🔬 applied physics

Saturation-Aware Robust Trajectory Optimization for Reusable Launch Vehicles via Differentiable Physics

Cet article propose un cadre de physique différentiable utilisant un schéma de contrôle par tube de particules différentiable (DPTC) afin de réaliser une optimisation de trajectoire robuste pour les véhicules de lancement réutilisables en intégrant directement les contraintes de saturation des actionneurs dans le graphe de calcul, surpassant ainsi les méthodes conventionnelles pour maintenir la stabilité en boucle fermée sous les incertitudes aérodynamiques et les limites de commande.

Auteurs originaux : Liwei Chen, Tong Qin

Publié 2026-07-14

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Liwei Chen, Tong Qin

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 faire atterrir une gigantesque fusée réutilisable sur une minuscule plateforme. Mais voici le hic : la fusée doit effectuer un retournement rapide et spectaculaire dans le ciel, comme un gymnaste effectuant un salto arrière en tombant à travers un ouragan. Le vent souffle par rafales, l'air pousse la fusée de manière étrange, et les moteurs ont des limites strictes sur la force de poussée ou l'angle d'inclinaison qu'ils peuvent atteindre.

La grande question est la suivante : comment programmer la fusée pour qu'elle atterrisse en toute sécurité alors que tout est chaotique et que les moteurs risquent d'atteindre leurs limites maximales ?

Ce document s'attaque à ce problème en comparant deux différentes manières de concevoir la trajectoire de la fusée.

L'ancienne méthode : Le calculateur du « monde parfait »

La première méthode, que les auteurs appellent CS-AD-SCvx, est semblable à un calculateur super intelligent qui suppose que la fusée évolue dans un monde parfait et prévisible. Elle trace une ligne unique et idéale que la fusée doit suivre, puis tente de maintenir la fusée sur cette ligne à l'aide d'une boucle de rétroaction.

Le problème ? Ce calculateur est « aveugle à la saturation ». Il calcule l'effort que les moteurs doivent fournir pour corriger la trajectoire de la fusée, mais il oublie que les moteurs ont une limite physique stricte. C'est comme un GPS qui vous dirait de tourner le volant de 90 degrés pour rester sur la route, sans réaliser que votre volant ne peut tourner que de 30 degrés. Lorsque le vent fait dévier la fusée de sa trajectoire, cette méthode exige plus des moteurs qu'ils ne peuvent physiquement donner. Les moteurs atteignent leur limite, le calcul se brise, et la fusée commence à dériver sauvagement hors de sa course.

Dans les simulations des auteurs, cette approche du « monde parfait » a entraîné une erreur d'atterrissage où la fusée pouvait manquer sa cible d'environ 15,38 mètres (soit environ la longueur d'un bus scolaire) lorsque le vent soufflait fort. La trajectoire de la fusée est devenue asymétrique et instable parce que l'ordinateur n'avait pas pris en compte le fait que les moteurs resteraient « bloqués » à leur inclinaison maximale.

La nouvelle méthode : La stratégie de la « foule de fantômes »

Les auteurs proposent une nouvelle méthode appelée Differentiable Particle Tube Control (DPTC). Au lieu de suivre une seule ligne parfaite, cette méthode imagine la fusée comme un nuage de milliers de fusées « fantômes » (particules) volant toutes en même temps.

Pensez-y de cette façon : au lieu de forcer un fantôme spécifique à rester sur une corde raide, la méthode DPTC façonne l'ensemble du nuage de fantômes. Elle demande : « Comment pouvons-nous déplacer tout le groupe pour que, même si certains fantômes sont poussés par le vent, ils restent tous dans une zone de sécurité ? »

Crucialement, cette méthode est « consciente de la saturation ». Elle sait que les moteurs ont des limites. Elle apprend que si le vent est trop fort, il vaut mieux laisser la fusée dériver un peu sur le côté (relâcher la trajectoire) plutôt que de hurler aux moteurs de s'incliner davantage qu'ils ne le peuvent. En laissant le nuage s'étendre un peu dans des directions sûres, elle préserve la « force musculaire » des moteurs pour les moments les plus critiques, comme l'atterrissage en douceur final.

Les résultats : Une amélioration massive

Lorsque les auteurs ont lancé 5 000 simulations informatiques pour tester ces deux méthodes face à des vents forts et imprévisibles :

L'ancienne méthode du « monde parfait » n'a pas réussi à maintenir la stabilité de la fusée, entraînant une zone d'atterrissage désordonnée et large.
La nouvelle méthode de la « foule de fantômes » (DPTC) a permis de garder un atterrissage précis et symétrique.

L'article rapporte que la nouvelle méthode a réduit l'erreur d'atterrissage (plus précisément la probabilité d'erreur circulaire à 50 %, ou CEP50) de 87 %. Au lieu de manquer la cible de 15,38 mètres, la nouvelle méthode a atterri à seulement 1,97 mètre du centre.

Pourquoi cela importe

Cette publication démontre que pour des manœuvres extrêmes comme ce retournement en position « ventre à terre » (belly-flop), on ne peut pas se contenter de mathématiques linéaires qui ignorent les limites physiques. En utilisant un moteur de « physique différentiable » — essentiellement une simulation informatique capable de calculer exactement comment de petits changements affectent l'ensemble du vol — la nouvelle méthode apprend à faire des compromis intelligents. Elle sacrifie une infime précision horizontale pour garantir que la fusée ne perde pas son autorité de contrôle et ne s'écrase pas.

Les auteurs notent que, bien que cette nouvelle méthode nécessite plus de puissance de calcul pour être entraînée (en faisant tourner des milliers de simulations hors ligne), le résultat final est un ensemble d'instructions simples et rapides qu'une fusée peut utiliser en temps réel. C'est un passage de l'effort de forcer une fusée à suivre une ligne rigide, à lui apprendre comment danser avec le vent tout en respectant ses propres limites physiques.

Résumé Technique : Optimisation de Trajectoire Robuste Sensible à la Saturation pour les Véhicules de Lancement Réutilisables via la Physique Différentiable

1. Énoncé du Problème

L'atterrissage vertical motorisé (VPL) des véhicules de lancement réutilisables (RLV), particulièrement la manœuvre de bascule à angle d'attaque élevé (ex: l'architecture Starship), présente un défi critique pour le guidage, la navigation et le contrôle (GNC) robustes. Cette phase implique un couplage aérodynamique hautement non linéaire, des charges structurelles importantes et des variations rapides de pression dynamique. La difficulté principale réside dans la garantie de la précision de l'atterrissage et de la survie du véhicule sous des incertitudes multi-sources sévères (aérodynamique instationnaire, cisaillement du vent, incertitudes de masse) tout en respectant des limites strictes des actionneurs physiques (limites de débattement du vecteur de poussée et limites de modulation de la poussée moteur).

Les méthodes existantes d'optimisation de trajectoire robuste, telles que la Convexification Successive (SCvx) combinée au Pilotage de Covariance (CS), font face à deux limitations fondamentales dans ce contexte :

Hypothèses de Linéarisation Locale : Elles reposent sur une propagation de covariance gaussienne dérivée d'une linéarisation locale, ce qui échoue à capturer avec précision les distributions d'état non gaussiennes et asymétriques induites par les transitoires aérodynamiques sévères.
Aveuglement à la Saturation : Elles synthétisent généralement des lois de rétroaction (ex: LQR basé sur Riccati) sous l'hypothèse d'une autorité de commande infinie. Lorsque les perturbations poussent les commandes de contrôle au-delà des limites physiques des actionneurs, la troncature matérielle résultante invalide les garanties de robustesse théoriques, entraînant souvent une saturation des actionneurs, une perte d'autorité de contrôle et une dégradation de la précision de l'atterrissage.

2. Méthodologie

Le document propose un cadre de Contrôle par Tube de Particules Différentiable (DPTC), qui intègre la physique différentiable à une optimisation basée sur des ensembles pour répondre à ces limitations. La méthodologie repose sur un Moteur de Physique Différentiable natif couplant la cinématique du corps rigide à 6 degrés de liberté (6-DoF) avec un substitut aérodynamique neuronal appris en profondeur.

Composants Clés :

Moteur de Physique Différentiable : Le système modélise la dynamique de vol 6-DoF à l'aide d'un intégrateur Runge-Kutta d'ordre 4 où toutes les opérations (y compris la normalisation des quaternions et les passages directs de réseaux neuronaux) sont formulées comme des opérations de tenseurs différentiables. Cela permet une propagation exacte du gradient à travers tout le graphe dynamique non linéaire.
Façonnage de la Distribution Stochastique : Contrairement aux méthodes traditionnelles qui optimisent une seule trajectoire nominale, le DPTC traite le guidage robuste comme un problème de transport de probabilité stochastique contraint. Il représente la distribution d'état incertaine à l'aide d'un ensemble de particules lagrangiennes ( $N_p$ particules). Chaque particule évolue indépendamment sous des réalisations d'incertitudes uniques mais partage une politique de contrôle unifiée.
Synthèse de Rétroaction Sensible à la Saturation : La politique de contrôle est paramétrée comme une loi de rétroaction affine variable dans le temps ( $u = u_{ref} - K(x - x_{ref})$ ). Crucialement, des opérateurs de projection d'actionneurs rigides ( $\Pi_U$ ) sont intégrés directement dans le graphe de calcul direct. Cela force l'optimiseur à synthétiser simultanément la trajectoire de feedforward ( $u_{ref}$ ) et les gains de rétroaction ( $K$ ) tout en « expérimentant » les mêmes saturations d'actionneurs que ceux du véhicule réel.
Optimisation du Risque de Queue (Tail-Risk) : Pour gérer la sécurité sans la fragilité des contraintes de probabilité strictes, un objectif de risque de queue différentiable est introduit. En utilisant un substitut lisse (ex: $ReLU^2$ ), le cadre pénalise les particules violant les contraintes de sécurité tout en maintenant un paysage de gradient continu pour la rétropropagation à travers le temps (BPTT).

Référence de Comparaison :

La méthode proposée est comparée à une base de référence de Convexification Successive basée sur l'Automatique de Différenciation (CS-AD-SCvx). Cette base utilise la linéarisation locale pour extraire les Jacobiens, propage la covariance gaussienne via des équations de Riccati et resserre les contraintes via des marges de contraintes de probabilité (chance-constraints), mais manque de conscience native de la saturation lors de la synthèse de la rétroaction.

3. Principales Contributions

Le document expose trois contributions principales :

Transition du Guidage de Trajectoire vers le Façonnage de Distribution : Le cadre dépasse les approximations classiques de linéarisation gaussienne pour opérer directement sur des dynamiques non linéaires exactes. En exploitant un moteur 6-DoF nativement différentiable, il façonne le manifold de probabilité stochastique, capturant intrinsèquement les dispersions d'événements rares et les réponses aérodynamiques non gaussiennes.
Synthèse de Rétroaction Nativement Sensible à la Saturation : Contrairement aux méthodes de pilotage de covariance qui ajoutent la rétroaction a posteriori, le DPTC intègre les limites physiques strictes des actionneurs directement dans le graphe d'optimisation. L'optimiseur synthétise la politique de contrôle tout en respectant les mêmes contraintes de saturation qui régissent le véhicule physique, évitant ainsi la génération de commandes de contrôle infaisables.
Régulation du Risque de Queue par Pénalité Douce : L'introduction d'un objectif de risque de queue différentiable permet une rétropropagation fluide à travers le temps. Cela permet à l'optimiseur de pénaliser agressivement les particules violant les contraintes (risque de queue) sans l'instabilité numérique associée aux contraintes de probabilité strictes, produisant ainsi une loi de guidage en boucle fermée hautement survivable.

4. Résultats

Le cadre a été évalué par des simulations Monte Carlo 6-DoF (5 000 exécutions) sous des perturbations aérodynamiques instationnaires de 5 %.

Performance Nominale : Dans des conditions déterministes (perturbation nulle), le DPTC et le CS-AD-SCvx ont tous deux atteint des trajectoires quasi-optimales en termes de carburant, avec des différences de masse finale du véhicule inférieures à 0,25 %. Cela a validé la fidélité du moteur de physique différentiable.
Robustesse sous Incertitude :
- CS-AD-SCvx : Sous l'effet des perturbations, la base de référence a présenté une dégradation significative des performances. Sa formulation de rétroaction non contrainte a conduit à une saturation des actionneurs (violation des limites de poussée minimale et de débattement du gimbal). Cela a provoqué un décalage entre l'évolution de la covariance linéaire supposée et la dynamique physiquement exécutée, entraînant une dispersion d'atterrissage asymétrique et un CEP50 (Erreur Circulaire Probable) de 15,38 m.
- DPTC : Le cadre proposé a effectué proactivement un arbitrage de performance sensible aux contraintes. En relâchant les exigences de suivi spatial lors des phases de haute pression dynamique, il a préservé l'autorité de contrôle critique pour la descente terminale. Cela a permis un enveloppement symétrique de la trajectoire nominale et un CEP50 de 1,97 m, représentant une réduction de 87 % de l'erreur d'atterrissage par rapport à la base de référence.
Efficacité Computationnelle : Bien que le DPTC nécessite un calcul hors ligne important (exécution parallèle sur GPU d'ensembles de particules), la politique résultante est une séquence de tenseurs variant dans le temps. Le déploiement en ligne se réduit à une recherche ($lookup $)$ O(1)$ et une multiplication matricielle, ce qui le rend adapté à l'exécution en temps réel. Le cadre a démontré une mise à l'échelle $O(1)$ par rapport à la taille du lot (batch size) sur les GPU grâce à la vectorisation.

5. Signification et Revendications

L'article affirme que l'intégration de la physique différentiable avec l'optimisation basée sur des ensembles fournit un cadre efficace et pratique pour le guidage robuste dans les systèmes de vol aérospatiaux hautement contraints.

Changement de Paradigme : Ce travail démontre une transition du suivi de trajectoire déterministe vers le façonnage de distribution informé par la physique. Il soutient que, sous des incertitudes sévères et des limites d'actionneurs strictes, la stratégie optimale n'est pas de suivre rigidement un chemin, mais de façonner activement la distribution d'état stochastique via des dynamiques non linéaires.
Robustesse Pratique : En intégrant les contraintes physiques directement dans le processus d'apprentissage, le cadre prévient l'« aveuglement à la saturation » inhérent aux méthodes de contrôle robuste classiques. Cela garantit que la loi de guidage reste valide et survivable même lorsque le véhicule opère aux limites de son enveloppe physique.
Évolutivité : L'approche offre une architecture évolutive pour les problèmes aérospatiaux hautement dimensionnels et non linéaires, utilisant des gradients analytiques exacts dérivés du moteur de physique plutôt que de s'appuyer sur des approximations linéaires idéalisées ou des méthodes de différences finies.

Les auteurs concluent que ce cadre améliore considérablement la robustesse de la mission et le respect des contraintes physiques, offrant une alternative viable pour les systèmes GNC avancés des futurs véhicules de lancement réutilisables.