Algorithmes de contrôle et d'estimation basés sur l'apprentissage avec garanties de performance pour les systèmes à dynamique partiellement inconnue // Learning-Based Control and Estimation Algorithms with Performance Guarantees for Systems with Partially

Ce projet de doctorat se concentre sur le contrôle et l'estimation de systèmes non linéaires dont la dynamique est partiellement connue. D'un point de vue fondamental, l'objectif principal est de développer un cadre de contrôle et d'observation qui intègre les techniques LPV combinées avec des approximateurs à base de reseaux de neurones pour traiter les incertitudes dans les systèmes (potentiellement à grande échelle) avec une dynamique partiellement inconnue. Ce cadre vise à minimiser la dépendance à l'égard d'ensembles de données d'apprentissage denses, contrairement aux conceptions basées sur les réseaux neuronaux profonds, qui ne peuvent souvent pas être utilisés en temps réel en raison du nombre limité de données d'essais. La stabilité et la performance du système en boucle fermée, ainsi que l'adaptation en ligne des poids du réseau neuronal, seront formellement assurées à l'aide de la théorie de la stabilité de Lyapunov et de techniques d'optimisation convexe, ce qui élimine le besoin de réglage manuel ou de programmation non linéaire. Du point de vue de l'application, le cadre développé sera appliqué à des systèmes réels disponibles à la fois au LAMIH-UPHF et à l'UPC. Plus précisément, l'accent sera mis sur le contrôle et l'observation de véhicules semi-autonomes, avec ou sans intervention humaine.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

This PhD project focuses on the control and estimation of nonlinear systems with partially known dynamics. From a fundamental perspective, the primary goal is to develop a control and observation framework that integrates LPV techniques with neural approximators to address uncertainties in (potentially large-scale) systems with partially unknown dynamics. This framework aims to minimize reliance on dense training datasets, unlike deep neural network-based designs, which are often impractical due to limited test data. Stability and performance of the closed-loop system, along with online adaptation of neural network weights, will be formally ensured using Lyapunov stability theory and convex optimization techniques, eliminating the need for manual tuning or nonlinear programming. From an application perspective, the developed framework will be applied to real-world systems available at both LAMIH-UPHF and UPC. Specifically, the focus will be on the control and observation of semi-autonomous vehicles, with or without human intervention.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025

Financement d'un établissement public Français

Université Polytechnique Hauts de France

635 Ecole Doctorale Polytechnique Hauts-de-France

- Master ou diplôme équivalent en théorie du contrôle, en mathématiques appliquées ou dans des domaines connexes. - Excellente formation en automatique/commande et excellentes compétences en programmation - La maîtrise de l'anglais est requise (le français et/ou l'espagnol ne sont pas nécessaires). - Des connaissances en apprentissage automatique ou dans des domaines connexes, ainsi qu'en expérimentation en temps réel, seraient un plus.
- Master degree or equivalent in control theory, applied mathematics or related fields - Excellent background in automatic control and excellent programming skills - Fluency in English is required (French and/or Spanish is not necessary). - Some knowledge on machine learning or related fields, and real-time experimentations would be a plus.