Funnel Control Under Hard and Soft Output Constraints (extended version)

Cet article propose une méthode de contrôle en entonnoir pour les systèmes non linéaires incertains d'Euler-Lagrange, intégrant une planification en ligne de contraintes qui garantit le respect des limites de sécurité tout en optimisant les performances, comme le démontre une simulation de robot mobile évoluant dans un espace contraint.

L'essentiel

🚗 Le Guide de Conduite Intelligente : Comment faire du vélo sans tomber ni heurter les murs

Imaginez que vous devez piloter un robot (comme une voiture autonome ou un bras robotique) dans un environnement complexe. Vous avez deux objectifs contradictoires :

1. La Sécurité (Contraintes "Dures") : Le robot ne doit absolument pas sortir d'une zone délimitée (par exemple, ne pas sortir de la route ou ne pas heurter un mur). C'est une règle absolue.
2. La Performance (Contraintes "Douces") : Le robot doit suivre une trajectoire précise et rapide (par exemple, rattraper un ballon qui bouge vite). C'est l'idéal, mais ce n'est pas vital.

Le problème ? Parfois, la trajectoire idéale (le ballon) vous demande de passer à travers un mur. Si vous essayez de suivre le ballon, vous brisez la règle de sécurité. Si vous respectez le mur, vous ratez le ballon.

La plupart des méthodes de contrôle actuelles sont comme des conducteurs paniqués : soit ils ignorent le mur pour suivre le ballon (catastrophe), soit ils s'arrêtent net pour ne pas toucher le mur (inefficacité).

Ce papier propose une nouvelle méthode, appelée Contrôle par Entonnoir (Funnel Control), qui agit comme un co-pilote ultra-intelligent.

---

1. Le Concept de l'« Entonnoir » (Le Tunnel)

Imaginez que le robot doit voyager dans un tunnel.

• Les murs du tunnel sont les contraintes de sécurité. Ils sont fixes et infranchissables.
• La ligne au centre est la trajectoire idéale.

L'idée du papier est de créer un tunnel virtuel qui se déforme en temps réel.

• Si la trajectoire idéale est loin des murs, le tunnel est large et centré sur l'idéal (le robot va vite et bien).
• Si la trajectoire idéale menace de toucher un mur, le tunnel se déplace pour rester collé au mur, mais il reste toujours à l'intérieur de la zone de sécurité.

Le robot est alors contraint de rester dans ce tunnel déformé. Il sacrifie un peu sa performance (il s'éloigne de la ligne idéale) pour garantir qu'il ne percute jamais le mur.

2. La Magie : Le « Planificateur d'Entonnoir en Ligne »

C'est le cœur de la découverte des auteurs. Ils ont inventé un algorithme qui dessine ce tunnel à la volée, seconde par seconde.

• Scénario A (Tout va bien) : Le ballon (cible) et le mur (sécurité) sont compatibles. Le planificateur dit : « Super, on suit le ballon ! » Le tunnel englobe la trajectoire idéale.
• Scénario B (Conflit) : Le ballon s'approche dangereusement du mur. Le planificateur détecte le danger. Il dit : « Stop, on ne peut pas suivre le ballon ici. »
  • Il élargit le tunnel vers le mur (en sacrifiant la performance).
  • Il déplace le centre du tunnel pour qu'il reste collé au mur de sécurité.
  • Le robot suit ce nouveau chemin. Il rate le ballon, mais il reste en sécurité.

Une fois le danger passé (le ballon s'éloigne du mur), le tunnel se referme doucement pour revenir vers la trajectoire idéale. C'est comme si le tunnel avait une mémoire et une élasticité.

3. Le Moteur : Le Contrôleur « Sans Modèle »

Pour faire bouger le robot dans ce tunnel, il faut un moteur. Les auteurs utilisent une technique appelée Contrôle de Performance Prescrite (PPC).

• L'analogie du vélo : Imaginez que vous êtes sur un vélo. Vous ne connaissez pas le poids exact du vélo, ni la force du vent, ni la friction de la route (c'est ce qu'on appelle un système « incertain »).
• La méthode : Au lieu de calculer des équations complexes pour chaque gramme de poids, le contrôleur utilise une astuce mathématique simple. Il dit : « Tant que tu restes dans le tunnel, tout va bien. Si tu t'approches trop près des bords, je tire fort sur le guidon pour te ramener au centre. »
• L'avantage : C'est robuste. Peu importe si le robot est lourd ou léger, ou s'il y a du vent, il restera toujours dans le tunnel. C'est simple, efficace et ne nécessite pas de connaître tous les détails techniques du robot.

4. L'Expérience : Le Robot Mobile

Pour priquer leur théorie, les auteurs ont simulé un robot mobile (une petite voiture) dans une pièce carrée.

• La tâche : Suivre un objet qui bouge en cercle (le ballon).
• La contrainte : Le robot ne doit jamais sortir d'un carré rouge (le mur).
• Le résultat :
  • Quand le ballon est loin du mur, le robot le suit parfaitement.
  • Quand le ballon s'approche du mur, le robot s'écarte de la trajectoire idéale pour rester dans le carré rouge.
  • Dès que le ballon s'éloigne, le robot revient vers la trajectoire idéale.

Le graphique montre que le robot a réussi à ne jamais sortir du carré (sécurité garantie) tout en essayant de suivre le ballon le mieux possible (performance optimisée).

En Résumé

Ce papier propose une méthode pour piloter des robots complexes de manière sûre et intelligente.

1. Sécurité d'abord : On définit des limites infranchissables (les murs).
2. Performance ensuite : On essaie de suivre la cible, mais seulement si c'est compatible avec les murs.
3. Adaptabilité : Si les murs et la cible entrent en conflit, le système redessine instantanément la route pour rester en sécurité, puis revient à la normale dès que possible.

C'est comme avoir un co-pilote qui sait exactement quand il faut lâcher prise pour éviter un accident, et quand il faut accélérer pour rattraper le temps perdu, le tout sans jamais perdre le contrôle.

Résumé technique

1. Problématique

L'article aborde le problème de la commande de systèmes non linéaires incertains (spécifiquement les systèmes d'Euler-Lagrange, tels que les robots mobiles et les manipulateurs) soumis à des contraintes de sortie temporelles variables.

Le défi principal réside dans la gestion simultanée de deux types de contraintes souvent conflictuelles :

• Contraintes dures (Hard Constraints) : Représentent des exigences de sécurité absolues (ex. : limites physiques, zones d'exclusion). Elles ne doivent jamais être violées.
• Contraintes douces (Soft Constraints) : Représentent des exigences de performance (ex. : précision du suivi de trajectoire, temps de convergence). Elles sont souhaitables mais peuvent être relâchées si nécessaire pour préserver la sécurité.

Dans la littérature existante, les méthodes de contrôle (comme le contrôle par entonnoir ou les fonctions de barrière) traitent souvent ces contraintes de manière séparée ou supposent qu'elles sont toujours compatibles. L'objectif de cet article est de concevoir un schéma de contrôle capable de garantir toujours le respect des contraintes dures, tout en satisfaisant les contraintes douces uniquement lorsque cela n'entre pas en conflit avec la sécurité.

2. Méthodologie

La solution proposée combine une planification d'entonnoir en ligne et une commande par performance prescrite (PPC) robuste et sans modèle.

A. Planification d'entonnoir compatible aux contraintes (Online Constraint Consistent Funnel Planning)

Les auteurs proposent un algorithme en temps réel pour générer des frontières d'entonnoir continues, notées $\rho^L_i(t)$ et $\rho^U_i(t)$, qui définissent une région de sécurité admissible (Constraint Consistent Funnel - CCF).

• Logique de fusion : Lorsque les contraintes dures et douces sont compatibles, l'entonnoir est défini par l'intersection des deux.
• Gestion des conflits : Lorsque les contraintes deviennent incompatibles (par exemple, la trajectoire désirée sort de la zone de sécurité), le système active des signaux de modification $\phi^L_i(t)$ et $\phi^U_i(t)$.
  • Ces signaux sont régis par des dynamiques différentielles (équations 6a et 6b) qui augmentent la largeur de l'entonnoir pour respecter la contrainte dure, tout en violant temporairement la contrainte douce.
  • Dès que le conflit est résolu, les signaux de modification convergent exponentiellement vers zéro, permettant une récupération rapide de la contrainte de performance.
• Continuité : Le schéma assure que les frontières de l'entonnoir restent continues (bien que potentiellement non lisses), évitant ainsi les discontinuités qui rendraient le contrôle instable. Une version lissée (via des approximations hyperboliques) est également proposée pour des entrées de commande plus douces.

B. Conception du Contrôleur (Prescribed Performance Control - PPC)

Une fois l'entonnoir compatible (CCF) planifié, un contrôleur robuste est conçu pour maintenir la sortie du système à l'intérieur de cet entonnoir.

• Approche sans modèle (Model-free) : Le contrôleur ne nécessite pas la connaissance exacte des paramètres dynamiques du système (masse, inertie, frottements) ni des perturbations externes, à condition qu'elles soient bornées.
• Transformation d'erreur : La méthode PPC utilise une transformation non linéaire bijective pour mapper l'erreur de suivi normalisée (bornée entre -1 et 1) vers un espace non borné.
• Structure à deux niveaux :
  1. Niveau vitesse : Définition d'une vitesse de référence désirée pour maintenir la position dans l'entonnoir.
  2. Niveau accélération : Conception de l'entrée de commande $u$ pour assurer que l'erreur de vitesse suit également un entonnoir de performance.
• Stabilité : La stabilité est prouvée via des fonctions de Lyapunov, garantissant que toutes les signaux en boucle fermée restent bornés et que les contraintes sont respectées pour tout $t \ge 0$.

3. Contributions Clés

1. Première approche de contrôle par entonnoir gérant simultanément des contraintes dures et douces : Contrairement aux travaux précédents qui supposaient la compatibilité, cette méthode gère dynamiquement les conflits.
2. Planification d'entonnoir adaptative en ligne : Un mécanisme novateur qui ajuste dynamiquement les limites de performance pour céder la priorité à la sécurité, tout en assurant une récupération exponentielle des performances dès que la sécurité le permet.
3. Commande robuste et sans modèle : La solution s'applique aux systèmes d'Euler-Lagrange incertains sans nécessiter de modèles dynamiques précis ni d'optimisation en temps réel (contrairement aux méthodes basées sur les fonctions de barrière CBF qui utilisent souvent des programmes quadratiques).
4. Garanties théoriques rigoureuses : Preuve formelle de la faisabilité de l'entonnoir, de la continuité des frontières, et de la stabilité globale du système en boucle fermée.

4. Résultats de Simulation

Les auteurs valident leur approche sur un robot mobile opérant dans un plan 2D.

• Scénario : Le robot doit suivre une trajectoire d'un objet en mouvement (contrainte douce) tout en restant à l'intérieur d'une zone rectangulaire délimitée (contrainte dure).
• Résultats :
  • Le robot respecte strictement les limites de la zone de sécurité (contraintes dures) même lorsque la trajectoire de l'objet l'obligerait à sortir.
  • Lorsque la trajectoire de l'objet revient dans la zone sûre, le robot retrouve rapidement sa précision de suivi (récupération de la contrainte douce).
  • Des simulations avec différents gains de récupération ($k_c$) montrent que l'on peut ajuster le compromis entre la conservatisme de la violation des contraintes douces et la vitesse de récupération.
  • Les signaux de commande restent continus et bornés, confirmant la robustesse de la méthode face aux perturbations externes.

5. Signification et Impact

Cet article apporte une avancée significative dans le domaine du contrôle des systèmes non linéaires incertains :

• Pragmatisme industriel : Il répond à un besoin réel où la sécurité (safety) est non négociable, tandis que la performance (performance) est souhaitable mais adaptable.
• Efficacité computationnelle : En évitant les programmes d'optimisation en ligne (QP) nécessaires aux méthodes CBF classiques, la méthode proposée est plus légère et adaptée aux systèmes embarqués à temps réel.
• Robustesse : La capacité à fonctionner sans modèle précis du système la rend applicable à une large classe de robots physiques réels soumis à des incertitudes et des perturbations.

En résumé, cette méthode offre un cadre théorique solide et une implémentation pratique pour garantir la sécurité absolue des systèmes dynamiques tout en optimisant leurs performances de manière dynamique et adaptative.