Concentration of Stochastic System Trajectories with Time-varying Contraction Conditions

1. Problématique

L'article s'intéresse à la sécurité des systèmes stochastiques non linéaires, modélisés par des équations différentielles stochastiques (de type Itô). Dans de nombreuses applications critiques (véhicules autonomes, robots, réseaux électriques), il est crucial de garantir que les trajectoires stochastiques (bruitées) restent proches de leur contrepartie déterministe (sans bruit) avec une probabilité élevée.

Le problème central est d'établir des inégalités de concentration (des bornes probabilistes) pour l'écart entre la trajectoire stochastique $X_t$ et la trajectoire déterministe $x_t$. Deux défis majeurs sont identifiés :

1. Conditions de contraction variables dans le temps : La plupart des travaux antérieurs supposent des conditions de contraction stationnaires (invariantes dans le temps). Ce papier généralise l'analyse à des conditions de contraction dépendantes du temps ($c_t$ et $M_t$).
2. Précision et portée temporelle :
   • Les méthodes traditionnelles basées sur l'analyse de stabilité incrémentale (ISA) produisent des bornes trop conservatrices, dépendant de $O(\sqrt{1/\delta})$ (où $\delta$ est le niveau de risque), ce qui est inacceptable pour des systèmes de sécurité exigeant des probabilités de succès très élevées (ex: $>99.9\%$).
   • Les bornes existantes sont souvent limitées à un instant unique ($t$ fixe) et ne garantissent pas la sécurité sur toute la trajectoire $t \in [0, T]$ sans discrétisation grossière.

L'objectif est de trouver une borne $r_{\delta, t}$ telle que $P(\|X_t - x_t\|_{M_t} \le r_{\delta, t}) \ge 1-\delta$, avec une dépendance optimale en $\delta$ (idéalement $O(\sqrt{\log(1/\delta)})$) et valable sur toute la trajectoire.

2. Méthodologie

Les auteurs proposent une approche novatrice combinant la théorie de la contraction, une nouvelle fonction énergétique appelée AMGF (Averaged Moment Generating Function), et des méthodes basées sur les martingales.

A. La fonction AMGF (Averaged Moment Generating Function)

Au lieu de borner l'espérance quadratique (ce qui mène à des bornes lâches via l'inégalité de Markov), les auteurs utilisent l'AMGF, définie comme :
$$\Phi(X) = \mathbb{E}_{\ell \in S^{n-1}} [e^{\lambda \langle \ell, X \rangle}]$$
Cette fonction permet de capturer la distribution complète de l'écart. En intégrant l'AMGF avec des techniques d'intégrale de longueur de chemin (path-length integral), ils dérivent des bornes probabilistes beaucoup plus serrées.

B. Analyse à un instant unique (Théorème 1)

Pour un instant $t$ donné, les auteurs utilisent une technique d'intégrale de chemin sur une géodésique reliant $x_t$ et $X_t$.

• Ils analysent l'évolution de l'énergie le long de cette géodésique en utilisant le lemme d'Itô.
• Ils montrent que sous des conditions de contraction variables dans le temps, l'espérance de l'AMGF suit une équation différentielle linéaire.
• Résultat clé : Ils établissent une borne $r_{\delta, t}$ avec une dépendance en $O(\sqrt{\log(1/\delta)})$, ce qui est nettement meilleur que l'approche ISA classique ($O(\sqrt{1/\delta})$).

C. Analyse au niveau de la trajectoire (Théorème 2)

Pour garantir la sécurité sur tout l'intervalle $[0, T]$, ils utilisent une approche basée sur les martingales affines.

• Ils démontrent que l'AMGF pondérée de l'écart entre les trajectoires forme une martingale affine.
• En appliquant un lemme de concentration pour les martingales, ils obtiennent un "tube" probabiliste $r_{\delta, t}$ qui enveloppe la trajectoire entière.
• Limitation : Pour les systèmes fortement contractifs sur de longues durées, cette borne peut devenir conservatrice car elle dépend exponentiellement de la durée totale $T$.

D. Amélioration pour les systèmes fortement contractifs (Théorème 3)

Pour surmonter la conservatisme du Théorème 2 sur de longs horizons, les auteurs proposent une stratégie hybride :

• Ils divisent l'intervalle de temps $[0, T]$ en petits segments de longueur $\Delta t$.
• Ils appliquent le Théorème 2 (martingale) à l'intérieur de chaque segment pour borner la fluctuation locale.
• Ils appliquent le Théorème 1 (instant unique) aux points de jonction (les extrémités des segments).
• Ils utilisent une inégalité d'union pour combiner ces résultats.
• Résultat : Cette méthode remplace la dépendance exponentielle en $T$ par une dépendance en $\Delta t$, offrant une borne nettement plus serrée pour les systèmes fortement contractifs.

3. Contributions Clés

1. Généralisation aux conditions variables dans le temps : Extension des résultats de concentration aux systèmes non linéaires stochastiques avec des métriques et taux de contraction dépendants du temps, généralisant les travaux précédents limités aux cas stationnaires.
2. Optimalité de la dépendance en $\delta$ : Démonstration que les bornes dérivées sont de l'ordre de $O(\sqrt{\log(1/\delta)})$, ce qui est théoriquement optimal sous leurs hypothèses et bien supérieur aux méthodes ISA traditionnelles.
3. Borne au niveau de la trajectoire sans discrétisation grossière : Développement d'inégalités de concentration valables pour l'ensemble de la trajectoire $t \in [0, T]$ en utilisant des martingales, évitant ainsi les erreurs d'accumulation dues à une discrétisation temporelle excessive.
4. Stratégie de raffinement pour les systèmes contractifs : Proposition d'une méthode hybride (Théorème 3) qui combine les avantages des bornes locales et globales pour réduire drastiquement la conservatisme sur les longues horizons.

4. Résultats et Validation

• Validation Théorique : Les auteurs prouvent mathématiquement que leurs bornes sont les plus serrées possibles sous les hypothèses de Lipschitz et de croissance linéaire imposées.
• Étude de Cas (Contrôle Sûr) :
  • Un système de décollage et atterrissage vertical planaire (PVTOL) est utilisé comme exemple.
  • Un contrôleur TVLQR (Linear Quadratic Regulator à temps variable) est conçu pour assurer la contraction.
  • Garantie de sécurité : Pour un niveau de confiance de $99.99\%$ ($\delta = 10^{-4}$), les auteurs calculent un "tube probabiliste" autour de la trajectoire nominale.
  • Comparaison : La borne obtenue par leur méthode est d'environ 0.54 (rayon du tube), tandis que la méthode ISA classique donnerait une borne supérieure à 10, rendant la planification de trajectoire impossible (les obstacles seraient trop agrandis).
  • Simulation : Sur $10^4$ trajectoires stochastiques simulées, aucune collision ne s'est produite, confirmant la validité de la garantie de sécurité théorique.

5. Signification et Impact

Ce travail est significatif pour la vérification formelle de la sécurité dans les systèmes cyber-physiques.

• Il permet de concevoir des contrôleurs pour des environnements incertains avec des garanties de sécurité rigoureuses et non conservatrices.
• La réduction de la dépendance en $\delta$ (de $1/\sqrt{\delta}$ à $\sqrt{\log(1/\delta)}$) est cruciale pour les applications où le taux d'échec toléré est extrêmement faible (ex: aviation, véhicules autonomes).
• L'approche proposée ouvre la voie à des algorithmes de planification de trajectoire plus agressifs et efficaces, car les "zones de sécurité" (tubes) autour des trajectoires sont beaucoup plus étroites et réalistes que celles obtenues par les méthodes antérieures.