Formation-Aware Adaptive Conformalized Perception for Safe Leader-Follower Multi-Robot Systems

Cet article propose une méthode de prédiction conforme adaptative et consciente de la formation, intégrée à un contrôleur CBF-QP, pour garantir la sécurité et le maintien de la visibilité dans les systèmes multi-robots leader-suiveur en présence d'erreurs de perception hétéroscédastiques.

L'essentiel

Imaginez une danse entre deux robots : l'un est le leader (le chef d'orchestre) et l'autre est le follower (le suiveur). Le robot suiveur doit garder une distance précise et une position spécifique par rapport au leader, tout en le gardant constamment dans le champ de vision de sa caméra. C'est un peu comme un élève qui suit un professeur dans un couloir, mais en plus rapide et avec des règles de sécurité très strictes.

Le problème, c'est que la caméra du robot n'est pas parfaite. Parfois, elle se trompe un peu sur la position du leader. Et pire encore, l'erreur n'est pas toujours la même :

• Si le leader est bien au centre de l'image, la caméra est très précise (comme si on regardait un objet de face).
• Si le leader est tout au bord de l'image, près de la limite de ce que la caméra peut voir, l'erreur devient énorme et imprévisible (comme essayer de deviner la forme d'un objet quand on ne voit que son coin).

Le Dilemme : Trop prudent ou pas assez ?

Pour éviter que le robot suiveur ne perde son leader ou ne se cogne, les chercheurs ont dû inventer une "zone de sécurité".

1. L'approche ancienne (trop prudente) : Imaginez que vous portiez des lunettes de soleil très sombres partout, même en plein soleil. Vous êtes sûr de ne jamais être ébloui, mais vous voyez mal et vous ne pouvez pas bouger vite. C'est ce que faisaient les anciennes méthodes : elles supposaient le pire scénario (l'erreur maximale) partout. Résultat : le robot bougeait très lentement et perdait souvent le leader parce qu'il avait peur de bouger.
2. L'approche naïve (pas assez prudente) : C'est comme conduire une voiture sans ceinture de sécurité en pensant que tout ira bien. Si le robot se trompe un tout petit peu près du bord de la caméra, il pense que tout va bien, mais en réalité, il est déjà hors de la zone de sécurité. Le robot perd alors le leader.

La Solution Magique : Le "Radar de Risque Adaptatif"

Les auteurs de cet article ont créé un système intelligent qu'on pourrait appeler un "Radar de Risque Adaptatif". Voici comment cela fonctionne, avec une analogie simple :

Imaginez que le robot porte un chapeau magique qui change de couleur selon la situation :

• Zone Verte (Sécurité) : Quand le leader est bien au centre de la caméra, le chapeau est vert. Le robot sait que sa vision est bonne. Il se dit : "Je peux me fier à mes yeux, je peux aller vite et rester proche du leader." La zone de sécurité est petite, ce qui permet au robot d'être agile.
• Zone Rouge (Danger) : Quand le leader s'approche du bord de l'image, le chapeau devient rouge. Le robot sait que sa vision devient floue et dangereuse. Il se dit : "Attention ! Je ne suis plus sûr de l'endroit exact où est le leader. Je dois élargir ma zone de sécurité et ralentir pour ne pas le perdre."

Ce système utilise une technique mathématique appelée "Conformal Prediction" (Prédiction Conformée), mais en la rendant intelligente. Au lieu d'avoir une seule règle pour tout le monde, il divise l'espace en plusieurs "zones de risque" (comme les zones de vitesse sur une autoroute : 50 km/h en ville, 130 km/h sur l'autoroute).

Comment ça marche concrètement ?

1. Apprentissage : Avant de commencer la danse, le robot regarde des milliers d'anciennes vidéos pour apprendre : "Quand le leader est ici, je me trompe de 1 cm. Quand il est là-bas, je me trompe de 10 cm."
2. Adaptation en temps réel : Pendant la danse, le robot regarde où est le leader.
   • S'il est au centre, le robot utilise une marge de sécurité étroite (il est précis et rapide).
   • S'il est près du bord, le robot élargit immédiatement sa marge de sécurité (il devient prudent).
3. Le Frein Intelligent : Le robot a un "frein d'urgence" mathématique (appelé CBF-QP). Si la marge de sécurité s'élargit trop, le frein agit doucement pour ralentir le robot, mais seulement si c'est vraiment nécessaire. Cela évite de bloquer le robot inutilement.

Le Résultat

Grâce à cette méthode, les robots :

• Ne perdent plus leur leader (taux de réussite de 95% contre 4% pour les méthodes anciennes !).
• Bougent plus vite et plus fluidement car ils ne sont pas bloqués par une peur excessive.
• Sont sûrs car ils savent exactement quand ils doivent être prudents.

En résumé, c'est comme donner au robot un sixième sens qui lui dit : "Ici, tu peux courir. Là-bas, ralentis et fais attention." Cela permet à des robots de travailler ensemble de manière sûre et efficace, même dans des environnements complexes où la vision n'est pas parfaite.

Résumé technique

Voici un résumé technique détaillé de l'article « Formation-Aware Adaptive Conformalized Perception for Safe Leader–Follower Multi-Robot Systems » en français.

1. Problématique

L'article aborde le problème de la sécurité de la perception dans les systèmes multi-robots distribués de type « leader-suiveur » basés sur la vision. Dans ces architectures, les robots suiveurs doivent maintenir une formation désirée en estimant l'état relatif par rapport au leader à l'aide de capteurs embarqués (caméras), tout en s'assurant que le leader reste dans le champ de vision (FOV) de la caméra.

Les défis majeurs identifiés sont :

• Hétéroscédasticité des erreurs : Les erreurs de perception ne sont pas constantes ; elles augmentent considérablement lorsque le leader s'approche des limites du champ de vision (bords de l'image) et diminuent au centre.
• Couplage dynamique : La sécurité dépend à la fois de la dynamique du véhicule et des contraintes de visibilité.
• Limites des approches existantes :
  • Les méthodes de contrôle par barrière (CBF) classiques supposent un retour d'état exact, ce qui est faux en présence d'incertitudes de perception.
  • Les approches robustes (pire cas) sont trop conservatrices, réduisant inutilement l'espace de contrôle faisable.
  • Les approches de prédiction conforme (CP) standard utilisent une borne d'erreur globale unique. Cela impose une marge de sécurité excessive dans les zones à faible risque (limitant la mobilité) et peut être insuffisant dans les zones à haut risque (près des limites du FOV) où les erreurs sont plus lourdes.

2. Méthodologie Proposée

Les auteurs proposent un cadre distribué et adaptatif nommé « Formation-Aware Adaptive Conformalized Perception ». L'architecture intègre trois composantes principales :

A. Prédiction Conforme Mondrian à Conscience du Risque (Risk-Aware Mondrian CP)

Au lieu d'utiliser une seule borne globale, la méthode partitionne l'espace d'état en plusieurs groupes de risque (Mondrian) basés sur la proximité aux limites de sécurité (FOV et portée).

• Partitionnement : L'espace d'état est divisé en régions (ex: faible, moyen, haut risque) selon une fonction de risque $h(x)$ mesurant la distance aux contraintes.
• Calibration conditionnelle : Pour chaque groupe de risque $r$, un niveau de couverture d'erreur spécifique $\delta_r$ est défini. Les groupes à haut risque (près des limites) reçoivent des bornes d'incertitude plus strictes (faible $\delta_r$), tandis que les groupes à faible risque reçoivent des bornes plus lâches.
• Résultat : Cela produit des quantiles d'incertitude conditionnels à l'état de la formation, reflétant la nature hétéroscédastique des erreurs.

B. Marges Adaptatives et Continues

Pour éviter les discontinuités lors du passage d'une région de risque à une autre (ce qui pourrait rendre le problème d'optimisation instable), les auteurs introduisent une marge de couverture lisse ($\tilde{q}_i$).

• Une interpolation linéaire est effectuée dans une zone tampon entre les seuils de risque.
• Cette marge continue garantit que la couverture probabiliste est préservée tout en assurant la continuité des contraintes pour le contrôleur.

C. Intégration dans un Filtre de Sécurité CBF-QP

Les bornes d'incertitude adaptatives sont intégrées dans une fonction de barrière conforme (Conformal CBF).

• Resserrement de la barrière : La fonction de barrière nominale $h(x)$ est resserrée en soustrayant la marge d'incertitude : $\tilde{h}(x) = h(x) - L_h \cdot \tilde{q}_i(x)$, où $L_h$ est la constante de Lipschitz.
• Optimisation Quadratique (QP) : À chaque pas de temps, un QP est résolu pour trouver l'entrée de contrôle $u$ qui minimise l'écart par rapport à la commande nominale tout en respectant la contrainte de barrière resserrée $\tilde{h}(x) \ge 0$.
• Garantie : Cela assure une invariance avant probabiliste de l'ensemble sûr, même avec des états estimés bruités.

3. Contributions Clés

1. Quantification Adaptative de l'Incertitude : Introduction d'un cadre Mondrian CP conditionné à l'état de formation, surmontant le conservatisme excessif des bornes globales.
2. Intégration CBF-QP Conforme : Développement d'un filtre de sécurité qui utilise des marges lisses et adaptatives pour garantir le respect strict des contraintes de FOV tout en maintenant la faisabilité de l'optimisation.
3. Validation Empirique : Démonstration par simulation que la méthode améliore le taux de réussite de la formation et la précision du suivi par rapport aux méthodes de base, tout en maintenant des garanties de sécurité probabilistes rigoureuses.

4. Résultats Expérimentaux

Les simulations ont été réalisées dans Gazebo avec deux robots hétérogènes (Husarion ROSbot 2 Pro et Clearpath Jackal) sur une piste en forme d'ovale.

• Taux de réussite :
  • Méthode proposée (Risk-Aware) : 95 % de réussite sur 100 essais.
  • Contrôleur nominal (sans incertitude) : 4 % (échec dû aux erreurs non modélisées).
  • CP Global Optimiste (borne faible risque) : 23 % (violations de sécurité près des limites).
  • CP Global Conservateur (borne haut risque) : 73 % (échecs dus à l'excès de conservatisme rendant le QP infaisable).
• Performance de suivi : La méthode proposée offre la meilleure précision de suivi (distance et angle) et un comportement transitoire supérieur, en particulier dans les segments à haut risque.
• Conservatisme : La taille de l'ensemble d'incertitude utilisé par la méthode proposée est significativement plus petite que celle de la borne globale conservatrice dans les zones à faible risque, permettant une meilleure agilité sans sacrifier la sécurité.

5. Signification et Impact

Ce travail comble un fossé critique entre les garanties de sécurité théoriques rigoureuses et la mobilité opérationnelle des robots autonomes. En reconnaissant que le risque de perception dépend de la configuration de la formation (et non seulement de la distribution globale des erreurs), l'approche proposée permet aux systèmes multi-robots de :

• Opérer plus près des limites de leurs capteurs sans compromettre la sécurité.
• Éviter les arrêts ou les comportements trop prudents inutiles dans des configurations sûres.
• Fournir des garanties de sécurité formelles (probabilistes) pour des systèmes d'estimation basés sur l'apprentissage profond (DNN), un domaine où les erreurs sont souvent difficiles à modéliser analytiquement.

En résumé, cette méthode permet de déployer des systèmes leader-suiveur plus robustes et performants dans des environnements dynamiques où la visibilité est une contrainte critique.