From Disturbance to Recoverability: A Falsifiable Methodological Framework and Prospective Study Protocol for Learned Bipedal Robot Control; Mathematical Foundations, Finite-Sample Inference, Experimental Design and Open Validation Challenges
Year: 2026
Type: preprint
Abstract: From Disturbance to Recoverability: A Falsifiable Methodological Framework and Prospective Study Protocol for Learned Bipedal Robot Control This methods preprint presents a falsifiable framework and a prospective experimental protocol for evaluating the recoverability of a learned standing controller for the bipedal MicroDuck robot within a specified MuJoCo simulation environment. The work forms part of the BenchEWS Duck Lab research programme, Learning to Stay Balanced. Recoverability is defined as the probability of returning to a predefined quiet-standing state without falling after a horizontal velocity disturbance, conditional on a valid pre-disturbance state. The primary measure integrates recovery probabilities over 13 disturbance magnitudes and eight directions, yielding a grid-dependent measure of recoverability. The proposed study compares a reference configuration with changes in actuator voltage, ground friction and payload. Its statistical framework combines finite-sample concentration inequalities, simultaneous confidence intervals, multiple-testing correction and explicit decision categories. It also addresses incomplete observations, numerical failures, experimental reproducibility and the assumptions required for statistical error control. A separate prospective study examines counterfactual monotonicity. Scientific status and limitations: This is a methodological preprint and prospective study protocol, not a report of completed confirmatory experiments. No confirmatory data have been collected, and the protocol has not been formally preregistered. Mathematical proofs and internal audits have been checked with AI assistance but have not undergone independent mathematical verification or peer review. Some study-design decisions and formal protocol amendments remain pending. The methodology makes no claim of conceptual novelty over established approaches such as basin stability and probabilistic reachability. No transfer to physical MicroDuck hardware or additional early-warning performance has been demonstrated. The objective is to make assumptions, statistical guarantees, limitations and unresolved questions transparent and open to independent scientific scrutiny before confirmatory experimentation. Keywords: Recoverability; BenchEWS; BenchEWS Duck Lab; MicroDuck; Bipedal Robotics; Learned Robot Control; Reinforcement Learning; Push Recovery; Nonlinear Dynamical Systems; Basin Stability; Probabilistic Reachability; Finite-Sample Inference; Statistical Error Control; Experimental Reproducibility; MuJoCo; Prospective Study Protocol; Scientific Falsifiability. Von der Störung zur Wiederherstellungsfähigkeit: Ein falsifizierbarer methodischer Rahmen und ein prospektives Studienprotokoll für die Regelung lernbasierter zweibeiniger Roboter Dieses methodische Preprint beschreibt einen falsifizierbaren Forschungsrahmen und ein prospektives Versuchsprotokoll zur Untersuchung der Wiederherstellungsfähigkeit (Recoverability) eines lernbasierten Standreglers für den zweibeinigen Roboter MicroDuck in einer definierten MuJoCo-Simulationsumgebung. Die Arbeit ist Bestandteil des Forschungsprogramms BenchEWS Duck Lab – Learning to Stay Balanced. Recoverability bezeichnet die Wahrscheinlichkeit, dass ein System nach einer horizontalen Geschwindigkeitsstörung ohne Sturz in einen zuvor definierten ruhigen Standzustand zurückkehrt, unter der Bedingung eines gültigen Ausgangszustands. Die zentrale Kenngröße integriert diese Rückkehrwahrscheinlichkeiten über 13 Störungsstärken und acht Richtungen. Sie ist ausdrücklich vom gewählten Versuchsraster abhängig. Das geplante Experiment vergleicht eine Referenzkonfiguration mit Veränderungen der Aktuatorversorgungsspannung, der Bodenreibung und der Zusatzmasse. Der statistische Rahmen umfasst Konzentrationsungleichungen für endliche Stichproben, simultane Konfidenzintervalle, Korrekturen für multiples Testen sowie explizite Entscheidungskategorien. Darüber hinaus werden unvollständige Beobachtungen, numerische Fehler, Reproduzierbarkeit und die Voraussetzungen statistischer Fehlerkontrolle behandelt. Eine separate prospektive Untersuchung widmet sich der kontrafaktischen Monotonie. Wissenschaftlicher Status und Grenzen: Es handelt sich um ein methodisches Preprint und ein noch nicht durchgeführtes Studienprotokoll, nicht um einen Bericht abgeschlossener konfirmatorischer Experimente. Konfirmatorische Daten liegen nicht vor; eine formale Präregistrierung ist nicht erfolgt. Mathematische Beweise und interne Prüfungen wurden KI-gestützt kontrolliert, jedoch weder unabhängig mathematisch begutachtet noch einem Peer-Review unterzogen. Einzelne Entscheidungen zum Studiendesign und formale Protokolländerungen stehen noch aus. Die Arbeit beansprucht keine konzeptionelle Neuheit gegenüber etablierten Ansätzen wie Basin Stability oder probabilistischer Erreichbarkeit. Eine Übertragbarkeit auf die reale MicroDuck-Hardware oder ein zusätzlicher Nutzen für die Frühwarnung wurde bislang nicht nachgewiesen. Ziel ist es, Annahmen, statistische Garantien, Grenzen und offene Fragen transparent darzustellen und einer unabhängigen wissenschaftlichen Überprüfung zugänglich zu machen, bevor konfirmatorische Experimente durchgeführt werden. Schlüsselwörter: Wiederherstellungsfähigkeit; Recoverability; BenchEWS; BenchEWS Duck Lab; MicroDuck; Zweibeinige Robotik; Lernbasierte Regelung; Reinforcement Learning; Störungsbewältigung; Nichtlineare dynamische Systeme; Basin Stability; Probabilistische Erreichbarkeit; Inferenz bei endlichen Stichproben; Statistische Fehlerkontrolle; Experimentelle Reproduzierbarkeit; MuJoCo; Prospektives Studienprotokoll; Wissenschaftliche Falsifizierbarkeit.
Author: von Mallinckrodt, Bernd
Language: English
Subfield: Control and Systems Engineering
Field: Engineering
Domain: Physical Sciences
Keywords: recoverability, push recovery, MuJoCo simulation, finite-sample inference, concentration inequalities, multiple testing correction, simultaneous confidence intervals, experimental reproducibility, ground friction, actuator voltage, payload, early warning, basin stability, probabilistic reachability, reinforcement learning
Open Access status: green
OpenAlex ID: W7226015805
