Pénalité de mélange gaussien pour les problèmes d'optimisation de trajectoire.

Résumé Nous considérons la tâche de résoudre un problème d'optimisation de trajectoire d'avion où la dynamique du système a été estimée à partir de données enregistrées. De plus, nous voulons éviter les trajectoires optimisées qui s'éloignent trop du domaine occupé par les données, puisque la validité du modèle n'est pas garantie en dehors de cette région. Ceci motive le besoin d'un indicateur de proximité entre une trajectoire donnée et un ensemble de trajectoires de référence. Dans cette présentation, nous proposons un tel indicateur basé sur un estimateur paramétrique de la densité de l'ensemble d'apprentissage. Nous l'introduisons ensuite comme un terme de pénalité dans le problème de contrôle optimal. Notre approche est illustrée avec un problème de consommation minimale d'un avion et des données enregistrées de vols réels. Nous observons dans nos résultats numériques le compromis attendu entre la consommation et le terme de pénalité.