⚡ electrical engineering

Lies We Can Trust: Quantifying Action Uncertainty with Inaccurate Stochastic Dynamics through Conformalized Nonholonomic Lie groups

Cet article introduit les ensembles de prédiction par action de groupe de Lie conformes (CLAPS), un algorithme de prédiction conforme sensible à la symétrie qui fournit des garanties probabilistes non asymptotiques et sans distribution pour les configurations de systèmes sur des groupes de Lie non euclidiens comme SE(2), surpassant les méthodes existantes basées sur l'espace euclidien en termes d'efficacité de volume et de représentation de l'incertitude.

Auteurs originaux : Luís Marques, Maani Ghaffari, Dmitry Berenson

Publié 2026-08-25

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Luís Marques, Maani Ghaffari, Dmitry Berenson

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Les robots qui se déplacent dans le monde, des robots de livraison naviguant sur les trottoirs aux drones serpentant à travers les forêts, s'appuient sur des modèles mathématiques pour deviner où ils se trouveront une fraction de seconde après avoir bougé. Ces modèles ne sont jamais parfaits. Le monde réel est désordonné : les roues glissent sur le pavé mouillé, les batteries perdent de la puissance et des rafales de vent inattendues poussent un véhicule hors de sa trajectoire. En raison de ces imperfections, la prédiction par un robot de sa position future est toujours une supposition, pas une certitude. Pour fonctionner en toute sécurité, un robot doit savoir non seulement où il pense qu'il ira, mais aussi quelle marge d'erreur prévoir. S'il est trop confiant, il pourrait percuter un mur qu'il pensait éviter. S'il est trop prudent, il pourrait refuser de bouger du tout, paralysé par la peur d'une erreur improbable. Le défi pour les ingénieurs est de tracer un contour autour de cette supposition — une zone suffisamment étroite pour être utile à la planification, mais assez large pour garantir que le robot restera réellement à l'intérieur, même lorsque les choses tournent mal.

Une équipe de chercheurs de l'Université du Michigan a développé une nouvelle façon de tracer ces limites de sécurité, spécifiquement pour les robots qui se déplacent avec les contraintes de la physique réelle, tels que les voitures qui ne peuvent pas glisser latéralement ou les robots qui doivent tourner pour changer de direction. Leur méthode, qu'ils appellent CLAPS, utilise une technique statistique appelée prédiction conforme pour calibrer l'incertitude du robot. Au lieu de supposer que les erreurs suivent un schéma simple et prévisible comme une courbe en cloche, cette approche apprend d'un ensemble de données de mouvements passés pour déterminer exactement comment le robot pourrait dévier. Les chercheurs ont découvert qu'en respectant la géométrie spécifique de la façon dont ces robots se déplacent, ils pouvaient créer des zones de sécurité nettement plus petites et plus précises que celles produites par les méthodes existantes. Lors de tests avec des robots simulés et un robot physique se déplaçant sur un sol, leur approche a réussi à contenir la position réelle du robot à l'intérieur de la zone prédite au taux souhaité, tout en utilisant moins d'espace que les techniques précédentes.

Le cœur du problème réside dans la manière dont les robots représentent leur position. De nombreuses méthodes standards traitent la position d'un robot comme un simple point sur une grille plate, comme un point sur une feuille de papier millimétré. Cela fonctionne bien pour des mouvements simples, mais cela échoue à capturer la réalité des robots qui ont des comportements de rotation et de glissement complexes. Lorsqu'un robot tourne, son chemin s'incurve d'une manière qu'une grille plate ne peut pas facilement décrire sans créer des zones de sécurité énormes et inutiles. Les chercheurs ont réalisé que ces robots se déplacent sur une surface mathématique courbe, similaire à la façon dont un point sur une sphère se déplace différemment d'un point sur un plan plat. En traitant le mouvement du robot comme se déroulant sur cette surface courbe, ils ont pu définir l'incertitude d'une manière qui s'adapte naturellement à son mouvement.

Pour tester cette idée, l'équipe a d'abord construit un ensemble de données de milliers de mouvements de robots. Ils ont pris un robot simulé, le JetBot, et un robot réel, le MBot, et leur ont ordonné de se déplacer de diverses manières. Pour chaque commande donnée, ils ont enregistré où le robot a réellement fini par se trouver par rapport à l'endroit où son modèle interne prédisait qu'il irait. Cette collection de différences a servi d'ensemble de calibration. Les chercheurs ont ensuite appliqué leur nouvel algorithme à ces données. L'algorithme a calculé un score spécifique pour chaque mouvement qui mesurait à quel point la prédiction était erronée, en tenant compte des contraintes spécifiques de rotation et de glissement du robot. En analysant la distribution de ces scores, l'algorithme a déterminé un facteur d'échelle qui ajustait la taille de la zone de sécurité juste assez pour garantir qu'elle capterait la position réelle du robot avec une haute probabilité.

Les résultats ont montré un avantage clair pour la nouvelle méthode. Dans les simulations, les chercheurs ont comparé leur approche à sept autres techniques courantes. Les anciennes méthodes produisaient souvent des zones de sécurité soit trop grandes pour être utiles, soit trop petites pour être sûres. Par exemple, certaines méthodes créaient des zones de sécurité qui ressemblaient à des cercles ou des ellipses parfaits, ce qui est facile à calculer mais ne correspond pas à la forme réelle des erreurs du robot. Ces formes incluaient souvent des zones où le robot ne pourrait jamais aller, gaspillant de l'espace, ou manquaient des zones où il était réellement susceptible de finir. La nouvelle méthode, en revanche, produisait des zones de sécurité qui ressemblaient à des régions courbes, en forme de banane. Ces formes suivaient le chemin naturel de l'incertitude du robot, enveloppant étroitement les résultats les plus probables sans inclure les résultats impossibles.

Lorsque les chercheurs ont mesuré la taille de ces zones, la différence était significative. La nouvelle méthode produisait des zones de sécurité qui étaient, en moyenne, plus petites que celles de la méthode calibrée la plus performante suivante. Dans les expériences matérielles avec le véritable MBot, la nouvelle approche a créé des zones 23 % plus petites en moyenne que la méthode standard, et dans certains cas jusqu'à 75 % plus petites. Malgré leur petite taille, les nouvelles zones ont tout de même réussi à contenir la position réelle du robot au taux que les chercheurs avaient fixé comme objectif. Cela signifie que le robot peut être plus précis dans sa planification, lui permettant de naviguer dans des espaces plus restreints ou de se déplacer plus rapidement sans augmenter le risque de collision. Les chercheurs ont également vérifié que leur méthode fonctionnait correctement même lorsque le modèle interne du robot était imparfait ou lorsque l'environnement introduisait des perturbations inattendues.

Cette étude souligne un changement dans la manière dont les ingénieurs pourraient aborder la sécurité des robots. Plutôt que de s'appuyer sur des hypothèses rigides sur le comportement des erreurs, ou d'utiliser des estimations excessivement conservatrices qui limitent les capacités d'un robot, cette approche utilise les données pour apprendre la véritable forme de l'incertitude. Elle reconnaît que le monde est complexe et que le mouvement d'un robot est contraint par la physique d'une manière que les grilles simples ne peuvent capturer. En respectant ces contraintes, les chercheurs ont pu créer un outil qui est à la fois mathématiquement rigoureux et pratiquement efficace. Ce travail suggère que les futurs robots pourraient naviguer plus sereinement dans des environnements dynamiques, en sachant exactement l'espace dont ils ont besoin pour opérer en toute sécurité. Les chercheurs ont rendu leur code et leurs données disponibles pour les autres, invitant la communauté élargie à bâtir sur cette méthode pour une large gamme de systèmes robotiques.

Résumé Technique : Ensembles de Prédiction d'Action sur Groupes de Lie Conformes (CLAPS)

Énoncé du Problème
Les systèmes robotiques opérant dans des environnements stochastiques dépendent de modèles de dynamique imparfaits pour prédire les configurations futures. Ces inexactitudes proviennent à la fois de l'incertitude aléatoire (stochasticité irréductible comme les perturbations externes ou le glissement des roues) et de l'incertitude épistémique (simplifications de modèles, décalages de domaine ou données limitées). Bien que des méthodes d'apprentissage et des outils classiques de sécurité critique existent, ils manquent souvent de garanties probabilistes rigoureuses et sans distribution. Les approches traditionnelles supposent fréquemment des distributions d'erreurs spécifiques (par exemple, gaussiennes) ou reposent sur des estimations d'incertitude non calibrées, ce qui est insuffisant pour un contrôle sûr. De plus, les méthodes de Prédiction Conforme (CP) existantes, qui offrent des garanties probabilistes non asymptotiques, traitent généralement les configurations de robots comme des vecteurs euclidiens. Cette approche est sous-optimale pour les systèmes avec des espaces de configuration non euclidiens (par exemple, $SE(2)$ ou $SE(3)$ ), ce qui entraîne souvent des régions de prédiction excessivement conservatrices et peu efficaces en termes de volume, échouant à capturer la symétrie et la géométrie intrinsèques du système.

Méthodologie
Les auteurs proposent les Conformal Lie-group Action Prediction Sets (CLAPS), un algorithme sensible à la symétrie qui construit des ensembles de prédiction garantis de contenir la véritable configuration du système avec une probabilité définie par l'utilisateur $(1-\alpha)$ , quelle que soit la fidélité du modèle de dynamique approximatif.

Cadre Théorique : La méthode convertit rigoureusement la dynamique de l'espace d'état (SS) non holonome sous forme de groupe de Lie. En utilisant les équations de l'Euler-Poincaré-Suslov forcées, l'état du système est représenté par $(g, \xi) \in G \times \mathfrak{g}$ , où $G$ est un groupe de Lie (par exemple, $SE(2)$ ) et $\mathfrak{g}$ est son algèbre de Lie. Cela permet de propager l'incertitude le long de la variété de contrainte tout en respectant l'inertie et les contraintes non holonomes du système.
Score Sensible à la Symétrie : Contra à la CP standard qui utilise des distances euclidiennes, CLAPS définit un score de non-conformité basé sur la distance de Mahalanobis dans les coordonnées exponentielles (l'algèbre de Lie). Le score $r_1$ mesure le désaccord entre la configuration prédite $\tilde{g}_1$ et la configuration réelle $g_1$ en utilisant la différence de groupe :
$r_1(g; \tilde{g}_1, \tilde{\Sigma}_1) = \sqrt{\log(\tilde{g}_1^{-1} g)^T \tilde{\Sigma}_1^{-1} \log(\tilde{g}_1^{-1} g)}$
Ici, $\tilde{\Sigma}_1$ représente la covariance de l'incertitude estimée dans le référentiel lié au corps.
Calibration et Garanties : En utilisant un ensemble de données de calibration des transitions d'état, l'algorithme calcule un facteur d'échelle conforme $\zeta$ . Ce facteur met à l'échelle la covariance approximative pour produire une région calibrée dans l'algèbre de Lie. À travers une série de théorèmes, les auteurs prouvent que la projection de cette région calibrée vers l'espace de configuration $Q$ via la carte cinématique et l'exponentielle de groupe produit un ensemble $C_q$ qui satisfait :
$P(q_1 \in C_q) \geq (1-\alpha)$
Cette garantie est non asymptotique et est valide pour les incertitudes tant aléatoires qu'épistémiques, sans nécessiter d'hypothèses fortes sur la distribution du bruit.
Application Aval : L'ensemble calibré peut être utilisé pour un contrôle sûr en vérifiant si une configuration se trouve dans l'ensemble ou en reconstruisant la frontière de l'ensemble dans l'espace de configuration (ou l'espace de travail) pour l'évitement de collisions.

Principales Contributions

Clarification Théorique : Le papier fournit une explication concise et autonome de la conversion de la dynamique non holonome de l'Espace d'État vers la forme de groupe de Lie, comblant une lacune dans la littérature.
Développement d'Algorithme : L'introduction de CLAPS, un algorithme qui construit des ensembles de prédiction calibrés dépendants de l'état et de l'action dans $SE(2)$ . Ces ensembles contiennent de manière prouvable la configuration résultante malgré les inexactitudes du modèle et les perturbations stochastiques.
Efficacité Sensible à la Symétrie : En dérivant une métrique de score basée sur Lie et respectant la symétrie, la méthode produit des régions de prédiction plus petites (plus efficaces en volume) que les bases euclidiennes tout en maintenant la même couverture probabiliste.
Validation Empirique : Les auteurs valident l'approche via une simulation (Isaac Sim avec un JetBot) et des expériences matérielles (MBot), démontrant une efficacité de volume et une qualité de représentation supérieures par rapport aux bases de référence de l'état de l'art.
Open Source : L'implémentation pour les environnements réels et simulés est en open source.

Résultats
Des expériences ont été menées sur un JetBot simulé (625 essais de validation) et un MBot réel (4 511 essais de validation).

Couverture : Les méthodes non calibrées (SS EKF, InEKF) et les estimateurs basés sur les données (InEKF+2M, InEKF+MLE) n'ont pas réussi à satisfaire l'exigence de couverture de 90 % fixée par l'utilisateur. Toutes les méthodes de Prédiction Conforme, y compris CLAPS, ont atteint la couverture marginale requise (environ 90 %).
Efficacité de Volume : CLAPS a produit des régions de prédiction nettement plus efficaces. En simulation, CLAPS a obtenu le plus petit volume moyen de l'espace de configuration (C-space) parmi toutes les méthodes calibrées (ratio normalisé de 1,00) et l'Intersection-sur-Union (IoU) la plus élevée avec l'espace de travail par rapport aux particules de Monte Carlo (48,4 %), indiquant un meilleur ajustement à la véritable distribution d'incertitude.
Performance Matérielle : Sur le MBot, CLAPS a produit des régions en moyenne 23 % plus petites que la base de référence CP euclidienne (SS EKF + CP) et jusqu'à 75 % plus petites dans certains cas spécifiques, tout en respectant la garantie de couverture de 90 %.
Coût Computationnel : L'étape de prédiction en ligne est efficace (0,02 s par action), et la calibration hors ligne est rapide (0,14 s).

Signification et Revendications
Le papier affirme que CLAPS offre un cadre rigoureux et sans distribution pour la quantification de l'incertitude dans les systèmes robotiques non euclidiens. En exploitant la structure géométrique des groupes de Lie, la méthode surmonte les limites du traitement des configurations de robots comme de simples points euclidiens. Les auteurs soutiennent que cela conduit à des "régions de prédiction plus efficaces en volume" qui représentent mieux l'incertitude sous-jacente que les approches existantes. Cette amélioration est significative pour les tâches aval comme la planification et le contrôle sûrs, car des régions de prédiction plus serrées permettent un ensemble plus large d'actions probabilistiquement sûres, améliorant potentiellement la vitesse et la performance des tâches sans compromettre les garanties de sécurité. Ce travail étend les garanties de Prédiction Conforme précédentes des espaces euclidiens aux robots dont les configurations sont dans $SE(2)$ , comblant un écart critique dans l'application de garanties de sécurité statistique aux systèmes robotiques non holonomes et stochastiques.

Résumé Technique : Ensembles de Prédiction d'Action sur Groupes de Lie Conformes (CLAPS)

Articles similaires