Contrôle optimal averse au risque à travers les méthodes d'homotopie – ROCH

Des réseaux énergétiques aux systèmes spatiaux, les systèmes autonomes complexes sont devenus omniprésents dans notre société. De tels systèmes opèrent fréquemment dans des circonstances incertaines et dynamiques, donc le développement de méthodologies de plus en plus élaborées pour le contrôle de cette classe de systèmes devient primordial. En particulier, afin d’atténuer au cours du processus de décision l’effet de perturbations incertaines, dangereuses et potentiellement catastrophiques, il faut développer des modèles de dynamiques stochastiques précis et les intégrer de manière fiable dans les processus de contrôle. Par ailleurs, afin de trouver un équilibre optimal entre la robustesse par rapport aux incertitudes mentionnées ci-dessus et la performance, il faut optimiser efficacement et en temps réel certains coûts complexes dans l'espace des contrôles, i.e., strategies, qui est de dimension infinie. Ces conditions très exigeantes demandent le développement de nouveaux outils pour la modélisation et le contrôle optimal des systèmes stochastiques.
Dans ce projet, je développerai et combinerai des approches d'apprentissage basées sur la théorie du contrôle avec des nouvelles techniques de contrôle optimal stochastique adverse au risque. Cela permettra le développement d'algorithmes fiables et adaptables pour le déploiement efficace et à l'abri des incertitudes de systèmes autonomes dans des environnements incertains complexes. Ce projet s'organise en trois étapes (dénommées WP): proposer des modèles de dynamiques stochastiques fiables basés sur des nouvelles méthodes d'apprentissage (WP1), apporter une résolution efficace des problèmes de contrôle optimal stochastique averse au risque (WP2), et exploiter ces achèvements scientifiques pour résoudre des problèmes ambitieux liés à des applications en robotique spatiale et en énergie (WP3).