Contribution à la modélisation, à la commande et à l'observation de systèmes à entrées inconnues dans le cadre des systèmes volants autonomes
Thibault Cheviron
- Year
- 2008
- Citations
- 2
Abstract
Realiser les memes missions mais en retirant les commandes a l'homme, voici le defit de la robotique aerienne d'aujourd'hui. Les technologies actuelles permettent depuis peu de construire des drones de petite ou grande taille de type avion, helicoptere ou novateur. Veritables concentres d'electronique, ces appareils doivent etre controles par des lois de commande de plus en plus sophistiquees s'appuyant sur de nombreux capteurs de navigation pour repondre aux besoins de la mission (surveillance de foret, d'axe routier, de zones a risque, prises d'informations dans des milieux inaccessibles a l'homme, etc). Aujourd'hui, les principales limitations rencontrees sont d'une part la complexite du probleme de navigation necessitant la perception d'un environnement souvent contraint (peu de disponibilite du GPS en milieu urbain) et evolutif, d'autre part la difficulte de maitriser l'appareil en presence de turbulences atmospheriques (notamment en mileu urbain). Ce dernier point, commun a toutes les architectures de drones, a motive le sujet de cette these dont la contribution porte principalement sur la synthese de lois de commande robustes et l'analyse de leur stabilite. Les travaux presentes ici sont principalement bases sur une modelisation generique des robots aeriens servant alors de reference pour l'elaboration de lois de commande et d'observateurs non lineaires pour systeme a entrees inconnues. Ces derniers permettent de reconstruire en ligne les perturbations agissant sur le drone par rapport a la modelisation nominale. Ces perturbations estimees sont ensuite injectees dans la loi de commande afin d'ameliorer les performances de precision et de robustesse du drone en boucle fermee.
Keywords
Related papers
Artificial intelligence: a modern approach
1995
Are we ready for autonomous driving? The KITTI vision benchmark suite
Andreas Geiger, P Lenz, R. Urtasun
2012
TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems
Martı́n Abadi, Ashish Agarwal, Paul Barham +17 more
2016
Vision meets robotics: The KITTI dataset
Andreas Geiger, Philip Lenz, Christoph Stiller +1 more
2013