Response-Aware Risk-Constrained Control Barrier Function With Application to Vehicles

Cet article propose un cadre de contrôle unifié basé sur une fonction barrière de sécurité contrainte par le risque et consciente de la réponse, qui intègre l'apprentissage en ligne bayésien et la théorie de la valeur à risque conditionnelle pour garantir une sécurité probabiliste et des performances optimales des véhicules dans des conditions dynamiques incertaines.

L'essentiel

Imagine que vous conduisez un énorme camion minier de 45 tonnes sur un terrain accidenté, avec des routes glissantes et imprévisibles. Votre objectif est double : aller vite, suivre la route parfaitement, et surtout, ne pas verser.

C'est là que cette recherche intervient. Elle propose une nouvelle façon de piloter ces véhicules géants, qu'on pourrait appeler le "Système de Freinage Intuitif et Prudent".

Voici comment cela fonctionne, expliqué simplement :

1. Le Problème : La Carte n'est pas le Territoire

Normalement, les ordinateurs qui pilotent les camions utilisent une "carte" mathématique (un modèle) pour prédire comment le camion va bouger. C'est comme si le camion pensait : "Je suis sur du bitume sec, donc si je tourne, je vais tourner ainsi."

Mais en réalité, sur un chantier, le sol peut être boueux, glacé ou plein de cailloux. La "carte" est fausse. Si le camion se fie aveuglément à sa carte, il va glisser et se renverser. Les méthodes anciennes essaient d'être si prudentes qu'elles freinent tout le temps, ou alors elles sont trop confiantes et finissent par accident.

2. La Solution : Écouter le Camion, pas juste la Carte

L'idée géniale de ce papier est de ne pas seulement regarder la "carte", mais d'écouter ce que le camion ressent réellement.

Imaginez que vous marchez sur une glace fine. Vous ne regardez pas seulement la carte de la glace, vous sentez vos pieds glisser.

• L'approche traditionnelle : Regarde la carte, dit "Tout va bien", et continue de marcher vite.
• L'approche de ce papier (R²CBF) : Le camion dit : "Attends, je sens que je glisse un peu plus que prévu !". Le système ajuste immédiatement sa prudence.

3. La Magie des "Risques" (Le Parachute Intelligent)

Le système utilise une théorie mathématique appelée CVaR (Valeur à Risque Conditionnelle). Pour faire simple, c'est comme un parachute intelligent.

• Les méthodes anciennes disent : "Il faut être sûr à 100 % de ne jamais tomber." C'est trop effrayant ! Le camion ne bouge plus, il reste bloqué.
• Ce nouveau système dit : "Je suis prêt à accepter un tout petit risque (par exemple 2 chances sur 100) de frôler le danger, mais je vais couper court aux catastrophes majeures."

C'est comme un pilote de course qui sait qu'il peut frôler la barrière à 10 km/h sans danger, mais qui freine immédiatement s'il sent que la voiture va partir en tête-à-queue. Il accepte le risque calculé pour aller plus vite, tout en évitant l'accident grave.

4. L'Apprentissage en Direct (Le Camion qui Apprend)

Le plus cool, c'est que ce camion apprend en temps réel.
Imaginez un élève qui conduit. Au début, il ne connaît pas bien la route.

• S'il glisse un peu, le système se dit : "Ah, la route est plus glissante que je ne le pensais !".
• Il met à jour sa "mémoire" instantanément pour être plus prudent sur les virages suivants.

C'est comme si le camion avait un médiateur interne qui ajuste ses règles de sécurité à chaque seconde en fonction de la pluie, de la boue ou de la fatigue des pneus.

5. Le Résultat : Plus de Sécurité, Plus de Performance

Grâce à cette combinaison (écouter le camion + gérer le risque intelligent + apprendre en direct), les simulations montrent que :

• Le camion ne se renverse jamais (même sur des routes glissantes).
• Il suit la route beaucoup mieux que les anciens systèmes.
• Il ne freine pas inutilement, il garde sa vitesse.

En résumé :
C'est comme donner à un camion géant un sixième sens. Au lieu de suivre aveuglément un manuel d'instructions qui peut être faux, il "sent" la route, calcule le risque de chute comme un pilote de moto, et s'adapte instantanément pour être à la fois rapide et invulnérable. C'est la sécurité par l'intelligence, pas par la peur.

Résumé technique

1. Problématique

Les véhicules autonomes hors route, en particulier les camions lourds à entraînement distribué sur plusieurs essieux, opèrent dans des environnements non structurés présentant des défis de sécurité extrêmes. Ces véhicules, caractérisés par une masse élevée et un centre de gravité haut, sont sujets à des instabilités dynamiques (dérive latérale, renversement) sur des terrains imprévisibles (glissants, accidentés).

Les principaux obstacles aux stratégies de contrôle actuelles sont :

• Inadéquation Modèle-Environnement : Les modèles dynamiques nominaux (ex: modèle monocycle simplifié) divergent souvent de la réalité sur des surfaces non structurées en raison de l'incertitude des paramètres (adhérence du sol, rigidité des pneus). Les méthodes déterministes basées sur ces modèles échouent à garantir la sécurité lorsque les paramètres réels s'écartent des prévisions.
• Conflits Multi-objectifs : Il existe un conflit fondamental entre la précision du suivi de trajectoire (qui nécessite des commandes agressives) et la stabilité dynamique (qui nécessite des interventions conservatrices).
• Conservatisme Excessif : Les approches robustes classiques (basées sur des hypothèses de pire cas $L_\infty$) deviennent trop conservatrices face au bruit des capteurs, réduisant la zone de contrôle faisable et dégradant les performances de suivi, voire rendant le problème d'optimisation infaisable.
• Manque d'Adaptabilité : Les méthodes existantes peinent à s'adapter en temps réel aux changements de conditions (bruit des capteurs, variations de charge) sans identification précise et coûteuse des paramètres du sol.

2. Méthodologie : Le Cadre R²CBF

L'article propose un cadre de contrôle unifié basé sur la Fonction de Barrière de Contrôle Contrainte par le Risque et Consciente de la Réponse (R²CBF). L'objectif n'est pas une sécurité déterministe absolue (impossible physiquement), mais la quantification et le contrôle du risque de distribution de violation des limites de sécurité.

A. Modélisation de l'Incertitude Assistée par le Modèle

Au lieu de dépendre uniquement de l'estimation en ligne des coefficients d'adhérence, le cadre utilise une stratégie hybride :

1. Prédictions Nominales : Utilisation d'un modèle dynamique nominal (ex: modèle monocycle multi-essieux) pour fournir la direction de base des gradients de contrôle.
2. Modélisation Stochastique par Réponse : Construction directe d'un modèle de distribution stochastique basé sur les signaux de réponse réels du véhicule (angle de dérive $\beta$, vitesse de lacet $\omega_z$, accélération latérale $a_y$) mesurés par des capteurs (IMU, fusion de capteurs).
3. Propagation de l'Incertitude : Les erreurs de modèle et les bruits de capteurs sont propagés pour estimer la distribution de la dérivée de la fonction de barrière ($\dot{h}$), supposée suivre une loi normale via la méthode Delta.

B. Contraintes de Risque Conditionnel (CVaR)

Pour gérer les événements rares mais catastrophiques (ex: glissement soudain), l'article remplace les contraintes déterministes par des contraintes probabilistes basées sur la Valeur à Risque Conditionnelle (CVaR).

• Au lieu d'imposer $\dot{h} + \alpha(h) \ge 0$ pour tous les scénarios, le contrôleur impose :
  $$\text{CVaR}_{\beta_{risk}}[\dot{h} + \alpha(h)] \ge 0$$
• Cela signifie que la moyenne des pires cas (dans la queue de la distribution, au-delà d'un niveau de confiance $\beta_{risk}$) doit rester sûre. Cela permet de "tronquer" les conséquences catastrophiques tout en évitant le conservatisme excessif des méthodes de pire cas.

C. Apprentissage Bayésien en Ligne

Pour résoudre le problème de l'inconnue de la covariance du bruit des capteurs et des erreurs de modèle :

• Un mécanisme d'inférence Bayésienne utilisant une priori conjuguée de Wishart inverse est introduit.
• Le système met à jour en temps réel la covariance de l'incertitude ($\Sigma_r$) en se basant sur les résidus de prédiction (différence entre la mesure réelle et la prédiction du modèle).
• Un facteur d'oubli ($\lambda$) permet de s'adapter aux conditions changeantes (ex: transition d'un sol sec à un sol glissant).

D. Simplification de la Variance de Charge

Une contribution théorique majeure est la démonstration que l'inclusion explicite de la variance de la charge verticale ($F_z$) dans la propagation de l'incertitude conduit à une divergence mathématique (singularité) lorsque la charge est faible, en raison de la sensibilité non linéaire des barrières.

• Solution : Le cadre exclut le terme de variance de charge de la propagation directe.
• Justification : L'apprentissage Bayésien au niveau de la réponse (via les résidus) absorbe implicitement les effets de l'incertitude de la charge. Cela simplifie le problème tout en restant conservateur et sûr.

E. Formulation de l'Optimisation

Le problème de contrôle est formulé comme un Programme de Cône Second-Ordre (SOCP) unifié, intégrant :

• Une fonction de Lyapunov (CLF) pour le suivi de trajectoire.
• La contrainte R²CBF pour la sécurité.
• Des contraintes sur les actionneurs.
• Une résolution itérative via la Programmation Convexe Séquentielle (SCP) pour gérer la non-convexité introduite par le terme de variance dépendant de la commande.

3. Contributions Clés

1. Modélisation d'incertitude "Consciente de la Réponse" : Une stratégie qui fusionne les dynamiques nominales avec les distributions statistiques des réponses réelles, éliminant le besoin d'estimation en ligne précise de l'adhérence du sol.
2. Contraintes CVaR pour la Sécurité : Introduction de la CVaR dans les fonctions de barrière pour gérer le risque de queue (tail risk), offrant un compromis supérieur entre sécurité et performance par rapport aux méthodes déterministes ou de pire cas.
3. Apprentissage Bayésien Adaptatif : Un mécanisme d'identification en ligne de la covariance du bruit qui compense les écarts de paramètres a priori, améliorant l'adaptabilité aux conditions de route variables.
4. Preuve de Sécurité Probabiliste : Établissement de bornes théoriques sur la probabilité de violation de sécurité par étape (environ 2% pour un niveau de risque de 5%) et convergence vers des points KKT locaux.
5. Simplification Théorique de la Charge : Démonstration que l'apprentissage de la réponse suffit à capturer les effets de l'incertitude de charge, évitant ainsi des modèles de variance pathologiques.

4. Résultats de Simulation

Les performances ont été validées sur un simulateur haute fidélité TruckSim 2023 avec un camion minier lourd à six roues (45 tonnes). Deux scénarios extrêmes ont été testés :

1. Changement de voie double (ISO 3888-1) sur une route à adhérence aléatoire et hétérogène.
2. Suivi d'une trajectoire sinusoïdale à haute vitesse (72 km/h) sur une surface à faible adhérence ($\mu=0.5$).

Comparaison avec les méthodes de référence :

• Pure-CLF (Sans sécurité) : Perte totale de contrôle (dérive, renversement).
• CBF Classique (Déterministe) : Violations fréquentes des limites de sécurité car le modèle nominal ne correspond pas à la réalité.
• Robust-CBF (Pire cas) : Sécuritaire mais très conservateur, entraînant une erreur de suivi élevée et une activation excessive du contrôleur.
• R²CBF (Proposé) :
  • Sécurité : Zéro violation des limites de sécurité dans tous les scénarios.
  • Performance : Réduction de l'erreur de suivi latéral de 43 à 54 % par rapport au CBF classique et de 34 à 53 % par rapport au Robust-CBF.
  • Efficacité : Réduction du taux d'intervention du contrôleur (activation de la CBF) de 15 à 27 points de pourcentage par rapport aux méthodes robustes, indiquant un meilleur équilibre entre sécurité et agilité.
  • Marges de sécurité : Maintien de marges de sécurité élevées (souvent > 60-75 %) même dans des conditions dynamiques sévères.

Étude d'ablation :

• Sans CVaR (contrainte déterministe) : Dégradation significative de la sécurité et augmentation des erreurs de suivi.
• Sans apprentissage Bayésien (covariance fixe) : Échec complet du suivi de trajectoire car le contrôleur devient soit trop optimiste (violation de sécurité) soit trop conservateur (conduite en ligne droite pour éviter tout risque).

5. Signification et Impact

Ce travail représente une avancée significative pour le contrôle des véhicules lourds autonomes dans des environnements complexes.

• Paradigme de Sécurité : Il passe d'une approche de "sécurité absolue" (souvent impossible ou trop coûteuse) à une approche de "gestion du risque" quantifiable, permettant d'exploiter pleinement les capacités dynamiques du véhicule sans compromettre la sécurité.
• Robustesse Pratique : En éliminant la dépendance à l'estimation précise de l'adhérence du sol (un problème majeur en ingénierie), la méthode est plus facile à déployer sur des véhicules réels.
• Optimisation Multi-objectifs : La méthode démontre qu'il est possible d'atteindre une amélioration de Pareto simultanée en sécurité, en précision de suivi et en efficacité de contrôle, résolvant le conflit traditionnel entre stabilité et agilité.

En résumé, le cadre R²CBF offre une solution théoriquement fondée et pratiquement validée pour la sécurité des véhicules lourds, capable de s'adapter dynamiquement aux incertitudes de l'environnement tout en maintenant des performances de conduite élevées.