Résumé Technique : Fonctions de Barrière de Sécurité Adaptatives en Ligne sous Incertitude Épistémique et Aléatoire

1. Énoncé du Problème

Les fonctions de barrière de sécurité (CBF - Control Barrier Functions) sont un outil standard pour imposer des contraintes de sécurité aux systèmes robotiques en synthétisant des filtres de sécurité qui modifient de manière minimale un contrôleur nominal. Cependant, la performance pratique des contrôleurs basés sur les CBF dépend fortement du choix des paramètres des fonctions de classe-$\mathcal{K}$ (taux de décroissance). Cela crée un compromis fondamental :

• Des paramètres conservateurs garantissent la faisabilité et la sécurité, mais entraînent souvent un mouvement lent et sinueux.
• Des paramètres agressifs améliorent la progression, mais peuvent rendre le filtre de sécurité infaisable ou dangereux, particulièrement en présence de contraintes d'entrée ou à proximité d'obstacles.

Les approches existantes fondées sur l'apprentissage qui tentent d'adapter ces paramètres en ligne traitent souvent le modèle appris comme un générateur direct de paramètres optimaux. Cela introduit un risque critique : si le modèle est trop confiant sur des états hors distribution (OOD - out-of-distribution) ou des configurations d'obstacles, il peut produire des paramètres invalides qui compromettent directement la faisabilité du filtre de sécurité. De plus, de nombreuses méthodes existantes manquent de mécanismes explicites pour évaluer l'incertitude prédictive ou valider les paramètres par rapport aux contraintes d'entrée avant leur application.

Cet article traite du défi de l'adaptation en ligne des paramètres de CBF sous contraintes d'entrée, visant à réduire le conservatisme tout en garantissant la sécurité grâce à un processus de vérification rigoureux et sensible à l'incertitude.

2. Méthodologie : OA-CBF (CBF Adaptatif en Ligne)

Le cadre proposé, OA-CBF, déplace le paradigme de la prédiction directe de paramètres vers l'évaluation de candidats de paramètres sensible à l'incertitude. Au lieu de prédire un paramètre unique optimal, le système échantillonne des paramètres candidats, les évalue par rapport à des métriques de sécurité et de performance, et sélectionne le meilleur candidat vérifié.

A. Paramètres de CBF Localement Validés

Plutôt que d'exiger qu'un paramètre unique soit globalement valide pour tous les états futurs (ce qui est souvent intraitable et excessivement conservateur), l'OA-CBF introduit le concept de paramètres de CBF localement validés. Un paramètre est considéré comme localement valide s'il satisfait la condition de la CBF avec contrainte d'entrée (ICCBF) sur un horizon de prédiction fini $[t, t+T]$.

• Le cadre certifie que la trajectoire du système reste dans un « ensemble sûr intérieur » $C^\star(\alpha)$ durant cet horizon.
• En mettant à jour le paramètre à des intervalles plus courts que l'horizon, la sécurité est préservée via un mécanisme de validation à horizon fuyant.

B. Conception du Modèle de Prédiction

Pour évaluer efficacement les candidats, l'OA-CBF utilise un Réseau de Neurones d'Ensemble Probabiliste (PENN) entraîné hors ligne.

• Encodeur à Attention de Graphe : Pour gérer des environnements avec un nombre variable d'obstacles, le modèle utilise un réseau de neurones sur graphe (GNN) avec des mécanismes d'attention. Il agrège les informations de tous les obstacles observés (robot, cible et obstacles comme nœuds) sans bourrage (padding) ni sélection heuristique, produisant un vecteur de contexte.
• Structure d'Entrée : Le paramètre de CBF candidat $\tilde{\alpha}$ est explicitement concaténé avec le vecteur de contexte environnemental. Le réseau prédit des distributions sur deux métriques :
  1. Métrique de Sécurité ($\phi$) : Un niveau de risque dérivé d'une fonction de densité de perte de sécurité qui pénalise les violations de la contrainte ICCBF et la proximité des obstacles.
  2. Métrique de Performance ($\delta$) : Une mesure de l'efficacité de la progression (par exemple, le temps pour atteindre la cible).
• Architecture d'Ensemble : Le PENN est composé de plusieurs réseaux de neurones indépendants pour capturer à la fois l'incertitude épistémique (incertitude du modèle due à des données limitées) et l'incertitude aléatoire (bruit inhérent au système).

C. Vérification en Deux Étapes Sensible à l'Incertitude

Avant qu'un paramètre candidat ne soit appliqué, il doit passer deux étapes de vérification rigoureuses :

1. Étape d'Incertitude Épistémique (Prédiction Conforme) :

   • Le système quantifie le désaccord du modèle en utilisant la divergence de Jensen-Rényi (JRD) à travers l'ensemble.
   • Un seuil $D_{thr}$ est calibré par prédiction conforme sur un jeu de données de validation pour garantir un taux de rappel spécifique en distribution.
   • Si la JRD dépasse le seuil, l'entrée est jugée hors distribution (OOD), et la prédiction est rejetée pour éviter une extrapolation trop confiante.

2. Écran de Risque Aléatoire (CVaR Distributionnellement Robuste) :

   • Pour les candidats ayant passé l'étape épistémique, le système évalue la Valeur à Risque Conditionnelle (CVaR) de la métrique de sécurité prédite.
   • Une condition distributionnellement robuste garantit que même le membre le plus conservateur de l'ensemble prédit un niveau de risque inférieur au seuil de sécurité avec une haute probabilité. Cela permet de filtrer les risques aléatoires (bruit/variabilité) qui pourraient conduire à des violations de sécurité.

D. Sélection et Contrôle

Parmi les candidats ayant passé les deux étapes de vérification, le système sélectionne le paramètre qui minimise la métrique de performance prédite $\delta$. Ce paramètre sélectionné est ensuite appliqué au contrôleur, qui peut être réalisé soit sous forme de CBF-QP, soit de MPC-CBF à échantillonnage temporel.

3. Principales Contributions

L'article présente quatre contributions majeures :

1. Formulation de CBF Localement Validée : Une nouvelle formulation de problème qui adapte les paramètres de CBF en les vérifiant sur un horizon fini plutôt qu'en cherchant une solution globale, prouvant que la validation locale répétée préserve la sécurité.
2. Vérification Sensible à l'Incertitude : Une procédure en deux étapes combinant la prédiction conforme pour le filtrage épistémique et la CVaR distributionnellement robuste pour l'écran de risque aléatoire, garantissant que seules les prédictions fiables influencent le contrôleur.
3. Architecture de Prédiction par Attention de Graphe : Un encodeur évolutif qui traite des environnements d'obstacles de taille variable sans perte d'information, permettant au modèle d'évaluer des paramètres candidats arbitraires plutôt que de produire une valeur déterministe unique.
4. Large Applicabilité : Démonstration que le cadre fonctionne avec les filtres MPC-CBF et CBF-QP, et qu'il est applicable tant aux contraintes de sécurité basées sur la distance (ICCBF) qu'aux contraintes non basées sur la distance (Dynamic Parabolic CBF).

4. Résultats Expérimentaux

Le cadre OA-CBF a été évalué sur cinq systèmes non linéaires avec contraintes d'entrée : Unicycle Dynamique, Quadrotor Plan (Quad2D), Quadrotor 3D (Quad3D), Bicyclette Cinématique et VTOL Quadplane.

• Sécurité vs Conservatisme : Comparé aux bases à paramètres fixes, l'OA-CBF a considérablement réduit le conservatisme. Par exemple, sur l'Unicycle Dynamique, il a atteint un taux d'échec de sécurité de 0 % avec un temps de parcours moyen de 10,8 s, alors qu'un paramètre fixe conservateur prenait 31,0 s (0 % d'échec), et qu'un paramètre fixe agressif présentait un taux d'échec de 39 %.
• Comparaison avec les Bases d'Apprentissage : L'OA-CBF a surpassé les bases d'apprentissage comme BarrierNet et les méthodes de décroissance optimale. Bien que certaines bases aient atteint des temps rapides lors d'essais réussis, elles ont souffert de taux d'échec élevés (par exemple, BarrierNet a eu un taux d'échec de 60 % sur l'Unicycle). L'OA-CBF a maintenu des taux d'échec de 0 % sur tous les benchmarks basés sur la distance tout en obtenant les temps de parcours les plus rapides parmi les méthodes sûres.
• Impact de l'Attention de Graphe : Remplacer l'encodeur d'attention de graphe proposé par un encodeur standard de type "obstacle le plus proche" a augmenté les taux d'échec de sécurité (par exemple, de 0 % à 11 % sur le Quad2D), démontrant l'importance de traiter l'environnement complet des obstacles.
• CBF Non Basées sur la Distance : Sur la Bicyclette Cinématique utilisant une CBF parabolique dynamique (définie dans l'espace des vitesses relatives), l'OA-CBF a réduit le taux d'échec de sécurité de 84 % (agressif fixe) à 1 %, prouvant l'applicabilité de la méthode au-delà des fonctions de distance signée.

5. Signification et Revendications

L'article affirme que l'OA-CBF fournit un mécanisme traitable pour résoudre le compromis entre sécurité et performance dans le contrôle basé sur les CBF. En traitant le modèle appris comme un évaluateur sensible à l'incertitude plutôt que comme un générateur direct, le cadre rejette explicitement les mises à jour non fiables ou dangereuses avant qu'elles ne soient appliquées.

Les auteurs soulignent que la méthode :

• Réduit le Conservatisme : Elle permet au système d'opérer plus près des frontières de l'ensemble sûr lorsque les conditions le permettent, contrairement aux paramètres fixes conservateurs.
• Assure la Robustesse : Grâce à la calibration conforme et à l'écran CVaR, elle atténue les risques associés à l'excès de confiance des réseaux de neurones et aux décalages de distribution.
• Se Généralise : Elle est efficace à travers diverses dynamiques (du unicycle aux aéronefs VTOL) et différentes formulations de CBF (basées sur la distance ou sur la vitesse relative).

L'article conclut avec modestie, reconnaissant que la qualité de l'adaptation dépend de la couverture des données d'entraînement hors ligne et que le déploiement matériel nécessitera des travaux supplémentaires pour traiter les erreurs de détection, les dynamiques non modélisées et la latence d'optimisation en temps réel.