Esisar rubrique Formation 2022

Commande décentralisée de systèmes complexes - 5AMAC555

  • Volumes horaires

    • CM 18.0
    • Projet -
    • TD 6.0
    • Stage -
    • TP 18.0

    Crédits ECTS

    Crédits ECTS 0.0

Objectif(s)

Ce cours passe en revue les résultats passés et présents dans le domaine de la commande décentralisée des systèmes dynamiques complexes. Les éléments de la théorie du contrôle et de l'optimisation sont fusionnés afin de fournir des outils qui seront ensuite appliqués à divers problèmes impliquant des systèmes dynamiques multi-agents et des systèmes interconnectés en général.

L'accent est mis sur les approches centralisées vs. distribuées vs. décentralisées, la décomposition, les contraintes de communication, la stabilisation et les performances de suivi de chaque agent, la robustesse. La théorie présentée répond aux questions fondamentales de savoir comment décomposer un problème de contrôle donné en sous-problèmes gérables qui ne sont que faiblement liés les uns aux autres et peuvent être résolus indépendamment.

Les outils que les étudiants acquerront pendant le cours sur la commande basée sur l'optimisation (via des approches distribuées / hiérarchiques) seront utilisés pour certains applications comme la commande et la coordination de multiples drones (aériens, aquatiques), la gestion de l'énergie dans les systèmes à micro-réseaux CC et les réseaux de distribution d'eau.

Responsable(s)

Ionela PRODAN

Contenu(s)

1 Commande basée sur l'optimisation pour les systèmes complexes
1.1 Systèmes complexes
1.2 Commande basée sur l'optimisation
1.3 Modèles de prédiction génériques
1.4 Génération d'une trajectoire / d'un profil de référence
1.5 Éléments de la théorie des ensembles
1.6 Programmation mixte en nombres entiers

2 Défis de la commande décentralisée
2.1 Décentralisation
2.2 Décomposition
2.3 Contraintes de couplage
2.4 Échange d'informations

3 Commande coopérative des systèmes dynamiques multi-agents
3.1 Description du système
3.2 Evitement des collisions
3.3 Couverture de zone pour les systèmes multi-agents dans un environnement multi-obstacles
3.4 Une configuration serrée de la formation multi-agents
3.5 MPC centralisé
3.6 MPC distribué
3.7 MPC décentralisé

4 Analyse de stabilité et de robustesse
4.1. Propriétés de stabilité
4.2. « Tube MPC »

5 Exemples, simulations, benchmarks et applications
5.1 Expérimentations pour le vol de véhicules aériens sans pilote (UAV)
5.2 Maintenance de la connectivité pour les véhicules de surface sans pilote (USV)
5.3 Commande hiérarchique pour la gestion de l'énergie des micro-réseaux CC
5.4 Supervision et commande décentralisées les réseaux de distribution d'eau

Prérequis

Le cours est destiné aux étudiants en master en sciences appliquées avec une majeure en contrôle. Des connaissances de base en théorie du contrôle (représentation de l'espace d'états) et en programmation Matlab / Python / C sont requises.

Contrôle des connaissances

O1: Oral d'une durée de 15min avec ou sans documents/calculatrice
O2: Oral d'une durée de 15min avec ou sans documents/calculatrice
TP : Moyenne des différents TPs

L'examen existe uniquement en anglais FR

Calendrier

Le cours est programmé dans ces filières :

  • Cursus ingénieur - Master MISTRE - Semestre 9 (ce cours est donné uniquement en anglais EN)
  • Cursus ingénieur - Filière EIS - Semestre 9 (ce cours est donné uniquement en anglais EN)
  • Cursus ingénieur - Filière EIS (Apprenti) - Semestre 9 (ce cours est donné uniquement en anglais EN)
cf. l'emploi du temps 2022/2023

Informations complémentaires

Code de l'enseignement : 5AMAC555
Langue(s) d'enseignement : FR

Le cours est rattaché aux structures d'enseignement suivantes :

Vous pouvez retrouver ce cours dans la liste de tous les cours.

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.