Robust, physics-informed modeling and estimation for long-horizon simulation of vehicle dynamics

La modélisation et l'identification de systèmes dynamiques non linéaires constituent un enjeu central dans de nombreux domaines de l'ingénierie, tels que la robotique, les transports ou les systèmes de contrôle. Dans le cadre des dynamiques véhicule, la capacité à effectuer des prédictions précises à long terme est essentielle pour l'évaluation des performances, l’analyse de la sécurité et la conception des systèmes. Ces systèmes présentent souvent de fortes non- linéarités, des interactions complexes entre composants, ainsi que des mesures limitées ou bruitées, rendant la calibration des modèles et l'estimation d'état particulièrement difficiles. Cette thèse explore des approches hybrides combinant modèles physiques et apprentissage automatique afin de surmonter ces limitations. La première partie du travail s'intéresse à l'utilisation de fonctions de coût multi-pas pour l’apprentissage de modèles dynamiques à partir de données. Ces pertes favorisent la capture du comportement à long terme des systèmes et améliorent la robustesse, notamment dans les systèmes présentant des caractéristiques dissipatives. Une analyse biais-variance est proposée pour expliquer les gains observés en termes de généralisation, en particulier dans les systèmes contractants, couramment rencontrés dans les applications physiques telles que les véhicules. La deuxième partie développe un cadre d'apprentissage informé par la physique. En partant d’un modèle de simulation connu d'un véhicule, un réseau de neurones est pré-entraîné sur des données synthétiques, puis ajusté à partir de mesures issues de situations réelles. Cette approche par transfert d'apprentissage améliore la capacité de généralisation dans des contextes où les données sont rares ou bruitées. Bien que la méthode soit appliquée à la dynamique latérale de véhicules, elle reste généralisable à d'autres systèmes physiques partiellement connus. La troisième contribution porte sur l'estimation d'état, dont l'objectif est de reconstruire les états latents d'un système à partir d'observations partielles et bruitées. Une nouvelle méthode est proposée, fondée sur l'apprentissage profond et inspirée de l'estimation par horizon glissant (Moving Horizon Estimation, MHE). Appliqué à un contexte de simulation véhicule, le modèle apprend hors ligne une application inverse, permettant ainsi une estimation d'état en temps réel, sans avoir besoin d'optimisation explicite ni d'accès aux équations dynamiques lors de l’inférence. Les contributions présentées dans cette thèse participent au développement de méthodes de modélisation robustes adaptées aux systèmes dynamiques complexes, avec des bénéfices démontrés dans le domaine de la simulation véhicule.