⚡ electrical engineering

Input-to-State Stability Certification via Projection Residuals for Koopman Learning Control of Nonlinear Repetitive Systems

Cet article établit un cadre de certification de la stabilité entrée-état (ISS) piloté par les données pour le contrôle par apprentissage de Koopman de systèmes répétitifs non linéaires inconnus, démontrant que la stabilité pratique sur des horizons d'essais finis dépend non seulement de la précision de la prédiction, mais aussi de manière critique des marges de canal et de la prise en compte explicite des résidus de projection.

Auteurs originaux : Yue Wu, Ye Cao, Jianfu Cao

Publié 2026-07-08

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Yue Wu, Ye Cao, Jianfu Cao

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 enseigniez à un robot à effectuer une tâche répétitive, comme empiler des boîtes ou peindre une portière de voiture. Vous voulez que le robot s'améliore à chaque tentative (chaque « essai »). C'est ce qu'on appelle l'Apprentissage par Commande Itérative (Iterative Learning Control).

Cependant, le robot ne connaît pas la physique exacte du monde (il est « inconnu »). Il utilise donc un modèle de « supposition intelligente » (appelé modèle de Koopman) basé sur des données passées pour déterminer comment ajuster ses mouvements pour l'essai suivant.

Le problème est le suivant : Ce n'est pas parce que le modèle du robot prédit bien le futur que le robot va réellement s'améliorer dans sa tâche. Le modèle peut être précis, mais si le robot est physiquement limité (comme une voiture qui ne peut pas tourner sur place) ou si les données sont légèrement erronées, le robot pourrait en réalité devenir moins bon ou s'écraser.

Ce document est comme un inspecteur de sécurité qui vérifie si le plan d'apprentissage du robot est réellement sûr avant qu'il ne commence. Il ne cherche pas à inventer une nouvelle façon pour le robot d'apprendre ; il fournit plutôt un « certificat » mathématique qui garantit que le robot ne sortira pas des rails.

Voici comment le document décompose la vérification de sécurité en utilisant des analogies simples :

1. Le « Certificat de Sécurité » (Stabilité Entrée-État)

Imaginez le processus d'apprentissage du robot comme une balle roulant sur une colline.

L'Objectif : Nous voulons que la balle arrête de rouler et se stabilise dans une petite vallée sûre (la « bande ultime »).
Le Danger : Le vent, les bosses et les terrains irréguliers (perturbations, bruit et erreurs de modèle) continuent de pousser la balle.
Le Certificat : Les auteurs prouvent que même avec toutes ces bosses, la balle finira par se stabiliser dans cette vallée sûre, à condition que la « pente » de la colline soit assez raide. Ils calculent exactement la taille de cette vallée en fonction de l'irrégularité de la route.

2. Les Trois Grandes Vérifications

Le document soutient que vous ne pouvez pas simplement regarder si le modèle prédit bien le futur (précision de la prédiction). Vous devez réussir trois tests spécifiques pour obtenir le certificat de sécurité :

A. La vérification du « Canal Faible » (Le robot peut-il vraiment le faire ?)

Imaginez que vous demandiez à un livreur de déplacer un canapé lourd vers un endroit précis.

Le Modèle : Le livreur possède une carte parfaite et sait exactement où se trouve le canapé.
Le Problème : Le canapé est trop lourd, ou le couloir est trop étroit. Même avec une carte parfaite, le livreur ne peut pas déplacer le canapé vers cet endroit exact.
L'Intuition du Document : Si le « canal » du robot (sa capacité à transformer une commande en mouvement) est « faible » (comme un couloir étroit), le certificat de sécurité échoue, même si la carte est parfaite. Le document vérifie si le robot possède assez de « muscles » et d'espace pour réellement effectuer le mouvement demandé.

B. La vérification du « Résidu de Projection » (L'objectif inatteignable)

Parfois, le robot demande un mouvement qui est physiquement impossible compte tenu de ses contraintes (comme demander à une voiture de tourner à 90 degrés instantanément).

La Métaphore : Imaginez que vous dites à un chauffeur de taxi : « Allez exactement au point X ». Mais le point X se trouve à l'intérieur d'un bâtiment verrouillé. Le chauffeur peut s'en approcher, mais il ne pourra pas y être.
L'Intuition du Document : Le « résidu de projection » est la distance entre l'endroit où le robot veut aller et l'endroit le plus proche qu'il peut réellement atteindre. Le document traite cet « écart inatteignable » comme une erreur garantie. Il ajoute cet écart au budget de sécurité, garantissant que la « zone sûre » finale soit assez large pour couvrir cet écart.

C. La vérification du « Bruit du Monde Réel » (Le Calibrage)

Le robot apprend à partir de données, mais la vie réelle est désordonnée.

La Métaphore : Vous testez une nouvelle voiture sur une piste lisse (calibrage), mais vous la conduirez sur des rues de ville accidentées (déploiement).
L'Intuition du Document : Les auteurs utilisent un truc statistique (appelé « prédiction de prédiction conforme fractionnée » ou split-conformal prediction) pour mesurer à quel point le monde réel pourrait différer de la piste de test. Ils ajoutent une « marge de sécurité » pour tenir compte de cette différence, garantissant que le robot reste en sécurité même si le monde réel est légèrement pire que le test.

3. Le Résultat : Une « Zone Sûre »

Au lieu de promettre que le robot sera parfait (erreur zéro), le document promet que le robot restera dans une zone sûre garantie.

Si le robot commence avec une grosse erreur, celle-ci diminuera rapidement.
Finalement, il se stabilisera dans une plage d'erreur petite et prévisible.
La taille de cette plage est calculée avant que le robot ne commence, en fonction de la précision du modèle, des limites physiques du robot et du bruit attendu.

Résumé du « Certificat »

Le document dit : « Ne faites pas seulement confiance à la prédiction du modèle. Vérifiez si le robot peut physiquement atteindre l'objectif, vérifiez si l'objectif est trop éloigné pour ses contraintes, et ajoutez une marge pour le désordre du monde réel. Si vous faites tout cela, nous pouvons garantir mathématiquement que le robot restera en sécurité et cessera de s'améliorer une fois qu'il aura atteint une limite spécifique et calculable. »

Si l'un de ces tests échoue (par exemple, si le canal est trop faible ou si l'écart est trop grand), le système affiche « Non Certifié » et refuse de laisser le robot fonctionner, évitant ainsi un échec potentiel. C'est un passage de « espérer que cela fonctionne » à « savoir exactement comment bien cela fonctionnera ».

Résumé Technique : Certification de la Stabilité de l'Entrée vers l'État via les Résidus de Projection pour le Contrôle par Apprentissage de Koopman

1. Énoncé du Problème

L'article traite de la certification de la stabilité du contrôle par apprentissage de Koopman fondé sur les données pour des systèmes répétitifs non linéaires discrets inconnus opérant sur des horizons de paliers finis. Contrairement au contrôle par apprentissage itératif (ILC) classique qui recherche souvent une convergence vers l'erreur nulle ou une convergence monotone nominale, ce travail se concentre sur la stabilité pratique de l'entrée vers l'état (ISS - Input-to-State Stability) le long de l'axe des essais ( $k$ ).

Le défi central identifié est que, dans les contextes basés sur les données, un petit résidu de prédiction (ajustement du modèle) ne garantit pas la stabilité. La stabilité dépend de :

L'informativité du canal : Le canal d'entrée-sortie à horizon fini sélectionné doit posséder une marge positive (invertibilité) pour générer la correction de sortie demandée.
La contrôlabilité (Reachability) : L'incrément de sortie demandé doit se situer dans l'ensemble atteignable contraint du canal appris. Si ce n'est pas le cas, un résidu de projection apparaît, agissant comme une perturbation persistante.
Les perturbations persistantes : Des facteurs tels que le décalage de réinitialisation (reset mismatch), les perturbations non répétitives, les erreurs d'identification de canal, les décalages de déploiement et les tolérances numériques ne disparaissent pas d'un essai à l'autre.

L'objectif est de construire un certificat déterministe qui borne l'erreur d'apprentissage d'un état initial vers une bande ultime explicite, en traitant les résidus de Koopman, les erreurs de projection et les incertitudes comme des entrées ISS.

2. Méthodologie

Formulation du Système

Le système est modélisé comme une tâche répétitive non linéaire où l'état $x_k(t)$ , l'entrée $u_k(t)$ et la sortie $y_k(t)$ évoluent sur un horizon intra-palier $t \in \{0, \dots, N-1\}$ et un indice de palier $k$ . Le contrôleur utilise une approximation de l'opérateur de Koopman gelée (via l'EDMDc - Extended Dynamic Mode Decomposition with Control) pour mettre à jour les entrées palier par palier.

La dynamique d'apprentissage est formulée comme un système à temps discret sur l'axe des paliers :
$\bar{E}_k = \Lambda \bar{E}_{k-1} + r_k$
où $\bar{E}_k$ est l'erreur de suivi empilée sélectionnée, $\Lambda$ est une matrice d'apprentissage avec $\|\Lambda\|_\infty < 1$ , et $r_k$ agrège toutes les sources de perturbation.

Composants Clés du Certificat

Les auteurs décomposent le terme de perturbation $r_k$ (l'entrée ISS) en composants spécifiques et auditables :

Résidus de Koopman ( $\omega_k$ ) : Écart du modèle et perturbations non répétitives.
Résidus de Projection ( $p_k$ ) : La distance entre l'incrément de sortie demandé et l'ensemble atteignable contraint du canal appris. Il s'agit d'une limitation structurelle, et non d'une simple erreur numérique.
Incertitude du Canal ( $\Delta G_k \Delta U_k$ ) : Erreurs dans la matrice de canal à horizon fini apprise.
Perturbations de Réinitialisation/Observabilité ( $\Delta O_k \Delta z_{k,0}$ ) : Écarts dans les conditions initiales et l'observabilité.
Décalages de Déploiement et Tolérances Numériques : Différences entre les distributions de calibration et de déploiement, ainsi que les erreurs de solveur.

Protocole de Certification

L'article propose une procédure de certification capable de rejet (Algorithme 1) qui valide un contrôleur candidat avant son déploiement :

Ajustement du Modèle : Apprendre les matrices de Koopman à partir des données d'identification.
Vérification de la Marge : Vérifier si le canal sélectionné possède une marge de valeur singulière minimale positive ( $\sigma_{\min} - \epsilon > 0$ ). Si ce n'est pas le cas, le candidat est rejeté (non-certifiabilité de canal faible).
Audit de Projection : Calculer le pire budget de projection sur l'ensemble des requêtes certifiées.
Vérification d'Invariance : Vérifier que la condition de contraction $\lambda R + P(R, \bar{Z}_0) + \bar{\xi} \leq R$ est respectée, garantissant que l'erreur reste dans une boule certifiée.
Calibration à Échantillons Finis : Utiliser la prédiction conforme scindée (split-conformal prediction) sur un ensemble de données de calibration pour borner le score de résidu de l'épisode complet avec un niveau de risque spécifié.

Résultats Théoriques

Théorème 1 (ISS Pratique Déterministe) : Établit que si la marge du canal est positive et que les perturbations sont bornées, l'erreur d'apprentissage converge géométriquement vers une bande ultime $\Delta_{ISS} = \bar{w} / (1-\lambda)$ , où $\bar{w}$ est le budget de perturbation agrégé.
Théorème 2 (Budget ISS à Échantillons Finis) : Fournit une borne probabiliste sur $\bar{w}$ en combinant le score de résidu conforme avec les bornes déterministes sur l'incertitude du canal, les résidus de projection et les décalages de déploiement.

3. Contributions Clés

Formulation de l'ISS Pratique : L'article formule la stabilité du contrôle par apprentissage de Koopman comme un problème d'ISS pratique le long de l'axe des paliers, en séparant explicitement l'ajustement du modèle de la certifiabilité du contrôle.
Les Résidus de Projection comme Objets de Stabilité : Il identifie les résidus de projection et les marges de canaux sélectionnés comme des objets de certificat nécessaires. Il démontre qu'un prédicteur avec de petits résidus peut tout de même échouer à la certification de stabilité si le canal est faible ou si la requête est inatteignable.
Budget de Certificat Calculable : Les auteurs fournissent une méthode pour construire une bande ultime explicite en combinant :
- La calibration du résidu de l'épisode complet (via des méthodes de conformité scindée).
- Les marges de canal et de réinitialisation à horizon fini.
- Les résidus de projection.
- Les marges de mise en œuvre (décalage, numérique).
Cadre d'Audit : Un cadre d'audit numérique est développé pour vérifier chaque composant de la théorie (mise à l'échelle résidu-bande, rejet des canaux faibles, fermeture de la projection et couverture de la bande ultime) plutôt que de simplement comparer les performances de suivi.

4. Résultats Numériques et Validation

L'article valide la théorie sur quatre systèmes répétitifs non linéaires : un oscillateur de Duffing (audits de boucle fermée et de budget), un oscillateur à amortissement cubique et un servomoteur non linéaire.

Mise à l'échelle Résidu-Bande : Les expériences confirment qu'une augmentation de la perturbation, du bruit ou de l'écart du modèle augmente linéairement la bande ultime certifiée, ce qui est cohérent avec le gain ISS $\gamma(s) = s/(1-\lambda)$ .
Rejet des Canaux Faibles : Les cas avec des canaux sélectionnés "faibles" (faibles valeurs singulières) sont correctement rejetés par le certificat, même si leurs résidus de prédiction sont faibles. Cela souligne que la précision de la prédiction seule est insuffisante.
Fermeture de la Projection : L'audit vérifie que les corrections de sortie demandées restent dans l'ensemble atteignable contraint pour les candidats certifiés.
Couverture de la Bande Ultime : Dans les essais réussis, les erreurs de suivi observées entrent et restent dans la bande ultime théoriquement prédite après un indice d'entrée finie certifié.
Études d'Ablation : L'article démontre que les contrôleurs "nominaux" (zéro budget de résidu) échouent à la certification, tandis que ces mêmes contrôleurs deviennent certifiables lorsqu'on inclut le budget de résidu calibré. Inversement, gonfler le budget de manière conservatrice élargit la bande ultime, maintenant la couverture.

5. Signification et Revendications

L'article affirme fournir un certificat de stabilité pratique fondé sur les données pour le contrôle par apprentissage de Koopman, qui se distingue de l'analyse de convergence traditionnelle.

Séparation des Préoccupations : Il sépare rigoureusement l'ajustement du modèle (résidus de prédiction) de la certifiabilité du contrôle (marges de canal et atteignabilité). Un bon prédicteur n'est pas automatiquement un contrôleur stabilisant.
Bornes Explicites : Contrairement aux résultats asymptotiques, cette méthode fournit une borne ultime explicite et calculable sur l'erreur de suivi avant le déploiement, en tenant compte des données finies, des contraintes et des perturbations persistantes.
Robustesse aux Non-Idéalités : Le cadre prend explicitement en compte les décalages de réinitialisation, les décalages de déploiement et les tolérances numériques, en les traitant comme des entrées ISS plutôt qu'en supposant qu'ils disparaissent.
Portée Modeste : Les auteurs soulignent que le résultat est un certificat dépendant du protocole de tâche et à horizon fini. Il ne prétend pas à une stabilité universelle pour des contrôleurs appris arbitraires, mais fournit une piste d'audit rigoureuse pour des configurations de contrôle gelées spécifiques sous des protocoles définis.

Le travail conclut que le contrôle par apprentissage de Koopman ne peut être certifié comme stable que lorsque les résidus de modèle, les résidus de projection et les marges de canal sont rapportés comme des quantités de stabilité distinctes et auditables.