Robust adaptive NMPC using ellipsoidal tubes

Cet article propose un algorithme de commande prédictive non linéaire robuste et adaptatif utilisant des tubes ellipsoïdaux pour garantir le respect des contraintes et la stabilité dans le cadre d'un contrôle par apprentissage avec des paramètres inconnus et des perturbations bornées.

L'essentiel

Imaginez que vous conduisez une voiture autonome dans une ville très imprévisible. Il y a du vent qui pousse la voiture (les perturbations), la carte GPS n'est pas parfaitement à jour (les erreurs de modèle), et vous ne connaissez pas exactement le poids de la voiture ou l'adhérence des pneus (les paramètres inconnus).

L'objectif de cette recherche est de créer un cerveau pour cette voiture qui lui permette de conduire en toute sécurité, même si elle ne sait pas exactement comment elle va réagir à chaque instant, tout en apprenant de ses erreurs pour devenir plus précise au fil du temps.

Voici comment les auteurs, Johannes Buerger et Mark Cannon, ont résolu ce problème, expliqué simplement :

1. Le problème : La prédiction est toujours imparfaite

Les systèmes de contrôle classiques (comme le régulateur de vitesse) fonctionnent bien si tout est prévisible. Mais ici, la voiture doit anticiper son trajet sur plusieurs secondes à l'avance.

• Le défi : Si vous essayez de prédire exactement où sera la voiture dans 10 secondes, vous allez vous tromper à cause du vent, de la route glissante ou d'une erreur de calcul. Si vous êtes trop optimiste, vous risquez de sortir de la route (violation des contraintes). Si vous êtes trop prudent, vous roulez au pas de tortue (inefficacité).

2. La solution : Le "Tube Élastique" (Ellipsoidal Tubes)

Au lieu de prédire un seul point précis (comme "la voiture sera exactement ici dans 5 secondes"), l'algorithme imagine un tube élastique autour de la trajectoire prévue.

• L'analogie du tunnel : Imaginez que la voiture roule dans un tunnel. Ce tunnel ne représente pas la route exacte, mais la zone de sécurité où la voiture pourrait se trouver à cause des imprévus.
• Pourquoi un tube ? Tant que la voiture reste à l'intérieur de ce tube, elle est en sécurité. Le but du contrôleur est de s'assurer que ce tube ne touche jamais les murs (les obstacles) ni ne sort de la route.
• La forme du tube : La plupart des méthodes utilisent des tubes carrés ou rectangulaires (comme des boîtes). Mais ici, les auteurs utilisent des tubes elliptiques (comme des œufs allongés ou des ballons de rugby).
  • Pourquoi c'est mieux ? Un ballon de rugby s'adapte mieux à la forme réelle du mouvement de la voiture. Dans les calculs complexes, cette forme "lisse" est beaucoup plus rapide à traiter pour l'ordinateur que des boîtes avec des coins pointus, surtout quand la voiture a beaucoup de degrés de liberté (roue avant, roue arrière, direction, etc.).

3. L'apprentissage en direct (Adaptation)

La voiture ne se contente pas de conduire ; elle apprend.

• Le mécanisme : À chaque instant, la voiture compare ce qu'elle pensait qu'elle allait faire avec ce qu'elle fait réellement.
• L'ajustement : Si elle réalise que le vent est plus fort qu'elle ne le pensait, elle met à jour sa "mémoire" (les paramètres du modèle). C'est comme si le conducteur disait : "Ah, il y a plus de vent que prévu, je vais ajuster ma direction pour la prochaine courbe."
• La sécurité : Même pendant qu'elle apprend, le "tube de sécurité" s'agrandit ou se déplace pour garantir qu'elle ne sort jamais de la zone sûre, même si ses nouvelles hypothèses sont encore imparfaites.

4. La méthode de calcul : "L'approche pas à pas"

Calculer la trajectoire parfaite pour une voiture non-linéaire (qui tourne, accélère, freine) est un cauchemar mathématique.

• La simplification : L'algorithme dit : "Supposons que, pour les 2 prochaines secondes, la voiture se comporte presque comme une voiture qui va tout droit." Il fait une approximation linéaire simple.
• La correction : Ensuite, il calcule une "marge d'erreur" (le tube) pour couvrir ce qui a été simplifié.
• L'optimisation : Il résout un problème mathématique (un programme convexe) pour trouver la meilleure direction à prendre maintenant pour rester dans le tube et atteindre l'objectif.

5. Pourquoi c'est une avancée ?

Les auteurs ont prouvé deux choses importantes :

1. C'est toujours faisable : Même si l'ordinateur n'a qu'une fraction de seconde pour calculer, il trouve toujours une solution qui garantit que la voiture ne va pas percuter un mur. C'est ce qu'ils appellent la "faisabilité récursive".
2. C'est scalable : Plus le système est complexe (plus il y a de variables à gérer), plus la méthode des tubes elliptiques est efficace par rapport aux anciennes méthodes (tubes rectangulaires). C'est comme passer d'un calcul manuel avec des blocs de Lego à un logiciel de modélisation 3D fluide : cela devient beaucoup plus rapide quand la complexité augmente.

En résumé

Imaginez un capitaine de navire dans un brouillard épais.

• Les anciennes méthodes traçaient une ligne droite rigide et espéraient ne pas toucher les rochers.
• Cette nouvelle méthode trace un couloir de sécurité flexible autour du navire.
• Le capitaine ajuste constamment la carte en fonction de ce qu'il voit (apprentissage).
• Le navire reste toujours dans le couloir, même si le vent change, et le capitaine trouve le chemin le plus rapide sans jamais sortir de la zone sûre.

C'est une méthode robuste, intelligente et économe en calculs, parfaite pour les voitures autonomes, les robots ou les drones qui doivent évoluer dans un monde imprévisible.

Résumé technique

Voici un résumé technique détaillé de l'article « Robust adaptive NMPC using ellipsoidal tubes » (Commande prédictive non linéaire robuste et adaptative utilisant des tubes ellipsoïdaux) par Johannes Buerger et Mark Cannon.

1. Problématique

L'article aborde le défi du contrôle de systèmes non linéaires soumis à des incertitudes de modèle et à des perturbations additives bornées. Plus précisément, le système est modélisé comme une combinaison affine de fonctions de base connues avec des paramètres inconnus ($\theta$), plus une perturbation additive ($w$).

Les objectifs sont triples :

1. Sécurité : Garantir le respect strict des contraintes sur les états et les commandes en présence d'incertitudes.
2. Adaptabilité : Permettre l'identification en ligne des paramètres inconnus (apprentissage) tout en contrôlant le système.
3. Efficacité computationnelle : Résoudre le problème de commande prédictive non linéaire (NMPC) en temps réel sans recourir à des optimisations non convexes complexes ou à des designs hors ligne trop restrictifs.

Les approches existantes de NMPC adaptatif robuste pour les systèmes non linéaires souffrent souvent de problèmes de convexité (problèmes non convexes en ligne) ou de conservatisme excessif (tubes polytopiques dont la complexité croît exponentiellement avec la dimension du système).

2. Méthodologie Proposée

Les auteurs proposent un algorithme de NMPC adaptatif robuste basé sur une approximation convexe séquentielle et l'utilisation de tubes ellipsoïdaux.

A. Modélisation et Linéarisation

• Le système est linéarisé autour d'une trajectoire nominale.
• Les erreurs de linéarisation, les erreurs de paramétrage et les perturbations sont regroupées dans des termes d'erreur ($\delta_0, \delta_1$).
• Ces erreurs sont bornées par des ensembles polytopiques (déduits des bornes des paramètres et des états).

B. Tubes Ellipsoïdaux

Contrairement aux tubes polytopiques classiques, l'algorithme utilise des tubes ellipsoïdaux pour envelopper les trajectoires incertaines.

• L'état du système est décomposé en une partie nominale ($z_k$) et une partie d'erreur ($e_k$).
• L'erreur $e_k$ est contenue dans un ellipsoïde $E(V, \beta_k^2)$ défini par une matrice de forme $V$ (calculée hors ligne) et un rayon scalaire $\beta_k$ (optimisé en ligne).
• Cette géométrie ellipsoïdale permet une scalabilité bien meilleure avec la dimension du système par rapport aux polytopes.

C. Optimisation en Ligne (SOCP)

Le problème de contrôle est formulé comme un Programme de Cône du Second Ordre (SOCP) :

• Fonction objectif : Minimiser une borne supérieure du coût quadratique sur le tube ellipsoïdal.
• Contraintes :
  • Contraintes d'entrée et d'état garanties pour tout le tube.
  • Contraintes de stabilité et de faisabilité récursive via des conditions terminales spécifiques (ensemble terminal et coût terminal).
  • Utilisation d'une recherche de ligne (backtracking line search) : Si le problème d'optimisation est infaisable à une itération, l'algorithme ajuste la trajectoire nominale précédente pour garantir la faisabilité, assurant ainsi la stabilité même avec une seule itération d'optimisation.

D. Estimation des Paramètres

L'algorithme intègre une estimation par appartenance à un ensemble (Set Membership Estimation - SME).

• À chaque pas de temps, l'ensemble des paramètres possibles $\Theta_t$ est mis à jour en intersectant l'ensemble précédent avec les contraintes imposées par les nouvelles mesures.
• Cela permet de réduire progressivement l'incertitude sur $\theta$ tout en garantissant que le vrai paramètre reste dans l'ensemble estimé.

3. Contributions Clés

1. Algorithme Convexe et Robuste : Transformation d'un problème de contrôle non linéaire incertain en une séquence de problèmes convexes (SOCP) solubles efficacement en ligne.
2. Scalabilité : L'utilisation de tubes ellipsoïdaux remplace les tubes polytopiques, évitant la croissance exponentielle du nombre de contraintes avec la dimension de l'état. La complexité computationnelle croît de manière favorable (polynomiale) avec la dimension du système.
3. Garanties Théoriques Rigoureuses :
   • Faisabilité récursive : Le problème reste toujours soluble à chaque pas de temps grâce à la stratégie de recherche de ligne et aux conditions terminales.
   • Stabilité : Preuve de la stabilité pratique entrée-état (ISpS - Input-to-State Practical Stability) et garantie de satisfaction des contraintes.
   • Convergence : Le coût converge vers une borne supérieure liée à l'incertitude résiduelle.
4. Intégration Apprentissage/Contrôle : Combinaison fluide de l'estimation de paramètres en ligne et de la commande robuste sans compromettre la stabilité.

4. Résultats Numériques

Les auteurs ont testé l'algorithme sur des exemples non linéaires quadratiques avec des dimensions variables ($n_x, n_u, n_\theta$).

• Performance Computationnelle :
  • Le temps de calcul par itération est dominé par le nombre de contraintes de cône du second ordre (SOC).
  • Pour les systèmes de grande dimension, l'approche ellipsoïdale est nettement plus rapide que les approches basées sur des tubes polytopiques (en particulier les tubes hyperrectangulaires dont la complexité explose).
  • Comparé aux tubes polytopiques simples (simplexes), l'approche ellipsoïdale offre un compromis temps/performance similaire pour les petites dimensions, mais devient supérieure pour les dimensions plus élevées.
• Performance de Contrôle :
  • Le sous-optimalité de la première itération est faible.
  • Le coût global en boucle fermée reste compétitif par rapport aux méthodes polytopiques, même si le nombre d'itérations nécessaires pour converger est légèrement plus élevé (2-2,5 itérations contre 3,5-4,5 pour les polytopes), ce qui est compensé par la rapidité de résolution de chaque itération SOCP.

5. Signification et Conclusion

Cet article représente une avancée significative dans le domaine du contrôle prédictif adaptatif robuste pour les systèmes non linéaires.

• Impact Pratique : Il rend possible le déploiement de contrôleurs adaptatifs robustes sur des systèmes plus complexes et de plus grande dimension, là où les méthodes précédentes (basées sur des polytopes ou des optimisations non convexes) devenaient intraitables.
• Équilibre Théorie/Pratique : L'algorithme offre un équilibre optimal entre la rigueur des garanties de stabilité (via les ellipsoïdes et les conditions terminales) et l'efficacité computationnelle requise pour le temps réel.
• Perspectives : Les auteurs suggèrent que l'utilisation de solveurs de premier ordre personnalisés pourrait encore améliorer les performances, et que l'exploration de méthodes de convexification par différence de fonctions convexes (DC) dans le contexte des tubes ellipsoïdaux est une voie de recherche prometteuse.

En résumé, cette méthode propose une solution sûre, adaptative et scalable pour le contrôle de systèmes non linéaires incertains, comblant le fossé entre la théorie de l'identification de systèmes et la commande prédictive robuste en temps réel.