het ware systeem delen dezelfde toestands- en controle-ruimten.
Planningsproblemen (obstakelconfiguraties, begintoestanden, doelen) zijn i.i.d. getrokken uit een onbekende distributie.

De kernmoeilijkheid is dat ongemodelleerde effecten, parametrische onzekerheid of benaderingsfouten in geleerde dynamica kunnen leiden tot trajecten die veilig zijn onder het nominale model, maar falen op het ware systeem.

2. Methodologie

Het voorgestelde framework is planner-agnostisch, wat betekent dat het geïntegreerd kan worden met elk bestaand bewegingsplanningsalgoritme (bijv. RRT, MPC, deep RL). De methodologie bestaat uit drie hoofdfasen:

A. Conformal Prediction (CP) voor Onzekerheidskwantificatie

De auteurs maken gebruik van Conformal Prediction om de discrepantie tussen nominale en ware trajecten te kwantificeren zonder een specifieke distributie voor de modelafwijking aan te nemen.

Kalibratiedataset: Een dataset wordt geconstrueerd door nominaal haalbare controlevolgordes op het ware systeem uit te voeren om de bijbehorende ware trajecten te verzamelen.
Nonconformity Score (NCS): Voor elk planningsprobleem in de kalibratieset wordt een score berekend die de worst-case Euclidische afwijking tussen het nominale traject en het ware traject over de planningshorizon vertegenwoordigt:
$R(M) := \sup_{u} \max_{t} \|x_t - \hat{x}_t\|_2$
Noot: In de praktijk wordt dit benaderd met een eindige subset van haalbare controlevolgordes.
Drempelwaarde Berekening: Gegeven een doelstelling voor de foutkans $\alpha$ , berekent CP een drempelwaarde $\hat{q}_\alpha$ als het $(1-\alpha)$ -de empirische kwantiel van de kalibratiescores. Deze drempelwaarde biedt een probabilistische grens op de nominale-naar-ware afwijking voor ongeziene planningsproblemen getrokken uit dezelfde distributie.

B. Constraint Tightening (Restrictie-verstrakking)

Met behulp van de conformal drempelwaarde $\hat{q}_\alpha$ definiëren de auteurs een verstrakte planningsprobleem ( $M_\alpha$ ) onder het nominale model:

Verstrakte Vrije Ruimte ( $X^{\hat{q}_\alpha}_{free}$ ): De oorspronkelijke vrije ruimte wordt verkleind door de grenzen te "eroderen". Een toestand $x$ is alleen inbegrepen als een bal met straal $\hat{q}_\alpha$ gecentreerd rond $x$ volledig binnen de oorspronkelijke vrije ruimte ligt.
Verstrakte Doelregio ( $X^{\hat{q}_\alpha}_{goal}$ ): Op vergelijkbare wijze wordt de doelregio gecontracteerd zodat een bal met straal $\hat{q}_\alpha$ gecentreerd rond elk punt in de nieuwe doelregio volledig binnen de oorspronkelijke doelregio ligt.

Geometrisch gezien is dit gelijk aan het opblazen van obstakels en het contracteren van de doelregio met de straal $\hat{q}_\alpha$ .

C. Theoretische Garantie

Het artikel bewijst dat indien een controlevolgorde het verstrakte probleem $M_\alpha$ oplost met behulp van het nominale model, deze het oorspronkelijke chance-constrained probleem op het ware systeem oplost met een waarschijnlijkheid van ten minste $1-\alpha$ . Dit komt omdat de conformal grens garandeert dat het ware traject binnen de $\hat{q}_\alpha$ -bal van het nominale traject blijft; als het nominale traject binnen de geërodeerde vrije ruimte blijft, is gegarandeerd dat het ware traject binnen de oorspronkelijke vrije ruimte blijft.

3. Belangrijkste Bijdragen

CP-gebaseerde Onzekerheidskwantificatie: Ontwikkeling van een framework dat enkel een nominaal model en kalibratiedata gebruikt om een probabilistische grens te bieden op traject-niveau modelmismatch over een distributie van planningsproblemen, zonder parametrische onzekerheidsmodellen te vereisen.
Planner-Agnostische Constraint Tightening: Een methode om het chance-constrained probleem om te zetten in een deterministisch planningsprobleem met verstrakte restricties. Het artikel bewijst dat het oplossen van dit deterministische probleem een voldoende voorwaarde is voor het voldoen aan de oorspronkelijke probabilistische eis.
Empirische Validatie: Demonstratie van de effectiviteit van het framework in zowel deterministische (parameter mismatch) als stochastische (geleerd model + procesruis) settings, waarbij een verbeterde taakvoltooiingsgraad wordt getoond vergeleken met nominal-model planning.

4. Experimentele Resultaten

Het framework werd geëvalueerd in twee scenario's:

Dubins Vehicle: Een deterministisch systeem met incorrecte translationele parameters (om oppervlakteresistentie te simuleren).
Planar Quadrotor: Een hogere-dimensionale, onderactieve system met stochastische dynamica en een geleerd neuraal netwerkmodel.

Belangrijkste Bevindingen:

Empirische Dekking: In alle experimenten overschreed de empirische dekking (het deel van de ware trajecten dat voldoet aan de veiligheids-/doelrestricties) consistent het voorgeschreven doelniveau ( $1-\alpha$ ), wat de theoretische garanties valideert.
Trade-off: Naarmate de voorgeschreven waarschijnlijkheid ( $1-\alpha$ ) toenam, nam de conformal drempelwaarde $\hat{q}_\alpha$ toe, wat leidde tot een conservatievere restrictie-verstrakking. Dit resulteerde in een afname van de planner success rate (het vermogen om een oplossing te vinden binnen de verstrakte ruimte) maar een significante toename in de task-completion rate (het vermogen om de taak succesvol uit te voeren op het ware systeem).
Prestaties vs. Baseline: De voorgestelde methode presteerde consequent beter dan een baseline RRT-planner die het nominale model gebruikte zonder restrictie-verstrakking. Voor de quadrotor bereikte de voorgestelde methode bij een doeldekking van 90% een taakvoltooiingspercentage van 100%, vergeleken met ~55% voor de nominale baseline.

5. Betekenis en Claims

Het artikel claimt een kritieke beperking in de bestaande bewegingsplanningliteratuur aan te pakken: de afhankelijkheid van nauwkeurige modellen of simulators voor veiligheidsgaranties. Door de planningalgoritmen te ontkoppelen van de onzekerheidskwantificatie, stelt het voorgestelde framework bestaande planners in staat om veilig te opereren op systemen met onbekende dynamica.

De auteurs benadrukken dat hun benadering een marginale probabilistische garantie biedt over een distributie van planningsproblemen, in plaats van een garantie per taak. Dit is bijzonder relevant voor robotica-toepassingen waarbij planners herhaaldelijk worden aangeroepen in variërende omgevingen en missiespecificaties. Het werk demonstreert dat het mogelijk is om een hoge betrouwbaarheid in taakvoltooiing te bereiken voor onbekende systemen door een deel van de planner success rate (conservatisme) op te offeren via conformal constraint tightening.

Het artikel erkent beperkingen en merkt op dat de benadering conservatief kan zijn, vooral wanneer de verstoring (disturbance) groot is of de model mismatch aanzienlijk is. Toekomstig werk wordt gesuggereerd om zich te richten op het verminderen van dit conservatisme en het ontwikkelen van adaptieve risicostrategieën wanneer er geen oplossing gevonden kan worden voor het verstrakte probleem.