Chapitre 5 Robotique (Techniques de commande des robots)

Chapitre 5
Techniques de commande des robots

5.1 Commande classique :

La commande classique est l’ensemble des lois linéaires de type PID à gains constants. Par
conséquent, pour élaborer une commande PID, il faut considérer chaque articulation du robot
comme un mécanisme indépendant et pouvant être linéarisé dans une zone de fonctionnement.
La commande prend donc un caractère local.
La figure présente le schéma d’une commande classique PID.

-
qd Kp
+
+ q
+
Ki ∫ robot
•
+ q
•
• + e
qd Kd
-
Figure.5.1 : schéma classique d’une commande PID

La commande classique tient le monopole dans le domaine industriel mais elle présente
certains inconvénients et certains avantages.
Les avantages sont :
-Facilité d’implantation.
- Faible coût (implantation, temps de calcul).
Les inconvénients sont :
- cette commande, fondée sur un modèle linéaire du robot manipulateur, n’est plus acceptable
pour les grand déplacement effectués à des vitesses importantes et demandant une bonne
précision.
- le terme intégral est indispensable pour éliminer l’erreur statique en position due aux forces
de gravité. Cependant, pour une entrée de type rampe, l’erreur statique subsiste.
-la dynamique du manipulateur variant avec sa configuration, il ne sera pas possible de
maintenir les performances du système pour toutes les configurations accessibles si les
coefficients du correcteur sone constants.

Lois de commende :
Si les forces de pesanteur sont compensées mécaniquement ou autrement, la loi de commande
à choisir est du type PD :
• •
τ = K P (q d − q) + K D (q d − q )
Dans le cas ou les forces de pesanteur ne sont pas compensées, une commande PID est
nécessaire et la loi correspondante est de la forme :
• • t
τ = K P (q d − q) + K D (q d − q) + K I ∫ (q d − q)dt 5.1
0
qd : position désirée. q : position réelle.
• •
q d : Vitesse désirée. q : Vitesse réelle.

1
Chapitre 5 Robotique (Techniques de commande des robots)

KP, KD, KI : matrices diagonales (n×n) contenant les gains KPi, KDi, KIi.
L’implantation de la commande PID nécessite la connaissance des gains KPi, KDi, KIi de
chaque articulation.
Pour cela, on suppose que les équations dynamiques des articulations sont découplées et
linéaires et en négligeant les forces centrifuge et Coriolis ainsi que les forces de pesanteur et
de frottement.
L’équation correspondant de chaque articulation prend la forme :
••
τ i = Ji qi 5.2
Où Ji : représente la partie fixe ( ou maximale dans d’autre cas ) de l’élément mij de la matrice
d’inertie M(q).
Le modèle est d’autant plus réaliste que le rapport de réduction est important, que les vitesses
sont faibles et que les gains en position et en vitesses sont grands.
On égalisant l’équation (5.2) avec une équation du système (5.1) on obtient :
• • t ••
K Pi (q d − q ) + K Di (q d − q) + K Ii ∫ (q d − q)dt = J i qi
0
La fonction de transfert en boucle fermée entre qi et qdi est comme suit :
qi K Di s 2 + K Pi s + K Ii
= 5.3
q di J i s 3 + K Di s 2 + K Pi s + K Ii

qi
On remarque bien que ≠ 1 , donc, la présence d’une erreur.
dqi
En robotique, la pratique la plus courante consiste à choisir les gains de manière à obtenir
comme pôles dominants un pôle double réel négatif, dans le but d’obtenir une réponse sans
oscillations et rapide, l’autre pôle est choisi réel négatif mais loin des deux autres.
L’équation caractéristique de la fonction de transfert (5.3) s’écrit sous la forme :
E i ( s ) = J i S 3 + K Di s 2 + K Pi s + K Ii
K K K
Si on pose K Pi' = Pi '
K Di = Di K Ii' = Ii
Ji Ji Ji
Alors E i ( s ) = S 3 + K Di
'
s 2 + K Pi' s + K Ii 5.4

Les pôles choisis sont donc comme suit :

K Pi' = (2 K + 1) β 2 , K Di
'
= (2 + K ) β , K Ii' = Kβ 2 5.5
D’où E i ( s ) = ( s + β ) 2 ( s + Kβ ) avec K>0 et β >0

Nous remarquons que les gains Kp , KD , KI sont fonction de Ji supposé constant, mais en
réalité Ji varie en fonction de la situation de l’ensemble du robot, donc l’amortissement n’est
vraiment critique que pour la valeur de Ji choisie.

5.2 Amélioration de la précision par la commande

Dans la plupart des cas, les seuls moyens de mesure présents sur un robot sont les capteurs
proprioceptifs mesurant les grandeurs liées aux actionneurs. La commande d’un robot
industriel est donc effectuée en utilisant uniquement ces informations. De plus, la commande
d’un robot étant dans la plupart des cas une commande articulaire.

2
Chapitre 5 Robotique (Techniques de commande des robots)

La recherche de précision et de vitesse impose une commande dynamique, c’est-à-dire que les
actionneurs doivent être commandés en couple. Nous allons passer en revue les principales
techniques actuellement développées.

5.2.1 La commande par découplage non linéaire

Les possibilités de l’application de la commande dynamique viennent après le grand
développement de l’information et des méthodes d’identification. La méthode de découplage
non linéaire est proposée par Freund.
Cette dernière commande consiste à transformer par retour d’état le problème de commande
d’un système linéaire, ce qui permet ensuite d’appliquer les techniques classiques de la
théorie de la commande linéaire.
Le schéma de cette commande est montré sur la figure ( 5.3 )

qd - e
Kp
+

Ki ∫
• • q
+
qd + e + ∧ + τ robot
Kd M (q )
- •
+ + q
••
qd ∧ • ∧
H ( q, q ) + τ f

Figure. 5.3 : Schéma d’une commande dynamique par découplage non-linéaire.

Si l’équation du modèle est comme suit :

•• •
τ = M ( q ) q + H ( q, q ) + τ f ( q )
L’équation du loi de commande sera donné par :
∧ ∧ • ∧
τ = M (q)u + H (q, q ) + τ f (q) 5.6
•• • • t
Où : u = q d + K D (q d − q) + K P (q d − q) + K I ∫ (q d − q)dt 5.7
0
∧ ∧ ∧
Avec : M , H , τ f estimés de M , H , τ f .
M : matrice d’inertie .
H : matrice des termes Coriolis, centrifuges et de gravités.
τ f : couple de frottement.
Dans le cas où le modèle dynamique est exacte, l’équation 5.7 nous donne l’équation de
l’erreur e=(qd-q).
•• • t
e + K D e+ K P e + K I ∫ e( x)dx = 0 5.8
0
L’équation de l’erreur est découplé et linéaire.
Le bon choix des constantes Kp, KD et KI fait tendre asymptotiquement l’erreur vers zéro.
A partir de l’équation 5.8 nous déduisons la fonction de transfert entre la position désirée et
la position réelle mesurée :

3
Chapitre 5 Robotique (Techniques de commande des robots)

qi s 3 + K Di s 2 + K Pi s + K Ii
= 3 5.9
q di s + K Di s 2 + K Pi s + K Ii

La fonction de transfert (5.9) est unitaire, donc la trajectoire du robot doit suivre exactement
la trajectoire d’erreur de modélisation.
Le calcul de la commande dynamique dépend de la tâche à réaliser :
- Si la charge est connue, sont identification se fait hors ligne.
- Si la charge n’est pas connue l’identification en ligne est obligatoire.

Si vecteur de commande u est obtenu par un correcteur proportionnel dérivée et d’une

anticipation en accélération. Il s’écrit donc :
•• •
u = q d + K d e+ K p e 5.10
••
En utilisant le fait que u = q dans le cas parfait, le comportement de l’erreur est alors
caractérisé par l’équation suivante :
•• •
e + K d e+ K p e = 0 5.11

Dans ce cas, l’erreur se comporte comme un système du second ordre. La pulsation propre et
l’amortissement sont alors réglés par les gains du correcteurs :

 K p = ω2
 5.12
 K d = 2ξω

La présence d’un gain intégral est théoriquement inutile puisque le système asservi se
comporte comme un double intégrateur. Cependant, en pratique, le gain intégral est utilisé
pour diminuer l’influence des erreurs de modélisation puisque la commande en couple
calculé a aussi tendance à être peu robuste face aux erreurs de modélisation.

Lorsque les erreurs de modélisation sont importantes, que ce soit à cause

d’incertitudes sur les paramètres inertiels, soit à cause des charges inconnues soit à cause des
frottements. L’équation de l’erreur sera donnée par la relation suivante :

Soit :

Ou

5.13

couple de perturbation.
Nous déduisons que l’erreur de modélisation constitue une excitation pour l’équation de
l’erreur ‘e’. Remédier à ce problème c’est augmenter les gains , et .

4
Chapitre 5 Robotique (Techniques de commande des robots)

5.3 Commande dynamique prédictive

Cette loi est un cas de la commande dynamique à découplage non-linéaire et la prédiction
∧ ∧ ∧
consiste à remplacer lors du calcul des termes de compensations M , H , τ f les valeurs des
• •
vitesses et des positions mesurées (q, q ), par leurs valeurs correspondantes désirés (qd, q d )
figure (5.4).

qd - e
Kp
+

Ki ∫
• • q
+
qd + e + ∧ + τ robot
Kd M (q )
- •
+ + q
••
∧ • ∧
qd
H ( q, q ) + τ f
•
qd qd

Figure. 5.4 Commande dynamique prédictive.

L’équation de la loi de commande est donné par :

∧ ∧ • ∧
τ = M (q )u + H (q, q) + τ f (q) 5.14
•• • • t
Avec u = q d + K D (q d − q) + K P (q d − q) + K I ∫ (q d − q)dt 5.15
0
Et l’équation de l’erreur est de la forme :
•• • t
e + K D e+ K P e + K I ∫ e( x)dx = 0 5.16
0
L’équation de l’erreur est linéaire et découplée.
L’intérêt de cette commande réside dans la possibilité de calculer hors-ligne les termes de
∧ ∧ ∧
compensation M , H , τ f et les stocker, ce qui permet de réduire énormément le temps de
calcul en ligne.
La commande prédictive est la procédure de calcul hors- ligne ne sont utiles que lorsque la
trajectoire à parcourir est souvent répétée.

5
Chapitre 5 Robotique (Techniques de commande des robots)

5.4 Commande adaptative :

La commande adaptative ajuste de manière automatique en temps réel , les paramètres de
régulateurs afin d’obtenir un certain niveau de performances quand le comportement
dynamique du procédé est inconnu, mal-connu, et/ou variable dans le temps.
L’asservissement en boucle fermée d’un système par une commande adaptative est formé
généralement par deux boucles, une boucle interne normale contenant le régulateur et le
processus, une boucle externe ajuste les paramètres du régulateurs dans le but de minimiser le
critère choisi.

5.4.1 Différentes commandes adaptatives :

Bien qu’il existe plusieurs types de commande adaptatives nous présentons les plus répondues
telles que :

A Gain-scheduling :
Il est possible des fois de trouver des variables auxiliaires qui ont une grande corrélation avec
le changement des paramètres dynamiques. Il est donc possible de réduire les effets des
paramètres on ajustant le régulateur et on se basant sur ces variables auxiliaires.
Le problème du Gain-scheduling est la détermination des paramètres auxiliaires, qui nécessite
la connaissance de la physique du système à commander.
La régulation par Gain-scheduling est la détermination des paramètres auxiliaires, qui
nécessite la connaissance de la physique du système à commander.

Gain-scheduling

Uc Y
U
Régulateur Processus

Figure 5.5 : Schéma bloc de la commande gain-scheduling.

B Commande adaptative à modèle de référence :
Le premier MRAS est proposé par Whitaker en 1958 pour résoudre le problèmes des
servomécanismes. Le schéma original proposé par Whitaker est montré en figure (5.6)
Les performances désirées sont formulées par le modèle de référence qui donne la repense
souhaitée au signal de commande.
L’ensemble du système de commande a une première boucle ordinaire contenant le modèle de
référence et le mécanisme d’ajustement des paramètres du régulateur.
Les deux nouvelles idées apportées par le MRAS sont : les performances sont fixées par le
choix d’un modèle de référence et l’ajustement des paramètres du régulateur est basé sur
l’erreur e=ym-y.
Parmi les approches utilisées comme mécanismes, nous notons :
- Les règles MIT (gradient).
- La fonction de Lyapunov.
- L’hyperstabilité de Popov.

6
Chapitre 5 Robotique (Techniques de commande des robots)

Modèle de Ym
référence
Mécanisme
d’adaptation

Uc Y
U
Régulateur Processus

Figure 5.6 : Schéma synoptique d’un système adaptatif à modèle de référence

C Régulateur auto-adaptative (STR) :

Dans le cas des systèmes adaptatifs, il est supposé que les paramètres du régulateur sont
ajustés tout le temps et suivent les changement du processus. Cependant il est difficile
d’analyser la convergence et la stabilité de tels systèmes.
Le régulateur auto-adaptatif (STR) est basé sur l’idée de séparer entre l’estimateur des
paramètres inconnus et la procédure d’ajustement.
La figure (5.7) montre que les paramètres inconnus sont estimés en-ligne utilisant les
méthodes d’estimation récursives.
Les paramètres estimés sont supposés prendre les valeurs réelle et les incertitudes de
l’estimation ne sont pas considérées.
Parmi les méthodes d’estimation des paramètres on cite :
- Les approximations stochastiques.
- Les moindres carrés.
- Les moindres carrés étendu et généralisés.
- La variable instrumentale.
- Le maximum de Likelihode.
Les méthodes s’ajustement ds paramètres utilisées sont :
- La variance minimale.
- le placement de pôles.
- Le suivi de modèle.

Procédure Estimateur de
d’ajustement paramètres

Uc U Y
Régulateur Processus

Figure 5.7: Schéma bloc d’un régulateur auto-adaptatif (STR).

5.4.2 Approches pour l’analyse des bras

La construction d’un système adaptatif à modèle de référence consiste au :
• Choix d’u modèle de référence fixe les performances désirées.
• Chois de la loi de commande.
• Détermination de la loi d’adaptation.

7
Chapitre 5 Robotique (Techniques de commande des robots)

Si le choix du modèle de référence et la loi de commande est lié aux performances

désirées, la loi d’adaptation doit assurer la stabilité du système et la tendance de l’erreur vers
zéro.
Parmi les approches utilisées pour la détermination de la loi d’adaptation on cite
l’approche du gradient, la fonction du Lyapunov et l’hyperstabilité de Popov.

Approche du gradient
La méthode du gradient est utilisée en premier lieu par Whitaker dans son travail
original. Le développement de cette approche envers le MRAS revient à utilisé les règles de
MIT.

Règle de MIT
Soit l’erreur entre ym et y (e=ym-y) et θ le vecteur des paramètres à ajuster. Un critère à
minimiser est proposé comme :
5.17

Par conséquent pour que J soit petit il est raisonnable de changer les paramètres dans le sens
négatif du gradient de J c.-à-d. :

5.18

S’il est supposé que les paramètres θ changent plus lentement que les autres variables du
système, alors on peut calculer dans ce cas en supposant θ constant. représente la
sensibilité du système et détermine la vitesse d’adaptation des paramètres.

Le schéma de la figure (5.8) représente le modèle d’erreur :

e
θ
Π

figure 5.8 modèle d’erreur

Le choix du critère est arbitraire, si on pose :

5.19

5.20
La règle de MIT est performante si est choisi petit, mais sa valeur peut dépendre de
l’amplitude du signal et du gain du processus. En conséquence, il n’est pas possible de donner
à une limite qui assure la stabilité globale du système. il se peut que le système est stable
pour des valeurs et non pour d’autres.

8
Chapitre 5 Robotique (Techniques de commande des robots)

Une façon de remédier au problème précédent est d’utiliser les règles MIT modifiées
donnés par la formule.

5.21

Une autre façon de limiter carrément la vitesse de convergence est d’introduire la fonction de
saturation :

5.22

Il arrive parfois que le choix de larges des valeurs pour y provoque l’instabilité.
Pour toutes ces raisons, le choix d’une approche que se base sur la stabilité semble meilleure.

Fonction de Lyapunov :
Les recherches extensives menées dans le but de trouver une méthode d’analyse de stabilité,
qui assure la tendance de l’erreur vers zéro ont pu donné la fonction de Lyapunov.
La méthode proposé par lyapunov est valable pour les systèmes non-linéaires et dont l’idée
est illustrée en figure (5.9).
L’énoncé de la méthode est le suivant : l’équilibre est stable si on trouve une fonction réelle
de l’espace d’état, sa courbe enveloppe l’état d’équilibre et la dérivée de la variable d’état
pointe à l’intérieur de la courbe.

X2

•
x =0

x=0 V(x)=cst

X1
Figure 5.9 Illustration de la méthode de Lyapunov

Pour énoncer Formellement les résultats on considère l’équation différentielle suivante :

•
x = f ( x, t ) , f(0,t)=0 5.23
Où x représente vecteur d’état de dimension n.
Soit la fonction V :Rn+1 R Satisfaisant les conditions suivantes :
- V(0,t) = 0 pour tout t Є R.
- V est différentiable en x et t.
- V est définie positive.
La condition suffisante pour une stabilité asymptotique uniforme pour le système 5.23 est :
• δV
V ( x, t ) = F T ( x, t ) grad (V ) + ( 0 pour x ≠ 0) 5.26
δt

9
 Chapitre 5 Robotique (Techniques de commande des robots)

•
Alors V doit être définie négative :
La condition (5.26) fixera donc la loi d’adaptation assurant par suite la stabilité et la tendance
de l’erreur vers zéro.

Commande d’un bras manipulateur par ( MRAS) :

Le besoin à une commande adaptative vient compenser les contraintes qu’opposent certains
types de commandes, telleque la commande dynamique qui nécessite une identification
précise des paramètres du modèle dynamique, ainsi que l’identification du modèle pour
chaque changement de la charge.

•• • • •
M (θ ) θ + C (θ , θ ) θ + G (θ ) + F (θ ) = τ (t ) 5.27
Le problème consiste à trouver un schéma de commande qui génère le vecteur des couples
τ (t ) assurant le suivi de la trajectoire désirée.
Pour le développement du schéma du commande décentralisé, il est nécessaire de voir
chaque articulation comme étant un sous système du système global (le bras manipulateur).
Ces sous systèmes sont interconnectés par les couples inertiels de couplage, les termes de
Coriolis, Centrifuge, friction et de gravité.

A partir du système 5.27, on peut tirer l’équation de l’articulation i :

•• n •• • •
mii θ i (t ) + ∑ mij (θ ) θ (t ) + ci (θ , θ ) + g i (θ ) + f i (θ ) = τ i (t ) 5.28
j =1
j ≠i
•• • ••
Où encore mii θ i (t ) + mi (θ , θ , θ ) = τ i (t ) i=1,2,3………..,n 5.29
L’équation 5.29 représente le modèle de l’articulation i avec τ i comme entrée et θ i comme
sortie et le terme mi représente un couple perturbateur traduisant le couplage du sous-système
avec le reste du système global.
Alors l’équation 5.29 implique que, pour chaque contrôleur adaptatif local, le schéma
d’adaptation doit utiliser uniquement des informations locales.
La loi de commande proposée est donnée par l’équation suivante :
• • ••
τ i (t ) = S i (t ) +  K i 0 (t )ei (t ) + K i1 (t ) e i (t ) +  Li 0 (t )θ di (t ) + Li1 (t ) θ di (t ) + Li 2 (t ) θ di (t ) 5.30
   

-
θ di ei Régulateur + τi Robot Manipulateur
+ ajustable θi
+
Si
Loi
d’adaptation

Figure 5.10 Commande adaptative décentralisé.

Cette loi de commande est constituée de trois parties à savoir :

- Un signal auxiliaire Si(t) généré par la loi d’adaptation.

10
Chapitre 5 Robotique (Techniques de commande des robots)

 2 (2) 
- Un terme d’anticipation adaptatif : ∑ Lij (t ) θ di (t )
 j =0 

1 ( j) 
- Un terme de retour adaptatif : ∑ K ij (t ) e i (t )
 j =0 

L’adaptation des termes précédents exige une loi qui doit en plus assurer la stabilité du
système en boucle fermée.
L’approche utilisée pour résoudre ce problème est la fonction de Lyapunov basée sur un
modèle de référence.
L’’équation d’erreur e(e = θ d − θ ) de chaque sous-systéme est obtenu en remplacent
l’équation de τ i (5.30) dans l’équation (5.29), ce qui donne l’équation suivante (sans indice)
•• • • ••
d e + K 1 e+ K 0 e = m − s − L0θ d − L1 θ d + (d − L2 ) θ d 5.31

En introduisant le vecteur d’état :

•
x(t ) = (e(t ), e(t )) T 5.32
L’équation 5.31 sera réécrite comme suit :
 
•  0 1   0   0   0 •  0  ••
x(t ) =  K 0 K 1  x(t ) +  m − s  +  θ d (t ) +  L1  θ d (t ) +  d − L2  θ (t ) 5.33
− −     L  −   
 d d   d  − 0   d   d 
 d 
L’équation différentielle 5.31 de l’erreur e possède second membre, on désire que l’erreur e
suit l’erreur désirée em, qui décrite par l’équation différentielle suivante :

•• •
e m (t ) + 2ξw e m (t ) + w 2 em (t ) = 0 5.34
Soit :
•  0 1 
x m (t ) =   x m (t ) = Ax m (t ) 5.35
− w
2
− 2ξw 
•
x m (t ) = (em (t ), e m (t ))
L’équation 5.36 représente le modèle de référence ou w est la pulsation propre et ξ le
coefficient d’amortissement.
L’équation 5.34 admet pour une solution :
0  0 
x m (0) =   ; t=0 x m (t ) =   ∀ t>0
0  0 
La loi d’adaptation cherchée doit assurer la tendance de x(t) vers xm(t) et cela pour toutes les
trajectoires désirées θ d .
Vu que le modèle de référence est stable, alors il existe des matrices P et Q définies
positives satisfaisant l’équation de Lyapunov.
PA + AT P = −Q 5.36

Soit E(t) le vecteur d’erreur : E (t ) = x m (t ) − x(t ) 5.37

11
Chapitre 5 Robotique (Techniques de commande des robots)

• • •
Alors E (t ) = x m (t ) − x(t )
Ou encore
•  0 0   0   0   0  •  0  ••
E (t ) =  K 0 K1  x(t ) +  s − m  +  L0 θ +  L1  θ +  L2 − d  θ
 −w 2
− 2ξw      d   d   d
 d d   d   d  d   d 
5.38
Choisissons la fonction de Lyapunov définie positive comme suit :
s−m ∗ 2 K ∗ K ∗ L ∗
V = E T PE + R0 ( − s ) + R1 ( 0 − w 2 − K 0 ) 2 + R2 ( 1 − 2ξw − K 1 ) 2 + R3 ( 0 − L 0 ) 2
d d d d
L ∗ L ∗
+ R4 ( 1 − L 1 ) 2 + R5 ( 2 − L 2 ) 2 5.39
d d
Pour que le système à boucle fermée soit stable et que l’erreur e tend vers zéro, il faut choisir
la loi d’adaptation de manière à assurer que V soit définie négative. Nous obtenons donc :
• •2 •2 •• 2
V = − E QE − 2 R 0 h − 2 R 1 h e − 2 R 2 h e − 2 R 3 h θ − 2 R 4 h θ d − 2 R 5 h θ d
T 2 2 2 2 2 2
d
2 2
5.40
•
Alors V <0

Et les lois d’adaptation sont données par les relations suivantes :

t
S (t ) = S (0) + C1 ∫ h(t )dt + C 2 h(t )
0
t
K 0 (t ) = K 0 (0) + C 3 ∫ h(t )e(t ) + C 4 h(t )e(t )
0
t • • 5.41
K1 (t ) = K1 (0) + C5 ∫ h(t ) e(t ) + C6 h(t ) e(t )
0

t
L0 (t ) = L0 (0) + C 7 ∫ h(t )θ d (t )dt + C8 h(t )θ d (t )
0
t • •
L1 (t ) = L1 (0) + C 9 ∫ h(t ) θ d (t )dt + C10 h(t ) θ d (t )
0
t •• ••
L2 (t ) = L2 (0) + C11 ∫ h(t ) θ d (t )dt + C12 h(t ) θ d (t )
0

• •
Avec h = p 2 e + p3 e = c p e + cv e

R 0 ,.........R 5 , C1 ,........C12 sont des constantes scalaires positives ou nulles.

12