Resumo Técnico: Segurança Robusta Distribucionalmente sob Incertezas Arbitrárias

Declaração do Problema

Garantir a segurança para sistemas robóticos autônomos é complicado por dinâmicas não lineares, limites de atuação e incertezas decorrentes de discrepâncias de modelo, erros de percepção e perturbações exógenas. Embora filtros de segurança (ou "guardiões") ofereçam uma solução modular, alternando de uma política nominal de alto desempenho para uma política de backup certificada quando a segurança está em risco, as abordagens existentes enfrentam limitações significativas sob ambiguidade distribucional.

Os métodos atuais geralmente dependem de:

1. Filtros de Segurança Robustos: Assumindo limites determinísticos de pior caso, que podem ser excessivamente conservadores.
2. Filtros de Segurança Estocásticos: Assumindo distribuições de perturbação conhecidas e específicas (por exemplo, Gaussianas), que falham quando a distribuição verdadeira é desconhecida, parcialmente observada ou deslocada (deslocamento distribucional).
3. Planejamento Robusto Distribucionalmente (DR): Embora promissor, integrar diretamente restrições DR em filtros de segurança para sistemas não lineares gerais é computacionalmente proibitivo. Frequentemente requer a resolução de problemas de otimização de alta dimensão sobre distribuições de pior caso dentro de conjuntos de ambiguidade, tornando a implementação em tempo real inviável.

O desafio central abordado neste trabalho é como fornecer garantias probabilísticas de segurança para sistemas não lineares gerais sob estruturas de incerteza arbitrárias (não aditivas, não afins), onde a distribuição de ruído verdadeira é desconhecida, sem incorrer no custo computacional da otimização de trajetória DR online.

Metodologia: DRS-gatekeeper

Os autores propõem o Guardião Estocástico Robusto Distribucionalmente (DRS-gatekeeper), um filtro de segurança em tempo real que estende o quadro de filtragem de segurança baseado em backup. O método combina um conjunto de ambiguidade de Wasserstein com análise estatística de amostras finitas para certificar a segurança.

Arquitetura Central

O sistema opera alternando entre uma política nominal de alto desempenho ($\pi_N$) e uma política de backup pré-verificada ($\pi_B$). A política de backup é projetada para tornar um conjunto seguro específico $\mathcal{C}$ forward-invariante com alta probabilidade (um conjunto controlado invariante probabilístico $\alpha$). O objetivo é permanecer na política nominal o máximo possível, garantindo que uma troca para a política de backup ocorra antes que a segurança seja comprometida.

Componentes Técnicos Chave

1. Restrição de Chance Robusta Distribucionalmente (DRCC):
   Em vez de otimizar contra uma única distribuição nominal $\hat{P}_t$, o método garante segurança contra um conjunto de ambiguidade $\mathcal{B}_\beta(\hat{P}_t)$ definido pela distância de Wasserstein-$\infty$ com raio $\beta$. Este conjunto contém todas as distribuições consistentes com os dados disponíveis. O objetivo é satisfazer:
   $$\inf_{Q \in \mathcal{B}_\beta(\hat{P}_t)} \Pr_{w \sim Q} [\text{Segurança}] \geq 1 - \varepsilon$$

2. Redução de Dimensionalidade via Busca de Tempo de Comutação:
   Em vez de resolver um problema de otimização DR de alta dimensão online, os autores exploram a estrutura da filtragem baseada em backup. O problema de certificação de segurança é reduzido a uma busca unidimensional sobre o tempo de comutação $s_t$ entre as políticas nominal e de backup.

3. Certificação Baseada em Amostragem com Garantias de Amostra Finita:
   O método utiliza uma abordagem inspirada em Monte Carlo:

   • Simulações Paralelas: Para cada tempo de comutação candidato $m$, o algoritmo gera $N$ amostras independentes de trajetórias de ruído a partir da distribuição nominal $\hat{P}_t$.
   • Limiar Inflado por Wasserstein: Para contabilizar o conjunto de ambiguidade sem amostrá-lo diretamente, o algoritmo calcula uma margem de segurança $H$ para cada simulação. Em seguida, conta "falhas" não apenas quando $H < 0$, mas quando $H < L_H \beta$, onde $L_H$ é a constante de Lipschitz da função de segurança e $\beta$ é o raio de ambiguidade. Isso efetivamente infla o conjunto de falhas para cobrir a distribuição de pior caso dentro do conjunto de ambiguidade (Lema 1).
   • Limites Estatísticos: A contagem de falhas observada é usada para calcular um limite superior na probabilidade de falha verdadeira usando a distribuição binomial e um nível de confiança especificado pelo usuário $1-\delta$.
   • Seleção: O algoritmo seleciona o último tempo de comutação $s_t$ tal que o limite superior estatístico na probabilidade de falha permaneça abaixo do limiar $(\varepsilon - \alpha)/(1 - \alpha)$.

Garantias Teóricas

O artigo fornece uma prova formal (Teorema 1) de que, se as suposições relativas à continuidade de Lipschitz da função de segurança e à existência de uma política de backup válida se mantiverem, o DRS-gatekeeper satisfaz a DRCC com probabilidade de pelo menos $1-\delta$. Esta garantia é independente da dimensão da trajetória ou do número de amostras $N$, embora $N$ afete o conservadorismo do filtro.

Contribuições Chave

1. Algoritmo DRS-gatekeeper: Introdução de um filtro de segurança em tempo real para sistemas não lineares com estruturas de perturbação arbitrárias e ambiguidade distribucional.
2. Certificado de Amostra Finita: Derivação de um certificado de segurança probabilístico sob um conjunto de ambiguidade de Wasserstein, calculando um limite superior na probabilidade de falha de pior caso com um nível de confiança especificado.
3. Eficiência Computacional: Reformulação do problema de segurança DR de dimensão infinita em uma busca unidimensional, permitindo implementação em tempo real via amostragem paralela.
4. Validação Empírica: Demonstração do método em três domínios distintos de complexidade crescente: um veículo Dubins, um carro de corrida de Fórmula 1 e um caça F-16.

Resultados Experimentais

Os autores validaram o DRS-gatekeeper através de simulações comparando-o com métodos de linha de base (incluindo Funções de Barreira de Controle Robusto Distribucionalmente, DR-CBF, e Controle de Integral de Caminho Preditivo por Modelo, MPPI).

• Veículo Dubins: Em comparação com o DR-CBF, o DRS-gatekeeper alcançou taxas de segurança significativamente mais altas (até 100% vs. 15-75%, dependendo dos parâmetros) em várias probabilidades de falha ($\varepsilon$) e raios de ambiguidade ($\beta$). Embora os tempos de alcance do objetivo fossem ligeiramente maiores em alguns casos, o método ofereceu um compromisso segurança-desempenho mais confiável.
• Carro de Corrida de Fórmula 1: Em um cenário de alta dimensão (7 estados) com incerteza empírica complexa e não Gaussiana:
  • Sob ruído Gaussiano, o DRS-gatekeeper manteve 96% de segurança, comparado a 92% do MPPI.
  • Sob ruído empírico (simulando deslocamento distribucional), a segurança do MPPI caiu para 76%, enquanto o DRS-gatekeeper manteve 94% de segurança.
  • O método alcançou esses resultados com intervenção mínima de backup (<1,5%) e tempos de computação (~21 ms) adequados para controle em tempo real.
• Caça F-16: Em um cenário de 12 estados e 4 entradas, voando através de um cânion estreito com turbulência e resíduos de modelo:
  • Um método de linha de base de rastreamento de trajetória ótima alcançou apenas 40% de segurança (88% ao considerar o horizonte completo, ainda abaixo do alvo de 95%).
  • O DRS-gatekeeper melhorou a taxa de segurança para 88% (com um alvo de 95% por iteração, o efeito cumulativo é notado) com baixo uso de backup (13,9%) e sobrecarga computacional mínima (12,2 ms).
  • O método lidou com sucesso com o alto grau relativo e restrições de entrada que tornaram o DR-CBF inaplicável para este sistema.

Significado e Alegações

O artigo afirma que o DRS-gatekeeper aborda uma lacuna crítica na segurança autônoma: a capacidade de lidar com estruturas de incerteza arbitrárias e deslocamentos distribucionais sem o ônus computacional da otimização DR online. Ao alavancar a arquitetura baseada em backup e a robustez baseada em Wasserstein, o método fornece garantias rigorosas de segurança probabilística para sistemas não lineares complexos e de alta dimensão, onde filtros robustos ou estocásticos tradicionais falham ou são excessivamente conservadores. Os autores enfatizam que sua abordagem é particularmente significativa para sistemas onde a distribuição de ruído verdadeira é desconhecida ou não estacionária, como em corridas de alta velocidade ou manobras aéreas sob turbulência.