⚡ electrical engineering

EDMD-Based Robust Observer Synthesis for Nonlinear Systems

Cet article propose une méthode d'observation d'état robuste pour les systèmes non linéaires continus, basée sur une décomposition dynamique étendue (EDMD) pour obtenir un modèle linéaire approximatif dont l'erreur est bornée sectoriellement, permettant ainsi la synthèse de l'observateur via des inégalités matricielles linéaires (LMI) dans un cadre théorique d'opérateur de Koopman.

Auteurs originaux : Xiuzhen Ye, Wentao Tang

Publié 2026-03-20

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Xiuzhen Ye, Wentao Tang

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 essayez de conduire une voiture de course très complexe, dont le moteur réagit de manière imprévisible et changeante. Vous ne voyez que le compteur de vitesse et l'indicateur de carburant (vos mesures), mais vous avez besoin de connaître la température du moteur, la pression dans les pneus et la tension de la batterie (les états cachés) pour conduire en sécurité.

Le problème, c'est que les lois physiques qui régissent cette voiture sont non linéaires : elles sont compliquées, courbes et difficiles à prédire avec des formules simples.

C'est exactement le défi que résolvent les auteurs de cet article, Xiuzhen Ye et Wentao Tang. Ils proposent une méthode intelligente pour "deviner" l'état caché d'un système complexe en utilisant uniquement des données observées. Voici comment ils s'y prennent, expliqué simplement :

1. Le Problème : Trop de courbes, pas assez de lignes droites

En mathématiques, les systèmes complexes (comme la météo, la chimie ou la biologie) sont comme des montagnes russes. Les outils classiques pour les contrôler ou les observer fonctionnent mieux sur des lignes droites (des systèmes linéaires).

L'approche traditionnelle : Essayer de tracer une ligne droite sur une montagne russe. Ça ne marche pas très bien, l'erreur est énorme.
L'astuce de l'article : Au lieu de regarder la montagne russe de face, ils la projettent sur un mur imaginaire où elle devient une ligne droite ! C'est ce qu'on appelle la théorie de l'opérateur de Koopman. Ils "élèvent" (lift) le problème dans un espace plus grand où les règles deviennent simples et linéaires.

2. La Méthode : La "Photocopieuse" imparfaite (EDMD)

Pour trouver cette projection magique, ils utilisent une technique appelée EDMD (Décomposition des Modes Dynamiques Étendus).

Imaginez que vous essayez de recréer un tableau de maître (le système réel) en utilisant seulement 100 points de couleur (un dictionnaire de fonctions simples).
Vous prenez des milliers de photos du système (les données) et vous demandez à l'ordinateur : "Quelle est la meilleure combinaison de ces 100 points pour imiter le mouvement du système ?"
L'ordinateur trouve une approximation très proche, mais pas parfaite. Il y a toujours un petit écart, une "zone de flou".

3. Le Défi : Gérer le "Flou" (L'erreur)

C'est ici que la grande innovation de l'article intervient. La plupart des méthodes ignorent cet écart ou le traitent comme un bruit aléatoire.
Les auteurs disent : "Non, cet écart a une structure !"

Ils prouvent mathématiquement que l'erreur entre leur modèle simplifié et la réalité suit une règle précise : elle est bornée par un secteur.
L'analogie : Imaginez que vous conduisez dans le brouillard. Vous ne savez pas exactement où est la route, mais vous savez qu'elle ne s'écarte jamais de plus de 5 mètres de votre trajectoire prévue. Cette "zone de 5 mètres" est votre secteur d'erreur.
Cette erreur vient de deux sources :
1. L'imperfection de la projection (vos 100 points ne suffisent pas à tout décrire).
2. Le bruit des données (vos photos sont floues ou prises au hasard).

4. La Solution : Le "Parachute de Sécurité" (Observateur Robuste)

Une fois qu'ils ont défini cette "zone de sécurité" (le secteur d'erreur), ils conçoivent un observateur (un algorithme qui estime l'état caché).

Au lieu de faire confiance aveuglément à leur modèle linéaire, ils conçoivent un observateur qui est robuste.
L'analogie : C'est comme un pilote automatique qui sait qu'il y a du vent. Il ne suit pas seulement la trajectoire idéale, mais il ajuste constamment le gouvernail pour rester dans la "zone de sécurité" définie, peu importe si le vent (l'erreur) souffle un peu plus fort que prévu.
Ils utilisent des outils mathématiques avancés (des inégalités matricielles ou LMI) pour calculer le réglage parfait de ce pilote automatique. Cela garantit que l'erreur d'estimation va diminuer très vite (comme une balle qui tombe et s'arrête) ou qu'elle restera petite même si le système est instable.

5. Les Résultats : Ça marche !

Les auteurs ont testé leur méthode sur trois scénarios :

Un système stable et simple : Là, leur méthode fonctionne parfaitement, comme prévu.
Un système chimique complexe : Même avec une projection imparfaite, l'observateur arrive à suivre les variations de la réaction chimique avec une grande précision.
Un système instable (un oscillateur) : C'est le plus dur. Le système oscille comme un pendule fou. Même là, leur observateur parvient à suivre le mouvement, bien qu'il y ait un peu plus d'erreur, il reste dans les limites acceptables.

En résumé

Cet article nous dit : "Ne vous inquiétez pas si votre modèle mathématique n'est pas parfait. Si vous pouvez quantifier à quel point il est imparfait (en définissant une 'zone d'erreur'), vous pouvez construire un observateur qui est assez intelligent pour corriger ses propres erreurs en temps réel."

C'est une façon élégante de transformer un problème complexe et imprévisible en un problème de contrôle robuste, en utilisant les données comme boussole plutôt que comme une vérité absolue.

1. Problématique

L'article aborde le défi de la conception d'observateurs d'état pour des systèmes non linéaires continus dans un contexte de commande pilotée par les données (data-driven).

Contexte : Les méthodes de contrôle non linéaire modernes (réseaux de neurones, apprentissage par renforcement, opérateur de Koopman) supposent souvent l'accès complet à l'état du système. En pratique, seules des mesures de sortie limitées sont disponibles, rendant la conception d'observateurs essentiels pour l'estimation d'état et la commande par retour de sortie.
Défi spécifique : L'approche proposée utilise l'opérateur de Koopman pour transformer la dynamique non linéaire en une dynamique linéaire dans un espace de dimension supérieure (espace relevé ou lifted). Cependant, lorsque cet opérateur est approximé à partir de données finies en utilisant une base de fonctions (dictionnaire) de dimension finie (via la décomposition dynamique étendue, EDMD), des erreurs inévitables apparaissent :
1. Une erreur structurelle déterministe due à la projection d'un espace infini sur un espace fini.
2. Une erreur stochastique due à l'échantillonnage limité des données.
Objectif : Développer une méthode robuste pour synthétiser un observateur qui garantit la convergence de l'erreur d'estimation malgré ces incertitudes de modélisation.

2. Méthodologie

La méthodologie proposée repose sur trois piliers théoriques et algorithmiques :

A. Analyse d'erreur dans un Espace de Hilbert à Noyau Reproduisant (RKHS)

Les auteurs modélisent le système dans un espace de Hilbert à noyau reproduisant (RKHS) spécifique, utilisant un noyau linéaire-radial (défini dans leurs travaux antérieurs).

Ils démontrent que l'erreur de prédiction du modèle linéaire relevé (obtenu par gEDMD - generator EDMD) est sectoriellement bornée.
Cela signifie que la norme de l'erreur de reste $r(x)$ est proportionnelle à la norme de l'état relevé $z$ : $\|r(x)\| \leq c_r \|z\|$ .
Cette borne $c_r$ intègre à la fois l'erreur de projection (déterministe, liée à la richesse du dictionnaire) et l'erreur d'échantillonnage (stochastique, liée à la taille des données).

B. Formulation de l'Observateur Robuste

L'observateur est conçu comme un observateur de Luenberger appliqué au modèle linéaire relevé, mais avec une prise en compte explicite de l'incertitude sectorielle.

Dynamique de l'erreur : L'erreur d'estimation $e(t)$ suit une dynamique linéaire perturbée par le terme de reste $r(x)$ .
Synthèse via LMIs (Inégalités Matricielles Linéaires) : La conception de l'observateur est formulée comme un problème d'optimisation convexe (SDP - Semidefinite Programming). Deux cas sont traités :
1. Systèmes asymptotiquement stables : L'objectif est d'assurer une décroissance exponentielle de l'erreur d'estimation avec un taux $\alpha$ donné. Cela se traduit par une condition LMI garantissant la stabilité de Lyapunov malgré l'incertitude.
2. Systèmes instables (ex: cycles limites) : L'objectif est de minimiser le gain $L_2$ de l'erreur de modélisation vers l'erreur d'estimation, garantissant ainsi que l'observateur reste borné et performant même si le système ne converge pas vers l'origine.

C. Algorithme Proposé

L'algorithme (Algorithm 1) suit les étapes suivantes :

Collecte de données et définition du dictionnaire de fonctions.
Identification du modèle linéaire $A$ via gEDMD.
Estimation de la borne d'erreur $c_r$ (soit théorique, soit par rééchantillonnage numérique).
Résolution des LMIs pour obtenir le gain de l'observateur $L$ .

3. Contributions Clés

Caractérisation Rigoureuse de l'Erreur : Contrairement aux approches précédentes qui traitaient l'erreur de manière conservatrice ou purement stochastique, cet article établit une borne sectorielle combinant les erreurs déterministes et stochastiques. Cette caractérisation est moins conservative que les métriques d'« invariance proximity » existantes.
Cadre Théorique Unifié : L'utilisation d'un RKHS avec un noyau linéaire-radial permet de prouver mathématiquement que l'erreur de modélisation EDMD respecte la structure sectorielle requise pour la synthèse robuste.
Synthèse d'Observateur Robuste : La transformation du problème de conception d'observateur non linéaire en un problème d'optimisation convexe (LMI) standard, applicable même lorsque le dictionnaire n'est pas invariant (cas général).
Preuve de Concept Numérique : Validation sur trois systèmes distincts montrant la flexibilité de la méthode.

4. Résultats Numériques

Les auteurs ont validé leur approche sur trois exemples :

Système stable avec relevé invariant : Un système non linéaire simple où le dictionnaire choisi rend le modèle exact. L'observateur converge exponentiellement avec des taux de décroissance spécifiés ( $\alpha = 0.1$ et $0.99$), confirmant la capacité à gérer le « pic » initial (peaking effect) lors de taux de convergence élevés.
Système stable sans relevé invariant (Réacteurs CSTR) : Un système chimique complexe où le dictionnaire n'est pas invariant. Malgré une erreur de modélisation non nulle ( $c_r \approx 0.67$ ), l'observateur garantit une convergence de l'erreur d'estimation vers des niveaux négligeables ( $< 10^{-4}$ ).
Système à cycle limite (Oscillateur de Van der Pol) : Un système instable avec un cycle limite. L'approche de minimisation du gain $L_2$ a été utilisée. Les résultats montrent que l'augmentation de la complexité du dictionnaire (degré des polynômes) réduit l'erreur de modélisation ( $c_r$ ) et améliore significativement le suivi de l'état (RMSE passant de 0.123 à 0.022).

5. Signification et Impact

Cet article apporte une contribution majeure à la théorie du contrôle piloté par les données :

Rigueur Théorique : Il comble un vide dans la littérature en fournissant une analyse d'erreur rigoureuse pour les observateurs basés sur Koopman/EDMD, passant d'une approche heuristique à une formulation mathématiquement justifiée.
Praticité : En réduisant le problème de conception d'observateur non linéaire à des LMIs, la méthode rend accessible l'utilisation d'outils de théorie des systèmes linéaires pour des problèmes non linéaires complexes, sans nécessiter de calculs d'opérateurs explicites complexes.
Robustesse : La méthode est robuste face aux limitations inhérentes aux données finies et aux dictionnaires de dimension finie, ce qui est crucial pour les applications industrielles réelles où les données sont limitées et bruitées.

En résumé, ce travail propose une « méthode élémentaire » mais rigoureuse pour la synthèse d'observateurs non linéaires, reliant la théorie de l'opérateur de Koopman, l'apprentissage statistique et la théorie de la commande robuste.