Avis de Soutenance
Monsieur Zhixin ZHAO
Automatique
Soutiendra publiquement ses travaux de thèse intitulés
Commande prédictive à guidage symbolique pour la navigation en environnements complexes
Travaux dirigés par Monsieur Antoine GIRARD et Monsieur Sorin OLARU
Soutenance prévue le lundi 12 octobre 2026 à 14h00
Lieu : Amphi V – bâtiment Eiffel, 8 rue Joliot Curie, 91190 Gif sur Yvette
Composition du jury proposé:
M. Sylvain BERTRAND Directeur de recherche ONERA Saclay Examinateur
Mme Ionela PRODAN Maîtresse de conférences Grenoble INP – Université Grenoble Alpes Examinatrice
Mme Sihem TEBBANI Professeure CentraleSupélec – Université Paris-Saclay Examinatrice
M. Mirko FIACCHINI Directeur de recherche CNRS / Université Grenoble Alpes Rapporteur
M. Rolf FINDEISEN Professor Technische Universität Darmstadt Rapporteur
Mots-clés : Commande prédictive, Contrôle symbolique, Navigation
Résumé :
Le déploiement de systèmes autonomes dans des environnements critiques exige des commandes qui satisfont les contraintes tout en optimisant les performances en boucle fermée. La commande prédictive (MPC) est largement utilisée, mais sa fiabilité dépend de la faisabilité récursive, difficile à garantir pour les systèmes non linéaires contraints. Les ensembles invariants contrôlés garantissent mathématiquement la faisabilité récursive et le respect des contraintes, mais leur emploi explicite reste limité dans les cas complexes en raison des difficultés de calcul et de représentation. Les progrès des méthodes de commande symbolique et des capacités de calcul rendent de plus en plus réalisable le calcul explicite d’ensembles complexes et constituent le point de départ de cette thèse. Partant de l’invariance contrôlée classique, la thèse introduit la p-invariance comme une propriété relaxée qui admet des représentations ensemblistes plus simples, dont le calcul et la vérification sont effectués au moyen de la commande symbolique. Cette théorie est ensuite étendue au cadre robuste. Les ensembles p-invariants sont alors intégrés à des formulations de commande prédictive non linéaire afin d’établir la faisabilité récursive avec des contraintes en ligne plus faciles à traiter. D’autres stratégies de calcul et de mise en œuvre facilitent le déploiement pratique de ces constructions. Enfin, ces développements de commande locale sont complétés par une couche de planification globale fondée sur le relèvement convexe, étendue aux obstacles non convexes et aux environnements partiellement connus. L’ensemble de ces contributions relie vérification formelle de la sécurité, optimisation en ligne et guidage géométrique global pour la navigation autonome en environnements complexes.
Summary :
Deploying autonomous systems in safety-critical environments requires controllers that satisfy constraints while optimizing closed-loop performance. Model Predictive Control (MPC) is widely used, but its reliability depends on recursive feasibility, which remains challenging for constrained nonlinear systems. Control invariant sets provide mathematical guarantees for recursive feasibility and constraint satisfaction, but their explicit use remains limited in complex settings because they are difficult to compute and represent. In recent years, advances in symbolic-control methods and computational capabilities have made the explicit computation of complex sets increasingly feasible. Beginning with classical control invariance, the thesis introduces p-invariance as a relaxed property that admits simpler set representations, whose computation and verification are performed using symbolic control. This theory is subsequently extended to robust settings. The p-invariant set are then integrated into nonlinear MPC formulations to establish recursive feasibility. Further computational and implementation strategies improve the practical deployment of these constructions. Finally, the local predictive-control developments are complemented by a global planning layer based on convex lifting, extended to nonconvex obstacles and partially known environments. Together, these contributions connect formal safety verification, online optimization, and global geometric guidance for autonomous navigation in complex environments.
