⚡ electrical engineering

Feedback Linearisation with State Constraints

Cet article propose une méthode pour traiter les contraintes d'état dans la linéarisation par rétroaction en augmentant la dynamique du système avant la linéarisation et en employant un contrôleur à commutation pour résoudre les degrés relatifs mal définis résultant aux frontières de contraintes.

Auteurs originaux : Songlin Jin, Yuanbo Nie, Morgan Jones

Publié 2026-07-07

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Songlin Jin, Yuanbo Nie, Morgan Jones

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

Imaginez que vous conduisez une voiture de course haute performance (un système non linéaire complexe) que vous voulez diriger parfaitement le long d'une piste sinueuse. Vous disposez d'un outil puissant appelé Linéarisation par Feedback (FBL). Voyez la FBL comme un volant magique qui, lorsque vous le tournez, annule instantanément toute la physique étrange et imprévisible de la voiture (comme la résistance du vent ou les caprices du moteur) et fait en sorte que la voiture se comporte comme une simple voiture jouet prévisible roulant en ligne droite. Cela rend la conduite facile en utilisant des règles simples et standard.

Le Problème : Les Murs Invisibles
Cependant, la vie réelle impose des règles. Votre voiture doit rester à l'intérieur des glissières de sécurité (contraintes d'état). Le problème avec l'utilisation de ce « volant magique » (FBL), c'est qu'en plus de rendre la voiture facile à diriger, il déforme la carte. Soudain, les glissières de sécurité simples et droites de la véritable piste se transforment en un labyrinthe 3D confus et tortueux sur votre carte numérique. Essayer de maintenir la voiture à l'intérieur des glissières en utilisant les règles de la « voiture jouet » devient plus difficile que de conduire la vraie voiture ! Les règles simples ne fonctionnent plus car les « murs » sont devenus des courbes complexes et non linéaires.

La Solution : Ajouter un « Chauffeur de l'Ombre »
Les auteurs de cet article proposent un contournement ingénieux. Au lieu d'essayer de diriger la voiture en regardant la carte déformée et confuse, ils suggèrent d'ajouter un Chauffeur de l'Ombre (un nouvel ensemble de variables) au système de contrôle de la voiture avant d'appliquer le volant magique (FBL).

La Variable d'Écart (Le Tampon) : Imaginez que le Chauffeur de l'Ombre tienne un élastique tendu entre la voiture et la glissière de sécurité. Tant que la voiture est loin du mur, l'élastique est lâche. À mesure que la voiture s'approche du mur, l'élastique se tend. Le travail du Chauffeur de l'Ombre est de gérer cette tension.
Augmenter le Système : Ils « attachent » mathématiquement ce Chauffeur de l'Ombre à la voiture. Désormais, au lieu de simplement diriger la voiture, le volant magique (FBL) dirige le Chauffeur de l'Ombre. Comme le Chauffeur de l'Ombre est conçu pour réagir à l'élastique, la voiture est physiquement empêchée de franchir la glissière de sécurité. Si la voiture tente de heurter le mur, la tension du Chauffeur de l'Ombre s'ajuste automatiquement pour l'arrêter, rendant le « mur » impossible à franchir.
Le Contrôleur Intégral : Pour s'assurer que le Chauffeur de l'Ombre ne soit pas submergé ou n'agisse pas de manière erratique, ils ajoutent un composant de « mémoire » (un contrôleur intégral). C'est comme un copilote qui se souvient de la force avec laquelle la voiture a été poussée et qui lisse doucement la direction, garantissant que la voiture reste dans des limites sûres sans faire de mouvements brusques.

Le Hic : La Zone « Floue »
Il y a un aspect délicat. Lorsque la voiture se trouve exactement sur le bord de la glissière (la limite), les mathématiques décrivant le Chauffeur de l'Ombre deviennent « floues » ou indéfinies. C'est comme essayer de calculer la vitesse d'une voiture qui vient de s'arrêter ; les chiffres deviennent désordonnés, et le volant magique pourrait cesser de fonctionner correctement.

La Solution : Changer de Vitesse
Pour corriger cela, les auteurs introduisent une Stratégie de Commutation. Imaginez que la voiture possède deux modes de direction différents :

Mode A : Utilisé lorsque la voiture est en sécurité au milieu de la route.
Mode B : Utilisé lorsque la voiture s'approche dangereusement de la glissière de sécurité.

Le système vérifie constamment la « zone floue ». Si la voiture s'approche trop près de l'endroit où les mathématiques deviennent confuses, le système bascule instantanément vers l'autre mode de direction, qui est conçu spécifiquement pour cette situation délicate. Une fois que la voiture revient en sécurité, elle repasse au mode précédent. Cela permet à la voiture de suivre étroitement les glissières sans jamais s'écraser ou perdre le contrôle.

Le Résultat
L'article prouve que cette méthode fonctionne. Ils ont testé cela sur une voiture simple (un système à entrée unique) et sur une plus complexe (comme le célèbre système de Lorenz, souvent utilisé pour modéliser la météo chaotique).

Sans leur méthode : La voiture traverse les glissières de sécurité car les règles de direction standard échouent lorsque des contraintes sont ajoutées.
Avec leur méthode : La voiture reste parfaitement à l'intérieur des glissières, suit le chemin souhaité et ne viole jamais les règles, le tout sans avoir besoin d'un supercalculateur pour résoudre des problèmes mathématiques complexes en temps réel.

En Résumé
Cet article nous enseigne comment prendre un outil de direction puissant mais rigide (FBL) et le modifier avec un « Chauffeur de l'Ombre » et un « Changeur de Vitesse ». Cela permet de diriger des systèmes complexes et chaotiques en toute sécurité à l'intérieur de limites strictes, en les maintenant sur la bonne voie sans que les mathématiques ne se brisent lorsqu'ils s'approchent du bord.

Résumé Technique : Linéarisation par Feedback avec Contraintes d'État

Formulation du Problème

La linéarisation par feedback (FBL - Feedback Linearisation) est une technique mature permettant de transformer des systèmes de commande non linéaires affines en commande en systèmes linéaires, rendant possible l'utilisation de méthodes de commande linéaire telles que le placement de pôles. Cependant, une limitation significative apparaît lors du traitement de contraintes d'état. Bien que la FBL linéarise avec succès la dynamique du système, elle transforme souvent des contraintes d'état simples du système non linéaire d'origine en contraintes non linéaires complexes dans le domaine linéarisé. Cette transformation diminue l'avantage principal de la FBL, car le contrôle du système linéaire résultant sous ces contraintes complexes devient aussi difficile que le contrôle du système non linéaire initial.

Les approches existantes pour résoudre ce problème reposent généralement sur des méthodes basées sur l'optimisation (par exemple, la commande prédictive de modèle ou MPC) ou sur des inégalités matricielles linéaires (LMI), qui imposent des charges de calcul importantes, peu adaptées aux applications en temps réel. D'autres méthodes sont souvent limitées à de simples contraintes de type « boîte » (bornes rectangulaires). Le présent article traite du défi de la conception d'un contrôleur FBL garantissant la satisfaction des contraintes d'état sans nécessiter d'optimisation en ligne, et ce, pour des contraintes temporelles variables générales.

Méthodologie

La méthodologie proposée suit un flux de travail en trois étapes : Augmentation d'État, Modification du Contrôleur Intégral et Implémentation de la FBL à Commutation.

1. Augmentation d'État et Capture de la Contrainte

Le cœur de l'approche consiste à augmenter la dynamique du système pour encapsuler les contraintes d'état avant d'appliquer la FBL.

Variables d'écart (Slack Variables) : Une variable d'écart temporelle variable $Z(t)$ est introduite de telle sorte que la contrainte $\phi(t, x(t)) \leq 0$ soit satisfaite si $Z(t) \geq 0$ . Plus précisément, la contrainte est réécrite sous la forme $\phi(t, x(t)) + \frac{1}{2}z^2(t) = 0$ .
Dérivation Analytique : L'article dérive une expression analytique pour les dérivées temporelles de cette équation augmentée. En prenant les dérivées jusqu'à ce que l'entrée du système apparaisse explicitement (déterminée par le degré relatif), l'entrée originale $u$ est exprimée en fonction des dérivées de la variable d'écart (traitée comme une pseudo-entrée $w$ ).
Augmentation Séquentielle : Pour les systèmes où le nombre de contraintes dépasse le nombre d'entrées (MIMO avec $r > m$ ), une stratégie d'augmentation séquentielle est employée. Les contraintes sont capturées par sous-ensembles, de manière itérative, en étendant l'espace d'état.
Garantie Théorique : Le Théorème 1 établit que pour toute pseudo-entrée $w$ intégrable, la trajectoire résultante du système original satisfait les contraintes d'état. Cela est dû au fait qu'à mesure que le système approche de la frontière de la contrainte ( $z \to 0$ ), l'autorité d'actionnement sur la contrainte s'amenuise, empêchant ainsi la violation.

2. Structure du Contrôleur Intégral

Pour garantir que la pseudo-entrée $w$ soit intégrable (une exigence du Théorème 1) et pour gérer les erreurs de régime permanent, le système augmenté est complété par une structure de contrôleur intégral.

Un état intégrateur $\xi$ est ajouté, où $\dot{\xi} = \tilde{w}$ (une nouvelle entrée virtuelle).
La pseudo-entrée est définie comme une fonction bornée de l'état intégral, $w = s_\beta(\xi)$ , où $s_\beta$ est une fonction de type saturation.
Cette modification garantit que l'entrée du système augmenté reste bornée et intégrable, préservant ainsi les garanties de satisfaction des contraintes.

3. Gestion des Degrés Relatifs Mal Définis et Commutation

Un défi critique identifié est que le système augmenté présente un degré relatif mal défini aux frontières des contraintes d'état (là où les variables d'écart deviennent nulles). Cette singularité empêche l'application directe de la FBL standard, qui nécessite une matrice de découplage inversible.

Degré Relatif Numérique $\epsilon$ ( $\epsilon$ -NRD) : Pour remédier à cela, l'article introduit le concept de $\epsilon$ -NRD. Au lieu de s'appuyer sur des dérivées de Lie exactes (nulles ou non nulles), la méthode utilise un seuil $\epsilon$ pour déterminer le degré relatif en fonction de la significativité numérique des coefficients des dérivées de Lie.
Stratégie de Commutation : Le contrôleur est synthétisé sur la base du $\epsilon$ -NRD local. À mesure que la trajectoire du système évolue et traverse des régions où le $\epsilon$ -NRD change (généralement près des frontières de contrainte), le contrôleur bascule vers une nouvelle loi FBL synthétisée pour le degré relatif actuel.
Rétro-substitution : Pour assurer une mise en œuvre pratique, les états augmentés (variables d'écart) sont éliminés algébriquement de l'expression finale du contrôleur via les relations dérivées. Le contrôleur final dépend uniquement des états du système d'origine et des états intégraux.

Contributions Clés

Gestion Scalable des Contraintes : L'article étend les travaux précédents sur l'augmentation d'état aux cas où la dimension de la contrainte dépasse la dimension de l'entrée. Il fournit une nouvelle méthode d'augmentation séquentielle et dérive la première expression analytique de la transformation des contraintes en dynamique de système (Lemme 1).
Principes de Conception Fondamentaux (Théorème 1) : Les auteurs établissent que l'intégrabilité et l'inversibilité des contrôleurs virtuels sont les clés pour certifier la satisfaction des contraintes. Ils prouvent que la méthode d'augmentation proposée garantit la satisfaction des contraintes pour toute entrée intégrable.
Résolution des Degrés Relatifs Mal Définis : L'article prouve théoriquement que l'augmentation conduit à des degrés relatifs mal définis aux frontières des contraintes d'état (Proposition 1). Il surmonte ce problème en utilisant une stratégie de contrôleur à commutation basée sur le $\epsilon$ -NRD, permettant l'application de la FBL même lorsque le degré relatif change dynamiquement.
Flux de Travail d'Implémentation Pratique : Contrairement aux résultats théoriques précédents, l'article fournit une méthode d'implémentation définitive et sous forme fermée (Algorithmes 1 et 2) qui fait le pont entre la théorie et la pratique. Il détaille comment supprimer les dépendances des états augmentés via la rétro-substitution, permettant au contrôleur de s'exécuter sur le système d'origine avec les états intégraux.

Résultats

L'article valide la méthodologie par des expériences numériques sur des systèmes SISO (Single-Input Single-Output) :

Exemple 1 : Un système avec une contrainte quadratique variable dans le temps. Les auteurs ont dérivé manuellement le contrôleur, démontrant que la méthode proposée stabilise le système vers l'origine tout en respectant strictement la contrainte. En revanche, un contrôleur FBL classique (sans augmentation) a violé la contrainte. L'expérience a également mis en évidence l'effet du placement de pôles sur la vitesse de convergence et la nécessité de la commutation du contrôleur près de la frontière.
Exemple 2 : Un système chaotique de type Lorenz avec plusieurs contraintes et une référence variable dans le temps. Le contrôleur FBL à commutation proposé a réussi à suivre la référence tout en restant dans la région admissible. Le contrôleur FBL classique, ignorant les contraintes, a présenté un dépassement important et a violé les contraintes d'état.

Signification et Revendications

L'article prétend offrir une méthode FBL générale et sans optimisation capable de gérer les contraintes d'état. Sa principale importance réside dans :

Évitement de l'Optimisation en Ligne : Contrairement au MPC, le contrôleur proposé est synthétisé hors ligne (ou via une logique de commutation simple) et ne nécessite pas de résoudre des problèmes de programmation non linéaire en ligne, ce qui le rend adapté aux applications en temps réel.
Gestion de Contraintes Générales : La méthode n'est pas limitée à de simples contraintes de type boîte mais peut accommoder des contraintes d'état générales et variables dans le temps.
Robustesse aux Singularités : En utilisant le $\epsilon$ -NRD et la logique de commutation, la méthode traite le problème fondamental des degrés relatifs mal définis aux frontières de contrainte, une limitation connue de l'application de la FBL aux systèmes contraints.

Les auteurs notent que si la théorie d'augmentation sous-jacente s'applique aux systèmes MIMO, l'implémentation pratique impliquant la logique de commutation est actuellement restreinte aux systèmes SISO en raison de la complexité des conditions de commutation. Les travaux futurs visent à étendre ce cadre de commutation aux systèmes MIMO.