$\mathcal{L}_1$-Certified Distributionally Robust Planning for Safety-Constrained Adaptive Control

Título: Planejamento Robusto Distribucionalmente Certificado L1 para Controle Adaptativo com Restrições de Segurança

1. Problema e Motivação

A operação segura de sistemas autônomos enfrenta um desafio fundamental: a necessidade de lidar simultaneamente com duas fontes de incerteza:

1. Incerteza do Modelo (Epistêmica): Discrepâncias entre o modelo dinâmico utilizado no planejamento e a dinâmica real do sistema (ex: não linearidades não modeladas, parâmetros desconhecidos).
2. Incerteza do Ambiente (Aleatória): Perturbações externas e estados de obstáculos que são estocásticos e variam no tempo.

Abordagens existentes apresentam um trade-off:

• Métodos de controle robusto clássico garantem estabilidade, mas são excessivamente conservadores (baseados no pior caso).
• Métodos baseados em dados (aprendizado) são eficientes, mas carecem de garantias de segurança rigorosas e são sensíveis a mudanças na distribuição de dados (distribution shifts).
• O Controle Preditivo Modelado Robusto Distribucionalmente (DR-MPC) oferece um meio-termo, mas sofre de uma limitação crítica: ele assume que os "conjuntos de ambiguidade" (que definem a incerteza na distribuição) são conhecidos a priori. Na prática, obter múltiplas amostras independentes da distribuição de estado do sistema em tempo real é impossível (o controlador recebe apenas uma amostra por instante de tempo), tornando impossível certificar se o sistema real permanece dentro do conjunto de ambiguidade usado para o planejamento.

2. Metodologia Proposta

Os autores propõem uma estrutura hierárquica que integra o DR-MPC com o Controle Adaptativo L1 (L1-AC). A ideia central é usar as "certidões distribucionais" geradas online pelo controlador L1 para validar os conjuntos de ambiguidade usados pelo planejador, sem a necessidade de amostras distribucionais.

A arquitetura funciona da seguinte forma:

• Camada de Planejamento (DR-MPC):

  • Gera uma trajetória nominal baseada em um modelo de referência.
  • Enforça Restrições de Chance Robustas Distribucionalmente (DR-CCs) sobre um horizonte recorrente.
  • Utiliza Conjuntos de Ambiguidade de Wasserstein para modelar a incerteza conjunta do sistema e do ambiente.
  • O planejador não conhece a distribuição real do sistema, mas usa um raio de ambiguidade que é certificado pela camada inferior.

• Camada de Controle Adaptativo (L1-DRAC):

  • Um controlador de baixo nível que rastreia a trajetória nominal.
  • Compensa incertezas de modelo (desvios de arrasto e difusão) em tempo real.
  • Certificação: O L1-AC fornece uma garantia teórica de que a distância de Wasserstein entre a distribuição de estado real e a distribuição nominal é limitada por um raio conhecido ($\rho_x$), mesmo sem amostras distribucionais.

• Incerteza do Ambiente:

  • Capturada via conjuntos de ambiguidade baseados em dados finitos (amostras de obstáculos), com limites de concentração de probabilidade ($\rho_z$).

• Certificação de Segurança:

  • O raio total de ambiguidade usado no planejamento é a soma dos raios do sistema ($\rho_x$) e do ambiente ($\rho_z$).
  • O teorema principal prova que, se o problema de DR-MPC for viável com esse raio, o sistema real satisfará a restrição de chance de segurança com alta probabilidade.

3. Reformulação Tractável

O problema original de DR-MPC envolve restrições que são computacionalmente intratáveis. Os autores utilizam:

• Dualidade de Wasserstein: Para transformar a restrição de chance robusta em uma condição de CVaR (Conditional Value-at-Risk) sob a distribuição nominal.
• Representação Baseada em Amostragem: Como a distribuição nominal é Gaussiana (para o sistema) e conhecida (para o ambiente), o CVaR é aproximado usando Monte Carlo. Isso permite uma implementação prática onde as restrições são verificadas sobre um conjunto finito de amostras simuladas.

4. Contribuições Principais

1. Estrutura Hierárquica Integrada: Um framework que acopla planejamento e adaptação através de um conjunto de ambiguidade de Wasserstein conjunto. O raio de ambiguidade do sistema é certificado online pelo L1-AC (sem amostras), enquanto o do ambiente é obtido via limites de concentração de amostras finitas.
2. Mecanismo de Certificação Distribucional em Malha Fechada: Garante segurança passo a passo (stagewise safety) para o sistema real sob incertezas simultâneas de modelo e ambiente.
3. Reformulação Geometricamente Agnóstica: Uma reformulação tratável das restrições DR-CC usando CVaR e dualidade de Wasserstein, baseada em representações de distância ao conjunto de colisão, permitindo implementação baseada em amostras.

5. Resultados Experimentais

Os autores validaram o framework em simulações de rastreamento de trajetória com evasão de obstáculos dinâmicos, comparando três métodos:

1. DR-MPC (Nominal): Planeja com incerteza ambiental, mas aplica o controle diretamente no sistema incerto sem adaptação.
2. DR-MPC (Dinâmica Real): Aplica o mesmo controlador ao sistema incerto sem o termo adaptativo L1.
3. DR-MPC + L1 (Proposto): O framework completo.

Resultados Chave (Tabela 1 do artigo):

• DR-MPC (Nominal/True Dyn.): Sofreu degradação severa de desempenho e altas taxas de falha (colisões ou instabilidade numérica) devido ao desacoplamento entre o modelo de planejamento e a dinâmica real. Em cenários complexos (ex: círculo), a taxa de falha chegou a 86%.
• DR-MPC + L1 (Proposto):
  • Eliminou falhas em todos os cenários testados (Figura-8, Círculo, Lissajous, Espiral).
  • Mantém o custo de rastreamento próximo ao da linha de base nominal.
  • Demonstra que o controlador L1 compensa eficazmente o erro de modelo, mantendo a distribuição de estado real dentro da "tubo de Wasserstein" previsto pelo planejador, garantindo assim a validade das garantias de segurança.

6. Significado e Conclusão

Este trabalho preenche uma lacuna crítica na teoria de controle autônomo ao fornecer garantias de segurança certificáveis em cenários onde tanto o modelo do sistema quanto o ambiente são incertos.

• Inovação Teórica: Demonstra como o controle adaptativo L1 pode ser usado não apenas para estabilidade, mas como uma ferramenta de certificação distribucional para planejamento robusto.
• Aplicabilidade Prática: O método permite que sistemas autônomos operem com segurança em ambientes dinâmicos e com modelos imperfeitos, superando a conservatividade excessiva dos métodos robustos tradicionais e a falta de garantias dos métodos puramente baseados em dados.

Em resumo, o framework proposto fecha o ciclo entre planejamento e adaptação, garantindo que, desde que o planejador seja viável, o sistema físico real permanecerá seguro, independentemente das incertezas de modelo e ambiente.