Académique Documents
Professionnel Documents
Culture Documents
Thème
Modélisation et commande d'un drone quadrirotor par
les réseaux Neuro-Flous et PID
Présenté par :
Dirigé par :
Promo 2019
Remerciements
الحمد والشكر هلل العلي القدير على التوفيق والسداد
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.
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.
Je prie que ce modeste travail sera une source de savoir bénéfique pour
tout étudiants et chercheurs.
MERCI
DEDICACES .................................................................................................................................. II
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
II .1 Introduction :............................................................................................................................................ 16
II .5 Conclusion : ............................................................................................................................................... 28
IV
CHAPITRE III :............................................................................................................................. 29
CHAPITRE IV : ............................................................................................................................ 45
V
IV.3.6 Le Contrôleur ..................................................................................................................................... 50
IV.3.7 Les Capteurs ....................................................................................................................................... 51
IV.3.8 La Radio-Commande (RC) ................................................................................................................... 51
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
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
Introduction Générale
Introduction Générale
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.
XII
Introduction Générale
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.
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.
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]
2
Chapitre I Modélisation d’un drone quadrirotor
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.
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
Chapitre I Modélisation d’un drone quadrirotor
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.
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.
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
Chapitre I Modélisation d’un drone quadrirotor
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).
5
Chapitre I Modélisation d’un drone quadrirotor
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)
6
Chapitre I Modélisation d’un drone quadrirotor
7
Chapitre I Modélisation d’un drone quadrirotor
[ ⃗⃗⃗⃗
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
Chapitre I Modélisation d’un drone quadrirotor
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 :
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
9
Chapitre I Modélisation d’un drone quadrirotor
X
rX,Y,Z (X, Y, Z) = R(φ, θ, Ψ) (Y)
(I.3)
Z
Par dérivation on obtient l’expression de la vitesse pour n’importe quel point par
rapport au repère fixe suivant :
10
Chapitre I Modélisation d’un drone quadrirotor
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
L = Ec − Ep (I.8)
d ∂L ∂L
Γi = ( )− (I.9)
dt ∂q̇ 𝑖 ∂q 𝑖
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 )
𝜏𝑋 = 𝐼𝑟𝑜𝑡𝑜𝑟 𝜔𝑌 (𝛺3 + 𝛺1 − 𝛺2 − 𝛺4 )
(I.12)
𝜏𝑌 = 𝐼𝑟𝑜𝑡𝑜𝑟 𝜔𝑋 (𝛺4 + 𝛺2 − 𝛺1 − 𝛺3 )
11
Chapitre I Modélisation d’un drone quadrirotor
𝑋̈
𝑚 [𝑌̈ ] = −𝑚𝑔𝑅𝑡 + ∑4𝑖=1 𝑇𝑖 𝑅𝑞 𝑅𝑡
(I.14)
𝑍̈
12
Chapitre I Modélisation d’un drone quadrirotor
4 𝑐𝑜𝑠𝛹𝑠𝑖𝑛𝜃𝑐𝑜𝑠𝜑 + 𝑠𝑖𝑛𝛹𝑠𝑖𝑛𝜑 0
𝑋̈ 0
⟹ [𝑌̈ ] = −𝑔 [0] + 𝑚 ∑ 𝑇𝑖 [𝑠𝑖𝑛𝛹𝑠𝑖𝑛𝜃𝑐𝑜𝑠𝜑 − 𝑐𝑜𝑠𝛹𝑠𝑖𝑛𝜑] [0]
𝑍̈ 1 𝑖=1 𝑐𝑜𝑠𝜃𝑐𝑜𝑠𝜑 1
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
13
Chapitre I Modélisation d’un drone quadrirotor
𝑑𝑖
u = Ri + L + E. (I.16)
𝑑𝑡
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
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).
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.
16
Chapitre II Le contrôle PID et neuro-flou
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.
Kd - Diminue Diminue -
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.
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
Chapitre II Le contrôle PID et neuro-flou
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.
𝜇𝐴 : U------------------ [0,1]
X ----------------- 𝜇𝐴(x)
18
Chapitre II Le contrôle PID et neuro-flou
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)
19
Chapitre II Le contrôle PID et neuro-flou
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.
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.
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
Chapitre II Le contrôle PID et neuro-flou
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
Chapitre II Le contrôle PID et neuro-flou
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
Chapitre II Le contrôle PID et neuro-flou
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
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) ".
23
Chapitre II Le contrôle PID et neuro-flou
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]
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.
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
Chapitre II Le contrôle PID et neuro-flou
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 :
- 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 :
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
Chapitre II Le contrôle PID et neuro-flou
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] :
26
Chapitre II Le contrôle PID et neuro-flou
Tel que :
27
Chapitre II Le contrôle PID et neuro-flou
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 :
Ir 6.0*10^ (-6)
g 9.81
d 7.5*10^ (-7)
30
Chapitre III Simulation et commande d’un 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
Chapitre III Simulation et commande d’un quadrirotor
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’.
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).
32
Chapitre III Simulation et commande d’un quadrirotor
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.
33
Chapitre III Simulation et commande d’un quadrirotor
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).
Le tableau suivant montre les valeurs des trois paramètres P, I, D des quatre
mouvements qui ont été obtenus après plusieurs tests
34
Chapitre III Simulation et commande d’un quadrirotor
35
Chapitre III Simulation et commande d’un quadrirotor
36
Chapitre III Simulation et commande d’un quadrirotor
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.
- 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
37
Chapitre III Simulation et commande d’un quadrirotor
Ensuite, ils apparaissent dans le tracé au centre de l'application sous forme d'un ensemble de
cercles.
Les données de contrôle apparaissent dans le graphique sous forme de points croix
(signe positif) superposés sur les données d’entraînement. (Figure (III.13)).
38
Chapitre III Simulation et commande d’un quadrirotor
Pour afficher une représentation graphique de la structure du modèle initiale des FIS, on
clique sur 'Structure'.
39
Chapitre III Simulation et commande d’un quadrirotor
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.
40
Chapitre III Simulation et commande d’un quadrirotor
Enfin, nous exportons le fichier « FIS » et nous obtenons les résultats du processus
dans la fenêtre de Matlab.
41
Chapitre III Simulation et commande d’un quadrirotor
42
Chapitre III Simulation et commande d’un quadrirotor
43
Chapitre III Simulation et commande d’un quadrirotor
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 :
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.
Le Besoin Description
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
46
Chapitre IV Réalisation du drone quadrirotor
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 +).
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
Chapitre IV Réalisation du drone quadrirotor
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.
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).
48
Chapitre IV Réalisation du drone quadrirotor
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).
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].
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
Chapitre IV Réalisation du drone quadrirotor
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
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
Chapitre IV Réalisation du drone quadrirotor
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.
51
Chapitre IV Réalisation du drone quadrirotor
‒ 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).
52
Chapitre IV Réalisation du drone quadrirotor
53
Chapitre IV Réalisation du drone quadrirotor
- 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:
54
Chapitre IV Réalisation du drone quadrirotor
55
Chapitre IV Réalisation du drone quadrirotor
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).
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
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
UTC Compiegn.2009
[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
[18] https://www.absolu-modelisme.com/les-radiocommandes
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.