⚡ electrical engineering

Data-Enabled Predictive Control with Predictive Adaptive Line-of-Sight Guidance for 3-D Path Following of Autonomous Underwater Vehicles

Cet article présente un cadre de suivi de trajectoire 3D entièrement piloté par les données pour les véhicules sous-marins autonomes qui combine la commande prédictive basée sur les données avec une loi de guidage prédictive adaptative de type ligne de visée afin d'éliminer le besoin de modélisation hydrodynamique explicite tout en réduisant considérablement les erreurs de suivi de trajectoire transversale par rapport aux références de l'état de l'art.

Auteurs originaux : Sebastian Zieglmeier, Mathias Hudoba de Badyn, Narada D. Warakagoda, Thomas R. Krogstad, Paal Engelstad

Publié 2026-06-02

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Sebastian Zieglmeier, Mathias Hudoba de Badyn, Narada D. Warakagoda, Thomas R. Krogstad, Paal Engelstad

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 d'apprendre à un sous-marin (plus précisément, un petit sous-marin autonome appelé REMUS 100) à nager dans l'océan le long d'un chemin 3D spécifique, comme un tunnel filaire dans l'eau. L'océan est capricieux : les courants poussent le sous-marin sur le côté, l'eau résiste à ses mouvements de manière complexe, et le corps même du sous-marin réagit différemment selon sa vitesse.

Traditionnellement, pour contrôler ce sous-marin, les ingénieurs doivent construire une « recette » mathématique massive et compliquée (un modèle) de l'interaction exacte entre l'eau et le sous-marin. Ils doivent mesurer chaque coefficient de traînée et chaque propriété de masse, ce qui revient à essayer d'écrire la recette d'un gâteau en mesurant chaque grain de farine et chaque goutte de lait avant même de commencer la cuisson. Si les conditions changent (comme si l'eau devenait plus chaude ou si le sous-marin transportait une charge utile plus lourde), cette recette devient souvent erronée.

Cette publication propose une autre approche : Arrêtez d'écrire la recette. Contentez-vous de regarder le sous-marin nager.

Voici la décomposition de leur nouvelle approche « basée sur les données » à l'aide d'analogies simples :

1. Le pilote « Sans Recette » (DeePC)

Au lieu d'utiliser un modèle mathématique pré-écrit, les auteurs utilisent une méthode appelée Contrôle Prédictif Basé sur les Données (DeePC - Data-Enabled Predictive Control).

L'analogie : Imaginez que vous apprenez à faire du vélo. Une approche traditionnelle basée sur un modèle, c'est comme lire un manuel de physique sur la friction et l'équilibre avant même de toucher un vélo. L'approche DeePC, c'est comme un entraîneur qui a regardé des milliers d'heures de vidéo de vous en train de faire du vélo. Quand vous vacillez, l'entraîneur ne calcule pas la physique ; il dit simplement : « La dernière fois que tu t'es penché à gauche, tu es tombé. Cette fois, penche-toi à droite. »
Comment ça marche : Le système enregistre des milliers de mouvements passés (entrées comme l'orientation du gouvernail, sorties comme l'endroit où le sous-marin est allé). Lorsqu'il doit prendre une décision, il consulte sa « banque de mémoire » de trajets passés pour prédire ce qui se passera ensuite. Il n'a pas besoin de savoir pourquoi l'eau pousse le sous-marin ; il sait juste que l'eau le pousse, en se basant sur ce qu'il a vu auparavant.

2. Le problème du « Lent et Constant » (Contrôle en Cascade)

Le sous-marin a deux tâches principales : tourner à gauche/droite (cap) et monter/descendre (profondeur).

Le problème : Tourner est rapide (comme un coup de tête brusque). Monter et descendre est lent (comme un ascenseur lourd). Si vous essayez de contrôler l'ascenseur lent avec le même système de « mémoire » rapide utilisé pour le virage, le système s'embrouille car l'ascenseur n'a pas bougé suffisamment pour fournir des données de qualité.
La solution : Les auteurs ont construit un système à deux couches (DeePC en cascade).
- La couche externe (Le Chef) : Cette couche est lente. Elle décide : « Nous devons descendre plus profondément », et dit à la couche interne : « Incline le nez vers le bas un peu ».
- La couche interne (L'Ouvrier) : Cette couche est rapide. Elle prend la commande « incliner vers le bas » et déplace immédiatement les dérives pour que cela se produise.
La magie : En les séparant, le « Chef » peut apprendre du succès de l'« Ouvrier » sans être submergé par la lenteur du changement de profondeur réel. C'est comme un général donnant des ordres à un sergent, qui commande ensuite aux soldats. Le général n'a pas besoin de savoir comment marcher ; il a juste besoin de connaître l'objectif.

3. Le guide de la « Boule de Cristal » (PALOS)

Pour suivre un chemin de bouées flottantes (points de passage) dans l'espace 3D, le sous-marin a besoin d'un guide. L'ancien guide (Adaptive Line-of-Sight ou ALOS) était comme une personne marchant derrière vous, pointant la prochaine bouée et disant : « Va là ! » Mais il ne pointait que l'étape suivante.

Le problème : Le pilote « Sans Recette » (DeePC) a besoin de voir l'ensemble du chemin devant lui pour planifier ses mouvements, et non pas seulement l'étape suivante.
La solution : Ils ont créé l'ALOS Prédictif (PALOS - Predictive ALOS).
- L'analogie : Au lieu de simplement pointer la prochaine bouée, PALOS est comme une boule de cristal. Il simule le futur trajet du sous-marin étape par étape. Il demande : « Si je tourne à gauche maintenant, où serai-je dans 5 secondes ? Où serai-je dans 10 secondes ? » Il calcule ensuite les meilleures commandes de direction pour l'intégralité du voyage futur, et non pas seulement pour la seconde immédiate suivante.
- Cela donne au pilote « Sans Recette » une feuille de route claire et à long terme à suivre, lui permettant d'anticiper les virages et les courants avant qu'ils ne surviennent.

4. Les résultats : Comment cela s'est-il passé ?

Les auteurs ont testé ce système dans une simulation informatique ultra-réaliste (un « jumeau numérique ») du sous-marin REMUS 100. Ils ont opposé leur nouveau système au standard classique (un contrôleur PI/PID, qui est comme un thermostat réactif qui ne corrige les erreurs qu'une fois qu'elles sont survenues).

Le résultat : Le nouveau système était nettement meilleur.
- Il est resté sur sa trajectoire avec beaucoup plus de précision, réduisant le « vacillement » (erreur de traversée) d'environ 28 % par rapport à l'ancienne méthode.
- Il a mieux géré les courants océaniques et les changements soudains de vitesse.
- Il a même fonctionné lorsque le sous-marin se déplaçait plus lentement que les données sur lesquelles il a été entraîné (un test « au-delà des données »), alors que l'ancien système s'est emmêlé les pinceaux et a dépassé ses cibles.

Résumé

L'article affirme qu'en abandonnant les modèles mathématiques complexes pour plutôt apprendre à partir de données passées, et en divisant le contrôle en couches rapides et lentes avec un guide de type « boule de cristal » qui anticipe l'avenir, ils ont créé une façon plus intelligente et plus robuste de diriger les véhicules sous-marins autonomes. C'est un passage de « calculer la physique » à « apprendre par l'expérience ».

Résumé Technique : Contrôle Prédictif Fondé sur les Données avec Guidage de Ligne de Visée Adaptatif Prédictif pour le Suivi de Trajectoire en 3-D de Véhicules Sous-marins Autonomes

Énoncé du Problème
Les véhicules sous-marins autonomes (AUV) nécessitent des capacités de suivi de trajectoire fiables pour exécuter des missions d'exploration et d'inspection marines. Les architectures de contrôle traditionnelles emploient généralement une structure hiérarchique : un système de guidage de haut niveau (par exemple, la ligne de visée ou LOS) génère des signaux de référence, qui sont ensuite suivis par des contrôleurs de niveau intermédiaire et inférieur (souvent PI/PID). Bien qu'efficaces, ces contrôleurs réactifs peinent face aux fortes non-linéarités, à la saturation des actionneurs et aux délais dynamiques.

Les stratégies alternatives de contrôle prédictif basé sur un modèle (MPC) offrent des performances supérieures en anticipant le comportement futur et en gérant les contraintes. Cependant, le MPC standard repose sur des modèles paramétriques explicites de l'hydrodynamique de l'AUV. Dériver ces modèles est complexe, chronophage et souvent limité à des plages de fonctionnement spécifiques en raison de la nature non linéaire et couplée des coefficients hydrodynamiques (masse ajoutée, traînée, portance). Cette dépendance à une identification précise limite l'applicabilité des approches basées sur le modèle à travers diverses vitesses, charges utiles et conditions environnementales.

Méthodologie
Cet article propose un cadre de suivi de trajectoire en 3-D entièrement fondé sur les données qui élimine le besoin de modélisation hydrodynamique explicite. L'approche intègre un contrôle prédictif fondé sur les données (DeePC) avec une nouvelle loi de guidage de ligne de visée adaptative prédictive (PALOS).

DeePC pour le contrôle du lacet et de la profondeur :
- Contrôle du lacet : Une formulation DeePC standard est appliquée à la dynamique de lacet (yaw). Elle utilise des trajectoires entrée-sortie hors ligne (déflexion du gouvernail et angle de lacet) pour résoudre un problème d'optimisation contraint, prédisant le comportement futur du système sans modèle paramétrique.
- Contrôle de la profondeur en cascade : L'application directe du DeePC à la régulation de la profondeur est impraticable car la dynamique de l'assiette (profondeur) évolue de manière nettement plus lente que la bande passante de l'actionneur (déflexion de l'empennage), ce qui rend difficile la satisfaction de l'exigence de persistance de l'excitation dans des longueurs de données exploitables. Pour y remédier, les auteurs proposent une architecture DeePC en cascade avec une séparation des fréquences de boucle :
  - Une boucle interne régule l'angle de tangage ( $\theta$ ) via la déflexion de l'empennage ( $\delta_s$ ) à haute fréquence.
  - Une boucle externe mappe la position de profondeur désirée ( $z_p$ ) vers une référence de tangage désirée ( $\theta_d$ ) à basse fréquence.
  - Pour permettre la collecte de données pour la boucle externe, une « hypothèse de gain unitaire » est appliquée à la boucle interne (traitant $\theta = \theta_d$ ), permettant à la boucle externe de considérer l'angle de tangage comme son entrée. Une procédure de collecte de données en deux étapes assure une excitation suffisante pour les deux boucles.
Ligne de Visée Adaptative Prédictive (PALOS) :
- La méthode classique de LOS adaptative (ALOS) génère une commande de lacet et de tangage à une seule étape. Cela est incompatible avec les contrôleurs à horizon glissant comme le DeePC, qui nécessitent une trajectoire de référence s'étendant sur l'ensemble de l'horizon de prédiction.
- Les auteurs étendent l'ALOS à une formulation prédictive multi-étapes (PALOS). Cet algorithme propage de manière récursive la position du véhicule vers l'avant à travers l'horizon de prédiction en utilisant les attitudes commandées. À chaque étape prédite, la loi ALOS est réévaluée pour générer une trajectoire de référence cohérente avec l'horizon. Cela permet à la couche de guidage d'anticiper les transitions de trajectoire et de s'intégrer directement dans l'optimisation DeePC.

Principales Contributions

Architecture DeePC en cascade : Une nouvelle structure de contrôle fondée sur les données pour la régulation de la profondeur qui découple la dynamique lente de l'assiette de la dynamique rapide de l'actionneur. Cela étend l'applicabilité du DeePC à des systèmes où la sortie dominante évolue nettement plus lentement que la bande passante de l'actionneur, un régime auparavant exclu par les contraintes de persistance de l'excitation.
PALOS (Predictive ALOS) : Une extension de la loi de guidage qui transforme la sortie de l'ALOS à étape unique en une référence multi-étapes cohérente avec l'horizon. Cela comble le fossé entre le guidage géométrique et le contrôle prédictif à horizon glissant, permettant un suivi de trajectoire en 3-D sans artefacts de désaccord d'horizon.
Validation du cadre intégré : Le système complet est validé dans une simulation haute fidélité à 6 degrés de liberté de l'AUV REMUS 100, intégrant l'hydrodynamique non linéaire, les courants océaniques et les contraintes des actionneurs.

Résultats
Le cadre proposé a été testé par rapport à des références de pointe (contrôleurs PI/PID réglés et ALOS standard) à travers quatre scénarios :

Opération Nominale : Le contrôleur DeePC a démontré une précision de suivi supérieure aux contrôleurs PI/PID, particulièrement dans le contrôle de la profondeur, grâce à sa nature prédictive qui réduit le déphasage.
Perturbations par Courants Océaniques : Le cadre a maintenu un suivi de trajectoire robuste sous des perturbations de courants horizontaux et verticaux, surpassant la base PI/PID en termes d'erreur quadratique moyenne (RMSE) pour le lacet, la profondeur et le tangage.
Opération au-delà du Régime de Données : Lorsqu'il a été testé avec des vitesses de hélice nettement inférieures à la vitesse de collecte des données (700 rpm contre 1000 rpm), le contrôleur DeePC a maintenu la stabilité et a récupéré le suivi une fois que le véhicule a pu rattraper son retard. En revanche, le contrôleur PI/PID a souffert d'emballement de l'intégrale (integral wind-up) et de dépassements importants.
Suivi de Trajectoire de Waypoints en 3-D : Le système PALOS-DeePC a réduit l'erreur de déviation transversale d'environ 28 % par rapport à la base ALOS-PI/PID. Les erreurs de suivi des boucles internes (lacet et tangage) ont été réduites d'environ un ordre de grandeur, démontant l'efficacité de la couche de contrôle interne fondée sur les données.

Signification
L'article affirme que ce travail établit la viabilité architecturale d'une solution de contrôle prédictif entièrement fondée sur les données pour les AUV, sans le fardeau de l'identification hydrodynamique. En combinant une structure DeePC en cascade avec une loi de guidage prédictive, le cadre permet un suivi de trajectoire en 3-D de haute performance, robuste aux perturbations environnementales et aux non-linéarités. Les résultats suggèrent que cette approche offre une alternative pratique au MPC basé sur le modèle, éliminant le besoin d'une identification complexe du système tout en surpassant systématiquement les stratégies de contrôle réactif classiques dans des simulations haute fidélité. Les travaux futurs identifiés consistent à étendre ces méthodes au suivi de trajectoire complet et à les valider sur du matériel physique.

1. Le pilote « Sans Recette » (DeePC)

2. Le problème du « Lent et Constant » (Contrôle en Cascade)

3. Le guide de la « Boule de Cristal » (PALOS)

4. Les résultats : Comment cela s'est-il passé ?

Résumé

Articles similaires