Skip to content
Retour aux résultats

Commande itérative d'apprentissage

Introduite par
Suguru Arimoto
Année
1984
Type
algorithm
Famille
Adaptive Control

Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais

Taille de police

À quoi sert-elle ?

La commande itérative d'apprentissage (ILC) est une méthode de commande pour les systèmes qui effectuent la même tâche de manière répétée (suivi de trajectoire sur un intervalle de temps fixe).

L'idée clé est d'utiliser les informations d'erreur des essais précédents pour mettre à jour l'entrée pour l'essai suivant, améliorant ainsi progressivement la précision du suivi. Pionnière par Arimoto et al. en 1984, l'ILC est idéale pour la fabrication robotique, le traitement des semi-conducteurs et toute application où le même mouvement doit être répété de nombreuses fois avec une grande précision.

L’intuition derrière la méthode

L'ILC exploite la structure des tâches répétitives : la tâche est bien définie (une trajectoire cible sur un horizon temporel fixe) et le système est déterministe (mêmes conditions initiales à chaque essai). L'algorithme mesure l'erreur de suivi à l'essai k, utilise cette erreur pour calculer une entrée mise à jour u_{k+1} pour l'essai k+1, et répète. Le mécanisme clé est l'apprentissage à partir de l'erreur : si le système sous-dépasse à un certain moment de l'essai k, on augmente l'amplitude de l'entrée à ce moment de l'essai k+1. Au fil des essais, les corrections accumulées réduisent l'erreur à zéro. Ceci diffère de la commande adaptative (qui s'adapte en temps réel) et de la commande par retour (qui réagit à l'erreur actuelle) ; l'ILC prépare proactivement les entrées en se basant sur les essais passés.

Histoire

Arimoto a introduit l'ILC en 1984 pour les manipulateurs robotiques effectuant des tâches répétées, motivé par l'apprentissage moteur dans les systèmes biologiques. Moore a développé une théorie complète au début des années 1990, établissant les conditions de convergence pour diverses lois d'apprentissage. Xu et ses collègues ont étendu l'ILC aux systèmes non linéaires, aux systèmes à retard temporel et aux systèmes multidimensionnels. Les variantes modernes incluent la commande itérative d'apprentissage avec retour (ILFC), l'ILC pour les réseaux d'agents et l'ILC stochastique pour gérer les perturbations aléatoires. L'ILC a connu une adoption industrielle significative dans la fabrication de semi-conducteurs et la robotique de précision.

Quand l’utiliser

Utiliser l'ILC lorsque votre système effectue une tâche répétitive bien définie avec les mêmes conditions initiales à chaque itération. Elle est idéale pour la robotique (prise et placement, lignes d'assemblage), la fabrication de semi-conducteurs (balayage de plaquettes, lithographie) et les tâches de mouvement de précision. L'ILC excelle lorsqu'un petit nombre d'essais (10-100) peut atteindre une très haute précision (précision submicronique). Éviter l'ILC si la tâche n'est pas répétitive, si les conditions initiales varient de manière imprévisible, ou si la réactivité en temps réel aux perturbations est critique (utiliser la commande par retour à la place).

Limites et points d’attention

  • Nécessite la répétition de la tâche exacte ; si les paramètres de la tâche varient, l'apprentissage doit redémarrer.
  • La convergence est lente au début (les premiers essais présentent de grandes erreurs) ; investissement significatif en temps de mise en service.
  • Sensible aux variations des conditions initiales ; si l'essai k commence dans un état différent de l'essai k-1, l'apprentissage se dégrade.
  • La conception de la règle d'apprentissage dépend du problème ; aucune règle universelle ne convient à tous les systèmes.
  • Les perturbations non répétitives ne sont pas bien gérées ; seules les erreurs périodiques sont apprises.

Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.

Points forts

  • Atteint une haute précision (souvent submicronique) dans les tâches répétitives grâce à un apprentissage progressif sur plusieurs essais.
  • Implémentation simple ; la règle d'apprentissage est souvent simplement proportionnelle à l'erreur accumulée.
  • Gère l'apprentissage en boucle ouverte (aucun retour nécessaire pendant l'essai), utile lorsque les capteurs sont coûteux ou indisponibles.
  • Peut être combinée avec le retour pour gérer les perturbations aléatoires tout en maintenant l'amélioration itérative.
  • Robuste aux perturbations périodiques qui se répètent à chaque essai ; le mécanisme d'apprentissage les rejette naturellement.

Applications

  • Robotique : Suivi de trajectoire précis dans les opérations de prise et placement, programmation de robots de soudage, optimisation des mouvements de ligne d'assemblage.
  • Fabrication de semi-conducteurs : Balayage de plaquettes dans les outils de lithographie, alignement de platines de plaquettes, positionnement en lithographie par faisceau d'électrons.
  • Industrie de l'impression et du papier : Positionnement de bande, enregistrement des couleurs sur plusieurs passes, contrôle de l'épaisseur.
  • Traitement des matériaux : Découpe laser de motifs répétitifs, finition de surface multi-passes avec trajectoires d'outils précises.
  • Machines industrielles : Fraisage de haute précision avec des coupes répétées, moulage par injection avec apprentissage cycle par cycle.

Comment ça marche

Comment ça marche

1

Définir la trajectoire de référence, fixer l'entrée de commande initiale u_0 (souvent nulle ou une estimation prédictive), et initialiser l'erreur de suivi e_0.

2

Appliquer l'entrée u_k au système et exécuter la tâche (par exemple, mouvement robotique) pendant l'intervalle de temps fixe de t=0 à t=T.

3

Mesurer la sortie du système y_k et calculer l'erreur de suivi e_k(t) = y_désiré(t) − y_k(t) sur tout l'intervalle de l'essai.

4

Utiliser l'erreur pour calculer l'entrée mise à jour u_{k+1} = u_k + L(e_k), où L est la règle d'apprentissage (proportionnelle, intégrale ou d'ordre supérieur).

Pièges courants

  • Choisir un gain d'apprentissage trop agressif ; cela peut provoquer des oscillations et une divergence au lieu d'une convergence.
  • Ignorer la dynamique d'ordre supérieur et la causalité ; la règle d'apprentissage doit tenir compte de la bande passante et des délais du système.
  • Supposer une répétabilité parfaite ; de petites variations dans les conditions initiales ou les paramètres de la plante s'accumulent au fil des essais.
  • Ne pas surveiller la stabilité en boucle fermée ; un apprentissage agressif peut exciter une dynamique non modélisée et déstabiliser le système.

Questions fréquentes

Quelle est la règle d'apprentissage la plus simple et comment la régler ?

La règle la plus simple est proportionnelle : u_{k+1}(t) = u_k(t) + γ·e_k(t), où γ > 0 est le gain d'apprentissage. Pour la convergence, γ doit être suffisamment petit (typiquement < 0,5 pour les systèmes à temps discret). Commencez avec γ = 0,1 et augmentez progressivement tout en surveillant les oscillations ou la divergence. Le taux d'apprentissage affecte la vitesse de convergence : un γ plus grand converge plus rapidement mais risque l'instabilité.

Combien d'essais faut-il pour atteindre la convergence ?

Cela dépend du gain d'apprentissage, de la dynamique du système et de la précision souhaitée. Pour les systèmes typiques, 10 à 50 essais permettent d'atteindre une haute précision ; pour des applications très précises (semi-conducteurs), 100 à 500 essais peuvent être nécessaires. Les premiers essais montrent généralement une amélioration rapide, puis la convergence ralentit (schéma de convergence exponentielle).

L'ILC peut-elle gérer les perturbations ?

L'ILC seule ne peut pas rejeter les perturbations non répétitives qui varient entre les essais. Cependant, la combinaison de l'ILC avec la commande par retour (ILC/ILFC hybride) permet le rejet des deux : le retour gère les perturbations aléatoires en temps réel, tandis que l'ILC réduit progressivement les erreurs systématiques. Une autre approche est l'ILC stochastique, qui modélise les perturbations de manière probabiliste.

Que se passe-t-il si les conditions initiales ne sont pas parfaitement répétables ?

De petites erreurs de conditions initiales provoquent l'accumulation d'erreurs d'apprentissage, dégradant la convergence. En pratique, utilisez un mécanisme de réinitialisation (par exemple, butées mécaniques, réinitialisation basée sur des capteurs) pour garantir des conditions initiales cohérentes. Alternativement, utilisez des méthodes d'ILC robustes conçues pour tolérer de petites variations des conditions initiales.

Méthodes associées

Sources

  1. Arimoto, S., Kawamura, S., & Miyazaki, F. (1984). Bettering operation of robots by learning. Journal of Robotic Systems, 1(2), 123-140.

    Ouvrir la référence DOI
    Copié.
  2. Moore, K. L. (1993). Iterative learning control for trajectory tracking. Advances in Industrial Control, Springer-Verlag.

    Ouvrir la référence de la publication
    Copié.
  3. Bien, Z., & Xu, J. X. (2007). Iterative Learning Control: Analysis, Design, Integration and Applications. Kluwer Academic Publishers.

    Ouvrir la référence de la publication
    Copié.