Une carte qui n'a pas peur d'avouer : « Je ne sais pas » express
Un groupe de robots explorateurs, c'est un peu comme une brigade de cuisiniers qui goûtent le même plat. Chacun prélève un échantillon de sa zone et partage son impression : libre, occupé ou incertain. Mais les goûts sont subjectifs — l'un n'a pas remarqué le pied de chaise, l'autre n'a léché que le bord. Au lieu de faire la moyenne de ces avis divergents, les robots se mettent d'accord : là où la confiance est faible, on écrit honnêtement « je ne sais pas ». Pour cela, ils échangent une valeur e — une mesure de leur propre incertitude (à quel point leur rapport est douteux). En fusionnant tous ces « indices de doute », ils obtiennent une vue d'ensemble dont la fiabilité est mathématiquement garantie — par exemple, 95 %. Plus il y a de « cuisiniers » et plus ils se consultent souvent, moins il reste de zones d'ombre dans la recette. La méthode ne dépend ni de qui parle à qui, ni de la qualité des capteurs : un robot a le droit de se tromper, à condition de le reconnaître honnêtement.
Résumé original
tel que rédigé par les auteurs, en anglais arXiv:2607.14906
Accurate and reliable environmental mapping is a fundamental requirement for multi-robot autonomy. While continuous mapping techniques like Gaussian Process Occupancy Mapping (GPOM) provide rich spatial correlation and uncertainty estimates, they lack formal, finite-sample guarantees on their predictive reliability. Conformal prediction can equip each robot's local map with a distribution-free coverage guarantee, but this local guarantee degrades in practice: temporal correlation along a robot's trajectory breaks the exchangeability on which conformal calibration relies, and each robot observes only a spatially limited, non-uniform portion of the environment. Taking these degraded per-agent guarantees as given, we develop a distributed fusion algorithm that recovers the desired coverage across the team. Robots exchange only lightweight scalar e-values with their neighbors, and a receiver fuses them using a per-neighborhood miscoverage budget and an uncertainty-attenuated fusion operator. We prove that the fused set-valued map recovers the target user-specified coverage level regardless of the communication graph topology or the underlying sensor noise distribution. However, a drawback is that wherever the fused evidence is insufficient, the map declines to commit and returns both labels (free and occupied), leaving a significant fraction of the domain unclassified rather than thresholded into a single decision. Simulated multi-agent mapping experiments demonstrate that the fused predictor reliably meets its theoretical coverage bounds, and illustrate that denser communication topologies significantly enhance map efficiency by shrinking this unclassified fraction.
La carte la plus précise est celle qui n'a pas honte de ses lacunes : un robot qui doute de ses mesures est plus utile qu'un je-sais-tout arrogant.