An integrated interpretable control effectiveness learning and nonlinear control allocation methodology for overactuated aircrafts

Cet article propose une méthodologie novatrice qui combine l'identification parcimonieuse de la dynamique non linéaire avec l'allocation de commande non linéaire pour créer un modèle d'efficacité de commande compact, interprétable et adaptatif pour les aéronefs suractionnés, atteignant une performance de haute fidélité et une robustesse face aux défaillances des actionneurs tout en réduisant considérablement les coûts de calcul par rapport aux modèles embarqués traditionnels.

L'essentiel

Imaginez que vous êtes le capitaine d'un avion de chasse très avancé et super agile. Ce jet est « suractionné », ce qui est une façon sophistiquée de dire qu'il possède trop de surfaces de contrôle (comme les volets, les gouvernes et les canards) pour le nombre de directions dont il a besoin pour se déplacer. Il possède sept surfaces différentes pour contrôler seulement trois directions : le roulis, le tangage et le lacet.

Votre travail consiste à dire exactement à ces sept surfaces comment bouger pour que le jet tourne, grimpe ou pivote exactement comme vous le souhaitez. C'est ce qu'on appelle l'Allocation de Commande.

Le Problème : Les anciennes cartes ne fonctionnent pas

Traditionnellement, les pilotes et les ordinateurs utilisent une carte simple et rectiligne (un modèle linéaire) pour déterminer comment bouger les surfaces.

• L'analogie : Imaginez essayer de conduire une voiture en utilisant une carte d'une autoroute droite et plate. Cela fonctionne très bien si vous roulez en ligne droite. Mais dès que vous arrivez sur une route de montagne sinueuse avec des virages serrés et des pentes abruptes (le régime « non linéaire »), la carte de la ligne droite devient inutile. La voiture pourrait partir en tête-à-queue car la carte n'a pas pris en compte les courbes.
• La réalité : Lorsqu'un jet vole de manière agressive, l'air se comporte de façon imprévisible. Les anciennes cartes « en ligne droite » échouent, ce qui fait vaciller le jet ou lui fait manquer sa cible.

Pour corriger cela, les ingénieurs utilisaient auparavant une carte 3D très détaillée (un modèle non linéaire de haute fidélité).

• L'analogie : C'est comme avoir un GPS qui connaît chaque bosse et chaque courbe. C'est précis, mais c'est tellement lourd et lent à charger que l'ordinateur de votre voiture plante en essayant de l'utiliser en temps réel.
• La réalité : Ces modèles détaillés sont trop lents pour que l'ordinateur du jet puisse les calculer assez rapidement lors d'une manœuvre rapide.

Ensuite, certains ont tenté d'utiliser l'IA de type « Boîte Noire » (Réseaux de Neurones).

• L'analogie : C'est comme une boule de cristal magique qui donne la bonne réponse, mais qui ne vous dit pas pourquoi. Si le jet commence à agir bizarrement, personne ne sait si la boule de cristal est cassée ou si c'est le jet qui est endommagé. On ne peut pas lui faire confiance car on ne peut pas voir à l'intérieur.

La Solution : Un raccourci intelligent et transparent

Ce document propose une nouvelle façon de résoudre le problème. Ils utilisent une méthode appelée SINDy (Sparse Identification of Nonlinear Dynamics - Identification parcimonieuse de la dynamique non linéaire).

Pensez-y de cette façon :
Au lieu d'essayer de mémoriser chaque bosse sur la route (le modèle lourd) ou de deviner aveuglément (la boîte noire), les chercheurs observent le vol du jet de nombreuses fois. Ils demandent ensuite à un détective intelligent de trouver l'ensemble de règles le plus simple possible qui explique le mouvement du jet.

1. Le travail de détective (SINDy) : L'ordinateur examine les données de vol et tente de construire un modèle en utilisant une immense bibliothèque d'ingrédients mathématiques (comme le mélange de peintures). Il teste des milliers de combinaisons, mais ne conserve que les quelques ingrédients qui comptent réellement.
2. Le résultat : Il crée une recette compacte et transparente.
   • Elle est petite et rapide (comme une carte légère), de sorte que l'ordinateur puisse l'utiliser instantanément.
   • Elle est transparente (vous pouvez lire la recette), de sorte que les ingénieurs sachent exactement comment elle fonctionne.
   • Elle est basée sur la physique (elle respecte les lois de l'aérodynamisme), de sorte qu'elle est cohérente.

Comment cela fonctionne en temps réel

Une fois que l'ordinateur possède cette « recette intelligente », il l'utilise pour dire aux surfaces de contrôle quoi faire.

• La magie : Parce que la recette est une équation mathématique claire, l'ordinateur peut calculer instantanément comment ajuster les commandes pour obtenir le virage parfait, même dans des conditions de vol sauvages et chaotiques. Elle est aussi précise que la carte 3D lourde, mais aussi rapide que l'ancienne carte simple en ligne droite.

La fonction d'« auto-guérison »

Le document décrit également un filet de sécurité. Imaginez que le jet perde une surface de contrôle (comme une gouverne de direction qui se bloque).

• L'ancienne méthode : Le jet pourrait s'écraser parce que la carte est désormais erronée.
• La nouvelle méthode : Le système vérifie constamment : « Est-ce que le jet fait ce que ma recette prévoit qu'il devrait faire ? ». Si la gouverne est bloquée, le jet ne bougera pas comme prévu. Le système remarque ce décalage immédiatement, réalise que la « recette » doit être ajustée, et met à jour la recette à la volée.
• L'analogie : C'est comme un GPS qui réalise que vous êtes sur un détour parce qu'une route est fermée, et qui recalcule instantanément un nouvel itinéraire en utilisant les routes restantes ouvertes, sans que vous ayez à arrêter la voiture.

Les Résultats

Les chercheurs ont testé cela sur un jet de combat simulé effectuant des manœuvres extrêmes et agressives.

• Précision : Il a volé aussi bien que le modèle 3D très lourd et lent.
• Vitesse : Il était beaucoup plus rapide que le modèle lourd et même plus rapide que les anciennes cartes simples.
• Résilience : Lorsqu'ils ont simulé une surface de contrôle défectueuse, le système s'est auto-corrigé et a maintenu le vol du jet de manière fluide.

En bref, ce document présente une façon d'enseigner à l'ordinateur d'un jet un ensemble de règles simples, compréhensibles et auto-correctrices, permettant d'effectuer des manœuvres complexes et dangereuses en toute sécurité et rapidement, sans avoir besoin d'un supercalculateur ou d'une IA de type « boîte noire ».

Résumé technique

Résumé Technique : Apprentissage Intégré de l'Efficacité du Contrôle Interprétable et Allocation de Commande Non Linéaire

Énoncé du Problème

Les aéronefs sur-actionnés modernes possèdent plus d'effecteurs que d'axes de commande indépendants, offrant une redondance pour la tolérance aux pannes et les objectifs secondaires. Cependant, l'allocation de commande conventionnelle repose sur des matrices d'efficacité de commande ($B$) linéaires et statiques. Cette hypothèse échoue dans les régimes de vol dominés par des dynamiques non linéaires et des couplages forts entre les effecteurs et les états du véhicule (ex: angle d'attaque, vitesse air). Lorsque ces non-linéarités deviennent dominantes, les allocateurs linéaires souffrent d'un décalage de modèle, entraînant une dégradation des performances et une réduction de la robustesse.

Les alternatives existantes présentent un compromis :

1. Modèles embarqués haute fidélité : Précis mais trop coûteux en calcul pour l'optimisation en temps réel, nécessitant souvent des perturbations par différences finies pour chaque effecteur à chaque cycle de commande.
2. Approches fondées sur les données de type "boîte noire" (ex: Réseaux de Neurones) : Capables d'apprendre des fonctions complexes mais manquent d'interprétabilité, ce qui complique la vérification, la certification et le diagnostic de pannes.
3. Modèles linéarisés : Efficaces mais perdent en précision lorsque les conditions de fonctionnement s'éloignent du point de linéarisation.

Le défi central est de développer une cartographie de l'efficacité de commande qui soit précise (capturant les non-linéarités), efficace sur le plan computationnel (adaptée aux solveurs non linéaires en temps réel) et interprétable (transparente pour la vérification et la sécurité).

Méthodologie

L'article propose un cadre qui apprend un modèle analytique explicite, contraint par la physique, de la cartographie de l'efficacité de commande à partir de données de vol, et l'intègre dans des solveurs d'allocation de commande non linéaires.

1. Identification de la Dynamique Non Linéaire Parcimonieuse (SINDy)

La cartographie de l'efficacité de commande est apprise hors ligne via une approche SINDy contrainte.

• Bibliothèque Informée par la Physique : Au lieu d'utiliser des expansions polynomiales génériques, la bibliothèque de fonctions candidates est construite à l'aide de connaissances du domaine de la dynamique de rotation des aéronefs. Plus précisément, la bibliothèque intègre les termes de couplage de corps rigide connus (ex: $pq, pr, qr$) et normalise les contributions de moments aérodynamiques à l'aide de coefficients basés sur l'inertie ($C_1$ à $C_9$). Cela sépare la structure inertielle connue des cartographies aérodynamiques inconnues.
• Régression Parcimonieuse : La méthode utilise la Régression de Régularisation Relâchée Parcimonieuse (SR3) pour identifier un ensemble compact d'équations directrices. Une stratégie d'ensemble (moyennant l'identification de 50 modèles indépendants) est utilisée pour garantir la robustesse et la cohérence des structures de parcimonie.
• Résultat : Le résultat est un modèle analytique continu et parcimonieux $\dot{x} = \Theta(x, u)\Xi$ qui est dérivable et interprétable.

2. Allocation de Commande Non Linéaire

Le modèle analytique identifié est intégré dans deux stratégies d'allocation :

• Allocation Basée sur le Gradient : La nature explicite du modèle permet le calcul analytique des Jacobiens ($\partial \dot{x}/\partial u$). Ces Jacobiens sont fournis à un solveur de descente de gradient itératif pour minimiser l'écart entre les accélérations prédites et commandées tout en respectant les contraintes des actionneurs.
• Allocation Dynamique (MPC) : Pour traiter la dynamique des actionneurs (bande passante et limites de taux), le cadre utilise la commande prédictive de modèle (MPC). Le modèle identifié prédit les vitesses de rotation du corps basées sur les déflexions réalisées des actionneurs (propagées via un modèle d'actionneur de premier ordre) plutôt que sur les déflexions commandées. Cette formulation optimise une séquence de commandes pour anticiper le retard et éviter les comportements oscillatoires.

3. Adaptation en Ligne

Pour gérer les variations de la plante (ex: consommation de carburant, défaillances d'actionneurs), un mécanisme d'adaptation en ligne surveille les résidus de prédiction entre le modèle identifié et les mesures des capteurs. Si l'écart dépasse un seuil, la matrice de coefficients $\Xi$ est mise à jour via une étape de gradient, permettant une reconfiguration fluide sans ré-identification complète du modèle.

Contributions Clés

1. Modélisation Explicite et Interprétable : L'article démontre que SINDy, lorsqu'il est guidé par des bibliothèques informées par la physique, peut récupérer un modèle d'efficacité de commande parcimonieux et interprétable à partir de données de vol, sans dépendre de modèles embarqués lourds ou de réseaux de neurones de type boîte noire.
2. Allocation Non Linéaire Efficace : En fournissant des Jacobiens analytiques, le modèle identifié permet une convergence rapide et fiable dans les solveurs non linéaires, évitant la charge de calcul des méthodes de différences finies utilisées avec les modèles embarqués haute fidélité.
3. Adaptation Robuste : Le cadre inclut une routine d'adaptation en ligne qui maintient la précision sous des conditions changeantes et des défaillances d'actionneurs en mettant à jour les paramètres du modèle en temps réel.
4. Intégration de l'Allocation Dynamique : La méthodologie étend l'allocation à la dynamique, en propageant explicitement les états des actionneurs pour gérer les limitations de bande passante, une caractéristique souvent omise dans les schémas d'allocation statique.

Résultats

La méthodologie a été évaluée sur l'aéronef de référence ADMIRE (Aero-Data Model in a Research Environment), un chasseur delta-canard hautement sur-actionné.

• Précision de Suivi : Dans des simulations de Monte Carlo impliquant des manœuvres agressives, la méthode proposée a atteint une précision de suivi comparable à celle d'un modèle de base complet non linéaire, surpassant nettement les modèles embarqués linéaires. L'erreur quadratique moyenne (RMSE) de la méthode proposée était proche de la base non linéaire (ex: $0,0824$ vs $0,0403$ rad/s pour la vitesse de roulis) et bien supérieure à la base linéaire ($0,1338$ rad/s).
• Efficacité Computationnelle : La méthode proposée a obtenu le temps d'exécution total le plus bas parmi toutes les méthodes comparées, y compris la base linéaire. Cela est dû à l'élimination des étapes de calcul de modèle distinctes et des perturbations par différences finies ; le modèle analytique et ses Jacobiens sont évalués directement au sein du solveur.
• Adaptabilité aux Pannes : Dans un scénario où la gouverne de direction est restée bloquée, le mécanisme d'adaptation en ligne a détecté le décalage de résidu, a mis à jour les coefficients du modèle et a réussi à redistribuer l'autorité de commande aux effecteurs sains, rétablissant la performance de suivi après un court régime transitoire.
• Performance Dynamique : Testée avec une bande passante d'actionneur dégradée (élèveons plus lents), la formulation MPC dynamique a éliminé les commandes de déflexion oscillatoires observées dans les bases d'allocation statique, produisant des entrées de commande plus fluides et coordonnées.

Signification et Revendications

L'article affirme offrir une solution de "juste milieu" qui résout le compromis persistant entre fidélité du modèle, coût de calcul et interprétabilité.

• Interprétabilité vs Performance : Contrairement aux méthodes de données de type boîte noire, le modèle identifié récupère une structure directrice ayant un sens physique direct (ex: termes de couplage d'inertie), facilitant la vérification et la construction de cas de sécurité.
• Efficacité vs Fidélité : Contrairement aux modèles embarqués haute fidélité, le modèle analytique parcimonieux permet une optimisation non linéaire en temps réel sans coûts de calcul prohibitifs.
• Robustesse : Le cadre fournit un mécanisme pour une reconfiguration fluide sous des défaillances d'actionneurs et des conditions de fonctionnement variables, préservant la performance de suivi sans nécessiter une ré-identification complète du système.

Les auteurs notent que bien que la méthode soit prometteuse, des travaux futurs sont nécessaires pour établir des garanties de stabilité en boucle fermée rigoureuses pour l'adaptation en ligne et pour étudier la robustesse sous des niveaux réalistes de bruit de capteur. De plus, la nature explicite et dérivable du modèle ouvre de futures possibilités pour exploiter activement les couplages non linéaires afin d'améliorer l'autorité de commande, une capacité intrinsèquement invisible pour les formulations d'allocation linéaires.