🔢 mathematics

Model-Free Based Computations of Recursive Control Barrier Function: Ultra-Local Model Approach

Ce document propose un cadre sans modèle pour le calcul de fonctions de barrière de commande récursives en utilisant l'approche du modèle ultra-local et l'estimation de la dynamique en ligne afin d'imposer des contraintes de sécurité dans des systèmes non linéaires aux dynamiques inconnues et aux degrés relatifs élevés, comme le démontre un test de référence de régulation de vitesse adaptative.

Auteurs originaux : Loïc Michel, Ricardo de Castro, Joseph Moyalan, Iman Ebrahimi, Jean-Pierre Barbot

Publié 2026-08-18

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Loïc Michel, Ricardo de Castro, Joseph Moyalan, Iman Ebrahimi, Jean-Pierre Barbot

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

Dans le monde de l'ingénierie, assurer la sécurité d'une machine est souvent une bataille contre l'inconnu. Qu'il s'agisse d'une voiture autonome naviguant sur une autoroute sous la pluie ou d'un bras robotique assemblant des composants électroniques délicats, le contrôleur doit garantir que le système ne s'écarte jamais d'une zone dangereuse. Pendant des décennies, les ingénieurs se sont appuyés sur des plans mathématiques précis de la manière dont ces machines se déplacent pour construire de tels filets de sécurité. Ces plans, appelés modèles de système, agissent comme une carte, indiquant à l'ordinateur exactement comment le véhicule réagira lorsque les freins sont pressés ou que le volant est tourné. Cependant, dans la réalité désordonnée du monde physique, ces cartes sont rarement parfaites. Les changements météorologiques, l'usure des pièces et les secousses imprévues créent un écart entre la carte et le territoire. Lorsque la carte est erronée, le filet de sécurité peut échouer, entraînant des accidents. C'est pourquoi les chercheurs cherchent de plus en plus des moyens de maintenir la sécurité des systèmes sans avoir besoin d'une carte parfaite du monde, en se fiant plutôt à ce que la machine fait réellement sur le moment.

Une équipe de chercheurs a développé une nouvelle façon de résoudre ce problème, créant un système de sécurité qui apprend et s'adapte en temps réel sans avoir besoin d'un modèle pré-écrit du comportement de la machine. Leur approche, détaillée dans une étude récente, se concentre sur un concept appelé Fonction de Barrière de Contrôle. Voyez cela comme un mur invisible et flexible qui entoure la zone de sécurité d'une machine. Si la machine commence à dériver vers ce mur, le système ajuste automatiquement les commandes pour la repousser vers la sécurité. Traditionnellement, calculer l'emplacement de ce mur nécessite de connaître la physique exacte de la machine. Si la physique est inconnue ou change, le calcul échoue. Les chercheurs, dirigés par L. Michel et ses collègues, ont proposé une méthode différente. Au lieu de deviner la physique, ils utilisent une technique appelée modèle ultra-local. Il s'agit d'un instantané simple et à court terme de la façon dont la machine se déplace en ce moment même, mis à jour continuellement à mesure que de nouvelles données arrivent. Cela ignore l'historique complexe et à long terme de la machine et se concentre uniquement sur la relation immédiate entre l'entrée de commande et le mouvement résultant.

Le cœur de leur découverte est une méthode permettant de transformer cet instantané simple et en temps réel en une garantie de sécurité robuste. Les chercheurs ont réalisé que, comme ils estiment le comportement de la machine à la volée, il existe toujours une petite part d'incertitude, comme une fenêtre embuée à travers laquelle ils regardent. Leur innovation a été de quantifier ce brouillard. Ils ont développé un moyen de calculer une « marge de sécurité » qui s'accroît lorsque la machine se déplace de manière erratique ou lorsque l'estimation est moins certaine. Cette marge agit comme un tampon, repoussant le mur de sécurité invisible plus loin de la zone de danger réelle chaque fois que le système est incertain de ce qui se passe. Ce faisant, le système devient beaucoup plus difficile à tromper par des perturbations inattendues ou des erreurs de modélisation. Les chercheurs ont testé deux méthodes différentes pour gérer ce processus. La première méthode ajuste continuellement les calculs de sécurité en fonction d'un flux constant de données, tandis que la seconde teste plusieurs réglages différents simultanément et choisit celui qui offre le résultat le plus sûr à cet instant précis.

Pour voir si cette idée fonctionnait en pratique, l'équipe a mené une série de simulations informatiques. Ils ont choisi un scénario qui est un test standard pour les systèmes de sécurité : un système de régulateur de vitesse adaptatif pour une voiture. Dans ce test, une voiture suit un autre véhicule, et l'objectif est de maintenir une distance de sécurité. Les chercheurs ont introduit une situation délicate où la voiture de devant ralentit soudainement, et le signal de référence pour la voiture qui suit a été temporairement réglé sur une distance trop proche pour être sûre. Dans un système traditionnel reposant sur un modèle fixe, cela pourrait conduire à une collision car le modèle pourrait ne pas réagir assez vite au changement soudain. Cependant, le nouveau système a géré la situation différemment. En mettant constamment à jour sa compréhension du mouvement de la voiture et en élargissant son tampon de sécurité lorsque l'incertitude était élevée, le système a réussi à empêcher la voiture de trop s'approcher. Il a outrepassé les commandes dangereuses du contrôleur standard et a maintenu le véhicule dans la zone de sécurité, même sans connaissance précise du poids, de l'aérodynamisme ou des caractéristiques du moteur de la voiture.

Les simulations ont révélé des détails importants sur la façon dont le système se comporte sous pression. Lorsque les chercheurs ont testé la méthode d'ajustement continu, ils ont constaté que si les règles de sécurité étaient réglées de manière trop stricte, le système éprouvait parfois des difficultés à se rétablir après des changements soudains, permettant occasionnellement à la voiture de dériver dans la zone de danger. En revanche, la méthode testant plusieurs réglages à la fois s'est avérée beaucoup plus résiliente. Elle a agi comme un décideur rapide, basculant instantanément vers le réglage le plus fiable dès que la situation devenait critique. Cette approche a maintenu la voiture en sécurité à travers tous les scénarios de test, même lorsque les chercheurs ont délibérément rendu les règles de sécurité très serrées. L'étude a montré qu'en combinant une estimation simple et en temps réel du mouvement avec un tampon de sécurité dynamique, il est possible de créer un contrôleur qui est à la fois sûr et adaptable. Les résultats n'étaient pas une solution finale pour toutes les machines possibles, mais ils ont fourni des preuves solides que cette approche sans modèle fonctionne bien pour des systèmes complexes dont la physique est difficile à définir.

Les implications de ce travail s'étendent au-delà de l'automobile. Les chercheurs suggèrent que cette méthode pourrait être précieuse pour tout système où la sécurité est critique mais où la dynamique sous-jacente est complexe ou mal comprise, comme les systèmes de charge de batteries ou les réseaux énergétiques. Dans ces domaines, les règles de circulation de l'énergie peuvent changer en fonction de la température, de l'âge et de la charge, rendant les modèles traditionnels difficiles à maintenir. En utilisant un système qui apprend le comportement à la volée et construit ses propres marges de sécurité, les ingénieurs pourraient concevoir des technologies plus sûres et plus efficaces sans avoir besoin de résoudre chaque équation au préalable. L'étude conclut que, bien que les mathématiques en coulisses soient sophistiquées, le résultat est un outil pratique qui permet aux machines de naviguer dans l'inconnu avec confiance. Cela représente un passage de la dépendance à une connaissance parfaite vers une dépendance à une adaptation intelligente et en temps réel, garantissant que la sécurité est maintenue même lorsque la carte est incomplète.

Résumé Technique : Calculs de Fonctions de Barrière de Contrôle Récursives Basés sur une Approche Sans Modèle : L'Approche du Modèle Ultra-Local

Énoncé du Problème

Les Fonctions de Barrière de Contrôle (CBF - Control Barrier Functions) offrent un cadre systématique pour l'application de contraintes de sécurité dans les systèmes de contrôle non linéaires en garantissant l'invariance vers l'avant d'un ensemble sûr prescrit. Cependant, les implémentations standards de CBF reposent généralement sur des modèles de systèmes précis pour calculer les dérivées de Lie et imposer les contraintes de sécurité. Dans des scénarios réels impliquant des incertitudes de modélisation significatives, des dynamiques non modélisées ou des perturbations externes, ces approches dépendantes du modèle peuvent échouer ou devenir excessivement conservatrices.

Les alternatives existantes sans modèle ou basées sur les données, telles que celles utilisant des réseaux de neurones ou des processus gaussiens, éprouvent souvent des difficultés à fournir des garanties de sécurité rigoureuses et en temps réel sans introduire de lourdes charges de calcul ou nécessiter de vastes ensembles de données d'entraînement. De plus, bien que les modèles ultra-locaux (ULM) aient été utilisés avec succès pour le contrôle sans modèle, les applications précédentes des ULM dans des contextes critiques pour la sécurité reposent souvent sur des estimations instantanées sans quantifier explicitement l'incertitude associée à la reconstruction de la dynamique. Par conséquent, l'impact des erreurs d'estimation, du bruit de mesure et des approximations de dérivées n'est pas explicitement propagé, ce qui peut compromettre les garanties de sécurité.

Méthodologie

Le papier propose un cadre sans modèle pour le calcul de Fonctions de Barrière de Contrôle récursives basé sur l'approche du Modèle Ultra-Local (ULM). La philosophie centrale est d'approximer le comportement local du système à l'aide d'une représentation entrée-sortie d'ordre faible qui est continuellement mise à jour en ligne, en tenant compte explicitement de l'incertitude.

1. Modélisation Ultra-Locale avec Quantification de l'Incertitude

Au lieu d'un modèle de système explicite $\dot{x} = f(x) + g(x)u$ , le système est approximé par un modèle ultra-local SISO :
$y^{(\nu)}(t) \approx F(t) + \beta u(t) + \Delta_m(t)$
où :

$y^{(\nu)}$ est la $\nu$ -ième dérivée temporelle de la sortie (choisie pour correspondre ou dépasser le degré relatif de la contrainte de sécurité).
$F(t)$ agrège les dynamiques inconnues, les non-linéarités et les perturbations.
$\beta$ est une constante non nulle mettant à l'échelle l'entrée de commande.
$\Delta_m(t)$ représente la borne d'incertitude.

Le terme $F(t)$ est estimé en ligne à l'aide de la différenciation numérique (spécifiquement des différenciateurs semi-implicites homogènes) pour gérer le bruit. Crucialement, le cadre introduit une borne d'incertitude dynamique $\hat{\Delta}_m(t)$ pour quantifier l'erreur d'estimation. Cette borne est calculée à l'aide de l'algorithme de Welford sur une fenêtre glissante de résidus, calculant à la fois la moyenne ( $\mu$ ) et la variance ( $\sigma^2$ ) de l'erreur d'estimation.

Trois stratégies pour définir la borne d'incertitude $\hat{\Delta}_m$ sont proposées :

Méthode A : Une approche spatio-géométrique où la borne change d'échelle en fonction de la proximité du système par rapport à la frontière de sécurité.
Méthode B : Combine la pénalité spatio-géométrique avec la variance statistique pour se protéger contre les pics transitoires.
Méthode C : Repose uniquement sur un seuil de variance statistique ( $|\mu| + \kappa|\sigma|$ ).

2. Formulation de CBF Robuste

Le cadre proposé modifie la condition standard de la CBF pour inclure la borne d'incertitude, déplaçant ainsi la frontière de sécurité vers une frontière "virtuelle" plus restrictive.

Pour le Degré Relatif 1, la condition devient $\hat{F} + \beta u \geq -k_c(y - y_{min} - \hat{\Delta}_m/k_c)$ .
Pour le Degré Relatif 2 (CBF récursives), la condition incorpore la seconde dérivée et est similairement ajustée par le terme d'incertitude.

Cette formulation permet à la CBF d'anticiper les violations de sécurité en activant les contraintes plus tôt lorsque l'incertitude est élevée ou que le système est proche de la frontière.

3. Deux Stratégies de Contrôle

Le papier présente deux stratégies distinctes pour déterminer l'entrée de commande $u$ :

Stratégie 1 (ULM-CBF basée sur le Gradient) : Utilise une descente de gradient stochastique à deux échelles de temps pour estimer récursivement les paramètres $\hat{F}$ et $\hat{\beta}$ . L'entrée de commande est dérivée en résolvant un programme quadratique (QP) qui minimise l'écart par rapport à un contrôleur nominal tout en satisfaisant la contrainte de CBF robuste.
Stratégie 2 (ULM-CBF basée sur la Grille) : Au lieu d'une estimation unique en ligne, cette approche évalue une grille discrète de valeurs candidates de $\beta$ en parallèle. Pour chaque candidat, un CBF-QP robuste est résolu. Un critère de sélection (minimisant l'énergie de commande, l'énergie de la borne d'incertitude, la variation de commande et la variation de paramètre) est utilisé pour sélectionner l'entrée de commande la plus sûre et l'indice $\beta$ correspondant. Cette stratégie vise à fournir une robustesse structurelle en sélectionnant la mise à l'échelle entrée-sortie la plus appropriée pour le régime de fonctionnement actuel.

Contributions Clés

CBF Récursive Sans Modèle : Le développement d'un cadre qui construit des CBF d'ordre élevé (récursives) sans nécessiter de modèle de système explicite, en s'appuyant sur l'estimation ULM en ligne.
Propagation Explicite de l'Incertitude : L'introduction d'une méthode pour quantifier et propager explicitement l'incertitude d'estimation ( $\hat{\Delta}_m$ ) au sein de la contrainte CBF, transformant la frontière de sécurité en une frontière virtuelle dynamique et consciente de l'incertitude.
Implémentation à Double Stratégie : La proposition d'une méthode d'adaptation basée sur le gradient et d'une méthode de sélection basée sur la grille, offrant un compromis entre simplicité de calcul et robustesse face aux incohérences d'estimation.
Validation sur des Bancs d'Essais : Démonstration de l'approche sur un exemple illustratif de premier ordre et sur un banc d'essai de régulation de vitesse adaptative (ACC) de second ordre, montrant la capacité de maintenir la sécurité même lorsque la référence nominale viole les contraintes de sécurité.

Résultats de Simulation

Le papier valide l'approche à travers deux scénarios de simulation :

Système de Premier Ordre : Une étude paramétrique a comparé les deux stratégies sous diverses configurations de rigidité de la CBF ( $k_c$ ) et de pénalité géométrique ( $\epsilon_p$ ).
- Résultats : La Stratégie 1 (Gradient) a montré une sensibilité au réglage des paramètres, certaines configurations menant à des violations de contraintes (perte de sécurité) lorsque la rigidité était élevée ou l'épaisseur de la pénalité faible. La Stratégie 2 (Grille) a démontré une robustesse supérieure, maintenant systématiquement les marges de sécurité à travers toutes les configurations testées en sélectionnant instantanément les paramètres de modèle optimaux.
- Observation : L'approche basée sur la grille a efficacement découplé l'application des contraintes des paramètres de réglage empiriques, particulièrement lors de l'utilisation de la borne d'incertitude purement statistique (Méthode C).
Régulation de Vitesse Adaptative (ACC) : Un système de second ordre représentant la dynamique longitudinale d'un véhicule a été utilisé pour suivre la distance inter-véhicule.
- Scénario : La trajectoire de référence a été temporairement modifiée pour violer la distance de sécurité minimale.
- Résultat : Le contrôleur nominal seul aurait conduit le système vers un état dangereux. Le contrôleur basé sur la CBF proposé a réussi à outrepasser l'action nominale, maintenant la distance inter-véhicule au-dessus du seuil de sécurité sans dépendre d'un modèle de véhicule précis.
- Performance : La stratégie de grille a réussi à adapter le paramètre d'échelle $\beta$ en temps réel pour gérer les variations des forces aérodynamiques et de résistance au roulement, assurant une application robuste de la sécurité.

Signification et Revendications

Les auteurs affirment que ce travail fournit un cadre systématique pour l'application de la sécurité dans les systèmes possédant des degrés relatifs plus élevés et des incertitudes de modélisation significatives, sans nécessiter de modèles de systèmes précis.

Robustesse : La propagation explicite de l'incertitude permet au système de rester sûr malgré les erreurs d'estimation et le bruit de mesure, répondant ainsi à une limitation clé des applications de CBF sans modèle précédentes.
Anticipation : En décalant la frontière de sécurité en fonction de l'incertitude, le contrôleur peut anticiper et prévenir les violations de sécurité avant qu'elles ne surviennent.
Applicabilité : L'approche est présentée comme particulièrement pertinente pour les applications critiques pour la sécurité où les dynamiques sont complexes ou mal connues, telles que les systèmes automobiles (ACC) et potentiellement les systèmes énergétiques (ex: charge de batterie), où les contraintes de sécurité (tension, courant, température) doivent être appliquées sans modèles électrochimiques détaillés.

Le papier conclut que, bien que la stratégie basée sur la grille offre une robustesse accrue et un réglage plus simple, le cadre dans son ensemble ouvre de nouvelles directions pour dériver des garanties de sécurité formelles dans le contrôle sans modèle en tenant explicitement compte des erreurs d'estimation.