Position-Based Flocking for Persistent Alignment without Velocity Sensing

1. Problématique

Les comportements collectifs naturels, tels que les vols d'oiseaux ou les bancs de poissons, inspirent le développement de la robotique en essaim. Cependant, la modélisation de ces comportements pose un défi majeur pour les systèmes robotiques réels : la dépendance aux informations de vitesse.

• Limites des modèles existants : Les modèles classiques (comme les Boids de Reynolds ou le modèle de Vicsek) reposent souvent sur l'alignement des vitesses, nécessitant soit des capteurs de vitesse directs (souvent bruyants ou indisponibles), soit une estimation de la vitesse par différenciation temporelle des positions (ce qui amplifie le bruit des capteurs).
• Le besoin : Il existe un besoin critique de modèles d'essaimage robustes capables de maintenir un alignement directionnel cohérent sur de longues périodes en utilisant uniquement des données de position, sans mesure de vitesse explicite, tout en évitant la dégradation de l'alignement au fil du temps.

2. Méthodologie

L'article propose un modèle d'essaimage basé uniquement sur la position qui approxime les différences de vitesse relatives à partir des changements de positions relatives.

A. Approximation de la vitesse par la position

Au lieu d'utiliser $v_j - v_i$ (différence de vitesse), le modèle approxime cette grandeur en utilisant la dérivée temporelle de la position relative :
$$v_j - v_i \approx \frac{(p_j - p_i) - (p_j(0) - p_i(0))}{t}$$
où $p(0)$ représente la position initiale. Cela permet d'inférer le mouvement relatif à partir de l'évolution de la configuration spatiale, imitant les mécanismes biologiques où les agents infèrent le mouvement via des repères visuels locaux plutôt que par mesure métrique directe.

B. Mécanisme de persistance (Seuil temporel)

Une limitation de l'approximation ci-dessus est que le gain d'alignement ($1/t$) tend vers zéro lorsque $t \to \infty$, ce qui entraînerait une perte progressive de l'alignement. Pour résoudre cela, les auteurs introduisent un gain d'alignement dépendant du temps et de la densité avec un seuil non nul :

• Phase transitoire ($0 < t \le 1/k$) : Le gain décroît comme $|N_i|/t$, permettant une coordination rapide basée sur l'impression initiale des positions relatives (effet de "mémoire faible").
• Phase persistante ($t > 1/k$) : Le gain se stabilise à une valeur constante $k|N_i|$. Cela garantit un alignement persistant indéfiniment, simulant un mécanisme de "renforcement social" observé dans les groupes animaux.

C. Loi de commande

La commande de contrôle $u_i$ pour chaque agent intègre :

1. Un terme de cohésion-séparation basé sur la distance (gain $\psi$).
2. Un terme d'alignement positionnel modifié par le gain $\phi$ (qui bascule de $1/t$ à une constante).
   L'équation finale (5) combine ces éléments pour produire un comportement de vol cohérent sans nécessiter de communication de vitesse.

3. Contributions Clés

• Modèle d'alignement sans vitesse : Développement d'une loi de contrôle qui atteint un alignement de vitesse persistant en utilisant exclusivement des mesures de position relatives.
• Mécanisme de seuil adaptatif : Introduction d'un gain d'alignement à deux régimes (transitoire décroissant et persistant constant) pour prévenir l'effondrement de la cohérence directionnelle à long terme.
• Interprétation biologique : Démonstration que l'alignement peut émerger de relations spatiales persistantes et de l'anticipation des mouvements, plutôt que d'un appariement de vitesses explicite.
• Validation expérimentale : Réalisation de simulations à grande échelle et d'expériences physiques avec un essaim de neuf robots mobiles réels (GRITSBots) dans un banc d'essai Robotarium.

4. Résultats

Simulations (50 agents)

• Alignement : Le modèle avec seuil (P-based (thr.)) atteint un score d'alignement ($\gamma \approx 1$) plus rapide et le maintient de manière stable, contrairement au modèle basé sur la vitesse (V-based) dont la direction collective oscille, et au modèle sans seuil dont l'alignement se dégrade avec le temps.
• Formation : Le modèle proposé génère des formations plus compactes (distances inter-agents de 1,5 à 2 m contre 2 à 3 m pour le modèle V-based) et directionnellement stables.
• Rigidité : Bien que le modèle ne maintienne pas une formation rigide parfaite (la variance des distances augmente légèrement), il conserve une cohésion de groupe forte, imitant les structures en V ou en J observées chez les oiseaux migrateurs.

Expériences Réelles (9 robots)

• Les robots ont réussi à former un essaim cohérent et directionnel dans un espace restreint.
• Malgré les imprécisions d'actionnement et le bruit des capteurs (système Vicon), le score d'alignement est resté élevé et stable, confirmant la robustesse de l'approche face aux incertitudes du monde réel.

5. Signification et Impact

• Robustesse pour la robotique : Cette approche est particulièrement adaptée aux essaims robotiques réels où les mesures de vitesse sont bruyantes, coûteuses ou impossibles à obtenir (ex: drones sans GPS précis, robots sous-marins). Elle réduit également la bande passante de communication nécessaire (pas d'échange de vecteurs vitesse).
• Inspiration biologique : Le modèle valide l'hypothèse selon laquelle les systèmes biologiques peuvent maintenir une coordination complexe via des indices positionnels et une "mémoire" des configurations initiales, plutôt que par un calcul de vitesse instantanée.
• Applications futures : Cette méthode ouvre la voie à des systèmes autonomes plus résilients capables de fonctionner dans des environnements dégradés, avec une capacité d'adaptation aux contraintes de communication et de capteurs.

En conclusion, l'article démontre qu'un alignement persistant et robuste peut être obtenu sans détection de vitesse, en exploitant intelligemment l'histoire des positions relatives et un gain d'alignement adaptatif, offrant ainsi une solution pratique et biologiquement plausible pour la coordination d'essaims robotiques.