Sparse Robust Optimal Control in Continuous-Time: A Computationally Viable Approach

Résumé Technique : Contrôle Optimal Robuste Creux en Temps Continu

Formulation du Problème
L'article traite du défi consistant à résoudre des problèmes de contrôle optimal (OCP) creux et robustes pour des systèmes linéaires en temps continu soumis à un bruit de processus et à des incertitudes paramétriques. Le système est régi par une équation différentielle ordinaire (ODE) avec des contraintes d'état et de commande qui doivent être respectées à tout instant dans un horizon fini et pour toutes les réalisations possibles de perturbations et de paramètres incertains.

L'objectif est de minimiser un coût intégral de la norme $L_1$ de la commande, une approche standard pour induire la parcité (c'est-à-dire maintenir l'entrée de commande à zéro pendant des périodes prolongées). La difficulté centrale réside dans la structure du problème : il s'agit d'un problème d'optimisation de dimension infinie nécessitant le respect d'une famille innombrable de contraintes d'inégalité (contraintes d'état, de commande et terminales) sur un ensemble compact de réalisations d'incertitudes. Les méthodes numériques existantes reposent généralement sur la discrétisation de l'horizon temporel et l'application des contraintes uniquement en des points spécifiques, ce qui n'offre aucune garantie pour l'intervalle de temps entier ou pour toutes les réalisations de perturbations. De plus, les outils standards d'optimisation robuste issus du traitement du signal échouent souvent car les incertitudes dans la dynamique de commande entrent de manière non affine (par exemple, via des exponentielles de matrice), rendant les reformulations convexes par dualité inapplicable ou excessivement conservatrices.

Méthodologie
Les auteurs proposent un cadre qui transforme l'OCP de dimension infinie en un problème de programmation semi-infinie convexe (CSIP) de dimension finie et calculablement viable, tout en préservant l'exigence de contraintes innombrables.

1. Paramétrage Fini : Les trajectoires de commande et de perturbation sont paramétrées à l'aide de dictionnaires finis de fonctions constantes par morceaux. Cela réduit l'espace de décision à un vecteur de coefficients de dimension finie ($\theta$ pour la commande, $\gamma$ pour la perturbation).
2. Formulation Semi-Infinie : Malgré le paramétrage fini, les contraintes restent semi-infinites, indexées par le temps $t \in [0, T]$ et les paramètres de perturbation $\gamma \in S_w$.
3. Régularisation : Pour assurer l'existence et l'unicité des solutions et faciliter la récupération des optimiseurs, les auteurs introduisent un terme de régularisation strictement convexe $\varepsilon \Upsilon(\theta)$ dans la fonction objectif.
4. Construction de Substituts Exacts : En s'appuyant sur des avancées récentes en optimisation robuste (spécifiquement [23], [24]), les auteurs établissent que la valeur optimale du problème semi-infini original peut être récupérée exactement en résolvant un problème de maximisation sur un ensemble fini d'indices « de pire cas ». Plus précisément, ils définissent une fonction $F(\bar{x}, \varepsilon; \mathcal{T}, \mathcal{B})$ représentant la valeur optimale de l'OCP contraint uniquement sur un ensemble fini de points temporels $\mathcal{T}$ et de paramètres de perturbation $\mathcal{B}$.
5. Cadre Algorithmique (SparseRob) : L'article introduit l'architecture SparseRob. Cet algorithme traite la récupération de la solution exacte comme un problème d'optimisation globale : la maximisation de la fonction de valeur relaxée $F$ sur l'espace des ensembles d'indices possibles. Le cadre est agnostique vis-à-vis de l'optimiseur global spécifique utilisé (par exemple, Simulated Annealing, SequOOL, LIPO), à condition que la fonction de valeur soit continue (ce que les auteurs démontrent).

Contributions Clés

1. Formulation Structurelle : L'article formule structurellement une nouvelle classe d'OCP creux robustes en temps continu pour des systèmes linéaires avec bruit de processus, incertitude paramétrique et contraintes strictes, montrant qu'ils admettent une représentation CSIP.
2. Solutions Exactes : Les auteurs démontrent qu'un problème d'optimisation convexe fini et calculablement viable peut être résolu pour récupérer, de manière sans perte, à la fois la valeur optimale et les optimiseurs du problème semi-infini original. Cela est présenté comme la première réussite de ce type dans le contexte du contrôle optimal creux.
3. Robustesse Non-Conservatrice : Contrairement à de nombreuses techniques de contrôle robuste qui reposent sur des approximations conservatrices, la méthode proposée garantit des solutions exactes sans introduire de conservatisme. Elle assure le respect d'un nombre infini de contraintes sans discrétiser l'horizon temporel d'une manière qui sacrifierait les garanties de satisfaction des contraintes.
4. Généralisabilité : Le cadre montre qu'il s'étend aux systèmes bruyants dépendant de paramètres et au problème de « l'attention minimale » (où le taux de variation de la commande est minimisé), en les résolvant efficacement via la même structure algorithmique.

Résultats et Expériences Numériques
L'efficacité de l'algorithme est illustrée par des expériences numériques sur un système de référence masse-ressort-amortisseur :

• Contrôle Robuste Creux : L'algorithme a généré avec succès des entrées de commande creuses qui satisfaisaient les contraintes d'état et terminales pour 99,9 % de 10 000 réalisations distinctes de perturbations. Les rares violations ont été attribuées à des erreurs numériques inévitables de simulation plutôt qu'à un échec théorique.
• Incertitude Paramétrique : La méthode a été appliquée à un système présentant des incertitudes paramétriques dans les matrices du système. Les entrées de commande résultantes sont restées creuses et robustes, satisfaisant les contraintes à travers 10 000 réalisations des paramètres incertains.
• Comparaison : L'article compare son approche à l'optimisation basée sur les scénarios. Bien que les méthodes basées sur les scénarios aient réduit les violations, elles présentaient toujours des ruptures de contraintes en raison de leur nature probabiliste. En revanche, la méthode proposée fournit des garanties déterministes pour les contraintes en temps continu.
• Attention Minimale : Le cadre a été appliqué avec succès à un problème d'attention minimale bruyant, démontrant l'émergence d'un comportement creux dans le taux de variation de l'entrée de commande.

Signification et Revendications
L'article revendique une avancée significative dans le domaine du contrôle robuste en comblant le fossé entre le contrôle creux (qui ignore généralement l'incertitude) et le contrôle robuste (qui manque souvent de parcité ou de tractabilité computationnelle en temps continu). Les auteurs soulignent que leur approche :

• Évite la « malédiction de la dimensionnalité » associée aux espaces de dimension infinie en utilisant un paramétrage fini tout en conservant des garanties de contraintes infinies.
• Surmonte les limites des outils existants de traitement de signal robuste, qui reposent sur des structures d'incertitude affines absentes de la dynamique de commande.
• Fournit une architecture de solution systématique et non-conservatrice (SparseRob) qui garantit des solutions exactes pour une classe de problèmes auparavant considérés comme numériquement intraçables en raison de la nature uncountable de leurs contraintes.

Ce travail est présenté comme une étape vers la mise en œuvre pratique du contrôle robuste creux, passant des résultats d'existence théorique à un algorithme numériquement viable capable de gérer la complexité des systèmes dynamiques réels soumis à des incertitudes.