⚡ electrical engineering

Quantifying Aleatoric and Epistemic Dynamics Uncertainty via Local Conformal Calibration

Este artigo apresenta o Local Uncertainty Conformal Calibration (LUCCa), um método baseado em predição conformal não assintótico que calibra localmente as estimativas de incerteza aleatória para gerar regiões de predição probabilisticamente válidas que consideram tanto as incertezas aleatórias quanto as epistêmicas na dinâmica de robôs, permitindo, assim, o planejamento seguro em ambientes novos.

Autores originais: Luís Marques, Dmitry Berenson

Publicado 2026-09-21

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Luís Marques, Dmitry Berenson

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Os robôs movem-se pelo mundo prevendo o que acontecerá a seguir. Se um robô souber exatamente como as suas rodas agarram o chão ou como as suas hélices empurram o ar, pode calcular um caminho perfeito para um destino. Mas o mundo real é caótico. Superfícies tornam-se escorregadias, os ventos mudam e a física de uma máquina pode mudar de formas que os seus designers nunca anteciparam. Quando um robô encontra uma situação que não viu antes, a sua previsão interna do futuro torna-se um palpite. Para se mover com segurança, o robô deve compreender não apenas onde pensa que estará, mas quão incerto é esse palpite. Ele precisa de distinguir dois tipos de dúvida. Um tipo é o ruído aleatório, como uma roda a deslizar num patch de gelo; isto é imprevisível, mas acontece dentro de limites conhecidos. O outro tipo é a ignorância, como um robio tentando conduzir numa superfície que nunca tocou antes; aqui, o robô simplesmente carece da informação para saber o que acontecerá. Durante anos, os engenheiros lutaram para medir este segundo tipo de incerteza de uma forma que garantisse a segurança, baseando-se frequentemente em pressupostos que falham quando o ambiente muda.

Uma equipa de investigadores da Universidade de Michigan desenvolveu um novo método para resolver este problema, permitindo que os robôs construam uma rede de segurança em torno das suas previsões, mesmo quando estão em território completamente desconhecido. Eles chamam à sua abordagem Calibração Conforme de Incerteza Local (Local Uncertainty Conformal Calibration). A ideia central é pegar no melhor palpite de um robô sobre o seu movimento futuro e, em seguida, ajustar o tamanho da sua "bolha de segurança" com base em dados do mundo real. Imagine um robô que tem um modelo de como se move, mas que esse modelo pode estar errado em certas áreas. Antes de o robô iniciar uma nova tarefa, os investigadores fazem com que ele passe por uma curta fase de calibração. Durante esta fase, o robô testa o seu modelo contra um pequeno conjunto de movimentos reais que realiza no chão. Ao comparar o que o modelo previu com o que realmente aconteceu, o sistema aprende o quanto deve expandir a sua bolha de segurança em diferentes partes da sala. Se o modelo for geralmente preciso num canto, a bolha permanece apertada. Se o modelo for instável noutro canto, talvez porque o chão seja escorregadio, a bolha expande-se significamente para cobrir todos os resultados possíveis.

Os investigadores testaram este método num robô simulado que se move como um carro, capaz de acelerar e fazer curvas. Eles colocaram este robô em ambientes onde a física mudava subitamente, como uma secção do chão com muito menos fricção do que o resto. Nestas zonas complicadas, o modelo padrão do robô assumiria que ele poderia parar ou virar facilmente, levando-o a planear caminhos que resultariam num choque. O novo método, no entanto, reconheceu que o modelo era pouco fiável naqueles pontos específicos. Utilizou os dados de calibração para inflar a incerteza para essas áreas, forçando o algoritmo de planeamento a escolher rotas mais lentas e seguras que evitavam as zonas perigosas por completo. Numa série de testes através de quatro ambientes diferentes, o robô utilizando este novo método de calibração atingiu o seu objetivo sem colidir com obstáculos na maioria das tentativas, embora tenha experienciado um pequeno número de colisões em cenários mais complexos, como curvas acentuadas. Em contraste, um robô utilizando o modelo padrão, não calibrado, colidiu em até 8anos de 80 por cento das tentativas, porque falhou em considerar o facto de a sua própria compreensão do mundo estar incompleta.

O que torna esta abordagem particularmente poderosa é que não exige que o robô saiba exatamente como a física mudou. Não precisa de identificar que o chão está molhado ou que o ar está espesso. Simplesmente observa o desajuste entre a sua previsão e a realidade e ajusta a sua confiança de acordo. Os investigadores provaram matematicamente que este método garante que a bolha de segurança do robô conterá a posição futura real do robô pelo menos 90 por cento das vezes para o primeiro passo de um plano, mesmo com uma quantidade muito pequena de dados de calibração. Esta garantia mantém-se verdadeira independentemente de o robô estar a percorrer um corredor familiar ou um espaço caótico e imprevisível. Ao decompor o problema em pequenas regiões locais, o sistema evita a armadilha comum de ser excessivamente cauteloso em todo o lado. Em vez de assumir o pior cenário para toda a jornada, ele apenas expande a margem de segurança onde os dados mostram que é verdadeiramente necessário.

O estudo também analisou como este método desempenha ao longo do tempo à medida que o robô planeia uma sequência de movimentos. Embora a prova matemática seja mais forte para o primeiro passo de um plano, os experiências mostraram que o método permaneceu eficaz mesmo quando o robô olhava mais longe no futuro. O sistema geriu com sucesso a incerteza cumulativa que normalmente assola o planeamento a longo prazo. Nas simulações, o robô utilizando este método demorou ligeiramente mais tempo para chegar ao seu destino do que o robô que colidia por ignorar a incerteza, mas chegou em segurança. O custo computacional de adicionar esta verificação de segurança foi mínimo, levando menos de um milissegundo por passo de planeamento num processador de computador padrão. Isto sugere que o método pode ser implementado em robôs reais sem os atrasar. O trabalho demonstra que, ao combinar o modelo interno de um robô com uma verificação simples baseada em dados, podemos dar às máquinas a capacidade de reconhecer a sua própria ignorância e agir com a cautela apropriada, transformando um palpite potencialmente perigoso num plano comprovadamente seguro.

Resumo Técnico: Quantificando a Incerteza Dinâmica Aleatória e Epistêmica via Calibração Conformal Local

1. Definição do Problema

Sistemas de controle robótico frequentemente dependem de aproximações de dinâmica (analíticas, simuladas ou aprendidas) que podem ser imprecisas quando implantados em ambientes novos. Embora existam muitos métodos para quantificar a incerteza aleatória (estocasticidade inerente ao sistema), essas estimativas são insuficientes para ambientes novos onde as interações físicas subjacentes mudam, induzindo incerteza epistêmica (incerteza devido à falta de dados ou incompatibilidade do modelo).

O desafio central é fornecer garantias de segurança prováveis e não assintóticas para o planejamento de movimento quando:

A função de dinâmica real $f$ é desconhecida e potencialmente descontínua.
O modelo aproximado $\tilde{f}$ pode ser arbitrariamente errado no domínio de implantação ( $P_{test}$ ) em comparação ao domínio de treinamento ( $P_{train}$ ).
O sistema deve satisfazer uma restrição de segurança $P(Y_\tau \in C) \geq 1-\alpha$ ao longo de um horizonte de planejamento, onde $C$ é um conjunto seguro.

Abordagens existentes frequentemente dependem de suposições fortes (ex: distribuições de erro Gaussianas), fornecem apenas limites assintóticos ou utilizam fatores de calibração globais que são excessivamente conservadores e pouco informativos para espaços de estado-ação de alta dimensão.

2. Metodologia: Calibração Conformal Local (LUCCa)

Os autores propõem o LUCCa, um framework baseado em predição conformal que calibra as estimativas de incerteza aleatória do preditor de dinâmica para levar em conta a incerteza epistêmica. O método opera em duas fases: uma fase de calibração offline e uma fase de planejamento online.

2.1 Conceitos Principais

Predição Conformal Dividida (SplitCP): O método utiliza SplitCP para construir regiões de predição que são válidas em um sentido frequentista, sem assumir a estrutura do preditor ou da distribuição dos dados.
Distância de Mahalanobis como Pontuação de Não-conformidade: Como o preditor de dinâmica $\tilde{f}$ produz uma distribuição Normal Multivariada (MVN) $\mathcal{N}(\hat{\mu}, \hat{\Sigma})$ , a pontuação de não-conformidade $r$ é definida como a distância de Mahalanobis entre a distribuição prevista e o estado observado real:
$R^{(i)} = d_M(\tilde{f}(\bar{X}^{(i)}), Y^{(i)}) = \sqrt{(Y^{(i)} - \hat{\mu})^\top \hat{\Sigma}^{-1} (Y^{(i)} - \hat{\mu})}$
A análise teórica mostra que, se o modelo fosse perfeito, a distância de Mahalanobis ao quadrado seguiria uma distribuição Qui-quadrado ( $\chi^2_{dim(S)}$ ).
Calibração Local (LOCART): Em vez de aplicar um único fator de escala global (o que leva a regiões de predição excessivamente conservadoras e amplas), o LUCCa emprega o método LOCART. Ele particiona o espaço estado-ação usando um regressor de árvore de decisão treinado em resíduos de calibração.
- Particionamento: O conjunto de dados de calibração é dividido. Uma parte treina uma árvore de decisão para mapear pares estado-ação $(s, u)$ para nós folha que representam regiões de erro de modelo similares.
- Escalonamento Local: Para cada nó folha $k$ , um fator de escala conformal específico $\xi_k$ é computado com base nos resíduos dos pontos de dados que caem naquela partição.
- Calibração: Durante o planejamento online, a covariância prevista $\hat{\Sigma}$ é escalonada localmente: $\hat{\Sigma}_{cal} = \xi_k \hat{\Sigma}$ . Isso cria regiões de predição hiperelipsoidais que se adaptam à dificuldade local da dinâmica.

2.2 Fluxo do Algoritmo

Calibração Offline:
- Coletar um conjunto de dados de calibração $D_{cal}$ de transições $(s_t, u_t, s_{t+1})$ do ambiente de implantação (ou um proxy).
- Computar resíduos $R^{(i)}$ para todos os pontos de calibração.
- Ajustar uma árvore de decisão (LOCART) para particionar o espaço estado-ação e computar fatores de escala locais $\xi_k$ para cada partição.
Planejamento Online (MPC):
- Dado um estado atual, o planejador (ex: MPPI) amostra trajetórias.
- Para cada passo do rollout, a dinâmica aproximada $\tilde{f}$ propaga a distribuição do estado.
- O fator de escala local $\xi_k$ (determinado pela localização do par estado-ação atual na árvore de decisão) é aplicado à covariância propagada.
- O planejador otimiza uma função de custo que inclui uma penalidade para o traço da incerteza calibrada (incentivando caminhos por regiões de menor erro de modelo) e evita colisões com as regiões de predição calibradas.

3. Principais Contribuições

Proposta de Algoritmo: Introdução do LUCCa, um algoritmo que fornece regiões de predição probabilisticamente válidas para estados futuros de robôs, calibrando a incerteza aleatória para considerar a incerteza epistêmica.
Garantias Teóricas:
- Prova de validade para qualquer conjunto finito de dados de calibração, qualquer preditor que produza uma normal multivariada e qualquer função de dinâmica real desconhecida.
- Demonstração de que o método alcança cobertura local (condicional às partições estado-ação) com amostras finitas, e alcança cobertura condicional assintótica sob suposições leves.
- Prova de que para o primeiro passo de planejamento, a região calibrada contém o estado verdadeiro com probabilidade $\geq 1-\alpha$ . Para passos subsequentes, as garantias mantêm-se se a dinâmica aproximada for linear e condições específicas sobre o controlador forem atendidas.
Adaptabilidade Local: O uso de fatores de escala dependentes de estado-ação evita o excesso de conservadorismo da calibração global, permitendo que o planejador distinga entre regiões de alta e baixa precisão do modelo.
Validação Empírica: Demonstração da eficácia do método em um sistema de duplo integrador com mudanças significativas de dinâmica (ex: mudanças de fricção), mostrando melhoria na segurança e nas taxas de sucesso em comparação com baselines não calibrados.

4. Resultados Experimentais

Os autores avaliaram o LUCCa em um sistema de duplo integrador em quatro ambientes contendo regiões de dinâmica precisa e regiões de incompatibilidade de modelo significativa (simulando menor fricção).

Cobertura Empírica: No ambiente "Corridor", o LUCCa manteve a cobertura empírica acima do limiar de 90% (para $\alpha=0.1$ ) em todos os passos de tempo, mesmo em regiões de alto erro de modelo. Em contraste, o baseline não calibrado subestimou significativamente a incerteza em regiões de incompatibilidade, levando a cobertura a cair bem abaixo de 90% conforme o horizonte se estendia.
Desempenho de Planejamento de Movimento: Usando Controle Preditivo Baseado em Modelo (MPC) com MPPI:
- Segurança: O LUCCa alcançou uma taxa de colisão de 0% nos ambientes Corridor e Passage e 3% no L-Turn, comparado a 30%, 83% e 80%, respectivamente, para o baseline não calibrado.
- Taxa de Sucesso: O LUCCa alcançou 100% de sucesso em Corridor e Passage, comparado a 70% e 17% para o baseline.
- Eficiência: Embora o baseline às vezes atingisse os objetivos mais rapidamente (ao ignorar a incerteza e tomar caminhos arriscados), ele frequentemente colidia. A função de custo do LUCCa, que penalizava a alta incerteza, fez com que o robô diminuísse a velocidade em regiões de alto erro, evitando colisões.
Sobrecarga Computacional: O passo de calibração local (consultar a árvore de decisão e escalonar a covariância) adicionou aproximadamente 0,3 ms por passo de planejamento (um aumento de 32% na duração do passo), o que os autores consideram negligenciável para implantação prática.

5. Significância e Alegações

O artigo afirma que o LUCCa aborda uma limitação fundamental na robótica baseada em dados: a incapacidade de implantar com segurança modelos aprendidos ou analíticos em ambientes novos onde a dinâmica pode mudar.

Rigor Teórico: Diferente de métodos heurísticos de quantificação de incerteza, o LUCCa fornece garantias não assintóticas de amostra finita sem assumir a forma da dinâmica real ou a distribuição dos erros.
Utilidade Prática: Ao passar da calibração global para a calibração local, o método gera regiões de predição que são "agudas" (estreitas) em regiões de alta precisão do modelo e "adaptativas" (maiores) em regiões de alta incerteza epistêmica. Isso permite que os planejadores tomem decisões informadas entre exploração e segurança.
Planejamento Crítico de Segurança: O método permite a construção de planos probabilisticamente seguros para sistemas com dinâmica estocástica desconhecida, garantindo que as trajetórias permaneçam dentro de conjuntos seguros com uma probabilidade especificada pelo usuário, mesmo quando o modelo é arbitrariamente errado em domínios não caracterizados.

Os autores concluem que, embora as garantias de segurança de múltiplos passos sejam teoricamente provadas para dinâmicas lineares sob suposições específicas de controle, os resultados empíricos sugerem que o método fornece cobertura local robusta mesmo para cenários de planejamento mais complexos.