Resumo Técnico: Funções de Barreira de Controle Adaptativas Online sob Incerteza Epistêmica e Aleatória

1. Definição do Problema

As Funções de Barreira de Controle (CBFs) são uma ferramenta padrão para impor restrições de segurança em sistemas robóticos ao sintetizar filtros de segurança que modificam minimamente um controlador nominal. No entanto, o desempenho prático dos controladores baseados em CBF é fortemente dependente da escolha dos parâmetros das funções de classe-$\mathcal{K}$ (taxas de decaimento). Isso cria um compromisso fundamental:

• Parâmetros conservadores garantem viabilidade e segurança, mas frequentemente resultam em movimentos lentos e sinuosos.
• Parâmetros agressivos melhoram o progresso, mas podem tornar o filtro de segurança inviável ou inseguro, particularmente sob restrições de entrada ou próximo a obstáculos.

Abordagens baseadas em aprendizado existentes que tentam adaptar esses parâmetros online frequentemente tratam o modelo aprendido como um gerador direto de parâmetros ótimos. Isso introduz um risco crítico: se o modelo for excessivamente confiante em estados fora da distribuição (OOD) ou configurações de obstáculos, ele pode gerar parâmetros inválidos que comprometem diretamente a viabilidade do filtro de segurança. Além disso, muitos métodos existentes carecem de mecanismos explícitos para avaliar a incerteza preditiva ou validar parâmetros contra restrições de entrada antes da aplicação.

Este artigo aborda o desafio da adaptação de parâmetros de CBF online sob restrições de entrada, visando reduzir o conservadorismo enquanto garante a segurança por meio de um processo de verificação rigoroso e consciente da incerteza.

2. Metodologia: CBF Adaptativa Online (OA-CBF)

O framework proposto, OA-CBF, altera o paradigma da predição direta de parâmetros para a avaliação consciente da incerteza de candidatos a parâmetros. Em vez de prever um único parâmetro ideal, o sistema amostra candidatos, avalia-os em relação a métricas de segurança e desempenho, e seleciona o melhor candidato verificado.

A. Parâmetros de CBF Localmente Validados

Em vez de exigir que um único parâmetro seja globalmente válido para todos os estados futuros (o que é frequentemente intratável e excessivamente conservador), o OA-CBF introduz o conceito de parâmetros de CBF localmente validados. Um parâmetro é considerado localmente válido se satisfizer a condição da CBF com Restrição de Entrada (ICCBF) sobre um horizonte de predição finito $[t, t+T]$.

• O framework certifica que a trajetória do sistema permanece dentro de um "conjunto seguro interno" $C^\star(\alpha)$ durante este horizonte.
• Ao atualizar repetidamente o parâmetro em intervalos menores que o horizonte, a segurança é preservada via um mecanismo de validação de horizonte recuante.

B. Design do Modelo de Predição

Para avaliar candidatos de forma eficiente, o OA-CBF utiliza uma Rede Neural de Ensemble Probabilístico (PENN) treinada offline.

• Codificador de Atenção em Grafo: Para lidar com ambientes com número variável de obstáculos, o modelo utiliza uma rede neural de grafos (GNN) com mecanismos de atenção. Ele agrega informações de todos os obstáculos observados (robô, objetivo e obstáculos como nós) sem preenchimento (padding) ou seleção heurística, produzindo um vetor de contexto.
• Estrutura de Entrada: O candidato a parâmetro de CBF $\tilde{\alpha}$ é explicitamente concatenado com o vetor de contexto ambiental. A rede prevê distribuições sobre duas métricas:
  1. Métrica de Segurança ($\phi$): Um nível de risco derivado de uma função de densidade de perda de segurança que penaliza violações da restrição ICCBF e proximidade de obstáculos.
  2. Métrica de Desempenho ($\delta$): Uma medida de eficiência de progresso (ex: tempo até o objetivo).
• Arquitetura de Ensemble: A PENN consiste em múltiplas redes neurais independentes para capturar tanto a incerteza epistêmica (incerteza do modelo devido a dados limitados) quanto a incerteza aleatória (ruído inerente ao sistema).

C. Verificação em Dois Estágios Consciente da Incerteza

Antes de um parâmetro candidato ser aplicado, ele deve passar por dois portões rigorosos:

1. Portão de Incerteza Epistêmica (Predição Conforme):

   • O sistema quantifica o desacordo do modelo usando a Divergência de Jensen-Rényi (JRD) através do ensemble.
   • Um limiar $D_{thr}$ é calibrado usando predição conforme em um conjunto de dados de validação para garantir uma taxa específica de recall dentro da distribuição.
   • Se a JRD exceder o limiar, a entrada é considerada fora da distribuição (OOD) e a predição é rejeitada para evitar extrapolação excessivamente confiante.

2. Triagem de Risco Aleatório (CVaR Distribucionalmente Robusto):

   • Para candidatos que passam pelo portão epistêmico, o sistema avalia o Valor em Risco Condicional (CVaR) da métrica de segurança prevista.
   • Uma condição distribucionalmente robusta garante que mesmo o membro mais conservador do ensemble preveja um nível de risco abaixo do limiar de segurança com alta probabilidade. Isso realiza a triagem de riscos aleatórios (ruído/variabilidade) que poderiam levar a violações de segurança.

D. Seleção e Controle

Entre os candidatos que passam por ambas as etapas de verificação, o sistema seleciona o parâmetro que minimiza a métrica de desempenho prevista $\delta$. Este parâmetro selecionado é então aplicado ao controlador, que pode ser realizado como um CBF-QP ou um MPC-CBF de amostragem.

3. Principais Contribuições

O artigo apresenta quatro contribuições primárias:

1. Formulação de CBF Localmente Validada: Uma nova formulação de problema que adapta os parâmetros de CBF verificando-os sobre um horizonte finito em vez de buscar uma solução global, provando que a validação local repetida preserva a segurança.
2. Verificação Consciente da Incerteza: Um procedimento de dois estágios combinando predição conforme para o portão epistêmico e CVaR distribucionalmente robusto para a triagem de risco aleatório, garantindo que apenas predições confiáveis influenciem o controlador.
3. Arquitetura de Predição de Atenção em Grafo: Um codificador escalável que processa ambientes de obstáculos de tamanho variável sem perda de informação, permitindo que o modelo avalie candidatos arbitrários em vez de produzir um único valor determinístico.
4. Ampla Aplicabilidade: Demonstração de que o framework funciona tanto com filtros MPC-CBF quanto CBF-QP e é aplicável tanto a restrições de segurança baseadas em distância (ICCBF) quanto não baseadas em distância (CBF Parabólica Dinâmica).

4. Resultados Experimentais

O framework OA-CBF foi avaliado em cinco sistemas não lineares com restrição de entrada: Unicycle Dinâmico, Quadrotor Planar (Quad2D), Quadrotor 3D (Quad3D), Bicicleta Cinemática e VTOL Quadplane.

• Segurança vs. Conservadorismo: Comparado às linhas de base de parâmetros fixos, o OA-CBF reduziu significativamente o conservadorismo. Por exemplo, no Unicycle Dinâmico, alcançou uma taxa de falha de segurança de 0% com um tempo médio de alcance de 10,8s, enquanto um parâmetro fixo conservador levou 31,0s (0% de falha), e um parâmetro fixo agressivo apresentou uma taxa de falha de 39%.
• Comparação com Linhas de Base de Aprendizado: O OA-CBF superou as linhas de base de aprendizado como BarrierNet e métodos de decaimento ótimo. Embora algumas linhas de base tenham alcançado tempos rápidos em tentativas bem-sucedidas, elas sofreram altas taxas de falha (ex: BarrierNet teve 60% de taxa de falha no Unicycle). O OA-CBF manteve 0% de taxa de falha em todos os benchmarks baseados em distância, alcanando simultaneamente os tempos de alcance mais rápidos entre os métodos seguros.
• Impacto da Atenção em Grafo: Substituir o codificador de atenção em grafo proposto por um codificador padrão de "obstáculo mais próximo" aumentou as taxas de falha de segurança (ex: de 0% para 11% no Quad2D), demonstrando a importância de processar o ambiente completo de obstáculos.
• CBFs Não Baseadas em Distância: No Bicicleta Cinemática usando uma CBF Parabólica Dinâmica (definida no espaço de velocidade relativa), o OA-CBF reduziu a taxa de falha de segurança de 84% (agressivo fixo) para 1%, provando a aplicabilidade do método além de funções de distância assinada.

5. Significância e Alegações

O artigo afirma que o OA-CBF fornece um mecanismo tratável para resolver o compromisso entre segurança e desempenho em controladores baseados em CBF. Ao tratar o modelo aprendido como um avaliador consciente da incerteza em vez de um gerador direto, o framework rejeita explicitamente atualizações inseguras ou não confiáveis antes que sejam aplicadas.

Os autores enfatizam que o método:

• Reduz o Conservadorismo: Permite que o sistema opere mais próximo dos limites do conjunto seguro quando as condições permitem, ao contrário de parâmetros fixos conservadores.
• Garante Robustez: Através da calibração conforme e triagem CVaR, mitiga os riscos associados à excessiva confiança de redes neurais e mudanças de distribuição.
• Generaliza: É eficaz em diversas dinâmicas (de unicycles a aeronaves VTOL) e diferentes formulações de CBF (baseadas em distância e baseadas em velocidade relativa).

O artigo conclui de forma modesta, reconhecendo que a qualidade da adaptação depende da cobertura dos dados de treinamento offline e que a implantação em hardware exigirá trabalhos adicionais para abordar erros de sensores, dinâmicas não modeladas e latência de otimização em tempo real.