⚡ electrical engineering

Linear Quadratic Control with Non-Markovian and Non-Semimartingale Noise Models

Ce papier propose une résolution du problème de contrôle optimal linéaire quadratique en utilisant la théorie des chemins rugueux (*rough path theory*) pour traiter des bruits non markoviens et non semi-martingulaires à faible régularité de Hölder.

Auteurs originaux : Mostafa M. Shibl, Sharan Srinivasan, Harsha Honnappa, Vijay Gupta

Publié 2026-02-11

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Mostafa M. Shibl, Sharan Srinivasan, Harsha Honnappa, Vijay Gupta

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 Problème : Piloter dans une tempête imprévisible

Imaginez que vous essayez de piloter un drone très sophistiqué. Dans les manuels classiques d'ingénierie (ce qu'on appelle le cadre LQG), on part du principe que le vent qui secoue votre drone est "sage". On imagine un vent qui souffle de manière un peu aléatoire, mais prévisible sur le long terme, comme un léger clapotis sur l'eau. C'est ce qu'on appelle le "bruit brownien". Avec ce modèle, le drone sait comment corriger sa trajectoire car le vent suit des règles mathématiques très douces.

Le problème, c'est que la réalité est beaucoup plus brutale.

Dans le monde réel, le vent ne se comporte pas toujours comme un petit clapotis. Parfois, c'est une série de rafales erratiques qui n'ont aucune mémoire (non-Markovien), ou des secousses si violentes et saccadées qu'elles ressemblent à des coups de marteau (faible régularité de Hölder). Si vous utilisez un pilote conçu pour un petit clapotis face à une tempête de marteau, votre drone va paniquer : il va donner des coups de moteur désordonnés, s'épuiser, et finir par s'écraser.

La Solution : La "Théorie des Chemins Rugueux" (Rough Path Theory)

Les chercheurs de cet article ont décidé de changer les lunettes avec lesquelles on regarde le vent. Au lieu de voir le vent comme un simple bruit de fond, ils utilisent une technologie mathématique appelée la "Théorie des Chemins Rugueux".

L'analogie du GPS et de la texture :
Imaginez que vous conduisez une voiture sur une route.

L'ancienne méthode (Itô) : C'est comme si votre GPS ne voyait que la position moyenne de la route. Il ignore les nids-de-poule et les irrégularités de la chaussée. Si la route devient très accidentée, le GPS est perdu.
La nouvelle méthode (Rough Paths) : C'est comme si votre GPS avait une caméra ultra-haute définition qui analyse non seulement la position, mais aussi la texture même de la route (les micro-creux, les inclinaisons, les changements de direction brusques). En comprenant la "rugosité" du chemin, le système peut anticiper comment chaque secousse va affecter la voiture.

Comment ça marche concrètement ?

Le papier introduit ce qu'ils appellent le gLQ (Generalized Linear Quadratic control). C'est un cerveau électronique qui possède deux super-pouvoirs :

Le Pouvoir de Prédiction (Le terme de correction) : Au lieu de simplement réagir à une secousse une fois qu'elle a eu lieu, le contrôleur utilise des calculs spéciaux (les "intégrales itérées") pour estimer l'effet que les futures secousses pourraient avoir sur le système. C'est comme un surfeur qui ne regarde pas seulement la vague sous ses pieds, mais qui lit la texture de l'eau pour anticiper la prochaine cassure de la vague.
Le Pouvoir de l'Observateur : Si le système ne peut pas voir directement sa position exacte (à cause de capteurs brouillés), il utilise un "observateur intelligent" qui nettoie le signal de mesure, même si ce signal est extrêmement chaotique et irrégulier.

La preuve par l'exemple : Le Pendule Inversé

Pour prouver que ça marche, les chercheurs ont testé leur algorithme sur un pendule inversé (un bâton en équilibre sur un chariot qui doit bouger pour ne pas tomber).

Avec l'ancienne méthode : Dès que le vent devenait "rugueux" (comme le mouvement brownien fractionnaire ou des sauts brusques), le pendule devenait fou. Le chariot essayait de compenser de manière désespérée, les moteurs saturaient, et le pendule finissait inévitablement par tomber. C'était le chaos.
Avec la nouvelle méthode (gLQ) : Malgré les secousses violentes et imprévisibles, le pendule est resté stable. Le chariot a bougé avec précision et calme, comme s'il "lisait" la tempête pour mieux la traverser.

En résumé

Ce papier est une avancée majeure car il donne aux ingénieurs un "bouclier mathématique" contre l'imprévisibilité extrême. Il permet de concevoir des robots, des drones ou des systèmes industriels capables de rester stables et efficaces, même dans des environnements où le chaos n'est pas une exception, mais la règle.

Résumé Technique : Contrôle Linéaire Quadratique avec Modèles de Bruit Non-Markovien et Non-Semi-Martingale

1. Problématique

Le cadre classique du contrôle Gaussien Linéaire Quadratique (LQG) repose sur l'hypothèse que les bruits de processus et de mesure suivent un mouvement brownien. Cette hypothèse permet d'utiliser le calcul stochastique d'Itô et de dériver des solutions via l'équation de Hamilton-Jacobi-Bellman (HJB) et le filtre de Kalman.

Cependant, de nombreux phénomènes physiques réels (systèmes financiers, turbulences, systèmes biologiques) présentent des dépendances temporelles (mémoire) et une faible régularité de Hölder. Ces processus sont souvent non-Markoviens et non-semi-martingales (comme le mouvement brownien fractionnaire avec un indice de Hurst $H < 0,5$ ). Pour ces modèles, le calcul d'Itô est inapplicable, ce qui rend les contrôleurs LQG standards inefficaces, voire instables, car ils ne parviennent pas à anticiper la structure complexe du bruit.

2. Méthodologie

Pour surmonter l'absence de structure de semi-martingale, les auteurs introduisent le cadre du gLQ (generalized Linear Quadratic) en utilisant la théorie des chemins rugueux (Rough Path Theory).

Levée de chemin (Rough Path Lift) : Au lieu de traiter le bruit comme un processus stochastique classique, les auteurs "élèvent" les trajectoires de bruit vers des "chemins rugueux" (rough paths), incluant non seulement la trajectoire elle-même mais aussi ses intégrales itérées (aires de Lévy).
Équations Différentielles Rugueuses (RDE) : La dynamique du système est formulée sous forme de RDE, ce qui permet de définir des intégrales de manière déterministe et robuste pour des trajectoires ayant une faible régularité de Hölder ( $H \in (1/3, 1]$ ).
Approximation par lissage : La résolution de l'équation HJB rugueuse est obtenue en utilisant des approximations de chemins lisses, puis en passant à la limite grâce au théorème de limite universelle de Lyons.

3. Contributions Clés

L'article apporte trois contributions théoriques majeures :

Caractérisation du contrôleur optimal (LQR) : Pour le cas où l'état est parfaitement connu, les auteurs démontrent que le contrôleur optimal est composé de deux termes : le terme LQR classique et un terme de correction prédictif $V(t)$ . Ce dernier estime et compense l'effet futur du bruit rugueux sur la trajectoire de l'état.
Principe de séparation et Observateur optimal : Dans le cas où l'état n'est pas directement mesurable, les auteurs prouvent que le principe de séparation tient toujours. Ils dérivent un observateur optimal (filtre) capable de gérer des bruits de processus et de mesure corrélés, en utilisant une matrice de gain $L$ spécifique qui minimise l'erreur quadratique moyenne.
Preuve de la continuité des chemins rugueux : Contrairement au calcul d'Itô où les solutions peuvent être discontinues face à de petites perturbations de bruit, les auteurs prouvent que dans le cadre des chemins rugueux, les applications de filtrage et de contrôle sont localement uniformément continues. Cela garantit une robustesse mathématique supérieure.

4. Résultats et Validation Numérique

Les auteurs testent leur approche sur un modèle de pendule inversé soumis à deux types de bruits critiques :

Mouvement Brownien Fractionnaire (fBm) avec $H = 0,35$ : Le contrôleur LQ classique échoue totalement, entraînant une divergence exponentielle de l'état. Le contrôleur gLQ stabilise efficacement le système.
Processus de Lévy (Distribution Stable) : Le bruit présente des sauts et des queues lourdes. Là encore, le contrôleur classique devient instable, tandis que le contrôleur gLQ maintient la régulation de l'angle et de la position avec un effort de commande maîtrisé.

5. Signification et Impact

Ce travail est significatif car il comble un fossé théorique majeur entre la théorie du contrôle classique et la réalité des signaux physiques irréguliers. En remplaçant le calcul stochastique traditionnel par la théorie des chemins rugueux, les auteurs fournissent un cadre mathématiquement rigoureux pour concevoir des systèmes de contrôle robustes face à des bruits qui ne respectent pas les hypothèses de Markov ou de semi-martingale. Cela ouvre des perspectives importantes pour l'amélioration de la sécurité et de la stabilité dans les systèmes complexes (robotique, finance, systèmes quantiques).