Region of attraction
- Aussi appelé: ROA, basin of attraction, domain of attraction
- Catégorie: Control › Feedback control
- Mots-clés: stability, nonlinear-control, lyapunov-analysis, verification, control-theory
L'ensemble des états initiaux à partir desquels un système en boucle fermée converge vers un équilibre ou une consigne donnés ; il mesure à quel point un contrôleur peut être perturbé tout en se rétablissant.
Définition
Pour un système dynamique sous un contrôleur fixé, la région d'attraction (region of attraction, ROA) d'un équilibre est l'ensemble de tous les états initiaux dont les trajectoires convergent vers cet équilibre au cours du temps. Les résultats de stabilité locale, comme linéariser autour d'une posture verticale et trouver des valeurs propres stables, disent seulement que l'équilibre attire les états d'un certain voisinage non précisé ; la région d'attraction dit quelle est la taille réelle de ce voisinage. Pour les systèmes non linéaires avec limites d'actionneurs, elle est généralement bornée et souvent de forme irrégulière, et elle peut être bien plus petite que ne le suggère une analyse linéaire. La même idée s'applique aux mouvements périodiques comme une démarche de marche, où le bassin d'attraction (basin of attraction) est l'ensemble des états qui convergent vers le cycle limite.
La région d'attraction exacte peut rarement être calculée ; les ingénieurs travaillent donc avec des approximations intérieures garanties de s'y trouver. L'outil standard est une fonction de Lyapunov V(x) : si V décroît le long des trajectoires partout dans un ensemble de sous-niveau {x : V(x) ≤ ρ}, cet ensemble se trouve dans la région d'attraction. Pour une dynamique polynomiale, la programmation par sommes de carrés peut rechercher le plus grand ρ certifié, ou V elle-même. La simulation et l'échantillonnage donnent des estimations plus rapides mais non certifiées, et les méthodes par apprentissage entraînent des fonctions de Lyapunov neuronales. Pour les contrôleurs LQR, le coût restant (cost-to-go) quadratique est un candidat de Lyapunov naturel, et l'analyse vérifie jusqu'où s'étendent ses ensembles de niveau avant que les non-linéarités ou les limites de couple ne rompent la condition de décroissance.
Les régions d'attraction rendent les contrôleurs composables. Dans la composition séquentielle (sequential composition), chaque contrôleur ou primitive de mouvement n'est utilisé que lorsque l'état est dans sa région d'attraction, et l'ensemble but d'un contrôleur est placé à l'intérieur de la région d'attraction du suivant, de sorte qu'un planificateur peut les enchaîner avec des garanties. Les LQR-Trees construisent un arbre de trajectoires stabilisées dont les entonnoirs (funnels) vérifiés couvrent ensemble une plage d'états initiaux. L'article sur la locomotion à pattes présent sur notre site applique le même principe à un graphe de primitives de mouvement, où la région d'attraction de chaque primitive détermine quelles transitions sont sûres.
Pourquoi c'est important
Un contrôleur n'est utile que si le robot démarre, et reste, dans les états dont il peut se rétablir. La région d'attraction quantifie cette robustesse, indique quand changer de contrôleur, et transforme des affirmations de stabilité locale en garanties qu'un planificateur peut utiliser.
Applications principales
- Vérification de contrôleurs stabilisants pour systèmes sous-actionnés
- Rattrapage après une poussée et passage d'une stratégie d'équilibre à une autre sur les robots à pattes
- Composition séquentielle de contrôleurs et de primitives de mouvement
- Planification de mouvement en boucle fermée avec entonnoirs vérifiés
- Analyse de sûreté de contrôleurs appris
En pratique
Une équipe qui conçoit un contrôleur d'équilibre debout pour un quadrupède veut savoir quelle poussée il peut encaisser. Elle simule de nombreux états initiaux perturbés, en faisant varier la vitesse et l'inclinaison de la base, et note ceux qui reviennent à la posture debout ; la frontière entre échantillons qui convergent et échantillons qui échouent donne une région d'attraction empirique. Pour un modèle réduit, elle calcule aussi une approximation intérieure certifiée à partir d'une fonction de Lyapunov. Sur le robot, un superviseur compare l'état estimé à cette région et bascule vers un contrôleur de pas dès que l'état en sort, au lieu de laisser le contrôleur d'équilibre debout tenter de se rétablir d'une poussée qu'il ne peut pas gérer.
Idées reçues
- Une linéarisation stable signifie que le robot est stable partout — l'analyse linéaire ne garantit la convergence que dans un certain voisinage, qui peut être très petit dès que les limites de couple et les non-linéarités entrent en jeu
- Un ensemble de sous-niveau de Lyapunov est la région d'attraction — c'est une approximation intérieure ; la vraie région est généralement plus grande
- La région d'attraction est une propriété du seul robot — elle dépend du contrôleur et de ses limites autant que de la dynamique, et change quand les gains ou les limites de saturation changent
Qui devrait le savoir
- Ingénieurs en automatique qui conçoivent des contrôleurs stabilisants
- Développeurs de robots à pattes et humanoïdes travaillant sur l'équilibre
- Chercheurs en commande sûre et vérifiée
- Ingénieurs en planification qui composent des contrôleurs ou des primitives de mouvement
Technologies associées
- Fonctions de Lyapunov (Lyapunov Functions)
- Programmation par sommes de carrés (Sums-of-Squares Programming)
- LQR-Trees
- Fonctions de Lyapunov neuronales (Neural Lyapunov Functions)
- Drake