Résumé Technique : Prédiction Conforme à Base de Particules pour le Calibrage de l'Incertitude Sensible au Contact dans les Espaces de Configuration Stratifiés

Énoncé du Problème

Le déploiement de robots autonomes dans des environnements riches en contacts (par exemple, navigation encombrée, tâches d'assemblage) nécessite de raisonner sur la manière dont l'incertitude évolue à travers différents régimes d'interaction. L'incertitude de l'état et de l'action peut changer radicalement lorsqu'un robot passe d'un mouvement en espace libre à un contact avec des obstacles. Ces transitions peuvent induire des distributions d'incertitude multimodales, discontinues et trans-dimensionnelles, où la configuration future peut résider sur des variétés de dimension intrinsèque inférieure (par exemple, glisser le long d'un mur) par rapport à l'espace de configuration complet (C-space).

Les représentations d'incertitude standard, telles que les distributions gaussiennes, échouent souvent à capturer ces dynamiques post-contact complexes. De plus, les modèles de mouvement analytiques ou appris sont fréquemment imprécis en raison d'un décalage de modèle, de données limitées ou d'effets physiques non modélisés (par exemple, le frottement statique, la friction). Cette imprécision peut conduire à des exécutions dangereuses ou à l'échec de la tâche. Bien que la Prédiction Conforme (CP) offre des garanties probabilistes indépendantes de la distribution, les applications robotiques existantes ne fournissent souvent que des limites d'incertitude globales qui ne s'adaptent pas aux régimes de contact spécifiques ni respectent les contraintes géométriques de l'espace de configuration, générant potentiellement des régions de prédiction incluant des configurations physiquement irréalisables.

Le défi central abordé est la construction de régions de prédiction probabilistiquement valides pour les configurations futures du robot qui :

1. S'adaptent à l'état, à l'action et au mode de contact du robot (strate).
2. Respectent la structure stratifiée de l'espace de configuration (en évitant les régions irréalisables).
3. Fournissent des garanties de couverture à échantillon fini malgré un décalage de modèle important et une incertitude aléatoire.

Méthodologie : CaPTURe

Les auteurs proposent CaPTURe (Calibrated Particle-sets for Trans-dimensional Uncertainty Representation), un algorithme sensible à la géométrie qui combine la prédiction de dynamique basée sur des particules avec la Prédiction Conforme de Mondrian.

1. Espace de Configuration Stratifié

La méthode modélise l'espace de configuration réalisable ($C_{feas}$) comme un espace stratifié, défini par une union disjointe de sous-variétés lisses (strates) $S_m$ de dimensions intrinsèques différentes (par exemple, espace libre en 2D, contact de bord en 1D, contact de coin en 0D). Un indexeur connu $T$ mappe toute configuration à son indice de strate correspondant.

2. Modèle Prédictif à Base de Particules

CaPTURe utilise un modèle de dynamique approximatif $\hat{f}$ (de fidélité arbitraire) pour générer un ensemble de $L$ particules prédictives $\hat{Y}_i$ représentant la distribution conditionnelle de la configuration suivante étant donné la paire état-action actuelle. Cette approche par particules capture naturellement la multimodalité et permet à l'incertitude de se réduire sur des variétés de dimension inférieure.

3. Calibrage Conforme de Mondrian

Pour obtenir des garanties adaptatives et sensibles au contact, la méthode étend la Prédiction Conforme de Mondrian :

• Groupement : Les exemples sont partitionnés en groupes basés sur la paire état-action actuelle et l'indice de la strate future $T(Y)$. Cette fonction de groupement $g(X, T(Y))$ est apprise à l'aide d'un arbre de décision de régression (DTree) entraîné sur un sous-ensemble des données de calibrage afin de minimiser la variance des scores de non-conformité.
• Score de Non-Conformité : Le score $r$ est défini comme la distance entre la configuration suivante réelle $Y_i$ et son plus proche voisin $k$ (kNN) parmi les particules prédites $\hat{Y}_i$. Ce score sert de proxy pour la densité locale des particules.
• Seuillage : Pour chaque groupe $j$ (nœud feuille du DTree), un seuil conforme $\hat{q}_j$ est calculé indépendamment en utilisant un sous-ensemble de maintien (holdout) des données de calibrage. Cela garantit que la garantie de couverture est respectée conditionnellement au sein de chaque strate et de chaque régime état-action.

4. Construction de la Région de Prédiction

Lors de la planification en ligne (par exemple, le contrôle prédictif de modèle - MPC), pour une paire état-action donnée, l'algorithme :

1. Interroge le DTree pour identifier le groupe pour chaque strate future candidate.
2. Construit une région de prédiction $\hat{C}^{(m)}$ au sein de chaque strate $S_m$ contenant les configurations ayant des scores de non-conformité inférieurs au seuil spécifique au groupe $\hat{q}_j$.
3. Retourne l'union de ces régions par strate comme l'ensemble de prédiction final $\hat{C}$.

Cette construction garantit que la région de prédiction ne contient que des configurations réalisables (en restreignant la recherche aux strates valides) et satisfait des garanties de couverture conditionnelles par groupe.

Contributions Clés

1. Algorithme : Un algorithme pour la construction de régions de prédiction trans-dimensionnelles sensibles au contact et à une étape, garantissant de contenir la configuration future inconnue avec au moins une probabilité spécifiée par l'utilisateur, malgré l'incertitude épistémique et aléatoire.
2. Garanties Théoriques : Une preuve et une validation numérique de garanties de groupe conditionnelles sensibles aux strates utilisant un modèle de dynamique approximatif de fidélité arbitraire et un ensemble de calibrage fini. La méthode assure que les régions de prédiction ne s'étendent pas dans les régions irréalisables de l'espace de configuration.
3. Validation Empirique : Des expériences de simulation sur deux tâches distinctes démontrant l'utilité de l'approche pour la planification de mouvement riche en contacts sous une incertitude significative.

Résultats Expérimentaux

Les auteurs ont évalué CaPTURe par rapport à quatre lignes de base : un planificateur de particules non calibré (ParticleNoCP), une méthode CP locale avec des hypothèses gaussiennes (LUCCa), la Prédiction Conforme Probabiliste standard (PCP), et une ablation de CaPTURe sans étiquetage de strate.

Tâche 1 : Contrôle de Labyrinthe de Marbre

• Configuration : Contrôle d'une bille dans un labyrinthe 2D avec des dégagements serrés et des fosses.
• Résultats :
  • CaPTUre a atteint l'exigence de couverture de 90 % spécifiée par l'utilisateur à travers toutes les strates (Espace Libre, Bord, Coin).
  • Les lignes de base comme LUCCa et PCP ont significativement sous-couvert en espace libre (83,4 % et 76,4 % respectivement) tout en étant trop conservatrices dans les strates de dimension inférieure.
  • CaPTURe a obtenu un taux de succès de la tâche de 90 % dans la section "Centre", surpassant nettement ParticleNoCP (53 %) et PCP (3 %).
  • La méthode a produit des régions de prédiction plus serrées et plus efficaces en volume par rapport aux lignes de base basées sur Gaussiennes.

Tâche 2 : Insertion Tige-Trou à Tolérance Serrée

• Configuration : Un manipulateur à 7 degrés de liberté insérant une tige dans un trou à faible tolérance sous des perturbations stochastiques et un décalage de modèle (bruit multiplicatif).
• Résultats :
  • CaPTURe a atteint une couverture empirique de 90,4 % à travers les interactions agrégées, avec une couverture suffisante dans les régimes d'Espace Libre, de Contact Ponctuel et de Contact de Bord.
  • Les lignes de base (LUCCa, PCP) ont sous-couvert en Espace Libre (environ 83-84 %).
  • En planification, CaPTURe a atteint un taux de succès de 78 %, comparé à 48 % pour PCP et LUCCa, et 14 % pour la ligne de base non calibrée.
  • La méthode a réduit le nombre moyen d'étapes pour compléter la tâche (28,7 étapes contre 39,9 pour la ligne de base).

Signification et Revendications

L'article affirme que CaPTURe fournit un cadre pratique pour une planification de mouvement sûre et efficace dans des environnements riches en contacts où l'incertitude est non gaussienne et trans-dimensionnelle. En modélisant explicitement la nature stratifiée de l'espace de configuration et en utilisant la prédiction conforme à base de particules, la méthode génère des régions de prédiction réalisables qui s'adaptent aux régimes de contact locaux.

Les auteurs soulignent que bien que les garanties théoriques soient strictement à une seule étape, l'application récursive de ces régions calibrées au sein d'un cadre de contrôle prédictif de modèle (MPC) produit des améliorations significatives des taux de succès des tâches en boucle fermée et de l'efficacité. Ce travail démontre que prendre en compte la structure géométrique des interactions de contact (strates) est crucial pour une quantification précise de l'incertitude, évitant le sur-conservatisme ou la sous-couverture dangereuse observés dans les approches globales ou paramétriques existantes.

L'article conclut que traiter l'incertitude du mouvement du robot comme dépendante de l'état, de l'action et de la strate de configuration permet la création de représentations d'incertitude informatives et trans-dimensionnelles, essentielles pour des systèmes autonomes fiables opérant dans des environnements complexes et réels.