⚡ electrical engineering

Passive iFIR filters for data-driven velocity control in robotics

Cet article présente une méthode de contrôle de vitesse basée sur des filtres iFIR passifs et appris à partir de données, qui garantit la stabilité tout en surpassant les régulateurs PID optimisés sur un robot Franka Research 3, avec une réduction du suivi d'erreur pouvant atteindre 74,5 %.

Auteurs originaux : Yi Zhang, Zixing Wang, Fulvio Forni

Publié 2026-04-01

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Yi Zhang, Zixing Wang, Fulvio Forni

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 essayez d'apprendre à un robot à dessiner une ligne parfaitement droite sur une feuille de papier.

Dans le monde de la robotique, la méthode traditionnelle (appelée PID) est un peu comme un élève très discipliné mais un peu rigide. Il suit des règles fixes : « Si je suis trop à gauche, je vais à droite. Si je suis trop vite, je ralentis ». Cela fonctionne bien pour des tâches simples, mais si la feuille de papier change de texture, si le crayon devient plus lourd, ou si on demande au robot de dessiner une ligne très rapide et précise, l'élève rigide commence à trembler, à faire des erreurs ou à devenir instable.

Les nouvelles méthodes d'apprentissage par intelligence artificielle sont comme un génie créatif : elles peuvent apprendre n'importe quoi, mais elles sont imprévisibles. Parfois, elles inventent des solutions folles qui fonctionnent en simulation, mais qui font tomber le robot dans la vraie vie.

Ce que propose cette recherche est un « juste milieu » : un robot qui apprend vite, mais qui reste sage.

Voici l'explication simple de leur invention, le contrôleur iFIR passif :

1. Le concept de base : La mémoire et la sécurité

Les chercheurs ont créé un nouveau type de « cerveau » pour le robot.

L'aspect « iFIR » (Mémoire) : Contrairement au PID qui ne regarde que l'instant présent (comme un amnésique), ce nouveau contrôleur a une mémoire à court terme. Il se souvient de ce qui s'est passé il y a quelques fractions de seconde. Imaginez un conducteur de voiture qui ne regarde pas seulement la route devant lui, mais qui se souvient aussi de la courbe qu'il vient de prendre pour anticiper la suivante. Cela lui permet de faire des mouvements beaucoup plus fluides et précis.
L'aspect « Passif » (La sécurité) : C'est la partie la plus importante. En physique, un système « passif » est comme un objet qui ne peut pas créer d'énergie à partir de rien ; il ne peut que la dissiper (comme un amortisseur de voiture qui absorbe les chocs). En forçant le contrôleur à être « passif », les chercheurs garantissent mathématiquement que le robot ne deviendra jamais fou. Même si les données sont imparfaites ou si la charge change, le robot ne commencera pas à vibrer dangereusement. C'est comme mettre un limiteur de vitesse automatique et un système de freinage d'urgence dans le code du robot.

2. Comment ça marche ? (L'apprentissage express)

Au lieu de passer des mois à programmer des équations complexes, les chercheurs utilisent une méthode appelée VRFT (Réglage virtuel par retour de référence).

L'analogie du test de conduite : Imaginez que vous voulez apprendre à un robot à conduire. Au lieu de lui donner un manuel de physique, vous lui faites faire un petit tour de piste de 3 minutes avec des mouvements variés (comme des sinusoïdes).
L'analyse : Le robot enregistre ces 3 minutes de données. Ensuite, l'algorithme calcule instantanément le meilleur contrôleur possible pour imiter un comportement idéal, tout en respectant la règle de sécurité (la passivité).
Le résultat : En quelques minutes, le robot a « appris » à mieux conduire que le PID classique, sans avoir besoin d'un modèle mathématique parfait de sa propre mécanique.

3. Les résultats concrets

Les chercheurs ont testé cela sur un vrai robot (le Franka Research 3) avec deux défis :

Changer de charge : Ils ont attaché des planches de bois flexibles au robot (comme un bras qui tient une baguette qui oscille). Le PID classique a eu du mal à rester stable. Le nouveau contrôleur a suivi le mouvement parfaitement.
Changement de dynamique : Quand ils ont changé la longueur de la planche, le contrôleur a pu se « réapprendre » en quelques minutes avec de nouvelles données, retrouvant immédiatement sa précision.

Le score final ?
Dans les tests les plus difficiles (où le robot devait bouger très vite et avec précision), le nouveau contrôleur a réduit les erreurs de suivi de 74,5 % par rapport au meilleur PID possible. C'est énorme !

En résumé

Cette étude nous dit : « On n'a pas besoin de choisir entre un robot simple mais limité (PID) et un robot intelligent mais dangereux (IA pure). »

Ils ont créé un robot apprenant qui possède une mémoire pour être précis, mais qui est verrouillé par des lois de sécurité physiques pour ne jamais devenir instable. C'est comme donner à un pilote de course une voiture ultra-performante, mais avec un système de sécurité qui l'empêche de sortir de la route, même s'il fait des erreurs de calcul.

C'est une avancée majeure pour rendre les robots plus sûrs, plus précis et plus faciles à déployer dans des usines ou des hôpitaux, sans avoir besoin de modèles mathématiques complexes et coûteux.

1. Problématique

Le contrôle des manipulateurs robotiques repose encore majoritairement sur des contrôleurs PID (Proportionnel-Intégral-Dérivé) en raison de leur simplicité et de leur facilité de déploiement. Cependant, la structure à trois paramètres du PID est trop limitée pour façonner la réponse en boucle fermée de manière arbitraire, en particulier face à des dynamiques d'ordre élevé et non linéaires (comme celles rencontrées lors de la manipulation de charges flexibles ou dans des environnements incertains).

D'un autre côté, les méthodes de contrôle basées sur l'apprentissage (comme l'apprentissage par renforcement ou les réseaux de neurones) offrent une grande expressivité mais souffrent souvent d'un manque de garanties formelles de stabilité. Une politique apprise peut sembler efficace en simulation mais devenir instable face à des situations nouvelles.

L'objectif de cet article est de combler cet écart en développant une méthode de contrôle de vitesse basée sur les données qui offre des garanties de stabilité tout en surpassant les performances des PID optimisés, sans nécessiter de modèle explicite du robot.

2. Méthodologie : Contrôleurs iFIR Passifs

Les auteurs proposent l'utilisation de filtres iFIR (Infinite impulse response avec terme FIR) passifs, conçus via une approche Data-Driven (basée sur les données).

Structure du contrôleur iFIR :
Le contrôleur iFIR étend le PID en remplaçant les composantes proportionnelle et dérivée par un filtre à réponse impulsionnelle finie (FIR) multivariable, tout en conservant une action intégrale. Sa sortie $u(t)$ est donnée par :
$u(t) = \sum_{k=0}^{m-1} H_k e(t-k) + T_s \Gamma \sum_{k \ge 0} e(t-k)$
où $\{H_k\}$ sont les matrices de coefficients du FIR, $\Gamma$ est la matrice de gain intégral, et $e$ est l'erreur de suivi. Cette structure offre une représentation temporelle plus riche que le PID tout en restant linéaire.
Synthèse par VRFT (Virtual Reference Feedback Tuning) :
Les paramètres du contrôleur sont appris directement à partir d'une petite quantité de données d'exploration (probing data), sans modèle du robot. La méthode VRFT permet de formuler le problème de conception comme un problème d'optimisation (moindres carrés) visant à faire correspondre la réponse en boucle fermée à un modèle de référence $M_r$ désiré.
Garantie de Stabilité par la Passivité :
C'est l'apport central de la méthode. Pour garantir la stabilité, des contraintes de passivité sont imposées directement sur les paramètres du contrôleur lors de l'optimisation :
1. Action intégrale : La matrice $\Gamma$ est contrainte à être symétrique et définie positive ( $\Gamma = \Gamma^T \succeq 0$ ), assurant la passivité de l'action intégrale (analogue mécanique à une force élastique).
2. Action FIR : Des contraintes de régularisation et de positivité réelle sont appliquées aux coefficients $H_k$ . Une inégalité clé assure que la fonction de transfert du filtre FIR est à partie réelle positive, condition nécessaire à la passivité.
Selon le théorème de passivité, l'interconnexion en boucle fermée d'un système passif (le robot et son environnement) avec un contrôleur passif garantit la stabilité asymptotique, même en présence d'incertitudes de modèle.

3. Contributions Clés

Validation Expérimentale : Il s'agit de la première validation expérimentale de contrôleurs iFIR passifs sur un robot réel (Franka Research 3).
Généralisation MIMO : L'approche est étendue aux systèmes Multi-Entrée Multi-Sortie (MIMO), permettant le contrôle simultané des vitesses articulaires et cartésiennes.
Compromis Performance/Stabilité : La méthode démontre qu'il est possible d'apprendre des contrôleurs complexes à partir de données tout en conservant des garanties de stabilité rigoureuses, contrairement aux approches d'apprentissage « boîte noire ».
Adaptabilité Rapide : Le contrôleur peut être réappris en quelques minutes à partir de nouvelles données lorsque la dynamique du robot change (ex: changement de charge), restaurant ainsi les performances nominales.

4. Résultats Expérimentaux

Les expériences ont été menées sur un robot Franka Research 3 en contrôle de vitesse articulaire et cartésienne, avec des charges flexibles pour simuler des dynamiques complexes.

Performance de Suivi :
- Le contrôleur iFIR passif surpasse systématiquement un PID optimisé par VRFT.
- En contrôle de vitesse articulaire, la réduction de l'erreur de suivi (NRMSE) atteint 41 % par rapport au PID pour des dynamiques simples.
- En contrôle de vitesse cartésienne (MIMO) avec un modèle de référence de second ordre (plus exigeant), l'iFIR réalise une réduction de l'erreur allant jusqu'à 74,5 % par rapport au PID.
- Le PID, lorsqu'il est confronté à des modèles de référence agressifs sans contraintes de passivité, montre des oscillations croissantes et de l'instabilité, tandis que l'iFIR reste stable.
Robustesse et Réapprentissage :
- Lorsque la charge change (ex: longueur de la plaque flexible modifiée), les deux contrôleurs voient leurs performances se dégrader sans réentraînement.
- Cependant, le réentraînement de l'iFIR avec de nouvelles données (environ 3 minutes de données d'exploration) permet de retrouver rapidement les performances nominales, démontrant une grande adaptabilité.
Stabilité :
Les expériences confirment que l'imposition de contraintes de passivité est cruciale. Un contrôleur iFIR appris sans ces contraintes (optimisé uniquement pour minimiser l'erreur) s'est révélé instable dans des scénarios exigeants, provoquant des oscillations dangereuses.

5. Signification et Conclusion

Cet article établit un pont significatif entre le contrôle basé sur l'apprentissage et le contrôle robuste garanti par la théorie. Il démontre que :

Les contrôleurs iFIR passifs constituent une alternative viable et supérieure aux PID pour le contrôle de vitesse des robots, en particulier pour les tâches nécessitant une précision élevée et une gestion de dynamiques complexes.
La contrainte de passivité est un mécanisme efficace pour intégrer la sécurité dans les contrôleurs appris, évitant les comportements instables typiques des méthodes d'apprentissage non contraintes.
La méthode est pratique : elle ne nécessite qu'un temps de calcul et de collecte de données minime (quelques minutes), ce qui la rend applicable en temps réel pour l'adaptation aux changements de charge.

Les auteurs soulignent que les limites actuelles résident dans le choix manuel du modèle de référence et la nature linéaire de la conception. Les travaux futurs viseront l'automatisation de la sélection du modèle de référence et le développement de contrôleurs iFIR non linéaires et adaptatifs.