Equivalence and Divergence of Bayesian Log-Odds and Dempster's Combination Rule for 2D Occupancy Grids

Resumo Técnico: Equivalência e Divergência entre Log-Odds Bayesiano e a Regra de Combinação de Dempster para Grades de Ocupação 2D

1. O Problema

A mapeamento por grade de ocupação (occupancy grid mapping) é fundamental para a robótica móvel, permitindo a representação espacial para navegação e evasão de obstáculos. Existem dois frameworks principais para fundir observações de sensores nessas grades:

1. Abordagem Bayesiana: Utiliza log-odds aditivos (padrão em sistemas como GMapping e Cartographer).
2. Abordagem de Funções de Crença (Dempster-Shafer - DS): Utiliza funções de massa e a regra de combinação de Dempster, prometendo uma representação mais rica de incerteza e ignorância.

A Lacuna Metodológica: Estudos anteriores que compararam esses dois frameworks falharam em controlar a equivalência do modelo de sensor no nível de cada observação. Os parâmetros dos sensores (ex: incrementos de log-odds vs. atribuições de massa) eram definidos independentemente para cada framework. Isso criou um viés de confusão: diferenças de desempenho observadas poderiam ser atribuídas à parametrização do sensor (quão agressiva é uma única atualização) em vez da regra de fusão em si. Em experimentos preliminares dos autores, essa falta de equivalência inverteu os resultados, favorecendo erroneamente as funções de crença em +12% em nitidez de borda, quando, após o ajuste, a abordagem Bayesiana superou em -22% a -29%.

2. Metodologia Proposta

O artigo introduz uma metodologia rigorosa para comparação justa, baseada no Transformado Pignístico (Pignistic Transform).

• Equivalência por Observação: Os autores derivam uma bijeção formal entre os log-odds Bayesianos e as massas de crença consonantes. O objetivo é garantir que, para uma única observação do sensor, a probabilidade de decisão (probabilidade pignística $BetP(O)$ no framework DS) seja idêntica à probabilidade posterior Bayesiana ($\sigma(L)$).
• Mapeamento de Parâmetros: Dado um log-odds $L$, as massas de crença são calculadas para que $BetP(O) = \sigma(L)$. Isso isola o efeito da regra de fusão (acumulação de múltiplas observações) do efeito do modelo de sensor.
• Configuração Experimental:
  • Simulação: Cenários de agente único e multi-robô com obstáculos estáticos e dinâmicos.
  • Dados Reais: Dois conjuntos de dados LiDAR indoor (Intel Research Lab e Freiburg Building 079).
  • Protocolo: Os dados reais foram processados com "split de varredura" (scan-splitting) para simular fusão multi-robô sob alinhamento ideal, eliminando incertezas de registro.
  • Métricas: Precisão da célula, nitidez de borda (boundary sharpness), escore Brier e entropia do mapa.
  • Análise Estatística: Uso de testes de equivalência TOST (Two One-Sided Tests) e consistência direcional (15/15 corridas).

3. Contribuições Principais

1. Metodologia de Comparação Justa: Desenvolvimento de um método baseado no transformado pignístico para igualar modelos de sensor entre frameworks Bayesiano e de Funções de Crença, permitindo comparações controladas reutilizáveis pela comunidade.
2. Análise de Mecanismos de Fusão: Demonstração de que a vantagem Bayesiana persiste mesmo quando a regularização (limitação de log-odds, $L_{max}$) é removida. O ganho não é um artefato de regularização, mas sim intrínseco à normalização de conflito da regra de Dempster ($1/(1-K)$).
3. Validação Empírica Abrangente: Comparação de quatro regras de fusão (Bayesiana, Bayesiana com contagem, Dempster e Yager) em simulações e dados reais, mostrando consistência nos resultados.
4. Refutação de Vantagens Anteriores: Evidência de que vantagens reportadas anteriormente para Dempster-Shafer podem ser atribuídas, pelo menos em parte, à falta de equivalência nos parâmetros do modelo de sensor.

4. Resultados Chave

• Desempenho Superior Bayesiano: Sob comparação justa (comparação de decisão por observação), a fusão Bayesiana produziu probabilidades pontuais melhores do que a regra de Dempster.
  • Simulação: Vantagem Bayesiana em 15/15 comparações por métrica e condição (precisão, nitidez, Brier). A diferença absoluta foi pequena (0,001 a 0,022 na escala [0,1]), mas estatisticamente consistente.
  • Dados Reais: A abordagem Bayesiana superou a de Dempster na precisão da célula e no escore Brier em ambos os datasets (Intel e Freiburg).
• Nitidez de Borda:
  • Em simulações e no dataset Freiburg, a abordagem Bayesiana foi consistentemente superior.
  • No dataset Intel Lab, as diferenças não foram estatisticamente significativas, o que foi atribuído a artefatos de clamping (limitação) e não a uma vantagem intrínseca de Dempster.
• Mecanismo de Divergência: A divergência ocorre em células de fronteira onde há observações conflitantes. A regra de Dempster, devido à sua normalização de conflito, converge geometricamente mais devagar para a certeza do que o acumulador aditivo de log-odds.
• Impacto na Navegação: Uma avaliação downstream de planejamento de caminho (A*) mostrou que as diferenças nas probabilidades não se traduzem em degradação funcional na navegação. Ambas as abordagens produziram resultados de navegação funcionalmente idênticos (99,8% de taxa de sucesso compartilhada).
• Sensibilidade ao Critério de Correspondência: Quando o critério de igualdade foi alterado para "Plausibilidade Normalizada" ($PPl$) em vez de Pignístico ($BetP$), a direção da vantagem em nitidez de borda inverteu-se para Dempster, confirmando que a comparação é específica ao critério de correspondência, embora a precisão da célula (Brier) continue favorecendo o Bayesiano.

5. Significado e Conclusões

• Recomendação Prática: Para grades de ocupação binárias 2D com sensores LiDAR, a fusão Bayesiana de log-odds é recomendada sobre a regra de Dempster. A abordagem Bayesiana oferece precisão igual ou superior, menor custo computacional (uma adição vs. três multiplicações e normalização) e menor custo de comunicação em sistemas multi-robô (2 canais vs. 3 canais).
• Limitações e Escopo: As conclusões aplicam-se a métricas de probabilidade pontual. O framework de Funções de Crença mantém vantagens teóricas não avaliadas aqui, como a representação de intervalos $[Bel(A), Pl(A)]$ para planejamento seguro e a capacidade de lidar com ignorância explícita em ambientes abertos.
• Impacto na Literatura: O trabalho corrige um viés metodológico histórico na comparação de fusão de sensores, estabelecendo que a "vantagem" de Dempster-Shafer relatada anteriormente era, em grande parte, um artefato de parametrização desigual dos sensores.
• Futuro: Sugere-se testar outras regras de combinação (como PCR6 ou Dubois-Prade) que lidam com conflito de forma diferente, bem como a extensão para grades 3D e métricas de valor intervalar.

Em suma, o artigo demonstra que, quando os modelos de sensor são equiparados de forma justa, a abordagem Bayesiana padrão é superior ou equivalente em precisão e mais eficiente computacionalmente para mapeamento de ocupação 2D, desmistificando a necessidade de usar a regra de Dempster para este propósito específico.