N° d’ordre : 915/2018/TASI/D3 Année universitaire : 2019

UNIVERSITE D’ANTANANARIVO
--------------------------
ECOLE DOCTORALE EN SCIENCES ET TECHNIQUES DE L’INGENIERIE
ET DE L’INNOVATION

Equipe d’Accueil Doctorale en Télécommunication, Automatique, Signal et Images

Laboratoire de recherche : Télécommunication, Automatique, Signal et Images

THÈSE de DOCTORAT
pour l’obtention du grade de
DOCTEUR DE L’UNIVERSITÉ D’ANTANANARIVO

Domaine : Sciences de l’Ingénieur

Thématique : Sciences et Techniques de l’Ingénierie et de l’Innovation
Spécialité : Automatique

Par : RAKOTOVAO Ny Hasina

Titre : CONTRIBUTION A LA MODELISATION, A LA COMMANDE ROBUSTE,
A LA MU-ANALYSE ET A LA COMMANDE NEURO-FLOUE D’UN VEHICULE

Soutenu le 21 septembre 2019 devant la commission d’Examen composée de :

Président du Jury : M. ANDRIANAHARISON Yvon, Professeur Titulaire,
Examinateurs : M. RASTEFANO Elisée, Professeur,
M. ANDRIAMANOHISOA Hery Zo, Professeur
Rapporteurs : M. RATIARISON Adolphe Andriamanga, Professeur Emérite,
M. RAKOTOMIRAHO Soloniaina, Professeur,
Directeur de thèse : M. RANDRIAMITANTSOA Paul Auguste, Professeur Titulaire
Co-Directeur : M. RANDRIAMITANTSOA Andry Auguste, Maître de conférences–Docteur HDR
 FISAORANA

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.

Koa isaorana noho izany :

- Andriamatoa RAVELOMANANA Mamy Raoul, Profesora laharana ambony, Filohan'ny

Oniversiten' Antananarivo,
- Andriamatoa RANDRIAMITANTSOA Paul Auguste, Profesora laharana ambony, Talen'ny
ED-STII (Ecole Doctorale Sciences et Technique de l’Ingénierie et de l’Innovation) sady
tale tamin’ity fikarohana ity. Mankasitraka feno ireo ezaka rehetra nataony tamim-panetren-
tena sady feno fahalalan-tanana, anisan’izany ny toro-hevitra sy ny fitarihan-dalana.
- Andriamatoa RANDRIAMITANTSOA Andry Auguste, Mpampianatra mpikaroka
tompon’andraikitry ny seha-pikarohana TASI sady tale lefitra tamin’ity fikarohana ity, izay
nahafoy fotoana tsy voavidy vola mba hanomezana toro-hevitra sy fanitsiana tena nilaina.

Tolorana fisaorana etoana :

- Andriamatoa ANDRIANAHARISON Yvon, Profesora laharana ambony

tompon’andraikitry ny seha-pikarohana GE ao amin’ny ED-STII,
- Andriamatoa ANDRIAMANOHISOA Hery Zo, Profesora, tompon’andraikitry ny seha-
pikarohana SCA ao amin’ny ED-STII,, sy
- Andriamatoa RASTEFANO Elisée, Profesora tompon’andraikitry ny seha-pikarohana SEI-
MSDI ao amin’ny ED-STII,izay nanaiky ho mpanara-maso ity fikaroana ity.

Ary isaoran ihany koa :

- Andriamatoa RATIARISON Adolphe, Profesora laharana ambony, « Ecole Doctorale

Physique et Application, Faculté des Science – Université d’Antananarivo », sy
- Andriamatoa RAKOTOMIRAHO Soloniaina, Profesora tompon’andraikitry ny seha-
pikarohana SEI-MSDI ao amin’ny ED-STII, izay nanaiky hitsara izao vokam-pikaroana
izao.

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 tiens à remercier alors avec sincérité :

- Monsieur RAVEOMANANA Mamy Raoul, Professeur Titulaire, Président de l’Université

d’Antananarivo
- Monsieur RANDRIAMITANTSOA Paul Auguste, Professeur Titulaire, Directeur de
l’Ecole Doctorale Sciences et Technique de l’Ingénierie et de l’Innovation de diriger cette
thèse. Ses merveilleuses qualités m’ont beaucoup touchées et ont suscitées mon admiration,
comme l’abnégation et la commodité sans oublier sa générosité
- Monsieur RANDRIAMITANTSOA Andry Auguste, Maître de conférences – HDR,
Responsable du Laboratoire TASI, de m’avoir encadré entant que Co-directeur de cette thèse
et d’avoir consacré son précieux temps pour me conseiller.

Je remercie également :

- Monsieur ANDRIANAHARISON Yvon, Professeur Titulaire, Responsable du Laboratoire

GE à l’Ecole Doctorale Sciences et Technique de l’Ingénierie et de l’Innovation,
- Monsieur ANDRIAMANOHISOA Hery Zo, Professeur Responsable du Laboratoire SCA à
l’Ecole Doctorale Sciences et Technique de l’Ingénierie et de l’Innovation,
- Monsieur RASTEFANO Elisée, 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 examinateurs de cette thèse. Je les remercie vivement pour ses présences
et d’avoir acceptés de siéger au jury de cette thèse.

Je tiens à remercier chaleureusement :

- Monsieur RATIARISON Adolphe, Professeur Emérite à Ecole Doctorale Physique et

Application, Faculté des Science – Université d’Antananarivo, et

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

REMERCIEMENTS ................................................................................................................................. iii

TABLE DES MATIERES .......................................................................................................................... v

NOTATIONS ET ABBREVIATIONS .................................................................................................. xiii

LISTE DES TABLEAUX .................................................................................................................... xxvii

LISTE DES FIGURES ......................................................................................................................... xxvii

INTRODUCTION ET POSITION DU PROBLEME.............................................................................. 1

CHAPITRE 1 COMMANDE ROBUSTE ET ΜU-ANALYSE DES SYSTEMES LINEAIRES

MULTIVARIABLES .................................................................................................................................. 3

Introduction ........................................................................................................................................... 3

Norme 𝑯∞.............................................................................................................................................. 3

Systèmes linéaires multivariables invariants à temps continu .......................................................... 4

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

Critère de commandabilité de Kalman ............................................................................................... 6

Critère d’observabilité de Kalman ...................................................................................................... 7

Schéma bloc du système nominal et du système perturbé ................................................................. 7

Transformation fractionnaire linéaire d’une matrice ........................................................................ 8

Analyse en stabilité des systèmes linéaires bouclés à temps continu .............................................. 10

1.8.1 Théorème du petit gain .............................................................................................................. 11

v
 1.8.2 Spécifications fréquentielles de performance nominales ......................................................... 12

1.8.3 Condition de performance nominale ........................................................................................ 13

Mise en forme de la boucle de commande ......................................................................................... 15

Modelage des matrices de sensibilité ............................................................................................... 16

1.10.1 Marge de module ..................................................................................................................... 16

1.10.2 Bande passante en boucle fermée ........................................................................................... 16

Différentes formes de modèles d’erreurs......................................................................................... 16

Robustesse en performance .............................................................................................................. 18

Synthèse H∞ ...................................................................................................................................... 20

1.13.1 Résolution par les équations de Riccati .................................................................................. 20

1.13.2 Problème H∞ standard............................................................................................................ 21

1.13.3 Résolution du problème 𝑯∞ ................................................................................................... 24

1.13.4 Solution générale des problèmes 𝑯∞ réguliers ...................................................................... 27

Réduction de modèle ......................................................................................................................... 29

1.14.1 Réduction par diagonalisation ................................................................................................ 30

1.14.2 Approximation de la partie rapide........................................................................................... 30

1.14.3 Approximation de la dynamique des modes rapides ............................................................... 31

1.14.4 Perturbation singulières .......................................................................................................... 32

Robustesses en stabilité et en performance d’un système linéaire multivariable par μ-analyse 32

1.15.1 Calcul de la matrice de transfert en boucle fermée M............................................................ 33

1.15.2 Valeurs singulières structurées ............................................................................................... 35

1.15.3 Théorème de la robustesse en stabilité par μ-analyse ............................................................ 37

vi
 1.15.4 Théorème de la robustesse en performance par μ- analyse ................................................... 38

1.15.5 μ-Synthèse ................................................................................................................................ 39

Factorisation copremière .................................................................................................................. 39

1.16.1 Factorisation copremière à droite ........................................................................................... 39

1.16.2 Factorisation copremière à gauche : ...................................................................................... 40

Principe de l’argument ..................................................................................................................... 41

Critère de stabilité utilisant la factorisation copremière ............................................................... 44

Conclusion .......................................................................................................................................... 47

ETATS DE L’ART SUR LA COMMANDE NEURO-FLOUE ................................... 49

Introduction ......................................................................................................................................... 49

Logique floue........................................................................................................................................ 49

2.2.1 Fuzzification .............................................................................................................................. 50

2.2.2 Normalisation ............................................................................................................................ 54

2.2.3 Règles floues .............................................................................................................................. 58

2.2.4 Défuzzification ........................................................................................................................... 61

Réseau de neurones ............................................................................................................................. 65

2.3.1 Modèle de neurone .................................................................................................................... 66

2.3.2 Fonction de transfert ................................................................................................................. 68

2.3.3 Architecture des réseaux ........................................................................................................... 69

Méthodes Neuro-floue ......................................................................................................................... 72

2.4.1 Réseau de neurones hybride ...................................................................................................... 72

2.4.2 Types de combinaison entre le réseau de neurones et la logique floue ................................... 81

vii
Processus d’apprentissage d’un réseau de neurones ........................................................................ 84

2.5.1 Apprentissage par correction d’erreur ...................................................................................... 85

2.5.2 Apprentissage par la règle de Hebb .......................................................................................... 87

2.5.3 Apprentissage compétitif............................................................................................................ 90

2.5.4 Problème de l’affectation du crédit ........................................................................................... 91

2.5.5 Apprentissage supervisé............................................................................................................. 91

2.5.6 Apprentissage par renforcement ............................................................................................... 92

2.5.7 Apprentissage non-supervisé ..................................................................................................... 93

2.5.8 Différentes tâches d’apprentissage ........................................................................................... 93

Processus d’apprentissage des systèmes flous ................................................................................... 96

2.6.1 Apprentissage par rétro-propagation d’un système flou .......................................................... 97

2.6.2 Apprentissage par la méthode des moindres Carrés Orthogonaux pour les Systèmes Flous . 98

2.6.3 Apprentissage par Base de Règles Floues............................................................................... 101

2.6.4 Apprentissage de Système Flou par Agrégation avec le Plus Proche Voisin ........................ 103

Conclusion .......................................................................................................................................... 105

DIFFERENTES CLASSE D’UN VEHICULE ............................................................ 107

Introduction ....................................................................................................................................... 107

Définition d’un véhicule .................................................................................................................... 107

Description du véhicule ..................................................................................................................... 107

3.3.1 Coordonnée généralisées du châssis d’un véhicule ............................................................... 108

3.3.2 Coordonnée généralisées des roues d’un véhicule ................................................................. 109

3.3.3 Vitesse du point de contact d’une roue avec le sol ................................................................. 111

viii
Modèle cinématique d’un véhicule................................................................................................... 116

3.4.1 Classe de véhicule possédant trois degrés de mobilité ............................................................ 122

3.4.2 Classe de véhicule possédant deux degrés de mobilité ........................................................... 123

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

Modèle dynamique d’un véhicule .................................................................................................... 131

3.5.1 Equation de Lagrange-Euler................................................................................................... 132

3.5.2 Application de l’équation de Lagrange-Euler sur un véhicule .............................................. 134

Conclusion .......................................................................................................................................... 139

MODELISATION D’UN VEHICULE ......................................................................... 141

Introduction ....................................................................................................................................... 141

Référentiel terrestre .......................................................................................................................... 141

Référentiel lié au véhicule ................................................................................................................. 142

Variables du mouvement d’un véhicule .......................................................................................... 143

4.4.1 Angles d’Euler ......................................................................................................................... 144

4.4.2 Changement de repère ............................................................................................................. 145

4.4.3 Transformation d’une expression linéaire ............................................................................. 145

4.4.4 Transformation de la vitesse angulaire................................................................................... 148

4.4.5 Forces et Moments appliqués au véhicule .............................................................................. 149

Equations de mouvement du véhicule ............................................................................................. 150

Modelé latéral d’un véhicule ............................................................................................................ 152

ix
 4.6.1 Modèle latéral dynamique non linéaire d’un véhicule ........................................................... 153

4.6.2 Modèle latéral dynamique linéaire d’un véhicule .................................................................. 155

Modèle longitudinal du véhicule ...................................................................................................... 164

4.7.1 Principe de contrôle ................................................................................................................. 165

4.7.2 Contrôleur d’espacement ......................................................................................................... 166

4.7.3 Régulateur de vitesse ............................................................................................................... 170

Conclusion .......................................................................................................................................... 184

COMMANDE ROBUSTE, MU-ANALYSE, COMMANDE NEURO-FLOUE

D’UN VEHICULE ................................................................................................................................... 187

Introduction ....................................................................................................................................... 187

Commande robuste d’un véhicule ................................................................................................... 187

5.2.1 Commande du modèle latéral .................................................................................................. 187

5.2.2 Commande du modèle longitudinal ........................................................................................ 197

5.2.3 Etude du système perturbé ....................................................................................................... 205

Commande neuro-floue .................................................................................................................... 215

5.3.1 Commande par logique floue de la vitesse du véhicule .......................................................... 217

5.3.2 Commande par réseau de neurone de la vitesse du véhicule ................................................. 219

5.3.3 Commande par neuro-floue de la vitesse du véhicule ............................................................ 222

5.1. Conclusion ................................................................................................................................... 225

CONCLUSION ........................................................................................................................................ 227

REFERENCES ........................................................................................................................................ 229

ANNEXES ................................................................................................................................................ 235

x
FICHE DE RENSEIGNEMENT ........................................................................................................... 285

RESUME ET MOTS CLES ................................................................................................................... 286

xi
 NOTATIONS ET ABBREVIATIONS

1. Minuscules latines

𝑎 Sortie du neurone

𝑎(𝑡) Activité post-synaptique

𝑏 Biais du neurone ou seuil d’activation

𝑐 Consigne

𝑑 Composante verticale du vecteur formé par le point d’attache de la roue

sur le châssis et son centre de rotation

𝑑(𝑡) Modèle de référence

𝑑(𝑡) Sortie du système floue

𝑒(𝑡) Erreur entre le système réel et le système identifié

𝑒𝑡 Conjonction

𝑓 Système flou, Fonction d'activation ou Coefficient de résistance au

roulement

𝑔 Fonction continue réelle ou Accélération gravitationnelle

ℎ ⃗⃗⃗⃗⃗ sur l’axe vertical, Intervalle de temps ou

Module de la projection de 𝑄𝑆
Hauteur du centre de gravité par rapport au sol

𝑚 Masse du châssis

𝑛 Nombre de règle flou, Niveau d’activation du neurone ou Nombre total

des roues du véhicule

xiii
 𝑜𝑢 Disjonction

𝑝 Entrée du neurone ou Vitesse développée par l’angle de roulis

𝑞 Entrée de la matrice d’incertitude ou Vitesse développée par l’angle de

tangage

𝑟 Sortie de la matrice d’incertitude, Rayon de la roue ou Vitesse développée

par l’angle de lacet

𝑢(𝑡) Entrée du système

𝑣(𝑥, 𝑦, 𝑧) Vitesse linéaire au point de coordonnées orthonormé sur le véhicule

𝑤 Vecteur d’entrées et de perturbations du processus ou Poids du neurone

𝑥(𝑡) Direction ou Vecteur d’état

(𝑥, 𝑦, 𝑧) Système de coordonnées orthonormé sur le véhicule

𝑦(𝑡) Réponse du système

𝑧 Vecteur de sorties du processus

2. Minuscules latines munies d’indice ou d’exposant

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

𝑐𝑎 Coefficient de traînée aérodynamique

𝑑𝑖 Cible du stimulus (la sortie désirée du réseau)

𝑑𝑝 Sortie du système floue

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

(𝑙, 𝛼) Coordonnées polaires du point d’attache de la roue sur le châssis dans le

repère fixé au châssis

𝑙𝑎𝑟 Distance entre l’axe des roues arrière et le centre de gravité

𝑙𝑎𝑣 Distance entre l’axe des roues avant et le centre de gravité

𝑙𝑖−1 Longueur du véhicule

𝑚𝑖 Masse de la roue

𝑛𝑑𝑒 Nombre des roues désaxées

𝑛𝑑𝑖 Nombre des roues directrices

𝑛 𝑓𝑖 Nombre des roues fixes

𝑛𝑜𝑚 Nombre des roues omnidirectionnelles

(𝑜0 , 𝑥0 , 𝑦0 , 𝑧0 ) Référentiel terrestre

(𝑜3 , 𝑥3 , 𝑦3 , 𝑧3 ) Référentiel lié au véhicule

𝑝𝑖𝑗 (𝑥) Sous ensemble final des FBF sélectionnées par l’algorithme OLS

𝑝𝑖 Stimulus (entrée)

𝑝𝑗 (𝑡) Activité pré-synaptique au temps 𝑡

xv
𝑝𝑗 (𝑡) Régresseurs floues

𝑞̇ Vitesse virtuelle

𝑟𝑒𝑓𝑓 Rayon effectif du pneu en rotation

𝑣𝑗 Signaux d'entrée

𝑣𝑠𝑖 Vitesse linéaire du centre de la roue 𝑖

𝑣𝑃 Vitesse linéaire du point 𝑃

𝑤𝐵 Vitesse angulaire du véhicule

𝑤𝑖𝑗 Poids de la connexion reliant le neurone 𝑖 à son entrée 𝑗

𝑤1 Fonction de pondération

(𝑥, 𝑦) Coordonnées du point fixé sur le châssis dans le repère immobile dans le
plan d’évolution du véhicule

𝑥𝑝 Entrée du système floue

𝑥̇ 𝑖 Vitesse du véhicule

𝑥̅𝑙,𝑖 Centres des prémices floues

𝑥̈ Accélération linéaire

𝑦̅𝑙 Centres des conclusions floues

𝑦𝑗 Signaux de sortie

𝑧1 Sortie pondérée

xvi
3. Majuscules latines

𝐴 Matrice dynamique du système

𝐴, 𝐵 Sous-ensembles floue

𝐵 Matrice d’application de la commande

𝐵(𝑞) Fonction du variable d’entré en terme de forces et de couples

𝐶 Matrice d’observation

𝐷 Matrice d’application directe de la commande ou Sortie du système floue

sous forme matricielle

E Erreur entre le système réel et le système identifié sous forme matricielle

𝐹 Ensemble des forces de contact roue-sol

𝐺(𝑠) Matrice de transfert du processus

𝐼 Matrice unitaire, Moment d’inertie du châssis ou Matrice d’inertie du

véhicule

𝐼𝑚(𝑠) Axe des imaginaires

𝐽 Fonctionnelle

𝐾 Correcteur

𝐿 Matrice de transfert en boucle ouverte ou Distance entre la roue directrice

et le centre du châssis

𝑀(𝑞) Matrice de la masse du véhicule

xvii
 𝑁𝑜𝑦(𝐴) Noyau

𝑂 Point fixe dans le domaine de l’évolution du véhicule

[𝑂, 𝐼 , 𝐽] Repère immobile dans le plan d’évolution du véhicule

𝑃 Processus, Régresseurs floues sous forme matricielle ou Point fixé sur le

châssis

[𝑃, 𝑖, 𝑗] Repère fixé au châssis

𝑄 Nombre de couples (𝑝𝑖 , 𝑑𝑖 ) ou Point d’attache de la roue sur le châssis

𝑅 Nombre d’entrées de la couche de neurone ou Rapport d'engrenage de la

transmission

𝑅𝑒(𝑒) Axe des réels

𝑆 Matrice de sensibilité, Nombre de sortie de la couche neurone ou Centre

de la roue

𝑗𝑟, , ⃗⃗⃗⃗
[𝑆, ⃗⃗𝑖𝑟 , ⃗⃗⃗⃗ 𝑘𝑟 ] Repère fixé à la roue

𝑆𝑢𝑝𝑝(𝐴) Support

𝑇 Matrice de sensibilité inverse ou Point de contact de la roue avec le sol

𝑇(𝑞̇ , 𝑞) Énergie cinétique

(U, V, W) Composantes de perturbation de la vitesse linéaire

𝑉 Variable linguistique

𝑊(𝑞̇ , 𝑞) Énergie potentiel

xviii
 𝑋 Univers

4. Majuscules latines munies d’indice ou d’exposant

𝐴𝛼 Α-coupe

|𝐴| Cardinalité

𝐴̅ Complément

𝐴𝐹 Surface frontale du véhicule

𝐶𝛽𝑖 Coefficient de roulement de la roue

𝐶𝑑 Coefficient de trainé aérodynamique

𝐶𝛼𝑖 Rigidité en virage de chaque pneu

𝐶𝛿𝜙 Coefficient de glissement

Coefficient de rigidité des pneus arrière

𝐶𝜎𝑎𝑟

𝐶𝜎𝑎𝑣 Coefficient de rigidité des pneus avant

F𝐵 Résultante des forces agissant sur le véhicule

𝐹𝑥 Force longitudinale des roues

𝐹𝑥𝑎𝑟 Résultante des forces longitudinales appliquées aux roues arrière

𝐹𝑥𝑎𝑣 Résultante des forces longitudinales appliquées aux roues avant

𝐹𝑦𝑎𝑟 Résultante des forces latérales appliquées aux roues arrière

xix
𝐹𝑦𝑎𝑣 Résultante des forces latérales appliquées aux roues avant

𝐹𝑦𝜙 Force latérale due au roulis du véhicule

𝐹𝑧𝑎𝑟 Forces normales des roues arrière

𝐹𝑧𝑎𝑣 Forces normales des roues avant

‖𝐺‖∞ Norme 𝐻∞ de la matrice de transfert 𝐺(𝑠)

𝐺̃ Matrice de transfert du processus perturbé

𝐻̇ Vecteur du moment angulaire

Moment d’inertie de la roue par rapport à un axe verticale passant par le

𝐼𝑂 centre instantané de rotation (roue directionnelle)

𝐼𝑒 Inertie du moteur

𝐼𝑟 Moment d’inertie de la roue par rapport à son axe de rotation

𝐼𝑟𝑜𝑢𝑒 Inertie de la roue

𝐽𝑒 Inertie effective du moteur

𝐿𝐹𝑇𝑙 Transformation Linéaire Fractionnelle inférieure

𝐿𝑑𝑒𝑠 Espacement souhaité comprend la longueur du véhicule précédente

𝑀𝑆 Pic de la courbe de gain de la matrice de sensibilité

𝑀𝑆 Nombre de FBF

𝑀𝑇 Pic de la courbe de gain de la matrice de sensibilité inverse

xx
𝑀𝑐𝑜𝑚 Matrice de commandabilité

𝑀𝑜𝑏𝑠 Matrice d’observabilité

𝑀𝑝𝑛 Matrice de transfert de performance nominale

𝑀𝑟𝑝 Matrice de transfert de robustesse en performance

Résistance au roulement des roues

𝑅𝑥

𝑅𝑥𝑎𝑟 Force de traînée aérodynamique longitudinale

𝑅𝑥𝑎𝑣 Force due à la résistance au roulement des pneus avant

𝑅𝑖 Règle floue

𝑇𝑎 Couple accessoire

𝑇𝑒 Couple du moteur

𝑇𝑓 Pertes par frottement

Couple de combustion du moteur

𝑇𝑖

𝑇𝑝 Charge sur le moteur

𝑇𝑟𝑜𝑢𝑒 Couple de la roue

𝑇𝑡 Couple de la turbine

𝑇𝑉 Ensemble des univers des valeurs

⃗⃗⃗⃗
𝑉𝐴 Vitesse du point 𝐴

xxi
 ⃗⃗⃗⃗𝐵
𝑉 Vitesse du point 𝐵

𝑉𝑥𝑖 Vitesse longitudinale de la roue

𝑉𝐵 Vecteur vitesse du véhicule lié à son centre de masse

𝑉𝑣𝑒𝑛𝑡 Vitesse du vent

𝑉𝑥 Vitesse longitudinale du véhicule

𝑉𝑦 Vitesse latérales du véhicule

𝑉𝐵 Vecteur vitesse de translation du véhicule par rapport au repère inertiel

𝑋𝑉 Univers du discours

5. Minuscules grecques

𝛼 Facteur d’oubli, Pas d’apprentissage ou Angle formé par l’axe des

abscisses du repère fixé au châssis et la droite formée par le point fixé sur
le chassis et le point d’attache de la roue sur le châssis

𝛽 Angle entre la vitesse de rotation de la roue et la trajectoire du véhicule

𝛾 Angle d’attaque de la roue omnidirectionnelle

𝛿 Angle de braquage fournis à la commande

𝛿𝑞 Déplacement effectué par un véhicule

𝜂 Vitesse d’apprentissage

𝜂(𝑡) Fonction différentiable

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

𝜆 Vecteur des multiplicateurs de Lagrange ou Constante de temps

𝜇 Sortie de la première couche

𝜉 Vecteur de position du châssis

𝜌 Densité de l’air

𝜌(𝑥, 𝑦, 𝑧) Densité au point de coordonnées orthonormé sur le véhicule

𝜏 Variable d’entré du lagrangien d’un véhicule ou Temps décalage entre la

commande de l’accélération et la réponse du système

𝜑 Angle de rotation de la roue

𝜖 Niveau d’approximation

 Angle de roulis

6. Minuscules grecques munies d’indice ou d’exposant

𝛽𝑖 Orientation de(s) roue(s) directrice(s) ou Angle de la vitesse des pneus

𝛿𝑖 Angle de braquage des roues

𝛿𝑚 Degré de mobilité

𝛿0 Degré d’orientabilité

𝛿𝑟 Angle de braquage réel

xxiii
 𝛿𝜙 Angle de glissement dû au braquage

𝜂𝑚 Vecteur de mobilté

𝜂0 Vecteur d’orientabilité

𝜇𝐴 Fonction d’appartenance

𝜇𝐹 𝑗 Fonctions d’appartenance gaussiennes

𝑖

𝜉̇ Vecteur de vitesse du châssis

𝜎𝑙,𝑖 Rayons des prémices floues

𝜎𝑥 Taux de glissement longitudinal

𝜑̇ Vitesse angulaire de la roue

𝜔
⃗ Vecteur vitesse instantanée de rotation

𝜔𝑐 Pulsation de coupure

𝜔𝑒 Vitesse angulaire de la rotation du moteur

𝜔̇ 𝑒 Accélération angulaire du moteur

𝜔𝑟𝑜𝑢𝑒 Vitesse angulaire de la roue

𝜔̇ 𝑟𝑜𝑢𝑒 Accélération angulaire des roues

𝜔𝑡 Vitesse angulaire de la turbine

xxiv
7. Majuscules grecque

Θ Paramètres réels du système flou sous forme matricielle

θ Angle de tangage

Ξ Coordonnées généralisées décrivant les roues d’un véhicule

ψ Angle de lacet

8. Minuscules grecques munies d’indice ou d’exposant

∆𝑙 Matrice d’incertitude connectée sur la partie inférieure du processus

∆𝑛𝑠 Perturbation non structurée

∆𝑢 Matrice d’incertitude connectée sur la partie supérieure du processus

∆𝑀 Marge de module

Θ𝑗 Paramètres réels du système flou

9. Notations spéciales
 Déterminant de la matrice 

 Norme H de la matrice 

* Matrice adjoint de la matrice 

 1 Matrice inverse de la matrice 

∈ Appartenance à un ensemble

 Début de démonstration

 Fin de démonstration
∎ ∎ Matrice
[ ]
∎ ∎

xxv
 = Égalité

× Produit cartésien

∆ Erreurs de modélisation

∇ Gradient

∧ Conjonction des cas ou Produit vectoriel

∩ Intersection

∪ Union

⊆ Inclusion

⇒ Implication

↓ Projection

¬ Négation

ℒ(𝑞̇ , 𝑞) Lagrangien du système

ℜ Règle neuro floue

ℛ(𝐴, 𝐵, 𝐶, 𝐷) Représentation d’état du système linéaire

𝒟 Région de stabilité

10.Abréviations
det Déterminant
rp Robustesse en performance
rs Robustesse en stabilité
LFT Transformation Linéaire Fractionnaire

xxvi
 LISTE DES TABLEAUX

Tableau 1.01: Différentes formes de modèles d’erreurs .............................................................. 17

Tableau 2.01: Tableau des fonctions de transfert ........................................................................ 69
Tableau 4.01: Variables de mouvement..................................................................................... 144
Tableau 5.01: Valeurs propres du modèle latéral du véhicule ................................................... 192
Tableau 5.02: Valeurs propres du modèle latéral du véhicule ................................................... 195
Tableau 5.03: Valeurs propres du modèle longitudinal du véhicule ......................................... 200
Tableau 5.04: Valeurs propres du modèle latéral du véhicule ................................................... 202

LISTE DES FIGURES

Schéma fonctionnel du système linéaire ............................................................... 4

Schéma fonctionnel d’une représentation d’état.................................................... 5
Représentation d’un système multivariable ........................................................... 6
Schéma bloc du système nominal .......................................................................... 8
Schéma bloc du système perturbé ......................................................................... 8
Représentation par 𝑳𝑭𝑻𝒖 ...................................................................................... 9
Représentation par 𝑳𝑭𝑻𝒍 ..................................................................................... 10
Schéma bloc du système asservi pour l’étude de la stabilité nominale ............... 11
Région de stabilité 𝓓 pour assurer la marge de stabilité asymptotique............... 11
Schéma bloc du système asservi pour l’étude de la performance nominale........ 13
Schéma bloc du système asservi pour le calcul de la matrice de transfert de
performance nominale.............................................................................................. 14
Gabarit de performance nominale ....................................................................... 15
Gabarit de la robustesse en stabilité .................................................................... 17
Schéma bloc du système perturbé avec introduction du modèle d’erreur fictive 19
Schéma bloc du système perturbé pour l’analyse de la robustesse en
performance……………….. ................................................................................... 19
Problème 𝑯∞ standard ........................................................................................ 22
Schéma-bloc d’un système linéaire ..................................................................... 33
Interconnexion en boucle ouverte P .................................................................... 34
Interconnexion standard 𝑴 − 𝜟 .......................................................................... 36

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.

Le premier chapitre présente les outils de synthèse et d’analyse dans le domaine de

l’automatique. Nous allons décrire la méthode de synthèse classique soit la synthèse par
l’algorithme de Glover-Doyle. La méthode d’analyse utilisée sera la µ-synthèse afin d’analyser

1
la performance nominale, la robustesse en stabilité et la robustesse en performance d’un
système.

Le second chapitre décrira de façon générale les paradigmes représentant le domaine du

cognitivisme. Ce sont des représentations du monde, une manière de voir les choses, un modèle
cohérent de vision du monde qui repose sur une base bien définie. Nous présenterons également
leurs applications dans le domaine de l’ingénierie à travers les théories de la logique floue, les
réseaux de neurones et la commande neuro-floue.

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.

Le dernier chapitre traitera la simulation de la commande et mu-analyse robuste du véhicule

suivant le modèle longitudinal et latéral. Une étude comparative sera établie pour la régulation
de vitesse par la commande floue, le réseau de neurones et la commande neuro-flou. On
appliquera toutes les théories qui ont été traitées dans les quatre chapitres précédents.

2
 CHAPITRE 1

COMMANDE ROBUSTE ET ΜU-ANALYSE DES SYSTEMES LINEAIRES

MULTIVARIABLES

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.

La connaissance du système à étudier est nécessairement partielle et incomplète. Même si sa

structure est bien déterminée, les paramètres sont toujours mesurés avec une certaine erreur ou
encore susceptibles d’évoluer dans le temps. Par exemple, la valeur d’une résistance est connue
avec une certaine erreur. Par suite, il est impératif de prendre en compte cette méconnaissance
sur le système. En fait, assez souvent un modèle mathématique idéal est considéré. Ce modèle
idéal correspond à un comportement qui se retrouve sur le vrai système dans les cas où la
sensibilité est faible.

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

Où : ‖𝐺‖∞ : norme 𝐻∞ de la matrice de transfert𝐺(𝑠).

Interprétation :

La norme 𝐻∞ de la matrice de transfert 𝐺(𝑠)d’un système linéaire à temps continu

asymptotiquement stable représente donc une mesure du gain maximal atteinte sur l’ensemble
des fréquences, par la plus grande valeur singulière de 𝐺(𝑗𝜔). Elle représente aussi la valeur
maximale du rapport d’énergie entre l’énergie du signal de sortie 𝑧(𝑡).et l’énergie du signal
d’entrée𝑒(𝑡).

Systèmes linéaires multivariables invariants à temps continu

1.3.1 Modèle d’état des systèmes à un vecteur d’entrées et à un vecteur de sorties

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.

On considère le modèle d’état du processus représenté ci-dessous :

Schéma fonctionnel du système linéaire

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.

Elles sont définies par les expressions :

𝑥̇ (𝑡) = 𝐴𝑥(𝑡) + 𝐵𝑒(𝑡)

{
𝑠(𝑡) = 𝐶𝑥(𝑡) + 𝐷𝑒(𝑡)

4
Où

- 𝑥(𝑡): vecteur d’état (variables internes)

- 𝑢(𝑡): vecteur des entrées (ou de commande)
- 𝑦(𝑡): vecteur des sorties (ou d’observation)
- 𝐴 ∈ ℝ𝑛×𝑛 : matrice dynamique du système
- 𝐵 ∈ ℝ𝑛×𝑚 : matrice d’application de la commande
- 𝐶 ∈ ℝ𝑟×𝑛 : matrice d’observation
- 𝐷 ∈ ℝ𝑟×𝑚 : matrice d’application directe de la commande

On représente le schéma fonctionnel d’une représentation d’état par

Schéma fonctionnel d’une représentation d’état

Avec :

- ℛ(𝐴, 𝐵, 𝐶, 𝐷) : représentation d’état du système linéaire.

- 𝐺(𝑠) : matrice de transfert du processus,

Cette matrice s’écrit comme suit :

𝐺(𝑠) = 𝐶[𝑠𝐼 − 𝐴]−1 𝐵 + 𝐷

1.3.2 Modèle d’état des systèmes à deux vecteurs d’entrées et à deux vecteurs de sorties

Considérons un système linéaire multivariable représenté par la figure 1.03.

5
 Représentation d’un système multivariable

Avec :

- 𝑥: vecteur d’état (variables internes)

- 𝑤: vecteur d’entrées et de perturbations du processus 𝑃
- 𝑧: vecteur de sorties du processus 𝑃
- 𝑢: vecteur de commande (action) du processus 𝑃
- 𝑦: vecteur des sorties (ou de mesures)

Dans l’espace d’état, les équations d’état et d’observation du processus 𝑃 s’écrivent :

𝑥̇ (𝑡) = 𝐴𝑥(𝑡) + 𝐵1 𝑢(𝑡) + 𝐵2 𝑤(𝑡)

{𝑦(𝑡) = 𝐶1 𝑥(𝑡) + 𝐷11 𝑢(𝑡) + 𝐷12 𝑤(𝑡)
𝑧(𝑡) = 𝐶2 𝑥(𝑡) + 𝐷21 𝑢(𝑡) + 𝐷22 𝑤(𝑡)

Sous forme matricielle, l’équation du processus de transfert 𝑃 s’écrit :

𝑥̇ 𝑥 𝐴 𝐵1 𝐵2
[𝑦] = 𝑃 [ 𝑢 ] 𝑎𝑣𝑒𝑐 𝑃 = [𝐶1 𝐷11 𝐷12 ]
𝑧 𝑤 𝐶2 𝐷21 𝐷22

La matrice de transfert du processus 𝑃(𝑠)s’écrit :

𝐶 𝐷11 𝐷12
𝑃(𝑠) = [ 1 ] [𝑠𝐼 − 𝐴]−1 [𝐵1 𝐵2 ] + [ ]
𝐶2 𝐷21 𝐷22

Critère de commandabilité de Kalman

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:

Un système est complètement commandable, si et seulement si, le rang de sa matrice de

commandabilité 𝑀𝑐𝑜𝑚 est égal à l’ordre du système par (1.02) et (1.03):

𝑟𝑎𝑛𝑔[𝑀𝑐𝑜𝑚 ] = 𝑛

Critère d’observabilité de Kalman

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:

Un système linéaire est complètement observable, si et seulement si, le rang de sa matrice

d’observabilité 𝑀𝑜𝑏𝑠 est égal à l’ordre du système.
Soit :

𝑟𝑎𝑛𝑔[𝑀𝑜𝑏𝑠 ] = 𝑛

Schéma bloc du système nominal et du système perturbé

Le système nominal est le système bouclé à retour unitaire de la figure 1.04.

Où :
- 𝐺 : matrice de transfert du processus nominal
- 𝐾: correcteur
- 𝐿 = 𝐺𝐾 : matrice de transfert en boucle ouverte.

7
 Schéma bloc du système nominal

La figure 1.05 représente le schéma bloc du système bouclé perturbé.

Où :

- 𝐺̃ : matrice de transfert du processus perturbé

- ∆ : erreurs de modélisation

Schéma bloc du système perturbé

On a :

𝐺̃ = 𝑓(𝐺, ∆)

Transformation fractionnaire linéaire d’une matrice

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

Représentation par 𝑳𝑭𝑻𝒖

En connectant la matrice des incertitudes de modèles, nous avons :

𝑟 = ∆𝑢 𝑞

Avec :

- ∆𝑢 : matrice d’incertitude connectée sur la partie supérieure du processus

- 𝑞 : entrée de la matrice d’incertitude
- 𝑟 : sortie de la matrice d’incertitude

La matrice de transfert en boucle fermée entre 𝑤 et 𝑧 , notée 𝑇𝑢 , satisfait la relation (1.15).

𝑧 = 𝐹𝑢 (𝑀, ∆𝑢 ) ∙ 𝑤 si (𝐼 − 𝑀11 ∆𝑢 )−1 existe

Définition 1.02 :

La transformation fractionnaire linéaire ou 𝐿𝐹𝑇𝑢 lorsque les incertitudes de modélisation ∆𝑢

sont appliquées à la partie supérieure de 𝑀 est définie par l’équation (1.16).

𝐹𝑢 (𝑀, ∆𝑢 ) = [𝑀22 + 𝑀21 ∆𝑢 (𝐼 − 𝑀11 ∆𝑢 )−1 𝑀12 ]

2ème cas : Les incertitudes du modèle sont connectées sur la partie inférieure de 𝑀

La matrice d'interconnexions du système perturbé est définie par l’équation (1.17).

9
 𝑧 𝑀 𝑀12 𝑤
[𝑞 ] = [ 11 ][ ]
𝑀21 𝑀22 𝑟

Représentation par 𝑳𝑭𝑻𝒍

En connectant la matrice des incertitudes de modèle, nous avons :

𝑟 = ∆𝑙 𝑞

La matrice de transfert en boucle fermée entre 𝑤 et , notée 𝑇𝑙 , satisfait la relation :

𝑧 = 𝐹𝑙 (𝑀, ∆𝑙 ) ∙ 𝑤 si (𝐼 − 𝑀22 ∆𝑙 )−1 existe

Définition 1.03 :

La transformation fractionnaire linéaire ou 𝐿𝐹𝑇𝑙 lorsque les incertitudes de modélisation ∆𝑙 sont

appliquées à la partie inférieure de𝑀 est définie par :

𝐹𝑙 (𝑀, ∆𝑙 ) = [𝑀11 + 𝑀12 ∆𝑙 (𝐼 − 𝑀22 ∆𝑙 )−1 𝑀21 ]

Analyse en stabilité des systèmes linéaires bouclés à temps continu

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 :

Schéma bloc du système asservi pour l’étude de la stabilité

nominale

La région de stabilité de la Figure 1.09 est définie par :

𝒟 = {𝑠 ∈ ℂ ∣, 𝛾 = 0, 𝜔 ∈ ℝ}

Région de stabilité 𝓓 pour assurer la marge de stabilité

asymptotique

1.8.1 Théorème du petit gain

Théorème 1.03 :

Pour deux matrices 𝐺 et 𝐾 stables, une condition suffisante de stabilité de l’interconnexion 𝐺𝐾

est donnée par l’équation (1.22).
‖𝐺𝐾‖∞ < 1

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

est contradictoire à l’hypothèse telle que ‖𝐺𝐾‖∞ < 1.

1.8.2 Spécifications fréquentielles de performance nominales

Considérons le système bouclé de la Figure 1.10.

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

- la matrice de transfert entre la référence 𝒄 et le signal d’erreur du système global 𝒚 est

appelée matrice de sensibilité en sortie et est définie par l’équation (1.23).

𝑆 = [𝐼 + 𝐺𝐾]−1

- la matrice de transfert entre la référence 𝒄 et la sortie de retour bruitée 𝒗𝑏 du système est

appelée matrice de sensibilité complémentaire en sortie et est définie par (1.24).

T = [(𝐼 + 𝐺𝐾)−1 GK]

12
 Schéma bloc du système asservi pour l’étude de la performance
nominale

Propriétés 1.01 :

Les deux matrices de sensibilité en sortie vérifient l’identité matricielle :

𝑆+𝑇 =𝐼

Avec :

- 𝑆 : matrice de sensibilité
- 𝑇 : matrice de sensibilité inverse
- 𝐼 : matrice unitaire

Remarque 1.01 :

Les matrices de sensibilité caractérisent le comportement du système asservi. Nous souhaitons

prendre en considération les points suivants, pour le système bouclé :
- un bon suivi de la référence est obtenu lorsque 𝑆 est faible ;
- une bonne réjection des bruits de mesure est obtenue lorsque 𝑇 est faible ;
- la commande reçue par le processus est faible lorsque 𝑆′ est faible ;
- l’effort de commande est faible lorsque 𝑇 ′ est faible.
1.8.3 Condition de performance nominale

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.

Rechercher la performance nominale revient à fixer un majorant noté 𝜀𝑦 de la norme 𝐻∞ de la

matrice de sensibilité 𝑆 en fonction de la fréquence 𝜔.

Définition 1.04 :

La spécification de la performance nominale du système bouclé peut être exprimée par :

‖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 .

Schéma bloc du système asservi pour le calcul de la matrice de

transfert de performance nominale

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

L’application de (1.28) fournit le résultat suivant :

‖𝑆𝑊1 ‖ < 1 pour tout 𝑗𝜔 ∈ ℝ

Mise en forme de la boucle de commande

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.

Gabarit de performance nominale

Lors de la spécification de la performance nominale, nous souhaitons que la référence c ait

une faible influence sur l’erreur d’asservissement𝑦. Ainsi l’introduction de la matrice de
pondération permet de modeler les différentes matrices de sensibilité et d’assurer la condition
(1.26). En basse fréquence, la condition de performance nominale (1.27) devient :

∀𝜔 ∈ ]0, 𝜔𝑙 ], |𝑊1 (𝑗𝜔)| < 𝜎[𝐺(𝑗𝜔)𝐾(𝑗𝜔)]

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).

Modelage des matrices de sensibilité

Définition 1.06 :

On définit deux indicateurs de performance à partir de la norme 𝐻∞ sur les matrices de

sensibilité et sensibilité complémentaires par :

𝑀𝑆 = ‖𝑆‖∞

𝑀𝑇 = ‖𝑇‖∞

𝑀𝑆 et 𝑀𝑇 correspondent à un pic de la courbe de gain de chacun des transferts considérés.

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).

1.10.1 Marge de module

La marge de module est donc la plus petite distance du point critique au lieu de transfert en
boucle ouverte :
∆𝑀 = 1/𝑀𝑆

1.10.2 Bande passante en boucle fermée

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

Additive directe [𝐺 + ∆𝑛𝑠 ] ‖𝑊2 𝐾𝑆‖∞ < 1 𝑊2 𝐺 −1

Additive inverse [(𝐼 + 𝐺∆𝑛𝑠 )−1 𝐺] ‖𝑊2 𝐺𝑆‖∞ < 1 𝑊2 𝐾 −1

Multiplicative directe en [(𝐼 + ∆𝑛𝑠 )𝐺] ‖𝑊2 𝑇‖∞ < 1 𝑊2

sortie

Multiplicative directe en 𝐺[(𝐼 + ∆𝑛𝑠 )] ‖𝑊2 𝑇′‖∞ < 1 𝑊2

entrée

Multiplicative inverse en [(𝐼 + ∆𝑛𝑠 )−1 𝐺] ‖𝑊2 𝑆‖∞ < 1 𝑊2 (𝐺𝐾)−1

sortie

Multiplicative inverse en [𝐺(𝐼 + ∆𝑛𝑠 )−1 ] ‖𝑊2 𝑆′‖∞ < 1 𝑊2 (𝐾𝐺)−1

entrée

- Gabarit de la robustesse en stabilité

Dans le cas général, on peut mettre les différentes conditions de robustesse en stabilité du
système perturbé en boucle fermée sous la forme :

∀𝜔 ∈ ℝ , ‖𝑊2ℎ 𝑇‖∞ < 1

Gabarit de la 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)|

On obtient ainsi le gabarit de la robustesse en stabilité illustré par la figure 1.13.

Robustesse en performance

On dit que le système bouclé perturbé satisfait la robustesse en performance si la condition de

performance nominale est vérifiée pour toute une classe de processus de matrices de transfert 𝐺̃ ,
différent de 𝐺 par une quelconque des formes de représentation des incertitudes de modèle.
Ainsi, nous aurons recours à plusieurs méthodes afin d’obtenir un système robuste en
performance.

Définition 1.07:

Rechercher la robustesse en performance revient à fixer un majorant noté 𝜀𝑦 de l’erreur 𝑦 du

système perturbé, qui est supérieur à la norme −∞ de sa matrice de sensibilité 𝑆̃ en fonction de
la fréquence 𝜔.

La spécification de la robustesse en performance du système perturbé est définie par :

‖𝑆̃(𝑗𝜔)‖∞ < 𝜀𝑦

La matrice de transfert de robustesse en performance est calculée entre la consigne 𝑐 et la sortie

pondérée 𝑧1 de la figure 1.14. Elle est notée 𝑀𝑟𝑝 .

L’introduction entre le vecteur d’entrée 𝑐 et le vecteur de sortie 𝑧1 d’une matrice d’erreurs

fictives ∆𝑓 avec ‖∆𝑓 ‖ < 1 permet de transformer le schéma d’analyse de robustesse en
∞

performance de la Figure 1.01 en un schéma d’analyse de la robustesse en stabilité. On obtient

alors le schéma - bloc de la Figure 1.14.

En isolant respectivement les erreurs de modèle ∆𝑓 et ∆, nous obtenons le schéma bloc de la

figure 1.15.

18
 Schéma bloc du système perturbé avec introduction du modèle
d’erreur fictive

Schéma bloc du système perturbé pour l’analyse de la robustesse en

performance

Théorème 1.05 :

Sous les hypothèses suivantes :

- tous les pôles de la matrice de transfert nominale du système en boucle fermée sont à
partie réelle négative ;

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 :

∀𝜔 ∈ ℝ , ‖𝑀𝑟𝑝 (𝑗𝜔)‖∞ < 1

Avec
∆𝑟𝑝 = {𝑑𝑖𝑎𝑔[∆, ∆𝑓 ]}

Synthèse H∞

1.13.1 Résolution par les équations de Riccati

La synthèse H∞ des systèmes linéaires à temps continu propose un cadre général pour le calcul
d’un correcteur en manipulant des concepts fréquentiels.

Elle permet de prendre en compte des objectifs de stabilité, de marges de stabilité et de

modelage de différentes matrices de transfert. On expose dans ce paragraphe la notion de
problème standard et la méthode de résolution du problème H∞ standard par l’équation
algébrique matricielle de Riccati.

On décrit également l’algorithme 𝛾 – itération pour la résolution du problème H∞ standard. La

synthèse H∞ permet de prendre en compte, a priori et explicitement, des spécifications
fréquentielles et temporelles du cahier de charges, simplifiant ainsi la synthèse. En effet, les
spécifications fréquentielles sont naturellement prises en compte par la synthèse H∞ . Les
spécifications temporelles classiques (temps de montée, rejection de perturbations, atténuation
de bruit, découplage, erreur statique, dépassement) peuvent être facilement interprétées dans le
domaine fréquentiel.

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.

En d’autres termes, on utilise un critère unique pour ajuster au mieux le compromis

performance/robustesse. Enfin, l’approche fréquentielle est une approche naturelle pour
l’amortissement des modes souples puisqu’il s’agit de contraindre les pics de résonance sur
certains transferts de la boucle fermée.

1.13.2 Problème H∞ standard

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.

Partant de la matrice de transfert 𝐺(𝑠) du processus à commander en boucle ouverte, il s’agit

de construireun nouveau processus augmenté en boucle ouverte notée 𝑃(𝑠)contenant des
vecteurs d’entrées et de sorties additionnels 𝑤 et 𝑧 et éventuellement des dynamiques
supplémentaires.

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.

La matrice de transfert du processus augmenté 𝑃(𝑠)décrit les interconnections entre les

vecteurs 𝑤,𝑢, 𝑧 et 𝑦.
En effectuant une partition cohérente de la matrice de transfert avec les dimensions du processus
augmenté 𝑃(𝑠), nous avons, d’après la loi de commande de Duc et Font :

𝑍(𝑠) 𝑊(𝑠) 𝑃 𝑃12 𝑊(𝑠)

[ ] = 𝑃(𝑠) [ ] = [ 11 ][ ]
𝑌(𝑠) 𝑈(𝑠) 𝑃21 𝑃22 𝑈(𝑠)

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

La matrice de transfert entre le vecteur d’entrées et de perturbations du processus (𝑤) et le

vecteur de sorties du processus (𝑧) du système bouclé est une 𝐿𝐹𝑇𝑙 .

22
Cette Transformation Linéaire Fractionnelle inférieure (𝐿𝐹𝑇𝑙 ) est définie par l’équation (1.40).

𝑧 = 𝐹𝑙 (𝑃, 𝐾)𝑤

Avec :

𝐹𝑙 (𝑃, 𝐾) = 𝑃11 + 𝑃12 𝐾 (𝐼 − 𝑃22 𝐾)−1 𝑃21

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 :

Le problème 𝐻∞ standard est un problème de rejet réjection de perturbations.

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.

1.13.3 Résolution du problème 𝑯∞

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):

Approche de l’équation algébrique matricielle de Riccati (AMRE).

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 :

𝑃11 (𝑠) 𝑃12 (𝑠) 𝐷 𝐷12

𝑃(𝑠) = [ ] = [ 11 ] +(𝑠𝐼 − 𝐴)−1 [𝐵1 𝐵2 ]
𝑃21 (𝑠) 𝑃22 (𝑠) 𝐷21 𝐷22

Cette équation est associée à la description interne suivante :

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

Les deux dernières hypothèses sont des hypothèses simplificatrices de normalisation.

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∞ :

𝐴𝑇 𝑋 + 𝑋𝐴 + 𝑋(𝛾 −2 𝐵1 𝐵1𝑇 − 𝐵2 𝐵2𝑇 )𝑋 + 𝐶1𝑇 𝐶1 = 0

𝐴𝑌 + 𝑌𝐴𝑇 + 𝑌(𝛾 −2 𝐶1𝑇 𝐶1 − 𝐶2𝑇 𝐶2 )𝑌 + 𝐵1 𝐵1𝑇 = 0

Et les solutions à ces équations vérifient :

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

Et sa stabilité interne est équivalente à la stabilité 𝐴𝐵𝐹 .

Algorithme pour calculer le gain 𝑯∞ optimal 𝜸𝒐

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 :

- On initialise le processus avec un intervalle [ 𝛾𝑚𝑖𝑛 , 𝛾𝑚𝑎𝑥 ] contenant 𝛾𝑜 ;

- 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).

- On prend la moyenne arithmétique donnée par l’équation (1.48)

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 :

- Calcul du spectre des matrices Hamiltoniennes :

𝐴 𝛾 −2 𝐵1 𝐵1𝑇 − 𝐵2 𝐵2𝑇
𝐻∞ = [ ]
−𝐶1𝑇 𝐶1 −𝐴𝑇

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

- Position de 𝛾 par rapport à 𝛾𝑜

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 :

𝐴̂∞ = 𝐴 + 𝛾 −2 𝐵1 𝐵1𝑇 𝑋∞ − 𝐵2 𝐵2𝑇 𝑋∞ − 𝑍∞ 𝑌∞ 𝐶2𝑇 𝐶2

Avec 𝑍∞ = (𝐼𝑛 − 𝛾 −2 𝑌∞ 𝑋∞ )−1

En particulier, le correcteur central correspondant à Φ(𝑠) ≡ 0 , admet la représentation d’état :

𝑥̇ 𝑐 (𝑡) 𝐴̂ 𝑍∞ 𝑌∞ 𝐶2𝑇 𝑥𝑐 (𝑡)
( ) = ( 𝑇∞ )( )
𝑢(𝑡) −𝐵2 𝑋∞ 0 𝑦(𝑡)

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).

1.13.4 Solution générale des problèmes 𝑯∞ réguliers

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 :

- Par le calcul de la matrice 𝐷𝐶 telle que :

𝜎𝑚𝑎𝑥 (𝐷11 + 𝐷12 𝐷𝐶 𝐷21 ) < 𝛾

Σ12 𝑉𝑇
Si 𝐷12 = [𝑈1 , 𝑈2 ] [ ] 𝑊 𝑇 et 𝐷21 = 𝑍[Σ12 , 0] [ 1𝑇 ]
0 𝑉2

𝑈1𝑇 𝐷11 𝑉1 + Σ12 𝑊 𝑇 𝐷𝐶 𝑍Σ21 𝑈1𝑇 𝐷11 𝑉2

Et la contrainte est équivalente à 𝜎𝑚𝑎𝑥 = ([ ]) < 𝛾
𝑈2𝑇 𝐷11 𝑉1 𝑈2𝑇 𝐷11 𝑉2

Cette contrainte est satisfaite pour 𝐷𝐶 = −𝑊 ∑−1 −1 𝑇

12 ∆ ∑21 𝑍

- Calcul des paramètres réduits :

𝐴 = 𝐴 + 𝐵2 𝐷𝐶 𝐶2
𝐵 = 𝐵1 + 𝐵2 𝐷𝐶 𝐷21
𝐶 = 𝐶1 + 𝐷12 𝐷𝐶 𝐶2
𝐷 = 𝐷11 + 𝐷12 𝐷𝐶 𝐷21

- 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

+(𝐼 − 𝛾 −2 𝑌∞ 𝑋∞ )𝐵2 𝐶2 + ((−𝛾 −1 𝑌∞ 𝐶 𝑇 𝐵)

−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

Le modèle réduit de dimension 𝑟 conserve certaines propriétés intéressantes du système à

réduire, notamment : la stabilité, le comportement statistique et dynamique, l’observabilité et
la commandabilité.

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

Les matrices F, G et H sont de dimensions appropriées qu’il s’agira de déterminer.

1.14.1 Réduction par diagonalisation

On considère une partition du système à réduire en deux sous systèmes

𝐴 𝐴2 𝐵
𝑥̇ = 𝐴 𝑥 + 𝐵𝑢 = [ 1 ] 𝑥 + [ 1] 𝑢
{ 𝐴3 𝐴4 𝐵2
𝑦 = 𝐶𝑥 = [𝐶1 𝐶2 ]𝑥

Si A est diagonalisable alors Λ = 𝑉 −1 𝐴𝑉 est matrice diagonale, 𝑉 étant la matrice modales de

𝐴, on suppose que Λ = diag(𝜆𝑖 ) avec 𝑅𝑒(𝜆𝑖 ) ≥ 𝑅𝑒(𝜆𝑖+1 ).

On effectue le changement de variables :

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

Plusieurs stratégies de simplification sont alors possibles.

1.14.2 Approximation de la partie rapide

Ceci revient à imposer 𝑧2 = 0.

D’où l’équation (1.62)

30
 𝑥 = 𝑉1 𝑧1
{ 1
𝑥2 = 𝑉3 𝑧1

On en tire ainsi l’équation (1.63).

𝑧̇1 = Λ1 𝑧1 + 𝐸1 𝑢
{
𝑦̂ = M1 𝑧1

Finalement, on obtient le modèle réduit défini par l’équation (1.64).

𝑥̇ 1 = 𝐹 𝑥1 + 𝐺𝑢
{
𝑦̂ = 𝐻𝑥1
Avec :
𝐹 = V1 Λ1 𝑉1 −1
{ 𝐺 = V1 𝐸1
𝐻 = M1 𝑉1 −1

1.14.3 Approximation de la dynamique des modes rapides

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)

Que l’on remplace dans l’expression de 𝑧̇1 :

𝑧̇1 = Λ1 𝑧1 + 𝐸1 𝑢 = Λ1 𝑉1−1 𝑥1 + Λ1 𝑉1−1 Λ 2 𝑉2−1 𝐸2 𝑢 + 𝐸1 𝑢

Soit encore l’expression (1.70)

𝑥̇ 2 = 𝑉1 Λ1 𝑉1−1 𝑥1 + (𝑉1 𝐸1 + 𝑉1 Λ1 𝑉1−1 𝑉2 Λ−1

2 𝐸2 )𝑢
{ −1 −1 −1 −1
𝑦̂ = 𝑀1 𝑉1 𝑥1 + (M1 𝑉1 V2 Λ 2 𝐸2 − 𝑉2 Λ 2 𝐸2 )𝑢

Finalement, le modèle réduit s’écrit suivant l’équation (1.71).

31
 𝑥̇ 2 = 𝐹𝑥1 + 𝐺𝑢
{
𝑦̂ = 𝐻𝑥1 + 𝐷𝑢

Où les différents paramètres sont donnés par l’expression (1.72).

𝐹 = V1 Λ1 𝑉1 −1
𝐺 = V1 𝐸1 + 𝑉1 Λ1 𝑉1−1 𝑉2 Λ−1
2 𝐸2
−1
𝐻 = M1 𝑉1
−1 −1 −1
{𝐷 = M1 𝑉1 V2 Λ 2 𝐸2 − 𝑉2 Λ 2 𝐸2

1.14.4 Perturbation singulières

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 :

- 𝐴11 contient la partie dominante du système (modes lents).

- 𝜀 : un paramètre de très faible valeur.

Si on fait tendre 𝜀 vers 0, on obtient le modèle réduit recherché, (en supposant 𝐴22 inversible) :

𝑥̇ 1 = (𝐴11 − 𝐴12 A−1 −1

22 𝐴21 )𝑥1 + (𝐵1 − 𝐴12 A22 𝐵2 )𝑢
{
𝑦 = (𝐶1 − 𝐶1 A−1 −1
22 𝐴21 )𝑥1 + (𝐷 − 𝐶2 A22 𝐵2 )𝑢

La méthode des Perturbation singulières possède les propriétés suivantes :

- 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.

Robustesses en stabilité et en performance d’un système linéaire multivariable

par μ-analyse

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.

L’idée de base est d’utiliser le principe de la 𝐿𝐹𝑇 (Transformation Linéaire Fractionnaire

linéaire) pour séparer les incertitudes, représenté par une matrice 𝛥, de la matrice nominale d’un
système linéaire stationnaire stable.

1.15.1 Calcul de la matrice de transfert en boucle fermée M

Il s’agit d’analyser la robustesse de comportement du système face aux perturbations externes

et internes. Un système est robuste s’il conserve ses propriétés malgré les incertitudes et les
perturbations affectant le système. La robustesse porte alors sur la stabilité que sur la
performance.

Schéma-bloc d’un système linéaire

La matrice de l’interconnexion en boucle ouverte P et la matrice de transfert en boucle fermée

M sont données par la figure 1.18 ci-contre.

33
 Interconnexion en boucle ouverte P

D’après la figure 1.18, on peut établir les équations suivantes :

𝑧2 = 0 𝑑 + 0𝑒 + 𝑊𝑢 𝑢
𝑧1 = −𝑊𝑝 𝑑 + 𝑊𝑝 𝑒 − 𝑊𝑝 𝐺 𝑢
𝑧1 = − 𝑑 + 𝑒 − 𝐺 𝑢

La matrice d’interconnexion en boucle ouverte s’écrit alors :

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]

Or comme le régulateur 𝐾 est appliqué à la partie inférieure de la matrice 𝑃, la matrice en boucle

fermée 𝑀 est donc la transformation linéaire fractionnelle 𝐿𝐹𝑇𝑙 .

M = 𝐹𝑙 (P, K) = P11 + P12 K[𝐼 − P22 K]−1 P21

Et on obtient l’équation (1.78).

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

−𝑊𝑢 K[𝐼 + 𝐺K]−1 𝑊𝑢 K[𝐼 + 𝐺K]−1

M=[ ]
−𝑊𝑝 [𝐼 + 𝐺K]−1 𝑊𝑝 [𝐼 + 𝐺K]−1

Sachant que la matrice de sensibilité a pour expression :

𝑆 = [𝐼 + 𝐺K]−1
Alors :
−𝑊𝑢 K𝑆 𝑊𝑢 K𝑆
M = [ −𝑊 𝑆 𝑊𝑝 𝑆 ]
𝑝

♦
Les éléments de la matrice M pour l’analyse sont alors :
𝑀11 = −𝑊𝑢 K𝑆
𝑀12 = 𝑊𝑢 K𝑆
𝑀21 = −𝑊𝑝 𝑆
𝑀22 = 𝑊𝑝 𝑆

1.15.2 Valeurs singulières structurées

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 :

𝜌𝑠 (𝑀) ≤ 𝜇∆ (𝑀) ≤ 𝜎(𝑀)

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}

Il découle de la définition 𝜇 que :

1
𝜇∆ (𝑀) =
𝑚𝑖𝑛{𝜎(𝛿𝐼) = |𝛿|, det[𝐼 − 𝑀𝛿] = 0}

𝜇∆ (𝑀) = 𝑚𝑎𝑥{(𝛿 −1 ) = 𝜆(𝑀), det[𝛿 −1 𝐼 − 𝑀] = det[𝜆𝐼 − 𝑀] = 0}

𝜇∆ (𝑀) = 𝜌𝑠 (𝑀) = 𝑚𝑎𝑥|𝜆(𝑀)|

Avec :

- 𝜌𝑠 (𝑀) : rayon spectral de la matrice M

C’est la valeur maximale du module de ses valeurs propres.

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) ♦

1.15.3 Théorème de la robustesse en stabilité par μ-analyse

Théorème 1.08:

Sous les hypothèses suivantes :

- la matrice de transfert nominale du système en boucle fermée à tous ses pôles à partie
réelle négative;

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

La procédure d’analyse consiste à choisir un ensemble suffisamment dense de valeurs de 𝜔, et

à calculer une borne supérieure de 𝜇∆ [𝑀11 (𝑗𝜔)] pour chaque valeur choisie, en résolvant un
problème d’optimisation.

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.

1.15.4 Théorème de la robustesse en performance par μ- analyse

Le théorème de la robustesse en présence d’incertitudes structurées en performance s’énonce

de la manière analogue au théorème de la robustesse en stabilité. Seulement on ajoute une
matrice pleine d’incertitude non structuré fictif ∆𝑓 , pour normaliser la matrice de matrice pleine
d’incertitudes non structurées fictive∆𝑓 , pour normaliser la matrice de pondération, avec
‖∆𝑓 ‖ < 1 dans l’ensemble des incertitudes 𝛥.
∞

Le schéma bloc du système perturbé pour l’analyse de la robustesse en performance est donné
par la figure 1.20.

Schéma - bloc du système perturbé pour l’analyse de la robustesse

en performance

38
Théorème 1.09 :

Sous les hypothèses ci-dessous :

- la matrice de transfert nominale du système en boucle fermée à tous ses pôles à partie
réelle négative;
- la matrice des erreurs de modèle ne possède pas des pôles à partie réelle négative; le
système de la Figure 1.20 est stable pour toute matrice ∆𝑟𝑝 (𝑠) ∈ ∆(𝑠) telle que
‖∆𝑟𝑝 ‖∞ ≤ 1 , si et seulement si :

∀𝜔𝜖ℛ
𝜇∆ (𝑀(𝑗𝜔) < 1

Remarque 1.02:

Ce théorème a permis d’établir l’équivalence entre la robustesse en performance et un

problème de stabilité robuste fictive en augmentant la structure de la matrice d’incertitude ∆𝑟𝑝 .
On analyse non seulement la robustesse en stabilité du système bouclé, mais aussi en
performance nominale.

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.

1.16.1 Factorisation copremière à droite

Théorème 1.10 :

Soient les matrices de transfert 𝑁𝑑 ∈ ℝH∞ et 𝑀𝑑 ∈ ℝH∞ .

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.

- 𝑀𝑑 est inversible (dét 𝑀𝑑 ≠0)

- 𝐺 = 𝑁𝑑 𝑀𝑑 −1
- Il existe des matrices U ∈ ℝH∞ et V ∈ ℝH∞
telles que : 𝑉𝑀𝑑 + 𝑈𝑁𝑑 = I

La factorisation copremière à droite est dite normalisée si et seulemet si :

𝑁𝑑 ∗ 𝑁𝑑 + 𝑀𝑑 ∗ 𝑀𝑑 = 𝐼

1.16.2 Factorisation copremière à gauche :

Théorème 1.11 :

Les matrices de transfert 𝑀𝑔 ∈ ℝH∞ et 𝑁𝑔 ∈ ℝH∞ constituent une factorisation copremière à

gauche de 𝐺(𝑠), qui s’écrit sous la forme monographique{𝑁𝑔 , 𝑀𝑔 }, si et seulement si :
- 𝑀𝑔 est inversible (dét 𝑀𝑑 ≠0)
- 𝐺 = 𝑀𝑔 −1 𝑁𝑔
- Il existe des matrices U ∈ ℝH∞ et V ∈ ℝH∞
telles que : 𝑀𝑔 𝑉 + 𝑁𝑔 𝑈 = I
La factorisation copremière à gauche est normalisée si et seulement si :
𝑁𝑔 𝑁𝑔∗ + 𝑀𝑔 𝑀𝑔∗ = 𝐼
Propriété 1.01 :
𝑋
Pour une matrice complexe 𝑍 = [ ] où 𝑍 ∗ 𝑍 = 𝐼 on a :
𝑌
𝜎̅ 2 (𝑌) = 1 − 𝜎 2 (𝑋)
Démonstration :

En effet,
𝑋 𝑋∗
𝑍∗𝑍 = [ ] [ ] = 𝑋 ∗𝑋 + 𝑌∗𝑌 = 𝐼
𝑌 𝑌
Par conséquent :
𝑌 ∗ 𝑌 = 𝐼 − 𝑋 ∗ 𝑋 ⟹ 𝜆(𝑌 ∗ 𝑌) = 𝜆(𝐼 − 𝑋 ∗ 𝑋)

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 :

Soient une fonction rationnelle à variable complexe 𝑔(𝑧) et un contour fermé 𝒞.

arg 𝑔(𝒞) = 2𝜋(𝑍 − 𝜂)

où 𝜂 et 𝑍 désignent respectivement les nombres de pôles et de zéros de 𝑔 à l’intérieur de 𝒞.

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 )

Avec : 𝑧𝑗 : zéros de 𝑔 et 𝑝𝑗 : pôles de 𝑔

41
Alors :

∏𝑚
𝑗=1(𝑧 − 𝑧𝑗 )
arg 𝑔(𝑧) = arg [𝐾 𝑛 ]
∏𝑖=1(𝑧 − 𝑝𝑖 )

Soit,

𝑚 𝑛

arg 𝑔(𝑧) = ∑ arg(𝑧 − 𝑧𝑗 ) − ∑ arg(𝑧 − 𝑝𝑖 )

𝑗=1 𝑖=1

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:

Le nombre d’encerclement 𝑤𝑛𝑜𝑔(𝑠)est défini comme le nombre d’encerclement de l’origine

par le diagramme de Nyquist de la fonction 𝑔(𝑠).
wno𝑔(𝑠) = 𝑍(𝑔) − 𝜂(𝑔)
Où :
- 𝜂(𝑔) : nombre de pôles de 𝑔 dans le demi-plan droite
- 𝑍(𝑔) : nombre de zéros de 𝑔 dans le demi-plan droite
Et
wno𝑑𝑒𝑡 𝐺(𝑠) = 𝑍(𝐺) − 𝜂(𝐺)
Pour un système défini par une matrice de transfert.

Propriété 1.02 :

Pour deux fonctions 𝑔et ℎ, on a :

wno(𝑔ℎ) = wno(𝑔) + wno(ℎ)

Démonstration :


Comme
wno(𝑔ℎ) = arg 𝑔ℎ(𝒞)

wno(𝑔ℎ) = arg 𝑔(𝒞) + arg ℎ(𝒞)

alors
wno(𝑔ℎ) = wno(𝑔) + wno(ℎ)


43
 Critère de stabilité utilisant la factorisation copremière

On détermine dans ce paragraphe les critères de stabilités en utilisant la factorisation copremière

et le principe de l’argument.

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

Il découle de ces expressions que :

∗
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∗ .

On a aussi par conséquent :

∗
𝐺∗ 𝐺∗
[ 𝑑 ] [ 𝑑 ] = 𝐺𝑔∗ 𝐺𝑔 + 𝐺𝑑 𝐺𝑑∗ = 𝐼
𝐺𝑔 𝐺𝑔

Proposition 1.01 :

Les relations ci-contre sont équivalentes :

- [𝐺, 𝐾] Stable
−1
- (𝐾𝑔 𝐺𝑑 ) ∈ H∞
- 𝑑𝑒𝑡(𝐾𝑔 𝐺𝑑 ) ≠ 0 et wno𝑑𝑒𝑡(𝐾𝑔 𝐺𝑑 ) = 0

Démonstration :

La fonction de transfert du système bouclé peut être exprimée comme :

−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

et on obtient ainsi l’expression ci-contre.

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 :

On note que 𝜎𝑖 = √𝜆𝑖 (𝐴𝐴∗ ) = √𝜆𝑖 (𝐴∗ 𝐴)

alors,
𝐺 −1
‖[ ] (𝐼 + 𝐾𝐺)−1 [𝐾 𝐼 ]‖ = sup 𝜎(𝐺𝑑 (𝐾𝑔 𝐺𝑑 ) 𝐾𝑔 )
𝐼 ∞
−1
= sup 𝜎 ((𝐾𝑔 𝐺𝑑 ) )

Car

𝐺𝑑∗ 𝐺𝑑 = 𝐼et 𝐾𝑑∗ 𝐾𝑑 = 𝐼.

Proposition 1.02 :

Si 𝐹 ∈ ℝH∞ et ‖𝐹‖∞ < 1 alors wno𝑑𝑒𝑡(𝐼 + 𝐹) = 0

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:

𝜎(𝐴 + 𝐵) ≥ 𝜎(𝐴) − 𝜎(𝐵)et 𝜎(𝐴 + 𝐵) ≤ 𝜎(𝐴 + 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.

Configuration général d’un contrôleur floue

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 :

sup|𝑓(𝑥) − 𝑔(𝑥)| < 𝜖

𝑥∈𝑈

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

Nombre des ensembles flous

Considérons un ensemble classique 𝐴. Et soit 𝑥𝐴 une fonction permettant de déterminer

l’appartenance d’un élément 𝑥 à 𝐴. La fonction 𝑥𝐴 et une fonction caractéristique et définit
comme suit :
𝑥𝐴 : 𝑋 ⟼ [0; 1]

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]

Forme des fonctions d'appartenance

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).

𝑁𝑜𝑦(𝐴) = {𝑥𝜖𝑋, 𝜇𝐴 (𝑥) = 1}

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).

𝑆𝑢𝑝𝑝(𝐴) = {𝑥𝜖𝑋, 𝜇𝐴 (𝑥) > 0}

Définition 2.03 :

La hauteur est la valeur maximale atteinte sur le support de 𝐴. On le note par ℎ(𝐴).

ℎ(𝐴) = sup 𝜇𝐴 (𝑥)

𝑥𝜖𝑋

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 :

L’α-coupe est un sous-ensemble flou se référant à des sous-ensembles ordinaires. La réalisation

d’une approximation d’un sous-ensemble consiste à fixer un seuil inférieur sur les degrés
d’appartenance. Soit un sous-ensemble ordinaire 𝐴𝛼 de 𝑋 associé à 𝐴 pour le seuil 𝛼, ce sous-
ensemble est l’ensemble des éléments qui appartiennent à 𝐴 avec un degré au moins égal à 𝛼.
On dit alors que 𝐴𝛼 est l’ α-coupe de 𝐴.

𝐴𝛼 = {∀𝑥𝜖𝑋, 𝜇𝐴 (𝑥) ≥ 𝛼}

Où :

- 𝐴𝛼 est un sous ensemble ordinaire de fonction caractéristique :

1 𝑠𝑖 𝜇𝐴 (𝑥) ≥ 𝛼
𝑥 𝐴𝛼 = {
0 𝑠𝑖𝑛𝑜𝑛

Le théorème ci-dessous, appeler aussi théorème de décomposition, permet de décrire un sous

ensemble flou quelconque à partir de ses α-coupe.

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 :

En effet l’équation (2.10) montre que la valeur de 𝑥 𝐴𝛼 dépende entièrement du seuil 𝛼 et de la

fonction d’appartenance 𝜇𝐴 (𝑥). Comme 𝛼𝜖[0,1], l’équation (2.11) est justifiée. ♦

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

En y appliquant l’équation (2.11), on peut écrire que :

sup 𝛼. 𝑥 𝐴𝛼 (𝑥) = sup 𝛼. 𝑥 𝐵𝛼 (𝑥)

𝛼𝜖[0,1] 𝛼𝜖[0,1]

D’où :
𝜇𝐴 (𝑥) = 𝜇𝐵 (𝑥)

Inclusion

L’intersection de 𝐴 dans 𝐵 est définit si tout éléments 𝑥 de 𝑋 appartient toujours moins à 𝐴

qu’à 𝐵.
Son interprétation mathématique est donnée par l’expression (2.17).

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 :

∀𝑥𝜖𝑋, 𝑥𝜖𝐴 ⟹ 𝑥𝜖𝐵

En y appliquant le théorème de décomposition, on peut dire que :

sup 𝛼. 𝑥 𝐴𝛼 (𝑥) ≤ sup 𝛼. 𝑥 𝐵𝛼 (𝑥)

𝛼𝜖[0,1] 𝛼𝜖[0,1]

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).

𝜇𝐴∪𝐵 (𝑥) = max( 𝜇𝐴 (𝑥), 𝜇𝐵 (𝑥))

Démonstration :

En pratique,

∀𝑥𝜖𝐴 ∪ 𝐵 ⟺ 𝑥𝜖𝐴 𝑜𝑢 𝑥𝜖𝐵

55
Comme l’équation (2.11) peut être interprétée suivant l’équation (2.24).

sup 𝛼. 𝑥 𝐴∪𝐵𝛼 (𝑥) = sup 𝛼. 𝑥 𝐴𝛼 (𝑥) 𝑜𝑢 sup 𝛼. 𝑥 𝐵𝛼 (𝑥)

𝛼𝜖[0,1] 𝛼𝜖[0,1] 𝛼𝜖[0,1]

Alors on peut écrire que :

sup 𝛼. 𝑥 𝐴∪𝐵𝛼 (𝑥) = 𝑚𝑎𝑥 ( sup 𝛼. 𝑥 𝐴𝛼 (𝑥) , sup 𝛼. 𝑥 𝐵𝛼 (𝑥))

𝛼𝜖[0,1] 𝛼𝜖[0,1] 𝛼𝜖[0,1]

D’où l’équation (2.22). ♦

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,

∀𝑥𝜖𝐴 ∩ 𝐵 ⟺ 𝑥𝜖𝐴 𝑒𝑡 𝑥𝜖𝐵

En utilisant l’équation (2.11), on a :

sup 𝛼. 𝑥 𝐴∩𝐵𝛼 (𝑥) = sup 𝛼. 𝑥 𝐴𝛼 (𝑥) 𝑒𝑡 sup 𝛼. 𝑥 𝐵𝛼 (𝑥)

𝛼𝜖[0,1] 𝛼𝜖[0,1] 𝛼𝜖[0,1]

Ainsi on peut écrire que :

sup 𝛼. 𝑥 𝐴∩𝐵𝛼 (𝑥) = 𝑚𝑖𝑛 ( sup 𝛼. 𝑥 𝐴𝛼 (𝑥) , sup 𝛼. 𝑥 𝐵𝛼 (𝑥))

𝛼𝜖[0,1] 𝛼𝜖[0,1] 𝛼𝜖[0,1]

D’où l’équation (2.26). ♦

56
 Complément

Le complément du sous-ensemble flou noté 𝐴̅ est défini à partir de la fonction d’appartenance

de 𝐴 par :
∀𝑥𝜖𝑋, 𝜇𝐴̅ (𝑥) = 1 − 𝜇𝐴 (𝑥)

Démonstration :

Par définition mathématique complément du sous-ensemble flou noté 𝐴̅ se traduit comme suit :

∀𝑥𝜖𝑋, 𝑥𝜖𝐴̅ ⟺ 𝑥 ∉ 𝐴̅ et 𝑥𝜖X

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.

Ainsi on déduit que :

sup 𝛼. 𝑥 𝐴̅𝛼 (𝑥) = 1 − sup 𝛼. 𝑥 𝐴𝛼 (𝑥)

𝛼𝜖[0,1] 𝛼𝜖[0,1]

D’où l’équation (2.30) ♦

Produit cartésien

Dans le cas où la situation nécessite plusieurs ensembles de référence 𝑋1 … 𝑋𝑟 , on est amené à

considérer un univers global 𝑋 composé des différents ensembles de référence notamment le
produit cartésien 𝑋 = 𝑋1 × … × 𝑋𝑟 .

Les éléments du produit cartésien sont les 𝑟-uplets (𝑥1 , … 𝑥𝑟 ) avec 𝑥1 ∈ 𝑋1 … 𝑥𝑟 ∈ 𝑋𝑟 .

Le produit cartésien de 𝑟 sous-ensembles flous 𝐴1 … 𝐴𝑟 , est alors donné par l’équation (2.33).

∀𝑥 = (𝑥1 , … 𝑥𝑟 ), 𝜇𝐴 (𝑥) = min( 𝜇𝐴 (𝑥1 ) … 𝜇𝐴 (𝑥𝑟 ))

57
Démonstration :

En effet, la définition mathématique du produit cartésien se traduit comme suit :

∀𝑥 = (𝑥1 , … 𝑥𝑟 )𝜖 𝑋 = 𝑋1 × … × 𝑋𝑟 , 𝑥1 ∈ 𝑋1 … et 𝑥𝑟 ∈ 𝑋𝑟

L’application du théorème de décomposition nous permet d’écrire l’expression donnée par

l’équation (2.35).

∀𝑥 = (𝑥1 , … 𝑥𝑟 )𝜖 𝑋 = 𝑋1 × … × 𝑋𝑟 ,

sup 𝛼. 𝑥 A𝛼 (𝑥) = sup 𝛼. 𝑥 A𝛼 ( 𝑥1 ) … et sup 𝛼. 𝑥 A𝛼 ( 𝑥𝑟 )

𝛼𝜖[0,1] 𝛼𝜖[0,1] 𝛼𝜖[0,1]

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]

D’où la relation (2.33) ♦

Projection

La projection d’un sous-ensemble flou 𝐴 sur le produit cartésien 𝑌 = 𝑋𝑎 × … × 𝑋𝑘 noté 𝐴 ↓

𝑌 a pour fonction d’appartenance :

∀𝑦 = (𝑥1 , … 𝑥𝑟 ) ∈ 𝑌, 𝜇𝐴↓𝑌 (𝑦) = max ((… 𝑥𝑖 … ))

|𝑖| ≤𝑖≤𝑟,𝑖≠𝑎,…,𝑖≠𝑘

Avec : {𝑎, … 𝑘} ⊂ {1, … 𝑟}

2.2.3 Règles floues

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

Propositions floues élémentaires

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.

Elle est définie comme suit :

𝜇𝐴 ∶ 𝑋𝑉 ↦ [0,1]

Propositions floues générales

La composition de plusieurs propositions floues élémentaires peut aboutir à une proposition

plus complexe. Considérons deux variables linguistiques(𝑉, 𝑋𝑉 , 𝑇𝑉 ) et(𝑊, 𝑋𝑊 , 𝑇𝑊 ) associées
aux propositions floues élémentaires 𝑝𝐴 =« 𝑉est 𝐴 » et 𝑝𝐵 = « 𝑊est 𝐵 ».

- La négation de proposition floue :

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 »

𝜇𝐴̅ = 𝑛(𝜇𝐴 ) ∶ 𝑋𝑉 ↦ [0,1]

𝑛: [0,1] ↦ [0,1]

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 :

Soient deux propositions floues 𝑝𝐴 =« 𝑉est 𝐴 » et 𝑝𝐵 = « 𝑊est 𝐵 », ayant respectivement les

degrés de vérité suivantes 𝜇𝐴 et 𝜇𝐵 . La conjonction de ces deux propositions est définie comme
suit :

𝑝𝐴 𝑒𝑡 𝑝𝐵 ⇔ min(𝜇𝐴 (𝑥), 𝜇𝐵 (𝑥))

- La disjonction de propositions floues :

Considérons les mêmes propositions décrites ci-dessus. On a :

𝑝𝐴 𝑜𝑢 𝑝𝐵 ⇔ max(𝜇𝐴 (𝑥), 𝜇𝐵 (𝑥))

- L’implication de propositions floues :

En utilisant les mêmes propositions, l’implication se traduit comme suit :

𝑝𝐴 ⇒ 𝑝𝐵 ⇔ 𝑓𝐼 : 𝑋𝑉 × 𝑋𝑊 ↦ [0,1]

𝑓𝐼 (𝑥, 𝑦) = max(1 − 𝜇𝐴 (𝑥), 𝜇𝐵 (𝑦)) max[1 − 𝜇𝐴 (𝑥), min(𝜇𝐴 (𝑥), 𝜇𝐵 (𝑦))]

Règles floues

La logique floue permet d’effectuer le traitement souple de connaissances imprécises ou

incertaines, ce qui serait impossible avec la logique classique. On peut considérer la logique
floue comme étant une extension de la logique classique.

Dans le domaine du raisonnement, l’implication entre deux propositions définit une règle floue.

𝑝𝐴 ⇒ 𝑝𝐵 ⇔ « 𝑉est 𝐴 » ⇒ « 𝑊est 𝐵 »

La règle floue s’exprime suivant l’équation (2.45)

𝑆𝑖« 𝑉est 𝐴 » 𝑎𝑙𝑜𝑟𝑠 « 𝑊est 𝐵 »

Dans notre cas on désigne :

- « 𝑉est 𝐴 » comme étant la permise

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.

Méthode du centre de gravité

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 )

Il existe plusieurs méthodes issues de ce dernier :

- Le maximum : pour le cas où 𝑚𝑎𝑥(𝑌) est réduit à un élément

max(𝑌) = { 𝑦0 }

- Le maximum moyen :

[∑𝑦𝑗∈max(𝑌) 𝑦𝑗 ]
𝑦0 =
|max(𝑌)|

- Le milieu des maximas :

(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 )]

- La méthode des aires :

[∑𝑖 𝑦𝑖 𝑆(𝐵′𝑖 )]
𝑦0 =
[∑𝑖 𝑆(𝐵′𝑖 )]

Méthode de Larsen et de Mandani

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 :

𝑇: [0,1] × [0,1] ⟶ [0,1]

Tels que :

𝑎 ≤ 𝑐 𝑒𝑡 𝑏 ≤ 𝑑 ⟹ 𝑇(𝑎, 𝑏) ≤ 𝑇(𝑐, 𝑑)

𝑇(0,0) = 0

𝑇(𝑎, 1) = 𝑎

On dit qu’une t-norme est diagonale si et seulement si :

∀𝑥 ≤ 1, 𝑇(𝑥, 𝑥) ≤ 𝑥

Ainsi, il existe plusieurs types de t-normes.

Les t-normes les plus utilisées sont donnés par les équation (2.58), (2.59), (2.60), (2.61), (2.62)
et (2.6).

- Produit drastique de Weber

𝑇0 (𝑎, 𝑏) = {𝑚𝑖𝑛(𝑎, 𝑏) 𝑠𝑖 𝑚𝑎𝑥(𝑎, 𝑏) = 1

0 𝑠𝑖𝑛𝑜𝑛

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)

Ainsi, la méthode de Mandani utilise la t-norme de ZADEH, qui conduit au résultat

intermédiaire suivant :

∀𝑦 ∈ 𝑌, 𝑓𝐵′ 𝑖 (𝑦) = min[min(𝑓11 (𝑥1 ), 𝑓12 (𝑥2 )) , 𝑓1 (𝑦)]

Tant disque la méthode de Larsen utilise la t-norme probabiliste :

∀𝑦 ∈ 𝑌, 𝑓𝐵′ 𝑖 (𝑦) = min[min(𝑓11 (𝑥1 ). 𝑓12 (𝑥2 )) . 𝑓1 (𝑦)]

Méthode par Interpolation

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 .

Ainsi, on l’utilise assez rarement.

On utilise les observations suivantes :

𝛼1 = min(𝑓11 (𝑥1 ), 𝑓12 (𝑥2 ))

𝛼2 = min(𝑓21 (𝑥1 ), 𝑓22 (𝑥2 ))

Sa représentation graphique est illustrée sur la figure 2.04.

63
 Représentation graphique de la méthode de Mandani

Méthode de Takagi et Sugeno

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 :

|𝑥 𝑒𝑠𝑡 𝐴 𝑒𝑡 𝑦 𝑒𝑠𝑡 𝐵 | = 𝐴(𝑥) ∧ 𝐵(𝑦)

Pour cette méthode la règle 𝑅 s’écrit comme suit :

𝑆𝑖 𝑥1 𝑒𝑠𝑡 𝐴1 𝑒𝑡 … 𝑒𝑡 𝑥𝑘 𝑒𝑠𝑡 𝐴𝑘 𝑎𝑙𝑜𝑟𝑠 𝑦 = 𝑝0 + 𝑝1 𝑥1 + ⋯ + 𝑝𝑘 𝑥𝑘

Où :
- 𝑥1 , … , 𝑥𝑘 : variables d’entrées des implications
- 𝐴1 , … , 𝐴𝑘 : fonctions d'appartenance des ensembles flous
- 𝑝0 , … , 𝑝𝑘 : paramètres des conséquences

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.

𝑅1 𝑆𝑖 𝑥1 𝑒𝑠𝑡 𝐴11 𝑒𝑡 … 𝑒𝑡 𝑥𝑘 𝑒𝑠𝑡 𝐴1𝑘 𝑎𝑙𝑜𝑟𝑠 𝑦 = 𝑝01 + 𝑝11 𝑥1 + ⋯ + 𝑝𝑘1 𝑥𝑘

.
.
.
𝑅 𝑛 𝑆𝑖 𝑥1 𝑒𝑠𝑡 𝐴1𝑛 𝑒𝑡 … 𝑒𝑡 𝑥𝑘 𝑒𝑠𝑡 𝐴𝑛𝑘 𝑎𝑙𝑜𝑟𝑠 𝑦 = 𝑝0𝑛 + 𝑝1𝑛 𝑥1 + ⋯ + 𝑝𝑘𝑛 𝑥𝑘

- La sortie 𝑦 est obtenue par l’équation (2.72)

∑𝑛𝑖=1(𝐴11 (𝑥1 ) ∧ … ∧ 𝐴1𝑛 (𝑥𝑛 )). (𝑝01 + 𝑝11 𝑥1 + ⋯ + 𝑝𝑘1 𝑥𝑘 )

𝑦=
∑𝑛𝑖=1(𝐴11 (𝑥1 ) ∧ … ∧ 𝐴1𝑛 (𝑥1 ))

- 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.

2.3.1 Modèle de neurone

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

Sous forme matricielle elle peut être écrite comme suit :

𝑛 = 𝑤𝑇𝑝 − 𝑏

Où :
- 𝑏 : biais du neurone ou seuil d’activation
- 𝑛 : niveau d’activation du neurone
- 𝑤 : poids du neurone

Dans le cas où le niveau d’activation 𝑛 atteint ou dépasse le seuil 𝑏, alors l’argument de

𝑓 devient positif (ou nul). Dans le cas contraire, il est négatif.

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

Représentation matriciel du modèle d’un neurone artificiel

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 ».

Représentation des fonctions de transfert

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.

La fonction seuil est non-linéaire due à une discontinuité lorsque 𝑤 𝑇 𝑝 = 𝑏.

68
 Tableau 2.01: Tableau des fonctions de transfert

Nom de la fonction Relation entrée/sortie

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.

2.3.3 Architecture des réseaux

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.

𝑤1,1 𝑤1,2 ⋯ 𝑤1,𝑅

𝑤2,1 𝑤2,2 ⋯ 𝑤2,𝑅
𝑊=[ ⋮ ⋮ ⋱ ⋮ ]
𝑤𝑆,1 𝑤𝑆,2 ⋯ 𝑤𝑆,𝑅

Où :

- 𝑅 : nombre d’entrées de la couche de neurone

- 𝑆 : nombre de sortie de la couche neurone (nombre de neurones)
- 𝑤𝑖𝑗 : poids de la connexion reliant le neurone 𝑖 à son entrée 𝑗

Généralement on est confronté à un système où 𝑆 ≠ 𝑅. Dans la figure 2.09, on retrouve les

mêmes vecteurs que dans la figure 2.08 la seule différence se situe au niveau de leur taille soient
du nombre de rangées (𝑆), de 𝑏, 𝑛, 𝑎 et 𝑊.

La construction d’un réseau consiste alors à combiner des couches.

Considérons le réseau de neurones illustré par la figure (2.09).

Cet exemple comporte trois couches de neurones doté respectivement de 𝑆 1 , 𝑆 2 𝑒𝑡 𝑆 3 neurones

et de 𝑅 entrées. Généralement 𝑆 1 ≠ 𝑆 2 ≠ 𝑆 3 . Notons que chaque couche possède sa propre
matrice de poids 𝑾𝒌 , où 𝑘 désigne l’indice de la couche. De plus, on remarque dans cet exemple
que les couches qui suivent la première ont comme entrée la sortie de la couche précédente.

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

Représentation d’un réseau 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

2.4.1 Réseau de neurones hybride

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

L'information d'entrée 𝑝𝑖 est agrégée, par addition, pour produire l'entrée.

𝑛𝑒𝑡 = 𝑝1 + 𝑝2 = 𝑤1 𝑥1 + 𝑤2 𝑥2

Pour le cas où les neurones utilisent la fonction de transfert sigmoïde, on a :

𝑓(𝑥) = (1 + 𝑒 −𝑥 )−1

𝑦 = 𝑓(𝑛𝑒𝑡) = 𝑓(𝑤1 𝑥1 + 𝑤2 𝑥2 )

Ce réseau de neurones simple, utilisant la multiplication, l'addition et le signal sigmoïde, sera

appelé réseau de neurone régulier (ou standard).

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 }

Le neurone flou 𝐴𝑁𝐷

Considérons les signaux 𝑥𝑖 et 𝑤𝑖 combinés une norme triangulaire 𝑇.

𝑝𝑖 = 𝑇( 𝑤𝑖 , 𝑥𝑖 )

Avec : 𝑖 = 1,2

Si l'information d'entrée 𝑝𝑖 est agrégée par une conorme triangulaire 𝑆, la sortie du

neurone produit s’exprime comme suit:

𝑦 = 𝑂𝑅(𝑝1 , 𝑝2 ) = 𝑆(𝑝1 , 𝑝2 ) = S(𝑇( 𝑤1 , 𝑥1 ), T( 𝑤2 , 𝑥2 ))

Donc, si 𝑇 = 𝑚𝑖𝑛 et 𝑆 = 𝑚𝑎𝑥, alors le neurone 𝑂𝑅 réalise la composition des extrémums.

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 )]

Considérons les signaux 𝑥𝑖 et 𝑤𝑖 combinés un opérateur d’implication flou 𝐼.

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 )

Le neurone flou d’implication 𝑂𝑅

L’interaction entre le signal 𝑥𝑖 avec le poids 𝑤𝑖 se traduit par l’équation (2.95)

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 )

L'état du neurone sera calculé par l’équation :

𝑠 = 𝑓(𝑧 − 𝜃)

Où :
- 𝑓 : fonction d'activation
- 𝜃 : seuil d'activation

Et les 𝑚 sorties du neurone seront calculées par :

𝑦𝑗 = 𝑔𝑗 (𝑠)

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.

Quand le signal 𝑥𝑖 interagit avec le poids 𝑤𝑖 et a pour expression :

𝑝𝑖 = 𝑤𝑖 , 𝑥𝑖

Avec : 𝑖 = 1, … , 𝑛

Le neurone flou de Kwan et Cai’s

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 }

Alors la sortie j-ème du neurone est calculée par :

𝑦𝑗 = 𝑔𝑗 (𝑓(𝑧 − 𝜃)) = 𝑔𝑗 (𝑓(𝑚𝑎𝑥{ 𝑤1 . 𝑥1 , 𝑤2 . 𝑥2 } − 𝜃))

Le neurone flou maximum de Kwan et Cai’s

Quand le signal 𝑥𝑖 interagit avec le poids 𝑤𝑖 et a pour expression :

𝑝𝑖 = 𝑤𝑖 , 𝑥𝑖

Pour 𝑖 = 1, … , 𝑛

Le neurone flou minimum de Kwan et Cai’s

Si l'information d'entrée 𝑝𝑖 est agrégée par une conorme maximum :

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.

Ainsi le signal 𝑋𝑖 interagit avec le poids 𝑊𝑖 et s’exprime comme suit :

𝑃𝑖 = 𝑊𝑖 . 𝑋𝑖

Réseau neuro-flou régulier

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 :

En effet, si 𝑋1 ⊂ 𝑋1 ′et 𝑋2 ⊂ 𝑋2 ′ cela signifie que :

∀𝑥1 , 𝑥1′ , 𝑥2 , 𝑥2′ 𝜖𝑋, 𝑥1 𝜖𝑋1 ⇒ 𝑥1 𝜖𝑋1′ 𝑒𝑡𝑥2 𝜖𝑋2 ⇒ 𝑥2 𝜖𝑋2′

On sait aussi que :

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
′

De plus comme 𝑊1 , 𝑊2 , 𝑋1 , 𝑋2 , 𝑋1 ′, 𝑋2 ′sont des ensembles flou alors:

𝑊1 , 𝑊2 , 𝑋1 , 𝑋2 , 𝑋1 ′, 𝑋2 ′ ⊂ [0,1]

D’où l’équation (2.105) ♦

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.

Réseau neuro-flou hybride composé à une règle d'inférence

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 :

Montrons maintenant comment construire la règle de correspondance dans le système expert

flou. Soit l'ensemble flou 𝐴 décrit par l’équation (2.111).

𝑣 𝑝𝑜𝑢𝑟 𝑗 = 1, … , 𝑛
𝐴(𝑗) = { 𝑗
0 𝑠𝑖𝑛𝑜𝑛

Illustration du domaine de définition de l'ensemble flou 𝐴

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

Illustration du domaine de définition de l'ensemble flou 𝐶

Alors la règle obtenue de la paire (𝑣, 𝑜) s’exprime comme suit :

ℜ(𝑣): 𝑆𝑖 𝑥 𝑒𝑠𝑡 𝐴, 𝑎𝑙𝑜𝑟𝑠 𝑧 𝑒𝑠𝑡 𝐶,

♦
C'est, dans la construction de la règle, qu’on identifie 𝑣 en fonction de 𝐴 et 𝐶.
Étant donné 𝜖 > 0, il existe un système expert flou pour que :

∀𝑢 ∈ [0,1]𝑛 , ‖𝐹(𝑢) − 𝐺(𝑢)‖ ≤ 𝜖

2.4.2 Types de combinaison entre le réseau de neurones et la logique floue

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.

Utilisation de réseau de neurones pour la commande floue

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.

Illustré sur la figure 2.22, ce système se traduit comme suit :

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.

Incorporation du réseau de neurones dans le système de commande flou

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.

Montage d’un réseau de neurones et d’un système flou

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.

Montage en série d’un réseau de neurones et de la commande floue.

- 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.

Processus d’apprentissage d’un réseau de neurones

Un réseau de neurones est caractérisé par sa capacité d’apprendre de son environnement,

d’améliorer sa performance à travers un processus d’apprentissage. Par définition,
l’apprentissage est un processus dynamique et itératif permettant de modifier les paramètres
d’un réseau en réaction avec les stimuli qu’il reçoit de son environnement. [2.01] Cela entraine
donc qu’un réseau se doit d’être stimulé par un environnement. Les changements en réaction
avec cette stimulation provoquent une réponse novelle vis-à-vis de l’environnement. On pourra
dire alors que le système peut s’améliorer avec le temps.

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.

2.5.1 Apprentissage par correction d’erreur

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 :

𝑒𝑖 (𝑡) = 𝑑𝑖 (𝑡) − 𝑎(𝑡)

Où :
- 𝑎(𝑡) : sortie obtenue pour le neurone 𝑖 au temps 𝑡
- 𝑑𝑖 (𝑡) : sortie que l’on désir obtenir pour le neurone 𝑖 au temps 𝑡
- 𝑒𝑖 (𝑡) : erreur

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 :

𝑒(𝑡) = 𝑑(𝑡) − 𝑎(𝑡)

Avec 𝑒(𝑡) = ( 𝑒1 (𝑡) 𝑒2 (𝑡) … 𝑒𝑖 (𝑡) … 𝑒𝑆 (𝑡)) : le vecteur des erreurs observées sur les 𝑆
neurones de sortie du réseau.

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.

𝐹(𝑒(𝑡)) = ∑ 𝑒𝑖2 (𝑡) = 𝑒(𝑡)𝑇 𝑒(𝑡)

𝑖=1

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 :

𝑤(𝑡 + 1) = 𝑤𝑖𝑗 (𝑡) + 𝜂𝑥(𝑡)

Où :

- 𝜂 : constante positive déterminant l’amplitude du pas (ou la vitesse d’apprentissage)

- 𝑥(𝑡) : direction dans laquelle nous allons chercher le minimum

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).

𝐹(𝑡 + 1) = 𝐹(𝑡) + ∇𝐹(𝑡)𝑇 ∆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 :

∇𝐹(𝑡)𝑇 ∆𝑤(𝑡) = 𝜂∇𝐹(𝑡)𝑇 𝑥(𝑡) < 0

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)

D’où la règle de la descente du gradient.

∆𝑤(𝑡) = −𝜂∇𝐹(𝑡)

Cette règle est utilisée pour beaucoup de réseaux de neurones artificiels.

86
 Illustration de la trajectoire de la descente du gradient

2.5.2 Apprentissage par la règle de Hebb

Selon le neurophysiologiste Donald Hebb : « Lorsqu'un axone de la cellule 𝐴 est suffisamment

proche pour exciter une cellule 𝐵 et participe de manière répétée ou persistante à son
déclenchement, des processus de croissance ou des changements métaboliques ont lieu dans
une ou les deux cellules, de telle sorte que l'efficacité de 𝐴 en tant que cellule activant 𝐵, est
augmenté. » [2.01].

Dans le contexte neurobiologique, Hebb a élaboré une forme d’apprentissage associatif au

niveau cellulaire. La règle de Hebb peut être énoncée comme suit :
- Dans le cas où deux neurones de part et d’autre d’une synapse sont activés
simultanément, alors la force de la synapse doit être augmentée.
- Dans le cas où ces mêmes neurones sont activés d’une manière asynchrone, alors la
synapse correspondant devra être affaibli ou éliminé.

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.

De cette définition découle les propriétés suivantes :

- La dépendance temporelle : les modifications d’une synapse hebbien est en fonction du
temps exact des activités pré- et post- synaptiques.
- La dépendance spatiale : en sachant que la synapse constitue un lieu de transmission
d’information, alors l’apprentissage hebbien doit posséder une contiguïté spatiale.

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.

La règle de Hebb peut être exprimée mathématiquement sous la forme suivante :

∆𝑤𝑗 (𝑡 − 1) = 𝜂𝑝𝑗 (𝑡)𝑎(𝑡)

Avec :

- 𝑝𝑗 (𝑡) : activité pré-synaptique au temps 𝑡

- 𝑎(𝑡) : activité post-synaptique (sortie du neurone) a ce même temps 𝑡

Sous la forme vectorielle on obtient :

∆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.

∆𝑤𝑗 (𝑡 − 1) = 𝜂𝑝𝑗 (𝑡)𝑎(𝑡) − 𝛼𝑤𝑗 (𝑡 − 1)

Avec :
- 0 ≤ 𝛼 ≤ 1 : facteur d’oubli

Sous la forme vectorielle l’équation (2.126) s’écrit :

∆𝑤(𝑡 − 1) = 𝜂p(𝑡)𝑎(𝑡) − 𝛼𝑤(𝑡 − 1)

La règle de Hebb énoncée à l’équation (2.124) permet de contourner le problème de croissance

sans limite. En effet, si 𝑝𝑗 (𝑡) = 𝑎(𝑡) = 1 et que nous ayons atteint le régime le permanant
où ∆𝑤𝑗 = 0. Alors la valeur maximal pouvant être atteint par 𝑤𝑗 (𝑡)est :

𝑤𝑗 𝑚𝑎𝑥 = (1 − 𝛼)𝑤𝑗 𝑚𝑎𝑥 + 𝜂

𝛼
=
𝜂

88
Avec :

- 𝑤𝑗 𝑚𝑎𝑥 : la valeur maximal pouvant être atteint par 𝑤𝑗 (𝑡)

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.

∆𝑤𝑗 (𝑡 − 1) = 𝜂𝑝𝑗 (𝑡)𝑎(𝑡) − 𝛼𝑎(𝑡)𝑤𝑗 (𝑡 − 1)

En fixant 𝛼 = 𝜂 on obtient la règle dite « instar ».

∆𝑤𝑗 (𝑡 − 1) = 𝜂𝑎(𝑡)[𝑝𝑗 (𝑡) − 𝑤𝑗 (𝑡 − 1)]

Sous forme vectorielle, elle devient :

∆𝑤(𝑡 − 1) = 𝜂𝑎(𝑡)[p(𝑡) − 𝑤(𝑡 − 1)]

En posant 𝑎(𝑡) = 1 :

𝑤(𝑡) = 𝑤(𝑡 − 1) + 𝜂[p(𝑡) − 𝑤(𝑡 − 1)]

= (1 − 𝜂)𝑤(𝑡 − 1) + 𝜂p(𝑡)

Illustration graphique de la règle «instar»

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.

- Dans le cas où 𝜂 = 0, le nouveau vecteur de poids est égal à l’ancien.

- Dans le cas où 𝜂 = 1, le nouveau vecteur de poids est égal au 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.

2.5.3 Apprentissage compétitif

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.

L’apprentissage compétitif est composé des éléments suivants :

- Un ensemble de neurones identique, mais de valeurs de poids distinctes

- Une limite
- Un mécanisme de compétition pour le droit de répondre à un certain sous-ensemble des
stimuli d’entrée, de manière o ce qu’un neurone de sortie soit actif à la fois.

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.

𝜂(p − 𝑤) 𝑠𝑖 𝑙𝑒 𝑛𝑒𝑢𝑟𝑜𝑛𝑒 𝑒𝑠𝑡 𝑣𝑎𝑖𝑛𝑞𝑢𝑒𝑢𝑟

∆𝑤 = {
0 𝑑𝑎𝑛𝑠 𝑙𝑒 𝑐𝑎𝑠 𝑐𝑜𝑛𝑡𝑟𝑎𝑖𝑟𝑒

Avec :

- 𝜂 ∈]0; 1[ : le taux d’apprentissage

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

2.5.4 Problème de l’affectation du crédit

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.

2.5.5 Apprentissage supervisé

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 :

{(𝑝1 , 𝑑1 ), (𝑝2 , 𝑑2 ), … , (𝑝𝑄 , 𝑑𝑄 )}

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

Dans la figure ci-dessus, on constate que l’environnement est inconnu du réseau.

L’environnement produit alors un stimulus à la fois au professeur et au réseau. Grâce à cela le
professeur produit la sortie désirée par le stimulus. Cette sortie est ensuite comparée avec celle
du réseau afin de produire une signale d’erreur qui sera réinjecté dans le réseau pour modifier
son comportement par une procédure itérative. A cet effet, on peut dire alors que la
connaissance du professeur de l’environnement est transférée vers le réseau jusqu’à un certain
critère d’arrêt. Suite à cela, on pourra éliminer le professeur pour que notre système soit
autonome.

2.5.6 Apprentissage par renforcement

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.

L’apprentissage supervisée présente un signal d’erreur dont l’octroi de calculer un indice de

satisfaction ou erreur quadratique moyenne ainsi qu’évaluer le gradient local qui expose une

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 :

- l’exploitation où l’on essaie des directions aléatoires ;

- l’exploitation où l’on prend une décision.

Ces processus entrainent la lenteur de l’apprentissage.

2.5.7 Apprentissage non-supervisé

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.

Ce type d’apprentissage s’appuie généralement sur un processus compétitif permettant

d’enregistrer un modèle où les poids synaptiques des neurones représentent des prototypes de
stimuli. Le modèle résultant doit s’évaluer à l’aide d’une métrique permettant de mesurer la
distance entre les stimuli et leurs prototypes. Le processus de compétition permet alors la
sélection du prototype associé à chaque stimulus en recherchant le neurone dont le vecteur de
poids synaptique est le plus proche du stimulus en question.

2.5.8 Différentes tâches d’apprentissage

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

Considérons la fonction 𝑔 telle que :

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

Cette tâche est classée en deux types :

- l’auto-association qui consiste à mémoriser un ensemble de patron en les présentant

successivement au réseau. Ensuite, on présente au réseau une version partielle ou
déformée d’un patron original, elle permet alors à produire en sortie le patron original
correspondant.
- l’hétéro- association qui consiste à associer des paires de patrons.

Notons que l’auto-association implique un apprentissage supervisé et que l’hétéro-association

implique une approche non-supervisé.

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

La tâche de la prédiction est un problème de traitement temporel de signal. Considérons 𝑀

échantillons passés d’un signal, 𝑥(𝑡 − 1), 𝑥(𝑡 − 2), … , 𝑥(𝑡 − 𝑀), échantillonnées à intervalle
de temps fixe, la tâche consiste à prédire la valeur de 𝑥 au temps 𝑡. La résolution de ce problème
peut être menée par l’apprentissage par correction d’erreurs mais d’une manière non-supervisé.
En effet les valeurs de sortie désirée peuvent être inférées directement de la série chronologique.

𝑒(𝑡) = 𝑥(𝑡) − 𝑥̂(𝑡|𝑡 − 1, 𝑡 − 2, … , 𝑡 − 𝑀)

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

Soit un système dynamique non-linéaire suivant : {𝑢(𝑡), 𝑦(𝑡)}

{𝑢(𝑡), 𝑦(𝑡)}
Avec :

- 𝑢(𝑡) : entrée du système

- 𝑦(𝑡) : réponse du système

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.

Processus d’apprentissage des systèmes flous

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.

Représentation du modèle neuronale d’un système flou

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

2.6.1 Apprentissage par rétro-propagation d’un système flou

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 :

- 𝑦̅𝑙 : centres des conclusions floues

- ̅𝑥𝑙,𝑖 et 𝜎𝑙,𝑖 : centres et rayons des prémices floues

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).

Ce développement permet d'utiliser l'algorithme des moindres carrés orthogonaux (OLS :

Orthogonal Least Square) car le système est alors linéaire par rapport à ses paramètres
ajustables. Il est plus rapide que la rétro-propagation et ne nécessite qu'une seule itération.

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

D’où l’écriture du système flou :

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.

Apprentissage par moindres carrés orthogonaux

Développant une fonction à base floues en un modèle de régresseur linéaire du type :

𝑑(𝑡) = ∑𝑀
𝑗=1 𝑝𝑗 (𝑡) Θ𝑗 + 𝑒(𝑡)
Avec :
- 𝑑(𝑡) : sortie du système
- Θ𝑗 : paramètres réels du système flou
- 𝑝𝑗 (𝑡) : régresseurs, des fonctions fixées par rapport aux entrées 𝑥(𝑡)
- 𝑒(𝑡) : erreur entre le système réel et le système identifié

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 :

[ max (𝑥𝑖,0 (𝑗)) − min (𝑥𝑖,0 (𝑗))]

𝑗=1,2,…,𝑁 𝑗=1,2,…,𝑁
𝜎𝑖,𝑗 =
𝑀𝑆

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.

Dans la première itération, pour 1 ≤ 𝑖 ≤ 𝑁 on procède au calcul suivant : 𝜔𝑖

(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 ) (𝑀𝑆 )

𝐴 Θ =g
(𝑖 ) (𝑖𝑀 )
1 𝛼122 … 𝛼1𝑀𝑆𝑆
(𝑀𝑆 ) 0 ⋱ ⋱ ⋮
𝐴 = (𝑖𝑀 )
… ⋱ 1 𝑆
𝛼𝑀𝑆−1 𝑀𝑆
[ 0 … 0 1 ]
Avec :
(𝑀𝑆 )
- g = [𝑔1 , … , 𝑔𝑀𝑆 ]𝑇
(𝑀𝑆 )
- Θ = [Θ1 , … , Θ𝑀𝑆 ]𝑇

Finalement le développement le FBF est donné par :

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.

2.6.3 Apprentissage par Base de Règles Floues

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.

Étape 1- La division des espaces d'entrées et de sorties en régions floues

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.

Étape 2 - Création des règles floues

(𝑖) (𝑖) (𝑖)

Nous allons déterminer les valeurs d'appartenance de chaque variable d'entrées 𝑥1 , 𝑥2 , … , 𝑥𝑛
(𝑖) (𝑖) (𝑖)
et de sortie𝑦1 , 𝑦2 , … , 𝑦𝑛 dans chaque région. Ensuite on fixe 𝑥𝑖 , 𝑦𝑗 dans la région qui lui
correspond le mieux en termes de valeur d’appartenance.

Le résultat de cette étape est souvent illustré sous forme de tableau ou d’une surface que l’on
appel surface des règles floues.

Étape 3 - Détermination de la valeur d'appartenance de chaque règle.

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.

Étape 4 - La 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.

102
 Étape 5 - La création d'une cartographie basée sur la base de règle

Dans l’optique de déterminer la valeur réelle de la sortie du système floue on utilise la

défuzzification.

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.

𝜇Ο𝑖 𝑖 = 𝜇Ι𝑖1 (𝑥1 )𝜇Ι𝑖2 (𝑥2 )

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 :

- 𝑦̅𝑖 : le centre de la région Ο𝑖

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.

Système Flou Optimal

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.

Système Flou Optimal Adaptatif

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 :

- Tout d’abord, on fixe le centre du groupe 𝑥1,0 en 𝑥1 pour la première paire

d’entrée/sortie (𝑥1 , 𝑦1 ), et on fixe 𝐴1 (1) = 𝑦1 et 𝐴1 (1) = 1 tout en choisissant un rayon 𝑟.
- Ensuite, supposons que lorsque l’on choisit la 𝑘-ème paire d’entrée/sortie, nous aurions
déjà 𝑀groupe de données crées avec 𝑀centres 𝑥1,0 , 𝑥2,0 , 𝑥3,0 , … , 𝑥𝑀,0 . Il va falloir
calculer la distance de 𝑥𝑘 à tous les centres des groupes par | 𝑥𝑘 − 𝑥𝑙𝑘,0 |qui corresponds
au groupe le plus proche de 𝑥𝑘 et celui dont le centre est 𝑥𝑙𝑘 ,0. De ce fait on distingue deux
cas.

 considérons le cas où | 𝑥𝑘 − 𝑥𝑙𝑘,0 | > 𝑟, on fixe 𝑥𝑘 comme un nouveau centre

de groupe 𝑥𝑀+1,0 et on fixe 𝐴𝑀+1 (𝑘) = 𝑦𝑘 , 𝐵𝑀+1 (𝑘) = 1 et on
conserve 𝐴𝑙 (𝑘) = 𝐴𝑙 (𝑘 − 1), 𝐵𝑙 (𝑘) = 𝐵𝑙 (𝑘 − 1) pour 𝑡 = 1,2, … , 𝑀.

 dans le cas où | 𝑥𝑘 − 𝑥𝑙𝑘,0 | ≤ 𝑟, on calcul de la manière suivante :

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)

Avec : 𝑙 = 1,2, … , 𝑀et 𝑙 ≠ 𝑘.

A l’étape 𝑘 le système flou est calculé de la manière suivante :

2
|𝑧−𝑧𝑙,0 |
∑𝑁
𝑙=1 𝐴𝑙 (𝑘)exp (− )
𝜎²
𝑓𝑘 (𝑥) = 2
|𝑧−𝑧𝑙,0 |
∑𝑁
𝑙=1 𝐵𝑙 (𝑘) exp (− )
𝜎²

Dans le cas où 𝑥𝑘 crée de nouveau groupe alors 𝑀devient 𝑀 + 1.

On remarque le rayon 𝑟 est la variable permettant de régler la complexité du système flou. En
effet, plus 𝑟 est petit plus il y a de groupes et donc de règles floues. On constate aussi que
l’apprentissage ce fait autant au niveau des paramètres que sur la structure. A cet effet il est
donc possible de construire un système flou performant grâce à cet algorithme. Ce type de
système est surtout utilisé pour construire des régulateurs de systèmes non-linéaires
dynamiques.

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 d’un véhicule

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

Considérons la figure 3.01, et notons que :

- 𝑂 : point fixe dans le domaine de l’évolution du véhicule,
- 𝑃 : point fixé sur le châssis,
- [𝑂, 𝐼 , 𝐽] : repère immobile dans le plan d’évolution du véhicule,
- [𝑃, 𝑖, 𝑗] : repère fixé au châssis,
- (𝑥, 𝑦) : coordonnées de 𝑃 dans [𝑂, 𝐼 , 𝐽]
- 𝜃 : angle d’orientation du repère [𝑃, 𝑖, 𝑗] par rapport au repère [𝑂, 𝐼 , 𝐽]
- 𝜉 = (𝑥, 𝑦, 𝜃)𝑇 : vecteur de position du châssis
En effet, comme le châssis est supposé mono-corps et rigide, l’ensemble des points qui le
constituent sont fixe dans le repère [𝑃, 𝑖, 𝑗]. Ainsi, la donnée du vecteur 𝜉, décrivant
l’évolution de ce repère par rapport à [𝑂, 𝐼 , 𝐽], permet aussi de localiser tous les points du
châssis du véhicule.

Représentation des coordonnées généralisées du châssis

108
3.3.2 Coordonnée généralisées des roues d’un véhicule

Considérons les points ci-contre.

- 𝑄 : point d’attache de la roue sur le châssis défini par le couple (𝑙, 𝛼) des coordonnées

polaires de 𝑄 dans [𝑃, 𝑖, 𝑗]. Avec 𝑙 = ‖𝑃𝑄 ⃗̂

⃗⃗⃗⃗⃗ ‖ et 𝛼 = 𝑖, ⃗⃗⃗⃗⃗
𝑃𝑄
- 𝑆 : centre de la roue.

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.

3.3.3 Vitesse du point de contact d’une roue avec le sol

Comme nous l’avons mentionné précédemment, la donnée d’un vecteur de coordonnées

généralisées permet de repérer la position de chacun des points constituant le système étudié.
Dans le cas où la valeur de la dérivée de ce vecteur est également donnée, alors la vitesse en
chaque point du système sera aussi complètement définie.

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 une roue désaxée, avec :

- [𝑆, ⃗⃗𝑖𝑟 , ⃗⃗⃗⃗ ⃗⃗⃗⃗𝑟 ] : repère fixé à la roue,
𝑗𝑟, , 𝑘
- 𝑇 : point de contact avec le sol

Illustration du point de contact de la roue avec le sol

Afin d’exprimer la vitesse linéaire du point 𝑇, ⃗⃗⃗⃗

𝑉𝑇 , en fonction des coordonnées généralisées du
véhicule ainsi que leurs dérivées, nous allons recourir à la loi de composition des vitesses sur
un corps rigide.

Théorème 3.01 : loi de composition des vitesses sur un corps rigide

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

Et comme le châssis du véhicule est considéré comme un corps rigide, on a :

⃗⃗⃗⃗𝑃 + 𝜃̇⃗⃗⃗⃗
⃗⃗⃗⃗𝑄 = 𝑉
𝑉 𝑘𝑟 ∧ ⃗⃗⃗⃗⃗
𝑃𝑄

Le regroupement des équations (3.04), (3.05) et (3.06) nous permet d’écrire :

⃗⃗⃗⃗ ⃗⃗⃗⃗𝑃 + 𝜃̇⃗⃗⃗⃗

𝑉𝑇 = 𝑉 𝑃𝑆 + 𝛽̇ ⃗⃗⃗⃗
𝑘𝑟 ∧ ⃗⃗⃗⃗ 𝑘𝑟 ∧ ⃗⃗⃗⃗⃗
𝑄𝑆 − 𝑟𝜑̇ ⃗⃗𝑗𝑟

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

Dans l’optique de simplifier l’expression finale de ⃗⃗⃗⃗

𝑉𝑇 , introduisons la matrice orthogonale de
rotation de dimension 3 suivant :
cos 𝜃 sin 𝜃 0
𝑅(𝜃) = (− sin 𝜃 cos 𝜃 0)
0 0 1

Ainsi, l’équation (3.07) devient :

𝑉𝑇 = − [[cos(𝛼 + 𝛽) , sin(𝛼 + 𝛽) , 𝑑 + 𝑙𝑠𝑖𝑛𝛽]𝑅(𝜃)𝜉̇ + 𝑑𝛽̇ ] ⃗⃗𝑖𝑟

⃗⃗⃗⃗
− [[−sin(𝛼 + 𝛽) , cos(𝛼 + 𝛽) , 𝑙𝑐𝑜𝑠𝛽]𝑅(𝜃)𝜉̇ + 𝑟𝜑̇ ] ⃗⃗𝑗𝑟

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

[−sin(𝛼 + 𝛽) , cos(𝛼 + 𝛽) 𝑙𝑐𝑜𝑠𝛽]𝑅(𝜃)𝜉̇ + 𝑟𝜑̇ = 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

[−sin(𝛼 + 𝛽) , cos(𝛼 + 𝛽) , 𝑙𝑐𝑜𝑠𝛽]𝑅(𝜃)𝜉̇ + 𝑟𝜑̇ = 0

Démonstration :
♣
Il suffit de poser 𝑑 = 0 dans l’équation (3.16).
En effet, la roue directrice n’est pas caractérisée par la composante verticale du vecteur formé
par le point d’attache de la roue sur le châssis et son centre de rotation ♦

- 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

[−sin(𝛼 + 𝛽) , cos(𝛼 + 𝛽) 𝑙𝑐𝑜𝑠𝛽]𝑅(𝜃)𝜉̇ + 𝑟𝜑̇ = 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.
♦

- Pour une roue omnidirectionnelle, où le vecteur de position du châssis 𝜉 = (𝑥, 𝑦, 𝜃)𝑇 , 𝛽 et

𝜑 sont des variables et 𝑙, 𝛼, ℎ, 𝛽, 𝛾 et 𝑟 sont des constantes, on a :

[−sin(𝛼 + 𝛽 + 𝛾) , cos(𝛼 + 𝛽 + 𝛾) 𝑙𝑐𝑜𝑠(𝛽 + 𝛾)]𝑅(𝜃)𝜉̇ + 𝑟𝑐𝑜𝑠 𝛾𝜑̇ = 0

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 :

𝑉𝑇 = − [[cos(𝛼 + 𝛽 + 𝛾) , sin(𝛼 + 𝛽 + 𝛾) , 𝑑 + 𝑙𝑠𝑖𝑛(𝛽 + 𝛾)]𝑅(𝜃)𝜉̇

⃗⃗⃗⃗

+ 𝑟𝑠𝑖𝑛 𝛾𝜑̇ ] ⃗⃗⃗⃗⃗⃗

𝑖𝑜𝑚 — [[sin(𝛼 + 𝛽 + 𝛾), cos(𝛼 + 𝛽 + 𝛾) , 𝑙𝑐𝑜𝑠(𝛽

+ 𝛾)]𝑅(𝜃)𝜉̇ + 𝑟𝑐𝑜𝑠𝛾𝜑̇ ] ⃗⃗⃗⃗⃗⃗

𝑗𝑜𝑚

Avec :
- (𝑖⃗⃗⃗⃗⃗⃗ 𝑗𝑜𝑚 ) : vecteurs unitaires déduits par (𝑖⃗⃗𝑟 , ⃗⃗𝑗𝑟 ) suivant une rotation d’angle 𝛾.
𝑜𝑚 , ⃗⃗⃗⃗⃗⃗

𝑖𝑜𝑚 = cos 𝛾 ⃗⃗𝑖𝑟 + sin 𝛾 ⃗⃗𝑗𝑟

⃗⃗⃗⃗⃗⃗
𝑗𝑜𝑚 = −sin 𝛾 ⃗⃗𝑖𝑟 + cos 𝛾 ⃗⃗𝑗𝑟
⃗⃗⃗⃗⃗⃗

𝑖𝑜𝑚 est le vecteur unitaire portant la direction d’évolution libre et ⃗⃗⃗⃗⃗⃗

Comme ⃗⃗⃗⃗⃗⃗ 𝑗𝑜𝑚 le vecteur unitaire
perpendiculaire à cette direction, dans le cas où la roue est considérée est réellement fixe alors

les composante de ⃗⃗⃗⃗

𝑉𝑇 sont nulles. Mais comme nous avons supposé que la roue cette roue fixe

𝑖𝑜𝑚 alors la composante de ⃗⃗⃗⃗

peut se déplacer selon la direction de ⃗⃗⃗⃗⃗⃗ 𝑗𝑜𝑚 est nulle. D’où
𝑉𝑇 suivant ⃗⃗⃗⃗⃗⃗
l’équation (3.18). ♦

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 )

Dans le cas général, ont à une équation du type suivant :

𝐴(𝑞)𝑞̇ = 0

Démonstration :

Reprenons l’équation (3.15) à (3.18), on a :

[−sin(𝛼 + 𝛽) , cos(𝛼 + 𝛽) 𝑙𝑐𝑜𝑠𝛽]𝑅(𝜃)𝜉̇ + 𝑟𝜑̇ = 0
[−sin(𝛼 + 𝛽) , cos(𝛼 + 𝛽) 𝑙𝑐𝑜𝑠𝛽]𝑅(𝜃)𝜉̇ + 𝑟𝜑̇ = 0
[−sin(𝛼 + 𝛽) , cos(𝛼 + 𝛽) 𝑙𝑐𝑜𝑠𝛽]𝑅(𝜃)𝜉̇ + 𝑟𝜑̇ = 0
[−sin(𝛼 + 𝛽 + 𝛾) , cos(𝛼 + 𝛽 + 𝛾) 𝑙𝑐𝑜𝑠(𝛽 + 𝛾)]𝑅(𝜃)𝜉̇ + 𝑟𝑐𝑜𝑠 𝛾𝜑̇ = 0
[cos(𝛼 + 𝛽) sin(𝛼 + 𝛽) 𝑑 + 𝑙𝑠𝑖𝑛𝛽]𝑅(𝜃)𝜉̇ + 𝑑𝛽̇ = 0
[cos(𝛼 + 𝛽) , sin(𝛼 + 𝛽) 𝑙𝑠𝑖𝑛𝛽]𝑅(𝜃)𝜉̇ = 0

Ces équations peuvent être écrites sous la forme matricielle suivante :

[−sin(𝛼 + 𝛽) , cos(𝛼 + 𝛽) 𝑙𝑐𝑜𝑠𝛽]𝑅(𝜃)
0
[−sin(𝛼 + 𝛽) , cos(𝛼 + 𝛽) 𝑙𝑐𝑜𝑠𝛽]𝑅(𝜃) 𝜉̇
0 0 𝐴14
[−sin(𝛼 + 𝛽) , cos(𝛼 + 𝛽) 𝑙𝑐𝑜𝑠𝛽]𝑅(𝜃) 0 ̇
𝛽1,…,𝑛 𝑑𝑖
𝐴23 0 =0
[−sin(𝛼 + 𝛽 + 𝛾) , cos(𝛼 + 𝛽 + 𝛾) 𝑙𝑐𝑜𝑠(𝛽 + 𝛾)]𝑅(𝜃) 0 𝛽̇𝑛𝑑𝑖 +1,…,𝑛𝑑𝑖 + 𝑛𝑑𝑒
0 0 0
[cos(𝛼 + 𝛽) sin(𝛼 + 𝛽) 𝑑 + 𝑙𝑠𝑖𝑛𝛽]𝑅(𝜃) 𝜑̇ 1,…,𝑛
0 ( )
( [cos(𝛼 + 𝛽) , sin(𝛼 + 𝛽) 𝑙𝑠𝑖𝑛𝛽]𝑅(𝜃) )
Avec : 𝐴23 = 𝑑𝑖𝑎𝑔 (𝑑𝑛𝑑𝑖 +1 , … , 𝑑𝑛𝑑𝑖 + 𝑛𝑑𝑒 ) et
𝐴14 = 𝑑𝑖𝑎𝑔 (𝑟, … , 𝑟, 𝑟𝑐𝑜𝑠𝛾𝑛− 𝑛𝑜𝑚+1 , … , 𝑟𝑐𝑜𝑠𝛾𝑛 )
En effet :

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)])

𝐴21 = [cos(𝛼 + 𝛽) sin(𝛼 + 𝛽) 𝑑 + 𝑙𝑠𝑖𝑛𝛽]

𝐴31 = [cos(𝛼 + 𝛽) , sin(𝛼 + 𝛽) 𝑙𝑠𝑖𝑛𝛽]
On obtient l’équation (3.20). ♦

Notons que l’évolution des coordonnées généralisées, notamment :

- 𝛽𝑛𝑑𝑖 +1,…,𝑛𝑑𝑖 + 𝑛𝑑𝑒 décrivant l’orientation des roues désaxées
- 𝜑1,…,𝑛 décrivant l’angle de rotation de toutes les roues

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 :

𝑆 (𝛽1 , … , 𝑛𝑑𝑖 ) ≜ (𝑘𝑒𝑟 𝐴31 𝑆 (𝛽1 , … , 𝑛𝑑𝑖 ))

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.
♦

En supposant que le rand 𝐴31 (𝛽1 , … , 𝑛𝑑𝑖 ) est constant, on a :

𝜉̇ = 𝑅 −1 (𝜃) 𝑆 (𝛽1 , … , 𝑛𝑑𝑖 ) 𝜂𝑚

Avec :
- 𝜂𝑚 = vecteur

Tel que : dim 𝜂𝑚 = 𝑟𝑎𝑛𝑔 ( 𝑆 (𝛽1 , … , 𝑛𝑑𝑖 ))

Définition 3.02 : Degré de mobilité

C’est le nombre de composantes pouvant évoluer de manière indépendante.

𝛿𝑚 = 𝑅𝑎𝑛𝑔 (𝑆 (𝛽1 , … , 𝑛𝑑𝑖 ))

Définition 3.03 : Degré d’orientabilité

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 :

𝜉̇ = 𝑅 −1 (𝜃) 𝑆 (𝛽1,…,𝑛𝑑𝑖 )𝜂𝑚

̇
𝛽1,…,𝛿 = 𝜂0
0

𝛽𝛿̇ 0 +1 ,…,𝑛𝑑𝑖 = 𝑁 (𝛽1,…,𝑛𝑑𝑖 )𝜂0

𝛽̇𝑛𝑑𝑖 +1 ,… ,𝑛𝑑𝑖 +𝑛𝑑𝑒 = 𝐴−1
23 𝐴21 (𝛽𝑖 ) 𝑆 (𝛽1,…,𝑛𝑑𝑖 ) 𝜂𝑚
−1
{ 𝜑̇ 1,…,𝑛 = 𝐴14 𝐴11 (𝛽𝑖 ) 𝑆 (𝛽1,…,𝑛𝑑𝑖 ) 𝜂𝑚

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 :

Le modèle cinématique réduit d’un véhicule est donné par

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. ♦

Théorème 3.04 : Les classes de véhicule mobiles

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.

(𝛿𝑚 , 𝛿0 ) ∈ {(3,0), (2,0), (2,1), (1,1), (1,2)}

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

Comme on sait que pour que 𝜉̇ ≠ 0 il faut que 𝛿𝑚 ≠ 0

Ainsi :

𝛿𝑚 ∈ [1,3]

Considérons les droites ∆𝑖 perpendiculaire à la roue 𝑖 et passant par le centre de la roue.

Afin qu’un véhicule puisse mouvoir, il faut que l’une de ces 2 conditions soit satisfaite :
- Soit les droites ∆𝑖 associées à chaque roue directrices et fixes sont concourantes en un
point
- Soit les droites ∆i sont parallèles

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

Ainsi le degré d’orientabilité est limité à zéro (𝛿0 = 0)

- Si 𝛿0 = 2, alors 𝑟𝑎𝑛𝑔[𝐴31 (𝛽1, , … , 𝑛𝑑𝑖 )] = 2

Et comme

(𝑆(𝛽1, , … , 𝑛𝑑𝑖 )) ≜ (ker 𝐴31 (𝛽1, , … , 𝑛𝑑𝑖 ))

Et

𝛿𝑚 = 𝑟𝑎𝑛𝑔[𝑆(𝛽1, , … , 𝑛𝑑𝑖 )]

Alors

𝛿𝑚 = 1

- Pour le couple (δm , δ0 ) = (1,0), puisque δ0 = 0, le véhicule ne possède aucune roue

directrice. Et comme δm = 1, alors le modèle cinématique obtenue se résume comme étant
un vecteur.
𝑆1
̇𝜉 = 𝑆𝜂𝑚 = (𝑆2 ) 𝜂𝑚
𝑆3

Ce modèle cinématique montre que :

- Si 𝑆3 = 0, alors il s’agit d’une translation car 𝜃̇ = 0

- Si 𝑆3 ≠ 0, alors on a une rotation autour d’un centre instantané de rotation portée par la
droite perpendiculaire au vecteur (𝑆1 , 𝑆2 )𝑇 passant par le centre 𝑃 du repère fixe au
châssis.
Ainsi la seule liberté dont nous disposons est spécifique au scalaire 𝜂𝑚 .

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 :

En effet, si 𝛿𝑚 = 3 alors rang [𝐴31 (𝛽1, , … , 𝑛𝑑𝑖 )] = 0. Donc 𝑛𝑑𝑖 + 𝑛 𝑓𝑖 = 0 ♦

Modèle cinématique réduit

En posant [𝑃, 𝑖, 𝑗] fixé au châssis, on a :

𝜂𝑚1
𝜉̇ = 𝑅 −1 (𝜃)
(𝜂𝑚2 )
𝜂𝑚3

Démonstration :

Représentation d’un véhicule possédant trois degrés de mobilité

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

En reportant (3.29) en (3.24) on a l’équation (3.28) ♦

Degré de liberté du modelé

Notre modèle possède 3 degrés de liberté : 𝜂𝑚1 , 𝜂𝑚2 et 𝜂𝑚3

3.4.2 Classe de véhicule possédant deux degrés de mobilité

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. ♦

Modèle cinématique réduit

En posant [𝑃, 𝑖, 𝑗] fixé au chassis tel que

- 𝑃 : point quelconque appartenant à l’axe des roues fixes
- 𝑖 : même direction que les roues fixe

Le modèle cinématique s’exprime comme suit :

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)

Représentation d’un véhicule possédant deux degrés de mobilité

Le noyau S devient alors :

0 0
𝑆 = (1 0 )
0 1

En reportant (3.32) dans l’équation (3.24), on obtient la relation (3.30) ♦

Degré de liberté du modèle

Comme cette classe de véhicule ne possède pas de roue directrice, le mouvement du châssis est
en fonction de deux paramètres (𝜂𝑚1 et 𝜂𝑚2 ).

Ainsi, notre modèle possède 2 degrés de liberté :

- 𝜂𝑚1 = √𝑥̇ 2 + 𝑦̇ 2 : vitesse linéaire du point 𝑃

124
 - 𝜂𝑚2 = 𝜃̇ : vitesse de rotation du chassis

3.4.3 Classe de véhicule possédant deux degrés de mobilité et un degré d’orientabilité

Description

Cette classe est définit comme suit : 𝑛 𝑓𝑖 = 0, 𝑛𝑑𝑖 = 1

Démonstration :

En effet :
- 𝛿0 = 1 alors notre véhicule possède a moins une roue directrice.
- 𝛿𝑚 = 2 alors 𝑟𝑎𝑛𝑔[𝐴31 (𝛽1, , … , 𝑛𝑑𝑖 )] = 1.♦

3.3.1.1.Modèle cinématique réduit

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 :

𝐴31 (𝛽1, ) = (cos 𝛽1 sin 𝛽1 0)

Donc son noyau 𝑆(𝛽1 ) peut-être exprime suivant l’équation (3.34).

125
 − sin 𝛽1 0
𝑆(𝛽1) = ( cos 𝛽1 0)
0 1

Représentation d’un véhicule possédant deux degrés de mobilité et

un degré d’orientabilité

En reportant (3.35) dans l’équation (3.24) on obtient la relation (3.35). ♦

Degré de liberté du modèle

Notre modèle possède 3 degrés de liberté :

- 𝜂𝑚1 = √𝑥̇ 2 + 𝑦̇ 2 : vitesse linéaire de la roue directrice
- 𝜂𝑚2 = 𝜃̇ : vitesse de rotation du châssis
- 𝜂0 : vitesse d’orientation de la roue directrice

3.4.4 Classe de véhicule possédant un degré de mobilité et un degré d’orientabilité

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 :

Comme 𝛿𝑚 = 1 alors rang[𝐴31 (𝛽1, , … , 𝑛𝑑𝑖 )] = 2

Alors notre véhicule devra avoir au moins 2 roues fixes ou directrices 𝑛𝑑𝑖 + 𝑛 𝑓𝑖 ≥ 2. ♦

Modèle cinématique réduit

En posant [𝑃, 𝑖, 𝑗] fixé au châssis tel que :

- 𝑃 : projection orthogonale du centre de la roue directrice sur l’axe de la (les) roue(s)

fixe(s)
- 𝑖 : même direction que l’axe de la (des) roue(s) fixe(s)

0
̇𝜉 = 𝑅 −1 (𝜃) (𝐿 sin 𝛽1) 𝜂𝑚
cos 𝛽1
{ 𝛽̇ = 𝜂0

Démonstration :

Considérons la figure 3.10. Grace au choix du repère, les 2 lignes de la matrice

[𝐴31 (𝛽1, , … , 𝑛𝑑𝑖 )] peuvent être écrit suivant l’équation (3.37).

sin 𝛽1 −cos 𝛽1 Lsin 𝛽1

[𝐴31 (𝛽1, , … , 𝑛𝑑𝑖 )] = ( )
1 0 0
Et dont le noyau :
0
𝑆(𝛽1 ) = (Lsin 𝛽1 )
cos 𝛽1

Où :

- 𝛽𝑖 : orientation de(s) roue(s) directrice(s)

- L : distance entre la roue directrice et le centre du châssis

127
 Représentation d’un véhicule possédant un degré de mobilité et un
degré d’orientabilité

En reportant (3.38) dans l’équation (3.24) on obtient facilement l’équation (3.36). ♦

Degré de liberté du modèle

Notre modèle possède 2 degrés de liberté :

- 𝜂𝑂 : vitesse d’orientation de la roue directrice
- 𝜂𝑚 : vitesse linéaire de la roue directrice

3.4.5 Classe de véhicule possédant un degré de mobilité et deux degrés d’orientabilité

Description

Cette classe est définit comme suit : 𝑛 𝑓𝑖 = 0 et 𝑛𝑑𝑖 ≥ 2

Démonstration :

Comme le degré d’orientation 𝛿0 = 2 alors cette classe de véhicule devra avoir au moins 2
roues directrices. ♦

128
 Modèle cinématique réduit

En posant [𝑃, 𝑖, 𝑗] fixé au chassis tel que :

- 𝑃 : situe entre 𝑆1 et 𝑆2 des 2 roues directrices

- ⃗⃗⃗⃗⃗⃗⃗⃗
𝑖 : même direction que 𝑆 2 𝑆1

−2𝐿 sin 𝛽1 sin 𝛽2

̇𝜉 = 𝑅 −1 (𝜃) ( 𝐿 sin(𝛽1 + 𝛽2 ) ) 𝜂𝑚
sin(𝛽2 − 𝛽1 )
𝛽1̇ = 𝜂01
{ 𝛽̇2 = 𝜂02

Démonstration :

Considérons la figure 3.11.

Représentation d’un véhicule possédant un degré de mobilité et

deux degrés d’orientabilité

129
Grace au choix du repère, les 2 premières lignes de la matrice [𝐴31 (𝛽1, , … , 𝑛𝑑𝑖 )] présente une
expression très simple.

−cos 𝛽1 −sin 𝛽1 Lsin 𝛽1

𝐴31 (𝛽1, , … , 𝑛𝑑𝑖 ) = ( )
cos 𝛽2 sin 𝛽2 Lsin 𝛽2

Le noyau y correspondant s’obtient comme suit :

− cos 𝛽1 cos 𝛽2 −2𝐿 sin 𝛽1 sin 𝛽2

𝑆(𝛽1 , 𝛽2 ) = ( −sin 𝛽1 ) ⋀ ( sin 𝛽2 ) = ( 𝐿 sin(𝛽1 + 𝛽2 ) )
Lsin 𝛽1 Lsin 𝛽2 sin(𝛽2 − 𝛽1 )

En remplaçant (3.41) dans l’équation (3.24) on obtient l’équation (3.39). ♦

Degré de liberté du modèle

Notre modèle possède 3 degrés de liberté :

- 𝜂𝑂1 : vitesse d’orientation de la roue directrice 1
- 𝜂𝑂2 : vitesse d’orientation de la roue directrice 2
- 𝜂𝑚 : vitesse linéaire des roues directrices 1 ou 2

Tel que :

‖𝑣𝑠1 ‖ ‖𝑣𝑠2 ‖
‖𝜂𝑚 ‖ = =
2𝐿|sin 𝛽2 | 2𝐿|sin 𝛽1 |

Démonstration :

Les 2 premiers degrés de liberté sont issus de l’équation (3.39)

Considérons les vitesses suivantes :

- 𝑣𝑠1 : vitesse linéaire du centre de la roue 1
- 𝑣𝑃 : vitesse linéaire du point 𝑃

130
On a :

⃗ ⋀𝑃𝑆
𝑣𝑠1 = 𝑣𝑃 + 𝜃̇𝑘 ⃗⃗⃗⃗⃗⃗⃗1

𝑥̇ 0 𝐿
𝑣𝑠1 = 𝑅(𝜃) (𝑦̇ ) + (0) ⋀ (0)
0 𝜃̇ 0

En reportant (3.39) à (3.43), on obtient

−2𝐿 sin 𝛽1 sin 𝛽2

𝑣𝑠1 = ( 2𝐿 cos 𝛽1 sin 𝛽2 )
0

De la même façon, on a :

−2𝐿 sin 𝛽1 sin 𝛽2

𝑣𝑠2 = ( 2𝐿 sin 𝛽1 cos 𝛽2 )
0

Les équations (3.43), (3.44) conduisent à la relation (3.42). ♦

Modèle dynamique d’un véhicule

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.

3.5.1 Equation de Lagrange-Euler

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.

Elle est nommée d'après Leonhard Euler et Joseph-Louis Lagrange.

Considérons 𝐽 la fonctionnelle définie par :

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 :

- 𝐶 : est une constante

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).

Considérons 𝑥𝜀 (𝑡) = 𝑥(𝑡) + 𝜀𝜂(𝑡) une perturbation de 𝑥,

Avec :

- 𝜂(𝑡) : une fonction différentiable vérifiant 𝜂(𝑡0 ) = 𝜂(𝑡1 ) = 0.

On peut définir :

𝑡1
J(𝜀) = ∫ 𝑓(𝑡, 𝑥𝜀 (𝑡), 𝑥̇ 𝜀 (𝑡))𝑑𝑡
𝑡0

La dérivé de 𝐽 par rapport à 𝜀 devient :

𝑡1
dJ 𝜕𝑓
=∫ (𝑡, 𝑥𝜀 (𝑡), 𝑥̇ 𝜀 (𝑡))𝑑𝑡
d𝜀 𝑡0 𝜕𝜀
Pour

𝜕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.

Ainsi on obtient l’équation (3.53).

133
 𝑡1 𝑡1
dJ 𝜕𝑓 𝜕𝑓
(0) = ∫ 𝜂(𝑡) 𝑑𝑡 + ∫ 𝜂̇ (𝑡) 𝑑𝑡
d𝜀 𝑡0 𝜕𝑥 𝑡0 𝜕𝑥̇

Suite à une intégration partielle, on obtient :

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

Comme 𝜂(𝑡0 ) = 𝜂(𝑡1 ) = 0

𝑡1
𝜕𝑓 𝑑 𝜕𝑓
0 = ∫ 𝜂(𝑡) ( − ) 𝑑𝑡
𝑡0 𝜕𝑥 𝑑𝑡 𝜕𝑥̇

Ainsi on peut écrire que :

𝜕𝑓 𝑑 𝜕𝑓
0= −
𝜕𝑥 𝑑𝑡 𝜕𝑥̇
♦

D’autre part, le Lagrangien d’un système mécanique est donné par l’équation ci-contre.

ℒ(𝑞̇ , 𝑞) = 𝑇(𝑞̇ , 𝑞) − 𝑊(𝑞̇ , 𝑞)

Où :
- ℒ(𝑞̇ , 𝑞): Lagrangien du système
- 𝑇(𝑞̇ , 𝑞): énergie cinétique
- 𝑊(𝑞̇ , 𝑞): énergie potentiel

3.5.2 Application de l’équation de Lagrange-Euler sur un véhicule

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

Respectant la condition donnée par l’équation (3.60).

134
 𝛿𝑞(𝑡0 ) = 𝛿𝑞(𝑡𝑓 ) = 0

En l'absence de force extérieure et de contrainte, le principe d’Hamilton indique que la

trajectoire du système 𝑞 (𝑡) est la solution stationnaire par rapport à l'intégrale du temps du
Lagrangien, c'est-à-dire que :

𝜕 𝑡𝑓
∫ ℒ(𝑞(𝑡, 𝜖), 𝑞̇ (𝑡, 𝜖))𝑑𝑡| =0
𝜕𝜖 𝑡0
𝜖=0

En utilisant la règle de dérivation en chaîne, nous pouvons calculer la variation de l'intégrale

correspondante à la variation 𝑞(𝑡, 𝜖) et l'exprimer en termes de son déplacement virtuel.
𝑡𝑓
𝜕ℒ 𝑇 𝜕ℒ 𝑇
∫ [( ) 𝛿𝑞 + ( ) 𝛿𝑞̇ ] 𝑑𝑡 = 0
𝑡0 𝜕𝑞 𝜕𝑞̇

En posant :
𝑑𝛿𝑞
𝛿𝑞̇ =
𝑑𝑡
L’équation (3.62) devient :

𝑡𝑓
𝑑 𝜕ℒ 𝜕ℒ 𝑇
∫ [(− + ) 𝛿𝑞] 𝑑𝑡 = 0
𝑡0 𝑑𝑡 𝜕𝑞̇ 𝜕𝑞

En présence d’un variable d’entré 𝜏 ∈ ℝ𝑚 l’équation (3.61) devient :

𝜕 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

Ainsi, la dérivée de l’équation (3.63) s’exprime comme suit :

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

Ainsi, l’équation (3.64) devient :

𝑑 𝜕ℒ 𝜕ℒ
− = 𝐴𝑇 (𝑞)𝜆 + 𝐵(𝑞)𝜏
𝑑𝑡 𝜕𝑞̇ 𝜕𝑞

Ensuite, comme notre véhicule se déplace sur un sol horizontal, alors son énergie potentielle
est nulle.
𝑊(𝑞̇ , 𝑞) = 0

L’équation (3.57) devient :

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

Où : 𝑀(𝑞) la matrice de la masse du véhicule définie comme suit :

𝑅 𝑇 (𝜃)𝑀11 𝑅(𝜃) 𝑅 𝑇 (𝜃)𝑀12 0
𝑀(𝑞) = ( 𝑀12 𝑇 𝑅(𝜃) 𝑀22 0 )
0 0 𝑀33

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

- 𝑀11 [1,1] = 𝑀11 [2,2] = 𝑚𝑥 + ∑𝑛𝑖=1 𝑚𝑖

𝑑𝑖
2 𝑑𝑒
- 𝑀11 [3,3] = 𝑀11 [1,3] = 𝑚(𝑥 2 + 𝑦 2 ) + ∑𝑛𝑖=𝑛+𝑛
𝑑𝑖 +1 𝑚𝑖 (𝑑𝑖 + 2𝑑𝑖 𝑙𝑖 sin 𝛽𝑖 ) + 𝐼 +

∑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

Sachant que 𝑆̂ est un noyau de 𝐴, on en déduit l’équation (3.82).

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

D’où le modèle dynamique :

−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 :

 « Modèles dynamique d’un véhicule », MADA-ETI, ISSN 2220-0673, Vol.2, 2019,

http://www.madarevues.recherches.gov.mg (annexe A2)

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.

Référentiel terrestre conventionnel

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.

Référentiel lié au véhicule

Définition 4.02

Un référentiel lié au véhicule, noté (𝑜3 , 𝑥3 , 𝑦3 , 𝑧3 ), est défini par :

- son origine 𝑜3 qui peut être le centre de gravité du véhicule, un point non absolument
fixe pendant le vol ;
- le plan (𝑜3 , 𝑥3 , 𝑦3 ) qui est le plan de symétrie du véhicule de sorte que l’axe
(𝑜3 , 𝑥3 )s’oriente vers la tête du véhicule tandis que l’axe (𝑜3 , 𝑦3 ) est perpendiculaire
à (𝑜3 , 𝑥3 ) ;
- l’axe (𝑜3 , 𝑧3 ) est déterminé tel que le trièdre (𝑜3 , 𝑥3 ), (𝑜3 , 𝑦3 )et (𝑜3 , 𝑧3 ) soit direct.

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.

Variables de mouvement d’un véhicule

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.

Ces dernières sont illustrées dans le Tableau 4.01.

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

Etat d’équilibre Etat perturbé

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   

4.4.1 Angles d’Euler

Considérons la figure 4.03.

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 ) .

4.4.2 Changement de repère

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.

4.4.3 Transformation d’une expression linéaire

Définition 4.05 :

La matrice de transformation est donnée par :

𝑐𝑜𝑠𝜓𝑐𝑜𝑠𝜃 𝑠𝑖𝑛𝜓𝑐𝑜𝑠𝜃 −𝑠𝑖𝑛𝜃

𝑅 = [𝑐𝑜𝑠𝜓𝑠𝑖𝑛𝜃𝑠𝑖𝑛𝜙 − 𝑠𝑖𝑛𝜓𝑐𝑜𝑠𝜙 𝑠𝑖𝑛𝜓𝑠𝑖𝑛𝜃𝑠𝑖𝑛𝜙 + 𝑐𝑜𝑠𝜓𝑐𝑜𝑠𝜙 𝑐𝑜𝑠𝜃𝑠𝑖𝑛𝜙 ]
𝑐𝑜𝑠𝜓𝑠𝑖𝑛𝜃𝑐𝑜𝑠𝜙 + 𝑠𝑖𝑛𝜓𝑠𝑖𝑛𝜙 𝑠𝑖𝑛𝜓𝑠𝑖𝑛𝜃𝑐𝑜𝑠𝜙 − 𝑐𝑜𝑠𝜓𝑠𝑖𝑛𝜙 𝑐𝑜𝑠𝜃𝑐𝑜𝑠𝜙

Démonstration :

Soient (𝑜3 𝑥3 𝑦3 𝑧3 ) les composantes d'une expression linéaire dans le système

d’axe (𝑜3 , 𝑥3 , 𝑦3 , 𝑧3 ), et (𝑜0 𝑥0 𝑦0 𝑧0 ) les composantes d'une quantité linéaire dans le système
d’axe (𝑜0 , 𝑥0 , 𝑦0 , 𝑧0 ).

L’expression à transformer pourrait être un déplacement, une vitesse ou une accélération.

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 :

ox2  cos 0  sin   ox1 

oy    0 1 0  oy1 
 2 
oz 2   sin  0 cos  oz1 
Et après une rotation autours de l’axe (𝑜3 , 𝑧3 ) et d’angle 𝜙 on a:

ox1   cos sin  0 ox0 

oy    sin  cos 0 oy 0 
 1 
oz1   0 0 1 oz 0 
En partant des axes du repère spatial (𝑜0 , 𝑥0 , 𝑦0 , 𝑧0 ), on définit les axes suivants :
Définition 4.06 :

(𝑥’, 𝑦’, 𝑧’) axes obtenus après la première rotation 𝑅𝑧0 𝜙

Définition 4.07 :

(𝑥", 𝑦", 𝑧") axes obtenus après la deuxième rotation 𝑅𝑦0 𝜃

Définition 4.08 :

(𝑥, 𝑦, 𝑧) axes obtenus après la troisième rotation 𝑅𝑥0 𝜓

Définition 2.09 :

Soient le vecteur 𝑋 ∈ ℝ3 un vecteur ayant comme origine le centre de masse du véhicule et

dont les composantes sont définies par rapport aux axes 𝑥0 , 𝑦0 , 𝑧0 . On distinguera par la suite
les vecteurs ci-contre.

146
 - 𝑋′ ∈ ℝ3 la représentation de 𝑋 dans 𝑥’, 𝑦’, 𝑧’

- 𝑋" ∈ ℝ3 la représentation de 𝑋′ dans 𝑥", 𝑦", 𝑧"

- 𝑋c est la représentation finale de 𝑋 (dans 𝑥, 𝑦, 𝑧)

Les différentes représentations de 𝑋 peuvent être écrites de la manière suivante :

𝑋′ = 𝑅𝑧0 𝜙 𝑋

𝑋" = 𝑅𝑦0 𝜃 𝑋′

𝑋c = 𝑅𝑥0 𝜓 𝑋"

On en déduit alors que :

𝑋c = 𝑅z"𝜙 𝑅y′𝜃 𝑅𝑥0 𝜓 𝑋

Soit 𝑅 𝑇 une matrice de rotation.

Elle est obtenue par l’équation (4.07).

𝑅 𝑇 = 𝑅𝑧"𝜙 𝑅𝑦′𝜃 𝑅𝑥0 𝜓

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 )

cos𝜃cos𝜙 sin𝜓sin𝜃cos𝜙 − cos𝜓sin𝜙 cos𝜓sin𝜃cos𝜙 + sin𝜓sin𝜙

𝑇
𝑅 = [ cos𝜃sin𝜙 sin𝜓sin𝜃sin𝜙 + cos𝜓cos𝜙 cos𝜓sin𝜃sin𝜙 − sin𝜓cos𝜙]
−sin𝜃 sin𝜓cos𝜃 cos𝜓cos𝜃
On utilise souvent la transformation inverse :

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

4.4.4 Transformation de la vitesse angulaire

La vitesse de rotation du véhicule a pour composante p, q et r dans le système d’axe (𝑂𝑥3 𝑦3 𝑧3 )

qui lui est lié. Avec :

- 𝑝 : vitesse développée suivant l’axe 𝑥𝐶 . On a donc 𝜓̇𝑐 = [𝜓̇ 0 0]𝑇

- 𝑞 : vitesse développée suivant l’axe 𝑦′. On a donc 𝜃̇𝑐 = 𝑅x"𝜙 𝑅y′𝜃 [0 𝜃𝑦′̇ 0]𝑇
- 𝑟 : vitesse développée suivant l’axe 𝑧. On a donc 𝜙̇𝑐 = 𝑅 𝑇 [0 0 𝜙𝑧̇ ]𝑇
On en déduit alors que :

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

Changement de système d’axe pour la vitesse de rotation

4.4.5 Forces et Moments appliqués au véhicule

Dans l’optique de développer la dynamique d’un véhicule, nous allons voir ensemble les efforts
y appliqués. Considérons la figure 4.05.

Forces et moments appliqués au véhicule

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.

Equations de mouvement du véhicule

L’expression de l’accélération rectiligne est donnée par l’équation (4.15).

𝐹𝑥
− (𝜔𝑦 𝑉𝑧 − 𝜔𝑧 𝑉𝑦 )
𝑉𝑥̇ 𝑚
𝐹
[𝑉𝑦̇ ] = 𝑦 − (𝜔𝑥 𝑉𝑧 − 𝜔𝑧 𝑉𝑥 )
𝑚
𝑉𝑧̇ 𝐹𝑧
[𝑚 − (𝜔𝑥 𝑉𝑦 − 𝜔𝑦 𝑉𝑥 )]
Démonstration :

150
♣

Le véhicule est soumis sous l’action de plusieurs forces extérieures notamment :

- 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

L’expression de l’accélération angulaire est donnée par :

(𝐼𝑦𝑦 − 𝐼𝑧𝑧 ) 𝐼𝑥𝑧 𝑀𝑥

𝑞𝑟 + (𝑟̇ + 𝑝𝑞) +
𝐼𝑥𝑥 𝐼𝑥𝑥 𝐼𝑥𝑥
𝑝̇ (𝐼𝑧𝑧 − 𝐼𝑥𝑥 ) 𝐼𝑥𝑧 2 𝑀𝑦
𝑤̇ = [𝑞̇ ] = 𝑝𝑟 + (𝑟 − 𝑝²) +
𝐼𝑦𝑦 𝐼𝑦𝑦 𝐼𝑦𝑦
𝑟̇
(𝐼𝑥𝑥 − 𝐼𝑦𝑦 ) 𝐼𝑥𝑧 𝑀𝑧
𝑞𝑝 + (𝑝̇ + 𝑟𝑞) +
[ 𝐼𝑧𝑧 𝐼𝑧𝑧 𝐼𝑧𝑧 ]

Où :𝐼𝑖𝑗 : moments d’inertie du véhicule

Démonstration :

151
♣

L’équation du moment par rapport au centre de masse du véhicule, en fonction du vecteur du

moment angulaire se traduit par l’équation (4.19) :

𝑑𝐻
𝐻̇ = +𝑤𝐻
𝑑𝑡
Avec :
- 𝐻̇ = [𝑀𝑥 𝑀𝑦 𝑀𝑧 ]𝑇 : vecteur du moment angulaire

D’autre part, nous avons :

𝐻 = 𝐼. 𝑤

Avec :

- 𝐼 : matrice d’inertie du véhicule

𝐼𝑥𝑥 𝐼𝑥𝑦 𝐼𝑥𝑧

𝐼𝑉 = [𝐼𝑦𝑥 𝐼𝑦𝑦 𝐼𝑦𝑧 ]
𝐼𝑧𝑥 𝐼𝑧𝑦 𝐼𝑧𝑧

En considérant que le véhicule est un corps rigide, on peut dire que :

𝑑𝐼
=0
𝑑𝑡
Le développement des équations ci-dessus nous conduit à :

𝑤̇ = 𝐼 −1 (𝐻̇ − 𝑤 . (𝐼𝑤))
♦

Modelé latéral d’un véhicule

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.

4.6.1 Modèle latéral dynamique non linéaire d’un véhicule

Notre objectif est de développer un système d’assistance à la conduite afin de contrôler la

direction pour le maintien automatique des voies. Il est utile d'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.

Par conséquent, le modèle latéral sera défini en fonction des variables suivantes :

- 𝑉𝑦 : vitesse latérales du véhicule

- 𝑝 : vitesse angulaire du roulis
- 𝜙 : angle de roulis
- 𝑟 : vitesse angulaire de lacet

Le model latéral d’un véhicule est donné par :

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.

Ainsi, l’équation (4.15) devient :

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.

On peut écrire que :

𝐼𝑥𝑧 𝑀𝑥
𝑟̇ +
𝐼𝑥𝑥 𝐼𝑥𝑥
𝑝̇ (𝐼𝑧𝑧 − 𝐼𝑥𝑥 ) 𝐼𝑥𝑧 2 𝑀𝑦
[ 0] = 𝑝𝑟 + (𝑟 − 𝑝²) +
𝐼𝑦𝑦 𝐼𝑦𝑦 𝐼𝑦𝑦
𝑟̇
𝐼𝑥𝑧 𝑀𝑧
𝑝̇ +
[ 𝐼𝑧𝑧 𝐼𝑧𝑧 ]

Ainsi, on obtient l’équation (4.28)

154
 𝐼𝑥𝑧 𝑀𝑥
𝑟̇ +
𝑝̇ 𝐼 𝐼𝑥𝑥
[ ] = 𝑥𝑥
𝑟̇ 𝐼𝑥𝑧 𝑀𝑧
𝑝̇ +
[ 𝐼𝑧𝑧 𝐼𝑧𝑧 ]

4.6.2 Modèle latéral dynamique linéaire d’un véhicule

Hypothèse 4.01 :

Supposons que notre véhicule circule à une vitesse longitudinale constante 𝑉𝑥 .

Hypothèse 4.02 :

Supposons que notre véhicule est parfaitement symétrique.

La matrice d’inertie du véhicule peut être réécrire comme suit :

𝐼𝑥𝑥 0 0
𝐼𝑉 = [ 0 𝐼𝑦𝑦 0]
0 0 𝐼𝑧𝑧

Considérons la figure 4.06.

Vue de dessus d’un véhicule en modèle latéral linéaire

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 :

Appliquons l’hypothèse 4.02 au modèle latérale dynamique non linéaire du véhicule.

On obtient :
𝐹𝑥
𝑉𝑥̇ = + 𝑟𝑉𝑦
𝑚
𝐹𝑦
𝑉𝑦̇ = − 𝑟𝑉𝑥
𝑚
𝑀𝑥
𝑝̇ =
𝐼𝑥𝑥
𝑀𝑧
𝑟̇ =
{ 𝐼𝑧𝑧

En isolant les forces et moment du système, on a :

𝐹𝑥 = 𝑚𝑉𝑥̇ − 𝑚𝑟𝑉𝑦
𝐹𝑦 = 𝑚𝑉𝑦̇ + 𝑚𝑟𝑉𝑥
𝑀𝑥 = 𝑝̇ 𝐼𝑥𝑥
{ 𝑀𝑧 = 𝑟̇ 𝐼𝑧𝑧

Pour un petit angle de braquage 𝛿, on obtient l’équation :

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

Soit l’angle de braquage réel du véhicule donné par l’expression (4.37)

157
 𝛿𝑟 = 𝛿 + 𝛿𝜙

Avec :

- 𝛿𝑟 : angle de braquage réel

- 𝛿 : angle de braquage fournis par la commande
- 𝛿𝜙 : angle de glissement dû au braquage

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 :

- 𝐶𝛿𝜙 : coefficient de glissement

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.

Ainsi l'angle de glissement de la roue est donné par :

𝛼𝑖 = 𝛽 − 𝛿𝑟

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 :

- 𝐹𝑦𝜙 : force latérale due au roulis du véhicule

- 𝛿𝜙 : angle de braquage de la roue

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

Comme la plupart des mécanismes de suspension fournissent un certain angle de braquage

lorsque le véhicule roule et que le mécanisme se déforme. La direction de roulement du pneu
peut être alors supposée proportionnelle à l'angle de roulement.

𝛿𝜙 = 𝐶𝛿𝜙 𝜙

𝑑𝛿
𝐶𝛿𝜙 =
𝑑𝜙

Supposons que le numéro de roue 𝑖 d’un véhicule rigide est situé à :

r𝑖 𝐵 = [𝑥𝑖 𝑦𝑖 𝑧𝑖 ]𝑇

La vitesse de la roue numéro 𝑖 est donnée par :

v𝑖 𝐵 = 𝑉 𝐵 + 𝑤 𝐵 × r𝑖 𝐵

Où :

- 𝑉 𝐵 : vecteur vitesse du véhicule lié à son centre de masse 𝐶

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

Soit 𝛽𝑖 l’angle de glissement pour la roue 𝑖. Il est défini comme suit :

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

Par substitution, l’équation (4.40) devient :

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

Ainsi, l’angle de glissement du véhicule est donné par l’équation (4.59).

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

Sachant l’expression (4.65) et (4.66).

𝑝 = 𝜙̇

𝑟 = 𝜓̇

Et en tenant compte de l’équation (4.46), on a :

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

𝐹𝑦 = −𝐶𝛼𝑎𝑣 𝛼𝑎𝑣 − 𝐶𝜙𝑎𝑣 𝜙 − 𝐶𝛼𝑎𝑟 𝛼𝑎𝑟 − 𝐶𝜙𝑎𝑟 𝜙

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)

𝜕𝐹𝑦 𝜕𝐹𝑦 𝜕𝐹𝑦 𝜕𝐹𝑦 𝜕𝐹𝑦

𝐹𝑦 = 𝛿+ 𝛽+ 𝑝+ 𝑟+ 𝜙
𝜕𝛿 𝜕𝛽 𝜕𝑝 𝜕𝑟 𝜕𝜙
𝐹𝑦 = 𝐶𝛿 𝛿 + 𝐶𝛽 𝛽 + 𝐶𝑝 𝑝 + 𝐶𝑟 𝑟 + 𝐶𝜙 𝜙

𝑀𝑥 = 𝑀𝑥 (𝛿, 𝛽, 𝑝, 𝑟, 𝜙)

𝜕𝑀𝑥 𝜕𝑀𝑥 𝜕𝑀𝑥 𝜕𝑀𝑥 𝜕𝑀𝑥

𝑀𝑥 = 𝛿+ 𝛽+ 𝑝+ 𝑟+ 𝜙
𝜕𝛿 𝜕𝛽 𝜕𝑝 𝜕𝑟 𝜕𝜙
𝑀𝑥 = 𝐸𝛿 𝛿 + 𝐸𝛽 𝛽 + 𝐸𝑝 𝑝 + 𝐸𝑟 𝑟 + 𝐸𝜙 𝜙

𝑀𝑧 = 𝑀𝑧 (𝛿, 𝛽, 𝑝, 𝑟, 𝜙)

𝜕𝑀𝑧 𝜕𝑀𝑧 𝜕𝑀𝑧 𝜕𝑀𝑧 𝜕𝑀𝑧

𝑀𝑧 = 𝛿+ 𝛽+ 𝑝+ 𝑟+ 𝜙
𝜕𝛿 𝜕𝛽 𝜕𝑝 𝜕𝑟 𝜕𝜙
𝑀𝑧 = 𝐷𝛿 𝛿 + 𝐷𝛽 𝛽 + 𝐷𝑝 𝑝 + 𝐷𝑟 𝑟 + 𝐷𝜙 𝜙

Où les coefficients des forces sont données par :

𝐶𝛿 = 2𝐶𝛼𝑎𝑣

𝐶𝛽 = −𝐶𝛼𝑎𝑣 − 𝐶𝛼𝑎𝑟

2𝐶𝛼𝑎𝑣 𝐶𝛽𝑎𝑟 2𝐶𝛼𝑎𝑟 𝐶𝛽𝑎𝑟

𝐶𝑝 = +
𝑉𝑥 𝑉𝑥
2 2
𝐶𝑟 = − 𝐶𝛼𝑎𝑣 𝑎1 + 𝐶𝛼𝑎𝑟 𝑎2
𝑉𝑥 𝑉𝑥
𝐶𝜙 = 𝐶𝛼𝑎𝑣 𝐶𝛿𝜙𝑎𝑣 − 𝐶𝜙𝑎𝑣 − 𝐶𝜙𝑎𝑟 + 𝐶𝛼𝑎𝑟 𝐶𝛿𝜙𝑎𝑟

𝐸𝛿 = 2𝐶𝛼𝑎𝑣 𝐶𝑟𝑎𝑣

𝐸𝛽 = −𝐶𝑟𝑎𝑣 𝐶𝛼𝑎𝑣 − 𝐶𝑟𝑎𝑟 𝐶𝛼𝑎𝑟

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

𝐷𝛽 = −𝑎1 𝐶𝑟𝑎𝑣 + 𝑎2 𝐶𝑟𝑎𝑟

2𝐶𝛼𝑎𝑣 𝐶𝛽𝑎𝑣 2𝐶𝛼𝑎𝑟 𝐶𝛽𝑎𝑟

𝐷𝑝 = 𝑎1 − 𝑎2
𝑉𝑥 𝑉𝑥
2 2
𝐷𝑟 = − 𝐶𝛼𝑎𝑣 𝑎1 2 − 𝐶𝛼𝑎𝑟 𝑎2 2
𝑉𝑥 𝑉𝑥
𝐷𝜙 = 𝑎1 (𝐶𝛼𝑎𝑣 𝐶𝛿𝜙𝑎𝑣 − 𝐶𝜙𝑎𝑣 ) + 𝑎2 (−𝐶𝜙𝑎𝑟 + 𝐶𝛼𝑎𝑟 𝐶𝛿𝜙𝑎𝑟 )

Par substitution, on a l’équation suivant :

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

Sous forme matricielle on obtient l’équation (4.32). ♦

Modèle longitudinal du véhicule

Le terme "contrôleur longitudinal" est typiquement utilisé en référence à tout système de

commande qui contrôle le mouvement longitudinal du véhicule, par exemple sa vitesse
longitudinale, son accélération ou sa distance longitudinale d'un autre véhicule précédent dans
la même voie sur la route. Dans ce paragraphe, nous essaierons d’élaborer un modèle capable
de réguler la vitesse du véhicule, et de respecter la distance entre deux véhicules.

Le système de régulation de la vitesse consiste à fixer une vitesse constante à laquelle le

conducteur souhaite que le véhicule se déplace. Il est de la responsabilité du conducteur de
s'assurer que le véhicule peut effectivement circuler en toute sécurité à cette vitesse sur la route.
S'il se trouve qu’un véhicule qui précède sur l'autoroute qui se déplace à une vitesse plus lente
ou qui est trop près du véhicule, le conducteur doit prendre des mesures et, au besoin, freiner.

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.

4.7.1 Principe de contrôle

Régulateur de vitesse adaptatif

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.

Illustration d’un véhicule équipé d’un régulateur de vitesse

adaptatif (ACC)

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.

Systèmes routiers automatisés

Un paradigme complètement différent de contrôle longitudinal est le contrôle des véhicules à

voyager ensemble dans un peloton étroitement espacé dans les systèmes routiers automatisés
(AHS). Les systèmes routiers automatisés ont fait l'objet de recherche et développement
intensifs par plusieurs groupes de recherche.

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.

4.7.2 Contrôleur d’espacement

La loi de contrôle de suivi du véhicule assure la stabilité individuelle du véhicule si l'erreur

d'espacement du véhicule converge vers zéro lorsque le véhicule précédent fonctionne à vitesse
constante. Si le véhicule précédent accélère ou décélère, l'erreur d'espacement devrait être non
nulle. L'erreur d'espacement dans cette définition fait référence à la différence entre
l'espacement réel par rapport au véhicule précédent et l'espacement inter-véhicules souhaité.

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 :

𝛿𝑖 = 𝑥𝑖 − 𝑥𝑖−1 + 𝐿𝑑𝑒𝑠 + ℎ𝑥̇ 𝑖

Où : - 𝐿𝑑𝑒𝑠 : espacement souhaité comprend la longueur du véhicule précédente

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 :

𝐿𝑑𝑒𝑠 = 𝑙𝑖−1 + ℎ𝑥̇ 𝑖

Où :
- 𝑙𝑖−1 : longueur du véhicule 𝑖 − 1 − 𝑖𝑒𝑚𝑒
- ℎ : intervalle de temps

167
 - 𝑥̇ 𝑖 : vitesse du véhicule 𝑖

L'erreur d'espacement varie avec la vitesse et est définie comme suit :

𝛿𝑖 = 𝜀𝑖 + ℎ𝑥̇ 𝑖

Où :
𝜀𝑖 = 𝑥𝑖 − 𝑥𝑖−1 + 𝐿𝑑𝑒𝑠

La loi de contrôle autonome peut être représentée comme :

1
𝑥̈ 𝑖_𝑑𝑒𝑠 = − (𝜀̇𝑖 + 𝜆𝛿𝑖 )
ℎ

Avec :
- 𝜆 : constante de temps

Démonstration :

La dérivation de l’équation (4.110), nous permet d’obtenir l’équation (4.113).

ℎ𝑥̈ 𝑖 = −𝜀̇𝑖 + 𝛿𝑖̇

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

La fonction de transfert pour le suivi du véhicule est donnée par :

𝛿𝑖 𝑠+𝜆
=
𝛿𝑖−1 ℎ𝜏𝑠 3 + ℎ𝑠 2 + (1 + 𝜆ℎ)𝑠 + 𝜆

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 :

En présence de la dynamique inférieure du contrôleur et de l'actionneur, l'accélération souhaitée

n'est pas obtenue instantanément mais satisfait la dynamique approximée par :

𝜏𝑥⃛𝑖 + 𝑥̈ 𝑖 = 𝑥̈ 𝑖_𝑑𝑒𝑠

En substituant 𝑥̈ 𝑖_𝑑𝑒𝑠 on obtient :

1
𝜏𝑥⃛𝑖 + 𝑥̈ 𝑖 = − (𝜀̇𝑖 + 𝜆𝛿𝑖 )
ℎ

De plus, en dérivant deux fois 𝛿𝑖 de l’équation (4.119), on obtient :

𝛿𝑖̈ = 𝜀̈𝑖 + ℎ𝑥⃛𝑖

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 :

𝛿𝑖 − 𝛿𝑖−1 = 𝜀𝑖 − 𝜀𝑖−1 + ℎ(𝑥̇ 𝑖 − 𝑥̇ 𝑖−1 )

Ou encore :

𝛿𝑖 − 𝛿𝑖−1 = 𝜀𝑖 − 𝜀𝑖−1 + ℎ𝜀̇𝑖

En dérivant deux fois l’équation (4.123) on obtient :

169
 𝛿𝑖̈ − 𝛿𝑖−1
̈ = 𝜀̈𝑖 − 𝜀̈𝑖−1 + ℎ𝜀⃛𝑖

En substituant 𝜀̈𝑖 et 𝜀̈𝑖−1 , on a :

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

En y appliquant la transformé de Laplace on obtient l’équation (4.110). ♦

Ainsi, l’équation d’état du système de suivit peut-être écrite comme ci-dessous :

𝑥̇ = 𝐴𝑥 + 𝐵𝑢
𝑦 = 𝐶𝑥 + 𝐷𝑢
Où :
−1⁄ −(ℎ + 𝜆) −1⁄𝜏
𝜏
𝐴=[ 1 0 0 ]
0 1 0
1
𝐵 = [0 ]
0
𝐶 = [0 ⁄ℎ𝜏 𝜆⁄ℎ𝜏 ]
1

𝐷=0

4.7.3 Régulateur de vitesse

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.

La dynamique de la chaîne cinématique et la dynamique du moteur constituent le modèle de

véhicule longitudinal réel qui doit être utilisé dans la conception du contrôleur. Le contrôleur
doit s'assurer que l'accélération du véhicule suit l'accélération souhaitée déterminée par le
contrôleur supérieur.

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.

Ce sont des hypothèses très raisonnables au cours du contrôle de croisière, car :

- 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.

Equation de mouvement longitudinal d’un véhicule

Notons que l'équation de mouvement longitudinal pour le véhicule se présente comme suit :
𝑚𝑥̈ = 𝐹𝑥𝑎𝑣 + 𝐹𝑥𝑎𝑟 − 𝑅𝑥𝑎𝑣 − 𝑅𝑥𝑎𝑟 − 𝐹𝑎𝑒𝑟 − 𝑚𝑔 sin(𝜃)

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).

Forces longitudinales agissant sur un véhicule se déplaçant sur

172
 une route inclinée

- Force de traînée aérodynamique

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

- Force longitudinale des roues

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

o Pour une accélération :

𝑟𝑒𝑓𝑓 𝜔𝑟𝑜𝑢𝑒 − 𝑉𝑥
𝜎𝑥 =
𝑟𝑒𝑓𝑓 𝜔𝑟𝑜𝑢𝑒
Avec :

- 𝜎𝑥 : taux de glissement longitudinal

- 𝑟𝑒𝑓𝑓 : rayon effectif du pneu en rotation
- 𝜔𝑟𝑜𝑢𝑒 : vitesse angulaire de la roue
Démonstration :

Considérons la figure 4.10.

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

Alors, on peut noter que :

 Pour les roues avant :
𝐹𝑥𝑎𝑣 = 𝐶𝜎𝑎𝑣 𝜎𝑥𝑎𝑣

 Pour les roues arrière :

𝐹𝑥𝑎𝑟 = 𝐶𝜎𝑎𝑟 𝜎𝑥𝑎𝑟

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 :

−𝐹𝑎𝑒𝑟 ℎ𝑎𝑒𝑟 − 𝑚𝑥̈ ℎ − 𝑚𝑔ℎ𝑠𝑖𝑛(𝜃) + 𝑚𝑔𝑙𝑎𝑟 cos(𝜃)

𝐹𝑧𝑎𝑣 =
𝑙𝑎𝑣 + 𝑙𝑎𝑟

175
 𝐹𝑎𝑒𝑟 ℎ𝑎𝑒𝑟 + 𝑚𝑥̈ ℎ + 𝑚𝑔ℎ𝑠𝑖𝑛(𝜃) + 𝑚𝑔𝑙𝑎𝑣 cos(𝜃)
𝐹𝑧𝑎𝑟 =
𝑙𝑎𝑣 + 𝑙𝑎𝑟

Avec :

- 𝐹𝑧𝑎𝑣 : forces normales des roues avant

- 𝐹𝑧𝑎𝑟 : forces normales des roues arrière
- 𝐹𝑎𝑒𝑟 : force aérodynamique
- ℎ𝑎𝑒𝑟 : hauteur du point d’application de la force aérodynamique
- 𝑚 : masse du véhicule
- ℎ : hauteur du centre de gravité par rapport au sol
- 𝑔 : accélération de la gravité
- 𝑙𝑎𝑣 : distance entre l’axe des roues avant et le centre de gravité
- 𝑙𝑎𝑟 : distance entre l’axe des roues arrière et le centre de gravité
- 𝜃 : angle d’inclinaison

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.

−𝐹𝑧𝑎𝑣 (𝑙𝑎𝑣 + 𝑙𝑎𝑟 ) − 𝐹𝑎𝑒𝑟 ℎ𝑎𝑒𝑟 − 𝑚𝑥̈ ℎ − 𝑚𝑔ℎ𝑠𝑖𝑛(𝜃) + 𝑚𝑔𝑙𝑎𝑟 cos(𝜃) = 0

−𝐹𝑧𝑎𝑟 (𝑙𝑎𝑣 + 𝑙𝑎𝑟 ) + 𝐹𝑎𝑒𝑟 ℎ𝑎𝑒𝑟 − 𝑚𝑥̈ ℎ − 𝑚𝑔ℎ𝑠𝑖𝑛(𝜃) + 𝑚𝑔𝑙𝑎𝑣 cos(𝜃) = 0

176
 Illustration des forces normales des roues

Typiquement, la résistance au roulement est modélisée comme étant approximativement

proportionnelle à la force normale sur chaque ensemble de pneumatiques, c'est-à-dire :

𝑅𝑥𝑎𝑣 + 𝑅𝑥𝑎𝑟 = 𝑓(𝐹𝑧𝑎𝑣 + 𝐹𝑧𝑎𝑟 )

Où :
- 𝑓 : coefficient de résistance au roulement

Dynamique de la chaîne cinématique

La dynamique de la chaîne cinématique d’un véhicule est constituée de plusieurs composantes,

notamment :

- Le moteur
- Les roues
- La transmission

La chaîne cinématique du véhicule est représentée sur la figure 4.12.

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 :

Inventaire des couples régies par le moteur

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

Par substitution avec l’équation (4.142), on a l’équation (4.141). ♦

Dynamique de la roue

Pour les roues motrices, l'équation dynamique de la dynamique de rotation est donnée par :

𝐼𝑟𝑜𝑢𝑒 𝜔̇ 𝑟𝑜𝑢𝑒 = 𝑇𝑟𝑜𝑢𝑒 − 𝑟𝑒𝑓𝑓 𝐹𝑥

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 :

Considérons la figure ci-après :

Inventaire des couples régies par le moteur

Il suffit d’appliquer le principe fondamental de la dynamique en rotation. ♦

Pour les roues non-motrices, l’équation dynamique est donnée par :

𝐼𝑟𝑜𝑢𝑒 𝜔̇ 𝑟𝑜𝑢𝑒 = −𝑟𝑒𝑓𝑓 𝐹𝑥

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

Soit 𝑅 le rapport d'engrenage de la transmission. La valeur de 𝑅 dépend du rapport de

commande et inclut la réduction finale du différentiel. En général, 𝑅 < 1 augmente au fur et à
mesure que la vitesse augmente.

Considérons la figure suivante :

Inventaire des couples dans la transmission

En régime permanent, le couple transmis aux roues est donné par :

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

Et en introduisant le rapport de transmission, noté par 𝑅 on obtient les équations (4.146) et

(4.147). ♦

Calcul du couple moteur pour l'accélération souhaitée

Le couple de combustion requis est donné par l’équation suivante.

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

On peut écrire que :

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 :

𝑚𝑟𝑒𝑓𝑓 𝑅𝜔̇ 𝑒 = 𝐹𝑥 − 𝑅𝑥 − 𝐹𝑎𝑒𝑟

Ou encore :

𝐹𝑥 = 𝑚𝑟𝑒𝑓𝑓 𝑅𝜔̇ 𝑒 + 𝑅𝑥 + 𝐹𝑎𝑒𝑟

Par substitution, on peut écrire que :

𝐼𝑟𝑜𝑢𝑒 𝜔̇ 𝑟𝑜𝑢𝑒 = 𝑇𝑟𝑜𝑢𝑒 − 𝑚𝑟𝑒𝑓𝑓 2 𝑅𝜔̇ 𝑒 + 𝑟𝑒𝑓𝑓 𝑅𝑥 + 𝑟𝑒𝑓𝑓 𝐹𝑎𝑒𝑟

on a alors :

𝑇𝑟𝑜𝑢𝑒 = 𝐼𝑟𝑜𝑢𝑒 𝑅𝜔̇ 𝑒 + 𝑚𝑟𝑒𝑓𝑓 2 𝑅𝜔̇ 𝑒 − 𝑟𝑒𝑓𝑓 𝑅𝑥 − 𝑟𝑒𝑓𝑓 𝐹𝑎𝑒𝑟

Appliquons maintenant le théorème fondamental de la dynamique en rotation sur la

transmission.
𝐼𝑡 𝜔̇ 𝑡 = 𝑇𝑡 − 𝑅𝑇𝑟𝑜𝑢𝑒

on obtient :

𝐼𝑡 𝜔̇ 𝑡 = 𝑇𝑡 − 𝐼𝑟𝑜𝑢𝑒 𝑅 2 𝜔̇ 𝑒 + 𝑚𝑟𝑒𝑓𝑓 2 𝑅 2 𝜔̇ 𝑒 − 𝑅𝑟𝑒𝑓𝑓 𝑅𝑥 − 𝑅𝑟𝑒𝑓𝑓 𝐹𝑎𝑒𝑟

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 :

𝐼𝑒 𝜔̇ 𝑒 = 𝑇𝑒 − (𝐼𝑡 + 𝐼𝑟𝑜𝑢𝑒 𝑅 2 − 𝑚𝑟𝑒𝑓𝑓 2 𝑅 2 )𝜔̇ 𝑒 − 𝑅𝑟𝑒𝑓𝑓 𝑅𝑥 − 𝑅𝑟𝑒𝑓𝑓 𝐹𝑎𝑒𝑟

Posons :

𝐽𝑒 = 𝐼𝑒 + 𝐼𝑡 + 𝐼𝑟𝑜𝑢𝑒 𝑅 2 − 𝑚𝑟𝑒𝑓𝑓 2 𝑅 2

Où :

- 𝐽𝑒 : inertie effective du moteur

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

On peut écrire que :

𝑇𝑒 − 𝑅𝑟𝑒𝑓𝑓 𝑅𝑥 − 𝑐𝑎 𝑟𝑒𝑓𝑓 3 𝑅 3 𝜔𝑒 2
𝜔̇ 𝑒 =
𝐽𝑒

Comme on sait que :

𝑥̈
𝜔̇ 𝑒 =
𝑟𝑒𝑓𝑓 𝑅

D’une autre manière, on peut l’interpréter suivant l’équation (4.166).

𝑇𝑒 𝑖𝑔
𝐹𝑥 = 𝑟
𝑒𝑓𝑓 𝑅

Avec :

- 𝑅 : rapport d'engrenage de la transmission

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

En considérant l’équation (4.146) :

𝑇𝑡
𝐹𝑟𝑜𝑢𝑒 =
𝑟𝑒𝑓𝑓 𝑅

Introduisant maintenant le concept de rapport de vitesse :

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 :

 « Commande robuste et Mu-analyse d’un véhicule » MADA-ETI, ISSN 2220-0673,

Volume 1, 2019, http://madarevues.recherches.gov.mg.
 « Robust control and mu-analysis of a vehicle » IJARIIE-ISSN(O)-2395-4396, Vol-5
Issue-4 2019

Commande robuste d’un véhicule

5.2.1 Commande du modèle latéral

Equation d’état du modèle latéral d’un véhicule

L’équation du modèle latéral d’un véhicule est donnée par :

𝑞̇ = 𝐴𝑞 + 𝐵𝛿
{
𝑠 = 𝐶𝑞 + 𝐷𝛿

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

Diagramme du modèle latéral

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

Schéma fonctionnel du modèle latéral

Le schéma fonctionnel du système est donné par la figure 5.02.

Synthèse du schéma fonctionnel 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

Ainsi, l’application numérique nous permet d’obtenir les valeurs suivantes :

−0,83 −1,62 10,01 −13,59

6,75 −4,07 −99,9 −0,19
𝐴=[ ]
0 1 0 0
−2,18 −0,31 5,18 −6,45

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.

Réponse impulsionnelle de la vitesse d’orientation du véhicule

Tableau 5.01: Valeurs propres du modèle latéral du véhicule

Partie réelle Parti imaginaire Amortissement Fréquence

0 -1 2,45
2,45
10,4
-2,36 10,1 0,228
10,4
-2,36 -10,1 0,228
9,1
-9,1 -6,16 1

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.

Emplacement des valeurs propre dans un repère complexe

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.

Calcul du Correcteur nominal du modèle latéral par synthèse H-infinie

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

0,5743. 105 𝑠 3 + 0,7933. 106 𝑠 2 + 0,8617. 107 𝑠 + 0,56. 108

𝑠 4 + 1,642. 105 𝑠 3 − 1,414. 106 𝑠 2 + 5,164. 107 𝑠 − 9,492. 108
𝐾𝐻0 =
0,234. 105 𝑠 3 + 0,3233. 106 𝑠 2 + 0,3511. 107 𝑠 + 0,2282. 108
𝑠 4 + 1,642. 105 𝑠 3 − 1,414. 106 𝑠 2 + 5,164. 107 𝑠 − 9,492. 108

−0,8624. 105 𝑠 3 − 1,191. 106 𝑠 2 − 1,294. 107 𝑠 − 0,8409. 108

[𝑠 4 + 1,642. 105 𝑠 3 − 1,414. 106 𝑠 2 + 5,164. 107 𝑠 − 9,492. 108 ]

Stabilité nominale du modèle latéral

La figure ci-dessous nous montre que le système corrigé est maintenant stable car tous les pôles
sont dans le demi-plan gauche.

Figure 5.05 : Emplacement des valeurs propre du système corrigé dans un repère complexe

Les pôles du système bouclé nominal sont donnés au tableau 5.02.

194
 Tableau 5.02: Valeurs propres du modèle latéral du véhicule

Partie réelle Partie imaginaire Fréquence Amortissement

-4,48 0 4,48 1
-5,19 7,46 9,09 0,521
-5,19 -7,46 9,09 0,521
-7,40 5,38 9,15 0,809
-7,40 -5,38 9,15 0,809
-2,03 9,78 9,99 0,203
-2,03 -9,78 9,99 0,203
-620 0 6,20 1

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.

Performance nominale du modèle latéral

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.

Diagramme de simulation pour l’étude de la performance nominale

La pondération choisie a pour fonction de transfert :

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.

Schéma d’analyse de la performance nominale du modèle latéral

Réponses fréquentielles de la fonction sensibilité et de son

complémentaire (modèle latéral)

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.

On constate que l’inverse de la fonction de pondération couvre la fonction de sensibilité.

1
|𝑆(𝑗𝜔)| <
|𝑤1 (𝑗𝜔)|

Ainsi, la condition de performance nominale est vérifiée.

5.2.2 Commande du modèle longitudinal

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.

Sa fonction de transfert est donnée par l’équation (4.110) du chapitre précédent.

5.2.1.1. Equation d’état du modèle longitudinal d’un véhicule

L’équation d’état du système de suivi est exprimée comme suit :

̈
𝛿𝑖−1 𝑋1 𝑋2 𝑋3 𝛿𝑖−1̇ 1
̇ )=(1
(𝛿𝑖−1 0 0 ) (𝛿𝑖−1 ) + ( 0) 𝜀̈𝑖
𝛿𝑖̇ 0 𝜆 0 𝛿𝑖 0
̇
𝛿𝑖−1
𝑥̈ 𝑖 = (0 𝑀1 𝑀2 ) (𝛿𝑖−1 )
{ 𝛿𝑖
𝑋1 𝑋2 𝑋3 1
Avec : (1 0 0 ) = 𝐴, (0) = 𝐵et C= (0 𝑀1 𝑀2 )
0 𝜆 0 0
Où:
1
𝑋1 = 𝑋3 = −
𝜆
1
𝑋1 = 𝑋3 = −
𝜆
𝑋2 = −𝜆 − ℎ
1
𝑀1 =
ℎ𝜎
𝜆
𝑀2 =
ℎ𝜎

197
Diagramme du modèle longitudinal

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.

Schéma fonctionnel du modèle longitudinal (suivi du véhicule)

Schéma fonctionnel du modèle longitudinal pour le suivi du véhicule

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

L’application numérique nous permet d’obtenir l’équation (5.07).

199
 𝑠+4
𝐺(𝑠) =
0,225𝑠 3 + 0,3𝑠 2 + 2,2𝑠 + 4

Etude de la stabilité du modèle longitudinal

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.

Réponse impulsionnelle de l’écart entre deux véhicules

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

Partie réelle Parti imaginaire Amortissement Fréquence

0,187 3,22 -0,0579 3,23
0,187 -3,22 -0,0579 3,23
-1,71 0 1 1,71

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.

Calcul du Correcteur nominal du modèle longitudinal par synthèse H-infinie

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.

Le correcteur obtenu par synthèse a pour fonction de transfert :

−4,773. 106 𝑠 2 − 4,598. 105 𝑠 + 1,312. 107

𝐾𝐻0𝐿 = 3
𝑠 + 4,725. 106 𝑠 2 + 4,772. 107 𝑠1,236. 108

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.

Emplacement des valeurs propres du système corrigé dans un repère

complexe

Tableau 5.04: Valeurs propres du modèle latéral du véhicule

Partie réelle Partie imaginaire Fréquence Amortissement

-0,325 0 0,325 1
-0,398 0 0,398 1
-0,837 0,816 1,17 0,716
-0,837 -0,816 1,17 0,716
-0,197 0,197 2,78 0,708
-0,197 -0,197 2,78 0,708

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.

Performance nominale du modèle longitudinal

La figure ci-dessous représente le schéma bloc pour l’étude de la performance nominale.

La pondération choisie a pour fonction de transfert :

𝑠 + 10,75
𝑤1 =
𝑠 + 11

Diagramme de simulation pour l’étude de la performance nominale

du modèle longitudinal

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 qui est présenté sur la figure 5.15.

La figure 5.16 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.

203
 Schéma d’analyse de la performance nominale du modèle
longitudinal

Réponses fréquentielles de la fonction sensibilité et de son

complémentaire (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

Etude du modèle latéral du véhicule soumis à des perturbations

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.

Pour tous les paramètres, on a choisit 𝜔𝑖 = 0,2 .

En appliquant la transformation linéaire fractionnaire supérieure nous permet d’obtenir
l’équation ci-dessous :

𝑝̃𝑖 = [𝑄22 + 𝑄21 ∆𝑢 (𝐼 − 𝑄11 ∆𝑢 )−1 𝑄12 ]

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.

Les pondérations sont choisies telles que :

𝑠 + 10,75 𝑠 + 10
𝑊1 = , 𝑊2 =
𝑠 + 11 2𝑠 + 50

Figure 5.14 : Schéma bloc de la synthèse.

Le correcteur obtenu par synthèse a pour matrice :

4,044. 10−5 𝑠 4 − 26,88𝑠 3 − 524,7𝑠 2 − 5733𝑠 − 3,778. 10−4

𝑠 4 + 1,988. 104 𝑠 3 + 3,803. 105 𝑠 2 + 4,027. 106 𝑠 + 7,385. 106

−4,589. 10−4 𝑠 4 + 30,5𝑠 3 + 595,5𝑠 2 + 6505𝑠 + 4,288. 10−4

𝑠 4 + 1,988. 104 𝑠 3 + 3,803. 105 𝑠 2 + 4,027. 106 𝑠 + 7,385. 106
𝐾𝐻0 =
−1,969. 10−7 𝑠 4 + 0,1308𝑠 3 + 2,554𝑠 2 + 27,9𝑠 + 183
𝑠 4 + 1,988. 104 𝑠 3 + 3,803. 105 𝑠 2 + 4,027. 106 𝑠 + 7,385. 106

2,202. 10−5 𝑠 4 − 14,64𝑠 3 − 285,7𝑠 2 − 3122𝑠 − 2,058. 10−4

[𝑠 4 + 1,988. 104 𝑠 3 + 3,803. 105 𝑠 2 + 4,027. 106 𝑠 + 7,385. 106 ]

207
 Norme H infinie du système corrigé du modèle latéral

Robustesse en stabilité 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.

Schéma d’analyse de la robustesse en stabilité du modèle latéral

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 }

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 (𝑀𝑟𝑠 ) du correcteur est représentée
sur la figure 5.17.

Le système est stable en robustesse car max[𝜇(𝑀𝑟𝑠 )] < 1 pour la boucle.

Analyse de la robustesse en stabilité du modèle latéral

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.
Nous rappelons que l’introduction de l’incertitude complexe 𝛿1 permet de transformer la
condition de robustesse en performance en condition de robustesse en stabilité des systèmes
linéaires, et de tester cette condition par utilisation de la notion de valeurs singulières structurées.
L’incorporation de cette incertitude complexe a en général pour effet d’adoucir la courbe de
  [Mrp ( j)]
.

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 }

Schéma d’analyse de la robustesse en performance du modèle

latéral

Analyse de la robustesse en performance du modèle latéral

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.

Etude du modèle longitudinal du véhicule soumis à des perturbations

Comme dans le paragraphe précédent, l’application de la transformation linéaire supérieure nous

permet d’obtenir le schéma sur la figure 5.20. Comme l’étude précédente, nous adopterons une
erreur de modèle de forme additive directe pour la synthèse du correcteur pour ce système.

Les pondérations sont choisies telles que :

𝑠 + 10,75
𝑤1 =
𝑠 + 11
0,25𝑠 + 1
𝑊2 =
0,5𝑠 + 1

Schéma fonctionnel du modèle latéral

211
 Schéma bloc de la synthèse.

On obtient par Synthèse 𝐻∞ :

−7,286. 10−5 𝑠 3 + 0,08186𝑠 2 + 0,1972 𝑠 + 0,1309

𝐾𝐻 =
𝑠 3 + 18,34𝑠 2 + 78,36𝑠 + 147,8

Robustesse en stabilité du modèle latéral

En isolant les incertitudes 𝛿𝜆 , 𝛿ℎ et 𝛿𝜏 , nous obtenons le schéma d’analyse de la robustesse en

stabilité (figure 5.22). En rassemblant les trois incertitudes dans un seul bloc, nous obtenons la
matrice d’incertitude donnée par l’équation (5.19).

Δ𝑟𝑠 (𝑠) = 𝑑𝑖𝑎𝑔{𝛿𝜆 ; 𝛿ℎ ; 𝛿𝜏 }

La reponse fréquentielle des bornes inférieure et supérieure de la valeur singulière structurée de

la matrice d’analyse de la robustesse en stabilité du système (𝑀𝑟𝑠 ) du correcteur est représentée
sur la figure 5.23.

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

Figure 5.23 : 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.

Nous rappelons que l’introduction de l’incertitude complexe 𝛿1 permet de transformer la

condition de robustesse en performance en condition de robustesse en stabilité des systèmes
linéaires, et de tester cette condition par utilisation de la notion de valeurs singulières structurées.

L’incorporation de cette incertitude complexe a en général pour effet d’adoucir la courbe de

  [Mrp ( j)]
. En isolant les incertitudes 𝛿1 , 𝛿𝜆 , 𝛿ℎ et 𝛿𝜏 , nous obtenons le schéma d’analyse
de la robustesse en stabilité.

En rassemblant les quatre incertitudes dans un seul bloc, nous obtenons la matrice d’incertitude
suivante :

Δ𝑟𝑠 (𝑠) = 𝑑𝑖𝑎𝑔{𝛿1 ; 𝛿𝜆 ; 𝛿ℎ ; 𝛿𝜏 }

Schéma d’analyse de la robustesse en performance du modèle latéral

214
 Analyse de la robustesse en performance du modèle latéral

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 ci-dessus.

Commande neuro-floue

Dans ce paragraphe nous allons essayer d’élaborer un système de régulation de vitesse du

véhicule. En effet, nous voulons que la vitesse du véhicule soit contrôlée à une valeur souhaitée
(80𝑘𝑚/ℎ) avec un temps de réponse inférieur ou égale une demi-heure (30 𝑚𝑖𝑛) en utilisant
l'entrée de commande de l'accélérateur.

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

Pour cette étude nous considérons les paramètres suivants :[4.02]

- Masse du véhicule : 1000𝑘𝑔

- Gravitation terrestre : 10𝑁/𝑚
- densité de l’air : 1,2𝑘𝑔/𝑚3
- coefficient de trainé aérodynamique : 0,3
- surface frontale du véhicule : 2,7𝑚2
- rayon effectif du pneu en rotation : 0,25𝑚
- rapport d'engrenage de la transmission : 1,8
- rapport de vitesse : 0,8

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.

Division des espaces d'entrées et de sorties en régions floues

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].

Création des règles floues

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.

Rè𝑔𝑙𝑒1 ∶ 𝑆𝐼 𝑢 𝑒𝑠𝑡 𝑚𝑓1 𝑒𝑡 𝑑𝑢 𝑒𝑠𝑡 𝑚𝑓1, 𝑎𝑙𝑜𝑟𝑠 𝑢 𝑒𝑠𝑡 𝑚𝑓3

Rè𝑔𝑙𝑒2 ∶ 𝑆𝐼 𝑢 𝑒𝑠𝑡 𝑚𝑓1 𝑒𝑡 𝑑𝑢 𝑒𝑠𝑡 𝑚𝑓2, 𝑎𝑙𝑜𝑟𝑠 𝑢 𝑒𝑠𝑡 𝑚𝑓3
Rè𝑔𝑙𝑒3 ∶ 𝑆𝐼 𝑢 𝑒𝑠𝑡 𝑚𝑓1 𝑒𝑡 𝑑𝑢 𝑒𝑠𝑡 𝑚𝑓3, 𝑎𝑙𝑜𝑟𝑠 𝑢 𝑒𝑠𝑡 𝑚𝑓2
Rè𝑔𝑙𝑒4 ∶ 𝑆𝐼 𝑢 𝑒𝑠𝑡 𝑚𝑓2 𝑒𝑡 𝑑𝑢 𝑒𝑠𝑡 𝑚𝑓1, 𝑎𝑙𝑜𝑟𝑠 𝑢 𝑒𝑠𝑡 𝑚𝑓1
Rè𝑔𝑙𝑒5 ∶ 𝑆𝐼 𝑢 𝑒𝑠𝑡 𝑚𝑓2 𝑒𝑡 𝑑𝑢 𝑒𝑠𝑡 𝑚𝑓2, 𝑎𝑙𝑜𝑟𝑠 𝑢 𝑒𝑠𝑡 𝑚𝑓2
Rè𝑔𝑙𝑒6 ∶ 𝑆𝐼 𝑢 𝑒𝑠𝑡 𝑚𝑓2 𝑒𝑡 𝑑𝑢 𝑒𝑠𝑡 𝑚𝑓3, 𝑎𝑙𝑜𝑟𝑠 𝑢 𝑒𝑠𝑡 𝑚𝑓3
Rè𝑔𝑙𝑒7 ∶ 𝑆𝐼 𝑢 𝑒𝑠𝑡 𝑚𝑓3 𝑒𝑡 𝑑𝑢 𝑒𝑠𝑡 𝑚𝑓1, 𝑎𝑙𝑜𝑟𝑠 𝑢 𝑒𝑠𝑡 𝑚𝑓2
Rè𝑔𝑙𝑒8 ∶ 𝑆𝐼 𝑢 𝑒𝑠𝑡 𝑚𝑓3 𝑒𝑡 𝑑𝑢 𝑒𝑠𝑡 𝑚𝑓2, 𝑎𝑙𝑜𝑟𝑠 𝑢 𝑒𝑠𝑡 𝑚𝑓1
Rè𝑔𝑙𝑒9 ∶ 𝑆𝐼 𝑢 𝑒𝑠𝑡 𝑚𝑓3 𝑒𝑡 𝑑𝑢 𝑒𝑠𝑡 𝑚𝑓3, 𝑎𝑙𝑜𝑟𝑠 𝑢 𝑒𝑠𝑡 𝑚𝑓1

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.

𝑑𝑢 mf1 mf2 mf3

𝑢

mf1 mf3 mf3 mf2

mf2 mf1 mf2 mf3

mf3 mf2 mf1 mf1

Création d'une cartographie basée sur la base de règle

Dans l’optique de déterminer la valeur réelle de la sortie du système floue, on a utilisé la

défuzzification par la méthode de Larsen et Madani, telle que décrite dans le paragraphe 2.2.4.2.
Elle repose sur le choix de la fonction d’agrégation. La forme des fonctions d’appartenance choisi
est de type trapézoïdale.

La surface des règles est donnée par la figure 5.26.

Après simulation, on a obtenu le résultat illustré sur la figure 5.27.

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

Réponse de la vitesse soumise à un contrôleur flou

5.3.2 Commande par réseau de neurone de la vitesse du véhicule

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.

Schéma de commande par réseau de neurone

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.

Base des règles pour le contrôle de la vitesse par logique floue

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.

Illustration les donnée d’apprentissage

Après simulation, on obtient le résultat suivant. (figure 5.29).

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

5.3.3 Commande par neuro-floue de la vitesse du véhicule

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.

La formation du système d’inférence flou est détaillé comme suit :

- la méthode d'optimisation choisi est l’hybride. En effet, cette méthode d'optimisation
forme les paramètres de la fonction d'appartenance pour émuler les variables. La méthode
d'optimisation hybride est une combinaison de moindres carrés et méthode de descente
de gradient de rétropropagation.
- Le nombre d’époque est défini à 30. Le processus de formation s'arrête lorsque le nombre
maximum d'époque est atteint.
- Pour finir nous allons effectuer l’apprentissage du système pour former le système
d’inférence flou. Cette action ajuste les paramètres de la fonction d'appartenance et
affiche les tracés d'erreur.
La définition des entrées et sortie est la même que celle du paragraphe 5.3.1.

Notre correcteur est également constitué de 5 couches.

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

Dans le cas où 𝑈 constante, on obtient un modèle de Sugeno d’ordre zéro ; et lorsque la

commande U est une combinaison linéaire des entrées : 𝑈 = 𝑎𝐸 + 𝑏 𝑑𝐸 + 𝑐, on obtient un
modèle de Sugeno de premier ordre.

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.

Illustration de l’apprentissage du régulateur (ANFIS)

Après simulation, on obtient le résultat illustré sur la figure 5.33.

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.

Finalement, nous avons pu mettre en application plusieurs 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 étaient initialement instable, des
correcteurs y ont été appliqués 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. La performance du système a été déterminé par le biais de la Mu-analyse.
Ainsi nous avons pu observer la robustesse en stabilité ainsi que la robustesse en performance de
notre système. L’application de la régulation de la vitesse du véhicule nous a permis de constater
que la commande floue est plus rapide mais moins précise que celle par le réseau de neurone et
que la commande neuro-floue conserve les qualités de ces derniers.

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.

[1.02] G.Duc et S.Font, « Commande 𝐻∞ et  -Analyse », Paris : Hermès, 1999.

[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.

[1.05] U. Mackenroth, "Robust Control Systems", Springer, 2004.

[1.06] R.J. Adams, "Robust Multivariable Flight Control", Springer, 1994.

[1.07] L.M. Maciejowski, "Multivariable Feedback Design ", Addison-Wesley, New

York, 1989.

[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.

[1.11] R. Nagamune, "Multivariable Feedback Control, Structured Singular Value (µ)",

University of British Columbia, 2009.

[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.

[1.15] K. Zhou, J.Doyle,"Essentials of Robust Control", Prentice Hall, 1999.

[1.16] D.C. McFarlane, K. Glover, "Robust Controller Design Using Normalized

Coprime Factor Plant Descriptions", Springer-Verlag, 1990.

[1.17] A.C. Clay, F. Wong, "Complex Analysis: Complex Function Theory", Université
Harvard, 2013.

[1.18] F. Bonnans, P. Rouchon, "Commande et Optimisation de Systèmes Dynamiques",

Les éditions de l’école polytechnique, 2005.

[1.19] K. Ogata, "Modern Control Engineering", Prentice Hall, 2010.

T.Basar et P.Bernhard « 𝐻∞ -optimal Control and Related Minimax Design

[1.20] Problems ». A dynamic Game Approach. Birkhauser , Boston, 1991.

[1.21] K. Zhou, J.C. Doyle, K. Glover, “Robust and Optimal Control”, Prentice Hall,
New Jersey, 1996.

[1.22] C. Fielding, A. Varga, S. Bennani, M. Selier, “Advanced Techniques for

Clearance of Flight Control Laws”, Springer, 2002.

[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.

[1.25] K. Johan, R. Murray, "Feedback Systems, An Introduction for Scientists and

Engineers", Princeton University Press, 2008.

[1.26] E. Deza, "Dictionary of Distance", Elsevier, 2006.

[1.27] E. Deza, "Encyclopedia of Distance", Springer, 2009.

230
[1.28] X. Jiang, L. Ning, T.T. Georgiou, “Distances and Riemannian Metrics for
Multivariate Spectral Densities”, Arxiv preprint, arXiv:1107.1345, 2011.

[1.29] M. Fujita, “Robust and Optimal Control”, S5-303B, 2015.

[1.30] B. Josefin, “Automatic tuning of PID Controllers based on Asymmetric Relay

Feedback”, APA Lund University, 2015.

[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.

[2.01] M.Parizeau, “réseaux de neurones.”, Université LAVAL, 2004.

[2.02] B.B.Meunier, C.Marsala “ Logique floue, principe, aide à la décision " ,

Lavoisier,2003.

[2.03] L.A. Zadeh “Fuzzy Logic Toolbox” January 10, 1995W.

C. Abderrazak,“Modélisation et commande neuronales d’une unité de régulation

[2.04]
de niveau d’eau”, Ecole Nationale d’Ingénieurs de Tunis, 2005.
M. Salem, “Commande neuronale inverse des systèmes non linéaires”, Centre
[2.05]
Universitaire Mustapha Stambouli, 2009.

[2.06] W. Patrice, “Réseau de neurones artificiels : architectures et applications

”,Université de Haute Alsace, 2009.

[2.07] B.Mahdi, “Réseaux de neurones artificiels appliqués à la méthode

électromagnétique transitoire infini TEM ”, Université du Québec en Abitibi
Témiscamingue ,2011.

[2.08] G. Dreyfus, “Les réseaux de neurones”, ESPCI, Paris, 1998.

V.Nathalie, “Réseau de neurons à entrées fonctionnelles”, Université Toulouse

[2.09] Le Mirail , 2004.

231
[2.10] K.Hiba, “Application du Réseau de Neurones Gamma à la Reconnaissance de la
Parole”, IEEE, 2007.

[3.01] S. Pommier, “Mécanique générale”, Dunod, 2010.

[3.02] J.Thomas, “Hybrid Systems, Optima Control and Hybrid Vehicles” Published by
Springer, 2016.

[3.03] W. Chen, “Integrated vehicle dynamics and control”, Wiley,2016.

[3.04] F.Hamed, “Autonomous Guided Vehicles”, Published by Springer, 2015.

[3.05] P.J.From, “Vehicle Manipulator Systems”, Published by Springer, 2012.

[3.06] H.Imine, “Sliding Mode Based Analysis and Identification of vehicle dynamics ”,
Published by Springer, 2011.

[3.07] B, Jager, “Optimal control of hybrid vehicles”, Published by Springer, 2013.

[3.08] U.Kiencke, “Automotive Control systems”, Published by Springer, 2004.

[3.09] B.Lantos, L. Marton, “Nonlinear control of vehicles and robots”, Published by

Springer, 2009.

[3.10] K.Nonami, “Autonomous Control Systems and vehicles”, Published by Springer,

2013.

[3.11] Z.Qu, “Cooperative Control of Dynamical Systems”, Published by Springer,

2008.

[3.12] J. Ferreira, “Cours de Mécanique Analytique”, Laboratoire d’Astrophysique de

Granoble, 2002.

[3.13] L. Meirovitch, “Methods of Analytical Dynamics”, Hill, 1970.

[4.01] R.Rajamani, “Vehicle Dynamics and Control”, Published by Springer, 2005.

232
[4.02] O.Sename, “ Robust Control and Linear Parameter Varying Approaches
Application to Vehicle Dynamics”, Published by Springer, 2012.

[4.03] G.Ullrich, “Automated Guided Vehicle Systems ”, Published by Springer, 2014.

[4.04] X.Zhang, “Vehicle Power Management Modeling, Control and Optimization”,

Published by Springer, 2011.

[4.05] J.Edelman, “AdvancedVehicle Control”, Taylor&Francis Group.

[4.06] R.N.Jazar, “Vehicle Dynamics: Theory and Applications”, Published by Springer.

[4.07] A.G. Rabearivelo, “Contribution à la modélisation, à la commande robuste, à la

mu-analyse des rotors et des systèmes de vol d’hélicoptère ”, Thèse de doctorat
nouveau régime Université d’Antananarivo, 2018.

[5.01] S.H. Ranarison, “Contribution à la modélisation, à la commande robuste et à la

mu-analyse d’un avion souple ”, Thèse de doctorat nouveau régime Univérsite
d’Antananarivo, 2018.

[5.02] A.A. Randriamitantsoa, “ Commande robuste et modélisation des systèmes

informatiques d’un avion en vols longitudinal et lateral ”, Thèse de doctorat,
Univérsite d’Antananarivo, 2013.

[5.02] P.A. Randriamitantsoa, “ Contribution à l’analyse robuste et à la commande

Optimale Modale des systèmes linéaire ”, Thèse de doctorat, Univérsite
d’Antananarivo, Mars 2001.

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

Prénoms :Ny Hasina

Adresse de l’auteur :Lot ITM55H Ambodifasika, Itaosy

Téléphone : +261 34 06 262 61

E-mail :nyhasina.rakotovao1@gmail.com

Titre du Mémoire :

CONTRIBUTION A LA MODELISATION, PAR LA COMMANDE

ROBUSTE ET A LA MU-ANALYSE A TEMPS CONTINU D’UN
VEHICULE

Directeur de thèse : Pr RANDRIAMITANTSOA Paul Auguste

Téléphone : +261 34 10 342 58

E-mail : rpauguste@gmail.com

Co-Directeur de thèse : Dr-HDR RANDRIAMITANTSOA Andry Auguste

Téléphone : +261 34 74 495 63

E-mail : andriau23@gmail.com

Nombre de pages : 280

Nombre de tableaux : 7

Nombre de figures : 106

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

Véhicule, h-infinie, mu-analyse, commande floue, réseau de neurones

ABSTRACT AND KEYS WORDS

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

Vehicle, h-infinite, mu-analysis, fuzzy control, neural network

286