Un drone imitateur contourne les trous noirs de l'incertitude express
Quand un drone apprend d'un pilote expérimenté, il ne mémorise pas seulement des manœuvres, mais des couloirs entiers de sécurité. Mais en vol réel, il y a toujours des facteurs absents de l'entraînement : un vent soudain, un tremblement de caméra, même le mouvement propre du drone peut déstabiliser l'air. L'apprentissage par imitation standard — copier un instructeur humain — échoue ici : dans des conditions modifiées, copier mène à l'accident. C'est ce qu'on appelle le décalage de distribution des données : ce que le drone a appris en simulateur peut s'avérer faux en réalité.
Le nouvel algorithme résout ce problème en traçant autour de toutes les zones indésirables des « trous noirs » invisibles. Mathématiquement, ils sont décrits de telle sorte que plus le drone s'approche du danger, plus le système le repousse — comme une gravité inversée. Grâce à cela, le drone contourne en douceur les zones interdites, même si les capteurs « mentent » ou si la liaison est coupée.
Les essais ont montré que l'appareil n'a jamais franchi la limite de sécurité, gérant un fort vent latéral et des pannes soudaines. Une telle prudence ouvre la voie à la livraison urbaine par tous les temps ou à des missions de secours où une erreur coûte la vie.
Résumé original
tel que rédigé par les auteurs, en anglais arXiv:2607.13436
Imitation learning (IL) has achieved remarkable success in complex decision-making tasks. However, its performance is highly sensitive to distribution shifts, which can pose significant safety risks. We propose a distributionally robust and safe IL framework that explicitly addresses both policy-induced and uncertainty-induced distribution shifts. Our approach develops a unified framework leveraging Taylor Series Imitation Learning (TaSIL) to mitigate policy-induced shifts and distributionally robust adaptive control to handle uncertainty-induced shifts. This architecture enables the formulation of an IL problem that optimizes performance under distributional uncertainty while systematically accounting for safety constraints. We demonstrate the effectiveness of the proposed approach on an unmanned aerial vehicle (UAV) case study where the UAV performs a task in an uncertain environment while avoiding unsafe regions.
Les séries de Taylor dans l'algorithme fonctionnent comme un navigateur : elles remplacent une trajectoire complexe par une séquence de petits segments droits.
Dans le film « Interstellar », les héros manœuvraient autour du trou noir Gargantua en s'appuyant sur des calculs et une adaptation à l'espace déformé — c'est à peu près ce que fait ce drone, mais en miniature.