Diffusion-SAFE: Diffusion-Native Human-to-Robot Driving Handover for Shared Autonomy

Each language version is independently generated for its own context, not a direct translation.

Imaginez que vous conduisez une voiture de course sur un circuit très difficile. Vous êtes un excellent conducteur, mais parfois, vous êtes fatigué, distrait, ou vous prenez un virage un peu trop vite. C'est là qu'intervient Diffusion-SAFE, un système d'assistance intelligent qui agit comme un copilote de sécurité invisible.

Voici comment cela fonctionne, expliqué simplement avec des images du quotidien :

1. Le Problème : Le "Mélange Dangereux"

Dans les voitures autonomes actuelles, quand le système décide de reprendre le contrôle, il y a souvent deux mauvaises options :

Le "Switch" brutal : Le système coupe votre volant et prend le contrôle instantanément. C'est comme si quelqu'un vous arrachait le volant des mains d'un coup sec. C'est effrayant et inconfortable.
Le "Mélange" dangereux : Le système essaie de faire la moyenne entre votre direction et la sienne. Imaginez que vous tournez à gauche pour éviter un obstacle, et que le système tourne à droite pour la même raison. Si on fait la moyenne des deux, la voiture va tout droit... vers l'obstacle ! C'est ce que les chercheurs appellent le piège du "mélange non sûr".

2. La Solution : Diffusion-SAFE

Cette nouvelle méthode utilise une technologie appelée modèle de diffusion (la même technologie qui crée des images artistiques à partir de bruit). Voici l'analogie pour comprendre :

A. Le "Détective" (L'Évaluateur)

Imaginez un détective assis à côté de vous qui observe vos mouvements depuis les 20 dernières secondes.

Il ne se contente pas de regarder où vous êtes, il essaie de deviner ce que vous allez faire dans les 30 prochaines secondes.
Il imagine plusieurs scénarios : "Si je continue comme ça, je vais sortir de la route."
S'il voit un danger imminent, il sonne l'alarme : "Attention ! On va percuter !"

B. Le "Copilote Expert" (Le Copilote)

C'est un pilote de course virtuel qui connaît parfaitement le circuit.

Contrairement aux anciens systèmes, il ne se contente pas de suivre une règle rigide. Il utilise un guide de sécurité (une carte invisible qui dit "ici c'est sûr, là c'est interdit").
Quand il génère un plan de conduite, il "pousse" doucement la voiture vers les zones sûres, comme un aimant qui attire la voiture loin des murs.

C. La Magie : Le "Filtre de Sécurité" (La Transition Douce)

C'est ici que la méthode est géniale. Au lieu de couper le contrôle ou de faire une moyenne dangereuse, le système utilise un filtre progressif (le "knob" ou bouton de contrôle).

Imaginez que votre plan de conduite est une photo floue que vous avez prise. Le copilote a une photo nette et parfaite du trajet idéal.

Le système prend votre "photo floue" (votre intention humaine).
Il la "bruite" un tout petit peu (comme si on ajoutait du grain à la photo).
Ensuite, il laisse le copilote "débruité" l'image pour la rendre claire, mais en gardant une partie de votre style original.
Le bouton magique ( $\rho$ ) :
- Si le danger est faible, le bouton est à 10% : on garde 90% de votre conduite, on ajuste juste un tout petit peu.
- Si le danger est grand, le bouton monte à 80% : on garde 20% de votre intention, mais on laisse le copilote prendre le relais pour éviter l'accident.
- Si le danger est critique, le bouton est à 100% : le copilote prend le contrôle total, mais de manière fluide, comme si vous aviez glissé doucement vers lui.

3. Pourquoi c'est mieux ?

Pas de mélange dangereux : Comme le système travaille sur le "plan" (l'idée du trajet) et non sur le "mouvement" (le volant), il évite le piège de faire une moyenne qui mène à l'accident.
Fluide comme de l'eau : Le passage de vos mains à celles du robot est progressif. Vous ne sentez pas de secousse.
Apprentissage par l'exemple : Le système a appris en regardant des humains conduire (pour comprendre vos intentions) et des experts conduire (pour savoir comment éviter les accidents). Il n'a pas besoin de règles écrites à la main.

En résumé

Diffusion-SAFE est comme un co-pilote de course ultra-intelligent. Il ne vous vole pas le volant brutalement. Il vous observe, devine si vous allez faire une bêtise, et si c'est le cas, il glisse doucement ses mains sur les vôtres pour corriger la trajectoire, en gardant votre style de conduite tant que c'est sûr, mais en vous sauvant la mise dès que le danger apparaît.

Les tests ont montré que cela fonctionne très bien, aussi bien sur des simulations informatiques que sur une vraie voiture de course, avec un taux de réussite de plus de 90% pour éviter les accidents tout en restant confortable pour le conducteur.

Each language version is independently generated for its own context, not a direct translation.

Titre : Diffusion-SAFE : Transfert de contrôle humain-robot natif par diffusion pour l'autonomie partagée

1. Problématique

L'autonomie partagée en conduite vise à permettre une collaboration fluide entre un humain et un agent assistif. Cependant, ce domaine fait face à trois défis majeurs :

Prédiction du comportement humain : Le comportement humain est multimodal, incohérent et peut changer brusquement, rendant la détection des risques difficile.
Transfert de contrôle lisse et sûr : Les méthodes actuelles utilisent souvent un "mélange" (blending) au niveau des actions (interpolaire entre les commandes humaines et robotiques). Or, l'ensemble des actions sûres en conduite est souvent non convexe. Mélanger deux actions sûres individuellement (ex: tourner à gauche et à droite pour éviter un obstacle) peut produire une action dangereuse (ex: aller tout droit vers l'obstacle). C'est ce que les auteurs appellent le piège du "mélange non sûr" (mixed-unsafe pitfall).
Déclenchement réactif : Les stratégies actuelles reposent sur des seuils statiques ou des signaux immédiats (regard, posture) sans capacité prédictive à long terme.

2. Méthodologie : Diffusion-SAFE

Les auteurs proposent Diffusion-SAFE, un cadre en boucle fermée basé sur deux modèles de diffusion (modèles génératifs) qui opèrent dans l'espace des plans (trajectoires futures) plutôt que dans l'espace des actions instantanées.

A. Architecture du système
Le système utilise deux modèles de diffusion distincts :

L'Évaluateur (Evaluator) : Un prédicteur d'intention humaine multimodal.
- Entrée : Historique des observations ( $O_t$ ) et des actions humaines passées ( $A^H_t$ ).
- Fonction : Génère plusieurs hypothèses de trajectoires futures pour estimer la probabilité de risque.
- Déclenchement : Calcule un score de risque probabiliste. Si la probabilité que l'intention humaine mène à une zone dangereuse dépasse un seuil $\eta$ , l'assistance est activée.
Le Copilote (Copilot) : Un planificateur expert guidé par la sécurité.
- Entrée : Uniquement les observations ( $O_t$ ).
- Fonction : Génère des plans sûrs.
- Guidage de sécurité : Utilise un certificat de sécurité basé sur une carte (champ de distance signée - SDF) pour guider le processus de débruitage (reverse process) du modèle de diffusion. Le gradient du coût de sécurité est injecté à chaque étape de débruitage pour orienter la trajectoire vers des régions sûres ( $V(p) > 0$ ).

B. Mécanisme de transfert : La Diffusion Partielle
C'est l'innovation centrale de l'article. Au lieu de mélanger les actions ou de basculer brutalement, le transfert de contrôle s'effectue via une diffusion partielle :

Lorsqu'un risque est détecté, le plan humain est soumis à un processus de diffusion "avant" (ajout de bruit) sur $k_\rho$ étapes.
Le copilote guidé par la sécurité reprend ensuite le processus de débruitage à partir de ce niveau de bruit intermédiaire jusqu'à l'état final (plan propre).
Le ratio de diffusion $\rho$ ( $= k_\rho / K$ ) agit comme un bouton de contrôle continu :
- $\rho \approx 0$ : Le plan reste proche de l'intention humaine.
- $\rho \to 1$ : Le plan est entièrement généré par le copilote expert.
Ce mécanisme permet une transition lisse tout en garantissant que le plan final reste dans l'ensemble des actions sûres, évitant ainsi le problème de non-convexité du mélange d'actions.

3. Contributions Clés

Cadre d'autonomie partagée en boucle fermée : Intégration d'un évaluateur de risque multimodal et d'un copilote guidé par la sécurité, tous deux basés sur des modèles de diffusion.
Mécanisme de transfert natif par diffusion : Une approche qui opère dans l'espace des plans (plan space) via une diffusion partielle, éliminant le besoin de mélange d'actions et garantissant la sécurité même dans des espaces d'actions non convexes.
Validation expérimentale rigoureuse : Tests réalisés à la fois en simulation (environnement CarRacing-v2) et sur un véhicule réel (voiture de course ROS avec système de capture de mouvement OptiTrack).

4. Résultats

Les expériences démontrent la supériorité de Diffusion-SAFE par rapport aux méthodes de référence (mélange simple, commutation dure, LSTM-GMM, Transformers) :

Taux de réussite du transfert de contrôle :
- Simulation : 93,0 %
- Réel : 87,0 %
Sécurité : Le taux de violation de sécurité (collision ou sortie de route) reste inférieur à 3 % en simulation et 5 % en réel, même avec des ratios de diffusion intermédiaires. Les méthodes de mélange simple échouent souvent (16 % de collisions en simulation).
Fluidité (Jerk) : Le transfert de contrôle est significativement plus lisse que la commutation dure (réduction du "jerk" d'un facteur 6,5 par rapport à la commutation brutale).
Fidélité : Le système préserve l'intention humaine autant que possible, ne corrigeant que les éléments dangereux.
Ablations : Les études montrent que ni le guidage de sécurité seul, ni la diffusion partielle seule, ne suffisent ; leur combinaison est cruciale pour la performance.

5. Signification et Perspectives

Impact Théorique : L'article démontre que les modèles de diffusion peuvent être utilisés non seulement pour la génération de trajectoires, mais aussi pour la sécurité active via le guidage par gradient pendant le processus inverse. Cela résout le problème fondamental de la non-convexité des ensembles d'actions sûres en évitant le mélange d'actions.
Impact Pratique : La méthode permet une transition transparente entre l'humain et la machine, essentielle pour l'acceptation des systèmes d'autonomie partagée, tout en garantissant une sécurité robuste.
Limitations et Futur : Le cadre actuel suppose des cartes connues et des observations 2D. Les travaux futurs visent à étendre les certificats de sécurité à la perception 3D (LiDAR), à apprendre les certificats directement à partir des données (pour des environnements inconnus) et à adapter dynamiquement le ratio $\rho$ en fonction de la sévérité du risque.

En résumé, Diffusion-SAFE propose une solution élégante et mathématiquement fondée pour concilier sécurité, fluidité et intention humaine dans les systèmes de conduite autonome partagée, en exploitant les propriétés uniques des modèles de diffusion.