iii

DÉDICACE

A mon père
 iv

REMERCIEMENTS

Le présent travail a été réalisé à l'École Normale Supérieure de l’Enseignement Technique

(ENSET), sous la direction de Monsieur Mbihi Jean (ing, Ph. D), professeur titulaire à
l'Université de Douala. C’est dans ce sens que nous nous sentons l’impérieux devoir
d’adresser nos sincères remerciements :
➢ Au président et aux membres du jury pour avoir accepté de présider cette
soutenance ;
➢ A mon Directeur Pr. MBIHI Jean pour avoir suivi rigoureusement l’évolution de
ce travail ;
➢ Au Dr. PAUNE Félix pour les séminaires qui ont servi dans la rédaction de ce
mémoire et ces conseils ;
➢ A M. NANFAK Arnaud qui m’a beaucoup aidé dans la réalisation de mémoire et
la modélisation des différents systèmes ;
➢ A tous les enseignants du laboratoire Génie Informatique et Automatisme ;
➢ A tous ceux qui ont participé de près ou de loin à la mise en œuvre de ce travail.
 v

RÉSUMÉ

Le présent mémoire de M2R porte sur l’élaboration d'une loi de commande optimale
appliquée sur un robot mobile de types unicycle (2wd) avec modèle non-linéaire et d’un bras
manipulateur 2DOF. La variation des paramètres du robot (inertie, masse et diamètre des
roues), les perturbations extérieures, la non linéarité du modèle à commander, sont les
facteurs qui influencent négativement le suivi de trajectoire des robots mobiles. Deux lois
de commande proposées prennent en compte ces différents en vue de permettre un meilleur
suivi de la trajectoire de consigne. Elles seront par ailleurs adaptatives et robustes. Dans le
cadre de ce travail nous n’avons pas directement effectué nos tests de façon réelle mais plutôt
dans la plateforme du logiciel de simulation MATLAB/SIMULINK. La base mobile est
munie d’un contrôleur Backstepping tandis que le bras est d’un contrôleur LQR.La
commande Backstepping est dissociée en deux contrôleurs (Contrôleur cinématique et
Dynamique). La commande LQR passe une phase de linéarisation avant de réguler le bras.
Plusieurs tests ont été effectués dans l'environnement MATLAB/SIMULINK® afin
d'observer la trajectoire suivie par le robot après que l'on ait appliquée cette commande. Les
deux commandes permettent d’avoir un suivie de trajectoire pratiquement parfaite. Nous
avons pu faire le constat que le choix du solveur influence sur l’allure des courbes.

Mots-clés : Trajectoire,2WD ,2DOF, Optimale, LQR, Backstepping

 vi

ABSTRACT

This work focuses on the development of an optimal control law applied to a mobile robot
of unicycle (2wd) types with nonlinear model and a 2DOF manipulator arm. The variation
of the robot's parameters (inertia, mass and diameter of the wheels), external disturbances,
the non-linearity of the model to be controlled, are the factors that negatively influence the
following the trajectory of mobile robots. Two control laws proposed take these differences
into account in order to allow better monitoring of the setpoint trajectory. They will also be
adaptive and robust. As part of this work we did not directly perform our tests in a real way
but rather in the platform of the simulation software MATLAB / SIMULINK. In order to
ensure better trajectory following, the control law elaborated here consists of two loops,
nested one in the other. The inner loop represents the dynamic part of the robot and the outer
loop represents the kinematic part of the robot while at the level of the arm it is the inner
loop. Of course, each system is provided with its controller. The mobile base has a
Backstepping controller while the arm has an LQR controller. Several tests were carried out
in the MATLAB / SIMULINK® environment in order to observe the trajectory followed by
the robot after this command was applied. The two controls allow for practically perfect
trajectory following.

Keywords: Trajectory,2WD,2DOF, Optimal, LQR, Backstepping

 vii

LISTE DE FIGURE

Figure 1.1 : Commande PID d'un robot manipulateur [10] ................................................. 13

Figure 1.2 : Commande PID avec compensation de pesanteur [8] ..................................... 14
Figure 1.3 : La commande CTC[16] ................................................................................... 17
Figure 1.4 : Solution d'un problème de CRNO[25]. ............................................................ 19
Figure 2.1 : Bras manipulateur mobile [9] .......................................................................... 20
Figure 2.2 : Robot mobile de type unicycle [26] ................................................................. 21
Figure 2.3 : Relation entre la vitesse linéaire et angulaire [26] ........................................... 23
Figure 2.4 : Articulation d'un bras 2DOF[17] ..................................................................... 36
Figure 2.5 : Commande par BackStepping[30] ................................................................... 38
Figure 2.6 : LQR[25] ........................................................................................................... 42
Figure 3.1 : Schéma de commande du système base mobile............................................... 45
Figure 3.2 : Schéma de commande du système bras manipulateur ..................................... 46
Figure 3.3 : Modele Base Mobile sous Simulink ................................................................ 48
Figure 3.4 : Position du mobile x ........................................................................................ 49
Figure 3.5 : Position du mobile en y.................................................................................... 49
Figure 3.6 : Vitesse angulaire du mobile. ............................................................................ 49
Figure 3.7 : Vitesse lineaire du mobile ................................................................................ 50
Figure 3.8 : Trajectoire du mobile Rectiligne ..................................................................... 50
Figure 3.9 : Trajectoire du mobile Circulaire ...................................................................... 50
Figure 3.10 : Implementation du bruit blanc ....................................................................... 51
Figure 3.11 : Position du mobile en x bruité ....................................................................... 51
Figure 3.12 : Position du mobile en y bruité ....................................................................... 51
Figure 3.13 : Vitesse angulaire du mobile bruité ................................................................ 52
Figure 3.14 : Vitesse lineaire du mobile bruité ................................................................... 52
Figure 3.15 : Trajectoire du mobile bruité........................................................................... 52
Figure 3.16 : Modele Bras sous Simulink ........................................................................... 53
Figure 3.17 : Position articulation Q1 ................................................................................. 54
Figure 3.18 : Position articulation Q2 ................................................................................. 54
Figure 3.19 : Vitesse angulaire Q1 ...................................................................................... 54
Figure 3.20 : Vitesse angulaire Q2 ...................................................................................... 55
 viii

Figure 3.21 : Trajectoire du bras_debut .............................................................................. 55

Figure 3.22 : Trajectoire du bras_fin ................................................................................... 55
Figure 3.23 : Couple Γ1, Γ2 .................................................................................................. 56
 ix

LISTE DES TABLEAU

Tableau 2.1 : Paramètre base mobile ................................................................................... 33

Tableau 2.2 : Paramètre lie au bras manipulateur ............................................................... 38
Tableau 3.1 : Condition de simulation base mobile ............................................................ 47
Tableau 3.2 : Condition de simulation bras manipulateur ................................................... 47
Tableau 3.3 : Paramètre des gains commande Backstepping .............................................. 47
Tableau 3.4 : Cas de la trajectoire rectiligne ....................................................................... 56
Tableau 3.5 : Cas de la trajectoire circulaire ....................................................................... 56
Tableau 3.6 : Resultat de la commande LQR ...................................................................... 57
 x

LISTES DES ABRÉVIATIONS

ARII : Automatique Robotique et Informatique Industrielle

CTC : Computed Torque Control

DOF : Degree Of Freedom

EDOSFA : Ecole Doctorale des Sciences Fondamentales et Appliquées

GIA : Génie Informatique et Automatique

LPV : Linear Parameter-Varying Models

LQR: Linear Quadratic Regulator

MPC: Model Predictive Control

OT : Organe Terminale

PID : Proportionnelle Intégrateur Dérivateur

ROV: Remotely Operated Vehicles

TS: Takagi-Sugeno

2DDL :2 Dégrée de liberté

2WD :2 Wheel Drive

 xi

AVANT-PROPOS

Réorganisé le 4 août 2017 par décret présidentiel de la décision N°

0000686/UD/VREPDTIC/VRRCRME/SG/DAAC/DEPE/DRD/SR/SPU, l’Ecole Doctorale
des Sciences Fondamentales et Appliquées de l’Université de Douala est constitué de six
Unités de formation Doctorale parmi lequel l’Unité de Formation Doctorale des Sciences de
l’Ingénieur. Elle est repartie en trois laboratoires à savoir le laboratoire d’énergie, matériaux,
modélisation et méthodes ; le laboratoire de mécanique et le laboratoire de Génie
Informatique et Automatique auquel nous appartenons et dont la mission est d’initier et de
former des étudiants destinés à l’aboutissement d’un doctorat reconnu tant sur le plan
national qu’internationale.

L’admission en première année doctorale s’effectue initialement par l’obtention d’un

mémoire de Master 2 Recherche dûment soutenu devant un jury convenablement constitué.
C’est dans cette optique que, pour l’obtention du diplôme de M2R, nous réalisons des
travaux de recherche de fin de formation sur le thème : « Modélisation et Commande
Optimale d’un bras robotique à bord d’un châssis mobile 2WD ».

En effet, les potentiels lecteurs découvriront dans ce mémoire les éléments

suivants :

▪ Une revue de littérature sur la commande, le suivie de trajectoire et les robots

mobiles/manipulateurs ;
▪ Des méthodes qui nous ont permis de développer nos différents modèles et lois de
commandes ;
▪ Des outils logiciels utilisées pour la réalisation de notre système.
 xii

TABLE DES MATIÈRES

DÉDICACE .......................................................................................................................... iii

REMERCIEMENTS ............................................................................................................ iv

RÉSUMÉ ............................................................................................................................... v

ABSTRACT ......................................................................................................................... vi

LISTE DE FIGURE ............................................................................................................ vii

LISTE DES TABLEAU ....................................................................................................... ix

LISTES DES ABRÉVIATIONS ........................................................................................... x

AVANT-PROPOS ................................................................................................................ xi

TABLE DES MATIÈRES ................................................................................................... xii

INTRODUCTION GÉNÉRALE ........................................................................................ 1

CHAPITRE 1 : REVUE DE LITTÉRATURE SUR LA MANIPULATION MOBILE5

Les manipulateurs mobiles ..................................................................................... 5

1.1.1 Les « multipèdes » ........................................................................................... 5

1.1.2 Les manipulateurs mobiles sous-marins .......................................................... 6

1.1.3 Les manipulateurs mobiles à roues .................................................................. 6

Enjeux pour les bras manipulateurs à base mobiles................................................ 7

1.2.1 Quelques propriétés pour ces systèmes ........................................................... 7

Suivi de trajectoire .................................................................................................. 9

1.3.1 Introduction ..................................................................................................... 9

1.3.2 Formulation du problème de commande de suivi ......................................... 10

Lois de commande de suivi de trajectoire............................................................. 12

1.4.1 Commandes linéaires ..................................................................................... 12

1.4.2 Commandes non linéaires.............................................................................. 15

La commande optimale ......................................................................................... 18

 xiii

1.5.1 Historique de la CRNO déterministe ............................................................. 18

1.5.2 Solution d’un problème de CRNO ................................................................ 19

CHAPITRE 2 : MÉTHODE ET OUTILS DE COMMANDE ...................................... 20

Modèle dynamique et cinématique du système manipulateur mobile .................. 20

2.1.1 Modélisation cinématique de la base mobile ................................................. 20

2.1.2 Les contraintes cinématiques ......................................................................... 22

2.1.3 Modèle cinématique du robot mobile ............................................................ 23

2.1.4 Modélisation dynamique de la base mobile .................................................. 27

2.1.5 Paramètre lié au bras manipulateur ............................................................... 32

2.1.6 Modélisation des robots manipulateurs ......................................................... 33

2.1.7 Modèle cinématique ...................................................................................... 34

2.1.8 Modèle dynamique ........................................................................................ 35

La commande par Backstepping ........................................................................... 38

2.2.1 Le contrôleur cinématique ............................................................................. 39

2.2.2 Le contrôleur dynamique ............................................................................... 40

La commande linéaire quadratique (LQR) ........................................................... 42

2.3.1 Application à la stabilisation du suivie de trajectoire cas du robot 2DOF plan

42

CHAPITRE 3 : RÉSULTATS ET DISCUSSIONS ........................................................ 45

Schéma de commande et modélisation sous Simulink ......................................... 45

Trajectoire ............................................................................................................. 46

Simulation ............................................................................................................. 47

3.3.1 Commande de la base Mobile par Backstepping........................................... 47

3.3.2 Commande de la base Mobile par Backstepping (White Noise) ................... 51

3.3.3 Commande du bras manipulateur par LQR ................................................... 53

Discussion ............................................................................................................. 56
 xiv

3.4.1 Base mobile ................................................................................................... 56

3.4.2 Bras manipulateur .......................................................................................... 57

CONCLUSION GÉNÉRALE........................................................................................... 58

RÉFÉRENCE BIBLIOGRAPHIQUE ................................................................................. 60

 1

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 sécurité 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.

1. Cadre des travaux de préparation du mémoire de M2R

1.1. Cadre institutionnel

Nous avons été accueillis au sein de l’Ecole Doctorale des Sciences Fondamentales et
Appliquées (EDOSFA) de l’université de Douala. L’EDOSFA étant constituée de 6 unités
de formation Doctorales, nous nous sommes rattachés à l’Unité de Formation Doctorale de
Science de l’ingénieur. L’un de ses laboratoires est le Génie Informatique et Automatique
(GIA) auquel nous appartenons. Nous avons finalement choisi le parcours-type Automatique
Robotique et Informatique Industrielle (ARII).

2. Contexte scientifique du thème étudié

2.1. Contexte nationale

Le domaine de la robotique dans le cadre africain est encore nouveau. Le Cameroun n’a pas
encore su apprivoiser la robotique dans le but ultime de résoudre les problèmes de la société
camerounaise. Les médias qui jouent un grand rôle médiateur sont beaucoup plus accès sur
les robots rotoides tels que les drones. Il est vrai que nous pouvons dire que les grandes
industries camerounaises sont munies de bras manipulateur tels que les brasseries,
Guinness…Mais qu’en est-il du simple camerounais ? La robotisation de la société reste
encore un mythe. La réalité des choses est un peu différente. En effet, notre excellence M.
Paul Biya président de la république a demandé au camerounais de s’arrimer à l’émergence
technologique [1]. Cette décision a donné un envi avide à la technologie et a permis à la
jeunesse d’aujourd’hui de s’orienter vers les nouvelles technologies (création d’application
informatique) or si la société actuelle est avide de technologie, l’aspect émotionnel d’une
interaction Homme/robot quotidienne et multiple semble toujours délicat à gérer, surtout
pour les hommes. Ainsi, faute de débouchés et de démonstration d’une autonomie réelle, la
 2

Robotique de service reste, à de rares exceptions près, à l’état de démonstrateur

technologique. Il est d’ailleurs important à souligné que même au département Génie
Informatique de l’ENSET de Douala de jeunes ingénieurs sont sur la route pour la
conception d’un robot manipulateur. Ces jeunes ingénieurs cherchent à concevoir un
manipulateur plan et l’injecter dans le domaine scolaire à des fins purement académiques.

2.2. Contexte international

Nous avons démarré avec des bras manipulateurs industriels dédiés à des tâches précises,
simples, dans un environnement bien calibré, puis nous sommes passés à des robots dont
l’espace de travail s’est étendu. Au Cameroun ces taches restent relativement simples
déplacements d’objet (industries) dans d’autres pays tels qu’en Europe, Asie ou Amérique
cette extension vient répondre à la nature des missions qui sont aujourd’hui envisagées en
Robotique : explorations/interventions/manipulations en milieu hostile (domaine terrestre,
sous-marin ou spatial), opérations de fabrication sur des pièces de grandes dimensions
(peinture, soudure, polissage) ; les exemples ne manquent pas.

2.3. Motivations et enjeux clés de la thématique étudiée

Dans le cadre de ce mémoire nous travaillons avec un robot manipulateur a base mobile, qui
est légèrement diffèrent des robots manipulateurs ayant un espace de travaille beaucoup plus
grand. Ces manipulateurs mobiles prennent des formes diverses, adaptées à l’environnement
où ils doivent évoluer et parmi eux nous distinguons les manipulateurs mobiles à roues. Ces
systèmes qui regroupent une plateforme à roues et un ou des moyens de manipulation (un
bras manipulateur par exemple) sont particulièrement adaptés pour évoluer sur des surfaces
solides, structurées (le béton lisse d’un hangar par exemple) ou non (les dunes de sable de la
planète Mars par exemple).

La création d’un robot est un problème mais il faut aussi que le robot exécute parfaitement
la tache demandée. Imaginez-vous un bras manipulateur qui sectionne la mauvaise veine
(domaine médicale) cela serait catastrophique ! Les robots reçoivent leurs instructions via
des commandes.
 3

3. Objectifs de la recherche et organisation du mémoire

3.1. Objectifs de la recherche

L'objectif général est de diriger le manipulateur mobile à partir de deux lois de contrôles afin
que ce dernier puisse suivre la trajectoire désirée. Notre objectif dans ce mémoire consiste à
améliorer la navigation autonome du manipulateur mobile à roues. Premièrement, par la
conception d’une modélisation plus proche à la réalité, en prenant en considération la
dynamique des roues, les efforts d’interaction roue /sol et l’influence du manipulateur
présent sur le châssis. Deuxièment, en élaborant deux lois de commande pour chaque
modèle.

3.2. Hypothèses

Dans le cadre du mémoire on suppose que le robot va se mouvoir sur une surface horizontale
et on ne prendra pas en compte les glissements. Le châssis est de type 2WD non-holonome.
Le manipulateur sera de type RR qui sera attaché sur le châssis. Les forces de frottements
liées au mouvement seront sous-entendu.

3.3. Organisation du mémoire

Ce mémoire, qui présente les différents aspects du travail évoqué ici, s’organise en trois
chapitres :

Chapitre 1 – Revue de littérature sur la manipulation mobile - Ce chapitre pose le problème

de la manipulation mobile. Après une courte présentation de la notion de manipulateur
mobile, nous définissons ce que nous entendons par mission de manipulation mobile à roues.
Un aperçu des approches et des méthodes de commande jusqu’ici employées pour la
commande de tels systèmes permet d’introduire le cadre que nous avons fixé pour les travaux
présentés dans ce mémoire.

Chapitre 2 – Méthode et outils de commande d’un bras mobile - Nous présentons dans ce
chapitre la modélisation cinématique des manipulateurs mobiles à roues et proposons un
modèle dynamique unifié de ces systèmes. Ces développements sont précédés d’un rappel
des notions de mécanique qui permettent de paramétrer rigoureusement le système. Les
modèles obtenus sont présentés sous une forme particulièrement adaptée à la commande du
système. Nous présentons aussi la structure de commande proposée pour la commande
opérationnelle de manipulateurs mobiles à roues. Cette structure intègre l’ensemble des
 4

fonctionnalités nécessaires à la réalisation de missions de manipulation mobile complexes

tant par la nature des tâches à réaliser que par les contraintes secondaires agissant sur le
système.

Chapitre 3 – Environnement de travail, résultats obtenus et discussions - Ce chapitre aborde

le contexte expérimental/simulation et présente les résultats obtenus dans le cadre de la mise
en œuvre de la structure de commande proposée. Création d’un SMV sous Matlab/GUI pour
visualiser la performance de la commande sur le robot mobile.

De nombreuses méthodes ont été développées pour la commande de robots manipulateurs

durant ces dernières décennies. Ces différentes approches de commande ont donné lieu à
des travaux spécifiques en robotique, particulièrement en raison de deux aspects : la
complexité du comportement dynamique des robots et les exigences en termes de suivi de
trajectoire. Le chapitre suivant va nous permettre d’observer les différents effectuées dans
le cadre du suivie de trajectoire d’un manipulateur mobile.
 5

CHAPITRE 1 : REVUE DE LITTÉRATURE SUR LA

MANIPULATION MOBILE

Ce chapitre vise à introduire notre travail autour du thème de la commande optimale d’un
manipulateurs mobiles à roues. Nous commençons par donner un aperçu de ce qui est
entendu lorsque le terme « manipulateur et mobile » sont employé. Nous présentons ensuite
un ensemble de considérations qui permettent de comprendre les tenants et aboutissants de
la commande optimale de ces systèmes.

Les manipulateurs mobiles

Le concept de manipulateur mobile est très simple. Il s’agit d’associer, dans un même
système, un ou des moyens de locomotion à un ou des moyens de manipulation. Le(s)
moyen(s) de locomotion assure(nt) au système un espace de travail limité principalement
par son autonomie énergétique. Le(s) moyen(s) de manipulation assure(nt) des capacités de
préhension et de manipulation. Cette définition ouverte laisse la place à un grand nombre de
combinaisons possibles, illustrées par la diversité des dispositifs expérimentaux et/ou
commerciaux existants à ce jour. Avant de donner quelques exemples de ces systèmes,
notons que leur succès est lié à l’espace de travail quasiment infini qu’ils présentent. Quand
un bras manipulateur industriel voit son espace de travail limité à quelques mètres cubes, le
manipulateur mobile peut lui évoluer sur plusieurs centaines de mètres carrés ou de mètres
cubes pour ceux, comme les manipulateurs mobiles sous-marins, dont le moyen de
locomotion ne nécessite pas de contact direct avec le sol. Ils ouvrent donc un grand nombre
de possibilités qui pour la plupart restent à explorer[2].

Parmi les systèmes existants actuellement nous pouvons citer trois grandes familles.

1.1.1 Les « multipèdes »

Comme leur nom l’indique, les manipulateurs mobiles « multipèdes » peuvent posséder une
à plusieurs jambes. Par le défi à la gravité qu’ils représentent, les humanoïdes en sont les
plus populaires représentants, tant chez le grand public que chez les chercheurs. Du point de
vue de la locomotion, ils posent le problème de la marche. D’un point de vue de la
 6

manipulation, le souhait de bio-mimétisme conduit à les équiper de mains sophistiquées dont

la conception et la commande restent des sujets encore très ouverts. Leurs utilisations
possibles sont limitées d’un point de vue industriel et leur principal débouché se situe dans
la Robotique de service (assistance aux personnes âgées, compagnons domestiques) ou, tel
le robot Qrio de Sony1, comme démonstrateurs technologiques.

1.1.2 Les manipulateurs mobiles sous-marins

Les manipulateurs mobiles sous-marins sont aujourd’hui les manipulateurs mobiles les plus
utilisés à des fins de travail. Souvent télé-opérés, il s’agit alors de ROV (Remotely Operated
Vehicles), ils permettent l’accès à des zones maritimes non accessibles aux plongeurs et
fournissent des capacités de prélèvement, de manipulation, de mesure et d’acquisition de
données adaptables aux missions envisagées. Nous pouvons, à titre d’exemple, citer le robot
Victor 6000 équipé de deux bras manipulateurs et qui peut intervenir à des profondeurs de
6000 mètres ainsi que le robot Achille 2000[3].

1.1.3 Les manipulateurs mobiles à roues

Moins médiatiques que les premiers, moins exploités que les seconds, les manipulateurs
mobiles à roues sont cependant plus répandus que ceux précédemment cités. Cela tient
particulièrement à deux faits :

• leur conception mécanique relativement simple;

• l’adéquation naturelle de leur moyen de locomotion à un grand nombre de terrains.

En lien avec ces deux points, il nous faut aussi citer l’histoire des transports qui a vu les
véhicules à roues, de toutes sortes, se hisser au sommet de la hiérarchie des moyens de
transport individuel.

Du point de vue de la manipulation, c’est l’état de l’art en robotique qui a amené à d’abord
placer un bras manipulateur à chaîne simple sur un véhicule à roues. Et de manière similaire
aux engins de chantiers qui en furent les précurseurs, les manipulateurs mobiles à roues
prennent aujourd’hui des formes diverses tant du point de vue de leur mode de locomotion
 7

que de leur taille ou encore de la fonction attribuée au(x) bras manipulateur(s) dans le
système.

Les différences majeures entre ces systèmes à roues sont principalement liées au choix du
type de locomotion. Ainsi, nous distinguons :

• les manipulateurs mobiles à roues, tels que le robot Spirit de la NASA4, dont la plate-
forme mobile peut-être dite tout terrain ;
• les manipulateurs mobiles à roues, tels que le robot Care-o-bot5 du Fraunhofer
Institut, utilisant des mécanismes de suspension rudimentaires et plus adaptés à des
environnements d’intérieur lisses et assez plats.

La seconde distinction qui peut être faite porte sur les principes locomoteurs retenus. Les
véhicules à roues possèdent une caractéristique commune : leur vitesse instantanée est
contrainte dans certaines directions de déplacement. Ce sont donc des systèmes dits non-
holonomes[4].

Enjeux pour les bras manipulateurs à base mobiles

1.2.1 Quelques propriétés pour ces systèmes

L’atout indéniable que présente ce type de système tient dans la combinaison de deux sous-
systèmes aux fonctions très différentes. Il est même tentant de résumer cet atout en disant
que là où le manipulateur ne peut aller, la plateforme l’y emmène et que ce que la plateforme
ne peut pas prendre, le manipulateur le prend pour elle. Cette vision est très réductrice. Elle
limite fortement le type de mission envisageable et amène à regarder le système comme deux
sous-systèmes agissant avec peu de coordination : « La plateforme va en (x,y). Le
manipulateur prend l’objet A. La plateforme va en (u,v). Le manipulateur pose l’objet A sur
l’objet B. » ou encore « le manipulateur effectue une opération à l’endroit L. La plateforme
va à l’endroit M. Le manipulateur effectue une opération à l’endroit M etc. ». Ce type
d’approche permet bien entendu de réaliser avec un seul système des opérations qui
nécessiteraient des dizaines de manipulateurs « non mobiles ». En termes de production
industrielle, ce type d’approche est intéressant pour des produits de grande dimension et dont
la production se fait quasiment à l’unité. Ce n’est plus le produit qui bouge mais l’outillage
permettant sa transformation. Cela permet de ne pas développer des chaînes de production
 8

spécifiques, coûteuses, étant donnée la dimension du système à convoyer, et de durée de vie

très limitée (taille faible des lots de même pièce à produire).

Malgré cette première famille d’applications, il est des cas simples de mission où ce type de
décomposition n’est pas suffisant. En fait, cette première famille est le strict minimum de ce
qui peut être demandé à un manipulateur mobile qui est alors utilisé de manière non
coordonnée, les mouvements de chacun des sous-systèmes étant indépendants les uns des
autres. Prenons pour exemple le passage d’une porte dans un couloir : K. Nagatani et al. [4],
malgré une approche ad hoc, montrent que ce passage de la porte ne fait pas exclusivement
appel à la stricte locomotion ou à la stricte manipulation mais à une combinaison des deux.
Pour un manipulateur mobile à roues, cela peut ne pas paraître comme une évidence. En
effet, il est toujours possible de décomposer le mouvement coordonné du système en
plusieurs mouvements simples et indépendants pour chacun des sous-systèmes.

Une seconde caractéristique importante pour ces systèmes est qu’ils sont souvent redondants
vis à vis de la tâche assignée à l’OT (Organe Terminale). De manière non formelle, il est
assez juste de dire que cette redondance est liée à la présence d’un plus grand nombre
d’actionneurs que le minimum nécessaire pour que le système puisse exécuter sa tâche
principale. Cette propriété assure l’existence d’une infinité de solutions au problème de
commande opérationnelle, infinité parmi laquelle la solution la meilleure, au sens d’un
critère donné, est à choisir. Ce critère est souvent lié aux contraintes inégalités, à respecter,
sur les grandeurs du système. Ces contraintes sont liées au robot lui-même : évitement de
butées articulaires, saturation des actionneurs, mais aussi à son environnement : c’est le cas
de l’évitement d’obstacles.

Une des propriétés des manipulateurs mobiles à roues est aussi leur caractère non holonome.
Disons pour le moment qu’un système mécanique non holonome est un système soumis à
des contraintes sur les vitesses des différents corps qui le composent. L’exemple typique de
ce genre de système est la voiture. Les roues d’une voiture doivent respecter une contrainte
de roulement sans glissement sur le sol ce qui contraint leurs vitesses respectives à ne pas
pouvoir évoluer de manière indépendante les unes des autres. Ces contraintes sont très fortes
puisqu’elles limitent à chaque instant les directions du mouvement de chacun des corps du
système. Du point de vue de la commande opérationnelle, cela est gênant, d’autant plus que
c’est sur la plateforme, c’est-à-dire la partie du système qui garantit un espace de travail
 9

illimité, que ces contraintes agissent. Cela dit, sur un intervalle de temps donné, il est
possible d’amener la plateforme d’une configuration donnée à une autre, ce qui signifie
qu’aucune zone de l’espace de travail 2D n’est inatteignable par le système. C’est ce
qu’illustre la nécessité de faire une manœuvre en voiture afin de pouvoir se garer : il est
possible d’amener le véhicule dans une situation (position et orientation) délimitée par la
place de parking mais pas en suivant n’importe quelle trajectoire. Dans le cas d’une approche
coordonnée de la commande des deux systèmes, ce n’est pas tant d’amener la plateforme
dans une configuration donnée qui nous intéresse, en effet la plateforme n’est pas
commandée directement, mais plutôt d’utiliser les capacités d’actionnement de cette
plateforme pour effectuer un mouvement opérationnel désiré.

Terminons sur les propriétés en disant que la commande opérationnelle peut aussi bien être
un mouvement à effectuer qu’un effort à exercer sur l’environnement avec l’OT. Il est alors
question d’interaction opérationnelle, et, si les robots manipulateurs classiques, du fait de
leur positionnement statique, ne sont confrontés qu’à des situations de contact avec
l’environnement prévisibles et plutôt calibrées, ce n’est pas le cas des manipulateurs mobiles
pour lesquels les possibilités de contact avec l’environnement sont infinies et qui, étant
donné leur rayon d’action et leur nature, sont amenés à explorer des zones nouvelles, pas ou
peu calibrées.

Suivi de trajectoire
1.3.1 Introduction
La commande du mouvement d'un manipulateur est un sujet qui peut être formulé à partir
de problématiques plus générales issues de l'automatique. Dans le domaine de la commande
de systèmes dynamiques, on peut distinguer trois problématiques essentielles pour notre
sujet :

• la stabilisation
• le suivi de trajectoire
• le rejet de perturbation.

La condition nécessaire à la mise en œuvre d'un système dynamique comme un robot est de
garantir sa stabilité. La stabilisation d'un robot manipulateur autour d'une consigne de
position constante au cours du temps est donc le premier objectif à atteindre [4]. Mais pour
les applications industrielles de robots manipulateurs, la stabilisation n'est pas suffisante. En
 10

effet, pour effectuer les tâches décrites précédemment, un robot manipulateur doit suivre des
trajectoires avec la précision attendue. Les trajectoires de référence prédéfinies pour générer
le mouvement souhaité constituent, in ne, des consignes à suivre pour chaque articulation
qui évoluent au cours du temps de manière synchronisée. Ce suivi de trajectoire de référence
occupe une place centrale en commande de robot manipulateur. Et il est bien connu que le
problème de suivi de trajectoire est plus difficile que celui de la stabilisation. Une des raisons
est que la commande doit assurer une erreur inférieure à une valeur tolérée entre la sortie du
système et la référence tout en garantissant la stabilité du système en boucle fermée. De plus,
le problème de régulation peut être considéré comme un cas particulier du problème de suivi
pour lequel la trajectoire de référence est constante dans le temps. En raison du caractère
fortement non-linéaire du comportement dynamique des manipulateurs, la synthèse de
commande pour le suivi de trajectoire est considérée comme un problème difficile [4].

Ce problème reste en robotique un problème de premier ordre [5]. Enfin, le rejet de

perturbation consiste à minimiser l'effet de perturbations sur la sortie, comme des
phénomènes "mal modélisés" au sein du système en raison de leur caractère incertain ou trop
complexe, e.g. le frottement sec sur les articulations, ou comme des actions de
l'environnement sur le système, e.g. des forces extérieures exercées sur l'organe terminal [6].
La commande du mouvement d'un robot manipulateur inclue donc ces trois problématiques.
Les travaux présentés dans cette thèse poursuivront l'objectif principal du suivi de trajectoire,
tout en traitant conjointement le rejet de perturbation. Après avoir posé formellement le
problème du suivi de trajectoire, les lois de commande développées couramment en
robotique seront présentées.

1.3.2 Formulation du problème de commande de suivi

Soit un système dynamique non-linéaire continu dont on peut écrire le modèle mathématique
sous la forme :

x = f(t,x,u) (1.1)
y = h(t,x,u), (1.2)

où
 11

• x ∈ Rnx est le vecteur d'état du système

• u ∈ Rnu est le vecteur d'entrée avec lequel le système peut être commandé.
• y ∈ Rny est le vecteur de sortie du système qui contient les mesures.

La formulation du problème de suivi de trajectoire présentée par la suite est tirée de [7]. Une
trajectoire d'état de référence donnée, xr(t), est à suivre par l'état du système. On suppose que
cette trajectoire est réalisable au sens où il existe une entrée de référence ur(t) telle que :

𝑥̇ 𝑟 = 𝑓(𝑡, 𝑥𝑟 , 𝑢𝑟 ) (1.3)

L'état et l'entrée de référence étant donnés, la sortie de référence résultante est définie par :
𝑦𝑟 = 𝑓(𝑡, 𝑥𝑟 , 𝑢𝑟 ) (1.4)

Le problème de suivi de trajectoire consiste à déterminer une commande de l'entrée u telle

que la sortie y(t) converge vers l'entrée de référence yr(t) quand t tend vers l'infini. Dans le
cas des robots manipulateurs, la trajectoire définit directement la position et la vitesse
(articulaire par exemple), et par conséquent l'état du système. Pour cette raison, nous
pouvons nous focaliser sur le problème du suivi de l'état de référence xr. Ce problème
consiste à déterminer une loi de commande de l'entrée u telle que l'état x(t) converge vers
l'état de référence xr(t). Cette loi de commande peut être établie directement à partir d'un
retour d'état ou à partir d'un retour de sortie, ce qui nous amène à distinguer les deux
problèmes suivants.

Problème de commande. (Suivi de trajectoire par retour d'état) Considérons le système

(1.1) et supposons qu'une trajectoire de référence (xr,ur) réalisable, i.e. satisfaisant (1.4), soit
donnée. Le problème consiste à trouver une loi de commande

𝑢 = 𝑢(𝑡, 𝑥𝑟 , 𝑢𝑟 , 𝑥) (1.5)
telle que, pour le système en boucle fermée résultant de (1.3), on vérifie :
lim ‖𝑥(𝑡) − 𝑥𝑟 (𝑡)‖ = 0 (1.6)
𝑡→∞
 12

Lois de commande de suivi de trajectoire

Aujourd'hui encore, la plupart des robots industriels sont commandés avec des lois linéaires
décentralisées (articulation par articulation) de type PID. Néanmoins, depuis plusieurs
décennies, d'autres lois de commande, basées sur des approches non linéaires, ont été
proposées pour améliorer les performances. Nous les passons en revue dans cette partie.

1.4.1 Commandes linéaires

La commande des robots manipulateurs industriels est basée le plus souvent sur un schéma
de type commande linéaire PID en raison d'une structure décentralisée simple et adaptée à
une implémentation articulation par articulation (un correcteur linéaire implémenté par carte
d'axe ou variateur numérique). La commande PID est donnée par l'expression en temps
continu :

𝑡
𝐾𝑝 𝑒𝑞 + 𝐾𝑑 𝑒̇𝑞 + 𝐾𝑖 ∫0 𝑒𝑞(𝑠)𝑑𝑠 (1.7)

avec eq = qd − q, l'erreur de position et Kp, Kd, Ki les matrices diagonales de gains

proportionnels, dérivés et intégraux, respectivement. La figure ci-dessous présente le schéma
de principe de la commande PID pour les robots manipulateurs. Les conditions de stabilité
d'un manipulateur rigide commandé avec une commande de type PID ont fait l'objet de
nombreux travaux. D'un point de vue pratique, des règles ont également été proposées pour
le choix des différents gains du correcteur. L'ouvrage de Kelly propose une synthèse de ces
travaux [8]. On pourra utiliser un réglage par placement de pôles comme proposé dans [9].

La commande PID n'est pas directement dédiée au suivi de trajectoire. Le parcours d'une
trajectoire à vitesse élevée conduit à des accélérations importantes ; le comportement
dynamique inhérent du robot implique des efforts importants qui causent des écarts de suivi
à corriger par la boucle de rétroaction.
 13

Figure 1.1 : Commande PID d'un robot manipulateur [10]

Par ailleurs, les trajectoires utilisées en robotique utilisent des lois d'évolution des vitesses
continues et dérivables à un ordre supérieur à un ; ces dérivées peuvent donc être facilement
exploitées pour améliorer les performances de suivi de trajectoire grâce à des termes
d'anticipation (feedforward) en réduisant l'écart de suivi de trajectoire à corriger par la
rétroaction (feedback). Des termes d'anticipation en vitesse et en accélération sont facilement
ajoutés à la commande pour compenser partiellement les forces de frottement visqueux
(forces proportionnelles à la vitesse) et les pseudo-forces d'inertie (forces nécessaires pour
générer l'accélération d'un bras compte-tenu de son inertie). Le terme d'anticipation uff peut
donc s'écrire sous forme linéaire à partir de deux matrices diagonales à termes constants
positifs tel que :

𝑢𝑓𝑓 = 𝑀𝑓𝑓 𝑞̈ 𝑑 + 𝐶𝑓𝑓 𝑞̇ 𝑑 (1.8)

Cette commande PID avec anticipation linéaire [10], s'écrit donc sous la forme :

𝑡
𝛤 = 𝑀𝑓𝑓 𝑞̈ 𝑑 + 𝐶𝑓𝑓 𝑞̇ 𝑑 + 𝐾𝑝 𝑒𝑞 + 𝐾𝑑 𝑒̇𝑞 + 𝐾𝑖 ∫0 𝑒𝑞(𝑠)𝑑𝑠 (1.9)

Cette loi de commande que l'on peut facilement implémenter sur les baies de commande
industrielles est bien adaptée pour des manipulateurs rapides (parcours de trajectoire à
vitesse élevée) dont le comportement est quasi linéaire et dont le couplage dynamique entre
 14

les articulations est faible. C'est le cas par exemple pour des robots de type SCARA avec des
rapports de réduction élevés entre le moteur et le bras [10].

Lorsque l'effet du champ de pesanteur sur le manipulateur est variable en raison

d'articulation possédant un axe de rotation non vertical, les perturbations induites dépendent
de la position articulaire. La commande d'une articulation par un correcteur PID permet de
rejeter les perturbations supposées constantes (faiblement variables) appliquées à cette
articulation. Les perturbations principales que le correcteur PID rejettent sont les frottements
et les forces de pesanteur. Des alternatives aux commandes linéaires de type PID consistent
à utiliser une commande linéaire PD à laquelle on rajoute un terme de compensation des
perturbations.

Figure 1.2 : Commande PID avec compensation de pesanteur [8]

Citons ici la commande PD avec compensation de pesanteur [8], bien que ce schéma ne soit
plus linéaire, pour faire la transition avec les commandes non linéaires.

Le terme de compensation est issu de la partie statique du modèle dynamique et peut être
calculé à partir des mesures de positions :
𝛤 = 𝐾𝑝 𝑒𝑞 + 𝐾𝑑 𝑒̇𝑞 + 𝐺(𝑞) (1.10)

ou à partir des positions articulaires de référence :

𝛤 = 𝐾𝑝 𝑒𝑞 + 𝐾𝑑 𝑒̇𝑞 + 𝐺(𝑞𝑑 ) (1.11)

Ces schémas de commande préfigurent les commandes non linéaires basées sur le modèle
dynamique du manipulateur.
 15

1.4.2 Commandes non linéaires

Dès lors que les vitesses de parcours de trajectoire sont élevées et que le
comportement dynamique du manipulateur ne peut plus être considéré comme quasi-linéaire
et découplé entre ses articulations, des lois de commande non linéaires permettent
d'améliorer les performances en suivi de trajectoire. Beaucoup d'approches ont été
développées depuis quelques décennies. Les approches principales, que l'on retrouve aussi
dans les ouvrages de synthèse [11], sont présentées par la suite. La plupart de ces approches
sont basées sur le modèle dynamique du manipulateur. La commande directement basée sur
le modèle dynamique inverse est la commande CTC (Computed Torque Control) qui permet
de linéariser et découpler le comportement dynamique du robot par rétroaction. Sous
certaines conditions, elle est identique à une commande linéarisante (feedback linearization)
[12]. Cette loi de commande s'écrit à partir du modèle dynamique inverse :

𝛤 = 𝑀(𝑞)𝑣 + 𝑁(𝑞, 𝑞̇ )𝑞̇ + 𝐺(𝑞) (1.12)

où l'accélération articulaire est remplacée par une nouvelle entrée de commande, v, telle que
le système résultant est un ensemble de nq systèmes linéaires découplés de type double
intégrateur : v = 𝑞̈ . On peut alors appliquer à la nouvelle entrée v un correcteur linéaire de
type PD ou PID avec une anticipation en accélération, par exemple :

𝑡
𝑣 = 𝑞̈ 𝑑 + 𝐾𝑝 𝑒𝑞 + 𝐾𝑑 𝑒̇𝑞 + 𝐾𝑖 ∫0 𝑒𝑞(𝑠)𝑑𝑠 (1.13)

Il en résulte l'équation suivante régissant la dynamique de l'erreur pour un modèle

dynamique exact et en l'absence de perturbation :

𝑡
𝑒̈𝑞 + 𝐾𝑝 𝑒𝑞 + 𝐾𝑑 𝑒̇𝑞 + 𝐾𝑖 ∫0 𝑒𝑞(𝑠)𝑑𝑠 = 0 (1.14)

Les erreurs paramétriques qui apparaissent irrémédiablement dans le modèle dynamique

inverse utilisé pour la commande conduisent à un terme de perturbation de l'équation
précédente tel que cela est montré dans [9] par exemple. La commande CTC est une stratégie
efficace en suivi de trajectoire qui peut assurer une stabilité asymptotique globale [13].
Néanmoins, cette méthode comporte plusieurs handicaps :
 16

• Elle nécessite une connaissance exacte du modèle dynamique pour obtenir de très
bonnes performances, ce qui n'est pas possible en pratique. Il s'en suit la nécessité de
générer un modèle dynamique complexe à obtenir avec précision qui requiert des
méthodes d'identification très performantes.
• Elle n'est pas robuste face aux incertitudes paramétriques et aux incertitudes non
structurées (dynamique non modélisée), ce qui peut dégrader les performances.
• Elle nécessite une charge de calcul importante pour le système de commande à la
fréquence d'échantillonnage des boucles de vitesse et de position, ce qui freine
considérablement son exploitation industrielle.

De nombreuses lois de commande dérivent de la structure CTC. Un schéma assez répandu

en pratique s'appuie sur l'utilisation du modèle dynamique inverse en anticipation plutôt
qu'en rétroaction, ce qui permet notamment d'utiliser une fréquence d'échantillonnage pour
le calcul du modèle en anticipation plus faible que la fréquence d'échantillonnage nécessaire
en rétroaction. Le schéma suivant est obtenu à partir d'une CTC où les termes articulaires
mesurés sont remplacés par les références de position et vitesse articulaires, appelée aussi
"commande dynamique prédictive" dans [14] :

𝑡
𝛤 = 𝑀(𝑞𝑑 )( 𝑞̈ 𝑑 + 𝐾𝑝 𝑒𝑞 + 𝐾𝑑 𝑒̇𝑞 + 𝐾𝑖 ∫0 𝑒𝑞(𝑠)𝑑𝑠 ) + 𝑁(𝑞𝑑 , 𝑞̇ 𝑑 )𝑞̇ 𝑑 + 𝐺(𝑞𝑑 ) (1.15)

Pour simplifier l'implémentation, on peut aussi séparer les termes d'anticipation et de

rétroaction, cf. figure 1.13, pour obtenir une commande PID avec anticipation non-linéaire :

𝑡
𝛤 = 𝑀(𝑞𝑑 )( 𝑞̈ 𝑑 ) + 𝐾𝑝 𝑒𝑞 + 𝐾𝑑 𝑒̇𝑞 + 𝐾𝑖 ∫0 𝑒𝑞(𝑠)𝑑𝑠 (1.16)

+𝑁(𝑞𝑑 , 𝑞̇ 𝑑 )𝑞̇ 𝑑 + 𝐺(𝑞𝑑 )

Afin d'obtenir des lois de commande robustes aux incertitudes de modélisation, diverses
approches ont été proposées. Par exemple, en exploitant la propriété de passivité du modèle
dynamique, des lois de commande dites par passivité ont été développées (cf. [15]). Comme
ces commandes reposent sur le choix d'une fonction de Lyapunov basée sur des
considérations énergétiques, elles possèdent généralement de bonnes propriétés de
robustesse. Cependant, pour obtenir un suivi de trajectoire su-samment précis, une action
anticipatrice doit être ajoutée nécessitant ici encore une bonne identification du système.
 17

Pour faire face aux incertitudes et aux variations paramétriques du modèle, la théorie de la
commande adaptative a été exploitée en robotique. En reprenant la structure CTC, on obtient
une première version de commande adaptative en introduisant un mécanisme d'ajustement
des paramètres du modèle dynamique en temps réel [16].

Figure 1.3 : La commande CTC[16]

Ce type de commande exploite le fait que le modèle dynamique peut s'écrire linéairement en
fonction de ses paramètres. L'utilisation de la propriété de passivité du manipulateur conduit
à une version de commande adaptative passive [17]. De nombreuses autres versions ont été
proposées [18].

Parmi toutes les approches de commande robuste, on peut citer la commande par mode
glissant (Sliding mode control) qui est une approche populaire pour les systèmes non
linéaires avec incertitudes et perturbations extérieures [19]. Le principe de cette approche
repose sur une logique de commutation afin d'amener et maintenir l'état du système sur une
surface stable selon lequel il va glisser vers l'état d'équilibre. Différents schémas ont été
proposés pour les manipulateurs, voir par exemple [20]. Le phénomène de broutement dû au
mécanisme de commutation est préjudiciable pour le manipulateur (sollicitation de ses
actionneurs, excitation des modes vibratoires); différentes techniques permettent de dépasser
cette difficulté, comme par exemple celle présentée dans [21].

Enfin, les approches de commande par logique floue répondent directement aux
problématiques liées à l'obtention d'un modèle fidèle du manipulateur. Les approches dites
classiques s'appuient sur la théorie des ensembles flous introduite par Zadeh pour prendre en
compte des connaissances approximatives. Cette approche est particulièrement bien adaptée
 18

pour la commande des systèmes complexes difficiles à modéliser. Elle a été initialement
développée par Mandani sous la forme d'un système expert implémenté pour la commande
du système en l'absence de modèle mathématique. Cette approche a été utilisée pour la
commande de manipulateurs, par exemple avec un correcteur PID flou [22]. Elle a aussi été
combinée avec des commandes non linéaires comme la commande par mode glissant [23].
Néanmoins, en raison de sa nature heuristique et de l'absence de preuve de stabilité, cette
approche a connue des réticences dans la communauté des automaticiens. Dans ce contexte,
une approche différente, basée sur un modèle mathématique, a été introduire pour pouvoir
utiliser les outils de l'automatique, tels que la méthode de Lyapunov : l'approche basée sur
la représentation floue de type Takagi-Sugeno (T-S) d'un modèle dynamique [24]. La
construction de modèle TS, très proche des modèles LPV (Linear Parameter-Varying
Models), permet d'adopter une approche polytopique de la commande des systèmes non
linéaires en exploitant les propriétés de convexité du modèle TS. Cette approche est donc
particulièrement bien adaptée à l'analyse et la synthèse de commande de systèmes non
linéaires incertains en formulant le problème via des inégalités linéaires matricielles (LMI)
résolues avec des outils d'optimisation efficaces. Si le problème de stabilisation a été très
largement étudié avec l'essor de cette approche depuis deux décennies, le problème du suivi
de trajectoire de robot manipulateur n'a été que très peu abordé.

Néanmoins après avoir définie une commande u le problème reste toujours présent. S’agit-
il de la meilleure solution ? Dépendamment des contraintes établies par le travail à fournir
on serait amené à déterminer la meilleure solution. La commande optimale répond à cette
exigence en définissant des contraintes.

La commande optimale

La CRNO est une science qui étudie les méthodes et outils de recherche et de mise
en œuvre, de meilleures solutions de réglage des processus dynamiques. Rappelons qu’un
processus est dynamique s’il peut être modélisé par une équation différentielle (ordinaire ou
à dérivée partielle) [25].

1.5.1 Historique de la CRNO déterministe

En réalité, l’histoire de la CRNO repose sur celles de deux disciplines combinées, à savoir:
 19

• La théorie de commande optimale, remonte de l’antiquité avec le problème

isopérimètre de la Reine Didon à Carthage, suivie plus tard d’autres problèmes
similaires illustrés dans le tableau 1 (voir page suivante).
• L’histoire des technologiques de mise en œuvre des solutions de réglage a été par les
premiers ordinateurs des années 1960-1970, suivi des API, de PC, de
microcontrôleurs, des FPGA, de RLI, de Télé-régulateur via Internet.

1.5.2 Solution d’un problème de CRNO

La solution d’un problème de CRNO, est une trajectoire optimale, qui offre la meilleure
valeur par rapport à un critère fonctionnel (fonction coût) de compétition, défini au sein d’un
espace de trajectoires admissibles admettant pour points initial P0 et final P1.

Figure 1.4 : Solution d'un problème de CRNO[25].

Ce premier chapitre a présenté le contexte de la commande des robots manipulateurs

mobiles, avec les modèles utilisés, ainsi que la problématique de suivi de trajectoire abordée
dans ce mémoire. Une revue de littérature succincte a permis de rappeler les différentes
approches développées pour le suivi de trajectoire. Nous verrons dans le chapitre suivant la
modélisation d’un système manipulateur mobile et la conception de deux lois de commande.
 20

CHAPITRE 2 : MÉTHODE ET OUTILS DE COMMANDE

Pour développer une stratégie de commande performante pour un robot (manipulateur

mobile), il est impératif de connaître la cinématique et la dynamique du robot considéré. Les
erreurs de modélisation, les incertitudes sur l'estimation des paramètres physiques ainsi que
les différentes perturbations externes influent beaucoup sur la qualité du contrôle. Tous ces
facteurs doivent être pris en compte lors de la modélisation et de l'élaboration de la loi de
commande pour préserver la qualité et la précision des tâches auxquelles est destiné le
robot.

Modèle dynamique et cinématique du système manipulateur mobile

Figure 2.1 : Bras manipulateur mobile [9]

2.1.1 Modélisation cinématique de la base mobile

Dans 1'étude de la cinématique, seules les vitesses sont prises en compte. Le mouvement
d'un robot mobile à conduite différentielle est caractérisé par deux contraintes cinématiques
à savoir :
 21

• Aucun glissement latéral,

• Roulement sans glissement.

Notons {XI, YI} un repère fixe quelconque et {Xr, Yr} un repère mobile lié au robot. Soient
qi= [xi,yi,ei]T un point du repère {XI, YI} et qr = [xr,yr,θr ] point du repère { Xr , Yr}.
Les points qi et qr sont liés par la matrice orthogonale R(θ).

𝑐𝑜𝑠𝜃 −𝑠𝑖𝑛𝜃 0
qi= R(θ) qr avec R(θ) = ( 𝑠𝑖𝑛𝜃 𝑐𝑜𝑠𝜃 0) (2.1)
0 0 1

Figure 2.2 : Robot mobile de type unicycle [26]

La figure 2.2 présente le robot mobile de type unicycle dans les repères fixe et mobile.

A : est le point milieu de l'axe des roues.

2R : représente le diamètre de la roue du robot ;
2L : représente la largeur du robot ;
 22

𝜑̇ 𝑟 𝑒𝑡 𝜑̇ 𝑙 : représentent respectivement la vitesse de rotation de la roue droite et de la roue

gauche ;
θ: est 1 'angle d'orientation du robot ;
d : est la distance entre le point A et le point C.

2.1.2 Les contraintes cinématiques

Le mouvement du robot est caractérisé par deux contraintes non-holonomes qui sont
obtenues par deux hypothèses [26]. Une contrainte non holonome est une contrainte non
intégrable faisant intervenir la dérivée par rapport au temps des coordonnées du robot. Si le
robot peut instantanément se déplacer en avant ou en arrière mais il ne peut pas se déplacer
à droite et à gauche sans que les roues glissent, on dit qu'il possède une contrainte non
holonome à savoir :

• Aucun glissement latéral ;

• Roulement sans glissement.

Par contre si chaque roue est capable de se déplacer en avant et de côté, on dit qu'il s'agit
d'un comportement holonome du robot.

Hypothèse 1.

Aucun glissement latéral : Cette contrainte signifie simplement que le robot peut se
déplacer uniquement en avant et en arrière, mais pas latéralement. Cela signifie que la vitesse
du robot associée au point A est nulle le long de l'axe latéral dans le repère mobile, soit y =
0.

En utilisant la matrice de rotation R(e), l'expression de la vitesse du robot associée au point

A dans le repère fixe est :

ẋ 𝐴𝐼 𝑐𝑜𝑠𝜃 −𝑠𝑖𝑛𝜃 0 ẋ 𝐴𝑟
ẋ 𝐼 = ẋ 𝐴𝑟 . 𝑐𝑜𝑠𝜃
(𝑦̇𝐴𝐼 ) = ( 𝑠𝑖𝑛𝜃 𝑐𝑜𝑠𝜃 0) (0 ) → { 𝐴𝐼 } (2.2)
𝑦̇𝐴 = ẋ 𝐴𝑟 . 𝑠𝑖𝑛𝜃
𝜃𝐴̇ 𝐼 0 0 1 𝜃𝐴̇ 𝑟

Ainsi on obtient :
ẏ 𝐴𝐼 . 𝑐𝑜𝑠𝜃 − ẋ 𝐴𝐼 . 𝑠𝑖𝑛𝜃 = 0 (2.3)
 23

Hypothèse 2.
Roulement sans glissement : La contrainte de roulement sans glissement représente le fait
que chaque roue maintient un point en contact avec le sol comme Indiqué dans la figure ci-
dessous. Les hypothèses 1 et 2 ont été développées dans [26].

Figure 2.3 : Relation entre la vitesse linéaire et angulaire

[26]

Ainsi la vitesse linéaire de chaque roue du robot au point de contact P est donnée par :

𝑣𝑃𝐿 = 𝑅𝜑̇ 𝑙
{ (2.4)
𝑣𝑃𝑅 = 𝑅𝜑̇ 𝑅

où 𝑣𝑃𝐿 est la vitesse linéaire de la roue gauche, et 𝑣𝑃𝑅 est la vitesse linéaire de la roue droite.

2.1.3 Modèle cinématique du robot mobile

Les expressions des positions généralisées et des vitesses généralisées dans le repère fixe en
fonction des coordonnées du point A sont données par :

x 𝐼 = x𝐴𝐼 + 𝐿𝑠𝑖𝑛𝜃 𝐼
ẋ 𝑃𝑅 = ẋ 𝐴𝐼 + 𝐿𝜃̇𝑐𝑜𝑠𝜃
𝑅𝑜𝑢𝑒 𝑑𝑟𝑜𝑖𝑡𝑒 { 𝑃𝑅
𝐼 → { (2.5)
𝑦𝑃𝑅 = 𝑦𝐴𝐼 − 𝐿𝑐𝑜𝑠𝜃 𝐼
𝑦̇ 𝑃𝑅 = 𝑦̇𝐴𝐼 + 𝐿𝜃̇𝑠𝑖𝑛𝜃
 24

𝐼
x𝑃𝐿 = x𝐴𝐼 − 𝐿𝑠𝑖𝑛𝜃 𝐼
ẋ 𝑃𝐿 = ẋ 𝐴𝐼 − 𝐿𝜃̇𝑐𝑜𝑠𝜃
𝑅𝑜𝑢𝑒 𝑔𝑎𝑢𝑐ℎ𝑒 { 𝐼 → { (2.6)
𝑦𝑃𝐿 = 𝑦𝐴𝐼 + 𝐿𝑐𝑜𝑠𝜃 𝐼
𝑦̇ 𝑃𝐿 = 𝑦̇𝐴𝐼 − 𝐿𝜃̇𝑠𝑖𝑛𝜃

En utilisant la matrice de rotation R(θ) et en l'appliquant à la roue droite on a:

𝐼 𝑟
ẋ 𝑃𝑅 𝑐𝑜𝑠𝜃 −𝑠𝑖𝑛𝜃 0 ẋ 𝑃𝑅
𝐼 𝑟
(𝑦̇ 𝑃𝑅 ) = ( 𝑠𝑖𝑛𝜃 𝑐𝑜𝑠𝜃 0) (𝑦̇ 𝑃𝑅 ) (2.7)
𝜃̇ 𝐼 0 0 1 𝜃̇ 𝑟

𝑟
Avec 𝑦̇ 𝑃𝑅 =0
signifie que la vitesse au point P de la roue droite est nulle (car aucun glissement latéral).
Ainsi,

𝐼 𝑟
ẋ 𝑃𝑅 ẋ 𝑃𝑅 𝑐𝑜𝑠𝜃
𝐼 𝑟
(𝑦̇ 𝑃𝑅 ) = ( ẋ 𝑃𝑅 𝑠𝑖𝑛𝜃 ) (2.8)
𝜃̇ 𝐼 𝜃̇ 𝑟

𝑟 𝑟 𝑟 𝑟 𝑟 𝑟 𝑟
Or 𝑣⃗𝑃𝑅 = ẋ 𝑃𝑅 𝑖⃗ + 𝑦̇ 𝑃𝑅 𝑗⃗ = 𝑅𝜑̇ 𝑅 𝑖⃗𝑟 → 𝑣𝑃𝑅 = ẋ 𝑃𝑅 = 𝑅𝜑̇ 𝑅 (2.9)

L'équation ci-dessus dévient

𝐼 𝑟
ẋ 𝑃𝑅 𝑐𝑜𝑠𝜃 = ẋ 𝑃𝑅 𝑐𝑜𝑠 2 𝜃 (𝑎)
{ 𝐼 𝑟 (2.10)
ẏ 𝑃𝑅 𝑐𝑜𝑠𝜃 = ẋ 𝑃𝑅 𝑠𝑖𝑛2 𝜃 (𝑏)

En sommant (a) et (b), on obtient le système d'équation des deux roues :

𝐼 𝐼
ẋ 𝑃𝑅 𝑐𝑜𝑠𝜃 + ẏ 𝑃𝑅 𝑐𝑜𝑠𝜃 = 𝑅𝜑̇ 𝑅
{ 𝐼 𝐼 (2.11)
ẋ 𝑃𝐿 𝑐𝑜𝑠𝜃 + ẏ 𝑃𝐿 𝑐𝑜𝑠𝜃 = 𝑅𝜑̇ 𝐿

En introduisant les équations (2.5) et (2.6) dans (2.11) on obtient :

(ẋ 𝐴𝐼 + 𝐿𝜃̇𝑐𝑜𝑠𝜃)𝑐𝑜𝑠𝜃 + (𝑦̇𝐴𝐼 + 𝐿𝜃̇𝑠𝑖𝑛𝜃)𝑠𝑖𝑛𝜃 = 𝑅𝜑̇ 𝑅

{ (2.12)
(ẋ 𝐴𝐼 − 𝐿𝜃̇ 𝑐𝑜𝑠𝜃)𝑐𝑜𝑠𝜃 + (𝑦̇𝐴𝐼 − 𝐿𝜃̇𝑠𝑖𝑛𝜃)𝑠𝑖𝑛𝜃 = 𝑅𝜑̇ 𝐿
 25

Les hypothèses 1 et 2 et les équations précédentes produisent les contraintes suivantes :

−ẋ 𝐴𝐼 𝑠𝑖𝑛𝜃 + ẏ 𝐴𝐼 𝑐𝑜𝑠𝜃 = 0

{ ẋ 𝐴𝐼 𝑐𝑜𝑠𝜃 + ẏ 𝐴𝐼 𝑠𝑖𝑛𝜃 + 𝐿𝜃̇ = 𝑅𝜑̇ 𝑅 (2.13)
ẋ 𝐴𝐼 𝑐𝑜𝑠𝜃 + ẏ 𝐴𝐼 𝑠𝑖𝑛𝜃 − 𝐿𝜃̇ = 𝑅𝜑̇ 𝐿

De l'équation (2.13) on peut écrire :

𝐴(𝑞)𝑞̇ = 0 (2.14)

A(q) est la matrice de contraintes non-holonomes donnée par :

−𝑠𝑖𝑛𝜃 𝑐𝑜𝑠𝜃 0 0 0
𝐴(𝑞) = ( 𝑐𝑜𝑠𝜃 𝑠𝑖𝑛𝜃 𝐿 −𝑅 0 ) (2.15)
𝑐𝑜𝑠𝜃 𝑠𝑖𝑛𝜃 −𝐿 0 −𝑅

𝑞̇ représente la dérivé de la coordonnée généralisée q, donnée par :

𝑞̇ = [ẋ 𝐴 , 𝑦̇𝐴 , 𝜃̇, 𝜑̇ 𝑅 , 𝜑̇ 𝐿 ]T (2.16)

L'équation (2.13) nous permet d'obtenir l'expression des vitesses linéaires des roues droite et
gauche au point de contact P.

𝑣𝑃𝑅 = 𝑣𝐴 + 𝐿𝜃̇
{ (2.17)
𝑣𝑃𝐿 = 𝑣𝐴 − 𝐿𝜃̇

avec 𝑣𝐴 la vitesse du point A, 𝑣𝑃𝑅 est la vitesse de la roue droite au point P et 𝑣𝑃𝐿 est la
vitesse de la roue gauche au point P.

En posant :
𝑣 = 𝑣𝐴 𝑣𝑃𝑅 = 𝑣𝑅
{ ̇ 𝑒𝑡 { 𝑣 = 𝑣 (2.18)
𝜃=𝜔 𝑃𝐿 𝐿
 26

on obtient l'expression de la vitesse linéaire v et la vitesse angulaire w du robot mobile en

fonction des vitesses de rotation de la roue gauche 𝜑̇ 𝑙 et de la roue droite 𝜑̇ 𝑅 .

(𝑣𝑅 +𝑣𝐿 ) 𝑅(𝜑̇𝑅 +𝜑̇𝐿 )

𝑣= =
2 2
{ (𝑣𝑅 −𝑣𝐿 ) 𝑅(𝜑̇𝑅 −𝜑̇𝐿 )
(2.19)
𝜔= 2 = 2𝐿

Dans le repère mobile les coordonnées du point A sont :

ẋ 𝐴𝑟 = 𝑣
{ ẏ 𝐴𝑟 = 0 (2.20)
θ̇𝐴𝑟 = 𝜔

En se servant de l'équation (2.1), on peut écrire

ẋ 𝐴𝐼 𝑐𝑜𝑠𝜃 −𝑠𝑖𝑛𝜃 0 ẋ 𝐴
𝑟
𝑟
(𝑦̇𝐴𝐼 ) = ( 𝑠𝑖𝑛𝜃 𝑐𝑜𝑠𝜃 0) (𝑦̇𝐴 ) (2.21a)
𝜃𝐴̇ 𝐼 0 0 1 𝜃𝐴̇ 𝑟

En remplaçant l'équation (2.20) dans (2.21), on obtient :

𝑅(𝜑̇𝑙 +𝜑̇𝑅 )
ẋ 𝐴𝐼 𝑐𝑜𝑠𝜃 −𝑠𝑖𝑛𝜃 0 2
(𝑦̇𝐴𝐼 ) = ( 𝑠𝑖𝑛𝜃 𝑐𝑜𝑠𝜃 0) ( 0 ) (2.21b)
𝑅(𝜑̇𝑙 −𝜑̇𝑅 )
𝜃𝐴̇ 𝐼 0 0 1
2𝐿

𝑅 𝑅
𝑐𝑜𝑠𝜃 𝑐𝑜𝑠𝜃
ẋ 𝐴𝐼 2 2
𝑅 𝑅 𝜑̇
(𝑦̇𝐴𝐼 ) = 𝑠𝑖𝑛𝜃 𝑠𝑖𝑛𝜃 ( 𝑅) (2.22)
2 2 𝜑̇ 𝑙
𝜃𝐴̇ 𝐼 𝑅 𝑅
− 2𝐿
( 2𝐿 )

En combinant les équations (2.19) et (2.22), soit encore à partir de l'équation (2.21b ), on
obtient le modèle cinématique du robot mobile uni cycle :

ẋ 𝐴𝐼 𝑐𝑜𝑠𝜃 0 𝑣
𝐼 𝐼
𝑞̇ 𝐴 = (𝑦̇𝐴 ) = ( 𝑠𝑖𝑛𝜃 0) (𝜔) (2.23)
𝜃𝐴̇ 𝐼 0 1
 27

2.1.4 Modélisation dynamique de la base mobile

Il est important de prendre en compte que nous avons un bras sur la base mobile. Le système
de la base mobile doit prendre en compte les propriétés cinématique et dynamique pour avoir
des résultats adéquate. Le modèle dynamique est nécessaire pour la simulation, l'analyse du
mouvement du robot et la conception des variétés d'algorithmes de commande. Plusieurs
formalismes tels que : le formalisme d'Euler-Lagrange, le formalisme de Newton-Euler et le
principe de D'Alembert permettent de faire la modélisation dynamique du robot. Dans notre
cas, on s'intéressera uniquement au formalisme d'Euler-Lagrange.

Considérons un robot non-holonome avec n coordonnées généralisées (q1, q2, ..., qn) et
soumis à m contraintes. Le formalisme d'Euler-Lagrange est décrit par l'équation
différentielle suivante [27] :

𝑑 𝜕𝐿 𝜕𝐿
( ) + 𝜕𝑞 = 𝐹 + 𝐴𝑇 (𝑞). 𝜆𝑘 (2.24)
𝑑𝑡 𝜕𝑞̇ 𝑖 𝑖

Avec L(q,𝑞̇ ) = T-V

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 ;

𝑞𝑖 : la coordonnée généralisée et 𝑞̇ = [ẋ 𝐴 , 𝑦̇𝐴 , 𝜃̇ , 𝜑̇ 𝑅 , 𝜑̇ 𝐿 ]T de dimension n =5.

L'énergie cinétique T du système est donnée par :

T = Tc + TωR + TωL (2.25)

Où
Tc est 1 'énergie cinétique de la plateforme avec le bras manipulateur :
1 1
𝑇𝑐 = 2 𝑚𝑐 𝑣𝑐2 + 2 𝐼𝑐 𝜃̇ 2 (2.26)

TωR est l'énergie cinétique de la roue droite :

 28

1 1 1
2
𝑇𝜔𝑅 = 2 𝑚𝜔 𝑣𝜔𝑅 + 2 𝐼𝑚 𝜃̇ 2 + 2 𝐼𝜔 𝜑̇ 𝑅2 (2.27)

TωL est 1 'énergie cinétique de la roue gauche :

1 1 1
2
𝑇𝜔𝐿 = 2 𝑚𝜔 𝑣𝜔𝐿 + 2 𝐼𝑚 𝜃̇ 2 + 2 𝐼𝜔 𝜑̇ 𝐿2 (2.28)

Avec
𝑚𝑐 : masse de la plate-forme + bras manipulateur
𝑚𝜔 : masse de chaque roue plus la masse du moteur.

𝑣𝜔𝑅 : vitesse linéaire de la roue droite.

𝑣𝜔𝐿 : vitesse linéaire de la roue gauche.

𝐼𝑚 : Moment d'inertie de chaque roue avec le moteur par rapport au diamètre de la roue.
𝐼𝜔 : Moment d'inertie de chaque roue avec le moteur par rapport à 1' axe de la roue.
𝐼𝑐 : Moment d'inertie de la plate-forme du robot sans les roues, les moteurs, autour de 1 'axe
vertical qui passe par le point C.

Le point C dans le repère fixe a pour coordonnées :

x𝑐 = x𝐴 + 𝑑. 𝑐𝑜𝑠𝜃
{ (2.29)
𝑦𝑐 = 𝑦𝐴 + 𝑑. 𝑠𝑖𝑛𝜃

L'énergie cinétique totale est donnée par :

1 1 1
𝑇 = 2 𝑚(x𝐴2 + 𝑦𝐴2 ) − 𝑚𝑐 . 𝑑. 𝜃̇ (𝑦̇𝐴 𝑐𝑜𝑠𝜃 − ẋ 𝐴 𝑠𝑖𝑛𝜃) + 2 𝐼𝜔 (𝜑̇ 𝑅2 + 𝜑̇ 𝐿2 ) + 2 𝐼𝜃̇ 2 (2.30)

𝑚 = 𝑚𝑐 + 2𝑚𝜔
Avec { (2.31)
𝐼 = 𝐼𝑐 + 𝑚𝑐 . 𝑑 2 + 2𝑚𝜔 𝐿2 + 2𝐼𝑚

L'énergie potentielle étant nulle car le robot se déplace sur un plan horizontal.
Alors on a donc le Lagrangien :
L=T
En se servant de l'équation (2.30), l'équation (2.24) devient :
 29

𝑚ẍ − 𝑚𝑑𝜃̈𝑠𝑖𝑛𝜃 − 𝑚𝑑𝜃̇ 2 𝑐𝑜𝑠𝜃 = 𝐶1

𝑚𝑦̈𝐴 − 𝑚𝑑𝜃̈𝑠𝑖𝑛𝜃 − 𝑚𝑑𝜃̇ 2 𝑐𝑜𝑠𝜃 = 𝐶2
−𝑚𝑑ẍ 𝐴 𝑠𝑖𝑛𝜃 + 𝑚𝑑𝑦̈𝐴 𝑐𝑜𝑠𝜃 + 𝐼𝜃̈ = 𝐶3 (2.32)
𝐼𝜔 𝜑̈ 𝑅 = 𝜏𝑅 + 𝐶4
{ 𝐼𝜔 𝜑̈ 𝐿 = 𝜏𝐿 + 𝐶5

avec C1, C2, C3, C4 et C5 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 où 𝐴𝑇 (𝑞) = [𝐶1 𝐶2 𝐶3 𝐶4 𝐶5 ]T

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

𝑀(𝑞)𝑞̈ + 𝑉(𝑞, 𝑞̇ )𝑞̇ = 𝐵(𝑞)𝑢 − 𝐴𝑇 (𝑞). 𝜆 (2.33)

Avec
𝑚 0 −𝑚𝑑𝑠𝑖𝑛𝜃 0 0
0 𝑚 𝑚𝑑𝑐𝑜𝑠𝜃 0 0
𝑀(𝑞) = −𝑚𝑑𝑠𝑖𝑛𝜃 𝑚𝑑𝑐𝑜𝑠𝜃 𝐼 0 0 (2.34)
0 0 0 𝐼𝜔 0
( 0 0 0 0 𝐼𝜔 )

0 −𝑚𝑑𝜃̇𝑐𝑜𝑠𝜃 0 0 0
0 −𝑚𝑑𝜃̇𝑠𝑖𝑛𝜃 0 0 0
)
𝑉(𝑞, 𝑞̇ = 0 0 0 0 0 (2.35)
0 0 0 0 0
(0 0 0 0 0)

0 0
0 0
𝐵(𝑞) = 0 0 (2.36)
1 0
(0 1)
 30

−𝑠𝑖𝑛𝜃 𝑐𝑜𝑠𝜃 𝑐𝑜𝑠𝜃 𝜆1

𝑐𝑜𝑠𝜃 𝑠𝑖𝑛𝜃 𝑠𝑖𝑛𝜃 𝜆2
𝐴𝑇 (𝑞). 𝜆 = 0 𝐿 −𝐿 𝜆3 (2.37)
0 −𝑅 0 𝜆4
[ 0 0 −𝑅 ] [𝜆5 ]

𝑀(𝑞): est la matrice d'inertie symétrique définie positive de taille n x 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 ;

𝜏𝑅
u : est le vecteur d'entrée, u =[ 𝜏 ]
𝐿

Il est possible d'obtenir l'expression du modèle dynamique du robot en éliminant le terme

𝐴𝑇 (𝑞). 𝜆 qui correspond aux forces de contraintes liées aux contraintes cinématiques.

𝜑̇
En définissant ŋ = ( 𝑅 ) comme étant le vecteur de vitesses auxiliaires, on peut écrire que
𝜑̇ 𝐿
(en utilisant 2.15) :
𝑅 𝑅
𝑥̇𝐴 ( 2 ) 𝑐𝑜𝑠𝜃 ( 2 ) 𝑐𝑜𝑠𝜃
𝑦̇𝐴 𝑅 𝑅
( 2 ) 𝑠𝑖𝑛𝜃 ( 2 ) 𝑠𝑖𝑛𝜃 𝜑̇
𝜃̇ = ( 𝑅 ) → 𝑞̇ = 𝑆(𝑞)ŋ (2.38a)
𝑅/2𝐿 −𝑅/2𝐿 𝜑̇ 𝐿
𝜑̇ 𝑅
( 𝜑̇ 𝐿 ) 1 0
( 0 1 )
et

𝑞̈ = 𝑆̇(𝑞)ŋ + 𝑆(𝑞)ŋ̇ (2.38b)

S(q) est une matrice de rang complet qui satisfait à la condition suivante :

𝑆 𝑇 (𝑞)𝐴𝑇 (𝑞) = 0 (2.39)

 31

En remplaçant (2.38) dans (2.33), on obtient :

𝑀(𝑞)[𝑆̇(𝑞)ŋ + 𝑆(𝑞)ŋ̇ ] + 𝑉(𝑞, 𝑞̇ )𝑆(𝑞)ŋ = 𝐵(𝑞)𝑢 − 𝐴𝑇 (𝑞). 𝜆 (2.40)

En multipliant l'équation (2.40) par ST(q), on a :

𝑆 𝑇 (𝑞)𝑀(𝑞)𝑆̇(𝑞)ŋ + 𝑆 𝑇 (𝑞)𝑀(𝑞)𝑆(𝑞)ŋ̇ + 𝑆 𝑇 (𝑞)𝑉(𝑞, 𝑞̇ )𝑆(𝑞)ŋ = 𝑆 𝑇 (𝑞)𝐵(𝑞)𝑢 −

𝑆 𝑇 (𝑞)𝐴𝑇 (𝑞). 𝜆 (2.41)

En posant :

𝑀̅ (𝑞) = 𝑆 𝑇 (𝑞)𝑀(𝑞)𝑆(𝑞)
{𝑉̅ (𝑞, 𝑞̇ ) = 𝑆 𝑇 (𝑞)𝑀(𝑞)𝑆̇(𝑞) + 𝑆 𝑇 (𝑞)𝑉(𝑞, 𝑞̇ )𝑆(𝑞) (2.42)
𝐵̅ (𝑞) = 𝑆 𝑇 (𝑞)𝐵(𝑞)

L'équation (2.40) sous la forme réduite est :

̅ (𝑞)ŋ̇ + 𝑉̅ (𝑞, 𝑞̇ )ŋ = 𝐵̅ (𝑞)𝑢
𝑀 (2.43)

𝑅2 𝑅2
𝐼𝜔 + 4𝐿2 (𝑚𝐿2 + 𝐼) (𝑚𝐿2 − 𝐼)
̅ (𝑞) = [ 4𝐿2
𝑀 𝑅2 𝑅2
] (2.44)
2 2
(𝑚𝐿 − 𝐼) 𝐼𝜔 + 4𝐿2 (𝑚𝐿 + 𝐼)
4𝐿2

𝑅2
0 (𝑚𝑐 𝑑𝜃̇)
2𝐿2
𝑉̅ (𝑞, 𝑞̇ ) = [ 𝑅 2 ] (2.45)
− 2𝐿2 (𝑚𝑐 𝑑𝜃̇) 0

1 0
𝐵̅ (𝑞) = [ ] (2.46)
0 1

En insérant (2.20) dans (2.43) on obtient :

2𝐼𝜔
(𝑚 + ) 0 𝑣̇ 0 −𝑚𝑐 𝑑𝜔 𝑣 1/𝑅 0 𝑢1
𝑅2
[ 2𝐿2
]( ) + [ ]( ) = [ ] (𝑢 ) (2.47)
0 (𝐼 + 𝐼𝜔 ) 𝜔̇ 𝑚𝑐 𝑑𝜔 0 𝜔 0 1/𝑅 2
𝑅2
 32

Avec
𝑢 =𝜏 +𝜏
𝑢 = {𝑢1 = 𝜏𝑅 − 𝜏𝐿 (2.48)
2 𝑅 𝐿

(𝜏𝑅 , 𝜏𝐿 ) : est le couple d'entrée exprimé en Newton mètres (N.m).

L'équation (2.47) est la forme non linéaire du modèle dynamique du robot mobile soumis à
notre étude.

L'expression linéarisée de l'équation (2.47) est :

2𝐼𝜔
(𝑚 + ) 0 𝑣̇ 1/𝑅 0 𝑢1
𝑅2
[ ]( ) = [ ]( ) (2.49)
0 (𝐼 +
2𝐿2
𝐼𝜔 ) 𝜔̇ 0 1/𝑅 𝑢2
𝑅2

où
m : est la masse totale du robot ;
I: est l'inertie totale équivalente du système;
R : est le rayon de la roue ;
2L : est la largeur du robot.
2𝐼𝜔 2𝐿2
En remplaçant (𝑚 + ) par m0 et (𝐼 + 𝐼 ) par I0, on obtient une expression simplifiée
𝑅2 𝑅2 𝜔

de l'équation (2.49) donnée par :

𝑚0 0 𝑣̇ 1/𝑅 0 𝑢1
[ ]( ) = [ ] (𝑢 ) (2.50)
0 𝐼0 𝜔̇ 0 1/𝑅 2

2.1.5 Paramètre lié au bras manipulateur

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. En effet, il est impossible de le déplacer dans une direction
perpendiculaire aux roues de locomotion. Sa commande est simple, il est facile de le déplacer
d'un point à un autre par une suite de rotations simples et de lignes droites.
 33

Les différents paramètres du robot utilisé dans la simulation sont les suivants [28] :

Tableau 2.1 : Paramètre base mobile

Base mobile
Masse de la plate-forme :mc = 17 + 2.956 = 19.956 kg
Masse de la roue : mw = 0.5 kg
Rayon de la roue : r = 0.095m
Mi-distance entre les deux roues : L= 0.24 rn
Distance entre le point milieu des deux roues et le centre de gravité du robot : d= 0.05 rn
Inertie par rapport au centre de gravité : lc= 0.537 kg.m2
Inertie par rapport au diamètre de la roue : lm = 0.0011 kg.m2
Inertie par rapport à l'axe de la roue : lw = 0.0023 kg.m2
Masse totale du robot: m = mc+2*mw= 20.956 kg
Inertie du robot: 1= lc+ mc*d2+2* mw*L2+2* lm= 0.6393 kg.m2

2.1.6 Modélisation des robots manipulateurs

Pour commander un robot où pour simuler son comportement on doit disposer de modèles.
Plusieurs niveaux de modélisation sont possibles selon les objectifs, les contraintes de la
tâche et les performances recherchées : modèles géométriques, cinématiques et dynamiques.
L'obtention de ses différents modèles n'est pas aisée, la difficulté variant selon la complexité
de la cinématique de la chaine articulée. Entrent en ligne de compte le nombre de degrés de
liberté, le type des articulations mais aussi le fait que la chaine peut être ouverte simple,
arborescente ou fermée. Les outils mathématiques que nous présentons dans ce travail
utilisent une description des mécanismes fondée sur des notations originales qui permettent
d'avoir la même approche quelle que soit la structure. Ces modèles, qu'ils soient utilisés en
simulation ou en commande, doivent représenter le comportement géométrique, cinématique
ou dynamique du robot de façon réaliste. II est donc nécessaire de mettre en œuvre des
procédures efficaces d'identification de leurs paramètres constitutifs. Pour qu'une commande
puisse effectivement être implantée sur un contrôleur de robot, les modèles doivent être
calculés en ligne et donc, le nombre d’opérations à effectuer doit être minimum. Les
techniques proposées ont été développées dans ce souci et conduisent aux modèles les plus
performants.

La conception et la commande des robots nécessitent le calcul de certains modèles

mathématiques, tels que : les modèles de transformation entre l'espace opérationnel (dans
 34

lequel est définie la situation de l'organe terminal) et l'espace articulaire (dans lequel est
définie la configuration du robot). On distingue :

• les modèles géométriques direct et inverse qui expriment la situation de l'organe

terminal en fonction des variables articulaires du mécanisme et inversement.
• les modèles cinématiques direct et inverse qui expriment la vitesse de l'organe
terminal en fonction des vitesses articulaires et inversement.
• les modèles dynamiques définissant les équations du mouvement du robot, qui
permettent d'établir les relations entre les couples ou forces exercées par les
actionneurs et les positions, vitesses et accélérations des articulations.

2.1.7 Modèle cinématique

a) Modèle cinématique direct

Le modèle cinématique directe permet de déterminer la vitesse de l’organe terminal dans

l’espace opérationnel en fonction de la vitesse des variables articulaires [29].

Le modèle est décrit par l’équation :

Ẋ = 𝐽(𝑞)𝑞̇ (2.51)

où :

𝐽(𝑞) ∈ 𝑅 𝑚×𝑛 𝑒𝑠𝑡 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑐𝑒 𝑗𝑎𝑐𝑜𝑏𝑖𝑒𝑛𝑛𝑒

L’une des méthodes utilisées pour le calcul de la matrice jacobienne est la dérivation du
modèle géométrique direct :

𝜕𝑓1 𝜕𝑓1
⋯
𝜕𝑞1 𝜕𝑞𝑛
𝐽(𝑞) = ⋮ ⋱ ⋮ (2.52)
𝜕𝑓𝑚 𝜕𝑓𝑚
[ 𝜕𝑞1 ⋯ 𝜕𝑞𝑛 ]

b) Modèle cinématique inverse

 35

Le modèle cinématique inverse permet de déterminer la vitesse des variables articulaires en

fonction de la vitesse des variables opérationnelles. Pour les manipulateurs non redondants
(n=m), le modèle s’écrit :

𝑞̇ = 𝐽−1 (𝑞)Ẋ (2.53)

La solution de l’équation (1.7) existe si J est de rang plein, cela est valable tant que le
manipulateur ne passe pas par une configuration singulière. Pour les manipulateurs
redondants, le modèle cinématique inverse admet plusieurs solutions possibles.

2.1.8 Modèle dynamique

a) Modèle dynamique inverse

Le modèle dynamique inverse exprime les couples exercés par les actionneurs en fonction
des positions, vitesses et accélérations des articulations.

Les formalismes les plus utilisés pour le calcul du modèle dynamique inverse sont [27] :

• Formalisme de Lagrange.
• Formalisme de Newton-Euler.

Dans le cadre du bras manipulateur nous allons utiliser le formalisme Lagrange identique
avec le système base mobile.

Formalisme de Lagrange

Les équations de Lagrange opèrent à partir de l’énergie cinétique et de l’énergie potentielle

d’un système. Le Lagrangien L s’écrit :

L(q,𝑞̇ ) = T-V

Avec

T : L'énergie cinétique du système ;

V : L'énergie potentielle du système ;

 36

Dans notre travail, nous avons considéré d’abord un robot manipulateur à 2ddl, donné par la
figure 2.3, dont le mouvement des articulations est rotoïde, nous avons donc 𝑞𝑖 ≡ 𝜃𝑖 ,

Figure 2.4 : Articulation d'un bras 2DOF[30]

Tel que :
𝑞 = [𝜃1 𝜃2 ]𝑇 𝑒𝑡 𝑞 = [𝜏1 𝜏2 ]𝑇

A partir de la littérature observée chez Khalil [30], nous avons :

𝑑 𝜕𝐿 𝜕𝐿
𝜏1 = 𝑑𝑡 (𝜕𝜃̇ ) − 𝜕𝜃
1 1
{ 𝑑 𝜕𝐿 𝜕𝐿
(2.54)
𝜏2 = 𝑑𝑡 (𝜕𝜃̇ ) − 𝜕𝜃
2 2

En robotique, si le mouvement des articulations constituants le robot manipulateur est

rotoïde, l’expression du couple peut être s’exprimer sous la forme matricielle suivante, ce
qui correspondant au modèle dynamique du robot :

𝛤𝑖 = 𝑀(𝜃)𝜃̈ + 𝐶(𝜃, 𝜃̇)𝜃̇ + 𝐺(𝜃), (𝑖 = 1.2) (2.55)

Avec :

𝛤: 𝑉𝑒𝑐𝑡𝑒𝑢𝑟 𝑑𝑒𝑠 𝑐𝑜𝑢𝑝𝑙𝑒𝑠 𝑜𝑢 𝑓𝑜𝑟𝑐𝑒𝑠 𝑔𝑒𝑛𝑒𝑟𝑎𝑙𝑖𝑠𝑒𝑠

𝜃: 𝑉𝑒𝑐𝑡𝑒𝑢𝑟 𝑑𝑒𝑠 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑎𝑟𝑡𝑖𝑐𝑢𝑙𝑎𝑖𝑟𝑒𝑠 𝑑𝑢 𝑏𝑟𝑎𝑠 𝑚𝑎𝑛𝑖𝑝𝑢𝑙𝑎𝑡𝑒𝑢𝑟
 37

𝜃̇: 𝑉𝑒𝑐𝑡𝑒𝑢𝑟 𝑑𝑒𝑠 𝑣𝑖𝑡𝑒𝑠𝑠𝑒𝑠 𝑎𝑟𝑡𝑖𝑐𝑢𝑙𝑎𝑖𝑟𝑒𝑠

𝜃̈: 𝑉𝑒𝑐𝑡𝑒𝑢𝑟 𝑑𝑒𝑠 𝑎𝑐𝑐𝑒𝑙𝑒𝑟𝑎𝑡𝑖𝑜𝑛𝑠 𝑎𝑟𝑡𝑖𝑐𝑢𝑙𝑎𝑖𝑟𝑒𝑠

𝑀(𝜃): 𝑀𝑎𝑡𝑟𝑖𝑐𝑒 𝑑′ 𝑖𝑛𝑒𝑟𝑡𝑖𝑒 𝑑𝑒 𝑑𝑖𝑚𝑒𝑛𝑠𝑖𝑜𝑛 (𝑛 ∗ 𝑛)

𝐶(𝜃, 𝜃̇ )𝜃̇: 𝑉𝑒𝑐𝑡𝑒𝑢𝑟 𝑑𝑒𝑠 𝑓𝑜𝑟𝑐𝑒𝑠 𝑐𝑒𝑛𝑡𝑟𝑖𝑓𝑢𝑔𝑒𝑠 𝑒𝑡 𝑑𝑒 𝐶𝑜𝑟𝑖𝑜𝑙𝑖𝑠

𝐺(𝜃): 𝑉𝑒𝑐𝑡𝑒𝑢𝑟 𝑑𝑒 𝑓𝑜𝑟𝑐𝑒 𝑑𝑒 𝑔𝑟𝑎𝑣𝑖𝑡𝑒 𝑑𝑒 𝑙𝑎 𝑐ℎ𝑎𝑟𝑔𝑒

Soit 𝛤𝑖 = [𝜏1 𝜏2 ]T On a :
𝜏1 𝑀 𝑀12 𝜃̈1 2ℎ 𝜃̇ ℎ211 𝜃̇2 𝜃̇1 𝑔1
[𝜏 ] = [ 11 ] [ ] + [ 122 2 ] [ ] + [𝑔 ] (2.56)
2 𝑀21 𝑀22 𝜃̈2 ℎ211 𝜃̇1 0 𝜃̇2 2

Ce qui donne :

𝜏1 = 𝑀11 𝜃̈1 + 𝑀12 𝜃̈2 + 2ℎ122 𝜃̇1 𝜃̇2 + ℎ211 𝜃̇22 + 𝑔1

{ (2.57)
𝜏2 = 𝑀21 𝜃̈1 + 𝑀22 𝜃̈2 + ℎ211 𝜃̇12 + 𝑔2

La matrice d'inertie M est égale à :

2
𝐼 + 𝐼2 + 𝑚1 𝑙𝑐1 + 𝑚2 (𝑙12 + 𝑙𝑐2
2 2
+ 2𝑙1 𝑙𝑐2 𝑐𝑜𝑠𝜃2 ) 𝐼2 + 𝑚2 (𝑙𝑐2 + 𝑙1 𝑙𝑐2 𝑐𝑜𝑠𝜃2 )
𝑀(𝜃) = [ 1 2 2 ] (2.58)
𝐼2 + 𝑚2 (𝑙𝑐2 + 𝑙1 𝑙𝑐2 𝑐𝑜𝑠𝜃2 ) 𝐼2 + 𝑚2 𝑙𝑐2

Le vecteur de termes Coriolis et centrifuge est donnée par :

−2𝑚2 𝑙1 𝑙𝑐2𝑠𝑖𝑛𝜃2 𝜃̇1 𝜃̇2 − 𝑚2 𝑙1 𝑙𝑐2 𝑠𝑖𝑛𝜃2 𝜃̇22

𝑐(𝜃, 𝜃̇)𝜃̇ = [ ] (2.59)
𝑚2 𝑙1 𝑙𝑐2 𝑠𝑖𝑛𝜃2 𝜃̇12

Le vecteur des termes de forces de gravité G est donné par l'équation suivante :

𝑚1 𝑔𝑙𝑐1 𝑐𝑜𝑠𝜃1 + 𝑚2 𝑔𝑙1 𝑐𝑜𝑠𝜃1 + 𝑚2 𝑔𝑙𝑐2 𝑐𝑜𝑠(𝜃1 + 𝜃2 )

𝐺(𝜃) = [ ] (2.60)
𝑚2 𝑔𝑙𝑐2 𝑐𝑜𝑠(𝜃1 + 𝜃2 )
 38

Tableau 2.2 : Paramètre lie au bras manipulateur

Corps 1 Corps 2
m1 = 2.53 kg m2 = 0.426 kg
L1 = 1.0 m L2= 1.0 m
l1 = 0.201 m l2 = 0.092 m
J1= 0.606 kg m2 J2 = 0.268 kg m2
J1*=0.746 kg m2 Jx2 = 0.272 kg m2
C1 = 9.33 Nm s/rad C2 = 1.81 Nm s/rad
K1= 2.79 Nm/V K2 = 1.74 Nm/V

La commande par Backstepping

L’idée de base de la commande par le Backstepping est de rendre les systèmes bouclés
équivalents à des sous-systèmes d’ordre un en cascade stable au sens de Lyapunov, ce qui
leur confère des qualités de robustesse et une stabilité globale asymptotique. En d’autres
termes, c’est une méthode multi-étape. A chaque étape du processus, une commande
virtuelle est ainsi générée pour assurer la convergence du système vers son état d’équilibre.
Cela peut être atteint à partir des fonctions de Lyapunov qui assurent pas à pas la stabilisation
de chaque étape de synthèse. [31]

Dans le cas de commande dynamique des robots mobiles à roues en présence de glissements,
la procédure de contrôle « Backstepping » se déroulera en deux étapes comme représenté
sur la figure ci-dessous :

Figure 2.5 : Commande par Backstepping[31]

1. le contrôle par stabilisation cinématique
2. le contrôle par stabilisation dynamique
 39

Le contrôleur cinématique utilise la position souhaitée du robot et de la position réelle pour

calculer les corrections de vitesse nécessaires. Ces corrections de vitesse sont utilisées dans
le contrôleur dynamique pour calculer les couples des roues requises pour la commande
différentielle.

2.2.1 Le contrôleur cinématique

Pour aborder le problème cinématique il est fréquent dans la littérature d’utiliser le terme
''perfect velocity tracking '‘, qui est indiqué dans [32] et [33]. Considérons un robot qui se
déplace sur une trajectoire de référence comme indiqué sur la Figure 15. Soit 𝑞𝑑 être la
position de référence du robot et 𝑞 la position réelle où

𝑥𝑑 (𝑡) 𝑥(𝑡)
𝑞𝑑 = ( 𝑦𝑑 (𝑡) ) et 𝑞 = ( 𝑦(𝑡) ) (2.61)
𝜑𝑑 (𝑡) 𝜑(𝑡)

𝑥̇ (𝑡) 𝑣𝑑 𝑐𝑜𝑠𝜑𝑑
𝑞̇ 𝑑 = ( 𝑦̇ (𝑡) ) = ( 𝑣𝑑 𝑠𝑖𝑛𝜑𝑑 ) (2.62)
𝜑̇ (𝑡) 𝜔𝑑

Les erreurs 𝑥̃ = 𝑥𝑑 − 𝑥 , 𝑦̃ = 𝑦𝑑 − 𝑦 𝑒𝑡 𝜑̃ = 𝜑𝑑 − 𝜑 sont exprimé dans le repère locale du

robot mobile. 𝑞𝑅 = {𝑋𝑅 , 𝑌𝑅 }

𝑒𝑥 (𝑡) 𝑐𝑜𝑠𝜑 𝑠𝑖𝑛𝜑 0 𝑥𝑑 − 𝑥

𝑒𝑝 = ( 𝑒𝑦 (𝑡) ) = (−𝑠𝑖𝑛𝜑 𝑐𝑜𝑠𝜑 0) ( 𝑦𝑑 − 𝑦 ) (2.63)
𝑒𝜑 (𝑡) 0 0 1 𝜑𝑑 − 𝜑

La dérivée des erreurs de position, nous permet d’obtenir la dynamique d'erreur suivante :

𝑒̇𝑥 (𝑡) 𝑣𝑑 𝑐𝑜𝑠𝑒𝜑 − 𝑣 + 𝑒𝑦 𝜔

𝑒̇ (𝑡)
( 𝑦 ) = ( 𝑣𝑑 𝑠𝑖𝑛𝑒𝜑 − 𝑒𝑥 𝜔 ) (2.64)
𝑒̇𝜑 (𝑡) 𝜔𝑑 − 𝜔
 40

Où les vitesses linéaire et angulaire v et ω sont les variables du contrôleur cinématique.

L'objectif de la commande consiste à choisir 𝑣 et 𝜔 de telle sorte que les relations d'équilibre
de l'erreur 𝑒𝑥 = 0 ,𝑒𝑦 = 0,𝑒𝜑 = 0 sont stables. Par conséquent, le contrôleur de la stabilisation
cinématique sera basé sur la dynamique d’erreur. La méthode de Lyapunov pour choisir 𝑣𝑑
et 𝜔𝑑 sera appliqué. Considérons la fonction de Lyapunov candidat suivante :

1 1
𝑉 = 2 (𝑒𝑥2 + 𝑒𝑦2 ) + 𝑘 (1 − 𝑐𝑜𝑠𝑒𝑦 ) , 𝑘𝑦 > 0 (2.65)
𝑦

Cette fonction vérifie les trois propriétés des fonctions de Lyapunov :

i. V(𝑒𝑝) est continue et a des dérivées continues.

ii. V (0) = 0.
iii. V(𝑒𝑝) > 0 pour tous 𝑒𝑝 ≠ 0.

En prenant la dérivée temporelle de V le long des trajectoires de solutions de l'équation ci-

dessus on obtient :

1
𝑉̇ = (𝑣𝑑 𝑐𝑜𝑠𝑒𝜑 − 𝑣)𝑒𝑥 + 𝑘 (𝑠𝑖𝑛𝑒𝜑 )(𝑘𝑦 𝑣𝑑 𝑒𝑦 + 𝜔𝑑 − 𝜔) (2.66)
𝑦

Pour rendre 𝑉̇ (𝑒𝑝) ≤ 0 les entrées de commande v et ω sont choisies de telle sorte que :

𝑘𝜑
𝑉̇ = −𝑘𝑥 𝑒𝑥2 − 𝑘 𝑠𝑖𝑛2 𝑒𝜑 (2.67)
𝑦

Ce qui mène à :
𝑣 = 𝑣𝑐 = 𝑣𝑑 𝑐𝑜𝑠𝑒𝜑 + 𝑘𝑥 𝑒𝑥 (2.68)

𝜔 = 𝜔𝑐 = 𝑘𝜑 𝑠𝑖𝑛𝑒𝜑 + 𝑘𝑦 𝑣𝑑 𝑒𝑦 + 𝜔𝑑 (2.69)

Telle que 𝑘𝑥 , 𝑘𝑦 ,𝑘𝜑 sont des gains positifs, on a 𝑉̇ (𝑒𝑝) ≤ 0. Cela implique la convergence
asymptotique à la trajectoire souhaitée ; pour plus de détail voir [33]

2.2.2 Le contrôleur dynamique

Les sorties du contrôleur non-linéaire de la dernière section (les vitesses linéaire et angulaires
désires (𝑣c et ωc )) de l'équation (68) sont l'entrée de la commande de vitesse qui va générer
 41

les couples de roues nécessaires. On définit les erreurs de vitesse comme suit 𝑒𝑣 = 𝑣c − 𝑣,
𝑒𝜔 = ωc − ω .

Si 𝑣 et ω sont les vitesses linéaires et angulaires effectives du robot, la dynamique d'erreur

de vitesse est donnée à partir de :

1 1 (𝜏𝑟 +𝜏𝑙 )
𝑣̇ = 𝑚 𝑟 (𝜏𝑟 + 𝜏𝑙 ) = 𝑚 𝜏𝐿 𝑎𝑣𝑒𝑐 𝜏𝐿 = (2.70)
𝑡 𝑡 𝑟

2𝑎 1 2𝑎(𝜏𝑟 −𝜏𝑙 )
𝜔̇ = 𝑙 𝑟 (𝜏𝑟 − 𝜏𝑙 ) = 𝑙 𝜏𝐴 𝑎𝑣𝑒𝑐 𝜏𝐴 = (2.71)
𝑡 𝑡 𝑟

Par :
𝜏
𝑒̇𝑣 = 𝑣̇𝑐 − 𝑣̇ → 𝑒̇𝑣 = 𝑣̇𝑐 − 𝑚𝐿 (2.72)
𝑡

𝜏𝐴
𝑒̇𝜔 = 𝜔̇ 𝑐 − 𝜔̇ → 𝑒̇𝜔 = 𝜔̇ 𝑐 − (2.73)
𝐼𝑡

Avec :
𝜏𝑟,𝑙 : Le couple moteur agissant sur chaque axe de roue générée par son moteur à cc.
𝜏𝐿 𝑒𝑡 𝜏𝐴 : Le couple moteur linéaire et angulaire agissant sur le robot respectivement.
Si nous choisissons les couples 𝜏𝐴 , 𝜏𝐿 comme :
𝜏𝐿 = 𝑚𝑡 𝑣̇𝑐 + 𝐾𝑣 (𝑣𝑐 − 𝑣) (2.74)
𝜏𝐴 = 𝐼𝑡 𝜔̇ 𝑐 + 𝐾𝜔 (𝜔𝑐 − 𝜔) (2.75)

Alors les équations d'erreur de vitesse sont données par :

𝑚𝑡 𝑒̇𝑣 + 𝐾𝑣 𝑒𝑣 = 0 (2.76)
𝐼𝑡 𝑒̇𝜔 + 𝐾𝜔 𝑒𝜔 = 0 (2.77)

Pour des gains Kv et Kω positifs impliquera que les erreurs ev → 0 et eω → 0 sont

exponentiellement stables. Pour plus de détail voir [50]. Le passage des couples angulaire et
linéaire vers les couples agissant sur les roues motrices ce fait par cette transformation :

1
𝜏𝑙 = (𝜏𝐿 + 2𝑎 𝜏𝐴 ) 𝑟⁄2 (2.78)
 42

1
𝜏𝑟 = (𝜏𝐿 − 2𝑎 𝜏𝐴 ) 𝑟⁄2 (2.79)

ainsi ces couples sont calculés compte tenu des conditions de roulement pur (sans
glissement) comme il est illustré dans [32] .

La commande linéaire quadratique (LQR)

On parle de commande linéaire quadratique : LQ ou LQR pour linear quadratic regulator.

Le système est linéaire et la commande est quadratique. La commande optimale est un retour
d'état. Ce régulateur est encore connu sous le nom de "Gain de Kalman". Il consiste à trouver
une loi de commande optimale en boucle fermée qui permet d'assurer les performances
désirées. Le principe de la commande LQR est présenté dans la figure ci-dessus.

Figure 2.6 : LQR [25]

2.3.1 Application à la stabilisation du suivie de trajectoire cas du robot 2DOF plan

Dans cette section, le développement d'un contrôle prédictif d'un bras robotique à deux DOF
est présenté. A cet égard, nous considérons le modèle dynamique non linéaire donné par
l'équation (2.55) qui est également multivariable (avec deux entrées de contrôle et deux
sorties contrôlées). Nous proposons ici une conception en deux étapes où une linéarisation
par rétroaction le contrôle est d'abord développé pour rendre le système linéaire [34]. Une
fois le modèle linéaire obtenu, un modèle le contrôle LQR est conçu à l'étape suivante. La
mise en œuvre finale du contrôleur peut être vue comme contrôleur de cascade multivariable
non linéaire.
 43

2.3.1.1 Contrôle de linéarisation de rétroaction

L'idée principale de cette technique est de transformer la dynamique non linéaire du système
en un complètement ou partiellement linéaire, de sorte que des approches de contrôle linéaire
peuvent être appliquées pour le stabiliser [35, 36]. Dans cette étude, l'approche de contrôle
avec linéarisation par rétroaction a été développée pour un modèle dynamique du bras donné
par l'équation (2.76).

𝑌̈ = 𝜃̈ = 𝑀(𝜃)−1 (−𝐶(𝜃, 𝜃̇) − 𝐺(𝜃) + 𝜏) = 𝑣 (2.85)

où 𝑣 = [𝑣1 𝑣2 ] est un vecteur de contrôle synthétique de ce système à double intégrateur

linéaire. Ensuite, nous devons trouver la relation entre la commande synthétique et le couple

de commande réel. La loi de contrôle de linéarisation est obtenue à partir de l'équation (2.85)

et est donnée par :

𝜏 = 𝑀(𝜃)𝑣 + 𝐶(𝜃, 𝜃̇) + 𝐺(𝜃) (2.86)

Sur la base de la linéarisation par rétroaction donnée dans cette partie, un modèle de contrôle
LQR pour le un bras de robot à deux degrés a été développé, ce qui est l'objectif de la partie
suivante.

2.3.1.2 Contrôle LQR

Le système linéaire donné par l'équation ci-dessus a été considéré pour déterminer une

commande optimale quadratique (LQ) pour le bras du robot à deux bras. L'erreur ei entre

l'angle réel θi et l'angle souhaité θid est définie comme :

𝑒𝑖 = 𝜃𝑖𝑑 − 𝜃𝑖 𝑖 = 1,2 (2.87)

L'angle souhaité θid {i = 1, 2} est constant. Dérivée l'équation deux fois l’angle souhaitée
nous donne :

𝑒̈𝑖 = 𝜃̈𝑖 = −𝑣𝑖 𝑖 = 1,2 (2.88)

 44

Pour l’articulation 1, on aura :

𝑒̈1 = −𝑣1 = 𝑣1∗ (2.89)

La représentation de l'espace d'états du système est donnée par :

𝑧̇ = 𝐴𝑧 + 𝐵𝑣1∗
{ (2.90)
𝜃 = 𝐶𝑧
Où :
• 𝑧 = [𝑧1 𝑧2 ]𝑇 = [𝑒1 𝑒̇1 ]𝑇
0 1 0
• 𝐴=[ ] , 𝐵 = [ ] , 𝑒𝑡 𝐶 = [0 1]
0 0 1

La fonction objective :
+∞
𝐽 = ∫0 (𝑧 𝑇 𝑄𝑧 + 𝑣1∗𝑇 𝑅𝑣1∗ )𝑑𝑡, (2.91)

Où :
1 0
• 𝑄=[ ]
0 0
• R est constant positive

La fonction de coût objectif est minimisée à l'aide du contrôle optimal quadratique linéaire

suivant :

𝑣1∗ = −𝑅 −1 𝐵𝑇 𝑃𝑧(𝑡) (2.92)

Par conséquent, le contrôle optimal quadratique linéaire est donnée par la loi de commande

suivante :
𝑣1 = 𝑘1 𝑒1 (𝑡) + 𝑘2 𝑒̇1 (𝑡) (2.93)
Dans ce chapitre, les modèles cinématique et dynamique du bras et de la base mobile ont
été présentée. De plus la synthèse des deux lois de commandes pour la poursuite de
trajectoire ont aussi été présentée. Le modèle de référence génère la trajectoire de référence.
Ces deux lois de commandes ont défini directement par l’obtention des erreurs de position
et de vitesse.
 45

CHAPITRE 3 : RÉSULTATS ET DISCUSSIONS

Nos résultats porteront entièrement sur la capacite du robot à suivre une trajectoire
prédéfinie. Dans ce type de problème, la trajectoire souhaitée est prédéfinie et le robot est
commandé de manière à ce qu'il converge asymptotiquement à la trajectoire souhaitée.
Différentes trajectoires seront simulées afin de mettre en évidence l'efficacité des lois de
commande élaborées.

Schéma de commande et modélisation sous Simulink

Les simulations ont été réalisées avec le logiciel Matlab/Simulink R2017a®. Chaque bloc
que nous pouvons observer à la figure 3.1 et 3.2 sont des schématisations des équations
mathématiques établit au chapitre 2.

Vitesse de Perturbation
reference

Controleur Controleur Robot Modele

Cinematique Dynamique Cinemaique

Trajectoire
de reference Transformation

Figure 3.1 : Schéma de commande du système base mobile

• Bloc Trajectoire et vitesse de référence : Définit pendant la conception du système

sur Simulink.
• Block Contrôleur cinématique : L’implémentation de la commande backstepping au
niveau cinématique, voir eq 2.68 et 2.69
• Block Contrôleur Dynamique : L’implémentation de la commande backstepping au
niveau dynamique, voir eq 2.78 et 2.79
• Bloc Modèle Dynamique : Il s’agit du robot mobile définit dans le chapitre 2, voir
eq 2.50
• Bloc Modèle Cinématique : Il s’agit de la cinématique du robot définit dans le
chapitre 2, voir eq 2.23.
 46

LQR
Controle Modele
Controleur dynamique
Non-
lineaire du robot

Figure 3.2 : Schéma de commande du système bras manipulateur

• Bloc LQR Contrôleur : Il s’agit ici de l’implémentation du contrôleur LQR (loi de

commande) dans notre système comme décrit dans l’équation 2.93 ;
• Contrôle Non-linéaire : Etant donné que le modèle bras manipulateur est un système
fortement non-linéaire il faut passer par une forme linéaire comme nous avons pu
observer à l’équation 2.86 ;
• Bloc Modèle Dynamique : Voir équation 2.56

Trajectoire

Tout au long de ce travail, plusieurs simulations ont été faites avec différentes trajectoires afin
de mieux cerner les avantages et les défauts de la loi de commande élaborée. Les trajectoires
sur lesquelles nous avons réalisées nos simulations sont les suivantes :

• Une droite et un cercle pour la base mobile

𝑥𝑟 (𝑡) = 𝑡
𝑇𝑟𝑎𝑗𝑒𝑐𝑡𝑜𝑖𝑟𝑒 {𝑦𝑟 (𝑡) = 3
𝜃𝑟 (𝑡) = 0
𝑥0 = −1
Position du robot à l'instant= 0, 𝑃0 = { 𝑦0 = 2
𝜃0 = 0
𝑣𝑟 𝜋
𝑥𝑟 (𝑡) = ( ) ∗ cos (𝜔𝑟 ∗ 𝑡 − )
𝜔𝑟 2
𝑇𝑟𝑎𝑗𝑒𝑐𝑡𝑜𝑖𝑟𝑒 𝑣𝑟 𝜋
𝑦𝑟 (𝑡) = ( ) ∗ sin (𝜔𝑟 ∗ 𝑡 − )
𝜔𝑟 2
{ 𝜃𝑟 (𝑡) = 𝑡
 47

𝑥0 = 0
Position du robot à l'instant= 0, 𝑃0 = {𝑦0 = 0
𝜃0 = 0

• Un cercle pour le bras manipulateur

𝑥0 = 0,75
Position du robot à l'instant= 0, 𝑃0 = {𝑦0 = 1.75
𝜃0 = 0
𝑣𝑟 𝜋
𝑥𝑟 (𝑡) = ( ) ∗ cos (𝜔𝑟 ∗ 𝑡 − )
𝜔𝑟 2
𝑇𝑟𝑎𝑗𝑒𝑐𝑡𝑜𝑖𝑟𝑒 𝑣𝑟 𝜋
𝑦𝑟 (𝑡) = ( ) ∗ sin (𝜔𝑟 ∗ 𝑡 − )
𝜔𝑟 2
{ 𝜃𝑟 (𝑡) = 𝑡

Simulation
Tableau 3.1 : Condition de Simulation Base Mobile
Condition de Simulation Base Mobile
Temps échantillonnage 0,000139
Types de solveurs numériques Ode23

Tableau 3.2 : Condition de Simulation Bras Manipulateur

Condition de Simulation Bras Manipulateur

Temps échantillonnage 0,008
Types de solveurs numériques Ode23

3.3.1 Commande de la base Mobile par Backstepping

Tableau 3.3 : Paramètre des gains commande Backstepping

Paramètre de la commande Backstepping

Cas 1 Cas 2
kx 5 5
ky 55 75
kp 15 10
kv 10 10
kw 10 10
 48

Figure 3.3 : Modèle Base mobile sous Simulink

 49

Figure 3.4 : Position du mobile en x

Figure 3.5 : Position du mobile en y

Figure 3.6 : Vitesse angulaire du mobile

 50

Figure 3.7 : Vitesse linéaire du mobile

Figure 3.8 : Trajectoire du mobile Rectiligne

Figure 3.9 : Trajectoire du mobile Circulaire

 51

3.3.2 Commande de la base Mobile par Backstepping (White Noise)

Figure 3.10 : Implémentation du Bruit

Dans le cas du système on a décidé d’implémenter un bruit blanc pour observer la

robustesse de notre commande Backstepping.

Figure 3.11 : Position du mobile en x bruité

Figure 3.12 : Position du mobile en y bruité

 52

Figure 3.13 : Vitesse Angulaire bruité

Figure 3.14 : Vitesse linéaire bruité

Figure 3.15 : Trajectoire du mobile bruité

 53

3.3.3 Commande du bras manipulateur par LQR

Figure 3.16 : Modèle Bras sous Simulink

 54

Figure 3.17 : Position articulation Q1

Figure 3.18 : Position articulation Q2

Figure 3.19 : Vitesse angulaire Q1

 55

Figure 3.20 : Vitesse angulaire Q2

Figure 3.21 : Trajectoire Bras manipulateur_début

Figure 3.22 : Trajectoire Bras manipulateur_fin

 56

Figure 3.23 : Couple Γ1, Γ2

Discussion

La discussion dans se présent mémoire se fera en deux points. Dans un premier temps nous
établirons une critique sur la commande de la base mobile puis du bras manipulateur.

3.4.1 Base mobile

Notre mémoire propose une approche de contrôle Backstepping pour une base mobile
2WD.La commande Backstepping contrôle le système directement sous sa forme non-
linéaire. Nous avons effectué deux simulations en variant les gains du contrôleurs
Backstepping.

Tableau 3.4 : Cas de la trajectoire rectiligne

Cas Min ΓL Max ΓL Min ΓR Max ΓR tr(Va) ±5% tr(Vl) ±5% DVa DVl
(Nm) (Nm) (Nm) (Nm) (s) (s) (%) (%)
1 -8 4.1 -10 4.1 0.2 1.4 52.1 27.2
2 -2.1 8 -1.9 10 0.25 1.8 53.11 35

Tableau 3.5 : Cas de la trajectoire circulaire

Cas Min Γ1 Max Γ1 Min Γ2 Max Γ2 tr(Va) ±5% tr(Vl) ±5% Dθ1 Dθ2
(Nm) (Nm) (Nm) (Nm) (s) (s) (%) (%)
1 -2.1 3.17 -7.15 1.87 0.27 6.27 47.1 25.01
2 -4.5 8.33 -1.20 8.10 0.25 2.05 51.21 33.17
 57

La trajectoire dans le cas 2 est pratiquement identique à la référence. On peut faire le constat
que la commande Backstepping permet t’atteindre le régime permanent de façon très rapide
et malgré la présence de bruit blanc.

3.4.2 Bras manipulateur

Notre mémoire propose une approche de contrôle LQR pour un bras de robot à deux liaisons
avec deux degrés de liberté. La technique consistait à linéariser un modèle dynamique non
linéaire du robot en utilisant un contrôle de linéarisation de rétroaction. Ensuite, sur la base
du modèle linéaire obtenu, un contrôleur LQR a été développé définie par les erreurs de
positions et de vitesses. Nous avons effectué plusieurs simulations en changeant la valeur de
R.
Tableau 3.6 : Résultat de la commande LQR

R Min Γ1 Max Γ1 Min Γ2 Max Γ2 tr(θ1) ±5% tr(θ2) ±5% Dθ1 Dθ2
(Nm) (Nm) (Nm) (Nm) (s) (s) (%) (%)
1 -24.15 7.32 -7.15 5.87 51.27 56.27 14.01 14.01
1/200 -45.98 97.85 -13.85 31.55 31.87 31.87 4.21 4.21
1/200 -85.20 309.86 -26.89 110.63 27.71 27.71 1.81 1.81
0

En observant nos résultats sur le tableau (3.6) on constate que l’approche de contrôle LQR,
converge plus rapidement lorsque la valeur de R diminue. Cependant il y a un problème au
niveau du dépassement qui n’est pas négligeable. En revanche le suivie de trajectoire est
adéquate malgré un régime transitoire complexe. Dans la littérature on peut faire le constat
que notre commande LQR réagit beaucoup mieux face au bras manipulateur qu’une
commande PID [37]. Il faut aussi ajouter qu’une commande MPC dans les mêmes conditions
que notre commande LQR réagit beaucoup mieux surtout en termes de temps de réponse et
de dépassement [34]. Le choix du solveur a un impact sur la valeur des résultats en ce qui
concerne le bras.

Les résultats de simulations présentés dans les chapitres 3 montrent effectivement que, bien
que le robot soit soumis à des perturbations, aux incertitudes et aux non linéarités du
système, les commandes élaborées permettent de contrôler le robot. On constate que le choix
du solveur a beaucoup d’impact sur les résultats surtout en ce qui concerne le bras. Avec
Ode23 les résultats sont beaucoup plus précis et se rapproche plus de la littérature.
 58

CONCLUSION GÉNÉRALE

Ce mémoire présente notre contribution à la modélisation et la commande en suivi de

trajectoire de robots manipulateurs mobiles. Dans un premier temps, le contexte des robots
manipulateurs mobiles industriels a été présenté. Les modèles utilisés pour l'analyse et la
synthèse des lois de commande de robot manipulateur mobiles ont été rappelés. En
particulier, les modèles dynamiques sous forme analytique d'un manipulateur plan à deux
degrés de liberté et d’une base mobile 2WD ont été développés afin de servir d'exemple dans
la suite du manuscrit pour la synthèse de commande. En l'absence d'essais expérimentaux,
le but était de disposer également d'un modèle de simulation le plus fidèle possible du point
de vue du comportement mécanique. Ce modèle a été développé dans l'environnement
Simulink. L'utilisation de ce modèle a permis de valider dans les derniers chapitres les
méthodes de synthèse proposées et la robustesse des performances des lois de commande
aux incertitudes de modélisation structurées et non structurées et aux perturbations. Par la
suite, la problématique du suivi de trajectoire a été posée et une revue de littérature succincte
sur les principales méthodes de commande des robots manipulateurs mobiles a été exposée.
Chaque système a été modélisé par l’approche de Lagrange-Euler. Cette approche
occasionne la présence d’une non-linéarité dans l’expression dynamique des deux systèmes.
La valeur ajoutée de notre travail en ce qui concerne la commande des robots mobiles est
que nous avons utilisés dans nos simulations deux systèmes non linéaires et une commande
adaptative/robuste et une commande optimale. L’utilisation de la commande optimale a
nécessité une linéarisation du modèle au préalable. Les résultats présentés dans les chapitres
précédents montrent que les lois de commandes élaborées permettent au robot de suivre sa
trajectoire bien qu'en présence des perturbations. Les travaux de recherches présentés dans
ce mémoire ont été satisfaisants, mais il reste tout même plusieurs points à améliorer.

Le déplacement du robot mobile influencé par plusieurs facteurs liés à la nature de sol et aux
conditions climatiques telles que la température, l’humidité et parfois par l'usure de
pneumatique. Ces facteurs causent la perte de l’énergie générée par les conditionneurs qui
sont liés aux roues motrices. Cette énergie était prévue de transférer complètement au sol via
le seul élément de contact à la chaussée qui est le pneumatique. Donc l’apparition d’un
phénomène de glissement est présentée lors du déplacement avec des forces de traction non
optimale.
 59

Les travaux présentés dans ce mémoire ouvrent plusieurs perspectives de développement :

• Créer un modèle unique bras mobile

• Effectuer une commande adaptative Backstepping et ANFIS pour améliorer
le choix des paramètres de contrôleur.
• Achat d’un modèle bras mobile pour effectuer des tests réels
• Travailler sur un robot 4WD avec des roues de type magnum
• Pousser la recherche vers la commande des actionneurs (Moteur)
 60

RÉFÉRENCE BIBLIOGRAPHIQUE

[1], F. Pigeaud, Au Cameroun de Paul Biya, Paris : Karthala, 2011.

[2], K. Nagatani & S. Yuta. Door-opening behaviour of an autonomous mobile manipulator

by sequence of action primitives. Journal of Robotic Systems,1996, vol. 13, no. 11, pp.709–
721.

[3], Pervozvanski, A. A. and Freidovich, L. B. Robust stabilization of robotic manipulators

by pid controllers. Dynamics and Control,1999, pp.203-222.

[4], Spong, M. W. and Vidyasagar, M. Robot Dynamics and Control. John Wiley &
Sons,2008.

[5] Chen, C.-S. Supervisory adaptive tracking control of robot manipulators using interval
type-2 tsk fuzzy logic system. IET Control Theory Appl,2011, pp.1796-1807.

[6], Chen, W.-H., Ballance, D. J., Gawthrop, P. J., and O'Reilly, J. A nonlinear disturbance
observer for robotic manipulators. IEEE Transactions on industrial
Electronics,2006,pp.932-938.

[7], Lefeber,A.A.J. Tracking control of nonlinear mechanical systems. Universiteit Twente

Eindhove,2000.

[8], Kelly, R., Davila, V. S., and Perez, J. A. Control of robot manipulators in joint space.
Springer Science & Business Media.2006.

[9], Khalil, W. and Dombre, E. Modeling, identification and control of robots. Butterworth-
Heinemann,2004.

[10], Paccot, F., Andre, N., and Martinet, P. A review on the dynamic control of parallel
kinematic machines: Theory and experiments. The International Journal of Robotics
Research,2009, pp.395-416.

[11], B. Bayle, J.-Y. Fourquet & M. Renaud. From manipulation to wheeled mobile
manipulation: analogies and differences. Wroclaw - Pologne: Dans Proceedings of th 7th
IFAC SYROCCO, 1988, pp. 97–104.
 61

[12], O. Khatib. Inertial Properties in Robotic Manipulation: An ObjectLevel Framework.

The International Journal of Robotics Research, vol. 13, no. 1, 1995, pp. 19–36.

[13], R. M. Murray, Z. Li & S. S. Sastry.A mathematical introduction to robotic

manipulation. CRC Press, 1994.

[14], Breazeal, C. Social robots for health applications. In 2011 Annual international
conference of the IEEE engineering in medicine and biology society,2011, pp.5368-5371.

[15], Slotine, J.-J. E. and Li, W. On the adaptive control of robot manipulators. The
international journal of robotics research,1987,pp.49-59.

[16], Slotine, J.-J. E. and Li, W. On the adaptive control of robot manipulators. The
international journal of robotics research,1987,pp.60-64.

[17], Middletone, R. and Goodwin, G. Adaptive computed torque control for rigid link
manipulators. In 25th IEEE Conf. on Decision and Control,1986, v.25, pp.68-73.

[18], Middletone, R., G. Adaptive computed torque control for rigid link manipulators. In
25th IEEE Conf. on Decision and Control,1986, v.25, pp.60-65.

[19], P.I. Corke. A Robotics Toolbox for MATLAB. IEEE Robotics and Automation
Magazine, vol. 3, no. 1,1996, pp 24–32.

[20], Slotine, J.-J. and Sastry, S. S.Tracking control of nonlinear systems using sliding
surfaces, with application to robot manipulators. International journal of control,1983,
pp.465-492.

[21], Zhihong, M., Paplinski, A. P., and Wu, H. R. A robust mimo terminal sliding mode
control scheme for rigid robotic manipulators. IEEE Trans. Autom. Control,1984, pp.2464-
2469.

[22], Garriz, C. and Domingo, R. Development of trajectories through the kalman algorithm
and application to an industrial robot in the automotive industry. IEEE Access,2019.

[23], B. Dumitrascu, A. Filipescu, and V. Minzu, Backstepping control of wheeled mobile

robots, in System Theory, Control, and Computing (ICSTCC),2011, pp.1-6.
 62

[24], H. Xu and S. X. Yang, Tracking control of a mobile robot with kinematic and dynamic
constraints, in Computational Intelligence in Robotics and Automation.IEEE International
Symposium on, 2001, pp. 125-130.

[25], MBIHI, J. Systèmes de Commande et Régulation Numérique Optimale (CRNO). UFD,

GIA,2020.

[26], Thomas D.Gillespie ,Fundamentals of Vehicle Dynamics, Society of auto motive

Engineers.1992.

[27], R. Dhaouadi and A. A. Hatab,Dynamic modelling of differentiai-drive mobile robots

using lagrange and newton-euler methodologies: A unified framework, Advances in
Robotics & Automation,2013, vol. 2, pp. 1-7,.

[28] O'Regan, G. Unimation. In Pillars of Computing,2015, pp.219-223.

[29], Han, Q., Zhang, H., and Liu, J. Nonlinear dynamics of controlled synchronizations of
manipulator system. Mathematical Problems in Engineering, 2014.

[30], Khalil, W. and Dombre, E. Modeling, identication and control of robots. Butterworth-
Heinemann,2004.

[31], Laarem GUESSAS.Backstepping adaptatif pour le contrôle la poursuite et la

synchronisation des systèmes dynamiques non linéaires chaotiques, Thèse de Doctorat,
Université Ferhat ABBAS – Sétif ,2012.

[32], R. Fierro and F. L. Lewis. Control of a Nonholonomic Mobile Robot: Backstepping

Kinematics into Dynamics. Journal of Robotic Systems,1997, pp.149–163.

[33], Yutaka Kanayama, Yoshihiko Kimura, Fumio Miyazaki, Tetsuo Noguchi.A Stable
Tracking Control Method for an Autonomous Mobile Robot.IEEE,1990.

[34], El-Hadi.G, Samir.B, MPC Control and LQ Optimal Control of A Two-Link Robot Arm:
A Comparative Study.Machines.2018

[35], Khalil, H.K. Nonlinear Systems, NJ, USA: Prentice Hall Inc, 2002.

[36], Farzin, P.; Yarmahmoudi, M.H.; Mirzaie, M.; Emamzadeh, S.; Hivand, Z. Design novel
fuzzy robust feedback linearization control with application to robot manipulator. J. Intell.
Syst. Appl. 2013, pp.1–10.
 63

[36], Garriz, C. and Domingo, R. Development of trajectories through the kalman algorithm
and application to an industrial robot in the automotive industry. IEEE Access,2019.

[37], David, I.; Robles, G. PID Control Dynamics of A Robotics Arm Manipulator with Two
Degrees of Freedom. Control De Procesos y Robótica. 2012, pp. 1–7.

[38]. Ballard, L. A., Sabanovic, S., Kaur, J., and Milojevic, S. George charles devol, jr. IEEE
Robotics & Automation Magazine,2012, pp.114- 119.

[40], Burkov, I., Pervozvanski, A., and Freidovich, L.Algorithms of robust global
stabilization of flexible manipulators.Montepellier, France : World Automation
Congress,1996.

[41], Abdulkareem, A., Awosope, C., Daramola, S., and Nnorom, E. Development of a
programmable mobile robot. International Journal of Applied Engineering Research,2016.

[42], Kiguchi, K. and Fukuda, T. Intelligent position/force controller for industrial robot
manipulators-application of fuzzy neural networks. IEEE Transactions on Industrial
Electronics,1997, pp.753-761.

[43], Sparrow, R. Building a better warbot: Ethical issues in the design of unmanned systems
for military applications. Science and Engineering Ethics,2009, pp.169-187.

[44], Spyros G. Tzafestas.Introduction to Mobile Robot Control. Athens, Greece: School of

Electrical and Computer Engineering National Technical University of Athens,2014.

[45]. Nocks, L. The robot: the life story of a technology. Greenwood Publishing Group,2017.

[46], B. Belobo Mevo, M. R. Saad, and R. Fareh, Adaptive Sliding Mode Control of Wheeled
Mobile Robot with Nonlinear Mode! and Uncertainties,IEEE Canadian Conference on
Electrical & Computer Engineering (CCECE), 2018, pp. 1-5.

[47], Gasparetto, A. and Scalera, L. A brief history of industrial robotics in the 20th century.
Advances in Historical Studies,2019.

[48], S. Arslan and H. Temelta, Robust motion control of a four-wheel drive skid-steered
mobile robot, in Electrical and Electronics Engineering (ELECO), 2011, pp. II-415-II-419.

[49], Yutaka Kanayama, Yoshihiko Kimura, Fumio Miyazaki, Tetsuo Noguchi.A Stable
Tracking Control Method for an Autonomous Mobile Robot.IEEE,1990.
 64

[50], Spyros G. Tzafestas.Introduction to Mobile Robot Control. Athens, Greece: School of

Electrical and Computer Engineering National Technical University of Athens,2014.

[51]. Sciavicco, L. and Siciliano, B. Modelling and control of robot manipulators. Springer
Science & Business Media,2012.

[52], Zanotto, V.; Gasparetto, A.; Lanzutti, A.; Boscariol, P.; Vidoni, R. Experimental
Validation of Minimum Time-jerk Algorithms for Industrial Robots. J. Intell. Robot. Syst.
2011, pp.197–219.

[53], Zanchettin, A.M.; Rocco, P. Motion planning for robotic manipulators using robust
constrained control. Control Eng. Pract. 2017, pp. 127–136.

[54], Durmu¸s, B.; Temurta¸s, H.; Yumu¸sak, N.; Temurta¸s, F. A study on industrial robotic
manipulator model using model based predictive controls. J. Intell. Manuf. 2009, pp.233–
241.

[55],Guechi, E.-H.; Bouzoualegh, S.; Messikh, L.; Blažic, S. Model predictive control of a
two-link robot arm. Tunisia: In Proceedings of the 2nd International Conference on
Advanced Systems and Electric Technologies, March 2018, pp. 409–414.

[56], Kai, C.-Y.; Huang, A.-C. Adaptive LQ control of robot manipulators. In Proceedings
of the 9th IEEE Conference on Industrial Electronics and Applications, Hangzhou, China,
9–11 June 2014.

[57], Wilson, J.; Charest, M.; Dubay, R. Non-linear model predictive control schemes with
application on a 2 link vertical robot manipulator. Robot. Comput. Integr. Manuf. 2016,
pp.23–30.

[58], Sarkar, N., Yun, X., Kumar, V, Dynamic path following: a new control algorithm for
mobile robots, Proc. of the 32nd IEEE Conference on Decision and Control,1993, pp.2670
– 2675.

[59], D. Bellet. Cours de mécanique générale. Cepadues-Editions, 1988.

[60] Abdulkareem, A., Awosope, C., Daramola, S., and Nnorom, E. Development of a
programmable mobile robot. International Journal of Applied Engineering Research,2016.