Process modeling and control using artificial neural networks: application to the real-time control of an autonomous vehicle

Modélisation et commande de processus par réseaux de neurones ; application au pilotage d'un véhicule autonome

Isabelle Rivals (1)

1 ESA - Equipe de Statistique Appliquée (UMRS 1158)

Artificial neural networks allow the construction of a wide family of nonlinear models and controllers using statistical learning. The purpose of this thesis is to establish how to implement neural networks for the modeling and control of nonlinear dynamic processes, and to evaluate their contribution for these tasks. At the theoretical level, we present the neural modeling and control in a general framework, from the viewpoint of classic automatic control. Concerning modeling, the results about linear systems help us to derive the theoretical nonlinear optimal predictors associated to various hypotheses made about the type of noise that affects the process; a training methodology is proposed that provides the optimal neural predictors implementing the theoretical predictors. Then, we propose a family of neural control systems, the properties and the links to classic linear and nonlinear control systems of which are investigated; in particular, we concentrate on robustness issues, which leads us to develop neural internal model control. At the practical level, we illustrate our approach and our results with an industrial application, the real-time control of an autonomous four-wheel drive vehicle, the steering wheel, throttle and breaks of which are controlled by neural networks.

Les réseaux de neurones formels permettent de construire, par apprentissage statistique, une vaste famille de modèles et de correcteurs non linéaires. L'objet de cette thèse est la définition des modalités de mise en œuvre de réseaux de neurones et l'évaluation de leur apport pour la modélisation et la commande non adaptatives de processus dynamiques non linéaires. Sur le plan théorique, nous présentons la modélisation et la commande de processus par réseaux de neurones dans un cadre aussi général que possible, en les plaçant dans la perspective de l'Automatique classique. En modélisation, les résultats concernant les systèmes linéaires nous aident à formuler les prédicteurs non linéaires optimaux théoriques correspondant à diverses hypothèses sur le bruit intervenant dans le processus à modéliser ; une méthodologie d'apprentissage associée fournit des prédicteurs neuronaux qui sont des réalisations des prédicteurs théoriques. Nous proposons ensuite une famille de systèmes de commande neuronaux, dont nous étudions les propriétés et les liens avec les systèmes de commande classique, linéaire ou non, en insistant notamment sur la robustesse ; ceci nous conduit à développer la commande avec modèle interne neuronale. Sur le plan pratique, nous illustrons notre démarche et nos résultats par une application industrielle, le pilotage d'un véhicule autonome tout-terrain, dont le volant, l'accélérateur et le frein sont commandés par des réseaux neuronaux.

Mots clés: Artificial neural networks; Statistical learning; Internal model; control autonomous four-wheel drive vehicle

Mots clés: réseaux de neurones formels; apprentissage statistique; commande par modèle interne; véhicule autonome tout terrain

Domaines: Automatique / Robotique; Apprentissage [cs.LG]; Statistiques [math.ST]; Théorie [stat.TH]; Réseau de neurones [cs.NE]

Isabelle Rivals. Modélisation et commande de processus par réseaux de neurones ; application au pilotage d'un véhicule autonome. Automatique / Robotique. Université Pierre et Marie Curie - Paris VI, 1995. Français. ⟨NNT : ⟩. ⟨pastel-00797072⟩