⚡ electrical engineering

Safety-Critical Control via Recurrent Tracking Functions

Cet article propose une méthode de contrôle sûr pour les systèmes non linéaires d'ordre élevé en introduisant des fonctions de suivi récurrentes (RTF) qui, en relâchant la condition de décroissance monotone au profit d'une récurrence en temps fini, permettent de garantir la sécurité des modèles complets via des fonctions barrières de contrôle récurrentes (RCBF) construites sur des modèles d'ordre réduit.

Auteurs originaux : Jixian Liu, Enrique Mallada

Publié 2026-04-06

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Jixian Liu, Enrique Mallada

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 Conducteur Autonome

Imaginez que vous devez programmer un robot ou une voiture autonome pour qu'elle se déplace dans un monde rempli d'obstacles (des murs, des piétons, d'autres voitures). L'objectif est double :

Arriver à destination (performance).
Ne jamais percuter quoi que ce soit (sécurité).

Le problème, c'est que les systèmes réels (comme une voiture ou un drone) sont très complexes. Ils ont beaucoup de parties qui bougent (roues, suspension, moteur, vent, etc.). Pour garantir mathématiquement qu'ils ne vont pas se crasher, les ingénieurs utilisent habituellement une sorte de "bouclier magique" appelé Fonction de Barrière de Contrôle (CBF).

Mais voici le hic : construire ce bouclier pour un système complexe est comme essayer de dessiner une carte parfaite d'une forêt entière en regardant seulement une feuille. C'est trop compliqué, trop lent, et souvent impossible à faire à la main.

🧩 La Solution : La Stratégie "Couches" (Layered Control)

Les auteurs de ce papier proposent une astuce intelligente : ne pas tout gérer d'un coup.

Imaginez que vous conduisez une voiture.

Le Modèle Réduit (RoM) : C'est votre cerveau qui regarde la carte. Il ne s'occupe que de l'essentiel : "Je suis à 10 mètres du mur, je dois tourner." C'est simple et rapide.
Le Modèle Complet (FoM) : C'est le corps de la voiture. Il gère les détails : la pression des pneus, la suspension, le vent. C'est lourd et complexe.

L'idée est de faire en sorte que le "cerveau" (Modèle Réduit) donne des ordres simples, et que le "corps" (Modèle Complet) essaie de les suivre. Si le corps suit parfaitement le cerveau, tout va bien.

⚠️ Le Problème de la "Perfection"

Jusqu'à présent, pour garantir la sécurité, on exigeait que le corps suive le cerveau parfaitement et immédiatement, comme un ombre collée à une personne. En mathématiques, cela exigeait que l'erreur de suivi diminue tout le temps, sans jamais augmenter (comme une bougie qui fond).

Le problème ? Dans la réalité, les robots ont des limites. Parfois, ils trébuchent, le vent les pousse, ou ils doivent accélérer fort. Exiger une perfection absolue et continue rend le système trop rigide, voire impossible à utiliser pour des robots complexes (comme des robots humanoïdes).

💡 L'Innovation : Les "Fonctions de Suivi Récurrentes" (RTF)

C'est ici que les auteurs apportent leur grande idée. Ils disent : "Et si on acceptait que le robot fasse une petite erreur temporaire, tant qu'il revient à la ligne de sécurité rapidement ?"

Au lieu d'exiger que l'erreur diminue tout le temps (monotonie), ils introduisent une nouvelle règle appelée Récurrente :

Imaginez un chien en laisse qui court dans un parc.
Le chien peut s'éloigner du maître (l'erreur augmente).
Il peut même courir un peu plus loin que la longueur de la laisse (il sort de la zone de sécurité idéale).
MAIS, la règle est : il doit revenir à portée de la laisse avant un certain temps (par exemple, toutes les 2 secondes).

C'est ce qu'on appelle une Fonction de Suivi Récurrente (RTF).

L'analogie : C'est comme jouer à "Chat et Souris" avec une règle stricte. La souris (l'erreur) peut s'échapper, mais elle doit revenir dans le cercle de sécurité avant que le chat (le danger) n'arrive. Tant qu'elle revient assez vite, elle est en sécurité.

🛡️ Comment ça garantit la sécurité ?

Les chercheurs montrent que si le robot suit cette règle "récurrente" (il revient à la ligne de temps en temps) et que le "cerveau" (le modèle réduit) a déjà calculé un chemin sûr :

Le robot peut faire des petits écarts temporaires (il peut osciller).
Mais il ne jamais franchir la ligne rouge (l'obstacle).
Même si le robot trébuche un instant, sa vitesse de correction est plus rapide que sa vitesse d'approche vers le danger.

C'est comme si vous marchiez sur une corde raide. Vous pouvez osciller de gauche à droite (l'erreur), mais tant que vous réajustez votre équilibre plus vite que vous ne tombez, vous restez en haut de la corde.

📊 L'Expérience (La Preuve)

Pour prouver leur théorie, ils ont simulé un robot se déplaçant dans une pièce avec des obstacles ronds.

Avec les anciennes méthodes (exigence de perfection), le robot ne pouvait pas bouger ou était trop prudent.
Avec leur nouvelle méthode (RTF), le robot a pu naviguer fluidement, faire des petits écarts pour éviter les obstacles, et revenir sur sa trajectoire sûre, sans jamais toucher les murs.

🌟 En Résumé

Ce papier propose une nouvelle façon de penser la sécurité des robots :

Avant : "Tu dois être parfait à chaque instant, sinon c'est dangereux." (Trop dur à faire).
Maintenant : "Tu as le droit de faire des erreurs temporaires, tant que tu reviens à la sécurité très vite." (Plus flexible et réaliste).

C'est comme passer d'une règle stricte de "ne jamais faire de faute" à une règle de "ne jamais rester en faute plus de 2 secondes". Cela permet de construire des robots plus intelligents, plus agiles et surtout, plus sûrs, même dans des environnements complexes.

1. Problématique

Le contrôle critique pour la sécurité dans les systèmes autonomes repose souvent sur les Fonctions de Barrière de Contrôle (CBF) pour garantir que le système reste dans un ensemble sûr. Cependant, la synthèse de CBFs valides pour des systèmes non linéaires d'ordre élevé (comme les véhicules aériens, les robots marcheurs ou les réseaux électriques complexes) est un problème computationnellement intraitable.

L'approche par contrôle en couches (layered control) est une alternative prometteuse : elle utilise un modèle d'ordre réduit (RoM) pour gérer la sécurité et un modèle d'ordre complet (FoM) pour la dynamique réelle. La sécurité du FoM est alors garantie si l'erreur de suivi entre le RoM et le FoM converge exponentiellement.

Limite actuelle : La construction de fonctions de Lyapunov pour certifier cette convergence exponentielle est systématiquement difficile, voire impossible, pour les systèmes sous-actionnés ou complexes. De plus, les méthodes existantes exigent une décroissance monotone de l'erreur, ce qui est trop restrictif et conservateur.

2. Méthodologie Proposée

Les auteurs proposent un cadre théorique basé sur la récurrente plutôt que sur la décroissance monotone stricte.

A. Relaxation de la condition de Lyapunov

Au lieu d'exiger que la fonction de suivi diminue continûment, l'article introduit les Fonctions de Suivi Récurrentes (Recurrent Tracking Functions - RTFs).

Condition RTF : Une fonction de suivi n'a pas besoin de décroître à chaque instant. Il suffit qu'elle satisfasse une condition de régression exponentielle sur des intervalles de temps discrets séparés par au plus un temps $\tau$ .
Avantage clé : Pour tout système dont l'erreur de suivi est exponentiellement stable, n'importe quelle norme de l'erreur de suivi constitue une RTF valide. Cela élimine le besoin de concevoir manuellement des fonctions de Lyapunov complexes.

B. Architecture en couches et CBF Récurrente (RCBF)

Le cadre combine :

Un CBF défini sur le modèle réduit (RoM) pour garantir la sécurité de la trajectoire de référence.
Une RTF pour gérer la dynamique du modèle complet (FoM) et l'erreur de suivi.

En intégrant ces deux éléments, les auteurs construisent une Fonction de Barrière de Contrôle Récurrente (RCBF), notée $h_V$ .

Définition de la sécurité : L'ensemble sûr $S_V$ (où $h_V \ge 0$ ) n'est pas nécessairement invariant (la trajectoire peut en sortir temporairement), mais il est $\tau$ -récurrent. Cela signifie que si le système quitte l'ensemble sûr, il y revient dans un temps $\tau$ sans jamais pénétrer la zone dangereuse.
Condition de stabilité : La sécurité est garantie si le taux de convergence de l'erreur de suivi ( $\beta$ ) est strictement supérieur au taux d'approche de la frontière de sécurité défini par le CBF ( $\alpha$ ), c'est-à-dire $\beta > \alpha$ .

C. Robustesse aux perturbations

Le cadre est étendu pour gérer les incertitudes de modèle et les perturbations externes via une propriété de Sécurité d'État-Entrée (Input-to-State Safety - ISSf).

En présence de perturbations, l'erreur de suivi ne tend pas vers zéro mais vers un offset borné.
Les auteurs définissent un ensemble sûr élargi ( $S_d$ ) qui intègre une marge de sécurité proportionnelle à l'amplitude de la perturbation, garantissant ainsi la sécurité même en régime perturbé.

3. Contributions Clés

Cadre RTF : Introduction des Fonctions de Suivi Récurrentes, qui remplacent la condition de décroissance monotone de Lyapunov par une condition de régression exponentielle sur des intervalles finis. Cela permet d'utiliser des normes simples comme fonctions de certificat.
Garanties de sécurité théoriques : Preuve que si l'état initial appartient à l'ensemble $S_V$ défini par la RCBF, alors le système FoM reste dans l'ensemble sûr $S_{FoM}$ pour tout temps $t \ge 0$ , malgré les sorties temporaires de l'ensemble de récurrente.
Synthèse systématique : Fourniture d'une méthode systématique pour construire des contrôleurs de sécurité pour des systèmes non linéaires d'ordre élevé sans avoir à résoudre des programmes d'optimisation complexes pour les fonctions de Lyapunov.
Validation numérique : Démonstration sur un exemple de double intégrateur 2D avec obstacles, montrant que le système reste sûr même lorsque les conditions classiques de Lyapunov échouent ou sont trop conservatrices.

4. Résultats et Validation

L'article présente une étude de cas sur un système 2D (position et vitesse) devant naviguer vers un objectif tout en évitant des obstacles circulaires.

Comparaison des paramètres : Les simulations comparent différents taux de décroissance $\alpha$ $α$ imposés par le CBF du RoM.
- Pour $\alpha = 5$ (trop agressif) ou $\alpha = 1$ (hors de l'ensemble $S_V$ ), la sécurité est violée ( $h(t) < 0$ ).
- Pour $\alpha = 0.5$ (satisfaisant les conditions théoriques $\beta > \alpha$ ), la trajectoire reste strictement sûre.
Comportement de l'erreur : Les graphiques montrent que l'erreur de suivi $\|\dot{e}\|$ converge exponentiellement et reste bornée par les limites ISS lorsque le filtre de sécurité est activé.
Conclusion de l'expérience : La méthode permet de garantir la sécurité du modèle complet (FoM) en utilisant uniquement des informations du modèle réduit (RoM) et une norme d'erreur simple, validant l'efficacité de l'approche RTF.

5. Signification et Impact

Cet article résout un goulot d'étranglement majeur dans le contrôle des systèmes autonomes complexes : l'impossibilité de synthétiser des fonctions de Lyapunov pour des systèmes d'ordre élevé.

En relâchant la contrainte de monotonie au profit de la récurrente, les auteurs ouvrent la voie à des contrôleurs de sécurité scalables et applicables à des robots réels (drones, robots humanoïdes) où les modèles exacts sont difficiles à obtenir.
L'approche permet de tolérer des déviations transitoires (le robot peut s'écarter légèrement de la trajectoire idéale) tant qu'il revient rapidement à la sécurité, offrant ainsi plus de flexibilité et de performance que les méthodes conservatrices traditionnelles.
Le travail pose les bases pour des futures approches basées sur l'apprentissage automatique (data-driven) pour construire directement des RTFs à partir de données de trajectoires, sans conception analytique explicite.