Soutenance de thèse de MEBARKI Amine


Titre de thèse

Contribution à la commande non linéaire intégrant des techniques d'apprentissage : application en robotique de manipulation

Contribution to Nonlinear Control Integrating Learning-Based Techniques: Application to Robotic Manipulation

Date

23 November 2026 à 10h00

Adresse

Bâtiment Polytech – Campus Saint-Jérôme, 52 Avenue Escadrille Normandie Niemen, 13013 Marseille, France, Gérard Jaumes

Ecole doctorale

Mathématiques et Informatique de Marseille

Specialité

Automatique

Etablissement

Aix-Marseille Université

Mots clés

Commande robuste,Apprentissage automatique,Robotique,Stabilité en temps fini/fixé,Dynamique inconnue,

Keywords

Robust control,Learning,Robotics,Finite/fixed time stability,Uknown dynamics,

Jury

Jury de thèse
Qualité Nom Etablissement
Maître de conférences M. ZERROUGUI Mohamed Aix Marseille Université
Professeur M. DELALEAU Emmanuel École nationale d'ingénieurs de Brest
Professeur M. LAGHROUCHE Salah Université de technologie de Belfort Montbéliard
Professeure associée Mme BAGNERINI Patrizia University of Genoa (Università degli Studi di Genova / UniGe)
Directrice de recherche Mme LALEG-KIRATI Taous-Meriem Institut national de recherche en sciences et technologies du numérique - INRIA
Professeur M. ZEMOUCHE Ali Université de Lorraine
Professeur M. OUTBIB Rachid Aix Marseille Université
Chaire de professeur junior M. LABBADI Moussa Institut national polytechnique de Bretagne

Résumé de la thèse

Cette thèse porte sur la commande robuste de systèmes non linéaires
incertains intégrant des mécanismes d'apprentissage en ligne, avec une
attention particulière portée aux systèmes d'Euler--Lagrange et aux
robots manipulateurs. L'objectif est d'associer les propriétés de
convergence des commandes non linéaires par modes glissants à la capacité
d'un modèle récurrent à compenser des dynamiques inconnues, tout en
distinguant explicitement les rôles de la robustesse, de l'apprentissage
et de l'observation.

Une première étape établit une base de commande robuste en temps fini et
en temps fixe pour des systèmes non linéaires soumis à des incertitudes
appariées bornées. Des structures de glissement non singulières et des
mécanismes d'atteinte non linéaires sont utilisés afin d'obtenir des
propriétés de convergence assorties de bornes de temps indépendantes des
conditions initiales dans les domaines couverts par l'analyse. Cette
approche met également en évidence la limite d'une compensation purement
robuste : toute la dynamique inconnue doit alors être prise en compte par
une enveloppe d'incertitude.

La deuxième étape introduit un réseau récurrent de type Long Short-Term
Memory (LSTM) dans la boucle fermée. La composante inconnue dépendant du
modèle est affectée au mécanisme d'apprentissage, tandis que le canal
robuste demeure responsable du résidu d'approximation et des
perturbations exogènes. Les états cachés et de cellule du LSTM, les
paramètres adaptatifs, les erreurs de paramètres et les termes résiduels
associés sont intégrés à l'analyse de Lyapunov. La stabilité ne repose
ainsi ni sur un apprentissage préalable ni sur la convergence des
paramètres du réseau vers une représentation physique unique du système.
Les cas d'un gain d'entrée connu et d'un gain d'entrée incertain sont
étudiés, ce dernier étant associé à une intensité robuste adaptative.
Lorsque des résidus persistants d'approximation, de paramétrisation ou
d'implémentation subsistent, les résultats sont formulés en termes de
convergence pratique en temps fini ou en temps fixe vers un voisinage
résiduel.

La méthodologie est ensuite étendue au retour de sortie lorsque la
variable dérivée nécessaire à la commande n'est pas directement mesurée.
Un observateur ou différenciateur par modes glissants reconstruit cette
variable en temps fini, tandis qu'une variété terminale compatible avec
les informations disponibles est utilisée pour la commande. Observation,
apprentissage et robustesse conservent ainsi des fonctions distinctes
dans la boucle fermée.

Les développements sont finalement spécialisés aux systèmes
d'Euler--Lagrange entièrement actionnés et aux robots manipulateurs.
La structure mécanique, notamment la positivité de la matrice d'inertie
et les propriétés du couplage inertie--Coriolis, est exploitée dans
l'analyse sans que les lois de commande assistées par apprentissage
nécessitent l'évaluation numérique en ligne des termes d'inertie, de
Coriolis, de frottement et de gravité. Les différentes architectures sont
évaluées numériquement sur des systèmes non linéaires et sur un
manipulateur Franka Emika Panda à sept degrés de liberté.

Une validation expérimentale en temps réel du contrôleur par modes
glissants terminal intégral assisté par LSTM est enfin réalisée sur le
Franka Emika Panda.
L'implémentation prend en compte les contraintes d'actionnement, le conditionnement des
commandes et l'architecture de communication temps réel. Par rapport au
même contrôleur par modes glissants sans compensation récurrente, le LSTM
améliore l'erreur quadratique moyenne de suivi sur six des sept
articulations et réduit la norme quadratique moyenne de la variable de
glissement, au prix d'une augmentation modérée de l'effort de commande.
Ces résultats illustrent une architecture dans laquelle l'apprentissage
complète, sans la remplacer, l'action robuste assurant la stabilisation.


Thesis resume

This dissertation investigates robust nonlinear control with integrated
online learning, with particular emphasis on Euler--Lagrange systems and
robotic manipulators. The objective is to combine finite- and fixed-time
sliding-mode control with recurrent learning while preserving explicit
closed-loop stability guarantees.

A robust fixed-time control framework is first developed for uncertain
nonlinear systems subject to matched disturbances. Long Short-Term Memory
(LSTM) recurrent neural networks are then incorporated to compensate for
unknown model-dependent dynamics, while the robust control component is
retained to handle approximation errors and external disturbances. The
LSTM internal states and adaptive parameters are explicitly included in
the Lyapunov analysis, so that stability does not rely on offline training
or exact parameter convergence. Both known and uncertain input-gain cases
are considered, including an adaptive robust gain for the latter.

The framework is subsequently extended to output-feedback control using
finite-time sliding-mode state reconstruction. It is then specialized to
fully actuated Euler--Lagrange systems, where the mechanical structure is
exploited without requiring online evaluation of the complete dynamic
model in the learning-assisted control law.

The proposed methods are evaluated through numerical studies and
experimental validation on a seven-degree-of-freedom Franka Emika Panda.
Real-time experiments with the LSTM-assisted integral terminal
sliding-mode controller demonstrate the feasibility of the proposed
architecture and show improved tracking performance on most joints
relative to the corresponding sliding-mode baseline.