MATLAB EXPO France 2026

Dans les hôpitaux, les robots d’assistance pourraient devenir des partenaires essentiels des équipes médicales. Encore faut-il qu’ils évoluent en toute sécurité dans des environnements complexes, encombrés et très contraints… et de manière autonome. Au sein du département Innovation mécatronique, une des questions sur lesquelles nous travaillons est : comment dimensionner et optimiser des systèmes robotiques capables d’atteindre leur zone opérationelle sans risque de collision ?

Les modèles Simscape Multibody™ constituent notre référence physique… mais leur richesse devient parfois leur limite : non-linéarités, discontinuités, contacts, autant d’éléments qui rendent le modèle très précis, et l’optimisation gradient-based quasi impossible.

Dans cette session plénière, je présenterai une approche hybride qui change la donne :

•  apprendre automatiquement un modèle d’ordre réduit continu et différentiable, basé sur un réseau de neurones ou NeuralODE, entraîné sur la base du modèle Simscape™. 
  Ce modèle réduit (ROM) capture l’essentiel de la dynamique tout en permettant une optimisation fluide et efficace des paramètres de conception — longueurs, angles, limites articulaires, stratégie d’évitement d’obstacles.

Une fois les paramètres optimisés, le cycle se boucle :

•  on réinjecte les résultats dans Simscape pour une validation haute-fidélité du design final.

Cette méthode ouvre un nouveau paradigme :

• utiliser Simscape comme générateur de données physiques,

• construire un ROM apprenable et différentiable,

• accélérer radicalement la conception de robots sûrs pour le personnel médical,

• tout en conservant une rigueur de simulation indispensable au domaine clinique.

En d’autres termes : la robustesse de la modélisation physique, la souplesse du machine learning, et la puissance des workflows MATLAB^®/Simulink^® réunies pour faire avancer la robotique hospitalière.

Les systèmes de gestion thermique jouent un rôle clé dans les véhicules électriques, en garantissant la sécurité, les performances et le confort des passagers. Batteries, moteurs, convertisseurs et systèmes HVAC doivent fonctionner dans des plages de température maîtrisées, tout en répondant à des contraintes croissantes de performance et de coût.

Dans cette session, nous montrons comment le Model-Based Design avec MATLAB^®, Simulink^® et Simscape™ permet de concevoir, analyser et valider des systèmes thermiques complexes, depuis la simulation desktop jusqu’aux tests hardware-in-the-loop (HIL). En particulier, nous nous concentrons sur le défi majeur du passage à la simulation temps réel pour des modèles thermo-fluidiques incluant des cycles frigorifiques.

Au-delà des véhicules électriques, ce workflow est également pertinent pour tout domaine nécessitant la mise en temps réel de modèles complexes (thermo-fluidiques ou plus largement multiphysiques), par exemple dans l’aéronautique, l’énergie, l’industrie des procédés ou toute application visant des essais HIL.

À travers un exemple représentatif de système de gestion thermique EV, nous présentons deux approches complémentaires pour rendre un modèle Simscape compatible temps réel. La première repose sur l’optimisation numérique du modèle à l’aide d’outils de diagnostic Simulink et Simscape, combinée à des choix de modélisation guidés par la physique du système.

La seconde approche s’appuie sur des modèles réduits basés sur les données (reduced-order models), construits à l’aide des capacités d’intelligence artificielle et d’apprentissage automatique disponibles dans MATLAB.

Les participants apprendront à évaluer les compromis entre fidélité physique, robustesse numérique et performances temps réel, et à choisir la stratégie la plus adaptée à leurs objectifs de validation et d’intégration HIL.

Le pantographe est un élément clé du système ferroviaire : ce bras articulé installé sur le toit du train assure l’alimentation électrique en maintenant un contact précis avec la caténaire. Derrière son apparence simple se cache pourtant un concentré de technologie. Sa conception doit intégrer de multiples disciplines — électrique, mécanique, pneumatique — tout en résistant à des contraintes extrêmes : haute tension, forces aérodynamiques à grande vitesse, contact optimal avec la caténaire, et bien sûr un niveau de sécurité irréprochable pour les passagers.

Pour relever ces défis, la conception et la validation du pantographe s’appuient sur des outils de calcul et des moyens d’essais toujours plus avancés. Dans un contexte où l’optimisation des coûts et la réduction des temps de développement sont essentielles, l’intégration progressive des solutions MathWorks au sein de l’équipe R&D ouvre de nouvelles perspectives :

• Modélisation multicorps pour comprendre finement le comportement mécanique

• Modélisation système pour analyser les interactions globales 

• Simulation multiphysique pour capturer l’ensemble des phénomènes électriques, mécaniques et pneumatiques

• Structuration avancée des modèles

• Intégration continue

• Travail collaboratif autour d’un même environnement 

L’objectif final est ambitieux : développer un véritable jumeau numérique du pantographe, capable d’accompagner toutes les phases du développement — de la conception mécanique à la validation système et logicielle, en passant par l’analyse RAMS — et ainsi accélérer l’innovation tout en renforçant la fiabilité du système.

À mesure que les systèmes conçus deviennent plus complexes et interconnectés, les industriels recherchent des techniques de simulation capables de gagner en échelle et en fidélité. Une approche consiste à distribuer l’exécution des modèles sur plusieurs ordinateurs. Découvrez comment System Composer™ peut être utilisé pour architecturer des simulations distribuées de scénarios impliquant de nombreux acteurs en interaction. Voyez comment chaque acteur — par exemple un véhicule automobile ou un aéronef — peut fonctionner de manière indépendante et échanger des données avec les autres via un réseau de communication de type publish-subscribe. Vous verrez les fondamentaux de la distribution de simulation, notamment l’ordonnancement et la coordination des acteurs, ainsi que des exemples concrets illustrant le potentiel de simulations de scénarios multi-acteurs, extensibles.