Contribution à la synthèse de contrôleurs neuronaux robustes par imitation

Contribution to the synthesis of robust neural controllers by imitation

• Auteur / Autrice : Jérémy Pinguet
• Direction : Guillaume Sandou, Philippe Feyel
• Type : Thèse de doctorat
• Discipline(s) : Automatique
• Date : Soutenance le 06/01/2023
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire des signaux et systèmes (Gif-sur-Yvette, Essonne ; 1974-....)
• Partenaire(s) de recherche : référent : CentraleSupélec (2015-....)
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Informatique et sciences du numérique (2020-....)
• Jury : Président / Présidente : Cristina Stoica-Maniu
• Jury : Examinateurs / Examinatrices : Edouard Laroche, Jean-Marc Biannic, Madiha Nadri
• Jury : Rapporteurs / Rapporteuses : Edouard Laroche, Jean-Marc Biannic

Mots clés

Mots clés contrôlés

Apprentissage automatique

Commande robuste

Réseaux neuronaux (informatique)

Mots clés libres

Commande robuste

Réseaux de neurones

Apprentissage par imitation

Contrôle adaptatif multi-Modèle

Robust control

Neural networks

Imitation learning

Multiple model adaptive control

Résumé

Cette thèse s'intéresse à l'élaboration de systèmes de contrôle par imitation de comportements ou de décisions répondant à des exigences complexes. L'objectif est de réaliser l'apprentissage d'un contrôleur neuronal de façon efficace et robuste sur une base de données regroupant ces comportements.L'approche retenue unifie les outils de la commande robuste avec ceux de la modélisation par réseaux de neurones. Des méthodes d'identification de systèmes dynamiques sont tout d'abord développées selon des structures neuronales en cohésion avec les représentations de systèmes linéaires à paramètres variants. L'accès à ce domaine d'étude ouvre alors la voie à l'analyse de stabilité et de performance de ces types de modèles neuronaux.Les travaux proposent par la suite d'exploiter ces propriétés afin de répondre aux enjeux de robustesse inhérents à l'apprentissage de lois de commande. La méthode d'identification de contrôleurs robustes qui est proposée, repose sur l'évaluation des marges de stabilité de l'asservissement neuronal. Il est alors permis de consolider la robustesse des contrôleurs à travers une stratégie d'apprentissage avec optimisation de la stabilité par une formulation multi-objectifs. En complément, le déploiement des contrôleurs est effectué selon une méthode de contrôle adaptative multi-modèle.La démarche est finalement appliquée aux pilotes automatiques d'avion via une co-simulation avec un simulateur de vol caractérisé par sa grande fiabilité de modélisation. Les problématiques de contrôle abordées sont, dans un premier temps de guider l'appareil selon un cap et une altitude donnés, tandis qu'une seconde expérimentation se concentre sur le suivi d'un chemin de vol constitué d'une série de points de passage. Les autopilotes neuronaux sont développées par l'imitation d'un autopilote existant puis par l'imitation d'un pilote.

This thesis focuses on developing control systems by imitating behaviors or decisions meeting complex requirements. The objective is to perform the learning of a neural controller efficiently and robustly on a database containing these behaviors.The chosen approach unifies robust control tools with those of neural network modeling. Methods for identifying dynamic systems are first developed according to neural structures in cohesion with the representations of linear systems with varying parameters. Access to this field of study opens the way to stability and performance analysis of these neural models.The work then proposes to exploit these properties to address the robustness issues inherent to the learning of control laws. The proposed method of identifying robust controllers is based on evaluating the stability margins of the neural feedback loop. It is then possible to consolidate the robustness of the controllers through a learning strategy with stability optimization by a multi-objective formulation. In addition, the deployment of the controllers is performed using a multi-model adaptive control method.The approach is finally applied to aircraft autopilots via a co-simulation with a flight simulator characterized by its high modeling reliability. The control issues addressed are, in the first step, to guide the aircraft according to a given heading and altitude, while a second experiment focuses on following a flight path consisting of a series of waypoints. The neural autopilots are developed by imitating an existing autopilot and then by imitating a pilot.