Thèse Commande en Boucle Fermée par Apprentissage H/F - Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Sciences de l'ingénierie et des systèmes École doctorale : Sciences et Technologies de l'Information et de la Communication Laboratoire de recherche : Laboratoire des Signaux et Systèmes Direction de la thèse : Guillaume SANDOU ORCID 0000000316920488 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-05-12T23:59:59 Ce projet de thèse s'inscrit dans le cadre de la commande en boucle fermée par apprentissage et vise à développer une méthodologie unifiée combinant synthèse de correcteurs à base de modèles et apprentissage profond pour la commande des systèmes dynamiques. L'enjeu principal réside dans la conception d'approches hybrides permettant d'exploiter les connaissances a priori issues de la modélisation tout en bénéficiant de la capacité d'approximation et d'adaptation des méthodes d'apprentissage profond.
Une telle hybridation vise à réduire significativement la complexité de l'étape d'apprentissage, en imposant une structure guidée par le modèle, et à promouvoir des stratégies frugales compatibles avec les contraintes des systèmes embarqués (ressources de calcul limitées, contraintes énergétiques, exigences de temps réel). En outre, l'introduction explicite de modèles dans la boucle de commande permet de garantir des propriétés de stabilité, tandis que les performances sont optimisées via des mécanismes d'apprentissage. La prise en compte de la robustesse constitue un enjeu central, dans la mesure où les approches par apprentissage sont sensibles aux incertitudes de modélisation et aux perturbations.
Dans cette perspective, le projet s'attache à explorer le compromis entre performance, robustesse et frugalité, en s'appuyant sur deux cas d'étude complémentaires :
- Un simulateur physique d'optique adaptative, offrant un environnement contrôlé et hautement configurable pour l'évaluation de différentes stratégies de commande et d'apprentissage, sans risque de dégradation matérielle.
- Une plateforme de véhicule autonome, permettant d'analyser et de valider les contraintes spécifiques liées à l'embarqué, en particulier en termes de frugalité des algorithmes d'apprentissage et de respect des contraintes temps réel.
Dans un premier temps, les développements théoriques s'appuieront sur des modèles linéarisés, permettant d'établir des résultats analytiques sur la stabilité et la performance. À terme, ces approches seront étendues au cadre non linéaire, afin de mieux capturer la complexité des systèmes réels et d'élargir le domaine d'applicabilité des méthodes proposées.
La commande par apprentissage constitue un domaine stratégique pour des applications comme la robotique ou les drones, tout en offrant des perspectives d'innovation majeures concernant la stabilité et la frugalité algorithmique.

Actuellement, la commande par apprentissage et la théorie classique de la commande en boucle fermée restent largement disjointes. D'un côté, l'apprentissage traite le système comme une boîte noire, synthétisant des correcteurs par des méthodes heuristiques. De l'autre, la commande en boucle fermée recourt à l'heuristique principalement pour ajuster les paramètres du correcteur ou les pondérations de synthèse, tout en garantissant la stabilité.

Ce projet ambitionne de concevoir une solution optimale à l'intersection de trois piliers : la commande robuste basée sur le modèle, la synthèse de correcteurs et l'apport de l'apprentissage profond pour le contrôle des systèmes.
Combiner des approches à base de modèles, assurant la stabilité et la robustesse, avec des méthodes d'apprentissage dédiées à l'optimisation des performances.

Formation : Étudiant(e) ayant suivi avec succès M2R spécialisé en Automatique et Mathématiques Appliquées.

Aptitudes : Solides bases théoriques complétées par une réelle appétence pour la mise en oeuvre sur des systèmes physiques.

Qualités : Curiosité scientifique et capacité à faire le lien entre modélisation mathématique et réalité physique.