Stanford AA203 Optimal and Learning-Based Control | Spring 2026 | Lecture 12: Feasibility of MPC

Valeur des informations & solidité de l’argumentation

La valeur des informations est très élevée : le cours fournit des démonstrations rigoureuses des propriétés de faisabilité et de stabilité de la MPC, avec des explications intuitives. L’argumentation est solide, s’appuyant sur des définitions formelles et des preuves mathématiques. Le professeur relie les concepts théoriques à des considérations pratiques, comme le choix de l’ensemble terminal, et mentionne des outils computationnels. La présentation est claire et progressive, facilitant la compréhension.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est excellente : le cours est structuré, les définitions sont précises et les preuves sont détaillées. Les sources mentionnées sont le manuel ‘Principles of Robot Autonomy’ et les ressources du cours en ligne, qui sont des références académiques fiables. Le titre est en adéquation avec le contenu, qui traite spécifiquement de la faisabilité de la MPC. Aucun commentaire n’est fourni, donc aucune analyse des tendances du public n’est possible.

Le titre est clair et précis, indiquant le cours, le numéro de la leçon et le thème principal. Le contenu correspond exactement à ce qui est annoncé.

9/10

Cours universitaire de niveau avancé dispensé par un professeur de Stanford, s'appuyant sur des définitions formelles, des preuves mathématiques et des références académiques. La rigueur est élevée, le contenu est structuré et les concepts sont introduits avec précision.

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

• 00:00Introduction et plan du cours : faisabilité persistante, stabilité, calcul hors ligne, suivi de trajectoire.
• 02:00Rappel des concepts de MPC et introduction de la notion de faisabilité persistante.
• 05:00Preuve du lemme de faisabilité : si X1 est invariant, alors la MPC est persistante.
• 10:00Théorème principal : si l'ensemble terminal Xf est invariant, alors la MPC est persistante.
• 15:00Discussion sur le choix de l'ensemble terminal : l'origine est un choix trivial mais sous-optimal.
• 20:00Introduction à la stabilité de Lyapunov et à son application à la MPC.
• 25:00Théorème de stabilité de la MPC : conditions suffisantes pour la stabilité asymptotique.
• 30:00Explication de la condition de décroissance de la fonction de coût et de son rôle.
• 35:00Aspects pratiques : calcul hors ligne de l'optimisation et application au suivi de trajectoire.

• Stanford AA203 Optimal and Learning-Based Control — Page du cours en ligne.
• Principles of Robot Autonomy — Manuel de référence du cours.
• AA203 Course Schedule and Syllabus — Programme et syllabus du cours.
• Lecture slides — Diapositives de la leçon 1 (probablement une erreur, mais c'est le lien fourni).
• Full playlist — Playlist complète des vidéos du cours.

• Principles of Robot Autonomy — Manuel de référence du cours, couvre les concepts de MPC et de stabilité.
• Stanford AA203 Course Materials — Ressources du cours, incluant les diapositives et les notes.