Predictor-Based Output-Feedback Control of Linear Systems with Time-Varying Input and Measurement Delays via Neural-Approximated Prediction Horizons

1. Problématique

L'article aborde le problème de la commande des systèmes linéaires soumis à des retards d'entrée et de mesure variant dans le temps.

• Contexte : Les méthodes de rétroaction par prédicteur (predictor feedback) sont une approche classique et robuste pour compenser les retards, permettant de reconstruire l'état futur du système au moment où la commande sera appliquée.
• Défi principal : Pour les retards variables, la mise en œuvre exacte du prédicteur nécessite le calcul de l'inverse de la fonction de retard (le « horizon de prédiction »). Dans la plupart des cas pratiques, cette fonction inverse n'est pas disponible sous forme analytique fermée.
• Limitation des travaux antérieurs : Les approches existantes peinent souvent à implémenter exactement ces prédicteurs pour des retards non constants, et la plupart des travaux se limitent à la rétroaction d'état (state-feedback), négligeant le cas plus complexe où l'état n'est pas directement mesurable (rétroaction de sortie).

2. Méthodologie

Les auteurs proposent une architecture de commande en trois étapes combinant un observateur et un prédicteur, tout en traitant l'approximation de l'horizon de prédiction.

A. Conception de la commande (Output-Feedback)

Le système est modélisé par des équations différentielles avec des retards $D_1(t)$ (entrée) et $D_2(t)$ (mesure). La loi de commande proposée suit trois phases :

1. Observation : Reconstruction de l'état retardé $Z(\phi_2(t))$ à partir de la mesure $Y(t)$ via un observateur.
2. Propagation : Utilisation de la dynamique du système pour propager cette estimation vers l'état actuel $\hat{Z}(t)$.
3. Prédiction : Calcul de l'état futur $\hat{P}(t) = \hat{Z}(t + \psi(t))$, où $\psi(t) = \phi_1^{-1}(t) - t$ est l'horizon de prédiction. La commande est ensuite $U(t) = K\hat{P}(t)$.

B. Approximation de l'horizon de prédiction ($\psi(t)$)

Puisque $\psi(t)$ (l'inverse du retard) est difficile à calculer, l'article propose deux méthodes d'approximation basées sur l'apprentissage d'opérateurs :

1. Méthode Numérique (Intégration d'EDO) : Reformulation du problème d'inversion comme une équation différentielle ordinaire (EDO) et résolution via des schémas d'intégration (ex: méthode d'Euler explicite).
2. Méthode basée sur les Opérateurs Neuronaux (Neural Operators) : Utilisation d'architectures d'apprentissage profond (spécifiquement les Fourier Neural Operators ou FNO) pour apprendre directement l'application $D \mapsto \psi$. Cette méthode vise à remplacer l'intégration séquentielle coûteuse par une évaluation directe de réseau de neurones.

C. Analyse de Stabilité

Les auteurs utilisent une transformation backstepping pour convertir le système à retard en une cascade PDE-EDO (Équation aux Dérivées Partielles de transport). Ils construisent une fonctionnelle de Lyapunov pour prouver que la stabilité exponentielle globale est préservée, à condition que l'erreur d'approximation de l'horizon $\psi$ reste inférieure à un seuil critique $\epsilon^*$.

3. Contributions Clés

• Cadre théorique unifié : Établissement d'un cadre théorique d'approximation d'opérateurs pour la récupération du retard inverse, prouvant que l'application inverse est lipschitzienne sur des ensembles compacts.
• Deux théorèmes d'approximation :
  • Garantie d'erreur pour l'approche numérique (intégration d'EDO).
  • Garantie d'approximation universelle pour l'approche par opérateurs neuronaux.
• Première conception Output-Feedback : Développement du premier schéma de commande par prédicteur avec rétroaction de sortie pour des systèmes linéaires ayant des retards d'entrée et de mesure variables dans le temps.
• Conditions de stabilité robuste : Démonstration que la stabilité exponentielle globale est maintenue tant que l'erreur d'approximation de l'horizon est suffisamment petite, indépendamment de la méthode d'approximation choisie.

4. Résultats Expérimentaux

Une étude numérique sur un système instable a été réalisée pour comparer les méthodes :

• Précision vs Coût :
  • La méthode Euler offre une bonne précision mais un coût computationnel modéré (~12 ms par évaluation).
  • La méthode Runge-Kutta 4 (RK4) est plus précise mais 3,5 fois plus lente (~42 ms).
  • L'approche FNO (Neural Operator) est la plus rapide (~2 ms, soit un gain de vitesse de 6x à 21x par rapport aux méthodes numériques) grâce à l'utilisation de GPU, mais présente une légère erreur de précision résiduelle.
• Performance de contrôle : Les simulations montrent que l'observateur converge rapidement et que le système en boucle fermée se stabilise efficacement, même avec des retards oscillatoires complexes, en utilisant l'approximation FNO.

5. Signification et Impact

Cet article est significatif car il comble un fossé important entre la théorie des systèmes à retard et leur implémentation pratique dans des environnements complexes (cyber-physiques).

• Faisabilité pratique : Il démontre que les méthodes de prédicteur, souvent jugées trop complexes à implémenter pour des retards variables, peuvent être rendues réalisables grâce à l'apprentissage automatique (Neural Operators).
• Efficacité temps réel : L'utilisation d'opérateurs neuronaux permet de réduire drastiquement le temps de calcul, rendant possible le contrôle en temps réel de systèmes à retards variables sur des plateformes embarquées ou à haute fréquence.
• Robustesse : Le travail fournit des garanties théoriques solides, assurant aux ingénieurs que l'utilisation d'approximations (numériques ou IA) ne compromettra pas la stabilité du système, à condition de respecter les bornes d'erreur définies.

En résumé, ce travail propose une solution hybride innovante combinant la rigueur de l'analyse de stabilité des systèmes dynamiques et la puissance de l'apprentissage d'opérateurs pour résoudre un problème de contrôle classique mais difficilement soluble en pratique.