Séminaire du département automatique

Titre : Stabilisation sûre à l'aide d'une fonction de barrière de Lyapunov pour le contrôle non lisse

Résumé : Dans cet exposé, nous abordons le problème de la stabilisation sûre, dont l'objectif de contrôle est de ramener l'état du système à l'origine tout en garantissant l'évitement des régions dangereuses dans l'espace d'états.

Les approches existantes, fondées sur des fonctions de barrière de Lyapunov de contrôle lisses, ne parviennent souvent pas à garantir l'existence d'un contrôleur réalisable.

Pour pallier cette limitation, nous proposons un cadre de fonctions de barrière de Lyapunov de contrôle non lisses (NCLBF) qui garantit l'existence de contrôleurs de stabilisation sûrs. Nous développons une méthodologie systématique pour construire des NCLBF et les lois de contrôle par rétroaction correspondantes pour des systèmes comportant plusieurs régions dangereuses bornées.

Des résultats théoriques et numériques démontrent l'efficacité de l'approche proposée et soulignent ses avantages par rapport aux méthodes existantes basées sur des fonctions lisses. 

Biographie : Jianglin Lan est maître de conférences à la James Watt School of Engineering de l'université de Glasgow et chercheur honoraire à l'Imperial College de Londres. Il a obtenu son doctorat à l'université de Hull en 2017. Ses recherches portent notamment sur l'autonomie sécurisée, les systèmes de transport intelligents et la robotique. Il est rédacteur en chef de l'International Journal of Adaptive Control and Signal Processing, rédacteur en chef adjoint des IEEE Transactions on Intelligent Transportation Systems et membre du comité technique SAFEPROCESS de l'IFAC.

Titre : Initialisation directe par méthode « sparse » pour l'odométrie stéréoscopique visuo-inertielle

Résumé : Les méthodes existantes d'initialisation stéréoscopique visuo-inertielle s'appuient essentiellement sur des variables intermédiaires, telles que les correspondances de caractéristiques et les poses des caméras, plutôt que sur les données d'image d'origine.

Le calcul de ces variables par le suivi des caractéristiques et la méthode « Structure-from-Motion » (SfM) introduit intrinsèquement des erreurs. Pour remédier à ce problème, nous proposons une méthode d'initialisation directe pour l'odométrie stéréoscopique visuo-inertielle, qui relie directement les intensités d'image d'origine et les paramètres initiaux, en contournant les variables intermédiaires conventionnelles.

Plus précisément, nous introduisons une fonction de prédiction pour calculer les points correspondants à partir des paramètres initiaux et formulons un objectif d'optimisation qui minimise l'erreur photométrique clairsemée sans nécessiter de suivi de caractéristiques ni de SfM.

Nous développons en outre une méthode d'approximation pour l'initialisation à deux images, qui démontre une performance efficace même avec un minimum de données d'images. Des expériences approfondies confirment que notre méthode atteint des performances supérieures tant en termes de précision d'estimation que de taux de réussite d'initialisation.

Biographie : Junyin Qiu prépare actuellement un doctorat à la James Watt School of Engineering de l'université de Glasgow, sous la direction du Dr Jianglin Lan. Il a obtenu un master en technologies informatiques appliquées à l'université de Pékin en 2023, ainsi qu'une licence en génie de l'information électronique à l'université du Sichuan en 2020. Ses recherches portent notamment sur la localisation et la cartographie robotiques, la vision par ordinateur en 3D et la fusion multisensorielle.

Titre : Initialisation directe par méthode « sparse » pour l'odométrie stéréoscopique visuo-inertielle

Résumé : Ce séminaire explore différentes approches pour la conception de contrôleurs à rétroaction d'état basés sur des observateurs, spécialement adaptés à la compensation de perturbations externes inconnues.

Nous nous concentrons sur des structures d'observateurs capables d'estimer simultanément les états non mesurés de l'installation et les perturbations additives. Ces estimations sont mises à profit pour développer des lois de commande robustes et tolérantes aux perturbations, qui maintiennent les performances malgré les incertitudes du modèle.

Afin de démontrer l'utilité pratique de ces méthodologies, la présentation exposera certaines applications et validations expérimentales, en mettant en évidence la transition entre la conception théorique et la mise en œuvre concrète.

Biographie : Luciano Frezzatto a obtenu une licence en génie informatique, un master en génie mécanique et un doctorat en génie électrique à l'Université de Campinas, au Brésil, respectivement en 2009, 2011 et 2017. De 2015 à 2016, il a effectué un stage au département de génie mécanique et aérospatial de l'Université de Californie à San Diego, aux États-Unis. Il a été professeur associé à l'Université fédérale de Minas Gerais, au Brésil, de 2018 à 2025. Il est actuellement professeur associé (Professor Doutor) à l'École polytechnique de l'Université de São Paulo (USP), au Brésil. Ses recherches portent notamment sur la théorie du contrôle robuste, les systèmes LPV et flous, le contrôle tolérant aux pannes et leurs applications.

Titre : MPC à contraintes aléatoires assistée par apprentissage par renforcement pour le nettoyage autonome du fumier dans les étables laitières

Résumé : Le nettoyage autonome des étables laitières nécessite qu'un robot effectue les tâches de nettoyage de manière efficace tout en garantissant une interaction sûre avec des vaches se déplaçant librement. Cela représente un défi, car les vaches peuvent s'arrêter, marcher lentement, bloquer des passages étroits ou se déplacer de manière imprévisible, ce qui rend les contrôles de sécurité à distance fixe soit trop prudents, soit insuffisamment sûrs.

Cette présentation propose un cadre de contrôle prédictif contraint par le hasard, assisté par l'apprentissage par renforcement, destiné au nettoyage autonome des étables laitières.

La politique d'apprentissage par renforcement fournit des instructions de nettoyage au niveau des tâches, tandis que la couche MPC à contraintes aléatoires projette l'action du robot dans un espace de contrôle probabilistiquement sûr malgré les mouvements incertains des vaches.

Afin d'améliorer encore le compromis entre sécurité et efficacité, la méthode intègre des marges de sécurité tenant compte du comportement, qui s'adaptent en fonction de la direction du mouvement des vaches et du risque d'interaction.

Les résultats de simulation avec 15 vaches et 200 essais aléatoires montrent que le contrôleur proposé améliore l'efficacité de la mission et les performances de collecte du fumier tout en maintenant une interaction sûre entre les vaches et le robot. Titre : Contrôle prédictif avec contraintes aléatoires assisté par apprentissage par renforcement pour le nettoyage autonome du fumier dans les étables laitières

Biographie : Wei Wei prépare actuellement un doctorat à la James Watt School of Engineering de l'université de Glasgow, sous la direction du Dr Jianglin Lan. Il a obtenu son master en robotique et intelligence artificielle dans cette même université en 2023. Ses recherches portent sur l'apprentissage, le contrôle et la planification en toute sécurité pour les robots autonomes de nettoyage des étables laitières. Il s'intéresse plus particulièrement à l'apprentissage par renforcement, au contrôle prédictif par modélisation, à la sécurité probabiliste et à l'interaction entre les vaches et les robots.