6.8210 Spring 2024 Lecture 8: Computing Lyapunov Functions I

6.8210 Spring 2024 Lecture 8: Computing Lyapunov Functions I

🎙 Russ Tedrake 👥 17K 📅 10 mars 2024 ⏱ 83 min 👁 3K 📄 cours magistral 🧭 2026-08-05
Disponible en : Français (actuel) English

Mots-clés

fonction de Lyapunovstabilitéinégalitésprogrammation semi-définiependule

Résumé

Ce cours de niveau master, dispensé par Russ Tedrake au MIT, introduit les méthodes de calcul des fonctions de Lyapunov pour l’analyse de stabilité des systèmes dynamiques non linéaires. Après un rappel des liens entre les fonctions de Lyapunov et l’équation de Hamilton-Jacobi-Bellman, l’instructeur souligne que trouver une fonction de Lyapunov est plus facile que résoudre l’équation de la programmation dynamique, car il s’agit de satisfaire une inégalité plutôt qu’une égalité. Il présente ensuite une approche algorithmique : on paramètre une fonction candidate (par exemple polynomiale ou trigonométrique) et on utilise des outils d’optimisation convexe, comme la programmation semi-définie, pour rechercher les coefficients qui satisfont les conditions de Lyapunov. L’exemple du pendule simple est utilisé pour illustrer la méthode : l’algorithme retrouve une fonction proche de l’énergie mécanique, mais avec un terme supplémentaire qui permet de prouver la convergence asymptotique sans recourir au principe d’invariance de LaSalle. Le cours se termine par une discussion sur les projets de fin de semestre, notamment une opportunité de travailler sur le robot Spot de Boston Dynamics.

173 mots

Évaluation critique

Ce cours magistral de Russ Tedrake est d’une qualité exceptionnelle. L’exposé est structuré et pédagogique, s’appuyant sur des rappels et des connexions avec des concepts déjà vus (Hamilton-Jacobi-Bellman, programmation dynamique). L’argumentation est rigoureuse : l’instructeur justifie clairement pourquoi la recherche de fonctions de Lyapunov est plus aisée que la résolution exacte de l’équation de la programmation dynamique, en insistant sur le fait que l’on cherche une inégalité et non une égalité, et que de nombreuses fonctions peuvent convenir. La présentation de la méthode algorithmique, basée sur la paramétrisation polynomiale et l’utilisation de la programmation semi-définie, est claire et illustrée par un exemple concret (le pendule). L’exemple est bien choisi : il montre que l’algorithme retrouve une fonction proche de l’énergie mécanique, mais avec un terme correctif qui évite le recours au principe de LaSalle. La rigueur scientifique est irréprochable : les définitions sont précises, les conditions sont énoncées correctement, et l’instructeur mentionne les limites (par exemple, la nécessité de vérifier les conditions pour tout x). La qualité des sources est intrinsèque : il s’agit d’un cours universitaire, donc les connaissances sont établies et vérifiées. L’adéquation entre le titre et le contenu est parfaite. Enfin, la partie sur les projets est pertinente et motive les étudiants. Dans l’ensemble, ce cours est une excellente introduction au calcul des fonctions de Lyapunov, avec une approche moderne et computationnelle. Il est adapté à un public d’étudiants en master ou doctorat en automatique ou robotique.

240 mots

Adéquation titre / contenu

Le titre est précis et correspond exactement au contenu : il s'agit bien du cours 8 du semestre de printemps 2024, consacré au calcul des fonctions de Lyapunov.

Qualité & fiabilité

9/10

Cours universitaire de niveau graduate (MIT), présenté par un expert reconnu en robotique et contrôle. Les concepts sont rigoureusement définis et les méthodes sont fondées sur des principes mathématiques établis. La présentation est claire et pédagogique, avec des exemples concrets. Aucune source externe n'est citée dans la vidéo, mais le contenu est conforme aux connaissances académiques standards.

Moments clés

Apport & nouveautés

Ce cours apporte une perspective computationnelle moderne sur les fonctions de Lyapunov, montrant comment les transformer en un problème d’optimisation convexe résoluble par programmation semi-définie. L’accent est mis sur l’importance de la paramétrisation et sur la possibilité de certifier la stabilité pour tout l’espace d’état, contrairement aux méthodes d’approximation numérique classiques.

Pour aller plus loin :

  • Théorème de Lyapunov — Rappel des conditions de stabilité.
  • Programmation semi-définie — Outil d’optimisation utilisé pour résoudre les inégalités matricielles.
  • Inégalité matricielle linéaire — Formulation courante des conditions de Lyapunov pour les systèmes linéaires.

90 mots

Profil radar

Le profil radar montre un niveau très élevé dans toutes les dimensions, avec une légère prédominance de la qualité de l'information et du niveau technique, reflétant un cours universitaire dense et rigoureux.

Fiabilité 9/10