N-dimensional Convex Obstacle Avoidance using Hybrid Feedback Control (Extended version)

Résumé Technique : Évitement d'Obstacles Convexes en $n$ Dimensions par Commande de Retour Hybride

Énoncé du Problème
Cet article traite du problème de la navigation autonome de robots dans des environnements en $n$ dimensions contenant des obstacles convexes disjoints, de formes et de tailles arbitraires, inconnus a priori. Le défi principal consiste à concevoir une stratégie de commande qui garantit à la fois la sécurité (évitement de collision) et la convergence asymptotique globale vers une position cible prédéfinie. Les approches existantes font face à des limitations significatives :

• Les Champs de Potentiel Artificiels (APF) et les Fonctions de Navigation (NF) souffrent souvent de minima locaux indésirables ou nécessitent une connaissance globale de l'environnement (par exemple, des applications difféomorphes).
• Les méthodes de Fonction de Lyapunov de Commande (CLF) et de Fonction de Barrière de Commande (CBF), bien qu'efficaces dans certains cas, ne fournissent généralement que des garanties de stabilité « presque globale » en raison des contraintes topologiques des champs de vecteurs continus et invariants dans le temps.
• Les méthodes hybrides précédentes ont été largement restreintes aux espaces bidimensionnels ou à des géométries d'obstacles spécifiques (par exemple, des ellipsoïdes ou des obstacles fortement convexes) et nécessitent souvent une connaissance préalable de la forme des obstacles.

Les contraintes spécifiques de ce travail incluent des environges où les obstacles sont convexes mais peuvent présenter des frontières non lisses, et où le robot ne possède que des données de capteurs de portée locaux (pas de carte globale).

Méthodologie
Les auteurs proposent un schéma de commande de retour hybride qui opère via un mécanisme de commutation entre deux modes distincts :

1. Mode Aller-vers-la-Cible ($m=0$) : Le robot se déplace en ligne droite vers la cible.
2. Mode Évitement d'Obstacle ($m=1$) : Le robot navigue autour d'un obstacle.

Composantes Techniques Clés :

• Cadre de Système Hybride : Le système est modélisé à l'aide d'inclusions différentielles et de différences. Le vecteur d'état $\xi$ comprend la position $x$ du robot, un « point d'impact » $h$ (où l'évitement a commencé), un vecteur unité $a$, un indicateur de mode $m$, et une variable de temporisation $s$.
• Logique de Commutation :
  • La transition du mode aller-vers-la-cible vers l' évitement d'obstacle se produit lorsque le robot pénètre dans un voisinage $\gamma$ d'un obstacle et que la trajectoire en ligne droite vers la cible est obstruée (détectée via un test d'intersection de cylindre de détection).
  • La transition de retour au mode aller-vers-la-cible se produit lorsque le robot pénètre dans une « région de sortie » où le chemin vers la cible est dégagé, et que le robot est plus proche de la cible que le point d'impact initial $h$ (plus une marge d'hystérésis $\epsilon$).
• Stratégie d'Évitement d'Obstacle :
  • Contrairement aux méthodes 2D qui imposent un mouvement horaire ou antihoraire, la stratégie en $n$ dimensions confine le mouvement du robot à un plan bidimensionnel spécifique $P(h, a)$. Ce plan est défini par la position de la cible (l'origine), le point d'impact $h$, et un vecteur unité $a$ orthogonal à $h$.
  • Dans ce plan, le vecteur de commande est construit à l'aide d'une matrice de rotation et d'un opérateur de projection parallèle pour guider le robot le long de la frontière de l'obstacle sans retracer son chemin.
  • Une fonction scalaire $\eta(x)$ assure que le robot reste dans un voisinage sûr de l'obstacle pendant la phase d'évitement.
• Mise en Œuvre Basée sur des Capteurs : L'algorithme repose uniquement sur des capteurs de portée (par exemple, LiDAR) pour identifier l'ensemble des points de la frontière de l'obstacle visibles dans un rayon de détection $R_s$. Il ne nécessite pas de connaissance globale a priori de la géométrie des obstacles.
• Mécanisme de Lissage : Pour traiter la discontinuité des entrées de commande lors des commutations de mode (ce qui peut provoquer des changements de trajectoire brusques), les auteurs introduisent une fonction scalaire continue $\lambda$ qui interpole de manière fluide entre les deux vecteurs de commande sur un intervaliel de temps $t_s$.

Contributions Clés
L'article revendique quatre contributions principales :

1. Stabilité Asymptotique Globale : La solution proposée garantit la stabilité asymptotique globale de la position cible dans des environnements inconnus avec des obstacles convexes de formes arbitraires. Cela contraste avec les résultats hybrides existants qui sont souvent limités aux obstacles ellipsoïdaux.
2. Applicabilité en $n$ Dimensions : Le contrôleur est conçu pour des espaces de travail en $n$ dimensions, alors que de nombreuses approches basées sur des capteurs ou hybrides sont restreintes à la 2D.
3. Arrangements d'Obstacles Arbitraires : La méthode n'impose aucune restriction sur l'arrangement relatif des obstacles (hormis une distance de séparation minimale pour permettre au robot de passer entre eux), contrairement aux méthodes exigeant des conditions de courbure spécifiques ou de non-platitude.
4. Environnements Inconnus A Priori : L'approche est basée sur des capteurs et ne nécessite pas de connaissance globale des géométries d'obstacles, contrairement aux approches basées sur les NF qui reposent sur des applications difféomorphes.

Résultats et Validation

• Simulations :
  • Environnements 3D : Des simulations avec des obstacles convexes en 3D démontrent que le robot converge vers la cible à partir de diverses positions initiales tout en évitant les collisions.
  • Environnements 2D : Des tests avec 12 obstacles convexes montrent une convergence réussie à partir de 24 points de départ différents.
  • Analyse du Rayon de Détection : L'article analyse l'effet de la variation du rayon de détection $R_s$, notant que des rayons plus petits peuvent entraîner des commutations prématurées mais que le système reste robuste.
  • Mondes Sphériques : Une version modifiée du contrôleur est appliquée à des obstacles sphériques, prouvant que la distance vers la cible diminue de manière monotone dans cette géométrie spécifique.
  • Comparaison : La méthode proposée est comparée à une approche de l'hyperplan séparateur [15]. L'article démontre que l'approche par hyperplan échoue (convergeant vers des minima locaux) lorsque les obstacles ne satisfont pas à des conditions de courbure spécifiques, tandis que le contrôleur hybride proposé réussit.
• Validation Expérimentale :
  • La loi de commande lissée a été implémentée sur un robot mobile TurtleBot 4 Standard dans un espace de travail physique avec cinq obstacles convexes.
  • Le robot a navigué avec succès d'une position initiale vers une cible, commutant entre les modes tel que détecté par son capteur LiDAR. Les résultats expérimentaux ont confirmé une navigation sûre et une convergence.

Signification et Revendications
L'article positionne ce travail comme une avancée significative par rapport aux stratégies de commande hybride précédentes en étendant les garanties de stabilité globale aux espaces en $n$ dimensions avec des obstacles convexes arbitraires sans nécessiter de cartes environnementales globales. Les auteurs soulignent que l'utilisation d'un mécanisme de commutation permet de surmonter les obstructions topologiques qui empêchent les champs de vecteurs continus d'atteindre une stabilité globale.

Les auteurs concluent avec modestie, notant que si le présent travail traite des obstacles convexes, l'extension de l'approche aux obstacles non convexes et aux robots possédant une dynamique de second ordre (inertie) dans des environnements en $n$ dimensions reste une direction pour la recherche future. L'article ne prétend pas résoudre les problèmes de navigation non convexes, mais souligne la robustesse du cas convexe comme une étape fondamentale.