⚡ electrical engineering

Data-Driven Reachability Analysis for Piecewise Affine Systems

Cet article propose une nouvelle approche de vérification de sécurité pour les systèmes hybrides à segments affines, utilisant des zonotopes hybrides et des algorithmes de calcul de modèles d'ensembles pour surmonter les difficultés de transition aux frontières des régions dynamiques.

Auteurs originaux : Peng Xie, Johannes Betz, Davide M. Raimondo, Amr Alanwar

Publié 2026-02-18

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Peng Xie, Johannes Betz, Davide M. Raimondo, Amr Alanwar

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🚗 Le Dilemme du Chauffeur : Comment savoir où on va sans connaître la carte ?

Imaginez que vous conduisez une voiture autonome dans une ville très complexe. Cette ville est divisée en plusieurs quartiers, chacun ayant ses propres règles de circulation :

Dans le Quartier A, la route est glissante (il faut freiner doucement).
Dans le Quartier B, il y a du vent fort (il faut corriger le volant).
Dans le Quartier C, la route est sèche et rapide.

Le problème, c'est que vous n'avez pas la carte de la ville. Vous ne connaissez pas les formules mathématiques exactes qui régissent chaque quartier. De plus, vos capteurs (caméras, radars) sont un peu brouillés par la pluie et le bruit.

La question cruciale est : "Est-ce que cette voiture va finir par sortir de la route et entrer dans une zone dangereuse (un mur, un précipice) ?"

C'est exactement le problème que résolvent les auteurs de ce papier : Peng Xie, Johannes Betz, Davide Raimondo et Amr Alanwar.

🧩 Le Problème : Les "Frontières" Magiques

Dans les systèmes classiques, on suppose que la physique est la même partout. Mais ici, quand la voiture passe d'un quartier à l'autre (par exemple, de la zone glissante à la zone sèche), les règles changent brutalement.

Les méthodes traditionnelles sont comme des dessinateurs qui essaient de prédire la trajectoire en traçant une ligne droite. Quand la voiture arrive à la frontière entre deux quartiers, ces méthodes se trompent souvent : elles disent soit "Tout va bien" (alors que la voiture va percuter un mur), soit "Attention danger !" (alors que c'est faux, ce qui fait paniquer le système inutilement).

🛠️ La Solution : Les "Zonotopes Hybrides" (Des Boîtes Magiques)

Les chercheurs proposent une nouvelle approche basée sur des données brutes (les traces laissées par la voiture) plutôt que sur des modèles théoriques.

Imaginez que vous ne dessinez pas une ligne fine pour prédire le chemin, mais que vous utilisez une boîte en carton flexible (un "zonotope") qui enveloppe toutes les positions possibles de la voiture.

Si la voiture a des capteurs imparfaits, la boîte s'agrandit un peu pour être sûre de tout couvrir.
L'innovation ici, c'est l'utilisation de "Zonotopes Hybrides". C'est comme si votre boîte en carton pouvait se scinder et se reformer instantanément quand elle traverse la frontière entre deux quartiers. Elle s'adapte aux nouvelles règles du quartier sans perdre sa forme ni sa capacité à contenir la vérité.

🔍 Les Trois Méthodes de Vérification (Le Trio de Détectives)

Pour affiner cette boîte et savoir exactement où est la voiture, l'équipe a développé trois méthodes différentes pour utiliser les mesures des capteurs (même bruitées). Ils les ont appelées :

RM (Reverse-Mapping) : Comme un détective qui regarde la photo du crime et recrée le chemin à l'envers pour voir où le suspect était.
IN (Implicit Intersection) : Comme un détective qui ajuste les poids de ses indices pour trouver la zone la plus petite possible où le suspect pourrait être.
GI (Generalized Intersection) : Comme un détective qui ajoute directement les nouvelles preuves dans le dossier sans recalculer tout le chemin.

La grande découverte ?
Même si ces trois méthodes semblent utiliser des outils mathématiques très différents (comme trois cuisiniers utilisant des recettes différentes), elles donnent exactement le même résultat final. C'est comme si trois architectes différents calculaient la taille d'une maison et trouvaient tous la même surface exacte.

📊 Les Résultats : Plus Rapide et Plus Sûr

Les chercheurs ont testé leur méthode sur des simulations de voitures et de systèmes industriels.

Sécurité : Leur méthode garantit que la "boîte" englobe toujours la vraie position de la voiture, même avec du bruit. Pas de fausses alarmes, pas de dangers manqués.
Vitesse : Parmi les trois méthodes, la méthode RM (la première) s'est révélée être la plus rapide, comme un coureur de fond qui arrive en premier à l'arrivée.

🎯 En Résumé

Ce papier nous dit : "Vous n'avez pas besoin de connaître toutes les lois de la physique d'un système complexe pour prédire s'il est sûr. Si vous avez assez de données (même imparfaites) et que vous utilisez nos 'boîtes magiques' (zonotopes hybrides), vous pouvez garantir la sécurité des voitures autonomes, des robots et des réseaux électriques, même quand ils changent de comportement brutalement."

C'est une avancée majeure pour rendre nos technologies autonomes plus sûres, même dans des environnements imprévisibles.

1. Problématique et Contexte

Les systèmes hybrides, qui combinent des dynamiques continues et des commutations de modes discrètes, sont fondamentaux pour des applications critiques telles que les véhicules autonomes, les réseaux électriques et les systèmes de contrôle industriels. La vérification de la sécurité de ces systèmes repose sur l'analyse de la réachabilité : déterminer si les états du système peuvent entrer dans des régions dangereuses (non sûres) compte tenu des conditions initiales et des incertitudes.

Cependant, l'analyse de réachabilité pour les systèmes hybrides pose des défis uniques :

Complexité des frontières : L'espace d'état est divisé en plusieurs régions avec des modèles dynamiques distincts. Aux frontières où la dynamique change brusquement, les méthodes traditionnelles produisent souvent des approximations imprécises, entraînant soit de fausses alarmes, soit des violations de sécurité non détectées.
Absence de modèles exacts : De nombreuses méthodes existantes (comme celles basées sur les zonotopes) nécessitent des modèles mathématiques précis (matrices $A, B$ connues), qui sont souvent indisponibles dans la pratique.
Bruit de mesure : Les données réelles sont corrompues par du bruit de processus et du bruit de mesure, ce qui complique l'estimation des ensembles d'états.

L'objectif de cet article est de combler le vide dans l'analyse de réachabilité des systèmes Affines par Morceaux (PWA - Piecewise Affine) en utilisant une approche pilotée par les données (data-driven) capable de gérer les transitions de mode et le bruit, sans connaissance préalable du modèle mathématique.

2. Méthodologie Proposée

Les auteurs proposent une approche basée sur les zonotopes hybrides pour calculer les ensembles de réachabilité directement à partir de données bruyantes (entrées-sorties ou entrées-états).

A. Représentation par Zonotopes Hybrides

Pour capturer la nature discontinue des systèmes PWA, l'article utilise la représentation des zonotopes hybrides. Contrairement aux zonotopes classiques qui représentent des ensembles convexes, les zonotopes hybrides permettent de modéliser des ensembles non convexes ou des unions d'ensembles convexes, essentiels pour décrire les états traversant les frontières de partition de l'espace d'état.

Un zonotope hybride $Z_h$ est défini par des générateurs continus ( $G_c$ ) et binaires ( $G_b$ ), ainsi que des contraintes linéaires ( $A_c, A_b, b$ ).
Des opérations algébriques (somme de Minkowski, intersection avec des demi-espaces) sont définies pour manipuler ces ensembles.

B. Analyse de Réachabilité (Données Entrée-État)

Pour les systèmes avec bruit de processus uniquement, l'article propose un algorithme (Algorithme 1) qui :

Identifie un ensemble de modèles : À partir de trajectoires d'entrée-état bruitées, un ensemble de matrices de modèles possibles $\{[A_i, B_i]\}$ est calculé sous forme de zonotopes matriciels, garantissant que le vrai modèle est inclus.
Gère les transitions de mode : L'algorithme propage l'ensemble d'états à travers les différentes régions de partition. À chaque pas de temps, l'ensemble est intersecté avec les polyèdres définissant les régions actives, puis propagé via les modèles identifiés pour chaque mode, avant d'être réuni.
Garantie de sur-approximation : La méthode garantit que l'ensemble calculé contient toutes les trajectoires réelles possibles, même en présence de bruit.

C. Estimation d'État en Ligne (Données Entrée-Sortie)

Pour le cas plus complexe incluant du bruit de mesure, l'article étend le cadre à l'estimation d'état en ligne (Algorithme 2). Trois méthodes de mise à jour par mesure sont proposées et adaptées aux systèmes hybrides :

Cartographie Inverse (Reverse-Mapping - RM) : Utilise la décomposition en valeurs singulières (SVD) pour construire explicitement un zonotope d'état compatible avec la mesure, puis l'intersecte avec l'état prédit.
Intersection Implicite (Implicit Intersection - IN) : Introduit des matrices de poids optimisées pour minimiser le volume de l'ensemble d'estimation final, sans calculer explicitement l'intersection géométrique à chaque étape.
Intersection Généralisée (Generalized Intersection - GI) : Formule les équations de mesure comme des contraintes supplémentaires directement dans la structure du zonotope hybride.

3. Contributions Clés

L'article apporte quatre contributions majeures :

Méthode Data-Driven pour PWA : Une nouvelle méthode utilisant des zonotopes hybrides pour calculer les ensembles de réachabilité des systèmes PWA directement à partir de mesures bruitées, sans modèle a priori.
Gestion des Transitions de Mode : Un algorithme explicite qui traite les multiples modes de fonctionnement et la partition de l'espace d'état, maintenant des garanties de sécurité à travers les transitions.
Cadre d'Estimation d'État Complet : Un cadre d'estimation d'état basé sur des ensembles pour les systèmes MIMO (Multi-Input Multi-Output) PWA avec bruit de processus et de mesure.
Équivalence Mathématique : La preuve formelle que les trois techniques de traitement du bruit de mesure (RM, IN, GI) sont mathématiquement équivalentes (elles produisent le même ensemble d'états réalisables) sous des conditions bien définies (matrices de mesure de rang plein, bruit borné).

4. Résultats Expérimentaux

Les auteurs ont validé leur approche sur des exemples numériques :

Système de Référence PWA : Un système à deux modes a été utilisé pour tester l'algorithme de réachabilité. Les résultats montrent que les approximations pilotées par les données (zones violettes claires) englobent correctement les ensembles de réachabilité dérivés du modèle (zones bleues), validant la capacité de sur-approximation.
Comparaison des Méthodes d'Estimation (RM, IN, GI) :
- Équivalence : Les figures 4 et 5 confirment que les trois méthodes (RM, IN, GI) produisent des bornes d'estimation identiques, contenant la trajectoire d'état réelle, confirmant ainsi la preuve théorique d'équivalence.
- Efficacité Computationnelle : Une analyse statistique (Figure 6 et Tableau I) révèle des différences de performance :
  - La méthode RM (Reverse-Mapping) est la plus rapide (médiane : 0,025 s).
  - La méthode GI suit (médiane : 0,028 s).
  - La méthode IN est la plus lente (médiane : 0,036 s), probablement due à l'optimisation des poids requise.
- Complexité : Comme attendu, le temps de calcul augmente de manière exponentielle avec l'horizon temporel, ce qui est une limitation inhérente aux méthodes d'approximation d'ensembles pour les systèmes hybrides.

5. Signification et Conclusion

Cet article représente une avancée significative pour la vérification de sécurité des systèmes cyber-physiques complexes où les modèles exacts sont difficiles à obtenir.

Impact Pratique : La capacité à garantir la sécurité (ou à détecter des violations) uniquement à partir de données bruitées ouvre la voie à la validation de systèmes autonomes et de robots opérant dans des environnements dynamiques et mal modélisés.
Innovation Théorique : L'introduction des zonotopes hybrides pour gérer les transitions de mode et la preuve d'équivalence entre trois approches d'estimation distinctes fournissent une base théorique solide pour les recherches futures.
Perspectives : Les auteurs soulignent que le travail futur se concentrera sur le couplage entre les frontières des systèmes PWA et les paramètres des sous-modèles, ainsi que sur l'extension de ces méthodes à d'autres types de systèmes hybrides (comme les systèmes dynamiques logiques mixtes).

En résumé, cette recherche offre un cadre robuste et mathématiquement fondé pour l'analyse de réachabilité des systèmes hybrides, transformant la dépendance aux modèles précis en une capacité à exploiter directement les données opérationnelles.