‫اط ا‬ ‫ا‬ ‫ر ا ا‬ ‫ا‬

République Algérienne Démocratique et Populaire

‫ا‬ ‫وا‬ ‫ا‬ ‫وزارة ا‬
Ministère de l’Enseignement Supérieur et de la Recherche Scientifique

Université Mohamed Khider – Biskra ‫ ة‬#$% - ! !"

Faculté des Sciences et de la Technologie " &# ‫م وا‬ ‫ا‬ (
Département de Génie Eléctrique % # ‫ ا & ) ا‬$*
Réf: …………………. .................. :+" ‫ا‬

Thèse présentée en vue de l’obtention

du diplôme de
Doctorat LMD
Spécialité: Automatique

Commande Robuste Non-linéaire d’un Quadrotor

Présentée par:
HASSENI Seif El Islam

Soutenue publiquement le: 27/10/2020

Devant le jury composé de:

Dr. Mohamed BOUMEHRAZ Professeur Président Université de Biskra

Dr. Latifa ABDOU Professeur Rapporteur Université de Batna 2
Dr. Souad CHAOUCH Professeur Examinateur Université de Batna 2
Dr. Abdelghani CHELIHI Maitre de Conférences A Examinateur Université de Constantine 1
Dr. Mostefa Mohamed TOUBA Maitre de Conférences A Examinateur Université de Biskra

2019/2020
 à mes très chers parents
à ma chère grand-mère
à mes frères et sœurs
Je dédie ce travail

Seif El Islam HASSENI

Remerciements:

Je remercie très profondément ma directrice de thèse Dr. Latifa ABDOU, Professeur à l’université
Batna 2, de m’avoir proposé un sujet très intéressant, et surtout de m’avoir dirigé et encouragé tout
au long de la réalisation de ce travail.

Je tiens à remercier le Dr. Mohamed BOUMEHRAZ, Professeur à l’université de Biskra d’avoir

accepté de présider mon jury de soutenance. Mes remerciements vont également au Dr. Souad
CHAOUCH, Professeur à l’université Batna 2, au Dr. Abdelghani CHELIHI, Maitre de conférences
A à l’université Constantine 1 et au Dr. Mostefa Mohamed TOUBA, Maitre de conférences A à
l’université de Biskra d’avoir accepté de faire partie de mon jury de soutenance.

Enfin, je n'oublierais pas de remercier tous les membres du laboratoire Modélisation des Systèmes
Energétiques (LMSE), Biskra.
Résumé: Cette thèse étudie les stratégies de la commande robuste pour résoudre le suivi de trajectoire d’un
mini drone. Celui-ci est de type quadrotor, qui est caractérisé par six degrés de liberté. En premier lieu, nous
avons développé des correcteurs basés sur des techniques linéaires et nonlinéaires classiques (PID,
Backstepping et Mode Glissant). En suite, nous nous sommes focalisé sur les méthodes robustes basées sur
la norme H∞. Les approches utilisées sont; LPV robuste avec exploitation des avantages de la forme LFT sur
la représentation d’un système non-linéaire comme un système LPV. Ce correcteur est exploité pour
résoudre le problème de stabilisation rotationnel robuste, et le problème est interprété à des matrices
d’inégalité linéaires (LMI) et qui sont résolues par le théorème du petit gain, avec une structure de
commande conçue à la forme en cascade. La deuxième méthode robuste utilisée est H∞ non-linéaire. Nous
avons commandé les degrés de liberté actionnés par leur couplage dynamique avec les degrés de liberté sous-
actionnés, ainsi le problème est interprété par des équations optimales et un terme d’adaptation est ajouté afin
de compenser les incertitudes paramétriques. Les résultats de simulation présentés considèrent la robustesse
du quadrotor vis-à-vis des bruits, des perturbations et des incertitudes.

Mots-clés: Quadrotor; Commande Robuste; PID; Algorithmes Évolutionnaires; Backstepping; Mode

Glissant; Systèmes Sous-Actionnés; LPV; H∞; Réseaux de Neurones.

Abstract: This thesis investigates the strategies of robust control to solve the trajectory tracking of a mini
drone. The considered system is a quadrotor, characterized by six degrees of freedom. Firstly, we developed
such controllers based on classical linear and nonlinear techniques (PID, Backstepping and Sliding Mode).
Next, we focused on the robust methods based on H∞ norm. The used approaches are; robust LPV with using
the advantages of LFT form by representing a nonlinear system as an LPV one. This controller is used to
solve the robust rotational stabilization problem is the problem is interpreted to linear matrices inequalities
(LMI) which are solved by small gain theorem and the control structure is designed as cascade form. The
second robust approach used is the non-linear H∞. We controlled the actuated degrees of freedom with their
dynamic coupling with the under-actuated degrees of freedom. The problem is interpreted by nonlinear
optimal equations and an adaptive term is added in order to compensate the parametric uncertainties. The
presented simulation results consider the robustness against noises, disturbances and parametric
uncertainties.

Keywords: Quadrotor; Robust Control; PID; Evolutionnary Algorithms; Backstepping; Sliding Mode;
Under-Actuated Systems; LPV; H∞; Neural Networks.

،‫ ا اوح‬$ %‫ ة )(رع ر‬+ ! ‫ ھ ه ا‬،‫ون ط ر‬-% ‫ ة‬+ ! ‫ ر‬. ‫ ع ا‬/ ‫إ‬ ‫ا‬ ‫تا‬ ‫ ! ق ھ ه ا ط و إ‬:,- !
Sliding ،Backstepping ،PID) !6 7 ‫! وا‬8 ‫ ا‬0- ‫ت ا‬ ‫ ا‬9:% 0(! % ; ، 0‫ا‬-% . 0 ‫ ت‬1‫ در‬3.% 4 5 ‫ا‬
B) ‫ ا‬C0 ‫ ط‬$ ‫ا‬ ‫ ا‬:5 ? -8 . ‫ ا ! ق ا‬.H∞ ‫ ر‬: ‫ ا‬$ ‫ة‬- : ‫ا‬ ‫ا‬ ‫ أ= < ا‬$ )4?‫ ر‬،@ ‫ ذ‬-:% .(Mode
‫ ھ ا‬-8 =‫ إ‬،‫ت‬D : ‫ ا‬7 5!6 ‫ م‬B ? 5!6 7 ‫ م ا‬B ‫ ا‬G % H 8 ‫ ا‬LFT ‫ات‬4 ‫ام‬-8 =F%‫( و‬LPV) ‫ت‬D : ‫ ة ا‬7 !8 ‫ا‬
0 ! ‫ ا‬.‫ ة‬7K ‫ ا‬0( ‫ ا‬0 B) !=‫(ا‬% L ‫ و‬LMI ‫)(ع‬ ‫ ت‬1‫ا‬ ‫إ‬ JI‫ ا‬3 1 ، ‫= ار ا‬I‫ا‬ J‫ا‬ ‫ا‬
‫ا‬ ‫ا‬ J‫ إ‬. !J ) 7 ‫ ا‬0 ‫ ت ا‬1‫ر‬-% L % M !J ‫ ا‬0 ‫ ت ا‬1‫ در‬5N ) O ، !6 7 ‫ ا‬H∞ 5‫ ) وھ‬G ‫ا‬
‫ ا ? ة‬T+ ) .‫ م‬B ‫ت ا‬D : 5N ;- ‫م ا‬-$ 90(: 1‫أ‬ R ‫ رة‬/$ N S‫ إ‬. G ‫أ‬ !6 P ‫ت‬Q‫ د‬: ‫ إ‬L 1
.‫ م‬B ‫ ا‬: ;‫م د‬-$‫ ت و‬%‫! ا‬SI‫ ات وا‬7 ‫ ; س ا‬5N V0( ‫ ا‬% 5N ) LB

B) ‫ ا‬Backstepping; Sliding Mode; ;‫(ارز ت ا !(ري‬8 ‫ ا‬PID; ; ‫ا‬ ‫ ا اوح; ا‬$ %‫ ة ر‬+ ‫ ط‬: . / ‫ ت ا‬# ‫ا‬
. /K: ‫ ت ا‬/ ‫ ; ا‬H∞;‫ت‬D : ‫ ة ا‬7 !8 ‫ ا‬B) ‫ ) ط; ا‬3
Table des Matières:

Table des Matières 5

Liste des Figures 8
Liste des Tableaux 10
Abréviations 11

Introduction Générale 13

Chapitre I: Etat de l’Art sur les Quadrotors; Commande et Applications 17

I.1 Introduction 18
I.2 Les Quadrotors dans la Robotique 18
I.2.1 Les Applications des Quadrotors 18
I.2.2 Les Avantages 19
I.2.3 Les Défis 20
I.3 Etat de l’Art sur la Commande du Quadrotor 21
I.3.1 Les Systèmes de Type Quadrotor 21
I.3.2 Méthodes de Commande du Quadrotor 22
I.3.3 Suivi Précis de La Trajectoire 24
I.3.4 L’Aérodynamique du Quadrotor 26
I.4 Conclusion 29

Chapitre II: État de l’Art sur Les Systèmes LPV et H∞ Non-Linéaires 30

II.1 Introduction 31
II.2 Systèmes LPV 31
II.2.1 Approximation des Systèmes Non-Linéaires 31
II.2.2 Représentation des Systèmes LPV 32
II.2.3 Commande des Systèmes LPV 33
II.2.4 Applications 35
II.3 La Commande H∞ Non-Linéaire et les Systèmes Sous-Actionnés 35
II.3.1 La Commande H∞ Non-Linéaire 36
II.3.2 Les Systèmes Mécaniques Sous-Actionnés 37
II.4 Conclusion 39

Chapitre III: Amélioration Des Performances de la Commande Linéaire par l’utilisation 40

des Algorithmes Évolutionnaires
III.1 Introduction 41

5
III.2 Modélisation du Quadrotor 41
III.3 Les Algorithmes Évolutionnaires 45
III.3.1 Applications des Algorithmes Évolutionnaires sur la Commande 45
III.3.2 Les Caractéristiques des Algorithmes Sélectionnés 50
III.4 Commande Linéaire (PID) de Quadrotor 55
III.4.1 Structure de la Commande 55
III.4.2 Résultats de Simulation 57
III.5 Conclusion 64

Chapitre IV: Commande du Quadrotor par les Techniques Non-Linéaires 65

IV.1 Introduction 66
IV.2 Commande Non-Linéaire du Quadrotor 66
IV.3 Commande par Backstepping Intégral 67
IV.4 Commande par Mode Glissant 76
IV.5 Résultats de Simulation 83
IV.6 Conclusion 86

Chapitre V: Commande Robuste du Quadrotor Basée sur la Technique LPV 87

V.1 Introduction 88
V.2 Représentation et Commande des Systèmes LPV 88
V.2.1 Représentation des Systèmes LPV 88
V.2.2 Commande des Systèmes LPV 92
V.3 Stabilité des Systèmes LPV 94
V.3.1 Stabilité des Systèmes LPV Génériques et Polytopiques 94
V.3.2 Stabilité des Systèmes LPV de Forme LFT 96
V.4 Stabilisation LPV Robuste du Quadrotor 100
V.4.1 Sélection des Paramètres 101
V.4.2 Synthèse du Correcteur 102
V.5 Suivi de Trajectoire et Simulation 104
V.5.1 Suivi de Trajectoire 104
V.5.2 Résultats de Simulation 106
V.6 Commande d’un Système Sous-Actionné; Pendule Inversé 110
V.6.1 Représentation LFT- LPV du Pendule Inversé 111
V.6.2 Sélection des Paramètres des Fonctions de Pondération 112
V.6.3 Stabilité Étendue de 2DOF 114
V.6.4 Résultats de Simulation 115

6
V.7 Conclusion 117

Chapitre VI: Commande Robuste du Quadrotor par la Technique H∞ Non-Linéaire 118

VI.1 Introduction 119
VI.2 Commande par Couple Calculé 119
VI.3 Modélisation Complète du Quadrotor 121
VI.3.1 La Cinématique du Quadrotor 122
VI.3.2 Les Équations d’Euler-Lagrange 124
VI.4 Commande H∞ Non-Linéaire du Quadrotor 126
VI.4.1 Transformation de Modèle pour le Robot 127
VI.4.2 H∞ Non-Linéaire 131
VI.4.3 Calcul des Forces/Couples 133
VI.4.4 Résultats de Simulation 135
VI.5 Commande H∞ Non-Linéaire Adaptative 137
VI.5.1 Adaptation par Paramétrage Linéaire 139
VI.5.2 Adaptation par Réseaux de Neurones 142
VI.5.3 Résultats de Simulation 147
VI.6 Conclusion 151

Conclusion Générale et Perspectives 152

Bibliographie 154

7
Liste des Figures:

Figure I.1 Des images acquis d’une drone de surveillance des feux (Merino et al., 2011) 19
Figure I.2 Les coordonnées de la formation ∆ leader-follower (Mulgaonkar et al., 2015) 20
Figure I.3 Le plateforme quadrotor du groupe Robotics and Perception (Fässler, 2018) 22
Figure I.4 Un quadrotor en équilibrant un pendule inversé (Hehn et D’Andrea, 2013) 25
Figure I.5 Un schéma montré les pales inclinés (Bangura et al., 2016) 27
Figure I.6 Schéma de la traînée du rotor (Omari et al., 2013) 29

Figure III.1 Schéma du quadrotor 41

Figure III.2 Structure de commande du quadrotor 56
Figure III.3-a Évolution de la fonction-objectif pour l’altitude (z) 58
Figure III.3-b Évolution de la fonction-objectif du roulis-tangage (φ, θ) 58
Figure III.3-c Évolution de la fonction-objectif du lacet (ψ) 59
Figure III.3-d Évolution de la fonction-objectif de x-y 59
Figure III.4 Le suivi de la trajectoire en 3D 62
Figure III.5 Les réponses des coordonnés de translation 62
Figure III.6 Les erreurs des coordonnés de translation 62
Figure III.7 Les réponses des coordonnés de rotation 63
Figure III.8 Les erreurs des coordonnés de rotation 63

Figure IV.1 Structure en cascade de la commande non-linéaire du quadrotor 67

Figure IV.2 Les réponses des coordonnés de translation 84
Figure IV.3 Les réponses des coordonnés de rotation 84
Figure IV.4 Le suivi de la trajectoire en 3D 85
Figure IV.5 Les commandes appliquées 85

Figure V.1 Plan du polytope de l’exemple V.1 90

Figure V.2 Plan du polytope de l’exemple V.2 91
Figure V.3 Représentation LFT d’un système LPV 92
Figure V.4 Structure de commande par séquencement de gains 93
Figure V.5 Représentation d’un correcteur LPV sous forme LFT 94
Figure V.6 La boucle fermée système-correcteur d’un système LPV sou forme LFT 97
Figure V.7 Schéma LPV-LFT d’attitude du quadrotor 101
Figure V.8 La boucle fermée système-correcteur d’attitude du quadrotor 104
Figure V.9 La structure de commande du quadrotor 106

8
Figure V.10 Les réponses des coordonnées de translation avec des incertitudes sur les 107
inerties
Figure V.11 Les réponses des coordonnées d’orientation avec des incertitudes sur les 107
inerties
Figure V.12 La trajectoire en 3D 108
Figure V.13 Une vue horizontale de la trajectoire 108
Figure V.14 Les signaux de commande 108
Figure V.15 La trajectoire en 3D du IBS-LPV et BS-LPV 109
Figure V.16 Les réponses de coordonnés de translation du IBS-LPV et BS-LPV 109
Figure V.17 Vue générale du véhicule pendule personnel 110
Figure V.18 Schéma géométrique du pendule inversé sur chariot 111
Figure V.19 L’interconnexion en boucle fermée du système-correcteur 113
Figure V.20 La boucle fermée du système-correcteur sous-actionné 115
Figure V.21 Les réponses de l’angle (θ), la vitesse (V) et la force (F) avec des incertitudes sur la 116
masse M
Figure V.22 Les réponses de l’angle (θ), la vitesse (V) et la force (F) avec différents angles 116
initiaux

Figure VI.1 Schéma de commande par couple calculé 120

Figure VI.2 Schéma général de la structure du quadrotor 121
Figure VI.3 Les trois rotations d’Euler roulis φ, tangage θ et lacet ψ 122
Figure VI.4 La structure de commande H∞ non-linéaire utilisée 127
ére
Figure VI.5 Suivi de la trajectoire en 3D (1 trajectoire) 136
ére
Figure VI.6 Réponses des coordonnées de la position (1 trajectoire) 137
ére
Figure VI.7 Réponses des coordonnées de rotation (1 trajectoire) 137
Figure VI.8 La structure de commande adaptative utilisée 138
Figure VI.9 Schéma du réseau de neurone pour l’adaptation de Fz, ∆E1(xe, B) 145
Figure VI.10 Schéma du réseau de neurone pour l’adaptation de τφ, ∆E2(xe, B) 146
Figure VI.11 Schéma du réseau de neurone pour l’adaptation de τθ, ∆E3(xe, B) 146
Figure VI.12 Schéma du réseau de neurone pour l’adaptation de τψ, ∆E4(xe, B) 147
éme
Figure VI.13 Suivi de la trajectoire en 3D (2 trajectoire) 148
éme
Figure VI.14 Réponses des coordonnées de la position (2 trajectoire) 149
éme
Figure VI.15 Réponses des coordonnées de rotation (2 trajectoire) 149
éme
Figure VI.16 Les entrées de commande (2 trajectoire) 150

9
Liste des Tableaux:
Tableau III.1 Les paramètres du OS4 44
Tableau III.2 Les paramètres des algorithmes 54
Tableau III.3 Valeurs de la fonction-objectif (ISE) 59
Tableau III.4 Les gains des correcteurs PID optimaux 60
Tableau III.5 Le critère ISE de la trajectoire 63

Tableau IV.1 Les paramètres du correcteur Backstepping intégral 76

Tableau V.1 Les intervalles des paramètres variés 103

Tableau V.2 Les valeurs nominales du pendule inversé sur chariot 111
Tableau V.3 Les intervalles des paramètres variés 112

Tableau VI.1 Les valeurs nominales du quadrotor utilisé 135

Tableau VI.2 Les coefficients de la matrice d’adaptation A 141
Tableau VI.3 Comparaison de l’ISE entre les trois correcteurs 150
Tableau VI.4 Comparaison de l’ISEF entre les trois correcteurs 150
Tableau VI.5 Comparaison entre les différents correcteurs 151

10
Abréviations:

BMW La technique Meilleur-Accoupler-Movais (Best-Mate-Worst)

BS La technique BackStepping
CFD Diagramme de Flux de Commande (Control Flow Diagram)
CS La Recherche du Coucou (Cuckoo Search)
CTC Commande par Couple Calculé (Computed Torque Control)
DE Évolution Différentielle (Differential Evolution)
DOF Degré de Liberté (Degrees Of Freedom)
EA Algorithmes Évolutionnaires (Evolutionary Algorithms)
ES Stratégies Évolutionnaire (Evolutionary Strategies)
ESC Régulateur Electronique du Vitesse (Electronic Speed Controller)
FO Ordre Fractionnel (Fractional Order)
FTSMC Commande par Mode Glissant Termnial Rapide (Fast Terminal
Sliding Mode Control)
GA Algorithmes Géntitiques (Genetic Algorithms)
H-- Norme d’espace de Hardy (Hardy space norm)
HJ Hamilton Jacobi
HJBI L’équation Hamilton Jacobi Bellman Isaacs
IAE Intégrale de la valeur Absolue de l’Erreur (Integral of Absolute
magnitude of the Error)
IBS BackStepping Intégral (Integral BackSteppting)
IBS-H∞ NL Integral BackStepping H∞ Non-Linéaire
IBS-H∞ NL Adapt. Integral BackStepping H∞ Non-Linéaire Adaptative
IBS-H∞ NL Adapt.-RN Integral BackStepping H∞ Non-Linéaire Adaptative Réseau de
Neurones
IQC Contrainte Quadratique Intégrale (Integral Quadratic Constraint)
ISE Intégrale de l’Erreur Carrée (Integral of the Squared Error)
ISEF Intégral d’Effort Carré (Integral Square EFfort)
ITAE Intégrale de Temps multiplié par la valeur Absolue de l’Erreur
(Integral of Time multiplied by Absolute Error)
ITSE Intégrale de Temps multiplié par l’Erreur Carrée (Integral of
Time multiplied by the Squared Error)
LFT Transformation Fractionnel Linéaire (Linear Fractional
Transformation)

11
LMI Inégalité des Matrices Linéaires (Linear Matrices Inequality)
LPV Linéaire à Paramètres Variés (Linear Parameter Varying)
LQG Commande Linéaire Quadratique Gaussienne (Linear Quadratic
Gaussian)
LQR Commande Linéaire Quadratique (Linear Quadrtatic Regulator)
LTI Linéaire Invariant dans le Temps (Linear Time Invariant)
MPC Commande Prédictive (Model Predictive Control)
MSE Moyenne de l’Erreur Carrée (Mean Squared Error)
NP Non-déterministe Polynomial (Non-deterministic Polynomial-
time)
OS4 Robot Étiré de Vol Stationnaire Omnidirectionnel (Omni-
directional Stationary Flying OUtstretched Robot)
PDE Équations aux Dérivées Partielles (Partial Differential Equations)
PID Proportionel Intégral Dérivé (Proportional Integral Derivative)
PSO Optimisation par Essaims Particulaires (Particle Swarm
Optimization)
SMC Commande Mode Glissant (Sliding Mode Control)
SO Orthogonal Spécial (Special Orthogonal)
TSM Commande par Mode Glissant Termnial (Terminal Sliding
Mode)
UAV Véhicules Aériens Sans-Pilote (Unmanned Aerial Vehicles)
VTOL Décollage et Atterrissage Vertical (Vertical Take Off and
Landing)

12
 Introduction Générale

Introduction Générale:

Le développement des véhicules aériens sans pilote (Unmanned Aerial Vehicles: UAV) a suscité un
grand intérêt pour la commande automatique au cours des dernières décades. De nombreux
domaines de la commande et de la robotique ont été exploités pour améliorer les performances de
ce type de systèmes. Les UAV ont été utilisés dans des domaines aussi bien militaires que civils, en
se concentrant sur des tâches telles que la recherche et le sauvetage, l’exploration des routes, la
sécurité, l’inspection, et la cinématographie aérienne, ainsi que des manœuvres acrobatiques. Les
UAV sont surtout utiles lorsque ces tâches souhaitées sont exécutées dans des environnements
dangereux et inaccessibles.

La construction d’un véhicule aérien autonome était un rêve pour beaucoup de chercheurs, qui
étaient limités par les restrictions imposées par la déficience du matériel existant. Cependant, ce qui
a vraiment permis la construction réussie des véhicules aériens autonomes, c’est les progrès
technologiques réalisés dans les actionneurs et les capteurs à petite échelle, appelés systèmes micro-
électromécaniques (MEMS), ainsi que les données de stockage et de traitement de l’énergie.

La mise au point des systèmes de commande pour ces véhicules n’est pas insignifiante, vue que les
UAV ont un comportement non-linéaire et variable dans le temps et sont affectés par les
perturbations aérodynamiques. De plus, ils sont généralement soumis à une dynamique non-
modélisée et à des incertitudes paramétriques. Cela signifie que les lois de commande classiques
linéaires et monovariables peuvent avoir une certaine limitation, provoquant une instabilité lorsque
le système fonctionne dans des conditions éloignées de l’équilibre. Par conséquent, des stratégies de
commande avancées sont nécessaires pour obtenir de bonnes performances en vol autonome ou au
moins pour aider au pilotage du véhicule, avec une maniabilité et une robustesse élevées en ce qui
concerne les perturbations.

La plupart de ces systèmes sont des systèmes mécaniques sous-actionnés (c’est-à-dire qu’ils ont
moins d’entrées de commande que de degrés de liberté) qui apportent une complexité et un défi à la
commande. Les techniques développées pour les robots entièrement actionnés ne peuvent pas être
appliquées directement à ces types de systèmes mécaniques, car la plupart des systèmes sous-
actionnés ne sont pas entièrement linéarisables. C’est pourquoi, les techniques de modélisation non-
linéaire et la théorie moderne de la commande non-linéaire sont généralement utilisées pour réaliser
des vols autonomes très performants et dans des conditions de vol spécifiques, telles que le vol
stationnaire et de l’atterrissage / décollage.

13
 Introduction Générale

En effet, les UAV avec une configuration à quatre moteurs (le quadrotor) ont été mis en évidence
ces dernières années et ceci dans de nombreux travaux. Ces derniers ont permis de constater que les
systèmes réalisés présentent certaines caractéristiques avantageuses par rapport à celles de
l’hélicoptère standard, telles que:

- Le mouvement du quadrtotor est basé sur quatre rotors, ce qui permet de réduire la taille de
chaque rotor et de maintenir ou d’augmenter la capacité de charge totale par rapport à un
hélicoptère à un rotor principal.
- Ces véhicules (les quadrotors) ne nécessitent pas de liaisons mécaniques pour agir sur les
hélices. Cela réduit la conception, la maintenance et le coût du véhicule.
- Ces véhicules sont bien intéressant pour une utilisation à l’intérieur en raison de l’usage des
moteurs électriques à la place des moteurs à combustion, ce qui évite la pollution de l’air liée à
la combustion des déchets.
- Les quadrotors sont basés sur le concept VTOL (Vertical Take Off and Landing). Ils tentent
d’atteindre un vol stationnaire et stable en utilisant les forces d’équilibre produites par quatre
rotors.

Les avantages précédents, ajoutés à sa grande maniabilité, permettent au quadrotor des décollages et
atterrissages, ainsi que des vols dans des environnements difficiles et dangereux.

Objectif:

Cette thèse présente une contribution au développement et à la mise en œuvre des stratégies de
commande robustes en vue de résoudre le problème de suivi de trajectoire des véhicules aériens
autonomes. Le véhicule utilisé est un mini-drone de type quadrotor caractérisé par un système
mécanique sous-actionné.

Le premier objectif formulé ici est l’obtention d’un modèle dynamique approprié de l’hélicoptère à
quadrimoteurs en tenant compte des objectifs de conception de commande, en plus d’une
considération à un compromis entre complexité et réalisme. Le modèle sera basé sur des lois
physiques pour obtenir une représentation du comportement du véhicule en présence de plusieurs
sources d’incertitude. Le premier modèle est donné sous forme simplifié alors que le deuxième
modèle présente un modèle détaillé du fait que la méthode exploitée est fortement basée sur le
modèle.

Étant donné que le quadrotor est un système mécanique sous-actionné, un moyen courant de suivre
la trajectoire d’un UAV consiste à utiliser des stratégies de commande en cascade. Par conséquent,

14
 Introduction Générale

des structures en cascade sont utilisées pour commander deux sous-systèmes: le rotationnel et le
translationnel. Les techniques de commande utilisées dans chaque boucle seront basées à la fois sur
la technique linéaire classique PID avec une optimisation des paramètres au moyen d’algorithmes
évolutionnaire, sur l’approche backstepping et aussi sur l’approche par mode glissant. En outre, la
technique backstepping est combinée par l’approche basée sur la théorie des systèmes linéaires à
paramètres variables (LPV) afin d’obtenir une commande robuste en boucle fermée où le correcteur
H∞ LPV guarantit la robustesse du sous-système de rotation.

Cependant, concernant les systèmes sous-actionnés, il faut souligner que les stratégies de
commande en cascade possèdent un inconvénient qu’on n’a pas pu démontrer la stabilité de
l’ensemble de la boucle fermée tient un comportement stable. Pour éviter d’utiliser des structures en
cascade, une stratégie de commande basée sur la technique H∞ non-linéaire appliquée aux systèmes
mécaniques sous-actionnés sera réalisée. L’objectif est d’obtenir une loi de commande qui garantit
la robustesse du problème de suivi de trajectoire du quadrotor sans recourir à des stratégies en
cascade.

Un autre problème à résoudre est l’amélioration de la robustesse du correcteur H∞ non-linéaire

conçu pour les systèmes mécaniques. Cette loi de commande est calculée en tenant compte du fait
que toutes les incertitudes qui affectent le système sont des perturbations externes. Cependant, cette
hypothèse n’est en effet pas très réaliste. Par conséquent, pour résoudre ce problème, une solution
permettant de renforcer la loi de commande non-linéaire H∞ sera présentée, où un terme
d’adaptation supplémentaire est calculé à l’aide de propriété de paramétrage linéaire et des
estimateurs à base des réseaux de neurones.

Plan de travail:

La thèse est organisée comme suit:

- Chapitre 1 surligne sur l’état de l’art des projets récents du système du quadrotor et résume les
applications des quadrotors ainsi que les avantages et les inconvénients de l’utilisation des
quadrotors et les défis relevés dans les travaux présentés.

- Chapitre 2, les différentes stratégies appliquées et exploitées dans cette thèse vont présenter avec
leur état de l’art dans la littérature; la commande robuste des systèmes linéaires à paramètres
variables (LPV) et la commande robuste H∞ non-linéaire.

- Chapitre 3 traite des stratégies de commande classique linéaire en cascade pour effectuer le suivi
de trajectoire du véhicule, ce qui met en évidence la poursuite de l’amélioration continue des

15
 Introduction Générale

performances. Dans ce chapitre, le modèle dynamique du quadrotor est effectué et puis une
structure de commande PID est développée, les paramètres des correcteurs sont optimisés par quatre
algorithmes méta-heuristique (GA, ES, DE et CS).

- Chapitre 4 traite des stratégies de commande classiques non-linéaires en cascade pour effectuer le
suivi de trajectoire du quadrotor. Dans ce chapitre, deux techniques de commande sont
développées; backstepping intégral et mode glissant, et finalement un teste de robustesse est
effectué.

- Chapitre 5 présente la commande robuste par la technique LPV qui a été utilisé pour stabiliser le
sous-système de rotation. Pour le suivi de trajectoire, le correcteur backstepping a été utilisé pour le
sous-système de translation et par conséquent, fournit les signaux désirés des angles.

- Chapitre 6 présente le développement d’un correcteur H∞ non-linéaire. Un terme d’adaptation

supplémentaire est calculé à l’aide de propriété de paramétrage linéaire et des estimateurs à base des
réseaux de neurones afin d’améliorer le comportement du suivi de la trajectoire.

16
 Chapitre I:

Etat de l’Art sur les Quadrotors; Commande et

Applications
 Etat de l’Art sur les Quadrotors; Commande et Applications

I.1 Introduction:

Au cours des dernières décades, les quadrotors ont acquis une énorme popularité dans la
communauté de la robotique, chez les amateurs et sur le marché commercial. Ils sont des plates-
formes aériennes de conception mécanique simple pouvant être assemblées à partir de composants
bon marché adaptés à un large éventail d’applications. Les quadrotors sont généralement construits
à partir de quatre moteurs avec des hélices à pas fixe disposées dans une configuration en croix où
tous les axes des moteurs sont parallèles les uns aux autres et où les hélices voisines tournent dans
des directions opposées. Les quatre forces poussées des rotors générées peuvent être commandées
individuellement en modifiant la vitesse du moteur respectif. Cela permet au quadrotor de produire
une force poussée collective perpendiculaire au plan des rotors et des couples le long des trois axes
du corps.

I.2 Les Quadrotors dans la Robotique:

Cette section résume les applications des quadrotors en plus des avantages et des inconvénients de
leur utilisation, ainsi que les défis relevés dans les travaux présentés en littérature.

I.2.1 Les Applications des Quadrotors:

Du fait que les drones, en particulier les quadrotors, sont devenus abordables et fiables il y a
environ une décade, leur nombre d’applications a augmenté très rapidement, couvrant désormais
pratiquement toutes les tâches qui impliquent le déplacement, par exemple, de capteurs ou de
charges utiles dans des endroits difficiles à atteindre, voire inaccessibles pour les humains et les
véhicules de sol. Les marchés les plus importants pour les drones sont ceux de l’inspection et de
l’agriculture. Les drones sont utilisés avec succès pour l’inspection de lignes électriques, de ponts,
de pipelines (Ozaslan et al., 2017), de chemins de fer et de nombreuses autres infrastructures. Dans
l’agriculture, les drones sont utilisés pour l’analyse des sols, surveillance, plantation, et
pulvérisation des cultures (Das et al., 2015). En outre, les drones sont utilisés pour les missions de
recherche et de sauvetage, où ils sont utilisés pour la cartographie et l’analyse des catastrophes ou
même pour la recherche de victimes (Murphy et al., 2014) ou la sécurité et la surveillance (Perez et
al., 2012; Pasqualetti et al., 2012; Merino et al., 2011). En plus, les drones sont largement utilisés
par les amateurs, comme c’est le cas de la photographie aérienne, qui est également devenue un
grand marché. À l’avenir, les drones devraient être largement utilisés pour la livraison de colis, pour
lesquels, déjà aujourd’hui, de nombreux investissements et recherches sont en cours. De plus, des
drones devraient être déployés pour des missions de construction (Alejo et al., 2013; Jimenez-Cano
et al., 2013).

18
 Etat de l’Art sur les Quadrotors; Commande et Applications

Figure I.1 Des images acquis d’une drone de surveillance des feux (Merino et al., 2011)

En résumé, la plupart des applications des quadrotors sont destinées à des tâches passives, c’est-à-
dire au déplacement des capteurs aux emplacements souhaités dans un espace 3D. De telles tâches
sont difficiles et coûteuses à accomplir sans drones, mais conviennent également particulièrement
aux quadrotors. Il existe donc un besoin énorme d’exploiter davantage le potentiel des quadrotors
autonomes. Pour rendre les quadrotors encore plus utiles et plus rentables, il est essentiel
d’augmenter leur niveau d’autonomie et la rapidité avec laquelle ils peuvent fonctionner, car cela
réduit le nombre d’opérateurs requis et accélère l’achèvement de leur tâche.

I.2.2 Les Avantages:

L’un des principaux avantages des quadrotors par rapport aux autres types de véhicules aériens de
petite taille et, ce qui explique leur popularité, réside dans leur conception mécanique simple et
robuste. Ils sont construits à partir d’un cadre rigide en forme de croix, qui peut être conçu léger
mais très résistant aux chocs. Comparés aux autres multi-rotors, où tous les rotors sont parallèles,
les quadrotors utilisent un nombre minimal de moteurs pour commander les degrés de liberté, ils,
par conséquent, constituent la configuration la plus simple de ces types de multi-rotors. Les moteurs
à hélices sont les seules pièces mobiles du véhicule. Étant donné que ces hélices ont généralement
un pas de pale fixe, leur force poussée peut être commandée en modifiant la vitesse du moteur, ce
qui est effectué par les correcteurs de vitesse électroniques (ESC). Par conséquent, cette
configuration ne nécessite pas de pièces mécaniques complexes, telles qu’un plateau en biais utilisé
sur les hélicoptères. Cela les rend particulièrement adaptés à la recherche, car ils sont peu coûteux et
offrent une grande flexibilité en termes de taille et de poids, ce qui est nécessaire pour utiliser de
nouveaux capteurs et configurations, comme c’est souvent le cas dans les expériences de recherche.

19
 Etat de l’Art sur les Quadrotors; Commande et Applications

En plus de leur conception simple et robuste, les quadrotors ont des capacités de vol favorables par
rapport aux autres types de véhicules aériens. Les quadrotors peuvent décoller et atterrir
verticalement et ne nécessitent donc qu’un espace minimal pour le démarrage et l’atterrissage. Ces
engins peuvent rester en vol sans avoir à se déplacer, ce qui est nécessaire pour de nombreuses
tâches, telles que l’inspection aérienne, la surveillance ou la photographie. En plus du vol
stationnaire, les quadrotors peuvent être conçus pour avoir une structure rigide et un rapport
poussée / poids très élevé, ce qui leur permet de réaliser des manœuvres agiles.

En résumé, les quadrotors conviennent parfaitement à la recherche en robotique aérienne car ils sont
simples et peu coûteux à concevoir, robustes contre les collisions, peuvent décoller et atterrir à la
verticale, tout en restant très agiles.

I.2.3 Les Défis:

Les quadrotors sont des systèmes instables, c’est-à-dire qu’un vol stationnaire stable ne peut pas
être obtenu en appliquant une entrée constante aux quatre moteurs. Pour stabiliser un quadrotor, les
entrées de chaque moteur doivent être commandées à une fréquence suffisamment élevée, ce qui
dépend de ses caractéristiques dynamiques. Le quadrotor de petite taille est plus agile, du fait que
l’accélération angulaire maximale est inversement proportionnelle à la taille du quadrotor, comme
c’est indiqué dans (Mulgaonkar et al., 2015).

Figure I.2 Les coordonnées de la formation ∆ leader-follower (Mulgaonkar et al., 2015)

Cela pourrait être exploité pour un vol agile sauf qu’il nécessite également des fréquences de
commande plus élevées pour faire face à la dynamique la plus rapide du véhicule. En outre, le
quadrotor de petite taille est moins efficace en raison de sa très petite surface de disque du rotor, qui

20
 Etat de l’Art sur les Quadrotors; Commande et Applications

décroît quadratiquement avec la taille du quadrotor. Pour ces raisons, il est difficile de trouver la
configuration optimale d’un quadrotor pour une tâche donnée, car il s’agit d’un compromis entre le
temps de vol réalisable, l’agilité ainsi que les capteurs et les ordinateurs pouvant être transportés.

Les quadrotors sont des systèmes sous-actionnés, car ils disposent de quatre entrées de commande
pour commander leurs six degrés de liberté. Ce n’est pas un problème pour le vol libre puisque
seuls quatre degrés de liberté indépendants doivent être commandés. Cependant, les quadrotors ne
sont pas adaptés aux interactions avec leur environnement car ils ne sont pas capables d’exercer des
forces indépendamment de leur orientation. Cela peut entraîner des problèmes lors du décollage
d’une surface inclinée par exemple, et doit être pris en compte dans la procédure de décollage
(Tognon et al., 2016).

Par conséquent, pour les interactions avec l’environnement, les véhicules aériens pouvant exercer
des forces sur plusieurs axes sont généralement utilisés, tels que les hélicoptères (Kondak et al.,
2013) ou les hexarotors à hélices inclinées (Ryll et al., 2017). En outre, lors de vols agiles proches
des limites physiques d’un quadrotor, des moteurs peuvent être saturé, ce qui entraîne une
incapacité à commander les quatre degrés de liberté indépendants.

I.3 Etat de l’Art sur la Commande du Quadrotor:

I.3.1 Les Systèmes de Type Quadrotor:

On a des systèmes de recherche sur la commande du quadrotor et l’estimation de l’état des drones
ont été mis au point dans de nombreux groupes de recherche du monde entier. En particulier, les
travaux de (Lupashin et al., 2014; Michael et al., 2010) conçus pour la recherche sur la commande
des quadrotors ont servi de base et d’inspiration au développement du système à quadrotors du
groupe Robotics and Perception (Fässler, 2018). Le système présenté dans (Grabe et al., 2013)
insiste beaucoup sur la flexibilité d’utilisation de quadrotors avec différentes interfaces pour les
entrées d’utilisateur, différentes méthodes de commande et différentes estimations d’état. Le travail
de (Fässler, 2018) a également influencé le système qui vise à utiliser des quadrotors avec des
estimations d’état provenant d’un système de capture de mouvement ou d’algorithmes visuelles.

21
 Etat de l’Art sur les Quadrotors; Commande et Applications

Figure I.3 Le plateforme quadrotor du groupe Robotics and Perception (Fässler, 2018)

I.3.2 Méthodes de Commande du Quadrotor:

La structure de commande la plus courante pour les quadrotors consiste en deux boucles de
commande, l’une pour la position et l’autre pour l’attitude. Une telle architecture est présentée dans
tous les systèmes aux quadrotors mentionnés ci-dessus. La boucle de commande de position de haut
niveau (extérieur) implémente généralement une loi de commande PD sur la position et la vitesse
avec des termes d’anticipation pour compenser la gravité et les accélérations à partir d’une
trajectoire de référence. La sortie de cette boucle de régulation est une accélération désirée qui
génère l’attitude désirée. L’attitude désirée est ensuite commandée par une boucle de commande de
bas niveau (intérieur) basée sur l’hypothèse que la dynamique d’attitude d’un quadrotor est
beaucoup plus rapide que sa dynamique de position et de vitesse. Une étude des représentations
d’attitude et de leur aptitude à commander l’attitude d’un corps rigide est présentée dans
(Chaturvedi et al., 2011). Dans la littérature de la commande du quadrotor, l’attitude est représentée
sous la forme d’un quaternion unitaire ou d’une matrice de rotation. Sur la base de ces
représentations, il est possible de concevoir des correcteurs d’attitude globalement
asymptotiquement stables. Les méthodes de commande du quadrotor consistant en une boucle de
commande de position par PD de haut niveau et en une boucle de commande d’attitude par PD de
bas niveau basée sur des matrices de rotation, sont présentées dans (Mellinger et Kumar, 2011; Lee
et al., 2010). Les correcteurs d’attitude ayant des propriétés similaires basées sur les quaternions
unitaires sont présentés dans (Fresk et Nikolakopoulos, 2013; Bangura et al., 2014). Étant donné
que pour toutes ces méthodes, la stabilité asymptotique du correcteur de position de haut niveau et
du correcteur d’attitude de bas niveau peut être montrée, le système interconnecté avec les deux
boucles est également asymptotiquement stable (Khalil, 1996).

Souvent, la commande d’attitude ne peut pas être réalisée par une seule boucle de commande en
raison du matériel utilisé avec plusieurs unités de traitement. En règle générale, deux unités de

22
 Etat de l’Art sur les Quadrotors; Commande et Applications

traitement sont intégrées aux quadrotors, où un ordinateur de bord effectue une estimation d’état et
une commande de haut niveau, et un micro-contrôleur moins puissant mais en temps réel est utilisé
pour les niveaux bas de commande. Comme la commande d’attitude nécessite une estimation des
états qui n’est disponible que sur l’ordinateur de bord. Pour obtenir une commande précise, des
entrées de moteur rapides et à faible temps de latence sont nécessaires, ce qui ne peut être obtenu
que par un micro-contrôleur en temps réel. Par conséquent, la commande l’attitude d’un quadrotor
est souvent réalisée par deux boucles de commande en cascade; Par exemple dans (Kumar et Gil,
2017; Brescianini et al., 2013a), la première boucle commande l’attitude à basse fréquence et la
deuxième boucle commande les vitesses à haute fréquence. Ce n’est pas préférable à une seule
boucle de commande, mais elle est souvent nécessaire en raison de la configuration matérielle
utilisée.

Dans (Mellinger et Kumar, 2011), il a été montré que le modèle commun d’un quadrotor sans tenir
compte des effets de traînée du rotor est différentiellement plat lors du choix de sa position et de sa
rotation en tant que sorties plates. En outre, ce travail a présenté un algorithme de commande qui
calcule les entrées de poussée et des couples à partir des erreurs de position, de vitesse et
d’orientation mesurées. Avec cette méthode, des manœuvres agiles avec des vitesses de plusieurs
mètres par seconde ont été réalisées. Dans (Ferrin et al., 2011), la propriété de planéité différentielle
d’un hexarotor prenant l’orientation désirée en tant qu’entrées ont été exploitées pour calculer les
termes de feed-forward utilisés dans un correcteur LQR. L’orientation désirée était alors
commandée par une boucle de commande séparée de bas niveau, ce qui permet également
l’exécution de manœuvres en vol à des vitesses de plusieurs mètres par seconde. La propriété de
planéité différentielle a été démontrée et utilisée pour la commande également pour de nombreuses
configurations différentes de véhicules aériens, tels que les véhicules aériens sous-actionnés avec un
nombre quelconque de bras manipulateurs parallèles différents fixés à leur centre de gravité (Yüksel
et al., 2016). Dans (Fässler, 2018) l’auteur a utilisé cette propriété pour calculer les termes de feed-
forward qui sont ensuite appliqués par un correcteur de position.

Dans (Mueller et D’Andrea, 2015), il est démontré que la position d’un quadrotor peut être
stabilisée malgré la perte totale des trois hélices au maximum. Pour stabiliser l’orientation en cas de
défaillance du rotor, il convient de prendre en compte plus d’hélices, tels que les hexarotors et les
hélices potentiellement inclinées qui conviennent parfaitement comme plates-formes sûres avec
redondance du rotor (Michieletto et al., 2017). Dans (Monteiro et al., 2016), une méthode
d’allocation de commande partielle qui donne la priorité à l’application des couples désirés et la
force poussée permet de traiter les entrées infaisables avant d’appliquer les commandes des rotors.

23
 Etat de l’Art sur les Quadrotors; Commande et Applications

Les schémas de commande les plus communs composés de boucles en cascade pour la position et
l’attitude, plusieurs autres méthodes de commande pour commander un quadrotor ont été proposées
dans la littérature. Parmi ces méthodes, on trouve les régulateurs linéaires quadratiques (LQR), les
correcteurs prédictifs (MPC) et les techniques de commande optimales. Les correcteurs basés sur
LQR peuvent être implémentés en tant que correcteurs à retour d’état complet pour la commande de
position et la commande d’attitude (Reyes-Valeria et al., 2013). De plus, il a été démontré que les
méthodes LQR étaient appropriées pour commander des systèmes à plusieurs corps, tels que des
quadrotors portant une charge en élingue (Decrousaz et al., 2015) ou pour équilibrer un pendule
inversé (Hehn et D’Andrea, 2011; Brescianini et al., 2013b). Dans (Kamel et al., 2015), un
correcteur d’attitude prédictif de modèle rapide est proposé, qui, associé à un régulateur quadratique
linéaire de haut niveau, permet de suivre les trajectoires agressives. Des correcteurs prédictifs ont
également été utilisés en tant que correcteurs de haut niveau avec une boucle de commande
d’attitude séparée (Raffo et al., 2008; Mueller et D’Andrea, 2013; Bangura et Mahony, 2014). De
plus, les méthodes de génération rapide de trajectoires peuvent être exploitées selon la commande
prédictive, en appliquant uniquement la première commande résultant d’une trajectoire planifiée,
puis en reprogrammant une nouvelle trajectoire pour la prochaine itération pour la boucle de
commande (Hehn et D’Andrea, 2015). Des méthodes de commande optimale ont été utilisées dans
(Ritz et al., 2011; Hehn et al., 2012) pour trouver des trajectoires optimales dans le temps pour la
transition entre deux états. La structure d’une manœuvre de transition est obtenue par le principe du
minimum de Pontryagin, puis un algorithme numérique est proposé pour résoudre le problème des
valeurs limites induit par le principe du minimum permettant de calculer les manœuvres pour des
états initiaux et finaux arbitraires. Basée sur un modèle quadrotor à deux dimensions, cette méthode
trouve les trajectoires bang-bang dans la commande de force poussée et bang-singulier dans la
commande de la vitesse. Un algorithme de commande optimale itératif qui trouve simultanément
une trajectoire et un correcteur de stabilisation est proposé dans (Decrousaz et al., 2015). Les
capacités de cet algorithme sont démontrées en effectuant un quadrotor avec une charge pour laisser
passer la charge en étant suspendu vers le bas, ainsi que par des tâches allant au but avec des
défaillances à un ou deux rotors.

I.3.3 Suivi Précis de La Trajectoire:

Il est de plus en plus difficile de suivre des trajectoires avec un quadrotor tenant une augmentation
de la vitesse en raison d’erreurs de modélisation, et qui deviennent plus pertinentes à des vitesses et
accélérations plus élevées. Une façon de surmonter cette limitation consiste à répéter une trajectoire
donnée et à apprendre de manière itérative comment contrôler les entrées qui doivent être adaptées
afin d’améliorer la précision du suivi de trajectoire. Dans (Lupahsin et D’Andrea, 2012), les multi-

24
 Etat de l’Art sur les Quadrotors; Commande et Applications

retournements en boucle ouverte et les manœuvres de translation optimales dans le temps ont été
apprises en les répétant et en adaptant les paramètres de trajectoire. Dans (Hehn et D’Andrea,
2014), un schéma d’apprentissage itératif au domaine des fréquences pour l’apprentissage de
manœuvres périodiques avec des quadrotors est présenté. Le schéma d’apprentissage proposé prend
les erreurs de commande en entrée et génère un décalage de point de consigne qui améliore la
précision du suivi de trajectoire.

Figure I.4 Un quadrotor en équilibrant un pendule inversé (Hehn et D’Andrea, 2013)

En outre, un procédé de mise à l’échelle temporelle permet le transfert de manœuvres apprises à

différentes vitesses d’exécution via une prédiction du changement de perturbation. Les erreurs de
suivi obtenues après l’apprentissage d’une trajectoire sous forme infini (∞) étaient similaires aux
écarts entre différentes tests de la trajectoire. Cette approche a également été appliquée pour voler à
des cercles rapides avec un quadrotor tout en équilibrant un pendule inversé dans (Hehn et
D’Andrea, 2013). Contrairement à l’apprentissage de la correction d’entrée, dans (Schoellig et al.,
2012a), les paramètres de mouvement d’une trajectoire périodique sont ajustés pour améliorer le
suivi temporel. Les paramètres de mouvement sont soit estimés en-ligne ou hors-ligne avant le vol
pour éviter les transitoires initiaux. De même, (Schoellig et al., 2012b) estime les perturbations dues
aux erreurs de modélisation le long d’une trajectoire désirée à l’aide d’un filtre de Kalman, sur la
base des perturbations estimées. Pour surmonter le problème de ne pas pouvoir généraliser à
différentes trajectoires, (Hamer et al., 2013) montre que les dynamiques principales du processus de
commande d’apprentissage itératif peuvent être capturées par une carte linéaire, qui peut ensuite
être utilisée pour améliorer l’initialisation des trajectoires d’apprentissage non vues. Une approche

25
 Etat de l’Art sur les Quadrotors; Commande et Applications

différente pour apprendre à améliorer le suivi pour des trajectoires invisibles est adoptée dans (Li et
al., 2017; Zhou et al., 2017), où un réseau de neurones profond est utilisé comme bloc additionnel à
un correcteur de retour d’état classique. Le réseau de neurones profond est formé hors-ligne sur des
données enregistrées à partir d’un ensemble de trajectoires d’entraînement et permet une réduction
significative de l’erreur de suivi de trajectoire.

Contrairement à l’apprentissage des entrées de commande qui compensent les erreurs de

modélisation, la considération d’un modèle dynamique plus précis dans le correcteur devrait obtenir
des résultats similaires.

L’amélioration du modèle dynamique présente l’avantage qu’une fois les paramètres du modèle
identifiés, toute trajectoire peut être parcourue avec plus de précision sans l’apprentissage itératif.

Dans (Yu et al., 2015), les correcteurs PID en cascade sont conçus et améliorés à l’aide de
prédicteurs de Smith afin d’intégrer la dynamique des moteurs pour une commande complète
d’attitude du quadrotor sur SO(3) (Special Orthogonal group, SO(3)=R ∊ ℝ3×3). Un correcteur
d’attitude LQR pour un seul axe, étendu avec une dynamique des moteurs du premier ordre, est
présenté dans (Kawai et Uchiyama, 2016; Wang et al., 2016). L’intégration d’effets de traînée
aérodynamique dans le modèle dynamique d’un quadrotor sera décrite dans la section suivante.

I.3.4 L’Aérodynamique du Quadrotor:

Grâce à la théorie bien établie des hélicoptères de grande taille, l’influence des effets
aérodynamiques sur la dynamique des quadrotors a été considérée depuis le début de la recherche
sur les quadrotors (Pounds et al., 2006; Hoffmann et al., 2007). Depuis lors, la modélisation de ces
effets pour les quadrotors a été intensément étudiée à partir de la théorie bien établie des
hélicoptères de taille normale. Dans (Bangura et al., 2016), des modèles très détaillés des forces
aérodynamiques des rotors utilisés sur des quadrotors à petite échelle ont été dérivés en utilisant la
théorie de la quantité de mouvement et la théorie des éléments de pale.

26
 Etat de l’Art sur les Quadrotors; Commande et Applications

Figure I.5 Un schéma montré les pales inclinés (Bangura et al., 2016)

Dans (Bristeau et al., 2009; Martin et Salaün, 2010), les hélices ont été modélisées avec la théorie
des éléments de pale montrant que la force principale résultante est linéaire en vitesse de translation.
Ces travaux mettent en évidence l’influence de l’emplacement vertical du centre de gravité d’un
quadrotor sur la stabilité de celui-ci, ainsi que ses conséquences sur le retour du correcteur. En plus
de l’étude de l’aérodynamique des quadrotors en vol vertical et en avant, (Powers et al., 2012)
étudie également les effets de proximité tels que les effets au sol et ceux des véhicules voisins. Dans
(Schulz et al., 2015; Gill et D’Andrea, 2017), un quadrotor attaché au plafond est utilisé pour
identifier des paramètres aérodynamiques tels que des coefficients de traînée linéaires, ainsi que des
variations de force poussée dues à la vitesse. Grâce à ça, le quadrotor atteint des vitesses très
élevées sur un cercle horizontal malgré l’espace disponible limité. Un cadre d’estimation permettant
d’identifier les paramètres de modèle d’un véhicule à rotors multiples, y compris les paramètres
aérodynamiques, est proposé dans (Burri et al., 2017). Ce travail montre que la traînée est
négligeable à une vitesse inférieure à environ 5 m/s, bien qu’elle soit inférieure aux effets de traînée
linéaires du rotor au cours des expériences menées dans une vitesse de vent maximale de 15 m/s.

Le modèle dynamique d’un quadrotor utilisé dans (Fässler, 2018) est basé sur ces travaux et utilise
notamment le modèle présenté dans (Kai et al., 2017), y compris les effets de traînée de rotor
linéaires. Ces effets de traînée de rotor proviennent de la traînée induite des rotors, qui, comme
suggéré dans (Mahony et al., 2012), sont combinés en effets linéaires dans un modèle dynamique à
paramètre global, grâce à leur expression mathématique équivalente.

Déjà, les travaux de (Bristeau et al., 2009; Martin et Salaün, 2010; Bangura et al., 2016) suggéraient
que les modèles dynamiques de quadrotors incorporant des effets de traînée linéaires pouvaient être
utilisés pour l’estimation de la vitesse, où (Bristeau et al., 2009; Martin et Salaün, 2010) le montrent

27
 Etat de l’Art sur les Quadrotors; Commande et Applications

expérimentalement. Dans (Leishman et al., 2014), un modèle du quadrotor incluant des effets de
traînée linéaires est utilisé pour améliorer l’estimation d’état avec un filtre de Kalman étendu. Ce
travail montre que l’estimation de l’attitude et de la vitesse peut être améliorée même en utilisant
uniquement une unité de mesure inertielle et aucune mesure de position.

De même, (Burri et al., 2015) a proposé un schéma d’estimation d’état basé sur un modèle pour les
micro-véhicules aériens basé sur un filtre de Kalman étendu. En utilisant uniquement les mesures
d’une unité de mesure inertielle et d’un capteur de pression barométrique, ce schéma d’estimation
maintient la vitesse estimée limitée, ce qui est crucial lorsqu’on utilise cette estimation d’état
comme un support si aucune estimation de position n’est disponible. En plus de l’estimation des
vitesses horizontales, (Allibert et al., 2014) étend l’estimation à la mesure de la vitesse de corps fixe
en exploitant leurs travaux antérieurs sur la modélisation aérodynamique de la performance du rotor
et la mesure de la puissance mécanique fournie au moyeu du rotor. Ce travail propose à un
observateur non-linéaire d’estimer l’attitude et la vitesse linéaire fixée au corps à l’aide d’une unité
de mesure inertielle et de correcteurs de vitesse électroniques qui mesurent la vitesse et le couple du
rotor.

Il existe plusieurs approches pour incorporer des effets aérodynamiques dans la conception des
commandes de quadrotors. Dans (Bangura et Mahony, 2017), les régulateurs de vitesse
électroniques permettent d’obtenir une régulation de force poussée précise grâce à un modèle de la
puissance aérodynamique générée par un rotor à pas fixe soumis à des perturbations dues au vent,
ce qui réduit l’erreur de suivi de trajectoire d’un quadrotor.

Cependant, cette méthode nécessite un matériel spécifique et un étalonnage de longue durée par
rapport à d’autres algorithmes (Franchi et Mallet, 2017) qui permettent une commande de la force
poussée grâce à une commande rapide et précise de la vitesse des moteurs. Les effets de traînée de
rotor ont été pris en compte dans les méthodes de commande pour les véhicules à multi-rotors (Kai
et al., 2017; Omari et al., 2013), où le problème de commande a été simplifié en décomposant la
force de traînée du rotor en un composant indépendant de l’orientation du véhicule et la direction de
la force poussée, ce qui aboutit à une expression explicite de la direction de force poussée désirée.
Tandis que (Kai et al., 2017) modélisent la traînée du rotor pour qu’elle soit proportionnelle à la
racine carrée de la force poussée, laquelle est proportionnelle à la vitesse du rotor et à la relation
physique correcte. (Omari et al., 2013) modélisent la traînée du rotor pour qu’elle soit
proportionnelle à la poussée. Dans (Svacha et al., 2017), un modèle de poussée raffiné et un schéma
de commande tenant compte de la traînée du rotor dans le calcul de la commande poussée et de
l’orientation désirée sont présentés.

28
 Etat de l’Art sur les Quadrotors; Commande et Applications

Figure I.6 Schéma de la traînée du rotor (Omari et al., 2013)

Cependant, ce schéma n’utilise pas de termes anticipés sur les vitesses et les accélérations
angulaires, ce qui ne permet pas un suivi de trajectoire parfait. En plus de la commande de poussée
et de l’orientation désirée, le schéma de commande de (Bangura, 2017) calcule les vitesses et les
accélérations angulaires désirées en tenant compte de la traînée du rotor, mais nécessite des
estimations de l’accélération du quadrotor, qui ne sont généralement pas disponibles.

En effet, le modèle dynamique d’un quadrotor soumis aux effets de traînée de rotor linéaires
développé dans (Kai et al., 2017) est différentiellement plat dans sa position et dans sa direction.
Cette propriété est ensuite utilisée pour calculer la force poussée de référence exacte, l’orientation,
la vitesse du corps, et les accélérations angulaires directement à partir d’une trajectoire de référence
à suivre, qui sont ensuite utilisées comme termes de feed-forward dans le correcteur (Fässler, 2018).
Il en résulte une loi de commande relativement simple et intuitive qui permet théoriquement un
suivi parfait des trajectoires à grande vitesse.

I.4 Conclusion:

Dans ce chapitre, nous avons abordé les quadrotors, leur commande et leur applications, ce qui a
permis de constater que de domaine des mini drones, en particulier les quadrotors a connu un intérêt
croissant par, soit les chercheurs ou les ingénieurs. Ce qui est aux évolutions des instruments de
commande, de communication et des capteurs. Cependant, les quadrotors impliquent des défis en
raison des caractéristiques de leur système dynamique; instable, couplé, non-linéaire, complexe,
sensible, et sous-actionné. Par conséquent, on trouve des efforts qui sont effectués afin de surmonter
ces difficultés par plusieurs techniques de commande; des méthodes linéaires, des techniques non-
linéaires, optimales, et même des approches basées sur l’intelligence artificielle. Dans le chapitre
prochain, nous allons fournir un état de l’art sur différentes techniques de commande robuste
linéaire et non-linéaire.

29
 Chapitre II:

État de l’Art sur Les Systèmes LPV et H∞ Non-

Linéaires
 État de l’Art sur Les Systèmes LPV et H∞ Non-Linéaires

II.1 Introduction:

Nous avons considéré précédemment les différents projets concernant la commande du quadrotor,
dont les caractéristiques dynamiques nécessitent une analyse particulière, afin de surmonter les
difficultés rencontrées et de développer les techniques de commande adéquates. Dans ce chapitre,
on présente un état de l’art des différentes stratégies de commande robuste présentées en littérature
et qui seront appliquées et exploitées dans cette thèse. Premièrement, la commande robuste des
systèmes linéaires à paramètres variables (LPV) qui a été choisie pour représenter une équivalence
des systèmes non-linéaires, et par la suite, la commande robuste H∞ non-linéaire basée sur la
résolution des équations différentielles qui est appliquée et développée pour les robots
manipulateurs.

II.2 Systèmes LPV:

L’objectif de cette section et de présenter les méthodes principales de représentation des systèmes
linéaires à paramètres variables (Linear-Parameter-Varying: LPV) et de mettre en évidence leur
capacité à représenter une classe vaste des systèmes dynamiques.

II.2.1 Approximation des Systèmes Non-Linéaires:

Les systèmes linéaires à paramètres variables (LPV) sont des systèmes dynamiques linéaires dont le
modèle mathématique dépend des paramètres qui changent leurs valeurs dans le temps.
Généralement, on considère que ces paramètres sont liés et prenant des valeurs dans un ensemble
définie. Les paramètres peuvent être utilisés pour approximer la dynamique non-linéaire, intégrer de
manière systématique des parties variant dans le temps, ou même introduire des degrés de liberté
supplémentaires pouvant s’avérer utiles pour une perspective de conception.

Chaque fois que les systèmes LPV sont considérés comme des approximations de systèmes non-
linéaires, les paramètres sont des fonctions des états du système. Ce type particulier de systèmes
LPV est appelé systèmes quasi-LPV, parfois abrégé q-LPV (Shin, 2002; He et Yang, 2006; Jung et
Glover, 2006; Wei et del Re, 2007; White et al., 2007).

Une difficulté supplémentaire importante est que les systèmes non-linéaires admettent généralement
plusieurs approximations / représentations LPV, et trouver la plus précise n’est pas une tâche facile
pour certaines méthodes d’approximation (Shin, 2002; Bruzelius et al., 2004; Mehendale et
Grigoriadis, 2004). Une autre difficulté liée à la commande des systèmes quasi-LPV obtenue à
partir de la linéarisation d’un système non-linéaire, réside dans la présence de termes de couplage
cachés pouvant conduire à un système à boucle fermée instable même si le système LPV à boucle

31
 État de l’Art sur Les Systèmes LPV et H∞ Non-Linéaires

fermée correspondant est stable. Des informations supplémentaires sur ces termes de couplage sont
décrites dans (Lawrence et Rugh, 1995).

II.2.2 Représentation des Systèmes LPV:

Différents paradigmes de modélisation LPV ont été présentés dans la littérature. Étant donné que la
forme générale du LPV découle directement d’une analyse et d’une commande robuste.

La formulation générique pour les systèmes LPV est la plus naturelle puisque les systèmes LPV
sont directement pris, cette formule est trouvée dans (Apkarian et Tuan, 1998). La forme
polytopique offre un moyen élégant et pratique de représenter et d’analyser les systèmes LPV et les
systèmes incertains, plusieurs exemples ont été proposés dans les références suivantes; (Apkarian et
al., 1995; Geromel et Colaneri, 2006; Borges et Peres, 2006; Oliveira et al., 2007; Chesi et al.,
2009). Contrairement aux systèmes LPV génériques pour lesquels on ne suppose a priori aucune
dépendance particulière vis-à-vis des paramètres, les systèmes polytopiques sont, par contre,
explicitement représentés comme une combinaison convexe de systèmes LTI. Cette propriété
structurelle peut être exploitée pour obtenir des résultats de stabilité et de stabilisation facilement
vérifiables à l’aide des techniques d’optimisation convexes. Même si les systèmes polytopiques
peuvent conduire à des descriptions inexactes pour certaines classes de systèmes LPV, ils restent
intéressants du point de vue théorique et informatique, car certaines propriétés du système LPV
considéré peuvent être connectées à celles des sous-systèmes, à savoir les systèmes extrêmes situés
aux sommets du système polytope. Dans certains cas, la stabilité du système LPV polytopique peut
être liée à la stabilité des sous-systèmes.

Les systèmes LPV sous forme LFT sont des systèmes LPV exprimés sous forme d’interconnexions
de deux sous-systèmes. L’abréviation LFT signifie transformation linéaire fractionnaire (Linear
Fractional Transformation) et est la procédure de reformulation utilisée pour exprimer les systèmes
LPV / incertains sous forme d’interconnexions à deux blocs. Cette procédure est présentée dans
l’analyse et la commande robuste, pour lesquelles elle a été principalement développée. L’intérêt
porté aux interconnexions entre les systèmes, remonte au milieu des années 70 lorsque les
chercheurs ont obtenu des résultats inexpliqués sur la commande optimale des avions et des sous-
marins. Ils ont commencé à supposer des incertitudes pour expliquer ces résultats. Ils ont ensuite
décidé d’étudier les problèmes de robustesse dans la commande optimale et ont jeté les bases de la
théorie de la commande robuste à réussir. L’idée principale derrière la LFT est de réécrire un
système complexe en tant qu’interconnexion d’une partie "simple et agréable" et d’une partie
"compliquée et gênante". La partie agréable doit posséder des propriétés convenables telles que la
linéarité, l’invariance dans le temps, etc. La partie gênante, en revanche, contient généralement des

32
 État de l’Art sur Les Systèmes LPV et H∞ Non-Linéaires

termes variables dans le temps, des non-linéarités, une dynamique à dimensions infinies, etc. Le
système global est ensuite analysé comme un paradigme des systèmes interconnectés pour lequel de
nombreux outils spécifiques ont été développés; critère de Popov pour les non-linéarités statiques
délimitées par secteur (Khalil, 1996), concepts de gain tels que gain L2 (Zames, 1966), concepts de
valeurs singulières (Zhou et Doyle, 1998), la théorie de la dissipativité et ses applications (Packard,
1994; Apkarian et Gahinet, 1995; Scherer, 2001; Scherer et Köse, 2012), séparation topologique
(Iwasaki et Hara, 1998) et contraintes quadratiques intégrales (Integral Quadratic Constraintes:
IQC) (Pfifer et Seiler, 2015).

L’intérêt de cette formulation, dans la forme LPV, a été montré dans (Packard, 1994; Apkarian et
Gahinet, 1995) où une formulation convexe de la conception des correcteurs à séquencement de
gains «gain scheduling» avec des performances H∞ a été décrite. Depuis lors, de nombreux travaux
ont été consacrés à ce problème (Apkarian et Adams, 1998; Scherer, 2001; Scherer et Köse, 2012).

Pour être complet, il semble important de mentionner la description entrée/sortie des systèmes LPV.
Ce mode de représentation est beaucoup moins répandu que les trois précédents et peut être utilisé
pour l’identification et la conception de commandes (Tóth, 2008; Tóth, 2010; Cerone et al., 2012).

II.2.3 Commande des Systèmes LPV:

Les outils d’analyse des systèmes LPV sont directement hérités d’une analyse robuste et d’une
théorie d’une commande robuste, l’intégralité de la théorie LPV n’est révélée que lorsque l’objectif
principal est la conception. La différence principale avec la commande robuste réside dans le fait
que les paramètres sont supposés connus ou mesurables. Les paramètres peuvent être utilisés dans
la loi de commande de manière programmée, ce qui donne lieu à des correcteurs LPV à
séquencement de gains. Il est toutefois important de montrer que le séquencement de gains existait
avant la théorie LPV, plusieurs exemples ont été proposés dans la référence; (Leith et Leithead,
2000). Les techniques de séquencement de gains LPV traitent le problème de manière directe et
globale, alors, le correcteur est construit à partir d’une famille de correcteurs linéaires locaux
conçus à l’aide des méthodes linéaires invariantes dans le temps. Les premières idées du
séquencement de gains pour le mode LPV ont été proposées par (Shamma, 1988), et les travaux
subséquentes ont été présentées dans (Shamma et Athans, 1991; Shamma et Athans, 1992). À
l’époque, la difficulté principale était l’absence d’une théorie générale permettant d’analyser la
stabilité des systèmes LPV et de concevoir des lois de commande basées sur LPV (Shamma et
Athans, 1992).

33
 État de l’Art sur Les Systèmes LPV et H∞ Non-Linéaires

Comme prévu, un cadre approprié pour l’analyse et la commande des systèmes LPV est né d’idées
de commande robuste, telles que la commande H∞ et l’utilisation des inégalités matricielles (Linear
Matrices Inequalities: LMI). Les techniques d’optimisation robustes modernes ont
considérablement renforcé ce cadre en fournissant un moyen rigoureux de traiter avec LMIs
dépendantes des paramètres. Les travaux de (Leith et Leithead, 2000; Rugh et Shamma, 2000)
donnent un aperçu de l’état de la technique en 2000, tandis que le livre de (Mohammadpour et
Scherer, 2012) fournit des développements plus récents de la théorie des systèmes et de la
commande LPV.

La loi de commande la plus simple qui puisse être conçue est le retour d’état. Il s’agit d’une
extension immédiate du retour d’état LTI au réglage LPV; la matrice du correcteur est désormais
fonction des paramètres. Ce correcteur est le plus facile à concevoir, mais il nécessite la
connaissance de l’état complet du système à mettre en œuvre.

En outre, la classe des correcteurs du retour de sortie est très facile à mettre en œuvre car la
commande est calculée directement à partir de la sortie mesurée. La difficulté principale réside
toutefois dans la difficulté d’obtenir des conditions favorables à la conception de telles lois de
commande. Notez que certaines occurrences de ce problème sont connues pour être NP-difficile,
(Blondel et Tsitsiklis, 1997; Fu, 2004). Pourtant, il existe certaines méthodes pour les concevoir, du
moins dans le cadre robuste (Prempain et Postlethwaite, 2005; Henrion et Lasserre, 2006; Apkarian
et Noll, 2006), dont certains peuvent être étendus au cas LPV.

Une classe très importante des correcteurs est la classe des correcteurs à retour de sortie dynamique.
Cette classe des correcteurs a été étudiée dans (Packard, 1994; Apkarian et Gahinet, 1995; Scherer,
2001; Scherer et Köse, 2012). Il est intéressant de noter que lorsque l’ordre du correcteur est égal à
l’ordre du processus, le problème de conception s’avère admettre des solutions convexes dans
plusieurs configurations. Lorsque le correcteur est d’ordre réduit, le problème est connu pour être
NP-difficile en raison de la présence d’une contrainte de rang (non-convexe) dans les conditions de
stabilisation (Scherer et al., 1997).

Les lois de commande basées sur l’observateur peuvent être comprises comme un cas particulier du
retour de sortie dynamique. Cependant, la structure de l’observateur ne permet pas toujours de
déduire des conditions de synthèse exactes et convexes. C’est par exemple le cas lorsque les gains
de l’observateur et du correcteur doivent être déterminés en même temps, via une seule condition
LMI. Cependant, une conception séparée entraîne toujours des conditions de synthèse convexes
(Heemels et al., 2010).

34
 État de l’Art sur Les Systèmes LPV et H∞ Non-Linéaires

II.2.4 Applications:

On donne ici une liste presque compréhensive des applications de la modélisation et de la

commande LPV dans la littérature. Dans (Wei et del Re, 2007), le modèle et la commande du
circuit de ventilation des moteurs diesel en vue de réduire le carburant polluant est abordé. La
commande des éléments dans les moteurs diesel est considéré dans (He et Yang, 2006; Jung et
Glover, 2006; Gauthier et al., 2007), où le débit d’air, l’injection de carburant et/ou le groupe
moteur sont commandés. Les moteurs à combustion turbocompressés sont considérés dans
(Kominek et al., 2012). Les systèmes LPV sont appliqués à la modélisation et au commande des
moteurs à double flux, les actionneurs électromagnétiques sont considérés dans (Forrai et al., 2007),
tandis qu’une application robotique est présentée dans (Kwiatkowski et Werner, 2005). Dans (Liu et
al., 2006), la commande LPV est appliquée au régulateur du système d’alimentation. Les éoliennes
sont prises en compte dans (Daher-Adegas et al., 2012). Dans (White et al., 2007), la commande
LPV est appliquée à la synthèse des pilotes automatiques des missiles. Dans (Lu et al., 2006), la
commande d’attitude d’une avion F-16 en réponse aux ordres du pilote pour différents angles
d’attaque est traité; les avions et les vaisseaux spatiaux sont également pris en compte dans (Corti et
Lovera, 2012; Hughes et Wu, 2012; Seiler et al., 2012). La modélisation et la commande des
suspensions des véhicules LPV sont présentés dans (Do et al., 2012; Poussout-Vassal et al., 2012),
tandis que la commande globale du châssis (commande d’attitude) est traité dans (Szabó et al.,
2012). D’autres applications dans l’automobile sont disponibles dans (Kwiatkowski et al., 2009;
Sename et al., 2013). La détection et l’isolement des défaillances à l’aide des techniques LPV a été
effectuée dans (Rodrigues et al., 2013). Les observateurs LPV ont été appliqués pour estimer la
température des cellules dans des batteries dans (Debert et al., 2013). La commande de la
circulation est considéré dans (Luspay et al., 2012). La commande des systèmes des données
échantillonnées asynchrones est traitée de manière LPV dans (Robert et al., 2006). Les méthodes
LPV sont appliquées pour commander les systèmes à temporisation temporelle dans (Briat et al.,
2009). Enfin, la commande LPV basée sur l’observateur des équations aux dérivées partielles non-
linéaires peut être trouvée dans (Hashemi et Werner, 2011).

II.3 La Commande H∞ Non-Linéaire et les Systèmes Sous-Actionnés:

Dans cette thèse, le problème de suivi de trajectoire d’un quadrotor sera abordé, l’objectif principal
étant d’améliorer la robustesse des stratégies de commande lorsque le véhicule vole en présence des
perturbations externes, de dynamiques non-modélisées et d’incertitudes paramétriques.

35
 État de l’Art sur Les Systèmes LPV et H∞ Non-Linéaires

II.3.1 La Commande H∞ Non-Linéaire:

La plupart des stratégies de commande classiques ne tiennent pas compte des incertitudes sur les
paramètres ni des perturbations externes. Cependant, les drones sont constamment affectés par les
incertitudes des modèles et les rafales de vent, qui peuvent facilement déstabiliser le véhicule.

Un choix approprié pour rejeter ces perturbations est la théorie de la commande H∞ non-linéaire.
Les premiers efforts pour étendre le problème de commande H∞ aux systèmes non-linéaires ont été
faits dans les années 1980. Dans (Ball et al., 1987), le problème des systèmes non-linéaires à temps
discret a été formulé et des solutions acceptables ont été trouvées à l’aide de la série de Volterra. La
solution pour les systèmes à temps continu non-linéaires a été fournie par van der Schaft dans (van
der Schaft, 1992).

L’objectif de la théorie H∞ est de réaliser un rapport borné entre l’énergie des signaux d’erreur et
celle des signaux de perturbation. En général, l’approche non-linéaire de cette théorie considère une
équation différentielle partielle (Partial Differential Equations: PDE) de Hamilton-Jacobi (HJ), qui
remplace l’équation de Riccati dans le cas de la formulation de commande H∞ linéaire. La solution
de la commande H∞ non-linéaire peut être obtenue par deux approches: la théorie différentielle
(Doyle et al., 1989; Bașar et Bernhard, 2008) et la théorie des systèmes dissipatifs (van der Schaft,
2000). Le problème principal dans le cas non-linéaire est l’absence de méthode générale pour
résoudre cette PDE HJ. Par conséquent, des solutions analytiques doivent être résolues pour chaque
cas particulier.

En raison de la difficulté à trouver des solutions analytiques, certains travaux utilisent des méthodes
numériques permettant d’intégrer de telles équations, par exemple les approximations de Galerkin
et les séries de Taylor (Beard et al., 1997; Beard et McLain, 1998; Beard et al., 1998; Hardt et al.,
2000).

Étant donné que l’intérêt principal est de travailler avec des modèles de systèmes mécaniques
obtenus via la formulation d’Euler-Lagrange, il est possible de trouver des solutions de la
commande H∞ non-linéaire minimisant les forces qui agissent sur le système, comme exposé dans
(Johansson, 1990). Dans cet article, l’auteur a proposé une solution au problème de la commande
optimale de H2 non-linéaire dans les systèmes mécaniques complètement actionnés. Depuis ce
travail, une quantité énorme de modifications a été apportée à la formulation des correcteurs non-
linéaires H2, H∞ et H2/H∞ pour les systèmes mécaniques (Chen et al., 1994; Feng et Postlethwaite,
1994; Chen et al., 1997; Postlethwaite et Bartoszewicz, 1998). Une étude sur la commande robuste

36
 État de l’Art sur Les Systèmes LPV et H∞ Non-Linéaires

des manipulateurs des robots a été présentée (Sage et al., 1999). On y trouve un aperçu de la
commande non-linéaire H∞ appliquée aux systèmes mécaniques.

Une solution paramétrée globale explicite au problème de la commande optimale H∞ à retour d’état,
formulée sous la forme d’un jeu min-max, a été développée dans (Chen et al., 1994). Cette solution
traite le cas particulier des systèmes mécaniques actionnés formulés par les équations d’Euler-
Lagrange en utilisant l’équation d’erreur d’état proposée dans (Johansson, 1990) et les propriétés
dynamiques des systèmes mécaniques. La même année (Feng et Postlethwaite, 1994) ont proposé
une approche similaire pour le correcteur H∞ à retour d’état non-linéaire pour les systèmes
robotiques, la variable coût prenant en compte le couplage entre les variables du correcteur et la loi
de commande, qui donne plus de degrés de liberté à la conception de la commande. En outre, une
loi de commande H∞ non-linéaire avec un schéma adaptatif a été présenté pour améliorer la
robustesse de l’ensemble du système.

Une stratégie de commande des systèmes mécaniques actionnés tenant compte de l’équation
dynamique d’erreur de suivi a été proposée, l’intégrale de l’erreur de position étant ajoutée au
vecteur d’erreur (Ortega et al., 2005). Dans cette stratégie, une commande H∞ non-linéaire a été
appliquée. Cette stratégie fournit, par le biais d’une solution analytique, une loi de commande
variant dans le temps, fortement dépendante du modèle et similaire aux résultats obtenus avec les
procédures de linéarisation à retour d’état. Les conditions pour formuler le correcteur sous la forme
d’un PID non-linéaire ont été établies.

Certains travaux utilisant des correcteurs non-linéaires H2, H∞ et H2/H∞ ont été établis dans le
domaine de l’aéronautique. La théorie de la commande non-linéaire H∞ a été utilisée pour concevoir
une loi d’orientation des missiles tridimensionnelle (Yang et Chen, 2001). On trouve aussi qu’un
missile tactique poursuivant des objectifs de manœuvre dans un espace tridimensionnel a été résolu
en utilisant une loi de guidage H∞ non-linéaire basée sur un modèle flou (Chen et al., 2002). Une
commande latérale mixte flou H2/H∞ adaptative des systèmes des missiles non-linéaires à
perturbations a été proposée (Chen et al., 2003). Un hélicoptère de laboratoire à double rotors a été
commandé à l’aide d’un correcteur non-linéaire L2 basée sur un modèle d’ordre réduit des hélices
(López-Martínez et al., 2007).

II.3.2 Les Systèmes Mécaniques Sous-Actionnés:

Les UAV sont généralement des systèmes mécaniques sous-actionnés, et le quadrotor n’est pas
différent, car il dispose de six degrés de liberté et de quatre actions de commande. Les systèmes
mécaniques sous-actionnés apparaissent dans plusieurs applications telles que les robots

37
 État de l’Art sur Les Systèmes LPV et H∞ Non-Linéaires

aérospatiaux et sous-marins, les systèmes mobiles, les systèmes flexibles, les robots de marche, de
gymnastique. Selon (Olfati-Saber, 2001), la propriété de sous-actionné des systèmes sous-actionnés
est due à quatre raisons: la dynamique du système, la conception visant à réduire le coût ou certains
objectifs pratiques, la défaillance de l’actionneur, et l’imposition artificielle pour créer des systèmes
non-linéaires de complexité réduit dans le but de mieux comprendre la commande des systèmes
sous-actionnés d’ordre élevé.

Dans le domaine de la commande des systèmes mécaniques sous-actionnés, une contribution

importante a été présentée dans (Spong, 1994), où les auteurs ont utilisé la linéarisation partielle à
retour d’état pour linéariser les degrés de liberté non-actionnés.

La commande du mouvement des systèmes mécaniques sous-actionnés est souvent difficile en

raison des contraintes non-holonomiques sur l’accélération générée par la sous-actionnement, ce qui
est impossible de réglager tous les degrés de liberté du système au même instant dans la position
souhaitée. Dans (Wichlund et al., 1995), des propriétés de commande de la dynamique de véhicules
sous-actionnés (véhicules sous-marins, hélicoptères, avions, etc.) ont été étudiées. Le système
mécanique sous-actionné ne peut être commandé ou stabilisé à aucun point d’équilibre pour les
conditions initiales. Dans (Reyhanoglu et al., 1999), les propriétés de commandabilité et
d’observabilité du système mécanique sous-actionné avec des contraintes non-holonomiques du
second ordre ont été dérivées. On trouvera une étude intéressante sur les systèmes mécaniques sous-
actionnés dans (Spong, 1998).

Le suivi de la position des systèmes mécaniques sous-actionnés a été effectué dans plusieurs
publications utilisant des correcteurs non-linéaires L2. Dans (Toussaint et al., 2000), un modèle non-
linéaire de navire sous-actionné a été commandé au moyen d’une loi de commande H∞ de suivi par
retour d’état en présence de perturbations et de mesures d’états bruités. Dans (Siqueira et Terra,
2004a), les auteurs ont établi une commande non-linéaire H∞ pour les manipulateurs sous-actionnés,
comme une extension de celui proposé par (Chen et al., 1994). Dans (Siqueira et Terra, 2004b), un
correcteur H∞ a également été mis au point lorsque le manipulateur sous-actionné est sujet de
changements de configuration. Dans (Siqueira et al., 2006), des correcteurs non-linéaires obtenus
par H2, H∞, H2/H∞, des problèmes d’optimisation ont été appliqués aux manipulateurs sous-
actionnés par redondance d’activation. Dans (He et Han, 2008), une commande de retour
d’accélération a été appliquée aux véhicules autonomes non-linéaires totalement actionnés ou sous-
actionnés en utilisant la théorie H∞. En outre, les résultats de simulations pour un suivi de trajectoire
d’hélicoptère ont été présentés.

38
 État de l’Art sur Les Systèmes LPV et H∞ Non-Linéaires

II.4 Conclusion:

On a présenté dans ce chapitres; la représentation et la commande des systèmes LPV, et la

commande robuste (H∞ non-linéaire) des systèmes mécaniques sous-actionnés, afin d’introduire aux
chapitres suivants (5 et 6) où le développement des correcteurs robustes a consacré à la commande
d’un système aérien autonome, le quadrotor. Dans les deux chapitres suivants (3 et 4), des
approches classiques seront développées et appliqués sur le quadrotor.

39
 Chapitre III:

Amélioration Des Performances de la Commande

Linéaire par l’utilisation des Algorithmes
Évolutionnaires
 Amélioration Des Performances de la Commande Linéaire par l’utilisation des AE

III.1 Introduction:

Dans ce chapitre, la commande d’un quadrotor par la méthode classique linéaire PID est établie. En
premier lieu, nous allons extraire le modèle dynamique de l’organe à partir les lois physiques et
aérodynamiques par le formalisme d’Euler-Lagrange. Par la suite, nous allons réaliser une
commande du système en boucle fermée par le correcteur PID. Du fait, que le système est non-
linéaire et sous-actionné, l’ajustement des paramètres du correcteur est effectué à partir des
algorithmes évolutionnaires d’optimisation; les algorithmes génétiques (GA), les stratégies
évolutionnaires (ES), l’algorithme à évolution différentielle (DE), et aussi avec l’algorithme du
cuckoo search (CS) (Hasseni et al., 2019). À la fin de ce chapitre, la simulation des dynamiques du
quadrotor sera présentée en utilisant l’outil Matlab/Simulink, avec les résultats atteints pour
diverses situations.

III.2 Modélisation du Quadrotor:

Le mouvement du quadrotor est lié à ses coordonnées de translation (x, y et z), ce qui constitue
l’altitude de l’engin et à ses coordonnées de rotation (φ: roulis, θ: tangage and ψ: lacet), ce qui
constitue son attitude, comme c’est représenté sur la Figure III.1, qui décrit une vue générale du
quadrotor. Ce dernier possède quatre rotors, dont chaque deux rotors tournent dans le même sens.
Le roulis présente la rotation selon l’axe x, le tangage présente la rotation selon l’axe y et le lacet
présente la rotation selon l’axe z. Le modèle mathématique du quadrotor par l’approche Euler-
Lagrange sera présenté dans ce qui suit.

f1
f4
ψ
φ
θ M4 M1
z
y x
f3 f2
B

M3
M2

z
y x
E

Figure III.1 Schéma du quadrotor

41
 Amélioration Des Performances de la Commande Linéaire par l’utilisation des AE

La loi de Lagrange est donnée comme suit (Spong et al., 2006):

− = (III.1)

Où:

L: Terme de Lagrange.

: Variable mesurée, présentant chaque variable de sortie: x, y, z, φ, θ et ψ.

: Vecteur des forces et couples non-conservés: , , , , et .

= + − (III.2)

: Energie cinétique de translation.

: Energie cinétique de rotation.

: Energie potentielle.

On obtient alors:

= . $" + " &'" − ()*

! %
"
(III.3)

Tel que:

V: Vecteur des vitesses de translation.

Ω: Vecteur des vitesses de rotation.

J: Matrice symétrique de l’inertie.

m: Masse du quadrotor.

g: Constante de gravité.

, − -./01
' = +123., + -./0,23.1 4
-23.,23.1 − 1./0,
(III.4)

5 0 0
& = +0 5 04
0 0 5
(III.5)

Ix, Iy, Iz: L’inertie sur l’axe x, l’axe y et l’axe z respectivement.

42
 Amélioration Des Performances de la Commande Linéaire par l’utilisation des AE

Finalement, les forces et couples non-conservés sont présentés par:

>2,.12- + .,.-?@>A%" + A"" + AB" + AC" ?

: >2,.1.- − .,2-?@>A%" + A"" + AB" + AC" ?=
: =
>2,21?@>A%" + A"" + AB" + AC" ?
Г=9 <=9 <
9 D@>AC − A" ? <
9 < 9
" "
<
(III.6)

D@>AB" − A%" ?
8 ; 8 E>A%" − A"" + AB" − AC" ? ;

Où:

s et c dénotent le sin et le cos respectivement.

b: Coefficient de portance.

d: Coefficient de trainée.

l: Longueur du bras.

ωi: Vitesse angulaire de iéme rotor.

Jr: Inertie du rotor.

Pour plus des détails, les références (Bouabdallah, 2007; Carrillo et al., 2013) peuvent être
consultées. En combinant (III.1) et (III.6) nous avons:

I JK = ! >2,.12- + .,.-?L%
%

G MK = % >2,.1.- − .,2-?L
G ! %
G
G *K = ! >2,21?L% − )
%

Y
H,K = OT 1- − OT 1 + OT L"
NOP QOR SV V U W X (III.7)
G K >OR QOT ?
G 1 = O ,- + O , + O LB
UV WV X

G
G K NOT QOP S
P P P

F - = O ,1 + O LC
%
R R

Le quadrotor est commandé par les vitesses angulaires des rotors (ω1 ω2 ω3 et ω4), alors le vecteur
des commandes est exprimé comme une fonction des vitesses angulaires comme suit:

I L% = @>A% + A" + AB + AC ?
" " " "

GL" = @>AC" − A" ?

" Y
HLB = @>AB − A% ?
" " (III.8)
GL = E>A" − A" + A" − A" ?
F C % " B C

43
 Amélioration Des Performances de la Commande Linéaire par l’utilisation des AE

Z = A% − A" + AB − AC (III.9)

Les entrées du system sont, la commande d’altitude (U1), la commande du roulis (U2), la commande
du tangage (U3) et la commande du lacet (U4).

Le vecteur des états X est donné par:

[ = \J, J, M, M, *, *, ,, ,, 1, 1, -, -^
_
(III.10)

Le vecteur des entrées U est donné par:

L = `L% , L" , LB , LC a_ (III.11)

Les points d’équilibre de (III.7) satisfont:

bN[c , Lc S = 0 (III.12)

Où:

[c = \Jc , Jc , Mc , Mc , *c , *c , ,c , ,c , 1c , 1c , -c , -c ^
_
(III.13)

Lc = \L%c , L"c , LBc , LCc ^

_
(III.14)

La résolution de (III.12), résulte en les points stationnaires:

[c = `Jdd , 0, Mdd , 0, *dd , 0,0,0,0,0, -dd , 0a_ (III.15)

Lc = `). (, 0,0,0a_ (III.16)

Où: xss, yss, zss, ψss ∈ R, nous notons ss signifie steady state (régime permanent).

En outre, des limites sont appliquées sur les angles de roulis (φ) et de tangage (θ) pour éviter la non-
commandabilité:

≤ ,, 1 ≤
Qf f
" "
(III.17)

Dans ce travail, les paramètres de simulation du quadrotor sont pris depuis le projet (OS4)
(Bouabdallah, 2007), ils sont présentés sur le Tableau III.1:

Tableau III.1 Les paramètres du OS4

Paramètre Description Valeur Unité

m Masse 0.65 Kg
l Longueur de bras 0.23 m
b Coefficient de portance 3.13 10-5 N.s2
d Coefficient de trainée 7.5 10-7 N.m.s2

44
 Amélioration Des Performances de la Commande Linéaire par l’utilisation des AE

Ix Inertie de rotation selon l’axe x 7.5 10-3 Kg.m2

Iy Inertie de rotation selon l’axe y 7.5 10-3 Kg.m2
Iz Inertie de rotation selon l’axe z 1.3 10-2 Kg.m2
Jr Inertie de rotor 6 10-5 Kg.m2
g Constante de gravité 9.8 m.s-2

III.3 Les Algorithmes Évolutionnaires:

Nous allons présenter un état de l’art d’application des algorithmes évolutionnaires, ensuite des
descriptions et les caractéristiques des algorithmes inspirés de la nature; les algorithmes génétiques,
les stratégies évolutionnaires, l’algorithme d’évolution différentielle et l’algorithme cuckoo search,
qui seront utilisés dans cette partie pour l’optimisation les paramètres des correcteurs linéaires PID.

III.3.1 Applications des Algorithmes Évolutionnaires sur la Commande:

L’application des algorithmes évolutionnaires (Evolutionary Algorithms: EA) aux techniques de

commande peut être globalement classée en deux domaines: la conception et l’analyse hors ligne et
l’adaptation et le réglage en ligne. Dans les applications hors ligne, les EAs peuvent être utilisés
comme moteur de recherche et d’optimisation, par exemple pour sélectionner les lois de commande
appropriées pour une installation connue afin de satisfaire des critères de performance donnés ou
pour rechercher les réglages de paramètres optimaux pour une structure de correcteur particulière.
Dans l’adaptation en ligne, les EAs peuvent être utilisés comme une mécanisme d’apprentissage
pour identifier les caractéristiques de systèmes inconnus ou non-stationnaires ou pour le réglage
adaptatif de correcteurs pour des systèmes connues ou inconnues.
Dans cette section, certaines applications récentes des EAs sur la commande sont considérées
lorsque les méthodes conventionnelles sont inappropriées, problématiques ou indisponibles.

A/ Conception du système de commande:

Une des applications les plus courantes des EAs est l’optimisation paramétrique. Dans la conception
des systèmes de commande, de nombreuses tâches peuvent être exécutées dans un cadre
d’optimisation. En particulier, dans la conception des systèmes de commande par l’optimisation des
paramètres, la solution finale peut être sensible à l’estimation initiale de la solution ou il peut exister
un certain nombre de combinaisons de réglages de paramètres qui produisent l’action de commande
souhaitée. Les optimiseurs classiques peuvent donc ne trouver que des solutions sous-optimales, car
la recherche est forcée de ne prendre en compte que de petites régions de l’espace de recherche

45
 Amélioration Des Performances de la Commande Linéaire par l’utilisation des AE

influencées par l’estimation initiale. Les EAs sont capables d’échantillonner l’ensemble de l’espace
de la solution et doivent produire des solutions de nature plus globale. De plus, les approches
évolutionnaires ont le potentiel de trouver simultanément des solutions dans de nombreux domaines
différents de l’espace de recherche. Ainsi, davantage d’information sur la nature du problème de
conception peuvent être obtenues au cours de la recherche, ce qui donne potentiellement un
processus de conception plus éclairé.
Les EAs se sont révélés être une stratégie efficace dans la conception hors-ligne des correcteurs par
l’optimisation paramétrique. (Jogindar-Singh et al., 2017) ont présenté comment les EAs peuvent
être utilisés dans la sélection et le réglage des paramètres du correcteur PID d’un servomoteur.
(Zhang et al., 2017) ont montré comment les EA peuvent être utilisés pour résoudre des problèmes
de planification de trajectoire des robots dans des environnements stationnaires et non-stationnaires.

B/ Optimisation multi-objectif:

Les problèmes d’ingénierie de commande nécessitent très rarement l’optimisation d’une fonction-
objectif unique. Cela, il existe généralement un certain nombre des objectifs de conception
concurrents qui doivent être atteints simultanément. Conventionnellement, les membres de
l’ensemble de solutions Pareto-optimal sont recherchés par la résolution d’un problème de
programmation non-linéaire formulé de manière appropriée. Un certain nombre des approches sont
utilisées, notamment les méthodes de ε-contrainte, de somme pondérée et de réalisation des
objectifs (Chircop et Zammit-Mangion, 2013). Cependant, de telles approches nécessitent
l’expression précise d’un ensemble de poids et des objectifs généralement mal compris. Si la
surface de compromis entre les objectifs de conception doit être mieux comprise, une application
répétée de telles méthodes sera nécessaire. De plus, les méthodes de programmation non-linéaires
ne peuvent pas gérer correctement la multi-modalité et les discontinuités dans l’espace fonctionnel
et ne peuvent donc que produire des solutions locales.
Les EAs peuvent potentiellement devenir une méthode puissante pour l’optimisation multi-objectif.
En incluant l’ingénieur de commande automatique dans le processus de conception en tant que
décideur, l’évaluation environnementale peut être guidée. Les compromis entre les critères de
conception et leurs interactions peuvent être examinés de près et les connaissances et l’expérience
des ingénieurs peuvent être utilisées pour prendre une décision en connaissance de cause sur la base
des exigences de conception plutôt que des propriétés des fonctions-objectif (Nazarahari et al.,
2019).

46
 Amélioration Des Performances de la Commande Linéaire par l’utilisation des AE

C/ Commande robuste:

Une approche de la conception des correcteurs robustes consiste à attribuer une structure propre.
(Tamilchelvan et Arounassalame, 2016) ont mis en évidence une approche par les GA sur le
système de conversion d’énergie éolienne. Leur approche a été appliquée à la conception d’un
correcteur PI d’ordre fractionnel (FO-PI) et utilise une représentation réelle des valeurs pour
minimiser une fonction-objectif basée sur l’intégral de temps multiplié par l’erreur absolue (ITAE).
La robustesse de FO-PI est comparée avec PI classique, les résultats de la simulation montrent la
robustesse du correcteur FO-PI dans la commande de la tension de sortie, même en présence de
variation du vent due à la fluctuation de la vitesse du vent.

Les EAs utilisent une représentation structurée (Do et al., 2011; Vu et al., 2017) qui permet de
rechercher des fonctions de pondération et d’identifier simultanément les paramètres appropriés. Le
problème de conception considéré était un système de suspension pour un véhicule à lévitation
magnétique. Il consistait à trouver les fonctions de pondération appropriées pour définir les
fonctions de transfert en boucle ouverte tout en satisfaisant l’optimisation de H∞ de performance
explicite en boucle fermée.

D/ Systèmes d’identification:

De nombreux problèmes de commande, de traitement du signal et d’apprentissage automatique

peuvent être considérés comme un problème d’identification, dans le but de déterminer un modèle
approprié à partir d’un ensemble de données d’entrée-sortie. Le modèle résultant peut ensuite être
utilisé pour la prédiction et la commande d’un système « boite noire ». Bien qu’il existe de
nombreuses méthodes éprouvées pour l’identification de systèmes linéaires, dans la pratique, la
plupart des systèmes du monde réel sont non-linéaires. La complexité supplémentaire associée à
l’identification de système non-linéaire, en particulier en l’absence des informations initiales ou de
détails de la structure du modèle, dans une certaine mesure il a contribué au manque relatif
d’attention accordée à ce domaine particulier. Une approche réussie de ce problème est la méthode
de régression orthogonale par la méthode des moindres carrés (Molugaram et Shanker-Rao, 2017)
pour trouver un ensemble approprié de termes non-linéaires pour le système. Cependant, la
complexité et la croissance combinatoire de l’espace de recherche font qu’une recherche exhaustive
n’est pas toujours réalisable et son application est limitée.
(Dub et Stefek, 2014) ont mis en œuvre une identification de système non-linéaire en utilisant PSO.
PSO est utilisé pour estimer les paramètres du modèle (fonction de transfert) d’un moteur à courant
continué. Les données du système sont présentées par la tension d’armature comme entrée, et la
vitesse de rotation comme sortie. Cette approche a été utilisée avec les données originales bruitées,

47
 Amélioration Des Performances de la Commande Linéaire par l’utilisation des AE

ainsi que filtrées. Les tests ont présenté que les résultats ont été améliorées si une distribution
logarithmique des positions initiales était appliquée.

Ainsi, l’algorithme génétique a le potentiel d’être plus efficace pour identifier une structure de
modèle appropriée et donc de nature plus générale. La stratégie d’identification génétique peut être
rendue plus efficace en permettant à la recherche d’être effectuée sur un nombre variable de termes.
Plutôt que d’utiliser une fonction-objectif basée sur la longueur minimale du descripteur, le
problème peut être exprimé sous la forme « multi-objectif », prenant ainsi en considération le
nombre de termes et la variance simultanément. Cette approche est préférable car l’impact du
nombre de termes dans le modèle ne masquera pas directement la performance résiduelle d’un
modèle. Pour accueillir une population composée des individus constitués d’un nombre variable de
termes, une représentation structurée peut être appropriée (Dasgupta et McGregor, 1992). (Alsakini
et al., 2016) montrent comment les algorithmes génétiques peuvent être appliqués à l’identification
de systèmes non-linéaires des turbo générateurs.

E/ Systèmes d’intégration:

Le problème de la conception des correcteurs offrant des performances optimales, ceux-ci doivent
toutefois être intégrés à l’ensemble du système. Par exemple, dans les implémentations de
correcteur de moteur à turbine à gaz, les problèmes d’algorithme de commande, il existe des autres
problèmes importants de réalisation et d’implémentation de matériel. Celles-ci incluent des
considérations de conception telles que l’emplacement, le poids et les types d’interface pour les
transducteurs et les actionneurs, ainsi que la conception des règles de redondance, de tolérance aux
pannes et de diagnostic des pannes. Tous ces problèmes ont une incidence sur l’optimisation de
l’intégration et il est souhaitable d’examiner comment elles interagissent les unes avec les autres en
tant que processus de conception unique. Un moteur moderne typique comporte plus de 160
interfaces combinées avec un bus de données et de faisceaux de câbles dédiés pour transmettre des
signaux de données discrets et continus. Le placement des composants est dicté par
l’environnement, les exigences de refroidissement de l’électronique, la fiabilité, la sécurité et un
certain nombre des autres critères. L’intégration des systèmes a donc pour objectif d’envisager
l’intégration du système de contrôle avec l’usine et les exigences d’interface avec des autres
systèmes en interaction, par exemple, la cellule, afin d’améliorer la sécurité, l’efficacité, le poids, la
fiabilité et les coûts d’exploitation.

Le problème de l’intégration des systèmes est commun à de nombreuses applications industrielles et

peut être posé dans un cadre multi-objectif. Cependant, il a généralement été constaté que ses
propriétés le rendaient impropre aux techniques d’optimisation conventionnelles. Par exemple, la

48
 Amélioration Des Performances de la Commande Linéaire par l’utilisation des AE

variable de décision est un hybride de paramètres discrets et continus et les objectifs de conception
couvrent un intervalle large de mesures de la performance du correcteur aux considérations
mécaniques. De plus, on peut s’attendre à ce que les fonctions-objectif soient en général hautement
non-linéaires et présentent un degré élevé d’interaction entre elles. L’utilisation de méthodes
évolutionnaires a le potentiel de rechercher de telles surfaces complexes de fonction-objectif, en
incorporant les connaissances des concepteurs à la fois dans la formulation et la résolution du
problème (voir, par exemple, (Suresh et Meenakumari, 2016)).

F/ Commande adaptative et temps-réel:

Les tentatives d’utilisation des GA dans des applications de commande en temps réel rencontrent
deux problèmes majeurs: le temps d’exécution générationnel et la production de lois de commande
satisfaisantes à chaque génération. Le problème du temps d’exécution générationnel peut être résolu
par des algorithmes génétiques parallèles. Les GAs incrémentiels ne produisent qu’une ou deux
individus enfants à chaque génération et présentent donc l’avantage de réduire le temps de cycle de
génération et les besoins en mémoire, mais ils peuvent ne pas produire des nouveaux individus ou
satisfaisants.

La tâche de produire une loi de commande satisfaisante à chaque génération est le problème le plus
difficile à résoudre. Par exemple, un correcteur relativement peu sensible peut avoir un grand
nombre de réglages de paramètres appropriés qui aboutissent à une loi de commande satisfaisante.
Ainsi, il est possible que le GA produise des lois de commande successives qui s’interprétaient par
des modifications trop importantes des paramètres du correcteur, entraînant probablement des
problèmes de stabilité. Cependant, un certain nombre de programmes réussis basés sur des
évaluations environnementales ont été développés. (Jaen-Cuellar et al., 2013) ont mis au point une
approche génétique de réglage des correcteurs PID numériques qui serait beaucoup plus simple à
mettre en œuvre que les techniques d’optimisation sous contrainte, même dans le cas des systèmes
simples. Des autres approches adaptatives ont utilisé PSO pour mettre en œuvre des systèmes de
commande PID numérique d’un moteur (voir, par exemple, (Yazgan et al., 2019)).

(Chen et al., 2016) montrent comment les EAs peuvent être utilisés pour concevoir des correcteurs
de logique floue adaptatifs et non-adaptatifs pour un système dynamique. Dans cette approche, le
GA est utilisée pour optimiser les fonctions d’appartenance du correcteur. Il est avancé que les
règles de commande ont tendance à rester constantes, même dans un large éventail de conditions, et
que les fonctions d’appartenance devraient être adaptées. Pour l’optimisation des fonctions
d’appartenance (Valdez et al., 2018) utilisent les algorithmes ACO et PSO, et un système de
classificateur flou est utilisé pour acquérir et modifier de bons ensembles de règles en ligne. Dans

49
 Amélioration Des Performances de la Commande Linéaire par l’utilisation des AE

leur schéma, la commande adaptative est fournie par l’adaptation constante du jeu des règles pour
répondre à la dynamique changeante du problème.

III.3.2 Les Caractéristiques des Algorithmes Sélectionnés:

A/ Les Algorithmes Génétiques:

L’algorithme génétique (Genetic Algorithm: GA), considéré comme étant l’un des anciens
algorithmes évolutionnaires est en effet c’est l’algorithme le plus populaire dans les applications
d’ingénierie. Il est basé sur le mécanisme de la sélection naturelle des systèmes biologiques, où
leurs opérateurs sont des opérateurs biologiques; croisement, mutation, et sélection où ils sont
appliqués sur chaque population. La population est divisée à des individus, les bons individus ont
une chance à survivre et transférer leurs caractéristiques à la génération suivante. Chaque individu
est appelé chromosome et représente une solution dont nous considérons les individus comme des
solutions réelles dans ce travail.
L’opération d’évaluation (Evaluer) est effectuée selon la fonction-objectif, où nous avons besoin de
classer tout les individus réels de la population afin d’effectuer le croisement Best-Mate-Worst
(Ranjitham et Shankar-Kumar, 2016). Le croisement est effectué après la sélection de type
déterministe. Ce croisement (Recombiner_BMW) est présenté par l’expression suivante:

J i%
= j J + >1 − j? Jl
h Y
Jl i% = j Jl + >1 − j? J
(III.18)

La mutation est appliquée de façon aléatoire, et implémentée avec un taux (pm) sur les populations
d’enfants après la fin de l’opération de croisement. Plusieurs types de mutations ont été proposés en
littérature parmi lesquelles, on utilise la mutation Gaussienne (Deb et Deb, 2014). Cette dernière est
effectuée selon la formule suivante:

J i%
=J i%
+ m>0, n? (III.19)

Finalement, l’opération Remplacer, permet de remplacer les individus mauvais de la génération

précédente par les individus mieux de la génération actuelle afin de garder la taille de la population
comme l’initiale.

50
 Amélioration Des Performances de la Commande Linéaire par l’utilisation des AE

La procédure est illustrée dans l’Algorithme 3.1.

Algorithme 3.1: Algorithme Génétique

Initialiser des solutions aléatoirement;
TantQue max_Generation n’est pas atteint
Evaluer chaque solution;
Classer les solutions;
Recombiner_BMW par pairs de parents;
Mutation avec un taux pm;
Remplacement déterministe;
Fin TantQue

B/ Les Stratégies Évolutionnaires:

Les stratégies évolutionnaires (Evolutionary Strategies; ES) sont des algorithmes qui ont été
proposés avant les algorithmes génétiques, initialement pour des problèmes d’optimisation des
systèmes continues. De même que les GA, leurs opérateurs sont: le croisement (ou combinaison), la
mutation et le remplacement (Hansen et al., 2015). L’avantage principal d’une ES est l’auto-
adaptation de la commande des paramètres dans la tâche de la mutation. Plusieurs types de
stratégies existent en littérature, parmi lesquelles on trouve la stratégie (µ+λ) avec codage réel des
individus (Hansen et al., 2015). Ce type de ES est utilisée dans ce travail. Nous allons prendre λ
individus de la population des enfants recueillis avec µ meilleurs individus de la population parente,
et nous allons les considérer comme étant la nouvelle génération. Contrairement au GA, dans le
croisement, nous n’avons pas besoin de classer la population, parce que la combinaison est
implémentée aléatoirement entre les λ individus.

L’opération du croisement, Recombiner, est implémentée de la même façon que celle dans le cas du
GA (III.18) en sélectionnant λ individus réels aléatoirement de la génération parente (Wright, 1991).
L’une des caractéristiques principales de l’ES est l’auto-adaptation de la mutation, que nous allons
utiliser plus tard dans ce chapitre. La mutation auto-adaptative log-normal est donnée par:
n i%
= n o >√q?
rs .t >u,%?
(III.20)
J i%
=J i%
+ m>0, n i%
? (III.21)
Où
n et n i%
: sont l’écart-type de la génération actuelle et suivante respectivement.
o >√q?
rs .t >u,%?
: est le taux de mutation avec n=2.
m>0, 1?: la loi de probabilité normale de moyenne 0 et l’écart-type 1.
m>0, n i%
?: la loi de probabilité normale de moyenne 0 et l’écart type n i%
.

51
 Amélioration Des Performances de la Commande Linéaire par l’utilisation des AE

Dans la dernière opération, Remplacer, nous prenons les λ individus de la génération des enfants et
les meilleurs µ individus de la génération des parents en les transférant à la génération suivante.

La procédure est illustrée dans Algorithme 3.2.

Algorithm 3.2: Stratégies Evolutionnaires

Initialiser des solutions aléatoirement;
TantQue max_Generation n’est pas atteint
Générer de nouvelles solutions;
Recombiner des pairs de parents;
Réaliser une mutation;
Classer les solutions de la génération parente;
Remplacer la nouvelle génération (µ+λ);
Fin TantQue

C/ Algorithme d’Évolution Différentielle:

L’algorithme d’évolution différentielle (Differential Evolution; DE) a était créé par Storn et Price
en 1997 (Storn et Price, 1997). Il est considéré comme l’algorithme évolutionnaire le plus récent,
qui est en plus similaire au GA basé sur les deux processus de croisement et de mutation (Price et
Storn, 2005). Bien qu’il utilise les termes évolutionnaires; i.e. croisement, mutation, et sélection, il
ne suit aucune évolution naturelle. Cependant, les opérateurs sont implémentés par opérations
mathématiques; un croisement différentiel et mutation différentiel. Ces opérations peuvent être
exponentiels ou distribution binomial (Yang, 2014).

Comme nous avons mentionné précédemment, le croisement et la mutation sont différentiels.

Premièrement, la mutation est implémenté par DE/Best/1/Bin qui dénote que nous générons un
vecteur donneur vi pour chaque iéme individu. Le vecteur de base est le meilleur vecteur dans la
population actuelle, Best. La mutation suit une distribution binomiale, Bin, entre deux autres
vecteurs aléatoires (Yang, 2014):

v i%
= Jw + >J − J ? (III.22)

Où xb est la meilleure solution (Best), xp et xq sont des solutions aléatoires différentes de xi, F est le
poids ou le coefficient différentiel. Chaque solution est un vecteur de taille d, où le croisement
binomial différentiel, Crois_Diff, est implémenté pour chaque jéme élément d’une solution i. en
générant un vecteur uniformément distribué ri et Jr et selon la probabilité de croisement, Cr, et le
nouveau vecteur est manipulé comme suit:

52
 Amélioration Des Performances de la Commande Linéaire par l’utilisation des AE

v ,li% ./ y ≤ z 3{ | = }
x i%
=h Y
,l
J ,l ~/DDo{y.
(III.23)

Finalement, la tache de la sélection est atteinte par:

x i%
./ b>x i%
? < b>J ?Y
J i%
=h
J ~/DDo{yo.
(III.24)

Où f(.) est la fonction-objectif.

La procédure est illustrée dans Algorithme 3.3.

Algorithme 3.3: Évolution Differentielle

Initialiser des solutions aléatoires;
TantQue max_Generation n’est pas atteint
Evaluer chaque solution;
Générer un vecteur donneur par “DE/Best/1/Bin”
Crois_Diff concernant Cr
Sélectionner le meilleur entre l’ancienne solution et la solution d’essai;
Fin TantQue

D/ Cuckoo Search:

Cuckoo Search (CS) est un algorithme intelligent basé sur l’essaim, et qui a été développé par
(Yang et Deb, 2009). Il est inspiré du comportement de l’oiseau (coucou) en posant ses œufs. Le
coucou ne construit pas son nid, mais sélectionne un nid d’autres espèces et leur permet de couver
son petit. Nous utilisons une méthode simple à appliquer l’algorithme; un nid correspond à un
coucou et aussi à un œuf. La procédure standard balance entre une marche aléatoire locale et
globale. La marche globale est implémentée comme la recherche de coucou d’un nouveau nid par le
vol Lévy (Yang et Deb, 2009). La marche locale est présentée comme; une probabilité de pa des cas
que les oiseaux hôtes découvrent que les œufs ne sont pas les leurs et ils les abandonnent, alors le
coucou cherche de nouveau un autre nid (solution) loin du nid actuel (la solution actuelle). Dans ce
travail, nous utilisons un CS amélioré, qui est développé par (Ouaarab et al., 2014), où, ce n’est pas
tous les coucous qui font la marche globale, mais seulement, une probabilité pc de coucous
intelligents cherchent de nouvelles solutions dans d’autres zones par le vol Lévy.

La fraction pc des coucous intelligents, qui cherchent de meilleurs solutions par le vol Lévy est
comme suit:

J i%
= J + j >€? (III.25)

53
 Amélioration Des Performances de la Commande Linéaire par l’utilisation des AE

Où L est la fonction de vol Lévy (Yang et Deb, 2013), α est un facteur scalaire. Après l’obtention de
la nouvelle solution (solution d’essai), nous la comparons avec une autre solution aléatoire (j), si la
nouvelle est mieux, nous remplaçons la plus mauvaise (j) par la nouvelle solution. Il y a une
probabilité pc que les œufs sont abandonnés par les oiseaux hôtes, alors le coucou cherche un
nouveau nid dans la zone locale comme suit:

J + . NJ − J S ./ y > ‚ƒ Y
J i%
=h
J ~/DDo{y.
(III.26)

xp et xq sont des solutions aléatoires différentes de xi, s est un facteur scalaire.

La procédure est illustrée dans l’Algorithme 3.4.

Algorithm 3.4: Improved Cuckoo Search

Initialiser des solutions aléatoires;
TantQue max_Generation n’est pas atteint
Recherche par fraction (pc);
Obtenir un coucou aléatoirement par le vol Lévy;
Evaluer sa fonction-objectif Fi;
Obtenir un nid aléatoirement (j)
si Fi est mieux que Fj
Remplacer le mauvais nid (j) par le nid d’essai (i);
Fin si
Fraction (pa) des mauvaises nids sont abandonnés et d’autres sont
construits;
Fin TantQue

Les paramètres communs sont, max_Generation est 30, la taille de la population est 50. Les autres
sont présentés dans le Tableau III.2.

Tableau III.2 Les paramètres des algorithmes

GA ES DE CS amélioré
Par. Val. Par. Val. Par. Val. Par. Val.
crois. BMW pm 0.3 F 0.2 pc 0.5
pm 0.04 λ 36 Cr 0.6 α 0.1
α 0.33 µ 14 λ 1.5
0
σ 0.4 σ 0.3 pa 0.25
n 2 s 0.2

54
 Amélioration Des Performances de la Commande Linéaire par l’utilisation des AE

III.4 Commande Linéaire (PID) de Quadrotor:

III.4.1 Structure de la Commande:

L’objectif ici est la conception des correcteurs classiques (PID) pour le suivi de la trajectoire du
quadrotor. Les paramètres du correcteur vont être ajustés par les différents algorithmes inspirés de
la nature et qui ont été présentés de façon minutieuse précédemment. Cependant, le quadrotor est un
robot à 6DOF (six degrés de liberté) sauf que la structure du PID est mono variable. À cet effet,
nous développons un ensemble de PIDs pour toutes les variables de sorties du quadrotor. La loi de
commande générale du correcteur PID est donnée par:

L =„ > − ?+„ > − ? + „ …> − ? E† (III.27)

Où: q = `J M * , 1 -a . La génération de la loi de commande pour chaque variable de q sera

présentée ultérieurement. Le quadrotor est commandé par les vitesses angulaires des rotors, mais le
rotor n’a pas une réponse temps réel. Nous devons donc considérer la dynamique de l’actionneur
comme celle de la dynamique (Rotor Dynamic; RD) du projet OS4 (Bouabdallah, 2007).

‡ˆ>.? = ‰ = u.%•Ž di%

‰ u.‹BŒ
(III.28)
Š

Nous notons, ωdi et ωi pour la vitesse désirée et actuelle du iéme rotor. Nous avons extrait les forces
et couples actuelles du couplage entre les vitesses des rotors suivant la formule (III.8), en
considérant que les correcteurs génèrent les entrées désirées (Ud1, Ud2, Ud3, Ud4). Chaque rotor
obtient son signal d’entrée (ωdi) de (Ud1, Ud2, Ud3, Ud4) par le découplage présenté par:

IA =• L − L + L
% % %
% % B C
G
Cw "w C
G
GA " = •Cw L
%
% − "w L
%
" −C L
%
C
Y
H
A = •Cw L + "w L +C L
% % %
(III.29)
G B % B C
G
G
A = •Cw L + "w L −C L
% % %
F C % " C

Comme il est présenté dans (III.7), le modèle du quadrotor est fortement couplé et sous-actionné; où
les coordonnées x et y n’ont pas d’entrées directes. Il y a deux types d’interactions: la première est
celle entre l’altitude (z) et les angles d’attitude (φ, θ); pour l’éliminer nous remplaçons Ud1 par U’d1
%
avec un facteur adaptatif (k= •‘’
•‘’
);

L“ % = •‘’ L
%
•‘’ % (III.30)

55
 Amélioration Des Performances de la Commande Linéaire par l’utilisation des AE

La deuxième interaction est présente entre les variables de translation et de rotation. x et y sont des
dégrées de liberté n’ont pas des commandes (entrées) réelles. Dans ce cas, nous utilisons la
structure de commande en cascade. En outre, nous générons les entrées virtuelles (ux, uy), puis elles
sont utilisées pour générer les angles d’attitude désirés (φd, θd). Nous avons extrait (ux, uy) du
modèle mathématique (III.7) où ({ = JK , { = MK ); alors, la transformation de translation à l’attitude
désirée (φd, θd) est présentée comme suit:

, = ′ N{ sin - − { cos -S
!

”
•Šs
Y
1 = • ′ N{ cos - + { sin -S
! (III.31)
Šs

Dans ce cas, nous avons deux boucles, la boucle intérieure qui contient les boucles de l’altitude (z)
et les trois angles (φ, θ, ψ) avec une commande directe, et la boucle extérieure qui contient la boucle
des positions de translation (x, y). La structure de la stratégie de commande utilisée est présentée en
Figure III.2. Nous allons concevoir l’ensemble des correcteurs pour les variables de la boucle
intérieure et puis ceux des variables de la boucle extérieure où la boucle intérieure va considérer
comme une partie du modèle. Par la suite, nous allons appliquer cette stratégie de commande en
utilisant les différents algorithmes évolutionnaires (GA, ES, DE et CS). Une comparaison entre ces
algorithmes sera faite en termes de performances dynamiques.

Boucle extérieure x, y

Correcteur
Zd
d’altitude (z)
Ud1 U’d1 ωd1 ω1 U1
Correcteur Correcteur Aero-
Xd de roulis (φ) Dynamique
de X ux Conv. φd Conversion ωd2 Dyn. des ω2 dynamique U2
Translation Ud2 du
à la vitesse Rotors du
Rotation Quadrotor
Correcteur Correcteur Quadrotor
Yd de tangage ωd3 ω3
de Y uy θd U3
(θ) Ud3

ψd Correcteur ωd4 ω4 U4
de lacet (ψ)
Ud4
ψ
φ, θ

Boucle intérieure z, φ, θ, ψ

Figure III.2 Structure de commande du quadrotor

Dans le domaine de l’automatique, pour évaluer tel correcteur, les caractéristiques qui généralement
être pris sont le premier dépassement, le temps de réponse, le temps de monté, etc. Il y a des autres
indices de la performance dépondent sur l’erreur dynamique sont utilisés plutôt que combiner deux
ou plus caractéristiques dans un objectif multi-variable, parmi lesquelles on trouve:

56
 Amélioration Des Performances de la Commande Linéaire par l’utilisation des AE

• La moyenne de l’erreur carrée (MSE: Mean Squared Error)

• L’intégrale du temps multiplié par la valeur absolue de l’erreur (ITAE: Integral of Time
multiplied by Absolute Error)
• L’intégrale de la valeur absolue de l’erreur (IAE: Integral of Absolute magnitude of the
Error)
• L’intégrale de l’erreur carrée (ISE: Integral of the Squared Error)
• L’intégrale du temps multiplié par l’erreur carrée (ITSE: Integral of Time multiplied by the
Squared Error).

L’ISE est une mesure indirecte de la vitesse de réponse, il est l’un des indices de performance les
plus utilisés (Rhimian et Tavazoei, 2014; Shahemabadi et al., 2013). Par l’expérience de (Jain et
Nigam, 2008), l’ISE a des avantages comparé à un autre critère incluant le temps, par exemple
l’ITAE, où le critère ITAE dans lequel on ne peut pas éviter le grand dépassement avec un petit
temps de montée dans la réponse indicielle du système, le critère ISE a un dépassement et un temps
de montée acceptables comparé avec l’ITAE.

La fonction fitness est donnée par:

b/†0o.. = 5› = …u o>†?" E†
œ
(III.32)

Où o>†? est l’erreur entre le signal de référence est l’état actuelle de chaque dégrée de liberté
o>†? = >†? − >†? et = `J M * , 1 -a. En raison de la nature du système, multi-variables, le
processus d’ajustement des paramètres des correcteurs est implémenté pour chaque dégrée de
liberté par les algorithmes évolutionnaires mentionnés dans la section III.3.2 (les algorithmes
génétiques GA, stratégies évolutionnaires ES, évolution différentielle DE, et cuckoo search
amélioré CS).

III.4.2 Résultats de Simulation:

Dans l’ingénierie, plusieurs travaux ont utilisés des études comparatives entre différentes méthodes
afin d’améliorer la qualité des résultats selon un certain nombre des performances. Parmi ces
travaux, on trouve des études comparatives effectuées sur la base de problèmes d’optimisation par
des algorithmes inspirés de la nature (Sivalingam et al., 2017; Acampora et al., 2014; Klempka et
Filipowicz, 2017; Rout et al., 2018). L’objectif de ce travail est de présenter les résultats atteints par
l’ajustement des paramètres des correcteurs PID en utilisant des algorithmes inspirés de la nature;
GA, ES, DE et CS amélioré. Ces algorithmes stochastiques sont appliqués afin d’obtenir les
paramètres optimaux des correcteurs du quadrotor.

57
 Amélioration Des Performances de la Commande Linéaire par l’utilisation des AE

Comme nous avons déjà mentionné dans la section III.2, le roulis (φ) et le tangage (θ) ont la même
dynamique, alors on considère que ses correcteurs ont les mêmes paramètres dans la procédure
d’optimisation, également la même chose en rapport avec les coordonnées des mouvements de
translation x et y. Nous avons réalisé la procédure de réglage des correcteurs des différents variables
de sorties (z, roulis-tangage, lacet et x-y) par les quatre algorithmes d’optimisation sélectionnés,
selon la fonction d’objectif sélectionnée (ISE) qui est présenté dans la section III.4.1.

La Figure III.3 représente l’évolution de l’ISE de chaque variable de sortie par les quatre
algorithmes selon les références sélectionnées et présentées dans le Tableau III.3. On présente dans
le même tableau les valeurs (ISE) des meilleurs correcteurs obtenus de chaque algorithme. Le
tableau III.4 présente les paramètres optimaux des correcteurs obtenus par chaque algorithme.

Figure III.3-a Évolution de la fonction-objectif pour l’altitude (z)

Figure III.3-b Évolution de la fonction-objectif du roulis-tangage (φ, θ)

58
Amélioration Des Performances de la Commande Linéaire par l’utilisation des AE

Figure III.3-c Évolution de la fonction-objectif du lacet (ψ)

Figure III.3-d Évolution de la fonction-objectif de x-y

Tableau III.3 Valeurs de la fonction-objectif (ISE)

Variable Référence GA ES DE CS
z 2m 66.2466 65.1213 68.8395 56.9583
φ, θ 1 rad 14.7867 14.9053 14.8625 15.0745
ψ 1 rad 8.5226 8.3853 8.9753 9.2107
x, y 2m 58.8647 49.9717 68.4469 66.2255

59
 Amélioration Des Performances de la Commande Linéaire par l’utilisation des AE

Tableau III.4 Les gains des correcteurs PID optimaux

Variable GA ES DE CS
z Kp 9.6135 7.7762 10.9604 8.2018
Ki 4.0704 3.8678 4.1644 4.6874
Kd 4.8897 3.8457 4.5612 6.0404
φ, θ Kp 0.4521 0.4801 0.6114 0.5567
Ki 0 0 0 0
Kd 0.3622 0.5857 0.2982 0.3377
ψ Kp 0.4637 0.4967 0.143 0.1345
Ki 0 0 0 0
Kd 0.1872 0.2021 0.0727 0.0832
x, y Kp 4.81 8.0178 3.1309 3.0888
Ki 0 0.15 0 0
Kd 0.89 1.7179 1.1918 1.1464

Il faut mentionner dans ce cas que nous ne pouvons pas ajuster les paramètres des correcteurs de x-y
sauf si nous réglons premièrement les correcteurs des roulis-tangage parce que x-y sont des dégrées
de libertés sous-actionnées. Les correcteurs qui correspondent, génèrent seulement des signaux de
commande virtuelles qui à leur tour génèrent les roulis et tangages désirés. Alors, les correcteurs
des roulis-tangage sont considérés comme une partie du système à commander, pour cette raison,
les courbes d’évolution du critère (ISE) des correcteurs de x-y sont séparés (Figure III.3-d); la
conception des correcteurs x-y par chaque algorithme (GA, ES, DE et CS) est basée sur les
correcteurs propres des roulis-tangage.

Selon les résultats présentés précédemment, il est clair que nous avons obtenu un meilleur
correcteur pour l’altitude par l’utilisation du CS, les meilleurs correcteurs des roulis-tangage sont
obtenus par le GA, et enfin les meilleurs correcteurs du lacet et de x-y sont obtenus par l’ES.

L’évaluation précédente est réalisée selon les références (Tableau III.3) pour ajuster les paramètres
des correcteurs (Tableau III.4). Après l’obtention des correcteurs, nous allons les tester pour le suivi
de la trajectoire. Il faut mentionner ici, que nous examinons les correcteurs obtenus par chaque
algorithme séparément.

Afin de tester les correcteurs sur une dynamique dure, nous avons suggéré la trajectoire suivante: le
quadrotor commence de la position initiale (x0, y0, z0)=(0, -4, 0) et monte à 2 m dans l’axe z, dans
l’instant 10 s le quadrotor fait une trajectoire en spirale et tourne autour de lui-même pendant 15

seconds; J = 4 ./0 † , M = −4 23. † , * = 0.1 †, - = Ÿ ./0 † .

"f "f "f
%ž %ž %ž

60
 Amélioration Des Performances de la Commande Linéaire par l’utilisation des AE

La Figure III.4 présente la simulation du suivi de trajectoire en 3D, et la Figure III.5 présente les
réponses dynamiques de position de translation (x, y et z). Afin de présenter la précision de la
réponse du système, la Figure III.6 montre les erreurs des coordonnés de translation dans les
dernièrs 10 seconds. Concernent les angles, la Figure III.7 montre les réponses des coordonnés
d’orientation (φ, θ et ψ). La Figure III.8 montre les erreurs des coordonnés d’orientation dans les
dernièrs 10 seconds.

Dans la Figure III.4, qui présente la simulation en 3D de la translation, nous pouvons remarquer que
les courbes des correcteurs liées au GA et à l’ES nous donnent un meilleur suivi de la trajectoire. Ce
qui est confirmé par les réponses de translation de la Figure III.5.

Dans la Figure III.6, l’erreur minimale de x et y (10 cm dans les pics) est observée dans la courbe de
l’ES. Où la plus mauvaise (20 cm) est observée dans la courbe du DE. Pour l’altitude (z) aussi, les
meilleurs correcteurs de suivi de la trajectoire sont ceux du GA et de l’ES, alors que le mauvais
résultat est celui trouvé par l’application du DE.

Dans la Figure III.7, représentant les réponses d’orientation, nous observons que les meilleures
réponses des roulis-tangage (φ, θ) sont celles du GA et du CS. Dans la réponse du lacet (ψ), la
courbe de l’ES est la meilleure. Plus précisément, la Figure III.8 qui présente les erreurs dans les
dernièrs 10 seconds, la mauvaise erreur est observée sur la courbe du DE avec un maximum
d’erreur de 0.2 rad pour le roulis et de 0.15 rad de tangage.

À cause de la sensibilité notée dans les réponses de rotation du système commandé par le correcteur
de l’ES, on constate un meilleur suivi dans les coordonnés de translation pour le correcteur de l’ES
et puis celui du GA, ce qui est confirmé par les résultats du tableau III.5 qui présente le critère (ISE)
de cette trajectoire. La meilleure stabilisation dans la rotation est observée pour le correcteur GA,
comme nous avons conclu précédemment.

À cause de la bonne stabilisation de la rotation par le GA et le suivi de translation acceptable, nous

pouvons conclure ici que le meilleur correcteur d’une façon générale, est celui régler par le GA.

61
Amélioration Des Performances de la Commande Linéaire par l’utilisation des AE

Figure III.4 Le suivi de la trajectoire en 3D

X [m]
Y [m]
Z [m]

Figure III.5 Les réponses des coordonnés de translation

Figure III.6 Les erreurs des coordonnés de translation

62
Amélioration Des Performances de la Commande Linéaire par l’utilisation des AE

φ [rad]
θ [rad]
ψ [rad]

Figure III.7 Les réponses des coordonnés de rotation

0.1
0
-0.1
GA
-0.2 ES
50 51 52 53 54 55 56 57 58 59 DE
0.2 CS
0.1
0
-0.1

50 51 52 53 54 55 56 57 58 59 60

0.05

-0.05

50 51 52 53 54 55 56 57 58 59 60
Temps [s]

Figure III.8 Les erreurs des coordonnés de rotation

Tableau III.5 Le critère ISE de la trajectoire

GA ES DE CS
x 36.5709 32.1692 48.8904 53.5110
y 17.2932 21.6567 23.9190 25.2884
z 74.6024 75.4515 69.7439 79.8864
φ 0.9595 4.6924 8.7895 0.9665
θ 0.7733 9.1578 6.3536 1.1624
ψ 0.3705 0.4192 2.2186 2.2467

63
 Amélioration Des Performances de la Commande Linéaire par l’utilisation des AE

III.5 Conclusion:

Dans ce chapitre, en premier lieu nous avons établi la modélisation dynamique du quadrotor. En
suite, la structure de commande en cascade a été conçue afin de découpler les dégrées de liberté
contrôlées (z, φ, θ et ψ) et les dégrées de liberté sous-actionnées (x et y). Nous avons opté dans ce
chapitre, à commander le quadrotor par la technique linéaire PID où leurs paramètres ont été
sélectionnés par des algorithmes évolutionnaires; GA, ES, DE et CS où la fonction-objectif
sélectionnée était ISE. Les variables étaient déjà découplées, alors, la procédure de la sélection des
paramètres de correcteur, optimisation, a été faite de manière décentralisé. Enfin et d’après les
résultats trouvés, nous avons constaté que les algorithmes génétiques ont permis de fournir le
meilleur correcteur testé sur le suivi de la trajectoire. Par la suite, nous allons commander le
quadrotor par développer des lois de commande non-linéaires.

64
 Chapitre IV:

Commande du Quadrotor par les Techniques

Non-Linéaires
 Commande du Quadrotor par les Techniques Non-Linéaires

IV.1 Introduction:

Le quadrotor est classé parmi les systèmes non-linéaires, ainsi, nous allons considérer dans ce
chapitre la commande de ce mini-drone par des méthodes classiques non-linéaires. En premier lieu,
nous allons présenter la représentation d’état du modèle dynamique. Ensuite, nous allons établir en
détails le développement des commandes non-linéaires communes, qui sont le Backstepping et le
Mode Glissant. A la fin, un test de robustesse sera effectué sur les approches de commande
développées sur le quadrotor et la simulation des dynamiques sera montrée à partir de l’outil
Matlab/Simulink.

IV.2 Commande Non-Linéaire du Quadrotor:

Le modèle du quadrotor est effectivement compliqué et sous-actionné. Comme nous avons

mentionné précédemment, les degrés de liberté x et y n’ont pas de commandes réelles, nous devons
alors considérer des commandes virtuelles (ux et uy), et appliquer une structure de commande en
cascade comme nous l’avons effectué précédemment avec le PID (Figure IV.1).

Nous considérons les états de notre système:

J% = *, J" = *, JB = J, JC = J, Jž = M, JŒ = M, J• = ,, JŽ = ,, J‹ = 1, J%u = 1, J%% = -, J%" = -

Le modèle (III.7) peut être récréé [ = b>[, L? et détaillé comme suit:

J"
>23.J• 23.J‹ ?L% − )
%
J% : ! =
J 9 J C <
: "= 9 { L% <
J
%
9 B< 9 !
<
9 JC < 9 JŒ
<
9 Jž < 9 %
{ L <
9 JΠ< 9 ! %
JŽ <
9 J• < =
9J < 9 <
(IV.1)
J%u J%" − VO V J%u + O L" <
NOP QOR S U W X
9 <Ž 9 O
9 J‹ < 9 J%u <
T T T

9J%u < 9 R QOT J J + UV WV J + X L <

>O ?
J%% 9 OP Ž %" OP Ž OP B <
8J%" ; 9 J%" <
JŽ J%u + O LC
NOT QOP S %
8 O
R R ;

66
 Commande du Quadrotor par les Techniques Non-Linéaires

Où:

{ = 23.,./0123.- + ./0,./0- Y
{ = 23.,./01./0- − ./0,23.- (IV.2)

Finalement, après la génération des commandes virtuelles (ux et uy) comme elles sont représentées
sur la Figure IV.1, nous pouvons générer les valeurs désirées du roulis (φd) et du tangage (θd).

À partir des équations (IV.2), nous avons:

, = ./0Q% >{ sin - − { cos -?

¡ Y
1 = ./0Q%
¢T •‘’ i¢P ’£¤ (IV.3)
•‘’

Sou s-
système de
U1 (x, y, z)
translation

Correcteu r Conversion Correcteur Sous-

Trajectoire U2
nonlinéaire de ux Translation- φd Nonlinéaire système
désirée (xd , yd , zd )
translation Rotation de U3 de (φ, θ, ψ)
uy θd
Rotation rotation
ψd U4

Figure IV.1 Structure en cascade de la commande non-linéaire du quadrotor

IV.3 Commande par Backstepping Intégral:

La commande par Backstepping est une méthode de conception de commande non-linéaire qui a été
considérée comme une alternative à la linéarisation par retour. L’idée principale de cette méthode
est de partitionner l’ensemble du système en nombres de sous-systèmes en cascade (Tan et al.
2016). En conséquence, les états du premier sous-système ont servi de variables de commande pour
le sous-système suivant. Les sous-systèmes étant connectés en cascade, l’entrée du premier sous-
système provient automatiquement de la sortie du deuxième sous-système.

L’entrée idéale du deuxième sous-système est calculée de manière similaire à celle du premier sous-
système. Les entrées désirées pour tous les sous-systèmes sont calculées de manière séquentielle
jusqu’à l’arrivée du dernier sous-système. À titre d’exemple, l’entrée désirée pour le dernier sous-
système donne l’expression de l’entrée de commande réelle et, en conséquence, les concepteurs

67
 Commande du Quadrotor par les Techniques Non-Linéaires

peuvent mettre en œuvre une loi de retour d’état pour l’ensemble du système non-linéaire. Cette
approche constitue souvent une caractéristique avantageuse lors de la conception de la loi de
commande pour les systèmes dynamiques non-linéaires complexes.

Le correcteur Backstepping renforcé par une action intégrale est utilisé comme un outil pour
concevoir les correcteurs d’altitude, d’attitude et de position.

Par la suite, la conception des lois de commande, réelles (U1, U2, U3 et U4) et virtuelles (ux et uy) par
Backstepping intégral sont données en détails (Fan et al. 2017):

A. La commande de l’altitude Z:

Pour la conception d’une loi de commande pour le sous-système d’altitude (U1). Nous obtenons au
début, l’erreur de l’état x1, sa dérivée et son intégral:

o% = J% − J%
o% = J% − J"
¥% = …u o% > ? E
(IV.4)

On définie la fonction de Lyapunov et sa dérivée:

¦>o% ? = " o%"

%
(IV.5)

¦ >o% ? = o% >J% − J" ? (IV.6)

Vu qu’il n’y a pas une commande directe dans (IV.6), nous considérons x2 comme une commande
virtuelle. Afin de rendre ¦ >o% ? semi-défini négative, nous déterminons la commande virtuelle
désirée comme suit:

J" = J% + 2% o% + €% ¥% (IV.7)

Où, c1 et λ1 sont positives.

L’objectif est que x2 suit x2d et nous appelons la déviation entre x2d et x2 l’état d’erreur e2:

o" = J" − J" (IV.8)

La commande virtuelle x2 et la dérivée de l’état d’erreur e2 sont comme ceci:

J" = J% + 2% o% + €% ¥% − o" (IV.9)

68
 Commande du Quadrotor par les Techniques Non-Linéaires

o" = JK % + 2% o% + €% o% − >23.J• 23.J‹ ?L% + )

%
!
(IV.10)

Puisque la technique de commande appliquée est le Backstepping Intégral, on étend la fonction de

Lyapunov par ξ1:

¦% = o%" + €% ¥%"
% %
" "
(IV.11)

Selon (IV.4) et (IV.9), la dérivée est définie comme suit:

¦% = o% o% + ¥% ¥% = −2%" o% + o% o" (IV.12)

La dérivée de la fonction de Lyapunov ¦% doit être semi-défini négative, e2 doit être limité et que
nous devons incorporer dans la fonction de Lyapunov:

¦" = o%" + €% ¥%" + o""

% % %
" " "
(IV.13)

Selon (IV.11) et (IV.12) la dérivée de la fonction de Lypunov est comme suit:

¦" = −2%" o% + o% o" + o" >JK % + 2% o% + €% o% − ! >23.J• 23.J‹ ?L% + )?

%
(IV.14)

Afin de rendre ¦" semi-défini négative, nous pouvons mettre la loi de commande U1 comme suit:

L% = > >JK % + >1 − 2%" + €% ?o% − 2% €% ¥% + >2% + 2" ?o" + )?

!
§d ¨ §d © ?
(IV.15)

Où, c1, c2 et λ1 sont positives.

B. La commande de la position X:

Pour la conception d’une loi de commande pour le sous-système de x (ux). Nous obtenons au début,
l’erreur de l’état x3, sa dérivée et son intégral:

oB = JB − JB
oB = JB − JC
¥" = …u oB > ? E
(IV.16)

On définie la fonction de Lyapunov et sa dérivée:

¦>oB ? = " oB"

%
(IV.17)

¦ >oB ? = oB >JB − JC ? (IV.18)

69
 Commande du Quadrotor par les Techniques Non-Linéaires

Vu qu’il n’y a pas une commande directe dans (IV.18), nous considérons x4 comme une commande
virtuelle, afin de rendre ¦ >oB ? semi-défini négative et nous déterminons la commande virtuelle
désirée comme suit:

JC = JB + 2B oB + €" ¥" (IV.19)

Où, c3 et λ2 sont positives.

L’objectif est que x4 suit x4d et nous appelons la déviation entre x4d et x4 l’état d’erreur e4:

oC = JC − JC (IV.20)

La commande virtuelle x4 et la dérivée de l’état d’erreur e4 sont comme ceci:

JC = JB + 2B oB + €" ¥" − oC (IV.21)

oC = JK B + 2B oB + €" oB − ! { L%
%
(IV.22)

Puisque la technique de commande appliquée est le Backstepping Intégral, on étend la fonction de

Lyapunov par ξ2:

¦B = " oB" + " €" ¥""

% %
(IV.23)

Selon (IV.16) et (IV.21), la dérivée est définie comme suit:

¦B = oB oB + ¥" ¥" = −2B" oB + oB oC (IV.24)

La dérivée de la fonction de Lyapunov ¦B doit être semi-défini négative, e4 doit être limité, que
devons incorporer dans la fonction de Lyapunov:

¦C = " oB" + " €" ¥"" + " oC"

% % %
(IV.25)

Selon (IV.23) et (IV.24) la dérivée de la fonction de Lypunov est comme suit:

¦C = −2B" oB + oB oC + oC >JK B + 2B oB + €" oB − ! { L% ?

%
(IV.26)

Afin de rendre ¦C semi-défini négative, on peut mettre la loi de commande ux comme suit:

{ = • >JK B + >1 − 2B" + €" ?oB + >2B + 2C ?oC − 2B €" ¥" ?

!
(IV.27)
s

Où, c3, c4 et λ2 sont positives.

70
 Commande du Quadrotor par les Techniques Non-Linéaires

C. La commande de la position Y:

Pour la conception d’une loi de commande pour le sous-système de y (uy). Nous obtenons au début,
l’erreur de l’état x5, sa dérivée et son intégral:

ož = Jž − Jž
ož = Jž − JŒ
¥B = …u ož > ? E
(IV.28)

On définie la fonction de Lyapunov et sa dérivée:

¦>ož ? = ož"
%
"
(IV.29)

¦ >ož ? = ož >Jž − JŒ ? (IV.30)

Vu qu’il n’y a pas une commande directe dans (IV.30), nous considérons x6 comme une commande
virtuelle, afin de rendre ¦ >ož ? semi-défini négative et nous déterminons la commande virtuelle
désirée comme suit:

JŒ = Jž + 2ž ož + €B ¥B (IV.31)

Où, c5 et λ3 sont positives.

L’objectif est que x6 suit x6d et nous appelons la déviation entre x6d et x6 l’état d’erreur e6:

oŒ = JŒ − JŒ (IV.32)

La commande virtuelle x6 et la dérivée de l’état d’erreur e6 sont comme ceci:

JŒ = Jž + 2ž ož + €B ¥B − oŒ (IV.33)

oŒ = JK ž + 2ž ož + €B ož − ! { L%
%
(IV.34)

Puisque la technique de commande appliquée est le Backstepping Intégral, on étend la fonction de

Lyapunov par ξ3:

¦ž = " ož" + " €B ¥B"

% %
(IV.35)

Selon (IV.28) et (IV.33), la dérivée est définie comme suit:

¦ž = ož ož + ¥B ¥B = −2ž" ož + ož oŒ (IV.36)

71
 Commande du Quadrotor par les Techniques Non-Linéaires

La dérivée de la fonction de Lyapunov ¦ž doit être semi-défini négative, e6 doit être limité et que
nous devons incorporer dans la fonction de Lyapunov:

¦Œ = ož" + €B ¥B" + oŒ"

% % %
" " "
(IV.37)

Selon (IV.35) et (IV.36) la dérivée de la fonction de Lypunov est comme suit:

¦Œ = −2ž" ož + ož oŒ + oŒ >JK ž + 2ž ož + €B ož − { L% ?
%
!
(IV.38)

Afin de rendre ¦Œ semi-défini négative, on peut mettre la loi de commande uy comme suit:

{ = >JK ž + >1 − 2ž" + €B ?ož + >2ž + 2Œ ?oŒ − 2ž €B ¥B ?

!
•s
(IV.39)

Où, c5, c6 et λ3 sont positives.

D. La commande du roulis φ:

Pour la conception d’une loi de commande pour le sous-système de roulis (U2). Nous obtenons au
début, l’erreur de l’état x7, sa dérivée et son intégral:

o• = J• − J•
o• = J• − JŽ
¥C = …u o• > ? E
(IV.40)

On définie la fonction de Lyapunov et sa dérivée:

¦>o• ? = " o•"

%
(IV.41)

¦ >o• ? = o• >J• − JŽ ? (IV.42)

Vu qu’il n’y a pas une commande directe dans (IV.42), nous considérons x8 comme une commande
virtuelle, afin de rendre ¦ >o• ? semi-défini négative et nous déterminons la commande virtuelle
désirée comme suit:

JŽ = J• + 2• o• + €C ¥C (IV.43)

Où, c7 et λ4 sont positives.

L’objectif est que x8 suit x8d, nous appelons la déviation entre x8d et x8 l’état d’erreur e8:

oŽ = JŽ − JŽ (IV.44)

72
 Commande du Quadrotor par les Techniques Non-Linéaires

La commande virtuelle x8 et la dérivée de l’état d’erreur e8 sont comme ceci:

JŽ = J• + 2• o• + €C ¥C − oŽ (IV.45)

oŽ = JK • + 2• o• + €C o• − J%u J%" + J%u − L"

>OP QOP ? UV WV X
OT OT OT
(IV.46)

Puisque la technique de commande appliquée est le Backstepping Intégral, on étend la fonction de

Lyapunov par ξ4:

¦• = o•" + €C ¥C"
% %
" "
(IV.47)

Selon (IV.40) et (IV.45), la dérivée est définie comme suit:

¦• = o• o• + ¥C ¥C = −2•" o• + o• oŽ (IV.48)

La dérivée de la fonction de Lyapunov ¦• doit être semi-défini négative, e8 doit être limité que nous
devons incorporer dans la fonction de Lyapunov:

¦Ž = " o•" + " €C ¥C" + " oŽ"

% % %
(IV.49)

Selon (IV.47) et (IV.48) la dérivée de la fonction de Lypunov est comme suit:

¦Ž = −2•" o• + o• oŽ + oŽ >JK • + 2• o• + €C o• − J%u J%" + J%u − O L" ?

>OP QOP ? UV WV X
OT OT
(IV.50)
T

Afin de rendre ¦Ž semi-défini négative, on peut mettre la loi de commande U2 comme suit:

L" = >JK • + >1 − 2•" + €C ?o• + >2• + 2Ž ?oŽ − 2• €C ¥C − J%u J%" + J%u ? (IV.51)
OT >OP QOP ? UV WV
X OT OT

Où, c7, c8 et λ4 sont positives.

E. La commande du tangage θ:

Pour la conception d’une loi de commande pour le sous-système de tangage (U3). Nous obtenons au
début, l’erreur de l’état x9, sa dérivée et son intégral:

o‹ = J‹ − J‹
o‹ = J‹ − J%u
¥ž = …u o‹ > ? E
(IV.52)

On définie la fonction de Lyapunov et sa dérivée:

73
 Commande du Quadrotor par les Techniques Non-Linéaires

¦>o‹ ? = o‹"
%
"
(IV.53)

¦ >o‹ ? = o‹ >J‹ − J%u ? (IV.54)

Vu qu’il n’y a pas une commande directe dans (IV.54), nous considérons x10 comme une commande
virtuelle, afin de rendre ¦ >o‹ ? semi-défini négative et nous déterminons la commande virtuelle
désirée comme suit:

J%u = J‹ + 2‹ o‹ + €ž ¥ž (IV.55)

Où, c9 et λ5 sont positives.

L’objectif est que x10 suit x10d, nous appelons la déviation entre x10d et x10 l’état d’erreur e10:

o%u = J%u − J%u (IV.56)

La commande virtuelle x10 et la dérivée de l’état d’erreur e10 sont comme ceci:

J%u = J‹ + 2‹ o‹ + €ž ¥ž − o%u (IV.57)

o%u = JK ‹ + 2‹ o‹ + €ž o‹ − JŽ J%" − JŽ − O LB
>OR QOT ? UV WV X
OP OP
(IV.58)
P

Puisque la technique de commande appliquée est le Backstepping Intégral, on étend la fonction de

Lyapunov par ξ5:

¦‹ = " o‹" + " €ž ¥ž"

% %
(IV.59)

Selon (IV.52) et (IV.57), la dérivée est définie comme suit:

¦‹ = o‹ o‹ + ¥ž ¥ž = −2‹" o‹ + o‹ o%u (IV.60)

La dérivée de la fonction de Lyapunov ¦‹ doit être semi-défini négative, e10 doit être limité que
nous devons incorporer dans la fonction de Lyapunov:

¦%u = " o‹" + " €ž ¥ž" + " o%u

% % " %
(IV.61)

Selon (IV.59) et (IV.60) la dérivée de la fonction de Lypunov est comme suit:

¦%u = −2‹" o‹ + o‹ o%u + o%u >JK ‹ + 2‹ o‹ + €ž o‹ − JŽ J%" − JŽ − LB ?

>OR QOT ? UV WV X
OP OP OP
(IV.62)

74
 Commande du Quadrotor par les Techniques Non-Linéaires

Afin de rendre ¦%u semi-défini négative, on peut mettre la loi de commande U3 comme suit:

LB = >JK ‹ + >1 − 2‹" + €ž ?o‹ + >2‹ + 2%u ?o%u − 2‹ €ž ¥ž − JŽ J%" − JŽ ?

OP >OR QOT ? UV WV
X OP OP
(IV.63)

Où, c9, c10 et λ5 sont positives.

F. La commande du lacet ψ:

Pour la conception d’une loi de commande pour le sous-système de lacet (U4). Nous obtenons au
début, l’erreur de l’état x11, sa dérivée et son intégral:

o%% = J%% − J%%

o%% = J%% − J%"
¥Œ = …u o%% > ? E
(IV.64)

On définie la fonction de Lyapunov et sa dérivée:

¦>o%% ? = " o%%

%
"
(IV.65)

¦ >o%% ? = o%% >J%% − J%" ? (IV.66)

Vu qu’il n’y a pas une commande directe dans (IV.66), nous considérons x12 comme une commande
virtuelle, afin de rendre ¦ >o%% ? semi-défini négative et nous déterminons la commande virtuelle
désirée comme suit:

J%" = J%% + 2%% o%% + €Œ ¥Œ (IV.67)

Où, c11 et λ6 sont positives.

L’objectif est que x12 suit x12d, nous appelons la déviation entre x12d et x12 l’état d’erreur e12:

o%" = J%" − J%" (IV.68)

La commande virtuelle x12 et la dérivée de l’état d’erreur e12 sont comme ceci:

J%" = J%% + 2%% o%% + €Œ ¥Œ − o%" (IV.69)

o%" = JK %% + 2%% o%% + €Œ o%% − JŽ J%u − O LC

>OT QOP ? %
OR
(IV.70)
R

Puisque la technique de commande appliquée est le Backstepping Intégral, on étend la fonction de

Lyapunov par ξ6:

75
 Commande du Quadrotor par les Techniques Non-Linéaires

¦%% = o%% + €Œ ¥Œ"

%
" %
" "
(IV.71)

Selon (IV.64) et (IV.69), la dérivée est définie comme suit:

¦%% = o%% o%% + ¥Œ ¥Œ = −2%%

"
o%% + o%% o%" (IV.72)

La dérivée de la fonction de Lyapunov ¦%% doit être semi-défini négative, e12 doit être limité que
nous devons incorporer dans la fonction de Lyapunov:

¦%" = " o%% + " €Œ ¥Œ" + " o%"

% " % % "
(IV.73)

Selon (IV.71) et (IV.72) la dérivée de la fonction de Lypunov est comme suit:

¦%" = −2%% o%% + o%% o%" + o%" >JK %% + 2%% o%% + €Œ o%% − JŽ J%u − O LC ?
" >OT QOP ? %
OR
(IV.74)
R

Afin de rendre ¦%" semi-défini négative, on peut mettre la loi de commande U4 comme suit:

LC = 5 >JK %% + >1 − 2%% + €Œ ?o%% + >2%% + 2%" ?o%" − 2%% €Œ ¥Œ − JŽ J%u ?

" NOT QOP S
OR
(IV.75)

Où, c11, c12 et λ6 sont positives.

Nous avons sélectionné les paramètres du correcteur Backstepping intégral suivant les valeurs
représentées dans le tableau ci-dessous:

Tableau IV.1 Les paramètres du correcteur Backstepping intégral

Paramètre Valeur Paramètre Valeur
c1 5 c10 20
c2 5 c11 10.5
c3 12 c12 20
c4 0.5 λ1 0.3
c5 12 λ2 0.1
c6 0.5 λ3 0.1
c7 10.5 λ4 1
c8 20 λ5 1
c9 10.5 λ6 1

IV.4 Commande par Mode Glissant:

Dans les systèmes de commande, la commande en mode glissant (Sliding Mode Control: SMC) est
une méthode de commande non-linéaire qui modifie la dynamique d’un système non-linéaire en

76
 Commande du Quadrotor par les Techniques Non-Linéaires

appliquant un signal de commande discontinu qui oblige le système à "glisser". La loi de

commande par retour d’état n’est pas une fonction continue du temps. Au lieu de cela, il peut
basculer d’une structure continue à une autre en fonction de la position actuelle dans l’espace d’état.
Par conséquent, la commande en mode glissant est une méthode de commande à structure variable.
Les structures de commande multiples sont conçues pour que les trajectoires se déplacent toujours
vers une région adjacente avec une structure de commande différente de sorte que la trajectoire
finale n’existera pas entièrement dans une structure de commande. Au lieu de cela, il glissera le
long des limites des structures de commande. Le mouvement du système lorsqu’il glisse le long de
ces limites est appelé un mode de glissement et le lieu géométrique constitué des limites est appelé
la surface glissante (Zinober, 1990). Dans le contexte de la théorie de la commande moderne, tout
système à structure variable, comme un système sous SMC, peut être considéré comme un cas
particulier de système hybride dynamique, car le système traverse un espace d’états continu mais
passe également par différents modes de commande discrets.

Un nouveau type de commande par mode glissant, appelé mode de glissement terminal (Terminal
Sliding Mode: TSM), a été proposé par (Venkataraman et Gulati, 1992). La TSM est une approche
de commande non-linéaire robuste.

L’idée principale de la commande par mode glissant terminal découle du travail fondamental sur les
attracteurs terminaux, et est évoquée par le concept d’attracteurs terminaux qui garantissent une
convergence des états dans le temps fini. Tandis qu’en mode de glissement normal, une stabilité
asymptotique est promise pour conduire à la convergence des états vers l’origine. Mais cette
convergence ne peut être garantie qu’en un temps infini. Dans le TSM, un terme non-linéaire est
introduit dans la conception de la surface de glissement afin que le collecteur soit formulé comme
un attracteur. Une fois la surface de glissement interceptée, la trajectoire est attirée dans la variété et
converge vers l’origine à la suite d’une règle de puissance.

Il existe certaines variantes du TSM, notamment: TSM non-singulier, (Feng et al., 2002) et Fast
TSM, (Yu et Man, 2002). Chaque commande générée est composée de deux termes:

{ = { c + {dª (IV.76)

Où usw est la partie de discontinuité (switch) usw=ki signe(surface). Par la suite, la conception des
lois de commande, réelles (U1, U2, U3 et U4) et virtuelles (ux et uy) par Fast Terminal Sliding Mode
Control est donnée en détails dans (Din et al. 2018):

77
 Commande du Quadrotor par les Techniques Non-Linéaires

A. La commande de l’altitude Z:

Pour la conception d’une loi de commande pour le sous-système d’altitude (U1). Nous obtenons au
début, l’erreur de l’état x1 et sa dérivée:

ζ% = J% − J%
¬% = J% − J"
(IV.77)

On défini la surface de glissement du correcteur FTSMC (Fast Terminal Sliding Mode Controller):

®s

n% = ¬% + j% ¬% + -% ¬%
¯s
(IV.78)

On pose la fonction candidate de Lyapunov et sa dérivée comme suit:

¦% = " n%"
%
(IV.79)

¦% = n% n% (IV.80)

De (IV.78), la dérivée de la surface du glissement est:

®s r¯s

n% = ¬%K + j% ¬% + -% q ¬% ¬%
!s ¯s
(IV.81)
s

De (IV.80) et (IV.81), la dérivée de la fonction de Lyapunov est:

®s r¯s

¦% = n% >JK % − L% − ) + j% ¬% + -% q ¬% ¬% ?
§d ¨ •‘’ © !s ¯s
!
(IV.82)
s

Afin de rendre ¦% semi-défini négative, on peut mettre la loi de commande U1 comme suit:

®s r¯s

L% = •‘’ °JK % + ) + j% ¬% + -% q ¬% ¬% + „% ./)0o>n% ?±

! !s ¯s
¨ •‘’ ©
(IV.83)
s

Où, α1, β1, k1, m1 et n1 sont positives avec m1 et n1 sont des nombres naturels et m1 > n1.

B. La commande de la position X:

Pour la conception d’une loi de commande pour le sous-système de x (ux). Nous obtenons au début,
l’erreur de l’état x3 et sa dérivée:

ζ" = JB − JB
¬" = JB − JC
(IV.84)

78
 Commande du Quadrotor par les Techniques Non-Linéaires

On défini la surface de glissement du correcteur FTSMC (Fast Terminal Sliding Mode Controller):

®²

n" = ¬" + j" ¬" + -" ¬" ¯²

(IV.85)

On pose la fonction candidate de Lyapunov et sa dérivée comme suit:

¦" = n""
%
"
(IV.86)

¦" = n" n" (IV.87)

De (IV.85), la dérivée de la surface du glissement est:

®² r¯²

n" = ¬"K + j" ¬" + -" q ² ¬" ¬"

! ¯²
(IV.88)
²

De (IV.87) et (IV.88), la dérivée de la fonction de Lyapunov est:

®² r¯²

¦" = n" >JK B − ! L% { + j" ¬" + -" ¬¬ ?

% !² ¯²
q² " "
(IV.89)

Afin de rendre ¦" semi-défini négative, on peut mettre la loi de commande ux comme suit:

®² r¯²

{ = °JK B + j" ¬" + -" ¬" ¬" + „" ./)0o>n" ?±

! !² ¯²
•s q²
(IV.90)

Où, α2, β2, k2, m2 et n2 sont positives avec m2 et n2 sont des nombres naturels et m2 > n2.

C. La commande de la position Y:

Pour la conception d’une loi de commande pour le sous-système de y (uy). Nous obtenons au début,
l’erreur de l’état x5 et sa dérivée:

ζB = Jž − Jž
¬B = Jž − JŒ
(IV.91)

On défini la surface de glissement du correcteur FTSMC (Fast Terminal Sliding Mode Controller):

®³

nB = ¬B + jB ¬B + -B ¬B
¯³
(IV.92)

On pose la fonction candidate de Lyapunov et sa dérivée comme suit:

¦B = " nB"
%
(IV.93)

79
 Commande du Quadrotor par les Techniques Non-Linéaires

¦B = nB nB (IV.94)

De (IV.92), la dérivée de la surface du glissement est:

®³ r¯³

nB = ¬BK + jB ¬B + -B q ³ ¬B ¬B
! ¯³
(IV.95)
³

De (IV.94) et (IV.95), la dérivée de la fonction de Lyapunov est:

®³ r¯³

¦B = nB >JK ž − L% { + jB ¬B + -B ¬B ¬B ?
% !³ ¯³
! q³
(IV.96)

Afin de rendre ¦B semi-défini négative, on peut mettre la loi de commande uy comme suit:

®³ r¯³

{ = • °JK ž + jB ¬B + -B q ¬B ¬B + „B ./)0o>nB ?±
! !³ ¯³
(IV.97)
s ³

Où, α3, β3, k3, m3 et n3 sont positives avec m3 et n3 sont des nombres naturels et m3 > n3.

D. La commande du roulis φ:

Pour la conception d’une loi de commande pour le sous-système de roulis (U2). Nous obtenons au
début, l’erreur de l’état x7 et sa dérivée:

ζC = J• − J•
¬C = J• − JŽ
(IV.98)

On définie la surface de glissement du correcteur FTSMC (Fast Terminal Sliding Mode Controller):

®´

nC = ¬C + jC ¬C + -C ¬C
¯´
(IV.99)

On pose la fonction candidate de Lyapunov et sa dérivée comme suit:

¦C = " nC"
%
(IV.100)

¦C = nC nC (IV.101)

De (IV.99), la dérivée de la surface de glissement est:

®´ r¯´

nC = ¬CK + jC ¬C + -C ¬C ¬C
!´ ¯´
q´
(IV.102)

De (IV.101) et (IV.102), la dérivée de la fonction de Lyapunov est:

80
 Commande du Quadrotor par les Techniques Non-Linéaires

®´ r¯´

¦C = nC >JK • − J%u J%" + J%u − L" + jC ¬C + -C ¬C ¬C ?

OP QOR UV WV X !´ ¯´
OT OT OT q´
(IV.103)

Afin de rendre ¦C semi-défini négative, on peut mettre la loi de commande U2 comme suit:

®´ r¯´

L" = °JK • − J%u J%" + J%u + jC ¬C + -C ¬¬ + „C ./)0o>nC ?±

OT OP QOR UV WV !´ ¯´
X OT OT q´ C C
(IV.104)

Où, α4, β4, k4, m4 et n4 sont positives avec m4 et n4 sont des nombres naturels et m4 > n4.

E. La commande du tangage θ:

Pour la conception d’une loi de commande pour le sous-système de tangage (U3). Nous obtenons au
début, l’erreur de l’état x9 et sa dérivée:

ζž = J‹ − J‹
¬ž = J‹ − J%u
(IV.105)

On définie la surface de glissement du correcteur FTSMC (Fast Terminal Sliding Mode Controller):

®µ

nž = ¬ž + jž ¬ž + -ž ¬ž
¯µ
(IV.106)

On pose la fonction candidate de Lyapunov et sa dérivée comme suit:

¦ž = nž"
%
"
(IV.107)

¦ž = nž nž (IV.108)

De (IV.106), la dérivée de la surface de glissement est:

®µ r¯µ

nž = ¬žK + jž ¬ž + -ž q µ ¬ž ¬ž
! ¯µ
(IV.109)
µ

De (IV.108) et (IV.109), la dérivée de la fonction de Lyapunov est:

®µ r¯µ

¦ž = nž >JK ‹ − ¶ · JŽ J%" − JŽ − O LB + jž ¬ž + -ž q ¬ž ¬ž ?
OR QOT UV WV X !µ ¯µ
OP OP
(IV.110)
P µ

Afin de rendre ¦ž semi-défini négative, on peut mettre la loi de commande U3 comme suit:

®µ r¯µ

LB = °JK ‹ − ¶ · JŽ J%" − JŽ + jž ¬ž + -ž q ¬ž ¬ž + „ž ./)0o>nž ?±

OP OR QOT UV WV !µ ¯µ
X OP OP
(IV.111)
µ

81
 Commande du Quadrotor par les Techniques Non-Linéaires

Où, α5, β5, k5, m5 et n5 sont positives avec m5 et n5 sont des nombres naturels et m5 > n5.

F. La commande du lacet ψ:

Pour la conception d’une loi de commande pour le sous-système de lacet (U4). Nous obtenons au
début, l’erreur de l’état x11 et sa dérivée:

ζŒ = J%% − J%%
¬Œ = J%% − J%"
(IV.112)

On définie la surface de glissement du correcteur FTSMC (Fast Terminal Sliding Mode Controller):

®¸

nŒ = ¬Œ + jŒ ¬Œ + -Œ ¬Œ
¯¸
(IV.113)

On pose la fonction candidate de Lyapunov et sa dérivée comme suit:

¦Œ = nŒ"
%
"
(IV.114)

¦Œ = nŒ nŒ (IV.115)

De (IV.113), la dérivée de la surface de glissement est:

®¸ r¯¸

nŒ = ¬ŒK + jŒ ¬Œ + -Œ q ¸ ¬Œ ¬Œ
! ¯¸
(IV.116)
¸

De (IV.115) et (IV.116), la dérivée de la fonction de Lyapunov est:

®¸ r¯¸

¦Œ = nŒ >JK %% − JŽ J%u − O LC + jŒ ¬Œ + -Œ q ¬Œ ¬Œ ?
OT QOP % !¸ ¯¸
OR
(IV.117)
R ¸

Afin de rendre ¦Œ semi-défini négative, on peut mettre la loi de commande U4 comme suit:

®¸ r¯¸

LC = 5 °JK %% − JŽ J%u + jŒ ¬Œ + -Œ q ¬Œ ¬Œ + „Œ ./)0o>nŒ ?±

OT QOP !¸ ¯¸
OR
(IV.118)
¸

Où, α6, β6, k6, m6 et n6 sont positives avec m6 et n6 sont des nombres naturels et m6 > n6.

Les paramètres du correcteur Mode Glissant sont; α1..6 = 2, β1..6 = 5, k1..6 = 50, m1..6 = 6 et n1..6 = 2.

82
 Commande du Quadrotor par les Techniques Non-Linéaires

IV.5 Résultats de Simulation:

Nous effectuons une simulation de suivi d’une trajectoire comme suit: le quadrotor commence de la
position initiale (x0, y0, z0)=(0, 0, 0) et monte à 2m dans l’axe z. À l’instant 10s, le quadrotor fait une
trajectoire en spirale de vitesse 10cm/s d’altitude et tourne autour de lui-même pendant 15 seconds;

J = 4 ./0 † , M = 4 23. † , * = 0.1 †, - = Ÿ ./0 † .

"f "f "f
%ž %ž %ž

Afin de tester la robustesse de ce correcteur, on suppose qu’il y une masse additionnelle (500 g) et
des incertitudes sur les valeurs des inerties à partir de l’instant 40s. En plus, nous avons appliqué
des perturbations comme des échelons sur les entrées; 10N à partir de l’instant 45s sur U1, 1N à
partir de l’instant 50s sur U2, 1N à partir de l’instant 55 s sur U3 et 0.1 N.m à partir de l’instant 60s
sur U4 dans la simulation du Backstepping. La Figure IV.2 présente les réponses des coordonnées
de translation (x, y et z), la Figure IV.3 quant à elle présente les réponses des coordonnées de
rotation (φ, θ et ψ), la Figure IV.4 présente la vue 3D du suivi de trajectoires, et finalement la
Figure IV.5 présente les forces et couples appliqués (U1, U2, U3 et U4).

Après l’augmentation de la masse (à partir de l’instant 40s), sur la Figure IV.2 et la Figure IV.4,
nous remarquons qu’il y a des variations sur le comportement pour la simulation du correcteur par
Mode Glissant, à l’opposé de la simulation du correcteur Backstepping. Nous remarquons aussi
dans la Figure IV.5, une augmentation sur la force poussée (U1) de 5.58N à 9.87N à cause de
l’augmentation de la masse.

Concernant les perturbations des entrées sur la simulation du Backstepping, nous remarquons des
variations dans les réponses à cause des perturbations qui sont rejetées rapidement. Ce qui n’est pas
possible pour la simulation du Mode Glissant avec ces perturbations dures. Nous concluons que la
technique la plus appropriée pour la robustesse face aux perturbations et aux incertitudes est la
correction par Backstepping avec l’action intégrale.

83
 Commande du Quadrotor par les Techniques Non-Linéaires

X [m]
Y [m]
Z [m]

Figure IV.2 Les réponses des coordonnés de translation

0.5 Backstepping Intégral

Mode Glissant

-0.5
0 10 20 30 40 50 60 70
0.5

0 Backstepping Intégral
Mode Glissant

-0.5
0 10 20 30 40 50 60 70
5

-5
0 10 20 30 40 50 60 70
Temps [s]

Figure IV.3 Les réponses des coordonnés de rotation

84
 Commande du Quadrotor par les Techniques Non-Linéaires

Backstepping Intégral
Mode Glissant
Reference
8

0
5

5
0
0

Y [m] -5 -5 X [m]

Figure IV.4 Le suivi de la trajectoire en 3D

15
0.1
10
0
5
-0.1
0
0 20 40 60 0 20 40 60
Temps [s] Backstepping Intégral Temps [s]
Mode Glissant
0.04

0.1
0.02

0
0

-0.1
-0.02
0 20 40 60 0 20 40 60
Temps [s] Temps [s]

Figure IV.5 Les commandes appliquées

85
 Commande du Quadrotor par les Techniques Non-Linéaires

IV.6 Conclusion:

Dans ce chapitre, nous avons présenté la représentation d’état du quadrotor, qui est considéré
comme étant un système complexe sous-actionné. Par la suite, la structure de commande en cascade
a été conçue afin de découpler les dégrées de liberté contrôlées (z, φ, θ et ψ) et les dégrées de liberté
sous-actionnées (x et y). La commande du quadrotor par les méthodes non-linéaires complexes a été
réalisée à travers l’utilisation de deux techniques; Le Backstepping Intégral et le Mode Glissant de
type Fast Terminal Sliding Mode Control (FTSMC). Aussi, afin de tester la robustesse de notre
système, des perturbations ont été appliquées, et les résultats de simulation ont montré clairement
que le Backstepping avec l’action d’intégral est robuste face à ces perturbations et incertitudes.
L’inconvinient de ces méthodes est que dans le concevoir des correcteurs, elles ne considèrent pas
les perturbations et les incertitudes réellement posés. Pour cela, la technique de commande robuste
d’espace de Hardy (H∞) a été créée pendant trois décades, et ici, la robustesse est garantie avec telle
norme donné. Par la suite, nous allons étudier et développer un correcteur de type H∞ à la théorie
des systèmes linéaires variés dans le temps (LPV).

86
 Chapitre V:

Commande Robuste du Quadrotor Basée sur la

Technique LPV
 Commande Robuste du Quadrotor Basée sur la Technique LPV

V.1 Introduction:

Un système linéaire à paramètres variés (Linear Parameter Vaying; LPV) est un système à une
structure linéaire avec des matrices non-stationnaires. Les systèmes LPV ont attiré l’attention des
chercheurs pendant ces deux dernières décades, spécialement du domaine aérospatial et de la micro-
électronique, ce qui est dû à leurs caractéristiques telles que; garantir la stabilité avec robustesse
sans réduire le comportement de système non-linéaire. Dans ce chapitre nous allons exploiter les
techniques LPV robustes pour les appliquer sur des systèmes non-linéaires sous-actionnés. Ce qui
nécessite la représentation d’un système non-linéaire comme un système LPV où les non-linéarités,
les états et/ou les entrées sont considérés comme des paramètres variés. Au début, nous allons
exposer les différentes représentations des systèmes LPV, suivi des différentes structures de
commande. Une discussion détaillée sera présentée sur la représentation utilisée dans ce travail et
qui est la représentation rationnelle, pour exposer à la fin de ce chapitre, une application sur le suivi
de la trajectoire du quadrotor, ainsi que la stabilisation du pendule inversé sur chariot.

V.2 Représentation et Commande des Systèmes LPV:

V.2.1 Représentation des Systèmes LPV:

L’objectif de cette section est de montrer les différentes structures utilisées pour présenter les
systèmes LPV.

V.2.1.1 Systèmes LPV Génériques:

Cette formulation des systèmes LPV est une formulation directe et la plus naturelle puisque le
système LPV est directement considéré en sa forme primitive par (Shamma, 1988):

J>†? = ¹>º?J>†? (V.1)

Où J>†? ∊ ℝq est le vecteur des états du système et ρ est le vecteur des paramètres variés dans le
temps.

Ni transformation ni prétraitement sont appliqués à la structure du système. La seule hypothèse

sous-jacente est que la matrice ¹>º? soit bornée. L’analyse de stabilité ou la synthèse de commande
sont directement effectuées. Cette formulation convient mieux aux systèmes dépendants de
paramètres polynomiaux mais peut être utilisée avec tout type de systèmes LPV. Nous pouvons de
récréer la matrice ¹>º? de (V.1) comme suit:

¹>º? = ¹u + ∑ ¹ º¼ (V.2)

88
 Commande Robuste du Quadrotor Basée sur la Technique LPV

Avec j = `j % j " … j t a et º¼ = `º¼ º¼ … º¼ a. Cependant, des formulations plus appropriées

s ² ¾

pour de tels systèmes vont être présentées dans les sections suivantes.

V.2.1.2 Systèmes LPV Polytopiques:

La structure polytopique s’offre un moyen pratique pour représenter et analyser les systèmes LPV et
incertains; comme c’est le cas des exemples présentés dans (Apkarian et al., 1995; Geromel et
Colaneri, 2006; Chesi et al., 2009). Contrairement aux systèmes LPV génériques pour lesquels nous
ne supposions aucune dépendance particulière vis-à-vis des paramètres, les systèmes polytopiques
sont explicitement représentés comme une combinaison convexe de systèmes LTI. Cette propriété
structurelle peut être exploitée pour obtenir des résultats de stabilité facilement vérifiables à l’aide
des techniques d’optimisation convexes.

On considère ce système:

J>†? = ¹Nº>†?SJ>†? + À% Nº>†?Sx>†? + À" Nº>†?S{>†?

¿ *>†? = z% Nº>†?SJ>†? + ˆ%% Nº>†?Sx>†? + ˆ%" Nº>†?S{>†? Y
M>†? = z" Nº>†?SJ>†? + ˆ"% Nº>†?Sx>†? + ˆ"" Nº>†?S{>†?
(V.3)

Où J>†? ∊ ℝq est le vecteur des états, x>†? ∊ ℝ est le vecteur des perturbations, {>†? ∊ ℝ! sont
les entrées de commande, *>†? ∊ ℝ sont les sorties commandées, et M>†? ∊ ℝq sont les sorties
mesurées.

On suppose que le vecteur des paramètres variés dans le temps º>†? ∊ ℝt appartient à l’unité
simplexe Á où:

Á = € ∊ ℝt : ∑tÄ% € = 1, € ≥ 0, / = 1, … , mÅ (V.4)

En particulier, aucune hypothèse n’est faite sur les paramètres variés dans le temps.

Chaque matrice du système appartient à un polytope. On note ÆNº>†?S pour

>¹Nº>†?S, À% Nº>†?S, À" Nº>†?S, z% Nº>†?S, z" Nº>†?S, ˆ%% Nº>†?S, ˆ%" Nº>†?S, ˆ"% Nº>†?S, ˆ"" Nº>†?S?:

Ç = È>ÆNº>†?S: ∃ º ∊ Á, ÆNº>†?S = ∑tÄ% º Æ Ê (V.5)

Tout système LPV (V.3) peut être représenté, jusqu’à un certain degré de précision, par un système
LPV polytopique (exemple V.1). Les systèmes qui dépendent linéairement de paramètres prenant
des valeurs dans un polyèdre convexe, tel qu’un boitier, peuvent être représentés exactement
comme des systèmes polytopiques (exemple V.2).

89
 Commande Robuste du Quadrotor Basée sur la Technique LPV

Exemple V.1: soit le système LPV

J>†? = `º% >†?¹% + º" >†?¹" aJ>†? (V.6)

Avec º>†? ∊ `−1, 1a × `−1, 1a admet une représentation polytopique équivalente puisque les
paramètres prennent des valeurs dans un polytope convexe. L’ensemble correspondant des valeurs
est donné par:

= Â>º% , º" ?: º% ∊ `−1, 1a, º" ∊ `−1, 1aÅ (V.7)

Par conséquent, nous pouvons considérer l’ensemble couvrant les sommets de la Figure V.1

−1 1 −1 1
⊂ ≔ 23 ÏÐ Ñ , Ð Ñ , Ð Ñ , Ð ÑÒ
Í
−1 −1 1 1
(V.8)

Le boîtier `−1, 1a" peut être paramétré en termes de variables dans le simplexe à 4 unités, comme
indiqué ci-dessous:

J>†? = \b% N€>†?S¹% + b" N€>†?S¹" ^J>†? (V.9)

Où €>†? ∊ ℝC et:

b% N€>†?S = >€" + €C ? − >€% + €B ?

b" N€>†?S = >€B + €C ? − >€% + €" ?
(V.10)

ρ2

(-1,1) (1,1)

ρ1

(-1,-1) (1,-1)

Figure V.1 Plan du polytope de l’exemple V.1

Exemple V.2: soit le système LPV

J>†? = `º>†?¹% + º" >†?¹" aJ>†? (V.11)

90
 Commande Robuste du Quadrotor Basée sur la Technique LPV

Avec º>†? ∊ `−1, 1a, nous considérons les paramètres ρ et ρ2 comme deux paramètres distincts.
L’ensemble couvrant est donné par la suite (les sommets de la Figure V.2):

−1 1 −1 1
⊂ ≔ 23 ÏÐ Ñ , Ð Ñ , Ð Ñ , Ð ÑÒ
Í
0 0 1 1
(V.12)

Le boitier `−1, 1a × `0, 1a peut être paramétré en termes de variables dans le simplexe à 4 unités,
comme indiqué ci-dessous:

J>†? = \b% N€>†?S¹% + b" N€>†?S¹" ^J>†? (V.13)

Où €>†? ∊ ℝC et:

b% N€>†?S = >€" + €C ? − >€% + €B ?

b" N€>†?S = €B + €C
(V.14)

ρ2

(-1,1) (1,1)

(-1,0) (1,0) ρ

Figure V.2 Plan du polytope de l’exemple V.2

Depuis ⊂ Í, la représentation polytopique (V.13) et (V.14) n’est pas équivalente au système

exacte (V.11). Tous les points en Eg (boitier) situés en dehors de la parabole E (ligne verte) sont très
nombreux, ça peut affecter sur la précision de la représentation polytopique (Briat, 2015). Le
système peut être stable sur E, mais il ne l’est pas sur Eg.

V.2.1.3 Systèmes LPV de Forme LFT:

Les systèmes LPV sous forme LFT sont des systèmes LPV exprimés sous forme d’interconnexions
de deux sous-systèmes, comme indiqué sur la Figure V.3. L’acronyme LFT signifie Linear
Fractional Transformation. La procédure de reformulation est utilisée pour exprimer les systèmes
LPV et incertains sous forme d’interconnexions à deux blocs. Cette formulation des systèmes LPV
a suscité l’intérêt de (Packard, 1994) et l’approche a donné lieu à de nombreux travaux comme
présenté dans (Apkarian et Gahinet, 1995; Apkarian et Adams, 1998; Scherer, 2001).

91
 Commande Robuste du Quadrotor Basée sur la Technique LPV

L’idée derrière la forme LFT est de recréer un système complexe comme une interconnexion de
partie simple et une partie compliquée. La partie simple doit avoir des propriétés simples; la
linéarité et l’invariance dans le temps. La partie compliquée contient les paramètres variantes, les
non-linéarités, les retards, etc...

Nous pouvons représenter un système LPV sous la forme LFT comme ci-dessous:

J = ¹ J>†? + ÀÓ xÓ >†? + À% x>†? + À" {>†?

*Ó = zÓ J>†? + ˆÓÓ xÓ >†? + ˆÓ% x>†? + ˆÓ" {>†?
* = z% J>†? + ˆ%Ó xÓ >†? + ˆ%% x>†? + ˆ%" {>†?
M = z" J>†? + ˆ"Ó xÓ >†? + ˆ"% x>†? + ˆ"" {>†?
(V.15)

xÓ = Ô*Ó

Où *Ó >†? et xÓ >†? ∊ ℝ sont les entrées et sorties du bloque des paramètres variés dans le temps
Θ = E/~)>º% 5 % , º" 5 " … ºÖ 5 Ö ?.

Θ
wρ zρ

w P z

u y

Figure V.3 Représentation LFT d’un système LPV

V.2.2 Commande des Systèmes LPV:

Les outils d’analyse des systèmes LPV sont directement hérités d’une analyse robuste et d’une
théorie de commande robuste et l’intégralité de la théorie LPV n’est révélée que lorsque la
conception du correcteur est l’objectif principal. Le principe de la commande robuste dans le cadre
LPV est que les paramètres sont supposés connus ou mesurables. Les paramètres peuvent être
utilisés dans la loi de commande par séquencement de gains; gain scheduling, (Figure V.4).

92
 Commande Robuste du Quadrotor Basée sur la Technique LPV

Système

ρ(t)

Correcteur

Figure V.4 Structure de commande par séquencement de gains

La difficulté majeure était l’absence de théorie générale permettant d’analyser la stabilité des
systèmes LPV et de concevoir des lois de commande par séquencement de gains LPV (Briat, 2015).

V.2.2.1 Retour d’État:

La loi de commande la plus simple qui est conçue est le retour d’état à séquencement de gains qui
s’écrit:

{>†? = ×Nº>†?SJ>†? (V.16)

Il s’agit d’une extension immédiate du retour d’état LTI au réglage LPV; la matrice de commande
K(ρ(t)) est désormais fonction des paramètres. Ce correcteur est le plus facile à concevoir, mais il
nécessite la connaissance de l’état complet du système à implémenter.

V.2.2.2 Retour de Sortie:

Une loi de commande simple à séquencement de gains est la loi de commande de retour de sortie
qui prend la forme:

{>†? = ×Nº>†?SM>†? (V.17)

Cette classe des correcteurs est très facile à implémenter car l’entrée de commande est calculée
directement à partir de la sortie mesurée. La difficulté principale est celle d’obtenir des conditions
favorables à la conception de telles lois de commande (Syrmos et al., 1997; Yuebang et al., 2012).
Pourtant, il existe certaines méthodes pour les concevoir dans le cadre robuste dont elles peuvent
être étendus au cas LPV (Prempain et Postlethwaite, 2005; Henrion et Lasserre, 2006).

V.2.2.3 Retour Dynamique:

Une classe de correcteurs très importante est la classe des correcteurs à retour dynamique:

93
 Commande Robuste du Quadrotor Basée sur la Technique LPV

JØ >†? = ¹Ø Nº>†?SJ>†? + ÀØ Nº>†?SM>†?

{>†? = zØ Nº>†?SJØ >†? + ˆØ Nº>†?SM>†?
(V.18)

Où xK est le vecteur des états du correcteur, AK, BK, CK et DK sont les matrices dynamiques du
correcteur. Cette classe des correcteurs a été étudiée dans (Packard, 1994; Apkarian et Gahinet,
1995; Scherer, 2001; Scherer et Köse, 2012). L’avantage de cette classe est qu’elle permet de
générer la commande basée sur les observateurs.

Nous allons nous concentrer ici sur le retour dynamique avec la représentation LFT. Sur la base de
la structure LFT des systèmes LPV représentée dans la section V.2.1.3, le correcteur LPV-LFT à
retour dynamique (Figure V.5) est donné par:

JØ = ¹Ø JØ + ÀØ% M + ÀØÓ xØÓ

{ = zØ% JØ + ˆØ%% M + ˆØ%Ó xØÓ
*ØÓ = zØÓ JØ + ˆØÓ% M + ˆØÓÓ xØÓ
(V.19)

xØÓ = Ô*ØÓ

Où JØ >†? ∊ ℝÖ est le vecteur des états du correcteur, {>†? ∊ ℝ! sont les entrées de commande,
M>†? ∊ ℝq sont les sorties mesurées, *Ó >†? et xÓ >†? ∊ ℝ sont les entrées et sorties du bloc des
paramètres variés dans le temps Θ = E/~)>º% 5 % , º" 5 " … ºÖ 5 Ö ?. Ce bloc est le même que celui du
système à commander.

y K u

wkρ zkρ

Figure V.5 Représentation d’un correcteur LPV sous forme LFT

V.3 Stabilité des Systèmes LPV:

V.3.1 Stabilité des Systèmes LPV Génériques et Polytopiques:

Nous allons considérer dans cette section un système LPV générique en boucle fermée:

J = ¹>º?J>†? (V.20)

V.3.1.1 Stabilité des Systèmes LPV Génériques:

Nous considérons la fonction quadratique de Lyapunov:

94
 Commande Robuste du Quadrotor Basée sur la Technique LPV

¦>J, º? = J _ Ù>º?J, Ù>º? > 0 (V.21)

¦>J, º? est la fonction de Lypunov pour le système (V.20), qui est appelée la fonction de Lyapunov
dépendante des paramètres.

En accord avec le théorème de Lypunov, la dérivée (V.22) doit être semi-définie négative:

¦ >J, º? = J _ ¹>º?_ Ù>º? + Ù>º?¹>º? + ∑tÄ% º J

Ú>Ó?
Ó
(V.22)

Le système LPV (V.20) est stable et robuste s’il existe une matrice différentielle P(ρ) telle que la
condition:

¹>º?_ Ù>º? + Ù>º?¹>º? + ∑tÄ% º ˂0

Ú>Ó?
Ó
(V.23)

Notant que la dépendance de l’inégalité ci-dessus est affine pour ρi et que º et º sont indépendantes.

V.3.1.2 Stabilité des Systèmes LPV Polytopiques:

En considérant la boucle fermée d’un système LPV sous forme polytopique, tel que:

J = ∑tÄ% º ¹ J>†? + ∑tÄ% º À x>†?

* = ∑tÄ% º z J>†? + ∑tÄ% º ˆ x>†?
(V.24)

Où J>†? ∊ ℝq est le vecteur des états, x>†? ∊ ℝ est le vecteur des perturbations et *>†? ∊ ℝ sont
les sorties commandées.

La stabilité robuste de ce système est de minimiser le gain L2 (norme) entre les sorties commandées
et les perturbations:

<Ý
‖ ‖²
‖ª‖²
(V.25)

Puisque un système LPV polytopique est un groupe de systèmes LTI, alors afin d’assurer la stabilité
d’un système LPV polytopique, il faut assurer la stabilité de chaque iéme système LTI (Gahinet et
Apkarian, 1994). Le système (V.24) est stable avec robustesse et assure (V.25), s’il y a une matrice
X qui assure l’inégalité suivante:

¹_ [ + [¹ [À z_
+ À_ [ −Ý5 ˆ_ 4 < 0
z ˆ −Ý5
(V.26)

95
 Commande Robuste du Quadrotor Basée sur la Technique LPV

V.3.2 Stabilité des Systèmes LPV de Forme LFT:

Dans notre cas d’étude, nous allons nous baser sur la représentation LFT des systèmes LPV et sur
une commande par le théorème du petit gain scalaire.

La stabilité des systèmes LFT est toujours un sujet de recherche actif (Feyel, 2015; Liu et al., 2017;
Acosta et Bottura, 2017; Behzad et al., 2018). En effet, les systèmes LFT constituent un moyen
unifié de modéliser les systèmes LPV avec tout type de dépendance de paramètres: affine,
polynomiale et rationnelle. En réécrivant les systèmes LPV sous la forme LFT, le système initial est
divisé en deux sous-systèmes interconnectés; un système invariant (système LTI) et un autre est
variable dans le temps (bloc des paramètres variées). La stabilité des systèmes LPV est ensuite
déterminée à l’aide des résultats obtenus sur les systèmes interconnectés en stabilité.

La technique LPV sous forme LFT est utilisée pour représenter le système non-linéaire. Par la suite,
la représentation LPV-LFT est donnée avec pris en compte de la conception de performance H∞, les
conditions d’existence d’un correcteur à séquencement de gains H∞ robuste s’effectue par la
résolution d’un groupe de contraintes LMIs, comme présenté dans (Apkarian et Gahinet, 1995;
Hjartarson et al., 2015), et puis la synthèse du correcteur qui est un système LPV sous forme LFT
aussi.

V.3.2.1 Représentation LFT d’un Système LPV:

Un système est appelé LPV-LFT si nous pouvons reformuler (V.20) comme ci-dessous:

J = ¹ J + ÀÓ xÓ + À% x + À" {
*Ó = zÓ J + ˆÓÓ xÓ + ˆÓ% x + ˆÓ" {
* = z% J + ˆ%Ó xÓ + ˆ%% x + ˆ%" {
M = z" J + ˆ"Ó xÓ + ˆ"% x + ˆ"" {
(V.27)

xÓ = Ô*Ó

Où J>†? ∊ ℝq est le vecteur des états, x>†? ∊ ℝ est le vecteur des perturbations, {>†? ∊ ℝ! sont
les entrées de commande, *>†? ∊ ℝ sont les sorties commandées, M>†? ∊ ℝq sont les sorties
mesurées, *Ó >†? et xÓ >†? ∊ ℝ sont les entrées et sorties du bloc des paramètres variés dans le
temps Θ = E/~)>º% 5 % , º" 5 " … ºÖ 5 Ö ?.

96
 Commande Robuste du Quadrotor Basée sur la Technique LPV

Θ
wρ zρ

w P z

u y

K
zKρ wKρ

Figure V.6 La boucle fermée système-correcteur d’un système LPV sou forme LFT

La structure LPV-LFT de la boucle système-correcteur est présentée dans la Figure V.6. On note
que dans cette approche de commande, le correcteur à séquencement de gains a la même structure,
la même complexité du système, et aussi la même récurrence de chaque paramètre varié dans le
temps. L’expression suivante est la représentation d’état du correcteur robuste à séquencement de
gains.

JØ = ¹Ø JØ + ÀØ% M + ÀØÓ xØÓ

{ = zØ% JØ + ˆØ%% M + ˆØ%Ó xØÓ
*ØÓ = zØÓ JØ + ˆØÓ% M + ˆØÓÓ xØÓ
(V.28)

xØÓ = Ô*ØÓ

Où JØ >†? ∊ ℝÖ est le vecteur des états du correcteur, {>†? ∊ ℝ! sont les entrées de commande,
M>†? ∊ ℝq sont les sorties mesurées, *Ó >†? et xÓ >†? ∊ ℝ sont les entrées et sorties du bloc des
paramètres variés dans le temps Θ = E/~)>º% 5 % , º" 5 " … ºÖ 5 Ö ?.

La synthèse du correcteur dans ce chapitre est basé sur les travaux de (Apkarian et Gahinet, 1995;
Hjartarson et al., 2015), où il y a deux étapes; premièrement, un groupe des contraintes LMIs sont
résolus pour optimiser la performance H∞ de la boucle fermée et générer les matrices associés R, S,
L3 et J3. Deuxièmement, le correcteur (V.28) est calculé à partir de ces matrices.

V.3.2.2 Analyse de Stabilité Sous LMIs Selon le Théorème du Petit Gain Scalaire:

Théorème: S’il y a une matrice scalaire L où Fl(Pa,K) est le système en boucle fermée qui vérifie:

Þ¶
%/"
0· . >Ù , ×?. ¶ Q%/" 0·Þ ≤ Ý
0 5 0 5 à
X ƒ (V.29)

Avec:‖Ô‖∞ ≤ á
%

Alors, il y a un correcteur à séquencement de gains robuste K(ρ)=LFT(K,Θ).

97
 Commande Robuste du Quadrotor Basée sur la Technique LPV

Fl(Pa,K): la transformation (LFT) inférieure entre le processus et le correcteur. Elle présente le

système à boucle fermée.
Pa: le processus augmenté.
γ: le critère de performance.

Essentiellement, les formulations LMIs sont générées pour les systèmes LTI (Gahinet et Apkarian,
1994) et sont étendus aux systèmes LPV (Apkarian et Gahinet, 1995). On remplace ici le problème
LPV original par un problème H∞. On pose NR et NS des matrices arbitraires basées sur les
dimensions de (B2T, Dρ2T, D12T, 0) et (C2, D2ρ, D21, 0) respectivement. Il y a un correcteur LPV à
séquencement de gains s’il y a des matrices R, S, L3 et J3 qui vérifient:

¹‡ + ‡¹_ ‡z%_ À%
: } 0 =
mâ_ 9 z% ‡ −Ý B ˆ%%
0 5 < mâ < 0
0
(V.30)
À%_ ˆ%%
_
−Ý B
8 0 5 ;

¹_ › + ›¹ ›À% z%_
: 0 =
mã_ 9 À%_ › −Ý B
ˆ%%
_
0 5 < mã < 0
}B 0
(V.31)
z% ˆ%% −Ý
8 0 5 ;

‡ 5
≥0
5 ›
(V.32)

5
¶ B
·≥0
5 }B
(V.33)

}% }"
} = 5, ← ¶ ·,} ← ¶ ·
% "
_
" B }"_ }B
(V.34)

B1, C1 et D11 présentées dans (V.30) et (V.31) sont augmentées par les entrées et les sorties du bloc
des paramètres Θ:

zÓ ˆÓÓ ˆÓ%
À% ← >ÀÓ À% ?, z% ← ¶ · , ˆ%% ← ¶ ·
z% ˆ%Ó ˆ%%

Le théorème est démontré dans (Gahinet et Apkarian, 1994) pour les systèmes LTI et adopté pour
les systèmes LPV (Apkarian et Gahinet, 1995).

98
 Commande Robuste du Quadrotor Basée sur la Technique LPV

V.3.2.3 Synthèse du Correcteur LPV-LFT:

On suppose que la représentation d’état du correcteur (V.28) est présentée comme un système LTI
nominal comme ci-dessous:

¹Ø ÀØ% ÀØÓ
Z = +zØ% ˆØ%% ˆØ%Ó 4 ∈ ℝ>Öi!i ×Öiq i ?

zØÓ ˆØÓ% ˆØÓÓ

(V.35)

On prend en considération la notation suivante:

¹ 0 0 ÀÓ À%
¹u = ¶ ·, Àu = ¶ ·,
0 0Ö⨯Ö 0Ö⨯ 0 0

0 0 ⨯Ö
0 À" 0
zu = +zÓ 0 4, ℬ = ¶ ·,
5Ö 0 0Ö⨯
z% 0

0 5Ö 0⨯ 0 0
ç = èz" 0 é, ê%% = + 0 ˆÓÓ ˆÓ% 4,
0 0 ⨯Ö 0 ˆ%Ó ˆ%%

0 ⨯Ö 0 5 0Ö⨯ 0 0
ê%" =+ 0 ˆÓ" 0 4, ê"% = + 0 ˆ"Ó ˆ"% 4
0 ˆ%" 0 5 0 0
(V.36)

On suppose les solutions R, S, L3 et J3 données des LMIs dans (V.30)-(V.33), le calcul de Ω est
comme suit (Algorithme 5.1, (Apkarian et Gahinet, 1995)):

Algorithme 5.1: Résoudre le correcteur LPV-LFT

1: Calculer M, N ∈ ℝ>¤⨯í? où M N î = I – RS (V.37)
5 ‡ › 5
[ =
X
0 Æ_ m_ 0
2: Calculer Xcl la solution unique de: (V.38)

=¶ · >0
% "
3: Calculer L1 et L2 où: _ (V.39)
" B

0
4: ℒ ← ¶0 5 ·, ô ← ℒ
Q%
(V.40)

¹_u [ X + [ X ¹u [ X Àu zu_
Ѱ←+ Àu_ [ X −Ýℒ _ 4
ê%%
zu ê%% −Ýô
5: (V.41)

6: Ù ← >ℬ _ , 0, ê%"
_ ?,
ö ← >ç, ê"% , 0? (V.42)
[X 0 _ [X 0
Ѱ+ Ù Zö + ö_ Z_ Ù <0
0 5 0 5
7: Résoudre Ω de LMI suivante: (V.43)

99
 Commande Robuste du Quadrotor Basée sur la Technique LPV

V.4 Stabilisation LPV Robuste du Quadrotor:

Le modèle mathématique du quadrotor a été présenté dans le Chapitre III, comme suit:

I JK = ! >2,.12- + .,.-?L÷
%

G MK = % >2,.1.- − .,2-?L
G ! ÷
G
G *K = >2,21?L÷ − )
%
!
Y
H,K = OT 1- − OT 1 + OT Lø
NOP QOR S V V U W X (V.44)
G
G 1K = O ,- + O , + O Lù
>OR QOT ? UV WV X

G
G K NOT QOP S
P P P

F - = O ,1 + O Lú
%
R R

Comme il a été déjà mentionné précédemment, le quadrotor est un système sous-actionné, ainsi,
quand le sous-système de rotation a été stabilisé avec robustesse, le suivi de trajectoire (translation)
sera très facile à contrôler avec une structure en cascade.

Dans cette section, la commande LPV-LFT est utilisé pour stabiliser le sous système de rotation
(attitude) avec robustesse, on va représenter le sous-système de rotation où son modèle a trois
dégrées de liberté; roulis, tangage, et lacet et six états; les trois angles `, 1 -a et leurs dérivés
\, 1 -^, et les trois entrés \L L L ^:

I ,K = OT 1- − OT 1 + OT L
OP QOR V V U W X

G
1K = RO T ,- + VO V , + O L Y
O QO U W X

H P P P
(V.45)
G-K = O QO
,1 + O L
%
F
T P
OR R

Avec: Ωr=ω1-ω2+ω3-ω4 (V.46)

Et:

L = @>AC" − A"" ?
” L = @>AB" − A%" ? Y
L = E>A%" − A"" + AB" − AC" ?
(V.47)

Les paramètres du quadrotor ont été présentés dans le Tableau III.1.

Puisque le modèle sélectionné et symétrique tant que (Ix=Iy), l’équation différentielle du lacet peut
être linéarisé et va être donné telle que (-K = O L ). Nous avons donc deux sous-systèmes; le sous-
%
R

système non-linéaire, roulis-tangage (φ, θ) et le sous-système linéaire, lacet (ψ).

100
 Commande Robuste du Quadrotor Basée sur la Technique LPV

Nous n’avons pas besoin d’une approche de commande complexe pour le sous-système de lacet,
donc nous allons le commander par un correcteur H∞ linéaire. Par la suite, la représentation du sous-
système roulis-tangage sera comme un système quasi-LPV.

V.4.1 Sélection des Paramètres:

La représentation LPV-LFT d’un système non-linéaire n’est pas unique; la sélection des paramètres
a influencé sur la complexité de synthèse du correcteur, en regardant le modèle (V.45), puisque le
but est de découpler le lacet du sous-système roulis-tangage nous avons choisi (ρ1 = -), et (ρ2 = Ωr)
comme des paramètres variés dans le temps, et puis nous avons créé le modèle LPV-LFT (Figure
V.7) du sous-système roulis-tangage et nous obtenons la représentation d’état comme suit:

J ü ℬÓ ℬ% J
*
° Ó ± = ûçÓ êÓÓ êÓ% ý . °xÓ ±
M ç% ê%Ó ê%% {
(V.48)

xÓ = Ô *Ó

0 0 0 0
0 1 0 0 − OV 0 0
OP QOR U

où: ü = û0 0 0 0ý , ℬ = ,
OT
0 0
T
0 0 0 1 Ó
0 0
0 0 0 0 OR QOT UV
þ 0 0 OP OP

0 0
D
0 0 0 0 1
5 0 0 0 1ý , ç = Ð1 0 0 0
ℬ% = 0 0 , çÓ = û0 Ñ,
1 0 0 %
0 0 1 0
D 0 1 0 0
0
þ 5

êÓÓ = 0C×C , êÓ% = 0C×" , ê%Ó = 0"×C , ê%% = 0"×"

wρ Θ zρ

Attitude de
quadrotor
u y

Figure V.7 Schéma LPV-LFT d’attitude du quadrotor

Nous avons quatre états `, , 1 1a, deux entrées (Uφ, Uθ) et deux paramètres variés (ρ1, ρ2) avec
deux récurrences pour chacun, c-à-d Θ= diag (ρ1, ρ2, ρ1, ρ2). Selon le lacet, il est un système LTI
simple avec deux états et une seule entrée. Maintenant, nous avons la représentation LPV-LFT

101
 Commande Robuste du Quadrotor Basée sur la Technique LPV

d’attitude du quadrotor, mais nous n’avons pas générer encore la boucle fermée. Par la suite, la
boucle fermée va être obtenue et alors la synthèse du correcteur H∞ à séquencement de gains est
faite.

V.4.2 Synthèse du Correcteur:

Après la modélisation du système, il est nécessaire d’établir l’interconnexion entre le processus et

les différentes entrées extérieurs; les signaux de références, perturbations et les bruits. En plus, les
fonctions de pondération qui présentent les performances désirées sont établies, par sensibilité
mixte, par les signaux des erreurs et les entrées (les signaux de commande).

De plus nous avons interconnecté le quadrotor avec la dynamique des actionneurs. Le quadrotor est
commandé par les vitesses angulaires des rotors (ω1 ... ω4), mais pour simplifier la compréhension
du processus, les vitesses des rotors sont couplés pour avoir la commande de roulis, la commande
de tangage et la commande de lacet (V.47). La dynamique du rotor obtenue de (Bouabdallah, 2007)
est présentée par la fonction de transfert:

ˆ>.? = ‰ = u.%•Ž di%

‰ u.‹BŒ
(V.49)
Š

Où ωi et ωdi sont la vitesse angulaire actuelle et désirée du iéme rotor, respectivement. L’entrée
désirée (Ud) est généré par le correcteur et l’entrée actuelle (Ua) est appliquée directement au
modèle du processus après le passe de (Ud) par les actuateurs, en le combinant avec (V.47) et
(V.49):

Lƒ = ˆ" >.?. L (V.50)

L’équation (V.50) présente la dynamique des actionneurs pour chaque entrée (Uφ, Uθ, Uψ);
commandes roulis, du tangage, et du lacet. Selon les entrées extérieurs, nous considérons trois
types; les angles désirées, les perturbations des entrées et les bruits des capteurs (Figure V.8).

Puisque nous avons considéré la division du modèle d’attitude en deux différents sous-systèmes; un
LTI (sous-système de lacet) et un LPV (sous-système de roulis-tangage), le correcteur de chaque
sous-système a la même nature que le système à commander.

V.4.2.1 Le Correcteur H∞ LTI:

La synthèse du correcteur H∞ LTI pour le sous-système de lacet est réalisée par la résolution des
équations de Riccati et loop shaping (Balas et al., 2009).

102
 Commande Robuste du Quadrotor Basée sur la Technique LPV

= = 10Q"
di% d² i%ž di%
Les fonctions de pondération sont, c diu."
pour le critère d’erreur et ¢ ž d² iž di%

pour le critère de commande. Ces fonctions présentent le comportement désiré de la boucle fermée,
dans notre cas; une bande passante limitée à 1 rad/s et l’erreur permanente admissible est égal à 0.2.
Le gain d’haute fréquence est limité à 10-2 par la bande passante du correcteur (7.5 rad/s) (Zhou et
Doyle, 1998). Nous avons un correcteur H∞ LTI avec un critère de performance γψ=1.0008.

V.4.2.2 Le Correcteur H∞ LPV:

Le correcteur LPV est conçu par le théorème de petit gain scalaire et l’optimisation convexe par
LMI (Apkarian et Gahinet, 1995). L’avantage de d’algorithme de synthèse d’un correcteur LPV-
LFT est qu’il n’y a pas de besoin de considérer les bandes des dérivées de les paramètres variés, le
critère de performance obtenu, γ, est la norme L2 quand il n’y a pas des limites imposées à la vitesse
de changement de valeur de paramètre par le temps. Le tableau V.1 présente les intervalles des
paramètres de sous-système de roulis-tangage.

Tableau V.1 Les intervalles des paramètres variés

Paramètre description intervalle
ρ1 - [-2, 2] rad.s-1
ρ2 Ωr [-300, 300] rad.s-1

Les fonctions de pondération sont obtenues de même que celles du sous-système de lacet, une

= diu." ∗ 5" et l’autre de la commande; = 10Q" ž d² ∗ 5" , où I2

di% d² i"ž di%
fonction d’erreur c , ¢ , iž di%

est la matrice identité de dimension 2. Parce que le sous-système du roulis-tangage est un système
MIMO, nous avons présenté ses fonctions de pondération We et Wu comme des matrices diagonales.

Ces fonctions présentent le comportement désiré de la boucle fermée, dans notre cas; une bande
passante limitée à 1 rad/s et l’erreur permanente admissible est égal à 0.2. Le gain d’haute fréquence
est limité à 10-2 par la bande passante du correcteur (12.5 rad/s) (Zhou et Doyle, 1998).

L’algorithme de synthèse du correcteur est détaillé en sections V.3.2.2 et V.3.2.3. Nous avons un
correcteur H∞ LPV avec un critère de performance γφ,θ=2.89. L’algorithme de commande des
systèmes LPV-LFT (Hjartarson et al., 2015) n’impose pas le taux de variation des paramètres variés
dans le temps et aussi, il est juste une limite supérieure sur la norme L2, donc, si les perturbations et
les bruits ont une norme L2 limité par 1, la norme L2 du système en boucle fermée ne dépasse pas
2.89 pour toute trajectoire des paramètres (-, Ωr) comme mentionné dans Tableau V.1.

103
 Commande Robuste du Quadrotor Basée sur la Technique LPV

Afin de combiner les deux différents correcteurs, nous supposons que le correcteur LPV-LFT (pour
le sous-système de roulis-tangage) a une représentation comme (V.35). On appelle ce correcteur
¹Ø% ÀØ% ÀØÓ
× Ú = û zØ% ˆØ%% ˆØ%Ó ý qui a une structure LFT inférieure comme présenté à la Figure V.5.
zØÓ ˆØÓ% ˆØÓÓ

¹Ø" ÀØ"
On appelle le correcteur LTI (pour le sous-système de lacet) × =
_O zØ" ˆØ"
, le correcteur

combiné pour le système complet est montré par ses matrices;

zØ% ˆØ%% ˆØ%Ó

¹Ø% ÀØ% ÀØÓ
¹Ø = , ÀØ = , zØ = û zØ" ý , ˆØ = û ˆØ" ý
¹Ø" ÀØ" zØÓ ˆØÓ% ˆØÓÓ
(V.51)

dφ,θ,ψ
ze zu
We Wu wρ Θ zρ

+
Attitude de
rφ,θ,ψ + eφ,θ,ψ Uφ,θ,ψ
Act. quadrotor
K +
-
wKρ zKρ
φ,θ,ψ
Θ
P
+

+ nφ,θ,ψ

Figure V.8 La boucle fermée système-correcteur d’attitude du quadrotor

V.5 Suivi de Trajectoire et Simulation:

V.5.1 Suivi de Trajectoire:

Comme nous avons mentionné précédemment, le modèle du quadrotor est compliqué car il s’agit
d’un système sous-actionné; où les mouvements translationnelles sur les axes x et y n’ont pas
d’entrées directes, et il n’y a pas de sens à appliquer une stratégie de commande directe. Par
conséquent, nous devons diviser le modèle du quadrotor en deux blocs en cascade. Etant donné que
la commande du sous-système de rotation (attitude) a été établie par LPV, nous analysons le suivi
de la trajectoire par Backstepping intégral comme nous l’avons fait dans la section IV.3.

Les états: J% = *, J" = *, JB = J, JC = J, Jž = M, JŒ = M.

La représentation d’état du sous-système de translation:

104
 Commande Robuste du Quadrotor Basée sur la Technique LPV

J"
I%
>2,21?L − )
G!
G JC
[= Y
{ L
%
H
(V.52)
!
G JŒ
G
{ L
%
F !

Où, les commandes virtuelles:

{ = >2,.12- + .,.-?
{ = >2,.1.- − .,2-?
(V.53)

Les lois de commande de translation sont les mêmes que celles de la section IV.3:

L => >JK % + >1 − 2%" + €% ?o% − 2% €% ¥% + >2% + 2" ?o" + )?

!
§d §d ?
(V.54)

{ = • >JK B + >1 − 2B" + €" ?oB + >2B + 2C ?oC − 2B €" ¥" ?

!
(V.55)
R

{ = • >JK ž + >1 − 2ž" + €B ?ož + >2ž + 2Œ ?oŒ − 2ž €B ¥B ?

!
(V.56)
R

Avec: o% = J% − J% , ¥% = …u o% > ? E , o" = J" − J" , oB = JB − JB , ¥" = …u oB > ? E , oC =

JC − JC , ož = Jž − Jž , ¥B = …u ož > ? E , oŒ = JŒ − JŒ .

Les commandes virtuelles (ux, uy) sont utilisées pour générer les angles désirés:

, = ./0Q% >{ sin - − { cos -?

¡ Y
1 = ./0Q%
¢T •‘’ i¢P ’£¤ (V.57)
•‘’

La structure de commande générale est présentée dans la Figure V.9 où; la stabilisation d’attitude
est établie par LPV H∞ avec robustesse. Par contre le suivi de trajectoire (translation) est établi par
Backstepping intégral (Hasseni et Abdou, 2018).

105
 Commande Robuste du Quadrotor Basée sur la Technique LPV

(dz, dφ, dθ, dψ)

(dx, dy)
Sous-
système de
Uz (x, y, z)
translation

Correcteur Conversion Correcteur Sous-

Trajectoire Uφ
backstepping ux Translation- φd système
désirée (xd, yd, zd)
intégral Rotation LPV H∞ Uθ de (φ, θ, ψ)
uy θd
rotation
ψd Uψ

(nφ, nθ, nψ)

Figure V.9 La structure de commande du quadrotor

V.5.2 Résultats de Simulation:

La trajectoire que nous allons simmuler est comm suit; en premier mode, le quadrotor monte à 2 m
d’altitude et en deuxième mode, il fait une trajectoire comme un carré de 10 m de coté à la fois sur x
et y, et en même temps, il tourne sur lui-même (ψ) pendant 50 secondes.

Les perturbations sont supposées être des impulsions d’amplitude dφ=0.1 N dans l’instant 14 s,
dθ=0.1 N dans l’instant 16 s, et dψ=0.03 Nm dans l’instant 17 s. Tant les bruits appliqués sont des
signaux aléatoires permanents dans un intervalle de [-0.5 0.5] rad. De plus, pour montrer la
robustesse face aux incertitudes paramétriques, nous verrons dans les prochains figures; Figure
V.10 - Figure V.13 la simulation du suivi de trajectoire avec trois valeurs d’inerties différentes sur
l’axe x, y, z et l’inertie du rotor (Ix, Iy, Iz, et Jr); paramètres nominaux, et ±20%. La Figure V.14
présente les signaux de commande avec différents paramètres d’inertie.

C’est clair que nous avons une stabilité robustesse face aux perturbations, bruits et les incertitudes
paramétriques. Malgré qu’il y a des bruits de mesure de [-0.5 0.5] rad, les variations dans les
réponses des angles (Figure V.11) sont très petits et ils n’ont pas d’effet sur les réponses de
translation (Figure V.10). En plus, les perturbations dφ, dθ, dψ sont rejetés rapidement, et toutes les
trajectoires sont presque identiques.

106
 Commande Robuste du Quadrotor Basée sur la Technique LPV

X [m]
Y [m]
Z [m]

Figure V.10 Les réponses des coordonnées de translation avec des incertitudes sur les inerties
φ [rad]
θ [rad]
ψ [rad]

Figure V.11 Les réponses des coordonnées d’orientation avec des incertitudes sur les inerties

107
 Commande Robuste du Quadrotor Basée sur la Technique LPV

Référence
Inertie Nominale
Inertie + 20%
Inertie - 20%

2.5

1.5
Z [m]

0.5

0
12
10
8
6 12
4 10
8
2 6
4
0 2
Y [m]
0
-2 -2 X [m]

Figure V.12 La trajectoire en 3D

Figure V.13 Une vue horizontale de la trajectoire

Inertie Nominale
60 20 Inertie +20%
Inertie -20%

40 0

20 -20

0 -40
0 10 20 30 40 50 0 10 20 30 40 50
Temps [s] Temps [s]
40 0.1

0.05
20
0
0
-0.05

-20 -0.1
0 10 20 30 40 50 0 10 20 30 40 50
Temps [s] Temps [s]

Figure V.14 Les signaux de commande

108
 Commande Robuste du Quadrotor Basée sur la Technique LPV

Afin de montrer l’effet de l’action d’intégral, nous avons appliqué des perturbations comme des
échelons de 0.5 N sur Uz à partir de l’instant 20 s, sur ux à partir de l’instant 16 s et sur uy à partir de
l’instant 14 s. Nous allons tester le suivi de la même trajectoire de la simulation précédente par la
stratégie hybride (Backstepping intégrale / LPV H∞) et celle sans l’intégral (Backstepping / LPV
H∞). La Figure V.15 et La Figure V.16 présentent le suivi de trajectoire en 3D et les réponses des
coordonnées de translation.

Référence
IBS-LPV
BS-LPV

0
15
15
10
10
5
5
0 0
Y [m] -5 -5 X [m]

Figure V.15 La trajectoire en 3D du IBS-LPV et BS-LPV

Figure V.16 Les réponses de coordonnés de translation du IBS-LPV et BS-LPV

109
 Commande Robuste du Quadrotor Basée sur la Technique LPV

Nous pouvons observer que le correcteur Backstepping integral / LPV (IBS-LPV) est mieux que le
Backstepping / LPV (BS-LPV) en terme de performance sur le suivi de la trajectoire. La réponse du
système avec IBS-LPV montre que les perturbations sont rejetées, ce qui n’est pas le cas pour le
BS-LPV, où il y a des erreurs permanentes notés tel que; 0.5 m sur l’altitude (z), 2 m sur la
coordonné x et 2 m sur la coordonné y.

V.6 Commande d’un Système Sous-Actionné; Pendule Inversé:

Dans cette section, nous allons commander un véhicule qui s’appelle Personal Pendulum Vehicle
(Véhicule Pendule Personnel) (Fiacchini et al., 2006) par la même approche vue précédemment,
LPV-LFT robuste. Cette section est une amélioration par rapport au (Hasseni et Abdou, 2017), cette
amélioration se concentre sur deux points; éliminer le contrainete de sous-actionné et l’optimisation
les fonctions de pondération. Ce véhicule (Figure V.17) est un pendule inversé avec deux roues, où
l’utilisateur contrôle le mouvement d’avancer ou de reculer en s’inclinant.

Figure V.17 Vue générale du véhicule pendule personnel

Le modèle du pendule inversé sur chariot est un benchmark pour plusieurs applications comme le
segway (Boubaker, 2012), c’est un véhicule avec deux degrés de liberté; rotation (θ) et translation
(x), mais il a une seule entrée qui est la force linéaire (F) (Figure V.18).

Le modèle dynamique de ce véhicule est dérivé de la formulation d’Euler-Lagrange, en considérant

le modèle utilisé dans (Fiacchini et al., 2006; Raffo et al., 2007):

Æ+( ÆD cos>1? JK −ÆD ./0>1?1 ÐJ Ñ + 0

Ð KÑ + @ =Ð Ñ
ÆD cos 1 ÆD " 1 0 0 1 −Æ)D sin 1 0
(V.58)

Avec; m est la masse du chariot, M est la masse du pendule qui présente dans notre cas l’utilisateur,
l est la longueur du bras du pendule, g est la constante de gravité, b est le coefficient de force de
friction, et F est la force appliquée. Leurs valeurs sont présentées dans le Tableau V.2.

110
 Commande Robuste du Quadrotor Basée sur la Technique LPV

Figure V.18 Schéma géométrique du pendule inversé sur chariot

Tableau V.2 Les valeurs nominales du pendule inversé sur chariot

Paramètre Description Valeur Unité
m La masse du chariot 35 Kg
M La masse du penule 70 Kg
l Longueur du bras 1 m
g Constante de gravité 9.8 m.s-2
b Coefficient de friction 40 N.s.m-1

V.6.1 Représentation LFT- LPV du Pendule Inversé:

À partir de (V.58) nous pouvons extraire ces deux équations:

>Æ + (?JK + ÆD cos>1? 1K + @J − ÆD sin >1?1 " = Y

h
ÆD cos>1? JK + ÆD " 1K − Æ)D sin>1? = 0
(V.59)

Le terme (ÆD sin >1?1 ") rend l’application de la technique LPV-LFT difficile. Ainsi, en changant le
signal généré par le correcteur, le nouveau modèle est donné par:

>Æ + (?JK + ÆD cos>1? 1K + @J = { Y

h
ÆD cos>1? JK + ÆD " 1K − Æ)D sin>1? = 0
(V.60)

Où:
{= + ÆD sin >1?1 " (V.61)
En prenant en considération les non-linéarités comme des paramètres variés, et par des petits
changements pour rendre le système commandable et observable, la représentation LPV-LFT est:

J ü ℬÓ ℬ% J
*
° Ó ± = ûçÓ êÓÓ êÓ% ý . °xÓ ±
M ç% ê%Ó ê%% {
(V.62)

xÓ = Ô *Ó

111
 Commande Robuste du Quadrotor Basée sur la Technique LPV

Avec x est le vecteur des états J = `1 1 Ja .

_

Les matrices sont alors:

0 1 0 0 0 0 0
) @ ) 1 Æ
0 0
ü= D >Æ + (?D , ℬÓ = D >Æ + (?D >Æ + (? ,
−@ ÆD
0 0 0 0 0
þ >Æ + (? þ >Æ + (?

0 1 0 0
−1 0 0 @
ℬ% = >Æ + (? , çÓ = ) @ , ç% = `1 0 0a,
0
1 D >Æ + (?D
þ>Æ + (? þ0 0 0

0 0 0 0 0
0 0 0 0 −1
êÓÓ = ) 1 Æ , êÓ% = −1 ,
0
D >Æ + (?D >Æ + (? >Æ + (?
þ0 0 1 0 þ 0

º% 0 0 0
0 º" 0 0
ê%Ó = `0 0 0 0a, ê%% = 0, Ô = 0 ºB 0
0
(V.63)
0 0 0 ºC

Tous les paramètres ρ1 … ρ4 sont reliés à l’angle θ, théoriquement −90° ≤ 1 ≤ 90° mais pour
éviter la non-commandabilité, on réduit l’intervalle à −80° ≤ 1 ≤ 80°. Le Tableau V.3 présente
l’intervalle de chaque paramètre.

Tableau V.3 Les intervalles des paramètres variés

Description Valeur min. Valeur max.
Paramètre
sin 1
¶ · − 1 -0.3
1
ρ1
0

ρ2 cos 1 − 1 -0.83 0
ρ3 cos 1 0.17 1
ρ4 23. " 1 0.03 1

V.6.2 Sélection des Paramètres des Fonctions de Pondération:

Afin d’obtenir la boucle fermée, nous interconnectons le système avec les entrées externes; la
perturbation (d) et le bruit de mesure (n). Le signal de référence est toujours zéro dans notre cas

112
 Commande Robuste du Quadrotor Basée sur la Technique LPV

parce que l’objectif est de stabiliser le véhicule à l’angle nul. En plus de ces entrées externes, nous
plaçons aussi les fonctions de pondération; à l’erreur We et à la commande Wu. Comme dernière
étape, nous avons obtenu la force appliquée (F) à partir de la commande générée (u) de (V.61):

= { − ÆD sin >1?1 " (V.64)

ze zu d
P We Wu Θ
wρ zρ
+
ref=0 +
Pendule θ

e
K F + Inversé
- wKρ zKρ

Θ
+

n
+

Figure V.19 L’interconnexion en boucle fermée du système-correcteur

Parfois, la sélection des paramètres des fonctions de pondération est difficile, surtout dans la
commande soit disant LPV H∞ où elle présente la norme L2 de l’espace de temps et les fonctions de
pondération sont des présentations fréquentielles de la performance (Do et al., 2011; Vu et al.,
2017). Dans cette section, nous essayons d’obtenir les paramètres des fonctions de pondération
optimaux par les algorithmes génétiques.

Les fonctions de pondération présentées dans la Figure V.19 sont considérées comme des filtres de
premier ordre:

= „c
œ s di%
c œ ² di%
(V.65)

= „¢ œ
œ s di%
¢
² di%
(V.66)

L’algorithme d’optimisation par GA est le même utilisé dans le chapitre III. Nous présentons les
paramètres à optimiser (les solutions) dans un vecteur:

.3D. = `„c c% c" „¢ ¢% ¢" a (V.67)

Le coût choisi dans ce cas est multi-objectif, où nous avons pris deux critères temporaires, qui sont
le temps de réponse (TR) et le premier dépassement (D) avec les coefficients 0.3 et 0.7
respectivement:

@ = 0.3 ‡ + 0.7 ˆ (V.68)

113
 Commande Robuste du Quadrotor Basée sur la Technique LPV

La synthèse du correcteur est faite par la même technique qu’est faite dans le cas du quadrotor, le
théorème de petit gain scalaire (Hjartarson et al., 2015).

Comme résultat, les fonctions de pondération optimales sont comme suit:

= 3.286
C.u%ždi%
c Œ.ŒuBdi%
(V.69)

= 0.673
Œ.BŒ"di%
¢ u."C"di%
(V.70)

V.6.3 Stabilité Étendue de 2DOF:

Un système sous-actionné est un système mécanique qui a moins d’entrées que de dégrés de liberté,
comme c’est le cas du pendule inversé, qui a deux dégrés de liberté (θ, x) et une seule entrée (F).
Dans la section précédente, nous avons considéré le pendule inversé comme un système mono-
variable, la stabilisation de l’état de vitesse se faite très lentement. À l’inverse du quadrotor, nous ne
pouvons pas appliquer la commande en cascade parce que le modèle est très complexe, donc, nous
devons considérer la contrainte du sous-actionné imposée.

Il y a plusieurs classifications, l’une des plus communes est le Control Flow Diagram (CFD), qui
est basée sur la relation entre les dégrés de liberté. Il y trois structures; chaine, arbre, et sommet-
isolé avec plus de détails dans (Seto and Baillieul, 1994; Choukchou-Braham et al., 2014a).

Le pendule inversé est sous la structure arbre, qui peut être devisée en deux sous-classes (A1, et
A2). Nous pouvons convertir un système (A1) à une structure chaine et changer les états (Rudra et
al., 2017), contrairement à (A2), où ce n’est pas possible d’appliquer le changement. Dans
(Choukchou-Braham et al., 2014b), les auteurs ont utilisé une méthode où les dégrées de liberté
étaient commandées simultanément sans changer le correcteur, ce que nous utilisons ici. Nous
incluons un terme lié à (θ) et un terme lié à (x). Pour le pendule inversé sur chariot, la vitesse
linéaire (J) doit être nulle en même temps que (θ), et nous notons l’état J par v. Le seul terme qui
contient information sur (θ) est la sortie (Figure V.19), alors, nous changeons la boucle fermée par
l’ajout d’un terme proportionnel sur v (kv v), le gain kv présente le poids de la vitesse par rapport à
l’angle (θ) (Figure V.20). Ainsi, nous avons choisit kv=0.02 et la sortie sera (θ + 0.02 v).

Remarque: nous n’avons pas conçu un autre correcteur, mais équiper le correcteur développé dans
la section précédente.

114
 Commande Robuste du Quadrotor Basée sur la Technique LPV

d
ze zu
P
We Wu
Θ
wρ zρ
+ θ
ref=0 +
Pendule
v
e
K F + Inversé
- wKρ zKρ
kv
Θ +

+ + n

Figure V.20 La boucle fermée du système-correcteur sous-actionné

V.6.4 Résultats de simulation:

Dans notre système la masse du pendule M présente la masse de l’utilisateur. Nous allons appliquer
les incertitudes sur la masse en prenant 70 Kg comme la masse nominale et aussi deux masses
différentes (40 Kg et 100 Kg), en outre, nous appliquons une perturbation échelon de 200 N sur
l’entrée à partir de l’instant 5 s.

La Figure V.21 présente les réponses de l’angle (θ), la vitesse linéaire (V) et la force appliquée (F)
pour ces conditions. Nous pouvons remarquer que l’angle et la vitesse sont stabilisés et atteindront
le point d’équilibre (zéro) dans le même instant, et les deux dégrés de liberté sont stabilisés.

Nous observons, aussi, que le correcteur est robuste face aux incertitudes et perturbations; Le
premier dépassement de l’angle est entre -20° et -30° pour M=100 Kg et M=40 Kg respectivement.

Nous notons aussi que la vitesse maximale est de 8 m/s, 9 m/s et 10 m/s pour M=100 Kg, M=70 Kg,
et M=40 Kg respectivement.

La simulation précédente est réalisée avec 60° pris comme angle initial. Sur la Figure V.22 la
simulation est réalisée avec des angles initiaux différents (60°, 30°, -30° et -60°) et la masse
nominale (70 Kg). L’angle et la vitesse sont stabilisés et atteindront le point d’équilibre (zéro) dans
le même instant, et le correcteur est robuste quelque soit l’angle initial.

115
 Commande Robuste du Quadrotor Basée sur la Technique LPV

M = 70 Kg
100 M = 40 Kg
M = 100 Kg

50

θ [°]
0

-50
0 5 10 15

10

V [m/s] 5

-5
0 5 10 15

15000

10000
F [N]

5000

-5000
0 5 10 15
Temps [s]

Figure V.21 Les réponses de l’angle (θ), la vitesse (V) et la force (F) avec des incertitudes sur la masse M

Figure V.22 Les réponses de l’angle (θ), la vitesse (V) et la force (F) avec différents angles initiaux

116
 Commande Robuste du Quadrotor Basée sur la Technique LPV

V.7 Conclusion:

Nous avons commandé, dans ce chapitre, des systèmes non-linéaires par la technique LPV-LFT, où
le système non-linéaire a été représenté comme un système LPV rationnel. L’avantage de ce dernier
est que nous n’avons pas réduit la performance du système non-linéaire par la linéarisation, mais
plutôt nous avons représenté le système non-linéaire complet par une représentation LPV, cela le
système est appelé quasi-LPV. Par la suite, nous avons développé une technique robuste basée sur
le petit gain scalaire, qui garantie la robustesse de la stabilité face aux entrées externes; les
perturbations et les bruits, ainsi que les incertitudes paramétriques. Cette technique a été appliquée
sur la stabilité d’attitude du quadrotor, malgré la complexité de son modèle, nous avons pu
appliquer la commande en cascade, où le suivi de la trajectoire a été fait par Backstepping intégral.
La classe des systèmes sous-actionnés qui est approprié au quadrotor est la structure chaine où nous
avons commandé des degrés de liberté qui ont des commandes directes et en suite nous avons
commandé les degrés qui n’ont pas des commandes directes par considérer certains signaux de
références des dégrées internes comme des commandes virtuelles. Cette technique n’a pas pu être
appliquée sur le pendule inversé parce qu’il est de classe arbre A2 (Choukchou-Braham et al.,
2014a). Nous avons neutralisé la contrainte de sous-actionné par stabiliser les deux degrées de
liberté simultanément. Nous avons sélectionné les paramètres des fonctions de pondération de
pendule inversé par les algorithmes génétiques. La technique de commande LPV robuste est
réalisée avec succès, où la robustesse est garantie face aux entrées externes et aux incertitudes
paramétriques. Dans le chapitre suivant, nous allons étudier et developper le correcteur robuste H∞
par une autre méthode, qui est les innégalités non-linéaires de Hamilton Jacobi Bellman Isaacs et
elle est appelée H∞ non-linéaire, afin de developper les lois de commande des DOF actionnés avec
leur couplage avec les DOF sous-actionnés.

117
 Chapitre VI:
Commande Robuste du Quadrotor par la
Technique H∞ Non-Linéaire
 Commande Robuste du Quadrotor par la Technique H∞ Non-Linéaire

VI.1 Introduction:

Dans ce chapitre, nous allons commander le quadrotor par la commande robuste H∞ non linéaire,
puisque la commande est générée à partir d’une résolution des équations optimales non linéaires. La
commande est appropriée aux systèmes sous-actionnés. À l’inverse des techniques montrées dans
les trois chapitres précédents où nous avons appliqué une structure en cascade, dans ce chapitre
l’objectif est de commander les degrés de liberté contrôlés (actionnés) par leur couplage dynamique
avec les degrés de liberté sous-actionnés. La commande par couple calculé a été créée
premièrement pour les robots manipulateurs, cependant nous l’exploitons ici pour le quadrotor. La
commande par couple calculé nécessite la connaissance du modèle presque complet. Pour cela,
nous allons au début, présenter la commande par couple calculé, puis, nous allons formuler le
modèle, presque, complet du quadrotor en utilisant la méthode Euler-Lagrange. En suite, nous
allons établir les lois de commande par H∞ non linéaire, et à la fin une simulation du suivi de la
trajectoire va présenter afin de tester la robustesse.

VI.2 Commande par Couple Calculé:

La commande par couple calculé est appelée aussi commande dynamique car elle utilise le modèle
dynamique du robot. Elle nécessite la connaissance du modèle le plus complet possible, et la bonne
identification de ses paramètres.
Pour bien comprendre le problème de commande par couple calculé, nous allons premièrement faire
appel au modèle dynamique de forme général d’un robot avec n dégrés de liberté:

= Æ> , ? K + z> , ? + > ? (VI.1)

Avec:

Γ: le vecteur des couples/forces (entrées de commandes).

M: matrice d’inertie définie positive (n × n).
C: matrice de Corioilis (n × n).
G: le vecteur des couples de gravité (n × 1).
: le vecteur des positions des dégrés de liberté.
: le vecteur des vitesses des dégrés de liberté.
K : le vecteur des accélérations des dégrés de liberté.

On suppose que les positions et les vitesses sont mesurées sans bruits. On pose Æ , z , et les
estimations de M, C, et G respectivement. Par conséquent, de l’équation (VI.1), si nous avons défini
une loi de commande Γ tel que (Chung et al., 2008):

119
 Commande Robuste du Quadrotor par la Technique H∞ Non-Linéaire

= Æ> , ?M + z > , ? + > ? (VI.2)

Après le remplacement de (VI.2) dans (VI.1), on déduit que dans le cas idéal de modélisation
parfaite et avec une absence des perturbations, le problème se réduit à une commande de n double
intégrateurs où; K = M .

On pose K , , et comme étant l’accélération désirée, la vitesse désirée et la position désirée

du dégrée de liberté q respectivement et leurs erreurs sont:

oK = K − K (VI.3)
o= − (VI.4)
o= − (VI.5)

Pour suivre la trajectoire désirée, on définie y:

M = K −{ (VI.6)

La dynamique de l’erreur est:

oK = −{ (VI.7)

On sélectionne la commande de la boucle externe u comme suit:

{ = „ o + „ o + „ …o (VI.8)

Le vecteur des couples est donné par:

= Æ> , ?\ K − „ o − „ o − „ … o^ + z > , ? + > ? (VI.9)

+ kp
E -

Æ> , ?
- + Γ
- Robot
ʃ ki
- + +
E
- kd
+

z> , ? + > ?
KE

Figure VI.1 Schéma de commande par couple calculé

120
 Commande Robuste du Quadrotor par la Technique H∞ Non-Linéaire

VI.3 Modélisation Complète du Quadrotor:

Le modèle dynamique du système est obtenu, en supposant que le quadrotor est un véhicule rigide,
dont son mouvement dans l’espace est réalisé par une force principale (poussée) et trois couples.
Cependant, ce type de véhicule est un système de vol de structure légère et, par conséquent, les
effets de gyroscopes résultant du corps et des quatre hélices doivent être inclus dans le modèle
dynamique. En outre, le quadrotor est un système mécanique sous-actionné avec six degrés de
liberté et seulement quatre entrées de commande. En raison des complexités présentées, certaines
hypothèses sont formules à des objectifs de modélisation (Carrillo et al., 2013).

Les effets de moment causés par le corps rigide sur la dynamique de translation sont négligés, de
même que l’effet de sol. La structure du quadrotor est supposée symétrique, ce qui donne une
matrice d’inertie diagonale.

Le mouvement du quadrotor résulte des modifications de la vitesse des rotors. Pour obtenir un
mouvement en avant, la vitesse du rotor arrière doit être augmentée et, simultanément, la vitesse du
rotor avant doit être diminuée. Le déplacement latéral est effectué avec la même procédure mais en
utilisant les moteurs droit et gauche. Le mouvement de lacet est obtenu à partir de la différence de
contre couple entre chaque paire d’hélices, c’est-à-dire en accélérant les deux rotors tournant dans
le sens inverse des aiguilles d’une montre, et inversement.

f1
f4
ψ
φ
θ M4 M1
z
y x
f3 f2
B

M3
M2

z
y x
E

Figure VI.2 Schéma général de la structure du quadrotor

121
 Commande Robuste du Quadrotor par la Technique H∞ Non-Linéaire

VI.3.1 La Cinématique du Quadrotor:

Le quadrotor en tant que corps rigide est caractérisé par un repère qui est lié à lui (B: body), et le
repère inertiel (E: earth) est considéré comme fixe par rapport à la terre.
L’orientation entre les repères est donnée par la matrice de rotation (‡ ), construite par les matrices
de transformation des 3 angles (Figure VI.3): selon x (roulis:φ), selon y (tangage:θ), et selon z
(lacet:ψ)

Figure VI.3 Les trois rotations d’Euler roulis φ, tangage θ et lacet ψ

Les matrices de rotation:

1 0 0 cos 1 0 sin 1
‡ " >J,
,? = è0 cos , − sin ,é ‡ "% >M, 1? = è 0 1 0 é
0 sin , cos , − sin 1 0 cos 1

cos - − sin - 0
‡ % >*, -? = è sin - cos - 0é
0 0 1

v1: l’axe sur y, v2: l’axe sur x où v1 est orthogonal avec v2.

‡ = ‡ % >*, -?. ‡ "% >M, 1?. ‡ " >J, ,?

cos - − sin - 0 cos 1 0 sin 1 1 0 0

= è sin - cos - 0é . è 0 1 0 é . è0 cos , − sin ,é
0 0 1 − sin 1 0 cos 1 0 sin , cos ,

122
 Commande Robuste du Quadrotor par la Technique H∞ Non-Linéaire

23.123.- ./0,./0123.- − 23.,./0- 23.,./0123.- + ./0,./0-

‡ = è 23.1./0- 23.,23.- + ./0,./01./0- 23.,./01./0- − ./0,23.-é
−./01 ./0,23.1 23.,23.1
(VI.10)

Les vitesses angulaires:

‚
Z= !: Les vitesses angulaires dans le repère B.
y

,
" = + 1 4: les vitesse angulaires dans E.
-

‚ , 0 0
Z = ! = ‡ " >,?. è 0 é + ‡ " >,?. ‡ % N1S. è1é + ‡ " >,?. ‡ % >1?. ‡ N-S. è 0 é
" " %

y 0 0 -

,, 1et - très petits alors: ‡ " >,? = ‡ %" N1S = ‡ % N-S = 5

‚ , 0 0
Z = ! = è 0 é + ‡ " >,?. è1é + ‡ " >,?. ‡ % >1?. è 0 é
"

y 0 0 -

, 0 0
= è 0 é + N‡ " >,?SQ%
. è1é + N‡ " >,?SQ%
. N‡ " 1?S . è 0 é
% >M, Q%

0 0 -

, 1 0 0 0 1 0 0 cos 1 0 −sin 1 0
=è 0 é + è0 cos , sin , é . è1 é + è0 cos , sin , é . è 0 1 0 é . è0é
0 0 − sin , cos , 0 0 − sin , cos , sin 1 0 cos 1 -

‚ , − -./01
Z = ! = +123., + -./0,23.1 4 = %"
y -23.,23.1 − 1./0,
(VI.11)

Où:

1 0 −./01
% = è0 23., ./0,23.1 é
0 −./0, 23.,23.1
(VI.12)

J
Le vecteur ¥ = M! présente la position du centre de masse du quadrotor dans le repère inertiel E,
*

123
 Commande Robuste du Quadrotor par la Technique H∞ Non-Linéaire

v J
v
Le vecteur v = è é = èMé présente la vitesse du quadrotor dans le repère inertiel E.
v *

Et V présente la vitesse du quadrotor dans le repère fixé dans le corps B.

Les équations cinématiques du mouvement que ce soit rotationnel ou translationnel sont obtenues
par la matrice de rotation ‡ , et la cinématique translationnelle peut être écrite comme:

v=‡ ¦ (VI.13)

" = %Q% Z
, 1 ./0,†~01 23.,†~01 ‚
+ 1 4 = +0 23., −./0, 4 ! (VI.14)

- 0 y
dq §d
§d §d

VI.3.2 Les Équations d’Euler-Lagrange:

Les équations de mouvement du quadrotor peuvent être exprimées par la formule d’Euler-Lagrange
basé sur le concept d’énergie cinétique et potentielle.

− =
= −
(VI.15)

Où L est le lagrangien, Ec est l’énergie cinétique totale, Ep est l’énergie potentielle, qi est la
coordonnée généralisée et Γi sont les forces/couples généralisées données par les forces/couples
non-conservées.

Les coordonnées généralisées pour un corps rigide tournant dans l’espace tridimensionnel (Carrillo
et al., 2013) peuvent être écrit comme:

= `J M * , 1 -a_ (VI.16)

L’expression langrangienne du quadrotor est donnée par:

= &V'¯(
+ )*+
− (VI.17)

&V'¯( )*+
Où, est l’énergie cinétique translationnelle, est l’énergie cinétique rotationnelle, et
est l’énergie potentielle.

124
 Commande Robuste du Quadrotor par la Technique H∞ Non-Linéaire

Tout d’abord, le terme d’énergie de translation est développé à la connaissance de chaque vitesse de
coordonnée généralisée. La vitesse linéaire est donnée par v = ¥ et la vitesse quadratique est
¥ " = ¥ _ ¥ = >J " + M " + * " ?. Alors, l’énergie cinétique de translation peut s’écrire comme suit:

= ¥ ¥
! _
&V'¯( "
(VI.18)

À partir de l’hypothèse que le quadrotor est supposé symétrique, la matrice d’inertie devient
diagonale:
5 0 0
} = +0 5 04
0 0 5
(VI.19)

)*+
Soit l’énergie cinétique rotationnelle dans le repère B, qui est donnée par:

= " Z _ }Z
%
)*+

= 5 ‚" + 5 + 5 y"
% % " %
)*+ " " "
(VI.20)
= " 5 N, − -./01S + " 5 N123., + -./0,23.1S + " 5 N-23.,23.1 − 1 ./0,S
% " % " % "
)*+

À partir de la définition de % depuis (VI.11) et (VI.12), nous posons la matrice Æ>"? comme ceci:

Æ>"? = % }
_
% (VI.21)

Alors, l’énergie cinétique de rotation peut être réécrite à partir de la fonction des coordonnées
généralisées η comme ceci:

= " "_ Æ>"?"

%
)*+
(VI.22)

L’énergie potentielle est donnée par:

= ()* (VI.23)

L’équation de mouvement complète est obtenue de l’expression lagrangienne (VI.15), telle que:

− =
,
%
(VI.24)

Où, % représente les couples de roulis, et tangage et de lacet:

% =è é (VI.25)

125
 Commande Robuste du Quadrotor par la Technique H∞ Non-Linéaire

La force , est la force appliquée au quadrotor en raison de l’entrée de commande principale

dans l’axe z, avec:
0
= è0é (VI.26)

, =‡ (VI.27)

Les équations d’Euler-Lagrange peuvent être divisées en dynamiques de translation et de rotation,

nous posons alors o = `0 0 1a_ étant les équations de mouvement de translation ¥:

(¥K + ()o = , (VI.28)

Les équations d’Euler-Lagrange pour les coordonnées de rotation η, écrit sous forme
générale (Carrillo et al., 2013):

Æ>"?"K + z>", "?" = % (VI.29)

Alors, le modèle mathématique décrivant le mouvement de rotation du quadrotor obtenu à partir de

la formule d’Euler-Lagrange est donnée par:

"K = Æ>"?Q% > % − z>", "?"? (VI.30)

VI.4 Commande H∞ Non-Linéaire du Quadrotor:

Parce que le quadrotor est un robot sous-actionné, la méthode utilisée dans ce cas est la commande
H∞ non linéaire appropriée aux systèmes sous-actionnés où nous développons les commandes
réelles (les commandes des degrés de liberté actionnés) par leur couplage avec les degrés de liberté
sous-actionnés. Les commandes virtuelles (les commandes des degrés de liberté sous-actionnés)
seront développées par Backstepping intégral. La structure de commande est présentée par la figure
suivante:

126
 Commande Robuste du Quadrotor par la Technique H∞ Non-Linéaire

*E , -E
+*E , -E 4
*KE , -KE

Fz Γd

JE , ME ,E , 1E
èJE , ME é +,E , 1E 4
, ,…
JK E , MK E ,K E , 1KE
Correcteur de H∞ Modèle
Trajectoire Γc
boucle externe Non-Linéaire du
désirée
(IBS) quadrotor

Figure VI.4 La structure de commande H∞ non-linéaire utilisée

VI.4.1 Transformation de Modèle pour le Robot:

Après la modélisation, nous allons mettre le modèle du quadrotor sous sa forme générale.
Premièrement, nous allons indiquer les degrés de liberté contrôlés (controlled) par = `* , 1 -a_ ,
et les degrés de liberté sous-actionnés (underactuated) par ¢ = `J Ma_ .

Le vecteur des forces/couples appliqués sont la force de poussé (Fz) et les trois couples des angles

Г =\ ^ , et bien sûr les forces/couples sous-actionnés sont nulles Г¢ = `0 0a_ .

_

On note que Γud et Γcd indiquent les perturbations. Le modèle complet du quadrotor est donné par:

- > ?
Æ -¢ > ? K ¢
Æ z̅ > , ? z¢̅ > , ? ̅
¢> ?
+ ¢ = ° ¢¢ ± + ° ¢¢ ± +° ± (VI.31)
Г¢ ¢
- ¢> ?
Æ - > ? K
Æ z̅ ¢ > , ? z̅ > , ? ̅> ?
Г
Г Г

En raison que nous allons de commander le quadrotor par robustesse, nous considérons les
incertitudes paramétriques des matrices dynamiques, où chaque matrice ¹̅ peut s’écrire:

¹̅ = ¹ + /¹ (VI.32)
Où:

(z1z- (z1›-
Æ¢¢ > ? =
(>›,›1z- − z,›-? (>›,›1›- + z,z-?
−(›1 0%×B
Æ¢ > ? =
(›,z1 0%×B
(>z,›1z- + ›,›-? (>z,›1›- − ›,z-?
Æ ¢> ? =
0B×% 0B×%
(z,z1 0%×B
Æ > ?=
0B×% Æ>"?

127
 Commande Robuste du Quadrotor par la Technique H∞ Non-Linéaire

5 0 −5 ›1
Æ>"? = û 0 5 z , + 5 › ", >5 − 5 ?z,›,z1 ý
"

−5 ›1 >5 − 5 ?z,›,z1 5 › 1 + 5 › ,z 1 + 5 z ,z 1
" " " " "

z¢¢ > , ? = 0"×"

z¢ > , ? = 0"×C
z ¢ > , ? = 0C×"
0 0%×B
z > , ?=
0B×% z>", "?
2%% 2%" 2%B
z>", "? = 0 "% 2"" 2"B 1
2
2B% 2B" 2BB
2%% = 0
2%" = N5 − 5 SN1z,›, + -› " ,z1S + N5 − 5 S-z " ,z1 − 5 -z1
2%B = >5 − 5 ?-z,›,z " 1
2"% = N5 − 5 SN1z,›, + -› " ,z1S + N5 − 5 S-z " ,z1 + 5 -z1
2"" = >5 − 5 ?,z,›,
2"B = −5 -z1›1 + 5 -› " ,z1›1 + 5 -z " ,›1z1
2B% = N5 − 5 S-z " 1z,›, − 5 1z1
2B" = N5 − 5 SN1z,›,›1 + ,› " ,z1S + N5 − 5 S,z " ,z1 + 5 -z1›1 − 5 -› " ,z1›1
− 5 -z " ,z1›1
2BB = N5 − 5 S,z,›,z " 1 − 5 1› " ,z1›1 − 5 1z " ,z1›1 + 5 1z1›1
−()›1
¢> ?=
()›,z1
()z,z1
> ?=
0B×%

Les matrices des incertitudes sont:

2¢ = Г¢ − N/Æ¢¢ > ? K ¢ + /Æ¢ > ? K + /z¢¢ > , ? ¢ + /z¢ > , ? + / ¢ > ?S

2 = Г − N/Æ ¢ > ? K ¢ + /Æ > ? K + /z ¢ > , ? ¢ + /z > , ? + / > ?S
(VI.33)

Avec prise en compte de la partition des degrés de liberté; contrôlés et sous-actionnés, et de la

deuxième ligne de (VI.31):

+ 2 = Æ ¢> ? K ¢ + Æ > ? K + z ¢> , ? ¢ +z > , ? + > ? (VI.34)

L’accélération des degrés de liberté contrôlés peut être isolée (Siqueira et al., 2011):

K = −ÆQ% > ?>z > , ? + > ?− 3 −2 ? (VI.35)

128
 Commande Robuste du Quadrotor par la Technique H∞ Non-Linéaire

Avec:
3 = − Æ ¢ > ? K ¢ −z ¢ > , ? ¢ (VI.36)

En définissant le vecteur des erreurs des degrés de libertés contrôlés comme suit:

4 −
J =û 4 ý=û − ý
… 4 E† …> − ?E†
(VI.37)

L’équation (VI.35) peut être réécrite sous forme de représentation d’état:

J = b >̅ J , †? + )̅ >J , †? 3 + „3 >J , †?2 + )u > , , , K ? (VI.38)

Où:

−ÆQ% > ?z > , ?

b >̅ J , †? = 0 5 1J
5
ÆQ% > ?
)̅ >J , †? = „3 >J , †? = 0 1

−ÆQ% > ?>Æ > ? K + z > , ? + > ??

)u > , , , K ?=0 1

Où , et K ∊ ℝC sont la trajectoire désirée et la vitesse et l’accélération correspondantes,

respectivement. 5 est la matrice identité et la matrice de zéro. Notez que le terme intégral a été
inclus dans le vecteur d’erreur, celui-ci permettra d’obtenir une erreur nulle d’état stable lorsque des
perturbations agissent sur le système (Raffo et al., 2011; 2015).

Le correcteur H∞ non-linéaire est utilisé dans la boucle interne et prend en compte le comportement
dynamique global de quadrotor.

Lors de l’étape précédente de synthèse de la loi de commande, la transformation d’état suivante est
utilisée:

% " B 4
*= uJ = 0 5 5 1 û 4 ý
5 … 4 E†
(VI.39)

Avec T1, T2 et T3 sont des matrices positives constantes carrées.

129
 Commande Robuste du Quadrotor par la Technique H∞ Non-Linéaire

*% = % 4 + " 4 + B… 4 E†
*" = 4 + … 4 E†
*B = … 4 E†
(VI.40)

Pour obtenir la représentation d’état, nous avons:

*% = % 4K + "4 + B4
*" = 4 + 4
*B = 4
(VI.41)

De (VI.40) et z2 on a:

*B = *" − *B (VI.42)

De (VI.40) et z1 on a:

Q% >*
4 = % *%
Q%
− % " " − *B ? − Q%
% B *B (VI.43)

Et alors:

*" = % *%
Q%
+ >5 − Q% ?*
% " " +> % > "
Q%
− B? − 5?*B (VI.44)

De (VI.35) on a:

4K = −ÆQ% > ?>z > , ?> 4 + ?+ > ?? − K + ÆQ% > ? 3 + ÆQ% > ? % 2 (VI.45)

Et alors:

*% = −ÆQ% > ?z > , ? %4 + ÆQ% > ?z > , ? "> 4 − 4 ?+ B ¶6 4 E† − 6 4 E†·! − % K

− ÆQ% > ? % z > , ? + > ? + ÆQ% > ? %

3 + "4 + B4 + ÆQ% > ? % 2

*% = −ÆQ% > ?z > , ?*% + ÆQ% > ? % N 3 − >Jc ?S + ÆQ% > ? % 2 (VI.46)

Où:

>Jc ? = Æ > ?N K − Q%
% "4 − Q%
% B4 S + z > , ?> − Q%
% "4 − Q%
% B… 4 E†? + > ?
(VI.47)
Avec Jc = > 4 , 4 , … 4 E† , , K ?.

La représentation d’état (VI.38) peut être écrite sous la forme:

J = b>J , †? + )>J , †? % N 3 − >Jc ?S + „>J , †?x (VI.48)

130
 Commande Robuste du Quadrotor par la Technique H∞ Non-Linéaire

Avec:

−ÆQ% > ?z > , ?

b>J ? = u û
Q% Q%
% 5− Q%
% " % > "
Q%
− B ? − 5ý uJ
5 −5
ÆQ% > ?
)>J ? = ℎ>J ? = u 0
Q%
1

Où x = %2 , le vecteur des perturbations inclus les entrées externes et les perturbations.

En considérant la commande:

{= %>
3 − >Jc ?? (VI.49)

Par conséquent, la commande u est utilisée dans la représentation d’état pour appliquer les résultats
théoriques de l’H∞ non linéaire présentés dans (Van der Schaft, 2000; Ortega et al., 2005), la
représentation d’état est alors:

J = b>J , †? + )>J , †?{ + „>J , †?x (VI.50)

VI.4.2 H∞ Non-Linéaire:

La performance du système commandé peut être dérivée de la variable du critère suivant ¥ ∊ ℝŽ :

ℎ>J ?
¥= Ð Ñ
{
(VI.51)

Où ℎ>J ? ∊ ℝC représente une fonction du vecteur des états à commander, et ∊ ℝŽ×Ž est la
matrice de pondération. En prenant en compte la représentation d’état (VI.50) et la définition de la
variable du critère, et si les états xc sont supposés être valables pour la mesure, alors le problème de
la commande H∞ non-linéaire peut être posé comme suit (Van der Schaft, 2000):

Trouver la plus petite valeur γ* > 0 telle que; pour tout γ ≥ γ*, il existe une commande u, tel que le
gain L2 des signaux de perturbations w à la variable ¥ = `ℎ_ >J ? {_ a_ est inférieur ou égal à
un niveau d’atténuation donné γ:

…u ‖¥‖"" E† ≤ Ý " …u ‖x‖"" E†

_ _
(VI.52)

Le terme intégral sur le coté gauche de l’inégalité (VI.52) peut être écrit comme:

?
‖¥‖"" = ¥ _ ¥ = `ℎ>J ?_ {_ a _
Ðℎ>J Ñ
{
(VI.53)

131
 Commande Robuste du Quadrotor par la Technique H∞ Non-Linéaire

La matrice symétrique définie positive WTW est écrite comme:

ö ›
_
=
›_ ‡
(VI.54)

Les matrices Q et R sont symétriques défini-positives, le fait que _

> 0 garantie que ö −
›‡ Q% › _ > . En prenant en compte la définition du vecteur d’erreur xc, les structures suivantes sont
considérées pour les matrices Q et S dans (VI.54).

ö% ö%" ö%B ›%
ö = 0ö%" ö" ö"B 1 , › = 0›" 1
ö%B ö"B öB ›B
(VI.55)

Sous ces hypothèses, une commande optimale à retour d’état u* est calculée si une solution V(xc,t),
avec xc0=0 et V(xc0,t)=0, est trouvée pour l’équation HJBI (Hamilton-Jacobi-Bellman-Isaacs)
suivante (Van der Schaft, 2000):

+ b>J , †? + Ð ² „>J , †?„ _ >J , †? − )>J , †?‡ Q% )_ >J , †?Ñ −

& % & %
8 " 8 á 8

)>J , †?‡ Q% › _ ℎ>J ? + " ℎ_ >J ?>ö − ›‡ Q% › _ ?ℎ>J ? = 0

& %
(VI.56)

Pour chaque Ý > 9n!ƒ >‡? ≥ 0, où σmax symbolise la valeur singulière maximale. La commande à
retour d’état optimale est dérivée comme suit (Feng et Postlethwaite, 1994):

{∗ = −‡ Q% › _ ℎ>J ? + )_ >J , †? (VI.57)

8

Comme indiqué précédemment, la solution de l’équation HJBI dépend du choix de la variable du

critère, ξ, et en particulier du choix de la fonction h(xc). Dans notre cas, nous considèrons que cette
fonction est égale au vecteur d’erreur, c’est-à-dire h(xc)=xc. Une fois cette fonction sélectionnée, le
calcul de la commande u* nécessitera de trouver la solution V de l’équation HJBI (Van der Schaft,
2000). Les détails de la manière dont cette solution est réalisée peuvent être trouvés dans (Ortega et
al., 2005). Le théorème suivant aidera à faire cela.

Théorème: soit la fonction scalaire V:

Æ > ?
¦ = " J_ 0 : [ − :1 uJ
% _
u
[−: ;+:
(VI.58)

Où X, Y, et Z ∊ ℝ4×4 sont des matrices constantes, symétriques et défini positive tel que ; −
[: Q% [ + 2[ > , la matrice T0 est défini dans (VI.39). Soit la matrice T:

132
 Commande Robuste du Quadrotor par la Technique H∞ Non-Linéaire

=` % " Ba (VI.59)

Si ces matrices vérifient l’équation suivante:

: [
0: 2[ ; + 2[1 + ö + á² − >› _ + ?_ ‡ Q% >› _ + ? =
% _

[ ; + 2[
(VI.60)

Alors la fonction V constitue une solution de l’équation de HJBI.

La preuve de ce théorème est trouvée dans (Ortega et al., 2005).

Une fois la matrice T est calculée par résolution de certaines équations de Riccati (Ortega et al.,
2005), en remplaçant V dans (VI.57), la commande optimale u* est:

{∗ = −‡ Q% >› _ + ?J (VI.61)

VI.4.3 Calcul des Forces/Couples:

Maintenant, nous allons calculer les forces/couples appliquées sur le quadrotor. À partir de (VI.47)
et (VI.49), nous pouvons extraire le vecteur des forces/couples 3 :

3 = >Jc ? + % {
Q%
(VI.62)

Après quelques modifications, nous avons:

3 = Æ > ? K + Æ > ? 4K − Æ > ? 4K − Æ > ? Q%

% "4 −Æ > ? Q%
% B4 +z > , ?

+ z > , ?4 − z > , ?4 − z > , ? Q%

% "4 −z > , ? Q%
% B6 4 E† + > ?

+ % {
Q%

3 =Æ > ? K +z > , ? + > ?−Æ > ? % > %4

Q% K + "4 + B4 ?−z > , ? % > %4
Q%

+ "4 + B6 4 E†? + % {
Q%

Le vecteur des forces/couples appliquées est:

3 =Æ > ? K +z > , ? + > ?− % >Æ

Q% > ? J +z > , ? J ?+ % {
Q%
(VI.63)

Cette loi de commande est divisée en trois parties différentes; la première consiste en les trois
premiers termes de cette équation, conçus pour contrer les effets de la dynamique du système. La
deuxième partie comprend des termes comprenant le vecteur d’erreur xc et ses dérivées. Ces deux
termes de la loi de commande permettent un suivi parfait, ce qui signifie qu’ils représentent l’effort

133
 Commande Robuste du Quadrotor par la Technique H∞ Non-Linéaire

de la commande essentielle nécessaire à la réalisation. Enfin, la troisième partie comprend le

vecteur u, qui représente l’effort de la commande supplémentaire nécessaire au rejet des
perturbations. Nous l’appliquons dans (VI.35):

Æ > ? J +z > , ? J ={+x (VI.64)

Où x = %2 . Afin de calculer les forces/couples par la méthode couple calculée, nous allons
extraire la commande d’accélération K :

K = K − ×< 4 − ×Ú 4 − ×O … 4 E† (VI.65)

Avec:

×< = % > " + Æ > ?z > , ? % + ÆQ% > ?‡ Q% >›% + % ??

Q% Q%

×Ú = % > B + Æ > ?z > , ? " + ÆQ% > ?‡Q% >›" + " ??

Q% Q%

×O = % NÆ > ?z > , ? B + ÆQ% > ?‡ Q% >›B + B ?S

(VI.66)
Q% Q%

Un cas particulier est obtenu quand les composants de la matrice de pondération WTW vérifient:

A%" 5
ö=û A"" 5 ý , › = 0 1 , ‡ = A¢" 5
AB" 5
(VI.67)

Les solutions des équations de Riccati selon (Ortega et al., 2005):

%= %=
% = ö% "
= A% 5, B = öB "
= AB 5, " = 9A"" + 2A% AB 5 (VI.68)

Et les gains sont:

•‰²² i"‰s ‰³
×< = 5 + ÆQ% > ? z > , ? + ‰² 5
%
‰s

•‰²² i"‰s ‰³
×Ú = ‰³ 5 + ÆQ% > ? z > , ? + ‰² 5
‰ % (VI.69)
s ‰s

×O = ‰ ÆQ% > ? z > , ? + ‰² 5

‰³ %
s

Finalement, les commandes (forces/couples) appliquées au quadrotor peuvent être obtenues depuis
(VI.36), nous avons = 3 + Æ ¢ > ? K ¢ +z ¢ > , ? ¢ et alors:

=Æ > ? K +z > , ? + > ? + Æ ¢ > ? K ¢ +z ¢ > , ? ¢ (VI.70)

134
 Commande Robuste du Quadrotor par la Technique H∞ Non-Linéaire

VI.4.4 Résultats de Simulation:

Afin de tester la stratégie de commande, une simulation a été effectuée. Le quadrotor exécute un
suivi d’une trajectoire. Les performances obtenues par cette stratégie ont été vérifiées en
considérant un modèle plus précis qui imite un quadrotor. Afin de tester la robustesse de la stratégie
vis-à-vis des incertitudes paramétriques, une fraction de ± 40% a été considérée dans l’incertitude
des éléments suivants; l’inertie selon x, l’inertie selon y, l’inertie selon z et la masse. En plus, des
perturbations affectant tous les degrés de liberté ont été appliquées à différents instants pour vérifier
le rejet des perturbations de la stratégie de commande utilisée.

Les valeurs nominales du quadrotor sont présentées dans le Tableau VI.1:

Tableau VI.1 Les valeurs nominales du quadrotor utilisé

Paramètre Description Valeur Unité
m Masse 0.74 Kg
l Longueur du bras 0.21 m
Ix Inertie de rotation selon l’axe x 4 10-3 Kg.m2
Iy Inertie de rotation selon l’axe y 4 10-3 Kg.m2
Iz Inertie de rotation selon l’axe z 8.4 10-3 Kg.m2
g Constante de gravité 9.8 m.s-2

Initialement, le quadrotor commence de la position initiale (x0, y0, z0)=(4, 0, 0) et puis monte à 1 m
dans l’axe z, à l’instant 10 s le quadrotor fait une trajectoire en spirale:

J = 4 23. (, M = 4 ./0 (, * = 1 + (, - = y~E.

f
" " ž B

Les perturbations appliquées sont de forme échelon, en tant que couples et forces tels que:
Ax=1 N à l’instant t=30 s; Ay=1 N à l’instant t=40 s; Az=1 N à l’instant t=20 s; Aφ=1 N.m à l’instant
t=25 s; Aθ=1 N.m à l’instant t=35 s; et Aψ=1 N.m à l’instant t=15 s.

Les paramètres du correcteur Backstepping intégral sont; c3=c5=1.5; c4=c6=1; λ2=λ3=0.3.

Nous remarquons que les paramètres du correcteur H∞ non-linéaire sont basés sur le choix des gains
de pondération. Les gains étaient réglés avec ces valeurs; ω1=0.1, ω2=5, ω3=9, ωu=0.5.

Dans cette simulation, il y a trois tests; le premier est réalisé avec les valeurs nominales des
paramètres. Dans le deuxième test, premièrement on suppose que les paramètres étaient nominaux,
puis ils seront nominaux à +40% à partir de l’instant 20 s. Dans le troisième test, premièrement

135
 Commande Robuste du Quadrotor par la Technique H∞ Non-Linéaire

nous supposons que les paramètres étaient nominaux, puis ils seront nominaux à -40% à partir de
l’instant 20 s.

La Figure VI.5 présente la simulation du suivi de la trajectoire en 3D, alors que la Figure VI.6
présente les réponses des degrés de liberté de translation (x, y, z) et la Figure VI.7 présente les
réponses de degrés de liberté de rotation (φ, θ, ψ).

Les figures de Figure VI.5 à Figure VI.7, indiquent une excellente performance de suivi de
référence même si les perturbations externes aux forces et couples sont considérés. Ces résultats
illustrent le comportement robuste fourni par la structure de commande utilisée.

L’évolution temporelle de la position de translation est illustrée à la Figure VI.6. Cette action
intégrale permet d’obtenir une erreur nulle dans le suivi de la trajectoire lorsque des perturbations
affectent le mouvement x et y du quadrotor.

Référence
Paramètres nominaux
Paramètres +40%
Paramètres -40%
12

10

0
5
5
0
0

Y [m] -5 -5 X [m]

Figure VI.5 Suivi de la trajectoire en 3D (1ére trajectoire)

136
 Commande Robuste du Quadrotor par la Technique H∞ Non-Linéaire

-5
0 10 20 30 40 50 60
5

-5
0 10 20 30 40 50 60
15 Référence
Paramètres nominaux
10 Paramètres +40%
Paramètres -40%
5

0
0 10 20 30 40 50 60
Temps [s]

Figure VI.6 Réponses des coordonnées de la position (1ére trajectoire)

Paramètres nominaux
Paramètres +40%
0.2
Paramètres -40%

-0.2

-0.4
0 10 20 30 40 50 60

0.5

-0.5
0 10 20 30 40 50 60

1.5

0.5

0
0 10 20 30 40 50 60
Temps [s]

Figure VI.7 Réponses des coordonnées de rotation (1ére trajectoire)

VI.5 Commande H∞ Non-Linéaire Adaptative:

De manière générale, trois classes de stratégies de commande sont disponibles dans la littérature
pour les robots. Ils sont classés en fonction du niveau de connaissance du concepteur sur le modèle
dynamique du robot (Siqueira et al., 2011). Les stratégies de la première classe considèrent que le
modèle mathématique et les valeurs des paramètres cinématiques et dynamiques sont bien connus et

137
 Commande Robuste du Quadrotor par la Technique H∞ Non-Linéaire

disponibles pour le correcteur. Les incertitudes paramétriques sont traitées comme des perturbations
agissant sur le système à éliminer par un correcteur robuste. Le correcteur présenté jusqu’ici dans ce
chapitre appartient à cette classe. La deuxième classe de stratégies de commande considère que les
expressions analytiques du modèle dynamique du robot sont connues, mais que les valeurs des
paramètres utilisées dans la conception du correcteur sont imprécises. Dans ce cas, une loi de
commande adaptative peut être utilisée pour estimer des paramètres incertains. La propriété de
paramètre linéaire a été largement utilisée pour résoudre ce problème (Chen et al., 1997; Monfared
et al., 2018); cela indique que le modèle dynamique des robots peut être exprimé comme le produit
d’une matrice de régression, et d’un vecteur contenant les paramètres incertains. Ces paramètres
sont mis à jour en ligne par une loi de commande basée sur les erreurs. Les correcteurs de la
troisième classe considèrent que le modèle dynamique du robot et les valeurs de ses paramètres sont
inconnus. Dans ce cas, des stratégies de commande telles que les réseaux de neurones, la logique
floue et les algorithmes génétiques ont été utilisés pour estimer le modèle dynamique du robot
(Siqueira et Terra, 2009).

Dans cette section, nous supposons que le modèle nominal du quadrotor est connu et nous estimons
uniquement la partie incertaine de la dynamique grâce à des approches basées sur le paramétrage
linéaire et les réseaux de neurones.

La structure de commande utilisée est présentée par la figure suivante:

*E , -E
+*E , -E 4
*KE , -KE

Fz Γd

JE , ME ,E , 1E
èJE , ME é +,E , 1E 4 , ,…
JK E , MK E
,K E , 1KE
Correcteur de H∞ Modèle
Trajectoire Γc
boucle externe Non-Linéaire du
désirée
(IBS) quadrotor

Mécanisme
d’adaptation

Mise à jour
des paramètres

Figure VI.8 La structure de commande adaptative utilisée

138
 Commande Robuste du Quadrotor par la Technique H∞ Non-Linéaire

VI.5.1 Adaptation par Paramétrage Linéaire:

Une des stratégies de commande adaptative les plus utilisées pour les robots prend l’avantage de la
propriété de paramétrage linéaire du modèle dynamique du robot:

Propriété: On considére les matrices dynamiques d’un robot, Æ> ?, z> , ?, > ?, et > ? et un
vecteur des degrés de liberté ∈ ℝq . Il est toujours possible de trouver une matrice à dimensions
n × p des fonctions connues, ¹> , , K , … ? et un vecteur à dimension p avec des composants
dépendant des paramètres du robot λ tel que:

Æ> ? K + z> , ? + > ? + > ? = ¹> , , K , … ?€ (VI.71)

On note que les deux expressions de forces/couples (VI.62) et (VI.70) sont équivalents. Afin de
développer une commande adaptative, on appelle l’expression (VI.62):

3 = >Jc ? + % {
Q%
(VI.72)

De l’expression (VI.36) qui présente la relation entre 3 et on a:

= >Jc ? + Æ ¢ > ? K ¢ +z ¢ > , ? ¢ + % {

Q%
(VI.73)

On pose un nouveau terme >Jc ?:

>Jc ? = >Jc ? + Æ ¢ > ? K ¢ +z ¢ > , ? ¢ (VI.74)

De l’expression (VI.74) et (VI.36) qui présente l’expression de >Jc ?, on a:

>Jc ? = Æ > ?N K − Q%
% "4 − Q%
% B4 S + z > , ?> − Q%
% "4 − Q%
% B… 4 E†? +
> ? + Æ ¢ > ? K ¢ +z ¢ > , ? ¢ (VI.75)

On peut réécrire le vecteur des forces/couples:

= >Jc ? + % {
Q%
(VI.76)

Avec Jc = > 4 , 4 , … 4 E† , , K , ¢ , K ¢ ?. Les couples appliqués résultants sont donnés par (VI.76).
Ces couples sont essentiellement les mêmes que ceux présentés dans l’équation (VI.70) pour la
commande H∞ non-linéaire. La différence ici est que, on utilise les matrices dynamiques complètes
au lieu des matrices dynamiques nominales. On peut considérer le terme basé sur le modèle E(xe)
comme composé des termes nominaux et incertains définis par:

>Jc ? = u >Jc ? + / >Jc ? (VI.77)

Où:

139
 Commande Robuste du Quadrotor par la Technique H∞ Non-Linéaire

u >Jc ? = Æ > ?N K − "4 − B4 S + z > , ?> − "4 − B… 4 E†? +

Q% Q% Q% Q%
% % % %

> ? + Æ ¢ > ? K ¢ +z ¢ > , ? ¢ (VI.78)

/ >Jc ? = /Æ > ?N K − Q%
% "4 − Q%
% B4 S + /z > , ?> − Q%
% "4 − Q%
% B… 4 E†? +
/ > ? + /Æ ¢ > ? K ¢ +/z ¢ > , ? ¢ (VI.79)

La conception du correcteur présenté dans la Section VI.4 considère les termes incertains comme
faisant partie de la perturbation w. Ici, l’hypothèse de paramétrage linéaire de / >Jc ? est utilisée
pour concevoir une loi de commande adaptative pour apprendre le comportement de ce terme
incertain. Selon la propriété précédente, / >Jc ? peut être exprimé comme:

/ >Jc ? = ¹ € (VI.80)

Le correcteur adaptatif décrit, vise à estimer la partie incertaine / >Jc ? et à satisfaire une
performance de H∞ désirée. Nous pouvons énoncer le problème de la commande adaptative H∞ non-
linéaire tel que: étant donné un niveau d’atténuation γ trouver un correcteur adaptatif.

Nous considérons la formulation ci-dessous:

€ = j>J , †?, = u >Jc ? + ¹€ + % {

Q%
(VI.81)

Et que le système en boucle fermée satisfasse la performance suivante:

…u ‖¥‖"" E† ≤ €>_ ? €> + Ý " …u ‖x‖"" E†

_ _
(VI.82)

Où €> = € − € dénote l’erreur d’estimation des paramètres et € est le vecteur des valeurs estimés.

La solution de ce problème de commande non-linéaire peut être trouvée en suivant la dérivation

basée sur la théorie présentée à la Section VI.4 et l’approche de developper le correcteur adaptatif
proposée dans (Chen et al., 1997). Pour ce but, nous considérons la fonction de Lyapunov suivante:

¦ = " J _ ÙJ + " €>_ ?€>

% %
(VI.83)

Où P est la matrice semi-positive symétrique suivante:

Æ > ?
Ù= _
u 0 : [ − :1 u
[−: ;+:
(VI.84)

Et Λ est une matrice symétrique positive.

140
 Commande Robuste du Quadrotor par la Technique H∞ Non-Linéaire

Basé sur la solution présentée dans la Section VI.4 et (VI.61), la loi de commande adaptative
suivante est une solution au problème de la commande adaptative H∞ non-linéaire:

€ = −?Q% ¹_ % >› _ + ?J
= u >Jc ? + ¹€ − %Q% ‡ Q% >› _ + ?J
(VI.85)

En revenant sur le modèle du quadrotor, le terme / >Jc ? = ¹€ présente la partie du modèle

dynamique des incertitudes. La matrice A est comme suit:

¹%% ¹%" ⋯ ¹%Œ

¹ ¹"" ⋯ ¹"Œ
¹ = "%
¹B% ¹B" ⋯ ¹BŒ
(VI.86)
¹C% ¹C" ⋯ ¹CŒ

Tableau VI.2 Les coefficients de la matrice d’adaptation A

Paramètre Les termes des coefficients
¹%% >2,21>~11 + 1? + >2,.12- + .,.-?~31 + >2,.1.- − .,2-?~32?
¹%" 0
¹%B 0
¹%C 0
¹%ž 0
¹%Œ 0
¹"% 0
¹"" ~12 − .1~14
¹"B N−-2 " ,21 + 12,., + -. " ,21S~23 + N−-2,.,2 " 1S~24
¹"C N−12,., − -. " ,21 + -2 " ,21S~23 + N-2,.,2 " 1S~24
¹"ž −-21~23
¹"Œ -21~23
¹B% 0
¹B" −-.121~24
¹BB >2 " ,?~13 + >2,.,21?~14 + N-2 " ,21 − 12,., − -. " ,21S~22 +
>−,2,.,?~23 + N-. " ,21.1S~24
¹BC >. " ,?~13 − >2,.,21?~14 + N12,., + -. " ,21 − -2 " ,21S~22 +
>,2,.,?~23 + N-2 " ,.121S~24
¹Bž -21~22

141
 Commande Robuste du Quadrotor par la Technique H∞ Non-Linéaire

¹BŒ −-21~22
¹C% 0
¹C" >−.1?~12 + >. " ,?~14 + N-21.1S~23 + >121.1?~24
¹CB >2,.,21?~13 + >. " ,2 " 1?~14 + N-2 " 1.,2,S~22 + N−12,.,.1 − ,. " ,21 +
,2 " ,21 − -. " ,.121?~23 + N,2,.,2 " 1 − 1. " ,21.1S~24
¹CC >−2,.,21?~13 + >2 " ,2 " 1?~14 + N−-2 " 1.,2,S~22 + N12,.,.1 + ,. " ,21 −
,2 " ,21 − -2 " ,.121?~23 + N−,2,.,2 " 1 − 12 " ,21.1S~24
¹Cž −121~22
¹CŒ 121~22
~11 *K − Q%
% " *̃ − Q%
% B *̃

~12 ,K − Q%
% ",
4 − Q%
% B,
4
~13 1K − Q%
%
B
"1 − Q%
%
B
B1

~14 -K − Q%
%
B
"- − Q%
%
B
B-

~21 * − Q%
% " *̃ − Q%
% B … *̃

~22 , − Q%
% ",
4 − Q%
% B…,
4
~23 1 − Q%
%
B
"1 − Q%
%
B
B…1

~24 - − Q%
%
B
"- − Q%
%
B
B…-

~31 JK
~32 MK

Le vecteur des paramètres incertains est comme suit:

€ = `€% €" €B €C €ž €Œ a_ (VI.87)

Où:

€% = /(, €" = /5 , €B = /5 , €C = /5 , €ž = /5 /5 , €Œ = /5 /5

On garde les paramètres du correcteur comme ils sont mentionnés dans la Section VI.4.
Avec Λ=10 56 où 5 est la matrice identité.

VI.5.2 Adaptation par Réseaux de Neurones:

Lorsque le modèle mathématique du robot n’est connu que de manière artificielle, par exemple
lorsque les composants de friction ne peuvent pas être entièrement modélisés, des réseaux de
neurones peuvent être utilisés pour estimer les éléments inconnus du modèle. Un avantage des

142
 Commande Robuste du Quadrotor par la Technique H∞ Non-Linéaire

stratégies basées sur les réseaux de neurones est qu’elles n’ont pas besoin d’informations sur le
modèle analytique du système. Dans cette section, un réseau de neurones / >Jc , C?; où C est un
vecteur contenant les paramètres du réseau (les poids), est utilisé pour approximer le terme incertain
/ >Jc ? dans (VI.77). Il s’agit d’une approche alternative au paramétrage linéaire présenté
précédemment.

Nous définissons n réseaux de neurones / Ö >Jc , -Ö ?; k=1 … n composé de neurones non-linéaires

dans chaque couche cachée et de neurones linéaires dans les couches d’entrée et de sortie, avec des
paramètres ajustables βk dans les couches de sortie (Chang, 2000). Les réseaux de neurones à sortie
unique se présentent sous la forme:

/ Ö >Jc , -Ö ? = ∑ Ä% DN∑lÄ% x Öl Jcl + @ Ö S-Ö = ¥Ö_ -Ö

Ö
(VI.88)

Où:

¥Ö% DN∑lÄ%
Ö
x%l
Ö
Jcl + @%Ö S -Ö%
¥Ö = 0 ⋮ 1 = û ⋮ ý , -Ö = 0 ⋮ 1
¥Ö DN∑lÄ% x l Jcl + @ S
Ö Ö Ö -Ö

Et p est le nombre de neurones dans la couche cachée, ik est le nombre de neurones dans la couche
d’entrée, xe est le vecteur des entrées. Les poids x Öl et le biais @ Ö sont constants et spécifiés par
l’utilisateur. La fonction TH (.) est la fonction non-linéaire tangente hyperbolique:

D>J? =
c T Qc rT
c T ic rT
(VI.89)

Nous allons spécifier les nombres des entrées, les poids, et le nombre des neurones de la couche des
entrées de notre système (le quadrotor) ultérieurement. Les réseaux de neurones complets sont
présentés comme suit:

/ % >Jc , -% ?
¥%_ -% ¥%_ 0 … 0 -%
" >Jc , -" ?
/ -"
= ¥" -" = 0 ¥"_ … 0
_
/ >Jc , C? = = GC
⋮ ⋮ ⋮ ⋮ ⋱ ⋮ ⋮
(VI.90)
/ q >Jc , -q ? þ¥q -q
_
þ0 0 … ¥q_ -q

Nous pouvons énoncer le problème de la commande adaptative H∞ non-linéaire basée sur les
réseaux de neurones par: étant donné un niveau d’atténuation γ trouver un correcteur adaptatif.

Nous considèrons la formulation ci-dessous:

C = j>J , †?, = u >Jc ? + GC + % {

Q%
(VI.91)

143
 Commande Robuste du Quadrotor par la Technique H∞ Non-Linéaire

Et que le système en boucle fermée satisfasse la performance suivante:

…u ‖¥‖"" E† ≤ CB _ m CB + Ý " …u ‖x‖"" E†

_ _
(VI.92)

Nous considérons les résultats de la Section VI.5.1, pour la fonction de Lyapunov:

¦ = J _ ÙJ + À _ mÀ
% %
" "
(VI.93)

Où N est une matrice symétrique positive.

En se basant sur la solution présentée dans la Section VI.5.1, la loi de commande adaptative
suivante est une solution au problème de la commande adaptative H∞ non-linéaire basée sur les
réseaux de neurones:

À = −m Q% G_ % >› _ + ?J
= u >Jc ? + GÀ − %Q% ‡ Q% >› _ + ?J
(VI.94)

Dans le cas du quadrotor, nous avons 4 entrées (Fz, τφ, τθ et τψ) alors nous avons besoin de 4
réseaux, où la sortie de chaque réseau présente l’action adaptative. Les spécifications des réseaux
sont:

¥%_ 0 0 0
G= 0 ¥"_ 0 0
0 0 ¥B_ 0
(VI.95)
þ0 0 0 ¥C_

Le réseau 1: le terme adaptatif de la force Fz; la sortie / % >Jc , C?, selon la dynamique E dans
(VI.75); les 9 entrées sont Jc = `*K , * , *, * , *, … * , … * , JK , MK a . ¥%_ = `¥%% … ¥%• a est calculé
comme présenté dans (VI.88) où les poids constants x % = `−1, −1, 1, −1, 1, −1, 1, 1, 1a de chaque
neurone de la couche cachée pour les entrées xe respectivement (-1 pour le valeur désiré et 1 pour le
valeur actuel). Nous posons le vecteur des biais; @%_ = `−1.5, −1, −0.5, 0, 0.5, 1, 1.5a.

Le réseau 2: le terme adaptatif du couple τφ; la sortie / " >Jc , C?, selon la dynamique E dans
(VI.75); les 7 entrées sont Jc = `,K , , , ,, , , ,, … , , … ,a. ¥"_ = `¥"% … ¥"• a est calculé comme
présenté dans (VI.88) où les poids constants x " = `−1, −1, 1, −1, 1, −1, 1a de chaque neurone de la
couche cachée pour les entrées xe respectivement (-1 pour le valeur désiré et 1 pour le valeur
actuel). Nous posons le vecteur des biais; @"_ = `−1.5, −1, −0.5, 0, 0.5, 1, 1.5a.

Le réseau 3: le terme adaptatif du couple τθ; la sortie / B >Jc , C?, selon la dynamique E dans
(VI.75); les 7 entrées sont Jc = `1K , 1 , 1, 1 , 1, … 1 , … 1a. ¥B_ = `¥B% … ¥B• a est calculé comme

144
 Commande Robuste du Quadrotor par la Technique H∞ Non-Linéaire

présenté dans (VI.88) où les poids constants x B = `−1, −1, 1, −1, 1, −1, 1a de chaque neurone de la
couche cachée pour les entrées xe respectivement (-1 pour le valeur désiré et 1 pour le valeur
actuel). Nous posons le vecteur des biais; @B_ = `−1.5, −1, −0.5, 0, 0.5, 1, 1.5a.

Le réseau 4: le terme adaptatif du couple τψ; la sortie / C >Jc , C?, selon la dynamique E dans
(VI.75); les 7 entrées sont Jc = `-K , - , -, - , -, … - , … -a. ¥C_ = `¥C% … ¥C• a est calculé comme
présenté dans (VI.88) où les poids constants x C = `−1, −1, 1, −1, 1, −1, 1a de chaque neurone de la
couche cachée pour les entrées xe respectivement (-1 pour le valeur désiré et 1 pour le valeur
actuel). Nous posons le vecteur des biais; @C_ = `−1.5, −1, −0.5, 0, 0.5, 1, 1.5a.

Les réseaux sont spécialisés et les paramètres ajustables des réseaux sont les poids entre la couche
cachée et celle de la sortie; B. Parce que nous avons 4 réseaux et 7 neurones de la couche cachée de
chaque réseau, la matrice d’adaptation B est calculée dans (VI.94):

-%
-
C= "
-B
(VI.96)
-C
Où:
-% = `-%% -%" -%B -%C -%ž -%Œ -%• a
-" = `-"% -"" -"B -"C -"ž -"Œ -"• a
-B = `-B% -B" -BB -BC -Bž -BŒ -B• a
(VI.97)
-C = `-C% -C" -CB -CC -Cž -CŒ -C• a

Les quatre figures suivantes présentent les schémas des réseaux.

Couche d’entrée Couche cachée Couche de sortie

(linéaire) (TH) (Σ)

*K E
1
w (7×9)

*E β1 (1×7)

*E ∆E1(xe, B)
*

… *E

…*

JK

MK

1 b1 (7×1)

Figure VI.9 Schéma du réseau de neurone pour l’adaptation de Fz, ∆E1(xe, B)

145
 Commande Robuste du Quadrotor par la Technique H∞ Non-Linéaire

Couche d’entrée Couche cachée Couche de sortie

(linéaire) (TH) (Σ)

,K E
2
w (7×7)
β2 (1×7)

, E

,E ∆E2(xe, B)
,

… ,E

…,

1
b2 (7×1)

Figure VI.10 Schéma du réseau de neurone pour l’adaptation de τφ, ∆E2(xe, B)

Couche d’entrée Couche cachée Couche de sortie

(linéaire) (TH) (Σ)

1K E
3
w (7×7)

1E
β3 (1×7)

1E ∆E3(xe, B)
1

… 1E

…1

1
b3 (7×1)

Figure VI.11 Schéma du réseau de neurone pour l’adaptation de τθ, ∆E3(xe, B)

146
 Commande Robuste du Quadrotor par la Technique H∞ Non-Linéaire

Couche d’entrée Couche cachée Couche de sortie

(linéaire) (TH) (Σ)

-KE
4
w (7×7)
β4 (1×7)

-E

-E ∆E4(xe, B)
-

… -E

…-

1
b4 (7×1)

Figure VI.12 Schéma du réseau de neurone pour l’adaptation de τψ, ∆E4(xe, B)

Nous gardons les paramètres du correcteur comme il est mentionné dans la Section VI.4 avec
N=6 528 où 5 est la matrice identité.

VI.5.3 Résultats de Simulation:

Initialement, le quadrotor commence de la position initiale >Ju , Mu , *u ? = >0.5, 0, 0? et puis monte à

1 m dans l’axe z, à l’instant 10 s le quadrotor fait une trajectoire comme suit:
J = 0.5 cos >"u †?, M = 0.5 sin >"u †?, * = 3 − >2 cos >"u †??, - = y~E.
f f f f
B

Les perturbations appliquées sont de forme échelon, en tant que couples et forces tels que:
Ax=1 N à l’instant t=30 s; Ay=1 N à l’instant t=40 s; Az=1 N à l’instant t=20 s; Aφ=0.1 N.m à
l’instant t=25 s; Aθ=0.1 N.m à l’instant t=35 s; et Aψ=0.01 N.m à l’instant t=15 s.

Les paramètres des correcteurs H∞ non-linéaire et Backstepping intégral sont les mêmes dans la
section VI.4.

Dans ce test, nous supposons qu’il y a des incertitudes paramétriques tels que:
/5 = 0.7 5 ./0 > ž †? , /5 = 0.7 5 23. > ž †? , /5 = 0.7 5 ./0 > ž †? . Concernant la masse,
"f "f "f

nous supposons que la trajectoire a commencé avec la masse nominale du quadrotor, à partir de
l’instant 35 s, une masse additionnelle (/( = 3 „)) a été ajoutée.

Ces conditions de la simulation sont appliquées pour trois tests de simulation; la commande H∞
non-linéaire qui est développée dans la Section VI.4 (IBS-H∞ NL), la commande H∞ non-linéaire
adaptative qui est développée dans la Section VI.5.1 (IBS-H∞ NL Adapt.) et la commande H∞ non-

147
 Commande Robuste du Quadrotor par la Technique H∞ Non-Linéaire

linéaire adaptative par les réseaux de neurones qui est développée dans la Section VI.5.2 (IBS-H∞
NL Adapt.-RN).

La Figure VI.13 présente la simulation du suivi de la trajectoire en 3D, alors que la Figure VI.14
présente les réponses des degrés de liberté de translation (x, y, z), la Figure VI.15 présente les
réponses des degrés de liberté de rotation (φ, θ, ψ), et la Figure VI.16 présente les commandes (la
force Fz et les couples; τφ, τθ et τψ). Nous remarquons que les trois approches indiquent une
performance excellente de suivi de référence même si les perturbations externes aux forces et
couples sont considérées. Nous remarquons une petite variation à l’instant 35 s (l’instant d’ajout
une masse) dans la courbe du correcteur sans adaptation (IBS-H∞ NL), nous pouvons conclure alors
que les deux correcteurs adaptatifs présentés dans cette section sont plus efficaces et robustes vis-à-
vis des incertitudes paramétriques.

Afin d’évaluer les trois correcteurs, le Tableau VI.3 présente leur évaluation selon le critère intégral
d’erreur carré (ISE: Integral Square Error) de toutes les variables (x, y, z, φ, θ et ψ). Le Tableau
VI.4 présente l’évaluation des trois correcteurs selon le critère intégral d’effort carré (ISEF: Integral
Square Effort) de toutes les entrées (Fz, τφ, τθ et τψ).

Évidemment, à partir des deux tableaux, les correcteurs adaptatifs donnent le meilleur suivi de
trajectoire et des efforts minimaux.

Figure VI.13 Suivi de la trajectoire en 3D (2éme trajectoire)

148
 Commande Robuste du Quadrotor par la Technique H∞ Non-Linéaire

-1 IBS-H ∞ NL
0 5 10 15 20 25 30 35 40IBS-H45NL Adapt.
50
∞
IBS-H ∞ NL Adapt.-RN
1
Référence

-1
0 5 10 15 20 25 30 35 40 45 50

0
0 5 10 15 20 25 30 35 40 45 50
Temps [s]

Figure VI.14 Réponses des coordonnées de la position (2éme trajectoire)

Figure VI.15 Réponses des coordonnées de rotation (2éme trajectoire)

149
 Commande Robuste du Quadrotor par la Technique H∞ Non-Linéaire

Figure VI.16 Les entrées de commande (2éme trajectoire)

Tableau VI.3 Comparaison de l’ISE entre les trois correcteurs

IBS-H∞ NL IBS-H∞ NL Adapt. IBS-H∞ NL Adapt.-RN

x 3.7 10-3 3 10-3 3.6 10-3

y 4.63 10-4 2.69 10-4 3.27 10-4
z 0.584 0.085 0.053
φ 2.36 10-5 3.02 10-8 2 10-7
θ 2.1 10-5 2.88 10-8 2.13 10-7
ψ 0.059 0.022 0.014

Tableau VI.4 Comparaison de l’ISEF entre les trois correcteurs

IBS-H∞ NL IBS-H∞ NL Adapt. IBS-H∞ NL Adapt.-RN

Fz 16864 15908 17479

τφ 0.202 0.192 0.218
τθ 0.122 0.115 0.128
τψ 0.0036 0.0055 0.0042

150
 Commande Robuste du Quadrotor par la Technique H∞ Non-Linéaire

VI.6 Conclusion:

Dans ce chapitre, nous avons effectué une commande du quadrotor qui est un système non-linéaire
et sous-actionné par la technique de commande par couple calculé (CTC: Computed Torque
Control). Le calcul des forces/couples par le couple calculé est fortement basé sur la connaissance
du modèle. Après l’obtention de ce dernier, une commande robuste non-linéaire a été établie par la
technique H∞ non-linéaire. La robustesse a été renforcée par l’action adaptative en considérons deux
méthodes; paramétrage linéaire et par les réseaux de neurones. Les résultats présentent un excellent
suivi de trajectoire avec robustesse vis-à-vis des perturbations et des incertitudes paramètriques.
On peut resumer les différences entre les approches developpées dans cette thèse par la
comparaison présenté dans Tableau VI.5. Les correcteurs sont ; Proportionel Intégral Dérivé de
chapitre 3 (PID), BackStepping Intégral (IBS) et Mode Glissant de type Fast Terminal (FTSMC)
de chapitre 4, le correcteur H∞ Linéaire à paramètres variés (LPV) de chapitre 5, et H∞ non-linéaire
adaptatif (H∞ NL) de chapitre 6.

Tableau VI.5 Comparaison entre les différents correcteurs

Rejection des Dépendamment
Correc. Complexité Robustesse Remarque
perturbations au modèle
PID + Sans modèle Simple - Ordre bas
Basé sur le
IBS + Complexe + Non-linéaire
modèle
FTSMC + Sans modèle Complexe + Non-linéaire
Ordre elevé,
LPV ++ Sans modèle Complexe ++
robuste
Basé sur le Ordre elevé,
H∞ NL ++ Complexe ++
modèle robuste, adaptatif

151
 Conclusion Générale et Perspectives

Conclusion Générale:

Le développement des véhicules aériens autonomes UAV dans les domaines aussi bien militaires
que civils, a suscité pendant plusieurs décades un intérêt particulier pour les chercheurs du domaine
de l’aérodynamique et ceci du fait que ses systèmes sont très utiles lorsqu’il s’agit d’exécuter des
tâches dans des environnements dangereux et inaccessibles. Plusieurs aspects de ce domaine ont été
développés en littérature parmi lesquels ont trouve la commande des UAV.

Dans ce travail, nous avons développé des stratégies de commande robustes pour résoudre le
problème de suivi de trajectoire pour les UAV, en particulier le quadrotor. Ce dernier est un
système mécanique sous-actionné, du fait qu’il possède six degrés de liberté et seulement quatre
entrées. Les stratégies utilisées dans ce travail ont été conçues en tenant compte, des perturbations
externes persistantes affectant le système, de la dynamique-non modélisée et aussi des incertitudes
structurelles et paramétriques. Par conséquent, des structures de commande en cascade ont
également été développées en tenant compte de cette fonctionnalité pour obtenir les performances
souhaitées.

Après l’élaboration d’un modèle dynamique simplifié du système quadrotor, les travaux réalisés en
considérant ce type de structure ont été présentés aux troisième et quatrième chapitres, où
différentes techniques ont été utilisées pour commander les mouvements de rotation et de
translation. De nombreux correcteurs linéaires et non-linéaires classiques ont été conçus afin
d’atteindre le suivi de trajectoire avec un test de robustesse contre les perturbations externes et les
incertitudes paramétriques.

La théorie avancée de la commande robuste, H∞, a été utilisée au cinquième chapitre, où la structure
en cascade a également été appliquée. La théorie H∞ étendue pour les techniques LPV a été
appliquée pour stabiliser le sous-système rotationnel, avec un modèle présenté initialement comme
un système quasi-LPV avec une représentation LFT. Ce dernier offre l’avantage de représenter le
modèle non-linéaire exact d’origine sans la nécessité de le linéariser à des sous-systèmes LTI. Le
correcteur du sous-système de translation est développé par la technique Backstepping intégral qui
donne un bon suivi de trajectoire et une robustesse contre les incertitudes, les perturbations et les
bruits.

Dans le sixième chapitre, la commande par couple calculé, qui est développée principalement pour
les systèmes mécaniques, nécessitant le modèle complet a été exploitée dans ce travail, en se basant
sur le modèle presque complet et par conséquent la conception du correcteur a été effectuée. Les
correcteurs conçus pour les systèmes mécaniques sont communément basés sur des modèles

152
 Conclusion Générale et Perspectives

nominaux, mais ces modèles impliquent des incertitudes structurelles et paramétriques. En premier
lieu, un correcteur H∞ non-linéaire appropiré aux systèmes sous-actionnés a été développé avec
considération soit les perturbations, soit les incertitudes comme des entrées externes.

Cette hypothèse n’est pas très réaliste, et pour améliorer la robustesse du correcteur et neutraliser les
erreurs de modélisation, la solution était la génération un signal de commande supplémentaire
adaptatif en estimant les incertitudes. Cette technique d’adaptation a été effectuée à partir de deux
méthodes; le paramétrage linéaire et aussi en introduisant de l’intelligence artificielle à travers
l’application des réseaux de neurones. Cette technique de commande robuste adaptative a donné un
niveau de robustesse mieux que les techniques classiques en ce qui concerne les perturbations et
surtout les incertitudes.

Perspectives:

À partir des résultats atteints à travers les travaux réalisés dans cette thèse, plusieurs perspectives
peuvent être mentionnées:

- De nombreux systèmes aérodynamiques ont des entrées bornées, il serait ainsi intéressant
de développer des lois de commande en présence de saturations sur les entrées (Weston et
Postlethwaite, 2000; Li et al., 2017; Liu et al., 2019).
- Renforcer la mesure par des observateurs; si le quadrotor est équipé d’un capteur de
position GPS, l’erreur de mesure peut être dans l’intervalle ± 2 m et l’information est
acquise au moins chaque seconde. Cependant, la dynamique de ce type de véhicules peut
être de l’ordre des millisecondes. Entre chaque deux échantillons de GPS, les états
doivent être estimés, et après la mesure est reçu, il doit mettre à jour.
- Il est aussi envisageable d’appliquer de telles stratégies de commande sur les systèmes
physiques et robotiques, par exemple; bras manipulateur (Firouzeh et al., 2015), main-
effecteur d’un robot (Prattichizzo et al., 2012) et robot marcheur (Takase et al., 2013).

153
 Bibliographie

Bibliographie:

Abdou, L., et F. Soltani, « OS-CFAR and CMLD threshold optimization in distributed systems using evolutionary
strategies », Signal, Image and Video Processing. 2(2):155-167, 2008.

Acampora, G., H. Ishibuchi, et A. Vitiello, « A comparison of multi-objective evolutionary algorithms for the
ontology meta-matching problem », IEEE Congress on Evolutionary Computation. Pékin, Chine, 06 Juillet 2014.

Acosta, J.A.P., et C.P. Bottura, « Discretization of linear parameter varying systems in the LFT representation with
parameter dependent sampling rates », Proceedings Computer Science and Electronic Engineering. 139-144,
Colchester, UK, 2017.

Alejo, D., J.A. Cobano, G. Heredia, et A. Ollero, « Collision-free 4D trajectory planning in unmanned aerial vehicles
for assembly and structure construction », Journal of Intelligent & Robotic Systems. 73(1-4): 783-795, 2013.

Allibert, G., D. Abeywardena, M. Bangura, et R. Mahony, « Estimating body-fixed frame velocity and attitude from
inertial measurements for a quadrotor vehicle », Proceedings IEEE Conference on Control Applications. 978-983, Juan
Les Antibes, France, 2014.

Alsakini, S.R., A.T. Alobaidi, et A.J. Sultan, « Turbo generator system identification using genetic algorithm »,
Journal of Engineering and Sustainable Development. 20(6): 12-31, 2016.

Apkarian, P., P. Gahinet, et G. Becker, « Self-scheduled control of linear parameter varying systems: a design
example », Automatica. 31(9): 1251-1261, 1995.

Apkarian, P., et P. Gahinet, « A convex characterization of gain-scheduled H∞ controller », IEEE Transactions on

Automatic Control. 40(5): 853-864, 1995.

Apkarian, P., et R.J. Adams, « Advanced gain-scheduling techniques for uncertain systems », IEEE Transactions on
Control Systems Technology. 6(1): 21-32, 1998.

Apkarian, P., et H.D. Tuan, « Parameterized LMIs in control theory », Proceedings IEEE Confernece on Decision
and Control. 152-157, Tampa, Florida, USA, 1998.

Apkarian, P., et D. Noll, « Nonsmooth H∞ synthesis », IEEE Transactions on Automatic Control. 51(1): 71-86, 2006.

Balas, G., R. Chiang, A. Packard, et M.G. Safonov, Robust Control ToolboxTM the user’s guide. Mathworks. Natick,
USA, 2009.

Ball, J., C. Foias, J.W. Helton, et A. Tannenbaum, « On a local nonlinear commutant lifting theorem », Journal of
Mathematics. 36(3): 693-709, 1987.

Bangura, M., et R. Mahony, « Real-time model predictive control for quadrotors », IFAC Proceedings Volumes,
47(3): 11773-11780, 2014.

Bangura, M., R. Mahony, H. Lim, et H.J. Kim, « An open-source implementation of a unit quaternion based attitude
and trajectory tracking for quadrotors », Proceedings Australian Conference on Robotics and Automation, Melbourne,
Australie, 2014.

Bangura, M., R. Naldi, et R. Mahony, « Aerodynamics of rotor blades for quadrotors »,

https://arxiv.org/abs/1601.00733.

Bangura, M., et R. Mahony, « Thrust control for multirotor aerial vehicles », IEEE Transactions on Robotics. 33(2):
390-405, 2017.

Bangura, M., Aerodynamics and Control of Quadrotors. Thèse de doctorat, The Australian National University,
Australie, 2017.

154
 Bibliographie

Bașar, T., et P. Bernhard, H∞ Optimal Control and Related Minimax Design Problems: A Dynamic Game Approach.
Boston, MA, USA, 2008.

Beard, R.W., G.N. Saridis, et J.T. Wen, « Galerkin approximations of the generalized hamilton-jacobi-bellman
equation », Automatica. 33(12): 2159-2177, 1997.

Beard, R.W., et T.W. McLain, « Successive Galerkin approximation algorithms for nonlinear optimal and robust
control », International Journal of Control. 71(5): 717-743, 1998.

Beard, R.W., G. Saridis, et J.T. Wen, « Approximate solutions to the time-invariant Hamilton-jacobi-bellman
equation », Journal of Optimization Theory and Applications. 96(3): 589-626, 1998.

Behzad, H., A. Casavola, F. Tedesco, et M.A. Sadrina, « Use of LPV-LFT unknown input observers for the design of
fault tolerant sensor reconciliation schemes », Proceedings Iranian Conference on Electrical Engineering. 899-905,
Mashhad, Iran, 2018.

Blondel, V., et J.N. Tsitsiklis, « NP-Hardness of some linear control problems », SIAM Journal on Control and
Optimization. 35(6): 2118-2127, 1997.

Borges, R.A., et P.L.D. Peres, « H∞ LPV filtering for linear systems with arbitrarily time-varying parameters in
polytopic domains », Proceedings IEEE Conference on Decision and Control. San Diego, Californie, USA, 2006.

Bouabdallah, S., Design and Control of Quadrotors with Application to Autonomous Flying. Thèse de doctorat,
EPFL, Lausane, Suisse, 2007.

Boubaker, O., « The inverted pendulum: a fundamental benchmark in control theory and robotics », Proceedings
International Conference on Education and e-Learning Innovations. Sousse, Tunisie, 2012.

Brescianini, D., M. Hehn, et R. D’Andrea, Nonlinear Quadrocopter Attitude Control. Rapport technique, Department
of Mechanical and Process Engineering, ETHZ, Zürich, Suisse, 2013a.

Brescianini, D., M. Hehn, et R. D’Andrea, « Quadrocopter pole acrobatics », Proceedings IEEE/RSJ International
Conference on Intelligent Robots and Systems. 3472-3479, Tokyo, Japon, 2013b.

Briat, C., O. Sename, et J.F. Lafay, « H∞ delay-scheduled control of linear systems with time-varying delays », IEEE
Transactions on Automatic Control. 42(8): 2255-2260, 2009.

Briat, C., Linear Parameter-Varying and Time-Delay Systems: Analysis, Observation, filtering & Control. Springer-
Verlag. Berlin Heidelberg, Allemagne, 2015.

Bristeau, P.J., P. Martin, E. Salaün, et N. Petit, « The role of propeller aerodynamics in the model of a quadrotor
UAV », Proceedings European Control Conference. 683-688, Budapest, Hongrie, 2009.

Bruzelius, F., S. Pettersson, et C. Breitholtz, « Linear parameter-varying descriptions of nonlinear systems »,

Proceedings American Control Conference. 1374-1379, Boston, MA, USA, 2004.

Burri, M., M. Dätwiler, M.W. Achtelik, et R. Siegwart, « Robust state estimation for micro aerial vehicles based on
system dynamics », Proceedings IEEE International Conference on Robotics and Automation. 5278-5283, Seattle, WA,
USA, 2015.

Burri, M., M. Bloesch, Z. Taylor, R. Siegwart, et J. Nieto, « A framework for maximum likelihood parameter
identification applied on MAVs », Journal of Field Robotics. 35(1): 5-22, 2017.

Carrillo, L., A. Lopez, R. Lozano, et C. Pégard, Quad Rotorcraft Control. Springer-Verlag. Londres, UK, 2013.

Cerone, V., D. Piga, D. Reguto, et R. Tóth, « Fixed order LPV controller design for LPV models in input-output
form », Proceedigns IEEE Conference on Decision and Control. 6297-6302, Hawaii, USA, 2012.

155
 Bibliographie

Chang, Y.C., «Neural network-based H∞ tracking control for robotic systems », IEE Proceedings of Control Theory
Applications. 147(3): 303-311, 2000.

Chaturvedi, N., A. Sanyal, et N.H. McClamroch, « Rigid-body attitude control », IEEE Control Systems. 31(3): 30-
51, 2011.

Chen, B.S., T.S. Lee, et J.H. Feng, « A nonlinear H∞ control design in robotic systems under parameter perturbation
and external disturbance », International Journal of Control. 59(2): 439-461, 1994.

Chen, B.S., Y.C. Chang, et T.C. Lee, « Adaptive control in robotic systems with H∞ tracking performance »,
Automatica. 33(2): 227-234, 1997.

Chen, Y.Y., B.S. Chen, et C.S. Tseng, « Adaptive fuzzy mixed H2/H∞ lateral control of nonlinear missile systems »,
Proceedings IEEE International Conference on Fuzzy Systems. 512-516, Saint Louis, Missouri, USA, 2003.

Chen, C., M. Li, J. Sui, K. Wie, et Q. Pei, « A genetic algorithm-optimized fuzzy logic controller to avoid rear-end
collisions », Journal of Advanced Transportation. 50(8): 1735-1753, 2016.

Chesi, G., A. Garulli, A. Tesi, et A. Vicion, Homogeneous Polynomial Forms for Robustness Analysis of Uncertain
Systems. Springer. Berlin, Allemagne, 2009.

Chircop, K., et D. Zammit-Mangion, « On ε-constraint based methods for the generation of Pareto frontiers », Journal
of Mechanics Engineering and Automation. 3: 279-289, 2013.

Choukchou-Braham, A., B. Cherki, M. Djemaï, et K. Busawon, « Classification of Underactuated Mechanical

Systems », Analysis and Control of Underactuated Mechanical Systems, A. Choukchou-Braham, B. Cherki, M. Djemaï,
et K. Busawon (eds.), 35-54. Springer. London, UK, 2014a.

Choukchou-Braham, A., B. Cherki, M. Djemaï, et K. Busawon, « Control Design Schemes for Underactuated
Mechanical Systems », Analysis and Control of Underactuated Mechanical Systems, A. Choukchou-Braham, B. Cherki,
M. Djemaï, et K. Busawon (eds.), 55-91. Springer. London, UK, 2014b.

Chung, W., L.C. Fu, et S.H. Hsu, « Motion Control », Springer Handbook of Robotics, B. Siciliano, et O. Khatib
(eds.), 133-159. Springer-Verlag. Berlin Heidelberg, Allemagne, 2008.

Corti, A., et M. Lovera, « Attitude regulation for spacecraft with magnetic actuators: an LPV approach », Control of
Linear Parameter Varying Systems with Applications, J. Mohammadpour, et C.W. Scherer (eds.), 339-355. Springer.
New York, USA, 2012.

Daher-Adegas, F., C. Solth, et J. Stoustrup, « Structured linear parameter varying control of wind turbines », Control
of Linear Parameter Varying Systems with Applications, J. Mohammadpour, et C.W. Scherer (eds.), 303-337. Springer.
New York, USA, 2012.

Das, J., G. Cross, C. Qu, A. Makineni, P. Tokekar, Y. Mulgaonkar, et V. Kumar, « Devices, systems, and methods for
automated monitoring enabling precision agriculture », Proceedings IEEE International Conference on Automation
Science and Engineering. 462-469, Gothenburg, Suède, 2015.

Dasgupta, D., et D.R. McGregor, « Nonstationary function optimization using the structured genetic algorithm »,
Parallel Problem Solving from Nature. 2: 145-154, 1992.

Deb, K., et D. Deb, « Analysing mutation schemes for real-parameter gentic algorithms », International Journal of
Artificial Intelligence and Soft Computing. 14(1):1-28, 2014.

Debert, M., G. Colin, G. Bloch, et Y. Chamaillard, « An observer looks at the cell temperature in automotive battery
packs », Control Engineering Practice. 21(8): 1035-1042, 2013.

De-Crousaz, C., F. Farshidian, M. Neunert, et J. Buchli, « Unified motion control for dynamic quadrotor maneuvers
demonstrated on slung load and rotor failure tasks », Proceedings International Conference on Robotics and
Automation. 2223-2229, Seattle, WA, USA, 2015.

156
 Bibliographie

Din, S.U., Q. Khan, F.U. Rehman, et R. Akmeliawanti, « A comparative experimental study of robust sliding mode
control strategies for underactuated systems », IEEE Access. 6: 1927-1939, 2018.

Do, A.L., O. Sename, L. Dugard, et B. Soualmi, « Multi-objective optimization by genetic algorithm in H∞/LPV
control of semi-active suspension », Proceedings IFAC World Congress. 7162-7167, Milan, Italie, 2011.

Do, A.L., O. Sename, et L. Dugard, « LPV modeling and control of semi-active dampers in automotive systems »,
Control of Linear Parameter Varying Systems with Applications, J. Mohammadpour, et C.W. Scherer (eds.), 381-411.
Springer. New York, USA, 2012.

Doyle, J., K. Glover, P. Khargonekar, et B. Francis, « State-space solutions to standard H2 adn H∞; control problem »,
IEEE Transactions on Automatic Control. 34(8): 831-847, 1989.

Dub, M., et A. Stefek, « Using PSO method for system identification », Mechatronics 2013: Recent Technological
and Scientific Advances, T. Březina, et R. Jabloński (eds.), 143-150. Springer. Suisse, 2014.

Fan, Y., Y. Cao, et T. Li, « Adaptive integral backstepping control for trajectory tracking of a quadrotor »,
Proceedings International Conference on Information, Cybernetics and Computational Social Systems. 619-624,
Dalian, Chine, 2017.

Fässler, M., Quadrotor Control for Accurate Agile Flight. Thèse de doctorat, Université de Zurich, Suisse, 2018.

Feng, W., et I. Postlethwaite, « Robust non-linear H∞/adaptive control of robot manipulator motion », Proceedings of
the Institution of Mechanical Engineers, Part I: Journal of Systems and Control Engineering. 208(4):221-230, 1994.

Feng, Y., X. Yu, et Z. Man, « Non-singular terminal sliding mode control of rigid manipulators », Automatica. 8(12):
2159-2167, 2002.

Ferrin, J., R. Leishman, R. Beard, et T. McLain, « Differential flatness based control of a rotorcraft for aggressive
maneuvers », Proceedings IEEE/RSJ International Conference on Intelligent Robots and Systems. 2688-2693, San
Francisco, CA, USA, 2011.

Feyel, P., « Evolutionary fixed-structure LPV/LFT controller synthesis », IFAC PapersOnLine. 48(25): 114-119,
2015.

Fiacchini, M., A. Viguria, R. Cano, A. Prieto, F.R. Rubio, J. Aracil, et C. Canudas-de-Wit, « Design and
experimentation of a personal penulum vehicle », Proceedings Portuguese Conference on Automatic Control. Lisbone,
Portugal, 2006.

Firouzeh, A., S.S.M. Salehian, A. Billard, et J. Paik, « An under actuated robotic arm with adjustable stiffness shape
memory polymer joints », Proceedings International Conference on Robotics and Automation. 2536-2543, Seattle, WA,
USA, 2015.

Forrai, A., T. Ueda, et T. Yumura, « Electromagnetic actuator control: a linear parameter-varying (LPV) approach »,
IEEE Transactions on Industrial Electronics. 554(3): 1430-1441, 2007.

Franchi, A., et A. Mallet, « Adaptive closed-loop speed control of BLDC motors with applications to multi-rotor
aerial vehicles », Proceedings IEEE International Conference on Robotics and Automation. 5203-5208, Singapore,
2017.

Fresk, E., et G. Nikolakopoulos, « Full quaternion based attitude control for a quadrotor », Proceedings European
Control Conference. 3864-3869, Zürich, Suisse, 2013.

Fu, M., « Pole placement via static output feedback is NP-hard », IEEE Transactions on Automatic Control. 49(5):
855-857, 2004.

Gahinet, P., et P. Apkarian, « A linear matrix inequality approach to H∞ control », International Journal of Robust
and Nonlinear Control. 4(4): 421-448, 1994.

157
 Bibliographie

Gauthier, C., O. Sename, L. Dugard, et G. Meissonnier, « An LFT approach to H∞ control design for diesel engine
common rail injection system », Oil & Gas Science and Technology – Revue IFP. 62(4): 513-522, 2007.

Geromel, J.C., et P. Colaneri, « Robust stability of time-varying polytopic systems », Systems & Control Letters. 55:
81-85, 2006.

Gill, R., et R. D’Andrea, « Propeller thrust and drag in forward flight », Proceedings IEEE Conference on Control
Technology and Applications. 73-79, Hawai’i, USA, 2017.

Grabe, V., M. Riedel, H.H. Bülthoff, P.R. Giordano, et A. Franchi, « The TeleKyb framework for a modular and
extendible ROS-based quadrotor control », Proceedings European Conference on Mobile Robots. 19-25, Barcelone,
Espagne, 2013.

Hamer, M., M. Waibel, et R. D’Andrea, « Knowledge transfer for high-performance quadrocopter maneuvers »,
Proceedings IEEE/RSJ International Conference on Intelligent Robots and Systems. 1714-1719, Tokyo, Japon, 2013.

Hansen, N., D.V. Arnold, et A. Auger, « Evolution strategies », Springer Handbook of Computational Intelligence, J.
Kacprzyk, et W. Pedrycs (eds.), 871-898. Springer. Berlin, Allemagne, 2015.

Hardt, M., J.W. Helton, et K. Kreutz-Delgado, « Numerical solution of nonlinear H2 and H∞ control problems with
application to jet engine compressors », IEEE Transactions on Control Systems Technology. 8(1): 98-111, 2000.

Hashemi, S.M., et H. Werner, « Observed-based LPV control of a nonlinear PDE », Proceedings IEEE Conference on
Decision and Control. 2010-2015, Orlando, Florida, USA, 2011.

Hasseni, S., et L. Abdou, « Robust LPV control applied to a personal pendulum vehicle », Proceedings International
Conference on Sciences and Techniques of Automatic control and computer engineering. 6-11, Monastir, Tunisie, 2017.

Hasseni, S., et L. Abdou, « Integral Backstepping/LFT-LPV H∞ control for the trajectory tracking of a quadcopter »,
Proceedings International Conference on Systems and Control. 348-353, Valence, Espagne, 2018.

Hasseni, S., L. Abdou, et H. Glida, « Parameters tuning of a quadrotor PID controllers by using nature-inspired
algorithms », Evolutionary Intelligence. 2019. https://doi.org/10.1007/s12065-019-00312-8.

He, B., et M. Yang, « Robust LPV control of diesel auxiliary power unit for series hybrid electric vehicles », IEEE
Transactions on Power Electronics. 21(3): 791-798, 2006.

He, Y.Q., et J.D. Han, « Acceleration feedback enhanced H∞ disturbance attenuation control for a class of nonlinear
underactuated vehicle systems », Acta Automatica Sinica. 34(5): 558-564, 2008.

Heemels, W.P.M.H., J. Daafouz, et G. Millerioux, « Observer-based control of discrete-time LPV systems with
uncertain parameters », IEEE Transactions on Automatic Control. 55(9): 2130-2135, 2010.

Hehn, M., et R. D’Andrea, « A flying inverted pendulum », Proceedings IEEE International Conference on Robotics
and Automation. 736-770, Shanghai, Chine, 2011.

Hehn, M., R. Ritz, et R. D’Andrea, « Performance benchmarking of quadrotor systems using time-optimal control »,
Autonomous Robots, 33(1-2): 69-88, 2012.

Hehn, M., et R. D’Andrea, « An iterative learning scheme for high performance, periodic quadrocopter trajectories »,
Proceedings European Control Conference. 1799-1804, Zürich, Suisse, 2013.

Hehn, M., et R. D’Andrea, « A frequency domain iterative learning algorithm for high-performance, periodic
quadrocopter maneuvers », Mechatronics. 24(8): 954-965, 2014.

Hehn, M., et R. D’Andrea, « Real-time trajectory generation for quadrocopters », IEEE Transactions on Robotics.
31(4): 877-892, 2015.

158
 Bibliographie

Henrion, D., et J.B. Lasserre, « Convergent relaxations of polynomial matrix inequalities and static output feedback »,
IEEE Transactions on Automatic Control. 51(2): 192-202, 2006.

Hjartarson, A., P. Seiler, et A. Packard, « LPV Tools: A Toolbox for modeling, analysis and synthesis of parameter
varying control systems », IFAC PapersOnLine. 48(26): 136-145, 2015.

Hoffmann, G.M., H. Huang, S.L. Waslander, et C.J. Tomlin, « Quadrotor helicopter flight dynamics and control:
Theory and experiment », Proceedings AIAA Guidance, Navigation and Control Conference and Exhibit. Hilton Head,
South Carolina, USA, 2007.

Hughes, H.D., et F. Wu, « LPV H∞ control for flexible hypersonic vehicle », Control of Linear Parameter Varying
Systems with Applications, J. Mohammadpour, et C.W. Sherer (eds.), 413-444. Springer. New York, USA, 2012.

Iwasaki, T., et S. Hara, « Well-posedness of feedback systems: insight into exact robustness analysis and approximate
computations », IEEE Transactions on Autoamtic Control. 43(5): 619-630, 1998.

Jaen-Cuellar, A.Y., R.D.J. Romero-Troncoso, L. Morales-Valazquez, et R.A. Osornio-Rios, « PID-controller tuning

optimization with genetic algorithms in servo systems », International Journal of Advanced Robotic Systems. 10: 324-
337, 2013.

Jain, T., et M.J. Nigam, « Optimization of PD-PI controller using swarm intelligence », International Journal of
Computational Cognition. 6(4):55-59, 2008.

Jimenez-Cano, A.E., J. Martin, G. Heredia, A. Ollero, et R. Cano, « Control of an aerial robot with multi-link arm for
assembly tasks », Proceedings IEEE International Conference on Robotics and Automation. 4916-4921, Karlsruhe,
Allemagne, 2013.

Jogindar-Singh, K.S.M., I. Elamvazuthi, K.Z.K. Shaari, et N. Perumal, « Development of PID controller tuning tool
based on cuckoo search algorithms », Proceedings IEEE International Symposium in Robotics and Manufacturing
Automation. Kuala Lumpur, Malisie, 2017.

Johansson, R., « Quadratic optimization of motion coordination and control », IEEE Transactions on Automatic
Control. 35(11): 1197-1208, 1990.

Jung, M., et K. Glover, « Calibratable linear parameter-varying control of a turbocharged diesel engine », IEEE
Transactions on Control Systems Technology. 14(1): 45-62, 2006.

Kai, J.M., G. Allibert, M.D. Hua, et T. Hamel, « Nonlinear feedback control of quadrotors exploiting first-order drag
effects », IFAC PapersOnLine. 50(1): 8189-8195, 2017.

Kamel, M., K. Alexis, M. Achtelik, et R. Siegwart, « Fast nonlinear model predictive control for multicopter attitude
tracking on SO(3) », Proceedings IEEE International Conference on Control Applications. 1160-1166, Sydney, NSW,
Australie, 2015.

Kawai, Y., et K. Uchiyama, « Design of frequency shaped LQR considering dynamic characteristics of the actuator »,
Proceedings International Conference on Unmanned Aircraft Systems. 1235-1239, Arlington, VA, USA, 2016.

Khalil, H.K., Nonlinear Systems. 2éme édition. Prentice-Hall. Upper Saddle River, NJ, USA, 1996.

Klempka, R., et B. Filipowicz, « Comparison of using the genetic algorithm and cuckoo search for multicriteria
optimisation with limitation », Turkish Journal of Electrical Engineering and Computer Sciences. 25(2):1300-1310,
2017.

Kominek, A., H. Werner, M. Garwon, et M. Schultalbers, « Identification of low-complexity LPV input-output

models for control of a turbocharged combustion engine », Control of Linear Parameter Varying Systems with
Applications, J. Mohammadpour, et C.W. Scherer (eds.). 445-460, New York, USA, 2012.

159
 Bibliographie

Kondak, K., K. Krieger, A. Albu-Schaeffer, M. Schwarzbach, M. Laiacker, I. Maza, A. Rodriguez-Castano, et A.

Ollero, « Closed-loop behavior of an autonomous helicoptre equipped with a robotic arm for aerial manipulation
tasks », International Journal of Advanced Robotic Systems. 10(2): 145-152, 2013.

Kumar, S., et R. Gil, « Path following for quadrotors », Proceedings IEEE Conference on Control Technology and
Applications. 2075-2081, Hawai’i, USA, 2017.

Kwiatkowski, A., et H. Werner, « LPV control of a 2-DOF robot using parameter reduction », Proceedings IEEE
Conference on Decision and Control. 3369-3374, Seville, Espagne, 2005.

Kwiatkowski, A., J.P. Blath, H. Werner, A. Ali, et M. Schultalbers, « Linear parameter varying PID controller design
for charge control of a spark-ignited engine », Control Engineering Practice. 17(11): 1307-1317, 2009.

Lawrence, D.A., et W.J. Rugh, « Gain scheduling dynamic linear controllers for a nonlinear plant », Automatica.
31(3): 381-390, 1995.

Lee, T., M. Leok, et N.H. McClamroch, « Geometric tracking control of a quadrotor UAV on SE(3) », Proceedings
IEEE Conference on Decision and Control, 5420-5425, Atlanta, USA, 2010.

Leishman, R.C., J.C. Macdonald, R.W. Beard, et T.W. McLain, « Quadrotors and accelerometers: State estimation
with an improved dynamic model », IEEE Control Systems. 34(1): 28-41, 2014.

Leith, D.J., et W.E. Leithead, « Survey of gain-scheduling analysis and design », International Journal of Control.
73(11): 1001-1025, 2000.

Li, Q., J. Qian, Z. Zhu, X. Bao, M.K. Helwa, et A.P. Schoellig, « Deep neural networks for improved, impromptu
trajectory of quadrotors », Proceedings IEEE International Conference on Robotics and Automation. 5183-5189,
Singapore, 2017.

Li, M., C. Liu, T. Li, et C.L.P. Chen, « New second order sliding mode control design for course-keeping control of
ship with input saturation », Proceedings International Conference on Advanced Mechatronic Systems. 462-466,
Xiamen, Chine, 2017.

Liu, Q., V. Vittal, et N. Elia, « Expansion of system operating range by an interpolated LPV FACTS controller using
multiple Lyapunov functions », IEEE Transactions on Power Systems. 21(3): 1311-1320, 2006.

Liu, Q., H.S. Abbas, J. Mohammadpour, et H. Werner, « Distributed controller design for LPV/LFT distributed
systems in input-output form », IFAC PapersOnLine. 50(1): 11409-11414, 2017.

Liu, B., M. Hou, et Y. Li, « Field-of-view and impact angle constrained guidance law for missiles with time-varying
velocities », IEEE Access. 7: 61717-61727, 2019.

López-Martínez, M., M.G. Ortega, et F.R. Rubio, « Nonlinear L2 control of a laboratory helicopter with variable
speed rotors », Automatica. 43(4): 655-661, 2007.

Lu, B., F. Wu, et S. Kim, « Switching LPV control of an F-16 aircraft via controller state reset », IEEE Transactions
on Control Systems Technology. 14(2): 267-277, 2006.

Lupashin, S., et R. D’Andrea, « Adaptive fast open-loop maneuvers for quadrocopters », Autonomous Robots. 33(1-
2): 89-102, 2012.

Lupashin, S., M. Hehn, M.W. Mueller, A.P. Schoellig, M. Sherback, et R. D’Andrea, « A platform for aerial robotics
research and demonstration: the flying machine arena », Mechatronics. 24(1): 41-54, 2014.

Luspay, T., T. Péni, et B. Kulcasár, « Constrained freeway traffic control via linear parameter varying paradigms »,
Control of Linear Parameter Varying Systems with Applications, J. Mohammadpour, et C.W. Scherer (eds.), 461-482.
Springer. New York, USA, 2012.

160
 Bibliographie

Mahony, R., V. Kumar, et P. Corke, « Multirotor aerial vehicles: Modeling, estimation, and control of quadrotor »,
IEEE Robotics & Automation Magazine. 19(3): 20-32, 2012.

Martin, P., et E. Salaün, « The true role of accelerometer feedback in quadrotor control », Proceedings IEEE
International Conference on Robotics and Automation. 1623-1639, Anchorage, AK, USA, 2010.

Mehendale, C.S., et K.M. Grigoriadis, « A new approach to LPV gain-scheduling design and implementation »,
Proceedings IEEE conference on Decision and Control. 2942-2947, Atlantis, Pardise Island, Bahamas, 2004.

Mellinger, D., et V. Kumar, « Minimum snap trajectory generation and control for quadrotors », Proceedings IEEE
International Conference on Robotics and Automation. 2520-2525, Shanghai, Chine, 2011.

Merino, L., F. Caballero, J.R. Martínez-de-Dios, I. Maza, et A. Ollero, « An unmanned aircraft system for automatic
forest fire monitoring and measurement », Journal of Intelligent & Robotic Systems. 65(1-4): 533-548, 2011.

Michael, N., D. Mellinger, Q. Lindsey, et V. Kumar, « The GRASP multiple micro-UAV testbed », IEEE Robotics &
Automation Magazine. 17(3): 56-65, 2010.

Michieletto, G., M. Ryll, et A. Franchi, « Control of statically hoverable multi-rotor aerial vehicles and application to
rotor-failure robustness for hexarotors », Proceedings IEEE International Conference on Robotics and Autoamation.
2747-2752, Singapore, 2017.

Mohammadpour, J., et C.W. Scherer, Control of Linear Parameter Varying Systems with Applications. Springer. New
York, USA, 2012.

Molugaram, K., et G. Shanker-Rao, « Curve fitting », Statistical Techniques for Transporation Engineering, K.
Molugaram, et G. Shanker-Rao (eds.), 281-292. Elsevier. Indie, 2017.

Monfared, S.B., A. Kalhor, et M.A. Atashgah, « Robust adaptive H∞ control for attitude control of a quadrotor »,
Proceedings International Conference on Robotics and Mechatronics. 560-565, Tehran, Iran, 2018.

Monteiro, J.C., F. Lizarralde, et L. Hsu, « Optimal control allocation of quadrotor UAVs subject to actuator
constraints », Proceedings American Control Conference. 500-505, Boston, MA, USA, 2016.

Mueller, M.W., et R. D’Andrea, « A model predictive controller for quadrocopter state interception », Proceedings
European Control Conference. 1383-1389, Zürich, Suisse, 2013.

Mueller, M.W., et R. D’Andrea, « Relaxed hover solutions for multicopters: application to algorithmic redundancy
and novel vehicles », The International Journal of Robotics Research. 35(8): 873-889, 2015.

Mulgaonkar, Y., G. Cross, et V. Kumar, « Design of small, safe and robust quadrotor swarms », Proceedings
International Conference on Robotics and Automation. 2208-2215, Seattle, WA, USA, 2015.

Murphy, R.R., Disaster Robotics. MIT Press. Cambridge, MA, USA, 2014.

Nazarahari, M., E. Khanmirza, et S. Doostie, « Multi-objective multi-robot path planning in continuous environment
using an enhanced genetic algorithm », Expert Systems with Applications. 115: 106-120, 2019.

Olfati-Saber, R., Nonlinear Control of Underactuated Mechanical Systems with Application to Robotics and
Aerospace Vehicles. Thèse de doctorat, MIT, Boston, MA, USA, 2001.

Oliveira, R.C.L.F., V.F. Montagner, P.L.D. Peres, et P.A. Bliman, « LMI relaxations for H∞ control of time-varying
polytopic systems by means of parameter-dependent quadratically stabilizing gains », IFAC Proceedings Volume.
40(20): 614-619, 2007.

Omari, S., M.D. Hua, G. Ducard, et T. Hamel, « Nonlinear control of VTOL UAVs incorporating flapping
dynamics », Proceedings IEEE/RSJ International Conference on Intelligent Robots and Systems. 2419-2425, Tokyo,
Japon, 2013.

161
 Bibliographie

Ortega, M.G., M. Vargas, C. Vivas, et F.R. Rubio, « Robustness improvement of a nonlinear H∞ controller for robot
manipulators via saturation functions », Journal of Robotic Systems. 22(8):421-437, 2005.

Ouaarab, A., B. Ahiod, et X.S. Yang, « Discrete cuckoo search algorithm for the travelling salesman problem »,
Neural Computing and Applications. 24(7-8):1659-1669, 2014.

Özaslan, T., G. Loianno, J. Keller, C.J. Taylor, V. Kumar, J.M. Wozencraft, et T. Hood, « Autonomous navigation
and mapping for inspection of penstocks and tunnels with UAVs », IEEE Robotics and Automation Letters. 2(3):1740-
1747, 2017.

Packard, A., « Gain scheduling via linear fractional transformations », Systems & Control Letters. 22(2): 79-92, 1994.

Pasqualetti, F., A. Franchi, et F. Bullo, « On cooperative patrolling: optimal trajectories, complexity analysis, and
approximation algorithms », IEEE Transactions on Robotics. 28(3): 592-606, 2012.

Perez, D., I. Maza, F. Caballero, D. Scarlatti, E. Casado, et A. Ollero, « A ground control station for a multi-UAV
surveillance system », Journal of Intelligent & Robotic Systems, 69(1-4): 119-130, 2012.

Pfifer, H., et P. Seiler, « Robustness analysis of linear parameter varying systems using integral quadratic
constraints », International Journal of Robust and Nonlinear Control. 25(15): 2843-2864, 2015.

Postlethwaite, I., et A. Bartoszewicz, « Application of nonlinear H∞ control to the tetrabot robot manipulator »,
Proceedings of the Institution of Mechanical Engineers, Part I: Journal of Systems and Control Engineering. 212(6):
459-465, 1998.

Pounds, P., R. Mahony, et P. Corke, « Modelling and control of a quad-rotor robot », Proceedings Australian
Conference on Robotics and Automation. Auckland, Novelle-Zélande, 2006.

Poussout-Vassal, C., C. SPelta, O. Sename, S.M. Savaresi, et L. Dugard, « Survey and performance evaluation on
some automotive semi-active suspension control methods – a comparative study on a single-corner model », Annual
Reviews in Control. 36(1): 148-160, 2012.

Powers, C., D. Mellinger, A. Kushleyev, B. Kothmann, et V. Kumar, « Influence of aerodynamics and proximity
effects in quadrotor flight », Proceedings International Symposium on Experimental Robotics. 289-302, Québec,
Canada, 2012.

Prattichizzo, D., M. Malvezzi, M. Gabiccini, et A. Bicchi, « On the manipulability ellipsoids of underactuated robotic
hands with compliance », Robotics and Autonomous Systems. 60: 337-346, 2012.

Prempain, E., et I. Postlethwaite, « Static H∞ loop shaping control of a fly-by-wire helicopter », Automatica. 41(9):
1517-1528, 2005.

Price, K., R.M. Storn, et J.A. Lampinen, Differential Evolution: A Survey of the State-of-the-Art. Springer-Verlag.
Berlin, Allemagne, 2005.

Raffo, G.V., M.G. Ortega, et F.R. Rubio, « MPC with nonlinear H∞ control for path tracking of a quad-rotor
helicopter », IFAC Proceedings Volumes. 41(2): 8564-8569, 2008.

Raffo, G.V., M.G. Ortega, et F.R. Rubio, « Path tracking of a UAV via an underactuated H∞ control strategy »,
European Journal of Control. 17(2):194-213, 2011.

Raffo, G.V., M.G. Ortega, et F.R. Rubio, « Robust nonlinear control for path tracking of a quad-rotor helicopter »,
Asian Journal of Control. 17(1):142-156, 2015.

Ranjitham, G., et K.R. Shankar-Kumar, « Large scale multiple-input multiple-output (LS-MIMO) detection using
genetic cat swarm optimization », International Journal of Advanced Engineering Technology. 7(2): 536-541, 2016.

162
 Bibliographie

Reyes-Valeria, E., R. Enriquez-Caldera, S. Camacho-Lara, et J. Guichard, « LQR control for a quadrotor using unit
quaternions: modeling and simulation », Proceedings International Conference on Electronics, Communications and
Computing. 172-178, Cholula, Mexique, 2013.

Reyhanoglu, M., A.J. van der Schaft, N. McClamroch, et I. Kolmanovsky, « Dynamics and control of a class of
underactuated mechanical systems », IEEE Transactions on Automatic Control. 44(9): 1663-1671, 1999.

Rhimian, M.A., et M.S. Tavazoei, « Improving integral square error performance with implementable fractional-order
PI controllers », Optimal Control Applications and Methods. 35(3):303-323, 2014.

Ritz, R., M. Hehn, S. Lupashin, et R. D’Andrea, « Quadrocopter performance benchmarking using optimal control »,
Proceedings IEEE/RSJ International Conference on Intelligent Robots and Systems. 5179-5186, San Francisco, CA,
USA, 2011.

Robert, D., O. Sename, et D. Simon, « Synthesis of a sampling period dependent controller using LPV approach »,
IFAC Proceedings Volumes. 39(9): 226-231, 2006.

Rodrigues, M., M. Sahnoun, D. Theilliol, et J.C. Ponsart, « Sensor fault detection and isolation filter for polytopic
LPV systems: A winding machine application », Journal of Process Control. 23(6): 805-816, 2013.

Rout, B., B.B. Pati, et S. Panda, « Modified SCA algorithm for SSSC damping controller design in power system »,
ECTI Transactions on Electrical Engineering, Electronics and Communications. 16(1):46-63, 2018.

Rudra, S., R.K. Barai, et M. Maitra, « Block Backstepping Control of the Underactuated Mechanical Systems »,
Block Backstepping Design of Nonlinear State Feedback Control Law for Underactuated Mechanical Systems, S.
Rudra, R.K. Barai, et M. Maitra (eds.), 31-52. Springer-Verlag. Singapore, 2017.

Rugh, W.J., et J.S. Shamma, « Research on gain scheduling », Automatica. 36(10): 1401-1425, 2000.

Ryll, M., G. Muscio, F. Pierri, E. Cataldi, G. Antonelli, F. Caccavale, et A. Franchi, « 6D physical interaction with a
fully actuated aerial robot », Proceedings IEEE International Conference on Robotics and Automation. 5190-5195,
Singapore, 2017.

Sage, H., M. de Mathelin, et E. Ostertag, « Robust control of robot manipulators: a survey », International Journal of
Control. 72(16): 1498-1522, 1999.

Scherer, C.W., P. Gahinet, et et M. Chilali, « Multiobjective output-feedback control via LMI optimization », IEEE
Transactions on Automatic Control. 42(7): 896-911, 1997.

Scherer, C.W., « LPV control and full block multipliers », Automatica. 37(3): 361-375, 2001.

Scherer, C.W., et I.E. Köse, « Gain-scheduled control synthesis using dynamic D-scales », IEEE Transactions on
Automatic Control. 57(9): 2219-2234, 2012.

Schoellig, A.P., C. Wiltsche, et R. D’Andrea, « Feed-forward parameter identification for precise periodic
quadrocopter motions », Proceedings IEEE American Control Conference. 4313-4318, Montréal, QC, Canada, 2012a.

Schoellig, A.P., F.L. Mueller, et R. D’Andrea, « Optimization-based iterative learning for precise quadrocopter
trajectory tracking », Autonomous Robots. 33(1-2): 103-127, 2012b.

Schulz, M., F. Augugliaro, R. Ritz, et R. D’Andrea, « High-speed, steady flight with a quadrocopter in a confined
environment using a tether », Proceedings IEEE/RSJ International Conference on Intelligent Robots and Systems.
1279-1284, Hamburg, Allemagne, 2015.

Seiler, P., G. Balas, et A. Packard, « Linear parameter-varying control for the X-53 active aeroelastic wing », Control
of Linear Parameter Varying Systems with Applications, J. Mohammadpour, et C.W. Scherer (eds.), 483-512. Springer.
New York, USA, 2012.

163
 Bibliographie

Sename, O., P. Gáspár, et J. Bokor, Robust Control and Linear Parameter Varying Approaches – Application to
Vehicle Dynamics. Springer. Berlin, Allemagne, 2013.

Seto, D., et J. Baillieul, « Control problem in super-articulated mechanical systems », IEEE Transactions on
Automatic Control. 39(14): 2442-2453, 1994.

Shahemabadi, A.R., S.B.M. Noor, et F.S. Taip, « Analytical formulation of the integral square error for linear stable
feedback control system », Proceedings IEEE International Conference on Control System, Computing and
Engineering. Penang, Malaisie, 29 Novembre 2013.

Shamma, J.S., Analysis and design of gain-scheduled control systems. Thèse de doctorat, MIT, Boston, USA, 1998.

Shamma, J.S., et M. Athans, « Guaranteed properties of gain scheduled control control of linear parameter-varying
plants », Automatica. 27(3): 559-564, 1991.

Shamma, J.S., et M. Athans, « Gain scheduling: potential hazards and possible remedies », IEEE Control Systems
Magazine. 12(3): 101-107, 1992.

Shin, J.Y., « Analysis of linear parameter varying system models based on reachable sets », Proceedings American
Control Conference. 35-40, Anchorage, AK, USA, 2002.

Siqueira, A.A.G., et M.H. Terra, « Nonlinear H∞ control for underactuated manipulators with robustness tests »,
Revista de Controle & Automação. 15(3): 339-350, 2004a.

Siqueira, A.A.G., et M.H. Terra, « Nonlinear and Markovian H∞ controls of underactuated manipulators », IEEE
Transactions on Control Systems Technology. 12(6): 811-826, 2004b.

Siqueira, A.A.G., M.H. Terra, et B.C.O. Maciel, « Nonlinear mixed H2/H∞ control applied to manipulators via
actuation redundancy », Control Engineering Practice. 14(4): 327-335, 2006.

Siqueira, A.A.G., et M.H. Terra, « Mixed model-based/neural network H∞ impedance control of constrained
manipulators », Porceedings International Conference on Control and Autoamtion. 1901-1906, Christchurch, Nouvelle-
Zelande, 2009.

Siqueira, A.A.G., M.H. Terra, et M. Bergerman, Robust Control of Robots. Springer-Verlag. London, UK, 2011.

Sivalingam, R., S. Chinnamuthu, et S.S. Dash, « A hybrid stochastic fractal search and local unimodal sampling
based multistage PDF plus (1+PI) controller for automatic generation control of power systems », Journal of the
Franklin Institute. 354(12):4762-4783, 2017.

Spong, M.W., « Partial feedback linearization of underactuated mechanical systems », Proceedings IEEE/RSJ
International Conference on Intelligent Robots and Systems. 314-321, Munich, Allemagne, 1994.

Spong, M.W., « Underactuated mechanical systems », Control Problem in Robotics and Automation, B. Siciliano, et
K.P. Valavanis (eds.), 135-150. Springer. Berlin Heidelberg, Allemagne, 1998.

Spong, M.W., S. Hutchinson, et M. Vidyasagar, Robot Modeling and Control. John Wiely & Sons. New York, USA,
2006.

Storn, R.M., et K. Price, « Differential evolution: a simple and efficient heuristic for global optimization over
continous spaces », Journal of Global Optimization. 11(4):341-359, 1997.

Suresh, M., et R. Meenakumari, « Software tools for analyzing the integration of various renewable energy systems »,
International Journal of Industrial Engineering. 2(6): 135-140, 2018.

Svacha, J., K. Mohta, et V. Kumar, « Improving quadrotor trajectory tracking by compensating for aerodynamic
effects », Proceedings International Conference on Unmanned Aircraft Systems. 860-866, Miami, FL, USA, 2017.

164
 Bibliographie

Syrmos, V.L., C.T. Abdallah, P. Dorato, et K. Grigoriadis, « Static output feedback –a servey », Automatica. 33(2):
125-137, 1997.

Szabó, Z., P. Gáspár, et J. Bokor, « Design of integrated vehicle chassis control based on LPV methods », Control of
Linear Parameter Varying Systems with Applications, J. Mohammadpour, et C.W. Scherer (eds.), 513-534. Springer.
New York, USA, 2012.

Takase, N., J. Botzheim, et N. Kubota, « Robot edutainment on walking motion of multi-legged robot », Proceedings
International Conference on Robot, Vision and Signal Processing. 229-233, Kitakyushu, Japon, 2013.

Tamilchelvan, P., et M. Arounassalame, « Robust control design for wind energy conversion system using Genetic
Algorithm (GA) tuned fractional order controller », Proceedings International Conference on Circuit, Power and
Computing Technologies. Nagercoil, Inde, 2016.

Tognon, M., A. Testa, E. Rossi, et A. Franchi, « Takeoff and landing on slopes via Inclined hovering with a tethered
aerial robot », Proceedings IEEE/RSJ International Conference on Intelligent Robots and Systems. 1702-1707, Daejeon,
Korea, 2016.

Tóth, R., Modeling and identification of linear parameter-varying systems an orthonormal basis function approach.
Thèse de doctorat, Technische Universiteit Delft, Pays-bas, 2008.

Tóth, R., Modeling and Identification of Linear Parameter-Varying Systems. Springer. Berlin Heidelberg, Allemagne,
2010.

Toussaint, G., T. Bașar, et F. Bullo, « H∞-optimal control techniques for nonlinear underactuated systems »,
Proceedings IEEE Confernece on Decision and Control. 2078-2083, Sydney, Australie, 2000.

Valdez, F., J.C. Vazquez, et F. Gaxiola, « Fuzzy dynamic parameter adaptation in ACO and PSO for designing fuzzy
controllers: the cases of water level and temperature control », Advances in Fuzzy Systems. 2018.

Van der Schaft, A.J., « L2-gain analysis of nonlinear systems and nonlinear stat feedback control », IEEE
Transactions on Automatic Control. 37(6): 770-784, 1992.

Van der Schaft, A.J., L2 Gain and Passivity Techniques in Nonlinear Control. Springer-Verlag. New York, USA,
2000.

Venkataraman, S.T., et S. Gulati, « Control of nonlinear systems using terminal sliding modes », Proceedings
American Control Conference. 891-893, Chicago, IL, USA, 1992.

Vu, V.T., O. Sename, L. Dugard, et P. Gaspar, « Multi objective H∞ active-roll bar control for heavy vehicles », IFAC
PapersOnLine. 50(1): 13802-13807, 2017.

Wang, B., K.A. Ghamry, et Y. Zhang, « Trajectory tracking and attitude control of an unmanned quadrotor helicopter
considering actuator dynamics », Proceedings Chinese Control Conference. 10798-10800, Chengdu, Chine, 2016.

Wei, X., et L. del Re, « Gain scheduled H∞ control for air path systems of diesel engines using LPV techniques »,
IEEE Transactions on Control Systems Technologies. 15(3): 406-415, 2007.

Weston, P.F., et I. Postlethwaite, « Linear conditioning for systems containing suturing actuators », Automatica.
36(9): 1347-1354, 2000.

Wichlund, K.Y., O.J. Sordalen, et O. Egeland, « Control properties of underactuated vehicles », Proceedings IEEE
International Conference on Robotics and Automation. 2009-2014, Nagoya, Japon, 1995.

White, B.A., L. Bruyere, et A. Tsourdos, « Missile autopilot design using quasi-LPV polynomial eigenstructure
assignment », IEEE Transactions on Aerospace Electronic System. 43(4): 1470-1483, 2007.

Wright, A., Genetic Algorithms for Real Parameter Optimization. Morgan Kaufmann. San Mateo, USA, 1991.

165
 Bibliographie

Yang, C.D., et H.Y. Chen, « Three-dimensional nonlinear H∞ guidance law », International Journal of Robust and
Nonlinear Control. 11(2): 109-129, 2001.

Yang, X.S., et S. Deb, « Cuckoo search via Lèvy flights », World Congress on Nature and Biologically Inspired
Computing. Coimbatore, Inde, 09 Décembre 2009.

Yang, X.S., et S. Deb, « Multiobjective cuckoo search for design optimization », Computers and Operations
Research. 40(6):1616-1624, 2013.

Yang, X.S., Nature-Inspired Optimization Algorithms. Elsevier. Londres, UK, 2014.

Yazgan, H.R., F. Yener, S. Soysal, et A.E. Gür, « Comparison performances of PSO and GA to tuning PID controller
for the DC motor », Sakarya University Journal of Science. 23(2): 162-174, 2019.

Yu, X., et Z. Man, « Fast terminal sliding-mode control design for nonlinear dynamical systems », IEEE Transactions
on Circuits and Systems I: Fundemental Theory and Applications. 49(2): 261-264, 2002.

Yu, Y., S. Yang, M. Wang, C. Li, et Z. Li, « High performance full attitude control of a quadrotor on SO(3) »,
Proceedings IEEE International Conference on Robotics and Automation. 1698-1703, Seattle, WA, USA, 2015.

Yuebang, H., P. Hailong, et Z. Hongbo, « Structured H∞ controller design for unmanned helicopters using H∞
extended static output feedback control », Proceedings Chinese Control Conference. Hefei, Chine, 2012.

Yüksel, B., G. Buondonno, et A. Franchi, « Differential flatness and control of protocentric aerial manipulators with
any number of arms and mixed rigid/elastic-joints », Proceedings IEEE/RSJ International Conference on Intelligent
Robots and Systems. 561-566, Daejeon, Korea, 2016.

Zames, G., « On the input-output stability of time-varying nonlinear feedback systems Part one: Conditions derived
using concepts of loop gain, conicity, and positivity », IEEE Transactions on Automatic Control. 11(2): 228-238, 1966.

Zinober, A.S.I., Deterministic Control of Uncertain Systems. Peter Peregrinus Press. London, UK, 1990.

Zhang, Q., M. Yuan, et R. Song, « Robot trajectory planning method based on genetic chaos optimization
algorithm », Proceedings International Conference on Advanced Robotics. 602-607, Hong Kong, Chine, 2017.

Zhou, K., et J.C. Doyle, Essentials of Robust Control. Parentice Hall. New Jersey, USA, 1998.

Zhou, S., M.K. Helwa, et A.P. Schoellig, « Design of deep neural networks as add-on blocks for improving
impromptu trjajectory tracking », https://arxiv.org/abs/1705.10932.

166