CC-DeePC: Adaptive Conformal Calibration for Safe Data-Enabled Predictive Control under Non-Stationary Dynamics
本文提出了一种名为 CC-DeePC 的安全数据驱动预测控制框架，该框架利用自适应符合推理（Adaptive Conformal Inference）根据预测残差动态校准输出约束，从而在非平稳动力学条件下，与现有的鲁棒及静态基准相比，显著提高了获得认证且无松弛安全性的速率。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一个机器人在不断变化的世界中移动。它轮下的地面可能会变得湿滑，它的货物可能会发生位移，或者风可能会突然增强。为了安全移动，机器人必须预测接下来会发生什么，并决定如何转向。如果它的预测错了，它可能会撞车或偏离安全路径。几十年来，工程师们一直试图构建能够通过学习自身过去运动来做出这些预测的机器人，这种方法在世界保持不变时效果很好。但当环境发生意外变化时，这些旧方法往往会失效，因为它们依赖于一套不再符合现实情况的固定规则。挑战在于，如何在不让机器人因过于谨慎而完全停止移动的前提下，保持其安全性。
研究人员开发了一种名为 CC-DeePC 的新方法来解决这个问题。该系统并不去猜测世界会如何变化，而是实时观察自身的错误。每当机器人预测一秒钟后自己将处于何处，然后检查实际位置时，它都会测量其中的差异。如果差异很小，机器人就知道自己的预测是准确的；如果差异很大，它就知道情况发生了变化。这种新方法使用一种称为“自适应符合推断”（adaptive conformal inference）的数学工具，将过去的错误转化为安全缓冲。它不断调整机器人保持安全所需的额外空间。如果机器人开始犯更大的错误，系统会自动扩大安全区域；如果机器人表现良好，它则会收紧区域，以实现更平滑、更高效的移动。这一切的发生，都不需要知道世界为何变化，也不需要假设变化遵循某种可预测的模式。
研究人员在一个旨在追踪特定速度的模拟机器人上测试了这个系统。他们创建了机器人行为突然改变的情景（例如汽车驶入冰面），以及行为逐渐改变的情景（例如车辆缓慢增加负重）。他们将这种新方法与几种旧策略进行了对比。其中一种旧策略使用了一个固定的、非常大的安全余量，确保机器人绝不会撞车，但往往移动得非常缓慢且笨拙。另一种策略使用基于过去数据的固定余量，这种方法在世界变化之前表现良好，但在环境变化时会悄无声息地失效。这种新的自适应方法在“违反安全规则的频率”这一指标上，表现得与表现最好的固定策略一样出色。然而，它实现安全的方式在本质上是不同且更可靠的。
关键的发现是，新方法之所以能让机器人保持安全，是因为它的预测实际上是正确的，而不是因为它依赖于一个数值上的“逃生舱”。旧方法通常看起来安全，只是因为它们允许机器人轻微违反自身的安全规则，利用一个隐藏的惩罚项来吸收误差。相比之下，新方法通过确保其计算出的安全缓冲器是真正准确的，从而保证机器人保持在其安全限制之内。在涉及一百个不同场景的测试中，新方法的“纯净安全”（clean safety）率比表现最好的固定方法高出三到七倍。这意味着在绝大多数时间内，机器人之所以安全，是因为它的数学计算是正确的，而不是因为它依赖于隐藏的惩罚项。
研究人员还在一个带有两个轮子的更复杂的机器人以及一个使用真实高速公路驾驶数据的模拟车辆上测试了该系统。在每种情况下，这种自适应方法都维持了这种高水平的认证安全性。然而，他们也发现了其能力的局限性。当他们将测试转移到一个二维导航任务中——即机器人必须躲避移动障碍物，且传感器有时会给出不完美的读数时——这种优势消失了。在这种困难的环境下，该系统无法与旧方法区分开来，机器人不得不采取更长、更曲折的路径来避免碰撞。这表明，虽然该方法在控制车辆的速度和方向方面表现出色，但在环境混乱且传感器噪声较大的情况下，它会显得力不从心。
最终，这项工作提供了一种让机器在变化的世界中保持安全，而不必过度保守的方法。它证明了机器人可以学会实时调整自身的安全余量，通过对自身错误的反应来保持在安全界限内。该系统不需要一个完美的世界模型，也不需要保证条件保持稳定。它只需观察、从错误中学习，并据此调整其安全区域。虽然它并非解决所有可能情况的万能方案（特别是在传感器不可靠时），但它为自主系统在地面环境发生变化时，提供了一种稳健且具有数学依据的安全保障方式。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。