Dans cet article, nous présentons une méthode permettant d'apprendre des fonctions barrières de contrôle à temps discret approximatives et de les intégrer dans le contrôle prédictif de modèle (VIMPC) à inférence variationnelle afin de répondre au problème de la conformité aux spécifications de sécurité au-delà de l'horizon de prédiction en contrôle prédictif de modèle (MPC). Pour parvenir à un compromis entre faisabilité récursive exacte, traçabilité computationnelle et applicabilité à la dynamique de type « boîte noire », nous proposons une nouvelle stratégie d'échantillonnage qui réduit significativement la variance du contrôle optimal estimé et permet une planification en temps réel sur le processeur. Le contrôleur Neural Shield-VIMPC (NS-VIMPC) ainsi obtenu améliore significativement la sécurité par rapport aux contrôleurs MPC conventionnels à base d'échantillons, et nous vérifions son efficacité dans des conditions de coûts mal conçues par des simulations et des expériences matérielles réelles.
