⚡ electrical engineering

Sampling-Horizon Neural Operator Predictors for Nonlinear Control under Delayed Inputs

Cet article propose deux conceptions d'opérateurs neuronaux pour la commande prédictive de systèmes non linéaires avec retards d'entrée et mesures échantillonnées, établissant leur stabilité et démontrant une accélération computationnelle significative sur un manipulateur robotique.

Auteurs originaux : Luke Bhan, Peter Quawas, Miroslav Krstic, Yuanyuan Shi

Publié 2026-04-01

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Luke Bhan, Peter Quawas, Miroslav Krstic, Yuanyuan Shi

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 Chef et le Retard de la Commande

Imaginez un chef cuisinier (le contrôleur) qui doit préparer un plat parfait. Mais il y a deux gros problèmes dans sa cuisine :

Le retard de la commande : Quand le chef donne un ordre à son équipe (par exemple, "coupez les oignons"), l'ordre met du temps à arriver dans la cuisine (c'est le délai d'entrée).
Les yeux bandés : Le chef ne peut pas voir la cuisine en continu. Il ne reçoit des nouvelles (les mesures) que par intermittence, comme si quelqu'un lui chuchotait l'état du plat toutes les 5 secondes, et parfois ces nouvelles arrivent de manière irrégulière ou avec du bruit (des erreurs de mesure).

Si le chef agit uniquement sur ce qu'il voit maintenant, le plat sera brûlé ou raté, car l'ordre qu'il a donné il y a 5 secondes n'arrivera que maintenant. Il a besoin de prédire ce qui va se passer dans le futur pour agir correctement.

La Solution Traditionnelle : Le Calculateur Lourd

Avant cette étude, les ingénieurs utilisaient des méthodes mathématiques complexes pour faire cette prédiction. C'était comme demander au chef de faire des calculs de physique quantique à la main, à chaque seconde, pour deviner où seront les oignons dans 5 secondes.

Le problème : C'est trop lent. Le chef passe plus de temps à calculer qu'à cuisiner. De plus, ces méthodes supposent qu'il voit la cuisine en continu, ce qui n'est pas le cas dans la réalité.

La Nouvelle Idée : Le "Cerveau Artificiel" (Opérateurs Neuronaux)

Les auteurs de ce papier (des chercheurs de l'UCSD) ont dit : "Et si on entraînait un assistant très intelligent (une réseau de neurones) à prédire l'avenir, au lieu de faire les calculs à la main ?"

Ils ont créé deux façons d'utiliser cet assistant :

1. La Méthode "Horizon Fixe" (Le Chef Rythmé)

Comment ça marche : Le chef reçoit des nouvelles exactement toutes les 5 secondes (rythme régulier). L'assistant regarde l'état actuel et l'historique des commandes, et il prédit tout le futur jusqu'à la prochaine nouvelle.
L'analogie : C'est comme un prévisionniste météo qui vous donne la météo exacte pour les 24 prochaines heures d'un coup, mais qui ne fonctionne que si vous lui posez la question à heure fixe.
Avantage : Très précis et rapide.
Inconvénient : Il faut un rythme parfait. Si le chef rate une mesure, le système peut bugger.

2. La Méthode "Horizon Flou" (Le Chef Flexible)

Comment ça marche : Le chef reçoit des nouvelles quand il peut (parfois toutes les 3 secondes, parfois toutes les 10). L'assistant ne prédit que le prochain instant (l'état futur immédiat). Ensuite, le chef utilise ses propres règles de cuisine pour simuler ce qui va se passer entre deux nouvelles.
L'analogie : C'est comme un GPS qui vous dit "tournez à droite dans 100 mètres". Vous faites le virage, puis le GPS vous donne la prochaine instruction quand il a le signal.
Avantage : Très flexible, tolère les retards et les interruptions.
Inconvénient : Comme le chef doit faire le reste du calcul lui-même entre les nouvelles, il faut que l'assistant soit encore plus précis au départ, sinon les petites erreurs s'accumulent comme une boule de neige.

Le Résultat : Plus Rapide et Plus Robuste

Les chercheurs ont testé ces idées sur un bras robotique à 6 articulations (comme un robot qui dessine ou soude).

Précision : Les deux méthodes ont permis au robot de suivre une trajectoire parfaite, même avec des retards et du bruit dans les capteurs.
Vitesse : C'est là que ça devient fou. La méthode traditionnelle (les calculs lourds) prenait 25 millisecondes pour faire une prédiction. La nouvelle méthode avec l'assistant IA prenait 1 milliseconde.
- Traduction : C'est 25 fois plus rapide. Le robot peut réagir presque instantanément.

En Résumé

Ce papier nous dit : "Ne faites plus de calculs lourds en temps réel pour gérer les retards. Entraînez une IA à prédire l'avenir."

Ils montrent qu'on peut le faire de deux façons :

Soit on impose un rythme strict pour avoir une prédiction ultra-fiable.
Soit on accepte un rythme libre (plus flexible) mais on demande à l'IA d'être encore plus intelligente pour compenser.

C'est une victoire pour les robots, les voitures autonomes et les systèmes industriels qui doivent réagir vite, même quand les informations arrivent en retard ou de manière désordonnée.

1. Problématique

Les systèmes de contrôle modernes opèrent souvent dans des conditions contraignantes :

Retards d'entrée (Input Delays) : Les signaux de commande mettent un temps $D$ à atteindre l'actionneur, ce qui peut déstabiliser le système si non compensé.
Mesures échantillonnées (Sampled Measurements) : Les états du système ne sont pas disponibles en continu, mais uniquement à des instants discrets $T_i$ en raison des limitations de bande passante des capteurs et des communications.
Coût computationnel : La stratégie classique de compensation de retard, appelée rétroaction prédictive (predictor feedback), nécessite de résoudre une équation différentielle ordinaire (EDO) implicite en ligne pour prédire l'état futur. Cette intégration numérique est coûteuse et peut devenir ingérable pour des dynamiques non linéaires complexes ou des retards importants.
Limitation des approches existantes : Les méthodes récentes utilisant des opérateurs neuronaux (Neural Operators) pour approximer le prédicteur supposent généralement des mesures d'état continues, ce qui est irréaliste en pratique.

Objectif du papier : Développer des architectures de contrôle prédictif basées sur des opérateurs neuronaux capables de gérer simultanément des retards d'entrée et des mesures d'état échantillonnées (parfois irrégulières), tout en garantissant la stabilité et en réduisant la charge computationnelle.

2. Méthodologie

Les auteurs proposent deux designs distincts basés sur l'approximation d'opérateurs neuronaux pour des systèmes non linéaires $\dot{X}(t) = f(X(t), U(t-D))$ .

A. Concept Fondamental : L'Opérateur Prédictif

Le contrôle repose sur la loi de commande $U(t) = \kappa(\hat{Z}(t))$ , où $\hat{Z}(t)$ est une estimation de l'état futur $X(t+D)$ .
L'état futur est obtenu via un opérateur de prédiction qui mappe l'histoire des mesures et des entrées vers la trajectoire future.

B. Les Deux Approches Proposées

Cas 1 : Échantillonnage Uniforme (Sampling-Horizon Prediction Operator)

Hypothèse : Les mesures sont prises à intervalles réguliers ( $T_{i+1} - T_i = h$ ).
Architecture : Un opérateur neuronal unique, noté $\hat{M}$ , approxime directement la trajectoire complète de l'état prédit sur tout l'intervalle d'échantillonnage suivant $[T_i, T_{i+1})$ .
Fonctionnement : À chaque instant $T_i$ , l'opérateur prend l'état mesuré $X(T_i)$ et l'historique des entrées $U_i$ pour générer instantanément la trajectoire future $\hat{Z}(s)$ pour $s \in [0, h)$ .
Avantage : Très rapide, aucune intégration en ligne n'est requise après l'inférence.
Contrainte : Nécessite un échantillonnage strictement uniforme.

Cas 2 : Échantillonnage Borné Non-Uniforme (Predictor Approximation)

Hypothèse : Les intervalles de temps entre les mesures sont bornés ( $T_{i+1} - T_i \le h$ ) mais peuvent varier (non-uniformes).
Architecture : L'opérateur neuronal $\hat{P}$ n'approxime que le prédicteur initial (l'état au début du retard, soit $X(T_i + D)$ ).
Fonctionnement :
1. À chaque $T_i$ , l'opérateur $\hat{P}$ calcule l'état initial $\hat{Z}(T_i)$ .
2. Entre les instants de mesure, la trajectoire $\hat{Z}(s)$ est obtenue en intégrant numériquement l'EDO du système en boucle fermée (sans retard) : $\dot{\hat{Z}}(s) = f(\hat{Z}(s), \kappa(\hat{Z}(s)))$ .
Avantage : Flexibilité pour des capteurs avec des taux d'échantillonnage variables ou irréguliers.
Contrainte : Nécessite une approximation plus précise de l'opérateur initial car les erreurs sont amplifiées par la dynamique du système entre les échantillons.

C. Analyse de Stabilité

Les auteurs établissent une stabilité pratique semi-globale pour les deux schémas en utilisant une analyse de Lyapunov.

La stabilité est garantie tant que l'erreur d'approximation de l'opérateur neuronal ( $\epsilon$ ) reste inférieure à un seuil critique.
La borne résiduelle de l'erreur de suivi dépend explicitement de $\epsilon$ .
Compromis (Trade-off) : Le Cas 2 (non-uniforme) amplifie l'erreur d'approximation par un facteur exponentiel lié à la dynamique du système et à la durée maximale de l'intervalle ( $e^{C_f(1+C_\kappa)h}$ ), contrairement au Cas 1 où l'erreur est directement proportionnelle à $\epsilon$ . Cela impose des exigences plus strictes sur la précision du modèle neuronal pour le Cas 2.

3. Résultats Clés

Preuve Théorique : Démonstration rigoureuse que les deux architectures préservent la stabilité du système nominal, avec des bornes d'erreur explicites fonction de la précision de l'opérateur neuronal.
Expérimentation Numérique :
- Système : Un manipulateur robotique téléopéré à 6 degrés de liberté (xArm6), modélisé par des équations de Lagrange non linéaires avec un retard de $D=0.2$ s.
- Méthode : Utilisation d'un Fourier Neural Operator (FNO) entraîné sur 20 000 paires de données générées par un prédicteur numérique de haute précision.
- Performance de suivi : Les deux approches permettent un suivi précis de la trajectoire de référence malgré le bruit de mesure (Gaussien) et le retard.
- Gain Computationnel : L'approche par opérateur neuronal offre un accélération de 25x par rapport à la méthode numérique de référence (25 ms vs 1 ms par évaluation sur GPU Nvidia 4070).
- Robustesse : Les simulations montrent que l'erreur de prédiction reste bornée et que les réinitialisations aux instants d'échantillonnage corrigent efficacement les dérives.

4. Contributions Principales

Combinaison Retard + Échantillonnage : C'est l'une des premières études à combiner la compensation de retard par prédicteur avec des mesures d'état discrètes et potentiellement irrégulières, un scénario très réaliste mais souvent ignoré dans la littérature sur les opérateurs neuronaux.
Deux Architectes Flexibles : Proposition de deux designs (Cas 1 et Cas 2) offrant un compromis entre la flexibilité de l'échantillonnage et la sensibilité à l'erreur d'approximation.
Analyse de Stabilité Explicite : Fourniture de bornes de stabilité semi-globale pratiques qui lient directement la performance du contrôle à l'erreur d'entraînement du réseau de neurones, permettant aux ingénieurs de dimensionner correctement le modèle.
Validation sur Système Réel (Simulation) : Démonstration sur un robot complexe à 6 axes, prouvant la viabilité de l'approche pour des systèmes mécaniques non linéaires réels.

5. Signification et Impact

Ce travail comble un fossé important entre la théorie du contrôle prédictif avancée et les contraintes pratiques de l'implémentation embarquée.

Pour l'ingénieur : Il offre une alternative viable aux méthodes numériques lourdes, permettant de déployer des contrôleurs robustes sur des systèmes à retard avec une charge computationnelle réduite.
Pour la recherche : Il établit un cadre théorique pour l'utilisation des opérateurs neuronaux dans des systèmes hybrides (continu/discret) avec retards, ouvrant la voie à des applications dans la robotique téléopérée, les réseaux de capteurs et les systèmes de contrôle industriels où la latence et l'échantillonnage irrégulier sont la norme.

En résumé, l'article démontre que l'apprentissage profond (via les opérateurs neuronaux) peut non seulement accélérer le calcul des prédicteurs, mais aussi rendre les systèmes de contrôle plus robustes face aux réalités de l'acquisition de données, à condition de bien gérer le compromis entre la flexibilité de l'échantillonnage et la précision du modèle.