Staggered Integral Online Conformal Prediction for Safe Dynamics Adaptation with Multi-Step Coverage Guarantees

Resumo Técnico: Staggered Integral Online Conformal Prediction (SI-OCP)

1. Problema e Motivação

O controle de sistemas adaptativos críticos para a segurança (como drones em ambientes dinâmicos) frequentemente depende de limites de incerteza conservadores e de pior caso, o que degrada o desempenho em malha fechada.

• Desafio 1 (Falta de Derivadas): A Conformal Prediction Online (OCP) padrão é eficaz para quantificar incertezas, mas exige rótulos de verdade (ground truth) imediatos após cada previsão. Em sistemas de tempo contínuo adaptativos, o erro residual dinâmico depende da derivada do estado ($\dot{x}$), que geralmente não é mensurável diretamente (apenas o estado $x$ é medido).
• Desafio 2 (Garantias de Múltiplos Passos): Aplicações de controle preditivo (como MPC) operam em horizontes de previsão futuros. Métodos OCP existentes fornecem apenas garantias de cobertura de um único passo (instantâneas). No entanto, a segurança recursiva e a viabilidade dependem da acumulação do erro do modelo ao longo de todo o horizonte de previsão, não apenas no instante atual.

O objetivo é sintetizar uma margem de robustez dinâmica que limite o erro de perturbação não modelado e de aprendizado, garantindo segurança a longo prazo sem assumir distribuições conhecidas ou exigir medições de derivadas.

2. Metodologia Proposta: SI-OCP

Os autores propõem o Staggered Integral Online Conformal Prediction (SI-OCP), um framework de quantificação de incerteza livre de distribuição.

• Score de Não-Conformidade Integral:
  Em vez de tentar estimar a perturbação instantânea (que requer $\dot{x}$), o método calcula um score baseado na integração do erro ao longo de uma janela de tempo rolante $[t_k - T_p, t_k]$.
  O score $S_k$ é definido como o supremo da norma da diferença entre a trajetória de estado medida e a trajetória prevista pelo modelo nominal integrado:
  $$S_k = \sup_{\tau_1, \tau_2} \left\| x(\tau_2) - x(\tau_1) - \int_{\tau_1}^{\tau_2} f_{nom}(x, u, \hat{\theta}) ds \right\|$$
  Este score captura o efeito acumulado (lumped) do erro de aproximação, erro de adaptação e perturbações exógenas.

• Abordagem "Staggered" (Desfasada):
  Como o score integral só pode ser calculado após o horizonte de previsão $T_p$ ter transcorrido (devido ao atraso no rótulo), o algoritmo mantém $P = T_p / \Delta t$ threads independentes de conformidade.

  • Em cada passo de tempo $k$, apenas uma thread ativa ($j = k \mod P$) é atualizada com o score atrasado $S_k$.
  • Isso permite que o sistema forneça garantias de cobertura para o horizonte futuro $[t_k, t_k + T_p]$ usando informações de um horizonte anterior, mantendo a independência estatística necessária para as garantias do OCP.

• Conversão para Limite Pontual:
  O limite integral $q_k$ (obtido via OCP) é convertido em um limite pontual de perturbação $d_k$ para ser usado no controlador. A conversão considera a constante de Lipschitz da perturbação ($L_d$) e o horizonte de previsão, resultando em uma margem de robustez dinâmica.

• Integração com Controle:
  A margem $d_k$ é fornecida a um controlador de segurança preditiva robusto (ex: Robust Tube MPC). O controlador utiliza essa margem para garantir que o estado do sistema permaneça dentro de um conjunto seguro $S$ ao longo de todo o horizonte, mesmo na presença de incertezas.

3. Contribuições Principais

1. Framework de Quantificação sem Derivadas: Desenvolvimento de um método de conformal prediction que não requer medições de derivadas de estado nem rótulos de erro residual instantâneos, utilizando um score integral baseado em trajetórias.
2. Garantias de Cobertura Multi-Step: Extensão das garantias de OCP de um único passo para horizontes de previsão futuros, utilizando atualizações "staggered" com rótulos atrasados.
3. Garantias de Segurança Assintótica: Integração das margens adaptativas com controladores críticos para a segurança, provando matematicamente que o sistema atinge uma garantia de segurança probabilística a longo prazo ($1-\alpha$), independentemente da lei de adaptação subjacente (desde que limitada).
4. Validação em Cenários Complexos: Demonstração do método em um quadricóptero com adaptação de rede neural profunda (DNN) de todas as camadas, sujeito a aerodinâmica não modelada e ventos variáveis.

4. Resultados da Simulação

O método foi validado em uma simulação de um quadricóptero 3D navegando em um ambiente com obstáculos e perturbações aerodinâmicas complexas.

• Cenário com Adaptação (DNN Ativo): O DNN aprendeu a dinâmica não modelada, reduzindo o erro de aproximação. O SI-OCP estimou um limite de perturbação mais baixo e preciso, permitindo que o "tubo" de segurança (usado no MPC) fosse estreito o suficiente para o drone passar por uma passagem estreita entre obstáculos. A cobertura real foi de 98,77%, superando a taxa de erro desejada de 10% (cobertura de 90%).
• Cenário sem Adaptação (DNN Congelado): Quando a adaptação foi desativada, o erro de modelagem foi alto. O SI-OCP detectou corretamente o aumento da incerteza, expandindo o tubo de segurança. Isso impediu que o drone tentasse passar pela passagem estreita (falha segura), demonstrando a capacidade do sistema de reagir a modelos inadequados mantendo a segurança.

5. Significado e Impacto

Este trabalho preenche uma lacuna crítica entre a teoria de Conformal Prediction e o controle adaptativo de sistemas dinâmicos contínuos.

• Viabilidade Prática: Remove a barreira da necessidade de derivadas de estado, tornando o OCP aplicável a uma vasta gama de sistemas físicos reais onde apenas posições/estados são medidos.
• Segurança em Aprendizado: Permite o uso de modelos de aprendizado de máquina complexos (como DNNs profundas) em sistemas críticos, fornecendo garantias matemáticas de segurança que se adaptam dinamicamente à qualidade do modelo, em vez de depender de limites estáticos e excessivamente conservadores.
• Flexibilidade: O framework é agnóstico à lei de adaptação, sendo aplicável tanto a modelos lineares em parâmetros quanto a redes neurais profundas adaptativas.

Em suma, o SI-OCP oferece uma ponte robusta entre a adaptação online de modelos e a garantia de segurança rigorosa, permitindo que sistemas autônomos operem de forma mais eficiente e segura em ambientes incertos e dinâmicos.