⚡ electrical engineering

Gaussian behaviors and stochastic data-driven control

Cet article introduit les « comportements gaussiens », un cadre de modélisation stochastique traitable qui étend les systèmes LTI déterministes avec un bruit gaussien afin de permettre des méthodes de commande prédictive convexes et pilotées par les données qui tiennent explicitement compte de l'incertitude aléatoire et épistémique à travers des bornes de confiance à échantillon fini.

Auteurs originaux : András Sasfi, Alberto Padoan, Ivan Markovsky, Florian Dörfler

Publié 2026-07-20

📖 8 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : András Sasfi, Alberto Padoan, Ivan Markovsky, Florian Dörfler

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

L'art de deviner juste : quand les machines apprennent de leurs erreurs

Imaginez que vous essayiez d'apprendre à un robot comment conduire une voiture. Autrefois, les ingénieurs passaient des années à écrire un manuel massif décrivant chaque bosse, courbe et rafale de vent que la voiture pourrait rencontrer. C'est ce qu'on appelle la « modélisation ». Mais et si le monde était trop désordonné pour un manuel ? Et si la voiture roulait sur une planète où la physique changeait légèrement tous les mardis ?

C'est ici qu'intervient un domaine appelé le contrôle piloté par les données (data-driven control). Au lieu d'écrire un manuel, vous montrez simplement au robot mille vidéos d'une voiture qui conduit. Le robot observe les motifs dans les vidéos et comprend : « D'accord, quand je tourne le volant à gauche, la voiture va à gauche. » Cela fonctionne très bien si les vidéos sont parfaites. Mais dans le monde réel, les données sont désordonnées. Parfois, la voiture glisse sur la glace (bruit aléatoire), et parfois, le robot n'a pas vu assez de vidéos pour savoir quoi faire dans une nouvelle situation (manque de connaissances).

La grande question que se posent les scientifiques est la suivante : comment construire un contrôleur qui ne se contente pas de deviner la trajectoire moyenne, mais qui comprend aussi à quel point il est incertain ? Si le robot est incertain, il doit être prudent. S'il est sûr de lui, il peut être audacieux. Cet article explore précisément ce problème, tentant de donner aux machines un meilleur « instinct » basé sur les données qu'elles ont reçues.

L'article : Donner un « instinct » aux robots

Les auteurs de cet article, András Sasfi et son équipe, ont inventé une nouvelle façon de décrire comment les machines apprennent à partir de données désordonnées. Ils appellent leur invention les « Comportements Gaussiens ».

Pour comprendre ce que c'est, imaginez que vous essayiez de prédire la trajectoire d'une balle qui rebondit.

La partie déterministe : Vous connaissez les règles de base de la physique. Si vous lancez la balle à un certain angle, elle devrait suivre une courbe spécifique et fluide. Dans le langage de l'article, c'est le « comportement nominal ». C'est le chemin parfait et propre que la balle veut prendre.
La partie bruit : Mais en réalité, le vent souffle, le sol est bosselé et la balle peut osciller. C'est le « bruit gaussien ». C'est l'oscillation aléatoire qui pousse la balle hors de sa trajectoire parfaite.

L'article propose un cadre qui combine ces deux éléments. Il traite le système non pas comme une machine rigide, mais comme un « nuage » de possibilités. Le centre du nuage est la trajectoire parfaite, et la taille du nuage représente à quel point la balle peut osciller. La partie ingénieuse ? Ils montrent comment calculer la taille et la forme de ce nuage directement à partir des données, sans avoir besoin de connaître la physique exacte du vent ou du sol.

Le tour de magie : Prédire l'avenir

Les auteurs montrent que si vous avez un ensemble de données passées (comme une vidéo de la balle qui rebondit), vous pouvez utiliser un simple tour mathématique pour prédire où la balle sera ensuite.

La Moyenne : C'est la « meilleure supposition ». C'est le centre du nuage. L'article prouve que cette meilleure supposition est exactement la même que les méthodes utilisées par les scientifiques depuis des années (appelées « Contrôle Prédictif par Sous-espace »).
L'Incertitude : C'est la nouvelle magie. La méthode calcule également la largeur du nuage. Si les données dont vous disposez sont anciennes ou rares, le nuage devient immense, disant au robot : « Je ne suis pas sûr de cela ! ». Si les données sont fraîches et abondantes, le nuage rétrécit, et le robot peut être plus confiant.

Deux façons de conduire : Le Prudent vs l'Optimiste

L'article explore deux manières différentes dont un robot peut utiliser ce « nuage » d'incertitude pour prendre des décisions.

1. Le conducteur prudent (Contrôle robuste)
Imaginez que vous conduisez dans une forêt brumeuse. Vous savez que la route se trouve quelque part devant vous, mais vous ne voyez pas les bords. Un conducteur prudent reste au milieu de sa voie, évitant les arbres au cas où ils seraient plus proches qu'ils n'en ont l'air.
La méthode « Robuste » de l'article fait exactement cela. Elle regarde le pire scénario à l'intérieur du nuage d'incertitude. Elle demande : « Quel est le pire chemin possible que la balle pourrait prendre, et comment faire pour ne pas percuter un obstacle même si cela arrive ? »

Le résultat : Lors de leurs tests sur un système masse-ressort (une façon sophistiquée de dire un jouet bondissant), cette méthode prudente était bien meilleure que les autres. Alors que d'autres méthodes tentaient d'être trop audacieuses et finissaient par dépasser la cible, la méthode prudente est restée proche du plan, même lorsque les données étaient désordonnées. Elle a essentiellement dit : « Je ne fais pas assez confiance aux données pour prendre des risques, donc je prendrai la route sûre. »

2. Le conducteur optimiste (La connexion avec le « DeePC »)
Maintenant, imaginez un conducteur qui pense : « Le brouillard n'est qu'une illusion ! La route est probablement juste ici, donc je vais conduire vite. »
L'article montre qu'une méthode existante populaire appelée DeePC (Contrôle Prédictif basé sur les Données) agit comme ce conducteur optimiste. Elle suppose le meilleur scénario possible à l'intérieur du nuage d'incertitude. Les auteurs ont découvert que cela explique pourquoi le DeePC fonctionne de cette manière : il parie essentiellement sur la chance.

Le bémol : L'article suggère que si cet optimisme peut fonctionner, il est risqué. Si l'incertitude est élevée (le brouillard est épais), parier sur le meilleur cas peut mener à de grosses erreurs. Les auteurs montrent qu'en ajustant un « bouton de réglage » (un paramètre appelé $\lambda$ ), on peut passer d'un état super optimiste à un état plus prudent, transformant ainsi le DeePC en un conducteur plus sûr.

L'arme secrète : Écouter les erreurs

L'article introduit également un super-pouvoir appelé « Feedback Affine de Perturbation ».
Imaginez que vous conduisez et que vous sentez la voiture dériver légèrement vers la gauche. Un conducteur normal pourrait simplement continuer à conduire droit, espérant que cela se corrige tout seul. Mais un conducteur intelligent tourne immédiatement le volant légèrement vers la droite pour corriger la dérive au moment même où elle se produit.
Les auteurs montrent qu'en laissant le robot ajuster sa direction en fonction des erreurs qu'il voit en temps réel (la différence entre l'endroit où il pensait que la balle serait et l'endroit où elle se trouve réellement), il peut réduire le nuage d'incertitude.

Le test : Ils ont testé cela sur un système de chauffage de bâtiment (CVC/HVAC). Ils ont simulé une journée froide où la température extérieure était imprévisible.
- « L'ancienne méthode » (en boucle ouverte) devait maintenir le chauffage à haute intensité juste pour être en sécurité, car elle ne pouvait pas réagir aux erreurs.
- « La nouvelle méthode » (avec feedback) réagissait instantanément aux changements de température. Parce qu'elle pouvait corriger ses erreurs à la volée, elle n'avait pas besoin d'être aussi prudente.
- La victoire : Cette nouvelle méthode a économisé 77 % des coûts énergétiques par rapport à l'ancienne méthode, tout en maintenant la température de la pièce sécurisée.

Ce qu'ils n'ont pas fait (Et pourquoi c'est important)

Il est important de savoir ce que cet article ne prétend pas.

Il ne dit pas que le robot est désormais parfait. Les simulations montrent que les méthodes fonctionnent bien, mais qu'elles reposent toujours sur des estimations.
Il ne prétend pas résoudre tous les types d'incertitude. L'article se concentre sur le bruit « Gaussien » (courbe en cloche). Si le bruit est étrange et imprévisible d'une manière qui ne suit pas une courbe en cloche, cette méthode spécifique pourrait nécessiter des ajustements.
Il argumente explicitement contre les méthodes qui ignorent l'incertitude. L'article montre que si vous prétendez que les données sont parfaites (en ignorant le « nuage »), vous finissez avec des contrôleurs qui sont soit trop risqués (DeePC sans réglage), soit trop conservateurs (méthodes standards).

En résumé

Cet article est comme donner à un robot des lunettes qui lui permettent de voir non seulement la route, mais aussi le brouillard. Il fournit un outil mathématique pour transformer des données brutes et désordonnées en une « carte de confiance ».

Si la carte dit « Brouillard », le robot conduit lentement et prudemment (Contrôle Robuste).
Si la carte dit « Clair », le robot conduit efficacement.
Et si le robot possède un « volant » qui réagit aux erreurs en temps réel (Feedback), il peut conduire encore plus efficacement, économisant de l'énergie et de l'argent.

Les auteurs démontrent, à travers des simulations, que cette approche n'est pas seulement une idée théorique, mais un outil pratique qui peut rendre les machines plus sûres, plus intelligentes et plus efficaces dans le monde réel. Ils n'ont pas résolu le problème de l'incertitude pour toujours, mais ils ont remis aux ingénieurs une bien meilleure carte pour la naviguer.

Résumé Technique : Comportements Gaussiens et Contrôle Stochastique Fondé sur les Données

Énoncé du Problème
Le contrôle prédictif fondé sur les données (DDPC) est apparu comme une alternative puissante au contrôle prédictif (MPC) basé sur des modèles, en synthétisant des politiques directement à partir de mesures, en exploitant la théorie des systèmes comportementaux. Cependant, les méthodes existantes de DDPC sont fondamentalement basées sur des comportements déterministes Linéaires Invariants dans le Temps (LTI). Bien que ces méthodes soient souvent performantes avec une régularisation, elles manquent d'un cadre stochastique intrinsèque. Par conséquent, l'incertitude est généralement gérée a posteriori par une robustification ou en ignorant la variance, ce qui conduit à des conceptions neutres face au risque qui peuvent être excessivement conservatrices ou ne pas tenir compte des incertitudes aléatoires (inhérentes) et épistémiques (liées à la limitation des données). Il existe un besoin pour un cadre comportemental stochastique qui soit à la fois mathématiquement rigoureux et numériquement traitable pour la conception de contrôle fondé sur les données.

Méthodologie
Les auteurs proposent un cadre nommé Comportements Gaussiens, qui augmente un comportement LTI déterministe par une composante de bruit gaussien.

Définition des Comportements Gaussiens : Un comportement gaussien est défini par une paire $(B_L, \Sigma_e)$ , où $B_L$ est un comportement LTI déterministe à horizon fini (un sous-espace de trajectoires valides) et $\Sigma_e$ est une matrice de covariance semi-définie positive représentant la stochasticité exogène. Toute trajectoire $w$ est décomposée en une composante nominale $\bar{w} \in B_L$ et un terme de bruit $e \sim \mathcal{N}(0, \Sigma_e)$ . Ce cadre est démontré comme étant une sous-classe traitable des comportements stochastiques abstraits et englobe les modèles stochastiques paramétriques classiques.
Identification et Prédiction :
- Le cadre dérive une méthode de prédiction en conditionnant le comportement gaussien sur la partie connue d'une trajectoire (conditions initiales et entrées futures).
- La distribution prédictive est identifiée directement à partir de la covariance d'échantillon des données de trajectoire. La moyenne de cette distribution correspond au prédicteur de sous-espace établi, tandis que la covariance capture l'incertitude de prédiction.
- Crucialement, les auteurs dérivent une borne de confiance à échantillon fini qui rend compte à la fois de l'incertitude aléatoire (bruit de processus/mesure) et de l'incertitude épistémique (provenant de données finies). Cette borne définit un ellipsoïde de confiance pour les sorties prédites.
- La méthode est étendue pour incorporer des prévisions incertaines de variables externes (ex: météo) en traitant les erreurs de prévision comme faisant partie du bruit exogène, permettant ainsi l'identification d'une incertitude non structurée directement à partir des données.
Formulations de Contrôle :
- Contrôle à Contraintes de Chance (Incertitude Aléatoire) : Les auteurs formulent un problème de contrôle prédictif stochastique qui minimise le coût attendu sous réserve de contraintes de chance individuelles sur les sorties et les entrées.
  - Feedforward (Anticipation) : Restreindre les entrées pour qu'elles soient déterministes permet de retrouver le contrôle prédictif par sous-espace (SPC) standard lorsque le risque est ignoré, ou une variante sensible au risque lorsque les contraintes sont appliquées.
  - Feedback Affine aux Perturbations : Le cadre optimise des politiques de feedback affine aux perturbations ( $u_f = K e_{pred} + \bar{u}_f$ ). Cela permet au contrôleur de façonner activement la covariance de sortie, réduisant le conservatisme par rapport aux stratégies de feedforward en boucle ouverte. Le problème résultant est reformulé en un problème d'optimisation convexe traitable.
- Contrôle Robuste (Incertitude Aléatoire + Épistémique) : Pour traiter l'incertitude liée aux données finies, les auteurs proposent une formulation robuste qui minimise le coût dans le pire des cas sur l'ellipsoïde de confiance dérivé de la borne à échantillon fini.
  - En utilisant la dualité lagrangienne, le problème min-max non convexe est borné par un problème convexe traitable. Cela fournit un contrôleur conservateur qui se prémunit contre la réalisation la plus défavorable au sein de la région de confiance des données.
  - Inversement, une formulation "optimiste" (min-min) est montrée comme retrouvant l'algorithme DeePC régularisé, fournissant une interprétation stochastique de la régularisation de DeePC comme une posture optimiste envers l'incertitude de prédiction.

Contributions Clés

Cadre des Comportements Gaussiens : Introduction d'un cadre de modélisation stochastique pragmatique et parcimonieux au sein de la théorie des systèmes comportementaux, unifiant les comportements déterministes avec le bruit gaussien, englobant les modèles paramétriques stochastiques.
Prédiction Fondée sur les Données avec Bornes d'Incertitude : Dérivation d'une méthode de prédiction linéaire identifiée directement par la covariance d'échantillon, accompagnée d'une borne de confiance à échantillon fini qui quantifie explicitement l'incertitude aléatoire et épistémique.
Contrôle Stochastique avec Feedback : Développement de formulations de contrôle à contraintes de chance qui optimisent des politiques de feedback affine aux perturbations, démontrant que ces politiques réduisent le conservatisme en gérant activement l'incertitude de prédiction.
Interprétations Robustes et Optimistes : Dérivation d'une formulation de contrôle robuste avec une borne supérieure convexe traitable pour le coût du pire cas, et démonstration que son homologue optimiste retrouve le DeePC régularisé, liant les approches existantes de contrôle fondé sur les données à des interprétations stochastiques.

Résultats
Le papier valide les méthodes proposées à travers deux études de cas numériques :

Système Masse-Ressort-Amortisseur Double : Dans un scénario de données hors ligne inégalement excitées (conduisant à une haute incertitude épistémique dans certains canaux d'entrée), la méthode robuste proposée (GB-Robust) a surpassé le SPC, le DeePC et une méthode paramétrique neutre face au risque (MSM-SMPC). GB-Robust a agi avec prudence, évitant les canaux d'entrée à haute incertitude et atteignant des coûts de contrôle réalisés plus faibles avec une variance plus petite par rapport aux concurrents, qui s'écartaient significativement de la moyenne prédite.
Contrôle de Bâtiment CVC (Chauffage, Ventilation, Climatisation) : L'étude a démontré l'intégration de prévisions météorologiques incertaines dans la distribution prédictive. En comparant les politiques de feedforward et de feedback affine aux perturbations, la politique de feedback a permis au contrôleur de planifier des trajectoires plus proches des contraintes de confort en réagissant aux erreurs réalisées. Cela a entraîné une réduction de 77 % du coût de contrôle en boucle fermée (effort de chauffage/refroidissement) par rapport à la formulation feedforward, tout en maintenant les contraintes de sécurité.

Signification et Revendications
Les auteurs affirment que ce travail constitue une extension nécessaire de la théorie des systèmes comportementaux au cadre stochastique, permettant la conception de formulations de contrôle fondées sur les données simples et pragmatiques. Le cadre comble le fossé entre l'élégance théorique de la théorie comportementale et la nécessité pratique de gérer l'incertitude dans la conception du contrôle. En retrouvant le SPC et le DeePC comme des cas particuliers (moyenne seule et optimiste, respectivement), le cadre unifie les approches existantes sous un même parapluie stochastique. Les méthodes robustes et basées sur le feedback proposées offrent un moyen systématique de traiter les deux types d'incertitude (aléatoire et épistémique) sans dépendre de l'identification explicite d'un modèle paramétrique, réduisant ainsi le conservatisme inhérent aux approches traditionnelles fondées sur les données tout en maintenant la tractabilité computationnelle.