Aller au contenu principal

Hadi DAYEKH

Vendredi 11 Avril, 2025

L'apprentissage passif et actif des systèmes dynamiques non linéaires commutés

Résumé :
Les systèmes cyber-physiques, qui combinent des processus physiques avec des éléments computationnels, présentent souvent une dynamique hybride, avec des comportements continus et discrets en interaction. De telles dynamiques hybrides apparaissent dans de nombreuses applications, de la robotique aux systèmes biologiques. L'identification de ces systèmes à partir de données est essentielle pour la modélisation, la prédiction et le contrôle, mais elle reste une tâche difficile en raison de la complexité de la capture des composantes continues et discrètes. La plupart des méthodes d'identification des systèmes hybrides reposent sur l'apprentissage passif. L'apprentissage actif et l'amélioration guidée par des contre-exemples des systèmes hybrides appris restent moins explorés. La présente thèse propose deux approches pour l'identification des systèmes non linéaires commutés dépendants de l'état avec des variables d'état continues : une méthode passive et une méthode active. Ces deux méthodes utilisent la segmentation pour traiter les commutations dans les trajectoires observées. L'approche passive, quant à elle, réside dans la résolution d'un problème d'optimisation sur un ensemble de données fixe, permettant l'identification de la dynamique continue et des régions de mode, en supposant un nombre connu de modes. Cependant, la méthode passive présente des limites inhérentes à l'exhaustivité et à la qualité de l'ensemble de données initial. En revanche, l'approche active, quant à elle, fonctionne de manière incrémentale, sans a priori sur le nombre de modes, et s'appuie sur des requêtes d'équivalence pour identifier les différences entre le modèle appris et le système réel. Ces différences servent ensuite à affiner le modèle. En outre, une discussion de l'apprentissage incrémental des régions de mode dans l'espace d'état est présentée, visant à optimiser l'approche d'apprentissage actif. Les deux méthodes sont étayées par une série d'expériences et d'études de cas sur des systèmes électriques, incluant des systèmes de référence bien établis tels que l'attracteur de Lorenz et les convertisseurs DC-DC. Les résultats obtenus démontrent la supériorité de l'approche active, qui permet d'atteindre une plus grande précision tout en réduisant les exigences en matière de données. En revanche, la méthode passive fournit une base de référence pour des ensembles de données bien définis.
 

Date et lieu

Vendredi 11 avril à 15h00
Auditorium du Bâtiment IMAG
et Zoom

Composition du jury

Direction de thèse :
Thao DANG
Directrice de recherche, CNRS (Directrice de thèse)
Nicolas BASSET
Maître de conférences, Université Grenoble Alpes (Co-encadrant de thèse)
 
Comité de thèse :
Thao DANG
Directrice de recherche, CNRS (Directrice de thèse)
Sriram SANKARANARAYANAN
Professeur, University of Colorado Boulder (Rapporteur)
Pavithra PRABHAKAR
Professeure, Kansas State University (Rapporteure)
Pierre GENEVÈS
Directeur de recherche, CNRS (Examinateur)
Sylvie PUTOT
Professeure des universités, École Polytechnique (Examinatrice)
Mirko FIACCHINI
Chargé de recherche, CNRS (Examinateur)
 
Invités :
Nicolas Basset
Maître de conférences, Université Grenoble Alpes
Kohei SUENAGA
Associate Professor, Kyoto University

Publié le 28 mars 2025

Mis à jour le 28 mars 2025