Distributional Stability of Tangent-Linearized Gaussian Inference on Smooth Manifolds

1. Formulação do Problema

Na robótica, a inferência probabilística ocorre frequentemente em variedades suaves (por exemplo, grupos de Lie como $SO(3)$, $SE(3)$, ou conjuntos de restrições de contato) onde os espaços de estado são intrinsecamente não lineares. Pipelines de estimação padrão tipicamente empregam um fluxo de trabalho "linearizar–inferir–retrair":

1. Linearizar: Aproximar a variedade localmente com seu espaço tangente em um ponto $\tilde{\mu}$.
2. Inferir: Realizar marginalização ou condicionamento Gaussiano no espaço tangente (subespaço afim) usando identidades de forma fechada.
3. Retrair: Mapear a distribuição resultante de volta para a variedade.

O Problema Central: Embora essa abordagem seja computacionalmente eficiente, não está claro quando ela é confiável. A marginalização e o condicionamento exatos em variedades curvas geralmente produzem distribuições não Gaussianas. O artigo aborda a falta de limites de erro explícitos e não assintóticos que quantifiquem a discrepância entre a lei exata induzida pela variedade e a aproximação linearizada por tangente. Especificamente, busca-se determinar como a curvatura, a escala da covariância e o deslocamento da média afetam a validade da linearização de um único gráfico.

2. Metodologia

Os autores formalizam a confiabilidade como um problema de estabilidade distribucional, quantificando a discrepância entre a distribuição exata e a aproximação usando a distância de Wasserstein-2 ($W_2$). A métrica $W_2$ é escolhida porque metriza a convergência fraca com segundos momentos, controlando diretamente erros na média e na covariância.

O estudo analisa duas operações canônicas:

• Marginalização por Projeção: Empurrar uma Gaussiana ambiente $X \sim \mathcal{N}(\mu, \Sigma)$ sobre a variedade $M$ via projeção métrica $g: \mathbb{R}^n \to M$.
• Condicionamento por Medida de Superfície: Restringir a densidade Gaussiana ambiente a $M$ e renormalizar em relação à medida de superfície (forma de volume) de $M$.

Estrutura Teórica:
Os autores derivam limites de erro decompondo o erro em dois componentes:

1. Distorção Geométrica Local: O erro decorrente do desacerto de segunda ordem entre a curvatura da variedade e o espaço tangente plano dentro de uma vizinhança local.
2. Vazamento de Cauda Não Local: O erro causado pela massa de probabilidade "vazando" para fora da vizinhança local onde a linearização é válida.

Conceitos geométricos chave utilizados incluem:

• Alcance ($\rho$): O maior raio tal que todo ponto dentro dessa distância tem um ponto mais próximo único na variedade.
• Curvatura ($\kappa$): Limitada pela norma do operador da segunda forma fundamental.
• Retração/Gráficos: Mapeamentos do espaço tangente de volta para a variedade com limites de precisão quadrática.

3. Contribuições Principais

A. Limites $W_2$ Não Assintóticos Explícitos

O artigo deriva limites superiores rigorosos para a distância $W_2$ entre as distribuições exata e aproximada:

• Para Marginalização (Teorema III.1): O limite separa o erro local (escalando com curvatura $\kappa$ e erro de retração $\kappa_R$) do vazamento de cauda (controlado pela massa de probabilidade fora do raio de localização).
  $$W_2 \leq C_{loc}(\kappa + \kappa_R)\sqrt{E[\|X-\tilde{\mu}\|^4]} + C_{tail}\epsilon^{1/4}$$
• Para Condicionamento (Teorema IV.1): O limite contabiliza distorções na forma da densidade (fatores Jacobianos e diferenças de log-densidade) além do transporte de massa. Introduz um "expoente de desacordo curvatura/volume" $\eta_r$ que quantifica como a curvatura da restrição e a precisão a priori deformam a aproximação tangente.

B. Diagnósticos de Forma Fechada para Entradas Gaussianas

Para entradas Gaussianas, os autores especializam os limites para fornecer diagnósticos computáveis baseados na média ($\mu$), covariância ($\Sigma$) e geometria local ($\rho, \kappa$):

• Métrica de Estabilidade ($k_\rho$): Um diagnóstico chave é a razão $k_\rho = \sqrt{\|\Sigma\|_{op}} / \rho$, representando a razão entre a dispersão da incerteza e o alcance da variedade.
• Métrica de Deslocamento ($s_\delta$): A razão do deslocamento da média em relação ao ponto de linearização para o alcance, $\|\delta\|/\rho$.
• Previsão de Falha: Os limites preveem que a linearização torna-se não confiável quando $k_\rho \gtrsim 1/6$ ou quando o deslocamento da média é grande.

C. Identificação de Modos de Falha

A análise revela que a incerteza na direção normal é o modo de falha dominante. Incerteza alinhada com o vetor normal da variedade estressa mais a curvatura e o alcance, levando a uma degradação rápida da calibração em comparação com a incerteza tangencial.

4. Resultados Experimentais

Os autores validam suas previsões teóricas usando dois benchmarks:

A. Benchmark de Círculo 2-D

• Configuração: Uma Gaussiana é projetada/condicionada sobre um círculo de raio $R$.
• Descobertas:
  • Ponto de Transição: A transição de calibração (onde a aproximação linear torna-se excessivamente confiante) ocorre consistentemente em $\sqrt{\|\Sigma\|_{op}}/R \approx 1/6$.
  • Anisotropia: A norma espectral $\|\Sigma\|_{op}$ serve como um diagnóstico eficaz mesmo para covariâncias anisotrópicas.
  • Sensibilidade ao Deslocamento: Grandes deslocamentos de média ($\delta$) causam vazamento de cauda e degradação de cobertura mesmo se a curvatura for baixa.
  • Condicionamento vs. Marginalização: O condicionamento é mais frágil que a marginalização; ele colapsa em uma dispersão menor ($\approx 0,30$ vs. $\approx 0,38$) devido a artefatos de forma de densidade (distorção Jacobiana) que a $W_2$ pode subestimar.

B. Empurrão Planar (Tarefa Rica em Contato)

• Configuração: Um robô empurra uma caixa com restrições de contato rígido (restrições de variedade).
• Descobertas:
  • Análise de Trajetória: O desacordo entre covariâncias linearizadas e de Monte Carlo correlaciona-se fortemente com o indicador de localidade $s_k/\hat{\rho}_k$.
  • Estresse Direcional: A inflação da incerteza na direção normal causa erros de calibração significativamente maiores do que a inflação tangencial, confirmando a previsão teórica de que a incerteza normal é o modo de falha crítico.
  • Limites Práticos: Para raios de contato típicos ($R_c \approx 0,1$ m), o limite $\sqrt{\|\Sigma\|_{op}} \lesssim 17$ mm é facilmente violado pela acumulação de ruído de processo.

5. Significado e Implicações Práticas

• Portão de Calibração em Tempo de Execução: Os diagnósticos derivados ($k_\rho$ e $s_\delta$) fornecem um gatilho prático e de baixo custo para solucionadores robóticos (por exemplo, GTSAM, iSAM2).
  • Se $k_\rho \lesssim 1/6$ e $s_\delta \ll 1$: A linearização tangente de gráfico único é confiável.
  • Se $k_\rho$ for grande: Alterne para relinearização iterada.
  • Se $s_\delta$ for grande: Relinearização imediata é necessária (por exemplo, após fechamentos de loop).
  • Se ambos forem grandes: Alterne para inferência multigráfico ou baseada em partículas.
• Assimetria no Condicionamento: O artigo destaca que o condicionamento é estruturalmente mais sensível que a marginalização devido a constantes de normalização que amplificam erros na forma da densidade. Isso sugere que operações de condicionamento exigem verificações mais estritas (por exemplo, verificações de cobertura ou divergência KL) mesmo quando os limites $W_2$ parecem moderados.
• Fundação Teórica: Este trabalho preenche a lacuna entre a estimação heurística em robótica e a probabilidade geométrica rigorosa, fornecendo os primeiros limites não assintóticos que separam a distorção geométrica do vazamento de cauda para inferência Gaussiana em variedades.

Em resumo, o artigo fornece uma estrutura matematicamente rigorosa para determinar quando a inferência Gaussiana linearizada por tangente é segura de usar em robótica e quando métodos não lineares mais complexos são necessários, prevenindo o uso de estimativas de incerteza excessivamente confiantes e imprecisas em tarefas críticas de controle e planejamento.