Navigation multimode d’un drone avec fonctionnalités dégradées dues à des défaillances de capteurs ou actionneurs

Multimode navigation for degraded fixed wing unmanned aerial vehicle operation under sensor and actuator faults

• Auteur / Autrice : Enzo Iglésis
• Direction : Hélène Piet-Lahanier, James Brusey, Karim Dahia, Nadjim Horri
• Type : Thèse de doctorat
• Discipline(s) : Automatique
• Date : Soutenance le 21/12/2021
• Etablissement(s) : université Paris-Saclay en cotutelle avec Coventry University
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Office national d'études et recherches aérospatiales (France). Département Traitement de l’Information et Systèmes (2017-....) - Centre for computational science and mathematical modelling. Coventry, GB
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Sciences de l’ingénierie et des systèmes (2020-….)
• Jury : Président / Présidente : Jean-Yves Tourneret
• Jury : Examinateurs / Examinatrices : Lyudmila Mihaylova, Kamal Medjaher, Dalil Ichalal, Tarek Raissi
• Jury : Rapporteurs / Rapporteuses : Lyudmila Mihaylova, Kamal Medjaher

Mots clés

Mots clés contrôlés

Filtres (mathématiques)

Navigation (aéronautique)

Drones

Mots clés libres

Navigation

Estimation

Fautes

Filtres particulaires

Navigation

Estimation

Faults

Particle Filters

UAVs

Résumé

Les défaillances d'actionneurs ou de capteurs survenant sur un drone peuvent compromettre l'intégrité de la mission. La mise en œuvre de méthodes de diagnostic de fautes est alors nécessaire. Dans cette thèse, l'accent est mis sur l'estimation de fautes dues à des défaillances simultanées de capteurs et/ou d'actionneurs pour un drone à voilure fixe. Pour faire face à certains scénarios complexes de fautes, tels que les fautes simultanées qui induisent une ambiguïté sur les mesures qui se manifeste par la multimodalité de la densité conditionnelle, un filtre particulaire régularisé de type jump-Markov (JMRPF) et des variantes de celui-ci sont présentées dans cette thèse.Cette méthode est basée sur un filtre particulaire régularisé (RPF) qui approche la densité conditionnelle par une mixture de noyaux et sur un système de Markov à sauts. La stratégie de saut utilise un petit nombre de particules - appelées ici particules sentinelles - qui permet de tester en continu l'hypothèse alternative en mode nominal et en mode défaillant.Les résultats numériques sont obtenus en utilisant un modèle dynamique linéaire puis non linéaire de la dynamique longitudinale d’un drone à voilure fixe. Les performances du JMRPF sont comparées aux performances des filtres de Kalman à modèles multiples interactifs (IMM-KF) et du RPF. Les performances du JMRPF montrent une nette amélioration de terme de précision de l’estimation des fautes capteurs et actionneurs et des paramètres cinématiques et en termes de robustesse et de vitesse de convergence par rapport aux autres filtres. L'amélioration des performances par rapport aux autres filtres est plus marquée lorsque l'amplitude des fautes augmente au cours du temps.Une version améliorée du JMPRF, appelée filtre particulaire régularisé robuste à sauts est également présentée et permet d'estimer rapidement et précisément les fautes sans connaissance a priori de la dynamique des fautes. Enfin, une nouvelle approche pour calculer une matrice de probabilité de transition adaptative est présentée en calculant les probabilités de fausse alarme et de non-détection à l'aide de l’approximation du point-selle.Les algorithmes de navigation proposés permettent à un drone d'atteindre son objectif de suivi de trajectoire de manière autonome, avec une sécurité et une précision accrues.

Actuator or sensor faults occurring in an unmanned aerial vehicle can compromise the system integrity. Fault diagnosis methods are therefore becoming a required feature for those systems. In this thesis, the focus is on fault estimation for fixed-wing unmanned aerial vehicles in the presence of simultaneous actuator and sensor faults. To deal with the challenging nature of some fault scenarios, such as simultaneous and ambiguous faults that induce multimodality, a jump-Markov regularized particle filter and enhanced versions of it are presented in this thesis.This method is based on a regularized particle filter that improves the robustness thanks to the approximation of the posterior density by a kernel mixture, and on a jump-Markov system. The jump strategy uses a small number of particles — called sentinel particles — to continue testing the alternate hypothesis under both fault free and faulty modes.The numerical results are obtained using linear then non-linear longitudinal dynamics of fixed wing unmanned aerial vehicle. It is compared to interacting multiple model Kalman filters and regularized particle filters and shown to outperform them in terms of accuracy, robustness and convergence time in the scenarios considered. The state estimation is also more accurate and robust to faults using the proposed approach. Performance enhancement compared to other filters is more pronounced when fault amplitudes increase.An enhanced version of this method named the robustified jump-Markov regularized particle filter is also presented and allows one to accurately and rapidly estimate faults with no prior knowledge of the fault dynamics. Finally, a new approach to compute an adaptive transition probability matrix is introduced by computing the false alarm and missed detection probabilities using a saddlepoint approximation.The proposed navigation algorithms allow unmanned aerial vehicles to meet their path following objectives autonomously, with increased safety and accuracy.