Commande Hybride Sliding Mode PSO Pour Le Suivi de Trajectoire Du Robot Mobile

Département de Physique Appliquée
Mémoire pésenté à
LA FACULTE DES SCIENCES ET TECHNIQUES
Pour obtenir le diplôme de
MASTER ES SCIENCES ET TECHNIQUES
« GENIE ELECTRIQUE »
Option : AUTOMATIQUE et INFORMATIQUE INDUSTRIELLE
par Mr MAARIFA ELHASSAN
Sous le thème :
Commande hybride sliding mode PSO pour le suivi de

trajectoire du robot mobile
Réalisé au Laboratoire LSEEET
Soutenu le 10/07/2021
Devant le Jury composé de :
Président : Pr. Abdeljalil ELKARI (FST Marrakech)

Examinateur : Pr. Nada ELGMILI (FST Mohammedia)
Encadrant : Pr.Hassan. AYAD (FST Marrakech)
N° 10/AII/2021 Année Univesitaire : 2020/2021

Dédicace
Toutes les lettres ne sauraient trouver les mots qu’il faut . . . Tous les mots ne sauraient exprimer
la gratitude, l’amour, le respect, la reconnaissance . . . Aussi, c’est tout simplement que Je dédie ce
travail :
A ma mère,à qui je dois la réussite, pour l’éducation qu’elle m’a prodiguée, avec tous les moyens
et au prix de tous les sacrifices qu’elle a consentis à mon égard, pour le sens du devoir qu’elle m’a
enseigné depuis mon enfance.
A mon père, que le Dieu me le garde.
A mes chers frères
A tous les membres de ma Grande Famille.
A tous ceux qui me sont chers.
i
Remerciements
Je voudrais exprimer, par ce modeste travail, toute ma gratitude et ma considération à mon di-
recteur de mémoire Monsieur Pr.HASSAN AYAD, pour avoir suivi mon travail, pour ses remarques,
ses conseils, son aide et son soutien, qu’il trouve ici l’expression de ma reconnaissance la plus sin-
cère.
Je remercie très spécialement mon collègue AHMED OULTILIGH doctorant au département

physique à l’université Cadi Ayyad, pour toute l’aide qu’il m’a apportée. Qu’il trouve ici l’expres-
sion de ma profonde gratitude.
Je présente ma gratitude, mon respect et ma reconnaissance à tous les membres de ma famille

pour leur soutien et leur patience. J’exprime mes remerciements aussi à tous ceux qui ont contri-
bué de prés ou de loin à l’élaboration de ce travail.
Mes remerciements vont également à tous les enseignants ainsi qu’à tous les responsables de
notre département qui ont veillé au bon déroulement de notre formation.
Enfin, j’adresse mes remerciements à tous mes amis.
ii
Table des figures
Figure 1.1 Différents types de robots mobiles selon le champ d’application . . . . . . . . 4

Figure 1.2 Exemples des applications des robots mobiles . . . . . . . . . . . . . . . . . . . 6
Figure 1.3 Différents types de robots mobiles à roues . . . . . . . . . . . . . . . . . . . . . 7
Figure 1.4 Modélisation Geométrique du Robot de type unicycle . . . . . . . . . . . . . . 8
Figure 1.5 Caractérisation du roulement sans glissement . . . . . . . . . . . . . . . . . . 9
Figure 2.1 Différents modes pour la trajectoire dans le plan de phase . . . . . . . . . . . . 21

Figure 2.2 Interprétation de Ueq . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
Figure 2.3 Approche du mode glissant . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
Figure 2.4 Phénomène de broutement (chattering) . . . . . . . . . . . . . . . . . . . . . . 25
Figure 2.5 structure robot mobile Unicycle . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
Figure 2.6 structure du contrôleur cinématique . . . . . . . . . . . . . . . . . . . . . . . . 27
Figure 3.1 Schéma de principe du déplacement d’une particule . . . . . . . . . . . . . . . 33

Figure 3.2 Voisinage étoile . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
Figure 3.3 Voisinage anneau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
Figure 3.4 Voisinage rayon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
Figure 3.5 Logigramme de l’algorithmes PSO . . . . . . . . . . . . . . . . . . . . . . . . . . 36
Figure 3.6 Architecture de contrôle dynamique utilisant le PSO . . . . . . . . . . . . . . . 37
Figure 4.1 Schéma de commande en boucles cinématique et dynamique . . . . . . . . . 40

Figure 4.2 résultats de simulation pour trajectoire circulaire(loi d’arrivée loi d’arrivée ex-
ponentielle sans perturbations) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
Figure 4.3 résultats de simulation pour trajectoire Aléatoire(loi d’arrivée exponentielle
sans perturbations) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
Figure 4.4 résultats de simulation pour trajectoire ligne droite(loi d’arrivée exponentielle
sans perturbations) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
Figure 4.5 résultats de simulation pour trajectoire circulaire (loi d’arrivée aloi d’arrivée
exponentielle avec perturbations) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
Figure 4.6 résultats de simulation pour trajectoire Aléatoire(loi d’arrivée exponentielle
avec perturbations) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
Figure 4.7 résultats de simulation pour trajectoire ligne droite(loi d’arrivée exponentielle
avec perturbations) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
Figure 4.8 résultats de simulation pour trajectoire cerculaire . . . . . . . . . . . . . . . . 48
iii
Figure 4.9 résultats de simulation pour trajectoire Aléatoire . . . . . . . . . . . . . . . . . 49
Figure 4.10 résultats de simulation pour trajectoire ligne droite . . . . . . . . . . . . . . . . 50
Figure 4.11 Comparison des résultats de simulation pour une trajectoire aléatoire . . . . 51
Figure 4.12 Comparison des résultats de simulation pour une trajectoire ligne droirte . . 51
Figure 4.13 Comparison des résultats de simulation pour une trajectoire circulaire . . . . 52
Liste des tableaux
3.1 Les paramètres utilisés par le PSO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.1 tableau comparatif des résultats de simulation . . . . . . . . . . . . . . . . . . . . . . 52
iv
Table des matières
Dédicace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . i
Remerciements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ii
Introduction générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
C HAPITRE 1: É TAT DE L’ ART SUR LA ROBOTIQUE MOBILE

1.1 Introduction à la robotique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Concepts et définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1 Concepts sur la robotique mobile . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.2 Définition d’un robot mobile . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Autonomie d’un robot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4 Domaines d’utilisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.5 Modélisation des robots mobile à roues . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5.1 robot mobile unicycle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5.2 Modélisation Geométrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5.3 Modélisation Cinématique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5.4 Modélisation Dynamique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.6 Problèmes de commande . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.6.1 Quelques techniques de commande en robotique mobile . . . . . . . . . . . . 17
1.7 Recherches et travaux actuels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.8 conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
C HAPITRE 2: C OMMANDE PAR MODE GLISSANT

2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2 Principe de la commande par mode de glissement . . . . . . . . . . . . . . . . . . . . 20
2.3 Conception de l’algorithme de commande par mode de glissement . . . . . . . . . . 21
2.3.1 Choix de la surface de glissement . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.3.2 Conditions de convergence et d’existence . . . . . . . . . . . . . . . . . . . . . 22
2.3.3 Détermination de la loi de commande . . . . . . . . . . . . . . . . . . . . . . . 23
2.4 La commande par mode glissant basée sur la loi d’arrivée . . . . . . . . . . . . . . . . 24
2.4.1 Loi d’arrivée avec une vitesse constante . . . . . . . . . . . . . . . . . . . . . . . 24
2.4.2 Loi d’arrivée exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4.3 Loi d’arrivée avec vitesse puissante . . . . . . . . . . . . . . . . . . . . . . . . . 25
v
TABLE DES MATIÈRES
2.5 Commande par mode glissant appliquee au robot mobile unicycle . . . . . . . . . . 26

2.5.1 Commande robuste cinématique . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.5.2 Commande dynamique robuste par mode glissant . . . . . . . . . . . . . . . . 27
2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
C HAPITRE 3: O PTIMISATION DES PARAMÈTRES DE LA COMMANDE PAR MODE

GLISSANT EN UTILISANT L’ ALGORITHME PSO
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2 Optimisation par essaim de particules . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.1 Description informelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.2 Voisinage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.2.3 Principe d’optimisationpar essaim de particules . . . . . . . . . . . . . . . . . 35
3.2.4 Application du PSO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
C HAPITRE 4: R ÉSULTATS ET SIMULATIONS

4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.2 Présentation de l’environnement de travail . . . . . . . . . . . . . . . . . . . . . . . . 39
4.2.1 Caractéristiques du robot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.2.2 Environnement de travail . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.3 Simulations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.3.1 la commande par mode glissant . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.3.2 la commande hybride PSO-MG . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.3.3 Comparison de la commande avec et sans PSO . . . . . . . . . . . . . . . . . . 50
4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
Conclusion générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
Annexe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
vi
Introduction générale
Au-delà des applications industrielles classiques, les robots sont de plus en plus présents dans
notre quotidien avec de grands domaines d’applications tels que la médecine, l’agriculture, la sé-
curité ou l’assistance à domicile. Ces robots sont également de plus en plus mobiles, capables
d’évoluer aussi bien dans des milieux aériens ou maritimes que terrestres. La robotique mobile
terrestre occupe une place historique importante.Notarnment, les robots mobiles à roues qui em-
pruntent un mode de locomotion par roulement particulièrement efficace sont déjà utilisés dans
le domaine industriel comme la logistique et l’agriculture.
Notre travail consiste au développement d’algorithmes de Commande par modes glissant ap-
pliquée aux systèmes linéaires et plus précisément la commande par modes glissant du suivi de
trajectoire pour un robot mobile.Ce type de commande a suscité un grand intérêt parmi les cher-
cheurs durant ces dernières années à cause de la simplicité de sa mise en œuvre et de sa robustesse
vis-à-vis des incertitudes de modélisation et des perturbations sur le système à commander.Cette
technique est basée sur la détermination d’une loi de commande de façon que le point de fonc-
tionnement du système s’approche d’une certaine surface de glissement. La loi de commande est
conçue en deux étapes,la première est une étape d’approche de la surface de commutation et la
deuxième, une étape de glissement sur celle-ci vers le point d’équilibre.
Tout d’abord,la commande par mode glissant (SMC) est considérée comme raisonnable pour
la tache de suivi de trajectoire Mais l’inconvénient majeur de cette commande est présente des
gains a choix aléatoire qui peut diverger la commande. pour éviter ce problème nous essayons
dans ce mémoire d’examiner l’utilisation l’algorithme pso dans la commande des robots mobiles
à roues.
L’optimisation par essaims particulaires (PSO : Particle Swarm Optimization) est l’une des mé-
taheuristiques d’optimisation la plus utilisée, elle est proposée par Russel Eberhart (ingénieur en
électricité) et James Kennedy (socio-psychologue) en 1995. Elle est basée sur le comportement des
déplacements d’un essaim d’oiseaux ou de poissons pour la recherche de nourriture. Elle génère
un essaim de particules dont chaque membre est une solution éventuelle du problème d’optimi-
sation. Cet essaim vole dans l’espace de recherche (à n dimensions) et chaque membre de celui-ci
est attiré par sa meilleure solution et celle de ses voisins. Chaque particule est donc dotée d’une
mémoire contenant les données relatives à son vol (position, vitesse et sa meilleure solution au
problème) ainsi que de la faculté de communiquer(ou socialiser) avec son entourage.
1
TABLE DES MATIÈRES
L’objectif principal de notre travail est la mise en œuvre d’une commande robuste pour le suivi
de trajectoires. Pour cela notre mémoire sera structuré en quatre chapitres :
Le premier chapitre est dédié à l’état de l’art des robots mobiles et leur application, Ainsi Une
liste non exhaustive des techniques de commandes pour résoudre le problème de suivi de trajec-
toire des robots mobiles.Ce chapitre présente aussi les différents types des robots mobiles avec
une modélisation cinématique et dynamique d’un robot mobile type unicycle.
Le deuxième chapitre est devisé en deux.En premier lieu présente les concepts de base de la
commande par mode glissant(CMG) ses propriétés ainsi que les étapes à suivre pour sort une
commande robuste par mode glissant qui représente en trois catégories principale définies par le
choix de la surface de glissement et par précision conditions de convergence et d’existence et par
détermination de la loi de commande.Ensuite présente l’application de la commande par mode
glissant sur un robot mobile non holonome de type unicycle.
Dans le troisième chapitre présente une généralité sur l’optimisationpar essaim de particules
afin de proposer un contrôleur dynamique basé sur le mode glissant pso (MG-PSO) appliqué sur
un modèle cinématique perturbé du robot mobile unicyle.Une optimisation par essaim de parti-
cules (PSO) est appliquée sur la loi de commande proposée pour en extraire les paramètres opti-
maux.
Le dernier chapitre consiste concerne les résultats des différentes simulations de la commande
par mode glissant classique et de la commande par mode glissant optimisée par essaim de parti-
cules a été réalisée pour le suivi trajectoire. Ce chapitre présente des nombreux tests de simulation
sur le suivi de plusieurs trajectoires.
Finalement.On termine notre travail par une conclusion générale.
2
Chapitre 1
État de l’art sur la robotique mobile
1.1 Introduction à la robotique

La robotique mobile est un domaine essentiellement pluridisciplinaire dans lequel l’expé-
rience pratique est particulièrement illustratrice et importante pour la compréhension des pro-
blèmes. Elle est la branche de l’intelligence artificielle concernée par l’étude de systèmes automa-
tiques capables d’une interaction directe avec le monde physique. Elle est l’ensemble des tech-
niques permettant la conception, la réalisation de machines automatiques ou des robots mobiles.
La robotique mobile est un domaine de recherche .Ses réalisations conjuguent naturellement l’au-
tomatique,l’informatique,la mécanique et l’électronique Sa problématique porte sur la concep-
tion et l’étude de fonctions de perception, de décision et d’action, et sur l’intégration cohérente
de ces fonctions en une machine physique. Cette machine devra mettre en œuvre ses fonctions
sensori- motrices et décisionnelles pour réaliser de façon autonome une diversité de tâches dans
un environnement dynamique imparfaitement modélisé, pour interagir avec d’autres machines
et avec des humains, et pour améliorer ses propres performances par apprentissage[1, 2]
1.2 Concepts et définition
1.2.1 Concepts sur la robotique mobile

La mobilité autonome des robots est devenue un sujet de recherche développé par tous les
pays industrialisés.Qu’il s’agisse d’un robot mobile avec pattes et roues, ou d’un robot mobile avec
sous-marins son domaine d’application est très large : robots de service, surveillance, construc-
tion, nettoyage, manutention de charges, voitures intelligentes, robots d’intervention, robots d’ex-
ploration planétaire ou sous-marine , Satellites, robots militaires, etc...Le marché potentiel de la
robotique est énorme, même s’il s’agit de résoudre des problèmes plus vastes et plus fondamen-
taux que prévu initialement dans la recherche de machines intelligentes. [2, 3, 4]
3
CHAPITRE 1. ÉTAT DE L’ART SUR LA ROBOTIQUE MOBILE
1.2.2 Définition d’un robot mobile

Un robot mobile est un système mécanique, électronique et informatique qui agit physique-
ment dans son environnement en vue d’atteindre un objectif qui lui a été assigné. Cette machine
polyvalente est capable de s’adapter à certains variations de ses conditions de fonctionnement[5].
L’appellation Robot mobile regroupe tous les types de robots qui ont la capacité de déplacement
qui est la caractéristique commune entre eux, la différence réside dans la manière, qui dépend du
domaine d’utilisation de robot, par la quelle le robot va atteindre cette faculté de mouvement. La
mobilité par les roues est la structure mécanique la plus communément appliquée. Cette tech-
nique assure selon l’agencement et les dimensions des roues un déplacement dans toutes les di-
rections avec une accélération et une vitesse importante.[2].
Le spectre des applications de la robotique mobile ne connaît quasiment aucune limite, car la
technologie intelligente et l’autonomie de travail de ces appareils permettent de les employer de
multiples façons. Et leur utilisation dépasse le cadre des ateliers de production — la robotique
trouve sa place aussi dans la vie de tous les jours comme le montre la figure 1.2
F IGURE 1.1 – Différents types de robots mobiles selon le champ d’application
Néanmoins, l’intérêt indéniable de la robotique mobile est d’avoir permettre d’augmenter consi-
dérablement nos connaissances sur la localisation et la navigation de systèmes autonomes. La
gamme des problèmes potentiellement soulevés par le plus simple des robots mobiles à roues en
fait un sujet d’étude à part entière et forme une excellente base pour l’étude des systèmes mobiles
4
plus complexes.
1.3 Autonomie d’un robot

L’autonomie est la capacité à résister à des perturbations externes en utilisant les ressources
internes.L’autonomie d’un robot est une faculté relative et non absolue, elle est liée aux capacités
du robot, aux caractéristiques de l’environnement dans lequel il est plongé, à leurs variations, et
enfin aux tâches qu’il doit effectuer. Le concept d’autonomie est complexe lorsqu’on considère
l’interaction d’un robot avec son environnement[2].
l’autonomie d’un robot peut être résumée à chercher une commande pour l’envoyer aux action-
neurs à chaque fraction de temps tout en considérant le but à atteindre et les données des diffé-
rents capteurs. Le robot doit accomplir les tâches suivantes [6] :
— Percevoir :Le robot doit obtenir des informations sur son environnement à partir de ses
capteurs. Ces informations permettent de mettre à jour le modèle environnemental (ar-
chitectures hiérarchiques ou délibératives)ou peuvent être directement utilisées comme
entrées de comportement de bas niveau (architectures purement réactives).
— Décider :Le robot doit définir des séquences d’actions résultant d’un raisonnement ap-
pliqué sur un modèle de l’environnement ou répondant de manière réfexe à des stimuli
étroitement liés aux capteurs.
— Agir :Il doit exécuter les séquences d’actions élaborées en envoyant des consignes aux ac-
tionneurs par l’intermédiaire des boucles d’asservissements.
1.4 Domaines d’utilisation

Bien que le champ d’application des robots mobiles reste illimité, nous présentons ici quelques
domaines d’application [7].(voir Figure (1.2)).
— Militaire :Les applications militaires de la robotique mobile sont nombreuses. Ce champ
d’application présente l’intérêt de fournir des spécifications serrées telles que la vitesse des
véhicules, leurs capacités de franchissement des obstacles et leur rapidité de réaction.Bien
que les drones sont très utilisés dans ce domaine, on trouve aussi d’autres robots à roues
ou hybrides pour le transport des armes, l’espionnage et l’intervention(Voir Figure(1.2b)).
— Recherche :Les robots mobiles sont largement utilisés dans plusieurs domaines de recherche
l’intelligence artificielle, le diagnostic ou encore l’exploitation des profondeurs des océans
ou de l’espace comme le robot de la figure(1.2c)
— Agriculture :Dans l’agriculture moderne, on trouve de plus en plus de nouvelles technolo-
gies et des innovations tel que le robot dans la figure (1.2d).
— Industrie :Il existe des robots mobiles destinés à des applications industrielles. Celles-ci
concernent principalement le transport et la distribution (dans les usines, les mines, les
hôpitaux et les ateliers), le nettoyage, 1’entretien et la maintenance, la surveillance et la
manutention.(Voir Figure(1.2a,1.2f).
5
— laboratoires :De nombreux laboratoires travaillant dans le domaine de la robotique, dis-

posent de plates-formes expérimentales pour valider des travaux théoriques en perception
ou en planification de mouvement.
— La santéLes robots commencent à être de plus en plus dans le domaine médical. Ces ro-
bots ne sont pas complètement autonomes mais ils assistent les médecins ou chirurgiens,
jusqu’à permettre des opérations médicales à distance. Cette pratique de chirurgie assistée
est émergente donc bien que peu répandue, elle est en phase de devenir la chirurgie du
futur.(Voir Figure1.2e).
(a) Les robots Amazon (b) Robot militaire
(c) Le robot mobile Sejourner, pathtinder de la NASA (d) le Robot MARS de FENDIT
(f) Un robot industriel

(e) Un robot médical
F IGURE 1.2 – Exemples des applications des robots mobiles
6
1.5 Modélisation des robots mobile à roues

Il existe plusieurs classes de robots à roues déterminées, principalement, par la position et le
nombre de roues utilisées. Nous pouvons les classer en quatre classes principales, robot unicycle
(voir figure 1.3a), robot tricycle (voir figure 1.3b), robot voiture (voir figure 1.3c) et robot omnidi-
rectionnel (voir figure 1.3d).
(a) robot unicycle (b) robot tricycle
(c) robot voiture (d) omnidirectionnel
F IGURE 1.3 – Différents types de robots mobiles à roues
on s’intéresse spécialement au robot mobile de type unicycle,ce modèle sera exploité dansla sec-
tion suivante.
1.5.1 robot mobile unicycle

Un robot unicycle est un robot qui est piloté par deux roues indépendantes ayant éventuelle-
ment des roues folles et libres pour assurer sa stabilité, ce type de robot est très utilisé en raison de
sa simplicité et de ses propriétés cinématiques intéressantes.
1.5.2 Modélisation Geométrique

La modélisation géométrique permet de situer les différentes parties mobiles d’un robot les
unes par rapport aux autres.
Dans le cas des robots mobiles, tout l’ensemble du robot est considéré comme un seul corps
solide qui se déplace sur un plan horizontal. Ce qui rend la géométrie plus simple et nous permet
−
→− →→ −
de trouver une relation entre le repère de référence globale, dit repère monde F (O, x I , y I , z I ) et le
−
→− →− →
repère de référence local du robot F (O r , x r , y r , z r )comme le montre clairement la Figure 1.4.
7
Notons {X I , Y I } un repère fixe quelconque et {X r , Yr } un repère mobile lié au robot. Soient q I =

[x I y I θ I ] un point du repère {X I , Y I } et q r = [x r y r θ r ] un point du repère {X r , Yr }. Les points q I et
q r sont liés par la matrice orthogonale R(θ).
 
cos(θ) − sin(θ) 0
 
q I = R(θ)q r avec R(θ) =  sin(θ) cos(θ) 0 (1.1)
 
 
 
0 0 1
(a) Robot de type unicycle (b) Robot mobile dans le repère fixe
F IGURE 1.4 – Modélisation Geométrique du Robot de type unicycle
A :le point milieu de l’axe des roues.

2R :représente le diamètre de la roue du robot.
2L :représente la largeur du robot.
ϕ˙r et ϕ˙r :représentent respectivement la vitesse de rotation de la roue droite et de la roue gauche.
θ :1’angle d’orientation du robot
d :la distance entre le point A et le point C.
1.5.3 Modélisation Cinématique

La modélisation cinématique est l’étude du mouvement d’un system mécanique sans considé-
ration des forces qui influent sur son mouvement. À ce stade on s’intéresse qu’aux vecteurs de vi-
tesse.Le mouvement d’un robot mobile à conduite différentielle est caractérisé par deux contraintes
cinématiques à savoir :
— Aucun glissement latéral,
— Roulement sans glissement.
8
1.5.3.1 Les contraintes cinématiques
Le mouvement d’un robot est caractérisé par deux contraintes non holonomes, qui sont obte-
nus par deux hypothèses principales [29] :
Hypothèse 1 : Aucun glissement latéral. Cela signifie simplement que le robot ne peut pas se dé-
placer latéralement dans le repère local, ce qui se traduit mathématiquement par l’équation :
ẏ rA = 0 (1.2)
Autrement la vitesse du point centre A est nulle le long de l’axe latéral du repère local. En utilisant
la matrice de rotation R(θ) , les vitesses dans le repère monde sont obtenues comme suit :
    
I r
 ẋ A   cos(θ) − sin(θ) 0   ẋ A 
    
 I  
 ẏ  =  sin(θ) cos(θ) 0   ẏ r  (1.3)
 
 A    A 
    
I r
θ̇ 0 0 1 θ̇

I r r
ẋ A = ẋ A cos(θ) − ẏ A sin(θ) (1.4a)


 ẏ AI = ẋ rA sin(θ) + ẏ rA cos(θ) (1.4b)


 I r
θ̇ = θ̇ (1.4c)
De l’equation 1.2 et 1.4 on trouve la première contrainte non-holonomique :
− ẋ AI sin(θ) + ẏ AI cos(θ) = 0 (1.5)
Hypothèse 2 :le roulement est pur. Cette contrainte représente le fait que chaque roue du robot
maintient un seul point de contact P avec le sol comme indiqué sur la figure 1.5,Les hypothèses 1
et 2 ont été développées dans [29]
F IGURE 1.5 – Caractérisation du roulement sans glissement
Les vitesses des points de contact dans le repère robot local sont liées aux vitesses des roues par :
(
VP L = RϕL (1.6a)
VP R = RϕR (1.6b)
9
Avec VP L et VP R sont les vitesses des point de contact de la roue droite et gauche dans le repère
locale respectivement.ϕR est la vitesse de rotation de la roue droite et ϕL est la vitesse de rotation
de la roue gauche et R est le rayon de chaque roue.
Les expressions des positions généralisées et des vitesses généralisées dans le repère fixe en fonc-
tion des coordonnées du point A sont données par :


 x P L = x A − L sin(θ) (1.7a)


 y P L = y A + L cos(θ)

(1.7b)


 x P R = x A + L sin(θ) (1.7c)


y P R = y A + L cos(θ) (1.7d)

En dérivant, on trouve les vitesses des points de contact des roues droite et gauche :


 ẋ P L = ẋ A − L θ̇ cos(θ) (1.8a)


 ẏ = ẏ + L θ̇ sin(θ)

(1.8b)
PL A


 ẋ P R = ẋ A + L θ̇ cos(θ) (1.8c)


ẏ P R = ẏ A + L θ̇ sin(θ) (1.8d)

En utilisant la matrice de rotation R(θ), on peut trouver les vitesses VP L et VP R dans le repère
monde :     
 ẋ AI   cos(θ) − sin(θ) 0   ẋ rA 
    
 I
 =  sin(θ) cos(θ) 0   ẏ r (1.9)
   
 ẏ
 A

   A 
    
θ̇ I 0 0 1 θ̇ r
Où ẏ Pr R = 0 de l’hypothèse I , on trouve :
r

ẋ P R = ẋ P R cos(θ)


(1.10a)
ẏ P R = ẋ Pr R sin(θ) (1.10b)

 r
VP R = ẋ Pr R

(1.10c)
De les equations 1.6 et 1.8 et 1.10, et sachant que sin(θ)2 + cos(θ)2 = 1 on trouve la contrainte
de roulement pour la roue droite :
ẋ AI cos(θ) + ẏ AI sin(θ) + L θ̇ = R ϕ˙R (1.11)
De même pour la roue gauche.
ẋ AI cos(θ) + ẏ AI sin(θ) − L θ̇ = R ϕ˙L (1.12)
Dans le cas d’un roulement pur sans glissement on peut écrire les trois équations des contraintes
sous la forme matricielle :
Λ(q) ∗ q̇ = 0 (1.13)
10
Telle que Λ(q) est la matrice des contraintes non-holonomes définie comme :
 
− sin(θ) cos(θ) 0 0 0 
 
Λ(q) =  cos(θ) sin(θ) L −R 0  (1.14)
 
 
 
cos(θ) sin(θ) −L 0 −L
Dont q̇ représente la dérivée du vecteur des coordonnées généralisées q :

· ¸T
q̇ = ẋ A ẏ A θ̇ ϕ̇R ϕ̇L (1.15)
l’expression des vitesses linéaires des roues droite et gauche au point de contact P. sont exprimées
comme :
(
V̇P R = V A + L θ̇ (1.16a)
V̇P L = V A − L θ̇ (1.16b)
avec V A la vitesse du point A, VP R est la vitesse de la roue droite au point P et VP L est la vitesse de
la roue gauche au point P.
En posant :
(
V = VA (1.17a)
θ̇ = ω (1.17b)
et
(
V̇P R = VR (1.18a)
V̇P L = VL (1.18b)
on obtient l’expression de la vitesse linéaire V et la vitesse angulaire ω du robot mobile en fonction
des vitesses de rotation de la roue gauche ϕ̇L et de la roue droite ϕ̇R
VR + VL R(ϕ̇R + ϕ̇L )

V = = (1.19a)


2 2
VR − VL R(ϕ̇R − ϕ̇L )
ω =

 = (1.19b)
2L 2L
Dans le repère mobile les coordonnées du point A sont :
R(ϕ̇R + ϕ̇L )

ẋ rA = V = (1.20a)


2




r
ẏ A = 0 (1.20b)

R(ϕ̇R − ϕ̇L )


θ̇ rA = ω =

 (1.20c)
2L
En remplaçant l’équation 1.20 dans1.9on obtient :
R(ϕ̇R + ϕ̇L )
    
I
ẋ
 A   cos(θ) − sin(θ) 0
  

 2 

 I  
= (1.21)
 
 ẏ   sin(θ) cos(θ) 0   0
 A  

 
     R(ϕ̇ − ϕ̇ ) 
R L
θ̇ I 0 0 1
2L
11
avec un simple changement sur l’equation 1.21 on trouve :

   
I R R
 ẋ A   2 cos(θ) 2 cos(θ)
 
 ϕ̇R

  
 I   R
 ẏ  =  sin(θ) R sin(θ) (1.22)
 
 A   2

2

 ϕ̇L

  
R R
θ̇ I 2L − 2L
En combinant les équations 1.19 et 1.22, soit encore à partir de l’équation 1.21
on obtient le modèle cinématique du robot mobile uni cycle :
   
 ẋ A   cos(θ) 0 
 
    V
 ẏ A  =  sin(θ) 0   (1.23)
    

 ω
   
  
θ̇ 0 1
1.5.4 Modélisation Dynamique

Plusieurs travaux ont considéré la modélisation dynamique du robot comme une partie in-
téressante pour établir les différentes forces qui affectent son mouvement ainsi qu’elle permet de
faire l’analyse et le contrôle [30]. La modélisation dynamique est généralement une étude du mou-
vement du système dans lequel les forces sont modélisées en tenant compte des énergies et des
vitesses du mouvement.
il existe Plusieurs formalismes qui permettent de faire la modélisation dynamique du robot Parmi
eux :
— le formalisme d’Euler-Lagrange.
— le formalisme de Newton-Euler.
— le principe de D’Alembert.
Dans cette partie on s’intéresse à la modélisation dynamique avecle formalisme d’Euler-Lagrange.
du robot mobile unicycle à roue non-holonomes ayant une dimension n de coordonnées généra-
lisées q n et soumis à m contraintes est donné par :
d ∂L ∂L
( )+ = F + A T (q)λk (1.24)
d t ∂q̇ i ∂q i
avec le lagrangien :
L(q, q̇) = T − V (1.25)
T : L’énergie cinétique du système
V : L’énergie potentielle du système
F :Le vecteur de force généralisée
λk :Le vecteur des multiplicateurs de Lagrange
q i :la coordonnée généralisée.
L’énergie cinétique T du système est donnée par :
T = Tc + TωR + TωL (1.26)
12
où
Tc :est 1 ’énergie cinétique de la plate forme
1 1
Tc = m c Vc2 + I c θ̇ 2 (1.27)
2 2
TωR :est l’énergie cinétique de la roue droite
1 2 1 1
TωR = m ωVωR + I m θ̇ 2 + I ω ϕ̇2R (1.28)
2 2 2
TωL :est 1 ’énergie cinétique de la roue gauche.
1 2 1 1
TωL = m ωVωL + I m θ̇ 2 + I ω ϕ̇2L (1.29)
2 2 2
avec
m c :masse de la plate forme.
m ω :masse de chaque roue plus la masse du moteur.
VωR :vitesse linéaire de la roue droite.
VωL :vitesse linéaire de la roue gauche.
I m :Moment d’inertie de chaque roue avec le moteur par rapport au diamètre de la roue.
I ω :Moment d’inertie de chaque roue avec le moteur par rapport à 1’ axe de la roue
I c :Moment d’inertie de la plate-forme du robot sans les roues, les moteurs, autour de 1 ’axe verti-
cal qui passe par le point C.
Le point C dans le repère fixe a pour coordonnées :
(
x c = x A + d cos(θ) (1.30a)
y c = y A + d sin(θ) (1.30b)
L’énergie cinétique totale est donnée par :
1 1 1
T = m(x 2A + y 2A ) − m c d θ̇( ẏ A cos(θ) − ẋ A sin(θ)) + I ω (ϕ̇2R + ϕ̇2L ) + I θ̇ 2 (1.31)
2 2 2
avec
(
m = m c + 2m ω (1.32a)
I = I c + m c d 2 + 2m ω I 2 + 2I m (1.32b)
L’énergie potentielle étant nulle car le robot se déplace sur un plan horizontal. Alors on a donc le
Lagrangien :
L(q, q̇) = T (1.33)
13
on applique Lagrangien (l’equation 1.24)sur l’equation 1.33 et on trouve le système d’équations

suivant :


 m ẍ A − m c d θ̈ sin(θ) − m c d θ̇ 2 cos(θ) = C 1 (1.34a)


m ÿ A + m c d θ̈ cos(θ) − m c d θ̇ 2 sin(θ) = C 2 (1.34b)





− m c d ẍ A sin(θ) + m c d ÿ A cos(θ) + I θ̈ = C 3 (1.34c)


I ω ϕ̈R = τR +C 4 (1.34d)






I ω ϕ̈L = τL +C 5 (1.34e)

avecC 1 ,C 2 ,C 3 ,C 4 et Cs sont les coefficients relatifs aux contraintes cinématiques qui peuvent être
exprimés en fonction du vecteur de multiplicateurs de Lagrange et de la matrice de contrainte
cinématique A T (q) où
    
 C 1   − sin(θ) cos(θ) cos(θ)   λ1 
    
C 2   cos(θ) sin(θ) sin(θ)   λ2 
    
    
 
    
λA T (q) =  =   λ3  (1.35)
    
 C3   0 L −L  
    
C4   0 −R 0   λ4 
    

    
    
C5 0 0 −R λ5
Le modèle dynamique du robot mobile à roue peut se mettre sous la forme :
M (q)q̈ + V (q, q̇)q̇ = B (q)u − λA T (q) (1.36)
avec :  
 m 0 −m c d sin(θ) 0 0 
 
 

 0 m m c d cos(θ) 0 0  
 
M (q) = −m c d sin(θ) m c d cos(θ)
 
 I 0 0 

 
0 0 0 Iω 0 
 

 
 
0 0 0 0 Iω
 
0 −m c d θ̇ cos(θ) 0 0 0
 
0 −m c d θ̇ sin(θ)
 
 0 0 0
 
V (q, q̇) = 0
 
 0 0 0 0
 
0 0 0 0 0
 
 
 
0 0 0 0 0
14
 
0 0
 
 
0 0
 
 
B (q) = 0
 
 0
 
1 0
 
 
 
0 1
M (q) :est la matrice d’inertie symétrique définie positive de taille n × n

V (q, q̇) :est la matrice des forces centrifuges et des forces de Coriolis
B (q) :est la matrice de transformation d’entrée
A(q) :est la matrice des contraintes non-holonomes
u :est le vecteur d’entrée

τ
 R 
u=  (1.37)
τL
on peut trouve l’expression du modèle dynamique du robot par élimination de termeλA T (q)qui
correspond aux forces de contraintes liées aux contraintes cinématiques. En posant
 
 ϕ̇R 
η=  (1.38)
ϕ̇L
omme étant le vecteur de vitesses auxiliaires.

on ajoute les vitesses auxiliaires dans l’equation 1.22 et on peut écrire comme le suivant :
   
R R
 ẋ AI   2 cos(θ) 2 cos(θ) 
   
R R
ẏ AI 
   
 
2 sin(θ) 2 sin(θ)  
 ϕ̇R
   
  
R R
θ̇ I  = (1.39)
    

2L − 2L  
 ϕ̇L
   
  
ϕ̇R   1 0
   
 
   
   
ϕ̇L 0 1
alors
(
q̇ = S(q)η (1.40a)
q̈ = Ṡ(q)η + S(q)η̇ (1.40b)
S(q)est une matrice de rang complet qui satisfait à la condition suivante :
S T (q)A T (q) = 0 (1.41)
15
En remplaçant 1.40 dans 1.36 on obtient :
M (q)(Ṡ(q)η + S(q)η̇) + V (q, q̇)S(q)η = B (q)u − λA T (q) (1.42)
En multipliant l’équation 1.42 par S T (q) et on trouve :
S T (q)M (q)Ṡ(q)η + S T (q)M (q)S(q)η̇ + S T (q)V (q, q̇)S(q)η = S T (q)B (q)u − S T (q)λA T (q) (1.43)
En posant :


 M (q) = S T (q)M (q)S(q) (1.44a)

V (q, q̇) = S T (q)M (q)Ṡ(q) + S T (q)V (q, q̇)S(q) (1.44b)

B (q) = S T (q)B (q)

(1.44c)

L’équation 1.43 est réduit sous la forme suivant :
M (q)η̇ + V (q, q̇)η = B (q)u (1.45)
avec  
R2 R2
I ω + 4L 2
(mL 2 + I ) 4L 2
(mL 2 − I )
M (q) = 


2 2
R R
4L 2
(mL 2 − I ) I ω + 4L 2 (mL 2
+ I )
 
R2
0 2L (m c d θ̇)
V (q, q̇) = 


2
− R2L (m c d θ̇) 0
 
1 0
B (q) =  
0 1
on a    
 ϕ̇R   ϕ̈R 
η=  ⇒ η̇ =   (1.46)
ϕ̇L ϕ̈L
et
R(ϕ̇R + ϕ̇L )

V = (1.47a)


2
ω =
 R( ϕ̇ R − ϕ̇L )
 (1.47b)
2L
alors          
1 L 1 L
ϕ̇
 R   R R V ϕ̈
  R   R R V̇
= ⇒ = (1.48)
  
   
ϕ̇L 1
R
− RL ω ϕ̈L 1
R
− RL ω̇
16
En remplaçant1.48 dans 1.45 on obtient :

       
Iω IωL m c d θ̇R d θ̇R
 τR   R + 2
mR
R + 2L
IR
  V̇   2L − mc2L  V 
 =  +   (1.49)
Iω d θ̇R d θ̇R
τL R
+ mR
2
−( I ωRL + I2LR ) ω̇ − mc2L − mc2L ω
on peut ecrire l’equation 1.49 comme le suite :

       
2I ω
 τR + τL   R + mR 0   V̇   0 −Rm c d θ̇   V 
 =  +   (1.50)
2I ω L IR R
τR − τL 0 R
+ L
ω̇ L
m c d θ̇ 0 ω
la forme non linéaire du modèle dynamique du robot mobile soumis à notre étude est :
        
1 2I ω
 R 0   u1   R 2 + m 0   V̇   0 −m c d ω   V 
  =    +   (1.51)
2I ω L 2
0 RL u2 0 R2
+ I ω̇ m c d ω 0 ω
avec
u 1 = τR + τL
(
(1.52a)
u 2 = τR − τL (1.52b)
où
(τR , τL )est le couple d’entrée exprimé en Newton mètres (N.m).
m : la masse totale du robot
I : l’inertie totale équivalente du système ;
R : le rayon de la roue
2L :la largeur du robot.
1.6 Problèmes de commande

L’un des aspects importants des systèmes de robots mobiles est lié à son mouvement ou le
contrôle de la navigation. La question du problème de contrôle ne dépend pas seulement de la ci-
nématique et la dynamique du système de robot mobile, mais aussi les réels éléments individuels
du contrôle lui-même. Sans un bon système de contrôle, un robot mobile est pratiquement inutile
et inefficace. Par conséquent, le développement d’un robot mobile est significativement influencé
par la conception appropriée du système de commande [8].
1.6.1 Quelques techniques de commande en robotique mobile

Un certain nombre de techniques de contrôle appliquées aux robots ont été proposées par
certains chercheurs.On trouve dans la littérature plusieurs outils de commande des systèmes qui
peuvent être appliquées aux problèmes de contrôle des robots mobiles[9].
17
— Commande basée sur un régulateur PID :Plusieurs travaux se sont basés sur le régulateur
PID (Proportionnel - Intégral Dérivé) pour concevoir un contrôleur. Le régulateur PID cal-
cule l’erreur du système, qui est la différence entre son état actuel et la consigne désirée, et
calcule une commande qui minimise cette erreur.Nous pouvons citer quelques exemples
de systèmes de commandes basées sur un régulateur PID [20, 21]
— commande par retour d’état linéarisant :D’un autre point de vue, la linéarisation par re-
tour d’état peut être interprétée comme une nouvelle modélisation du système. Il ne s’agit
pas d’une approximation du système mais d’une transformation exacte, pour cette raison,
cette technique donne des résultats précis. Néanmoins, à cause de la nature non linéaire
du système, la méthode par linéarisation exacte ne permet pas dans tous les cas d’obtenir
une modélisation globale, c’est à dire le résultat de la transformation n’est valable que dans
une région de l’espace. Le principal intérêt d’une telle représentation est de pouvoir utili-
ser la théorie des systèmes linéaires qui est beaucoup plus riche que celle des systèmes non
linéaires.[26]
— Commande basée sur les réseaux de neurones :D’après la littérature, les réseaux de neu-
rones ont été utilisés dans des nombreuses applications telles que l’identification, la plani-
fication et la commande des robots. Les réseaux de neurones sont capables d’approximer
les fonctions non linaires avec une grande précision. Pour cela l’introduction d’un réseau
de neurones dans la partie dynamique de la commande non linaire peut résoudre les in-
convénients concernant les perturbations et les dynamiques inconnues. Nous pouvons ci-
ter quelques exemples de systèmes de commandes basées sur l’utilisation de réseaux de
neurones, pour le suivi de chemin ou de trajectoire [10, 11, 12].
— Commande basée sur le Backstepping :L’idée de base du backstepping est de stabiliser au
départ le premier sous système par une fonction stabilisante connue via une fonction de
Lyapunov choisie, ensuite d’ajouter à son entrée un intégrateur. On procède de même pour
le prochain sous système augmenté et ainsi de suite pour les sous-systèmes successifs pour
aboutir enfin à une fonction deLyapunov globale donnant la loi de commande globale qui
stabilise le système.[19]
— Commande basée sur le mode glissant :La commande à structure variable (commande
par mode glissant) est une commande robuste. Des travaux sur la technique de la com-
mande par mode glissant pour les robots mobiles non holonomes ont été effectués dans
[13, 14, 15] Cette loi de contrôle a pour principe de contraindre 1 ’état du système à at-
teindre en un temps fini une hypersurface (surface de glissement) . Le principal problème
de ce contrôleur est qu’il nécessite la connaissance parfaite du modèle dynamique du ro-
bot afin de pouvoir calculer le couple. Lorsque nous voulons effectuerla linéarisation par
retour d’état du modèle dynamique nonlinéaire du système, nous devons connaître la dy-
namique exacte du robot. Cet inconvénient nous amène à utiliser un contrôleur adaptatif
ou intelligent avec capacité d’apprentissage.
— Commande adaptative :Un contrôleur adaptatif qui permet d’assurer le suivi de trajectoire
d’un robot mobile autonome est utilisé dans [16]. Un contrôleur cinématique permet de
18
générer les vitesses linéaires et angulaires de référence. Ces dernières associées aux vitesses
du modèle dynamique permettent d’élaborer une loi d’adaptation des paramètres du ro-
bot. Cette boucle, étant mise à jour à tout instant, permet de réduire considérablement
les erreurs et d’augmenter la performance du contrôleur. La théorie de Lyapunov permet
d’analyser la stabilité du système.Nous pouvons citer quelques travaux qui utilisons la com-
mande adaptative [17, 18]
1.7 Recherches et travaux actuels

Depuis plusieurs années le laboratoire réalise des travaux sur le déveleppement de nouveaux
mécanismes de déplacement robotique et leur asservissement. De récents travaux portent aussi
sur l’assemblage d’accéléromètres afin d’obtenir des valeurs plus robustes. parmi les recherches
et les travaux actuels sur robot mobile on retrouve dans les domaines suivants :
— Microrobotique et les nanorobots
— Interaction homme-robot
— Robotique médicale
— Exploration sous-marine et spatiale
— Robotique modulaire
— Pilote automatique
— Les robot moues
— bio-inspired robots
— Les voitures autonomes
1.8 conclusion
Au cours de ce chapitre, nous avons exposé un aperçu général sur la robotique mobile. Nous
avons présenté Quelques techniques de commande en robotique mobile. Nous avons fait une mo-
délisation de robot mobile de type unicyle, Cette modèlisation sera exploité dans les chapitres
qui suivent afin d’élaborer une commande par mode glissant et la commande hybride(MG-PSO)
"PSO-mode glissant".
19
Chapitre 2
Commande par mode glissant
2.1 Introduction
Les contraintes non holonomes qui se posent dans les robots mobiles à roues, les incertitudes
des paramètres et les perturbations présentent des difficultés et des problèmes dans la poursuite
de trajectoire des robots mobiles, ce qui limite l’espace d’application de ces derniers. Pour ré-
soudre ce problème, plusieurs méthodes ont été développées telle que la commande à structure
variable (VSS : Variable Structure System) Le principe de cette technique est de forcer le système
à atteindre et ensuite rester sur une surface donnée (représentant un ensemble de relations sta-
tiques entre les variables d’état), la surface considérée est alors désignée comme étant la surface
de glissement ou de commutation. Le comportement dynamique résultant, appelé régime glissant
idéal, est complètement déterminé par les paramètres et les équations définissant la surface [23]
. Les trajectoires de système sont alors confondues avec la surface de glissement durant l’utilisa-
tion des commandes à une grande vitesse de commutation. Cette commande a deux principaux
avantages, premièrement, le comportement dynamique du système au voisinage de la surface de
glissement est essentiellement conditionné par cette dernière, on dit que le système est en régime
glissant, deuxièmement, ce comportement est non seulement robuste, mais aussi insensible aux
incertitudes pour lesquelles la commande a été réglée [24].
Dans ce chapitre, nous allons aborder les concepts de base de la commande par mode glissant
(CMG), son principe, ses propriétés de robustesse ainsi que les étapes de conception, ensuite un
contrôleur non linéaire basé sur la théorie de Lyapunov associée à la technique par mode glissant
sera développé pour la poursuite de la trajectoire du robot mobile.
2.2 Principe de la commande par mode de glissement

Le principe de la commande par mode glissant est basé sur l’atténuation du système à la sur-
face de glissement en fonction des objectifs de la commande fixant la dynamique en boucle fer-
mée : c’est le mode de convergence. La synthèse d’une commande discontinue permet aux trajec-
20
CHAPITRE 2. COMMANDE PAR MODE GLISSANT
toires du système à atteindre et rester sur la surface de glissement et le mouvement qui se produit
est appelé mouvement de glissement[22].
Parmi les propriétés des modes glissants :

— Le processus de glissement est d’ordre réduit en comparaison au système original.
— La dynamique du système en mode de glissement est déterminée uniquement par le choix
des coefficients de la surface de glissement.
— La robustesse vis-à-vis de la variation de certains types de paramètres.
— La trajectoire dans le plan de phase est constituée de trois parties distinctes :
1. Le Mode de convergence « MC » : C’est le mode durant lequel la variable à régler se
déplace à partir de n’importe quel point initial dans le plan de phase et tend vers la
surface de commutation s(x,y)= 0. Ce mode est caractérisé par la loi de commande et le
critère de convergence
2. Le Mode de glissement « MG » : C’est le mode durant lequel la variable d’état a atteint la
surface de glissement et tend vers l’origine du plan de phase. La dynamique de ce mode
est caractérisée par le choix de la surface de glissement s(x,y) = 0.
3. Le Mode du régime permanent « MRP » : Ce mode est ajouté pour l’étude de la réponse
du système autour de son point d’équilibre (origine du plan de phase), il est caractérisé
par la qualité et les performances de la commande [25].
F IGURE 2.1 – Différents modes pour la trajectoire dans le plan de phase
2.3 Conception de l’algorithme de commande par mode de glis-

sement
La conception de l’algorithme de commande par mode de glissement prend en compte les
problèmes de stabilité et de bonnes performances de façon systématique dans son approche, qui
21
s’effectue principalement en trois étapes complémentaires définies par [22, 23] :

— Choix des surfaces de glissement
— Définition des conditions d’existence et de convergence du régime glissant
— Détermination de la loi de commande
2.3.1 Choix de la surface de glissement

Le choix de la surface de glissement concerne non seulement le nombre nécessaire de ces sur-
faces, mais également leurs formes en fonction de l’application et de l’objectif visé. Généralement,
le nombre des surfaces de glissement est choisi égal à la dimension du vecteur de commande . Le
procédé le plus judicieux et le plus simple consiste à choisir une surface de commutation égale au
vecteur d’erreur , du vecteur d’état[26]
S = ∆X = X r e f − X (2.1)
La surface de glissement est une fonction scalaire telle que la variable à régler glisse sur cette sur-
face et tend vers l’origine du plan de phase. Plusieurs formes de la surface de glissement ont été
proposées dans la littérature, chacune présente des meilleures performances pour une application
donnée[27].
Le choix des paramètres de la surface se fait de façon à satisfaire les performances désirées. Slo-
tine propose une forme d’équation générale pour déterminer la surface de glissement qui assure
la convergence d’une variable vers sa valeur désirée [26].
d
S(X ) = ( + λ)n−1 (X r e f − X ) (2.2)
dt
où
n :le degré relatif au nombre qu’il faut dériver la sortie pour faire apparaître la commande.
λ :une constante positive.
L’objectif de cette commande est de garder la surface qui tend à zéro. Cette dernière est une
équation différentielle linéaire dont l’unique solution est S(X ) = 0, pour un choix convenable du
paramètre λ. Ceci revient à un problème de poursuite de trajectoire, ce qui est équivalent à une
linéarisation exacte de l’écart, tout en respectant la condition de convergence.
2.3.2 Conditions de convergence et d’existence

Les conditions d’existence et de convergence sont les critères qui permettent aux différentes
dynamiques du système de converger vers la surface de glissement et d’y rester, indépendamment
de la perturbation. Il existe deux considérations pour assurer le mode de convergence.
2.3.2.1 Fonction discrète de commutation
Cette approche est la plus ancienne (mode glissant classique). Elle est proposée par Emelyanov
et Utkin. Il s’agit de donner à la surface une dynamique convergente vers zéro. Elle est donnée
22
par[22]
(
Ṡ(x) > 0 si S(x, t ) < 0 (2.3a)
Us =
Ṡ(x) < 0 si S(x, t ) > 0 (2.3b)
Cette condition peut être formulée comme suit :
Ṡ(x).S(x) < 0 (2.4)
Elle est globale mais ne garantit pas en revanche un temps d’accès fini. Cette condition est toute
fois difficile à utiliser pour faire la synthèse de la loi de commande.
2.3.2.2 Fonction de Lyapunov
La fonction de Lyapunov est une fonction scalaire positive V (x) > 0 pour les variables d’état du
système. La loi de commande doit faire décroître cette fonction, V̇ (x) < 0. L’idée est de choisir une
fonction scalaire S(x) pour garantir l’attraction de la variable à contrôler vers sa valeur de référence
et de concevoir une commande u telle que le carré de la surface correspond à une fonction de
Lyapunov. La fonction de Lyapunov est définie comme suit :
1
V (x) = S T (x).S(x) (2.5)
2
La dérivée de cette fonction est :
V̇ (x) = Ṡ(x).S(x) (2.6)
Pour que la fonction candidate de Lyapunov puisse décroitre et converger vers zéro "pour garantir
l’existence du mode de glissant", il suffit d’assurer que : Ṡ(x)S(x) < 0.
2.3.3 Détermination de la loi de commande

La structure d’un contrôleur en mode glissant comporte deux parties : La première concerne
la linéarisation exacte (Ueq ) et la deuxième est stabilisante (Un ). Cette dernière est très importante
dans le réglage par mode glissant, elle permet d’éliminer les effets d’imprécisions du modèle et de
rejeter les perturbations extérieures[24].
U = Ueq +Un (2.7)
Ueq Correspond à la commande proposée par Filipov, elle sert à maintenir la variable à contrôler
sur la surface de glissement S(x) = 0. La commande équivalente est déduite, en considérant que
la dérivée de la surface est nulle Ṡ(x) = 0. Elle peut être interprétée comme étant un retour d’état
particulier jouant le rôle d’un signal de commande appliqué sur le système à commander. Elle peut
être aussi interprétée autrement comme étant une valeur moyenne que prend la commande lors
de la commutation rapide entre les valeurs Umax et Umi n ,(figure2.2). La commande discrète Un est
déterminée pour vérifier la condition de convergence en dépit de l’imprécision sur les paramètres
du modèle du système.
23
F IGURE 2.2 – Interprétation de Ueq
2.4 La commande par mode glissant basée sur la loi d’arrivée

Le mode glissant basé sur la loi d’arrivée comprend la phase d’arrivée et la phase de glissement.
La phase d’arrivée amène le système à la droite de glissement (manifold) et la phase de glissement
assure le glissement à l’équilibre. L’idée du mode glissant peut être décrite sur la figure 2.3. La
F IGURE 2.3 – Approche du mode glissant
forme générale de la loi d’arrivée est :
Ṡ = −εsg n(s) − f(s) (2.8)
où : f (0) = 0 et s. f (s) > 0 si s 6= 0.

Pour la loi d’arrivée classique, trois types sont présentés dans [22] sont présentées par la suite.
2.4.1 Loi d’arrivée avec une vitesse constante

La loi d’arrivée avec une vitesse constante est définie comme suit :
Ṡ = −εsg n(s) (2.9)
où ε > 0représente la vitesse constante.

Cette loi contraint la variable de commutation à atteindre la droite de glissement S avec une
vitesse constanteε . L’avantage de cette loi d’arrivée est sa simplicité. Cependant si ε est trop petit,
24
le temps d’arrivée sera trop long et si ε est trop grand cela va causer un phénomène de broutement
(chattering) figure2.4.
F IGURE 2.4 – Phénomène de broutement (chattering)
2.4.2 Loi d’arrivée exponentielle

L’addition du terme proportionnel (−K .S(x)) fait que la trajectoire d’état est forcée de s’appro-
cher de la surface de glissement plus vite lorsque S(x) est grand. Plus K est grand, plus le temps
d’attractivité est rapide ; tandis qu’une petite valeur de ε réduit les oscillations. La loi d’arrivée dans
ce cas est :
Ṡ = −εsg n(S) − K S(x) (2.10)
Où ε > 0, K > 0 et Ṡ = −K S est le terme exponentiel, sa solution est donnée par S = S(0) exp−K t .
Le temps d’arrivée pour que x se déplace de l’état initial x 0 vers l’hyperplan est fini et il donné par
[28] :
1 K i |S i | + εi
Ti = ln( ) (2.11)
Ki εi
2.4.3 Loi d’arrivée avec vitesse puissante

La loi est définie comme :
Ṡ = −K |S|δ sg n(S) (2.12)
avec K > 0 et 0 < δ < 1.

Cette loi d’arrivée augmente la vitesse quand l’état du système est loin de l’hyperplan de com-
mutation, et le réduit lorsque l’état est prés. Le temps d’arrivée sera [28].
1
Ti = S i 0 (1 − δ) (2.13)
(1 − δ)K i
avec i = 1 · · · · · · m
25
2.5 Commande par mode glissant appliquee au robot mobile uni-

cycle
2.5.1 Commande robuste cinématique

La commande cinématique du robot mobile exige le modèle cinématique de ce dernier,dans
cette section on s’intéresse à un robot mobile de type unicycle.
2.5.1.1 contrôleur cinématique basé sur le modèle cinématique du robot
La conception du contrôleur cinématique est basée sur le modèle cinématique du robot 2.5.
en supposant que le terme de perturbation est un vecteur nul, le modèle cinématique du robot
mobile unicycle est défini comme suit [31] :
F IGURE 2.5 – structure robot mobile Unicycle
   
 ẋ   cos(ψ) −a sin(ψ)
 

    V
 ẏ  =  sin(ψ) a cos(ψ) (2.14)
    
 
 ω
   
  
ψ̇ 0 1
dont la sortie est les coordonnées du point d’intérêt, donc signifie h = [x y]T Par conséquent
      
ẋ cos(ψ) −a sin(ψ) V V
ḣ =  = = A (2.15)
      
 
ẏ sin(ψ) a cos(ψ) ω ω
avec :  
 cos(ψ) −a sin(ψ) 
A=  (2.16)
sin(ψ) a cos(ψ)
26
dont l’inverse est :  

cos(ψ) sin(ψ) 
A −1 =  (2.17)


− a1 sin(ψ) 1
a cos(ψ)
et la loi de commande cinématique proposée pour être appliquée au robot est donnée par :
    
u rc e f cos(ψ) sin(ψ)   ẋ d + l x tanh( kl xx x̃)
= (2.18)
   
  
k
ωcr e f − a1 1 y
sin(ψ) a
cos(ψ) ẏ d + l y tanh( l y ỹ)
Voici x̃ = x d −x et ỹ = y d −y sont les erreurs de position actuelles dans les axes X et Y, respectivement,k x >
0 et k y > 0 sont les gains du contrôleur,l x ∈ ℜet l y ∈ ℜ sont des constantes de saturation, et (x, y) et
(x d , y d ) sont les coordonnées actuelles et souhaitées du point d’intérêt, respectivement. L’objectif
d’un tel contrôleur est de générer les références des vitesses linéaires et angulaires pour le contrô-
leur dynamique, comme indiqué dans la figure 2.6
F IGURE 2.6 – structure du contrôleur cinématique
2.5.2 Commande dynamique robuste par mode glissant

Après avoir choisi la loi de commande cinématique u rc e f et ωcr e f comme dans l’équation 2.18
on doit assurer que le robot atteigne ces vitesses. Cela se fait par le bon choix des entrées des
couples τR et τL en se basant sur la dynamique du robot mobile (l’équation 1.51)
L’objectif de notre commande est la minimisation de l’erreur de suivi de la trajectoire dans le but
de renforcer davantage la stabilité du robot tout en se basant sur la théorie de Lyapunov.
Le processus de commande par mode de glissement peut être divisé en deux étapes :
27
— Choix d’une surface de glissement

— Détermination d’une loi de commande
2.5.2.1 Choix d’une surface de glissement
En se basant sur La formule générale de la surface de glissement qui définie dans l’équation
2.2 pour sortir une surface de glissement S(t ) comme suit :
   
 S 1 (t )   e v + β e v 
R
S(t ) =  =  (2.19)
eω + β eω
R
S 2 (t )
avec :
β constante positive β > 0 et
   
 e v   v c (t ) − v(t ) 
 = 
eω ωc (t ) − ω(t )
est la différence entre la vitesse produite par le contrôleur cinématique (vitesse désirée) et la vi-
tesse réelle du robot.
Dans le but de faire converger S vers zéro, e v , e ω tous les deux convergent vers zéro. Alors le sys-
tème est dans la surface de glissement implique :
S(t ) = 0 ⇒ Ṡ(t ) = 0 et lim (e v , e ω ) → 0 (2.20)

t →+∞
En dérivant 2.19 on obtient :    

 Ṡ 1 (t )   ė v + βe v 
Ṡ(t ) =  =  (2.21)
Ṡ 2 (t ) ė ω + βe ω
avec :
   
 ė v   v̇ c (t ) − v̇(t ) 
 = 
ė ω ω̇c (t ) − ω̇(t )
2.5.2.2 Détermination d’une loi de commande
La structure d’un contrôleur en mode glissant comporte deux lois de commande :

— la loi commande equivalent Ueq
— la loi commande discréte Un
alors :
U = Ueq +Un (2.22)
28
la loi commande equivalent Ueq soit l’équation différentielle de notre système :
ẋ(t ) = f (x, t ) + g (x, t )u(t ) + d (t ) (2.23)
où
(f,g) : sont des fonctions non linéaires
u :est l’entrée du système ou bien la commande
d : est une perturbation
x : est la variable d’état du système.
En considérant que notre système est linéaire et sans perturbation alors l’équation 2.23 devient :
   
 v̇   u eq1 
ẋ(t ) = g (x, t )u(t ) ⇒   = g (x, t )   (2.24)
ω̇ u eq2
à partir l’équation 1.51 on trouve que :

 
1
 R( 2I ω +m) 0 
2
g (x, t ) =  R (2.25)
 

L
0
 
2I ω L 2
R( +I )
R2
on pose : 
2I ω
α = R( R 2 + m) (2.26a)



2
 R( 2IRω2L + I )
γ =

 (2.26b)
L
alors l’équation 2.24 devient : 
 1
v̇ = u 1 (2.27a)

α

1
ω̇ = γ u 2 (2.27b)



Pour trouver la commande équivalente Ueq (t ) il faut résoudre l’équation 2.20

   
 Ṡ 1 (t ) = ė v + βe v   0 
Ṡ(t ) =  =  (2.28)
Ṡ 2 (t ) = ė ω + βe ω 0
En remplaçant (ė v , ė ω ) par son expression :
v̇ c (t ) − v̇(t ) + βe v (t ) = 0
(
(2.29a)
ω̇c (t ) − ω̇(t ) + βe ω (t ) = 0 (2.29b)
En remplaçant (v̇, ω̇) par son expression (l’équation 2.27) :

1
v̇ c (t ) − u eq1 (t ) + βe v (t ) = 0

 (2.30a)
α

1
ω̇c (t ) − γ u eq2 (t ) + βe ω (t ) = 0 (2.30b)



29
La commande équivalente obtenue est :
Ueq1 (t ) = α[v̇ c (t ) + βe v (t )]
(
(2.31a)
Ueq =
Ueq2 (t ) = γ[ω̇c (t ) + βe ω (t )] (2.31b)
la loi commande discréte Un Par la suit en considérant que notre système est soumis à des forces
extérieures tenant compte comme des perturbations l’équation dynamique linéaire2.27 du sys-
tème à commander devient : 
 1
v̇ = u eq1 + d 1 (2.32a)

α

1
ω̇ = γ u eq2 + d 2 (2.32b)



la loi commande discréte qui compense l’effet de ces perturbations et laisse le systéme bien
converger à la surface de glissement est basée sur les lois d’arrivée qu’on a déja cité .
— pour la première loi d’arrivée :
(
Un1 (t ) = −εsg n(S 1 ) − f (S 1 ) (2.33a)
Un =
Un2 (t ) = −εsg n(S 2 ) − f (S 2 ) (2.33b)
où f (0) = 0 et s. f (s) > 0 si s 6= 0.

— pour la deuxième loi d’arrivée avec une vitesse constante :
(
Un1 (t ) = −εsg n(S 1 ) (2.34a)
Un =
Un2 (t ) = −εsg n(S 2 ) (2.34b)
où ε > 0représente la vitesse constante.

— pour la troisième loi d’arrivée exponentielle :
(
Un1 (t ) = −εsg n(S 1 ) − K S 1 (2.35a)
Un =
Un2 (t ) = −εsg n(S 2 ) − K S 2 (2.35b)
Où ε > 0, K > 0
— pour la quatrième loi d’arrivée avec vitesse puissante :
Un1 (t ) = −K |S 1 |δ sg n(S 1 )
(
(2.36a)
Un =
δ
Un2 (t ) = −K |S 2 | sg n(S 2 ) (2.36b)
Où K > 0 et 0 < δ < 1.
les commandes totales par mode glissant U t ot : Pour trouver la commande totale U t ot il faut
résoudre l’équation suivant :Ṡ(t ) = Un .
30
— Commande totale par mode glissant pour la première loi :
U t ot 1 (t ) = α[v̇ c (t ) + βe v (t ) + εsg n(s 1 ) + f (s 1 )]

(
(2.37a)
U t ot = Ueq +Un =
U t ot 2 (t ) = γ[ω̇c (t ) + βe ω (t ) + εsg n(s 2 ) + f (s 2 )] (2.37b)
— Commande totale par mode glissant pour la deuxième loi :
U t ot 1 (t ) = α[v̇ c (t ) + βe v (t ) + εsg n(s 1 )]

(
(2.38a)
U t ot = Ueq +Un =
U t ot 2 (t ) = γ[ω̇c (t ) + βe ω (t ) + εsg n(s 2 )] (2.38b)
— Commande totale par mode glissant pour la troisième loi :
U t ot 1 (t ) = α[v̇ c (t ) + βe v (t ) + K sg n(S 1 ) + N S 1 ]
(
(2.39a)
U t ot = Ueq +Un =
U t ot 2 (t ) = γ[ω̇c (t ) + βe ω (t ) + K sg n(S 2 ) + N S 2 ] (2.39b)
— Commande totale par mode glissant pour la quatrième loi :
U t ot 1 (t ) = α[v̇ c (t ) + βe v (t ) + K |S 1 |δ sg n(S 1 )]
(
(2.40a)
U t ot = Ueq +Un =
U t ot 2 (t ) = γ[ω̇c (t ) + βe ω (t ) + K |S 2 |δ sg n(S 2 )] (2.40b)
2.6 Conclusion
Nous avons résumé dans ce chapitre les points de base de la commande par mode glissant,son
principe, ses propriétés ainsi que les étapes à suivre pour sort une commande robuste par mode
glissant qui présente trois catégories principale définies par le choix de la surface de glissement
et par précision conditions de convergence et d’existence et par détermination de la loi de com-
mande.
Nous avons applique la commande par mode glissant sur un robot mobile non holonome de type
unicycle.En premier temps on a proposé une commande cinématique qui est basée sur le modèle
cinématique du robot .En deuxième temps on a développé une commande robuste dynamique
par mode glissement en présence des perturbations.Au niveau de cette commande nous sommes
efforcés de montrer les différentes formes de lois de commande et nous remarquons que cette loi
est constituée de deux composantes : la commande équivalente qui représente la transition de la
trajectoire d’état à partir d’un point initial jusqu’au début de la phase du mode de glissement. et
la commande discréte qui maintient la trajectoire d’état du système à contrôler sur la surface de
glissement et componser l’effet des perturbations.
31
Chapitre 3
Optimisation des paramètres de la

commande par mode glissant en utilisant
l’algorithme PSO
3.1 Introduction
Le suivi de trajectoires représente une tâche primordiale pour la navigation des robots auto-
nomes et on s’intéresse à avoir une bonne stabilité du mouvement lors de ce suivi, Le contrôle
par mode glissant (SMC) propose des solutions pour la conception des lois de commande et pour
la stabilité des systèmes perturbés. le probleme c’est que dans la commande qu’on a uLlistré par
mode glissant intervenir des gains a choix aléatoire qui peut diverger la commande pou cela on
cherche des algorithmes robustes pour Amélioration de la commande par mode glissant.
L’algorithme d’optimisation inspirée de l’intelligence d’essaim nommée Optimisation par Essaim
de Particules (OEP), ou Particle Swarm Optimization (PSO), a été exploitée dans différents do-
maines d’optimisation. Elle est caractérisée par une façon décentralisée du travail qui imite le
comportement des essaims d’animaux. L’algorithme de recherche du coucou (Cuckoo Search ou
CS), a été développé récemment. Il est caractérisé par le comportement de reproduction des oi-
seaux des coucous, qui peut s’appliquer à divers problèmes d’optimisation. Ainsi, le mécanisme
de Lévy Flight a amélioré les performances de CS et utilisé à la place d’une simple marche aléa-
toire. La méthode du modèle de référence (Reference Model ou RM), rapproche le comportement
de n’importe quel système à des systèmes de premier ou de deuxième ordre, dont les pôles sont
fixés à priori.
Dans ce chapitre, on présente le développement et l’élaboration de deux contrôleurs cinématique
et dynamique, basés sur la commande en mode glissant avec une optimisation par la méthode
d’essaim de particules (PSO).
32
CHAPITRE 3. OPTIMISATION DES PARAMÈTRES DE LA COMMANDE PAR MODE GLISSANT EN
UTILISANT L’ALGORITHME PSO
3.2 Optimisation par essaim de particules
3.2.1 Description informelle

Le PSO est une méthode métaheuristique basée sur la population qui met à jour chaque in-
dividu à chaque itération de l’exécution .Au début, un essaim est disposé de façon aléatoire dans
l’espace de recherche.Chaque particule représente une solution potentielle du problème et ayant
la capacité de se déplacer avec une vitesse aléatoire. Ensuite, à chaque pas de temps, chaque par-
ticule (Figure3.1)[33] :
F IGURE 3.1 – Schéma de principe du déplacement d’une particule
— Évalue la qualité de sa position et garde en mémoire sa meilleure performance, c’est à dire la

meilleure position atteinte jusqu’ici (qui peut être parfois la position courante) et sa qualité
(la valeur de la fonction objective en cette position)
— Interroge un certain nombre de voisines (ses informatrices, dont elle même) pour obtenir
de chacune d’entre elles sa propre meilleure performance, qui est la qualité rattachée
— Choisit la meilleure performance (dont elle a connaissance), modifie sa vitesse en fonction
de cette information et de ses propres données et se déplace en conséquence.
Pour réaliser son prochain mouvement, chaque particule combine trois tendances : suivre sa vi-
tesse courante, rester proche de sa meilleure performance et aller vers la meilleure performance
de ses voisines.
— La tendance physique, consistant à continuer selon la vitesse courante
— La tendance cognitive, ramenant plus ou moins vers la meilleure position déjà trouvée
— La tendance sociale, orientant vers la meilleure position atteinte par les voisines
Ces comportements permettent de maintenir la cohésion de l’essaim et de mettre en œuvre des
comportements collectifs, complexes et adaptatifs. De plus, ces trois comportements sont gérés
par les coefficients d’inertie et de confiance. Une modification aléatoire limitée de ces coefficients,
33
fait référence que le hasard joue un rôle dans la favorisation de l’exploration de l’espace de re-
cherche.
3.2.2 Voisinage
Le voisinage d’une particule est le sous-ensemble de particules de l’essaim qui communiquent
entre-elles. le réseau de rapports entre toutes les particules est connu sous le nom de “la topologie
de l’essaim”. Le choix d’une topologie du voisinage à une importance cruciale, plusieurs études de
topologies ont été menées à ce propos différentes combinaisons ont été proposées dont les plus
utilisées sont susmentionnées ci-dessous [34, 35]
— Topologie en étoile : (Figure 4.11)le réseau social est complet, chaque particule est attirée
vers la meilleure particule globale, notée gbest, et communique avec les autres.
F IGURE 3.2 – Voisinage étoile
— Topologie en anneau :(Figure 4.12)chaque particule tend à se déplacer vers la meilleure po-
sition dans son voisinage local, notée Ibest, et communique avec ses voisines immédiates.
F IGURE 3.3 – Voisinage anneau
— Topologie en rayon :(Figure 4.13)une particule dite centrale est connectée à toutes les autres.
Seule cette particule ajuste sa position vers la meilleure et provoque une propagation de
l’information d’amélioration aux autres.
F IGURE 3.4 – Voisinage rayon
34
3.2.3 Principe d’optimisationpar essaim de particules

Dans un système PSO, un essaim de particules vole dans un espace de recherche de dimen-
sion D.Chaque particule i de l’essaim est modélisée pour chaque dimension j = (1, 2, ..., D) , par
son vecteur position X i j = (X i 1 , X i 2 , ..., X i D ) et par son vecteur vitesse Vi j = (Vi 1 ,Vi 2 , ...,Vi D ). En
conséquence, X i j (ou Vi j ) représente le j eme élément du vecteur de position (ou de vitesse) de la
i eme particule. La vitesse de chaque particule est modifiée itérativement par sa meilleure position
individuelle (pbest), et la meilleure position globale (gbest) trouvée par les particules dans son in-
tervalle. En conséquence chaque particule recherche autour d’une région définie par sa meilleure
position individuelle (pbest) et la meilleure position globale (gbest) de son voisinage. Désormais
nous utilisons Vi j pour désigner la vitesse des particules dans l’essaim, et X i j désigne sa position.
À chaque étape (ou itération) n en utilisant la meilleure position individuelle (pbest) et la meilleure
position globale (gbest), la vitesse et la position de chaque particule est mise à jour par les équa-
tions (3.1,3.2) [39] : la vitesse de la particule i est mise à jour en utilisant l’équation suivante :
Vi j (t ) = wVi j (t −1)+C 1 R 1 ⊗(P best i j (t −1)− X i j (t −1))+C 2 R 2 ⊗(P g best i j (t −1)− X i j (t −1)) (3.1)
Où :
— w est le facteur d’inertie 12 (C 1 +C 2 ) − 1 < w ≤ 1 [36]

— C 1 et C 2 sont des constantes qui représentent une accélération positive, avec C 1 + C 2 ≤ 4
[37, 38]
— R 1 et R 2 suivent une loi uniforme sur [0, 1]
— ⊗ le produit matriciel de Hadamard.
La position de la particule i est mise à jour par l’équation suivante :
X i j (t ) = X i j (t − 1) + Vi j (3.2)
La mise à jour de la meilleure position de la particule à l’itération n est comme suite :

(
X i j (t )si f (X i j (t )) < f (P best i j (t − 1)) (3.3a)
P best i j (t ) =
P best i j (t − 1)si f (X i j (t )) ≥ f (P best i j (t − 1)) (3.3b)
La meilleure position atteinte par les particules de l’essaim notée Pgbest est déterminée à partir de
l’essaim entier par le choix de la meilleure position personnelle qui est la position de la particule
ayant la plus petite valeur de fitness dans l’essaim.
P g best i j (t ) = mi n{ f (P best 1 j (t ), f (P best 2 j (t ), ...., f (P best N j (t )} (3.4)
Où N indique la taille de l’essaim.
3.2.3.1 Les étapes de l’algorithme PSO
Le processus pour que la particule recherche sa meilleure position individuelle et globale est
représenter dans les étape de conception pour l’implémentation de l’algorithme PSO (figure 3.5).
35
F IGURE 3.5 – Logigramme de l’algorithmes PSO
36
— Etape 1 :Initialiser les particules avec une position et une vitesse aléatoire.
— Etape 2 :Si un nombre prescrit d’itérations est atteint, arrêter l’algorithme
— Etape 3 :Pour chaque particule, évaluer la fonction désirée de mise en forme et enregistrer
chaque meilleure position précédente de la particule et sa meilleure position globale.
— Etape 4 :Modifier la vitesse et la position en fonction des équations 3.1 et 3.2 pour chaque
particule
— Etape 5 :Vérifier la position de chaque particule en utilisant l’équations 4.8b
— Etape 6 :Revenir à l’étape 2.
3.2.4 Application du PSO

Les modèles cinématique et dynamique utilisés dans ce travail sont considérés comme ceux
présentés dans le chapitre 1. dans ce section on veut optimiser la commande par mode glissant
3.5 on utilisant l’algorithme PSO.
(
(3.5a)
U t ot = Ueq +Un =
Les paramètres sélectionnés sont β, k, N dans le contrôleur dynamique 3.5. Par conséquent, il
est important de trouver leurs valeurs optimales en utilisant l’algorithme PSO. Le diagramme du
contrôle est illustré sur la figure 3.6.
F IGURE 3.6 – Architecture de contrôle dynamique utilisant le PSO
37
Les paramètres utilisés par le PSO sont considérés comme suit :
paramétres valeur
n 50
dimension 2
C1 0.12
C2 1.2
R1 rand(n,dim)
R2 rand(n,dim)
W 0.9
TABLE 3.1 – Les paramètres utilisés par le PSO
Le nombre de particules (n) est égal à 50,c1=0.12, c2=1.2, w=0.9, le nombre d’itérations est égal à
50 et dimension=2.tous sont des paramètres pour initialiser notre algorithme pso (voir algorithme
pso dans l’annexe )
Les paramètres optimaux obtenus par le PSO pour le contrôleur dynamique sont β = 21.4906,N =
12.321.
Par application de la loi de contrôle cinématique 2.18 et la loi de contrôle dynamique 3.5 avec
PSO, L’erreur quadratique de position et d’orientation du robot converge vers zéro dans de courtes
durées avant et après insertion des perturbations les résultats de simulation pour les différentes
trajectoires sont illustrés dans le chpitre 4.
3.3 Conclusion
Nous avons résumé dans ce chapitre le Principe d’optimisationpar essaim de particules ainsi
que les étapes de conception pour l’implémentation de l’algorithme PSO.
Une commande dynamique est proposée en se basant sur le mode glissant, Cette commande
montre des performances acceptable du suivi en dépit de la perturbation externe présente dans
le modèle dynamique. L’introduction de l’optimisation par essaim de particules(PSO) permet au
contrôleur dynamique de donner de bons résultats par rapport à l’absence du PSO.
38
Chapitre 4
Résultats et simulations
4.1 Introduction
Dans cette section, les simulations sont subdivisées en deux parties. Dans la première partie,
le contrôleur dynamique basés sur la commande en mode glissant est proposé en l’absence et en
la présence des perturbations pour différentes lois commande . Dans la seconde partie,on pré-
sente les simulations du contrôleur dynamique basés sur la commande en mode glissant avec une
optimisation par la méthode d’essaim de particules dans cette partie du travail, les paramètres
du robot utilisés dans les simulations seront présentés dans un premier temps, ensuite viendra
les résultats des différentes simulations et leurs interprétations.Les différentes trajectoires seront
simulées afin de mettre en évidence l’efficacité des lois de commande élaborées.
4.2 Présentation de l’environnement de travail
4.2.1 Caractéristiques du robot

Le modèle du robot utilisé dans notre simulation est un robot de type unicycle actionné par
deux roues indépendantes, il possède éventuellement des roues folles pour assurer sa stabilité
mécanique. Son centre de rotation est situé sur l’axe reliant les deux roues motrices, C’est un robot
non-holonome.
Les différents paramètres du robot utilisé dans la simulation sont les suivants :
— Masse de la plate-forme :m c = 17kg
— Masse de la roue :m ω = 0.5kg
— Rayon de la roue :r = 0.095m
— Mi-distance entre les deux roues :L = 0.24m
— Distance entre le point milieu des deux roues et le centre de gravité du robot :d = 0.05m
— Inertie par rapport au centre de gravité : I c = 0.537kg .m 2
— Inertie par rapport au diamètre de la roue :I m = 0.0011kg .m 2
— Inertie par rapport à l’axe de la roue : I ω = 0.0023kg .m 2
39
CHAPITRE 4. RÉSULTATS ET SIMULATIONS
— Masse totale du robot :m = 18kg

— Inertie du robot : I = 0.6393kg .m 2
4.2.2 Environnement de travail

Les simulations ont été réalisées avec le logiciel Matlab/Simulink R20 17a®. Deux schémas
de commande ont été utilisés pour réaliser les simulations. La figure 4.1 représente le schéma de
commande en boucles cinématique et dynamique.
F IGURE 4.1 – Schéma de commande en boucles cinématique et dynamique
4.3 Simulations
Les simulations sont faite sur un modéle du robot mobile de type unicycle pour suivre une
trajectoire suivante :
— Trajectoire circulaire
— Trajectoire Aléatoire
— Trajectoire ligne droite
4.3.1 la commande par mode glissant

Nous allons présenter une simulation de la Commande totale par mode glissant pour loi d’ar-
rivée exponentielle avec et sans perturbations :
40
— Commande totale par mode glissant pour loi d’arrivée exponentielle :
(
(4.1a)
U t ot = Ueq +Un =
4.3.1.1 Commande totale par mode glissant pour loi d’arrivée exponentielle
simulation de lacommande sans perturbations

trajectoire circulaire
Condition initial : x 0 = 0.25 , y 0 = 0.25 ,θ0 = 0.
Gains du contrôleur cinématique :k x = 0.9, k y = 0.9,l x = 0.9,l y = 0.9 a = 0.2.
Gains du contrôleur dynamique : β = 380, K = 10− 7,N = 380.
(a) Erreurs de distance (b) Trajectoire du robot
(c) Réponses de vitesse linéaire et angulaire (d) positions souhaitées et réelles
F IGURE 4.2 – résultats de simulation pour trajectoire circulaire(loi d’arrivée loi d’arrivée exponen-
tielle sans perturbations)
Interprétations des résultats

La figures (4.2) illustre les résultats des simulation du robot en appliquant la Commande totale par
mode glissant pour loi d’arrivée exponentielle sur la trajectoire circulaire en absence des pertur-
bations. On peut remarquer sur la figure (4.2a) que l’erreurs quadratique de la distance convergent
41
vers zéro en temps fini presque t=6.5s ainsi que la valeur moyenne l’erreurs quadratique qu’on a
trouvé egale e = 0.044 et ca conduire à une convergence acceptable de trajectoire actuel vers la tra-
jectoire de réference comme montre le figure (4.2b). La vitesse de commande linéaire et angulaire
réelles du robot convergent vers les vitesses de références en un temps t < 1s mais dans certain
temps la commande est diverger un peu sur la commande désirer Cela est dû à la choix des Gains
du contrôleur dynamique comme on peut le constater sur la figure 4.2c On peut voir aussi sur la
figure (4.2d) que cette commande est assuré un erreur trés petite pour les postions suivant l’axe X
et y avec un temps de convergence inférieur à 2s pour y et inférieur à 5s pour x.
trajectoire Aléatoire
F IGURE 4.3 – résultats de simulation pour trajectoire Aléatoire(loi d’arrivée exponentielle sans per-
turbations)

La figures (2.11) illustre les résultats des simulation du robot en appliquant la Commande to-
tale par mode glissant pour loi d’arrivée exponentielle sur la trajectoire Aléatoire en absence des
42
perturbations. On peut remarquer sur la figure (4.3a) que l’erreurs quadratique de la distance
convergent vers zéro en temps fini presque t=5s ainsi que la valeur moyenne l’erreurs quadra-
tique qu’on a trouvé egale e = 0.0179 et ca conduire à une convergence de trajectoire actuel vers la
trajectoire de réference comme montre le figure (4.3b). La vitesse de commande linéaire et angu-
laire réelles du robot convergent vers les vitesses de références en un temps t < 1s comme on peut
le constater sur la figure 4.3c On peut voir aussi sur la figure (4.3d) que cette commande est assuré
un erreur trés petite pour les postions suivant l’axe X et y avec un temps de convergence inférieur
à 1s pour y et inférieur à 5s.
trajectoire ligne droite
F IGURE 4.4 – résultats de simulation pour trajectoire ligne droite(loi d’arrivée exponentielle sans
perturbations)

La figures (4.4) illustre les résultats des simulation du robot en appliquant la Commande totale
par mode glissant pour loi d’arrivée exponentielle sur la trajectoire ligne droite en absence des
43
perturbations. On observer sur la figure (4.4a) que l’erreurs quadratique de la distance convergent
vers zéro en temps fini presque t=7s ainsi que la valeur moyenne l’erreurs quadratique qu’on a
trouvé egale e = 0.0717 et ca conduire à une convergence de trajectoire actuel vers la trajectoire de
réference comme montre le figure (4.4b). La vitesse de commande linéaire et angulaire réelles du
robot convergent vers les vitesses de références en un temps t < 0.5s comme on peut le constater
sur la figure 4.6c On peut voir aussi sur la figure (4.4d) que cette commande est assuré un erreur
trés petite pour les postions suivant l’axe X et y avec un temps de convergence inférieur à 1s pour
y et inférieur à 4s.
simulation de la commande avec perturbations
trajectoire cerculaire
(a) Erreurs de distance

(b) Trajectoire du robot
F IGURE 4.5 – résultats de simulation pour trajectoire circulaire (loi d’arrivée aloi d’arrivée expo-
nentielle avec perturbations)
44

mode glissant pour loi d’arrivée exponentielle sur la trajectoire circulaire en présence des pertur-
bations. On peut constater sur la figure (4.5a) que l’erreurs quadratique de la distance convergent
trouvé egale e = 0.0766 et ca conduire à une convergence de trajectoire actuel vers la trajectoire
de réference avec une vibration à cause de l’effet des perturbations comme schématisé ci-dessus
(le figure (4.5b)). La vitesse de commande linéaire et angulaire réelles du robot convergent vers les
vitesses de références en un temps t=7s même si la perturbation intervenir dans la commande et
ca montre l’efficacité et robustesse la de la commande ,comme on peut le constater sur la figure
4.5c On peut voir aussi sur la figure (4.5d) que cette commande est assuré un erreur trés petite
pour les postions suivant l’axe X et y avec un temps de convergence inférieur à 4s.
Gains du contrôleur dynamique : β = 380 ² = 0.001.
F IGURE 4.6 – résultats de simulation pour trajectoire Aléatoire(loi d’arrivée exponentielle avec per-
turbations)
45

mode glissant pour loi d’arrivée exponentielle sur la trajectoire Aléatoireen présence des pertur-
vitesses de références même si la perturbation intervenir dans la commande et cela montre l’ef-
ficacité et la robustesse la de la commande ,comme on peut le constater sur la figure ?? On peut
voir aussi sur la figure (4.6d) que cette commande est assuré un erreur trés petite pour les postions
suivant l’axe X et y avec un temps de convergence inférieur à 1s.
Gains du contrôleur dynamique : β = 380 ² = 0.001.
F IGURE 4.7 – résultats de simulation pour trajectoire ligne droite(loi d’arrivée exponentielle avec
perturbations)
46

mode glissant pour loi d’arrivée exponentielle sur la trajectoire ligne droite en présence des pertur-
vitesses de références même si la perturbation intervenir dans la commande et cela montre l’effi-
cacité et la robustesse la de la commande ,comme on peut le constater sur la figure 4.7c On peut
voir aussi sur la figure (4.7d) que cette commande est assuré un erreur trés petite pour les postions
suivant l’axe X et y avec un temps de convergence inférieur à 1s pour y et inférieur à 3s.
47
4.3.2 la commande hybride PSO-MG

Les études des simulation avec l’optimisationpar essaim de particule sont faite sur la com-
mande par mode glissant avec la loi d’arrivée exponentielle (4.1)en présence des perturbations
pour différentes tarajectoires
trajectoire circulaire
Gains du contrôleur dynamique : β = 21.4906 k = 10− 8 N = 12.3210.
F IGURE 4.8 – résultats de simulation pour trajectoire cerculaire
48
F IGURE 4.9 – résultats de simulation pour trajectoire Aléatoire

49
F IGURE 4.10 – résultats de simulation pour trajectoire ligne droite

Les algorithmes proposés montrent la robustesse pour les trois formes de trajectoires de réfé-
rences considérées, que ce soit une trajectoire circulaire, ligne droite ou aléatoire. L’erreur de po-
sition et d’orientation du robot converge vers zéro dans de courtes durées avant et après insertion
des perturbations.
4.3.3 Comparison de la commande avec et sans PSO

on peut résumer les résultats des simulations de la commande avec et sans optimisation par
pso des figures(4.10,4.9,4.8) dans le tableau (4.1)
50
Trajectoire Aléatoire
F IGURE 4.11 – Comparison des résultats de simulation pour une trajectoire aléatoire
Trajectoire ligne droirte
F IGURE 4.12 – Comparison des résultats de simulation pour une trajectoire ligne droirte
51
Trajectoire circulaire
F IGURE 4.13 – Comparison des résultats de simulation pour une trajectoire circulaire
la commande PSO-MG la commande MG
Trajectoire circulaire Aléatoire droirte circulaire Aléatoire droirte
e 0.0142 0.0116 0.0139 0.0766 0.0880 0.0355
Tc 6s 4s 5s 8s 9s 8s
TABLE 4.1 – tableau comparatif des résultats de simulation
e : la valeur mayenne de l’erreur quadratique.

Tc :temps de convergence de trajectoire.
On conclure que les résultats sont encore meilleurs en utilisant l’optimiseur (PSO) sur les trajec-
toires Aléatoire et ligne droite(4.11,4.12,4.13).
4.4 Conclusion
Le travail présenté dans ce chapitre est le résultat des différentes simulations de la commande
par mode glissant classique et de la commande par mode glissant optimisée par essaim de parti-
cules (PSO) appliquées au système linéaire en l’absence et en la présence des perturbations exté-
rieures et incertitudes du système.
52
Conclusion générale
Un robot mobile à roues est l’un des systèmes bien connus avec des contraintes non holo-
nomes. Le travail effectué dans ce mémoire a porté essentiellement sur l’élaboration de com-
mande robuste pour la poursuite de trajectoire d’un robot mobile non holonome de type unicycle.
Cette commande a pour objectif de forcer le robot mobile a atteindre la configuration d’arrivée
à partir d’une configuration de départ avec un minimum d’erreurs.Parmi l’ensemble des algo-
rithmes des commandes, nous sommes arrivés à établir une association de critères de robustesse
et de stabilité conduisant à un contrôle simple et efficace d’un robot mobile.
Notre travail est essentiellement axé sur la Commande hybride sliding mode PSO(MG-PSO).
On a commencé notre travail de recherche par une modélisation cinématique et dynamique d’un
robot mobile type unicycle. Ensuite,nous anvons proposé en premier temps une commande ci-
nématique qui est basée sur le modèle cinématique du robot .En deuxième temps on a proposé
une commande robuste dynamique par mode glissement en présence des perturbations.Au ni-
veau de ce deuxième nous essayons de montrer différentes formes dee commandes basée sur la
loi d’arrivée,et nous remarquons que cette loi est constituée de deux composantes : la commande
équivalente qui représente la transition de la trajectoire d’état à partir d’un point initial jusqu’au
début de la phase du mode de glissement. et la commande discréte qui maintient la trajectoire
d’état du système à contrôler sur la surface de glissement et componser l’effet des perturbations.
Dans la phase finale, on a développé et implémenté un algorithme PSO dans le but d’Optimi-
sations des paramètres de système de commande, permettant la stabilisation asymptotique des
erreurs de suivi de trajectoires. Il est intéressant de synthétiser une loi de commande robuste ga-
rantissant la stabilisation en temps fini des erreurs de suivi. Les travaux de simulation sont présen-
tés avec une comparaison entre les deux approches, avec et sans optimisation par essaims particu-
laires des paramètres des contrôleurs dynamiques. Les algorithmes proposés montrent clairement
la robustesse vis-à-vis des perturbations et des incertitudes présentes dans le modèle dynamique.
Les erreurs entre les vitesses du modèle dynamique et celles obtenues par le modèle cinématique
convergent asymptotiquement vers zéros dans un temps très cours. De ce fait, le robot mobile suit
convenablement les différentes trajectoires de référence considérées, que ce soit une trajectoire
circulaire, sinusoïdale ou aléatoire.
Les résultats de la simulation développée ont montré clairement l’efficacité de la commande Com-
mande hybride mode glissant pso (MG-PSO) et que les erreurs de poursuite convergente vers zéro
53
en un temps fini, tout en garantissant la stabilité du système. Les résultats des diverses applica-
tions entreprises pour une poursuite de trajectoires et présentées dans ce travail montrent la fidé-
lité de la réponse de ce type de commande.
54
Bibliographie
[1] site :https ://fr.wikipedia.org/wiki/Robotique à 09/06/2021.

[2] THESE"Contribution Des Outils del’Intelligence Artificielle dans la Robotique Mo-
bile"Présentée par Boufera Fatma,le 19 Novembre 2014
[3] B. Haibe-Kains, Apprentissage d’une Tâche de Contrôlepour un Robot Mobile en LEGO
Mindstorms. Thèse de doctorat, université libre de Bruxellex, 2003.
[4] Y. Tigli, Vers une Architecture de contrôle pour Robot Mobile orientée Comportement,
SMACH. PhD thesis, Université de Nice - Sophia Antipolis, 1996.
[5] Le robot mobile "Sejourner" utilisé pour la mission pathfinder de la NASA, article sur site
web :www.robocup2014.org,2014.
[6] BENMACHICHE Abdelmadjid, Approche de Navigation Coopérative et Autonome des Ro-
bots Mobiles.Thèse de doctorat : Université BADJI MOKHTAR ANNABA. 115 pages.
[7] site web :https ://sites.google.com/site/technovhugogassinc36fg5/la-robotique-actuelle à
10/06/2021.
[8] J. P. Laumond, "La robotique mobile," Edition Hermes Science Publication, Paris, 2001.
[9] L. E. A. Melo, "Commande robuste et coordination de mouvements de robots mobiles,"
Thèse de doctorat, Université Paul Sabatier de Toulouse, 1997.
[10] P. Henaff, "Mises en oeuvre de commandes neuronales parretropropagation indirecte : ap-
plications a la robotique mobile," Paris 6, 1994.
[11] J. G. Ortega and E. Camacho, "Mobile robot navigation m a partially structured static envi-
ronment, using neural predictive control," Control Engineering Practice, vol. 4, pp. 1669-
1679, 1996.
[12] E. Gauthier, "Utilisation des réseaux de neurones artificiels pour la commande d’un véhi-
cule autonome," Institut National Polytechnique de Grenoble-INPG, 1999.
[13] S. Arslan and H. Temelta§, "Robust motion control of a four wheel drive skid-steered
mobile robot," in Electrical and Electronics Engineering (ELECO), 2011 7th International
Conference on, 2011, pp. II-415-II-419.
[14] D. Chwa, J.H. Seo, P. Kim, and J. Y. Choi, "Sliding mode tracking control of nonholonomic
wheeled mobile robots," inAmerican Control Conference, 2002. Proceedings of the 2002,
2002, pp. 3991-3996.
55
BIBLIOGRAPHIE
[15] R. Solea, A. Filipescu, and U. Nunes, "Sliding-mode control fortrajectorytracking of a

wheeled mobile robot in presence of uncertainties," in Asian Control Conference, 2009.
ASCC 2009. 7th, 2009, pp. 1701-1706.
[16] F. N. Martins, W. C. Celeste, R. Carelli, M. Sarcinelli-Filho, and T. F. Bastos-Filho, "An adap-
tive dynamic controller for autonomous mobile robot trajectory tracking," Control Engi-
neering Practice, vol. 16, pp. 1354- 1363, 2008.
[17] L. Xin, Q. Wang, J. She, and Y. Li, "Robust adaptive tracking control of wheeled mobile
robot," Robotics andAutonomous Systems, vol. 78, pp. 36- 48, 2016.
[18] D. Li and J. Ye, "Adaptive robust control of wheeled mobile robot with uncertainties," in
Advanced Motion Control (AMC), 2014 IEEE 13th International Workshop on, 2014, pp.
518-523.
[19] A. R. Benaskeur, “Aspects de l’application du backstepping adaptatif à la commande dé-
centralisée des systèmes non linéaires,” Thèse de doctorat (Ph.D), Université Laval, Qué-
bec, 2000.
[20] Zaharuddin Mohamed,Ariffanan Basri,Norhayati A. Majid "Velocity control of a unicycle
type of mobile robot using optimal pid controller " Article in Jurnal Teknologi July 2016
DOI :10.11113/jt.v78.9415
[21] J. Y azbeck, "Accrochage immatériel sûr et précis de véhicules automatiques," Université
de Lorraine, 2014.
[22] MALLEM Ali,"Commande Robuste Appliquée à la Navigation d’un Robot Mobile" Thèse
de doctorat,Université Batna 2 - Mostefa Ben Boulaid Faculté de Technologie Département
d’Electronique,07 Novembre 2018.
[23] T.Floquet, “Contribution à la commande par modes glissants d’ordre superieur,” Thèse de
doctorat, Université des Sciences et Technologies de Lille, 2000.
[24] M.Manceur, “Commande robuste des systèmes non linéaires complexes,” Thèse de docto-
rat,Université de Reims, 2011.
[25] H.Bühler, “Réglage par mode glissant,” Edition presses polytechnique Romandes, 1986.
[26] ZIDANI Ghania,"Commande Robuste d’un Robot Mobile à Roues"Thèse de docto-
rat,Université de Batna -2- Faculté de Technologie Département d’Électronique
[27] H.Tamrbed et T. Azarobr “Réglage par mode glissant d’un machine asynchrone,” procee-
dings de la conférence CEE’00, pp.136-141, 2000.
[28] memoir,"Suivi de trajectoire pour un robot mobile en temps fini (commande par mode
glissant)", en cadré par :Mr. MALLEM Ali,Université de Djilali Bounaama - Khemis
Miliana,2015-2016
[29] Dhaouadi,R. Hatab,et Hatab, A. A. (2013). Dynamic Modelling of Differential-Drive Mobile
Robots using Lagrange and Newton-Euler Methodologies : A Unified Framework. Advance
in Robotics et Automation, 2(2).
56
BIBLIOGRAPHIE
[30] JB.Song, and KS. Byun, “Design and control of a four-wheeled omnidirectional mobile ro-
bot with steerable omnidirectional wheels”, J Rob System, vol.21, no.1, pp. 193-208,2004.
[31] Felipe N. Martins, Wanderley C Celeste :a."An adaptive dynamic controller for autono-
mous mobile robot trajectory tracking", Department of Electrical Engineering, Federal
University of Espırito Santo (UFES), Av. Fernando Ferrari, 514 Campus Universitario, ES.
29075-910, Vitoria, Brazil b Institute of Automatics (INAUT), National University of San
Juan (UNSJ), Av. San Martin Oeste 1112 J5400ARL, San Juan, Argentina ,Teodiano F. Bastos-
Filho
[32] Mémoire,theme ’Commande par modes glissants du suivi de trajectoires pour un robot
mobile’,Université Hadj Lakhdar Batna Faculté de Technologie Département d’Electro-
nique,République Algérienne
[33] KENNEDY, J. et EBERHART, R. Particle swarm optimization (PSO). In : Proc. IEEE Interna-
tional Conference on Neural Networks, Perth, Australia. 1995. p. 1942-1948.
[34] ELHAMI N., Contribution aux méthodes hybrides d’optimisation heuristiques : Distribu-
tion et application à l’interopérabilité des systèmes d’information. Thèse de Doctorat, Uni-
versité Mohammed V Rabat, Maroc Université de Rouen, France, 2013.
[35] KENNEDY, J., EBERHART, R. C., et SHI, Y. Swarm Intelligence Morgan Kaufmann Publi-
shers. Inc., San Francisco, CA, 2001.
[36] MARINI, Federico et WALCZAK, Beata. Particle swarm optimization (PSO). A tutorial. Che-
mometrics and Intelligent Laboratory Systems, 2015, vol. 149, p. 153-165.
[37] CLERC, Maurice et KENNEDY, James. The particle swarm-explosion, stability, and conver-
gence in a multidimensional complex space. IEEE transactions on Evolutionary Compu-
tation, 2002, vol. 6, no 1, p. 58-73.
[38] DRÉO, Johann, PÉTROWSKI, Alain, SIARRY, Patrick, et al. Métaheuristiques pour l’optimi-
sation difficile. Eyrolles, 2003.
[39] Nada EL GMILI,"Réglage intelligent des systèmes de commande de drones en exploitant
la méthode d’optimisation par essaim de particules (PSO)"Thèse de doctorat,Université
CADI AYYAD
57
Annexe
Abbreviation
MG :Mode glissant
PSO :Particle Swarm Optimization
l’algorithmes pso
%% I n i t i a l i z a t i o n
clear
clc
n = 50; % Size of the swarm " no of birds "
bird_setp =50; % Maximum number of " birds steps "
dim = 2 ; % Dimension of the problem
c2 = 1 . 2 ; % PSO parameter C1
c1 = 0 . 1 2 ; % PSO parameter C2
w =0.9; % pso momentum or i n e r t i a
f i t n e s s =0 * ones (n , bird_setp ) ; %matrice n * bird_setp * 0
%−−−−−−−−−−−−−−−−−−−−−−−−−−−−−%
% i n i t i a l i z e the parameter %
%−−−−−−−−−−−−−−−−−−−−−−−−−−−−−
R1 =rand (dim , n ) ;
R2 =rand (dim , n ) ; %tableau 2 l i g n e et 50 colon de valeur comprise 0 et 1
c u r r e n t _ f i t n e s s =0 * ones (n, 1 ) ; % matrice 1 l i g n e et 50 colon
%−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−%
% I n i t i a l i z i n g swarm and v e l o c i t i e s and position %
%−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−%
current_position =10 * rand (dim , n ) + 0 . 5 ; % I n i t i a l i z i n g position

v e l o c i t y = . 3 * randn (dim , n) ; % I n i t i a l i z i n g swarm and v i t e s s e
58
BIBLIOGRAPHIE
local_best_position = current_position ;%best l o c a l positon
%−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−%
% Evaluate i n i t i a l population %
%−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−%
f o r i = 1 :n
c u r r e n t _ f i t n e s s ( i ) = t r a c k l s q ( current_position ( : , i ) ) ;
end
local_best_fitness = current_fitness ;
[ g l o b a l _ b e s t _ f i t n e s s , g ] = min( l o c a l _ b e s t _ f i t n e s s ) ;
f o r i =1:n
gl o bl _ be s t _ p o s i t i o n ( : , i ) = l o c a l _ b e s t _ p o s i t i o n ( : , g ) ;
end
%−−−−−−−−−−−−−−−−−−−%
% VELOCITY UPDATE %
%−−−−−−−−−−−−−−−−−−−%
v e l o c i t y = w * v e l o c i t y + c1 * ( R1 . * ( l o c a l _ b e s t _ p o s i t i o n −current_position ) )
+ c2 * ( R2 . * ( globl_best_position −current_position ) ) ;
%−−−−−−−−−−−−−−−−−−%
% SWARMUPDATE %
%−−−−−−−−−−−−−−−−−−%
current_position = current_position + v e l o c i t y ;
%−−−−−−−−−−−−−−−−−−−−−−−−%
% evaluate anew swarm %
%−−−−−−−−−−−−−−−−−−−−−−−
%% Main Loop
iter = 0 ; % I t e r a t i o n s counter
while ( i t e r < bird_setp )
iter = iter + 1;
for i = 1:n,
c u r r e n t _ f i t n e s s ( i ) = t r a c k l s q ( current_position ( : , i ) ) ;
end
for i = 1 : n
i f current_fitness ( i ) < local_best_fitness ( i )
local_best_fitness ( i ) = current_fitness ( i ) ;
l o c a l _ b e s t _ p o s i t i o n ( : , i ) = current_position ( : , i ) ;
end
59
BIBLIOGRAPHIE
end
[ c u r r e n t _ g l o b a l _ b e s t _ f i t n e s s , g ] = min( l o c a l _ b e s t _ f i t n e s s ) ;
i f current_global_best_fitness < global_best_fitness
global_best_fitness = current_global_best_fitness ;
f o r i =1:n
gl o b l _ b e s t _ p o s i t i o n ( : , i ) = l o c a l _ b e s t _ p o s i t i o n ( : , g ) ;
end
end
v e l o c i t y = w * v e l o c i t y + c1 * ( R1 . * ( l o c a l _ b e s t _ p o s i t i o n −current_position ) )
+ c2 * ( R2 . * ( globl_best_position −current_position ) ) ;
current_position = current_position + v e l o c i t y ;
s p r i n t f ( ’ The value of i n t e r a t i o n i t e r %3.0 f ’ , i t e r ) ;
end % end of while loop i t s mean the end of a l l step that the birds move i t
xx= f i t n e s s ( : , 5 0 ) ;
[ Y , I ] = min( xx ) ;
current_position ( : , I )
function F = t r a c k l s q ( pso )
% Track the output of optsim to a s i g n a l of 1
% Variables a1 and a2 are shared with RUNTRACKLSQ
Beta = pso ( 1 ) ;
N = pso ( 2 ) ;
s p r i n t f ( ’ The value of i n t e r a t i o n Beta= %3.0 f , N= %3.0 f ’ , pso ( 1 ) , pso ( 2 ) ) ;
% Compute function value
simopt = simset ( ’ solver ’ , ’ ode45 ’ , ’ SrcWorkspace ’ ,
’ Current ’ , ’ DstWorkspace ’ , ’ Current ’ ) ; % I n i t i a l i z e sim options
[ tout , xout , yout ] = sim ( ’ kinematic_controller_system ’ , [ 0 100] , simopt ) ;
e=yout −1 ; % compute the e r r o r
sys_overshoot=max( yout ) −1 ;% compute the overshoot
alpha =10; beta =10;
F=e2 * beta+sys_overshoot * alpha ;
end
60

Commande Hybride Sliding Mode PSO Pour Le Suivi de Trajectoire Du Robot Mobile

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

Commande Hybride Sliding Mode PSO Pour Le Suivi de Trajectoire Du Robot Mobile

Transféré par

Droits d'auteur :

Formats disponibles

Département de Physique Appliquée

Pour obtenir le diplôme de

MASTER ES SCIENCES ET TECHNIQUES

Option : AUTOMATIQUE et INFORMATIQUE INDUSTRIELLE

par Mr MAARIFA ELHASSAN

Commande hybride sliding mode PSO pour le suivi de

Réalisé au Laboratoire LSEEET

Devant le Jury composé de :

Président : Pr. Abdeljalil ELKARI (FST Marrakech)

N° 10/AII/2021 Année Univesitaire : 2020/2021

Je remercie très spécialement mon collègue AHMED OULTILIGH doctorant au département

Je présente ma gratitude, mon respect et ma reconnaissance à tous les membres de ma famille

Enfin, j’adresse mes remerciements à tous mes amis.

Figure 1.1 Différents types de robots mobiles selon le champ d’application . . . . . . . . 4

Figure 2.1 Différents modes pour la trajectoire dans le plan de phase . . . . . . . . . . . . 21

Figure 3.1 Schéma de principe du déplacement d’une particule . . . . . . . . . . . . . . . 33

Figure 4.1 Schéma de commande en boucles cinématique et dynamique . . . . . . . . . 40

Liste des tableaux

3.1 Les paramètres utilisés par le PSO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

4.1 tableau comparatif des résultats de simulation . . . . . . . . . . . . . . . . . . . . . . 52

C HAPITRE 1: É TAT DE L’ ART SUR LA ROBOTIQUE MOBILE

C HAPITRE 2: C OMMANDE PAR MODE GLISSANT

2.5 Commande par mode glissant appliquee au robot mobile unicycle . . . . . . . . . . 26

C HAPITRE 3: O PTIMISATION DES PARAMÈTRES DE LA COMMANDE PAR MODE

C HAPITRE 4: R ÉSULTATS ET SIMULATIONS

Finalement.On termine notre travail par une conclusion générale.

État de l’art sur la robotique mobile

1.1 Introduction à la robotique

1.2 Concepts et définition

1.2.1 Concepts sur la robotique mobile

1.2.2 Définition d’un robot mobile

F IGURE 1.1 – Différents types de robots mobiles selon le champ d’application

1.3 Autonomie d’un robot

1.4 Domaines d’utilisation

— laboratoires :De nombreux laboratoires travaillant dans le domaine de la robotique, dis-

(a) Les robots Amazon (b) Robot militaire

(f) Un robot industriel

F IGURE 1.2 – Exemples des applications des robots mobiles

1.5 Modélisation des robots mobile à roues

(a) robot unicycle (b) robot tricycle

(c) robot voiture (d) omnidirectionnel

F IGURE 1.3 – Différents types de robots mobiles à roues

1.5.1 robot mobile unicycle

1.5.2 Modélisation Geométrique

Notons {X I , Y I } un repère fixe quelconque et {X r , Yr } un repère mobile lié au robot. Soient q I =

F IGURE 1.4 – Modélisation Geométrique du Robot de type unicycle

A :le point milieu de l’axe des roues.

1.5.3 Modélisation Cinématique

1.5.3.1 Les contraintes cinématiques

 ẏ AI = ẋ rA sin(θ) + ẏ rA cos(θ) (1.4b)

− ẋ AI sin(θ) + ẏ AI cos(θ) = 0 (1.5)

F IGURE 1.5 – Caractérisation du roulement sans glissement

ẋ AI cos(θ) + ẏ AI sin(θ) + L θ̇ = R ϕ˙R (1.11)

De même pour la roue gauche.

ẋ AI cos(θ) + ẏ AI sin(θ) − L θ̇ = R ϕ˙L (1.12)

Dont q̇ représente la dérivée du vecteur des coordonnées généralisées q :

avec un simple changement sur l’equation 1.21 on trouve :

1.5.4 Modélisation Dynamique

T = Tc + TωR + TωL (1.26)

Le point C dans le repère fixe a pour coordonnées :

L’énergie cinétique totale est donnée par :

on applique Lagrangien (l’equation 1.24)sur l’equation 1.33 et on trouve le système d’équations

Le modèle dynamique du robot mobile à roue peut se mettre sous la forme :