Memoire Final

REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE
MINISTRE DE L’ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE

SCIENTIFIQUE
UNIVERSITE LARBI BEN M’HIDI D’OUM EL BOUAGHI
FACULTE DES SCIENCES ET SCIENCES APPLIQUEES
Département de génie électrique
Filière : génie électrique
MEMOIRE DE FIN D’ETUDES

En vue de l’obtention du
DIPLÔME DE MASTER
Spécialité : Électronique des systèmes embarques
Thème
Modélisation et commande d'un drone quadrirotor par
les réseaux Neuro-Flous et PID
Mémoire de fin d’étude soutenu publiquement à Oum el bouaghi
Présenté par :
ROUHANI Dhia eddine
Dirigé par :
Dr. LAMAMRA Kheireddine
Promo 2019
Remerciements
‫الحمد والشكر هلل العلي القدير على التوفيق والسداد‬
Je remercie vivement mon encadreur Dr LAMAMRA Kheireddine

qui a accepté avec plaisir de superviser ce travail et a veillé à son bon déroulement
avec beaucoup de compétences.
Je le remercie pour sa disponibilité, sa patience, ses conseils et la confiance qu'il
m'a accordée.
Merci pour l'acuité de ses critiques et le temps qu'il a bien voulu me consacrer;
que dieu tout puissant lui accorde sa bénédiction.
J'exprime aussi toute ma reconnaissance et gratitude au corps professionnel
et administratif du département de génie électrique, plus particulièrement Mr
Le chef de département Dr. Ali Djebabla et l'ensemble des enseignants pour tous
les efforts fournis afin d'assurer une formation de qualité à leurs étudiants, en
nous partageant leur savoir et en nous soutenant tout au long de notre carrière,
ainsi que toute autre personne travaillant dans notre faculté.
Mes remerciements vont également aux membres du jury d'avoir accepté
d'évaluer et de lire mon mémoire, pour leur présence et les précieuses
remarques améliorant mon travail.
Mes remerciements les plus chaleureux s'étendent également à mes amis (Ali
Cherrad, Zaki Kara, Jalal baladji et Ammari sarra) pour leurs aides, leurs
conseils éclairés et leurs encouragements.
Sans oublier mes amis proches et collègues (Seif, Amer et Wissam) d'avoir mes
aider.
Afin de n'oublier personne, mes vifs remerciements s'adressent à tous ceux et
celles qui ont contribué de près ou de loin à la réalisation de ce modeste travail.
Vous étiez ma lueur d'espoir durant ce long parcours
Merci du fond du cœur.
I
Dédicaces
Me voici aujourd'hui au bout de mon chemin, je résume mon long
parcours entre les lignes de ce modeste travail, je remercie en premier lieu
ALLAH le tout puissant; sans sa bénédiction je ne serai pas là.
Je dédie ce modeste travail en signe de respect, reconnaissance et

remerciement
À ceux qui sont les plus chers au monde, mes très chers parents qui
n'ont jamais cessés de formuler des prières à mon égard de me soutenir
et de m'épauler pour que je puisse atteindre mes objectifs; qui ont œuvrés
pour ma réussite, par leur amour, leur soutien pour m'avoir aidé à avancer
dans la vie, tous les sacrifices consentis, privations et leurs précieux
conseils; pour toute leur assistance et leur présence dans ma vie; qu'ils
reçoivent à travers ce travail aussi modeste soit-il l'expression de mes
sentiments et de mon éternelle gratitude.
Puisse DIEU, le Très Haut vous accorde santé, bonheur et longue vie et
faire en sorte que jamais je ne vous déçois.
A mes chers frères, pour leurs encouragements et leur soutien

moral, je vous souhaite plein de succès, de joie et de bonheur.
À la petite perle de la maison, ma nièce (Nadoucha), qu’Allah la

protège.
À tous ceux qui ont participés à l'élaboration de ce modeste

travail.
Je prie que ce modeste travail sera une source de savoir bénéfique pour
tout étudiants et chercheurs.
Qu’Allah vous protège tous,
MERCI
Rouhani Dhia Eddine

II
Table des matières
REMERCIEMENTS ......................................................................................................................... I
DEDICACES .................................................................................................................................. II
TABLE DES MATIERES ................................................................................................................. III
LISE DES FIGURES ...................................................................................................................... VII
LISTE DES TABLEAUX .................................................................................................................. IX
INTRODUCTION GENERALE ........................................................................................................ XI
CHAPITRE I : MODELISATION D’UN DRONE QUADRIROTOR ........................................................ 1
I.1 Introduction .................................................................................................................................................. 2
I.2 Définition : .................................................................................................................................................... 2
I.3 Etat de l’art ................................................................................................................................................... 2
I.4 Utilité des drones .......................................................................................................................................... 2
I.5 Domaines d'utilisation des drones ................................................................................................................ 3

I.5.1 Agriculture et environnement : .............................................................................................................. 3
I.5.2 Les drones militaires : ............................................................................................................................. 3
I.5.3 Les drones ambulanciers : ...................................................................................................................... 4
I.6 Les drones hélicoptères existants : ............................................................................................................... 4

I .6.1 Hélicoptère Mono-rotor : ..................................................................................................................... 4
I.6.2 Hélicoptère Birotors : ............................................................................................................................ 5
I.6.3 Hélicoptère Tri-rotor :............................................................................................................................. 5
I.6.4 L’hélicoptère Multi rotor (hélicoptère à plusieurs voilures tournantes): ................................................. 6
I.7 Description générale du quadrirotor:............................................................................................................ 7

I.7.1 Les mouvements possibles de quadrirotor : ........................................................................................... 8
I.7.2 Modèle géométrique du drone : ............................................................................................................. 9
III
I.7.3 Expression de l’énergie potentielle: ...................................................................................................... 10
I.7.4 L’énergie cinétique : ............................................................................................................................. 10
I.7.5 Equation de mouvement : .................................................................................................................... 11
I.7.6 Le modèle dynamique dérivé :.............................................................................................................. 12
I.8 Etude dynamique d’un moteur : ................................................................................................................. 13

I.8.1 Les équations d’un moteur DC : ............................................................................................................ 13
I.9 Conclusion : ................................................................................................................................................. 14
CHAPITRE II : LE CONTROLE PID ET NEURO-FLOU ...................................................................... 17
II .1 Introduction :............................................................................................................................................ 16
II.2. Le contrôleur PID....................................................................................................................................... 16

II.2.1 Réglage des coefficients d'un PID : ...................................................................................................... 17
II.2.2 Structure du régulateur PID: ................................................................................................................ 17
II.2.3 Avantages et inconvénients du régulateur PID :................................................................................... 17
II .2 Le contrôle par la logique floue ................................................................................................................. 18

II .2.2 Eléments de base de la logique floue .................................................................................................. 18
II.2.2.1 Les ensembles flous ..................................................................................................................... 18
II.2.2.2 Les variables linguistiques ............................................................................................................ 19
II.2.2.3 Opérateurs de la logique floue ..................................................................................................... 19
II .2.3 Univers du discours : .......................................................................................................................... 20
II.2.4 Fonction d’appartenance ..................................................................................................................... 20
II. 3 Les réseaux de neurones artificiels............................................................................................................ 20

II.3.1 Le neurone biologique : ....................................................................................................................... 20
II.3.2 Modèle d’un neurone artificiel ............................................................................................................ 21
II .3.3 La modélisation entre le neurone biologique et le neurone artificiel : ................................................ 22
II.3.4 Fonctionnement d’un RNA .................................................................................................................. 22
II.3.5 Comportement d’un RNA : .................................................................................................................. 23
II.3.6 L’Architecture d’un réseau neurone : .................................................................................................. 23
II.3.7 L’apprentissage des réseaux de neurones : .......................................................................................... 24
II .4 Le Réseau Neuro-Flou (RNF) ..................................................................................................................... 26

II .4.1 Principe de fonctionnement : ............................................................................................................. 26
II .4.2 Modèle ANFIS (Adaptive Neuro-Fuzzy Inférence System) ................................................................... 26
II .4.3 Avantage du model ANFIS : ................................................................................................................. 28
II .5 Conclusion : ............................................................................................................................................... 28
IV
CHAPITRE III :............................................................................................................................. 29
SIMULATION ET COMMANDE D’UN QUADRIROTOR ................................................................. 29
III. Introduction : .............................................................................................................................................. 30
III. 1 Hypothèses : ............................................................................................................................................. 30
III.2 Caractéristiques du quadrirotor utilisé: .................................................................................................... 30
III.3. Modélisation du Quadrirotor sous Matlab/Simulink : ............................................................................. 31

III.3.1 Résultats obtenus sans contrôleur: ..................................................................................................... 33
III.4. Le contrôle et la stabilité du quadrirotor ................................................................................................. 33

III.4.1 La régulation du quadrirotor avec PID : .............................................................................................. 34
III.4.1.1 Les résultats de la commande par PID : ...................................................................................... 35
III.4.1.2 Discussion des résultats obtenus : .............................................................................................. 36
III.4.2 La régulation du quadrirotor avec des réseaux neuro-flous: ............................................................... 37
III.4.3 Etapes d’utilisation de Toolbox neuro-flou : ....................................................................................... 37
III.4.3.1 Chargement des données :.......................................................................................................... 37
III.4.3.2 Génération automatique de structure FIS : ................................................................................. 38
III.4.3.3 La formation de FIS ..................................................................................................................... 40
III.4.3.4 Validation et test: ....................................................................................................................... 40
III.4.3.5 Simulation de la commande du drone: ........................................................................................ 42
III.4.4 Analyse et interprétation des résultats : ............................................................................................. 42
III.5 Conclusion : ............................................................................................................................................... 44
CHAPITRE IV : ............................................................................................................................ 45
REALISATION DU DRONE QUADRIROTOR .................................................................................. 45
IV.1 Introduction : ............................................................................................................................................ 46
IV.2 Cahier des charges .................................................................................................................................... 46
IV.3 Les Composants de construction : ............................................................................................................ 47

IV.3.1 Le Châssis (Frame) : ............................................................................................................................ 47
IV.3.2 Les moteurs sans balais (Brushless): ................................................................................................... 47
IV.3.3 Les variateurs de vitesse électronique (ESCs) :.................................................................................... 48
IV.3.4 Les hélices : ........................................................................................................................................ 49
IV.3.5 L'Alimentation électrique (batterie) :.................................................................................................. 49
V
IV.3.6 Le Contrôleur ..................................................................................................................................... 50
IV.3.7 Les Capteurs ....................................................................................................................................... 51
IV.3.8 La Radio-Commande (RC) ................................................................................................................... 51
IV.4 Etapes de la construction : ........................................................................................................................ 52
IV.5 Conclusion : ............................................................................................................................................... 56
CONCLUSION GENERALE ........................................................................................................... 57
LISTE DES SYMBOLES ET ABREVIATIONS .................................................................................... 59
ANNEXE ..................................................................................................................................... 60
BIBLIOGRAPHIE ......................................................................................................................... 60
RESUME .................................................................................................................................... 62
VI
Lise des figures
Figure I. 1: L’application d’un drone en agriculture 3
Figure I.2: Exemple de drone militaire 4
Figure I.3: Exemple de drone ambulancier 4
Figure I.4: Hélicoptère mono rotor 5
Figure I. 5: Hélicoptère birotor 5
Figure I.6: Helicoptére birotor coaxial 5
Figure I.7:L’hélicoptère auto-stable 6
Figure I.8: Le vectron 6
Figure I. 9: Exemple de tri-rotor 6
Figure I. 10: Exemple de quadrirotor 7
Figure I.11: Structure de mouvement générale d’un quadrirotor 7
Figure I. 12: Les différents mouvements d’un quadrirotor 8
Figure I. 13: Schéma simplifié du quadrirotor 9
Figure I.14: Modèle dynamique d’un quadrirotor 12
Figure I. 15: Moteur DC place dans le circuit 13
Figure II.1: La chaine de régulation 16
Figure II.2: Exemple des variables linguistiques 19

Figure II.3: Les fonctions d’appartenance 20
Figure II.4: Les éléments constituant le neurone biologique 21
Figure II.5 : Le neurone artificiel 22
Figure II.6. Différents types de fonctions de transfert 23
Figure II.7: Architecture d’un ANIFS 27
Figure III.1: Modèle du quadrirotor utilisé 31
Figure III.2: Ensemble des sous système du quadrirotor 31
Figure III.3: Simulation de modélisation des accélérations angulaire 32
Figure III.4:Modele de simulation de déplacement 32
Figure III.5: Les résultats à la sortie de système 33
Figure III.6: Bloc PID 34
Figure III.7: Schéma Simulink du régulateur PID 34
Figure III.8: L'angle de roulis (phi) 35
Figure III.9: L'angle de tangage (teta) 35
Figure III.10: L'angle de lacet (psi) 36
Figure III.11: La puissance (Z) 36
Figure III.12: La fenetre de l'application Neuro-Fuzzy Designer 37
Figure III.13: Le graphe des donnees 38
Figure III.14:Initialisation de FIS 39
VII
Figure III.15: Le graphique ci-dessus montre la distribution des données 39
Figure III.16:Formation de fis 40
Figure III.17: Données de test par rapport au système formé 41
Figure III.18: Les résultats du processus 41
Figure III.19:Schéma Simulink du régulateur neuro-flou 42
Figure III.20 : l'angle de roulis (phi) 42
Figure III.21 : l'angle de tangage (teta) 43
Figure III.22 : l'angle de lacet (psi) 43
Figure III.23 : la puissance (Z) 43
Figure IV.1: Châssis fabriqué en aluminium 47
Figure IV.2: Moteur brushless 48
Figure IV.3: un variateur de vitesse électronique 48
Figure IV.4: les hélices 49
Figure IV.5 : Batterie ‘Li-po’ utilisée 50
Figure IV.6: Carte arduino UNO 51
Figure IV.7: Module (GY-521) accélérométre et gyroscope utilisé 51
Figure IV.8: Radio commande (Fly Sky FS-i6) 52
Figure IV.9: Installation du moteurs avec châssis 52
Figure IV.10 : Le branchement du pieces 53
Figure IV.11: Schéma globale de branchement 53
Figure IV.12: Etapes de programmation 54
Figure IV.13 : Structure générale de la quadrirotor réalisé 55
Figure IV.14. Tests et mise en marche du drone réalisé 55
VIII
Liste des tableaux
Tableau II. 1: Effets des coefficients d'un PID ............................................................................................................. 17
Tableau II. 2: Correspondance entre le neurone biologique et le neurone artificiel ................................................... 22
Tableau II. 3: Les différentes couches d’un système ANFIS ......................................................................................... 27
Tableau II. 4:Paramétrés constants de quadrirotor .................................................................................................... 30
Tableau II. 5 : Paramétrés des PIDs utilisés ................................................................................................................. 35
Tableau IV.6: Cahier des charges……………………….…………………………………………………………………………………………………….46
Tableau IV.7 : Le choix des hélices………………………………………………….……………………………………………………………………….49
IX
Introduction Générale
XI
Les systèmes électroniques sont de plus en plus présents dans la vie courante. Ces
dernières années, ils sont devenus embarqués dans de très nombreux objets usuels tels que:
les téléphones, les agendas électroniques, les voitures, etc. Les machines comportant un
système embarqué et qui nous simplifient la vie ont besoin d'un système de régulation ou de
contrôle pour fonctionner de manière correcte. Cependant, dans plusieurs cas la commande
de tels systèmes est un peu difficile à cause de non linéarité de ces systèmes. Par exemple,
les avions, les dirigeables et les hélicoptères sont fortement non linéaires et leur commande
nécessite des techniques adéquates. Il faut noter que contrairement, au robot manipulateur,
la plupart de ces systèmes précédemment cités sont sous-actionnés (le nombre d'entrées de
commande est inférieur au nombre de degrés de liberté). En effet, le manque d'actionneurs
pour ces engins induit une grande difficulté dans la conception de la commande. Parmi ces
systèmes sous-actionnés, nous trouvons les drones à quatre hélices qui sont des véhicules
complexes et difficiles à commander.
L’objectif principal de ce travail est la simulation et commande en pratique d’un

véhicule aérien non-piloté caractérisé par un haut niveau de complexité, une dimension
élevée de l’espace d’état, plus spécialement un drone quadrirotor qui est un système multi-
variable et non linéaire.
En effet, deux techniques sont utilisées, la première est du domaine de l'automatique

classique nécessitant donc la connaissance d'un modèle du drone, il s'agit d'un régulateur
PID qui utilisé ici pour commander le drone réalisé, pour cela le contrôleur PID est
implémenté dans une carte Arduino. La deuxième est basée sur les techniques de
l'intelligence artificielle, il s'agit d'une démarche experte faisant appel au contrôle neuro-flou
et sera utilisée en simulation.
Ce mémoire composé de quatre chapitres structurés de la manière suivante:
Dans le premier chapitre : Nous présentons le principe de fonctionnement de drone,

les modes du vol existant, les équipements matériels embarqués au drone, ainsi que la
modélisation et l’étude dynamique du quadrirotor.
Dans le second chapitre, nous présentons les méthodes de la commande (PID, la

logique floue, les réseaux neurones et les réseaux hybrides neuro-flou).
XII
Le troisième chapitre présente les résultats de la simulation et la modélisation du

quadrirotor utilisé ainsi que l'algorithme neuro-flou utilisé pour commander le drone et
garantir la stabilisation de l'appareil et le suivi de trajectoire.
Dans le quatrième chapitre nous exposons le drone réalisé en pratique. Nous

présentons pour cela, les différents composants utilisés, les étapes de construction ainsi que
les résultats obtenus en pratique.
Et enfin une conclusion générale avec perspectives pour conclure ce travail.
XIII
Chapitre I : Modélisation
d’un drone quadrirotor
Chapitre I Modélisation d’un drone quadrirotor
I.1 Introduction
Les drones sont des engins volants auto-pilotés ou pilotés à distance. Ils sont capables
de transporter des caméras, des capteurs, des équipements de communication ou d'autres
dispositifs. Ils ont joué un rôle depuis les années cinquante pour réaliser des missions de
reconnaissance, de recherche d'informations voire des opérations de combat.
Les drones sont en exploration constante et leurs utilisation augmente continuellement

dans tous les domaines. Dans ce chapitre, nous présentons les différents modes d'utilisation
des drones ainsi que les modes de vol et le principe de fonctionnement suivant les différents
axes. Nous présentons également les multi-rotors en fonction du nombre des rotors.
I.2 Définition :
Les drones sont des appareils volants autopilotés ou pilotés à distance. Ils sont capables
de transporter des caméras, des capteurs, des équipements de communication ou d'autres
dispositifs. Ils ont joué un rôle depuis les années cinquante pour réaliser des missions de
reconnaissance, de recherche d'informations voir des opérations de combat.
I.3 Etat de l’art

La conceptualisation du drone remonte à la fin de la première guerre mondiale. Alors
qu’aux Etats-Unis se développe le projet Hewitt-Sperry « automaticair plane », en France
George Clémenceau, président de la commission sénatoriale de l’armée, lance un projet «
d’avions sans pilote »: le capitaine Max Boucher met au point un système de pilotage
automatique qui fait voler sur plus de 100 kilomètres un avion voisin BN3. Dans les années
vingt, des avions sans pilote radio-commandés voient le jour, avec les tentatives de torpilles
aériennes télécommandées par des ondes de télégraphie sans fil.
Les drones sont engagés pour la première fois pendant la guerre du Vietnam, puis lors
de la guerre du Kippour. Ils font désormais partie des moyens tactiques et stratégiques du
champ de bataille. L’absence de pilote permet d’opérer à l’intérieur des lignes ennemies pour
des missions à risque, sans crainte de pertes humaines. [2]
I.4 Utilité des drones

Principalement, un drone sert à transmettre des photos et des vidéos capturées du haut.
Les drones servent aussi à surveiller en direct et à distance une situation d'urgences ou
dangereuse. De plus, les drones sont utiles pour les applications topographiques (cartes,
courbes de niveau et modèles numériques de surface). Il suffit d'adapter la charge utile pour
2
que d’autres secteurs porteurs s'y intéressent aussi: agriculture et environnement notamment.
Le marché explosera vraiment quand les industriels l'utiliseront quotidiennement pour
l'inspection d'ouvrages. Au-delà de ces usages courants, les utilisations possibles des drones
sont sans limites car elles regroupent tous les domaines.
I.5 Domaines d'utilisation des drones
I.5.1 Agriculture et environnement :
L’application d’un drone en agriculture consistait à diagnostiquer l’état de la biomasse

pour expulser et déployer le produit. L'agriculture utilisée aujourd’hui dans les grandes
plantations de céréales permet une distribution précise, en fonction de l’emplacement du
GPS (Global Positioning System ; en français : "Système mondial de positionnement"). Une
autre façon d’évaluer la santé des végétaux est de mesurer sa réflexion, c’est-à-dire la
lumière réfléchie par les plantes dans différentes longueurs d’onde invisibles à l’œil. Cela
nécessite de prendre une photo avec un capteur infra-rouge ou autre, puis de relier l’image
aux pseudo-couleurs obtenues avec des modèles agricoles (figure I.1). [1]
Figure I. 1: L’application d’un drone en agriculture
I.5.2 Les drones militaires :
Le drone militaire est une catégorie totalement différente du drone civile et n’a pas la
même réglementation, il est à l’origine des drones actuels et est de plus en plus utilisé sur
les différents conflits, au début pour de la surveillance et du renseignement, ils peuvent être
maintenant armés et devenir des armes redoutables. Ils sont utilisés de plus en plus par des
pays aux frontières étendues ou sensibles.
3
Figure I.2: Exemple de drone militaire
I.5.3 Les drones ambulanciers :
Ce drone est utilisé pour aider les sauveteurs, il peut se rendre plus vite sur place par
la voie aérienne. De plus, il est peint aux couleurs des services de secours. Généralement, ce
petit drone est capable de transporter jusqu’à 4 kg d’équipements, dont un défibrillateur, il
permettrait ainsi d'augmenter les chances de survie.
Figure I.3: Exemple de drone ambulancier
En outre, il est utilisé pour des sauvetages en mer. Pour cela, il sera muni d'un
compartiment contenant les bouées de sauvetage. Il contient aussi un capteur thermique pour
repérer les personnes dans l'eau.
I.6 Les drones hélicoptères existants :
I .6.1 Hélicoptère Mono-rotor :
Ces avions ont un moteur suffisamment puissant pour décoller verticalement et des
ailerons d’une grande surface pour assurer des couples de commande suffisamment grands
a fin que l’appareil soit facile à piloter. Ils se développent de plus en plus et ils ont l’avantage
4
de pouvoir voler comme un avion normal, ce qui donne la possibilité de se déplacer

rapidement et de manière très économique en termes d’énergie.
Figure I.4: Hélicoptère mono rotor
I.6.2 Hélicoptère Birotors :
Dans ce type de drones, nous pouvons distinguer deux catégories: les drones qui
utilisent un ou deux plateaux cycliques et ceux qui utilisent des pales à pas fixe. Parmi ceux
qui utilisent des plateaux cycliques nous avons l’hélicoptère classique avec un rotor principal
et un rotor de queue et on peut citer pour cela :
‒ L’hélicoptère coaxial à aussi deux rotors contrarotatifs, mais sur le même axe
(figure I.4).
‒ L’hélicoptère en tandem qui possède deux rotors qui tournent en contresens mais dans
des axes différents (figure I.5).
Figure I. 5: Hélicoptère birotor Figure I.6: Helicoptére birotor coaxial
I.6.3 Hélicoptère Tri-rotor :
Il existe trois catégories de drones à trois rotors à savoir : le tri-rotor, le vectron et

l’hélicoptère auto-stable.
5
Le tri-rotor est constitué de deux rotors à l’avant qui tournent dans des sens opposés et
un rotor à l’arrière avec orientation réglable. (Figure I. 9)
Le vectron est constitué de trois rotors qui tournent dans le même sens et qui fait ainsi
tourner l’appareil dans le sens contraire. Il possède des moteurs à vitesses variables très
précises de manière à obtenir des couples de tangage et de roulis (Figure I.8)
Figure I.7:L’hélicoptère auto-stable Figure I.8: Le vectron
L’hélicoptère auto-stable appelé « blade-runner » est constitué de deux rotors à pas

fixe montés sur le même axe et tournant dans des sens opposés. Le tangage est obtenu grâce
au rotor situé sur la queue de l’appareil. Cet appareil peut être utilisé uniquement en intérieur
(Figure I.7) [3]
Figure I. 9: Exemple de tri-rotor
I.6.4 L’hélicoptère Multi rotor (hélicoptère à plusieurs voilures tournantes):
L’hélicoptère à quatre hélices ou quadrirotor est le plus populaire parmi les

hélicoptères multirotor (Figure I.10). L’un des avantages de l'utilisation d'un hélicoptère
multi rotors, est la capacité d’emporter des poids élevés car il a plus de portance [4].
6
Les quadrirotor sont très maniables, ils permettent le décollage vertical et à

l'atterrissage, ainsi que le vol en zones difficiles à atteindre. Les inconvénients sont la masse
de l'hélicoptère et la consommation accrue d'énergie due aux moteurs. Comme il est contrôlé
par des changements de vitesse du rotor, il est plus adapté aux moteurs électriques, les
moteurs d'hélicoptères qui ont des grandes réponses lentes ne peuvent pas être satisfaisants
sans un bon système de boîte de vitesse. [5]
Figure I. 10: Exemple de quadrirotor
I.7 Description générale du quadrirotor:

Un quadrirotor est un robot mobile aérien à quatre rotors définit dans l’espace par 6
DDL (degré de liberté) . Ces 4 rotors sont généralement placés aux extrémités d'une croix,
Le fonctionnement d’un quadrirotor est assez particulier. En faisant varier astucieusement la
puissance des moteurs, il est possible de le faire monter/descendre, de l'incliner à
gauche/droite (roulis) ou en avant/arrière (tangage) ou encore de le faire pivoter sur lui-
même (lacet). [6]
Figure I.11: Structure de mouvement générale d’un quadrirotor
7
I.7.1 Les mouvements possibles de quadrirotor :
Il existe quatre mouvements possibles pour un quadrirotor : la poussée, le lacet, le

tangage et le roulis. Le mouvement de correspond à la montée ou à la descente de l’appareil.
Pour faire s’élever le quadrirotor, il suffit d’augmenter la vitesse des quatre moteurs et pour
le faire redescendre, il faut réduire cette dernière.
Figure I. 12: Les différents mouvements d’un quadrirotor
1. Translation sur l’axe X

2. Translation sur l’axe Y
3. Translation sur l’axe Z
4. Rotation autour l’axe X
⃗⃗⃗ 𝑦, 𝑧] est un repère lié à la terre (fixé) et [𝑋, ⃗⃗⃗

Soit [𝑥, 𝑌, 𝑍] le repère mobile associé au
centre de masse du quadrirotor. Pour développer le modèle dynamique du quadrirotor on va
poser les deux repères en même position comme la montré dans la (figure I.13). Puis tourner
le repère mobile autour les axes, avec :
[ ⃗⃗⃗⃗
𝑋′, ⃗⃗⃗
𝑌′, ⃗⃗⃗
𝑍 ′ ] Le nouveau repère après la rotation autour l’axeX et 𝛗 l’angle de rotation
−𝜋 𝜋
[ ≤ 𝛗 ≤ 2]
2
⃗⃗⃗⃗⃗ ⃗⃗⃗⃗
[𝑋", ⃗⃗⃗⃗ ] Le nouveau repère après la rotation autour l’axe 𝒀′ et 𝛉 l’angle de
𝑌", 𝑍"
−𝜋 𝜋
rotation[ ≤ 𝛉 ≤ 2]
2
⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗
[𝑋′′′, 𝑌 ′′′ , ⃗⃗⃗⃗⃗⃗
𝑍 ′′′ ] Le nouveau repère après la rotation autour l’axe 𝒁"et𝚿 l’angle de
rotation[ −𝜋 ≤ 𝚿 ≤ 𝜋]
8
I.7.2 Modèle géométrique du drone :
Un schéma simplifié des sens de rotation du quadrirotor est donné par la (figure I.13).
Les différents paramètres nécessaires pour la modélisation mécanique du drone sont décrits
ci-après :
Figure I. 13: Schéma simplifié du quadrirotor
1 0 0 𝑐𝑜𝑠θ 0 𝑠𝑖𝑛θ
R(X,φ)=(0 𝑐𝑜𝑠φ −𝑠𝑖𝑛φ) ; R(Y’,θ)=( 0 1 0 ); R (I.1)
0 𝑠𝑖𝑛φ 𝑐𝑜𝑠φ −𝑠𝑖𝑛θ 0 𝑐𝑜𝑠θ
𝑐𝑜𝑠𝛹 −𝑠𝑖𝑛𝛹 0
(Z",𝛹)=( 𝑠𝑖𝑛𝛹 𝑐𝑜𝑠𝛹 0)
0 0 1
Après plusieurs simplifications du modèle mathématique on obtient la forme finale de

la matrice de passage qui est orthogonales et elle est donnée par:
Rq R0 : R=R (Ψ,θφ)= R (Z",Ψ)* R (Y', θ)* R(X, φ)
𝑐𝑜𝑠θ𝑐𝑜𝑠Ψ −𝑠𝑖𝑛Ψ𝑐𝑜𝑠φ + 𝑐𝑜𝑠Ψ𝑠𝑖𝑛φ𝑠𝑖𝑛θ 𝑠𝑖𝑛Ψ𝑠𝑖𝑛φ + 𝑐𝑜𝑠Ψ𝑠𝑖𝑛θ𝑐𝑜𝑠φ

𝑅 = [ 𝑠𝑖𝑛Ψ𝑐𝑜𝑠θ 𝑐𝑜𝑠Ψ𝑐𝑜𝑠φ + 𝑠𝑖𝑛Ψ𝑠𝑖𝑛φ𝑠𝑖𝑛θ −𝑐𝑜𝑠Ψ𝑠𝑖𝑛φ + 𝑠𝑖𝑛Ψ𝑐𝑜𝑠φ𝑠𝑖𝑛θ]
−𝑠𝑖𝑛θ 𝑐𝑜𝑠θ𝑠𝑖𝑛φ 𝑐𝑜𝑠θ𝑐𝑜𝑠φ (I.2)
Avec :R0 : Repère lié au drone [𝑥 , 𝑦, 𝑧]

Et Rq : Repère lié à la terre [𝑋, ⃗Y, ⃗Z]
- La matrice de passage est :
9
X
rX,Y,Z (X, Y, Z) = R(φ, θ, Ψ) (Y)
(I.3)
Z
rX = (cosθcosΨ)X + (−sinΨcosφ + cosΨsinφsinθ)Y + (sinΨsinφ + cosΨsinθcosφ)Z

rY = (sinΨcosθ)X + (cosψcosφ + sinΨsinφsinθ)Y + (−cosΨsinφ + sinΨcosφsinθ)Z
rZ = (−sinθ)X + (cosθsinφ)Y + (cosθcosφ)Z
Par dérivation on obtient l’expression de la vitesse pour n’importe quel point par
rapport au repère fixe suivant :
𝑉 2 = 𝑉𝑋2 +𝑉𝑌2 + 𝑉𝑍2 ⟹V2 = (Y 2 + Z2 )(Ψ̇ 2 sin2 θ − 2sinθφ̇Ψ̇ + φ̇2 )
+(X2 + Z 2 )(Ψ̇ 2 cos 2 θsin2 φ + 2sinφcosφcosθθ̇Ψ̇ + cos 2 φθ̇2 )
+(X2 + Y2 )(Ψ̇ 2 cos 2 φcos 2 θ − 2sinφcosφcosθθ̇Ψ̇ + sin2 φθ̇2 )

(I.4)
+2XY(Ψ̇ sinφsinθcosθ) + Ψ̇(cosφsinθθ̇ − sinφcosφ̇θ) − cosφφ̇θ̇)
2(
+2XZ(Ψ̇ 2 (cosφsinθcosθ) + Ψ̇(−cosφcosθφ̇ − sinφsinθ̇θ) + sinφφ̇θ̇)
+2YZ(−Ψ̇ 2 (sinφcosφcos 2θ) + Ψ̇(sin2 φcosθθ̇ − cos 2 φcosθ̇θ) − sinφcosφφ̇θ̇2)
I.7.3 Expression de l’énergie potentielle:
Ep = mgh ; m: la masse, g: le gravité, h:hauteur,
=𝑚𝑔(– sinθ)X + (cosθsinφ)Y + (cosθcosφ)Z
Ep=∫ X(– 𝑔sinθ)dm + ∫ Y(gcosθsinφ) dm + ∫ Z(gcosθcosφ)dm (I.5)
I.7.4 L’énergie cinétique :
Le moment d’inertie centrifuge de l’aire 1(𝐴 = ∫𝐴 𝑑𝐴 ) d’une section quelconque par

rapport à n’importe quel système d’axes rectangulaires, est égal à la somme de son moment
d’inertie centrifuge par rapport au système d’axes centraux, parallèles aux axes donnés, et le
produit de sa surface par les cordonnées de son centre de gravité dans le nouveau système
d’axes.
𝐴 = ∫𝐴 𝑑𝐴 : Aire totale de la section considérée

1
10
Dans le cas d’un quadrirotor, le système est parfaitement symétrique et les moments
d’inertie par rapport les axes (X, Y, Z) sont égales à:
1 1 1
𝐼𝑋 = 2 ∫(𝑌 2 + 𝑍 2 )𝑑𝑚, 𝐼𝑌 = 2 ∫(𝑋 2 + 𝑍 2 )𝑑𝑚, 𝐼𝑍 = 2 ∫(𝑋² + 𝑌 2 )𝑑𝑚 ( I.6)
Et qu’ainsi les produits d’inertie sont nuls et que la matrice d’inertie est diagonale.
Donc l’expression de l’énergie cinétique peut s'écrire comme suit :
(I.7)
1 2 1 2 1 2
𝐸𝑐 = 𝐼𝑋 (𝜑̇ − 𝛹̇ 𝑠𝑖𝑛𝜃) + 𝐼𝑌 (𝜃̇ 𝑐𝑜𝑠𝜑 + 𝛹̇ 𝑠𝑖𝑛𝜑𝑐𝑜𝑠𝜃) + 𝐼𝑍 (𝜃̇ 𝑠𝑖𝑛𝜑 − 𝛹̇ 𝑐𝑜𝑠𝜑𝑐𝑜𝑠𝜃)
2 2 2
I.7.5 Equation de mouvement :
En utilisant le Lagrangien et la formule dérivée des équations du mouvement on aura

donc:
L = Ec − Ep (I.8)
d ∂L ∂L
Γi = ( )− (I.9)
dt ∂q̇ 𝑖 ∂q 𝑖
Ou q̇ 𝑖 sont les coordonnées généralisées et Γi les forces généralisées.
- Les trois équations du mouvement sont alors:
𝐼𝑋𝑋 𝜑̈ = 𝜃̇ 𝛹̇ (𝐼𝑌𝑌 − 𝐼𝑍𝑍 )

(I.10)
𝐼𝑍𝑍 𝜃̈ = 𝜑̇ 𝛹̇ (𝐼𝑍𝑍 − 𝐼𝑋𝑋 )
𝐼𝑍𝑍 𝛹̈ = 𝜑̇ 𝜃̇ (𝐼𝑋𝑋 − 𝐼𝑌𝑌 )
Par contre, les couples non conservateurs agissant sur les quatre hélices résultent
d’abord de l’action de la différence de poussée de chaque couple :
𝜏𝑋 = 𝑏𝑙 (𝛺42 − 𝛺22 )
{ 𝜏𝑌 = 𝑏𝑙 (𝛺32 − 𝛺12 ) (I.11)
𝜏𝑍 = 𝑑(Ω12 − Ω22 + Ω23 − Ω24 )
Deuxièmement, de l’effet gyroscopique résultant de la rotation des hélices:
𝜏𝑋 = 𝐼𝑟𝑜𝑡𝑜𝑟 𝜔𝑌 (𝛺3 + 𝛺1 − 𝛺2 − 𝛺4 )
(I.12)
𝜏𝑌 = 𝐼𝑟𝑜𝑡𝑜𝑟 𝜔𝑋 (𝛺4 + 𝛺2 − 𝛺1 − 𝛺3 )
11
I.7.6 Le modèle dynamique dérivé :
Le modèle dynamique à quadrirotor décrivant les rotations de roulis, de tangage et de

lacet contient alors trois termes qui sont l'effet gyroscopique résultant de la rotation du corps
rigide, l'effet gyroscopique résultant de la rotation de l'hélice couplée à la rotation du corps
et enfin l'action des actionneurs:
Figure I.14: Modèle dynamique d’un quadrirotor
Les équations différentielles définissants la dynamique de la rotation sont données par:
𝑏𝑙 (𝛺42 − 𝛺22 ) 𝐼𝑟𝑜𝑡𝑜𝑟 (𝛺1 + 𝛺3 − 𝛺2 − 𝛺4 ) (𝐼𝑌 − 𝐼𝑍 )

𝜑̈ = + 𝜃̇ + 𝜃̇ 𝛹̇
𝐼𝑋 𝐼𝑋 𝐼𝑋
𝑏𝑙 (𝛺32 − 𝛺12 ) 𝐼𝑟𝑜𝑡𝑜𝑟 (𝛺4 + 𝛺2 − 𝛺1 − 𝛺3 ) (𝐼𝑍 − 𝐼𝑋 )

𝜃̈ = + 𝜑̇ + 𝜑̇ 𝛹̇ (I.13)
𝐼𝑌 𝐼𝑌 𝐼𝑌
𝑑 (Ω12 − Ω22 + Ω23 − Ω24 ) (𝐼𝑋 − 𝐼𝑌 )

𝛹̈ = + 𝜑̇ 𝜃̇
𝐼𝑍 𝐼𝑍
Le modèle cinématique et dynamique du mouvement de translation est donné par :
𝑋̈
𝑚 [𝑌̈ ] = −𝑚𝑔𝑅𝑡 + ∑4𝑖=1 𝑇𝑖 𝑅𝑞 𝑅𝑡
(I.14)
𝑍̈
12
4 𝑐𝑜𝑠𝛹𝑠𝑖𝑛𝜃𝑐𝑜𝑠𝜑 + 𝑠𝑖𝑛𝛹𝑠𝑖𝑛𝜑 0
𝑋̈ 0
⟹ [𝑌̈ ] = −𝑔 [0] + 𝑚 ∑ 𝑇𝑖 [𝑠𝑖𝑛𝛹𝑠𝑖𝑛𝜃𝑐𝑜𝑠𝜑 − 𝑐𝑜𝑠𝛹𝑠𝑖𝑛𝜑] [0]
𝑍̈ 1 𝑖=1 𝑐𝑜𝑠𝜃𝑐𝑜𝑠𝜑 1
On obtient alors les équations différentielles définissants la dynamique de la

translation :
𝑐𝑜𝑠𝛹𝑠𝑖𝑛𝜃𝑐𝑜𝑠𝜑+𝑠𝑖𝑛𝛹𝑠𝑖𝑛𝜑 4
𝑋̈ = ∑𝑖=1 𝑇𝑖
𝑚
4
𝑠𝑖𝑛𝛹𝑠𝑖𝑛𝜃𝑐𝑜𝑠𝜑 − 𝑐𝑜𝑠𝛹𝑠𝑖𝑛𝜑 (I.15)
𝑌̈ = ∑ 𝑇𝑖
𝑚
𝑖=1
4
𝑐𝑜𝑠𝜃𝑐𝑜𝑠𝜑
𝑍̈ = −𝑔 + ∑ 𝑇𝑖
𝑚
𝑖=1
Avec : 𝑈1 = ∑4𝑖=1 𝑇𝑖 = 𝑏(𝛺12 + 𝛺22 + 𝛺32 + 𝛺42)
 Remarque : pour plus de détail voir l’annexe
I.8 Etude dynamique d’un moteur :
I.8.1 Les équations d’un moteur DC :
Un moteur DC est tout simplement un actuateur qui convertit l’énergie électrique

enune énergie mécanique. Il est formé de deux circuits électromagnétiques interactifs, le
premier (appelé le rotor) est libre de tourner autour du second (appelé le stator) qui est fixé
à la place.
Figure I. 15: Moteur DC place dans le circuit
13
L’équation électrique est donnée comme suit :
𝑑𝑖
u = Ri + L + E. (I.16)
𝑑𝑡
En prenant la transformée de Laplace de l'équation précédente, on peut former la

fonction de transfert de ce système :
(I.17)
K
H(p) = 2
K + RF + (Rj + Lf)p + LJp2
 K : gain du moteur en V.s/rad

 R : résistance interne du moteur en 
 L : inductance en H
 f : frottements
 J : inertie du rotor en g.cm²
On déduit que ce système est d’ordre 2, et dans le cas d’un quadrirotor, l’inductance
d’ordre du milli henry et la résistance d’ordre de la dizaine d’Ohm, donc elle est négligeable.
Egalement, les frottements (devant l’inertie du rotor) sont négligés. Donc on obtient la
forme suivant:
K
H(p) = K2 +RJp (I.18)
Cette équation peut être écrite de la façon ci-dessous (équation I.19) et il est claire
qu'elle représente un système de premier ordre avec une constante de temps ( τ) et un gain
statique (K).
(I.19)
K
H(p) =
1 + τp
K : est le gain statique du moteur en rad/s/volt

τ= RJ: est la constante de temps du moteur en secondes.
I.9 Conclusion :
Dans ce chapitre nous avons présenté une description du principe de fonctionnement
d'un drone et leurs domaines d’applications, avec une description des quadrirotor et leurs
mouvements possibles ainsi que les modes de vol. La modélisation dynamique du drone
quadrirotor est présentée également dans ce chapitre et ce, en se basant sur les lois de la
cinématique (Lagrange).Dans le prochain chapitre, nous présentons les contrôleurs PID et
neuro-flou, utilisés dans ce travail pour modéliser et contrôler un drone quadrirotor.
14
Chapitre II : Le contrôle PID
et neuro-flou
Chapitre II Le contrôle PID et neuro-flou
II .1 Introduction :
Le terme de régulation est employé lorsqu’on cherche à éliminer des perturbations afin
de garder une valeur constante (exemples: température, pression, débit, etc.). Elle permet de
mesurer en permanence par le biais de capteurs, le système à régler puis transmettre ces
informations au régulateur, celui-ci compare cette mesure avec la consigne puis suivant son
algorithme, le régulateur va transmettre ses ordres aux actionneurs (vannes, volets, moteurs,
etc.), afin de corriger les perturbations (figure II.1).
Figure II.1: La chaine de régulation
Il existe plusieurs types de contrôleurs classiques et modernes, ces derniers sont basés
essentiellement sur les techniques de l'intelligence artificielle. Dans ce travail, nous avons
utilisé deux types de contrôleurs afin de contrôler un drone en simulation et en pratique; il
s'agit d'un contrôleur PID et un contrôleur neuro-flou.
II.2. Le contrôleur PID

Le PID (Proportionnel, Intégral, Dérivé) est un contrôleur couramment utilisé dans
l’application industrielle parce qu'il est simple, fournit une bonne stabilité et une réponse
généralement rapide. Dans chaque application, les coefficients de trois actions (Kp
(Proportionnel), Ki (Intégral), Kd (Dérivé)) sont variés pour obtenir des réponses optimales
et permettre ainsi à la sortie du processus contrôler d'atteindre la valeur souhaitée. [8]
16
II.2.1 Réglage des coefficients d'un PID :
Le réglage d’un PID consiste à trouver les meilleurs coefficients Kp, Ki et Kd dans
le but d’obtenir une réponse adéquate du procédé. L’objectif est d’être robuste, rapide et
précis tout en limitant les dépassements qui peuvent apparaitre. Le tableau ci-dessous
présente l'éffet de chaque paramètre sur le temps de montée, le temps de stabilisation, le
dépassement et l'erreur statique.
coefficient Temps de Temps de Dépassement Erreur

montée stabilisation statique
Kp Diminue Augmente Augmente Diminue
Ki Diminue Augmente Augmente Annule
Kd - Diminue Diminue -
Tableau II. 1: Effets des coefficients d'un PID
II.2.2 Structure du régulateur PID:
Plusieurs structures contrôleurs PID ont été proposées et les plus adoptées sont:
l'équation PID parallèle, l'équation PID idéale et l'équation PID série.
 Dans le PID parallèle, les actions proportionnelles, intégrales et dérivées agissent

séparément les unes avec les autres et combinent leurs effets pour être appliqué au
système.
 Dans l’équation idéale de PID, le gain proportionel Kp est distribué à tous les termes.
Ainsi, les changements dans Kp affectent tous les autres termes de l’équation.
 Dans l’équation de la série PID, le gain de Kp constant est distribué à tous les termes
mêmes que l’équation PID idéale, mais dans cette équation, l’intégrale et la constante
dérivée ont un effet sur l’action proportionnelle. [8]
II.2.3 Avantages et inconvénients du régulateur PID :
Le contrôle avec PID est l'un des techniques les plus utilisées et ce pour plusieurs
raisons. Premièrement, il est simple à mettre en place et s'avère efficace pour la plupart des
systèmes réels qui ne sont pas très compliqués et ne nécessitant pas de grandes précisions
dans leur asservissement.
17
II .2 Le contrôle par la logique floue

De nombreuses applications sont développées dans divers domaines et la plupart
deviennent jour après jour très complexes et difficile à contrôler par les méthodes classiques
notamment si le modèle mathématique n'est pas disponible, très difficile à l'obtenir ou très
complexes. Pour remédier à ce genre de difficultés, les chercheurs ont optés par des solutions
basées sur les techniques de l'intelligence artificielle telles que les algorithmes génétiques,
les réseaux de neurones, la logique floue..etc.
La logique floue est une extension de la logique booléenne créée par Lotfi Zadeh en
1965 en se basant sur sa théorie mathématique des ensembles flous, qui permet la traduction
et la manipulation de propositions ou de données incertaines, vagues ou imprécises en
utilisant des degrés de vérité appartenant à l’intervalle [0, 1].
L'idée de base de la logique floue est de modéliser des phénomènes ou des procédés
comme le ferait l'être humain, c'est-à-dire de mettre en algorithmes, composés
essentiellement par des règles du type {Si ... alors ...} qui essayent de simuler le
raisonnement humain.
II .2.2 Eléments de base de la logique floue
II.2.2.1 Les ensembles flous

Le raisonnement en logique floue permet aux concepteurs de mieux appréhender les
phénomènes naturels, imprécis et difficilement modélisables en s’appuyant sur la définition
de règles et de fonctions d’appartenance à des ensembles dits « ensembles flous ».Si la
fonction caractéristique d’un ensemble classique ne peut prendre que deux valeurs soit 1 ou
0, la fonction d’un ensemble flou peut prendre toutes les valeurs comprises entre 0 et 1.On
définit alors un sous ensemble A de l'univers de discours U comme suit :
𝐴 = (𝑥 / µA (𝑥)), ∀𝑥∈𝑈 (II .1)
𝜇𝐴(x) degré d’appartenance de l’élément x au sous-ensemble flou A.
𝜇𝐴 : est la fonction d’appartenance définie dans l’intervalle [0,1].
𝜇𝐴 : U------------------ [0,1]
X ----------------- 𝜇𝐴(x)
18
II.2.2.2 Les variables linguistiques

Une variable linguistique est une variable dont les valeurs sont des mots ou des phrases
dans un langage naturel ou systématique. La description d’une certaine situation, d’un
phénomène ou d’un procédé contient en général des qualificatifs floues tels que: (peu,
beaucoup, énormément); (froid, tiède, chaud); (petit, moyen, grand) ...etc
Figure II.2: Exemple des variables linguistiques
II.2.2.3 Opérateurs de la logique floue

Comme dans le cas des ensembles classiques, les opérations logiques d'union
(OU), d'intersection (ET) et de complémentarité (NON) peuvent être appliquées aux
ensembles flous.
a. L'opérateur logique ET :
On définit l'opérateur ET flou comme l’intersection de deux ensembles A et B, que

l’on note A  B, est le sous-ensemble flou constitué des éléments de X affectés du plus petit
des deux degrés d’appartenance µA et µB :
x  X µA  B = min (µA(x), µB(x)) = µA(x) ^ µB(x) (II .2)
b. L’opérateur logique OU :
L’union floue de A et B, que l’on note A  B, est le sous-ensemble flou
constitué des éléments de X affectés du plus grand des deux degrés d’appartenance
µA et µB :
x  X µA  B = max (µA(x), µB(x)) = µA(x)  µB(x). (II .3)
c. Opérateur logique NON (Complément) :

Le complément de A, que l’on note Ac, est le sous ensemble flou de X constitué
des éléments x lui appartenant d’autant plus qu’ils appartiennent peu à A :
x  X µAc(x) = 1 - µA(x). [4] (II .4)
19
II .2.3 Univers du discours :
L'univers de discours est un sous ensemble de R qui décrit dans le cas général
le domaine de variation d’une variable donnée. Par exemple : si on a une valeur de
vitesse qui varie entre 50 et 120 donc U= [50 120]. On utilise souvent des univers de
discours normalises [-1 1], et il existe alors un coefficient de normalisation «g» entre
l’univers réel et l’univers normalisé.
II.2.4 Fonction d’appartenance
La fonction d’appartenance permet de décrire l’évolution du degré de vérité

de la variable linguistique dans l’univers de discours U. Elle peut prendre plusieurs
formes, les plus utilisée sont : Triangulaire; Gaussienne; Trapézoïdale
(voir figure (II.3))
Figure II.3: Les fonctions d’appartenance
II. 3 Les réseaux de neurones artificiels

Un réseau de neurones artificiel (RNA) est un système d’opérateurs non linéaires
interconnectés, recevant des signaux de l’extérieur par ses entrées, et délivrant des signaux
de sortie, qui sont les activités de certains neurones.
Le but de la recherche sur les réseaux de neurones n’est pas de créer des machines
qui traitent l’information plus rapidement que les calculateurs traditionnels, mais c’est de
créer des machines qui se montrent supérieurs dans les domaines où le cerveau humain
dépasse les calculateurs.
II.3.1 Le neurone biologique :
Les neurones sont les cellules nerveuses constituant le système nerveux. Chez l’être
humain, on en compte environ cent milliards 1011, ce qui correspond à environ 1015
connexions [9]. La figure (II.4) montre les éléments essentiels constituant le neurone
biologique.
20
Figure II.4: Les éléments constituant le neurone biologique
Un neurone biologique est composé de trois parties essentielles :
 Le corps cellulaire: effectue les transformations biochimiques nécessaires à la vie du

neurone.
 Les dendrites: forment une arborescence autour du corps cellulaire et permettent au
neurone de capter les signaux qui parviennent de l’extérieur.
 L’axone: est une fibre nerveuse qui transporte les signaux émis par le neurone, il se
ramifie en extrémité là où il communique avec les autres neurones à travers des synapses.
II.3.2 Modèle d’un neurone artificiel
Le neurone formel (figure II.5) est une modélisation mathématique qui reprend les
principes du fonctionnement du neurone biologique, c’est un processeur élémentaire qui
reçoit un nombre n d’entrées x1, x2,…, xi,..., xn (Qui sont les entrées externes ou les sorties
des autres neurones) et délivre une ou plusieurs sorties. Son traitement consiste à effectuer à
sa sortie y j le résultat d’une fonction de seuillage f (dite aussi la fonction d’activation) de
la somme pondérée.
21
Figure II.5 : Le neurone artificiel
II .3.3 La modélisation entre le neurone biologique et le neurone artificiel :
La modélisation consiste à mettre en œuvre un système de réseau de neurones sous un

aspect non biologique; pour cela on aura une correspondance pour chaque élément
composant le neurone biologique et donc une modélisation pour chacun d’entre eux
(tableau II.2) :
Neurone biologique Neurone artificiel
Dendrite Signal d’entrée
Synapses Poids de connexions
Somma Fonction d’activation
Axones Signal de sortie
Tableau II. 2: Correspondance entre le neurone biologique et le neurone artificiel
II.3.4 Fonctionnement d’un RNA
Le neurone calcule la somme de ses entrées puis cette valeur passe à travers la fonction
d'activation pour produire sa sortie. En règle générale, le calcul de la valeur de cette fonction
peut se décomposer en deux étapes:
n
‒ Une combinaison linéaire des entrées : v  w0   wi xi (II.5)
i 1
22
Les wi sont appelés poids synaptiques, w0 est appelé biais. Le biais peut être considéré
comme la pondération de l’entrée 0 fixée à 1. v est appelé potentiel du neurone, f: est la
fonction d’activation du neurone.
n
‒ La sortie du neurone est : y  f (v)  f ( wi xi ) (II.6)
i 0
II.3.5 Comportement d’un RNA :
On distingue deux phases. La première est habituellement le calcul de la somme

pondérée des entrées (a) selon l'expression suivante : a = ∑ (wi .ei)
A partir de cette valeur, une fonction de transfert calcule la valeur de l'état du neurone.
C’est cette valeur qui sera transmise aux neurones avals. Il existe de nombreuses formes
possibles pour la fonction de transfert. Les plus courantes sont présentées sur la figure (II.6)
et offrant une des valeurs comprises dans l'intervalle [0, +1] (ou [-1, +1]).
‒ Les trois fonctions les plus utilisées sont les fonctions "seuil (a) ", "linéaires (b) " et
"sigmoïdes (c) ".
Figure II.6. Différents types de fonctions de transfert
II.3.6 L’Architecture d’un réseau neurone :
En générale, on distingue trois types de RNA qui sont les suivants:
‒ Le perceptron multicouches MLP (Multi Layer Perceptron)

Ce type de RNA est constitué de plusieurs couches de neurones entièrement
connectées entre elles. Chaque neurone d’une couche est relié à tous les neurones de la
couche suivante, deux neurones d’une même couche ne sont pas reliés entre eux.
23
‒ La fonction de base radiale RBF (Radial Basis Fonction) :

Les réseaux de type RBF sont des réseaux à trois couches qui ont comme origine une
technique d'interpolation. Cette technique s'avère être à la fois rapide et efficace, en
particulier pour les applications de classification.
‒ Le réseau récurent RNN (Recurrent Neural Network) :
C'est un réseau de neurones dont le graphe de connexion contient au moins un cycle. Ils sont
adaptés pour des données d'entrée de taille variable. [12]
II.3.7 L’apprentissage des réseaux de neurones :
Généralement il est associé aux RNA un algorithme d’apprentissage permettant de

modifier de manière plus ou moins automatique le traitement effectué afin de réaliser une
tâche donnée. L’apprentissage peut être considéré comme le problème de la mise à jour des
poids des connexions au sein des réseaux, afin de réussir la tâche qui lui est demandée.
L’apprentissage des RNA peut se faire de différentes manières et selon différentes règles :
a. Le mode supervisé
Dans ce type d’apprentissage, le réseau s’adapte par comparaison entre le résultat qu’il
a calculé, en fonction des entrées fournies, et la réponse attendue en sortie. Ainsi, le réseau
va se modifier jusqu'à ce qu’il trouve la bonne sortie, c’est-à-dire celle attendue,
correspondant à une entée donnée.
b. Le renforcement
Le renforcement est classé par certains auteurs dans la catégorie des modes supervisés.
Dans cette approche, le réseau doit apprendre la corrélation entée/sortie via une estimation
de son erreur, c’est-à-dire du rapport échec/succès. Le réseau va donc tendre à maximiser un
index de performance qui lui est fourni, appelé signal de renforcement. Le système étant
capable ici, de savoir si la réponse qu’il fournit est correcte ou non, mais il ne connaît pas la
bonne réponse.
c. Le mode non supervisé (ou auto organisationnel)
Dans ce cas, l’apprentissage est basé sur des probabilités. Le réseau va se modifier en
fonction des régularités statistiques de l’entée et établir des catégories, en attribuant et
optimisant une valeur de qualité, aux catégories reconnues.
24
d. Le mode hybride
Le mode hybride reprend en fait les deux autres approches, puisque une partie des
poids va être déterminée par apprentissage supervisé et l’autre partie par apprentissage non
supervisé.
- Méthode de Mamdani :
La méthode de Mamdani est historiquement la première à avoir été proposée,
elle repose sur le raisonnement suivant :
• Calcul de la valeur de vérité de chaque règle :
𝜶𝒊 (𝒙) = 𝑴𝒊𝒏(𝝁𝑨𝒊 (𝒙𝟏), 𝝁𝑩𝒊 (𝒙𝟐)) ( II.7)
• Calcul de la contribution de chaque règle :
𝜶𝒊 (𝒚) = 𝑴𝒊𝒏(𝝁𝜶𝒊 (𝒙), 𝝁𝒄𝒊 (𝒚)) ( II.8 )
• L’agrégation des règles :
𝜶(𝒚) = 𝑴𝒂𝒙(𝜶𝒊 (𝒚)) ( II.9 )
• La défuzzyfication pour obtenir une conclusion « nette ».
- Méthode de Takagi-Sugeno
La partie conséquente du modèle takagi-sugeno (TS) utilise des variables numériques
plutôt que des variables linguistiques, sous la forme d’une constante, d’un polynôme ou de
manière plus générale d’une fonction ou d’une équation différentielle dépendant des
variables associées à la proposition antécédente, Les conséquences des règles sont des
fonctions « strictes » des entrées du système flou. Elles s’écrivent, dans le cas général sous
la forme :
Ri : Si (x) est (Ai) alors (yi)= fi(x) (II.10)
La sortie de chaque règle est une combinaison linéaire des variables d’entrée plus un
terme constant, et la sortie finale est la moyenne pondérée de la sortie de chaque règle. [13]
25
II .4 Le Réseau Neuro-Flou (RNF)

La théorie des réseaux de neurones et des systèmes flous ont été développée depuis
plusieurs années. Mais la plupart du temps dans des domaines séparés et différents. Depuis
peu les chercheurs utilisent ces techniques conjointement dans certaines applications où les
RNA seuls ou le flou seul ne donnent pas des résultats satisfaisants. Au départ ces techniques
sont utilisées pour le calcul élémentaire, algèbre linéaire et probabilité, par la suite elles se
sont utilisées dans des applications plus complexes comme le traitement du signal, procédés
aléatoires ainsi que pour l'identification et la commande de système complexe.[12]
II .4.1 Principe de fonctionnement :
Les Réseaux de neuro-flous (RNF) hybride apprennent des modèles en utilisant

généralement un algorithme d’apprentissage supervisé qui examine les données dans un
ensemble de formation qui consiste en exemples d'entrées et leurs sorties associées. Pendant
la phase d’apprentissage, le réseau neuro-flou hybride modifie sa structure interne pour
refléter le rapport entre les entrées et les sorties dans l'ensemble de la formation (construction
de la base de connaissance). L'exactitude d'un RNF est vérifiée après que le cycle de
d’apprentissage soit complet en utilisant un ensemble séparé d'entrées et sorties appelé
l'ensemble de la validation. L’apprentissage par renforcement est une addition aux
algorithmes développés pour les réseaux neuro-flous hybrides. Ce type d’apprentissage est
utilisé quand les sorties désirées pour des entrées données ne sont pas connues pendant une
séquence d'actions. Pendant le renforcement, la seule réaction donnée au système est un
indice de performance, tel que « bon », « mauvais », « trop lent », ou « trop vite ». [14]
II .4.2 Modèle ANFIS (Adaptive Neuro-Fuzzy Inférence System)
ANFIS est un système d'inférence adaptatif neuro-flou qui consiste à utiliser un réseau
de neurones à 5 couches (figure II.7) pour lequel chaque couche correspond à la réalisation
d'une étape d'un système d'inférence floue de type Takagi-Sugeno. Pour la simplicité, nous
supposons que le système d'inférence flou à deux entrées x et y, et à comme une sortie f.
Supposant que la base de règle contient deux règles floues de type Takagi-Sugeno [13] :
Règle l : Si (x est Al) et (y est B1) ALORS j1 = ( p1.x) +( ql .y + rl)

Règle 2 : Si( x est A2) et (y est B2) ALORS j2= ( p2.x)+(q2 .y + r2)
26
Figure II.7: Architecture d’un ANIFS
Tableau II. 3: Les différentes couches d’un système ANFIS
Tel que :
n : le nombre des entrées.
p : le nombre des sous-ensembles flous d’entrée (partition flou).
27
II .4.3 Avantage du model ANFIS :
Les avantages du model ANFIS sont les suivantes :
‒ Exploitation de la connaissance disponible, grâce à la base de règles.

‒ Réduction de la taille de la base de règles : il suffit d'avoir des règles générales, les détails
seront fournis par le réseau de neurones.
‒ Réduction de la complexité de l'apprentissage : le réseau de neurones doit simplement
apprendre les cas particuliers ou les exceptions, on n'a pas de problème complet.
‒ Efficacité immédiate dès le début de l'apprentissage et possibilité d'éviter des
comportements initiaux erratiques
II .5 Conclusion :
Dans ce chapitre nous avons présenté les deux types de contrôleurs PID et Neuro-flou
qui sont utilisés dans notre travail afin de commander un drone en pratique et en simulation.
Le contrôleur PID est utilisé pour notre cas pour être implémenter dans une carte Arduino
afin de commander en pratique le drone. Cependant, à raison des modèles complexes de
certains nouveaux drones, nous avons opté pour des techniques de l'intelligence artificielle
(les Réseaux Neuro-flou) afin de les commandés en simulation car leurs implémentation en
pratique nécessite un matériel qui n'est pas disponible à notre niveau. Le contrôleur Neuro-
Flou permet de combiner les avantages de deux techniques complémentaires de l'intelligence
artificielle: les réseaux de neurones artificiels et la logique floue. Les systèmes flous
fournissent une bonne représentation des connaissances. L’intégration de réseaux de
neurones au sein de ces systèmes améliore leurs performances grâce à la capacité
d’apprentissage des réseaux de neurones.
28
Chapitre III :
Simulation Et Commande
d’un quadrirotor
Chapitre III Simulation et commande d’un quadrirotor
III. Introduction :
Dans ce chapitre, nous allons simuler le modèle du drone quadrirotor présenté dans le
premier chapitre et discuter les différents résultats qu’on a obtenus lors de notre simulation
en essayant différente valeurs des paramètres du contrôleur neuro-flou utilisé. La simulation
est effectuée en utilisant le Simulink de Matlab et les résultats sont obtenus sont présentés
ci-dessous à l’aide de l’outil Scope (du Simulink) et la commande plot (pour les Scripts
Matlab).
III. 1 Hypothèses :
Afin de mener à bien notre simulation, il est nécessaire de prendre en considération les
hypothèses suivantes :
- Le système est rigide

- La structure est parfaitement symétrique (matrice d’inertie diagonale)
- La portance et la traînée sont supposées proportionnelles au carrées de la vitesse de
rotation des moteurs.
- Le drone est piloté grâce à quatre commandes : la puissance (qui permet de contrôler
l’altitude), le roulis, le tangage et de lacet. Ces commandes sont ensuite envoyées aux
différents moteurs. La commande de puissance est envoyée à tous les moteurs, tout
comme le lacet. Le tangage et le roulis sont obtenus en contrôlant seulement deux
moteurs (1 et 3 pour le tangage et 2 et 4 pour le roulis).
III.2 Caractéristiques du quadrirotor utilisé:

Dans ce travail, nous allons utiliser un modèle qui définit un quadrirotor durant toutes
les simulations, le tableau suivant montre les valeurs utilisées [19] :
Valeurs utilisées du quadrirotor
Ix 7.5*10^ (-3) b 3.3*10^ (-5)
Iy 7.5*10^ (-3) l 0.23
Iz 1.3*10^ (-2) m 0.65
Ir 6.0*10^ (-6)
g 9.81
d 7.5*10^ (-7)
Tableau II. 4:Paramétrés constants de quadrirotor
30
III.3. Modélisation du Quadrirotor sous Matlab/Simulink :

Simulink est une extension de Matlab qui permet de construire des modèles
dynamiques rapidement avec une grande précision en utilisant les notations des diagrammes
de bloc. En utilisant Simulink, il devient facile de modéliser des systèmes complexes non
linéaires et les utiliser par la suite pour la commande ou la modélisation.
Concernant la construction de notre drone quadrirotor, en partant des équations (I.13

et I.15 présentées au chapitre I), nous avons pu construire notre modèle sous Simulink
comme il est indiqué à la figure III.1 et la figure III.2.
Figure III.1: Modèle du quadrirotor utilisé
Figure III.2: Ensemble des sous système du quadrirotor
Pour rendre le schéma plus lisible et compréhensible, nous avons présenté les 2
principaux blocs « accélération angulaire » et «accélération suivant l’axes (X, Y, Z) » avec
leurs sous-systèmes dans les figures III. 3 et III. 4 respectivement.
31
A - accélération angulaire :
A partir l’expression des accélérations angulaire (I.13) nous avons réalisé la simulation
suivant ‘ la poussé et la trainée’ ; ‘ l'effet gyroscopique’ et ‘ l'effet d'inertie’.
Figure III.3: Simulation de modélisation des accélérations angulaire
B-accélération de déplacement :
A partir l’expression des accélérations suivant les axes (X, Y, Z) nous avons réalisé la
simulation de déplacement suivante (Figure III.4).
Figure III.4:Modele de simulation de déplacement
32
III.3.1 Résultats obtenus sans contrôleur:
Figure III.5: Les résultats à la sortie de système
Remarque :
Selon les résultats présentés ci-dessus, nous pouvons remarquer que le système est
instable et il y a une divergence au fur et à mesure que le temps passe.
III.4. Le contrôle et la stabilité du quadrirotor

Après la modélisation du quadrirotor et son comportement physique, l’objectif de la
partie« Contrôleur Simulink » consiste à développer un algorithme qui permet de calculer
les quatre tensions des moteurs à partir des deux principaux entrées. Ceux-ci sont la
trajectoire en lacet et position spatiale donnés par l’utilisateur.
Il y a plusieurs façons de réguler le système autour du point d’équilibre (lacet, roulis

et tangage égal à zéro). Dans ce travail nous avons utilisé deux méthodes de régulation qui
sont: la régulation par proportionnel intégral dérivé (PID) et le contrôler par les réseaux
neuro-flous.
33
III.4.1 La régulation du quadrirotor avec PID :
L’approche en générale pour régler et stabiliser un système est comme suit: On calcule
la différence entre la consigne et la valeur réelle à la sortie du système et on utilise un
régulateur PID pour minimiser cette erreur. Pour notre cas, il s'agit de contrôler les angles
(𝜃,𝜙,𝜓)ainsi que la position ( z ) (figure III.6).
Figure III.6: Bloc PID
Le schéma suivant illustre le modèle de quadrirotor régulé avec un régulateur PID en

boucle fermée.
Figure III.7: Schéma Simulink du régulateur PID
Le tableau suivant montre les valeurs des trois paramètres P, I, D des quatre
mouvements qui ont été obtenus après plusieurs tests
34
PID1 PID2 PID3 PID4

(phi; l'angle de roulis) (teta; l'angle de tangage) (psi; l'angle de lacet) (Z; la puissance)
kpr=0.5 kpt=0.5 kpl=0.4 kpz=0.5
kir=0.3 kit=0.2 kil=0.25 kiz=0.25
kdr=0.45 kdt=0.3 kdl=0.35 kdz=0.75
Tableau II. 5 : Paramétrés des PIDs utilisés

III.4.1.1 Les résultats de la commande par PID :
Les Figures suivantes prisent les résultats de la simulation en utilisant un contrôleur PID.
Figure III.8: L'angle de roulis (phi)
Figure III.9: L'angle de tangage (teta)
35
Figure III.10: L'angle de lacet (psi)
Figure III.11: La puissance (Z)
III.4.1.2 Discussion des résultats obtenus :

Les figures ( III.8 à III.11) montrent qu’il y a un suivi de l’angle de roulis, l’angle de
tangage, l’angle de lacet (𝜃,𝜙,𝜓)et le déplacement Z par rapport aux trajectoires désirées
𝜃𝑑 , 𝜙𝑑, 𝜓𝑑 , Zd générés par la commande de position du quadrirotor, Nous pouvons
constater ainsi qu’il y a un bon suivi du trajectoire malgré l’existence d'une erreur en régime
transitoire observée entre t=5 s et t=20 s et qui est considérée acceptable .
Le dépassement maximal est de l'ordre de 0.5 ce qui représente 20% de la valeur

désirée. Ces résultats sont considérés acceptables et de ce fait nous pouvons constater que la
régulation par PID a donnée des résultats satisfaisants pour la stabilisation de système.
36
III.4.2 La régulation du quadrirotor avec des réseaux neuro-flous:
Cette technique de commande repose sur l’utilisation des réseaux de neurone artificiels
(RNA) et du système d’inférence à logique floue à base de réseau adaptif (ANFIS), et qui
font partie des techniques de l’intelligence artificielle.
III.4.3 Etapes d’utilisation de Toolbox neuro-flou :
Pour démarrer l'application, on dois saisir à l'invite de commande de MATLAB (à la

partie appelé Work-Space) la commande « neuroFuzzyDesigner » ou bien choisir
l'application neuro-FuzzyDesigner dans les menu application de Matlab. La fenêtre ci-
dessous s'ouvre.
Figure III.12: La fenetre de l'application Neuro-Fuzzy Designer
Avec cette fenêtre on peut :
- Générer automatiquement une structure de système d'inférence initiale basée sur les
données initiales.
- Testez la capacité de généralisation de notre système à l'aide des données de test.
- Ajustez les paramètres de fonction d'appartenance des systèmes d’inférences floues
de type Sugeno.
III.4.3.1 Chargement des données :
a- Les données d’entraînement
Pour former un fichier « FIS », il faut commencer par charger du données

d'apprentissage contenant les données (d'entrée / sortie) souhaitées du système à modéliser.
37
Ensuite, ils apparaissent dans le tracé au centre de l'application sous forme d'un ensemble de
cercles.
b- Chargement des données de test :
Les données de contrôle apparaissent dans le graphique sous forme de points croix
(signe positif) superposés sur les données d’entraînement. (Figure (III.13)).
Figure III.13: Le graphe des donnees
III.4.3.2 Génération automatique de structure FIS :

Pour initialiser le FIS à l’aide de toolboox Anfis; on choisit « Partition grille », la
méthode de partitionnement par défaut, puis on clique sur bouton '' Generate FIS '' pour
afficher un menu dans lequel on peut choisir le nombre de fonctions d’appartenance MFs
(Membre chip fonctions), ainsi que le type de fonctions d’appartenance en entrée et en sortie.
38
Figure III.14:Initialisation de FIS
Pour afficher une représentation graphique de la structure du modèle initiale des FIS, on
clique sur 'Structure'.
Figure III.15: Le graphique ci-dessus montre la distribution des données
39
III.4.3.3 La formation de FIS

Après avoir chargé les données de formation et généré la structure initiale du fichier
« FIS », l’étape suivante consiste à spécifier un système d’inférence « fuzzy initial »
permettant aux ANFIS de se former. (Figure (III.16)), La technique d’apprentissage choisie
étant la méthode hybride.
La méthode d'optimisation hybride est une combinaison de la méthode des moindres

carrés et la méthode du descente de gradient de rétro propagation.
Figure III.16:Formation de fis
Le processus de formation s'arrête chaque fois que le nombre d'époque maximale est
atteint ou l'objectif d'erreur de formation est atteint.
III.4.3.4 Validation et test:

Pour faire fonctionner l'étape du test et former ainsi le fichier « FIS »; on clique
sur « test Now».Cette action ajuste les paramètres de la fonction d'appartenance et
affiche les traces d'erreur.
40
Figure III.17: Données de test par rapport au système formé
Enfin, nous exportons le fichier « FIS » et nous obtenons les résultats du processus
dans la fenêtre de Matlab.
Figure III.18: Les résultats du processus
41
III.4.3.5 Simulation de la commande du drone:

Apres la préparation du fichier « FIS », nous chargeons le bloc « Fuzzy Logic
Designer » dans le bloc Simulink de notre système de commande.
Figure III.19:Schéma Simulink du régulateur neuro-flou
III.4.4 Analyse et interprétation des résultats :
Les figures ci-dessous représentent respectivement l'angle de roulis (phi); l'angle de

tangage (teta); l'angle de lacet (psi) et la puissance (Z)
Figure III.20 : l'angle de roulis (phi)
42
Figure III.21 : l'angle de tangage (teta)
Figure III.22 : l'angle de lacet (psi)
Figure III.23 : la puissance (Z)
43
Les résultats obtenus montrent que les signaux ont atteint tous leurs références
rapidement et les courbes sont lisses et sans l'existence d'oscillations en régime permanant
malgré leur apparition en régime transitoire ce qui est un phénomène ordinaire dans la
commande de tel type de systèmes non linaires. Cependant ces oscillations ne gênent pas le
bon fonctionnement du système et les dépassements maximales enregistrés sont acceptables
et ils sont en concordance avec des résultats de travaux antérieurs.
Ainsi; il est remarqué que le contrôleur neuro-flou utilisé a bien commandé le système et les
erreurs engendrés sont faibles sur les trois angles et ce en comparant les données d'entrée
avec les sorties désirées. A noter que également que le temps écoulé pour retrouver le régime
permanant et la stabilité constitue est trop petit. On remarque que le régime transitoire est
inférieur à 20 pour les trois angles ce qui est considéré faible pour un tel système multi-
variable et non linéaire.
Ainsi nous pouvons juger que ces résultats sont très satisfaisants est que cette
technique (neuro-flou) à permit d'avoir un contrôleur bien adapté pour ce type de systèmes
et elle peut être appliquée avec efficacité notamment pour la commande des systèmes non
linéaires complexes là où les commandes classiques échouent.
III.5 Conclusion :
Dans ce chapitre nous avons présenté en détail les étapes de la simulation de la

modélisation et la commande du drone quadrirotor en utilisant le Simulink du Matlab et ce
en utilisant la commande PID et neuro-flou. Dans le prochaine chapitre; nous présentons les
étapes suivies pour la réalisation en pratique de notre drone quadrirotor et sa commande
implémentée dans une carte Arduino.
44
Chapitre IV :
Réalisation du drone
quadrirotor
Chapitre IV Réalisation du drone quadrirotor
IV.1 Introduction :
Dans ce chapitre nous présentons les étapes de la réalisation pratique d'un drone
quadrirotor et sa commande via une carte Arduino tout en résistant à des atterrissages un peu
brutaux. Nous allons présenté également tous les éléments indispensables à la réalisation
pratique de ce système. La construction de notre quadrirotor est divisée en deux parties; une
partie de description de la structure mécanique, et la partie d'acquisition des données et la
programmation et son implémentation dans la carte de commande et la communication avec
les différents capteurs.
IV.2 Cahier des charges

Afin d'établir un cahier de charges claire pour la réalisation de notre drone; nous avons
spécifié dans le tableau ci-dessous la description de chaque besoin selon l'objectif visé et le
matériel disponible; car il existe des dizaines de modèles de drones dont la plupart ont des
structures très compliqués et qui nécessitent du matériel sophistiqué et cher.
Le Besoin Description
Vol stable ‒ Avoir un vol stationnaire le plus stable possible, avec un

moteur de 1000 kv et des hélices de 10 pouces
Utilisation facile ‒ Piloter avec une radiocommande

‒ Changer facilement la batterie.
‒ Démonter rapidement
Respecter un prix abordable ‒ Coût des composants utilisés inférieurs à 30000 DA

pour le prototype.
Voler durant un certain temps ‒ Le temps de vol maximum 15 minutes hors charge ou 8
minutes en charge.
Résister au milieu environnant. ‒ Les vents faibles
‒ Température (doux et pas pluvieux)
‒ Petits chocs (chute d’une hauteur de 1 mètre)
Assurer la sécurité de ‒ Pour des raisons de sécurités, l’utilisation des gaz est
l’utilisateur. interdite.
‒ Le pilote a une place spéciale de commande
‒ Toujours on fait du testes avant le démarrage
Distance à la terre (Altitude) ‒ Voler jusqu'à 20 mètres
Tableau IV.6 : Cahier des charges
46
IV.3 Les Composants de construction :
IV.3.1 Le Châssis (Frame) :
Le châssis est la structure du drone sur lequel on peut monter les différents composants
du drone. Le Quad-copter est doté de quatre bras, chacun d’eux est connecté à un moteur.
La face avant du drone est généralement placée entre deux bras (configuration en x), mais
peut aussi se trouver le long d’un bras (configuration en +).
Le type de matériaux de construction d’un châssis est important, car le poids et la

rigidité du châssis est un facteur très important. Dans ce travail, nous avons utilisé un châssis
fabriqué en aluminium à la longueur de 30 cm avec un poids léger d'environ 200g seulement
(figure IV.1).
Figure IV.1: Châssis fabriqué en aluminium
IV.3.2 Les moteurs sans balais (Brushless):
Un moteur à balais fait tourner la bobine à l’intérieur d’un boîtier doté d’aimants fixes
montés sur le pourtour extérieur du boîtier. Les moteurs sans balais font l’inverse; les
bobines sont fixées soit à l’extérieure soit à l’intérieur du boîtier tandis que les aimants
tournent, Le rendement de ces moteurs est nettement supérieur à celui d’un moteur avec
charbons [16].
47
Figure IV.2: Moteur brushless
Chaque moteur a un Coefficient de vélocité « Kv » qui correspond au nombre de tour /min.

Kv= Rpm /U (IV .1)
Où Kv est le coefficient de vélocité ; Rpm : nombre de tour/min ; U : Tension appliquée.
Dans notre travail nous avons utilisé 4 moteurs de 1000 kv. Pour un fonctionnement
correct de notre drone, il faut que deux moteurs tournent dans un sens et les deux autres
tournent dans l’autre sens.
IV.3.3 Les variateurs de vitesse électronique (ESCs) :
Ce sont de petites cartes électroniques qui permettent de commander la vitesse des moteurs
brushless. ESC est l’acronyme de « Electronic Speed Contrôler », traduit en Français par
« Contrôleur de Vitesse Électronique ». Ils ont pour fonction de transformer les tensions
d’entrées en signaux électriques, ils gèrent le flux de courant maximal absorbé par les
moteurs toute en préservant la tension adéquate. Le nombre de ESC est équivalent au nombre
de moteurs car chaque ESC doit être branché entre le moteur et la batterie (figure IV.3).
Figure IV.3: un variateur de vitesse électronique
48
IV.3.4 Les hélices :
L'hélice d'un drone est formée de deux pales. Elle est disposée autour d'un axe qui
lorsqu'il se met à tourner permet au drone de décoller (figure IV.4).
Figure IV.4: les hélices
Le choix des hélices et aussi important, la géométrie d’une hélice peut définir le mode de
vol qu’on souhaite. Le tableau IV.2 ci-dessous, présente les diamètres et les poids de 3 types
d'hélices [17].
Diamètres hélices Poids Type de vol
5 pouces (12,7 cm) 500 g Nerveux
8-10 pouces (20,32-25,4 cm) 1,2 kg Polyvalent
10-13 pouces (25,4-33,02cm) 2 kg Stable
Tableau IV. 7 : Le choix des hélices

Nous désirons réaliser un vol stable, pour cela, nous avons opté pour des hélices de 10
pouces en plastique.
IV.3.5 L'Alimentation électrique (batterie) :
L'alimentation électrique du drone est une alimentation à courant continu assurée par
une batterie. La Batterie est l’élément le plus important dans un drone car elle détermine la
puissance et la durée de vol d’un drone, le choix d’une batterie pour un drone repose
principalement sur quatre caractéristiques de base qui sont: la tension délivrée, le taux de
charge, la capacité et le poids.
49
Dans ce travail, nous avons utilisé une batterie de type Lithium-Polymer «Li-po»
constituée de cellules de 3,7 v, c’est-à-dire que une batterie S3 qui dispose de 3 cellules
délivre 3,7v x 3 = 11,1V
Figure IV.5 : Batterie ‘Li-po’ utilisée
IV.3.6 Le Contrôleur
Le contrôleur est le cerveau du drone qui va récupérer les informations via les capteurs,
faire le calcule nécessaire et donner des commandes aux moteurs afin de pouvoir piloter le
drone. C’est lui qui va stabiliser le système et effectuer également différentes tâches plus ou
moins complexes comme suivre un plan de vol, atterrir automatiquement, etc. Il existe de
nombreux contrôleurs cependant dans notre travail nous avons utilisé un contrôleur PID
implémenté dans une carte Arduino UNO (Figure IV.6). Cette carte est choisie pour sa
disponibilité, son prix qui très faible (par rapport à ces équivalents), sa vitesse de calcule et
de traitement assez suffisante et aussi pour le nombre d’entrée et sortie qui permet relier les
liaisons de modules nécessaires. Le traitement de fusion de données des différents capteurs
est traité par un programme développé en langage C de programmation du processeur
ATMEGA intégré sur ARDUINO.
50
Figure IV.6: Carte arduino UNO
IV.3.7 Les Capteurs
Pour assurer la stabilité et la robustesse du drone durant ses vols, il est essentiel de
recourir au calcul des vitesses linéaires et des vitesses angulaires ainsi que les positions
angulaires. Ces grandeurs physiques sont mesurées à l’aide d’un accéléromètre et un
gyroscope. Dans notre cas ces capteurs sont inclus dans un seul module (GY-521), c’est la
partie acquisitions des données du drone.
Figure IV.7: Module (GY-521) accélérométre et gyroscope utilisé
IV.3.8 La Radio-Commande (RC)
Une communication par télécommande d'aéromodélisme implique généralement un

émetteur et un récepteur RC. La plupart des stations de contrôle radio utilisées pour nos
divertissements fonctionnent maintenant dans la bande 2,4 GHz. Cette bande de fréquence
offre de nombreux avantages par rapport aux autres bandes, tel que par exemple, la
possibilité de manipulation simultanée par un grand nombre d’utilisateurs sans avoir à gérer
les fréquences [18].
51
Figure IV.8: Radio commande (Fly Sky FS-i6)
IV.4 Etapes de la construction :

Lors de la réalisation de notre drone quadrirotor, nous avons suivie plusieurs
étapes que nous résumons comme suit:
‒ Au début, nous avons accroché les moteurs aux extrémités de chaque bras puis nous les
avons reliés aux variateurs de vitesse ESCs. Pour cela, nous devons veiller à ce que deux
moteurs tournent dans un sens horaire et deux autres tournent dans le sens contraire. Si
après branchement il s’avère qu’un des moteurs tourne dans le mauvais sens, il suffit
d’inverser deux des trois fils le reliant à son ESC (figure IV.9).
Figure IV.9: Installation du moteurs avec châssis
52
‒ L'étape suivante consiste à connécter les composants de la carte Arduino et attacher le

tout au centre du châssis (en particulier le gyroscope) pour obtenir la plus grande
précision possible (figure IV.10).
Figure IV.10 : Le branchement du pieces
‒ La figure IV.11, montre le shéma global de branchement de l'alimentation (batterie),

des capteurs et des ESC avec la carte Arduino.
Figure IV.11: Schéma globale de branchement
53
- À noter que les ESCs disposent de fils d’alimentation de 5V et de GND (la masse) qui
servent à alimenter la carte programmable. La carte gyroscope et le récepteur sont
alimentés grâce à l’alimentation 5V de la carte Arduino et enfin nous alimentons tous
les ESCs par la batterie Li-Po.
- Le circuit à diode protégera le port USB de l'ordinateur lorsque l'Arduino est connecté
à ce dernier. Ce circuit a une fonction de sécurité importante et il ne peut être exclu.
- La LED s'allume lorsque la tension de la batterie est faible et la vitesse de rotation du
moteur augmente pour compenser la tension de la batterie chute pendant le vol.
- La phase de programmation: l’utilisation de la carte Arduino est relativement simple;
au début on doit connecter la carte à l’ordinateur qui contient le programme (via le câble
USB, en général), puis on lance l'interface de développement « Arduino IDE » (outils
logiciel qui permet de programmer la carte), puis on code le programme et enfin, on le
charge sur la carte grâce au bouton téléverser. Alors notre programme transféré et prêt
à être exécuté.
- Dans notre travail, il y a 3 programmes en parallèle pour obtenir un résultat efficace,
nous schématisons cette partie par le schéma ci-dessous:
Figure IV.12: Etapes de programmation
54
- En fin on aura la structure générale (figure IV.13) de notre drone quadrirotor

programmée et prête à fonctionner. La figure IV.14 montre les tests pratiques et la mise
en marche du drone que nous avons réalisé.
- Il est à signaler que lors de la première mise en marche du système, plusieurs problèmes
ont été rencontrés et réglés ce qui donne au travail pratique un charme très spéciale pour
un électronicien et qui n'est pas senti en travaillant uniquement en simulation.
Figure IV.13 : Structure générale de la quadrirotor réalisé
Figure IV.14. Tests et mise en marche du drone réalisé
55
IV.5 Conclusion :
Dans ce chapitre nous avons présenté en détail les différentes étapes de la
construction mécanique de notre drone quadrirotor, ainsi nous avons présenté tous les
composants nécessaires à cette réalisation et nous avons proposé un schéma de branchement.
Ensuite, nous avons présenté la manière dont on commande les quatre moteurs, et
l’utilisation des capteurs (accéléromètre, et gyroscopes). Ce travail fastidieux pour un
étudiant nous a permis d'acquérir beaucoup de nouvelles notions et de toucher le côté
pratique et valider par conséquences tous ce qu'on a appris tout au long de notre cursus
universitaire.
56
Conclusion générale
Conclusion Générale
Conclusion Générale
Au cours des dernières années, les techniques d'apprentissage ont été utilisées
intensivement dans beaucoup de domaines d'applications, en particulier, dans celui de la
commande des systèmes.
Le travail effectué dans ce mémoire concerne le développement de nouvelles
stratégies de contrôle du système non linéaire, Une architecture de système de contrôle
hybride à logique floue et des réseaux de neurones ont été proposés pour contrôler le
système, ainsi que comparer les résultats obtenus avec les résultats du même système
contrôler par le régulateur classique (pid).
Avant de commencer le contrôle du système, nous avons établi un modèle

mathématique non linaire d'un drone de type quadrirotor, Ce modèle sera utilisé pour la
synthèse des lois de contrôle et de régulation afin d'assurer un asservissement total du drone
tout en préservant la stabilité maximale.
Les résultats proposés ont clairement mis en évidence la combinaison de deux

approches, floue et neuronale a donné de meilleurs résultats par rapport à la performance de
stabilité qui consiste à un bon poursuivi de trajectoire (flux, vitesse), et la performance de
rapidité qui se caractérise par un meilleur temps de réponse.
À la fin nous avons décrit les différentes étapes pour la réalisation du modèle et nous
avons présenté toutes les composantes nécessaires à cette réalisation du quadrirotor.
Perspectives
Pour développer et améliorer ce travail, nous comptons réaliser les tâches suivantes :
 Implémenter les algorithmes de contrôle (neuro-flou) étudiés dans le chapitre III sous
une carte plus rapide et plus précise (le raspberry, FPGA ...) que l'Arduino.
 Intégrer un algorithme de guidage à l’aide du RC et des différents capteurs rendrait
complètement autonome pour des missions plus pointues.
 Enfin, la mise en œuvre du traitement d’images embarquées offrirait toute une
gamme d’activités imaginables (ex: détection de formes spécifiques, suivi d’objets,
etc.).
58
Liste des Symboles et abréviations
symbole Description
GPS Système mondial de positionnement
Ix le moment d'inertie selon l'axe X (Kg.m²)
Iy moment d'inertie selon l'axe Y en (Kg.m²)
Iz le moment d'inertie selon l'axe Z en (Kg.m²)
Ir le moment d'inertie autour du moteur en (Kg.m²)
d coefficient de trainée (kg. m. rad^-2)
b coefficient de poussée (kg. m. rad^-2)
l demi-envergure du quadrirotor en (m)
m la masse de quadrirotor en (Kg)
g l'accélération de gravité en (m/s²)
𝝋 L’angle de rotation auteur l’axe ‘X’ en (rad/s)
𝜽 L’angle de rotation auteur l’axe ‘Y’ en (rad/s)
𝚿 L’angle de rotation auteur l’axe ‘Z’ en (rad/s)
𝛀𝐢 La vitesse de moteur ‘i’ en (m/s)
PID Proportionnelle intégrale dérivé

𝐤 𝐩, 𝐤 𝐢 , 𝐤 𝐝 Gain de proportionnel, d’intégrales, dérivées
MLP Multi Layer Perceptrons
DDL degré de liberté
ESC variateur de vitesse électronique
Li-Po Accumulateur lithium-ion polymère
59
ANNEXE
Bibliographie
[1] http://drone-zone.e-monsite.com/pages/a-quoi-sert-un-drone.html
[2] https://www.federation-drone.org/les-drones-dans-le-secteur-civil/histoire-du-drone
[3] R .Lozano ,P. Castillo, S. Salazar, D. Lara, "Stabilisation de véhicules aériens à
décollage vertical : Théorie et application, " Rapport Heudiasyc , UMR CNRS
UTC Compiegn.2009
[4] G, Romeo, G, Frulla, and E, Cestino, ''Design of a high-altitude long-endurance solar

Powered unmanned air vehicle for multi-payloadand operations” ,Aerospace
Engineering 2007
[5] Air and Space europe, Current and Future UAV Military Usersand Applications,1999
[6] Mr. Selma Boumediene‘’Controle d’un systeme non lineaire (véhicule) avec les reseaux
neuro-flous’’ thèse de Magister, université usto Oran, 2014
[7] https://www.abcclim.net/regulation-p-pi-pid.html
[8] https://circuitdigest.com/article/what-is-pid-controller-working-structure-applications
[9] C. le Lann, ‘’Le PID utilisé en régulation de position et/ou de vitesse de moteurs
électriques’’ , 2007.
[10] M. Stefick, « Introduction to Knowledge Systems », liver edition Morgan Kaufmann, 1995
[11] https://openclassrooms.com/fr/courses/1288291-introduction-a-la-logique-floue
60
[12] M. Gregory Gelly, ‘’ Réseaux de neurones récurrents pour le traitement automatique de
la parole’’ Thèse de doctorat à Orsay France, 2017
[13] Yann MORERE , ‘’Les Réseaux Neuro-Flous’’ ,support de cour , université lorrain
France, 2001
[14] Ali M. Farid, S. Masoud Barakati,’’ UAV Controller Based on Adaptive Neuro-Fuzzy
Inference System and PID’’, University of Sistan and Baluchestan, Zahean,
Iran 2003
[15] R.Mahdaoui, H.L Mouss, ‘’Diagnostic Industriel par Neuro-Floue Application à Un
Système de Production’’, thèse de doctorat, Université de Batna
[16] https://www.absolu-modelisme.com/les-moteurs-brushless
[17] Jean-Louis Naudin “Construire un Quadricoptère“, Vers 1.2, 2011
[18] https://www.absolu-modelisme.com/les-radiocommandes
[19] S. Bouabdallah, ‘’DESIGN AND CONTROL OF QUADROTORS WITH APPLICATION TO

AUTONOMOUS FLYING’’, ÉCOLE POLYTECHNIQUE FÉDÉRALE DE LASUSANNE, 23
FÉVRIER 2007
61
Résumé
Dans ce travail nous présentons l'application de deux méthodes de contrôle pour
commander en simulation et en pratique un système non linéaire multi-variable qui est un
drone quadrirotor. La première technique est classique (un régulateur PID) et la deuxième
est basée sur une des techniques de l'intelligence artificielle, il s'agit de la technique hybride
neuro-floue. Ce travail consiste en deux phases, une phase de simulation (en appliquant un
PID et un réseau neuro-flou) et une phase de réalisation pratique pour laquelle nous avons
utilisé une carte Arduino afin d'implémenter le contrôleur PID. Pour ce faire, nous avons
établi un modèle mathématique non linaire du drone. Ce modèle a été utilisé pour la synthèse
des lois de contrôle afin d'assurer un asservissement total du drone tout en préservant sa
stabilité.
Mots clés: Drone, Quadri rotor, Modélisation, Simulation, PID, Neuro-Flou.
: ‫الملخص‬
‫ لنظام غير خطي متعدد المتغيرات‬،‫ قمنا بتطبيق طريقتين للتحكم في المحاكاة وفي االشغال التطبيقية‬،‫في هذا العمل‬
‫ اعتمدنا في الطريقة األول على نظام تقليدي (البي إي دي) اما‬.‫وهو نظام تشغيل الطائرة بدون طيار رباعية المحركات‬
‫ يتكون هذا العمل من‬،)‫بالنسبة للطريقة الثانية اعتمدن ا على إحدى تقنيات الذكاء االصطناعي (شبكة عصبية ضبابية‬
‫مرحلتين مرحلة محاكاة (استعملنا فيها البي إي دي والشبكة العصبية الضبابية) ومرحلة تجريبية استخدمنا فيها بطاقة‬
‫ تم استخدام هذا‬.‫ قمنا بإيجاد نموذج رياضي غير خطي للطائرة بدون طيار‬،‫االردوينو لتنفيذ وحدة تحكم وللقيام بذلك‬
.‫النموذج لتوظيف قوانين التحكم لضمان التحكم الكامل في ميكانزيم الطائرة مع الحفاظ على استقرارها‬
‫ البي إي دي‬،‫ نمذجة‬،‫ محاكات‬،‫ الشبكة العصبية الضبابية‬،‫ الطائرة بدون طيار رباعية المحرك‬:‫الكلمات المفتاحية‬
Abstract
In this work we present the application of two control methods to control in simulation and
in practice a nonlinear multi-variable system that is a quadrotor drone. The first technique is
traditional (a PID regulator) and the second is based on one of the techniques of artificial
intelligence, it is the hybrid neuro-fuzzy technique. This work consists of two phases, a
simulation phase (applying a PID and a neuron-fuzzy network) and a practical realization
phase for which we used an Arduino board to implement the PID controller. To do this, we
have established a nonlinear mathematical model of the drone. This model has been used for
the synthesis of control laws to ensure total servo control of the drone while maintaining its
stability.
Keywords: Drone, Quad rotor, Modeling, Simulation, PID, Neuro-fuzzy.

Memoire Final

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Memoire Final

Transféré par

Droits d'auteur :

Formats disponibles

REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE

MINISTRE DE L’ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE

UNIVERSITE LARBI BEN M’HIDI D’OUM EL BOUAGHI

FACULTE DES SCIENCES ET SCIENCES APPLIQUEES

Département de génie électrique

Filière : génie électrique

MEMOIRE DE FIN D’ETUDES

Mémoire de fin d’étude soutenu publiquement à Oum el bouaghi

ROUHANI Dhia eddine

Dr. LAMAMRA Kheireddine

Je remercie vivement mon encadreur Dr LAMAMRA Kheireddine

Je dédie ce modeste travail en signe de respect, reconnaissance et

A mes chers frères, pour leurs encouragements et leur soutien

À la petite perle de la maison, ma nièce (Nadoucha), qu’Allah la

À tous ceux qui ont participés à l'élaboration de ce modeste

Qu’Allah vous protège tous,

Rouhani Dhia Eddine

TABLE DES MATIERES ................................................................................................................. III

LISE DES FIGURES ...................................................................................................................... VII

LISTE DES TABLEAUX .................................................................................................................. IX

INTRODUCTION GENERALE ........................................................................................................ XI

CHAPITRE I : MODELISATION D’UN DRONE QUADRIROTOR ........................................................ 1

I.1 Introduction .................................................................................................................................................. 2

I.2 Définition : .................................................................................................................................................... 2

I.3 Etat de l’art ................................................................................................................................................... 2

I.4 Utilité des drones .......................................................................................................................................... 2

I.5 Domaines d'utilisation des drones ................................................................................................................ 3

I.6 Les drones hélicoptères existants : ............................................................................................................... 4

I.7 Description générale du quadrirotor:............................................................................................................ 7

I.8 Etude dynamique d’un moteur : ................................................................................................................. 13

I.9 Conclusion : ................................................................................................................................................. 14

CHAPITRE II : LE CONTROLE PID ET NEURO-FLOU ...................................................................... 17

II.2. Le contrôleur PID....................................................................................................................................... 16

II .2 Le contrôle par la logique floue ................................................................................................................. 18

II. 3 Les réseaux de neurones artificiels............................................................................................................ 20

II .4 Le Réseau Neuro-Flou (RNF) ..................................................................................................................... 26

SIMULATION ET COMMANDE D’UN QUADRIROTOR ................................................................. 29

III. Introduction : .............................................................................................................................................. 30

III. 1 Hypothèses : ............................................................................................................................................. 30

III.2 Caractéristiques du quadrirotor utilisé: .................................................................................................... 30

III.3. Modélisation du Quadrirotor sous Matlab/Simulink : ............................................................................. 31

III.4. Le contrôle et la stabilité du quadrirotor ................................................................................................. 33

III.5 Conclusion : ............................................................................................................................................... 44

REALISATION DU DRONE QUADRIROTOR .................................................................................. 45

IV.1 Introduction : ............................................................................................................................................ 46

IV.2 Cahier des charges .................................................................................................................................... 46

IV.3 Les Composants de construction : ............................................................................................................ 47

IV.4 Etapes de la construction : ........................................................................................................................ 52

IV.5 Conclusion : ............................................................................................................................................... 56

CONCLUSION GENERALE ........................................................................................................... 57

LISTE DES SYMBOLES ET ABREVIATIONS .................................................................................... 59

Figure II.1: La chaine de régulation 16

Figure II.2: Exemple des variables linguistiques 19

L’objectif principal de ce travail est la simulation et commande en pratique d’un

En effet, deux techniques sont utilisées, la première est du domaine de l'automatique

Ce mémoire composé de quatre chapitres structurés de la manière suivante:

Dans le premier chapitre : Nous présentons le principe de fonctionnement de drone,

Dans le second chapitre, nous présentons les méthodes de la commande (PID, la

Le troisième chapitre présente les résultats de la simulation et la modélisation du

Dans le quatrième chapitre nous exposons le drone réalisé en pratique. Nous

Et enfin une conclusion générale avec perspectives pour conclure ce travail.

Les drones sont en exploration constante et leurs utilisation augmente continuellement

I.3 Etat de l’art