Support à la conception intégrée de manipulateurs aériens

Les manipulateurs aériens (UAM - Unmanned aerial manipulator) sont des systèmes robotiques aériens combinant l'agilité de leur base, sous forme de multicoptère, à la capacité de manipulation du ou des bras robotiques montés. Ils peuvent être utilisés dans des contextes où leur manoeuvrabilité, leur petite taille et leur autonomie en font des alliés intéressants, comme dans des missions de récupération à la suite de catastrophes ou encore dans des entrepôts automatisés. Les tâches pouvant être accomplies par les UAM sont variées, pouvant aller de la simple préhension d'objets pour leur transport, au perchage ou à la fermeture de valves. Afin d'accomplir ces tâches, les UAM doivent être équipés de nombreux sous-systèmes interagissant entre eux. La polyvalence de l'UAM complexifie le processus de conception, car il doit tenir compte de la ou des tâches pour lesquelles il sera utilisé. Cette thèse propose le développement de méthodes de support à la conception pour la commande et la planification de missions. Dans le cadre de la conception d'un UAM, ou de tout produit mécatronique, le système doit être considéré dans son ensemble afin d'obtenir un design optimal. Cependant, la complexité de conception associée aux nombreux sous-systèmes nécessaires peut forcer les concepteurs à se concentrer sur la conception détaillée de ceux plus critiques. Il est alors possible de supporter la conception en utilisant des méthodes facilitant l'intégration. Puisque les requis de conceptions pour les sous-systèmes varient en fonction de la tâche pour laquelle ils sont conçus, ces méthodes sont développées spécifiquement pour une tâche. Dans le cas présent, les tâches de saisies d'objets statiques sont étudiées. Tout d'abord, les tâches pouvant être accomplies ont été colligées en une taxonomie permettant de les catégoriser selon le type de contact nécessaire, la description de la tâche, les conditions environnantes ainsi que la présence de contraintes temporelles. La catégorisation a été obtenue suite à une revue de littérature du domaine ainsi qu'une méthodologie d'acquisition d'information par vidéo. Au même titre que les taxonomies de type de saisie avec une main, cette taxonomie permet de supporter la conception d'un UAM en simplifiant la description des tâches et en facilitant ainsi la définition du problème de conception. Elle permet aussi de baser la description d'une mission complexe en plusieurs tâches simples. Par la suite, une méthode de support à la conception de lois de commande pour UAM est développée sur la base de la synthèse Hx structurée. Le correcteur est conçu à partir de la modélisation dynamique linéarisée de l'UAM. Cette dernière est complexe au fait des interactions hautement couplées entre le multicoptère et le bras robotique. Les équations dynamiques générales d'un UAM sont dérivées à partir de la dynamique d'un multicoptère combinée à celle du bras robotique, obtenue par la méthode de Newton-Euler récursive. La structure de correction choisie possède des gains séquencés en fonction des angles des articulations du bras robotique. Le correcteur obtenu par la synthèse Hx structurée permet de stabiliser le quadricoptère en plus de répondre au cahier des charges défini pour toutes les positions du bras robotique, soit un amortissement supérieur à 0.4 pour les pôles du système et une erreur en régime permanent inférieure à 0.1% pour les signaux contrôlés. Le correcteur développé est aussi robuste à une variation des valeurs de paramètres physiques de 10% par rapport à ceux utilisés lors de l'obtention des gains. Pour terminer, le second sous-système étudié est une méthode pour la sélection optimale d'un UAM dans une flotte en fonction de la tâche de saisie à accomplir. La sélection est effectuée à partir d'un classificateur obtenu par apprentissage profond. Le classificateur permet de choisir l'unité la plus apte à accomplir la tâche parmi ceux disponibles dans la flotte, en prenant en entrée une description de l'environnement local, ainsi qu'une description de la tâche. L'environnement est représenté sous la forme d'un nuage de points, tandis que la tâche est définie par l'orientation de la saisie, sous la forme d'un quaternion. La position de la tâche est considérée comme l'origine du nuage de points. Afin d'entraîner le classificateur, une base de données de 20000 éléments est obtenue en combinant aléatoirement des bases de données existantes pour générer des scènes et des tâches. Les étiquettes associées à chacun des éléments sont obtenues par une méthode à base de planification de trajectoire pour sélectionner l'UAM le plus efficace à accomplir la tâche. Le classificateur est entraîné avec la base de données créée et obtient une précision de classification de 70%. Une expérience avec des scènes réelles permet de confirmer une précision similaire et donc que l'entraînement avec des données simulées peut être utilisé avec des scènes et des tâches réelles. La méthode de sélection par classificateur est alors 100 fois plus rapide que celle à base de planification de trajectoire.