Rendre les dynamiques apprises exploitables par la commande robuste

Ma recherche doctorale en génie électrique porte sur la modélisation et la commande de systèmes non linéaires à partir des données : comment amener un réseau récurrent identifié à partir des données dans un cadre où les outils de la commande robuste s’appliquent.

1Axes de recherche

Continuer à bâtir le pont entre les modèles d’apprentissage profond et la commande certifiée.

1.1Des réseaux récurrents sous une forme exploitable par l’automatique

Using GRU models in the LPV-LFT framework
Problème.
Les réseaux de neurones sont de plus en plus utilisés en commande, mais se relient mal aux outils classiques de l’automatique.
Approche.
Réécrire une Gated Recurrent Unit (GRU) modifiée sous forme Linéaire à Paramètres Variants et Transformation Linéaire Fractionnaire (LPV-LFT), afin qu’un réseau identifié à partir des données puisse être traité avec des outils dédiés à la commande.
Contribution.
Une formulation LPV-LFT d’un GRU modifié.
Vérifié.
Des essais de performance sur des GRU avec et sans contraintes mesurent les pertes dues aux hypothèses de la formulation.

Andréa Gourion, Philippe Feyel, David Saussié · IEEE Conference on Control Technology and Applications (CCTA), 2024, p. 93–100 · publié · doi : Using GRU models in the LPV-LFT framework (nouvel onglet)

1.2Commande H∞\mathcal{H}_\infty séquencée de systèmes non linéaires identifiés

LPV-LFT-based data-driven control of nonlinear systems with GRU models
Problème.
Un modèle de prédiction n’est pas encore un contrôleur. La question est de passer d’un modèle récurrent identifié sur un procédé non linéaire à un contrôleur qui respecte des exigences de performance.
Approche.
Une formulation LPV-LFT strictement équivalente du GRU modifié, des contrôleurs LPV H∞\mathcal{H}_\infty à gains séquencés et un Unscented Kalman Filter (UKF) qui estime l’état du GRU afin de calculer les paramètres variants en temps réel.
Contribution.
Une méthodologie reliant l’identification à partir des données et la commande LPV robuste.
Vérifié.
La méthodologie est évaluée sur un cas de référence non linéaire.

Andréa Gourion, Philippe Feyel, David Saussié · European Journal of Control, 2026, article 101564 · publié · doi : LPV-LFT-based data-driven control of nonlinear systems with GRU models (nouvel onglet)

Google Scholar (nouvel onglet)

2Article soumis

Certifier la stabilité quand la linéarisation ne conclut pas.

Un travail sur la certification exacte par Sommes de Carrés (SOS). Il est en cours d’évaluation et n’a pas encore été évalué par les pairs.

Invariant-Manifold Jets for Explicit Facial Reduction in SOS Lyapunov Programs
Problème.
À un équilibre non hyperbolique, la linéarisation peut ne pas conclure. Les programmes SOS qui cherchent une fonction de Lyapunov y deviennent dégénérés : la dynamique lente sur la variété invariante impose des annulations exactes, que les solutions en virgule flottante peuvent violer près de l’équilibre.
Approche.
Calculer ces contraintes avant l’optimisation, à partir d’un jet fini de la variété invariante, puis les retirer du programme par une réduction faciale explicite.
Contribution.
Deux théorèmes : des noyaux imposés aux matrices de Gram des blocs de décroissance, quelle que soit la dimension de la variété, et des certificats exposants explicites obtenus à partir de moments rationnels.
Vérifié.
Sur un banc d’essai scalaire de 80 systèmes, l’optimisation réduite au point central et la reconstruction rationnelle certifient chaque instance, avec des contrôles exacts.

Andréa Gourion · soumis à ECC 2027, non évalué par les pairs · Lire l’article et voir les six vidéos

3Matériel interactif

Un exemple complet à manipuler.

Cet exemple pédagogique applique la méthode à un système masse-ressort-amortisseur. Il est distinct du cas de référence des articles.

3.1De la masse à la voiture

Réglez le paramètre de la masse de la documentation et observez la sortie, la commande et la plage annoncée par la synthèse. Puis voyez le même principe sur la suspension active d’une voiture, face à un contrôleur fixe.

Ouvrir les simulations

u−uAccélération de la caisse [m/s²]50−5
Fig. 1. Image de la simulation, sur route accidentée avec le contrôleur LPV. Dessous, l’accélération de la caisse sur 4 secondes, avec le contrôleur (trait plein) et sans actionneur (tirets) : 21 % de moins en moyenne quadratique.

3.2Commande H∞\mathcal{H}_\infty LPV-LFT, pas à pas

Du modèle physique à la formulation de la synthèse, avec toutes les équations et deux modules interactifs : l’énergie d’un signal et l’entrée du pire cas.

Lire la documentation

Un poste, une collaboration scientifique ou un projet à développer ? Présentez-moi le contexte et ce que vous souhaitez discuter.

me contacter