Commande prédictive par modèle de Koopman, sensible aux perturbations et en temps réel, pour quadrirotors dans des vents variables dans l'espace

Des chercheurs proposent un cadre baptisé Disturbance-Aware Koopman Control Family (DA-KCF), publié sur arXiv (2610.27414), destiné à maintenir la précision prédictive d'un quadrotor lorsque les effets aérodynamiques changent en vol. Le principe consiste à figer un modèle nominal de type Koopman, identifié hors ligne, et à n'apprendre en ligne qu'une correction de faible dimension liée à la perturbation. Le modèle nominal, dépendant de la référence, est d'abord appris en simulation puis calibré avec un volume limité de données matérielles. Pendant le déploiement, un petit ensemble de modèles résiduels légers estime la correction à partir de transitions causales état-commande-état. Cette version adaptative est intégrée à une commande prédictive (MPC) qui évalue les corrections le long de l'horizon de prédiction, afin d'optimiser les références de position et de lacet transmises au contrôleur de stabilisation embarqué. Les essais ont été réalisés sur un nano-quadrotor, sous vent uniforme puis dans un sillage spatialement variable. Les auteurs ne donnent pas, dans le résumé, de chiffres d'erreur ni de fréquence de contrôle.

L'intérêt tient à l'architecture plus qu'à un gain de performance chiffré. Beaucoup de contrôleurs adaptatifs ré-estiment tout le modèle en ligne, au risque de dérive ou de coût de calcul prohibitif. Ici, la structure nominale reste intacte et seule la part d'incertitude évolue, ce qui limite la charge embarquée et facilite la validation. Les auteurs affirment que le bénéfice sur la prédiction multi-pas et le suivi de trajectoire croît avec l'écart entre le modèle et la réalité, tout en respectant les contraintes temps réel. C'est précisément le cas des vents tourbillonnants ou des sillages près de structures, auxquels sont confrontés les drones d'inspection industrielle, de logistique intérieure ou de livraison. La limite est évidente : un nano-quadrotor en soufflerie ou en configuration de laboratoire reste loin d'un drone de plusieurs kilos en rafales réelles, et l'absence de comparaison chiffrée dans le résumé empêche de juger l'ampleur du gain.

Ce travail s'inscrit dans l'essor des opérateurs de Koopman, qui permettent de représenter une dynamique non linéaire par un modèle linéaire dans un espace de caractéristiques, rendant la MPC plus tractable. Il concurrence les approches de MPC apprenante à base de réseaux de neurones, les observateurs de perturbations classiques et les méthodes de commande adaptative L1. Il s'agit d'une publication de recherche et non d'un produit : aucun déploiement commercial ni calendrier n'est annoncé. Les prochaines étapes naturelles seraient des essais sur des plateformes plus grandes, en extérieur, et des comparaisons directes avec les méthodes concurrentes.