Stochastic Control from a Model Predictive Control Perspective
- Debut :
- 8 septembre 2026 11:30
- Fin :
- 8 septembre 2026 12:30
- Lieu :
- LAAS-CNRS - Salle Tourmalet 7 avenue du Colonel Roche 31077 TOULOUSE Cedex 4
- Unités :
- mac / do / LAMIH
- Mots clefs :
Intervenants
Kaouther MOUSSA, Maitre de conférence, LAMIH
Kaouther Moussa is an Associate Professor in Control at INSA Hauts-de-France and
LAMIH in Valenciennes, France. She received her PhD from Grenoble INP and GIPSA-lab,
where her research focused on optimization-based control and the probabilistic
certification of regions of attraction for cancer dynamics. She subsequently held a
postdoctoral position at GIPSA-lab within the TActical Multi-Objectives Swarming
UAVs project. Her current research focuses on model predictive control and uncertainty
handling through stochastic and probabilistic approaches, with a particular interest in
biomedical applications. She is a recipient of a Young Researcher grant from the French
National Research Agency (ANR) for the Clinical project (2024–2028), which investigates
learning- and control-based approaches for the prediction and monitoring of anesthesia
dynamics.
Résumé
Cette présentation aborde le contrôle stochastique sous l’angle Model Predictive Control (MPC), en mettant l’accent sur l’extension de certains éléments clés du MPC aux systèmes linéaires soumis à des incertitudes paramétriques stochastiques. Nous montrons tout d’abord comment les propriétés du produit de Kronecker peuvent être exploitées pour dériver des dynamiques déterministes pour la dynamique de la covariance. En encadrant les dynamiques dans des tubes de propagation de l’incertitude l'approche est une étape importante pour le traitement de contraintes aléatoires. Nous abordons ensuite la conception de conditions suffisantes pour stabiliser la dynamique de covariance, en mettant l’accent sur le compromis entre la complexité computationnelle et le conservatisme. La présentation établit ensuite le lien entre la stabilité de la covariance et la notion classique de stabilité quadratique moyenne pour les systèmes stochastiques. En particulier, des conditions spectrales équivalentes sont abordées, offrant un équivalent à la caractérisation classique de la stabilité de Schur des systèmes linéaires déterministes. Enfin, l’exposé présente brièvement certains défis restants et les axes de recherche en cours.
Abstract
This presentation will discuss stochastic control from a Model Predictive Control (MPC)
perspective, focusing on the extension of some key MPC ingredients to linear systems
subject to stochastic parametric uncertainties. We will first show how properties of the
Kronecker product can be exploited to derive deterministic recursions for the covariance
dynamics. Within a tube-based framework, such recursions provide a basis for
uncertainty propagation and constitute an important step toward tractable chance-
constraint tightening. We will then address the design of reduced-size suJicient
conditions for stabilizing the covariance dynamics, with an emphasis on the trade-oJ
between computational tractability and conservatism. The presentation will
subsequently establish the connection between covariance stability and the classical
notion of mean-square stability for stochastic systems. In particular, equivalent spectral
conditions will be discussed, providing a counterpart to the classical Schur-stability
characterization of deterministic linear systems. Finally, the talk will outline some
remaining challenges and ongoing research directions.
