Esisar rubrique Formation 2022

Decentralized Control of Complex Systems - 5AMAC554

  • Volumes horaires

    • CM 12.0
    • TP 15.0

    Crédits ECTS

    Crédits ECTS 2.5

Objectif(s)

Le but de ce cours (donné en anglais) est la commande sous contraintes fondée sur l'optimisation des systèmes dynamiques complexes. Les éléments de la théorie de la commande et de l'optimisation seront fusionnés afin de fournir des outils qui seront appliqués aux différents problèmes impliquant des systèmes dynamiques multi-agents et des systèmes interconnectés en général. Outre les défis de commande classique liés aux approches centralisées vs distribuées vs décentralisées, à la stabilisation et aux performances de suivi de chaque agent, il existe une série de contraintes imposées par l'interaction avec l'environnement et entre eux (anticollision, contraintes d'évitement) ainsi que la résolution d'une tâche collaborative (e.g., maintenir une formation fixe). C'est généralement le cas avec des véhicules évoluant dans le même espace physique, des robots collaboratifs ou des drones couvrant une certaine zone. Certaines références d'application comme la commande et la coordination de plusieurs drones, la gestion de l'énergie dans les systèmes énergétiques complexes et les réseaux de distribution d'eau sont discutés.

Contact Ionela PRODAN

Responsable(s)

Ionela PRODAN

Contenu(s)

1. An optimization-based approach for control of complex systems
1.1 Optimization-based control
1.2 Generic prediction models
1.3 Generation of a reference trajectory/profile
1.4 Set-theoretic elements
1.5 Mixed-integer representations in control design
2. Cooperative control of multi-agent dynamical systems
2.1 System description
2.2 Collision avoidance formulation
2.3 Area coverage for multi-agent systems in multi-obstacle environment
2.4 A tight configuration of multi-agent formation
2.5 Centralized MPC
2.6 Distributed MPC
2.7 Decentralized MPC
3. Stability analysis
4. Examples, simulations, benchmarks and applications
4.1 Flight control experiments of Unmanned Aerial Vehicles
4.2 Microgrid energy management
4.3 Decentralized supervision and control of water networks



Prérequis

Optimal control (AC431), Linear and nonlinear control, Complex systems, Programming, Matlab/Simulink Yalmip solver, Cplex, Python

Contrôle des connaissances

Semestre 5 - L'examen existe en français et en anglais FR EN

E1 : Examen oral (en anglais) d'une durée de 20 minutes pour une équipe d'étudiants.
Temps total pour la salle 1h30 à 3h selon le nombre d'étudiants.

E2 : Examen oral (en anglais) d'une durée de 20 minutes et un rapport (en anglais).



Calendrier

Le cours est programmé dans ces filières :

  • Cursus ingénieur - Filière EIS - Semestre 5 (ce cours est donné uniquement en anglais EN)
  • Cursus ingénieur - Filière EIS (Apprenti) - Semestre 5 (ce cours est donné uniquement en anglais EN)
  • Cursus ingénieur - Master MISTRE - Semestre 5 (ce cours est donné uniquement en anglais EN)
cf. l'emploi du temps 2017/2018

Informations complémentaires

Semestre 5 - Le cours est donné uniquement en anglais EN

Cursus ingénieur->Master MISTRE->Semestre 5
Cursus ingénieur->Filière EIS->Semestre 5
Cursus ingénieur->Filière EIS (Apprenti)->Semestre 5

Bibliographie

[1] J.S. Shamma (2007): Cooperative control of distributed multi-agent systems, Wiley Online Library.
[2] J. B. Rawlings and D. Q. Mayne (2009): Model predictive control: theory and design, Nob Hill Pub., Madison, WI, USA.
[3] J. M. Maestre and R.R. Negenborn (2014): Distributed predictive control made easy, Springer.
[4] F. Bullo, J. Cortés, S. Martinez (2009):Distributed Control of Robotic Networks: A Mathematical Approach to Motion Coordination Algorithms: A Mathematical Approach to Motion Coordination Algorithms, Princeton University Press.
[5] M. Farina, G. Ferrari-Trecate, R. Scattolini (2013): Plug-and-Play Decentralized Model Predictive Control for Linear Systems, IEEE Transactions on Automatic Control, vol. 58(10), pp. 2608-2614.