⚡ electrical engineering

Control-Oriented System Identification: Classical, Learning, and Physics-Informed Approaches

Cet article passe en revue les méthodes classiques, d'apprentissage automatique et de systématisation de données pour l'identification de systèmes, proposant un cadre unifié qui intègre des propriétés pertinentes pour le contrôle et informées par la physique à travers diverses contraintes d'optimisation afin d'améliorer l'explicabilité du modèle, l'efficacité de l'échantillonnage et la fourniture de garanties prouvables pour la synthèse de commande.

Auteurs originaux : S. Sivaranjani, Yuanyuan Shi, Nikolay Atanasov, Thai Duong, Jie Feng, Tim Martin, Yuezhu Xu, Vijay Gupta, Frank Allgöwer

Publié 2026-07-16

📖 8 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : S. Sivaranjani, Yuanyuan Shi, Nikolay Atanasov, Thai Duong, Jie Feng, Tim Martin, Yuezhu Xu, Vijay Gupta, Frank Allgöwer

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 robot comment marcher, ou à une voiture autonome comment naviguer dans une tempête. Vous pourriez simplement nourrir la machine avec une montagne de séquences vidéo et la laisser deviner les lois de la physique par elle-même. C'est comme laisser un enfant apprendre à faire du vélo en tombant mille fois jusqu'à ce qu'il finisse par comprendre. Cela fonctionne, mais c'est désordonné, lent, et parfois l'enfant tire la mauvaise leçon — comme penser qu'il est acceptable de rouler droit dans un mur parce qu'il n'en a pas encore percuté un encore.

Dans le monde de l'ingénierie, c'est la différence entre « apprendre à partir des données » et « apprendre avec une carte ». Le document que vous allez lire s'inscrit dans le coin de la science appelé Identification de Systèmes Orientée vers le Contrôle. Considérez l'« Identification de Système » comme l'art de construire une carte mathématique de la façon dont quelque chose bouge ou change. Le « Contrôle » est l'art de diriger cette chose pour qu'elle fasse ce que vous voulez. Pendant des décennies, les ingénieurs ont suivi un code de règles strict : si vous voulez piloter un avion en toute sécurité, votre carte doit obéir aux lois de la physique, comme la conservation de l'énergie ou le fait qu'on ne peut pas créer quelque chose à partir de rien. Mais récemment, de puissants nouveaux outils d'« apprentissage automatique » sont arrivés ; ils sont excellents pour deviner des motifs, mais terribles pour suivre des règles. Ils peuvent apprendre à faire voler un avion parfaitement dans une simulation, pour ensuite s'écraser dans le monde réel parce qu'ils ont oublié que la gravité existe. Ce document pose une grande question : pouvons-nous apprendre aux machines à apprendre à partir de données tout en les forçant à respecter les lois immuables de la physique et de la sécurité ?

Le Grand Casse du Tracé de Carte

Ce document est un véritable guide touristique à travers une ville d'idées en pleine effervescence, nous montrant comment construire de meilleures cartes pour les machines. Les auteurs, une équipe de chercheurs issus d'universités américaines et allemandes, disent essentiellement : « Arrêtez de laisser votre IA deviner les lois de la physique. Forcez-la à y obéir. »

Ils soutiennent que, bien que l'apprentissage automatique moderne soit incroyable pour trouver des motifs dans des données bruitées et désordonnées, il produit souvent des modèles de type « boîte noire ». Ceux-ci sont comme des boules de cristal : vous les secouez, elles donnent une réponse, mais vous n'avez aucune idée du pourquoi. Si cette boule de cristal contrôle un réacteur nucléaire ou un bras robotisé, et qu'elle commence à agir bizarrement, vous ne saurez pas pourquoi avant qu'il ne soit trop tard. Le document suggère que nous devons mélanger la « magie » de l'apprentissage automatique avec les « règles strictes » de la théorie du contrôle classique.

Les Trois Façons d'Apprendre à un Robot à Bien se Comporter

Les auteurs proposent trois manières principales de forcer un algorithme d'apprentissage à respecter les règles de l'univers, en utilisant une analogie simple : imaginez que vous entraînez un chien à rapporter une balle, mais que vous voulez vous assurer qu'il ne court jamais sur la route.

La Paramétrage Direct (Construire les Jambes du Chien) : C'est comme construire les jambes du chien de telle sorte qu'il lui soit physiquement impossible de courir sur la route. Vous concevez la structure du modèle dès le départ pour qu'il ne sache se déplacer que de manières sûres et conformes à la physique. Par exemple, si vous modélisez un pendule, vous construisez les mathématiques de sorte qu'il doive conserver l'énergie, tout comme un vrai pendule le fait. Le document montre que cela fonctionne très bien et est très efficace, mais qu'il est difficile de concere ces « jambes spéciales » pour chaque situation possible.
Les Contraintes Strictes (La Clôture Invisible) : C'est comme installer une clôture électrique invisible autour du jardin. Le chien peut courir où il veut, mais s'il tente de franchir la ligne, il reçoit un choc (ou, en termes mathématiques, l'ordinateur dit « Non, ce n'est pas autorisé ! »). Le document explique que c'est très précis, mais que cela peut être coûteux en termes de calcul, comme essayer de calculer le chemin exact d'un million de chiens à la fois. Parfois, la clôture empêche le chien d'apprendre de nouveaux tours.
Les Contraintes Souples (Le Petit Coup de Pousse) : C'est comme donner une friandise au chien chaque fois qu'il reste dans le jardin, et un léger « non » lorsqu'il s'éloigne. Vous ne lui interdisez pas de courir sur la route, mais vous rendez cela très coûteux (en termes de « points » ou de « perte ») de le faire. C'est le moyen le plus facile d'ajouter des règles à l'IA moderne, mais le document prévient que ce n'est pas une garantie. Le chien pourrait quand même courir sur la route si la friandise n'est pas assez grande.

Le Moment de l'Erreur : Pourquoi le Simple Devinage Échoue

L'une des parties les plus intéressantes du document est une petite expérience qu'ils mènent pour prouver leur point. Ils prennent un circuit électrique simple (un circuit RLC) dont on sait qu'il est « passif » (ce qui signifie qu'il ne peut pas créer d'énergie à partir de rien). Ils injectent des données de ce circuit dans un outil d'apprentissage automatique standard pour construire un modèle.

Le résultat ? Le nouveau modèle semble parfait. Il prédit le comportement du circuit avec une précision de 99,6 %. Mais lorsque les auteurs vérifient si le modèle respecte la règle du « pas d'énergie gratuite », ils découvrent qu'il est défaillant. Le modèle pense que le circuit peut générer de l'énergie par lui-même ! C'est comme une carte qui montrerait un raccourci à travers une montagne qui n'existe pas. Le document utilise cela pour prouver que le simple fait d'être précis ne suffit pas. Si votre carte est légèrement erronée sur les lois de la physique, votre robot pourrait s'écraser.

Les Nouveaux Outils : L'IA Informée par la Physique

Le document plonge ensuite dans les outils passionnants que les chercheurs utilisent pour corriger cela. Ils parlent des Neural ODEs (Équations Différentielles Ordinaires Neurales), qui sont comme une IA qui parle le langage du calcul différentiel. Au lieu de simplement deviner l'étape suivante, elles apprennent le taux de variation, ce qui est la manière dont la physique réelle fonctionne.

Ils mettent également en avant les Réseaux de Neurones Hamiltoniens, qui sont conçus spécifellement pour apprendre les systèmes qui conservent l'énergie, comme les planètes orbitant autour d'un soleil ou un pendule oscillant. Dans un exemple, ils ont entraîné un réseau pour apprendre la dynamique d'un quadricoptère (un petit robot volant). La version « consciente de la physique » a appris les règles du vol beaucoup plus rapidement et avec moins de données que la version « boîte noire ». Elle a même maintenu l'énergie du robot équilibrée, l'empêchant de foncer dans un mur parce qu'elle pensait disposer d'un carburant infini.

L'Approche « Sans Modèle » : Apprendre de la Trace

Le document explore également une idée fascinante appelée Théorie des Systèmes Comportementaux. Imaginez que vous ne sachiez pas comment une voiture fonctionne, mais que vous avez une vidéo d'elle en train de conduire. Au lieu d'essayer de deviner la taille du moteur ou la pression des pneus, vous regardez simplement la trace des pneus sur le sol. Le document explique que vous pouvez vérifier si un système est sûr ou stable simplement en observant ces traces, sans jamais construire un modèle complet de la voiture. C'est comme vérifier si une rivière est sûre pour la baignade en observant le courant, plutôt qu'en mesurant la profondeur de l'eau en chaque point.

La Route à Suivre : Ce qu'il Manque Encore

Les auteurs sont honnêtes sur ce qu'ils n'ont pas encore résolu. Ils soulignent que, bien que nous devenions meilleurs pour enseigner à l'IA les règles de la physique, il est toujours très difficile de le faire pour des systèmes complexes et changeants (comme un réseau électrique qui change de mode ou un réseau de transport qui change selon l'heure de la journée).

Ils préviennent également qu'il existe un compromis. Si vous rendez les règles trop strictes, l'IA pourrait devenir trop rigide pour apprendre des comportements complexes du monde réel. C'est comme apprendre à un chien à rapporter une balle, mais si vous lui dites « ne bouge jamais de plus d'un centimètre », il ne pourra plus jamais rapporter la balle. Le document suggère que l'avenir réside dans la recherche de l'équilibre parfait : un modèle suffisamment flexible pour apprendre de données désordonnées, mais suffisamment rigide pour ne jamais briser les lois de la physique.

À Retenir

En résumé, ce document est un appel à l'action pour la prochaine génération d'ingénieurs et de scientifiques. Il dit : « Ne laissez pas seulement votre IA apprendre à partir des données. Donnez-lui une boussole. » En mélangeant la puissance de l'apprentissage automatique avec les règles intemporelles de la physique, nous pouvons construire des robots, des voitures et des réseaux électriques qui sont non seulement intelligents, mais aussi sûrs, explicables et dignes de confiance. Le document ne prétend pas avoir tout résolu, mais il fournit une carte claire du territoire, nous montrant exactement où se trouvent les falaises et où se trouvent les sentiers sûrs.

Résumé technique : Identification de systèmes orientée vers le contrôle

1. Énoncé du problème

L'article traite du défi de l'identification de systèmes pour les systèmes dynamiques où l'objectif principal n'est pas simplement de minimiser l'erreur de prédiction sur les données d'entraînement, mais d'apprendre des modèles qui préservent des propriétés spécifiques pertinentes pour le contrôle et informées par la physique.

Bien que les approches modernes d'apprentissage automatique (ML) excellent dans l'identification de modèles à partir de données bruitées et de haute dimension, elles échouent souvent à garantir des propriétés essentielles pour la synthèse de commande en aval, telles que la stabilité, la dissipativité, la monotonie et la préservation de la symétrie. À l'inverse, la théorie du contrôle classique repose fortement sur ces propriétés pour fournir des garanties prouvables pour le comportement en boucle fermée (par exemple, la stabilité via des fonctions de Lyapunov, la scalabilité via la dissipativité dans les systèmes en réseau). Le problème central est que les algorithmes d'identification standards, même lorsqu'ils atteignent une grande fidélité dans l'approximation des trajectoires entrée-sortie, ne garantissent pas intrinsèquement que le modèle appris héritera de ces propriétés structurelles. Comme le démontre l'article, un modèle linéaire peut approximer un système passif avec une précision de 99,6 % tout en échouant à être lui-même passif.

L'article pose comme postulat que la fusion de l'identification de systèmes avec des propriétés pertinentes pour le contrôle fournit un biais inductif nécessaire, améliore l'explicabilité, permet des garanties de contrôle prouvables et améliore la complexité de l'échantillonnage.

2. Méthodologie et cadre

Les auteurs formulent l'identification de systèmes comme un problème d'optimisation sous contraintes. Ils proposent un cadre unifié pour imposer des propriétés pertinentes pour le contrôle à travers trois mécanismes distincts :

Paramétrage direct : Contraindre la structure du modèle par construction pour satisfaire une propriété.
- Exemples : Réseaux de neurones lagrangiens/hamiltoniens (imposant la conservation de l'énergie), réseaux de neurones à convexité d'entrée (imposant la monotonie), et paramétrages spécifiques de fonctions de transfert (imposant la passivité).
Contraintes fortes (Hard Constraints) : Imposer des contraintes explicites au problème d'optimisation (par exemple, Inégalités Matricielles Linéaires - LMI, Programmes Semidéfinis - SDP).
- Exemples : Imposer la stabilité de Lyapunov via $A^T P + PA \prec 0$ , ou la dissipativité via des conditions de dissipativité QSR. L'article note que l'imposition directe est souvent coûteuse en calcul, menant à des approches en "deux étapes" où un modèle non contraint est d'abord identifié, suivi d'une perturbation/projection pour satisfaire les contraintes.
Contraintes souples (Soft Constraints / Régularisation) : Encourager les propriétés par des termes de pénalité dans la fonction de perte.
- Exemples : Réseaux de neurones informés par la physique (PINNs) qui minimisent les résidus des lois physiques (ex: conservation de l'énergie) parallèlement aux erreurs d'ajustement des données, ou des termes de régularisation qui pénalisent les valeurs propres ayant des parties réelles positives.

L'étude catégorise la littérature existante en trois flux principaux :

Identification de systèmes classique : Techniques pour systèmes linéaires et non linéaires (ex: méthodes de sous-espace, SINDy, opérateurs de Koopman) adaptées pour préserver les propriétés via les trois mécanismes susmentionnés.
Identification basée sur l'apprentissage profond (Deep Learning) : Architectures telles que les Neural ODEs, les réseaux d'équilibre récurrents (RENs) et les Transformers, modifiées pour intégrer des priors physiques ou des contraintes.
Approches comportementales directes basées sur les données : Méthodes qui contournent l'identification explicite du modèle (espace d'état ou fonction de transfert) et vérifient les propriétés directement à partir de trajectoires mesurées en utilisant le lemme fondamental de Willems et les approches de Set-Membership (appartenance à un ensemble).

3. Contributions clés et résultats de l'étude

A. Classification des approches

L'article fournit une taxonomie complète des méthodes pour imposer des propriétés pertinentes pour le contrôle, comparant leurs compromis concernant les garanties, la scalabilité et l'expressivité du modèle.

Le Paramétrage direct offre des garanties fortes par construction mais peut limiter l'expressivité du modèle.
Les Contraintes fortes fournissent des certificats explicites (ex: via des LMI) mais peuvent mener à des problèmes de calcul intraitables ou à un biais du modèle si le "meilleur ajustement" viole les contraintes.
Les Contraintes souples sont facilement scalables et faciles à intégrer, mais n'offrent généralement que des garanties probabilistes ou empiriques, nécessitant une vérification post-entraînement.

B. Identification classique et non linéaire

Systèmes linéaires : L'article passe en revue les méthodes pour imposer la stabilité, la passivité et la dissipativité dans les modèles d'espace d'état et de domaine fréquentiel. Il souligne l'approche de "perturbation" où un modèle de base est minimalement ajusté pour satisfaire les contraintes (ex: modification de la matrice $C$ dans l'identification d'un circuit RLC pour restaurer la passivité).
Systèmes non linéaires : L'étude couvre :
- Opérateurs de Koopman : Méthodes pour imposer la stabilité et la dissipativité sur le modèle linéaire élevé (lifted).
- SINDy : Techniques d'identification parcimonieuse augmentées de contraintes de "piégeage" (trapping) pour préserver l'énergie ou la stabilité.
- Modèles Port-Hamiltoniens (PH) : Cadres unifiés pour la modélisation basée sur l'énergie qui préservent naturellement la passivité et les structures d'interconnexion.
- Processus Gaussiens : Méthodes à noyau modifiées pour assurer la stabilité BIBO ou pour apprendre des structures Lagrangiennes/PH.

C. Architectures de Deep Learning

L'article détaille comment les architectures modernes sont adaptées :

Réseaux de neurones Hamiltoniens/Lagrangiens : Paramètrent la fonction d'énergie plutôt que la dynamique, garantissant la conservation de l'énergie (ou une dissipation contrôlée).
Réseaux de neurones monotones : Architectures (ex: gradients de réseaux de neurones à convexité d'entrée) qui garantissent la monotonie, cruciale pour les systèmes de puissance et les réseaux biologiques.
Réseaux d'Équilibre Récurrents (RENs) : Modèles conçus pour être contractifs et dissipatifs par construction, offrant des garanties de stabilité sans projection itérative.
Réseaux de neurones informés par la physique (PINNs) : Utilisent des contraintes souples pour intégrer les lois physiques (ex: équations de transfert de chaleur dans la dynamique des bâtiments) dans la fonction de perte, surpassant souvent les modèles "boîte noire" pour les prédictions à long horizon.

D. Vérification directe (Comportementale et Set-Membership)

Une partie importante de l'article est dédiée à la vérification basée sur les données sans identification explicite du modèle :

Cadre comportemental : Utilisation du lemme fondamental de Willems pour vérifier la dissipativité directement à partir d'une seule trajectoire entrée-sortie via des inégalités matricielles linéaires (LMI).
Approches Set-Membership : Définition d'un ensemble de tous les systèmes cohérents avec des données bruitées (une approximation extérieure ellipsoïdale). Des techniques de contrôle robuste (procédure S) sont ensuite utilisées pour vérifier si tous les systèmes de cet ensemble satisfont une propriété (ex: bornes de gain $L_2$ ). Cela fournit des garanties rigoureuses même avec des données bruitées.

4. Illustrations expérimentales

L'article soutient son étude par plusieurs exemples expositifs (avec code disponible sur un dépôt public) :

Dynamique du pendule : Comparaison d'une Neural ODE "boîte noire" contre une Neural ODE hamiltonienne. Le modèle informé par la physique converge plus rapidement, préserve la conservation de l'énergie et satisfait les contraintes de la variété $SO(3)$, tandis que le modèle boîte noire dérive.
Circuit RLC : Démonstration qu'un outil d'identification de système standard produit un modèle non passif malgré une grande précision d'ajustement, et montre comment une méthode de perturbation restaure la passivité.
Oscillateur de Duffing : Comparaison de modèles de Koopman avec et sans contraintes de stabilité souples. Le modèle contraint reste stable, tandis que l'incontraint diverge.
Système de puissance : Illustration des réseaux de neurones monotones pour le contrôle de la tension, montrant que bien qu'ils atteignent une précision comparable aux MLP standards, ils nécessitent un entraînement minutieux et offrent des garanties structurelles.
Dynamique thermique des bâtiments : Montrant que les PINNs (incorporant la physique résistance-condensateur) surpassent les réseaux de neurones standards pour la prévision de température à long terme.

5. Signification et directions futures

L'article soutient que l'identification orientée vers le contrôle doit être vue non pas seulement comme un problème d'approximation de fonction, mais comme un problème de sélection de modèle où la préservation des propriétés structurelles est primordiale pour la sécurité, l'interprétabilité et la synthèse de commande.

Signification :

Il comble le fossé entre la théorie du contrôle classique (qui repose sur les propriétés structurelles) et l'apprentissage automatique moderne (qui repose sur la flexibilité pilotée par les données).
Il fournit une feuille de route aux chercheurs pour sélectionner des stratégies d'identification appropriées selon qu'ils ont besoin de garanties strictes (contraintes fortes), de scalabilité (contraintes souples) ou de priors structurels spécifiques (paramétrage direct).
Il souligne que le "vanilla" machine learning est insuffisant pour les applications de contrôle sans ces biais inductifs.

Directions futures identifiées :

Systèmes en réseau : Identifier des modèles qui préservent à la fois la structure du graphe et les propriétés de contrôle (ex: monotonie) dans les grands réseaux.
Systèmes à commutation et variant dans le temps : Étendre l'identification aux systèmes avec des signaux de commutation inconnus ou des dynamiques variant dans le temps tout en préservant des propriétés comme la dissipativité.
Conception d'expériences : Développer des stratégies de conception d'entrées qui excitent simultanément les modes du système et garantissent que les données résultantes permettent l'identification des propriétés pertinentes pour le contrôle.
Pont entre les représentations : Créer un cadre unifié qui fusionne les garanties rigoureuses des représentations comportementales/set-membership avec la flexibilité des approximations par deep learning.
Compromis (Trade-offs) : Approfondir l'étude du compromis biais-variance lors de l'imposition de contraintes structurelles, spécifiquement concernant les théorèmes d'approximation universelle pour les classes de modèles structurés.

L'article conclut que bien que des progrès significatifs aient été réalisés, le domaine nécessite davantage de travail sur les algorithmes scalables pour les systèmes complexes, réseaux et variant dans le temps, ainsi que sur des benchmarks standardisés pour comparer les approches basées sur les données et celles orientées vers le contrôle.