⚡ electrical engineering

Adaptive MPC for Constrained Trajectory Tracking of Uncertain LTI System with Input-Rate Limits

Cet article propose un cadre systématique de commande prédictive adaptative (MPC) assurant la faisabilité récursive et la stabilité en boucle fermée pour des systèmes linéaires discrets incertains suivant des trajectoires sous des contraintes dures simultanées sur les états, les entrées et les taux d'entrée, en intégrant l'estimation de paramètres à une routine d'optimisation reformulée pour surmonter les défis du couplage temporel.

Auteurs originaux : Bishal Dey, Abhishek Dhar, Sumit kr. Pandey, Anindita Sengupta

Publié 2026-05-07

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Bishal Dey, Abhishek Dhar, Sumit kr. Pandey, Anindita Sengupta

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 de conduire une voiture que vous n'avez jamais vue auparavant, sur une route sinueuse que vous n'avez jamais empruntée. La voiture est un peu « vacillante » car vous ne savez pas exactement quel est son poids ni la réactivité de son moteur (c'est l'incertitude). De plus, vous êtes soumis à des règles strictes : vous ne pouvez pas rouler plus vite qu'une certaine vitesse (contraintes d'état), vous ne pouvez pas appuyer sur l'accélérateur au-delà d'une certaine limite (contraintes d'entrée), et vous ne pouvez pas enfoncer la pédale de zéro à fond instantanément — vous devez y aller progressivement (contraintes sur la dérivée de l'entrée).

Cet article présente un système de conduite intelligent appelé Commande Prédictive Adaptative (MPC) conçu pour gérer exactement ce scénario. Voici comment il fonctionne, décomposé en concepts simples :

1. Le Problème : La Voiture « Vacillante » et les Règles Strictes

La plupart des systèmes de conduite standards supposent qu'ils connaissent parfaitement la voiture. Si la voiture s'avère plus lourde que prévu, le système pourrait accidenter ou enfreindre les règles.

Le Défi : Les auteurs traitent un système dont le « moteur » et le « poids » (les paramètres mathématiques) sont inconnus et peuvent changer.
La Difficulté : Habituellement, si vous devez suivre une trajectoire spécifique tout en respectant des règles strictes sur la vitesse d'accélération ou de décélération, les mathématiques deviennent incroyablement complexes. C'est comme essayer de résoudre un puzzle dont les pièces changent de forme continuellement, tout en vous assurant de ne jamais toucher les bords de la table.

2. La Solution : Un GPS « Apprenant »

Les auteurs ont créé un système qui agit comme un GPS apprenant le comportement de la voiture pendant la conduite.

La Carte de « l'Erreur » : Au lieu d'essayer de conduire la voiture directement du point A au point B, le système reformule le problème. Il se demande : « À quelle distance sommes-nous de la trajectoire idéale ? » et se concentre entièrement sur la correction de cet écart. Cela transforme un complexe problème de « suivre la route » en un problème plus simple de « rester au centre de la voie ».
L'Apprenant Adaptatif : Puisque le système ne connaît pas les spécifications réelles de la voiture, il fait une hypothèse. En conduisant, il observe comment la voiture réagit réellement. Si la voiture se déplace plus lentement que prévu par l'hypothèse, le système met à jour son modèle interne. C'est comme un étudiant passant un examen, voyant quelles réponses étaient fausses, et étudiant immédiatement ces sujets spécifiques pour s'améliorer la prochaine fois.
Le « Tube » de Sécurité : Pour gérer le fait que le système est encore en phase d'apprentissage, il construit une zone tampon de sécurité (un « tube ») autour de la trajectoire idéale. Même si la voiture vacille parce que le modèle n'est pas encore parfait, le système s'assure que la voiture reste à l'intérieur de ce tube sûr, sans jamais heurter les murs (les contraintes).

3. La « Contrainte sur la Dérivée de l'Entrée »

Une partie unique de cet article est l'accent mis sur les limites de la dérivée de l'entrée.

L'Analogie : Imaginez que vous dirigez un bateau. Vous ne pouvez pas simplement tourner le volant de 90 degrés instantanément ; la résistance de l'eau et l'élan du bateau signifient que vous devez tourner le volant de manière fluide.
L'Innovation : La plupart des méthodes précédentes ignoraient cette règle de « fluidité » ou ne la géraient que pour des cas simples. Cet article explique comment planifier une série de virages fluides tandis que le système apprend encore le poids du bateau. Il garantit que le plan pour le prochain virage est toujours réalisable, même si le virage précédent était légèrement différent de ce qui était prévu.

4. La Garantie : « Faisabilité Récursive »

C'est un terme sophistiqué pour une promesse très pratique : « Si nous pouvons résoudre le puzzle maintenant, nous garantissons que nous pourrons le résoudre à la seconde suivante, et à celle d'après. »

Parce que le système apprend et que les règles sont strictes, il existait la crainte que le système ne se retrouve coincé dans une situation où aucun mouvement valide n'existe (une impasse).
Les auteurs ont prouvé mathématiquement que leur « GPS apprenant » ne reste jamais coincé. Il trouve toujours un chemin valide et sûr vers l'avant, peu importe le comportement des paramètres inconnus de la voiture.

5. Les Résultats : La Simulation

Les auteurs ont testé cela sur une simulation informatique d'un véhicule à deux roues (comme un drone ou un robot).

Ils ont donné au système un chemin sinueux à suivre.
Ils ont rendu la physique du véhicule inconnue et légèrement différente du modèle.
Le Résultat : Le véhicule a suivi avec succès le chemin, n'a jamais enfreint les limites de vitesse, n'a jamais enfoncé les commandes brutalement, et la partie « apprentissage » a rapidement déterminé le comportement réel du véhicule. Les erreurs (la distance entre l'endroit où se trouvait la voiture et l'endroit où elle devrait être) ont diminué jusqu'à zéro au fil du temps.

Résumé

En bref, cet article apprend à un robot comment conduire une voiture qu'il ne comprend pas entièrement, tout en obéissant à des règles strictes concernant la vitesse et la fluidité. Il y parvient en mettant constamment à jour sa compréhension de la voiture, en planifiant plusieurs étapes à l'avance, et en garantissant mathématiquement qu'il ne manquera jamais de mouvements sûrs, assurant ainsi un voyage fluide et sûr vers la destination.

Résumé Technique : MPC Adaptatif pour le Suivi de Trajectoire Contrainte de Systèmes LTI Incertains avec Limites sur la Vitesse d'Entrée

Énoncé du Problème
Cet article aborde le problème du suivi de trajectoire pour des systèmes linéaires à temps invariant (LTI) discrets soumis à une incertitude paramétrique bornée. La conception de la commande doit satisfaire simultanément des contraintes dures sur les états du système, les entrées de commande et, de manière cruciale, les vitesses d'entrée (incréments). Bien que la Commande Prédictive (MPC) constitue un cadre standard pour la gestion des contraintes, la MPC classique repose sur des modèles de procédé précis, souvent indisponibles en raison d'erreurs de modélisation et de variations paramétriques. Les approches existantes de MPC adaptative se concentrent souvent sur des problèmes de régulation, omettent les contraintes sur la vitesse d'entrée, ou échouent à traiter le couplage temporel introduit par les limites de vitesse d'entrée sous une incertitude paramétrique complète. Le défi spécifique réside dans la détermination de l'entrée de commande requise pour une erreur de suivi nulle lorsque les paramètres du système sont inconnus, tout en garantissant que l'ensemble de commande admissible variant dans le temps, induit par les contraintes de vitesse d'entrée, ne compromet ni la faisabilité récursive ni la stabilité en boucle fermée.

Méthodologie
La solution proposée est un cadre de MPC adaptatif qui transforme le problème de suivi de trajectoire en un problème de régulation en utilisant des coordonnées d'erreur par rapport à une trajectoire de référence variant dans le temps. La méthodologie procède par plusieurs étapes clés :

Reformulation du Système : Les dynamiques du système sont exprimées en termes d'états d'erreur ( $x^e_k = x_k - x^r_k$ ) et d'entrées d'erreur ( $u^e_k = u_k - u^r_k$ ). Cette transformation permet de traiter le problème de suivi comme un problème de régulation où l'objectif est de conduire les états d'erreur à l'origine.
Loi Adaptative Indirecte : Une loi adaptative par descente de gradient basée sur la projection est employée pour estimer en ligne les paramètres incertains groupés ( $\Theta = [A, B]$ ). Les estimations sont contraintes de rester dans une enveloppe convexe connue ( $\Psi$ ) des valeurs paramétriques possibles afin d'assurer la bornitude.
Caractérisation de l'Ensemble d'Erreur : L'article définit rigoureusement des ensembles bornant les erreurs induites par l'adaptation paramétrique ( $\tilde{x}^e_k$ ) et la variation des estimations paramétriques ( $\Delta \hat{\Theta}$ ). Ces ensembles sont utilisés pour resserrer les contraintes dans le problème d'optimisation de la MPC.
Reformulation des Contraintes : Les contraintes sur les états, les entrées et les vitesses d'entrée sont reformulées dans le domaine des dynamiques d'erreur. Une contribution majeure réside dans la gestion des contraintes de vitesse d'entrée, qui introduisent un couplage temporel entre les entrées de commande successives. L'ensemble de commande admissible est montré comme variant dans le temps en raison de sa dépendance à l'entrée de commande précédente, tout en restant un polytope convexe.
Formulation Robuste de la MPC : L'entrée de commande est décomposée en un terme de retour d'état stabilisant ( $Kx^e_k$ ) et une variable d'optimisation libre ( $v^e_k$ ). Le problème d'optimisation de la MPC est formulé en utilisant un modèle prédictif nominal basé sur les estimations paramétriques actuelles. Pour assurer la robustesse face aux erreurs d'estimation, les contraintes sur les états prédits nominaux sont resserrées en soustrayant les ensembles d'erreur calculés ( $Z^\Theta_i$ et $Z^{\tilde{x}^e}$ ).
Analyse de Stabilité et de Faisabilité :
- Faisabilité Récursive : L'article établit que, malgré la nature variant dans le temps de l'ensemble de commande admissible, le problème d'optimisation reste récursivement faisable. Cela est prouvé en construisant une solution candidate faisable à l'instant suivant basée sur la solution optimale de l'étape courante, en tenant compte du décalage de la contrainte de vitesse d'entrée.
- Stabilité en Boucle Fermée : En utilisant une analyse basée sur Lyapunov, l'article démontre que le système en boucle fermée est borné et que l'erreur de suivi converge asymptotiquement vers zéro. L'analyse prend en compte la bornitude des erreurs d'estimation paramétrique et des termes de perturbation résultant du désaccord de modèle.

Contributions Clés

MPC Adaptatif Systématique pour le Suivi : Contrairement aux travaux antérieurs se concentrant sur la régulation ou des contraintes partielles, ce travail fournit une solution systématique pour le suivi de trajectoire contraint sous une incertitude paramétrique complète.
Gestion des Contraintes de Vitesse d'Entrée : L'article traite explicitement de la complexité introduite par les contraintes de vitesse d'entrée, qui couplent les entrées de commande successives et créent un ensemble admissible variant dans le temps. Il démontre comment maintenir la faisabilité récursive dans ce contexte spécifique.
Preuves Rigoureuses de Faisabilité et de Stabilité : Les auteurs fournissent des preuves mathématiques rigoureuses tant pour la faisabilité récursive que pour la stabilité en boucle fermée (convergence de l'erreur de suivi et bornitude des états physiques) malgré la présence d'incertitudes et de contraintes variant dans le temps.
Stratégie de Resserrement des Contraintes : La méthode utilise des paramètres estimés de manière adaptative et des bornes d'erreur dérivées pour resserrer les contraintes dans la routine d'optimisation, garantissant que les états réels du système satisfont les contraintes physiques originales.

Résultats de Simulation
L'efficacité du cadre proposé est validée par des simulations sur un procédé discret d'ordre deux avec des paramètres incertains. Le système est chargé de suivre une trajectoire de référence variant dans le temps tout en respectant des contraintes sur les états ( $\|x\|_\infty \leq 2.25$ ), les entrées ( $\|u\|_\infty \leq 3$ ) et les vitesses d'entrée ( $\|\Delta u\|_\infty \leq 2.5$ ).

Les simulations démontrent que les états du système suivent avec succès la trajectoire de référence tout en restant dans les limites prescrites.
Les entrées de commande et leurs vitesses satisfont les contraintes imposées tout au long de la simulation.
Les erreurs d'estimation paramétrique sont montrées comme restant bornées. Une observation notable est qu'un changement brutal de la trajectoire de référence à $t=30$ s induit un transitoire dans l'erreur d'estimation paramétrique, qui décroît ensuite à mesure que la loi d'adaptation se réengage pour suivre la nouvelle référence.
Les états d'erreur convergent vers l'origine, confirmant les affirmations de stabilité.

Signification et Revendications
L'article revendique offrir un cadre de commande traitable computationnellement et théoriquement solide pour des applications critiques pour la sécurité (telles que l'aérospatiale, les véhicules autonomes et la robotique) où un suivi de trajectoire précis est requis malgré les incertitudes de modèle et les limitations physiques strictes sur les actionneurs. La signification principale réside dans la surmontation de la difficulté de garantir la satisfaction des contraintes et la performance en présence à la fois d'incertitude paramétrique et de contraintes de vitesse d'entrée, une combinaison qui rend les arguments de faisabilité récursive standards inapplicables. Le travail affirme que, en utilisant systématiquement des paramètres estimés et en reformulant le problème de MPC avec un resserrage approprié des contraintes, il est possible d'atteindre un suivi de trajectoire contraint robuste avec une stabilité garantie et une faisabilité récursive.