Formation-Aware Adaptive Conformalized Perception for Safe Leader-Follower Multi-Robot Systems

Deze paper introduceert een adaptieve conformalisatie-methode voor veilige leider-volger robotformaties die, door risicobewuste onzekerheidsquantielen te koppelen aan formatiecondities, zichtbaarheidsbeperkingen garandeert en de trackingprestaties verbetert ten opzichte van niet-adaptieve benaderingen.

De kern

Stel je voor dat je een groep vrienden hebt die samen een dansroutine oefenen. Eén persoon is de leider en de anderen zijn de volgers. De volgers moeten de leider in de gaten houden en op precies de juiste afstand blijven, zodat ze niet tegen elkaar aan botsen en de formatie mooi blijft.

In de echte wereld doen robots dit ook, maar dan met camera's in plaats van ogen. Het probleem? Camera's zijn niet perfect. Soms zien ze de leider scherp, en soms is de beeldkwaliteit slecht, of staat de leider net aan de rand van het beeld.

Dit artikel beschrijft een slimme manier om deze robots veilig te laten dansen, zelfs als hun "ogen" (camera's) soms een beetje dwalen.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het Probleem: De "Dwarsligger" Camera

Stel je voor dat je als volger de leider moet volgen.

• In het midden van je beeld: Je ziet de leider heel duidelijk. Je bent er zeker van waar hij is.
• Aan de rand van je beeld: De leider is net zichtbaar. Je bent niet zeker meer of hij echt daar is of dat hij net buiten beeld verdwijnt.

Oude methodes behandelden alle situaties hetzelfde. Ze dachten: "Oké, de camera kan fouten maken, dus we gaan een heel grote veiligheidszone aanhouden."

• Het nadeel: Dit is als een danser die overal een enorme veiligheidsafstand houdt. Hij kan niet meer dicht bij de leider komen, waardoor de dans saai en onhandig wordt.
• Of: Ze waren te optimistisch en dachten dat alles perfect was, wat leidde tot botsingen als de leider plotseling aan de rand van het beeld verdween.

2. De Oplossing: De "Slimme Veiligheidsbril"

De auteurs van dit artikel hebben een nieuwe bril ontworpen voor de robots. Deze bril heet "Formation-Aware Adaptive Conformalized Perception". Dat is een mondvol, maar het werkt als een slimme veiligheidszone die meebeweegt.

Stel je voor dat je een veiligheidsbel om je heen hebt die van grootte verandert:

• Wanneer je veilig bent (leider in het midden): De bel krimpt. Je mag dicht bij de leider dansen en je kunt snel en soepel bewegen. De robot denkt: "Ik zie hem goed, ik kan risico's nemen om de dans mooi te houden."
• Wanneer je in gevaar bent (leider aan de rand): De bel wordt enorm groot en zwaar. De robot denkt: "Oeps, ik zie hem niet meer zo goed. Ik moet voorzichtig zijn en niet te dichtbij komen, anders zie ik hem helemaal kwijt."

3. Hoe werkt die "Slimme Bril"? (De Wiskunde in het kort)

De robot gebruikt een techniek die Mondrian Conformal Prediction heet.

• De Verdeling: Ze hebben de wereld van de robot opgedeeld in zones, net als een schilderij van Mondriaan (daarom de naam). Er is een zone voor "veilig", een zone voor "risicovol" en een zone voor "gevaarlijk".
• De Aanpassing: In de "veilige zone" leert de robot dat fouten klein zijn, dus hij maakt zijn veiligheidszone klein. In de "gevaarlijke zone" (aan de rand van het beeld) leert hij dat fouten groot kunnen zijn, dus hij maakt zijn veiligheidszone enorm groot.
• De Overgang: Ze zorgen ervoor dat deze veranderingen soepel gaan, zodat de robot niet schokkerig beweegt van "dichtbij" naar "ver weg".

4. Het Resultaat: Een Perfecte Dans

In de simulations (virtuele tests) hebben ze dit getest met echte robotmodellen.

• Oude robots: Botsen vaak of kunnen de dans niet uitvoeren omdat ze te bang zijn om dichtbij te komen.
• Nieuwe robots (met de slimme bril):
  • Ze blijven veilig: Ze raken de leider nooit kwijt, zelfs niet als hij aan de rand van het beeld staat.
  • Ze zijn beter in dansen: Omdat ze niet overal een enorme veiligheidszone hebben, kunnen ze strakker en mooier dansen in de veilige zones.

Samenvatting in één zin

Dit artikel introduceert een slim systeem dat robots leert om hun "veiligheidsafstand" aan te passen aan hoe goed ze de leider kunnen zien: dichtbij en vrij als het beeld scherp is, en voorzichtig en ruim als het beeld wazig is.

Zo kunnen robots samenwerken zonder te botsen, maar ook zonder onnodig ver van elkaar af te blijven staan.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het paper "Formation-Aware Adaptive Conformalized Perception for Safe Leader–Follower Multi-Robot Systems" in het Nederlands.

Probleemstelling

Dit paper adresseert het veiligheidsprobleem in gedistribueerde, visiegebaseerde leider-volger-formaties (leader-follower systems). In dergelijke systemen vertrouwen volgrobots volledig op hun eigen onboard-sensoren (zoals camera's) om de relatieve positie van de leider te schatten en de formatie te behouden.

De kernuitdagingen zijn:

1. Heteroscedastische perceptiefouten: De onzekerheid in de schatting van de staat (bijv. afstand en hoek) is niet uniform. De fouten nemen aanzienlijk toe naarmate de leider dichter bij de randen van het camera-veld (Field of View - FOV) komt, en zijn kleiner in het midden van het beeld.
2. Koppeling tussen formatie en zichtbaarheid: Het handhaven van de zichtbaarheid (de leider moet binnen het FOV blijven) is dynamisch gekoppeld aan de manoeuvres van de formatie.
3. Beperkingen van bestaande methoden:
   • Robuuste CBF's gebruiken worst-case foutgrenzen, wat leidt tot overmatig conservatief gedrag en verlies van mobiliteit.
   • Stochastische CBF's vereisen kennis van de exacte foutverdeling, wat zelden beschikbaar is voor complexe visiemodellen.
   • Standaard Conformal Prediction (CP) levert één globale foutgrens voor de hele ruimte. Dit is óf te conservatief in veilige gebieden (beperkt de controle), óf onvoldoende veilig in risicovolle gebieden (dicht bij de FOV-rand).

Het doel is een systeem te ontwerpen dat probabilistische veiligheidsgaranties biedt zonder de prestaties (tracking en mobiliteit) onnodig te beperken, zelfs bij onbekende en variabele perceptiefouten.

---

Methodologie

De auteurs stellen een gedistribueerd, formatie-bewust adaptief raamwerk voor dat de volgende componenten integreert:

1. Risico-bewuste Mondrian Conformal Prediction (Mondrian CP)

In plaats van één globale onzekerheidsgrens te gebruiken, partitioneert het systeem de staatruimte in verschillende risicogroepen (Mondrian-taxonomie) op basis van de afstand tot de veiligheidsranden (bijv. FOV-grenzen).

• Risicoklassen: De ruimte wordt verdeeld in gebieden zoals "hoog risico" (dicht bij de rand), "medium risico" en "laag risico" (midden van het beeld).
• Adaptieve kalibratie: Voor elke risicogroep wordt een specifieke onzekerheidskwantiel ($\hat{q}_{r}$) berekend tijdens een offline kalibratiefase.
  • In hoog-risico gebieden wordt een strenge miscoverage-rate ($\delta_r$) gekozen, wat resulteert in een brede veiligheidsmarge.
  • In laag-risico gebieden wordt een soepelere rate gekozen, wat resulteert in een smallere marge en meer controle-ruimte.
• Smooth Margin: Om discontinuïteiten te voorkomen wanneer de robot tussen gebieden beweegt, wordt een lineaire interpolatie toegepast tussen de kwantielen van aangrenzende risicogroepen. Dit zorgt voor een continue veiligheidsmarge.

2. Formation-Aware Conformal CBF-QP

De adaptieve onzekerheidsmarges worden geïntegreerd in een Control Barrier Function (CBF) formulering binnen een Quadratic Program (QP).

• De veiligheidsvoorwaarde wordt "aangescherpt" (tightened) door de geschatte onzekerheid af te trekken van de veiligheidsfunctie: $\tilde{h}(x) = h(\hat{x}) - L_h \cdot \tilde{q}(\hat{x})$.
• Hierbij is $L_h$ de Lipschitz-constante van de veiligheidsfunctie en $\tilde{q}$ de adaptieve conformale marge.
• Het QP lost op elk tijdstip een minimaliserend probleem op om de gewenste controle-invoer zo dicht mogelijk bij de nominale invoer te houden, terwijl de aangescherpte veiligheidsvoorwaarde wordt gerespecteerd.

---

Belangrijkste Bijdragen

1. Adaptieve Onzekerheidskwalificatie: Introductie van een Risk-Aware Mondrian CP-raamwerk dat specifiek is afgestemd op de formatiestaat. Dit overwint de overmatig conservatieve, formatie-onafhankelijke grenzen van standaard CP.
2. Integratie in CBF-QP: Ontwikkeling van een Formation-Aware Conformal CBF-QP die heteroscedastische CP-grenzen combineert met een gladde marge. Dit garandeert strikte naleving van FOV-beperkingen terwijl optimalisatiehaalbaarheid behouden blijft.
3. Empirische Validatie: Uitgebreide validatie via Gazebo-simulaties die aantonen dat het voorgestelde systeem superieure prestaties levert ten opzichte van bestaande methoden, zonder in te leveren op probabilistische veiligheidsgaranties.

---

Resultaten

De methode werd getest in Gazebo-simulaties met twee verschillende robots (een Husarion ROSbot 2 Pro als leider en een Clearpath Jackal als volger) op een ovaal circuit. Er werden drie scenario's getest: laag risico (midden FOV), medium risico (draaien) en hoog risico (dicht bij de rand).

• Succespercentage: Het voorgestelde "Risk-Aware" systeem bereikte een succespercentage van 95% over 100 trials.
  • Ter vergelijking: De nominale controller (zonder onzekerheidscompensatie) faalde in 96% van de gevallen (4% succes).
  • Een globale CP met een "optimistische" (laag-risico) kalibratie haalde slechts 23% succes.
  • Een globale CP met een "pessimistische" (hoog-risico) kalibratie haalde 73% succes, maar faalde vaak door onhaalbaarheid van het QP (te conservatief).
• Tracking-prestaties: Het adaptieve systeem behaalde de beste trackingfouten (afstand en hoek), vooral in de hoog-risico gebieden.
• Conservatisme: De onzekerheidsmarge van het adaptieve systeem was aanzienlijk kleiner dan die van de globale pessimistische methode in veilige gebieden, wat leidt tot betere controle-uitvoering, terwijl het toch veilig bleef in risicovolle gebieden.

---

Betekenis en Conclusie

Dit paper biedt een belangrijke doorbraak in het veilig besturen van robotformaties met visiegebaseerde sensoren. De kerninnovatie ligt in het erkennen dat onzekerheid niet uniform is en dat veiligheidsstrategieën hierop moeten reageren.

• Balans tussen Veiligheid en Mobiliteit: Door adaptief de veiligheidsmarge aan te passen aan de context (formatiepositie), lost het paper het fundamentele compromis op tussen "veilig zijn" (conservatief) en "beweeglijk zijn" (performant).
• Data-gedreven zonder Distributie-aannames: Het gebruik van Conformal Prediction zorgt voor statistisch geldige garanties zonder dat men de onderliggende foutverdeling van de diepe neurale netwerken hoeft te kennen.
• Toepasbaarheid: De aanpak is direct toepasbaar op complexe, real-world multi-robot toepassingen zoals zoek- en reddingsoperaties of coöperatieve verkenning, waar visuele beperkingen en dynamische manoeuvres vaak samenkomen.

Kortom, het paper demonstreert dat het mogelijk is om probabilistische veiligheid te garanderen in visiegebaseerde systemen, terwijl de robots tegelijkertijd soepel en efficiënt kunnen opereren binnen hun fysieke beperkingen.