Lecture 16 (Learning Linear Models) | MIT 6.832 (Underactuated Robotics), Spring 2021

Ce cours offre une introduction solide et pédagogique à l’identification de systèmes linéaires, un sujet fondamental en robotique et en automatique. La valeur des informations est élevée : l’instructeur explique clairement les concepts clés, tels que l’erreur d’équation versus l’erreur de simulation, et montre comment les formuler comme des problèmes de moindres carrés. L’utilisation d’un exemple concret (cart-pole) est particulièrement efficace pour illustrer la méthode et ses pièges. L’argumentation est rigoureuse, s’appuyant sur des principes mathématiques bien établis. La rigueur scientifique est exemplaire, avec des démonstrations pas à pas et une mise en garde sur les limites de l’approche. Les sources ne sont pas explicitement citées dans la vidéo, mais le contenu est conforme aux méthodes classiques de l’identification de systèmes (voir Ljung, Söderström). L’adéquation entre le titre et le contenu est parfaite. Le niveau technique est avancé, destiné à des étudiants en master ou doctorat, mais les explications restent accessibles. On peut noter quelques points faibles : la qualité vidéo est moyenne (écriture manuscrite difficile à lire), et le cours ne couvre pas en profondeur les aspects plus avancés comme l’identification sous espace d’état ou les méthodes non linéaires. Cependant, dans l’ensemble, c’est une excellente ressource pour comprendre les bases de l’identification linéaire.

Le titre est parfaitement adéquat : il s'agit bien de la seizième leçon du cours MIT 6.832 sur la robotique sous-actionnée, consacrée à l'apprentissage de modèles linéaires.

8/10

Cours magistral d'une université de premier plan (MIT), présenté par un expert reconnu en robotique sous-actionnée. Le contenu est rigoureux, les méthodes sont classiques et bien fondées, et les démonstrations sont claires. La fiabilité est élevée, bien que le format soit un cours et non une publication évaluée par les pairs.

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

• 00:00Introduction et rappel du contexte : identification de systèmes, deux approches (multi-corps et linéaire).
• 05:00Discussion sur les limites de l'estimation de paramètres multi-corps : nécessité de connaître la représentation d'état.
• 10:00Introduction du problème général d'identification de systèmes linéaires à partir de données d'entrée-sortie.
• 15:00Explication de l'erreur d'équation vs erreur de simulation, et formulation du problème de moindres carrés.
• 20:00Construction des matrices de données pour l'identification par moindres carrés.
• 25:00Exemple pratique avec un système cart-pole : génération de données avec un contrôleur LQR approximatif.
• 30:00Identification du modèle linéaire à partir des données et comparaison avec le modèle réel.
• 35:00Conception d'un nouveau contrôleur LQR basé sur le modèle identifié et évaluation des performances.
• 40:00Discussion sur les subtilités : excitation persistante, qualité de l'identification, et extension aux systèmes non linéaires.
• 45:00Conclusion et perspectives : défis de la découverte de représentations d'état.

• System Identification: Theory for the User — Ouvrage de référence de Lennart Ljung sur l'identification de systèmes, couvrant les méthodes présentées dans la vidéo.