⚡ electrical engineering

CC-DeePC: Adaptive Conformal Calibration for Safe Data-Enabled Predictive Control under Non-Stationary Dynamics

Dit artikel stelt CC-DeePC voor, een veilig data-gestuurd predictief regelraamwerk dat Adaptive Conformal Inference gebruikt om uitvoerbeperkingen dynamisch te kalibreren op basis van voorspeller-residuen, waardoor de snelheid van gecertificeerde, slack-vrije veiligheid onder niet-stationaire dynamiek aanzienlijk wordt verhoogd vergeleken met bestaande robuuste en statische baselines.

Oorspronkelijke auteurs: Md Hasibuzzaman, Chan-Yun Yang, Gene Eu Jan

Gepubliceerd 2026-08-26

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Md Hasibuzzaman, Chan-Yun Yang, Gene Eu Jan

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://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 een robot voor die zich door een wereld beweegt die voortdurend verandert. De grond onder de wielen kan glad worden, de lading kan verschuiven, of de wind kan plotseling opsteken. Om veilig te kunnen bewegen, moet de robot voorspellen wat er hierna zal gebeuren en beslissen hoe hij moet sturen. Als zijn voorspelling fout is, kan hij crashen of van een veilig pad afwijken. Decennialang hebben ingenieurs geprobeerd robots te bouwen die leren van hun eigen eerdere bewegingen om deze voorspellingen te doen, een methode die goed werkt wanneer de wereld hetzelfde blijft. Maar wanneer de omgeving onverwacht verandert, falen deze oude methoden vaak omdat ze vertrouwen op een vaste set regels die niet langer overeenkomen met de werkelijkheid. De uitdaging is om de robot veilig te houden zonder hem zo voorzichtig te maken dat hij helemaal stopt met bewegen.

Onderzoekers hebben een nieuwe aanpak ontwikkeld genaamd CC-DeePC om dit probleem op te lossen. In plaats van te raden hoe de wereld zou kunnen veranderen, houdt dit systeem zijn eigen fouten in realtime in de gaten. Elke keer dat de robot voorspelt waar hij over één seconde zal zijn en vervolgens controleert waar hij daadwerkelijk is, meet hij het verschil. Als het verschil klein is, weet de robot dat zijn voorspelling goed is. Als het verschil groot is, weet hij dat er iets veranderd is. De nieuwe methode gebruikt een wiskundig hulpmiddel genaamd adaptieve conformationele inferentie om deze eerdere fouten om te zetten in een veiligheidsbuffer. Het past voortdurend aan hoeveel extra ruimte de robot nodig heeft om veilig te blijven. Als de robot grotere fouten begint te maken, verbreedt het systeem automatisch de veiligheidszone. Als de robot goed presteert, verkleint het systeem de zone om vloeiendere, efficiëntere bewegingen mogelijk te maken. Dit gebeurt zonder dat er een exacte kennis nodig is van waarom de wereld veranderde of zonder dat er wordt aangenomen dat de veranderingen een voorspelbaar patroon volgen.

De onderzoekers testten dit systeem op een gesimuleerde robot die ontworpen is om een specifieke snelheid te handhaven. Ze creëerden scenario's waarin het gedrag van de robot plotseling veranderde, zoals een auto die een ijsbaan raakt, of geleidelijk, zoals een voertuig dat langzaam een zware lading oppikt. Ze vergeleken hun nieuwe methode met verschillende oudere strategieën. Eén oudere strategie gebruikte een vaste, zeer grote veiligheidsmarge, wat ervoor zorgde dat de robot nooit crashte maar vaak erg traag en onhandig bewoog. Een andere gebruikte een vaste marge gebaseerd op eerdere gegevens, wat goed werkte totdat de wereld veranderde, waarna het stilzwijgend faalde. De nieuwe adaptieve methode presteerde net zo goed als de beste vaste strategieën wat betreft hoe vaak de robot daadwerkelijk de veiligheidsregels overtrad. Echter, de manier waarop zij deze veiligheid bereikte, was fundamenteel anders en betrouwbaarder.

De belangrijkste ontdekking was dat de nieuwe methode de robot veilig hield omdat zijn voorspellingen daadwerkelijk correct waren, en niet omdat hij vertrouwde op een numerieke "ontsnappingsroute". De oudere methoden leken vaak alleen veilig omdat ze de robot lieten toe zijn eigen veiligheidsregels lichtjes te overtreden, waarbij een verborgen straf werd gebruikt om de fout op te vangen. De nieuwe methode zorgde er daarentegen voor dat de robot binnen zijn veilige grenzen bleef omdat de door hem berekende veiligheidsbuffer daadwerkelijk nauwkeurig was. In tests met honderd verschillende scenario's behaalde de nieuwe methode een "schone veiligheid"-score die drie tot zeven keer hoger was dan die van de beste vaste methoden. Dit betekent dat de robot het grootste deel van de tijd veilig was omdat zijn wiskunde klopte, en niet omdat hij vertrouwde op een verborgen straf.

De onderzoekers testten het systeem ook op een complexere robot met twee wielen en op een gesimuleerd voertuig met gebruik van echte rijgegevens van een snelweg. In alle gevallen behield de adaptieve methode dit hoge niveau van gecertificeerde veiligheid. Ze ontdekten echter ook een limiet aan de kracht ervan. Wanneer ze de test verplaatsten naar een tweedimensionale navigatietaak waarbij de robot bewegende obstakels moest ontwijken met een sensor die soms imperfecte metingen gaf, verdween het voordeel. In deze moeilijke setting kon het systeem zich niet onderscheiden van de oudere methoden, en moest de robot veel langere, kronkelende paden afleggen om botsingen te vermijden. Dit suggereert dat hoewel de methode uitstekend is voor het controleren van de snelheid en richting van een voertuig, het moeite heeft wanneer de omgeving chaotisch is en de sensoren ruis bevatten.

Uiteindelijk biedt dit werk een manier voor machines om veilig te blijven in een veranderende wereld zonder overdreven conservatief te zijn. Het bewijst dat een robot kan leren om zijn eigen veiligheidsmarges gaandeweg aan te passen, reagerend op zijn eigen fouten om binnen veilige grenzen te blijven. Het systeem vereist geen perfect model van de wereld of een garantie dat de omstandigheden stabiel zullen blijven. Het kijkt simpelweg, leert van zijn fouten en past zijn veiligheidszone dienovereenantig aan. Hoewel het geen magische oplossing is voor elke mogbare situatie, met name wanneer sensoren onbetrouwbaar zijn, biedt het een robuuste en wiskundig onderbouwde manier om autonome systemen veilig te houden wanneer de grond onder hen begint te veranderen.

Technische Samenvatting: CC-DeePC

Probleemstelling
Data-Enabled Predictive Control (DeePC) reguleert onbekende systemen direct vanuit gemeten input-output trajecten met behulp van een gedragsvoorspeller (Hankel-matrix representatie). De betrouwbaarheid van deze voorspeller is echter afhankelijk van het datavenster dat voor de constructie ervan wordt gebruikt. Wanneer systeemdynamica niet-stationair is (bijv. door verschuivende wrijvingscoëfficiënten of veranderende ladingen), degradeert de geldigheid van de voorspeller. Bestaande robuustheidsbenaderingen, zoals vaste regularisatie of statische distributioneel-robuuste ambiguïteitssets, worden offline gekalibreerd en passen zich niet aan deze verschuivingen aan, wat leidt tot stille fouten waarbij veiligheidsgaranties degraderen naarmate de dynamica afwijkt van de kalibratiedata. Bovendien heeft eerder werk op het gebied van conformal prediction voor veiligheid grotendeels gefocust op de kalibratie van onzekerheid rond externe agenten (bijv. andere voertuigen) in plaats van de eigen data-gedreven voorspeller van het ego-systeem.

Methodologie: CC-DeePC
De auteurs stellen CC-DeePC (Conformally-Calibrated DeePC) voor, een variant die Adaptive Conformal Inference (ACI) direct integreert in de DeePC receding-horizon control loop.

Kernmechanisme: In plaats van te vertrouwen op externe agenten of statische marges, kalibreert CC-DeePC de output-constraint marge ( $m_t$ ) met behulp van de eigen gerealiseerde een-stap voorspellingsresiduen ( $s_t = |y_{t+1} - \hat{y}_{t+1|t}|$ ) van de controller.
Online Recalibratie: De methode maakt gebruik van een ACI-recursie om een miscoverage-niveau $\alpha_t$ bij te werken op basis van de vraag of het huidige residu de huidige marge overschrijdt. De marge $m_{t+1}$ wordt vervolgens ingesteld op het empirische kwantiel van een sliding buffer van recente residuen die overeenkomt met de bijgewerkte $\alpha_{t+1}$ .
Soft-Constrained Optimalisatie: Het controleprobleem wordt geformuleerd als een soft-constrained Quadratic Program (QP). De output-constraints worden aangescherpt door de marge $m_t$ (d.w.z. $y + m_t \leq \hat{y} \leq \bar{y} - m_t$ ). Om haalbaarheid te garanderen onder transiënte condities waarbij de aangescherpte box onbereikbaar kan zijn, worden zwaar gestraft slack-variabelen ( $s_{lo}, s_{hi}$ ) geïntroduceerd.
Theoretische Garanties:
- Propositie 1: Bewijst een eindige-horizon empirische miscoverage-bound op de residu-sequentie onder arbitraire niet-stationaire dynamica, zonder aannames van uitwisselbaarheid of stationariteit te vereisen.
- Lemma 1 & Corollary 1: Stelten een voldoende voorwaarde vast die de residu-coverage verbindt met fysieke constraint-veiligheid. Specifiek, als de slack-variabelen inactief zijn (nul) en het residu binnen de marge valt, is de fysieke output gegarandeerd dat deze voldoet aan de veiligheidsgrenzen. Dit overbrugt de kloof tussen de theoretische residu-bound en de werkelijke fysieke veiligheid.

Belangrijkste Bijdragen

Formulering: De integratie van online ACI-updates in een soft-constrained DeePC-framework, wat een controller creëert die zijn eigen veiligheidsmarges herkalibreert op basis van gerealiseerde prestaties.
Theoretische Brug: Het bieden van een rigoureus bewijs (Propositie 1) voor residu-coverage onder niet-stationariteit en een expliciete voldoende voorwaarde (Lemma 1) die deze coverage verbindt met fysieke veiligheid, waarbij onderscheid wordt gemaakt tussen "gecertificeerde veiligheid" (voldaan via de marge) en "fallback-veiligheid" (voldaan via slack-variabelen).
Empirische Validatie: Een uitgebreide benchmark tegen vier baselines (Nominal, Fixed Worst-Case, Static Conformal, en Fixed Distributionally-Robust) over Single-Input Single-Output (SISO) en Multi-Input Multi-Output (MIMO) systemen, inclusief extensies naar echte data en 2D obstakelvermijding.

Resultaten

Prestatie vs. Robuustheid: Onder abrupte en geleidelijke drift zijn de ruwe schendingspercentages en de tracking RMSE van CC-DeePC statistisch niet te onderscheiden van de Fixed Distributionally-Robust (DR-DeePC) baseline. Echter, in tegenstelling tot DR-DeePC, vertrouwt CC-DeePC niet op extreme conservatisme om deze metrieken te bereiken.
Clean-Safety Rate: De meest significante bevinding is de "clean-safety rate" (het deel van de stappen waarbij veiligheid wordt bereikt zonder de soft slack te activeren). CC-DeePC bereikt een clean-safety rate die 3,6–7× hoger is dan DR-DeePC en 1,4–1,9× hoger dan Static Conformal methoden. Dit geeft aan dat de veiligheidsprestaties van CC-DeePC gebaseerd zijn op de geldigheid van zijn gekalibreerde interval in plaats van op de numerieke fallback van de QP.
Causale Isolatie: Ablatie-studies bevestigen dat de prestatiewinst specifiek wordt gedreven door de ACI-recursie (de online update van $\alpha_t$ ), en niet enkel door het gebruik van een sliding window met verse data.
Extensies:
- Real Data: Wanneer toegepast op drift-parameters die zijn gefit op echte NGSIM voertuigtrajectdata, behield CC-DeePC een aanzienlijk hogere clean-safety rate terwijl het een 3–10× kleinere marge vereiste dan de vaste baselines.
- 2D Navigatie: In een moeilijkere 2D obstakelvermijdingstaak met LiDAR-sensoren (imperfecte staatsschatting), verminderde CC-DeePC de botsingspercentages vergeleken met nominale en statische baselines, maar resulteerde dit in hogere trackingfouten en langere paden. Cruciaal is dat het "clean-safety" voordeel in deze setting afnam en statistisch niet te onderscheiden werd van andere baselines, wat de gevoeligheid van de methode voor imperfecte sensoren benadrukt.

Betekenis en Claims
Het artikel claimt dat CC-DeePC een duidelijk voordeel biedt, niet zozeer in de ruwe schendingspercentages (waar het vaak gelijkwaardig is aan robuuste baselines), maar in de certificeerbaarheid van die veiligheid. De auteurs stellen dat standaard robuuste methoden vaak lage schendingspercentages bereiken door te vertrouwen op "ongecertificeerde fallbacks" (zware slack-activatie), terwijl CC-DeePC zijn prestaties fundeert in een distributievrije, online gekalibreerde garantie.

De auteurs zijn bescheiden over hun claims en erkennen:

De methode presteert niet universeel beter dan vaste baselines op ruwe metrieken (RMSE of schendingspercentage).
Het "clean-safety" voordeel is niet universeel; het kan degraderen tot statistische insignificantie onder realistische imperfecties in sensoren en bewegende obstakels.
De methode vertoont een transiënte overmatige conservatisme (grote marges) direct na abrupte dynamische verschuivingen, een bekend trade-off van de ACI-mechanisme.
De huidige MIMO-extensie gebruikt een gescalariseerde nonconformity score in plaats van een volledig multivariate kalibratie.

Dit werk positioneert CC-DeePC als een stap richting veilige, data-gedreven controle onder niet-stationaire dynamica, waarbij de nadruk ligt op het belang van het onderscheid tussen veiligheid bereikt via geldige voorspellingsintervallen versus veiligheid bereikt via numerieke relaxatie.

Technische Samenvatting: CC-DeePC

Meer zoals dit