Algorithmes de contrôle d’un UAV avancés

Abstract

Ce travail de thèse se concentre sur les défis critiques des systèmes de guidage et de contrôle des drones, en se concentrant sur la planification et la stabilisation de la trajectoire des quadrotors dans des environnements complexes. Tout d'abord, nous nous penchons sur le problème du guidage des drones, puis nous explorons systématiquement les outils de mise en œuvre et les solutions permettant de répondre à des spécifications opérationnelles rigoureuses. Les progrès récents de la technologie des quadrotors ont élargi les applications civiles et militaires, nécessitant des systèmes de contrôle robustes pour la gestion de l'attitude, de l'altitude et de la trajectoire. La recherche intègre l'apprentissage par renforcement (Deep Q-learning et Dyna Q-learning) pour une planification optimisée de la trajectoire, permettant aux drones de naviguer dans des environnements dynamiques. Ces algorithmes sont complétés par des stratégies de contrôle hybrides, notamment des contrôleurs PID pour la stabilité de base et des méthodes non linéaires telles que le backstepping, la logique floue et le contrôle adaptatif par logique floue, afin d'améliorer la manœuvrabilité et la précision. Un modèle complet de quadrotor est développé en utilisant le formalisme de Newton-Euler, incorporant les effets aérodynamiques et la dynamique du rotor pour créer une représentation de l'espace d'état pour la validation du contrôle. Des simulations de divers scénarios, y compris des obstacles dynamiques, démontrent l'efficacité de l'apprentissage par renforcement pour générer des trajectoires sans collision. L'étude évalue en outre l'interaction entre la planification de trajectoire basée sur l'apprentissage et les contrôleurs à logique floue, mettant en évidence les améliorations en matière d'adaptabilité et de gestion de l'incertitude. Les résultats indiquent que l'intégration d'architectures de contrôle avancées améliore considérablement les performances des quadrotors dans des tâches telles que la course et la surveillance, offrant un cadre évolutif pour les systèmes de drones. En faisant le lien entre les modèles théoriques et les mises en œuvre pratiques, ce travail fait progresser le domaine de la navigation des drones, en mettant l'accent sur l'intégration rentable des capteurs, l'efficacité énergétique et la réactivité en temps réel