⚡ electrical engineering

ReLU Barrier Functions for Nonlinear Systems with Constrained Control: A Union of Invariant Sets Approach

Ce papier propose une approche de synthèse de barrières basée sur des fonctions ReLU et des ensembles invariants unis pour certifier la sécurité des systèmes non linéaires sous contraintes de contrôle, en combinant une approximation par des modèles affines par morceaux et une vérification locale pour obtenir des ensembles invariants plus grands que les méthodes linéaires traditionnelles.

Auteurs originaux : Pouya Samanipour, Hasan A. Poonawala

Publié 2026-03-17

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Pouya Samanipour, Hasan A. Poonawala

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 conduisez une voiture autonome dans une ville très complexe. Votre objectif est simple : rester dans les limites de sécurité (ne pas sortir de la route, ne pas percuter un piéton). Mais il y a un problème : votre voiture a des limites physiques. Le volant ne peut tourner qu'à un certain angle, et le moteur ne peut pas pousser plus fort qu'une certaine force. C'est ce qu'on appelle des contraintes d'entrée.

Si vous essayez de programmer la voiture pour qu'elle soit "parfaite" en tout temps, le calcul devient si compliqué que l'ordinateur met des heures à trouver une solution, ou pire, il dit "c'est impossible" alors que ce ne l'est pas. C'est là que cette recherche intervient.

Voici une explication simple de la méthode proposée par les auteurs, Pouya Samanipour et Hasan A. Poonawala, en utilisant des analogies du quotidien.

1. Le Problème : La Carte Trop Floue

Pour garantir la sécurité, les ingénieurs utilisent des "fonctions barrières". Imaginez une barrière invisible autour de la zone sûre. Tant que la voiture est à l'intérieur, tout va bien. Si elle touche la barrière, le système de contrôle doit la repousser vers l'intérieur.

Le problème, c'est que pour une voiture réelle (un système non linéaire), calculer cette barrière parfaite est un cauchemar mathématique, surtout quand le moteur est saturé (il ne peut pas aller plus vite). C'est comme essayer de dessiner la forme exacte d'un nuage avec une règle : c'est trop complexe.

2. La Solution : Le "Maquillage" (Approximation)

Au lieu de dessiner la barrière directement sur la voiture réelle (trop dur), les auteurs proposent de la dessiner d'abord sur une maquette simplifiée.

L'analogie du Lego : Imaginez que vous voulez modéliser une colline ronde et douce. C'est difficile. Mais si vous utilisez des blocs de Lego (des formes géométriques simples et droites), vous pouvez construire une approximation très proche de la colline.
Dans le papier, cette "maquette" est appelée un modèle PWA (Affine par Morceaux). C'est comme si on découpait le monde en petits morceaux carrés et qu'on disait : "Dans ce carré, la voiture se comporte comme ça". C'est beaucoup plus facile à calculer pour un ordinateur.

3. L'Innovation 1 : Le "Filtre à Double Vitesse" (ReLU Fuyant)

Pour que la barrière fonctionne, il faut choisir une règle de réactivité (si je suis près du bord, je dois freiner fort). Habituellement, on utilise une règle simple et linéaire (comme une pente constante). Mais c'est souvent trop prudent : on dessine une zone de sécurité très petite pour être sûr de ne pas se tromper.

Les auteurs proposent d'utiliser une règle plus intelligente, appelée Leaky ReLU.

L'analogie du régulateur de vitesse : Imaginez un régulateur de vitesse qui réagit différemment selon que vous êtes juste à la limite ou très loin.
- Si vous êtes juste à la limite, il réagit doucement (pour ne pas freiner trop brusquement).
- Si vous êtes loin, il réagit fort.
- Si vous êtes très loin, il réagit encore plus fort.
Cette règle à "deux pentes" permet de dessiner une zone de sécurité beaucoup plus grande (moins de gaspillage d'espace) tout en restant facile à calculer.

4. L'Innovation 2 : La "Union des Territoires" (UIS)

C'est l'idée la plus brillante. Au lieu de chercher une seule règle parfaite pour toute la zone, ils en testent plusieurs (par exemple, une règle un peu lente, une règle un peu rapide, une règle moyenne).

L'analogie du puzzle : Imaginez que vous avez trois cartes différentes.
- La carte A dit : "La zone sûre est ici".
- La carte B dit : "La zone sûre est là".
- La carte C dit : "La zone sûre est ici aussi".
Au lieu de choisir la meilleure carte et de jeter les autres, l'algorithme superpose toutes les cartes. Il dit : "La zone sûre est l'union de tout ce qui est sûr sur n'importe quelle carte".
Résultat : Vous obtenez une zone de sécurité géante, beaucoup plus grande que n'importe quelle carte individuelle, sans avoir à faire un calcul supplémentaire coûteux. C'est comme si vous aviez plusieurs gardes du corps, chacun protégeant une partie différente, et ensemble ils couvrent tout le bâtiment.

5. La Vérification : Le "Test de Vérité"

Une fois la barrière dessinée sur la maquette (les Lego), il faut vérifier si elle fonctionne vraiment sur la voiture réelle.

L'analogie du test de crash : On ne teste pas toute la voiture partout. On regarde uniquement les endroits où la barrière touche la route (les "facettes").
Si le test échoue (la voiture réelle sort de la zone), l'ordinateur ne recommence pas tout depuis zéro. Il dit : "Ah, j'ai une erreur ici, dans ce petit carré précis". Il ajoute alors une petite "zone d'incertitude" uniquement dans ce carré, et recalcule. C'est comme réparer une seule tuile cassée sur un toit au lieu de reconstruire toute la maison.

En Résumé

Cette méthode est comme un architecte très intelligent qui construit une forteresse de sécurité pour une voiture autonome :

Il dessine d'abord la forteresse avec des blocs Lego simples (modèle PWA).
Il utilise une règle de construction flexible (Leaky ReLU) pour ne pas gaspiller d'espace.
Il combine plusieurs plans de forteresse pour en faire une seule, immense et ultra-sûre (Union of Invariant Sets).
Il teste la forteresse sur la vraie voiture, et s'il trouve une faille, il ne répare que le petit trou, pas tout le mur.

Le résultat ? Des voitures (ou des robots) qui peuvent aller beaucoup plus loin, plus vite et dans des zones plus vastes sans risque de crash, le tout calculé assez vite pour être utilisé en temps réel. C'est un pas de géant vers des robots plus sûrs et plus performants.

1. Problématique

La certification de la sécurité pour les systèmes dynamiques non linéaires soumis à des contraintes d'entrée (saturation) est un défi majeur. Les méthodes traditionnelles basées sur les Fonctions de Barrière de Contrôle (CBF) rencontrent deux obstacles principaux :

Contraintes d'entrée : Les contraintes polyédriques sur la commande peuvent éliminer les commandes admissibles nécessaires pour maintenir la sécurité, rendant la synthèse de la fonction de barrière $h(x)$ difficile.
Conservatisme vs Tractabilité : Pour garantir la convexité du problème d'optimisation, les méthodes existantes utilisent souvent des fonctions de classe $\mathcal{K}$ linéaires ( $\alpha(h(x)) = \alpha \cdot h(x)$ ). Bien que cela permette une synthèse par programmation linéaire (LP), cela conduit souvent à des ensembles invariants certifiés très petits (conservatisme élevé). Les approches non linéaires (comme les réseaux de neurones) souffrent souvent de problèmes de non-convexité et de coûts de vérification prohibitifs.

L'objectif est de synthétiser des CBFs pour des systèmes non linéaires sous contraintes d'entrée, en réduisant le conservatisme sans sacrifier la convexité de la synthèse.

2. Méthodologie

Les auteurs proposent un pipeline d'approximation-vérification en cinq étapes, combinant l'apprentissage automatique (réseaux ReLU) et l'analyse formelle :

A. Approximation par Modèles PWA (Piecewise Affine)

Le système non linéaire en boucle fermée est approximé par un modèle PWA (Affine par morceaux) dérivé d'un réseau de neurones à fonction d'activation ReLU. La propriété clé est l'équivalence entre les réseaux ReLU et les fonctions PWA continues, ce qui permet de formuler le problème de synthèse comme un programme linéaire.

B. Synthèse de Barrière sur le Surrogat

Une fonction de barrière $h(x)$ est synthétisée sous forme PWA sur le modèle approximé via un programme linéaire (LP).

Innovation sur $\alpha(\cdot)$ : Au lieu d'utiliser une fonction linéaire unique, les auteurs proposent d'utiliser une fonction Leaky ReLU à deux pentes pour la fonction de classe $\mathcal{K}$ $K$ , notée $\alpha(s)$ $α (s)$ .
- Pour $s \ge 0$ , la pente est $\alpha_m$ .
- Pour $s < 0$ , la pente est $\alpha_1$ .
- Cela permet de réduire le conservatisme tout en restant compatible avec les architectures de réseaux de neurones.

C. Union d'Ensembles Invariants (UIS - Union of Invariant Sets)

Pour contourner la non-convexité directe de l'intégration d'une Leaky ReLU dans le LP, les auteurs utilisent une approche par max-composition :

On résout le problème de synthèse LP pour plusieurs pentes linéaires $\alpha_i$ différentes.
On obtient plusieurs ensembles invariants $S^{(i)}$ .
L'ensemble final certifié est l'union de ces ensembles : $S = \bigcup S^{(i)}$ .
La fonction de barrière globale est définie comme $h(x) = \max_i h^{(i)}(x)$ $h (x) = max_{i} h^{(i)} (x)$ .
- Avantage : Cela garantit un ensemble certifié au moins aussi grand que le meilleur ensemble individuel, sans coût de calcul supplémentaire (pas de nouveau solveur nécessaire, juste une composition max).

D. Vérification Facet-à-Facet (Facet-wise Verification)

La garantie sur le modèle PWA ne suffit pas pour le système non linéaire original. Une étape de vérification est effectuée :

On vérifie la condition CBF (existence d'une commande admissible) uniquement sur les facettes (les surfaces où $h(x)=0$ ) de l'ensemble invariant, et non sur tout le domaine.
Cette vérification utilise le Lemme de Farkas pour éliminer la variable de commande $u$ et vérifier l'existence d'une solution admissible pour le système non linéaire réel.

E. Mise à Jour Locale d'Incertitude

Si la vérification échoue (contre-exemple trouvé) :

On calcule l'erreur entre la dynamique réelle et le modèle PWA à ce point.
On met à jour localement l'ensemble d'incertitude $\Delta_j$ uniquement dans la cellule concernée.
On résout à nouveau le LP globalement avec cette incertitude localisée, évitant ainsi un conservatisme global excessif.

3. Contributions Clés

Surrogat Leaky ReLU pour $\alpha(\cdot)$ : Une conception à deux pentes qui évite la non-convexité bilinéaire tout en réduisant le conservatisme par rapport aux fonctions linéaires classiques.
Union d'Ensembles Invariants (UIS) : Une méthode de composition max qui combine plusieurs certificats LP pour former un ensemble unique plus grand, sans coût d'optimisation supplémentaire.
Pipeline Approximation-Vérification : Une méthode rigoureuse qui synthétise des barrières convexes sur des modèles PWA et les transfère aux systèmes non linéaires via une vérification exacte sur les facettes et des mises à jour d'incertitude locales.

4. Résultats et Simulations

Les auteurs ont testé leur méthode sur trois systèmes avec saturation d'entrée :

Pendule inversé : Comparaison avec la méthode linéaire [12]. L'approche UIS a produit un ensemble invariant strictement plus grand que n'importe quelle pente linéaire individuelle, avec un temps de calcul raisonnable.
Vérification de certificat de barrière (Système non linéaire générique) : Comparaison avec des méthodes basées sur SOS (Sum of Squares) et des réseaux profonds. La méthode proposée, utilisant un réseau ReLU simple (20 neurones), a certifié un ensemble sûr plus grand que les solutions à $\alpha$ unique et comparable à des méthodes plus complexes (SyntheBC), mais avec un temps de calcul bien inférieur (80s contre plusieurs heures pour d'autres méthodes).
Cart-Pole (4D) : Application à un système de 4 dimensions avec saturation de force. La méthode a réussi à certifier un ensemble invariant, démontrant l'évolutivité (scalabilité) de l'approche vers des dimensions supérieures.

Les temps de calcul (Tableau I) montrent que la méthode reste traitable (ex: ~1466s pour le Cart-Pole en 4D, incluant vérification), ce qui est compétitif par rapport aux méthodes d'optimisation non convexe ou SMT.

5. Signification et Impact

Ce travail est significatif car il comble le fossé entre la synthèse convexe (efficace et garantie) et la modélisation non linéaire complexe (réaliste mais difficile à certifier).

Il permet d'obtenir des zones de sécurité plus larges (moins conservatrices) pour les systèmes robotiques réels soumis à des limites physiques (saturation).
Il offre une alternative tractable aux approches d'apprentissage profond "boîte noire" qui manquent souvent de garanties formelles rigoureuses.
La stratégie de mise à jour d'incertitude locale permet d'affiner le modèle uniquement là où c'est nécessaire, optimisant l'efficacité computationnelle.

En résumé, cette méthode propose un cadre robuste pour la conception de contrôleurs sûrs pour les systèmes non linéaires contraints, en exploitant la structure des réseaux ReLU et l'analyse géométrique des ensembles invariants.