Learning Stable Controlled Dynamical Systems via Input-Contraction Neural Differential Models

Résumé Technique : Apprentissage de Systèmes Dynamiques Contrôlés Stables via des Modèles de Différentielles Neurales à Contraction par Entrée (ICNDM)

Énoncé du Problème
Le présent article traite d'une limitation critique dans l'identification de systèmes basée sur les données : l'incapacité des Équations Différentielles Ordinaires Neurales (Neural ODEs) existantes à garantir la stabilité structurelle lors de la modélisation de systèmes non autonomes soumis à des entrées de commande variant dans le temps. Bien que les Neural ODEs aient modélisé avec succès des champs de vecteurs autonomes, leurs extensions vers les systèmes contrôlés (par exemple, Neural CDE, ICODE) traitent souvent les entrées externes de manière heuristique. Par conséquent, ces modèles manquent de garanties rigoureuses de stabilité en boucle fermée sous des séquences d'entrées génériques et non nulles. Cette déficience entraîne une accumulation d'erreurs, une divergence de l'état et une sensibilité extrême aux perturbations externes lors de déploiements à long horizon, ce qui les rend peu fiables pour les applications critiques de la robotique et du contrôle industriel.

Méthodologie : Le Modèle de Différentielle Neurale à Contraction par Entrée (ICNDM)
Les auteurs proposent l'ICNDM (Input-Contraction Neural Differential Model), un cadre conçu pour apprendre des représentations en temps continu de systèmes dynamiques contrôlés tout en assurant une convergence exponentielle incrémentale. La méthodologie intègre trois composantes clés :

1. Architecture avec Encodage d'Entrée : Contrairement aux approches classiques de concaténation, l'ICNDM emploie un encodeur d'entrée neural dédié, $E_\phi(u)$, pour projeter les entrées de commande brutes dans un espace latent. Cela découple les signaux de commande à haute fréquence du couplage algébrique direct avec le vecteur d'état, stabilisant ainsi les variations de gradient lors de l'intégration d'ODE raide.
2. Optimisation Conjointe de la Métrique Neurale : Le cadre apprend simultanément un champ de vecteurs neural non autonome, $f_\theta(x, E_\phi(u))$, et une métrique de contraction riemannienne généralisée, $M_\omega(x)$. Pour garantir que la métrique reste uniformément définie positive, les auteurs imposent une contrainte structurelle utilisant une décomposition de Cholesky localisée ($M_\omega(x) = L_\omega(x)L_\omega(x)^T + \epsilon I$).
3. Fonction d'Objectif Régularisée : L'objectif d'entraînement combine une perte de prédiction de trajectoire standard avec deux régulariseurs structurels :
   • Une pénalité de barrière spectrale douce ($L_c$) qui impose la condition de contraction $\Psi(x, u) \preceq -\beta M_\omega(x)$, où $\Psi$ est la matrice de contraction non autonome généralisée impliquant le jacobien de l'état et la dérivée temporelle de la métrique.
   • Un régularisateur de norme de Frobenius ($L_u$) sur le jacobien de l'entrée pour limiter la sensibilité du champ de vecteurs aux variations d'entrée à haute fréquence.

Contributions Théoriques
L'article fournit des garanties théoriques formelles pour l'architecture proposée :

• Convergence Exponentielle Incrémentale : Sous l'hypothèse que la perte de contraction spectrale est minimisée, les auteurs prouvent que deux trajectoires pilotées par la même séquence d'entrées convergent exponentiellement, avec une borne d'erreur décroissant selon $e^{-\beta t/2}$.
• Contraction Entrée-État (ISC) : Les auteurs dérivent des conditions suffisantes pour la contraction entrée-état sous des perturbations externes bornées. Ils établient que l'écart de suivi entre les trajectoires pilotées par des entrées différentes est globalement borné par un terme dépendant de la différence d'entrée et de la constante de Lipschitz du système, assurant la robustesse face aux perturbations d'entrée.

Résultats Expérimentaux
Les performances de l'ICNDM ont été évaluées par rapport à cinq bases de référence de pointe (Standard Neural ODE, Controlled Neural ODE, ICODE, ControlSynth et Differential Neural Networks) à travers deux domaines :

1. Benchmarks Chaotiques Non Linéaires : Des tests sur des oscillateurs de Duffing et de Van der Pol pilotés par des entrées sinusoïdales multi-fréquences ont démontré que l'ICNDM surpasse significativement les bases de référence lors de prédictions à long horizon. Alors que les modèles standards présentent une accumulation d'erreurs substantielle (par exemple, une MSE grimpant à $1,89 \times 10^{-1}$ pour le Standard NODE sur l'oscillateur de Duffing sur 200 étapes), l'ICNDM maintient des bornes stables (MSE de $1,02 \times 10^{-3}$).
2. Système d'Entraînement PMSM Physique : La validation sur un jeu de données de moteur synchrone à aimants permanents (PMSM) a confirmé l'utilité pratique du modèle. Lors de déploiements de 500 étapes de l'intensité de l'axe en quadrature, les modèles non contraints ont dérivé de manière significative par rapport à la vérité terrain, tandis que l'ICNDM a suivi les dynamiques réelles avec précision.
3. Robustesse au Bruit : Les expériences injectant du bruit gaussien dans les canaux d'entrée ont montré que l'ICNDM se dégrade de manière progressive à mesure que les niveaux de bruit augmentent, alors que les modèles de base souffrent d'une croissance rapide de l'erreur. Ce comportement valide empiriquement les propriétés de contraction entrée-état théoriques.

Signification et Revendications
L'article affirme combler le fossé entre la modélisation sensible aux entrées et les propriétés de stabilité structurelle. En modélisant explicitement les actions de commande variant dans le temps tout en garantissant la contraction entrée-état via l'optimisation conjointe de la métrique, l'ICNDM offre une solution à l'instabilité inhérente aux équations différentielles neurales non contraintes. Les auteurs affirment que ce cadre fournit des garanties asymptotiques rigoureuses pour des systèmes contrôlés hautement non linéaires, une capacité auparavant restreinte aux formulations autonomes ou à celles supposant des entrées constantes. Ce travail positionne l'ICNDM comme un outil robuste pour l'identification de systèmes dans des environnements dynamiques, avec une supériorité démontrée pour réduire la dérive à long horizon et améliorer la résilience aux perturbations d'entrée.