⚡ electrical engineering

Physics-Informed Neural Networks for Nonlinear Output Regulation

Ce papier propose un cadre de réseaux de neurones informés par la physique (PINN) qui approxime directement la solution des équations du régulateur pour la régulation de sortie non linéaire, permettant une inférence en temps réel et sans données des variétés d'état stationnaire et des entrées précommandées qui se généralisent à travers des paramètres de système exogène variables, comme le démontre une tâche de synchronisation d'hélicoptère.

Auteurs originaux : Sebastiano Mengozzi, Giovanni B. Esposito, Michelangelo Bin, Andrea Acquaviva, Andrea Bartolini, Lorenzo Marconi

Publié 2026-04-29

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Sebastiano Mengozzi, Giovanni B. Esposito, Michelangelo Bin, Andrea Acquaviva, Andrea Bartolini, Lorenzo Marconi

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'atterrir avec un hélicoptère sur une plateforme flottante au milieu de l'océan. La plateforme ne reste pas simplement immobile ; elle oscille de haut en bas avec les vagues selon un schéma rythmé et prévisible. Votre objectif est de maintenir l'hélicoptère en vol stationnaire parfaitement au-dessus de ce point en mouvement, en épousant chaque montée et chaque descente, de sorte que la distance entre eux soit toujours nulle.

Il s'agit d'un problème classique en théorie du contrôle appelé Régulation de Sortie. Pour les machines simples, nous disposons de bons outils mathématiques pour le résoudre. Mais pour les machines complexes et non linéaires comme les hélicoptères (où pousser légèrement le manche ne produit pas toujours un léger mouvement), les mathématiques deviennent incroyablement embrouillées. Cela implique de résoudre un ensemble d'équations complexes connues sous le nom d'Équations du Régulateur. Traditionnellement, résoudre ces équations revient à chercher une aiguille dans une botte de foin faite d'autres aiguilles ; c'est lent, difficile et souvent impossible à faire parfaitement.

La Nouvelle Approche : L'IA « Sensible à la Physique »

Les auteurs de cet article proposent une nouvelle méthode astucieuse pour résoudre ces équations embrouillées en utilisant des Réseaux de Neurones Informés par la Physique (PINN).

Imaginez une IA standard comme un étudiant qui apprend en mémorisant des flashcards. Si vous lui montrez 1 000 photos d'un chat, elle apprend à quoi ressemble un chat. Mais si vous lui montrez une photo d'un chien, elle pourrait être confuse.

Cette nouvelle approche est différente. Au lieu de mémoriser des données, l'IA se voit remettre le code de la physique (les équations qui décrivent le mouvement de l'hélicoptère) et on lui demande d'apprendre la solution directement à partir de ces règles.

L'Analogie : Imaginez que vous voulez apprendre à équilibrer un balai sur votre main. Une méthode traditionnelle pourrait consister à enregistrer des milliers de vidéos de personnes équilibrant des balais et à essayer de les imiter. La méthode PINN revient à donner à l'étudiant les lois de la gravité et du frottement et à lui dire : « Déduisez les mouvements de main parfaits qui doivent se produire pour maintenir ce balai en équilibre, en vous basant uniquement sur ces lois. »

Comment Cela Fonctionne

L'Objectif : Les chercheurs voulaient trouver une « carte magique ». Cette carte indiquerait à l'hélicoptère exactement quoi faire (quelle poussée utiliser, quel angle d'inclinaison adopter) pour n'importe quel mouvement possible de la plateforme flottante.
L'Entraînement : Ils n'ont pas fourni à l'IA des réponses précalculées. Au lieu de cela, ils ont laissé l'IA deviner les réponses, puis ont vérifié : « Votre hypothèse satisfait-elle les lois de la physique ? » Si l'hypothèse était fausse, l'IA s'ajustait elle-même. Elle a répété cela des millions de fois jusqu'à trouver une solution satisfaisant parfaitement les équations de la physique.
Le Résultat : L'IA a appris un « opérateur universel ». Au lieu d'apprendre comment atterrir sur une plateforme se déplaçant à une vitesse spécifique, elle a appris la règle générale pour atterrir sur une plateforme se déplaçant à n'importe quelle vitesse ou partant de n'importe quelle position.

Le Test de l'Hélicoptère

Pour prouver que cela fonctionnait, ils l'ont testé sur une simulation d'un hélicoptère atterrissant sur une plateforme qui oscille de haut en bas comme une onde sinusoïdale.

Le Test : Ils ont entraîné l'IA sur quelques motifs d'ondes spécifiques. Ensuite, ils l'ont testée sur des motifs d'ondes qu'elle n'avait jamais vus auparavant (vitesses différentes, hauteurs de départ différentes).
Le Résultat : L'hélicoptère contrôlé par l'IA a performé de manière remarquable. Même lorsque la plateforme se déplaçait de manière que l'IA n'avait pas pratiquée, l'hélicoptère restait parfaitement aligné avec la cible. L'erreur (la distance entre l'hélicoptère et la plateforme) était minuscule — si petite qu'elle était à peine visible sur un graphique.

Pourquoi Cela Compte

L'article affirme qu'il s'agit d'une percée car :

C'est Rapide : Une fois l'IA entraînée, elle peut calculer les mouvements de contrôle parfaits en temps réel, ce qui est assez rapide pour fonctionner sur du matériel réel (comme l'ordinateur d'un drone).
C'est Général : Elle ne résout pas seulement un problème spécifique ; elle apprend la famille de solutions. Si le motif des vagues change légèrement, l'IA sait déjà comment le gérer.
Aucune Donnée Nécessaire : Elle n'a pas besoin d'un immense ensemble de données de « atterrissages réussis » pour apprendre. Elle apprend à partir des mathématiques de la physique elle-même.

La Chose à Noter

L'article note une limitation majeure : cette méthode suppose que l'hélicoptère « sait » exactement où se trouve la plateforme et comment elle se déplace à chaque instant (ceci est appelé « information complète »). Dans le monde réel, les capteurs peuvent être imparfaits ou présenter des délais, ce que les auteurs admettent être un défi pour les travaux futurs.

En résumé : Les chercheurs ont construit une IA qui a appris à résoudre des problèmes mathématiques complexes en comprenant les lois de la physique plutôt qu'en mémorisant des données. Ils ont prouvé qu'elle pouvait guider un hélicoptère pour atterrir parfaitement sur une cible en mouvement, même lorsque la cible se déplaçait de manière que l'IA n'avait jamais vue auparavant.

1. Énoncé du problème

L'article aborde le problème de régulation de sortie non linéaire pour des systèmes où l'état du procédé ( $x$ ) et l'état du système exogène ( $w$ ) sont connus (configuration à information complète). L'objectif est de concevoir une loi de commande par retour d'état telle que la sortie du système suive asymptotiquement une trajectoire de référence ou rejette des perturbations générées par un système exogène.

Défi théorique : Résoudre ce problème nécessite de trouver deux applications : une variété d'état à l'état stationnaire $\pi(w)$ et une commande prédictive $c(w)$ . Ces applications doivent satisfaire les Équations du Régulateur (ER), un système d'Équations aux Dérivées Partielles (EDP) couplé à des contraintes algébriques (équations d'Isidori-Byrnes).
Limites des méthodes existantes :
- Analytiques : Les solutions exactes sont rarement disponibles pour les systèmes non linéaires.
- Approximation (Galerkin/Taylor) : Ces méthodes s'adaptent mal à la non-linéarité, ne sont valables que dans de petits voisinages de l'origine, ou nécessitent des développements d'ordre élevé complexes.
- Approches antérieures par réseaux de neurones : Les solutions précédentes basées sur les RN reposaient sur un ajustement de données avec des modèles peu profonds et manquaient de capacité à généraliser à différents paramètres de système ou conditions initiales sans réentraînement.

2. Méthodologie

Les auteurs proposent un cadre de Réseau de Neurones Informé par la Physique (PINN) pour résoudre directement les Équations du Régulateur, évitant ainsi le besoin de jeux de données étiquetés ou de trajectoires précalculées.

Concept de base

Au lieu d'apprendre une trajectoire d'évolution temporelle, le réseau apprend un opérateur d'état stationnaire qui mappe directement les états du système exogène $w$ vers les états du procédé requis $\pi(w)$ et les commandes $c(w)$ .

Architecture et entraînement

Structure du réseau : Un réseau de neurones entièrement connecté ( $n_\xi$ ) avec quatre couches cachées et environ $8 \times 10^4$ paramètres. Il prend l'état du système exogène $w$ comme entrée et produit les approximations $\hat{\pi}(w)$ et $\hat{c}(w)$ .
Fonction de perte : L'entraînement est non supervisé. La fonction de perte $J$ $J$ minimise les résidus des Équations du Régulateur et impose les conditions aux limites :
$J = J_{PDE} + \lambda \cdot J_{BC}$
- $J_{PDE}$ : L'erreur quadratique moyenne des résidus des EDP ( $L_s\hat{\pi} - f(\hat{\pi}, \hat{c}, w)$ ) et des contraintes algébriques ( $h(\hat{\pi}, w)$ ).
- $J_{BC}$ : Un terme de pénalité pour les conditions aux limites (par exemple, limites des actionneurs).
- Différentiation automatique : Utilisée pour calculer les dérivées de Lie ( $L_s\pi$ ) par rapport à l'entrée du réseau $w$ , permettant au réseau de « comprendre » la physique de la dynamique du système exogène.
Stratégie de généralisation : Le réseau est entraîné en échantillonnant une famille de systèmes dynamiques (variation des conditions initiales du système exogène et des paramètres tels que la fréquence $\Omega$ ). Cela force le réseau à apprendre un opérateur de solution général plutôt qu'une instance spécifique.

3. Étude de cas : Atterrissage vertical d'un hélicoptère

Pour valider l'approche, les auteurs ont appliqué la méthode à un benchmark non linéaire : la synchronisation de la dynamique verticale d'un hélicoptère avec une plateforme oscillant harmoniquement.

Dynamique du système : Modélisée comme un corps rigide avec une dynamique non linéaire multi-entrées sous-actionnée (poussée du rotor principal, poussée du rotor de queue et inclinaisons des rotors).
Système exogène : Un oscillateur harmonique générant une référence sinusoïdale verticale avec une fréquence et une amplitude inconnues.
Équations du Régulateur : Le problème a été réduit à la résolution des angles de roulis/pitch à l'état stationnaire ( $\pi_\phi, \pi_\theta$ ) et d'une commande spécifique ( $c_b$ ) satisfaisant les EDP couplées dérivées des équations de Newton-Euler.
Contraintes : La solution doit respecter les limites des actionneurs (par exemple, $|u_b| \leq 0.3491$ ).

4. Résultats clés

Le cadre a été testé sur une carte graphique grand public avec un horizon de simulation de 30 secondes.

Reconstruction haute fidélité : Le PINN a reconstruit avec succès la variété à erreur nulle avec une grande précision. Les applications apprises ( $\pi(w), c(w)$ ) ont correctement capturé le comportement oscillatoire induit par le système exogène.
Généralisation :
- Le contrôleur a maintenu une erreur de suivi faible sur une large gamme de fréquences du système exogène et de conditions initiales, y compris des configurations non vues pendant l'entraînement (hors distribution).
- Dans les scénarios « en distribution » et « hors distribution », l'erreur résiduelle de suivi était environ deux ordres de grandeur plus petite que le signal de référence.
Récupération de la condition de trim : Lorsque l'état du système exogène était nul (pas de perturbation), le réseau a correctement récupéré la condition de « trim » connue (commandes de vol stationnaire) pour l'hélicoptère, validant la cohérence physique de la solution.
Métriques de performance :
- Entraînement : Terminé en quelques minutes.
- Inférence : Passage avant léger, adapté au déploiement embarqué en temps réel.
- Erreur : L'erreur absolue médiane de suivi vertical était d'environ $0.031$ m, la plupart des erreurs étant négligeables. La divergence ne s'est produite que dans des régions extrêmes et hautement non linéaires (fréquence/amplitude élevées), attribuée à la conception du stabilisateur par retour d'état plutôt qu'à l'incapacité du PINN à résoudre les ER.

5. Importance et contributions

Résolution efficace en données : Démontre que des EDP non linéaires complexes en théorie du contrôle peuvent être résolues sans jeux de données massifs, en s'appuyant uniquement sur la structure mathématique du système (informé par la physique).
Apprentissage d'opérateurs : L'approche passe de la résolution d'une instance unique à l'apprentissage d'un opérateur de solution qui généralise sur une famille de systèmes, le rendant robuste aux variations de paramètres.
Faisabilité en temps réel : La méthode comble le fossé entre le contrôle non linéaire théorique (souvent prohibitif en calcul) et l'implémentation pratique, offrant une voie computationnellement efficace vers le contrôle en temps réel sur du matériel embarqué.
Applicabilité large : Bien que testée sur un hélicoptère, la méthodologie est applicable à tout système non linéaire où le problème de régulation de sortie admet une solution, à condition que les Équations du Régulateur puissent être formulées.

6. Limites et travaux futurs

Hypothèse d'information complète : La méthode actuelle suppose que l'état du système exogène $w$ est disponible pour le retour d'état. Les travaux futurs visent à étendre cela à des configurations à information partielle (estimation de $w$ ).
Stabilisation par retour d'état : L'article se concentre sur la résolution des ER (commande prédictive). La stabilité du système en boucle fermée repose sur un gain de retour d'état séparé, qui a été réglé empiriquement. Les travaux futurs pourraient intégrer des conceptions avancées de retour d'état stabilisant pour élargir la région de fonctionnement réalisable.
Incertitude du procédé : Étendre le cadre pour gérer des familles de procédés avec incertitude paramétrique (randomisation des paramètres du procédé pendant l'entraînement) est une direction proposée.