Résumé Technique : Certificat de Barrière de Contrôle Adaptatif Robuste en Temps Discret

Énoncé du Problème

L'article traite du défi consistant à assurer la sécurité des systèmes à temps discret soumis à la fois à des perturbations externes bornées et à une incertitude paramétrique du modèle. Bien que les fonctions de barrière de contrôle (CBF) soient devenues un outil standard pour le contrôle critique de la sécurité dans les systèmes en temps continu, leur application aux systèmes à temps discret (DT-CBF) avec des paramètres inconnus reste sous-développée.

Les méthodes existantes basées sur des modèles ont souvent du mal avec l'incertitude du modèle, ce qui peut compromettre les garanties de sécurité. Bien que des extensions robustes et adaptatives existent pour les systèmes en temps continu, elles reposent sur des arguments basés sur les dérivées, lesquels sont indisponibles en temps discret. De plus, les contrôleurs en temps discret doivent opérer de manière causale (sans information sur le futur), une contrainte qui n'a pas été pleinement abordée dans la littérature antérieure sur les CBF adaptatifs en temps continu. Le problème central est de développer un cadre capable de garantir que l'état du système reste dans un ensemble sûr malgré les perturbations et les paramètres inconnus, sans nécessiter l'accès aux véritables paramètres du système ($\theta^*$), tout en permettant l'estimation des paramètres en ligne.

Méthodologie

Modèle de Système

Les auteurs considèrent des systèmes à temps discret affines par l'entrée, décrits par :
$$x_{t+1} = f_d(x_t) - [\phi(x_t)]^\top \theta + g(x_t)u_t + w_t$$
où $x_t$ est l'état, $u_t$ est l'entrée, $\theta$ est un vecteur de paramètres constants inconnus, et $w_t$ est une perturbation bornée située dans un polytope connu. Le terme de dérive comprend une partie nominale connue et une partie incertaine linéaire par rapport aux paramètres inconnus.

Cadre de Contrôle Adaptatif Robuste

L'approche proposée découple le filtre de sécurité de l'estimateur de paramètres, permettant une conception modulaire.

1. Fonction de Barrière Adaptativement Robustifiée :
   Au lieu d'utiliser une fonction de barrière standard $B(x, \theta)$, les auteurs définissent une fonction de barrière variable dans le temps $B_{ra,t}(x)$ qui incorpore l'estimation actuelle des paramètres $\hat{\theta}_t$ et un terme de pénalité basé sur l'erreur d'estimation :
   $$B_{ra,t}(x) := B(x, \hat{\theta}_t) - \frac{1}{2}e_{\theta,t}^\top \Gamma^{-1} e_{\theta,t}$$
   où $e_{\theta,t} = \hat{\theta}_t - \theta^*$ et $\Gamma$ est une matrice définie positive. Cela crée un ensemble sûr "robustifié" $S_{ra,t}$ qui est un sous-ensemble de l'ensemble défini par l'estimation actuelle, garantissant la sécurité même si l'estimation est imparfaite.

2. Certificat de DT-CBF Adaptatif Robuste :
   L'article établit une condition suffisante (Définition 4) pour qu'une fonction soit une DT-CBF adaptative robuste. Cette condition, nommée "certificat de barrière de contrôle (CBC) adaptatif robuste", tient compte de :

   • Les perturbations bornées ($w$).
   • L'écart du modèle paramétrique.
   • L'incrément de l'estimation des paramètres ($\delta_{\theta,t}$).
   • Les constantes de Lipschitz de la fonction de barrière et de la dynamique du système.

   Crucialement, ce certificat est vérifié hors ligne à l'aide de bornes de pire cas sur l'erreur d'estimation et les incréments de paramètres, sans avoir besoin de $\theta^*$.

3. Condition d'Entrée en Ligne :
   Pour une implémentation en temps réel, les auteurs dérivent une condition d'entrée en ligne (Équation 17) qui dépend uniquement de l'estimation actuelle $\hat{\theta}_t$ et de la borne actuelle de l'erreur d'estimation $\varepsilon_{\theta,t}$. Cette condition définit un ensemble d'entrées de commande admissibles $U_{ras,t}(x)$. Un filtre de sécurité projette toute entrée de commande nominale sur cet ensemble pour assurer la sécurité.

4. Estimation Causale et Synthèse :
   L'article propose un estimateur spécifique utilisant les moindres carrés récursifs (RLS) avec troncature (clipped RLS) et projection par appartenance à un ensemble. Cet estimateur met à jour l'ensemble de paramètres $\Theta_t$ et l'estimation ponctuelle $\hat{\theta}_t$ sur la base de données passées ($F_{t-1}$), garantissant que l'entrée de commande $u_t$ est calculée de manière causale (sans dépendre de l'information $t+1$).

Principales Contributions

1. Garanties de Sécurité Adaptatives Robustes en Temps Discret : Ce travail établit des garanties de sécurité robustes pour les systèmes à temps discret affines par l'entrée sous des perturbations bornées et un écart de modèle paramétrique. Il dérive une condition d'entrée en ligne adaptée aux filtres de sécurité, surmontant l'absence d'arguments basés sur les dérivées en temps discret.
2. Architecture Modulaire : Le cadre démontre que le module d'estimation de paramètres peut être conçu séparément du filtre de sécurité basé sur la CBF. Ce découplage simplifie le développement de contrôleurs adaptatifs sûrs, une caractéristique qui n'est pas explicitement révélée dans les résultats existants en temps continu.
3. Analyse de la Robustesse Inhérente : L'article fournit une analyse rigoureuse de la "robustesse inhérente" de l'approche de contrôle proposée. Il prouve que si l'état du système se trouve en dehors de l'ensemble sûr adaptatif robuste (en raison de perturbations ou d'estimations médiocres), la politique de commande ramène asymptotiquement l'état vers la séquence de l'ensemble sûr.
4. Compatibilité avec des Estimateurs en Ligne Généraux : La méthodologie accepte des estimateurs de paramètres en ligne généraux fournissant des estimations ponctuelles, des estimations d'ensembles et des bornes uniformes sur les incréments d'estimation, plutôt que d'être liée à un algorithme d'apprentissage spécifique.

Résultats et Revendications

• Garantie de Sécurité : Le principal résultat théorique (Théorème 2) stipule que si une fonction de barrière satisfait la condition de CBC adaptatif robuste, l'ensemble des entrées de commande admissibles est non vide. De plus, si la politique de commande sélectionne des entrées appartenant à cet ensemble, le système en boucle fermée est robustement sûr par rapport à une séquence d'ensembles sûrs variables dans le temps $\{S_{ra,t}\}$.
• Causalité : La synthèse proposée garantit que les entrées de commande sont calculées en utilisant uniquement les informations passées disponibles, satisfaisant les exigences de causalité des systèmes échantillonnés.
• Convergence vs Sécurité : Les auteurs notent explicitement que bien que la convergence des paramètres (vers $\theta^*$) réduirait le conservatisme, les garanties de sécurité ne reposent pas sur la convergence des estimations de paramètres. La sécurité est maintenue tant que le véritable paramètre reste à l'intérieur de l'ensemble estimé $\Theta_t$.
• Implémentation : L'article présente un algorithme (Algorithme 1) pour l'implémentation, notant que bien que le problème d'optimisation général soit non convexe, il devient un problème d'optimisation convexe si la fonction de barrière est concave par rapport à l'état, ce qui est une hypothèse standard dans de nombreuses formulations de DT-CBF.

Signification

L'article affirme que sa principale importance réside dans l'établissement d'un cadre de contrôle de sécurité adaptatif robuste général pour les systèmes à temps discret. Il ne prétend pas concevoir des fonctions de barrière spécifiques, développer de nouveaux algorithmes d'estimation de paramètres ou vérifier l'existence de fonctions de barrière pour des systèmes spécifiques. Au lieu de cela, il fournit le fondement théorique (le certificat et la condition en ligne) qui permet d'intégrer en toute sécurité les outils d'estimation existants avec des contrôleurs basés sur la CBF dans des contextes de temps discret.

Ce travail comble le fossé entre la théorie des CBF adaptatives en temps continu et les réalités pratiques de l'implémentation en temps discret (telles que le MPC et l'apprentissage par renforcement), offrant une stratégie qui est à la fois robuste aux perturbations et adaptative aux incertitudes de modèle sans nécessiter la connaissance des véritables paramètres du système.