想象一下你正在教一个机器人如何穿越迷宫。为了做到这一点，你给了机器人一张地图和一套规则。但问题在于，你手中的这张地图只是一个猜测。它是一个“名义”（nominal）模型，是对机器人运动方式的一种尽力而为的草图。在现实世界中，机器人可能比你想象的要重，或者地面可能很滑，或者轮子可能会打滑。这种你的草图与混乱现实之间的差距被称为“模型失配”（model mismatch）。如果你过度信任你的地图，机器人可能会撞上它以为还很远的墙壁，或者完全错过终点线。这是机器人领域的一个巨大问题，因为在我们将机器投入使用之前，我们无法总是预知新机器或新环境的确切物理特性。我们需要一种能够规划出一条即使在地图不完美时依然安全的路径的方法。这就是“机会约束规划”（chance-constrained planning）的概念：与其要求一条始终完美的路径（这通常是不可能的），我们旨在寻找一条在大多数时间都能奏效的路径，比如 95% 的时间，从而为我们的无知提供一个安全网。

你即将阅读的论文正是针对这一问题：如何在机器人的真实行为未知、但我们有一个粗略近似模型的情况下，让机器人的规划变得安全。作者 Shubham Natraj、Bruno Sinopoli 和 Yiannis Kantaros 提出了一个巧妙的技巧，利用了一个名为“符合预测”（Conformal Prediction）的统计工具。把“符合预测”想象成一个“安全检查员”，它通过观察一系列过去的测试运行，来弄清楚真实的机器人究竟会在多大程度上偏离地图。他们并不试图修复地图；相反，他们缩小了“游乐场”。他们将地图上的安全区域和目标区域按特定程度进行缩小。这个缩小的量经过计算，可以确保如果机器人在地图上的这些缩小区域内活动，那么在现实世界中以高概率保持安全。

以下是他们是如何做的以及他们的发现。

问题所在：地图与领地

机器人需要从起点移动到终点并避开障碍物。通常，工程师会使用计算机模型来模拟机器人的运动。他们运行规划算法（类似于智能 GPS）来找到一组在计算机上看起来完美的动作序列。但当他们在真实的机器人上运行同样的序列时，问题就出现了。也许机器人的电机稍微弱了一点，或者风的推力不同。机器人的“真实”路径会偏离计算机规划的“名义”路径。如果这种漂移过大，机器人就会撞上障碍物或错过目标。

作者认为，我们无法预先知道机器人的确切物理特性。我们可能会有一个学习到的模型（基于数据的猜测）或一个简化的物理模型，但它永远不会是 100% 准确的。挑战在于，尽管我们只有一个近似的模型用于规划，但仍需计算出一个适用于真实机器人的控制序列（一组动作列表）。

解决方案：“安全气泡”技巧

作者的解决方案是一个两步走的过程，它将一个充满风险、具有不确定性的问题转化为一个安全的、确定性的问题。

第一步：校准（试驾）
首先，他们需要知道失配会有多严重。他们将近似模型应用于一组测试问题。对于每个问题，他们找到一条在计算机上行得通的路径。然后，他们实际上在真实机器人上运行这条路径，并观察发生了什么。他们测量计算机认为机器人的位置与机器人实际所在位置之间的距离。他们针对 100 个不同的测试场景进行了这样的测量。

使用一种称为“符合预测”的统计方法，他们查看这 100 个测量值，并询问：“在 95%（或 99% 等）的情况下，真实机器人偏离计算机预测的最大距离是多少？”这给了他们一个“安全半径”，我们称之为 $\hat{q}_\alpha$。这个数字代表了一个“最坏情况”的气泡。他们知道，以高概率，真实的机器人永远不会偏离计算机预测路径超过这个距离。

第二步：紧缩（缩小房间）
现在见证奇迹的时刻到了。他们不再在原始地图上进行规划，而是创建了一张新的、“紧缩后的”地图。

• 他们将地图上的障碍物扩大（膨胀） $\hat{q}_\alpha$ 的距离。
• 他们将自由空间和目标区域缩小（侵蚀）相同的距离。

想象一下，你正背着一个笨重的大背包走在走廊里。如果你规划路径时紧贴墙壁，你可能会用背包撞到墙。所以，你假装墙壁更远一些，而走廊更窄一些。你在这个“想象中”的狭窄走廊中心行走。如果你保持在狭窄走廊的中间，你的背包就永远不会撞到真实的墙壁。

作者证明，如果机器人能在这种经过“紧缩”后的地图版本中找到一条路径，那么这条路径在预设的概率下，在真实机器人身上也是保证安全的。机器人不需要知道真实的动力学特性；它只需要在地图上解决这个更难的、紧缩后的问题。

实验：它有效吗？

为了测试这一点，作者运行了两种不同的场景。

场景 1：减速车（Dubins Vehicle）
他们使用了一个简单的汽车模型，该模型可以转弯但不能横向移动。那辆“真实”的汽车有一个隐藏缺陷：由于摩擦力（由参数 $\beta_v$ 模拟），它比模型预测的要慢。他们测试了 0.05、0.10、0.15 和 0.20 的失配水平。

• 结果： 当他们使用“紧缩”方法时，机器人的成功到达目标率和避障率符合或超过了他们的安全保证。例如，如果他们要求 90% 的成功率，机器人实际成功的频率确实高于 90%。
• 权衡： 当他们要求更高的安全性（例如 99% 而不是 90%）时，“安全气泡”变大了，走廊变窄了，寻找路径变得更加困难。寻找路径的成功率下降了，但它所找到的路径却更加可靠。
• 对比： 他们将此与忽略失配的标准规划器进行了比较。标准规划器能找到更多的路径，但这些路径在真实机器人上的失败频率要高得多。作者的方法在实际完成任务方面要成功得多。

场景 2：摇晃的无人机（Planar Quadrotor）
他们测试了一个更复杂的、具有 6 维度的无人机，该无人机带有随机噪声（阵风）并使用了一个学习到的神经网络模型（这通常是不完美的）。

• 结果： 即使在增加了随机噪声和学习模型的复杂情况下，该方法依然奏效。其“经验覆盖率”（即机器人留在安全气泡内的频率）始终高于目标值。
• 性能： 在 90% 的目标安全水平下，他们的法实现了真实无人机 100% 的任务完成率，而标准的“名义”规划器仅能达到约 55%。这表明，通过在规划阶段更加谨慎，你可以获得更好的结果。

他们的发现及其意义

论文证明，你不需要知道机器人的确切物理特性来进行安全路径规划。你只需要一个粗略的模型和一些数据来衡量你的模型到底错在哪里。通过使用“符合预测”来创建“安全气泡”并相应地缩小规划空间，你可以将一个充满风险、具有不确定性的问题转化为一个安全且可解的问题。

作者展示了这种方法是“与规划器无关的（planner-agnostic）”，这意味着它适用于任何规划算法（如他们使用的 RRT 算法）。无论规划器如何找到路径，只要路径保持在紧缩后的区域内，保证就会成立。

然而，这是有代价的。你要求的安全性越高（你希望的概率越大），规划就会变得越保守。 “走廊”会变得更窄，有时规划器甚至无法找到路径。作者发现，虽然随着安全需求的增加，规划器的成功率（找到任何路径的能力）会下降，但它所找到路径的可靠性却会飙升。在实验中，该方法始终优于忽略模型误差的标准规划，证明了哪怕是一点点数学上的谨慎也能带来巨大的回报。

简而言之，这篇论文提供了一种稳健且有数学依据的方法来表达：“我不知道这个机器人具体是如何运动的，但我知道我的猜测可能会偏离多少，因此我会假设世界比看起来更危险来进行规划。” 实验表明，这一策略是有效的，它将一次潜在危险的赌博变成了一次可靠的任务。