Controller Design for Structured State-space Models via Contraction Theory

1. Problématique et Contexte

L'identification de systèmes (SysId) est fondamentale pour la conception de contrôleurs. Bien que les techniques d'identification linéaire soient matures, l'identification de systèmes non linéaires reste un défi majeur. Les approches classiques (NARX, SVM, RKHS) souffrent souvent d'un manque d'interprétabilité, de problèmes de scalabilité ou de difficultés à intégrer la synthèse de contrôleurs garantissant la stabilité.

Les modèles d'apprentissage profond (comme les réseaux de neurones récurrents - RNN, LSTM, GRU) offrent une grande expressivité mais sont souvent des « boîtes noires », rendant difficile l'analyse de stabilité et la conception de contrôleurs. De plus, leur entraînement est coûteux en temps de calcul.

Les Modèles à État d'Espace Structurés (SSM), tels que Mamba, émergent comme une alternative prometteuse aux Transformers pour la modélisation de séries temporelles. Ils capturent les dépendances à long terme avec une complexité linéaire (contrairement à la complexité quadratique des Transformers) et permettent une simulation parallèle efficace. Cependant, leur application à la synthèse de contrôleurs indirects (où un modèle est d'abord identifié, puis un contrôleur conçu) n'a pas été explorée en profondeur, notamment concernant les garanties de stabilité pour les systèmes non linéaires.

Objectif de l'article : Développer une méthode de synthèse de contrôleur par retour de sortie, basée sur des données, pour des systèmes non linéaires en utilisant des SSM comme modèles de substitution (surrogates), tout en garantissant la stabilité globale exponentielle du système en boucle fermée.

2. Méthodologie

L'approche proposée repose sur trois piliers principaux : l'utilisation d'une architecture SSM spécifique, la théorie de la contraction pour l'analyse de stabilité, et la formulation de conditions convexes (LMIs).

A. Architecture du Modèle (SSM)

Les auteurs adoptent une variante de SSM composée de :

1. Un Unité Récurrente Linéaire (LRU) : Un système d'état linéaire invariant dans le temps (LTI) discret.
2. Des « Échafaudages » non linéaires (Scaffoldings) : Des cartes neuronales non linéaires ($S_u$ pour l'entrée, $S_y$ pour la sortie) qui élèvent le signal vers des dimensions supérieures.
3. Hypothèse clé : Les fonctions $S_u$ et $S_y$ sont supposées bi-Lipschitziennes. Cela garantit que les propriétés de contrôlabilité et d'observabilité du système linéaire sous-jacent sont préservées à travers les non-linéarités.

B. Théorie de la Contraction et Stabilité

Au lieu d'utiliser des fonctions de Lyapunov classiques, l'article utilise la théorie de la contraction. Cette théorie analyse la stabilité le long de trajectoires de référence arbitraires en examinant la dynamique des déplacements infinitésimaux.

• L'objectif est de garantir que toutes les trajectoires du système convergent exponentiellement les unes vers les autres (contraction).
• Les auteurs utilisent les Métriques de Contraction de Contrôle en Temps Discret (DCCM) pour synthétiser le contrôleur et l'observateur.

C. Synthèse du Contrôleur et de l'Observateur

Les auteurs dérivent des conditions suffisantes sous forme de Inégalités Matricielles Linéaires (LMIs), qui sont des programmes semi-définis convexes et donc efficacement solubles :

1. Contrôleur à retour d'état : Une loi de commande $u_k = K x_k$ est conçue pour garantir la stabilité exponentielle du système non linéaire, quelle que soit la non-linéarité bi-Lipschitzienne admissible.
2. Observateur de type Luenberger : Un observateur est conçu pour estimer l'état $x_k$ à partir des mesures de sortie $y_k$, garantissant la convergence exponentielle de l'erreur d'estimation.
3. Principe de Séparation : Contrairement aux systèmes non linéaires généraux où le principe de séparation (conception indépendante du contrôleur et de l'observateur) ne s'applique pas toujours, les auteurs prouvent qu'il est valable pour cette classe de SSM. La stabilité globale du système en boucle fermée (avec retour de sortie) est ainsi garantie par la combinaison des deux designs.

3. Contributions Clés

Les contributions principales de l'article sont les suivantes :

1. Analyse de Contrôlabilité et d'Observabilité des SSM :

   • Première analyse formelle établissant que si l'unité récurrente est contrôlable/observable et que les échafaudages non linéaires sont bi-Lipschitziens, alors le SSM global est localement contrôlable et observable.

2. Synthèse de Contrôleurs via LMIs :

   • Développement de conditions convexes (LMIs) pour la synthèse d'un contrôleur à retour d'état et d'un observateur d'état. Ces conditions garantissent la stabilité entrée-état (ISS) et la stabilité exponentielle globale du modèle non linéaire identifié.

3. Établissement du Principe de Séparation :

   • Preuve que pour les SSMs considérés, le contrôleur et l'observateur peuvent être conçus indépendamment tout en préservant la stabilité exponentielle du système en boucle fermée complet. C'est une avancée significative par rapport à la théorie non linéaire générale.

4. Validation Numérique :

   • Application réussie sur un modèle de moteur à courant continu (DC) non linéaire complexe, incluant des frottements de Coulomb, une zone morte (dead-zone) et un couplage élastique.

4. Résultats Expérimentaux

L'efficacité de la méthode a été validée sur un benchmark de moteur DC non linéaire :

• Identification : Un SSM a été entraîné sur des données de trajectoires excitantes (signal PRBS) bruitées. Le modèle a réussi à capturer la dynamique non linéaire avec une bonne précision.
• Synthèse : Les LMIs ont été résolus pour obtenir les gains du contrôleur et de l'observateur.
• Performance : Le contrôleur par retour de sortie a été testé sur le modèle mathématique non linéaire original (et non seulement sur le modèle SSM) avec 10 conditions initiales différentes.
• Conclusion des résultats : Le système en boucle fermée a démontré une robustesse et une stabilité exponentielle, convergeant vers la trajectoire désirée malgré les non-linéarités sévères (zone morte, frottements) et les incertitudes initiales.

5. Signification et Impact

Cet article est significatif pour plusieurs raisons :

• Pont entre ML et Contrôle : Il comble le fossé entre les modèles d'apprentissage profond modernes (SSM) et la théorie rigoureuse du contrôle. Il transforme un modèle de « boîte noire » potentiel en un modèle interprétable avec des garanties de stabilité mathématiques.
• Efficacité Calculatoire : Contrairement aux méthodes basées sur les RNN classiques (LSTM/GRU) qui nécessitent des déroulements séquentiels coûteux, l'utilisation de SSMs permet un entraînement et une inférence rapides (méthode de scan parallèle).
• Généralité : La méthode propose un cadre systématique pour la conception de contrôleurs pour une large classe de systèmes non linéaires, sans nécessiter de contraintes structurelles trop restrictives sur le modèle, tout en évitant les approximations linéaires locales souvent insuffisantes.
• Fondement Théorique : L'établissement du principe de séparation pour les SSMs ouvre la voie à de nouvelles recherches sur le contrôle robuste et adaptatif basé sur l'apprentissage pour des systèmes complexes.

En résumé, l'article propose une méthodologie complète, de l'identification à la synthèse de contrôle, qui allie la puissance des modèles de séries temporelles modernes à la rigueur de la théorie de la contraction, offrant une solution pratique et théoriquement fondée pour le contrôle de systèmes non linéaires.