Abstract FR:

Les reseaux de neurones formels permettent de construire, par apprentissage, une vaste famille de modeles et de correcteurs non lineaires. Sur le plan fondamental, nous situons la modelisation et la commande de processus par reseaux de neurones dans la perspective de l'automatique classique. Du point de vue de la modelisation, cette approche nous conduit a formuler les predicteurs theoriques optimaux correspondant a diverses hypotheses sur le bruit intervenant dans le processus a modeliser. Puis, nous presentons une methodologie d'apprentissage qui permet d'obtenir des predicteurs neuronaux aussi proches que possible des predicteurs theoriques. Du point de vue de la commande, une demarche analogue nous amene a proposer diverses architectures, dont nous etudions les proprietes en insistant sur la notion de robustesse, illustree par l'utilisation de la commande avec modele interne. La encore, l'approche neuronale beneficie largement des resultats obtenus en automatique lineaire et non lineaire. Sur le plan pratique, nous illustrons ces resultats par une application industrielle, le pilotage d'un vehicule autonome tout-terrain, dont le volant, l'accelerateur et les freins sont commandes par des reseaux de neurones