MPC Adaptatif Augmenté par Apprentissage — Combler l’Écart Modèle-Réalité pour de Meilleures Performances

Pourquoi C’est Important (Résumé Exécutif)

• Le problème : Les modèles de premiers principes capturent rarement tous les effets du monde réel — le glissement des pneumatiques à la limite, les charges inconnues, les environnements changeants ou l’usure structurelle créent tous un désaccord de modèle qui dégrade les performances du MPC et peut compromettre la sécurité.
• La classe de solution : Le MPC augmenté par apprentissage ajoute une composante basée sur les données (processus gaussien, réseau de neurones ou loi adaptative) à un MPC nominal, corrigeant l’erreur de modèle résiduelle en ligne ou à partir de données préalables.
• Résultats mesurables : Les expériences publiées rapportent jusqu’à 82 % de réduction de l’erreur de suivi, des gains de 10 % sur le temps au tour à la limite de la course, et un MPC à contraintes probabilistes prouvablement sûr utilisant l’incertitude du processus gaussien — tout en préservant la faisabilité temps réel et la satisfaction des contraintes.
• Pourquoi cela importe pour les opérations : Vous pouvez commencer avec un MPC nominal solide et ajouter sélectivement de l’apprentissage là où le désaccord de modèle est mesurable et limite les performances — sans réécriture complète du modèle.

Le Patron de Conception Expliqué

Le MPC augmenté par apprentissage conserve un modèle nominal basé sur la physique comme épine dorsale et ajoute un terme de correction appris qui capture ce que le modèle nominal manque. La correction peut prendre plusieurs formes :

• GP-MPC (MPC à Processus Gaussien) : Un GP apprend la dynamique résiduelle à partir de données opérationnelles et fournit des estimations d’incertitude calibrées. Le MPC peut alors resserrer les contraintes dans les régions à haute incertitude, maintenant la sécurité tout en exploitant des prédictions améliorées là où la confiance est élevée. ¹
• MPC Neuronal : Un réseau de neurones (potentiellement avec des milliers de paramètres) remplace ou augmente le modèle de dynamique. Le défi d’ingénierie clé est de s’assurer que l’évaluation du réseau s’insère dans une boucle d’optimisation temps réel — des avancées récentes montrent que cela est faisable à 50 Hz sur du matériel embarqué. ²
• MPC Adaptatif (MRAC + MPC) : La Commande Adaptative par Modèle de Référence met à jour les paramètres en ligne sans nécessiter de réentraînement hors ligne, rendant le contrôleur robuste aux dynamiques changeantes telles que différentes charges ou conditions de contact. ³
• GP-MPC Sûr avec Contraintes Probabilistes : Les estimations d’incertitude du GP sont utilisées pour resserrer les bornes de contraintes de manière conservative, convertissant les contraintes dures en contraintes probabilistes qui tiennent avec une probabilité spécifiée — permettant l’apprentissage sans sacrifier les garanties de sécurité. ⁴

L’architecture suit un patron cohérent : l’estimation (état + incertitude de modèle) alimente une couche de planification / optimisation (MPC avec dynamique apprise), qui produit des actions de commande contraintes, avec un repli de sécurité vers le contrôleur nominal si la confiance de l’apprentissage chute.

MPC Linéaire vs. NMPC dans la commande augmentée par apprentissage : Le type d’optimisation sous-jacent dépend de si le modèle de dynamique augmenté est linéaire ou non linéaire — l’ajout d’un terme de correction appris ne détermine pas cela en lui-même. Le GP-MPC pour la course automobile autonome (Application 1) et le MPC Neuronal pour les quadrotors (Application 2) intègrent des corrections apprises dans des dynamiques de véhicule et aérodynamiques intrinsèquement non linéaires → l’optimisation reste un Programme Non Linéaire non convexe, typiquement résolu via l’Itération en Temps Réel (RTI). Le MPC linéaire adaptatif (MRAC + MPC) (Application 4) et le MPC incrémental sans modèle (Application 5) sont fondamentalement différents : la dynamique du manipulateur ou de la plateforme mobile est traitée comme un modèle linéaire mis à jour de manière adaptative — l’optimisation reste un QP convexe à chaque pas, avec un optimum global garanti. La directive pratique : si votre système opère près d’un régime linéarisable et que le désaccord de modèle varie lentement, le MPC linéaire adaptatif est plus simple et plus sûr ; si les limites de performance nécessitent d’exploiter une dynamique non linéaire, le NMPC avec corrections apprises est le choix approprié — bien que plus exigeant.

Applications et Implémentations de Référence

Application 1 : GP-MPC pour la Course Automobile Autonome — ETH Zurich

Une voiture de course autonome de taille réelle (AMZ, ETH Zurich) a utilisé la régression par processus gaussien pour apprendre la dynamique résiduelle des pneumatiques qu’un modèle nominal à une voie ne pouvait pas capturer à la limite des performances. Le MPC de contourage augmenté GP fonctionnait à des accélérations latérales allant jusqu’à 2 g et des vitesses de 15 m/s, avec une approche de gestion de données par dictionnaire pour des mises à jour continues en ligne. Les expériences ont rapporté une réduction d’environ 10 % du temps au tour par rapport à la référence MPC nominale. ¹

Application 2 : MPC Neuronal Temps Réel sur Quadrotor — Université de Zurich

Des chercheurs ont intégré un grand modèle de dynamique par réseau de neurones (avec plus de 4 000× la capacité paramétrique des implémentations MPC neuronal précédentes) dans un pipeline MPC fonctionnant à 50 Hz sur une plateforme embarquée. Sur un quadrotor agile exécutant des manœuvres agressives, le MPC neuronal a atteint jusqu’à 82 % d’erreur de suivi de position inférieure par rapport au MPC sans dynamique neurale. ²

Application 3 : NMPC Basé Apprentissage pour Robots Mobiles à Vision — Université de Toronto

Un NMPC basé sur l’apprentissage non linéaire a été évalué sur deux plateformes de robots mobiles (50 kg et 160 kg) pour le suivi de trajectoire basé vision sur des distances de 1,8 km et 500 m à des vitesses allant jusqu’à 1,6 m/s. Le modèle appris compensait le désaccord de modèle dépendant du terrain qui dégradait le suivi purement basé vision. Des essais terrain longue portée ont validé que l’approche maintenait des performances robustes dans des conditions extérieures changeantes. ⁵

Application 4 : Commande d’Interaction Adaptative (MRAC + MPC) pour l’Ouverture de Porte — ETH Zurich

Un manipulateur mobile a utilisé le MRAC combiné au MPC pour ouvrir des portes avec des dynamiques variables (portes légères et lourdes). La couche adaptative a mis à jour les paramètres d’interaction en ligne, réduisant le RMSE angulaire de 6,7 degrés (référence) à 1,4 degrés (MRAC+MPC) sur une porte légère et de 3,2 degrés à 1,6 degrés sur une porte lourde, avec des profils de force maintenus à 10-15 N et 20-25 N respectivement. Ce patron se transfère directement à toute tâche industrielle où un robot doit interagir avec des objets dont la dynamique change entre les cycles. ³

Application 5 : MPC Incrémental avec Estimation de Délai Temporel — TUM/DLR

Un MPC incrémental (sans modèle) a utilisé l’estimation de délai temporel pour construire un modèle de dynamique implicite sans nécessiter d’identification de système explicite. Validé sur un manipulateur réel à 3 DDL avec instrumentation de moteur Maxon, cette approche évite le coût et la fragilité de l’identification de système tout en maintenant la gestion de contraintes de qualité MPC. ⁶

Application 6 : GP-MPC Sûr avec Contraintes Probabilistes — ETH Zurich

Hewing, Kabzan et Zeilinger (ETH Zurich) ont développé un cadre GP-MPC prudent où les estimations d’incertitude du processus gaussien sont utilisées pour resserrer les contraintes d’état de manière conservative — transformant les contraintes dures en contraintes probabilistes qui tiennent avec une confiance spécifiée. Le contrôleur a été validé sur une voiture de course miniature à l’échelle 1/43 et démontré sur un véhicule autonome de taille réelle : même en apprenant la dynamique résiduelle en ligne, la formulation à contraintes probabilistes garantissait que les frontières de sécurité étaient respectées dans tous les essais. Publié dans IEEE Transactions on Control Systems Technology (2020). ⁴

Ce Que Cela Signifie pour Vos Opérations

Le MPC augmenté par apprentissage est le plus précieux quand la physique de votre système est bien comprise en principe mais que les conditions spécifiques au site varient — changement du mix produits, usure d’équipement, dérive environnementale ou variabilité de charge utile. Le point de départ pratique est toujours un MPC nominal fonctionnel ; l’apprentissage est ajouté chirurgicalement là où le désaccord de modèle est mesurable et limite les performances.

Indicateurs de maturité courants :

• Vous exécutez déjà un MPC ou une commande avancée mais voyez les performances se dégrader avec des conditions changeantes.
• Vous disposez de données opérationnelles (journaux, capteurs) qui capturent les conditions où les performances chutent.
• Votre matériel de commande a une marge de calcul (ou peut être mis à niveau) pour la composante d’apprentissage.

Comment Nous Livrons Cela (Modèle d’Engagement)

• Phase 0 : NDA + demande de données — Collecter les journaux opérationnels, la documentation du modèle et les références de performance. Identifier où le désaccord de modèle est le goulot d’étranglement.
• Phase 1 : Découverte à périmètre fixe (concept + faisabilité) — Quantifier le désaccord de modèle à partir des données. Sélectionner l’approche d’apprentissage (GP, neuronal, adaptatif) selon la disponibilité des données, le budget temps réel et les exigences de sécurité. Livrer un document conceptuel avec l’architecture, l’évaluation des risques et le plan de validation.
• Phase 2 : Implémentation + validation + mise en service — Construire le contrôleur augmenté par apprentissage. Valider sur des scénarios représentatifs. Mettre en service avec un repli de sécurité vers le contrôleur nominal pendant la montée en charge.
• Phase 3 : Surveillance + formation + mise à l’échelle — Déployer une surveillance pour la confiance du modèle et l’activité des contraintes. Former les opérateurs sur quand la composante d’apprentissage est active vs. repli. Étendre à des points de fonctionnement supplémentaires ou des usines sœurs.

KPIs Typiques à Suivre

• Réduction de l’erreur de suivi (position, contour, force) vs. référence MPC nominale
• Erreur de prédiction du modèle (résiduelle) avant et après l’apprentissage
• Taux de violation des contraintes et utilisation de la marge de sécurité
• Temps de résolution temps réel et budget de calcul dans le pire cas
• Fréquence d’intervention opérateur et taux de dérogation manuelle

Risques et Prérequis

• L’apprentissage nécessite des données : La composante apprise n’est aussi bonne que les données sur lesquelles elle a été entraînée. Assurer une couverture suffisante de l’enveloppe de fonctionnement.
• Sécurité sous incertitude : Les modèles appris introduisent une incertitude épistémique. Les approches responsables contraignent soit les prédictions aux régions à haute confiance (contraintes probabilistes) soit reviennent à un contrôleur nominal sûr.
• Budget de calcul : Le MPC neuronal nécessite du matériel avec un calcul suffisant. Vérifier la faisabilité temps réel tôt.
• Maintenance : Les modèles appris peuvent nécessiter un réentraînement périodique à mesure que le système change. Planifier la gestion du cycle de vie du modèle.

Foire Aux Questions

Puis-je ajouter de l’apprentissage à mon MPC existant sans le remplacer ? Oui — le patron le plus courant est de garder le MPC nominal intact et d’ajouter un terme de correction résiduelle. Si la composante apprise échoue ou que la confiance chute, le système revient au contrôleur nominal.

De combien de données ai-je besoin ? Cela dépend de l’approche. Le GP-MPC peut fonctionner avec des dizaines à des centaines de points de données par région de fonctionnement. Le MPC neuronal nécessite typiquement plus de données mais peut mieux se généraliser entre les conditions. Les approches adaptatives (MRAC) se mettent à jour en ligne à partir de quelques cycles.

Est-ce sûr pour la production ? La sécurité dépend de l’architecture de repli et de la formulation des contraintes. L’approche GP-MPC à contraintes probabilistes (Application 6) fournit des garanties formelles : les contraintes tiennent avec une probabilité spécifiée même pendant l’apprentissage en ligne. Toutes les implémentations responsables incluent soit un resserrement des contraintes sous incertitude soit un mode de repli nominal sûr.

Quel matériel de calcul est nécessaire ? Le GP-MPC fonctionne sur des PC industriels standard. Le MPC neuronal à taux élevés peut nécessiter un GPU ou une inférence optimisée. Le bon choix dépend de votre taux de commande et de la complexité du modèle.

Réservez un Appel Découverte de 30 Minutes

Prêt à explorer si ce patron correspond à votre système ?

Dr. Rafal Noga — Consultant Indépendant APC/MPC

📧 Contactez-moi · 🌐 noga.es

Découverte à périmètre fixe · NDA d’abord · Disponible sur site en DACH

Références Publiques

Footnotes

1. Kabzan et al., “Learning-Based Model Predictive Control for Autonomous Racing” (ETH Research Collection). https://www.research-collection.ethz.ch/bitstreams/7d0faa11-1667-481c-a497-ca7ef4611521/download ↩ ↩²

2. Salzmann et al., “Real-time Neural MPC: Deep Learning Model Predictive Control for Quadrotors and Agile Robotic Platforms” (RAL, 2023). https://rpg.ifi.uzh.ch/docs/RAL2023_Salzmann.pdf ↩ ↩²

3. Batzianoulis et al., “Adaptive Interaction Control for Robotic Door Opening” (arXiv, 2021). https://arxiv.org/pdf/2106.04202 ↩ ↩²

4. Hewing, Kabzan, Zeilinger, “Cautious Model Predictive Control Using Gaussian Process Regression” (IEEE Transactions on Control Systems Technology, 2020). https://doi.org/10.1109/TCST.2019.2949757 ↩ ↩²

5. Ostafew et al., “Learning-Based Nonlinear Model Predictive Control to Improve Vision-Based Mobile Robot Path Tracking” (ICRA, 2014). https://asrl.utias.utoronto.ca/wp-content/papercite-data/pdf/ostafew_icra14.pdf ↩

6. “Incremental MPC Exploiting Time-Delay Estimation” (TUM/DLR). https://mediatum.ub.tum.de/doc/1732774/1732774.pdf ↩

📅 Réserver sur Calendly