1. Séminaire  : BrIAS Fellow Prof. Yilin Mo

Titre : Data-Driven Learning of a Verifiable Controller Inspired by MPC

Résumé : Ces dernières années ont vu le développement du contrôle basé sur l’apprentissage, qui utilise souvent des réseaux neuronaux généraux, tels que les perceptrons multicouches (MLP), comme totalité ou comme partie de la politique de contrôle. Malgré leurs performances empiriques remarquables, l’existence même d’un réseau neuronal de taille modérée rend presque impossible la certification de la stabilité ou la garantie des performances. Dans cette présentation, nous introduisons une nouvelle classe de contrôleurs apprenables, inspirée du Model Predictive Control (MPC). Le contrôleur ressemble à un solveur de programmation quadratique (QP) d’un problème linéaire MPC et est différentiable par rapport à ses paramètres. Cela permet de calculer les gradients de politique et d’utiliser l’apprentissage par renforcement profond (DRL) pour entraîner les paramètres, plutôt que de les dériver d’un modèle prédictif comme dans le MPC. Grâce à la structure imposée au contrôleur basé sur QP, il est possible de vérifier ses propriétés, telles que la faisabilité persistante et la stabilité asymptotique, en utilisant la même procédure que celle de la vérification du MPC. Par ailleurs, des exemples numériques montrent que le contrôleur proposé égale empiriquement les contrôleurs MPC et MLP en termes de performance et présente une robustesse supérieure face aux incertitudes de modélisation et au bruit. Des expériences concrètes, comme la manœuvre de dérapage de véhicule, démontrent le potentiel de ces contrôleurs pour la robotique et d’autres tâches de contrôle exigeantes.

2. Séminaire : BrIAS Junior Fellow Dr. Yailen Martinez Jimenez**

Titre : Application de l’apprentissage par renforcement dans différents scénarios de planification