Commande PREdictive Garantie Robuste aux Incertitudes
Axe : SciLex
Coordinateurs : Julien Alexandre dit Sandretto, U2IS – Laurent Fribourg, LSV
Chercheur postdoctoral : Mohamed FNADI
Institution : ENS Paris-Saclay
Laboratoire gestionnaire: U2IS
Adossé à l’action DigiCosme : GT SHy
Durée & Dates de la mission : 1 an –
Contexte
La commande prédictive est un controleur robuste et optimal (datant des années 80). Il pourrait être idéal pour contrôler les systèmes critiques comme les drones (quelque soit le milieu où ils évoluent), les missiles, mais aussi des systèmes comme la commande des centrales nucléaires, la gestion de régime moteur (en formule 1 par exemple). Son intérêt est donc dual.
La commande prédictive est en effet le Graal en terme de controleur.
Cependant, en visant l’optimum théorique, cet algorithme est très sensible aux incertitudes, largement présentes dans le controle d’un système (modèle approximatif, données capteurs, réponse des actionneurs, etc.). En effet, il est possible de passer d’un comportement optimal théorique à un très mauvais, entrainant une explosion du cout réél.
Partant de ce constat, nous proposons d’élaborer une approche visant une sous-optimalité robuste aux incertitudes présentes.
A cette difficulté importante, vient s’ajouter celle du temps de calcul. Pour l’instant, très peu d’approches robustes ont pu être exploitées en temps réél (uniquement pour des systèmes à dynamique lente comme la fermentation ou la régulation de radiateurs).
Enfin, un aspect très intéressant mais complexe pourrait être étudié, l’adaptation au changement de milieu. En effet, le modèle prédictif implique une utilisation importante de la modélisation et de la simulation et pourtant le milieu dans lequel évolue le système peut changer plus ou moins fortement avec un impact plus ou moins important sur la prédiction.
Par exemple, considérant un robot sous-marin évoluant dans l’océan : la température, la densité et le courant peuvent changer au cours du déplacement. Cette variation pourrait être prise en compte par un auto-étalonnage des équations de la dynamiques afin d’obtenir une prédiction aussi fidèle que possible.
Objectif
Améliorer la modélisation du comportement du système, la prédiction du comportement sur une fenêtre de temps, calculer le meilleur controle respectant les contraintes, résoudre le problème de temps de calcul.