⚡ electrical engineering

$\mathcal{L}_1$ -Certified Distributionally Robust Planning for Safety-Constrained Adaptive Control

Cet article propose un cadre hiérarchique intégrant le contrôle adaptatif $\mathcal{L}_1$ et la commande prédictive robuste en distribution (DR-MPC) pour garantir la sécurité des systèmes autonomes non linéaires face aux incertitudes simultanées du modèle et de l'environnement, en utilisant des certificats en ligne pour définir des ensembles d'ambiguïté sans nécessiter d'échantillons de distribution.

Auteurs originaux : Astghik Hakobyan, Amaras Nazarians, Aditya Gahlawat, Naira Hovakimyan, Ilya Kolmanovsky

Publié 2026-03-31

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Astghik Hakobyan, Amaras Nazarians, Aditya Gahlawat, Naira Hovakimyan, Ilya Kolmanovsky

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

Imaginez que vous conduisez une voiture autonome dans une ville très animée. Votre objectif est d'arriver à destination sans accident, même si deux choses compliquent la tâche :

La voiture elle-même est un peu imprévisible (le moteur a des petites variations, la route est glissante, etc.). C'est l'incertitude du système.
L'environnement change et est incertain (des piétons traversent, d'autres voitures arrivent de nulle part, la météo change). C'est l'incertitude de l'environnement.

Ce papier propose une solution intelligente pour garantir que cette voiture reste en sécurité, même dans ce chaos. Ils appellent cela un cadre de planification "robuste" (résistant aux imprévus).

Voici comment cela fonctionne, expliqué avec des images simples :

1. Le Duo Gagnant : Le Chef d'Orchestre et le Contre-Maître

L'idée centrale est de combiner deux experts qui travaillent ensemble :

Le Chef d'Orchestre (Le Planificateur DR-MPC) :
C'est le cerveau qui regarde loin devant. Il dessine une trajectoire idéale sur une carte. Mais comme il ne connaît pas tout (il ne sait pas exactement où seront les piétons dans 10 secondes), il ne trace pas une ligne fine, mais un tunnel large et sécurisé.
- L'analogie : Imaginez qu'il dessine un couloir de sécurité large. Il dit : "Je vais rester dans ce couloir, et je suis sûr à 95 % que je ne toucherai pas les murs, même si les piétons bougent un peu." Il utilise des données passées pour deviner où pourraient être les obstacles.
Le Contre-Maître (Le Contrôleur L1-Adaptatif) :
C'est le bras droit qui agit en temps réel. Même si le Chef d'Orchestre a dessiné un beau tunnel, la voiture réelle pourrait dévier à cause d'un vent soudain ou d'un moteur qui tire de travers. Le Contre-Maître corrige ces écarts instantanément.
- L'analogie : C'est comme un pilote de course qui tient le volant. Si la voiture commence à glisser vers la gauche, il tourne immédiatement vers la droite pour la remettre au centre. Il "compense" les défauts de la voiture.

2. Le Secret : Le "Certificat de Sécurité"

Le vrai génie de ce papier réside dans la façon dont ces deux experts parlent entre eux.

Habituellement, le planificateur (Chef d'Orchestre) fait ses calculs en se disant : "J'espère que la voiture restera dans le tunnel". Mais comment en être sûr ?

Ici, le Contre-Maître (L1) fournit un certificat mathématique en direct.

Il dit au Chef d'Orchestre : "Ne t'inquiète pas ! Je garantis que la voiture réelle ne s'éloignera jamais de plus de X mètres de la trajectoire idéale que tu as dessinée."
Grâce à cette garantie, le Chef d'Orchestre peut ajuster la largeur de son "tunnel de sécurité" avec précision. Il sait exactement combien de marge il doit laisser.

En résumé : Le planificateur ne devine plus au hasard. Il sait exactement à quel point la voiture est fiable grâce au certificat du Contre-Maître.

3. La Gestion de l'Environnement (Les Piétons et Obstacles)

Pour les obstacles (les piétons), le système utilise une méthode basée sur des échantillons (des données).

L'analogie : Imaginez que vous lancez des centaines de petits cailloux (des données) pour voir où les piétons ont tendance à marcher. Vous créez une "zone d'ombre" autour de ces cailloux. Le planificateur s'assure que le tunnel de la voiture ne touche jamais cette zone d'ombre, même dans le pire des cas.

4. Pourquoi est-ce important ?

Sans cette méthode, il y a deux risques :

Trop prudent : La voiture va très lentement et évite tout, car elle imagine le pire scénario possible (comme un conducteur qui a peur de tout).
Trop confiant : La voiture va vite, mais si la voiture a un défaut mécanique ou si un piéton surgit, elle a un accident.

Cette méthode permet d'avoir le meilleur des deux mondes : une conduite fluide et efficace, mais avec une garantie mathématique que la voiture restera dans sa "zone de sécurité", peu importe les imprévus de la route ou de la mécanique.

Conclusion

En termes simples, les auteurs ont créé un système où :

Un planificateur dessine un chemin sûr en tenant compte des incertitudes de l'environnement.
Un adaptateur corrige les erreurs de la voiture en temps réel.
L'adaptateur prouve au planificateur que la voiture ne déviera pas trop, permettant ainsi de dessiner un chemin qui est à la fois sûr et efficace.

C'est comme avoir un co-pilote qui vous dit : "Je vais garder la voiture droite, donc tu peux tracer la route la plus rapide possible tout en restant 100% sûr de ne pas sortir de la route."

1. Problématique

Le contrôle sûr des systèmes autonomes sous incertitude reste un défi fondamental. Les systèmes réels sont soumis à deux types d'incertitudes :

Incertitude épistémique : Due à une connaissance imparfaite du modèle du système (dynamiques non modélisées, paramètres inconnus).
Incertitude aléatoire (aleatoire) : Due à des perturbations exogènes et à l'environnement dynamique (ex. : obstacles mobiles).

Les approches existantes souffrent d'un compromis :

Les méthodes robustes classiques garantissent la stabilité mais sont trop conservatrices (basées sur le pire des cas).
Les méthodes stochastiques (basées sur la moyenne) sont moins conservatrices mais manquent de garanties de robustesse face aux décalages de distribution.
Le problème central : Les méthodes de contrôle prédictif robuste distribué (DR-MPC) nécessitent la connaissance d'ensembles d'ambiguïté (ambiguity sets) pour garantir la sécurité. Cependant, il est impossible de collecter plusieurs échantillons indépendants de la distribution d'état d'un système en temps réel (on n'a qu'un seul retour d'état par instant). Par conséquent, il est difficile de certifier que le système réel reste dans l'ensemble d'ambiguïté utilisé pour la planification, rendant les garanties de sécurité incertaines en présence d'incertitudes de modèle et d'environnement simultanées.

2. Méthodologie

Les auteurs proposent une architecture hiérarchique qui intègre le Contrôle Prédictif Robuste Distribué (DR-MPC) avec le Contrôle Adaptatif L1 (L1-AC). L'idée clé est d'utiliser les certificats de distribution générés en ligne par le contrôleur L1 pour borner la distance entre la distribution d'état nominale et la distribution réelle, sans avoir besoin d'échantillons de distribution.

Architecture Hiérarchique

Planificateur DR-MPC (Niveau supérieur) :
- Génère une trajectoire nominale en optimisant un coût sur un horizon glissant.
- Formule des contraintes de sécurité sous forme de contraintes de chance robustes distribué (DR-CC).
- Utilise des ensembles d'ambiguïté de Wasserstein pour capturer l'incertitude de l'environnement (basée sur des données finies) et du système.
- Le problème est reformulé de manière traitable en utilisant la dualité de Wasserstein et la valeur à risque conditionnelle (CVaR), permettant une implémentation basée sur des échantillons (Monte Carlo).
Couche Adaptative L1 (Niveau inférieur) :
- Utilise un contrôleur de suivi de base (feedback linéaire) augmenté d'un terme adaptatif L1.
- Le contrôleur L1 compense en temps réel les incertitudes de modèle (dérive et diffusion appariées).
- Fonction critique : Il fournit un certificat de distribution théorique. Il garantit que la distance de Wasserstein entre la distribution d'état réelle ( $X_t$ ) et la distribution nominale ( $\bar{X}_t$ ) reste inférieure à un rayon connu $\rho_x$ , sans nécessiter d'échantillons de la distribution réelle.
Certification de Sécurité :
- Le rayon d'ambiguïté total utilisé par le planificateur est la somme du rayon système (certifié par L1, $\rho_x$ ) et du rayon environnement (estimé par des bornes de concentration sur des échantillons, $\rho_z$ ).
- Cela permet de garantir que la probabilité de collision réelle reste inférieure à un seuil $\beta$ , même avec des dynamiques incertaines.

3. Contributions Clés

Cadre Hiérarchique Couplé : Une architecture qui couple la planification et l'adaptation via un ensemble d'ambiguïté de Wasserstein conjoint. Le rayon d'ambiguïté du système est certifié en ligne par le contrôleur L1-AC sans échantillons de distribution, tandis que le rayon de l'environnement est obtenu via des bornes de concentration à échantillons finis.
Mécanisme de Certification en Boucle Fermée : Un mécanisme qui permet des garanties de sécurité prouvables à chaque étape (stagewise safety) pour le système réel, même sous incertitudes de modèle et d'environnement simultanées.
Reformulation Traitable : Une reformulation géométriquement agnostique des contraintes de chance robustes distribué (DR-CC) en utilisant la CVaR et la dualité de Wasserstein. Cela permet une implémentation basée sur des échantillons (Sample-based DR-MPC) efficace.

4. Résultats Expérimentaux

Les auteurs ont évalué leur méthode sur des simulations de suivi de trajectoire avec évitement d'obstacles dynamiques, comparant trois approches :

DR-MPC (Nominal) : Planifie avec le modèle nominal mais appliqué au système réel (sans adaptation).
DR-MPC (Dynamique Réelle) : Applique le contrôleur directement sur le système incertain sans couche adaptative.
DR-MPC + L1 (Proposé) : La méthode hiérarchique complète.

Résultats quantitatifs (sur 100 runs) :

DR-MPC (Nominal) : Fonctionne bien uniquement si le modèle est parfait. En présence d'incertitudes, le taux d'échec (collisions ou instabilité) augmente considérablement (jusqu'à 86% dans le scénario "Circle").
DR-MPC + L1 :
- Élimination des échecs : Le taux d'échec est ramené à 0% ou 1% sur tous les scénarios (figure-huit, cercle, Lissajous, spirale).
- Performance : Le coût de suivi reste proche de la base nominale, démontrant que l'adaptation L1 ne dégrade pas la performance tout en assurant la sécurité.
- Robustesse : La méthode maintient la distribution d'état réelle proche de la distribution nominale, validant ainsi les hypothèses de sécurité du planificateur.

5. Signification et Impact

Ce travail résout un problème critique en contrôle autonome : la certification de sécurité en temps réel lorsque les modèles sont imparfaits et que l'environnement est incertain.

Avancée Théorique : Il comble le fossé entre les méthodes de contrôle adaptatif (qui garantissent la stabilité des trajectoires) et les méthodes de planification robuste distribué (qui garantissent la sécurité probabiliste). L'utilisation de certificats L1 pour borner la distance de Wasserstein est une innovation majeure qui permet d'éviter le besoin d'échantillonnage massif de la distribution d'état, souvent impossible en temps réel.
Applicabilité : Le cadre est général et s'applique aux systèmes non linéaires stochastiques avec des incertitudes de modèle appariées et des environnements dynamiques.
Perspective : Cela ouvre la voie à des systèmes autonomes plus sûrs et plus performants capables de fonctionner dans des environnements réels complexes où les modèles parfaits n'existent pas.

En résumé, cette approche permet de planifier avec certitude en utilisant des garanties adaptatives en ligne, assurant ainsi que les systèmes autonomes restent sûrs même face à des imprévus de modèle et d'environnement.