Apprentissage d'une loi de commande optimale d'un petit quadrotor pour le vol dans des tuyaux cylindriques

Learning of an optimal control law for a small quadrotor flying in a cylindric pipe

• Auteur / Autrice : Vladislav Tempez
• Direction : Jean-Baptiste Mouret, Franck Ruffier
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 27/06/2022
• Etablissement(s) : Université de Lorraine
• Ecole(s) doctorale(s) : École doctorale IAEM Lorraine - Informatique, Automatique, Électronique - Électrotechnique, Mathématiques de Lorraine (1992-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire lorrain de recherche en informatique et ses applications
• Jury : Président / Présidente : Thibaut Raharijaona
• Jury : Examinateurs / Examinatrices : Jean-Baptiste Mouret, Franck Ruffier, Pascal Morin, Emmanuel Rachelson, Madiha Nadri
• Jury : Rapporteur / Rapporteuse : Pascal Morin, Emmanuel Rachelson

Mots clés

Mots clés contrôlés

Apprentissage automatique

Turbulence

Systèmes de commande (vol)

Drones

Robotique

Mots clés libres

Robotique

Drone

Quadrotor

Apprentissage

Turbulence

MPC

Robotics

UAV

Quadrotor

Learning

Turbulence

MPC

Résumé

Cette thèse traite du vol de petits quadrotors (en particulier du modèle Crazyflie, ~ 10cm, 30g) dans des environnements confinés comme les tuyaux. Trois problématiques sont principalement abordées dans cette thèse : la présence et la nature de perturbations dues à l'interaction entre les flux d'air déplacés par les rotors et les parois de l'environnement, la conception d'un contrôleur pour le vol dans un tel environnement malgré les perturbations et l'adaptation de ce contrôleur aux contraintes de fonctionnement à bord d'un petit quadrotor comme le Crazyflie. Les perturbations aérodynamiques sont mesurées en régime statique et nous présentons une cartographie de celles-ci en un ensemble de points donné de l'environnement. Ces mesures sont utilisées pour dériver un modèle capable de réaliser des prédictions de ces perturbations en tout point de l'environnement. Le contrôleur proposé pour voler dans un tel environnement est un contrôleur MPC basé sur la résolution de problèmes de contrôle optimal intégrant le modèle des perturbations, permettant ainsi à la fois la planification de la navigation en tenant compte des perturbations à venir et le rejet de celles qui seraient hors modèle. La résolution de ces problèmes de contrôle optimal étant trop coûteuse en calcul pour être réalisée en temps réel à bord d'un petit quadrotor comme le Crazyflie, cette thèse aborde ensuite l'apprentissage par imitation du contrôleur MPC par un réseau de neurones qui permet d'obtenir une approximation de ce contrôleur dont le coût en calcul est compatible avec l'utilisation à bord d'un Crazyflie.

This work deals with the flight of small quadrotors (essentially the Crazyflie, ~10cm, 30g) for indoor environment such as pipes. Three main questions are dealt with in the thesis : the existence and nature of aerodynamic perturbations caused by the interaction of rotors' air flow with the environement, the design of a flight controller fit for environments like pipes and the adaptation of this controller to be embedded onboard a Crazyflie controller. The static componenent of aerodynamic perturbations is measured and we detail a map of these for a given set of locations in the environement. Theses measures are then used to build a model that is able to predict these perturbations at any point of the environement. We propose a MPC flight controller based on the resolution of the optimal control problem, taking the perturbation model into account. This controller is able to plan trajectories considering the perturbations and to reject these perturbations. Solving the optimal control problem being too computationally expensive to be done in real time onboard the Crazyflie, we propose to learn a neural network approximating the MPC flight controller in a supervised way, by imitation. This neural network approximation is able to be executed in real time onboard a Crazyflie.