⚡ electrical engineering

Robust Global-Local Behavior Arbitration via Continuous Command Fusion Under LiDAR Errors

Cet article présente un module d'arbitrage ROS2 natif qui fusionne en continu les commandes d'un contrôleur de suivi de trajectoire global et d'un contrôleur réactif basé sur le LiDAR via une politique entraînée par PPO, démontrant ainsi une robustesse accrue face aux erreurs de capteurs dans des scénarios de conduite autonome.

Auteurs originaux : Mohamed Elgouhary, Amr S. El-Wakeel

Publié 2026-03-31

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Mohamed Elgouhary, Amr S. El-Wakeel

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

🚗 Le Dilemme de la Voiture Autonome : Suivre la route ou éviter l'obstacle ?

Imaginez que vous conduisez une voiture autonome. Elle a deux "cerveaux" qui lui parlent en même temps :

Le Grand Stratège (Global) : Il regarde la carte et dit : "On doit rester sur la ligne de course, aller vite et suivre le chemin prévu !". C'est comme un GPS très confiant.
Le Gardien de Sécurité (Local) : Il regarde les capteurs (les yeux de la voiture) et crie : "Attention ! Il y a un obstacle juste devant ! Freine et tourne !". C'est un réflexe de survie immédiat.

Le problème, c'est que les "yeux" de la voiture (le LiDAR, un scanner laser) ne sont pas parfaits. Parfois, ils sont brouillés par la poussière, ils ont un peu de retard, ou ils voient des fantômes (des faux obstacles). Si la voiture écoute trop le Stratège, elle peut percuter un obstacle. Si elle écoute trop le Gardien, elle peut s'arrêter net ou faire des zigzags inutiles, bloquant la circulation.

L'objectif de cette étude : Trouver un arbitre intelligent qui sait exactement quand écouter l'un ou l'autre, même quand les yeux de la voiture ne voient pas très clair.

🎚️ L'Arbitre : Le Mixeur de Musique

Au lieu de choisir brutalement entre "Suivre la route" ou "Éviter l'obstacle", les chercheurs ont créé un système qui mélange les deux ordres en continu.

Imaginez un mixeur de musique avec un seul bouton de volume (un curseur) qui va de 0 à 100 :

0 (Gauche) : La voiture écoute à 100 % le Grand Stratège (elle suit la ligne parfaitement).
100 (Droite) : La voiture écoute à 100 % le Gardien de Sécurité (elle évite l'obstacle à tout prix).
50 (Milieu) : Elle fait un mélange des deux.

Ce qui est génial dans cette recherche, c'est que ce bouton n'est pas réglé par des règles rigides (comme "si l'obstacle est à moins de 2 mètres, alors..."). À la place, c'est une Intelligence Artificielle (un petit cerveau entraîné) qui bouge ce bouton en temps réel, plusieurs fois par seconde.

Si la route est libre, le bouton reste sur "Stratège".
Si un obstacle apparaît, le bouton glisse doucement vers "Gardien".
Si les capteurs sont brouillés, l'IA sait rester prudente sans paniquer.

🌪️ Le Test : La Tempête de "Faux Fantômes"

Pour voir si ce système est vraiment robuste, les chercheurs ont créé une situation de test très difficile dans un simulateur (un jeu vidéo ultra-réaliste pour voitures).

Ils ont simulé des conditions où les capteurs de la voiture étaient malades :

Du bruit : Comme si on parlait dans une pièce avec un vent fort.
Du retard : Comme si la voiture voyait le monde avec 200 millisecondes de décalage (très long pour une voiture qui roule vite).
Des "Fantômes" : C'est le plus drôle. Ils ont injecté de fausses données qui disaient : "Il y a un mur à 10 centimètres devant toi !", alors qu'il n'y avait rien. C'est comme si un spectre apparaissait soudainement sur la route.

Le résultat ?

L'ancien système (basé sur des règles strictes) : Il a paniqué. Voyant des "murs fantômes", il a cru qu'il ne pouvait pas avancer, il a hésité, et a fini par échouer ou se bloquer.
Le nouveau système (l'Arbitre IA) : Il a gardé son calme. Il a compris que ces "murs" étaient peut-être des erreurs de capteur. Il a continué à avancer prudemment, en mélangeant intelligemment les ordres, et a réussi à dépasser l'obstacle sans accident, même quand les capteurs étaient très perturbés.

⚡ Pourquoi c'est important ?

Cette recherche montre qu'on n'a pas besoin de remplacer toute la voiture par une IA mystérieuse et incompréhensible. On peut garder les vieux systèmes de conduite (qui sont fiables et simples) et ajouter un petit cerveau d'arbitrage par-dessus.

C'est comme avoir un copilote expérimenté à côté du conducteur. Le conducteur (les vieux systèmes) sait bien conduire, mais le copilote (l'IA) surveille les capteurs et dit : "Hé, tes yeux te jouent des tours, on va ralentir un peu et rester au centre de la route, mais sans paniquer."

En résumé :
Cette étude prouve qu'en utilisant une IA pour fusionner intelligemment la vision à long terme (la carte) et la réaction immédiate (les capteurs), on peut rendre les voitures autonomes beaucoup plus sûres, même quand elles ne voient pas très bien. C'est une étape cruciale pour que ces voitures puissent rouler un jour dans la vraie vie, avec la pluie, la neige et les capteurs imparfaits.

1. Problématique

Les systèmes de conduite autonome modulaires doivent concilier deux objectifs souvent contradictoires :

L'objectif global : Suivre une trajectoire de référence planifiée (progression).
L'objectif local : Réagir de manière sûre aux obstacles immédiats (sécurité).

Ce défi est particulièrement critique dans des scénarios interactifs (comme le dépassement à haute vitesse) et dans des conditions de perception imparfaites. Les flux de données des capteurs, en particulier les scanners LiDAR 2D, sont souvent corrompus par du bruit de mesure, des latences, des pertes de paquets (dropouts) et des lectures fausses à courte portée. Les mécanismes d'arbitrage traditionnels basés sur des règles seuillées (switching) sont sensibles à ces artefacts, ce qui peut entraîner des oscillations rapides entre les comportements, des décisions trop conservatrices ou un déclenchement prématuré de manœuvres, compromettant ainsi la sécurité et la progression.

L'objectif de l'article est de concevoir un module d'arbitrage robuste capable de coordonner ces comportements sous des contraintes temps réel strictes et en présence d'impairments (dégradations) des capteurs, sans remplacer les contrôleurs de bas niveau existants.

2. Méthodologie

L'approche proposée repose sur une fusion continue des commandes au niveau de l'exécution, plutôt que sur un changement de mode discret.

Architecture du Système

Le système est implémenté nativement dans ROS2 et fonctionne à une fréquence de contrôle de 30 Hz. Il intègre deux contrôleurs de bas niveau inchangés et interprétables :

Suivi de référence global (Pure Pursuit - PP) : Un contrôleur géométrique qui suit une ligne de course précalculée.
Évitement réactif local (Gap Follow - GF) : Un contrôleur basé sur le LiDAR qui identifie les espaces libres et évite les obstacles proches.

Module d'Arbitrage (Apprentissage par Renforcement)

Au lieu de sélectionner l'un ou l'autre contrôleur, un agent d'apprentissage par renforcement (PPO - Proximal Policy Optimization) apprend à fusionner leurs sorties.

Action : Le réseau de neurones prédit une porte continue $\alpha \in [0, 1]$ .
Fusion : La commande finale $u_t$ (angle de braquage et vitesse) est calculée comme une combinaison linéaire :
$u_t = (1 - \alpha_t) u_{PP,t} + \alpha_t u_{GF,t}$
Observation : L'état d'entrée est un vecteur compact dérivé du LiDAR (statistiques de l'espace libre frontal, courbure de la trajectoire de référence, et informations relatives sur l'adversaire si disponibles), évitant ainsi le traitement de nuages de points bruts.
Sécurité : Le système intègre des garde-fous supplémentaires :
- Un watchdog de fraîcheur des données (input-staleness) pour détecter les retards de capteurs.
- Un arrêt d'urgence si la distance de sécurité minimale est violée.
- Un lissage temporel (filtre passe-bas) de la porte $\alpha$ pour éviter les oscillations rapides.
- Un gating de mode qui n'active la fusion que lors d'événements d'interaction (dépassement).

Comparaison (Baseline)

Pour évaluer la méthode, les auteurs ont implémenté une baseline prédictive basée sur l'échantillonnage (Sampling MPC).

Elle utilise les mêmes entrées ROS et la même fréquence.
Elle génère un ensemble discret de trajectoires candidates (braquage constant), les simule avec un modèle cinématique, et les évalue selon un critère de suivi de trajectoire et de sécurité (détection de collision via LiDAR).
Elle sélectionne la trajectoire de coût minimal.

Protocole d'Évaluation de Robustesse

Les tests ont été réalisés dans le simulateur F1TENTH Gym ROS sur un circuit non vu lors de l'entraînement (IMS). Une protocole d'impairment contrôlé a été appliqué au flux LiDAR :

Bruit de base : Bruit gaussien, délai de 200 ms, et taux de perte de scans (dropout) de 30 %.
Variation : Injection systématique d'outliers faux à courte portée (fausses lectures proches) dans un cône frontal de 40°, avec une probabilité croissante ( $p_{out} \in \{0.0, 0.2, 0.4\}$ ).

3. Contributions Clés

Module d'arbitrage ROS2 natif : Une implémentation pratique qui fusionne deux contrôleurs classiques via une porte continue apprise, préservant l'interprétabilité des contrôleurs sous-jacents.
Évaluation de robustesse basée sur l'injection d'erreurs : Un protocole rigoureux qui quantifie la dégradation des performances (succès, sécurité, temps d'exécution) face à des dégradations réalistes du LiDAR (bruit, latence, faux positifs).
Baseline prédictive appariée : Mise en place d'une méthode de contrôle prédictif par échantillonnage (MPC léger) utilisant exactement les mêmes entrées et fréquences pour une comparaison équitable.
Caractérisation temps réel : Analyse détaillée de la latence de bout en bout (du capteur à la commande) pour évaluer la stabilité temporelle réelle, au-delà de la simple réussite de la tâche.

4. Résultats

Les expériences ont été menées sur 10 "chaleurs" (heats) d'interactions de dépassement par graine aléatoire.

Performance en conditions normales :
- Le module d'arbitrage proposé a atteint un taux de réussite de 100 % (0 collision, 0 sortie de piste, 0 timeout).
- La baseline MPC a atteint 90 % de réussite (un timeout).
Robustesse aux perturbations (Courbes de robustesse) :
- Face à l'augmentation des faux positifs (outliers) dans le LiDAR, le module d'arbitrage a montré une dégradation beaucoup plus lente du taux de réussite sûr ( $SR_{safe}$ ) par rapport à la baseline.
- La baseline a échoué principalement par timeout ou par proximité dangereuse. En effet, les faux positifs faisaient apparaître la zone frontale comme bloquée, poussant le MPC à rejeter systématiquement les trajectoires et à adopter des comportements excessivement conservateurs.
- Le module d'arbitrage, en s'appuyant sur des statistiques résumées du LiDAR plutôt que sur l'examen de chaque rayon pour chaque trajectoire candidate, a mieux résisté à ces artefacts isolés.
Stabilité Temps Réel :
- Bien que la baseline ait un temps d'exécution moyen légèrement inférieur (24 ms vs 32 ms), elle présente des pics de temps d'exécution (worst-case) beaucoup plus importants (61 ms vs 47 ms).
- L'approche proposée offre une latence plus constante, ce qui est crucial pour la réactivité lors des fenêtres de décision critiques.

5. Signification et Conclusion

Cette étude démontre que l'arbitrage de comportement par fusion continue de commandes (via un apprentissage par renforcement restreint à une seule variable scalaire) est une approche robuste et efficace pour les stacks de conduite autonome modulaires.

Avantage principal : Contrairement aux méthodes prédictives complexes qui dépendent fortement de la précision immédiate de chaque mesure de capteur pour évaluer des trajectoires candidates, l'approche proposée agit comme un filtre robuste. Elle combine la stabilité des contrôleurs classiques avec une capacité d'adaptation apprise, tout en maintenant des garanties de sécurité via des mécanismes de surveillance simples.
Limites et Perspectives : L'étude est limitée à une simulation de dépassement en proximité. Les auteurs soulignent la nécessité de valider ces résultats sur des véhicules réels et d'explorer des scénarios d'interaction plus riches.
Impact : Le travail fournit un cadre d'évaluation standardisé pour la robustesse des capteurs dans ROS2 et propose une architecture de coordination qui pourrait être intégrée directement dans des systèmes de production comme Autoware, offrant un compromis optimal entre sécurité, progression et contraintes temps réel.