Académique Documents
Professionnel Documents
Culture Documents
rakotovaoNyH ESPA DNR 19 PDF
rakotovaoNyH ESPA DNR 19 PDF
UNIVERSITE D’ANTANANARIVO
--------------------------
ECOLE DOCTORALE EN SCIENCES ET TECHNIQUES DE L’INGENIERIE
ET DE L’INNOVATION
THÈSE de DOCTORAT
pour l’obtention du grade de
DOCTEUR DE L’UNIVERSITÉ D’ANTANANARIVO
Ity vokam-pirohana ity dia notontosaina tao amin’ny laboratoara TASI (Télécommunication,
Automatique, Signal et Images) izay ekipa iray ao amin’ny ED-STII (Ecole Doctorale Sciences et
Technique de l’Ingénierie et de l’Innovation) ao amin’ny sekoly ambony politeknika
Antananarivo.
i
Tolorana fisaorana manokana kosa ireo ny vady aman-janako, ny havana, namana aman-tsakaiza
tamin’ny fanampiana izay nataon’izy ireo teo am-panatontosana ity vokam-pikaroana ity.
ii
REMERCIEMENTS
Cette thèse décrit les travaux de recherche qui ont été effectués au Laboratoire de recherche
« Télécommunication, Automatique, Signal et Images » (TASI) de l’Ecole Doctorale Sciences et
Technique de l’Ingénierie et de l’Innovation sous l’Institution de l’Ecole Supérieure Polytechnique
d’Antananarivo.
Je remercie également :
d’avoir acceptés d'être examinateurs de cette thèse. Je les remercie vivement pour ses présences
et d’avoir acceptés de siéger au jury de cette thèse.
iii
- Monsieur RAKOTOMIRAHO Soloniaina, Professeur Responsable du Laboratoire SEI-
MSDI à l’Ecole Doctorale Sciences et Technique de l’Ingénierie et de l’Innovation,
d’avoir acceptés d’être rapporteurs de cette thèse, et surtout pour l'aide précieuse par les
nombreuses réflexions qu’ils suscitèrent. Ils ont mis à ma disposition ses compétences et ont
contribué par ces nombreuses remarques et questions à l’amélioration de cette thèse. Qu’ils soient
assurés de ma profonde gratitude.
Je remercie ma femme et ma fille, toute ma famille ainsi que les collègues qui m’ont soutenu de
près ou de loin pendant la préparation de cette thèse.
iv
TABLE DES MATIERES
FISAORANA ................................................................................................................................................i
Introduction ........................................................................................................................................... 3
Norme 𝑯∞.............................................................................................................................................. 3
1.3.1 Modèle d’état des systèmes à un vecteur d’entrées et à un vecteur de sorties ........................... 4
1.3.2 Modèle d’état des systèmes à deux vecteurs d’entrées et à deux vecteurs de sorties ................. 5
v
1.8.2 Spécifications fréquentielles de performance nominales ......................................................... 12
Synthèse H∞ ...................................................................................................................................... 20
vi
1.15.4 Théorème de la robustesse en performance par μ- analyse ................................................... 38
Conclusion .......................................................................................................................................... 47
Introduction ......................................................................................................................................... 49
Logique floue........................................................................................................................................ 49
vii
Processus d’apprentissage d’un réseau de neurones ........................................................................ 84
2.6.2 Apprentissage par la méthode des moindres Carrés Orthogonaux pour les Systèmes Flous . 98
2.6.4 Apprentissage de Système Flou par Agrégation avec le Plus Proche Voisin ........................ 103
3.3.3 Vitesse du point de contact d’une roue avec le sol ................................................................. 111
viii
Modèle cinématique d’un véhicule................................................................................................... 116
3.4.3 Classe de véhicule possédant deux degrés de mobilité et un degré d’orientabilité ................ 125
3.4.4 Classe de véhicule possédant un degré de mobilité et un degré d’orientabilité ..................... 126
3.4.5 Classe de véhicule possédant un degré de mobilité et deux degrés d’orientabilité ................ 128
ix
4.6.1 Modèle latéral dynamique non linéaire d’un véhicule ........................................................... 153
x
FICHE DE RENSEIGNEMENT ........................................................................................................... 285
xi
NOTATIONS ET ABBREVIATIONS
1. Minuscules latines
𝑎 Sortie du neurone
𝑐 Consigne
𝑒𝑡 Conjonction
𝑚 Masse du châssis
xiii
𝑜𝑢 Disjonction
𝑎1 Distance entre l’axe des roues avant du véhicule et son centre de gravité
𝑎2 Distance entre l’axe des roues arrière du véhicule et son centre de gravité
xiv
ℎ𝑎𝑒𝑟 Hauteur du point d’application de la force aérodynamique
𝑖𝑔 Rapport de vitesse
(𝑖⃗⃗⃗⃗⃗⃗
𝑜𝑚 , ⃗⃗⃗⃗⃗⃗
𝑗𝑜𝑚 ) Vecteurs unitaires déduits de ceux fixés à la roue
𝑚𝑖 Masse de la roue
𝑝𝑖𝑗 (𝑥) Sous ensemble final des FBF sélectionnées par l’algorithme OLS
𝑝𝑖 Stimulus (entrée)
xv
𝑝𝑗 (𝑡) Régresseurs floues
𝑞̇ Vitesse virtuelle
𝑣𝑗 Signaux d'entrée
𝑤1 Fonction de pondération
(𝑥, 𝑦) Coordonnées du point fixé sur le châssis dans le repère immobile dans le
plan d’évolution du véhicule
𝑥̇ 𝑖 Vitesse du véhicule
𝑥̈ Accélération linéaire
𝑦𝑗 Signaux de sortie
𝑧1 Sortie pondérée
xvi
3. Majuscules latines
𝐴, 𝐵 Sous-ensembles floue
𝐶 Matrice d’observation
𝐽 Fonctionnelle
𝐾 Correcteur
xvii
𝑁𝑜𝑦(𝐴) Noyau
𝑗𝑟, , ⃗⃗⃗⃗
[𝑆, ⃗⃗𝑖𝑟 , ⃗⃗⃗⃗ 𝑘𝑟 ] Repère fixé à la roue
𝑆𝑢𝑝𝑝(𝐴) Support
𝑉 Variable linguistique
xviii
𝑋 Univers
𝐴𝛼 Α-coupe
|𝐴| Cardinalité
𝐴̅ Complément
xix
𝐹𝑦𝑎𝑣 Résultante des forces latérales appliquées aux roues avant
𝐼𝑒 Inertie du moteur
𝑀𝑆 Nombre de FBF
xx
𝑀𝑐𝑜𝑚 Matrice de commandabilité
𝑅𝑖 Règle floue
𝑇𝑎 Couple accessoire
𝑇𝑒 Couple du moteur
𝑇𝑡 Couple de la turbine
⃗⃗⃗⃗
𝑉𝐴 Vitesse du point 𝐴
xxi
⃗⃗⃗⃗𝐵
𝑉 Vitesse du point 𝐵
𝑋𝑉 Univers du discours
5. Minuscules grecques
𝜂 Vitesse d’apprentissage
xxii
𝜃 Seuil d'activation, Angle d’orientation du repère repère fixé au châssis du
véhiculepar rapport au repère immobile dans le plan d’évolution du
véhicule ou Angle d'inclinaison de la route
𝜌 Densité de l’air
𝜖 Niveau d’approximation
Angle de roulis
𝛿𝑚 Degré de mobilité
𝛿0 Degré d’orientabilité
xxiii
𝛿𝜙 Angle de glissement dû au braquage
𝜂𝑚 Vecteur de mobilté
𝜂0 Vecteur d’orientabilité
𝜇𝐴 Fonction d’appartenance
𝜔
⃗ Vecteur vitesse instantanée de rotation
𝜔𝑐 Pulsation de coupure
xxiv
7. Majuscules grecque
θ Angle de tangage
ψ Angle de lacet
∆𝑀 Marge de module
9. Notations spéciales
Déterminant de la matrice
Norme H de la matrice
∈ Appartenance à un ensemble
Début de démonstration
Fin de démonstration
∎ ∎ Matrice
[ ]
∎ ∎
xxv
= Égalité
× Produit cartésien
∆ Erreurs de modélisation
∇ Gradient
∩ Intersection
∪ Union
⊆ Inclusion
⇒ Implication
↓ Projection
¬ Négation
𝒟 Région de stabilité
10.Abréviations
det Déterminant
rp Robustesse en performance
rs Robustesse en stabilité
LFT Transformation Linéaire Fractionnaire
xxvi
LISTE DES TABLEAUX
xxvii
Schéma - bloc du système perturbé pour l’analyse de la robustesse en
performance…………….. ....................................................................................... 38
Principe de l’argument......................................................................................... 42
Configuration général d’un contrôleur floue ....................................................... 49
Schéma d'un régulateur flou basé sur le raisonnement flou par inférences ......... 50
Fonction d’appartenance ...................................................................................... 52
Représentation graphique de la méthode de Mandani ......................................... 64
Représentation du modèle d’un neurone artificiel ............................................... 67
Représentation matriciel du modèle d’un neurone artificiel ............................... 67
Représentation des fonctions de transfert ............................................................ 68
Représentation d’une couche de neurones ........................................................... 71
Représentation d’un réseau de neurones ............................................................. 71
Représentation matricielle d’un réseau de neurones ........................................... 72
Réseau de neurones simple .................................................................................. 73
Le neurone flou 𝐴𝑁𝐷 .......................................................................................... 74
Le neurone flou 𝑂𝑅 ............................................................................................. 74
Le neurone flou d’implication 𝑂𝑅 ....................................................................... 75
Le neurone flou de Kwan et Cai’s ....................................................................... 76
Le neurone flou maximum de Kwan et Cai’s ...................................................... 77
Le neurone flou minimum de Kwan et Cai’s ...................................................... 77
Réseau neuro-flou régulier .................................................................................. 78
Réseau neuro-flou hybride composé à une règle d'inférence .............................. 79
Illustration du domaine de définition de l'ensemble flou 𝐴 ................................. 80
Illustration du domaine de définition de l'ensemble flou 𝐶 ................................. 81
Représentation d’un réseau de neurones pour la commande floue. .................... 82
Montage en série d’un réseau de neurones et de la commande floue. ................. 83
Montage en parallèle d’un réseau de neurones et de la commande floue. .......... 84
Illustration de la trajectoire de la descente du gradient ....................................... 87
Illustration graphique de la règle «instar» ........................................................... 89
Illustration par schéma bloc d’un apprentissage supervisé ................................. 92
Représentation du modèle neuronale d’un système flou ..................................... 96
Représentation des coordonnées généralisées du châssis .................................. 108
xxviii
Roue fixe............................................................................................................ 109
Roue directrice ................................................................................................... 110
Roue désaxée ..................................................................................................... 110
Roue omnidirectionnelle.................................................................................... 110
Illustration du point de contact de la roue avec le sol ....................................... 112
Représentation d’un véhicule possédant trois degrés de mobilité ..................... 122
Représentation d’un véhicule possédant deux degrés de mobilité .................... 124
Représentation d’un véhicule possédant deux degrés de mobilité et un degré
d’orientabilité…………. ........................................................................................ 126
Représentation d’un véhicule possédant un degré de mobilité et un degré
d’orientabilité………….. ....................................................................................... 128
Représentation d’un véhicule possédant un degré de mobilité et deux degrés
d’orientabilité………….. ....................................................................................... 129
Référentiel terrestre conventionnel .................................................................... 142
Variables de mouvement d’un véhicule ............................................................ 143
Angles d’Euler ................................................................................................... 144
Changement de système d’axe pour la vitesse de rotation ................................ 149
Forces et moments appliqués au véhicule ......................................................... 149
Vue de dessus d’un véhicule en modèle latéral linéaire .................................... 155
Illustration d’un véhicule équipé d’un régulateur de vitesse adaptatif (ACC) .. 165
Chaine de véhicules ........................................................................................... 167
Forces longitudinales agissant sur un véhicule se déplaçant sur une route
inclinée……………….. ......................................................................................... 172
Illustration des Forces longitudinal sur une roue............................................... 175
Illustration des forces normales des roues ......................................................... 177
Chaine cinématique d’un véhicule .................................................................... 178
Inventaire des couples régies par le moteur ....................................................... 178
Inventaire des couples régies par le moteur ....................................................... 179
Inventaire des couples dans la transmission ...................................................... 180
Diagramme du modèle latéral............................................................................ 189
Synthèse du schéma fonctionnel du modèle latéral ........................................... 189
Schéma fonctionnel du modèle latéral ............................................................... 190
xxix
Réponse impulsionnelle de la vitesse d’orientation du véhicule ....................... 192
Emplacement des valeurs propre dans un repère complexe .............................. 193
Diagramme de simulation pour l’étude de la performance nominale ............... 195
Schéma d’analyse de la performance nominale du modèle latéral .................... 196
Réponses fréquentielles de la fonction sensibilité et de son complémentaire
(modèle latéral)………….. .................................................................................... 196
Diagramme du modèle longitudinal .................................................................. 198
Schéma fonctionnel du modèle longitudinal pour le suivi du véhicule ............. 199
Réponse impulsionnelle de l’écart entre deux véhicules ................................... 200
Emplacement des valeurs propre du modèle longitudinal al dans un repère
complexe………………. ....................................................................................... 201
Emplacement des valeurs propres du système corrigé dans un repère
complexe…………….. .......................................................................................... 202
Diagramme de simulation pour l’étude de la performance nominale du modèle
longitudinal……………… .................................................................................... 203
Schéma d’analyse de la performance nominale du modèle longitudinal .......... 204
Réponses fréquentielles de la fonction sensibilité et de son complémentaire
(modèle longitudinal) ............................................................................................. 204
Schéma fonctionnel du modèle latéral perturbé ................................................ 206
Norme H infinie du système corrigé du modèle latéral ..................................... 208
Schéma d’analyse de la robustesse en stabilité du modèle latéral ..................... 208
Analyse de la robustesse en stabilité du modèle latéral ..................................... 209
Schéma d’analyse de la robustesse en performance du modèle latéral ............. 210
Analyse de la robustesse en performance du modèle latéral ............................. 210
............................................................................................................................... 211
Schéma fonctionnel du modèle latéral ............................................................... 211
Schéma bloc de la synthèse. .............................................................................. 212
Schéma d’analyse de la robustesse en stabilité du modèle longitudinal ........... 213
Schéma d’analyse de la robustesse en performance du modèle latéral ............. 214
Analyse de la robustesse en performance du modèle latéral ............................. 215
Schéma fonctionnel du modèle longitudinal pour le contrôle de la vitesse ...... 216
Base des règles pour le contrôle de la vitesse par logique floue ....................... 219
xxx
Réponse de la vitesse soumise à un contrôleur flou .......................................... 219
Schéma de commande par réseau de neurone ................................................... 220
Base des règles pour le contrôle de la vitesse par logique floue ....................... 220
Illustration les donnée d’apprentissage .............................................................. 221
Réponse de la vitesse soumise à un contrôleur par réseau de neurones ............ 222
xxxi
INTRODUCTION ET POSITION DU PROBLEME
Cette thèse contribue à la modélisation et à la commande robuste à temps continu d’un véhicule.
C’est la combinaison du domaine de l’automobile, de la mécanique de structure et de
l’automatique.
L’objectif de cette thèse est de contribuer à l’amélioration de la sécurité routière. Etant donné
qu’il existe plusieurs thèmes liés à cet objectif, notamment :
- le système d'aide à la conduite
- le système de contrôle actif de la stabilité
- l’amélioration de la qualité de la circulation
- les solutions pour encombrement
Etant donné que la capacité de mobilisation d’une population peut être considérée comme étant
un indicateur de son développement. En effet, le déplacement aisé des habitants d’une région à
une autre facilite l’accès aux services publics et aux marchés. Cela augmente leur faculté à
produire, à s’éduquer et ainsi que de leur maintenir en bonne santé. Dans ce sens, tout obstacle
à la mobilité des personnes, en particulier :
- l’insécurité routière,
- les collisions des véhicules
- les sorties de route
- les zones enclavées
constituent un frein au développement d’une région.
Subséquemment, nous avons opté sur la mise en place d’un système d’aide à la conduite afin
de valorisé notre étude. En effet, sachant que Madagascar étant compté parmi les pays plus
pauvres du monde, la mise en place de l’infrastructure relative à la route automatisée ne nous
sera accessible que dans un futur lointain.
Ainsi, nous avons élaboré un modèle latéral d’un véhicule. Cette approche est estimée afin de
concevoir un système de contrôle individuel d’un véhicule, sans technologie de communication.
1
la performance nominale, la robustesse en stabilité et la robustesse en performance d’un
système.
Le troisième chapitre sera consacré à l’étude de la mécanique de base d’un véhicule dans le but
de développer par la suite un modèle de commande. Ainsi, nous allons étudier la description
d’un véhicule et ses différentes classes. Pour y allez en détaille, nous allons démontrer les
modèles dynamiques et cinématiques de chaque classe de véhicule.
Dans le quatrième chapitre nous choisirons la classe de véhicule la plus conventionnelle pour
que notre étude soit réaliste. Le système sera étudier suivants deux angles. Tout d’abord, nous
essayerons à concevoir un système de commande de direction pour les applications de maintien
latéral des voies. Ensuite, un système de suivi sera présenté afin d’étudier le modèle longitudinal
d’un véhicule. Et pour finir, un système de régulation de vitesse sera conçu. C’est dans ce
chapitre aussi qu’on exposera l’originalité et l’innovation de cette thèse de Doctorat.
2
CHAPITRE 1
Introduction
Dans ce chapitre nous allons observer les différentes approches de la commande. Il fait souvent
référence au volume consacré à l’analyse des systèmes linéaires.
On doit acquérir une certaine compréhension du comportement des systèmes afin de les
concevoir, de les réaliser et de les commander. Pour cela, toute l’information dont il dispose
sur le système considéré est également formulée sous forme d’un modèle mathématique. Par
ailleurs, le concepteur décrit le comportement attendu du système à travers le cahier des
charges. Les spécifications du système ainsi décrites sont formulées comme un ou plusieurs
critères mathématiques à satisfaire sur ce modèle mathématique.
Norme 𝑯∞
On limitera au cas des systèmes linéaires à temps continu de dimension finie dont la matrice de
transfert possède des termes qui sont des fractions rationnelles à coefficients réels. On considéra
le sous-espace des matrices de transfert 𝐺(𝑠) de dimension 𝑛 × 𝑛 strictement propre et sans
𝑛
pôle sur l’axe imaginaire noté 𝑅𝐻∞ ou plus simplement 𝑅𝐻∞ .
Définition 1.01 :
La norme𝐻∞ étendue aux matrices de transfert de l’espace 𝑅𝐻∞ est la plus grande valeur
singulière définie par l’équation (1.01).
3
‖𝐺‖∞ = 𝑠𝑢𝑝𝜎̅[𝐺(𝑗𝜔)]
𝜔∈ℝ
Interprétation :
Un processus linéaire invariant (ou stationnaires) à temps continu est un système affine en état
et en commande dont les paramètres sont constants dans le temps.
L’équation d’évolution d’état est une équation différentielle linéaire matricielle du premier
ordre à temps continu et l’équation de sortie du processus linéaire est une équation affine.
4
Où
Avec :
1.3.2 Modèle d’état des systèmes à deux vecteurs d’entrées et à deux vecteurs de sorties
5
Représentation d’un système multivariable
Avec :
𝑥̇ 𝑥 𝐴 𝐵1 𝐵2
[𝑦] = 𝑃 [ 𝑢 ] 𝑎𝑣𝑒𝑐 𝑃 = [𝐶1 𝐷11 𝐷12 ]
𝑧 𝑤 𝐶2 𝐷21 𝐷22
𝐶 𝐷11 𝐷12
𝑃(𝑠) = [ 1 ] [𝑠𝐼 − 𝐴]−1 [𝐵1 𝐵2 ] + [ ]
𝐶2 𝐷21 𝐷22
Considérons un système linéaire défini par la paire(𝐴, 𝐵). L’analyse de la commandabilité d’un
système est donc caractérisée par l’étude de la matrice de commandabilité 𝑀𝑐𝑜𝑚 équation(1.07).
6
𝑀𝑐𝑜𝑚 = [𝐵 𝐴1 𝐵 𝐴2 𝐵 … 𝐴𝑛−1 𝐵]
Théorème 1.01:
𝑟𝑎𝑛𝑔[𝑀𝑐𝑜𝑚 ] = 𝑛
Considérons un système linéaire défini par la paire(𝐴, 𝐵). L’analyse de l’observabilité d’un
système est donc caractérisée par l’étude de la matrice d’observabilité 𝑀𝑜𝑏𝑠 définie par
l’équation (1.09).
𝐶
𝐶𝐴
𝑀𝑜𝑏𝑠 = 𝐶𝐴2
⋮
[𝐶𝐴𝑛−1 ]
Théorème 1.02:
𝑟𝑎𝑛𝑔[𝑀𝑜𝑏𝑠 ] = 𝑛
7
Schéma bloc du système nominal
Où :
On a :
𝐺̃ = 𝑓(𝐺, ∆)
Dans ce paragraphe, nous développons que l’expression des objectifs de synthèse ainsi que la
modélisation des incertitudes intervenant sur le modèle, peuvent être traduits par un même
formalisme de représentation des systèmes : les transformations linéaires fractionnaires (𝐿𝐹𝑇).
Soit une matrice complexe 𝑀 ∈ ℂ𝑛×𝑛 partitionnée suivant l’équation (1.12).
𝑀 𝑀12
𝑀 = [ 11 ]
𝑀21 𝑀22
1er cas : Les incertitudes du modèle sont connectées sur la partie supérieure de 𝑀.
8
La matrice d'interconnexions du système perturbé est définie par :
𝑧 𝑀 𝑀12 𝑤
[𝑞 ] = [ 11 ][ ]
𝑀21 𝑀22 𝑟
𝑟 = ∆𝑢 𝑞
Avec :
Définition 1.02 :
2ème cas : Les incertitudes du modèle sont connectées sur la partie inférieure de 𝑀
9
𝑧 𝑀 𝑀12 𝑤
[𝑞 ] = [ 11 ][ ]
𝑀21 𝑀22 𝑟
𝑟 = ∆𝑙 𝑞
Définition 1.03 :
Les paragraphes suivants sont consacrés à un rappel des outils d’analyse des systèmes bouclés.
Après un bref rappel sur l’analyse de la stabilité et de la performance du système bouclé
nominal, nous nous intéressons à la notion de robustesse. Nous rappelons le théorème du petit
gain appliqué à l’analyse de la robustesse face à des erreurs de modélisation non structurées.
La stabilité est la propriété fondamentale que doit impérativement vérifier tout système à
commander. La stabilité d’un système est, de manière qualitative, la capacité de ce dernier à
revenir à une position d’équilibre lorsqu’il en est ponctuellement écarté.
10
La figure 1.08 traduit le schéma bloc du système asservi pour l’étude de la stabilité nominale :
𝒟 = {𝑠 ∈ ℂ ∣, 𝛾 = 0, 𝜔 ∈ ℝ}
Théorème 1.03 :
Démonstration :
On démontre par absurde cette condition.
11
En effet, on suppose cette condition soir vraie et que l’interconnexion 𝐺𝐾 soit instable. Alors
d’après le critère de Nyquist, det(𝐼 + 𝐺𝐾) = 0 et encercle l’origine. Par continuité, il existe
donc 𝜍 ∈ [0,1] et une pulsation 𝜔0 tels que det(𝐼 + 𝜍𝐺𝐾) = 0.
Par conséquent, il existe une valeur propre 𝜆𝑖 [𝐼 + 𝜍𝐺𝐾(𝑗𝜔0 )] = 0, c’est-à-dire qu’il existe une
−1
valeur propre 𝜇𝑖 [𝜍𝐺𝐾(𝑗𝜔0 )] = −1, 𝜇𝑖 [𝐺𝐾(𝑗𝜔0 )] = par la propriété des valeurs singulières
𝜍
1
𝜇𝑖 [𝐺𝐾(𝑗𝜔0 )] ≤ 𝜎̅[𝐺𝐾(𝑗𝜔0 )] donc 𝜎̅[𝐺𝐾(𝑗𝜔0 )] ≥ 𝜍 ; comme 𝜍 ∈ [0,1] cette dernière condition
Où :
- 𝐺 : processus à contrôler
- 𝐾 : correcteur.
Nous définissons d’après ce schéma bloc les différentes matrices de transfert entre les entrées
et les sorties considérées ainsi que leurs différentes significations.
Comme le système est linéaire, nous obtenons à partir du schéma bloc donné par la figure 1.10
𝑆 = [𝐼 + 𝐺𝐾]−1
12
Schéma bloc du système asservi pour l’étude de la performance
nominale
Propriétés 1.01 :
𝑆+𝑇 =𝐼
Avec :
- 𝑆 : matrice de sensibilité
- 𝑇 : matrice de sensibilité inverse
- 𝐼 : matrice unitaire
Remarque 1.01 :
La performance nominale des systèmes linéaires à temps continu consiste à assurer, pour le
système en boucle fermée correspondant au modèle utilisé pour le calcul de la commande, des
propriétés convenables, notamment de précision et de rapidité.
La performance nominale est caractérisée par les différentes matrices de sensibilité de la boucle
de régulation. Cette performance nominale du système asservi de la figure 1.10 est jugée
13
satisfaisante si les objectifs de performance sont satisfaits pour le modèle nominal. La
performance du système nominal est évaluée en fonction de l’erreur 𝑦 = 𝑐 − 𝑣𝑏 . Or la matrice
de sensibilité 𝑆 est le rapport du signal d’erreur global 𝒚sur la consigne.
Définition 1.04 :
‖𝑆(𝑗𝜔)‖∞ < 𝜀𝑦
Dans ce cas l’erreur de régulation est inférieure à 𝜀𝑦 . L’inverse du majorant 𝜀𝑦 définit la matrice
de pondération du système linéaire. Cette matrice appartient à 𝑅𝐻∞ et est notée :
1
𝑊1 (𝑠) = 𝑤1 (𝑠). 𝐼 = 𝐼
𝜀𝑦
Où : 𝑤1 : fonction de pondération.
C’est un filtre du premier ordre ou du second ordre à 𝑑degrés de liberté. Cette matrice de
pondération traduit la performance nominale du système linéaire.
La façon dont cette matrice intervient dans la description du système asservi est représentée
schématiquement sur la figure 1.11.
Cette matrice de transfert de performance nominale est calculée entre la consigne 𝑐 et la sortie
pondérée 𝑧1 . Elle est notée 𝑀𝑝𝑛 .
Théorème 1.04 :
La performance nominale du système asservi est satisfaisante si l’inéquation (1.28) est vérifiée.
14
∀𝜔 ∈ ℝ ‖𝑊1 𝑆‖∞ < 1
En effet, nous avons d’après la figure 1.11: 𝑀𝑝𝑛 = 𝑇𝒛1 𝑐 = [𝐼 + 𝐺𝐾]−1 𝑊1 = 𝑆𝑊1
Définition 1.05 :
La mise en forme de la boucle de commande consiste à établir un gabarit tel que la courbe des
valeurs singulières de la matrice de transfert en boucle ouverte 𝐺(𝑗𝜔)𝐾(𝑗𝜔), 𝜔 ∈ ℝ, possède
une forme adéquate.
On obtient alors le gabarit de performance nominale de la figure 1.12. Cela nous permettra de
régler la performance nominale. En effet, est souvent nécessaire d’effectuer un modelage de la
15
matrice de transfert en boucle ouverte 𝐺(𝑗𝜔)𝐾(𝑗𝜔) par rapport à la matrice de
pondération 𝑊1 (𝑗𝜔).
Définition 1.06 :
𝑀𝑆 = ‖𝑆‖∞
𝑀𝑇 = ‖𝑇‖∞
Des grandes valeurs de 𝑀𝑆 et 𝑀𝑇 indiquent une faible performance du système ainsi qu’une
faible robustesse vis-à-vis des perturbations pouvant l’affecter. Des valeurs typiques sont
données par : 𝑀𝑠 ≤ 2(6 dB) et 𝑀𝑇 ≤ 1,25 (2dB).
La marge de module est donc la plus petite distance du point critique au lieu de transfert en
boucle ouverte :
∆𝑀 = 1/𝑀𝑆
La bande passante en boucle fermée est définie par la pulsation de coupure 𝜔𝑐 pour laquelle :
1
‖𝑆(𝑗𝜔𝑐 )‖∞ =
√2
Différentes formes de modèles d’erreurs
Le Tableau 1.01 représente les différentes formes de modèles d’erreurs pour un système
linéaire.
Il présente les différentes formes du modèle d’erreurs en fonction du processus pérturbé ainsi
que la condition de robustesse en stabilité y afférentes.
16
Tableau 1.01: Différentes formes de modèles d’erreurs
Formes du modèle ̃
Processus perturbé 𝑮 Condition de 𝑾𝟐𝒉
d’erreurs robustesse en stabilité
1
∀𝜔 ∈ ℝ , 𝜎[𝑇(𝑗𝜔)] <
|𝑊2ℎ (𝑗𝜔)|
17
En utilisant la propriété des valeurs singulières et l’inégalité (1.32), nous avons l’expression
donnée par l’équation (1.34).
1
∀𝜔 ∈ (𝜔ℎ , +∞) , 𝜎[𝐺(𝑗𝜔)𝐾(𝑗𝜔)] <
|𝑊2ℎ (𝑗𝜔)|
Robustesse en performance
Définition 1.07:
‖𝑆̃(𝑗𝜔)‖∞ < 𝜀𝑦
18
Schéma bloc du système perturbé avec introduction du modèle
d’erreur fictive
Théorème 1.05 :
19
- la matrice des erreurs de modèle ne possède pas des pôles à partie réelle négative.
Le système de la figure 1.15 est stable pour toute matrice ∆𝑟𝑝 (𝑠) ∈ ∆(𝑠) telle que :
‖∆𝑟𝑝 ‖∞ < 1, si et seulement si :
Avec
∆𝑟𝑝 = {𝑑𝑖𝑎𝑔[∆, ∆𝑓 ]}
Synthèse H∞
La synthèse H∞ des systèmes linéaires à temps continu propose un cadre général pour le calcul
d’un correcteur en manipulant des concepts fréquentiels.
Le second avantage est d’ordre méthodologique. En effet le critère H∞ est construit directement
à partir du cahier de charges, ce qui est particulièrement intéressant pour des spécifications
nombreuses et complexes. Or les spécifications sont facilement traduisibles en termes de
gabarits fréquentiels. Et les gabarits fréquentiels correspondent aux pondérations en entrée et
en sortie que l’on trouve dans la synthèse H∞ pondérée.
20
Ainsi, le choix des gabarits se fait de façon méthodologique. Le troisième avantage est basé sur
la représentation fréquentielle. Or cette représentation fréquentielle est à la base de l’analyse de
la robustesse par le théorème du petit gain et son extension à la 𝜇-analyse. La synthèse
H∞ permet de synthétiser des correcteurs robustes en prenant en compte explicitement des
incertitudes dynamiques.
De plus, cette approche peut être étendue à la désensibilisation de la boucle fermée aux
incertitudes paramétriques et aux non-linéarités.
Le modèle incertain du système étant défini, il s’agit de calculer une loi de commande
compatible avec la structure en contre-réaction de la figure 1.16 et qui confère au système la
meilleure insensibilité aux éventuelles incertitudes et perturbations tout en lui permettant
d’atteindre un niveau de performance satisfaisant. Cela implique le choix d’une structure de
commande par la définition de spécifications fonctionnelles et le choix d’une méthode de
synthèse.
La synthèse H∞ utilise la notion de problème standard, qui est représenté sur la figure 1.16, la
matrice de transfert du processus augmenté 𝑃(𝑠) modélise les interactions dynamiques entre
deux ensembles de vecteurs d’entrées et deux ensembles de vecteurs de sorties.
Ces dynamiques correspondent à des pondérations fréquentielles qui sont introduites sur les
vecteurs d’entrées et de sorties additionnels 𝑤 et 𝑧 pour prendre en compte le contenu spectral
des perturbations ou spécifier des domaines de performance.
21
Problème 𝑯∞ standard
- 𝑤 : vecteur représentant les entrées des entrées extérieures, telles que signaux de
référence, perturbations, bruits ;
- 𝑢 : vecteur représentant les commandes ;
- 𝑧 : vecteur des signaux de sortie pour caractériser le bon fonctionnement de
l’asservissement ;
- 𝑦 : vecteur représentant les écarts ou les mesures disponibles pour élaborer la
commande.
Le paradigme en théorie de la synthèse H∞ des systèmes linéaires à temps continu repose sur
la structure de commande en contre-réaction du correcteur 𝐾(𝑠). D’après la figure 1.17, le
processus augmenté 𝑃(𝑠) est rebouclé sur le correcteur𝐾(𝑠)défini par la loi de commande
donnée par l’équation (1.39).
𝑢 = 𝐾(𝑠)𝑦
22
Cette Transformation Linéaire Fractionnelle inférieure (𝐿𝐹𝑇𝑙 ) est définie par l’équation (1.40).
𝑧 = 𝐹𝑙 (𝑃, 𝐾)𝑤
Avec :
L’étude consiste alors à synthétiser une loi de commande 𝑢qui assure en même temps un
minimum d’effet des vecteurs 𝑤 et 𝑧.
L’objectif principal de la synthèse H∞ des systèmes linéaires à temps continu est d’assurer la
stabilité de la boucle fermée ainsi qu’un certain degré de performance, mais aussi de réduire la
sensibilité de la structure de commande en présence de variations paramétriques et
d’éventuelles perturbations affectant le modèle du système à commander.
Définition 1.08:
La synthèse H∞ des systèmes linéaires à temps continu est définie par le problème 𝐻∞ optimal
suivant :
𝑃(𝑠)étant donné, minimiser ‖𝐹𝑙 (𝑃, 𝐾)‖∞ sur l’ensemble des correcteurs 𝐾(𝑠)qui stabilisent le
système bouclé de manière interne entre les entrées exogènes et les sorties régulées.
Définition 1.09:
La synthèse H∞ des systèmes linéaires à temps continu est définie par le problème 𝐻∞ sous
optimal suivant :
𝑃(𝑠) et 𝛾 > 0 étant donnés, trouver un correcteur 𝐾(𝑠)qui stabilisent le système bouclé de
manière interne et qui minimise‖𝐹𝑙 (𝑃, 𝐾)‖∞ < 𝛾.
Les correcteurs assurant la plus petite valeur possible de 𝛾 seront dits optimaux ou centraux. Le
minimum de 𝛾 est noté 𝛾𝑜 et appelé gain ou atténuation H∞ − optimal.
Remarque :
23
A partir du système bouclé exprimé sous la forme standard de la figure 1.15, il consiste à
minimiser l’effet d’une perturbation de vecteurs d’entrées 𝑤sur le comportement du système.
Se référant aux travaux de Basar et Bernhard.
Nous présentons dans ce paragraphe les techniques de résolution par variable d’état des
problèmes H∞ optimaux et sous optimaux. On peut envisager deux différentes méthodes pour
résoudre le problème H∞ standard, utilisant la représentation d’état et la matrice
d’interconnexion 𝑃(𝑠):
Nous présentons ci-dessous l’approche par l’équation algébrique matricielle de Riccati, dans
laquelle la valeur optimale de 𝛾 est recherchée par dichotomie (algorithme de Glover et Doyle).
On considère le processus augmenté 𝑃(𝑠) défini par le travail de Hinrichsen et de Pritchard
basé sur les équations de Riccati :
𝑥̇ = 𝐴𝑥 + 𝐵1 𝑤 + 𝐵2 𝑢
{ 𝑧 = 𝐶1 𝑥 + 𝐷11 𝑤 + 𝐷12 𝑢
𝑦 = 𝐶2 𝑥 + 𝐷21 𝑤 + 𝐷22 𝑢
𝐷12 ∈ ℝ𝑝1 ×𝑚2 , 𝐷21 ∈ ℝ𝑝2 ×𝑚1 avec 𝑚1 ≥ 𝑝2 et 𝑝1 ≥ 𝑚2 . Enfin 𝑛désignera la dimension de
la matrice d’évolution d’états𝐴, c'est-à-dire, l’ordre du processus augmenté 𝑃(𝑠).
La solution par variable d’état n’est applicable que si les cinq hypothèses suivantes sont
vérifiées :
- H1 : (𝐴, 𝐵2 , 𝐶2 ) est stabilisable et détectable.
- H2 : Les matrices 𝐷21 et 𝐷12 sont de rang plein.
𝑗𝜔𝐼 − 𝐴 − 𝐵2
- H3 : Pour tout 𝜔 ∈ 𝑅 , 𝑟𝑎𝑛𝑔 ([ ]) = 𝑛 + 𝑚2 et
𝐶1 𝐷12
𝑗𝜔𝐼 − 𝐴 𝐵1
𝑟𝑎𝑛𝑔 ([ ]) = 𝑛 + 𝑝2
−𝐶2 𝐷21
T (D T T
- H4 : D12 12 , C1 ) = (I, 0)etD21 , B1 ) = (I, 0)
24
- H5 : 𝐷22 = 0 et 𝐷11 = 0
Théorème 1.06 :
Pour ces cinq hypothèses, le correcteur 𝐾(𝑠) stabilise le système de manière interne et assure
‖𝐹𝑙 (𝑃, 𝐾)‖∞ < 𝛾 si et seulement si les équations de Riccati ont des solutions stabilisantes 𝑋∞
et 𝑌∞ :
𝑋∞ ≥ 0; 𝑌∞ ≥ 0; 𝜌(𝑋∞ 𝑌∞ ) < 𝛾²
Les conditions de positivité (1.45) assurent une stabilité interne du système linéaire. L’existence
de solutions stabilisantes traduit la contrainte : ‖ 𝐹𝑙 (𝑃, 𝐾)‖∞ < 𝛾.
Et que si 𝐾(𝑠) = 𝐷𝐾 + 𝐶𝐾 (𝐼 − 𝐴𝐾 )−1 𝐵𝐾 est une réalisation minimale du correcteur, la matrice
d’état du système est :
𝐴 + 𝐵2 𝐷𝐾 𝐶2 𝐵2 𝐶
𝐴𝐵𝐹 = [ ] + (𝑠𝐼 − 𝐴)−1 [𝐵1 𝐵2 ]
𝐵𝐾 𝐶2 𝐴𝐾
Cet algorithme est connu sous le nom de 𝛾 – itération. Nous savons d’après le théorème du petit
gain que la boucle fermée est plus robuste que la norme de chaque transfert en boucle fermée.
Néanmoins, on ne sait pas déterminer 𝛾𝑜 sous la contrainte ‖𝐹𝑙 (𝑃, 𝐾)‖∞ < 𝛾. Par contre, en
fixant 𝛾, le problème est soluble et convexe.
25
Le problème standard H∞ admet une solution s’il existe un correcteur 𝐾(𝑠) qui satisfait la
contrainte ‖𝐹𝑙 (𝑃, 𝐾)‖∞ < 𝛾.
L’algorithme 𝛾 − itération est établie, selon les travaux de Packard, d’Apkarian, de Gahinet et
de Becker comme suit :
- A chaque itération on élimine une moitié de cet intervalle en testant les conditions des
équations des solutions stabilisantes (1.43), (1.44) et (1.45).
1
𝛾= (𝛾 + 𝛾𝑚𝑎𝑥 )
2 𝑚𝑖𝑛
Et 𝛾 devient alors 𝛾𝑚𝑎𝑥 s’il existe une solution, autrement il devient 𝛾𝑚𝑖𝑛 . Si ces conditions
sont satisfaisantes alors nous avons 𝛾 > 𝛾𝑜 et la moitié droite de l’intervalle sera enlevée (sinon
la gauche). Cette approche dichotomique permet d’obtenir un 𝛾 plus proche de la valeur
optimale 𝛾0 avec suffisamment d’itération.
L’itération s’arrête lorsque la longueur de l’intervalle tombe en-dessous de la précision désirée
pour 𝛾𝑜 .
Mais à chaque itération, il est nécessaire d’effectuer le test de la valeur de 𝛾 qui exige de vérifier
les étapes suivantes :
𝐴𝑇 𝛾 −2 𝐶1𝑇 𝐶1 − 𝐶2𝑇 𝐶2
𝐻∞ = [ ]
−𝐵1 𝐵1𝑇 −𝐴𝑇
Si ces spectres contiennent des valeurs propres imaginaires pures, nous pouvons conclure alors
que 𝛾 < 𝛾𝑜 et ainsi passer à l’itération suivante.
𝑃𝑋 𝑃
- Calculs des sous espaces invariants stables [ ] et [ 𝑌 ] de 𝐻∞ 𝑒𝑡 𝐽∞ . Si 𝑃𝑋 𝑜𝑢 𝑃𝑌 est
𝑄𝑋 𝑄𝑌
singulière, nous pouvons conclure que 𝛾 < 𝛾𝑜 et ainsi passer à l’itération suivante.
26
Sinon il faut calculer les solutions stabilisantes des équations de Riccati.
𝑋∞ = 𝑄𝑋 𝑃𝑋 −1 𝑌∞ = 𝑄𝑌 𝑃𝑌 −1
L’optimum est caractérisé par l’égalité 𝜌(𝑋∞ 𝑌∞ ) = 𝛾𝑜2 . Le problème standard H∞ admet une
solution, s’il existe un correcteur 𝐾(𝑠) qui satisfait la contrainte ‖𝐹𝑙 (𝑃, 𝐾)‖∞ < 𝛾.
𝐾(𝑠) = 𝐹𝑙 (𝐾𝐶 (𝑠), Φ(𝑠))
Où Φ(𝑠) est une matrice de dimension 𝑛 × 𝑛arbitraire vérifiant ‖Φ(𝑠)‖∞ < 𝛾, et 𝐾𝐶 (𝑠)est
définie par la représentation d’état suivante :
La mise en œuvre de cette solution consiste donc à utiliser tout d’abord les résultats de
l’équation (1.49) pour approcher la valeur optimale de 𝛾 par la procédure 𝛾-itération.
Puis à calculer le correcteur central en appliquant les équations (1.50) et (1.51).
On donne ici la caractérisation de 𝛾𝑜𝑝𝑡 et les formules du correcteur central 𝐾𝐶 pour le problème
régulier sous-optimal. Les résultats sont qualitativement les mêmes mais les formules sont plus
complexes. L’hypothèse, que 𝐷22 = 0 , est toujours maintenu puisqu’elle correspond à un
simple changement de variable pour le correcteur. Si 𝐾(𝑠) résout le problème sous-optimal
avec 𝐷22 mis à zéro, alors 𝐾(𝐼 + 𝐷22 𝐾)−1résout le problème original par référence aux travaux
de Font, Glover et Mc Farlane.
Les contreparties des équations de Riccati sont obtenues en remplaçant les expressions des
Hamiltoniennes par :
𝑇 𝑇 −1 𝑇
𝐴 0 𝐵1 𝐵2 𝛾²𝐼 − 𝐷11 𝐷11 −𝐷11 𝐷12 𝐷11 𝐶1 𝐵1𝑇
𝐻∞ = [ 𝑇 𝑇] + [ ] [ ] [ ]
−𝐶1 𝐶1 −𝐴 −𝐶1𝑇 𝐷11 𝑇
−𝐶1 𝐷12 𝑇
−𝐷12 𝐷11 𝑇
−𝐷21 𝐷12 𝑇
𝐷12 𝐶1 𝐵2𝑇
27
−1
𝐴𝑇 0 𝐶1𝑇 𝐶2𝑇 𝑇
𝛾²𝐼 − 𝐷11 𝐷11 𝑇
−𝐷11 𝐷21 𝐷11 𝐵1𝑇 𝐶1
𝐽∞ = [ 𝑇 ]+[ 𝑇 ][ 𝑇 𝑇 ] [ ]
−𝐵1 𝐵1 −𝐴 −𝐵1 𝐷11 −𝐵1 𝐷12 −𝐷21 𝐷11 −𝐷21 𝐷21 𝐷21 𝐵1𝑇 𝐶2
Théorème 1.07 :
Avec les trois premières hypothèses de la résolution du problème H∞ standard par l’équation
de Ricatti et avec 𝐷22 = 0, il existe un correcteur stabilisant de façon interne tel que
‖𝐹𝑙 (𝑃, 𝐾)‖∞ < 𝛾 si et seulement si pour 𝛾 > 𝛾𝑜 , l’analogue du correcteur central 𝐾𝐶 pour le
problème normalisé est construit comme suit :
Σ12 𝑉𝑇
Si 𝐷12 = [𝑈1 , 𝑈2 ] [ ] 𝑊 𝑇 et 𝐷21 = 𝑍[Σ12 , 0] [ 1𝑇 ]
0 𝑉2
- Calcul de 𝐵𝐶 :
𝐵𝐶 = (𝐼 − 𝛾 −2 𝑌∞ 𝑋∞ )−1 ⌊(𝑌∞ 𝐶2𝑇 𝐷21
𝑇
+ 𝐵) + (𝑌∞ 𝐶̃1𝑇
̃11
+ 𝐵1 𝐷 𝑇 ̃11 𝐷
)(𝛾 −2 𝐼 − 𝐷 ̃11
𝑇 −1
) 𝐷⌋𝐷21+
Où
𝐶̃ ≔ 𝐶1 − 𝐷11 𝐷21
+
𝐶2
̃ +
𝐷11 ≔ 𝐷11 (𝐼 − 𝐷21 𝐷21 )
- Détermination 𝐶𝐶 :
+𝑇 𝑇 −1
+
𝐶𝐶 = 𝐷12 [(𝐷12 ̃11
𝐵2 𝑋∞ + 𝐶) + 𝐷(𝛾 2 𝐼 − 𝐷 𝑇 ̃
𝐷11 ) (𝐵̃1𝑇 𝑋∞ ) + 𝐷
̃11
𝑇
𝐶1 ]
28
Où :
̂𝐵1 = 𝐵1 − 𝐵2 𝐷12
+
𝐷11
Et
̂11 ≔ (𝐼 − 𝐷12 𝐷12
𝐷 + )𝐷
11
- Détermination 𝐴𝐶 :
(𝐼 − 𝛾 −2 𝑌∞ 𝑋∞ )𝐴𝐶 = 𝐴 + 𝛾 −2 𝐴𝑇 𝑋∞ + 𝐵2 𝐶𝐶
−2 𝛾𝐼 𝐷 −1 𝐶 + 𝐷12 𝐶𝐶
+ (𝐼−𝛾 𝑌∞ 𝑋∞ )𝐵𝐶 𝐷21 ) [ 𝑇 ] [ −1 𝑇 ]
𝐷 𝛾𝐼 −𝛾 𝐵 𝑋∞
Réduction de modèle
Définition 1.10:
La réduction de modèles est définie par la simplification des systèmes complexe de grande
dimension. Cette rection ne concerne que l’ordre du modèle. On distingue la réduction par
diagonalisation, perturbation singulières.
On considère le système continu à réduire, supposée commandable et observable, décrit par la
représentation d’état :
𝑥̇ = 𝐴 𝑥 + 𝐵𝑢
{
𝑦 = 𝐶𝑥
Avec :
dim(𝑥) = 𝑛x1
Dim(𝑢) = 𝑝x1
dim(𝑦) = mx1
Il est régi par les équations d’état dont l’expression est donnée par l’équation (1.59).
29
𝑧̇ = 𝐹 𝑧 + 𝐺𝑢
{
𝑦̂ = 𝐻𝑧
Où :
dim(𝑧) = 𝑟x1
𝐴 𝐴2 𝐵
𝑥̇ = 𝐴 𝑥 + 𝐵𝑢 = [ 1 ] 𝑥 + [ 1] 𝑢
{ 𝐴3 𝐴4 𝐵2
𝑦 = 𝐶𝑥 = [𝐶1 𝐶2 ]𝑥
𝑉1 𝑉2 𝑧1
𝑥=𝑉𝑧=[ ][ ]
𝑉3 𝑉4 𝑧2
Où :
dim𝑉1 = 𝑟 x 𝑟
D’où :
Λ1 0 𝑧1 𝐸
𝑧̇ = Λ 𝑧 + 𝑉 −1 𝐵𝑢 = [ ] [ ] + [ 1] 𝑢
0 Λ 2 𝑧2 𝐸2
{ 𝑧
𝑦 = 𝐶𝑉𝑧 = [𝑀1 𝑀2 ] [𝑧1 ]
2
30
𝑥 = 𝑉1 𝑧1
{ 1
𝑥2 = 𝑉3 𝑧1
𝑧̇1 = Λ1 𝑧1 + 𝐸1 𝑢
{
𝑦̂ = M1 𝑧1
𝑥̇ 1 = 𝐹 𝑥1 + 𝐺𝑢
{
𝑦̂ = 𝐻𝑥1
Avec :
𝐹 = V1 Λ1 𝑉1 −1
{ 𝐺 = V1 𝐸1
𝐻 = M1 𝑉1 −1
En premier approximation, on peut considérer que les modes rapides agissent instantanément
sur le système. On ne retient donc que leur apport statistique.
Ceci se traduit mathématiquement par 𝑧̇2 = 0. En utilisant l’équation modale du système, on
obtient :
𝑧̇2 = −Λ 2 −1 𝐸2 𝑢
Puis : 𝑥1 = 𝑉1 𝑧1 + 𝑉2 𝑧2 = 𝑉1 𝑧1 − 𝑉2 Λ 2 −1 𝐸2 𝑢
𝑧1 = 𝑉1 −1 (𝑥1 + 𝑉2 Λ 2 −1 𝐸2 𝑢)
31
𝑥̇ 2 = 𝐹𝑥1 + 𝐺𝑢
{
𝑦̂ = 𝐻𝑥1 + 𝐷𝑢
On suppose ici que la dynamique du système peut être décrite par des équations de la forme :
𝑥̇ 1 = 𝐴11 𝑥1 + 𝐴12 𝑥2 + 𝐵1 𝑢
{𝜀𝑥̇2 = 𝐴21 𝑥1 + 𝐴22 𝑥2 + 𝐵2 𝑢
𝑦 = 𝐶1 𝑥1 + 𝐶2 𝑥2 + 𝐷𝑢
Où :
Si on fait tendre 𝜀 vers 0, on obtient le modèle réduit recherché, (en supposant 𝐴22 inversible) :
- Le modèle réduit a le même gain statique que le système initiale ; pour le vérifier, il
suffit de se rappeler que le gain statique s’obtient en faisant 𝑥̇ 1 = 0 et 𝑥̇ 2 = 0.
- Le modèle réduit est stable si le système initial est stable.
La méthode de μ-analyse consiste à étudier la stabilité d’un système en boucle fermée soumis
aux incertitudes paramétriques par la valeur singulière structurée. Ces incertitudes sont des
32
erreurs de la modélisation, soient des perturbations, comme une rafale de vent pour un système
avion, qui affectent certains paramètres.
Ces incertitudes peuvent être la cause d’une mauvaise évaluation de la dynamique du système,
d’une identification peu précise des valeurs numériques des paramètres ou d’une variation de
leurs valeurs.
33
Interconnexion en boucle ouverte P
𝑧2 = 0 𝑑 + 0𝑒 + 𝑊𝑢 𝑢
𝑧1 = −𝑊𝑝 𝑑 + 𝑊𝑝 𝑒 − 𝑊𝑝 𝐺 𝑢
𝑧1 = − 𝑑 + 𝑒 − 𝐺 𝑢
0 0 | 𝑊𝑢
P = [−𝑊𝑝 𝑊𝑝 | −𝑊𝑝 𝐺 ]
−𝐼 𝐼 | −𝐺
Où :
0 0
P11 = [−𝑊 𝑊𝑝 ]
𝑝
𝑊𝑢
P12 = [−𝑊 𝐺 ]
𝑝
P21 = [−𝐼 𝐼]
P22 = [−𝐺]
34
−𝑊𝑢 K𝑆 𝑊𝑢 K𝑆
M = [ −𝑊 𝑆 𝑊𝑝 𝑆 ]
𝑝
Démonstration :
On substitue chaque expression de P dans M et on a l’expression ci-après :
0 0 𝑊𝑢 −1 [
M = [−𝑊 𝑊𝑝 ] + [−𝑊𝑝 𝐺 ] K[𝐼 + 𝐺K] −𝐼 𝐼]
𝑝
♦
Les éléments de la matrice M pour l’analyse sont alors :
𝑀11 = −𝑊𝑢 K𝑆
𝑀12 = 𝑊𝑢 K𝑆
𝑀21 = −𝑊𝑝 𝑆
𝑀22 = 𝑊𝑝 𝑆
Définition 1.11 :
La valeur singulière structurée, noté μ, est la mesure de la taille de la plus petite incertitude 𝛥
capable de déstabiliser un système bouclé 𝑀 − 𝛥, c’est-à-dire la perturbation de la plus petite
taille qui amène le pôle de M sur l’axe imaginaire (la matrice 𝐼 − 𝑀𝛥 sera singulière ou non
inversible où 𝑑𝑒𝑡(𝐼 − 𝑀𝛥) = 0) . C’est un coefficient d’évaluation de la robustesse d’un
système incertain (soumis à des incertitudes).
La valeur singulière structurée de la matrice 𝑀 relative à l’ensemble ∆ est définie par l’équation
(1.80).
35
1
𝜇∆ (𝑀) = {𝑚𝑖𝑛{𝜎(∆): ∆𝜖∆, det[𝐼 − 𝑀∆] = 0}
0 𝑠𝑖 det[𝐼 − 𝑀∆] ≠ 0
Où :
- 𝜎(∆) : valeur singulière supérieure de la matrice 𝛥
Une interprétation consiste à considérer le système suivant :
𝑢 = 𝑀𝑣
{
𝑣 = ∆𝑢
Interconnexion standard 𝑴 − 𝜟
Pour ce système, si 𝑑𝑒𝑡[𝐼 − 𝑀𝛥] ≠ 0 (la matrice [𝐼 − 𝑀𝛥] est non singulière), alors la seule
solution est la solution triviale 𝑢 = 𝑣 = 0, on parle d’un système stable.
Par contre, si 𝑑𝑒𝑡[𝐼 − 𝑀𝛥] = 0( la matrice [𝐼 − 𝑀𝛥] est singulière ) alors il existe une infinité
de solution pour ce système d’où la qualification instable.
Il découle alors de cette interprétation que μ mesure la plus petite perturbation 𝛥 qui engendre
une instabilité. Plus précisément𝛾 = 𝜇∆ (𝑀)−1, appelée marge de stabilité, est la valeur
minimale de la norme de la matrice ∆ 𝜖 ∆ qui rend la matrice [𝐼 − 𝑀𝛥] singulière.
En générale, μ est difficile à calculer mais on utilise une méthode d’optimisation pour
déterminer un intervalle qui le contient (une borne inférieure et une borne supérieur).
Soit :
36
Démonstration :
En effet, dans le cas extrême, si 𝛥 ne contient qu’un seul bloc d’incertitude structurée de scalaire
complexe répété alors, ∆= {𝛿𝐼; 𝛿 ∈ ℂ}
1
𝜇∆ (𝑀) =
𝑚𝑖𝑛{𝜎(𝛿𝐼) = |𝛿|, det[𝐼 − 𝑀𝛿] = 0}
Avec :
D’autre part, si 𝛥 ne contient qu’un seul bloc d’incertitude non structurée, une matrice complexe
pleine alors, 𝛥 = {∆; ∆∈ ℂ𝑙𝑋𝑙 }
On a :
1
𝜇∆ (𝑀) =
𝑚𝑖𝑛{𝜎(∆) = |𝛿|, det[𝐼 − 𝑀∆] = 0}
𝜇∆ (𝑀) = 𝑚𝑎𝑥{𝜎(∆)−1 = 𝜎(𝑀), det[∆−1 𝐼 − 𝑀] = 0}
𝜇∆ (𝑀) = 𝜎(𝑀) ♦
Théorème 1.08:
37
- la matrice des erreurs de modèle ne possède pas des pôles à partie réelle négative; le
système est stable pour toute matrice ∆𝑟𝑠 (𝑠) ∈ ∆(𝑠)telle que ‖∆𝑟𝑠 ‖∞ si et seulement si
∀𝜔𝜖ℛ
(𝑀
𝜇∆ 11 (𝑗𝜔) < 1
Nous prenons alors pour 𝜇 la valeur la plus élevée obtenue sur l’intervalle de pulsations [𝜔1 , 𝜔2 ]
où 𝜔1est une pulsation basse fréquence et 𝜔2 une pulsation haute fréquence choisies suivant le
cahier de charge.
Le schéma bloc du système perturbé pour l’analyse de la robustesse en performance est donné
par la figure 1.20.
38
Théorème 1.09 :
∀𝜔𝜖ℛ
𝜇∆ (𝑀(𝑗𝜔) < 1
Remarque 1.02:
1.15.5 μ-Synthèse
Définition 1.12:
On définit par μ- Synthèse la synthèse d’un contrôleur basé par la valeur singulière structurée.
Le contrôleur K de l’interconnexion standard est construit en minimisant la valeur du pic de
𝜇∆ [𝑀(𝑗𝜔)]. Soit :
max𝜔 𝜇∆ [𝑀(𝑗𝜔)] < 1
Factorisation copremière
Définition 1.13:
La factorisation copremière est définie comme l’écriture d’un système stable 𝐺 sous forme
d’un quotient de deux fonctions stables.
Théorème 1.10 :
39
Elles constituent une factorisation copremière à droite de 𝑃 qui s’écrit sous la forme
monographique {𝑁𝑑 , 𝑀𝑑 } ,si et seulement si les conditions ci-contre sont repectées.
𝑁𝑑 ∗ 𝑁𝑑 + 𝑀𝑑 ∗ 𝑀𝑑 = 𝐼
Théorème 1.11 :
40
et comme :
(𝐼 − 𝑋 ∗ 𝑋)𝑥 = 𝐼𝑥 − (𝑋 ∗ 𝑋)𝑥 = 𝑥 − 𝜆(𝑋 ∗ 𝑋)𝑥 = [1 − 𝜆(𝑋 ∗ 𝑋)]𝑥
alors :
𝜆(𝑌 ∗ 𝑌) = 1 − 𝜆(𝑋 ∗ 𝑋)
D’où :
𝜎̅ 2 (𝑌) = 1 − 𝜎 2 (𝑋)
Principe de l’argument
Pour une fonction rationnelle à variable complexe 𝑔(𝑧), le principe de l’argument ou théorème
de Cauchy détermine la relation entre le nombre d’encerclement de l’image d’un contour donné
par cette fonction autour de l’origine du plan complexe et les nombres de pôles et de zéros de
cette fonction. Le critère de stabilité de Nyquist est basé par ce principe.
Théorème 1.12 :
Démonstration :
En effet, comme 𝑔 est rationnelle alors elle peut s’écrire sous la forme :
∏𝑚
𝑗=1(𝑧 − 𝑧𝑗 )
𝑔(𝑧) = 𝐾 𝑛
∏𝑖=1(𝑧 − 𝑝𝑗 )
41
Alors :
∏𝑚
𝑗=1(𝑧 − 𝑧𝑗 )
arg 𝑔(𝑧) = arg [𝐾 𝑛 ]
∏𝑖=1(𝑧 − 𝑝𝑖 )
Soit,
𝑚 𝑛
On déduit de cette relation que parcourir le contour fermé 𝒞 revient à faire un tour autour de
chaque zéro et pôle à l’intérieur de 𝒞 tandis que arg(𝑧 − 𝑧𝑗 ) et arg(𝑧 − 𝑝𝑖 ) sont tous nuls.
(Figure 1.21)
D’où,
arg 𝑔(𝒞) = 2𝜋(𝑍 − 𝜂)
Il découle de cette relation aussi que l’image du contour 𝒞 par 𝑔 sera une courbe qui entoure
l’origine 𝑍 − 𝜂 fois.
Principe de l’argument
42
Définition 1.14:
Le contour d’exclusion de Nyquist est défini comme un contour fermé situé sur le demi-plan
droite qui contient les pôles et les zéros à partie réelles strictement positives d’un système. Son
image par la fonction de transfert de ce système représente le diagramme de Nyquist.
Définition 1.15:
Propriété 1.02 :
Démonstration :
Comme
wno(𝑔ℎ) = arg 𝑔ℎ(𝒞)
alors
wno(𝑔ℎ) = wno(𝑔) + wno(ℎ)
43
Critère de stabilité utilisant la factorisation copremière
On note pour le système bouclé [𝐺, 𝐾] les monographes en factorisation copremière normalisé
à droite {𝑁𝑑𝐺 , 𝑀𝑑𝐺 } ({𝑁𝑔𝐺 , 𝑀𝑔𝐺 } à gauche) pour le système à corrigé et {𝑁𝑑𝐾 , 𝑀𝑑𝐾 } ({𝑁𝑔𝐾 , 𝑀𝑔𝐾 }
à gauche) celle du correcteur.
Le système à corriger peut alors être représenté par les graphes 𝐺𝑑 et 𝐺𝑔 , symbole de graphe
normalisé à droite et à gauche et le correcteur par les graphes 𝐾𝑑 et 𝐾𝑔 avec :
𝑁𝑑𝐺 𝑁𝑑𝐾
𝐺𝑑 = [ ] , 𝐺𝑔 = [−𝑀𝑔𝐺 𝑁𝑔𝐺 ], 𝐾𝑑 = [ ] et𝐾𝑔 = [−𝑁𝑔𝐾 𝑀𝑔𝐾 ]
𝑀𝑑𝐺 𝑀𝑑𝐾
En notant que ces graphes sont des facteurs copremiers normalisés, alors on a aussi :
𝑁
∗
𝐺𝑑∗ 𝐺𝑑 = [𝑁𝑑𝐺 ∗
𝑀𝑑𝐺 ] [ 𝑑𝐺 ] = 𝑁𝑑𝐺
∗ ∗
𝑁𝑑𝐺 + 𝑀𝑑𝐺 𝑀𝑑𝐺 = 𝐼
𝑀𝑑𝐺
−𝑁 ∗
𝐺𝑔 𝐺𝑔∗ = [−𝑁𝑔𝐺 𝑀𝑔𝐺 ] [ ∗𝑔𝐺 ] = 𝑁𝑔𝐺 𝑁𝑔𝐺
∗ ∗
+ 𝑀𝑔𝐺 𝑀𝑔𝐺 =𝐼
{ 𝑀𝑔𝐺
∗ ∗ 𝑁𝑑𝐾
𝐾𝑑∗ 𝐾𝑑 = [𝑁𝑑𝐾 𝑀𝑑𝐾 ][ ∗
] = 𝑁𝑑𝐾 ∗
𝑁𝑑𝐾 + 𝑀𝑑𝐾 𝑀𝑑𝐾 = 𝐼
𝑀𝑑𝐾
−𝑁 ∗
𝐾𝑔 𝐾𝑔∗ = [−𝑁𝑔𝐾 𝑀𝑔𝐾 ] [ ∗𝑔𝐾 ] = 𝑁𝑔𝐾 𝑁𝑔𝐾
∗ ∗
+ 𝑀𝑔𝐾 𝑀𝑔𝐾 =𝐼
{ 𝑀𝑔𝐾
∗
𝐺𝑑∗ 𝐺𝑑∗ 𝐺𝑑∗ 𝐺∗ 𝐺 𝐺𝑑∗ 𝐺𝑔∗ 𝐼 0
[ ] [ ] = [ ] [𝐺𝑑 𝐺𝑔∗ ] = [ 𝑑 𝑑 ]=[ ]=𝐼
𝐺𝑔 𝐺𝑔 𝐺𝑔 𝐺𝑔 𝐺𝑑 𝐺𝑔 𝐺𝑔∗ 0 𝐼
car
𝑁𝑑𝐺 −1 −1
𝐺𝑔 𝐺𝑑 = [−𝑀𝑔𝐺 𝑁𝑔𝐺 ] [ ] = −𝑀𝑔𝐺 𝑁𝑑𝐺 + 𝑁𝑔𝐺 𝑀𝑑𝐺 = 𝑀𝑔𝐺 (−𝑁𝑑𝐺 𝑀𝑑𝐺 + 𝑀𝑔𝐺 𝑁𝑔𝐺 )𝑀𝑑𝐺
𝑀𝑑𝐺
𝐺𝑔 𝐺𝑑 = 0
44
De la même façon pour 𝐺𝑑∗ 𝐺𝑔∗ .
∗
𝐺∗ 𝐺∗
[ 𝑑 ] [ 𝑑 ] = 𝐺𝑔∗ 𝐺𝑔 + 𝐺𝑑 𝐺𝑑∗ = 𝐼
𝐺𝑔 𝐺𝑔
Proposition 1.01 :
Démonstration :
−1
𝐺 −1
[ ] (𝐼 + 𝐾𝐺)−1 [𝐾 𝐼 ] = [𝑁𝑑𝐺 𝑀𝑑𝐺 ] (𝐼 − 𝑀𝑔𝐾 −1 𝑁𝑔𝐾 𝑁𝑑𝐾 𝑀𝑑𝐾 −1 ) [𝑀𝑔𝐾 −1 𝑁𝑔𝐾 𝐼]
𝐼 𝐼
On fait la transformation
−1 −1
(𝐼 − 𝑀𝑔𝐾 −1 𝑁𝑔𝐾 𝑁𝑑𝐺 𝑀𝑑𝐺 −1 ) = ( 𝑀𝑔𝐾 −1 𝑀𝑔𝐾 − 𝑀𝑔𝐾 −1 𝑁𝑔𝐾 𝑁𝑑𝐾 𝑀𝑑𝐾 −1 )
−1
= [ 𝑀𝑔𝐾 −1 ( 𝑀𝑔𝐾 − 𝑁𝑔𝐾 𝑁𝑑𝐾 𝑀𝑑𝐾 −1 )]
−1
= ( 𝑀𝑔𝐾 − 𝑁𝑔𝐾 𝑁𝑑𝐺 𝑀𝑑𝐺 −1 ) 𝑀𝑔𝐾
−1
= ( 𝑀𝑔𝐾 𝑀𝑑𝐺 𝑀𝑑𝐺 −1 − 𝑁𝑔𝐾 𝑁𝑑𝐺 𝑀𝑑𝐺 −1 ) 𝑀𝑔𝐾
−1
= [( 𝑀𝑔𝐾 𝑀𝑑𝐺 − 𝑁𝑔𝐾 𝑁𝑑𝐺 ) 𝑀𝑑𝐺 −1 ] 𝑀𝑔𝐾
−1
= 𝑀𝑑𝐺 ( 𝑀𝑔𝐾 𝑀𝑑𝐺 − 𝑁𝑔𝐾 𝑁𝑑𝐺 ) 𝑀𝑔𝐾
45
−1
𝐺 −1
[ ] (𝐼 + 𝐾𝐺)−1 [𝐾 𝐼 ] = [𝑁𝑑𝐺 𝑀𝑑𝐺 ] 𝑀𝑑𝐺 ( 𝑀𝑔𝐾 𝑀𝑑𝐺 − 𝑁𝑔𝐾 𝑁𝑑𝐺 ) 𝑀𝑔𝐾 [ 𝑀𝑔𝐾 −1 𝑁𝑔𝐾 𝐼]
𝐼 𝐼
𝐺 𝑁𝑑𝐺 −1
[ ] (𝐼 + 𝐾𝐺)−1 [𝐾 𝐼 ] = [ 𝑀 ] (−𝑁𝑔𝐾 𝑁𝑑𝐺 + 𝑀𝑔𝐾 𝑀𝑑𝐺 ) [𝑁𝑔𝐾 𝑀𝑔𝐾 ]
𝐼 𝑑𝐺
𝐺 −1
[ ] (𝐼 + 𝐾𝐺)−1 [𝐾 𝐼 ] = 𝐺𝑑 (𝐾𝑔 𝐺𝑑 ) 𝐾𝑔
𝐼
−1
On peut voire alors par cette dernière expression que si [𝐺, 𝐾] stable alors (𝐾𝑔 𝐺𝑑 ) l’est aussi.
−1 −1
Et comme [𝐺, 𝐾] stable alors (𝐾𝑔 𝐺𝑑 ) existe, ce qui fait 𝑑𝑒𝑡(𝐾𝑔 𝐺𝑑 ) ≠ 0. (𝐾𝑔 𝐺𝑑 ) est stable
alors elle ne possède pas de pôle instable, ce qui implique wno𝑑𝑒𝑡(𝐾𝑔 𝐺𝑑 ) = 0.
Remarque 1.03 :
Car
Proposition 1.02 :
Démonstration :
𝐹 ∈ ℝH∞ veut dire qu’elle ne possède pas de pôle instable, or 𝐼 + 𝐹 a les mêmes pôles que 𝐹
alors 𝐼 + 𝐹 ne possède pas aussi de pôle instable. De plus ‖𝐹‖∞ < 1, or la propriété de la valeur
singulier donne pour deux fonctions complexes A et B:
et comme
‖𝐹‖∞ < 1 ⟹ sup 𝜎(𝐹) < 1
46
alors
𝜎(𝐼 + 𝐹) ≥ 𝜎(𝐼 + 𝐹) ≥ 1 − 𝜎(𝐹) > 0 ⟹ ‖𝐼 + 𝐹‖∞ > 0
𝐼 + 𝐹 ne possède pas alors de zéro.
D’où
wno𝑑𝑒𝑡(𝐼 + 𝐹) = 0
Conclusion
Dans ce chapitre, on a introduit toutes les notions de base nécessaire pour résoudre tout
problème d’automatique : l’analyse, la notion de robustesse par l’intermédiaire des
asservissements, les outils de mathématiques qui seront utilisés par la suite. Par ailleurs, la
notion de boucle fermée d’asservissements est fortement liée à la notion de robustesse, car si le
modèle du système et de l’environnement était parfait, alors on adopterait une commande en
boucle ouverte qui ne remet pas en cause la stabilité du système si celui est stable. La commande
par 𝐻∞ par l’algorithme de Glover Doyle a été développé qui sera un outil puissant de synthèse
d’un correcteur. Cette méthode est basée par la représentation sous la forme standard qui est la
représentation linéaire fractionnaire ou LFT.
L’analyse de la robustesse d’un système linéaire à temps continu consiste donc à vérifier que la
stabilité et les performances continuent d’être assurées malgré les incertitudes de modélisation.
La μ- synthèse ainsi est basée sur la valeur singulière structurée. Cette valeur peut mesurer la
robustesse en stabilité ainsi qu’en performance d’un système. Le correcteur K qui peut stabiliser
un système perturbé s’obtient en minimisant la valeur supérieure de cette valeur même.
Pour la suite nous procèderons à un état de l’art sur la commande neuro-floue. En effet, ce type
de commande est intéressant du fait qu’elle est une mise en application de la science cognitive.
Ainsi, il est judicieux de développer un système de contrôle qui se comporte comme la raison
humaine.
47
ETATS DE L’ART SUR LA COMMANDE NEURO-FLOUE
Introduction
Au cours de son évolution l’homme a essayé de définir la manière dont nous acquérons et
utilisons nos connaissances pour évoluer de manière adaptée dans notre environnement. Afin
d’y parvenir, des chercheurs ont mis en place trois paradigmes à savoir le cognitivisme, le
connexionnisme et les systèmes dynamiques. Ce sont des représentations du monde, une
manière de voir les choses, un modèle cohérent de vision du monde qui repose sur une base
définie. Afin de l’appliquer dans le domaine de l’ingénierie, nous allons voir incessamment les
théories de la logique floue, les réseaux de neurones et la commande neuro-floue.
Logique floue
Dans le domaine de l’ingénierie, il existence des variables difficiles à décrire avec précision. Il
s’avère nécessaire d’introduire la présence de connaissances sur le processus exprimé
linguistiquement par des experts. En effet, la complexité des descriptions mathématiques de
certains systèmes ainsi que la prise en compte d’élément humains interagissant avec le
processus, tel que des utilisateurs, sont autant de raisons d’utiliser des techniques flous. Un
contrôleur flou permet de déterminer la commande à appliquer à un processus à partir de la
valeur de la variable de sortie de ce contrôleur ; déterminée à partir des valeurs des variables
d’entrée par des relations floues, ou règles floues.
49
Schéma d'un régulateur flou basé sur le raisonnement flou par
inférences
2.2.1 Fuzzification
Afin de procéder à la commande floue, il s’avère nécessaire de définir les ensembles flous des
variables d'entrée et leurs fonctions d'appartenance. Cette étape permet de fournir les degrés
d'appartenance de la variable floue à ses ensembles flous en fonction de la valeur réelle de la
variable d'entrée. Le choix des variables d’entrée n’est pas évident vu qu’il prend en compte
plusieurs paramètres, à savoir :
- le nombre des ensembles flous,
- la forme des fonctions d'appartenance,
Une fois déterminé, les variables d’entrées doivent être transformées en variable floue. Sachant
que la commande floue peut être considérée comme un approximateur universel, alors un
ensemble fini de règles 𝑅1 , 𝑅2 , … , 𝑅𝑛 de type fini peut être construit pour une fonction
𝑊 = 𝑓(𝑉1 , 𝑉2 , … , 𝑉𝑛 ) et un niveau d’approximation 𝜖. Le théorème suivant permet
d’approcher 𝑓 à 𝜖 près.
Théorème 2.01 :
Quel que soit une fonction continue réelle 𝑔 sur un ensemble compact 𝑈 ⊂ ℝ𝑛 et 𝜖 arbitraire,
il existe un système flou 𝑓 de la forme décrite par l’équation (2.01).
Tel que :
50
2
̅̅̅̅
𝑥𝑖 −𝑥
∑𝑀 ̅𝑙 [∏𝑛𝑖=1 𝑎𝑙,𝑖 exp (− (
𝑙=1 𝑦
𝑙,𝑖
) )]
𝜎𝑙,𝑖
𝑓(𝑥) = 2
𝑛 𝑥𝑖 −𝑥̅ 𝑙,𝑖
∑𝑀
𝑙=1 [∏𝑖=1 𝑎𝑙,𝑖 exp (− ( ) )]
𝜎𝑙,𝑖
Où : 𝑦̅𝑙 , 𝑎𝑙,𝑖 et 𝜎𝑙,𝑖 : paramètre ajustables du système flou sous les contraintes suivantes:
𝑦̅𝑙 ∈ 𝑉
𝑎𝑙,𝑖 ∈ [0,1]
𝑥𝑙,𝑖 ∈ 𝑈𝑖
̅̅̅̅
𝜎𝑙,𝑖 > 0
1 𝑖𝑥𝜖𝐴
𝑥𝐴 = {
0 𝑠𝑖𝑛𝑜𝑛
Afin de mettre en évidence les nuances d’appartenance pour les éléments de l’ensemble de
référence 𝑋, nous allons définir un sous-ensemble flou de 𝑋. Ce sous-ensemble flou, noté 𝐹, de
𝑋 est défini par une fonction d’appartenance 𝜇𝐹 qui associe à tout élément 𝑥 de 𝑋 une valeur
réelle 𝜇𝐹 (𝑥) dans l’intervalle [0,1].
𝜇𝐹 : 𝑋 ⟼ [0; 1]
𝜇𝐹 (𝑥)𝜖 [0; 1]
Un sous-ensemble flou est complètement défini par les données de sa fonction d’appartenance.
Un certain nombre de caractéristiques du sous-ensemble flou peut être étudié à partir de la
fonction d’appartenance.
Comme illustré sur la figure 2.03, la fonction d’appartenance est composée de 3 éléments.
51
Fonction d’appartenance
Définition 2.01 :
Le noyau est l’ensemble de tous les éléments qui appartiennent totalement à l’ensemble 𝐴. On
le note par 𝑁𝑜𝑦(𝐴).
Définition 2.02 :
Le support est l’ensemble de tous les éléments qui appartiennent au moins un petit peu à
l’ensemble 𝐴. On le note par 𝑆𝑢𝑝𝑝(𝐴).
Définition 2.03 :
La hauteur est la valeur maximale atteinte sur le support de 𝐴. On le note par ℎ(𝐴).
Définition 2.04 :
La cardinalité est le nombre d’éléments appartenant à 𝐴 pondéré par leur degré d’appartenance.
On l’écrit comme suit :
|𝐴| = ∑ 𝜇𝐴 (𝑥)
𝑥𝜖𝑋
52
Définition 2.05 :
𝐴𝛼 = {∀𝑥𝜖𝑋, 𝜇𝐴 (𝑥) ≥ 𝛼}
Où :
1 𝑠𝑖 𝜇𝐴 (𝑥) ≥ 𝛼
𝑥 𝐴𝛼 = {
0 𝑠𝑖𝑛𝑜𝑛
Théorème 2.02 :
Considérons :
- un sous-ensemble floue 𝐴
- un univers 𝑋
- une fonction d’appartenance 𝜇𝐴 .
On peut écrire que :
∀𝑥𝜖𝑋, 𝜇𝐴 (𝑥) = sup 𝛼. 𝑥 𝐴𝛼 (𝑥)
𝛼𝜖[0,1]
Démonstration :
53
2.2.2 Normalisation
Par analogie avec la théorie des ensembles classiques, les opérateurs des sous-ensembles
ordinaires peuvent être appliqués pour les sous-ensembles flous. Généralement les opérateurs
classiques suivants sont les plus utilisés.
Egalité
Considérons deux sous-ensembles flous 𝐴 et 𝐵, on dit qu’ils sont égaux s’ils ont des fonctions
d’appartenance égales en tout point de 𝑋.
∀𝑥𝜖𝑋, 𝜇𝐴 (𝑥) = 𝜇𝐵 (𝑥)
Démonstration :
En effet, soient :
- Le sous-ensemble flou 𝐴 de 𝑋 défini par une fonction d’appartenance 𝜇𝐴
- Le sous-ensemble flou 𝐵 de 𝑋 défini par une fonction d’appartenance 𝜇𝐵
Si
𝐴=𝐵
Alors tous les éléments de 𝐴 sont identiques à celui de 𝐵. Ainsi on peut écrire que :
𝑥𝐴 = 𝑥𝐵
D’où :
𝜇𝐴 (𝑥) = 𝜇𝐵 (𝑥)
Inclusion
54
𝐴 ⊆ 𝐵 ⇔ ∀𝑥𝜖𝑋, 𝜇𝐴 (𝑥) ≤ 𝜇𝐵 (𝑥)
Démonstration :
En effet, si
𝐴⊆𝐵
Alors par définition mathématiques tous les éléments de 𝐴 appartiennent à 𝐵. Ainsi on peut
écrire que :
D’où :
𝜇𝐴 (𝑥) ≤ 𝜇𝐵 (𝑥)
Union
Soient les sous-ensembles flous 𝐴 et 𝐵 de 𝑋, leur union est le sous-ensemble flou constitué des
éléments de 𝑋 affectés du plus grand des degrés avec lesquels ils appartiennent à 𝐴 et 𝐵. On le
note par 𝐴 ∪ 𝐵.
Son interprétation mathématique est donnée par l’expression (2.22).
En pratique,
55
Comme l’équation (2.11) peut être interprétée suivant l’équation (2.24).
Intersection
C’est le sous-ensemble flou constitué des éléments de 𝑋 affectés du plus petit des degrés avec
lesquels ils appartiennent à 𝐴 et 𝐵. Formellement 𝐴 ∩ 𝐵.
𝜇𝐴∩𝐵 (𝑥) = min( 𝜇𝐴 (𝑥), 𝜇𝐵 (𝑥))
Démonstration :
De même que la démonstration précédente, une intersection peut être traduite par une
conjonction des cas,
56
Complément
Démonstration :
Par définition mathématique complément du sous-ensemble flou noté 𝐴̅ se traduit comme suit :
Comme la fonction d’appartenance est définie dans l’intervalle [0,1], on peut dire que les
fonctions d’appartenance de l’ensemble flou 𝑋 sont majorées par 1.
Produit cartésien
Le produit cartésien de 𝑟 sous-ensembles flous 𝐴1 … 𝐴𝑟 , est alors donné par l’équation (2.33).
57
Démonstration :
∀𝑥 = (𝑥1 , … 𝑥𝑟 )𝜖 𝑋 = 𝑋1 × … × 𝑋𝑟 , 𝑥1 ∈ 𝑋1 … et 𝑥𝑟 ∈ 𝑋𝑟
∀𝑥 = (𝑥1 , … 𝑥𝑟 )𝜖 𝑋 = 𝑋1 × … × 𝑋𝑟 ,
Comme nous l’avons vu précédemment, la conjonction des cas peut être traduite comme suit :
∀𝑥 = (𝑥1 , … 𝑥𝑟 )𝜖 𝑋 = 𝑋1 × … × 𝑋𝑟 ,
sup 𝛼. 𝑥 A𝛼 (𝑥) = min [ sup 𝛼. 𝑥 A𝛼 ( 𝑥1 ) , … , sup 𝛼. 𝑥 A𝛼 ( 𝑥𝑟 )]
𝛼𝜖[0,1] 𝛼𝜖[0,1] 𝛼𝜖[0,1]
Projection
Avant d’entamer l’étude sur les règles floues, faisons d’abord un focus sur le raisonnement flou.
C’est un mécanisme capable d’utiliser et de prendre en compte des connaissances imprécises
ou incertaines afin de produire de nouvelles connaissances. Comme dans la logique classique,
58
la logique floue se base sur la définition de propositions floues qui seront associées à une valeur
de vérité.
Variables linguistiques
Souvent une variable linguistique est représentée par un triplet (𝑉, 𝑋𝑉 , 𝑇𝑉 ) avec :
- 𝑉 : nom de la variable
- 𝑋𝑉 : univers des valeurs prise par 𝑉
- 𝑇𝑉 : ensemble de sous-ensembles flous de 𝑋𝑉 , utilisés pour caractériser 𝑉
Elle est définit à partir d’une variable linguistique (𝑉, 𝑋𝑉 , 𝑇𝑉 ), elle représente une qualification
de cette variable : « 𝑉est 𝐴 » Dans le cadre de la logique floue, le problème est de déterminer
des degrés de vérité pour des propositions floues. Cette valeur de vérité est donnée par la
fonction d’appartenance 𝜇𝐴 de 𝐴.
𝜇𝐴 ∶ 𝑋𝑉 ↦ [0,1]
Elle consiste à appliquer la négation à une proposition. Le degré de vérité cette nouvelle
proposition est donc calculée à partir de l’origine.
¬« 𝑉 𝑒𝑠𝑡 𝐴 » ⇒ « 𝑉 𝑒𝑠𝑡 𝐴̅ »
59
Les fonctions 𝑛 peuvent être choisies en fonction des propriétés que l’on veut voir respectées
par cette fonction.
- La conjonction de propositions floues :
𝑝𝐴 ⇒ 𝑝𝐵 ⇔ 𝑓𝐼 : 𝑋𝑉 × 𝑋𝑊 ↦ [0,1]
Règles floues
Dans le domaine du raisonnement, l’implication entre deux propositions définit une règle floue.
𝑝𝐴 ⇒ 𝑝𝐵 ⇔ « 𝑉est 𝐴 » ⇒ « 𝑊est 𝐵 »
60
- « 𝑊est 𝐵 » la conclusion
2.2.4 Défuzzification
La déduction des actions de commande, notées 𝑦0 , issues des résultats flous peut être
déterminée suivant plusieurs méthodes.
Cette méthode consiste à déterminer les actions de commande de façon géométrique. Elle se
calcul suivant le système à temps continu et en échantillonné respectivement par les équations
(2.45) et (2.46).
- En continu
𝑓𝑌 𝑓𝐴 (𝐵 ′1 , 𝐵 ′ 2 , … )(𝑦)𝑦𝑑𝑦
𝑦0 =
𝑓𝐴 (𝐵 ′1 , 𝐵 ′ 2 , … )(𝑦)𝑑𝑦
- En échantillonné
∑ 𝑦𝑖 ∈𝑌 𝑓𝐴 (𝐵 ′1 , 𝐵 ′ 2 , … )( 𝑦𝑖 ) 𝑦𝑖
𝑦0 =
∑ 𝑦𝑖 ∈𝑌 𝑓𝐴 (𝐵 ′1 , 𝐵 ′ 2 , … )( 𝑦𝑖 )
max(𝑌) = { 𝑦0 }
- Le maximum moyen :
[∑𝑦𝑗∈max(𝑌) 𝑦𝑗 ]
𝑦0 =
|max(𝑌)|
(𝑦 ′ + 𝑦′′)
𝑦0 =
2
Avec :
- 𝑦 ′ : le plus petit des éléments de max(𝑌)
- 𝑦′′ : le plus grand des éléments de max(𝑌)
61
- La méthode des hauteurs :
[∑𝑖 𝑦𝑖 ℎ(𝐵′𝑖 )]
𝑦0 =
[∑𝑖 ℎ(𝐵′𝑖 )]
C’est la première méthode qui a été proposée. Elles sont vues comme étant des méthodes
particulières reposant sur le choix de la fonction d’agrégation. Cette méthode se repose sur la
théorie des t-norme.
Par définition, les t-normes, notés 𝑇, sont des applications commutatives, associatives,
croissantes définies comme suit :
Tels que :
𝑎 ≤ 𝑐 𝑒𝑡 𝑏 ≤ 𝑑 ⟹ 𝑇(𝑎, 𝑏) ≤ 𝑇(𝑐, 𝑑)
𝑇(0,0) = 0
𝑇(𝑎, 1) = 𝑎
∀𝑥 ≤ 1, 𝑇(𝑥, 𝑥) ≤ 𝑥
62
- Lukasiewicz
𝑇1 (𝑎, 𝑏) = 𝑚𝑎𝑥(0, 𝑎 + 𝑏 − 1)
- Einstein
𝑇1,5 (𝑎, 𝑏) = 𝑎𝑏/(2 − 𝑎 − 𝑏 + 𝑎𝑏)
- Algébrique ou probabiliste
𝑇2 (𝑎, 𝑏) = 𝑎𝑏
- Hamacher
𝑇2,5(𝑎, 𝑏) = 𝑎𝑏 / (𝑎 + 𝑏 − 𝑎𝑏)
- Zadeh
𝑇3 (𝑎, 𝑏) = 𝑚𝑖𝑛(𝑎, 𝑏)
Cette méthode n’est utilisable que dans le cas où les fonctions d’appartenance sont monotones.
En effet, cette monotonie permet de procéder par interpolation entre les valeurs de 𝑌 obtenues
par le biais des diverses règles 𝑅𝑖 .
63
Représentation graphique de la méthode de Mandani
Cette méthode est basée sur la partition floue de l’ensemble des entrées. En effet elle consiste
à lier les entrées et sorties de chaque sous-ensemble flou par une équation linéaire. La sortie de
ce raisonnement est donnée par l’agrégation des valeurs floues résultantes des règles utilisées
par les entrées.
Considérons la fonction d’appartenance 𝜇𝐴 (𝑥) à un sous-ensemble flou 𝐴 et avec 𝑥 ∈ 𝑋 univers
du discours. Définissons la valeur réelle de « 𝑥 est 𝐴 et 𝑦 est 𝐵 » par l’expression suivante :
64
La valeur réelle finale de la sortie 𝑦 s’exprime comme suit :
∑ 𝜔𝑖 𝑦 𝑖
𝑦= 𝐴(𝑥) ∧ 𝐵(𝑦)
∑ 𝜔𝑖
Avec :
𝜔𝑖 = ∏ 𝜇𝑖 (𝑥𝑖𝑛 )
Où :
- 𝑛 : nombre de règle flou ;
- 𝜇𝑖 (𝑥) : fonction d’appartenance du sous-ensemble 𝐴𝑖 .
Dans le cas où il existe plusieurs règles, les 𝑛 règles du système se traduisent sous une forme
d’implication.
.
.
.
𝑅 𝑛 𝑆𝑖 𝑥1 𝑒𝑠𝑡 𝐴1𝑛 𝑒𝑡 … 𝑒𝑡 𝑥𝑘 𝑒𝑠𝑡 𝐴𝑛𝑘 𝑎𝑙𝑜𝑟𝑠 𝑦 = 𝑝0𝑛 + 𝑝1𝑛 𝑥1 + ⋯ + 𝑝𝑘𝑛 𝑥𝑘
- En posant
𝐴1𝑖 (𝑥1 ) ∧ … ∧ 𝐴𝑖𝑛 (𝑥𝑛 )
𝛽𝑖 =
∑𝑛𝑖=1(𝐴1𝑖 (𝑥1 ) ∧ … ∧ 𝐴𝑖𝑛 (𝑥𝑛 ))
- On a :
𝑛
𝑦= ∑ 𝛽𝑖 (𝑝01 + 𝑝11 𝑥1 + ⋯ + 𝑝𝑘1 𝑥𝑘 )
𝑖=1
Réseau de neurones
Les réseaux de neurones sont conçus à partir de structures cellulaires artificielles. Ils constituent
une approche permettant d’aborder sous des angles nouveaux les problèmes de perception, de
65
mémoire, d’apprentissage et de raisonnement. Dans l’optique de contourner certaines des
limitations des ordinateurs classiques, ils s’avèrent très prometteuses grâce à leur traitement
parallèle d’information et à leurs mécanismes inspirés des cellules nerveuses (neurones).
En effet ils infèrent des propriétés émergentes permettant de solutionner des problèmes
complexes. Vu l’intérêt de ce système, nous allons essayer de comprendre les mécanismes
internes fondamentaux et de savoir comment et quand les utiliser. De ce fait nous procèderons
à l’analyse mathématique de ces réseaux.
Le modèle mathématique d’un neurone artificiel est schématisé sur la figure 2.05. Il est
essentiellement constitue d’un intégrateur effectuant la somme pondérée de ses entrées. Le
résultat de cette somme, noté 𝑛 , est ensuite transformé par une fonction de transfert 𝑓
produisant la sortie 𝑎 du neurone.
- Les 𝑅 entrées du neurone correspondent au vecteur 𝑝 = [𝑝1 𝑝2 … 𝑝𝑅 ]𝑇 .
𝑇
- Les poids du neurone sont représentés par le vecteur 𝑤 = [𝑤1,1 𝑤1,2 … 𝑤1,𝑅 ] .
- La sortie de l’intégrateur est donc donnée par l’équation (2.75)
𝑅
𝑛 = ∑ 𝑤1,𝑗 𝑝𝑗 − 𝑏
𝑗=1
= 𝑤1,1 𝑝1 + 𝑤1,2 𝑝2 + ⋯ 𝑤1,𝑅 𝑝𝑅 − 𝑏
Où :
- 𝑏 : biais du neurone ou seuil d’activation
- 𝑛 : niveau d’activation du neurone
- 𝑤 : poids du neurone
66
Représentation du modèle d’un neurone artificiel
Le modèle formulé par l’équation (2.76) nous permet d’obtenir la représentation matricielle
d’un neurone illustré sur la Figure 2.06. La sortie du neurone est obtenue en y ajoutant la
fonction d’activation 𝑓.
𝑎 = 𝑓(𝑛) = 𝑓(𝑤 𝑇 𝑝 − 𝑏)
𝑎 = 𝑓(𝑊𝑝 − 𝑏)
𝑇
Où : - 𝑊 = 𝑤 : la matrice d’une seule ligne des poids
- 𝑓 : la fonction d’activation
67
2.3.2 Fonction de transfert
Dans ce paragraphe nous allons spécifier la nature de la fonction d’activation de notre modèle.
Il existe plusieurs possibilités. Les fonctions de transfert peuvent être utilisées comme fonction
d’activation du neurone (tableau 2.1). Les plus utilisées sont les fonctions « seuil », « linéaire
» et « sigmoïde ».
La fonction seuil consiste à appliquer un seuil sur son entrée. Si une entrée négative ne passe
pas le seuil alors la fonction retourne alors la valeur 0. Dans le cas contraire la fonction retourne
1. Dans le contexte d’un neurone, cette fonction est illustrée à la figure 2.07(a). On remarque
que le biais b dans l’expression de 𝑎 = ℎ𝑎𝑟𝑑𝑙𝑖𝑚 ( 𝑤 𝑇 𝑝 − 𝑏 ) détermine l’emplacement du
seuil sur l’axe 𝑤 𝑇 𝑝 , où la fonction passe de 0 à 1.
La fonction linéaire consiste à affecter directement son entrée à sa sortie :
𝑎=𝑛
Dans le contexte d’un neurone, cette fonction est illustrée à la figure 2.07(b). Pour ce type de
fonction de transfert, la sortie du neurone correspond à son niveau d’activation dont le passage
à zéro se produit lorsque 𝑤 𝑇 𝑝 = 𝑏.
La fonction de transfert sigmoïde, illustrée à la figure 2.07(c) est donnée par l’équation (2.79)
1
𝑎=
1 + exp(−𝑛)
Cette fonction de transfert ressemble soit à la fonction seuil, soit à la fonction linéaire, selon
que l’on est loin ou prés de 𝑏.
68
Tableau 2.01: Tableau des fonctions de transfert
𝑎 = 0 𝑠𝑖 𝑛 < 0
Seuil
𝑎 = 1 𝑠𝑖 𝑛 ≥ 0
𝑎 = −1 𝑠𝑖 𝑛 < 0
Seuil symétrique
𝑎 = 1 𝑠𝑖 𝑛 ≥ 0
Linéaire 𝑎=1
𝑎 = 0 𝑠𝑖 𝑛 < 0
Linéaire saturée 𝑎 = 𝑛 𝑠𝑖 0 ≤ 𝑛 ≤ 1
𝑎 = 1 𝑠𝑖 𝑛 > 1
𝑎 = −1 𝑠𝑖 𝑛 < −1
Linéaire saturée symétrique 𝑎 = 𝑛 𝑠𝑖 − 1 ≤ 𝑛 ≤ 1
𝑎 = 1 𝑠𝑖 𝑛 > 1
𝑎 = 0 𝑠𝑖 𝑛 < 0
Linéaire positive
𝑎 = 𝑛 𝑠𝑖 𝑛 ≥ 0
1
Sigmoïde 𝑎=
1 + 𝑒 −𝑛
𝑒 𝑛 − 𝑒 −𝑛
Tangente hyperbolique 𝑎= 𝑛
𝑒 + 𝑒 −𝑛
𝑎 = 1 𝑠𝑖 𝑚𝑎𝑥𝑖𝑚𝑢𝑚
Compétitive
𝑎 = 0 𝑠𝑖 𝑎𝑢𝑡𝑟𝑒
Par contre, la fonction linéaire est tout à fait linéaire en effet elle ne comporte aucun changement
de pente. Notons que la sigmoïde est un compromis intéressant entre les deux précédentes.
Un réseau de neurones est constitué d’un maillage de plusieurs neurones organisés en couches.
Pour construire une couche de 𝑆 neurones, il suffit de les assembler suivant l’illustration 1.9.
Dans le cas où les 𝑆 neurones d’une même couche sont branchés aux 𝑅 entrées, on dit que la
couche est totalement connectée. Chacune des connexions est caractérisée par un poids 𝑤𝑖𝑗 . Le
premier indice désigne toujours le numéro de neurone sur la couche, tandis que le deuxième
69
indice spécifie le numéro de l’entrée. Ainsi, 𝑤𝑖𝑗 désigne le poids de la connexion reliant le
neurone 𝑖 à son entrée 𝑗. L’ensemble des poids d’une couche forme alors une matrice 𝑊 de
dimension 𝑆 × 𝑅.
Où :
Ainsi, on peut enfiler autant de couche que l’on veut. La dernière couche est appelée « couche
de sortie ». Les couches précédant la couche de sortie sont appelées « couches cachées ».
70
Représentation d’une couche de neurones
L’entraînement d’un réseau de neurones consiste de modifier la valeur de ses poids et de ses
biais pour qu’il réalise la fonction entrée/sortie désirée. Plusieurs algorithmes ont été conçus
pour y parvenir selon le contexte. Le choix du nombre de couches ainsi que le nombre de
neurones sur chaque couche s’avèrent aussi crucial.
71
Représentation matricielle d’un réseau de neurones
Méthodes Neuro-floue
Considérons un réseau de neurones simple illustré par la figure 2.10. Tous les signaux et les
poids sont des nombres réels. Les signaux d'entrée de sortie des deux neurones d'entrée ne
changent pas alors leur sortie et leur entrée sont les mêmes. Le signal 𝑥𝑖 interagit avec le
poids 𝑤𝑖 pour produire la sortie.
𝑝𝑖 = 𝑤𝑖 𝑥𝑖
Avec : 𝑖 = 1,2
𝑓(𝑥) = (1 + 𝑒 −𝑥 )−1
𝑦 = 𝑓(𝑛𝑒𝑡) = 𝑓(𝑤1 𝑥1 + 𝑤2 𝑥2 )
72
Réseau de neurones simple
Si nous employons d'autres opérations comme une t-norme, ou une t-conorme, pour combiner
les données entrantes à un neurone, nous obtenons ce que nous appelons un réseau de neurone
hybride.
Ces modifications conduisent à une architecture neuro-floue basée sur les opérations
arithmétiques floue. Exprimons les entrées (qui sont généralement produit d'un concept flou)
𝑥1 , 𝑥2 et les poids 𝑤1, 𝑤2 sur l'intervalle unitaire [0, 1].
Un réseau de neurone hybride ne peut pas utiliser la multiplication, l'addition ou un signal de
fonction sigmoïde (parce que les résultats de ces opérations ne sont pas nécessairement inclus
dans l'intervalle unitaire).
Par définition, un réseau de neurone hybride est un réseau de neurone ayant des signaux, des
poids et des fonctions de transfert distinct.
Cependant :
- nous pouvons combiner 𝑥𝑖 et 𝑤𝑖 en utilisant une t-norme, t-conorm, ou une autre
opération continue,
- nous pouvons aussi agréger 𝑝1 et 𝑝2 avec une t-norme, t-conorm, ou toute autre
fonction continue
- 𝑓 Peut être n'importe quelle fonction continue
Nous soulignons ici que toutes les entrées, les sorties et les poids d'un neurone hybride sont des
nombres réels pris dans l'intervalle d'unité [0, 1]. Un élément de traitement d'un réseau neuronal
hybride est appelé neurone flou. La combinaison des signaux 𝑥𝑖 et 𝑤𝑖 par une conorme
triangulaire 𝑆, produit l’expression suivant :
𝑝𝑖 = 𝑆( 𝑤𝑖 , 𝑥𝑖 )
Avec : 𝑖 = 1,2
Si l'information d'entrée 𝑝𝑖 est agrégée par une norme triangulaire 𝑇 alors la sortie du
neurone produit s’exprime comme suit :
73
𝑦 = 𝐴𝑁𝐷(𝑝1 , 𝑝2 ) = 𝑇(𝑝1 , 𝑝2 ) = T(𝑆( 𝑤1 , 𝑥1 ), 𝑆( 𝑤2 , 𝑥2 ))
Donc, si 𝑇 = 𝑚𝑖𝑛 et 𝑆 = 𝑚𝑎𝑥, alors le neurone 𝐴𝑁𝐷 réalise la composition des extrémums.
𝑦 = 𝑚𝑖𝑛{ 𝑤1 ∧ 𝑥1 , 𝑤2 ∧ 𝑥2 }
𝑝𝑖 = 𝑇( 𝑤𝑖 , 𝑥𝑖 )
Avec : 𝑖 = 1,2
𝑦 = 𝑚𝑎𝑥{ 𝑤1 ∧ 𝑥1 , 𝑤2 ∧ 𝑥2 }
Le neurone flou 𝑂𝑅
74
Les neurones flous AND et OR réalisent des opérations logiques pures sur les valeurs
d'appartenance. Le rôle des connexions est de différencier les niveaux d'impact que les entrées
individuelles peuvent avoir sur le résultat de l'agrégation. Nous notons que plus la valeur 𝑤𝑖
est élevée, plus l'impact de 𝑥𝑖 sur la sortie 𝑦 d'un neurone 𝑂𝑅 est importante. Inversement, plus
la valeur 𝑤𝑖 est faible, l'impact de 𝑥𝑖 sur la sortie 𝑦 d'un neurone 𝐴𝑁𝐷 est faible.
La plage de la valeur de sortie 𝑦 pour le neurone 𝐴𝑁𝐷 est calculée en laissant tous les 𝑥𝑖 égales
à zéro (0) ou un (1). En vertu de la propriété de monotonie de la norme triangulaire, nous
obtenons :
𝑦 ∈ [𝑇( 𝑤1 , 𝑤2 ), 1]
Et pour le neurone OR on a :
𝑦 ∈ [0, 𝑆( 𝑤1 , 𝑤2 )]
𝑝𝑖 = 𝐼( 𝑤𝑖 , 𝑥𝑖 ) = 𝑤𝑖 ← 𝑥𝑖
Avec : 𝑖 = 1,2
Si l'information d'entrée 𝑝𝑖 est agrégée par un opérateur d’implication flou 𝐼 alors la sortie du
neurone produit s’exprime comme suit:
𝑦 = 𝐼(𝑝1 , 𝑝2 ) = 𝑆(𝑝1 , 𝑝2 ) = S( 𝑤1 ← 𝑥1 , 𝑤2 ← 𝑥2 )
75
𝑝𝑖 = 𝑤𝑖 , 𝑥𝑖
Avec : 𝑖 = 1, … , 𝑛
Si l'information d'entrée 𝑝𝑖 est agrégée par une fonction d'agrégation ℎ alors l'entrée du neurone
s’exprime comme suit :
𝑧 = ℎ( 𝑤1 . 𝑥1 , 𝑤2 . 𝑥2 , … , 𝑤𝑛 . 𝑥𝑛 )
Où :
- 𝑓 : fonction d'activation
- 𝜃 : seuil d'activation
Avec :
- 𝑗 = 1, … , 𝑚
- 𝑔𝑗 : sont les 𝑚 fonctions de sortie du neurone qui représentent les fonctions
d'appartenance de l'entrée𝑥1 , 𝑥2 , … , 𝑥𝑛 dans tous les 𝑚 ensembles flous.
Avec : 𝑖 = 1, … , 𝑛
Si l'information d'entrée 𝑝𝑖 est agrégée par une conorme maximum alors 𝑧 est donné par
l’équation (2.100).
76
𝑧 = 𝑚𝑎𝑥{𝑝1 , 𝑝2 } = 𝑚𝑎𝑥{ 𝑤1 . 𝑥1 , 𝑤2 . 𝑥2 }
Pour 𝑖 = 1, … , 𝑛
𝑧 = 𝑚𝑖𝑛{𝑝1 , 𝑝2 } = 𝑚𝑖𝑛{ 𝑤1 . 𝑥1 , 𝑤2 . 𝑥2 }
Il est bien connu que les réseaux ordinaires sont des approximateurs universels, c'est-à-dire
qu'ils peuvent approximer toute fonction continue sur un ensemble compact à une précision
arbitraire. Dans un système expert discret et flou, on introduit une approximation discrète floue
bien définit et obtient une approximation discrète de l'ensemble flou à la sortie.
77
Habituellement, les systèmes experts discrets flous et les contrôleurs flous sont continus. Ainsi,
nous pouvons conclure que, compte tenu d'un système expert continu floue, ou contrôleur flou
continu, il y a un réseau régulier qui peut approximer uniformément à n'importe quel degré de
précision sur des ensembles compacts. Le problème avec ce résultat est qu'il est non-constructif
et seulement approximatif.
Les réseaux neuronaux hybrides peuvent être utilisés pour implémenter des règles floues dans
une manière constructive. Il convient de noter que ces réseaux hybrides sont généralement
conçus pour le calcul.
Il sied de préciser qu’un réseau neuro-flou régulier est un réseau de neurones avec des signaux
flous et / ou des poids flous, fonction de transfert sigmoïde et tous les opérations sont définies
par le principe d'extension de Zade.
Démonstration :
Considérons un réseau neuro-flou régulier. Tous les signaux et les poids sont des nombres flous.
Les deux neurones d'entrée ne modifient pas le signal d'entrée donc leur sortie est la même que
leur entrée.
Dans les littératures, il a été montré que les réseaux neuro-flous réguliers sont monotones, c'est-
à-dire que si 𝑋1 ⊂ 𝑋1 ′et 𝑋2 ⊂ 𝑋2 ′alors la relation (2.105) est justifiée.
78
𝑌 = 𝑓( 𝑊1 . 𝑋1 + 𝑊2 . 𝑋2 ) ⊂ 𝑌′ = 𝑓( 𝑊1 . 𝑋1 ′ + 𝑊2 . 𝑋2 ′)
Démonstration :
𝑌 = 𝑓( 𝑊1. 𝑋1 + 𝑊2 . 𝑋2 )
𝑌 = (1 + 𝑒 −( 𝑊1.𝑋1 + 𝑊1.𝑋2 ) )−1
Et que :
𝑌′ = 𝑓( 𝑊1 . 𝑋1 ′ + 𝑊2 . 𝑋2 ′)
𝑌 = (1 + 𝑒 −( 𝑊1 .𝑋1′+ 𝑊1 .𝑋2′) )−1
′
Un réseau neuro-flou hybride est un réseau de neurones avec des signaux flous et / ou poids
flous. Cependant, nous pouvons combiner 𝑋𝑖 et 𝑊𝑖 avec une t-norme, une t-conorme ou une
autre opération continue. Nous pouvons également agréger 𝑃1 et𝑃2 avec une t-norme, t-
conorme, ou toute autre fonction continue. La fonction 𝑓 peut être n'importe quelle fonction.
Les littératures ont montré que les réseaux de neurones flous hybrides sont des approximateurs
universels, c'est-à-dire qu'ils peuvent approximer toutes les fonctions continues floues sur un
domaine compact.
79
Montrons que toute réponse continue d’un réseau de neurones peut être approchée, à n'importe
quel degré de précision, par un système expert flou discret.
Démonstration :
♣
En effet, supposons que tous les signaux d'entrée (𝑣𝑗 ) et tous les sorties (𝑦𝑗 )du réseau de
neurones appartiennent à [0, 1].
Par conséquent,
𝑜 = 𝐺 (𝑣)
Avec :
- 𝑣 ∈ [0, 1] 𝑛 ,
- 𝑜 ∈ [0, 1] 𝑚 ,
- 𝐺 : fonction continue représentant le réseau
Démonstration :
𝑣 𝑝𝑜𝑢𝑟 𝑗 = 1, … , 𝑛
𝐴(𝑗) = { 𝑗
0 𝑠𝑖𝑛𝑜𝑛
Considérons également l’ensemble flou 𝐶 (i) où 𝐶(𝑗) est donné par l’équation (2.112).
80
𝑜 𝑝𝑜𝑢𝑟 𝑖 = 1, … , 𝑚
𝐶(𝑗) = { 𝑖
0 𝑠𝑖𝑛𝑜𝑛
Afin de tirer profits au deux méthodes précédente, l'utilisation conjointe des réseaux de
neurones et de la logique Floue a été envisagé. En effet les réseaux de neurones sont dotés d’une
grande capacité d'apprentissage tant disque la logique Floue est à la fois souple et lisible.
Depuis 1988 diverses associations de ces deux méthodes ont été développées et sont le plus
souvent orientées vers la commande des systèmes complexes et les problèmes de
classification. De ce fait trois Méthodes ont été développées.
Cette méthode est une sorte de réseau neuronal artificiel basé sur le système d'inférence floue
Takagi-Sugeno. Cette technique a été développée dans les années 1990. Elle intègre à la fois
les réseaux de neurones et les principes de la logique floue. Elle a alors le potentiel de capturer
les avantages des deux dans un cadre unique. Son système d’inférence correspond à un
ensemble de règles floues qui ont la capacité d'apprendre à se rapprocher des fonctions non
linéaires. Par conséquent, il est considéré comme un estimateur universel.
81
Représentation d’un réseau de neurones pour la commande floue.
Cette méthode consiste à coder un système d'inférences floues sous la forme d'un réseau de
neurones multicouche dans lequel les poids correspondent aux paramètres du système.
L'architecture du réseau est en fonction du type de règle et des méthodes d'inférence,
d'agrégation et de défuzzication choisies.
Soit les règles de la forme « si 𝑉1est 𝐴1𝑖 et 𝑉2est 𝐴2𝑖 alors 𝑊 = 𝑤𝑖 », on obtient un réseau de
neurones qui admet pour entrée les valeurs 𝑥1 et 𝑥2 prises par les variables 𝑉1et 𝑉2 et dont les
deux couches cachées correspondent respectivement au calcul de la valeur des fonctions
d'appartenance 𝐴1𝑖 pour l'entrée 𝑥1 et 𝐴2𝑖 pour l'entrée 𝑥2 et à celui de la valeur prise par la
conjonction des conditions de chaque règle utilisant un opérateur adéquat.
Les fonctions d'appartenance sont considérées comme des paramètres, ajustées par les poids
entrant dans la première couche cachée. Les conclusions 𝑤𝑖 des règles sont également des
paramètres ajustables par l'intermédiaire des poids associés à la dernière couche.
Cette seconde méthode consiste à utiliser les réseaux de neurones pour remplacer chacune des
composantes d'un système de commande floue. Les réseaux de neurones servent
d'apprentissage des fonctions d'appartenance, au calcul de l'inférence à la réalisation de la
phase d'agrégation et de défuzzification. De ce fait, ils peuvent réaliser l'extraction des règles
floues en analysant la corrélation existant entre les entrées et les sorties du réseau de neurones.
82
Ces méthodes permettent de résoudre deux problèmes important de la logique floue, notamment
la détermination des fonctions d'appartenance et l’adaptation à l'environnement du système.
Il est possible d’associer les réseaux de neurones et les systèmes flous en série ou en
parallèle. Il existe plusieurs variantes d'utilisation, mais son emploie dépend du résultat attendu.
- Dans le cas où le réseau de neurones fonctionne en amont du système flou (figure 2.23).
Les variables d'entrées du système flou sont déterminées à partir des sorties du réseau de
neurones (dans le cas où elles ne sont pas mesurables directement) ou encore un réseau de
neurones effectue une tâche de classification ou de reconnaissances de formes, qui est suivit
d'un système flou d'aide à la décision.
- Dans le cas où le réseau de neurones fonctionne en aval du système flou, on a pour but
d'ajuster les sorties d'un système de commande floue à de nouvelles connaissances
obtenues en considérant les variables de sortie comme étant les erreurs sur les variables de
sortie du système.
83
Montage en parallèle d’un réseau de neurones et de la commande
floue.
Le plus souvent, l’apprentissage se traduit par un changement dans la valeur des poids qui
relient les neurones d’une couche à une autre. En sachant que les poids reliant les couches de
neurones se traduisent analogiquement par les synapses d’un neurone biologique, on peut dire
alors que l’apprentissage est une modification de l’efficacité synaptique. Considérons le
poids 𝑤𝑖𝑗 reliant le neurone 𝑖 à son entrée 𝑗. Le changement de poids ∆𝑤𝑖𝑗 (𝑡) à un temps 𝑡 peut
s’exprimer comme suit :
∆𝑤𝑖𝑗 (𝑡) = 𝑤𝑖𝑗 (𝑡 + 1) − 𝑤𝑖𝑗 (𝑡)
Avec :
- ∆𝑤𝑖𝑗 (𝑡) : changement de poids à un temps 𝑡
84
- 𝑤𝑖𝑗 (𝑡 + 1) : nouvelle valeur du poids
- 𝑤𝑖𝑗 (𝑡) : ancienne valeur du poids
Il existe plusieurs méthodes et règles bien définies permettant de réaliser ce type d’adaptation
des poids. Ces méthodes constituent l’algorithme d’apprentissage du réseau.
Une des règles que l’on peut utiliser est fondée sur la correction de l’erreur observée à la sortie.
Considérons la sortie 𝑎(𝑡) que l’on obtient pour le neurone 𝑖 au temps 𝑡. Elle résulte d’un
stimulus noté 𝑝(𝑡) que l’on applique aux entrées du réseau dont un des neurones correspond au
neurone 𝑖. Notons 𝑑𝑖 (𝑡) la sortie que l’on désir obtenir pour ce même neurone 𝑖 au temps 𝑡. On
constate que les sorties 𝑎(𝑡) et 𝑑𝑖 (𝑡) sont généralement différentes, alors il est naturel de
calculer l’erreur 𝑒𝑖 (𝑡) entre ce que l’on obtient et ce qu’on voudrait obtenir :
A cet effet, pour que notre système soit performant il faut chercher à réduire l’erreur. En
utilisant la forme vectorielle l’équation (2.116) devient :
Comme nous l’avons dit, l’apprentissage par correction d’erreur se résume à minimiser un
indice de performance 𝐹 basé sur les signaux d’erreur 𝑒𝑖 (𝑡). Cette méthode a été élaborée dans
le but de faire converger les sorties du réseau avec celles que l’on voudrait qu’elles soient.
Avec :
- 𝐹 : l’indice de performance basé sur les signaux d’erreur
85
Prenons l’ensemble des poids du réseau et assemblons-les sous forme de vecteur 𝑤(𝑡) au
temps 𝑡.Pour minimiser 𝐹(𝑒(𝑡)) nous allons choisir des poids initiaux, puis nous allons les
modifier de la manière suivante :
Où :
Notre objectif et de faire en sorte que 𝐹(𝑡 + 1) < 𝐹(𝑡). Le choix de la direction 𝑥 peut être fait
en considérant la série de Taylor de première ordre autour de 𝑤(𝑡).
Où :
- ∇𝐹(𝑡) : gradient de 𝐹 par rapport à ses paramètres libres au temps 𝑡
Pour atteindre notre objectif, il faut que la condition suivante soit respectée :
Tous vecteurs respectant cette inégalité pointe donc dans une direction qui diminue 𝐹. Etant
donné que 𝜂 > 0, il faut alors que le vecteur 𝑥(𝑡) pointe dans le sens opposé au gradient. En
effet c’est dans ce cas que le produit scalaire est au minimum.
𝑥(𝑡) = −∇𝐹(𝑡)
∆𝑤(𝑡) = −𝜂∇𝐹(𝑡)
86
Illustration de la trajectoire de la descente du gradient
Ce type de synapse est appelé synapse hebbien, et il utilise un mécanisme interactif, en fonction
du temps et de l’espace, afin d’augmenter l’efficacité synaptique d’une manière proportionnelle
à la corrélation des activités.
87
- L’interaction : l’apprentissage hebbien est en fonction d’une interaction entre les
activités de part et d’autre de la synapse.
- La conjonction ou la corrélation : l’interprétation de l’énoncé de Hebb peut être
interpréter comme suit : une conjonction des activités pré et post-synaptique permet un
changement dans l’efficacité synaptique.
∆𝑤(𝑡 − 1) = 𝜂p(𝑡)𝑎(𝑡)
Dans le cas où l’entrée et la sortie demeurent constantes dans le temps il se pourrait que les
changements de poids puissent croître de façon exponentielle. Afin d’éviter cette croissance
exponentielle provoquant une saturation de poids, on ajoute un facteur d’oubli retranchant de
la variation de poids, une fraction 𝛼 du poids actuel.
Avec :
- 0 ≤ 𝛼 ≤ 1 : facteur d’oubli
88
Avec :
Le terme oubli entraine la répétition régulière des stimuli afin que les associations apprises ne
soient éventuellement perdues ou complètement oubliées. L’équation (2.129) est une autre
variante de la règle de Hebb.
En posant 𝑎(𝑡) = 1 :
On constate qu’en présence d’une activité post-synaptique positive, le vecteur de poids est
déplacé dans la direction du vecteur d’entrée p(𝑡), le long du segment qui relie l’ancien vecteur
de poids avec le vecteur d’entrée.
89
- Dans le cas où 𝜂 = 1/2, le nouveau vecteur de poids est à mi-chemin entre l’ancien
vecteur poids et le vecteur d’entrée.
Ce type d’apprentissage consiste à faire compétitionner les neurones d’un réseau pour
déterminer lequel sera actif à un instant donné. Comme toute compétition, cette méthode
d’apprentissage produit un « vainqueur » ainsi qu’un ensemble de neurones voisin du
vainqueur. Seul le neurone vainqueur ainsi que son voisinage bénéficient d’une adaptation de
leur poids. Ce type d’apprentissage est dit local car il est limité à un sous-ensemble des neurones
du réseau.
A cet effet, les neurones individuels peuvent apprendre à se spécialiser sur des sous-ensembles
de stimuli similaires pour devenir des détecteurs de caractéristiques.
Le plus souvent, les réseaux de neurones utilisant ce type d’apprentissage sont constitués d’une
seule couche de neurones de sortie. Le neurone vainqueur modifiera ses poids synaptiques en
effectuant une approche géométrique d’un stimulus d’entrée 𝑝 pour lequel il a battu tous les
neurones compétiteurs.
Avec :
Le neurone perdant ne modifiera pas ses poids, donc il ne sera pas affecté par le stimulus.
Souvent, on définit les neurones au voisinage du gagnant et on y applique une règle similaire
sur les voisins, mais avec un autre taux d’apprentissage.
90
𝜂1 (p − 𝑤) 𝑠𝑖 𝑙𝑒 𝑛𝑒𝑢𝑟𝑜𝑛𝑒 𝑒𝑠𝑡 𝑣𝑎𝑖𝑛𝑞𝑢𝑒𝑢𝑟
∆𝑤 = {𝜂2 (p − 𝑤) 𝑠𝑖 𝑙𝑒 𝑛𝑒𝑢𝑟𝑜𝑛𝑒 𝑒𝑠𝑡 𝑣𝑜𝑖𝑠𝑖𝑛 𝑑𝑢 𝑣𝑎𝑖𝑛𝑞𝑢𝑒𝑢𝑟
0 𝑎𝑢𝑡𝑟𝑒𝑚𝑒𝑛𝑡
Avec :
- 𝜂1 ≤ 𝜂2
Dans le domaine de l’apprentissage, il subsiste un problème qui tourne autour de la notion des
affectations du crédit. Il consiste à affecter le crédit d’un résultat global à l’ensemble des
décisions internes prise par le réseau en ayant conduit à ce résultat. En effet, les décisions
internes correspondent aux sorties des neurones situés sur les couches précédant la couche de
sortie. Ces couches sont appelées couches cachées car on n’a pas d’information sur l’adéquation
de leurs sorties. Le problème cité en titre est donc présent dans l’apprentissage des réseaux de
neurones.
Ce type d’apprentissage est caractérisé par la présence d’un superviseur (professeur) possédant
une connaissance approfondie de l’environnement dans lequel évolue le réseau de neurones.
Les connaissances du professeur sont données sous la forme d’un ensemble de couples de
vecteurs d’entrée et de sortie et sont notées comme suit :
Où :
- 𝑝𝑖 : stimulus (entrée)
- 𝑑𝑖 : cible du stimulus (la sortie désirée du réseau)
- 𝑄 : nombre de couples (𝑝𝑖 , 𝑑𝑖 )
- (𝑝𝑖 , 𝑑𝑖 ) : un cas d’espèce de ce que le réseau devrait produire pour un stimulus donné
(cible)
91
Illustration par schéma bloc d’un apprentissage supervisé
Cette méthode c’est inspiré des travaux psychologiques expérimentaux de Thomdike [2.01].
C’est une sorte d’apprentissage supervisé mais dont l’indice de satisfaction scalaire au lieu d’un
signal d’erreur vectoriel. A cet effet elle permet de contourner certaines limitations de
l’apprentissage supervisé. Son principe est donné par l’énoncé suivant : « Lorsqu’une action
(décision) prise par le réseau engendre un indice de satisfaction positif, alors la tendance du
réseau à prendre cette action doit être renforcée. Autrement, la tendance à prendre cette action
doit être diminuée » [2.01]
Réellement, la mise en œuvre des apprentissages par renforcement s’avère moins facile puisque
aucun réseau ne l’utilise pratiquement. La distinction entre ce type d’apprentissage et ce de
l’apprentissage supervisée est importante.
92
direction pour adapter les poids synaptiques. L’information fournie par le professeur est le juge.
Due à l’absence due du signal d’erreur, le calcul du gradient s’avère impossible. Pour ce faire
le réseau est obligé de tenter des actions et d’observer le résultat afin d’inférer une direction de
changement des poids synaptiques. On procède alors à l’implantation d’un processus d’essais
et d’erreur tout en retardant la récompense offerte par l’indice de satisfaction. Dou
l’introduction de deux étapes :
Cette forme d’apprentissage dite non-supervisé, ou encore auto-organisée, est caractérisée par
l’absence d’un professeur. En effet on ne dispose ni d’un signal d’erreur, ni d’un indice de
satisfaction. On dispose alors d’un environnement fournissant des stimuli et d’un réseau devant
apprendre sans intervention externe. Pour y parvenir, il faut d’abord définir une mesure de la
qualité du modèle, et de s’en servir pour optimiser les paramètres libres du réseau (les poids
synaptique). A la fin de l’apprentissage, on obtient un réseau habilité à former des
représentations internes des stimuli de l’environnement permettant d’encoder les
caractéristiques de ceux-ci et d’acquérir de nouvelles connaissances sur les conséquences de
ces décisions et de créer automatiquement des classes de stimuli similaires.
Dans ce paragraphe nous allons énumérer les différentes catégories de tâches que l’on peut
vouloir réaliser avec un réseau de neurones.
93
L’approximation
𝑑 = 𝑔(𝑝)
Avec :
- 𝑝 : argument de la fonction
- 𝑑 : valeur de la fonction 𝑔 évaluée en 𝑝
Supposons que 𝑔(𝑝) est inconnue, l’approximation consiste à concevoir un réseau de neurones
capable d’associer les éléments des couples d’entrée/sortie décrit dans le paragraphe 2.5.
La résolution de ce problème peut se faire à l’aide d’un apprentissage supervisé sur les 𝑄
exemples en prenant 𝑝𝑖 comme étant les stimuli et 𝑑𝑖 la sortie désirée pour chacun de ces stimuli
avec 𝑖 = 1,2,3, … , 𝑄.
L’association
Le classement
La tâche de classement est caractérisée par un nombre fixe, classe, de stimuli d’entrée que le
réseau doit apprendre à reconnaître. Tout d’abord, le réseau doit entreprendre une phase
d’apprentissage supervisé durant laquelle les stimuli sont présentés en entrée et les catégories
sont utilisées pour former les sorties désirées, généralement en utilisant une sorte par catégorie.
A cet effet, on associe la sortie 1 à la catégorie 1, la sortie 2 à la catégorie 2, et ainsi de suite.
Pour 𝑄 catégorie on peut fixer les sorties désirées par l’expression suivante :
94
1 𝑠𝑖 𝑙𝑒 𝑠𝑡𝑖𝑚𝑢𝑙𝑖 𝑎𝑝𝑝𝑎𝑟𝑡𝑖𝑒𝑛𝑡 à 𝑙𝑎 𝑐𝑙𝑎𝑠𝑠𝑒 𝑖
𝑑𝑖 = {
0 𝑑𝑎𝑛𝑠 𝑙𝑒 𝑐𝑎𝑠 𝑐𝑜𝑛𝑡𝑟𝑎𝑖𝑟𝑒
Avec : 𝑖 = 1, … , 𝑄
Dans une phase de reconnaissance, on présente au réseau plusieurs stimulus inconnus pour
pouvoir procéder au classement de celui-ci dans les différentes catégories.
La prédiction
Avec :
- 𝑥(𝑡) : la sortie désirée
- 𝑥̂(𝑡|𝑡 − 1, 𝑡 − 2, … , 𝑡 − 𝑀) : la sortie observée du réseau
- 𝑀 : le nombre d’échantillons
La prédiction est une construction d’un modèle physique de la série chronologique. De ce fait,
si le réseau possède des neurones à fonction de transfert non-linéaire alors le modèle pore être,
lui aussi, non-linéaire.
La commande
{𝑢(𝑡), 𝑦(𝑡)}
Avec :
Dans la plupart des cas, on désir commander ce système de manière à ce qu’il se comporte selon
le modèle de référence. Le principe de la commande se traduit par l’équation (2.138).
95
lim |𝑑(𝑡) − 𝑦(𝑡)| = 0
𝑡→∞
Avec :
- 𝑑(𝑡) : modèle de référence
Cette tâche peut être réalisée grâce à certains types de réseau supervisés.
Dans le chapitre précédent nous avons vu que le système floue peut être considérée comme un
approximateur universel. En effet, considérons :
- 𝑊 = 𝑓(𝑉1 , 𝑉2 , … , 𝑉𝑛 ) : fonction
- 𝜖 : niveau d’approximation de la fonction 𝑓.
Il est probable de construire un ensemble fini de règle permettant d’approcher 𝑓 à 𝜖 près si ladite
fonction est continue et définie sur un ensemble compact de dimension finie. Cela se traduit par
le théorème décrit dans l’équation 1.1.
96
Ladite équation peut être représentée sous la forme d’un réseau de neurones à trois couches.
Dans la représentation suivante on pose :
2
𝑥𝑖 − 𝑥̅𝑙,𝑖
𝜇 = 𝑒𝑥𝑝 (− ( ) )
𝜎𝑙,𝑖
Où :
- 𝜇 : sortie de la première couche
Considérons une paire d’entrées/sorties dont nous allons définir un système flou du type de
l’équation 2.140.
1
𝑒𝑝 = [𝑓(𝑥𝑝 ) − 𝑑𝑝 ]2
2
Avec :
- (𝑥𝑝 , 𝑑𝑝 ) : paire d’entrées/sorties
- 𝑑𝑝 ∈ 𝑉
- 𝑥𝑝 ∈ 𝑈
Supposons que 𝑀 est connu et que 𝑎𝑙,𝑖 = 1, le problème se résume alors à apprendre les
paramètres 𝑦̅𝑙 , 𝑥̅𝑙 , 𝜎𝑙,𝑖 ; et à minimiser 𝑒𝑝 .Dans le but d’ajuster les paramètres 𝑦̅𝑙 , 𝑖 on utilise la
relation (2.141).
𝜕𝑒
𝑦̅𝑙 (𝑘 + 1) = 𝑦̅𝑙 (𝑘) − 𝛼 |
𝜕𝑦̅𝑙 (𝑘) 𝑘
Où :
- 𝑙 = 1,2, … , 𝑀
- 𝑘 = 1,2, …
- 𝛼 : pas d’apprentissage
On a :
𝛼
𝑓=
𝑏
𝑀
𝛼=∑ 𝑦̅𝑙 𝑧𝑙
𝑙=1
2
𝑛 𝑥𝑖 − 𝑥̅𝑙,𝑖 𝑗
𝑧𝑙 = ∏ 𝑒𝑥𝑝 (− ( ) )
𝑖=1 𝜎𝑙,𝑖 𝑗
97
𝑀
𝑏=∑ 𝑧𝑙
𝑙=1
D’où la loi d’adaptation :
𝑓−𝑑
𝑦̅𝑙 (𝑘 + 1) = 𝑦̅𝑙 (𝑘) − 𝛼 𝑧𝑙
𝑏
Pour ajuster les paramètres ̅𝑥𝑙,𝑖 et 𝜎𝑙,𝑖 on utilise les équations suivantes :
𝑓−𝑑 2(𝑥𝑖,𝑝 − ̅𝑥𝑙,𝑖 (𝑘))2
̅𝑥𝑙,𝑖 (𝑘 + 1) = ̅𝑥𝑙,𝑖 (𝑘) − 𝛼 𝑧𝑙 (𝑦̅𝑙 − 𝑓)
𝑏 𝜎𝑙,𝑖 2 (𝑘)
𝑓−𝑑 2(𝑥𝑖,𝑝 − ̅𝑥𝑙,𝑖 (𝑘))2
𝜎𝑙,𝑖 (𝑘 + 1) = 𝜎𝑙,𝑖 (𝑘) − 𝛼 𝑧𝑙 (𝑦̅𝑙 − 𝑓)
𝑏 𝜎𝑙,𝑖 3 (𝑘)
L’apprentissage par rétro-propagation peut être appliqué dans le but d’identifier un système
non- linéaire dynamique. Comme les systèmes flous sont des approximateurs universelles et
que l'on possède maintenant l'algorithme de rétropropagation, par analogie avec les réseaux de
neurones artificiels il est possible d'approximer n'importe quel système. Son intérêt par rapport
aux réseaux de neurones est que l'identification floue des paramètres à une signification
physique. En effet :
Mise à part cela la construction d'un modèle floue est basée sur les connaissances des experts,
ce qui permet d'intégrer des données propres au système et d'accélérer lacon vergence de
l'algorithme lors de l’apprentissage.
2.6.2 Apprentissage par la méthode des moindres Carrés Orthogonaux pour les Systèmes
Flous
Une des lacunes de la rétro-propagation du gradient de l'erreur est que l'algorithme peut se
bloquer dans des minimas locaux lors de la phase d'apprentissage et sa convergence est assez
lente. Pour y remédier on adapte le système flou en le rendant équivalent à une série de fonctions
à base floue (FBF).
98
Transformation du système flou à la série de fonction à base floue
Considérons un système flou définit par l’équation (2.01), une fonction à base floue est donnée
par la relation :
∏𝑛𝑖=1 𝜇𝐹𝑗 (𝑥𝑖 )
𝑖
𝑝𝑖 (𝑥) =
∏𝑛𝑗=1 𝜇𝐹𝑗 (𝑥𝑖 )
𝑖
Avec :
- 𝑗 = 1,2, … , 𝑀
2
1 𝑥𝑖 −𝑥̅ 𝑖,𝑗
- 𝜇𝐹𝑗 = 𝑒𝑥𝑝 (− 2 ( ) ): fonctions d’appartenance gaussiennes
𝑖 𝜎𝑖,𝑗
𝑝𝑗 (𝑥) = ∑ 𝑝𝑗 (𝑥) Θ𝑗
𝑗=1
Avec :
- Θ𝑗 = 𝑦̅𝑙 : des constantes
D'après l’équation (2.146), on constate que le système flou peut être vu comme non linéaire par
rapport à ses paramètres. Il faut alors utiliser des algorithmes d'optimisation non linéaire comme
la rétropropagation. D'un autre côté en fixant certains paramètres, comme les centres et les
rayons des fonctions à base floue on obtient un système linéaire par rapport à ses paramètres
suivant l'équation 3.33. Cette méthode permet d'utiliser l'algorithme des moindres carrés
orthogonaux pour l'estimation des paramètres.
99
En appliquant 𝑁 paires d’entrées/sorties aux systèmes décrit dans l’équation (2.147) on obtient
la forme matricielle ci-contre.
𝐷 = 𝑃Θ + E
Avec :
- 𝐷 = [𝑑(1), 𝑑(2), … , 𝑑(𝑁)]𝑇
- 𝑃 = [𝑝1 , 𝑝2 , … , 𝑝𝑛 ] où 𝑝𝑗 = [𝑝𝑖 (1), … , 𝑝𝑖 (𝑁)]𝑇
- Θ = [Θ1 , Θ2 , … , Θ𝑁 ]𝑇
- E = [𝑒(1), 𝑒(2), … , 𝑒(𝑁) ]𝑇
Afin d’exécuter l’algorithme OLS sur l’équation (2.148), il va falloir commencer par fixer les
paramètres 𝑥̅𝑖,𝑗 , 𝑎𝑖,𝑗 et 𝜎𝑖,𝑗 caractérisant 𝑝𝑗 (𝑥) dans le système FBF.
Pour cela on choisit 𝑎𝑖,𝑗 = 1 du fait que les fonctions d’appartenances du système flou sont
supposées aux premières valeurs des entrées, 𝑥̅𝑖,𝑗 = 𝑥𝑖,0 et que les rayons des FBF sont
initialisées aux valeurs suivantes :
Avec :
- 𝑖 = 1,2, … , 𝑁
- 𝑗 = 1,2, … , 𝑁
- 𝑀𝑆 : nombre de FBF étant le plus souvent défini par les contraintes 𝑀 ≪ 𝑁
Suite à cette phase d’initialisation, il suffit d’appliquer l’algorithme OLS pour sélectionner les
fonctions FBF les plus représentatives de 𝑁 fonction FBF déterminé lors de la phase
d’initialisation.
(𝑖)
𝜔1 = 𝑝𝑖
𝑇 𝑇
(𝑖) (𝑖) (𝑖) (𝑖)
𝑔1 = (𝜔1 ) 𝑑0 ⁄((𝜔1 ) 𝜔1 )
2 𝑇
(𝑖) (𝑖) (𝑖) (𝑖)
[𝑒𝑟𝑟]1 = (𝑔1 ) (𝜔1 ) 𝜔1 ⁄(𝑑0 𝑇 𝑑0 )
Où :
- 𝑝𝑖 = [𝑝𝑖 (𝑥0 (1)), … , 𝑝𝑖 (𝑥0 (𝑁))]𝑇
100
- 𝑝𝑖 (𝑥0 (𝑡)) : données déduites par la méthode de FBF initiales
Ensuite on cherche :
𝑖 (𝑖)
[𝑒𝑟𝑟]11 = max ([𝑒𝑟𝑟]1 )
𝑖=1,2,…,𝑁
Et on prend :
𝑖
𝜔1 = 𝜔11
𝑖
𝑔1 = 𝑔11
Arrivé à l’étape 𝑘 avec 1 ≤ 𝑘 ≤ 𝑁 et pour 1 ≤ 𝑖 ≤ 𝑁, 𝑖 ≠ 𝑖1 , … , 𝑖 ≠ 𝑖𝑘 on obtient un système
triangulaire :
𝑀𝑆
(𝑀𝑆 )
𝑓(𝑠) = ∑ 𝑝𝑖𝑗 (𝑥) Θ
𝑗=1
Avec :
- 𝑝𝑖𝑗 (𝑥) : sous ensemble final des FBF sélectionnées par l’algorithme OLS.
On peut conclure alors que l’on peut représenter un système flou comme une combinaison
linéaire de fonctions à bases floues et avec l'algorithme des moindres carrés orthogonaux, en
déterminer un contrôleur efficace.
Cet apprentissage consiste à définir un système flou adaptatif basé sur des paires de données
d'entrées/sorties et des règles floues linguistiques de type "Si-Alors". Nous allons donc générer
101
des règles floues à partir des paires d'entrées/sorties et de les combiner avec les règles
linguistiques dans une base de règle.
Cette tâche consiste à transformer des données numériques en données floues sous la
forme de règles. La transformation des données se procède en cinq étapes.
Supposons que l'on peut bornés les domaines d'appartenance des variables d'entrées et sorties
sur des intervalles du types [ 𝑥𝑖− ; 𝑥𝑖+ ] pour les entrées et [ 𝑦𝑖− ; 𝑦𝑖+ ] pour les sorties.
Ensuite on divise chacun de ces intervalles en 2 𝑁 + 1 régions.
Le résultat de cette étape est souvent illustré sous forme de tableau ou d’une surface que l’on
appel surface des règles floues.
Sachant que chaque paire de données en traîne la création de d'une règle, il est alors fort
probable que des règles contradictoires apparaissent. Il faut donc créer une sorte de compétition
entre les règles en leur affectant une valeur d'appartenance. Notons que lorsque deux règles
rentrent en concurrence on choisit celle qui possède la plus grande valeur d'appartenance.
Maintenant nous allons remplir le tableau de la base de règle. Pour cela il faut maintenant
prendre en compte les règles linguistiques décrites par les experts (ce type de règle possède
aussi une valeur d'appartenance). Dans le cas où deux règles entre en concurrence pour une
même conclusion on choisit celle qui possède la plus grande valeur d'appartenance.
102
Étape 5 - La création d'une cartographie basée sur la base de règle
Pour une paire de données d'entrées/sorties, nous allons combiner les prémices de la règle 𝑖 en
utilisant le produit pour obtenir le degré d'appartenance de la sortie.
Avec :
- Ο𝑖 : la région de la sortie de la règle 𝑖
- Ι𝑗𝑖 : les régions des régions des entrées de la règle 𝑖 et pour le 𝑗-ème composant.
La formule de défuzzification est donnée comme suit :
∑𝑀 𝑖
̅𝑖
𝑖=1 𝜇Ο𝑖 𝑦
𝑦= ∑𝑀 𝑖
𝑖=1 𝜇Ο𝑖
Avec :
2.6.4 Apprentissage de Système Flou par Agrégation avec le Plus Proche Voisin
L’apprentissage de Système Flou par Agrégation avec le Plus Proche Voisin permet la
configuration d'un système flou de façon optimal par l'apprentissage de ces paires
d'entrées/sorties à n'importe quels degrés d'acuité. Tout d’abord considérons le système flou
comme étant composé d'autant de règle floue qu'il y a de paires d'entrées/sorties. Suite à cela,
il faut agréger les données échantillonnées entre elles par la méthode des plus proches voisins
en choisissant le meilleur système flou pour ce groupe de données. On l’appelle aussi système
flou adaptatif.
Supposons que pour 𝑁 paires d'entrées/sorties, on peut construire un système flou qui copie les
paires d'entrées/sorties à la précision 𝜖.
103
|𝑧−𝑧𝑙 |2
∑𝑁
𝑖=1 𝑦𝑙 exp (− )
𝜎²
𝑓(𝑥) = |𝑧−𝑧𝑙 |2
∑𝑁
𝑖=1 exp (− )
𝜎²
Avec :
- 𝜎 : un paramètre variable
Dans le cas où ce paramètre est très petit, alors l’erreur |𝑓(𝑥)𝑙 − 𝑦 𝑙 | devient très petite. Nous
allons donc choisir 𝜎 avec en vue le problème de minimisation de l’erreur et de généralisation.
Notons que 𝑓(𝑥) est une fonction de régression non-linéaire qui permet une interpolation douce
entre les données d’entrées/sorties.
Nous avons vu que le système flou optimal utilise une règle pour chaque paire d'entrée/sortie.
Malencontreusement ceci devient impraticable dans le cas où les données deviennent
nombreuses. Nous allons donc opter pour l'utilisation les techniques d'agrégation de données
ainsi chaque groupe de données sera représenté par une règle bien choisie. A cet effet nous
allons procéder aux étapes suivantes :
𝐴 𝑙𝑘 (𝑘) = 𝐴 𝑙𝑘 (𝑘 − 1) + 𝑦𝑘
𝐵 𝑙𝑘 (𝑘) = 𝐵 𝑙𝑘 (𝑘 − 1) + 1
Et on fixe 𝐴𝑙 (𝑘) et 𝐵𝑙 (𝑘) par les équations (2.164) et (2.165).
104
𝐴𝑙 (𝑘) = 𝐴𝑙 (𝑘 − 1),
𝐵𝑙 (𝑘) = 𝐵𝑙 (𝑘 − 1)
2
|𝑧−𝑧𝑙,0 |
∑𝑁
𝑙=1 𝐴𝑙 (𝑘)exp (− )
𝜎²
𝑓𝑘 (𝑥) = 2
|𝑧−𝑧𝑙,0 |
∑𝑁
𝑙=1 𝐵𝑙 (𝑘) exp (− )
𝜎²
Conclusion
Dans ce chapitre, nous avons pu déterminer le principe de base de la commande flou ainsi que
sa base mathématique. Le système flou est à base de système expert et est doté d’un grand
secours comme outil à la prise de décision. De l’autre côté le réseau de neurones étant un
système conçus à partir de plusieurs cellules artificielles, il est caractérisé par sa grande
flexibilité. Dans l’optique d’obtenir un système de commande performant, nous avons envisagé
quelques méthodes de combinaison possible entre le réseau de neurones et le système flou.
Par la suite, sachant que les systèmes neuro-flou nécessitent une méthode d’apprentissage afin
d’être opérationnel, nous avons élargi notre connaissance sur l’apprentissage des systèmes
neuro-flou. En premier lieu nous avons fait un focus sur les principales méthodes
d’apprentissage du réseau de neurones. Suite à cela nous avons adapté les systèmes flous sous
forme de réseau de neurones pour que les méthodes d’apprentissage de ce dernier puissent y
être appliquées.
105
DIFFERENTES CLASSE D’UN VEHICULE
Introduction
Ce chapitre est consacré à l’étude de la mécanique de base d’un véhicule. Comme véhicule est
composé d’une multitude d’éléments ; nous allons observer la mécanique d’un véhicule. Pour
ce faire, nous commencerons à étudier la description d’un véhicule. Ensuite, nous allons
démontrer les modèles dynamiques et cinématiques de ce dernier.
Ce chapitre a fait l’objet d’un article publié dans le Journal Scientifique de notoriété nationale
MADA-ETI :
« Différentes classe et modèles dynamique d’un véhicule », MADA-ETI, ISSN 2220-
0673, Vol.2, 2019, http://www.madarevues.recherches.gov.mg (annexe A1)
Définition 3.01 :
Un véhicule est un engin constitué d'un châssis muni de roues, autopropulsé, servant au
transport circulant sur la terre ferme dans le référentiel terrestre lié à lui-même, ayant deux types
de mouvement (latéral et longitudinal) et un modèle mathématique matriciel dans l’espace
d’état représenté suivant cinq classes et fonctionnant comme hyperonyme de substitut, tels que
: automobile, berline, cabriolet, char.
Description du véhicule
Dans ce paragraphe, nous étudierons la mécanique d’un véhicule soumis à un roulement pur
sans glissement.
Pour cela nous allons mettre en place les hypothèses suivantes :
- Concernant la description générale du véhicule mobile et de son environnement :
o Le véhicule étudié est supposé mono-corps
o Le châssis du véhicule ainsi que les pièces le reliant aux roues sont supposés rigides.
o La dynamique des différents moteurs de commande des roues est négligeable.
o La surface d’évolution du véhicule est supposée plane et horizontale.
107
o Le véhicule n’est soumis à aucune force aérodynamique.
- Concernant roulement pour sans glissement :
o Les roues sont indéformables et la zone de contact roue/sol est ponctuelle,
o La vitesse linéaire du point de contact est nulle.
Afin de construire notre modèle, nous sélectionnerons un ensemble de variables permettant de
repérer la configuration du système. On désigne ces variables par coordonnées généralisées.
Dans le cas général, un véhicule roulant satisfaisant, nos hypothèse, se présente sous forme d’un
châssis rigide ainsi que 𝑛 roues, avec 𝑛 ≥ 3 pour que notre système soit équilibré statiquement.
Dans ce sens, nous allons décrire un groupe coordonnées généralisées repérant les points du
châssis puis un groupe de coordonnées généralisés repérant les points des roues.
3.3.1 Coordonnée généralisées du châssis d’un véhicule
108
3.3.2 Coordonnée généralisées des roues d’un véhicule
Sa position par rapport à 𝑄 est données par les trois quantités suivantes :
- 𝛽 : angle entre la normale orientée au plan de la roue et ⃗⃗⃗⃗⃗
𝑃𝑄
- ⃗⃗⃗⃗⃗ sur le plan horizontal
𝑑 : module de la projection de 𝑄𝑆
- ⃗⃗⃗⃗⃗ sur l’axe vertical
ℎ : module de la projection de 𝑄𝑆
- 𝑟 : rayon de la roue
- 𝜑 : angle de rotation de la roue
Dans le cas général, un châssis peut être équipé avec 4 types de roues que nous allons voir ci-
dessous.
- Roues fixes, décrit par la figure 3.02, elles sont caractérisées par la donnée d’une
coordonnée généralisée variable 𝜑 et de 5 constantes : 𝑙, 𝛼, ℎ, 𝛽 et 𝑟
- Roue directrice, décrit par la figure 3.03, elle est caractérisée par la donnée de deux
coordonnée généralisée variable 𝜑, 𝛽 et de 4 constantes : 𝑙, 𝛼, ℎ et 𝑟
- Roue désaxées, décrit par la figure 3.04, elle est caractérisée par la donnée de deux
coordonnée généralisée variable 𝜑, 𝛽 et de 5 constantes : 𝑙, 𝛼, ℎ, 𝑑 et 𝑟
- Roue omnidirectionnelle, décrit par la figure 3.05, elle est caractérisée par la donnée
d’un coordonnée généralisée variable 𝜑et de 6 constantes : 𝑙, 𝛼, ℎ, 𝛽, 𝛾 et 𝑟
Roue fixe
109
Roue directrice
Roue désaxée
Roue omnidirectionnelle
Afin d’exprimer les coordonnées généralisées de l’ensemble des roues d’un véhicule, nous
allons introduire les notations suivantes :
- 𝑛 : nombre total des roues du véhicule
- 𝑛𝑑𝑖 : nombre des roues directrices
- 𝑛𝑑𝑒 : nombre des roues désaxées
- 𝑛 𝑓𝑖 : nombre des roues fixes
- 𝑛𝑜𝑚 : nombre des roues omnidirectionnelles
110
Par convention, la numérotation des roues se procède comme suit :
- Roues directrices, du numéro 1 à 𝑛𝑑𝑖
- Roues désaxées, du numéro 𝑛𝑑𝑖 + 1 à 𝑛𝑑𝑒
- Roues fixes, du numéro 𝑛𝑑𝑒 + 1 à 𝑛 𝑓𝑖
- Roues omnidirectionnelles, du numéro 𝑛 𝑓𝑖 + 1 à 𝑛𝑜𝑚
Il en sera de même pour les indices des variables caractérisant les différents types de roues.
Ainsi nous pouvant dire que les coordonnées généralisées décrivant les roues d’un véhicule
s’expriment comme suit :
Ξ = (𝛽1 , … , 𝛽𝑛𝑑𝑖 + 𝑛𝑑𝑒 , 𝜑1 , … , 𝜑𝑛 )𝑇
Démonstration :
En effet, cela est due au fait que les quatre types de roue, mentionnée précédemment, sont en
fonction de ces deux variable, notamment 𝜑 et 𝛽. ♦
Dans ce sens un véhicule satisfaisant les hypothèses décrites dans le paragraphe 3.2.1 peut être
caractérisé par la donnée du vecteur
q = (ξ, Ξ)T
Démonstration :
En effet, notre véhicule ne sera composé que du châssis et les roues décrites par l’équation 3.01.
111
Ainsi, pour le cas de notre véhicule, la donnée des variables q et q̇ nous permet de calculer la
vitesse en tout point du véhicule.
Considérons deux points 𝐴 et 𝐵 d’un corps rigide. Leurs vitesses sont reliées par l’équation
suivante :
⃗⃗⃗⃗ ⃗ ∧ ⃗⃗⃗⃗⃗
⃗⃗⃗⃗𝐵 + 𝜔
𝑉𝐴 = 𝑉 𝐵𝐴
Avec :
- ⃗⃗⃗⃗
𝑉𝐴 : vitesse du point 𝐴
- ⃗⃗⃗⃗𝐵 : vitesse du point 𝐵
𝑉
- 𝜔
⃗ : vecteur vitesse instantanée de rotation du corps considéré
Comme les points 𝑇 et 𝑆 appartiennent à la roue, le Théorème 3.01 peut s’écrire comme suit :
⃗⃗⃗⃗ ⃗⃗⃗𝑆 + (−𝜑̇ )𝑖⃗⃗𝑟 ∧ ⃗⃗⃗⃗
𝑉𝑇 = 𝑉 𝑆𝑇
⃗⃗⃗⃗
𝑉𝑇 = ⃗⃗⃗
𝑉𝑆 − 𝑟𝜑̇ ⃗⃗𝑗𝑟
Étant donné que la liaison entre la roue et le châssis est aussi considérée comme étant rigide,
112
le théorème 3.01 peut s’écrire comme suit :
⃗⃗⃗ 𝑉𝑄 + (𝜃̇ + 𝛽̇ )𝑘
𝑉𝑆 = ⃗⃗⃗⃗ ⃗⃗⃗⃗𝑟 ∧ ⃗⃗⃗⃗⃗
𝑄𝑆
Où :
⃗⃗⃗⃗⃗ ⃗⃗⃗⃗𝑟
𝑄𝑆 = 𝑑𝑗⃗⃗𝑟 − 𝑑𝑘
⃗⃗⃗⃗ ⃗⃗⃗⃗𝑟
𝑃𝑆 = 𝑙 cos 𝛼𝑖 + 𝑙 sin 𝛼𝑗 + 𝑑𝑗⃗⃗𝑟 − 𝑑𝑘
Avec :
- 𝑑 : composante verticale du vecteur ⃗⃗⃗⃗⃗
𝑄𝑆
D’un autre côté, la vitesse du point 𝑃 fixée au châssis est donnée par :
⃗⃗⃗⃗𝑃 = 𝑥̇ 𝐼 + 𝑦̇ 𝐽
𝑉
Comme :
𝐼 = cos 𝜃𝑖 − sin 𝜃𝑗
𝐽 = sin 𝜃𝑗 + cos 𝜃𝑖
Inversement :
𝑖 = − cos(𝛼 + 𝛽)𝑖⃗⃗𝑟 + sin(𝛼 + 𝛽)𝑗⃗⃗𝑟
𝑗 = −sin(𝛼 + 𝛽)𝑖⃗⃗𝑟 − cos(𝛼 + 𝛽)𝑗⃗⃗𝑟
113
- Pour une roue désaxée, où le vecteur de position du châssis 𝜉 = (𝑥, 𝑦, 𝜃)𝑇 , 𝛽 et 𝜑sont des
variables et 𝑙, 𝛼, ℎ, 𝑑 et 𝑟 sont des constantes, on a :
[cos(𝛼 + 𝛽) sin(𝛼 + 𝛽) 𝑑 + 𝑙𝑠𝑖𝑛𝛽]𝑅(𝜃)𝜉̇ + 𝑑𝛽̇ = 0
Démonstration :
En effet, notre véhicule est conditionné par un roulement sans glissement suivant les hypothèses
𝑉𝑇 = ⃗0 est assurée.
émises lors de la description du système. Ainsi la relation ⃗⃗⃗⃗
- Pour une roue directrice, où le vecteur de position du châssis 𝜉 = (𝑥, 𝑦, 𝜃)𝑇 , 𝛽 et 𝜑sont des
variables et 𝑙, 𝛼,het 𝑟 sont des constantes, on a :
[cos(𝛼 + 𝛽) , sin(𝛼 + 𝛽) , 𝑑 + 𝑙𝑠𝑖𝑛𝛽]𝑅(𝜃)𝜉̇ = 0
- Pour une roues fixes, où le vecteur de position du châssis 𝜉 = (𝑥, 𝑦, 𝜃)𝑇 , 𝛽 et 𝜑 sont des
variables et 𝑙, 𝛼, ℎ, 𝛽 et 𝑟 sont des constantes, on a :
[cos(𝛼 + 𝛽) , sin(𝛼 + 𝛽) 𝑙𝑠𝑖𝑛𝛽]𝑅(𝜃)𝜉̇ = 0
Démonstration :
Rappelons qu’une roue fixe peut être considérer comme étant une roue directrice dont
l’orientation a été bloquée.
114
Ainsi, les contraintes associées à ces 2 types de roue sont identiques excepté l’angle 𝛽 qui est
maintenant une constante.
♦
Démonstration :
Pour les roues à galets, ce sont ces derniers qui sont en contact avec le sol. Ainsi, l’identification
du point 𝑇 est donnée par les angles de rotation de chacun des galets. Pour contourner ce
problème, nous allons considérer une roue à galet comme étant une roue fixe pouvant se déplacé
dans une direction suivant la constante 𝛾.
⃗⃗⃗⃗
𝑉𝑇 peut être alors exprimé comme suit :
Avec :
- (𝑖⃗⃗⃗⃗⃗⃗ 𝑗𝑜𝑚 ) : vecteurs unitaires déduits par (𝑖⃗⃗𝑟 , ⃗⃗𝑗𝑟 ) suivant une rotation d’angle 𝛾.
𝑜𝑚 , ⃗⃗⃗⃗⃗⃗
115
Modèle cinématique d’un véhicule
Soit un véhicule équipé de 𝑛 = 𝑛𝑑𝑖 + 𝑛𝑑𝑒 + 𝑛 𝑓𝑖 + 𝑛𝑜𝑚 roues placées sur le châssis. Un
vecteur 𝑞, donné par l’équation (3.02), permet de repérer la configuration de ce véhicule à tout
moment. Comme ce vecteur est soumis à des contraintes, durant le contact de la roue au sol,
nous la matrice décrivant ces contraintes est donnée par la relation ci-dessous.
𝜉̇
𝐴11 𝑅(𝜃) 0 0 𝐴14 ̇
𝛽1,…,𝑛 𝑑𝑖
(𝐴21 𝑅(𝜃) 0 𝐴23 0 ) =0
𝛽̇ 𝑑𝑖 𝑑𝑖 𝑑𝑒
𝐴31 𝑅(𝜃) 0 0 0 𝑛 +1,…,𝑛 + 𝑛
( 𝜑̇ 1,…,𝑛 )
Démonstration :
116
- 𝐴23 : matrices diagonal dont les éléments sont les module de la projection de ⃗⃗⃗⃗⃗
𝑄𝑆 sur le plan
horizontal des roues désaxées.
- 𝐴14 : matrices diagonal dont les éléments sont les rayons de chaque roue.
En posant :
[−sin(𝛼 + 𝛽) , cos(𝛼 + 𝛽) 𝑙𝑐𝑜𝑠𝛽]
[−sin(𝛼 + 𝛽) , cos(𝛼 + 𝛽) 𝑙𝑐𝑜𝑠𝛽]
𝐴11 =
[−sin(𝛼 + 𝛽) , cos(𝛼 + 𝛽) 𝑙𝑐𝑜𝑠𝛽]
([−sin(𝛼 + 𝛽 + 𝛾) , cos(𝛼 + 𝛽 + 𝛾) 𝑙𝑐𝑜𝑠(𝛽 + 𝛾)])
Est conditionnée par l’évolution des coordonnées généralisées décrivant le châssis 𝜉̇ . Dans ce
sens, la détermination de l’évolution de ces 2 coordonnées généralisées est donnée par les
équations suivantes :
𝛽̇𝑛𝑑𝑖 +1
( ⋮ ) = −𝐴23 −1 𝐴21 𝑅(𝜃)𝜉̇
𝛽̇𝑛𝑑𝑖 + 𝑛𝑑𝑒
𝜑̇ 1
( ⋮ ) = −𝐴14 −1 𝐴11 𝑅(𝜃)𝜉̇
𝜑̇ 𝑛
Démonstration :
Les équations (3.21) sont obtenues par le développement de la première et la deuxième ligne
de l’équation (3.20). Comme 𝐴31 et 𝐴14 sont de rang plein alors ces dernières sont inversibles.
♦
Procédons maintenant à l’élaboration du modèle cinématique d’un véhicule.
117
Afin de caractériser l’évolution des coordonnées généralisées d’un véhicule roulant, il suffit de
déterminer l’évolution des 3 coordonnées généralisées du châssis 𝜉 = (𝑥, 𝑦, 𝜃)𝑇 .
Comme les 2 premières ligne de 𝐴(𝑞), comportant 𝐴11 et 𝐴21 , n’affecte pas l’évolution de 𝜉 ,
alors les contraintes limitantes s’expriment comme ci-contre.
𝜉̇ ∈ ℑ𝑚 (𝑅 −1 (𝜃) 𝑆 (𝛽1 , … , 𝑛𝑑𝑖 ))
Où :
Démonstration :
En effet, quel que soit la valeur 𝜉̇ , il existe une valeur de 𝛽̇𝑛𝑑𝑖 +1 , … , 𝑛𝑑𝑖 + 𝑛𝑑𝑒 et 𝜑̇ 1 , … , 𝑛
telle les équations (3.20) et (3.21) soient satisfaites.
♦
Avec :
- 𝜂𝑚 = vecteur
C’est le nombre de roués directrices pouvant être orientées de manière indépendante. Il est noté
par 𝛿0 .
Théorème 3.02 :
118
Le modèle cinématique d’un véhicule est donné par :
Avec :
- 𝜂𝑚 = vecteur de dimension 𝛿𝑚
- 𝜂0 = vecteur de dimension 𝛿0
- 𝑁 (𝛽1 , … , 𝑛𝑑𝑖 ) = matrice à déterminer
Démonstration :
Ce système d’équation découle des équations (3.21), (3.22), ainsi que des définitions 3.1 et 3.2.
Théorème 3.03 :
𝜉̇ = 𝑅 −1 (𝜃)𝑆(𝛽1, … , 𝛿0 )𝜂𝑚
{
𝛽1̇ , … , 𝛿0 = 𝜂0
Démonstration :
Dans la pratique, le problème ne consiste pas à contrôler toute des coordonnées généralisées.
En effet, seules la position et l’orientation du châssis 𝜉̇ est un sujet intéressant pour l’utilisateur
du véhicule.
Ainsi, l’objet de l’exercice consiste à déterminer la position du véhicule à étudier. ♦
119
Pour tout véhicule considéré, le couple (𝛿𝑚, , 𝛿0 ) lui étant associé ne peut prendre que 5 valeurs.
D’où l’existence des 5 classes de véhicule.
Démonstration :
En effet, comme
𝛿𝑚 = 𝑟𝑎𝑛𝑔 (𝑆(𝛽1, , … , 𝑛𝑑𝑖 ))
Et que
(𝑆(𝛽1, , … , 𝑛𝑑𝑖 )) ≜ (ker 𝐴31 (𝛽1, , … , 𝑛𝑑𝑖 ))
Sachant que
𝑑𝑖𝑚[𝐴31 (𝛽1, , … , 𝑛𝑑𝑖 )] = (𝑛 𝑓𝑖 + 𝑛𝑑𝑖 ) × 3
Alors
0 ≤ 𝛿𝑚 ≤ 3
Ainsi :
𝛿𝑚 ∈ [1,3]
Ainsi, on a :
𝛿0 ∈ [0,2]
Les équations (3.26) et (3.27) nous conduisent à l’obtention des 9 couples réalisables.
Cependant :
120
- Si 𝛿𝑚 = 3, alors 𝑟𝑎𝑛𝑔[𝐴31 (𝛽1, , … , 𝑛𝑑𝑖 )] = 0, cela signifie que notre véhicule ne possède
ni des roues mobiles ni des roues fixes.
𝑛𝑑𝑖 + 𝑛 𝑓𝑖 = 0
Et comme
Et
𝛿𝑚 = 𝑟𝑎𝑛𝑔[𝑆(𝛽1, , … , 𝑛𝑑𝑖 )]
Alors
𝛿𝑚 = 1
Donc les mouvements de ce châssis de véhicule sont trop réduits pour qu’ils puissent être
utilisés dans la pratique. ♦
121
3.4.1 Classe de véhicule possédant trois degrés de mobilité
Description
Cette classe est définit comme suit : 𝑛𝑑𝑖 = 𝑛 𝑓𝑖 = 0
Démonstration :
𝜂𝑚1
𝜉̇ = 𝑅 −1 (𝜃)
(𝜂𝑚2 )
𝜂𝑚3
Démonstration :
Comme 𝑟𝑎𝑛𝑔[𝐴31 (𝛽1, , … , 𝑛𝑑𝑖 )] = 0, nous pouvons choisir n’importe quelle matrice de
dimension 3 × 3 constante et de rang plein.
Ainsi on a choisi la matrice identité :
122
𝑆 = 𝐼𝑑 3×3
Description
Cette classe est définit comme suit : 𝑛𝑑𝑖 = 0, 𝑛 𝑓𝑖 ≥ 1 mais sur une même axe
Démonstration :
Comme 𝛿𝑚 = 2, alors 𝑟𝑎𝑛𝑔[𝐴31 (𝛽1, , … , 𝑛𝑑𝑖 )] = 1. Cela signifie que les lignes présentes sont
toutes colinéaires. Puisque 𝛿0 = 0 alors notre véhicule ne possède aucune roue directrice. ♦
0 0 𝜂𝑚1
̇𝜉 = 𝑅 −1 (𝜃) (1 0) (𝜂𝑚2 )
0 1 𝜂𝑚3
Ce type de véhicule fait partie des plus vieux moyens de locomotion. En effet, il peut être
assimilé aux charrues, charrettes, poussepousse, …
Démonstration :
123
Grace à notre choix de repère on obtient facilement la valeur A31 car les angles αi et β1 associes
à chacune des roues fixe ont une valeur 0[π].
𝐴31 = (1 0 0)
0 0
𝑆 = (1 0 )
0 1
Comme cette classe de véhicule ne possède pas de roue directrice, le mouvement du châssis est
en fonction de deux paramètres (𝜂𝑚1 et 𝜂𝑚2 ).
124
- 𝜂𝑚2 = 𝜃̇ : vitesse de rotation du chassis
Description
Démonstration :
En effet :
- 𝛿0 = 1 alors notre véhicule possède a moins une roue directrice.
- 𝛿𝑚 = 2 alors 𝑟𝑎𝑛𝑔[𝐴31 (𝛽1, , … , 𝑛𝑑𝑖 )] = 1.♦
En choisissant [𝑃, 𝑖, 𝑗] fixé au châssis avec 𝑃 situé sur le centre de la roue directrice, on a :
− sin 𝛽1 0 𝜂𝑚1
𝜉̇ = 𝑅 −1 (𝜃) (𝜔 sin 𝛽1 0) (𝜂𝑚2 )
{
0 1 𝜂𝑚3
̇
𝛽 = 𝜂0
Démonstration :
On constate que, la matrice 𝐴31 (𝛽1, ) associe à ce véhicule ne comporte qu’une ligne (en effet
𝑛𝑑𝑖 = 1 et 𝑛 𝑓𝑖 = 0). Ainsi, on a :
125
− sin 𝛽1 0
𝑆(𝛽1) = ( cos 𝛽1 0)
0 1
Description
Cette classe est définit comme suit : 𝑛𝑑𝑖 ≥ 1, 𝑛 𝑓𝑖 ≥ 1. Cette classe de véhicule comporte au
moins une roue directrice et une roue fixe. Nous pourrions prendre en exemple l’automobile.
126
Démonstration :
Alors notre véhicule devra avoir au moins 2 roues fixes ou directrices 𝑛𝑑𝑖 + 𝑛 𝑓𝑖 ≥ 2. ♦
0
̇𝜉 = 𝑅 −1 (𝜃) (𝐿 sin 𝛽1) 𝜂𝑚
cos 𝛽1
{ 𝛽̇ = 𝜂0
Démonstration :
Où :
127
Représentation d’un véhicule possédant un degré de mobilité et un
degré d’orientabilité
Description
Démonstration :
Comme le degré d’orientation 𝛿0 = 2 alors cette classe de véhicule devra avoir au moins 2
roues directrices. ♦
128
Modèle cinématique réduit
Démonstration :
129
Grace au choix du repère, les 2 premières lignes de la matrice [𝐴31 (𝛽1, , … , 𝑛𝑑𝑖 )] présente une
expression très simple.
Tel que :
‖𝑣𝑠1 ‖ ‖𝑣𝑠2 ‖
‖𝜂𝑚 ‖ = =
2𝐿|sin 𝛽2 | 2𝐿|sin 𝛽1 |
Démonstration :
130
On a :
⃗ ⋀𝑃𝑆
𝑣𝑠1 = 𝑣𝑃 + 𝜃̇𝑘 ⃗⃗⃗⃗⃗⃗⃗1
𝑥̇ 0 𝐿
𝑣𝑠1 = 𝑅(𝜃) (𝑦̇ ) + (0) ⋀ (0)
0 𝜃̇ 0
De la même façon, on a :
Le modèle cinématique d'un véhicule, du paragraphe précédent, met en exergue les possibilités
d'évolution des coordonnées généralisées de notre système. En effet, nous avons vu les
différentes classes aux quelles peuvent appartenir un véhicule, selon le nombre de degrés de
liberté correspondant à la vitesse linéaire du châssis et à la vitesse d'orientation des roues
directrices si le robot en comporte.
Dans le cas où l'inertie du véhicule est assez faible et que si ses moteurs ont un temps de réponse
très court, les différentes vitesses du véhicule peuvent être considérées comme étant les
variables spécifiées par l'utilisateur pour commander le système. Ainsi, le modèle cinématique
décrit complètement le comportement du véhicule. On a une représentation d'état, avec 𝑞
comme vecteur d'état el (𝜂𝑚 , 𝜂𝑜 )𝑇 comme étant le vecteur de commande.
131
Il suffit alors de préciser les relations entre le vecteur de commande et les vitesses de rotation
et d'orientation des différentes roues motorisées.
Dans la pratique, il est plus réaliste de considérer comme variables de commande les couples
de rotation et d’orientation appliqués roues au lieu de leur vitesse. Comme la modélisation
présentée au paragraphe précédent et basée uniquement sur les vitesses des différentes roues,
elle ne permet pas de mettre en évidence l'action de ces couples sur le comportement général
du système. Alors, il faut se tourner vers des méthodes plus classiques de modélisation des
systèmes mécaniques. Ainsi, nous détaillons la construction du modèle d'un véhicule, sur la
base des équations d'Euler-Lagrange.
L’équation d'Euler-Lagrange est un résultat mathématique qui joue un rôle fondamental dans
le calcul des variations. On retrouve cette équation dans de nombreux problèmes réels de
minimisation de longueur d'arc, tels que le problème brachistochrone ou bien encore les
problèmes géodésiques.
𝑡1
J = ∫ 𝑓(𝑡, 𝑥(𝑡), 𝑥̇ (𝑡))𝑑𝑡
𝑡0
Avec :
𝜕𝑥(𝑡)
- 𝑥̇ (𝑡) = : est une condition nécessaire pour que 𝐽 soit stationnaire est que l’on ait :
𝜕𝑡
𝜕𝑓
𝑓 − 𝑥̇ =𝐶
𝜕𝑥̇
Où :
L’équation (3.47) peut être aussi réécrite sous la forme donnée par l’équation (3.48).
132
𝑑 𝜕𝑓 𝜕𝑓
− =0
𝑑𝑡 𝜕𝑥̇ 𝜕𝑥
Démonstration :
En effet, le problème consiste à chercher une fonction 𝑥 satisfaisant les conditions aux
bords 𝑓(𝑎) = 𝑐,𝑓(𝑏) = 𝑑, et rendant extrémale la fonctionnelle J.
Estimons que les dérivées premières de 𝑓 soient continues. Dans le cas où 𝑥 rend extrémale 𝐽,
alors une pertubation infinitésimale de 𝑥 préservera les conditions aux bords et augmentera 𝐽
(si 𝑥 est un minimum) ou diminuera 𝐽 (si 𝑥 est un maximum).
Avec :
On peut définir :
𝑡1
J(𝜀) = ∫ 𝑓(𝑡, 𝑥𝜀 (𝑡), 𝑥̇ 𝜀 (𝑡))𝑑𝑡
𝑡0
𝜕𝑓 𝜕𝑓 𝜕𝑥𝜀 𝜕𝑓 𝜕𝑥̇ 𝜀 𝜕𝑓 𝜕𝑓
= + = 𝜂(𝑡) + 𝜂̇ (𝑡)
𝜕𝜀 𝜕𝑥𝜀 𝜕𝜀 𝜕𝑥̇ 𝜀 𝜕𝜀 𝜕𝑥𝜀 𝜕𝑥̇ 𝜀
On a :
𝑡1
dJ 𝜕𝑓 𝜕𝑓
= ∫ (𝜂(𝑡) + 𝜂̇ (𝑡) ) 𝑑𝑡
d𝜀 𝑡0 𝜕𝑥𝜀 𝜕𝑥̇ 𝜀
dJ
Lorsque 𝜀 = 0, nous avons 𝑥𝜀 = 𝑥 et comme 𝑥 est un extremum de 𝐽 il résulte que d𝜀 = 0.
133
𝑡1 𝑡1
dJ 𝜕𝑓 𝜕𝑓
(0) = ∫ 𝜂(𝑡) 𝑑𝑡 + ∫ 𝜂̇ (𝑡) 𝑑𝑡
d𝜀 𝑡0 𝜕𝑥 𝑡0 𝜕𝑥̇
𝑡1
𝜕𝑓 𝜕𝑓 𝑡1 𝑡1
𝑑 𝜕𝑓
0 = ∫ 𝜂(𝑡) 𝑑𝑡 + [𝜂(𝑡) ] − ∫ 𝜂(𝑡) 𝑑𝑡
𝑡0 𝜕𝑥 𝜕𝑥̇ 𝑡0 𝑡0 𝑑𝑡 𝜕𝑥̇
𝑡1
𝜕𝑓 𝑑 𝜕𝑓 𝜕𝑓 𝑡1
0 = ∫ 𝜂(𝑡) ( − ) 𝑑𝑡 + [𝜂̇ (𝑡) ]
𝑡0 𝜕𝑥 𝑑𝑡 𝜕𝑥̇ 𝜕𝑥̇ 𝑡0
D’autre part, le Lagrangien d’un système mécanique est donné par l’équation ci-contre.
Où :
- ℒ(𝑞̇ , 𝑞): Lagrangien du système
- 𝑇(𝑞̇ , 𝑞): énergie cinétique
- 𝑊(𝑞̇ , 𝑞): énergie potentiel
Considérons un intervalle de temps donné [𝑡0 , 𝑡𝑓 ] tel que 𝑞 (𝑡0 ) = 𝑞0 et 𝑞 (𝑡𝑓 ) = 𝑞𝑓 , on peut
définir la variation 𝑞 (𝑡, 𝜖) comme fonction satisfaisant 𝑞 (𝑡, 0) = 𝑞 (𝑡), 𝑞 (𝑡0 , 𝜖) = 𝑞0 et
(𝑡𝑓 , 𝜖) = 𝑞𝑓 . Le déplacement virtuel correspondant à la variation ainsi que sa limite s’exprime
comme suit :
𝜕𝑞 (𝑡, 𝜖)
𝛿𝑞(𝑡) ≜ | =0
𝜕𝜖 𝜖=0
134
𝛿𝑞(𝑡0 ) = 𝛿𝑞(𝑡𝑓 ) = 0
𝜕 𝑡𝑓
∫ ℒ(𝑞(𝑡, 𝜖), 𝑞̇ (𝑡, 𝜖))𝑑𝑡| =0
𝜕𝜖 𝑡0
𝜖=0
En posant :
𝑑𝛿𝑞
𝛿𝑞̇ =
𝑑𝑡
L’équation (3.62) devient :
𝑡𝑓
𝑑 𝜕ℒ 𝜕ℒ 𝑇
∫ [(− + ) 𝛿𝑞] 𝑑𝑡 = 0
𝑡0 𝑑𝑡 𝜕𝑞̇ 𝜕𝑞
𝜕 𝑡𝑓 𝑡𝑓
∫ ℒ(𝑞(𝑡, 𝜖), 𝑞̇ (𝑡, 𝜖))𝑑𝑡| + ∫ {[𝐵(𝑞)𝜏]𝑇 𝛿𝑞}𝑑𝑡 = 0
𝜕𝜖 𝑡0 𝑡0
𝜖=0
Avec :
- 𝐵(𝑞) : fonction du variable d’entré 𝜏 en terme de forces et de couples
- [𝐵(𝑞)𝜏]𝑇 𝛿𝑞 : travail effectué par la force 𝜏 suivant le déplacement 𝛿𝑞
𝑑 𝜕ℒ 𝜕ℒ
− = 𝐵(𝑞)𝜏
𝑑𝑡 𝜕𝑞̇ 𝜕𝑞
135
Comme nous avons soulevé dans le paragraphe 3.2, le contact roue-sol roule sans glissement,
alors la vitesse du point de contact entre le sol et de chacune des roues est nulle de même que
la puissance de l’ensemble des forces de contact roue-sol. On peut alors écrire que :
𝐹 𝑇 𝑞̇ = 0
Où :
- 𝐹 : ensemble des forces de contact roue-sol
- 𝑞̇ : vitesse virtuelle
En supposant que notre vitesse virtuelle respecte la contrainte énoncée dans l’équation (3.20),
on a :
𝐴(𝑞)𝑞̇ = 0
La combinaison des équations (3.65) et (3.66) nous permette d’obtenir la relation suivante :
𝐹 = 𝐴𝑇 (𝑞)𝜆
Où :
- 𝜆 : vecteur des multiplicateurs de Lagrange
Ensuite, comme notre véhicule se déplace sur un sol horizontal, alors son énergie potentielle
est nulle.
𝑊(𝑞̇ , 𝑞) = 0
1
ℒ(𝑞̇ , 𝑞) = 𝑇(𝑞̇ , 𝑞) = ∭ 𝑣 𝑇 (𝑥, 𝑦, 𝑧)𝑣(𝑥, 𝑦, 𝑧)𝜌(𝑥, 𝑦, 𝑧)𝑑𝑥𝑑𝑦𝑑𝑧
2 𝑣éℎ𝑖𝑐𝑢𝑙𝑒
Avec :
- (𝑥, 𝑦, 𝑧): système de coordonnées orthonormé sur le véhicule
- 𝜌(𝑥, 𝑦, 𝑧): densité au point de coordonnées (𝑥, 𝑦, 𝑧)
- 𝑣(𝑥, 𝑦, 𝑧): vitesse linéaire du véhicule au point de coordonnées (𝑥, 𝑦, 𝑧)
136
En termes de matrice, on a :
1 𝑇
ℒ(𝑞̇ , 𝑞) = 𝑞̇ 𝑀(𝑞)𝑞̇
2
Tels que :
- 𝑀11 [2,1] = 𝑀11 [1,2] = 0
𝑑𝑖 𝑑𝑒
- 𝑀11 [3,1] = 𝑀11 [1,3] = −𝑚𝑥 + ∑𝑛𝑖=𝑛+𝑛 𝑛
𝑑𝑖 +1 𝑚𝑖 𝑑𝑖 cos(𝛼𝑖 + 𝛽𝑖 ) − ∑𝑖=1 𝑚𝑖 𝑙𝑖 sin 𝛼𝑖
𝑑𝑖 𝑑𝑒
- 𝑀11 [3,2] = 𝑀11 [2,3] = 𝑚𝑦 + ∑𝑛𝑖=𝑛+𝑛 𝑛
𝑑𝑖 +1 𝑚𝑖 𝑑𝑖 sin(𝛼𝑖 + 𝛽𝑖 ) − ∑𝑖=1 𝑚𝑖 𝑙𝑖 cos 𝛼𝑖
∑𝑛𝑖=1 𝑚𝑖 𝑙𝑖 2
𝑚𝑖 𝑑𝑖 cos(𝛼𝑖 + 𝛽𝑖 )
- 𝑀12 =( 𝑚𝑖 𝑑𝑖 sin(𝛼𝑖 + 𝛽𝑖 ) )
2
𝑚𝑖 (𝑑𝑖 + 2𝑑𝑖 𝑙𝑖 sin 𝛽𝑖 ) + 𝐼𝑂
- 𝑀22 matrice diagonale de 𝑚𝑖 𝑑𝑖 2 + 𝐼𝑂
- 𝑀33 Matrice diagonale de 𝐼𝑟
Avec :
- 𝑚 : masse du châssis
- 𝑚𝑖 : masse de la roue 𝑖
- 𝐼 : moment d’inertie du châssis
- 𝐼𝑂 : moment d’inertie de la roue par rapport à un axe verticale passant par le centre
instantané de rotation (roue directionnelle)
- 𝐼𝑟 : moment d’inertie de la roue par rapport à son axe de rotation.
Après avoir déterminé l’expression du Lagrangien, reportant ceci dans l’équation (3.68) on
obtient l’équation (3.73).
137
𝑑 𝜕 1 𝑇 𝜕 1 𝑇
( 𝑞̇ 𝑀(𝑞)𝑞̇ ) − ( 𝑞̇ 𝑀(𝑞)𝑞̇ ) = 𝐴𝑇 (𝑞)𝜆 + 𝐵(𝑞)𝜏
𝑑𝑡 𝜕𝑞̇ 2 𝜕𝑞 2
On a :
𝑑 1 𝜕
𝑀(𝑞)𝑞̈ + 𝑀(𝑞)𝑞̇ − 𝑞̇ 𝑇 𝑀(𝑞)𝑞̇ = 𝐴𝑇 (𝑞)𝜆 + 𝐵(𝑞)𝜏
𝑑𝑡 2 𝜕𝑞
Ou encore :
𝑑 1 𝜕
𝑀(𝑞)𝑞̈ + [ 𝑀(𝑞) − 𝑞̇ 𝑇 𝑀(𝑞)] 𝑞̇ = 𝐴𝑇 (𝑞)𝜆 + 𝐵(𝑞)𝜏
𝑑𝑡 2 𝜕𝑞
En posant
𝑑 1 𝜕
𝐶= 𝑀(𝑞) − 𝑞̇ 𝑇 𝑀(𝑞)
𝑑𝑡 2 𝜕𝑞
On obtient :
𝑀(𝑞)𝑞̈ + 𝐶𝑞̇ = 𝐴𝑇 (𝑞)𝜆 + 𝐵(𝑞) 𝜏
Reprenons maintenant le modèle cinématique d’un véhicule (3.23), elle peut être réécrite
comme suit :
𝑞̇ = 𝑆̂(𝑞)𝜂
Tel que :
𝑅 −1 (𝜃) 𝑆 (𝛽1,…,𝑛𝑑𝑖 ) 0
0 𝐼𝑑
𝑆̂(𝑞) = 0 𝑁 (𝛽1,…,𝑛𝑑𝑖 )
𝐴−1
23 𝐴21 (𝛽𝑖 ) 𝑆 (𝛽1,…,𝑛𝑑𝑖 ) 0
−1 (𝛽𝑖 ) 𝑆 (𝛽1,…,𝑛𝑑𝑖 ) 0
(𝐴14 𝐴11 )
Et :
𝜂 = (𝜂𝑚 , … , 𝜂0 )𝑇
En substituant le variable 𝑞̇ dans l’équation (3.78) par son expression donnée par la relation
(3.79), on obtient l’équation (3.81):
𝑑𝑆̂(𝑞)
𝑀(𝑞)𝑆̂(𝑞)𝜂̇ + 𝑀(𝑞) 𝜂 + 𝐶𝑆̂(𝑞)𝜂 = 𝐴𝑇 (𝑞)𝜆 + 𝐵(𝑞)𝜏
{ 𝑑𝑥
𝑞̇ = 𝑆̂(𝑞)𝜂
138
𝑆̂ 𝑇 (𝑞)𝐴𝑇 (𝑞)𝜆 = 0
Donc :
𝑑𝑆̂(𝑞)
𝑆̂ 𝑇 (𝑞)𝑀(𝑞)𝑆̂(𝑞)𝜂̇ + 𝑆̂ 𝑇 (𝑞)𝑀(𝑞) 𝜂 + 𝑆̂ 𝑇 (𝑞)𝐶𝑆̂(𝑞)𝜂 = 𝑆̂ 𝑇 (𝑞)𝐵(𝑞)𝜏
{ 𝑑𝑥
𝑞̇ = 𝑆̂(𝑞)𝜂
−1 𝑑𝑆̂(𝑞)
𝜂̇ = (𝑆̂ 𝑇 (𝑞)𝑀(𝑞)𝑆̂(𝑞)) 𝑆̂ 𝑇 (𝑞) [−𝑀(𝑞) 𝜂 − 𝐶𝑆̂(𝑞)𝜂 + 𝐵(𝑞)𝜏]
{ 𝑑𝑥
𝑞̇ = 𝑆̂(𝑞)𝜂
Conclusion
Dans ce chapitre nous avons pu contribuer à l’étude de la mécanique d’un véhicule. En effet,
nous avons vue qu’il existe cinq classes de véhicule selon leur configuration. Dans ce sens,
nous avons étudié ces différentes classes afin de déterminer les équations générales d’un
véhicule Le modèle cinématique d’un véhicule nous permet d’étudier son comportement à
vitesse réduite. Afin de mieux observer le comportement du système (couple de rotation des
roue, vitesse du véhicule, ...), nous avons développé un modèle dynamique. Pour la suite nous
allons modéliser un automobile appartenant à la classe de véhicule possédant un degré de
mobilité et un degré d’orientabilité.
139
MODELISATION D’UN VEHICULE
Introduction
Dans le chapitre précédent, nous avons pu étudier les différentes classes d’un véhicule roulant.
Dans ce chapitre, nous allons concevoir un système de contrôle nous permettant de réduire le
risque d’accident sur la route. Ainsi nous avons choisi un véhicule ayant un ou plusieurs roues
directionnelles et roue fixe, de classe 𝑅11 , pour que notre étude soit plus réaliste.
Afin d’avoir un modèle plus concret, nous allons étudier notre système suivants deux angles.
En premier lieu, nous essayerons à concevoir un système de commande de direction pour les
applications de maintien latéral des voies. Suite à cela, un système de régulation de vitesse ainsi
qu’un système de suivi seront présentés afin d’étudier le modèle longitudinal d’un véhicule.
La modélisation d’un véhicule est publiée sur le Journal Scientifique de notoriété nationale
MADA-ETI :
Référentiel terrestre
Habituellement un mouvement est décrit par plusieurs variables en rapport avec un système
d’axe convenablement choisit. Le choix d'un repère spatial dépend du problème à résoudre car
un choix judicieux permet bien de simplifier les équations. Dans le cas de la mécanique d’un
véhicule, le choix est rendu très délicat par le fait que les différentes forces agissant sur un
automobile, de natures différentes, ne s'expriment aisément que dans des trièdres particuliers.
On est donc amené à définir plusieurs repères spatiaux et à préciser les divers angles permettant
de passer des uns aux autres. Ainsi, nous avons utilisé deux repères, notamment le repère
terrestre et le repère lié au véhicule dont les éclaircissements seront donnés par la définition
4.01 et 4.02.
Définition 4.01
141
Considérons la figure 4.01.
Un référentiel terrestre, noté (𝑜0 , 𝑥0 , 𝑦0 , 𝑧0 )est défini par :
- son origine 𝑜0 , la surface terrestre, l'axe (𝑜0 , 𝑧0 ), vertical et orienté positivement vers le
bas suivant l’orientation de la pesanteur ;
- les axes (𝑜0 , 𝑥0 )et (𝑜0 , 𝑦0 ) qui complètent le trièdre direct, l'axe (𝑜0 , 𝑥0 ) vers le Nord et
l’axe (𝑜0 , 𝑦0 )vers l’Est.
Le plan (𝑜0 , 𝑥0 , 𝑦0 )est le plan horizontal local qui est tangente à la surface du globe terrestre.
Dans la plupart des cas la vitesse angulaire de la terre devient importante d’où la nécessité de
définir un repère autre repère fixe qui la prend en compte. De plus pour un mouvement à court
terme on suppose la terre plate.
Définition 4.02
142
Variables du mouvement d’un véhicule
Le mouvement d’un véhicule est décrit par des forces, des moments, des vitesses linéaires et
angulaires. Il convient de choisir pour décrire son mouvement. Ainsi le véhicule est initialement
supposé être rectilignement stable décrit par sa vecteur vitesse.
Initialement le véhicule est en équilibre donc la somme des forces et des moments qui lui sont
appliqués se compensent. Chaque fois que le véhicule est dévié de sa position d'équilibre, cet
équilibre des forces et des moments est bouleversé et le mouvement transitoire résultant est
quantifié en termes de variables de perturbation.
Les composantes de perturbation de la vitesse linéaire totale (U, V, W) sont données par la
somme des éléments d'équilibre stable et des composantes de perturbation transitoire (u, v, w).
U Ue u
V Ve v
W We w
143
Tableau 4.01: Variables de mouvement
Axes ox oy oz ox oy oz
Forces 0 0 0 X Y Z
Moments 0 0 0 L M N
Vitesses linéaires Ue Ve We U V W
Vitesses de rotation 0 0 0 p q r
Attitudes 0 0 0
Angles d’Euler
Définition 4.04 :
Les angles d’Euler sont définis par les angles de rotation d’un trièdre droit par rapport à un
autre.
144
On distingue :
- : angle de roulis obtenu par la rotation de (𝑜2 , 𝑥2 , 𝑦2 , 𝑧2 ) autours de l’axe (𝑜3 , 𝑥3 );
- θ : angle de tangage, c’est la rotation de (𝑜1 , 𝑥1 , 𝑦1 , 𝑧1 ) autours de (𝑜2 , 𝑦2 );
- ψ : angle de lacet, c’est la rotation de (𝑜0 , 𝑥0 , 𝑦0 , 𝑧0 ) autour de (𝑜1 , 𝑧1 ) .
Dans la plupart des cas, il est nécessaire de transformer les variables de mouvement et d'autres
paramètres d'un système d'axes à l'autre. Les relations angulaires utilisées pour décrire l'attitude
peuvent être généralisées à décrire l'orientation angulaire d'un ensemble d'axes par rapport à
l'autre. Un exemple typique pourrait être de transformer les composantes de la vitesse linéaire
du référentiel lié au véhicule vers le référentiel terrestre.
Ainsi, (𝑜3 , 𝑥3 , 𝑦3 , 𝑧3 )peut être utilisé pour décrire les composantes de la vitesse dans le système
d’axe lié au véhicule et (𝑜0 , 𝑥0 , 𝑦0 , 𝑧0 ) utilisé pour décrire les composantes de la vitesse dans le
système d’axe terrestre; les angles (, 𝜃, 𝜓) décrivent l’orientation angulaire généralisée d'un
système d'axe par rapport à l'autre.
Définition 4.05 :
Démonstration :
145
Après une rotation autours de l’axe (𝑜3 , 𝑥3 ) et d’angle 𝜓 on a :
ox3 ox 2
oy 3 oy 2 cos oz 2 sin
oz 3 oy 2 sin oz 2 cos
Sous forme matricielle :
ox3 1 0 0 ox 2
oy 0 cos sin oy
3 2
oz 3 0 sin cos oz 2
D’une façon similaire, après une rotation autours de l’axe (𝑜3 , 𝑦3 ) et d’angle 𝜃, on peut écrire
que :
Définition 4.07 :
Définition 4.08 :
Définition 2.09 :
146
- 𝑋′ ∈ ℝ3 la représentation de 𝑋 dans 𝑥’, 𝑦’, 𝑧’
𝑋′ = 𝑅𝑧0 𝜙 𝑋
𝑋" = 𝑅𝑦0 𝜃 𝑋′
𝑋c = 𝑅𝑥0 𝜓 𝑋"
Cette matrice de rotation nous permet d’obtenir la représentation du vecteur 𝑋 dans le repère
fixé au centre de gravité du véhicule.
𝑅 𝑇 ∶ (𝑜, 𝑥, 𝑦, 𝑧) → (𝑐𝑚, 𝑥𝐶 , 𝑦𝐶 , 𝑧𝐶 )
𝑅 ∶ (𝑐𝑚, 𝑥𝐶 , 𝑦𝐶 , 𝑧𝐶 ) → (𝑜, 𝑥, 𝑦, 𝑧)
Elle est facilement obtenue par une multiplication et transposition de matrices qui est donnée
par l’équation (4.02).
Ou bien :
147
0𝑥0 0𝑥3
[0𝑦0 ] = R [0𝑦3 ]
0𝑧0 0𝑧3
La transformation inverse est donnée par :
0𝑥3 0𝑥0
−1
[0𝑦3 ] = R [0𝑦0 ]
0𝑧3 0𝑧0
𝑝 1 0 −𝑠𝑖𝑛𝜙 𝜙̇
𝐵
𝑤 = [𝑞 ] = [0 𝑐𝑜𝑠𝜙 𝑠𝑖𝑛𝜙𝑐𝑜𝑠𝜃 ] [ 𝜃̇ ]
𝑟 0 −𝑠𝑖𝑛𝜙 𝑐𝑜𝑠𝜙𝑐𝑜𝑠𝜃 𝜓̇
Où :
- 𝜙̇ : vitesse de l'angle de roulis
- 𝜃̇ : vitesse de l'angle de tangage
- 𝜓̇ : vitesse de l'angle de lacet
L’inversion de cette matrice nous donne :
1 𝑠𝑖𝑛𝜙𝑡𝑎𝑛𝜃 𝑐𝑜𝑠𝜙𝑡𝑎𝑛𝜃
𝜙̇ 𝑝
0 𝑐𝑜𝑠𝜙 𝑠𝑖𝑛𝜙
[ 𝜃̇ ] = [ ] [𝑞 ]
𝑠𝑖𝑛𝜙 𝑐𝑜𝑠𝜙
𝜓̇ 0 𝑟
𝑐𝑜𝑠𝜃 𝑐𝑜𝑠𝜃
En considérant qu’il y ait une petite perturbation, les angles (𝜑, 𝜃, 𝜓) peuvent être considérés
comme de petits angles, ainsi l’équation (4.13) peut réécrire suivant l’équation (4.14).
148
𝜙̇ 𝑝
[ 𝜃̇ ] = [𝑞 ]
𝜓̇ 𝑟
Dans l’optique de développer la dynamique d’un véhicule, nous allons voir ensemble les efforts
y appliqués. Considérons la figure 4.05.
149
Généralement, les efforts appliqués au véhicule sont exprimés dans le repère lié à lui-même.
Définition 4.10 :
La force longitudinale, notée par 𝐹𝑥 est dirigée suivant l’axe des 𝑥. Son sens est donné suivant
le mouvement en avant du véhicule.
Définition 4.11 :
La force latérale, notée par 𝐹𝑦 est dirigée suivant l’axe des 𝑦. Elle est orientée vers la gauche.
Définition 4.12 :
La force transversale, notée par 𝐹𝑧 est dirigée suivant l’axe des 𝑧. 𝐹𝑧 est positive quand elle
pointe vers le haut.
Définition 4.13 :
Moment de lacet, notée par 𝑀𝑥 , est porté l’axe des 𝑥. Le sens positif est de même qu’une
aiguille d’une montre.
Définition 4.14 :
La force tangage, notée par 𝑀𝑦 , est porté l’axe des 𝑦. Le sens positif est de même qu’une
aiguille d’une montre.
Définition 4.15 :
La force roulis, notée par 𝑀𝑧 , est porté l’axe des 𝑧. Le sens positif est de même qu’une aiguille
d’une montre.
150
♣
- F𝐵 = [𝐹𝑥 𝐹𝑦 𝐹𝑧 ]𝑇 : résultante des forces agissant sur le véhicule dans le repère fixé au
centre de gravité de ce dernier
- 𝑚 𝑤 𝑉 𝐵 : force due au mouvement du véhicule dans le repère inertiel
- 𝑃, 𝑄, 𝑅 : vitesses angulaires autour des axes x, y, z (rad / s)
En appliquant la relation fondamentale de la dynamique au système on obtient :
𝑚 𝑉̇ = F𝐵 − 𝑚 𝑤 𝑉 𝐵
Avec : 𝑉 𝐵 : vecteur vitesse de translation du véhicule par rapport au repère inertiel
En isolant 𝑉̇ on a :
1 𝐵
𝑉̇ = F − 𝑤 𝑉𝐵
𝑚
Ainsi :
𝑉𝑥̇ 𝐹 𝜔𝑥 𝑉𝑥
1 𝑥
[𝑉𝑦̇ ] = [𝐹𝑦 ] − [𝜔𝑦 ] ⋀ [𝑉𝑦 ]
𝑚 𝜔𝑧
𝑉𝑧̇ 𝐹𝑧 𝑉𝑧
Après calcul on obtient :
𝑉𝑥̇ 𝐹𝑥 𝜔𝑦 𝑉𝑧 − 𝜔𝑧 𝑉𝑦
1
̇
[𝑉𝑦 ] = 𝑚 [𝐹𝑦 ] − [ 𝜔𝑥 𝑉𝑧 − 𝜔𝑧 𝑉𝑥 ]♦
𝑉𝑧̇ 𝐹𝑧 𝜔𝑥 𝑉𝑦 − 𝜔𝑦 𝑉𝑥
151
♣
𝑑𝐻
𝐻̇ = +𝑤𝐻
𝑑𝑡
Avec :
- 𝐻̇ = [𝑀𝑥 𝑀𝑦 𝑀𝑧 ]𝑇 : vecteur du moment angulaire
𝐻 = 𝐼. 𝑤
Avec :
𝑑𝐼
=0
𝑑𝑡
Le développement des équations ci-dessus nous conduit à :
𝑤̇ = 𝐼 −1 (𝐻̇ − 𝑤 . (𝐼𝑤))
♦
Dans ce paragraphe nous allons discuter une variété de modèles qui décrivent le déplacement
latéral d’un véhicule. Ce modèle pourra être utilisé pour concevoir des systèmes de commande
pour le maintien latéral de la trajectoire. Le modèle pourra également être étendu pour le
contrôle de la stabilité, notamment l’angle du lacet, le contrôle du renversement et d'autres
applications lors du contrôle d’un véhicule.
152
Etant donné que le modèle cinématique fournit des équations de mouvement uniquement en
termes de relations géométriques régissant le système. C'est un modèle utile pour les
applications à faible vitesse, par exemple la commande de véhicule pour le stationnement
automatisé.
Les modèles dynamiques discutés dans ce paragraphe seront généralement utilisés pour la tenue
de route et peuvent également être étendues pour la maitrise de l’angle de lacet afin d’assurer
la stabilité du véhicule.
Par conséquent, le modèle latéral sera défini en fonction des variables suivantes :
𝐹𝑥
𝑉𝑥̇ = + 𝑟𝑉𝑦
𝑚
𝐹𝑦
𝑉𝑦̇ = + 𝑟𝑉𝑥
𝑚
𝐼𝑥𝑧 𝑀𝑥
𝑝̇ = 𝑟̇ +
𝐼𝑥𝑥 𝐼𝑥𝑥
𝐼𝑥𝑧 𝑀𝑧
𝑟̇ = 𝑝̇ +
{ 𝐼𝑧𝑧 𝐼𝑧𝑧
Démonstration :
153
En effet le modèle latéral d’un véhicule est dédit à partir de l’équation du mouvement décrite
par les équations (4.15) et (4.18).
Le modèle longitudinal consiste à observer le comportement du véhicule dans le plan (𝑜, 𝑥, 𝑦).
Etant donné que la vitesse transversale du véhicule n’est pas observable dans ce plan, nous
supposerons que 𝑉𝑧 = 0.
𝐹𝑥
+ 𝜔𝑧 𝑉𝑦
𝑉𝑥̇ 𝑚
𝐹𝑦
[𝑉𝑦̇ ] = + 𝜔𝑧 𝑉𝑥
𝑚
0 𝐹𝑧
[𝑚 − (𝜔𝑥 𝑉𝑦 − 𝜔𝑦 𝑉𝑥 )]
Comme 𝜔𝑧 = 𝑟, alors :
𝐹𝑥
̇𝑉𝑥 + 𝑟𝑉𝑦
[ ̇ ]=[ 𝑚 ]
𝑉𝑦 𝐹𝑦
+ 𝑟𝑉𝑥
𝑚
Pour les moments appliqués au véhicule, reprenons l’équation (4.18) mais comme l’orientation
par rapport à l’axe des 𝑦 n’est pas évidente supposons que 𝑞 = 0.
𝐼𝑥𝑧 𝑀𝑥
𝑟̇ +
𝐼𝑥𝑥 𝐼𝑥𝑥
𝑝̇ (𝐼𝑧𝑧 − 𝐼𝑥𝑥 ) 𝐼𝑥𝑧 2 𝑀𝑦
[ 0] = 𝑝𝑟 + (𝑟 − 𝑝²) +
𝐼𝑦𝑦 𝐼𝑦𝑦 𝐼𝑦𝑦
𝑟̇
𝐼𝑥𝑧 𝑀𝑧
𝑝̇ +
[ 𝐼𝑧𝑧 𝐼𝑧𝑧 ]
154
𝐼𝑥𝑧 𝑀𝑥
𝑟̇ +
𝑝̇ 𝐼 𝐼𝑥𝑥
[ ] = 𝑥𝑥
𝑟̇ 𝐼𝑥𝑧 𝑀𝑧
𝑝̇ +
[ 𝐼𝑧𝑧 𝐼𝑧𝑧 ]
Hypothèse 4.01 :
Hypothèse 4.02 :
𝐼𝑥𝑥 0 0
𝐼𝑉 = [ 0 𝐼𝑦𝑦 0]
0 0 𝐼𝑧𝑧
155
Avec :
- 𝐹𝑥𝑎𝑣 : résultante des forces longitudinales appliquées aux roues avant 𝐹𝑥𝑎𝑣 = 𝐹𝑥1 + 𝐹𝑥2
- 𝐹𝑥𝑎𝑟 : résultante des forces longitudinales appliquées aux roues arrière
𝐹𝑥𝑎𝑟 = 𝐹𝑥3 + 𝐹𝑥4
- 𝐹𝑦𝑎𝑣 : résultante des forces latérales appliquées aux roues avant 𝐹𝑦𝑎𝑣 = 𝐹𝑦1 + 𝐹𝑦2
- 𝐹𝑦𝑎𝑟 : résultante des forces latérales appliquées aux roues arrière 𝐹𝑦𝑎𝑟 = 𝐹𝑦3 + 𝐹𝑦4
- 𝛿 : angle de braquage fournis à la commande
Suivant ces hypothèses le modèle latéral du véhicule est donné par l’équation (4.29).
𝑞̇ = 𝐴𝑞 + 𝐵𝛿
Avec :
𝑉𝑦
𝑝
𝑞=[ ]
𝜙
𝑟
𝑉𝑦̇
𝑞̇ = 𝑝̇
𝜙̇
[ 𝑟̇ ]
𝐶𝛽 𝐶𝑝 𝐶𝜙 𝐶𝑟
− 𝑉𝑥
𝑚𝑉𝑥 𝑚 𝑚 𝑚
𝐸𝛽 𝐸𝑝 𝐸𝜙 𝐸𝑟
𝐴 = 𝐼𝑥𝑥 𝑉𝑥 𝐼𝑥𝑥 𝐼𝑥𝑥 𝐼𝑥𝑥
0 1 0 0
𝐷𝛽 𝐷𝑝 𝐷𝜙 𝐷𝑟
[ 𝐼𝑧𝑧 𝑉𝑥 𝐼𝑧𝑧 𝐼𝑧𝑧 𝐼𝑧𝑧 ]
𝐶𝛿
𝑚
𝐸𝛿
𝐵 = 𝐼𝑥𝑥
0
𝐷𝛿
[ 𝐼𝑧𝑧 ]
156
Démonstration :
𝐹𝑥 = 𝑚𝑉𝑥̇ − 𝑚𝑟𝑉𝑦
𝐹𝑦 = 𝑚𝑉𝑦̇ + 𝑚𝑟𝑉𝑥
𝑀𝑥 = 𝑝̇ 𝐼𝑥𝑥
{ 𝑀𝑧 = 𝑟̇ 𝐼𝑧𝑧
𝐹𝑥 ≈ 𝐹𝑥𝑎𝑣 + 𝐹𝑥𝑎𝑟
𝐹𝑦 ≈ 𝐹𝑦𝑎𝑣 + 𝐹𝑦𝑎𝑟
𝑀𝑥 ≈ 𝐶𝑇𝑎𝑣 𝐹𝑦𝑎𝑣 + 𝐶𝑇𝑎𝑟 𝐹𝑦𝑎𝑟 − 𝑘𝜙 𝜙 − 𝐶𝜙 𝜙̇
𝑀𝑧 ≈ 𝑎1 𝐹𝑦𝑎𝑣 + 𝑎2 𝐹𝑦𝑎𝑟
Où :
- 𝐹𝑥𝑎𝑣 : résultante des forces longitudinales appliquées aux roues avant 𝐹𝑥𝑎𝑣 = 𝐹𝑥1 + 𝐹𝑥2
- 𝐹𝑥𝑎𝑟 : résultante des forces longitudinales appliquées aux roues arrière
𝐹𝑥𝑎𝑟 = 𝐹𝑥3 + 𝐹𝑥4
- 𝐹𝑦𝑎𝑣 : résultante des forces latérales appliquées aux roues avant 𝐹𝑦𝑎𝑣 = 𝐹𝑦1 + 𝐹𝑦2
- 𝐹𝑦𝑎𝑟 : résultante des forces latérales appliquées aux roues arrière 𝐹𝑦𝑎𝑟 = 𝐹𝑦3 + 𝐹𝑦4
- 𝑎1 : distance entre l’axe des roues avant du véhicule et son centre de gravité
- 𝑎2 : distance entre l’axe des roues arrière du véhicule et son centre de gravité
157
𝛿𝑟 = 𝛿 + 𝛿𝜙
Avec :
Etant donné que l’angle de glissement dû au braquage est proportionnel à l’angle de roulis, on
peut écrire que :
𝛿𝜙 = 𝐶𝛿𝜙 𝜙𝑖
Où :
Maintenant, nous allons modéliser les forces latérales des roues 𝐹𝑦𝑎𝑣 et 𝐹𝑦𝑎𝑟 qui agissent sur le
véhicule. Sachant que la force latérale de la roue est proportionnelle à l'angle de glissement
pour les petits angles de glissement. En effet, l'angle de dérapage d'une roue est défini comme
l'angle entre l'orientation de la roue et l'orientation du vecteur vitesse de la roue.
Avec :
- 𝛿𝑟 : angle de braquage réel
- 𝛽 : angle entre la vitesse de rotation de la roue et l’axe des 𝑥
Par substitution, on a :
𝛼𝑖 = 𝛽𝑖 − 𝛿𝑖 − 𝛿𝜙𝑖
La force latérale des pneumatiques des roues du véhicule peut donc s'écrire comme suit :
𝐹𝑦 = −𝐶𝛼𝑖 𝛼𝑖 − 𝐶𝜙 𝜙𝑖
𝐹𝑦 = −𝐶𝛼𝑖 (𝛽𝑖 − 𝛿𝑖 − 𝛿𝜙 ) − 𝐶𝜙 𝜙
Où :
158
- 𝐶𝛼𝑖 : rigidité en virage de chaque pneu
- 𝛿𝑖 : angle de braquage des roues
- 𝛽𝑖 : angle de la vitesse des pneus
Lorsqu'un véhicule roule, il y a de nouvelles réactions dans les pneus qui introduisent de
nouveaux termes dynamiques dans le comportement du pneu. Les réactions les plus importantes
sont les suivantes :
En effet, la rigidité des roues peut être supposée comme étant proportionnelle à l'angle de roulis
du véhicule.
𝐹𝑦𝜙 = −𝐶𝜙 𝜙
𝑑𝐹𝑦
𝐶𝜙 =
𝑑𝜙
𝛿𝜙 = 𝐶𝛿𝜙 𝜙
𝑑𝛿
𝐶𝛿𝜙 =
𝑑𝜙
r𝑖 𝐵 = [𝑥𝑖 𝑦𝑖 𝑧𝑖 ]𝑇
v𝑖 𝐵 = 𝑉 𝐵 + 𝑤 𝐵 × r𝑖 𝐵
Où :
159
- 𝑤 𝐵 : vitesse angulaire du véhicule.
Le développement de l’équation (4.38) nous permet d’exprimer le vecteur de vitesse des roues 𝑖
dans le repère de véhicule.
𝑉𝑥𝑖 𝑉𝑥 𝜙̇ 𝑥𝑖
[ 𝑦𝑖 ] = [𝑉𝑦 ] + [ 0 ] × [𝑦𝑖 ]
𝑉
𝑉𝑧𝑖 0 𝜓̇ 𝑧𝑖
𝑉𝑥𝑖 𝑉𝑥 − 𝜓̇𝑦𝑖
[𝑉𝑦𝑖 ] = [𝑉𝑦 − 𝜙̇𝑧𝑖 + 𝜓̇𝑥𝑖 ]
𝑉𝑧𝑖 𝜙̇𝑦𝑖
𝑉𝑦
𝛽𝑖 = tan−1 ( 𝑖 )
𝑉𝑥𝑖
Où :
- 𝛽𝑖 : angle que fait la vitesse de la roue 𝑖 avec l’axe des 𝑥 du véhicule
- 𝑉𝑦𝑖 : vitesse latérale de la roue
- 𝑉𝑥𝑖 : vitesse longitudinale de la roue
Lorsque l’on suppose que l’angle de glissement 𝛽𝑖 est assez faible, on peut écrire que :
𝑉𝑦𝑖
𝛽𝑖 ≈
𝑉𝑥𝑖
Ou encore :
𝑉𝑦 − 𝑧𝑖 𝜙̇ + 𝑥𝑖 𝜓̇
𝛽𝑖 ≈
𝑉𝑥
𝑉𝑦 − 𝑧𝑖 𝜙̇ + 𝑥𝑖 𝜓̇
𝛼𝑖 = − 𝛿𝑖 − 𝛿𝜙𝑖
𝑉𝑥
Reportons maintenant ce résultat sur les roues avant et arrière du véhicule. Afin de
déterminer 𝛽𝑎𝑟 et 𝛽𝑎𝑣 nous pouvons utiliser les relations suivantes :
𝑉𝑦𝑎𝑣
𝛽𝑎𝑣 = tan−1 ( )
𝑉𝑥𝑎𝑣
160
𝑉𝑦𝑎𝑣 𝑉𝑦 − 𝑧𝑎𝑣 𝜙̇ + 𝑎1 𝜓̇
𝛽𝑎𝑣 ≈ ≈
𝑉𝑥𝑎𝑣 𝑉𝑥
𝑉𝑦
𝛽𝑎𝑟 = tan−1 ( 𝑎𝑟 )
𝑉𝑥𝑎𝑟
𝑉𝑦 𝑉𝑦 − 𝑧𝑎𝑟 𝜙̇ − 𝑎2 𝜓̇
𝛽𝑎𝑟 ≈ 𝑎𝑟 ≈
𝑉𝑥𝑎𝑟 𝑉𝑥
𝑉𝑦 𝑉𝑦
𝛽 = tan−1 ( ) ≈
𝑉𝑥 𝑉𝑥
Etant donné que la coordonnée 𝑧𝑖 des roues n’est pas constante, en effet elle est sollicitée par
des petites variations, nous allons substituer ses effets par le coefficient 𝐶𝛽𝑖 que l’on nommera
coefficient de roulement de la roue. Ce dernier sera défini comme suit :
𝛽𝑖 = 𝐶𝛽𝑖 𝜙̇
𝑑𝛽𝑖
𝐶𝛽𝑖 =
𝑑𝜙̇
Avec :
- 𝐶𝛽𝑖 : coefficient de roulement de la roue
Ainsi, les équations (4.55) et (4.57) deviennent :
𝑉𝑦 − 𝐶𝛽𝑎𝑣 𝜙̇ + 𝑎1 𝜓̇
𝛽𝑎𝑣 = tan−1 ( )
𝑉𝑥
𝑉𝑦 − 𝐶𝛽𝑎𝑟 𝜙̇ − 𝑎2 𝜓̇
𝛽𝑎𝑟 = tan−1 ( )
𝑉𝑥
En considérant que les angles de glissement 𝛽, 𝛽𝑎𝑣 et 𝛽𝑎𝑟 sont petits, l’équation (4.48) devient :
1
𝛼𝑖 = 𝑉 (𝑉𝑦 − 𝐶𝛽𝑖 𝜙̇ + 𝑥𝑖 𝜓̇) − 𝛿𝑖 − 𝛿𝜙𝑖
𝑥
𝑝 = 𝜙̇
𝑟 = 𝜓̇
161
1
𝛼𝑎𝑣 = (𝑉𝑦 − 𝐶𝛽𝑎𝑣 𝑝 + 𝑎1 𝑟) − 𝛿 − 𝐶𝛿𝜙𝑎𝑣 𝜙
𝑉𝑥
𝑝 𝑟
𝛼𝑎𝑣 = 𝛽 − 𝐶𝛽𝑎𝑣 𝑉 + 𝑎1 𝑉 − 𝛿 − 𝐶𝛿𝜙𝑎𝑣 𝜙
𝑥 𝑥
1
𝛼𝑎𝑟 = 𝑉 (𝑉𝑦 − 𝐶𝛽𝑎𝑟 𝑝 − 𝑎2 𝑟) − 𝐶𝛿𝜙𝑎𝑟 𝜙
𝑥
𝑝 𝑟
𝛼𝑎𝑟 = 𝛽 − 𝐶𝛽𝑎𝑟 − 𝑎2 − 𝐶𝛿𝜙𝑎𝑟 𝜙
𝑉𝑥 𝑉𝑥
Par substitution, on obtient les équations :
𝐹𝑥 = 𝐹𝑥𝑎𝑣 + 𝐹𝑥𝑎𝑟
𝐹𝑦 = 𝐹𝑦𝑎𝑣 + 𝐹𝑦𝑎𝑟
𝑝 𝑟
𝐹𝑦 = −𝐶𝛼𝑎𝑣 (𝛽 − 𝐶𝛽𝑎𝑣 + 𝑎1 − 𝛿 − 𝐶𝛿𝜙𝑎𝑣 𝜙) − 𝐶𝜙𝑎𝑣 𝜙
𝑉𝑥 𝑉𝑥
𝑝 𝑟
− 𝐶𝛼𝑎𝑟 (𝛽 − 𝐶𝛽𝑎𝑟 − 𝑎2 − 𝐶𝛿𝜙𝑎𝑟 𝜙) − 𝐶𝜙𝑎𝑟 𝜙
𝑉𝑥 𝑉𝑥
2𝐶𝛼𝑎𝑣 𝐶𝛽𝑎𝑟 2𝐶𝛼𝑎𝑟 𝐶𝛽𝑎𝑟
𝐹𝑦 = 2𝐶𝛼𝑎𝑣 𝛿 + 𝛽(−𝐶𝛼𝑎𝑣 − 𝐶𝛼𝑎𝑟 ) + 𝑝 ( + )
𝑉𝑥 𝑉𝑥
2 2
+ 𝑟 [− 𝐶𝛼𝑎𝑣 𝑎1 + 𝐶𝛼𝑎𝑟 𝑎2 ]
𝑉𝑥 𝑉𝑥
+ 𝜙 (𝐶𝛼𝑎𝑣 𝐶𝛿𝜙𝑎𝑣 − 𝐶𝜙𝑎𝑣 − 𝐶𝜙𝑎𝑟 + 𝐶𝛼𝑎𝑟 𝐶𝛿𝜙𝑎𝑟 )
𝑀𝑥 = 𝐶𝑇𝑎𝑣 𝐹𝑦𝑎𝑣 + 𝐶𝑇𝑎𝑟 𝐹𝑦𝑎𝑟 − 𝑘𝜙 𝜙 − 𝐶𝜙 𝑝
𝑝 𝑟
𝑀𝑥 = 𝐶𝑇𝑎𝑣 [−𝐶𝛼𝑎𝑣 (𝛽 − 𝐶𝛽𝑎𝑣 + 𝑎1 − 𝛿 − 𝐶𝛿𝜙𝑎𝑣 𝜙) − 𝐶𝜙𝑎𝑣 𝜙]
𝑉𝑥 𝑉𝑥
𝑝 𝑟
+ 𝐶𝑇𝑎𝑟 [−𝐶𝛼𝑎𝑟 (𝛽 − 𝐶𝛽𝑎𝑟 − 𝑎2 − 𝐶𝛿𝜙𝑎𝑟 𝜙) − 𝐶𝜙𝑎𝑟 𝜙] − 𝑘𝜙 𝜙
𝑉𝑥 𝑉𝑥
− 𝐶𝜙 𝑝
𝑀𝑥 = 2𝐶𝛼𝑎𝑣 𝐶𝑟𝑎𝑣 𝛿 + 𝛽(−𝐶𝑟𝑎𝑣 𝐶𝛼𝑎𝑣 − 𝐶𝑟𝑎𝑟 𝐶𝛼𝑎𝑟 )
2𝐶𝛼𝑎𝑣 𝐶𝛽𝑎𝑟 2𝐶𝛼𝑎𝑟 𝐶𝛽𝑎𝑟
+𝑝( 𝐶𝑟𝑎𝑣 + 𝐶𝑟𝑎𝑟 − 𝐶𝜙 )
𝑉𝑥 𝑉𝑥
2 2
+ 𝑟 [− 𝐶𝛼𝑎𝑣 𝑎1 𝐶𝑟𝑎𝑣 + 𝐶𝛼𝑎𝑟 𝑎2 𝐶𝑟𝑎𝑟 ]
𝑉𝑥 𝑉𝑥
+ 𝜙 [𝐶𝑇𝑎𝑣 (𝐶𝛼𝑎𝑣 𝐶𝛿𝜙𝑎𝑣 − 𝐶𝜙𝑎𝑣 ) + 𝐶𝑇𝑎𝑟 (−𝐶𝜙𝑎𝑟 + 𝐶𝛼𝑎𝑟 𝐶𝛿𝜙𝑎𝑟 )
− 𝑘𝜙 ]
𝑀𝑧 = 𝑎1 𝐹𝑦𝑎𝑣 − 𝑎2 𝐹𝑦𝑎𝑟
𝑝 𝑟
𝑀𝑧 = 𝑎1 [−𝐶𝛼𝑎𝑣 (𝛽 − 𝐶𝛽𝑎𝑣 + 𝑎1 − 𝛿 − 𝐶𝛿𝜙𝑎𝑣 𝜙) − 𝐶𝜙𝑎𝑣 𝜙]
𝑉𝑥 𝑉𝑥
𝑝 𝑟
− 𝑎2 [−𝐶𝛼𝑎𝑟 (𝛽 − 𝐶𝛽𝑎𝑟 − 𝑎2 − 𝐶𝛿𝜙𝑎𝑟 𝜙) − 𝐶𝜙𝑎𝑟 𝜙]
𝑉𝑥 𝑉𝑥
162
2𝐶𝛼𝑎𝑣 𝐶𝛽𝑎𝑣 2𝐶𝛼𝑎𝑟 𝐶𝛽𝑎𝑟
𝑀𝑧 = 2𝐶𝛼𝑎𝑣 𝑎1 𝛿 + 𝛽(−𝑎1 𝐶𝑟𝑎𝑣 + 𝑎2 𝐶𝑟𝑎𝑟 ) + 𝑝 ( 𝑎1 − 𝑎2 )
𝑉𝑥 𝑉𝑥
2 2
+ 𝑟 [− 𝐶𝛼𝑎𝑣 𝑎1 2 − 𝐶𝛼𝑎𝑟 𝑎2 2 ]
𝑉𝑥 𝑉𝑥
+ 𝜙 [𝑎1 (𝐶𝛼𝑎𝑣 𝐶𝛿𝜙𝑎𝑣 − 𝐶𝜙𝑎𝑣 ) + 𝑎2 (−𝐶𝜙𝑎𝑟 + 𝐶𝛼𝑎𝑟 𝐶𝛿𝜙𝑎𝑟 )]
On constate que les équations ci-dessus sont en fonctions des paramètres suivants : 𝛿, 𝛽, 𝑝, 𝑟
et 𝜙. Ainsi, nous povons réécrire les équations (4.76), (4.79) et (4.82) sous la forme suivante :
𝐹𝑦 = 𝐹𝑦 (𝛿, 𝛽, 𝑝, 𝑟, 𝜙)
𝑀𝑥 = 𝑀𝑥 (𝛿, 𝛽, 𝑝, 𝑟, 𝜙)
𝑀𝑧 = 𝑀𝑧 (𝛿, 𝛽, 𝑝, 𝑟, 𝜙)
𝐶𝛿 = 2𝐶𝛼𝑎𝑣
𝐶𝛽 = −𝐶𝛼𝑎𝑣 − 𝐶𝛼𝑎𝑟
𝐸𝛿 = 2𝐶𝛼𝑎𝑣 𝐶𝑟𝑎𝑣
163
2𝐶𝛼𝑎𝑣 𝐶𝛽𝑎𝑟 2𝐶𝛼𝑎𝑟 𝐶𝛽𝑎𝑟
𝐸𝑝 = 𝐶𝑟𝑎𝑣 + 𝐶𝑟𝑎𝑟 − 𝐶𝜙
𝑉𝑥 𝑉𝑥
2 2
𝐸𝑟 = − 𝐶𝛼𝑎𝑣 𝑎1 𝐶𝑟𝑎𝑣 + 𝐶𝛼𝑎𝑟 𝑎2 𝐶𝑟𝑎𝑟
𝑉𝑥 𝑉𝑥
𝐸𝜙 = 𝐶𝑇𝑎𝑣 (𝐶𝛼𝑎𝑣 𝐶𝛿𝜙𝑎𝑣 − 𝐶𝜙𝑎𝑣 ) + 𝐶𝑇𝑎𝑟 (−𝐶𝜙𝑎𝑟 + 𝐶𝛼𝑎𝑟 𝐶𝛿𝜙𝑎𝑟 ) − 𝑘𝜙
𝐷𝛿 = 2𝐶𝛼𝑎𝑣 𝑎1
𝐹𝑥 = 𝑚𝑉𝑥̇ − 𝑚𝑟𝑉𝑦
𝐶𝛿 𝛿 + 𝐶𝛽 𝛽 + 𝐶𝑝 𝑝 + 𝐶𝑟 𝑟 + 𝐶𝜙 𝜙 = 𝑚𝑉𝑦̇ + 𝑚𝑟𝑉𝑥
𝐸𝛿 𝛿 + 𝐸𝛽 𝛽 + 𝐸𝑝 𝑝 + 𝐸𝑟 𝑟 + 𝐸𝜙 𝜙 = 𝑝̇ 𝐼𝑥𝑥
{ 𝐷𝛿 𝛿 + 𝐷𝛽 𝛽 + 𝐷𝑝 𝑝 + 𝐷𝑟 𝑟 + 𝐷𝜙 𝜙 = 𝑟̇ 𝐼𝑧𝑧
164
Notons que le contrôleur d'espacement entre véhicules est autonome. En effet, il ne dépend pas
de la communication sans fil ou de la coopération d'autres véhicules sur la route. Il n'utilise que
des capteurs embarqués pour accomplir ses tâches de contrôle.
Un système de régulateur de vitesse adaptatif (ACC) est une extension du système de régulateur
de vitesse standard. Un véhicule équipé d'ACC a un radar ou un autre capteur qui mesure la
distance aux autres véhicules précédents (véhicules en aval) sur l'autoroute. En l'absence de
véhicules précédents, le véhicule ACC se déplace à une vitesse définie, un peu comme un
régulateur de vitesse standard.
Cependant, si un véhicule précédent est détecté sur la route par le radar du véhicule, le système
ACC détermine si le véhicule peut continuer à rouler en toute sécurité à la vitesse désirée. Si le
véhicule précédent est trop proche ou avance trop lentement, le système ACC passe du contrôle
de vitesse au contrôle d'espacement (Figure 4.04). En ce qui concerne le contrôle de
l'espacement, le véhicule ACC commande les gaz et (ou) les freins de manière à maintenir
l'espacement souhaité par rapport au véhicule précédent.
165
Un système ACC est « autonome », en effet il utilise uniquement des capteurs embarqués tels
que le radar pour accomplir la tâche de maintenir l'espacement souhaité. Cela ne dépend pas de
la communication sans fil ou de la coopération des autres véhicules sur l'autoroute.
Évitement de collision
Au lieu d'un système ACC, certains véhicules sont équipés d'un système « anticollision » (CA).
Un système d'évitement de collision fonctionne également comme un système de régulation de
vitesse standard en l'absence de véhicules précédents et maintient une vitesse désirée constante.
Si un véhicule précédent apparaît et que le système CA détermine que la vitesse désirée ne peut
plus être maintenue en toute sécurité, le système CA réduit les gaz et (ou) applique les freins de
manière à ralentir le véhicule. De plus, le conducteur reçoit un avertissement indiquant la
présence d'autres véhicules qui lui imposent de prendre le contrôle longitudinal.
Dans un AHS, l'objectif est d'améliorer considérablement la capacité de circulation sur une
route permettant ainsi aux véhicules de voyager ensemble dans des pelotons étroitement
espacés. Le système exige que seulement les véhicules instrumentés correctement, automatisés,
sont autorisés sur cette route spéciale. Les véhicules à conduite manuelle ne peuvent être
autorisés à circuler sur une telle route. Etant donné que système n’est pas encore adéquat dans
notre région, nous allons nous focaliser sur la régulation des vitesses.
166
Considérons une chaîne de véhicules sur la route en utilisant un système de contrôle
longitudinal pour le suivi des véhicules, comme le montre la figure ci-dessous.
Chaine de véhicules
Soit 𝑥𝑖 l’emplacement du 𝑖 − è𝑚𝑒 véhicule mesuré à partir d’une référence inertielle, comme
le montre la précédente. L’erreur d’espacement pour le i e véhicule (le véhicule ACC considéré)
est alors définie comme ci-contre :
La loi de contrôle est censée assurer la stabilité individuelle du véhicule si la condition suivante
est remplie :
𝑥̈ 𝑖−1 → 0 ⇒ 𝛿𝑖 → 0
Pour la suite de cette étude, nous allons appliquer une politique d'espacement capable de
garantir la stabilité des véhicules.
Pour ce faire, nous supposerons que l'espacement inter-véhicule souhaité n'est pas constant mais
varie linéairement avec la vitesse :
Où :
- 𝑙𝑖−1 : longueur du véhicule 𝑖 − 1 − 𝑖𝑒𝑚𝑒
- ℎ : intervalle de temps
167
- 𝑥̇ 𝑖 : vitesse du véhicule 𝑖
𝛿𝑖 = 𝜀𝑖 + ℎ𝑥̇ 𝑖
Où :
𝜀𝑖 = 𝑥𝑖 − 𝑥𝑖−1 + 𝐿𝑑𝑒𝑠
1
𝑥̈ 𝑖_𝑑𝑒𝑠 = − (𝜀̇𝑖 + 𝜆𝛿𝑖 )
ℎ
Avec :
- 𝜆 : constante de temps
Démonstration :
Etant donné que l’accélération désirée ne peut être atteint qu’à un certain moment et sera en
fonction de l’erreur d'espacement on peut écrire que :
(1 + 𝜆)
𝑥̈ 𝑖_𝑑𝑒𝑠 = 𝑥̈ 𝑖 − 𝛿𝑖̇
ℎ
ℎ𝑥̈ 𝑖_𝑑𝑒𝑠 = −𝜀̇𝑖 − 𝜆𝛿𝑖̇
♦
Les erreurs d'espacement des véhicules successifs sont données par :
𝛿𝑖−1 = −𝜆𝛿𝑖
168
Où :
- 𝜆 : constante de temps
- ℎ : intervalle de temps
- 𝜏 : temps décalage entre la commande de l’accélération et la réponse du système
Démonstration :
𝜏𝑥⃛𝑖 + 𝑥̈ 𝑖 = 𝑥̈ 𝑖_𝑑𝑒𝑠
1
𝜏𝑥⃛𝑖 + 𝑥̈ 𝑖 = − (𝜀̇𝑖 + 𝜆𝛿𝑖 )
ℎ
En substituant 𝑥⃛𝑖 nous trouvons que la relation entre 𝜀̈𝑖 et 𝜆 est donnée par :
1
𝜀̈𝑖 = 𝛿𝑖̈ + (𝜀̇𝑖 + ℎ𝑥̈ 𝑖 + 𝜆𝛿𝑖 )
𝜏
Ou encore l’expression (4.122).
1
𝜀̈𝑖 = 𝛿𝑖̈ + (𝛿𝑖̇ + 𝜆𝛿𝑖 )
𝜏
La différence entre les erreurs de véhicules successifs peut être écrite comme suit :
Ou encore :
169
𝛿𝑖̈ − 𝛿𝑖−1
̈ = 𝜀̈𝑖 − 𝜀̈𝑖−1 + ℎ𝜀⃛𝑖
1 1 1
𝛿𝑖̈ − 𝛿𝑖−1
̈ = 𝛿𝑖̈ + (𝛿𝑖̇ + 𝜆𝛿𝑖 ) − 𝛿𝑖−1
̈ − (𝛿𝑖−1
̇ + 𝜆𝛿𝑖−1 ) + ℎ [𝛿⃛𝑖 + (𝛿𝑖̈ + 𝜆𝛿𝑖̇ )]
𝜏 𝜏 𝜏
Après simplification :
1 ℎ 1 𝜆
̇ + 𝜆𝛿𝑖−1 ) = ℎ𝛿⃛𝑖 + 𝛿𝑖̈ + (1 + ℎ𝜆)𝛿𝑖̇ + 𝛿𝑖
(𝛿𝑖−1
𝜏 𝜏 𝜏 𝜏
Ou encore :
1
(𝛿̇ + 𝜆𝛿𝑖−1 ) = ℎ𝜏𝛿⃛𝑖 + ℎ𝛿𝑖̈ + (1 + ℎ𝜆)𝛿𝑖̇ + 𝜆𝛿𝑖
𝜏 𝑖−1
𝐷=0
Dans un système de régulateur de vitesse standard, la vitesse du véhicule est contrôlée à une
valeur souhaitée en utilisant l'entrée de commande de l'accélérateur.
Le contrôleur détermine l'entrée de gaz nécessaire pour suivre l'accélération souhaitée. Les
modèles dynamiques de véhicules, les cartes motrices et les techniques de synthèse de contrôle
170
non linéaire sont utilisés par le contrôleur inférieur pour calculer l'entrée de puissance en temps
réel requise pour suivre l'accélération souhaitée.
Dans les spécifications de performance, il est nécessaire de spécifier que l'erreur de suivi en
régime permanent du contrôleur doit être nulle. En d'autres termes, la vitesse du véhicule devrait
converger vers la vitesse souhaitée par le conducteur. D'autres spécifications de performance
souhaitables peuvent inclure un dépassement nul et un temps de montée suffisamment rapide.
Pour le contrôle de croisière, l'entrée de gaz est calculée de manière à suivre l'accélération
désirée déterminée par le contrôleur supérieur. Un modèle simplifié de la dynamique
longitudinale du véhicule peut être utilisé dans la conception du contrôleur de niveau inférieur.
Ce modèle simplifié est généralement basé sur l'hypothèse que le convertisseur de couple du
véhicule est verrouillé et qu'il n’y a pas de glissement entre les pneus et la route.
- Le système de régulateur de vitesse est généralement engagé dans les rapports 3 et plus,
là où le convertisseur de couple est bien verrouillé.
- Le patinage des pneus est faible car les manœuvres longitudinales impliquées dans le
régulateur de vitesse sont très douces.
En utilisant les hypothèses ci-dessus, le couple moteur nécessaire pour suivre la commande
d'accélération souhaitée sera calculé. Une fois que le couple moteur requis a été obtenu, les
cartes du moteur et les techniques de contrôle non linéaire seront utilisées pour calculer l'entrée
de l'accélérateur qui fournira ce couple requis.
171
Avec :
- 𝐹𝑥𝑎𝑣 : force longitudinal des roues avant
- 𝐹𝑥𝑎𝑟 : force longitudinal des roues arrière
- 𝑅𝑥𝑎𝑣 : force due à la résistance au roulement des pneus avant
- 𝑅𝑥𝑎𝑟 : force due à la résistance au roulement des pneus arrière
- 𝐹𝑎𝑒𝑟 : force de traînée aérodynamique longitudinale
- 𝑚 : masse du véhicule
- 𝑔 : accélération gravitationnelle
- 𝜃 : angle d'inclinaison de la route
Démonstration :
Considérons la figure 4.09. Cette figure représente les différentes forces appliquées au véhicule.
Appliquons le théorème du centre d’inertie suivant l’axe des abscisses à notre système.
En effet, théorème du centre d’inertie stipule que la somme des forces extérieures appliquées
au système est égale au produit de la masse et de l’accélération de ce dernier. Notre système est
soumis à des contraintes externe, notamment les forces longitudinales des roues, les forces dues
à la résistance au roulement des pneus, la force de traînée aérodynamique et le poids du
véhicule.
Ainsi, nous obtenons aisément l’expression de l’équation (4.129).
172
une route inclinée
La force de traînée aérodynamique sur un véhicule peut être représentée par l’équation (4.130):
1
𝐹𝑎𝑒𝑟 = 𝜌𝐶 𝐴 (𝑉 + 𝑉𝑣𝑒𝑛𝑡 )2
2 𝑑 𝐹 𝑥
Où :
- 𝜌 : densité de l’air
- 𝐶𝑑 : coefficient de trainé aérodynamique
- 𝐴𝐹 : surface frontale du véhicule
- 𝑉𝑥 : vitesse longitudinale du véhicule
- 𝑉𝑣𝑒𝑛𝑡 : vitesse du vent
Démonstration :
Etant donné que la force de trainé aérodynamique correspond à la somme des vitesses des
particules (l’air) déplacé par la surface frontale du véhicule, on peut déduire l’expression
donnée par l’équation (4.131). Sa résolution nous conduit à l’équation (4.130).
𝑉
𝐹𝑎𝑒𝑟 = ∫−𝑉𝑥 𝜌𝐶𝑑 𝐴𝐹 𝑣𝑑𝑣
𝑣𝑒𝑛𝑡
Les forces longitudinales sont des forces de frottement du sol qui agissent sur les pneus. Etant
donné que le glissement longitudinal est la différence entre la vitesse longitudinale réelle à
l'essieu de la roue et la vitesse de rotation du pneu alors on peut supposer que les forces
longitudinales sont en fonction de la rigidité des pneus et du taux de glissement. Comme, le
taux de glissement longitudinal varie selon le comportement de la vitesse du véhicule, ainsi :
173
o Pour une décélération :
𝑟𝑒𝑓𝑓 𝜔𝑟𝑜𝑢𝑒 − 𝑉𝑥
𝜎𝑥 =
𝑉𝑥
𝑟𝑒𝑓𝑓 𝜔𝑟𝑜𝑢𝑒 − 𝑉𝑥
𝜎𝑥 =
𝑟𝑒𝑓𝑓 𝜔𝑟𝑜𝑢𝑒
Avec :
Dans le cas où la roue est une roue motrice alors 𝑟𝑒𝑓𝑓 𝜔𝑟𝑜𝑢𝑒 > 𝑉𝑥 . Par conséquent, la vitesse
nette des bandes de roulement est dans une direction opposée à celle de la vitesse longitudinale
du véhicule.
Dans le cas contraire, la vitesse nette au niveau des bandes de roulement est vers l'avant et, par
conséquent, la force du pneu sur la roue menée est dans une direction opposée à celle de la
vitesse longitudinale du véhicule.
174
Illustration des Forces longitudinal sur une roue
Avec :
- 𝐶𝜎𝑎𝑣 : coefficient de rigidité des pneus avant
- 𝐶𝜎𝑎𝑟 : coefficient de rigidité des pneus arrière
- Force due à la résistance au roulement :
Notons qu’en plus du poids total du véhicule, la charge normale sur les pneus est influencée
par :
- l'emplacement du centre de gravité.
- l’accélération longitudinale du véhicule
- les forces de traînée aérodynamiques sur le véhicule
- l’angle d’inclinaison de la route
En supposant que l’angle de tangage du véhicule est nul on peut écrire que :
175
𝐹𝑎𝑒𝑟 ℎ𝑎𝑒𝑟 + 𝑚𝑥̈ ℎ + 𝑚𝑔ℎ𝑠𝑖𝑛(𝜃) + 𝑚𝑔𝑙𝑎𝑣 cos(𝜃)
𝐹𝑧𝑎𝑟 =
𝑙𝑎𝑣 + 𝑙𝑎𝑟
Avec :
Démonstration :
Considérons la figure 4.11. Cette figure représente les forces appliques au points de contact
roue-sol.
En position d’équilibre, la somme des moments par rapport au point de contact de la roue
arrière, respectivement la roue avant, sont nulle.
176
Illustration des forces normales des roues
Où :
- 𝑓 : coefficient de résistance au roulement
- Le moteur
- Les roues
- La transmission
177
Chaine cinématique d’un véhicule
Dynamique du moteur
La dynamique de la vitesse de rotation du moteur peut être décrite par l'équation suivante.
𝐼𝑒 𝜔̇ 𝑒 = 𝑇𝑖 − 𝑇𝑓 − 𝑇𝑎 − 𝑇𝑝
Où :
- 𝐼𝑒 : inertie du moteur
- 𝜔̇ 𝑒 : accélération angulaire du moteur
- 𝑇𝑖 : couple de combustion du moteur
- 𝑇𝑓 : pertes par frottement
- 𝑇𝑎 : couple accessoire
- 𝑇𝑝 : représente la charge sur le moteur
Démonstration :
♣
Considérons la figure suivante :
Où :
- 𝑇𝑒 : couple du moteur, donné par l’équation (4.143).
𝑇𝑒 = 𝑇𝑖 − 𝑇𝑓 − 𝑇𝑎
178
En appliquant le principe fondamental de la dynamique en rotation obtient l’équation (4.143).
𝐼𝑒 𝜔̇ 𝑒 = 𝑇𝑒 − 𝑇𝑝
Dynamique de la roue
Pour les roues motrices, l'équation dynamique de la dynamique de rotation est donnée par :
Avec :
- 𝐼𝑟𝑜𝑢𝑒 : inertie de la roue
- 𝜔̇ 𝑟𝑜𝑢𝑒 : accélération angulaire des roues avant
- 𝑇𝑟𝑜𝑢𝑒 : couple de la roue
- 𝐹𝑥 : force longitudinale des roues avant.
Démonstration :
Démonstration :
179
♣
Reprenant l’équation (4.144).Comme la roue non-motrice ne fournit pas de couple de rotation,
alors 𝑇𝑟𝑜𝑢𝑒 = 0. ♦
Dynamique de la transmission
1
𝑇𝑟𝑜𝑢𝑒 = 𝑇
𝑅 𝑡
Où :
- 𝑇𝑟𝑜𝑢𝑒 : couple transmis aux roues
- 𝑅 : rapport d'engrenage de la transmission
- 𝑇𝑡 : couple de la turbine
De même la relation entre les vitesses de rotation des roues et celle de la transmission peut être
décrite comme suit :
1
𝜔𝑡 = 𝜔
𝑅 𝑟𝑜𝑢𝑒
Où :
- 𝜔𝑟𝑜𝑢𝑒 : vitesse angulaire des roues
- 𝜔𝑡 : vitesse angulaire de la turbine
Démonstration :
180
♣
En effet, en tenant compte que la puissance fournis par le moteur reste constante, on peut écrire
que :
𝑇𝑡 𝜔𝑡 = 𝑇𝑟𝑜𝑢𝑒 𝜔𝑟𝑜𝑢𝑒
𝐽𝑒
𝑇𝑒 = 𝑥̈ + [𝑐𝑎 𝑅 3 𝑟𝑒𝑓𝑓 3 𝜔𝑒 2 + 𝑅(𝑟𝑒𝑓𝑓 𝑅𝑥 )]
𝑅 𝑟𝑒𝑓𝑓
Avec :
- 𝑇𝑒 : couple du moteur
- 𝐽𝑒 : inertie effective du moteur
- 𝑅 : rapport d'engrenage de la transmission
- 𝑟𝑒𝑓𝑓 : rayon effectif du pneu en rotation
- 𝑥̈ : accélération linéaire
- 𝑐𝑎 : coefficient de traînée aérodynamique
- 𝜔𝑒 : vitesse angulaire de la rotation du moteur
- 𝑅𝑥 : résistance au roulement des roues
Démonstration :
Considérons que la vitesse de rotation du moteur est égale à celle de la turbine (l’entrée de la
transmission est constante).
𝜔𝑡 = 𝜔𝑒
181
𝑅𝜔𝑒 = 𝜔𝑟𝑜𝑢𝑒
Etant donné que la vitesse longitudinale du véhicule est approximée par 𝑥̇ = 𝑟𝑒𝑓𝑓 𝜔𝑟𝑜𝑢𝑒 , par
conséquent l'accélération longitudinale est déduite par :
𝑥̈ = 𝑟𝑒𝑓𝑓 𝑅𝜔̇ 𝑒
En substituant cette valeur dans l’équation (4.129) et en supposant que le plan est parfaitement
horizontal, on a :
Ou encore :
on a alors :
on obtient :
Etant donné que le couple fournit par la transmission correspond à la charge supportée par le
moteur, on obtient l’équation (4.158)
𝐼𝑡 𝜔̇ 𝑒 = 𝑇𝑝 − 𝐼𝑟𝑜𝑢𝑒 𝑅 2 𝜔̇ 𝑒 + 𝑚𝑟𝑒𝑓𝑓 2 𝑅 2 𝜔̇ 𝑒 − 𝑅𝑟𝑒𝑓𝑓 𝑅𝑥 − 𝑅𝑟𝑒𝑓𝑓 𝐹𝑎𝑒𝑟
Ou encore :
182
𝑇𝑃 = (𝐼𝑡 + 𝐼𝑟𝑜𝑢𝑒 𝑅 2 − 𝑚𝑟𝑒𝑓𝑓 2 𝑅 2 )𝜔̇ 𝑒 + 𝑅𝑟𝑒𝑓𝑓 𝑅𝑥 + 𝑅𝑟𝑒𝑓𝑓 𝐹𝑎𝑒𝑟
Nous avons :
Posons :
𝐽𝑒 = 𝐼𝑒 + 𝐼𝑡 + 𝐼𝑟𝑜𝑢𝑒 𝑅 2 − 𝑚𝑟𝑒𝑓𝑓 2 𝑅 2
Où :
Ainsi on a :
𝐼𝑒 𝜔̇ 𝑒 = 𝑇𝑒 − 𝐽𝑒 𝜔̇ 𝑒 − 𝑅𝑟𝑒𝑓𝑓 𝑅𝑥 − 𝑅𝑟𝑒𝑓𝑓 𝐹𝑎𝑒𝑟
De plus :
2
𝐹𝑎𝑒𝑟 = 𝑐𝑎 (𝑟𝑒𝑓𝑓 𝑅𝜔𝑒 )
Où :
- 𝑐𝑎 : coefficient de traînée aérodynamique
𝑇𝑒 𝑖𝑔
𝐹𝑥 = 𝑟
𝑒𝑓𝑓 𝑅
Avec :
183
- 𝑇𝑒 : couple du moteur
- 𝑖𝑔 : rapport de vitesse
- 𝑟𝑒𝑓𝑓 : rayon effective de la roue
Démonstration :
Effectivement, en supposant que les roues roulent sur une route de bonne adhérence, la force
longitudinale 𝐹𝑥 est égale à celle de la roue. Cela signifie que :
𝐹𝑥 = 𝐹𝑟𝑜𝑢𝑒
Mais comme :
𝑇𝑟𝑜𝑢𝑒
𝐹𝑟𝑜𝑢𝑒 =
𝑟𝑒𝑓𝑓
𝑇𝑡
𝐹𝑟𝑜𝑢𝑒 =
𝑟𝑒𝑓𝑓 𝑅
𝑇𝑡 = 𝑇𝑒 𝑖𝑔
Ainsi, le mouvement longitudinal d’un véhicule, est décrit par l’équation (4.171).
𝑇𝑒 𝑖𝑔 1
𝑚𝑥̈ = − 𝜌𝐶𝑑 𝐴𝐹 𝑉 2 − 𝑚𝑔 (sin(𝜃) + 𝑐𝑜𝑠(𝜃))
𝑟𝑒𝑓𝑓 𝑅 2
Conclusion
Ce chapitre présente l’élaboration d’un modèle de véhicule roulant. Tout d'abord, l'utilisation
d’un modèle dynamique en termes d’erreur de la route a été développé afin d’améliorer la tenue
184
de route d’un véhicule. Cette technique consistait à utiliser un modèle dynamique dans lequel
les variables d'état sont en termes d'erreur de position et d'orientation par rapport à la route.
Cette démarche a été choisi afin d’assister le conducteur dans la stabilisation du véhicule. Dans
ce sens un modèle d'espace d'état dans les variables d'erreur de suivi a été présenté.
Ensuite, la conception du système de contrôle de l’angle de lacet a été présentée. Nous avons
mis l’accent sur les systèmes de pilotage automatique. En effet, ce système consiste a corrigé
les erreurs de conduite effectué par le conducteur.
Enfin, nous avons présenté une introduction à plusieurs systèmes de contrôle longitudinal, y
compris le régulateur de vitesse standard, le régulateur de vitesse adaptatif, l'évitement des
collisions. La conception du système de commande pour le régulateur de vitesse standard et a
été discuté en détail.
Ainsi, l’originalité et l’innovation de cette thèse de Doctorat est la décomposition de notre étude
sous deux angles différentes, notamment le développement du modèle latéral et du modèle
longitudinal d’un véhicule. Lors de l’élaboration du modèle longitudinal nous avons pu mettre
en place un système capable de maintenir l’écart entre deux des véhicules par le biais de
l’accélération (décélération). Cette approche a été estimé afin de mieux concevoir un système
de contrôle individuelle d’un véhicule, sans technologie de communication, dans l’optique de
contribuer à l’amélioration de la sécurité routière.
Le chapitre suivant présentera les applications et discussions détaillées des systèmes de contrôle
applicables sur le modèle latéral du véhicule ainsi que la commande du modèle longitudinal,
notamment la régulation de vitesse et le suivi.
185
COMMANDE ROBUSTE, MU-ANALYSE, COMMANDE NEURO-FLOUE
D’UN VEHICULE
Introduction
Dans le chapitre précédent, nous avons élaboré un modèle latéral et un modèle longitudinal
d’un véhicule. Ce choix a été entamé afin de concevoir un système de contrôle d’un véhicule
dans le but d’améliorer la sécurité routière. En guise d’application, nous allons mettre en place
les systèmes de contrôle en adéquation avec notre système. Pour ce faire, nous allons
commencer par la conception du système de commande de direction pour les applications de
maintien de voie latérale. Suite à cela, nous essaierons de concevoir un contrôleur longitudinal
pour maintenir une vitesse constante et assurer le suivi du véhicule.
Nous avons publié dans un Journal Scientifique de notoriété nationale et dans le Journal
Scientifique IJARIIE les articles suivants :
Avec :
𝑉𝑦
𝑝
𝑞=[ ]
𝜙
𝑟
187
𝑉𝑦̇
𝑞̇ = 𝑝̇
𝜙̇
[ 𝑟̇ ]
𝐶𝛽 𝐶𝑝 𝐶𝜙 𝐶𝑟
− 𝑉𝑥
𝑚𝑉𝑥 𝑚 𝑚 𝑚
𝐸𝛽 𝐸𝑝 𝐸𝜙 𝐸𝑟
𝐴 = 𝐼𝑥𝑥 𝑉𝑥 𝐼𝑥𝑥 𝐼𝑥𝑥 𝐼𝑥𝑥
0 1 0 0
𝐷𝛽 𝐷𝑝 𝐷𝜙 𝐷𝑟
[ 𝐼𝑧𝑧 𝑉𝑥 𝐼𝑧𝑧 𝐼𝑧𝑧 𝐼𝑧𝑧 ]
𝐶𝛿
𝑚
𝐸𝛿
𝐵 = 𝐼𝑥𝑥
0
𝐷𝛿
[ 𝐼𝑧𝑧 ]
1 0 0 0
𝐶 = [0 1 0 0]
0 0 1 0
0 0 0 1
0
𝐷 = [0]
0
0
Dans ce paragraphe le véhicule est défini comme étant constitué de plusieurs sous-systèmes.
En effet, il sera composé :
- de l’inertie du véhicule,
- des roues avants
- des roues arrières
- de l’instruction fournis au volant du véhicule, …
La Figure 5.01 décrit le diagramme du modèle latéral d’un véhicule et ses différents sous-
systèmes.
188
Diagramme du modèle latéral
En développant l’équation (5.01), on obtient la figure 5.03. Cette figure nous permet de situer
l’ensemble des paramètres de notre système. En effet, elle montre que le système étudié
est muni d’une entrée, l’angle de braquage du véhicule, et de quatre sorties, notamment la
vitesse latérale du véhicule, la vitesse angulaire de roulis et du lacet, ainsi que l’angle de roulis.
189
Schéma fonctionnel du modèle latéral
190
Les valeurs nominales des paramètres du modèle latéral sont : [4.01]
- 𝑚 =838,7 kg
- 𝐼𝑥𝑥 =300 Nm
- 𝐼𝑧𝑧 =1391 Nm
- 𝑉𝑥 =16.6 Nm
- 𝐶𝛽 = -0.4
- 𝐶𝑝 = -1360
- 𝐶𝜙 =8400
- 𝐶𝑟 =2521.8
- 𝐶𝛿 = 52000
- 𝐸𝛽 =33600
- 𝐸𝑝 =-1220
- 𝐸𝜙 =-29972
- 𝐸𝑟 =-57.68
- 𝐸𝛿 =-20800
- 𝐷𝛽 =-50436
- 𝐷𝑝 =-417.84
- 𝐷𝜙 =7215.6
- 𝐷𝑟 =-8984,7178
- 𝐷𝛿 =44668
62
−69,33
𝐵=[ ]
0
32,11
Il sied de noter que les valeurs des matrices 𝐶 et 𝐷 restent inchangées. En effet, elles sont déjà
exprimées numériquement dans l’équation (5.01).
191
Etude de la stabilité du modèle latéral
Pour l’étude de ce système il est impératif de vérifier sa stabilité. Pour cela nous allons utiliser
deux méthodes. Tous d’abord, en observant l’allure des variables de sortie du système sous
l’effet d’un signal impulsionnel.
192
La figure 5.04 montre que le système est instable vu qu’il produit une réponse divergente Afin
d’en être sûr, nous allons déterminer les signes des valeurs propres de la matrice 𝐴. Après
simulation, nous avons obtenu les valeurs figurées dans le tableau 5.01.
Nous pouvons constater que la matrice d’état 𝐴 possède une valeur propre à partie réelle
positive se situant à 2,45. Cela indique que le système est instable.
Le calcul du correcteur est obtenu en utilisant une méthode de synthèse classique qui est la
résolution du problème standard par les équations matricielles de Riccati, connue sous le nom
d’algorithme de Glover-Doyle.
Il sied de rappeler que la méthode de calcul de ce correcteur est décrite dans le premier chapitre.
Le correcteur obtenu par synthèse est présenté sous forme de vecteur. En effet, cela est dû au
fait que notre système est doté d’une entrée et de quatre sorties. Ainsi la fonction de transfert
du correcteur est un vecteur composé de quatre éléments. Il est représenté par l’équation (5.02).
193
3,996. 105 𝑠 3 + 5,52. 106 𝑠 2 + 5,995. 107 𝑠 + 3,896. 108
𝑠 4 + 1,642. 105 𝑠 3 − 1,414. 106 𝑠 2 + 5,164. 107 𝑠 − 9,492. 108
Figure 5.05 : Emplacement des valeurs propre du système corrigé dans un repère complexe
194
Tableau 5.02: Valeurs propres du modèle latéral du véhicule
Nous pouvons remarquer que tous les pôles ont une partie réelle inférieure à -2,03 et que les
pôles complexes ont un amortissement inférieur à 1. Le système bouclé est donc stable
nominalement.
Dans le cadre de l’étude de la performance nominale, la figure 5.06 représente le schéma bloc
pour l’étude de la performance nominale.
195
𝑠 + 38
𝑤1 =
𝑠 + 36
La matrice d’incertitude de la performance nominale s’écrit :
Δ𝑝𝑛 = {δ1 ∈ ℂ}
En isolant l’incertitude complexe Δ𝑝𝑛 , nous obtenons le schéma d’analyse de la performance
nominale.
196
La figure 5.08 représente les réponses fréquentielles de la fonction sensibilité 𝑺(𝒋𝝎), de la
fonction de sensibilité complémentaire 𝑻(𝒋𝝎) et de l’inverse de la fonction de pondération.
1
|𝑆(𝑗𝜔)| <
|𝑤1 (𝑗𝜔)|
Nous voulons que notre système assure la stabilité du véhicule. En effet, le système de
commande consiste à contrôler l’espacement entre deux véhicules par le biais de l’accélération.
Ainsi, nous appellerons système comme étant le suivi du véhicule.
197
Diagramme du modèle longitudinal
198
Dans le chapitre précédent nous avons élaboré un modèle d’un véhicule que nous allons tenter
de contrôler. Notre contrôleur longitudinal disposera de deux modes de fonctionnement en
régime permanent :
contrôle de la vitesse
contrôle de l'espacement, appelé aussi suivi du véhicule.
Pour ce faire, notre modèle sera défini comme étant constitué de plusieurs sous-systèmes
notamment le moteur, la transmission, les roues du véhicule, … La figure 5.09 décrit le
diagramme du modèle longitudinal d’un véhicule et ses différents sous-systèmes.
Pour la suite de notre étude nous allons focaliser notre étude sur le suivi du véhicule. La
régulation de la vitesse se fera ultérieurement. Dans ce sens, nous appellerons modèle
longitudinal comme étant le suivi du véhicule. Le contrôle de la vitesse sera discuté
ultérieurement.
Les valeurs nominales des paramètres du modèle longitudinal sont : [4.1]
- ℎ =0,3
- 𝜆 =4
- 𝜏 =0,75
199
𝑠+4
𝐺(𝑠) =
0,225𝑠 3 + 0,3𝑠 2 + 2,2𝑠 + 4
Comme tout système nous allons vérifier sa stabilité. Pour cela, observons l’allure de l’écart entre
deux véhicules suite à un signal impulsionnel en suite déterminons les signes des valeurs propres
de la matrice 𝐴.
Cette figure présente une réponse oscillatoire avec une pulsation croissante. Ainsi, on peut dire
que le système est instable. Afin d’en être sûr, nous allons déterminer les signes des valeurs
propres de la matrice 𝐴. Les caractéristiques des valeurs propres du matrice 𝐴 sont figurés dans
le tableau 5.03.
Tableau 5.03: Valeurs propres du modèle longitudinal du véhicule
200
Emplacement des valeurs propre du modèle longitudinalal dans un
repère complexe
Nous pouvons constater que nous avons deux pôles à parties réelles positives situés à 0,187. Le
système est alors instable.
Le calcul du correcteur est obtenu en utilisant une méthode de synthèse classique qui est la
résolution du problème standard par les équations matricielles de Riccati, connue sous le nom
d’algorithme de Glover-Doyle.
Notre correcteur est un vecteur à un (1) élément car notre système possède une entrée et une
sortie.
201
Stabilité nominale du modèle longitudinal
La figure ci-contre nous montre que le système corrigé est maintenant stable car tous les pôles
sont dans le demi-plan gauche.
202
Les pôles du système bouclé nominal sont donnés au tableau 5.04.
Nous pouvons remarquer que tous les pôles ont une partie réelle inférieure à -0, 197 et que les
pôles complexes ont un amortissement inférieur à 1. Le système bouclé est donc stable
nominalement.
𝑠 + 10,75
𝑤1 =
𝑠 + 11
203
Schéma d’analyse de la performance nominale du modèle
longitudinal
La condition de performance nominale est vérifiée car l’inéquation (5.11) est justifiée.
204
1
|𝑆(𝑗𝜔)| <
|𝑤1 (𝑗𝜔)|
5.2.3 Etude du système perturbé
Nous supposerons que les paramètres du système sont entachés d’incertitude paramétrique. Les
coefficients incertains 𝑝̃𝑖 sont modélisés comme suit.
𝑝̃𝑖 = 𝑝𝑖 (1 + 𝜔𝑖 𝛿𝑖 ), |𝛿𝑖 | < 1
Où :
- 𝑝𝑖 : valeur nominale du paramètre considéré
- 𝜔𝑖 : coefficient de pondération correspondant.
Avec :
0 𝑝𝑖
𝑄𝑖 = [ ]
𝜔𝑖 𝑝𝑖
Dans notre modèle, nous allons supposer que le modèle latéral du véhicule est soumis à deux
types d’incertitudes :
- des incertitudes structurées sur les coefficients de l’angle de rotation des roues (𝛽) ;
- des incertitudes non structurées.
Pour notre système, on a adopté une erreur de modèle de forme additive directe pour la synthèse
du correcteur.
Le schéma fonctionnel du modèle latéral soumis à ces perturbations est illustré sur la figure
5.17.
Ainsi, les paramètres soumis aux perturbations structurés sont les coefficients de roulement de
la roue (𝐶𝛽 , 𝐸𝛽 et 𝐷𝛽 ).
205
Schéma fonctionnel du modèle latéral perturbé
206
Calcul du Correcteur du modèle latéral perturbé par synthèse H-infinie
Le calcul du correcteur est obtenu comme les précédents en utilisant une méthode de synthèse
classique qui est la résolution du problème standard par les équations matricielles de Riccati,
connue sous le nom d’algorithme de Glover-Doyle.
207
Norme H infinie du système corrigé du modèle latéral
Isolons les incertitudes liées aux coefficients de l’angle de rotation des roues (𝛽), notamment
𝛿𝐶 , 𝛿𝐷 et 𝛿𝐸 . On obtient ainsi le schéma d’analyse de la robustesse en stabilité illustré sur la figure
5.16.
En rassemblant les trois incertitudes dans un seul bloc, nous obtenons la matrice d’incertitude
donnée par l’équation (5.16). Comme précisé dans le paragraphe 1.15, cette démarche s’avère
nécessaire afin de séparer les incertitudes (Δ𝑟𝑠 ) de la matrice nominale de notre système.
208
Δ𝑟𝑠 (𝑠) = 𝑑𝑖𝑎𝑔{𝛿𝐶 ; 𝛿𝐷 ; 𝛿𝐸 }
209
En isolant les incertitudes 𝛿1 , 𝛿𝐶 , 𝛿𝐷 et 𝛿𝐸 , nous obtenons le schéma d’analyse de la robustesse
en stabilité (figure 5.18). En rassemblant les quatre incertitudes dans un seul bloc, nous obtenons
la matrice d’incertitude suivante :
Δ𝑟𝑠 (𝑠) = 𝑑𝑖𝑎𝑔{𝛿1 ; 𝛿𝐶 ; 𝛿𝐷 ; 𝛿𝐸 }
210
La reponse fréquentielle des bornes inférieur et supérieure de la valeur singulière structurée de
la matrice d’analyse de la robustesse en stabilité du système (𝑀𝑟𝑝 ) du correcteur est représentée
sur la figure 5.19.
𝑠 + 10,75
𝑤1 =
𝑠 + 11
0,25𝑠 + 1
𝑊2 =
0,5𝑠 + 1
211
Schéma bloc de la synthèse.
On constate que la borne supérieure de la réponse fréquentielle de notre système est inférieur à
un. Soit max[𝜇(𝑀𝑟𝑠 )] < 1 pour la boucle. Ainsi, d’après le théorème de la robustesse en stabilité
(théorème 1.08) notre système est stable en robustesse.
212
Schéma d’analyse de la robustesse en stabilité du modèle
longitudinal
213
Robustesse en performance du modèle latéral
Nous allons étudier par 𝜇-analyse si la réponse fréquentielle du système bouclé respecte la
condition de robustesse en performance.
En rassemblant les quatre incertitudes dans un seul bloc, nous obtenons la matrice d’incertitude
suivante :
214
Analyse de la robustesse en performance du modèle latéral
Commande neuro-floue
Pour que cette application soit réaliste, nous avons supposé que l’angle d'inclinaison de la route
ai une valeur aléatoire afin d’observer la performance de notre système. Le système à étudier est
composé d’une seule entrée dont le couple du moteur et d’une sortie, la vitesse du véhicule.
Le schéma fonctionnel du véhicule (figure 5.25) est régi des équations (4.129), (4.140) et (4.162).
215
Schéma fonctionnel du modèle longitudinal pour le contrôle de la
vitesse
Nous voulons que notre système soit asservi à une vitesse de croisière constante et avec une
erreur statique inférieure ou égale à 5𝑘𝑚/ℎ.
Pour ce faire, nous soumettrons à notre système une variation aléatoire de l’angle d’inclinaison
de la route que nous tenterons de corriger par un contrôleur floue et un réseau de neurone
Ainsi, les sous paragraphes suivants seront consacrés à la mise en application de la commande
par logique floue en suite par le réseau des neurones. Cette démarche a été entamée afin de
déterminer le type de contrôleur le plus performant que ce soit en terme de rapidité et/ou de
précision en vue de satisfaire notre cahier de charge.
216
5.3.1 Commande par logique floue de la vitesse du véhicule
Dans ce paragraphe nous allons effectuer une initiation sur la mise en œuvre de la commande
floue. Compte tenu du fait que la logique floue est un membre de la famille de la science
cognitive, elle permet ainsi de générer une intelligence artificielle. Comme tous agents
intelligents, la commande floue requière un apprentissage. Dans notre cas nous allons mettre en
application l’apprentissage par base de règle floue. Cette méthode consiste à transformer des
données numériques en données floues sous la forme de règles.
Pour commencer, nous allons définir les variables d’entrées comme étant l’erreur entre la vitesse
de consigne et la vitesse produite par le système ainsi que sa variation. Sachant que nous
souhaitons réguler la vitesse du véhicule, la variable de sortie sera le couple du moteur.
Ainsi, l’erreur entre la vitesse de consigne et la vitesse produite par le système est inclus dans
l’intervalle [ −20 ; 40] en kilomètre par heure et la variation de la vitesse est inclus dans
l’intervalle [ −1 ; 1]. Le couple moteur est définit dans l’intervalle[ 150 ; 250].
Après avoir défini les espaces d’entrées et de sorties, nous allons déterminer les valeurs
d'appartenance de chaque variable d’entrées dans l’optique de les faire correspondre à la région
de sortie le mieux adapté en termes de valeurs d’appartenance. Pour se faire, nous avons mis en
place 9 règles floues.
217
Création de la base de règle combinée.
Maintenant nous allons remplir le tableau de la base de règle. Pour cela il faut maintenant prendre
en compte les règles linguistiques décrites par les experts (ce type de règle possède aussi une
valeur d'appartenance). Dans le cas où deux règles entre en concurrence pour une même
conclusion on choisit celle qui possède la plus grande valeur d'appartenance.
Elle nous montre que la vitesse de consigne est atteinte au bout de 25𝑚𝑖𝑛 avec une erreur statique
de 0,74 𝑘𝑚/ℎ. Ainsi, nous pouvons déduire que ce correcteur est capable de satisfaire notre
cahier des charges.
218
Base des règles pour le contrôle de la vitesse par logique floue
Pour cette application, nous allons élaborer un contrôle de référence du modèle. Cela se résume
en deux étapes. Nous avons choisi un réseau de neurone composé de 5 couches cachés, de 2
entrés et de 1 sortie. L’apprentissage sera effectué après 300 Epochs et la méthode utilisée est la
rétro propagation de Levenberg-Marquardt.
219
Il est composé de cinq couches comme il est représenté sur la figure suivante.
Le modèle utilisé pour l’apprentissage sera un modèle de simulation du processus non perturbé.
En effet, le correcteur ne tiendra pas en compte la nature des perturbations aléatoires non
mesurées qui seraient susceptible d’affecter le processus pendant la phase d’utilisation. Notre
modèle de référence est illustré par la figure 5.29.
Après avoir établit les paramètres du contrôleur, nous allons générer les données d’apprentissage.
Le programme utilisé présente un segment de données au réseau et forme le réseau pour un
220
nombre spécifié d'itérations. Ce processus se poursuit par le biais d’un segment à la fois, jusqu'à
ce que l'intégralité de l'ensemble d'entraînement ait été présentée au réseau. A cause du fait que
le contrôleur doit être formé en utilisant la rétropropagation dynamique [HaJe99], la formation
des contrôleurs peut prendre beaucoup plus de temps que la formation sur les modèles de
plantes. Une fois la formation terminée, la réponse du système en boucle fermée qui en résulte
est illustrée dans la figure 5.30.
La figure 5.29 nous montre que la vitesse de consigne est atteinte au bout de 28𝑚𝑖𝑛 et 45 𝑠𝑒𝑐
avec une erreur statique de 0,2 𝑘𝑚/ℎ. Ainsi, ce type de correcteur est plus précis que le
précédent, néant moins, plus lent.
221
Réponse de la vitesse soumise à un contrôleur par réseau de
neurones
Dans cette partie nous allons mettre en application les théories décris dans le paragraphe 2.6.3.
Ainsi, nous procèderons à la mise en application de la méthode d’adaptation du système
d'inférence neuro-flou.
222
Ce contrôleur permet la génération des règles floues :
Rè𝑔𝑙𝑒1 ∶ 𝑆𝐼 𝑒 𝑒𝑠𝑡 𝐴1 𝑒𝑡 𝑑𝑒 𝑒𝑠𝑡 𝐵1 , 𝑎𝑙𝑜𝑟𝑠 𝑈1 = 𝐹(𝑒, 𝑑𝑒)
(…)
Rè𝑔𝑙𝑒 𝑛 ∶ 𝑆𝐼 𝑒 𝑒𝑠𝑡 𝐴𝑚 𝑒𝑡 𝑑𝑒 𝑒𝑠𝑡 𝐵𝑚 , 𝑎𝑙𝑜𝑟𝑠 𝑈𝑛 = 𝐹(𝑒, 𝑑𝑒)
Avec :
𝑒 et 𝑑𝑒 : variables d’entrée
𝐴1 , … , 𝐴𝑚 et 𝐵1 , … , 𝐵𝑚 : ensembles floue
Le réseau est composé de 5 couches, et leurs rôles sont décrits comme suit :
Couche 1 : La sortie de chaque nœud dans cette couche est exprimée par :
𝑂𝑙,𝑖 = μ 𝐴𝑖 (e) , pour i = 1, … , 3
𝑂𝑙,𝑖 = μ 𝐵𝑖−3 (e) , pour i = 4, … , 6
Avec :
- μ 𝐴𝑖 et μ 𝐵𝑖−6 : fonction d’appartenances des ensembles floues 𝐴𝑖 et 𝐵𝑖
Couche 2 : Les sorties des nœuds de cette couche sont exprimées par :
𝑂2,1 = 𝑂1,1 . 𝑂1,4 = 𝑊1 jusqu’à 𝑂2,3 = 𝑂1,1 . 𝑂1,6 = 𝑊3
𝑂2,8 = 𝑂1,2 . 𝑂1,4 = 𝑊8 jusqu’à 𝑂2,6 = 𝑂1,2 . 𝑂1,6 = 𝑊6
(… )
𝑂2,9 = 𝑂1,3 . 𝑂1,4 = 𝑊5 jusqu’à 𝑂2,3 = 𝑂1,3 . 𝑂1,6 = 𝑊9
Couche 3 : La sortie du nœud sera exprimée comme suit :
𝑊𝑖
̅𝑖 =
𝑂3,𝑖 = 𝑊 9
∑𝑘=1 𝑊𝑘
Avec :
- i = 1, … ,9
223
Couche 4 : Dans cette couche les nœuds sont à paramètres ajustables, leurs fonctions sont de la
forme :
̅𝑖 . (𝑝𝑖 . 𝑒 + 𝑞𝑖 . 𝑑𝑒 + 𝑐𝑖 )
𝑂4,𝑖 = 𝑊
Avec :
- p, c et q : paramètres ajustable
Couche 5 : La 5ème couche contient un seul nœud qui réalise la somme des sorties des nœuds
de la couche précédente :
9
𝑂5 = ∑ 𝑂4,𝑖
𝑘=1
Pour estimer les paramètres du réseau de neurone, nous avons utilisé un algorithme
hybride, Il permet de déterminer les paramètres liés aux fonctions d’appartenance, et les
paramètres conséquents.
224
Réponse de la vitesse soumise à un contrôleur neuro-flou
La figure 5.33 nous montre que la vitesse de consigne est atteinte au bout de 26𝑚𝑖𝑛 avec une
erreur statique de 0,5 𝑘𝑚/ℎ.
Ainsi, ce type de correcteur est à la fois plus précis et plus rapide que les précédents, et respecte
le cahier des charges.
5.1. Conclusion
Dans ce chapitre, nous avons pu mettre en application divers correcteurs nous permettant de
contrôler un véhicule dans le but d’améliorer la sécurité routière. Lors de la commande par la
synthèse 𝐻∞ , du modèle latéral et longitudinal du véhicule, nous avons déterminé la
représentation d’état de ces derniers. Comme les systèmes nominaux étaient instables, des
correcteurs ont été calculés de façon à les stabilisés. La synthèse de ces correcteurs par le biais
d’un bouclage avec incertitudes structurées et non structurées de forme additive directe a été
également présenté. Afin de tester la performance du système corrigé, nous avons appliqué la
Mu-analyse. Cela nous a permis d’illustrer la robustesse en stabilité ainsi que la robustesse en
performance de notre système. La régulation de la vitesse du véhicule nous a permis de constater
225
que la commande floue est plus rapide mais moins précise que celle par le réseau de neurone et
que la commande neuro-floue a permis de conserver ces deux qualités.
226
CONCLUSION
Dans cette thèse nous avons pu introduire toutes les notions de base nécessaire pour résoudre
tous problèmes d’automatique, notamment l’analyse et la notion de robustesse par l’intermédiaire
des asservissements. Nous avons vu que la notion de boucle fermée d’asservissements est
fortement liée à la notion de robustesse. Nous avons développé la commande par 𝐻∞ par
l’algorithme de Glover.Ainsi, nous savons que l’analyse de la robustesse d’un système linéaire à
temps continu consiste donc à vérifier que la stabilité et les performances continuent d’être
assurées malgré les incertitudes de modélisation.
Nous avons pu déterminer également le principe de base de la commande flou ainsi que sa base
mathématique. Comme le système flou est à base de système expert, il est doté d’un grand secours
comme outil à la prise de décision. Outre le système flou, le réseau de neurones étant un système
conçus à partir de plusieurs cellules artificielles, il est caractérisé par sa grande flexibilité. Afin
d’obtenir un système de commande plus performant, nous avons illustré quelques méthodes de
combinaison possible entre le réseau de neurones et le système flou.
Les systèmes neuro-flou nécessitent une méthode d’apprentissage afin d’être opérationnel, nous
avons élargi notre connaissance sur l’apprentissage des systèmes neuro-flou. Tout d’abord, nous
avons fait un focus sur les principales méthodes d’apprentissage du réseau de neurones. Suite à
cela nous avons adapté les systèmes flous sous forme de réseau de neurones pour que les
méthodes d’apprentissage de ce dernier puissent y être appliquées.
L’étude de la mécanique d’un véhicule nous a permis d’identifier les différentes classes de
véhicule imaginable. En effet, il n’existe que cinq classes de véhicule selon leur configuration.
Nous avons étudié ces différentes classes afin de déterminer les équations générales d’un
véhicule. Comme le modèle cinématique d’un véhicule nous permet d’étudier son comportement
à vitesse réduite, nous avons élargie notre domaine d’étude afin de mieux observer le
comportement du système (couple de rotation des roue, vitesse du véhicule, ...). Dans ce sens,
nous avons développé un modèle dynamique.
Pour être plus réaliste, nous avons choisi de modéliser un automobile. Ainsi, un modèle
dynamique en termes d’erreur de la route a été développé afin d’améliorer la tenue de route d’un
véhicule. Cette méthode consistait à utiliser un modèle dynamique dans lequel les variables d'état
227
sont en termes d'erreur de position et d'orientation par rapport à la route. Le choix de la démarche
a été entamé afin d’assister le conducteur dans la stabilisation du véhicule. Dans ce sens un
modèle d'espace d'état dans les variables d'erreur de suivi a été présenté. Outre cela, la conception
du système de contrôle de l’angle de lacet a été présentée. Nous avons mis en exergue les
systèmes de pilotage automatique. En effet, ce système consiste a corrigé les erreurs de conduite
effectuées par le conducteur. Nous avons présenté une introduction à plusieurs systèmes de
contrôle longitudinal, y compris le régulateur de vitesse standard, le régulateur de vitesse
adaptatif, l'évitement des collisions. La conception du système de commande pour le régulateur
de vitesse standard et a été discuté en détail.
Ainsi, l’originalité et l’innovation de cette thèse de Doctorat est la décomposition de notre étude
sous deux façons différentes, notamment le développement du modèle latéral et du modèle
longitudinal d’un véhicule. Lors de l’élaboration du modèle longitudinal nous avons pu mettre
en place un système capable de maintenir la distance entre deux des véhicules par le biais de
l’accélération (décélération). Cette approche a été estimé afin de mieux concevoir un système de
contrôle individuelle d’un véhicule, sans technologie de communication, dans l’optique de
contribuer à l’amélioration de la sécurité routière.
En terme de perspective, nous pourrions élargir notre domaine d’étude afin d’optimiser la
sécurité routière par :
- l’application de ces types de contrôle à un véhicule classique ou contemporain,
- l’apprentissage d’un contrôleur à réseau de neurones par l’algorithme génétique.
228
REFERENCES
[1.01] S. Sigurd, “Multivariable Feedback Control, Analysis and Design”, Wiley, 1996.
[1.03] J.C. Doyle, A. Packard and K. Zhou, "Review of LFTs, LMI and µ", 24th
Conference on Decsion and Control, Ft Lauderdale, Floride, 1985.
[1.04] R.M. Redheffer, "On a certain linear fractionnal transformation", Jour. Math.
Phys., vol. 39, pp. 269-286, 1960.
[1.08] J.C. Doyle, K. Glover, P.K. Khargonekar and B.A. Francis, "State-space solutions
to standard 𝐻2 and 𝐻∞ control problems ", IEEE Transc. Autom. Cont., vol.
AC-34 n° 8, pp. 831-847, 1989.
[1.09] G. Duc, S. Font, "Commande 𝐻∞ et µ-analyse, des outils pour la robustesse ",
Hermes Science Publication, 1999.
[1.10] G.J. Balas, J.C. Doyle, K. Glover, A. Packard, "µ-Analysis and Synthesis
Toolbox", MathWorks, 2001.
[1.12] C. Zhu, "Robustness analysis for power systems based on the structured singular
value tools and the nu gap metric", PHD, Iowa State University, 2001.
D.W. Wei, P.H. Petkov, M.M. Konstantinov, "Robustness Control Design with
[1.13] Matlab", Springer, 2013.
229
[1.14] A. Sinha, "Liner Systems, Optimal and Robust Control", CRC Press, 2007.
[1.17] A.C. Clay, F. Wong, "Complex Analysis: Complex Function Theory", Université
Harvard, 2013.
[1.21] K. Zhou, J.C. Doyle, K. Glover, “Robust and Optimal Control”, Prentice Hall,
New Jersey, 1996.
[1.23] C. Zhu, "Robustness analysis for power systems based on the structured singular
value tools and the nu gap metric", PHD, Iowa State University, 2001.
[1.24] A. Sasane, "A generalized chordal metric making strong stabilizability a robust
property", arXiv: 1203.1214v1 [math.OC], 2012.
230
[1.28] X. Jiang, L. Ning, T.T. Georgiou, “Distances and Riemannian Metrics for
Multivariate Spectral Densities”, Arxiv preprint, arXiv:1107.1345, 2011.
[1.32] D.W. Wei, P.H. Petkov, M.M. Konstantinov, "Robustness Control Design with
Matlab", Springer, 2013.
[1.33] McFarlane, K. Glover, "A loop shaping design procedure using H1synthesis",
IEEE Trans. Automat. Contr., Vol. 37, No. 6, pp. 759-769, 1992.
231
[2.10] K.Hiba, “Application du Réseau de Neurones Gamma à la Reconnaissance de la
Parole”, IEEE, 2007.
[3.02] J.Thomas, “Hybrid Systems, Optima Control and Hybrid Vehicles” Published by
Springer, 2016.
[3.06] H.Imine, “Sliding Mode Based Analysis and Identification of vehicle dynamics ”,
Published by Springer, 2011.
232
[4.02] O.Sename, “ Robust Control and Linear Parameter Varying Approaches
Application to Vehicle Dynamics”, Published by Springer, 2012.
233
ANNEXES
235
236
237
238
239
240
241
242
243
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
FICHE DE RENSEIGNEMENT
Nom :RAKOTOVAO
E-mail :nyhasina.rakotovao1@gmail.com
Titre du Mémoire :
E-mail : rpauguste@gmail.com
E-mail : andriau23@gmail.com
Nombre de tableaux : 7
285
RESUME ET MOTS CLES
Ma thèse contribue à la modélisation et à la commande robuste à temps continu d’un véhicule. C’est
la combinaison du domaine de l’automobile, de la mécanique de structure et de l’automatique.
L’objectif est de contribuer à l’amélioration de la sécurité routière. Nous avons choisi de mettre en
place un système d’aide à la conduite. Ainsi, nous avons développé la commande par 𝐻∞ par
l’algorithme de Glover des model latéral et longitudinal du véhicule. Nous avons également effectué
une étude comparative entre la commande floue et le réseau de neurones. Durant cette thèse, nous
avons déterminé les différentes classes de véhicule.
Mots clé
My thesis contributes to the modeling and the robust control in a continuous time of a vehicle. It is
the combination of the field of the automobile, the mechanics of structure and the automatic. The
aim is to contribute to improving road safety. We chose to set up a driver assistance system. Thus,
we developed the control by 𝐻∞ by the Glover algorithm of the lateral and longitudinal model of the
vehicle. We also performed a comparative study between fuzzy control and the neural network.
During this thesis, we determined the different classes of vehicle.
Keys words
286