Sujet de stage
Titre :
Identification des systèmes non linéaires basée sur l'apprentissage profond. Application sur un modèle de véhicule autonome.
Dates :
2024/03/01 - 2024/08/31
Etudiant :
Encadrant(s) :
Autre(s) encadrant(s) :
, Hichem BESSEFA (hichem.bessafa@univ-lorraine.fr)
Description :
I) Contexte du sujet de stage
Le but de ce stage de master 2 est d'identifier les paramètres d'une classe de systèmes dynamiques non linéaires en utilisant des méthodes de
l'intelligence artificielle, notamment les approches basées sur l'apprentissage profond en s'appuyant sur les travaux développés dans [MaB21,Nad23].
Le système non linéaire considéré a un modèle d'état suivant
x(k+1)=f(x(k),u(k)),
y(k)=h(x(k),u(k))+w(k),
où x(k) est le vecteur d'état, u(k) est le vecteur des entrées mesurées, y(k) est le vecteur des sorties mesurées et w(k) est le vecteur des bruits de
mesure. Les fonctions f et h sont supposées inconnues.
En utilisant un jeu de données entrées/sorties mesurées {u(0),y(0),u(1),y(1),...,u(N),y(N)}, le ou la stagiaire devra estimer un modèle d'état récursif
reliant les entrées u(k) aux sorties y(k) en utilisant des approches basées sur l'apprentissage profond en s'appuyant notamment sur les travaux
développés dans [MaB21,Nad23].
Le modèle non linéaire sur lequel l'identification des paramètres sera réalisée est celui d'un véhicule autonome pour lequel des données entrées/sorties
seront générées et utilisées pour l'apprentissage profond. Le modèle non linéaire du véhicule autonome et le logiciel pour simuler les données
entrées/sorties seront fournis par les encadrants.
Le modèle d'état estimé devra être récursif, c'est-à-dire qu'il devra permettre de fournir des sorties estimées réalistes \hat{y(1)}, ..., \hat{y(N)} en
n'utilisant que l'initialisation de l'état x(0) et les entrées u(0), ...., u(N). Ainsi, l'estimation \hat{y(k)} de la sortie y(k) sera générée sans avoir besoin
des sorties mesurées aux instants précédents (c'est-à-dire sans avoir besoin de y(0), y(1), ..., y(k-1).
II) Travail à réaliser
Le travail à réaliser lors de ce stage est le suivant.
a) Etudier l'approche proposée dans [MaB21,Nad23].
b) Simuler sur MATLAB/SIMULINK des modèles de véhicule autonome.
c) Générer des jeux de données entrées/sorties avec CARLA Simulation et/ou CARSIM.
d) Développer un code MATLAB pour l'identification des paramètres du modèle d'état non linéaire.
e) Mettre en oeuvre les méthodes d'apprentissage profond sur les jeux de données entrées/sorties en s'appuyant sur \cite[MaB21,Nad23].
f) Valider en simulation le modèle d'état non linéaire estimé.
- Durée : 5 à 6 mois
- Gratification : environ 550 euro/mois.
- Encadrants : Hichem Bessefa (hichem.bessafa@univ-lorraine.fr), Hugues Rafaralahy (hugues.rafaralahy@univ-lorraine.fr) et Michel Zasadzinski
(michel.zasadzinski@univ-lorraine.fr)
- Localisation : Locaux du CRAN à l'IUT Henri Poincaré de Nancy, 186 rue de Lorraine, 54400 Cosnes et Romain.
Références
[MaB21] D. Masti and A. Bemporad. Learning nonlinear state-space models using autoencoders. Automatica, vol. 129. ID 109666, 2021.
[Nad23] M. Nadri. How control theory learned to stop worrying and succumbed to AI? Talk. October 20, 2023. Second Workshop on Intelligent
Estimation Algorithms for Smart Mobility, ANR ArtISMo, Longwy, France.
Le but de ce stage de master 2 est d'identifier les paramètres d'une classe de systèmes dynamiques non linéaires en utilisant des méthodes de
l'intelligence artificielle, notamment les approches basées sur l'apprentissage profond en s'appuyant sur les travaux développés dans [MaB21,Nad23].
Le système non linéaire considéré a un modèle d'état suivant
x(k+1)=f(x(k),u(k)),
y(k)=h(x(k),u(k))+w(k),
où x(k) est le vecteur d'état, u(k) est le vecteur des entrées mesurées, y(k) est le vecteur des sorties mesurées et w(k) est le vecteur des bruits de
mesure. Les fonctions f et h sont supposées inconnues.
En utilisant un jeu de données entrées/sorties mesurées {u(0),y(0),u(1),y(1),...,u(N),y(N)}, le ou la stagiaire devra estimer un modèle d'état récursif
reliant les entrées u(k) aux sorties y(k) en utilisant des approches basées sur l'apprentissage profond en s'appuyant notamment sur les travaux
développés dans [MaB21,Nad23].
Le modèle non linéaire sur lequel l'identification des paramètres sera réalisée est celui d'un véhicule autonome pour lequel des données entrées/sorties
seront générées et utilisées pour l'apprentissage profond. Le modèle non linéaire du véhicule autonome et le logiciel pour simuler les données
entrées/sorties seront fournis par les encadrants.
Le modèle d'état estimé devra être récursif, c'est-à-dire qu'il devra permettre de fournir des sorties estimées réalistes \hat{y(1)}, ..., \hat{y(N)} en
n'utilisant que l'initialisation de l'état x(0) et les entrées u(0), ...., u(N). Ainsi, l'estimation \hat{y(k)} de la sortie y(k) sera générée sans avoir besoin
des sorties mesurées aux instants précédents (c'est-à-dire sans avoir besoin de y(0), y(1), ..., y(k-1).
II) Travail à réaliser
Le travail à réaliser lors de ce stage est le suivant.
a) Etudier l'approche proposée dans [MaB21,Nad23].
b) Simuler sur MATLAB/SIMULINK des modèles de véhicule autonome.
c) Générer des jeux de données entrées/sorties avec CARLA Simulation et/ou CARSIM.
d) Développer un code MATLAB pour l'identification des paramètres du modèle d'état non linéaire.
e) Mettre en oeuvre les méthodes d'apprentissage profond sur les jeux de données entrées/sorties en s'appuyant sur \cite[MaB21,Nad23].
f) Valider en simulation le modèle d'état non linéaire estimé.
- Durée : 5 à 6 mois
- Gratification : environ 550 euro/mois.
- Encadrants : Hichem Bessefa (hichem.bessafa@univ-lorraine.fr), Hugues Rafaralahy (hugues.rafaralahy@univ-lorraine.fr) et Michel Zasadzinski
(michel.zasadzinski@univ-lorraine.fr)
- Localisation : Locaux du CRAN à l'IUT Henri Poincaré de Nancy, 186 rue de Lorraine, 54400 Cosnes et Romain.
Références
[MaB21] D. Masti and A. Bemporad. Learning nonlinear state-space models using autoencoders. Automatica, vol. 129. ID 109666, 2021.
[Nad23] M. Nadri. How control theory learned to stop worrying and succumbed to AI? Talk. October 20, 2023. Second Workshop on Intelligent
Estimation Algorithms for Smart Mobility, ANR ArtISMo, Longwy, France.
Mots clés :
Identification, systèmes non linéaires, apprentissage profond, véhicule autonome
Département(s) :
| Contrôle Identification Diagnostic |
