⚡ electrical engineering

Data-Driven Safe Output Regulation of Strict-Feedback Linear Systems with Input Delay

Ce papier propose un cadre de commande sécurisée basé sur les données pour les systèmes à rétroaction stricte avec retard d'entrée, utilisant la théorie de l'opérateur de Koopman et des fonctions barrières de contrôle (CBF) pour garantir la convergence exponentielle vers une trajectoire de référence tout en respectant rigoureusement les contraintes de sécurité.

Auteurs originaux : Zhenxu Zhao, Ji Wang, Weiyao Lan

Publié 2026-02-10

📖 3 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Zhenxu Zhao, Ji Wang, Weiyao Lan

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 : Le conducteur dans le brouillard total

Imaginez que vous deviez conduire une voiture sur une route de montagne très sinueuse, mais avec trois problèmes majeurs :

Le brouillard est épais : Vous ne connaissez pas la puissance de votre moteur, ni la précision de votre direction, ni même la force du vent qui vous pousse.
La direction est "molle" (le délai) : Quand vous tournez le volant, la voiture ne réagit que deux secondes plus tard. C'est extrêmement dangereux dans un virage.
Le danger est partout : Il y a des barrières de sécurité sur le bord de la route. Si vous les touchez, c'est l'accident.

En ingénierie, c'est ce qu'on appelle un système avec des paramètres inconnus, un délai d'entrée et des contraintes de sécurité.

La Solution : Le "Pilote Fantôme" Intelligent

Les chercheurs ont créé un système de contrôle qui ne se contente pas de conduire, mais qui apprend en roulant. Voici comment ils ont découpé leur méthode :

1. L'Observation (L'analogie du détective)

Puisque le conducteur ne connaît pas les caractéristiques de la voiture, il va utiliser une technique appelée DMD (Dynamic Mode Decomposition).

L'analogie : Imaginez que vous lancez une pierre dans un étang. En regardant simplement les cercles qui se forment à la surface (les données de sortie), vous pouvez deviner la forme de la pierre et la force de l'impact, même si vous ne voyez pas la pierre elle-même.
Le système utilise les premières secondes de trajet (où il ne touche pas encore au volant) pour "écouter" la voiture et déduire mathématiquement comment elle réagit.

2. La Sécurité (L'analogie de la bulle protectrice)

Pour éviter les accidents, ils utilisent ce qu'on appelle des Fonctions de Barrière de Contrôle (CBF).

L'analogie : Imaginez que votre voiture est entourée d'une bulle invisible. Tant que vous êtes au centre, tout va bien. Si vous approchez trop du bord de la route, la bulle devient "rigide" et force la voiture à revenir vers le centre, peu importe ce que vous essayez de faire. C'est un garde-fou mathématique qui dit : "Peu importe tes erreurs d'apprentissage, tu n'as pas le droit de franchir cette ligne."

3. La Compensation du Délai (L'analogie du prédictions)

Pour gérer le fait que la voiture réagit tard, ils utilisent une méthode de prédiction.

L'analogie : C'est comme si vous jouiez à un jeu vidéo avec une connexion internet très lente (le "lag"). Pour ne pas foncer dans le mur, vous ne regardez pas où est votre voiture maintenant, mais vous essayez de calculer où elle sera dans deux secondes en fonction de vos commandes actuelles.

En résumé : Ce que cette recherche change

D'habitude, pour qu'un robot ou une voiture autonome soit sûr, il faut lui donner un mode d'emploi ultra-précis (un modèle mathématique parfait). Si le modèle est faux, le robot devient fou.

Ce papier dit : "On n'a pas besoin de mode d'emploi. Donnez-nous juste quelques données, et notre système va construire son propre mode d'emploi tout en garantissant, par une bulle de sécurité mathématique, qu'il ne fera jamais d'erreur fatale pendant qu'il apprend."

L'application concrète : Le "peloton de véhicules" (comme des voitures autonomes qui se suivent de très près sur l'autoroute). Le système permet aux voitures de se suivre de très près pour gagner de la place et de l'énergie, tout en étant certain qu'elles ne se rentreront jamais dedans, même si le moteur d'une voiture est un peu plus vieux ou si la connexion internet ralentit.

Résumé Technique : Régulation de Sortie Sécurisée Pilotée par les Données pour les Systèmes en Strict-Feedback avec Délai d'Entrée

1. Problématique

L'article traite d'un problème complexe de commande automatique : la régulation de sortie (suivi de trajectoire et rejet de perturbations) pour des systèmes linéaires possédant une structure en strict-feedback. Le défi majeur réside dans le fait que la quasi-totalité des paramètres du système est inconnue, notamment :

La matrice de dynamique du système ( $A$ ) et les matrices de perturbation ( $G$ ).
Le paramètre de délai d'entrée ( $D$ ), qui est modélisé par une EDP de transport.
Les perturbations externes ( $d(t)$ ) générées par un exosystème inconnu.
Le cas où seuls les signaux de sortie (et non l'état complet) sont mesurables (output-feedback).
L'exigence de sécurité critique : garantir que l'état du système reste dans un ensemble sécurisé défini par des fonctions de barrière de contrôle (CBF).

2. Méthodologie

Les auteurs proposent un cadre de commande hybride combinant l'identification par les données et la commande robuste :

Identification par les données (Data-Driven) :
- Théorie de l'opérateur de Koopman & Krylov DMD : Pour extraire la dynamique du système à partir de données mesurées, les auteurs utilisent la décomposition de modes dynamiques (DMD) de Krylov. Cette méthode utilise des matrices de Hankel pour reconstruire l'opérateur de Koopman, permettant d'identifier les modes et les valeurs propres du système (incluant les perturbations) même avec des données de sortie limitées.
- Méthode BaLSI (Batch Least-Squares Identification) : Utilisée pour identifier de manière exacte et en temps fini les paramètres de l'entrée, notamment le délai $D$ et le gain $b$ .
Conception de la commande sécurisée :
- Backstepping : Une transformation de coordonnées par étapes est utilisée pour transformer le système complexe en une forme de chaîne d'intégrateurs plus simple.
- Fonctions de Barrière de Contrôle (CBF) : Des CBF de degré relatif élevé sont intégrées dans la conception par backstepping pour garantir que les contraintes de sécurité sont respectées, même si le système part d'un état initial non sécurisé (grâce à une fonction de "sauvetage" $\varsigma(t)$ ).
- Observateur d'état étendu : Dans le cas où l'état complet n'est pas mesurable, un observateur est conçu pour estimer simultanément les états du système et les états de l'exosystème (perturbations).

3. Contributions Clés

Gestion de l'inconnu quasi-total : Contrairement aux méthodes existantes qui supposent une partie du modèle connue, ce cadre traite un système où presque tous les paramètres sont inconnus.
Intégration de la sécurité et du délai : C'est l'un des premiers travaux à combiner la sécurité (CBF) avec la compensation de délais d'entrée inconnus dans un cadre piloté par les données.
Approche Output-Feedback : Le développement d'un observateur permettant d'assurer la régulation sécurisée en utilisant uniquement les données de sortie.
Identification en temps fini : La preuve mathématique que les paramètres sont identifiés de manière exacte après un temps fini $t_f$ .

4. Résultats et Validation

L'efficacité de la méthode est démontrée par une application de pelotonage de véhicules (vehicle platooning) :

Cas 1 (État complet disponible) : Le système suit la trajectoire de référence tout en maintenant des distances de sécurité, même avec des délais et des masses de véhicules inconnus.
Cas 2 (Sortie seule disponible) : L'observateur parvient à reconstruire les vitesses et les perturbations, permettant au véhicule arrière de maintenir une distance sécurisée avec le leader.
Performance : Les simulations montrent une convergence exponentielle de l'erreur de suivi et une identification précise des paramètres (masse, délai, coefficients de frottement) en environ 3 secondes.

5. Signification

Ce travail représente une avancée majeure pour les systèmes autonomes modernes (véhicules connectés, drones, robots industriels) qui évoluent dans des environnements incertains. Il offre une garantie mathématique de sécurité (évitement de collision) tout en s'affranchissant de la nécessité d'un modèle mathématique précis préalable, ce qui est crucial pour le déploiement réel de systèmes intelligents.