Model-Reference Compensator Synthesis for Uncertain Linear Systems Using Data-Driven Identified Plant Model

Imaginez un monde où les machines doivent apprendre à se déplacer avec précision, alors que les règles exactes régissant leur mouvement sont cachées ou trop complexes pour être parfaitement transcrites. C'est la réalité quotidienne des ingénieurs qui conçoivent des voitures autonomes, des robots autonomes et des aéronefs avancés. Ils sont confrontés à un dilemme fondamental : pour construire un contrôleur capable de maintenir une machine sur sa trajectoire, ils ont généralement besoin d'une carte mathématique parfaite de la façon dont cette machine se comporte. Or, dans le monde réel, recueillir suffisamment de données pour créer une telle carte parfaite est souvent impossible, trop coûteux ou simplement trop dangereux. Si un constructateur automobile tentait de tester toutes les conditions de route possibles sur un nouveau modèle de véhicule pour construire une simulation parfaite, le processus prendrait des années et coûterait une fortune. Par conséquent, les ingénieurs s'appuient souvent sur des systèmes « proxys » — des versions simplifiées ou légèrement différentes de la machine réelle — pour deviner comment la machine réelle se comportera. Le problème est que ces suppositions sont rarement parfaites, et lorsqu'un contrôleur est construit sur une carte erronée, le véhicule peut dévier de sa trajectoire ou réagir dangereusement à des bosses imprévues sur la route.

Le défi consiste donc à créer un système de contrôle capable de guider une machine avec précision, même lorsque les ingénieurs ne possèdent pas un modèle parfait de cette machine et que celle-ci est soumise à des forces inconnues, comme des rafales de vent ou des défaillances mécaniques. C'est ce puzzle spécifique que tente de résoudre une équipe de chercheurs de l'Université du Koweït, de l'Université Purdue, de l'Université d'État de San Diego et de SiCARRIER. Ils ont développé une nouvelle méthode qui permet à un contrôleur d'apprendre à partir de données réelles limitées tout en s'appuyant fortement sur un système proxy pour l'essentiel de ses informations. Leur approche ne nécessite pas une compréhension parfaite de la physique interne de la machine. Au lieu de cela, elle utilise une combinaison astucieuse d'identification basée sur les données et d'un observateur spécialisé — un outil mathématique qui agit comme un détective, devinant constamment l'état caché de la machine et les forces invisibles qui agissent sur elle — pour maintenir le véhicule sur sa trajectoire prévue.

Les chercheurs se sont concentrés sur un type de problème spécifique : guider un système linéaire, ce qui, en termes d'ingénierie, désigne une machine dont le comportement peut être décrit par des relations de lignes droites, à travers une manœuvre spécifique. Pour tester leur idée, ils ont choisi un scénario qui est à la fois critique et familier : un changement de voie de voiture. Dans leur étude, ils ont simulé un véhicule voyageant à une vitesse de 17,3 mètres par seconde. L'objectif était de faire passer ce véhicule d'une voie à une autre de manière fluide, en suivant une trajectoire précise, même si les ingénieurs ne possédaient pas les équations mathématiques exactes de la dynamique de la voiture. Au lieu de la vraie voiture, ils ont utilisé un système « proxy » — un jumeau numérique créé en prenant les paramètres de la vraie voiture et en y ajoutant des erreurs aléatoires. Ce proxy n'était pas une copie parfaite ; c'était une version légèrement déformée, représentant le genre de modèles imparfaits avec lesquels les ingénieurs doivent souvent composer dans le monde réel.

Pour combler l'écart entre le proxy imparfait et la vraie voiture, l'équipe a employé un processus d'identification basé sur les données. Ils ont effectué des milliers de tests sur le système proxy et un nombre plus restreint de tests sur le système réel. En comparant les résultats, ils ont été capables de construire un « modèle de conception » bien plus proche de la réalité que le seul proxy. Ce modèle a servi de fondation à leur contrôleur. Cependant, la connaissance du modèle ne suffisait pas, car la vraie voiture pouvait être frappée par des perturbations inconnues, telles qu'une rafale de vent soudaine ou un actionneur défaillant. Pour gérer cela, les chercheurs ont conçu un « compensateur de référence de modèle ». Cet appareil fonctionne en deux parties. Premièrement, il utilise un observateur d'entrée inconnue pour estimer l'état actuel de la voiture — sa vitesse, son angle et sa position — même lorsque certains capteurs sont absents ou que les données sont bruitées. Deuxièmement, il utilise cette estimation pour calculer la direction et l'accélération exactes nécessaires pour maintenir la voiture sur la voie souhaitée, annulant ainsi efficacement les effets des perturbations inconnues.

Le cœur de leur innovation réside dans la manière dont ils ont synthétisé ce contrôleur. Ils ne se sont pas appuyés sur des essais et erreurs ou des approximations vagues. Au lieu de cela, ils ont utilisé un cadre mathématique rigoureux basé sur les inégalités matricielles linéaires, une méthode qui permet aux ingénieurs de résoudre des problèmes d'optimisation complexes pour trouver les meilleurs réglages du contrôleur. Ils ont prouvé mathématiquement que leur système resterait stable, ce qui signifie que les erreurs entre l'endroit où se trouvait la voiture et l'endroit où elle aurait dû être resteraient dans une limite prévisible et sûre, quels que soient les forces inconnues agissant sur elle. Ils ont démontré que, même avec les imperfections de leur modèle et la présence d'entrées inconnues, le système pouvait maintenir le contrôle. Dans leurs simulations, la voiture a réussi l'opération de changement de voie, suivant la trajectoire désirée avec une grande précision.

Les résultats de la simulation étaient frappants. Lorsqu'une force externe inconnue et soudaine a été appliquée à la voiture — simulant une perturbation qui poussait le véhicule hors de sa trajectoire — le contrôleur s'est immédiatement ajusté. Il a estimé l'ampleur de cette force inconnue et l'a compensée, maintenant la voiture sur sa ligne prévue. Les chercheurs ont montré que l'erreur de suivi de la voie et l'erreur d'estimation de l'état interne de la voiture restaient toutes deux limitées et faibles. Dans un test, l'entrée inconnue a été fixée à une valeur spécifique pendant une partie du trajet, puis a été modifiée, et le contrôleur s'est adapté de manière transparente. La trajectoire du véhicule, lorsqu'elle est tracée sur une carte, montrait un changement fluide et délibéré de la voie de départ vers la voie cible, sans embardées dangereuses ni perte de contrôle. Le système a même réussi à reconstruire l'entrée inconnue, « voyant » efficacement la force invisible qui poussait la voiture et en tenant compte en temps réel.

Ce qui rend ce travail particulièrement significatif, c'est sa dimension pratique. Les chercheurs n'ont pas exigé un modèle parfait de la voiture, et n'ont pas eu besoin de mesurer chaque variable à l'intérieur du véhicule. Ils ont montré qu'en combinant un système proxy avec quelques mesures du monde réel, il est possible de construire un contrôleur robuste qui fonctionne face à l'incertitude. Cette approche offre une nouvelle voie aux ingénieurs qui doivent déployer des systèmes de contrôle avancés dans des environnements où les données sont rares ou lorsque la dynamique du système est trop complexe pour être modélisée parfaitement. En prouvant qu'un contrôleur peut être synthétisé en utilisant uniquement des données d'entrée et de sortie, et en démontrant son succès lors d'une simulation de véhicule réaliste, l'équipe a fourni un modèle pour rendre les systèmes autonomes plus fiables et plus sûrs. L'étude confirme que même avec une connaissance imparfaite de la machine, il est possible de la guider avec précision, à condition d'utiliser les bons outils mathématiques pour combler le fossé entre ce qui est connu et ce qui est inconnu.