Un conducteur sur une route glissante ne sait pas comment sa voiture réagira au volant, et il apprend en roulant, en gardant une marge d'erreur. C'est ce que fait un algorithme de contrôle intelligent. Plutôt que d'exiger un modèle précis, il collecte des données à la volée, estime l'incertitude et les perturbations externes comme les ondes gravitationnelles, un peu comme un trou noir qui révèle peu à peu ses réglages.
Sur la base de ces estimations, l'algorithme trace un corridor de sécurité — une sorte de bande virtuelle qui se rétrécit ou s'élargit selon sa confiance. Les commandes sont données avec une marge, pour que même dans le pire des cas, le système ne sorte pas des limites.
Le principal avantage est la garantie dès le premier pas. Pas besoin d'attendre que le robot accumule des statistiques : le fonctionnement reste stable immédiatement. Des essais numériques l'ont confirmé : un drone virtuel a gardé l'équilibre malgré des secousses brusques. Cette adaptabilité ouvre la voie aux drones et aux robots rapides qui, auparavant, nécessitaient un long réglage.
La commande prédictive par modèle (MPC) était à l'origine utilisée dans les usines chimiques, où les processus sont lents et où tout peut être calculé à l'avance. Maintenant, elle apprend en temps réel, ouvrant la voie aux robots rapides et aux drones.