| Titre : | Identification et commande de robot manipulateur rigide et flexible enutilisant les réseaux de neurones et la logique floue |
| Auteurs : | Tahar Guesbaya, Auteur ; Ammar Moussi, Directeur de thèse |
| Type de document : | Monographie imprimée |
| Editeur : | Biskra [Algerie] : Université Mohamed Kheider, 2012 |
| Format : | 160p / 30 cm |
| Accompagnement : | CD |
| Langues: | Français |
| Mots-clés: | Robot manipulateur - Robot mobil - non holonome - PID,couple calculé - Logique floue - Réseaux de neurones - Planification de trajectoire - Evitement d’obstacle - Méthode des contraintes -Comportements flou. |
| Résumé : |
Cette thèse consiste en l’étude de l’utilisation des réseaux de neurones et de la logique floue en robotique. Pour cela les thèmes, robot manipulateur, réseaux de neurones, robotique mobile et logique floue sont exposés.
La présentation du robot manipulateur inclus sa modélisation géométrique, cinématique et dynamique. La simulation de la commande de robot manipulateur, par des méthodes classiques telles que PID, couple-calculé, montre leurs incapacités à cause de leurs caractères locaux. Ce qui nécessitera de trouver d’autres techniques de contrôle et de génération de trajectoires plus adaptées aux exigences : grandes vitesses, fortes précisions et modèles à paramètres variants. Comme les réseaux de neurones peuvent êtres une alternative au commandes classiques, on a étudié plusieurs types. On a exposé leurs domaines d’applications, et les méthodes d’apprentissage adéquates. Un ensemble de schémas de commandes par réseaux de neurones tel que contrôle par modèle inverse sont discutés. Certains schémas sont dédiés au contrôle de bras manipulateurs. Un intérêt est donné à la catégorie robot mobile. Les architectures et modèles cinématiques sont présentés. Une méthode réactive locale pour la génération de trajectoire avec évitement d’obstacle est simulée et donne de bons résultats lorsque on lui associé des solutions heuristiques en cas de minima locaux. Le contrôle flou comme une deuxième alternative est mieux adaptée en robotique mobile, sur tout le contrôle par comportements flous cascadés. La stratégie, tiendra compte du critère multicomportements des tâches robotiques, donc considère la concurrence et l’antagonisme. Les résultats de simulation prouvent clairement l’intérêt de se genre de contrôleurs. The studies in this thesis are about the use of neural networks and fuzzy logic in robotics. The themes exposed are robot manipulator, neural networks, mobile robotics and fuzzy logic. The presentation of robot manipulator includes the cinematic, the geometric and the dynamic modulation. The control of robot manipulator by classical methods (PID, computed torque) is not efficient when fast speeds and several precisions are needed. Searching new methods to get round the defaults of the classical ones is necessary. When looking for the neural networks like alternative to robot control, we have studied some kinds of them. We have exposed their application domains, the adequate learning methods. We have discussed some neural control schemes like control by rivers model. Some schemes are dedicated to robot manipulator. Some interest is given to the mobile robot by presenting the architectures and cinematic model. Constrained method, like reactive local method for generating trajectory with avoidance of obstacles, is simulated and gives good results. The local minima causes blocking situation for the mobile robot, but it’s surpassed using heuristic rules. The Fuzzy control as second alternative is better for the mobile robot and principally the cascade behavior fuzzy controllers. The fusion and the grinding of behaviors decision take in consideration the concurrence and the antagonism between them. The results of simulation are interesting that justified the use of this kind of controllers. |
| Sommaire : |
Introduction générale.1
CHAPITRE 1 : Robot Manipulateur 1.1 Introduction .6 1.2 Anatomie d’un robot….6 1.3 Capteurs en robotique.6 1.4 Degrés de liberté d’un solide indéformable….6 1.5 Les transformations homogènes .7 1.6 Modélisation géométrique d’un bras manipulateur.7 1.7 Modélisation cinématique d’un bras manipulateur….10 1.8 Modèle dynamique d’un bras manipulateur….10 1.9 Association de moteurs à courants continus…11 1.10 Commande classique.13 1.10.1 Résultats de simulation de la commande classique d’un bras manipulateur...14 1.10.1.1 Bras a deux DDL .14 1.10.1.2 Bras a trois DDL .19 1.11 La commande dynamique d’un bras manipulateur…21 1.11.1 Introduction .21 1.11.2 Commande par découplage non linéaire .22 1.11.3 Résultats de simulation de la commande dynamique (couple calculé)22 1.12 Conclusion Bibliographie .26 CHAPITRE 2 : Structure des Réseaux de Neurones 2.1 Introduction .28 2.2 Le neurone définition et propriétés .29 2.3 Les réseaux de neurones 30 2.4 Réseaux statiques et réseaux dynamiques.31 2.5 L’apprentissage des réseaux de neurones.31 2.5.1 Apprentissage supervisé …31 2.5.2 Apprentissage non supervisé (auto-organisationnel) …31 2.5.3 Apprentissage hybride …32 2.5.4 Apprentissage par renforcement …32 2.5.5 Apprentissage compétitif 32 2.6 Règles d’apprentissages……32 2.6.1 Règle basée sur correction de l’erreur…32 2.6.2 Règle de Hebb……33 2.6.3 Règle d’apprentissage compétitif .34 2.6.4 Règle de Boltzmann…34 2.7 Les différents modèles de réseaux de neurones, leurs règles d’apprentissages et Leurs applications…35 2.7.1 Le Perceptron .35 2.7.2 L’Adaline…36 2.7.3 Le Perceptron multicouches …37 2.7.3.1 Des considérations pour la méthode de rétropropagation……39 A-Eviter le surapprentissage ……39 A-1 Arrêt prématuré(Early stoping).39 A-2 Validation croisée(cross-validation) .39 A-3 Régularisation par modération des poids(Weight decay) …39 B- Améliorer la vitesse de convergence .39 C- Améliorer la descente du gradient .39 D- Une autre procédure d’optimisation….40 2.7.3.2 Les applications du PMC…40 2.7.4 les réseaux RBF…40 2.7.5 Réseau de Hopfield……41 2.7.6 Réseau de Kohonen . 43 2.7.7 Autres Réseaux de neurone…44 2.7.7.1 Réseau LVQ(learning vector quatisation)…45 2.7.7.2 Réseau GNG(Growing Neural Gas)…45 2.7.7.3 Réseau de Jordan……45 2.7.7.4 Réseau d’Elman…46 2.7.7.5 Réseau ARTs……46 2.8 Conclusion……47 Bibliographie.47 CHAPITRE 3 : Les Réseaux de Neurones pour le Contrôle 3.1 Introduction .48 3.2 Méthodes de contrôles basées sur les réseaux de neurones…48 3.2.1 Reproduction d’un contrôleur existant. 48 3.2.2 Amélioration d’un système de commande linéaire.49 3.3 Control neuronal basé sur le modèle du processus.50 3.3.1 Contrôle neuronal direct par le modèle inverse du système en boucle ouverte.51 3.3.2 Contrôle neuronal par modèle interne.51 3.3.3 Contrôle neuronal indirect par modèle inverse (en boucle ouverte).52 3.3.4 Contrôle neuronal à apprentissage par l’erreur de contre réaction. 52 3.3.5 Contrôle neuronal par la technique de compensation de l’entrée de référence…53 3.4 Conclusion. 54 Bibliographie…54 CHAPITRE 4 : Les Réseaux de Neurones pour le Contrôle de Robot manipulateurs 4.1 Introduction……55 4.2 Contrôle neuronal basé sur le modèle du robot….55 4.2.1 Contrôle neuronal auxiliaire .55 4.2.1.1 Schémas de control neuronal direct et à contre-réaction .55 4.2.1.2 Conception du Réseaux de neurone de compensation….57 4.2.2 Contrôle Neuronal par Modèle inverse.57 4.2.2.1 Approche jacobien .57 4.2.2.2 Conception du réseau de neurone de compensation…60 4.3 Contrôle neuronal non basé sur le modèle du robot…61 4.3.1 Introduction 4.3.2 Contrôleur PD pour robot manipulateur…61 4.3.3 Contrôle neuronal avec apprentissage par contre réaction…62 4.3.3.1 Conception du réseau de neurone…63 4.4 Conclusion.64 Bibliographie.64 CHAPITRE 5 : Robotique Mobile 5.1 Introduction….65 5.2 Les classes de robots mobiles….65 5.2.1 Robots mobiles à roues 65 5.2.2 Robots mobiles à chenilles .66 5.2.3 Robots mobiles à pattes.66 5.3 Quelques exemples de robots mobiles….66 5.3.1 Robot SHAKEY .66 5.3.2 Robot AGROS .67 5.3.3 Robot HELARE .67 5.3.4 Robot JASON…….67 5.3.5 Robot Pionner .67 5.4 Architectures de planifications de trajectoires .68 5.4.1 Introduction….68 5.4.2 Planification Globale.68 5.4.3 Planification locale (réactive) …69 5.4.3.1 Architecture de Brooks.69 5.4.4 Les approches hybrides .70 5.4.4.1 Approche à composante globale dominante….70 5.4.4.1.1 Architecture de Payton …70 5.4.4.1.2 Architecture TCA de Simmons .71 5.4.4.2 Architecture à forte composante réactive….72 5.4.4.2.1 Architecture AuRA d’Arkin……72 5.4.5 Architecture à 3 niveaux.73 5.4.5.1 Architecture 3T .73 5.4.5.2 Architecture LAAS .73 5.5 Etat de l’art des méthodes réactives.74 5.5.1 Types de méthodes réactives….74 5.5.2 Méthode champs de potentiel .74 5.5.3 Méthode de la fenêtre dynamique …75 5.5.4 Méthode de la Bande élastique.75 5.5.5 Méthodes Roadmaps.75 5.5.5.1 Diagramme de Voronoï .75 5.5.5.2 Graphes de visibilité .76 5.6 Modélisation cinématique des robots mobiles à roues……76 5.6.1 Introduction .76 5.6.2 Repérage d’un robot mobile .77 5.6.3 Modélisation du roulement sans glissement …77 5.6.4 Classes de robots mobiles et leurs modèles cinématiques…78 5.6.4.1 Modèle du robot type unicycle .79 5.6.4.1.a Modèle de commande cinématique…80 5.6.4.1.b Modèle des contraintes cinématiques….80 5.6.4.2 Modèle du robot type tricycle .81 5.6.4.2.a Modèle de commande cinématique…82 5.6.4.3 Modèle du robot omnidirectionnel .82 5.7 Conclusion .82 Bibliographie……83 CHAPITRE 6 : Planification de trajectoire pour robot mobile avec évitement d’obstacles en utilisant la méthode des contraintes 6.1 Introduction……84 6.2 Méthode des contraintes …84 6.3 Modèle cinématique de commande du robot différentiel (unicycle)….86 6.4 Modélisation des capteurs.86 6.5 Modélisation des obstacles….87 6.6 Calcule de distance minimale…88 6.7 Loi de contrôle pour parcours libre….88 6.8 Méthode des contraintes …90 6.9 Représentation des contraintes dans le plan des vitesses…. 91 6.10 Evitement d’obstacles….92 6.11 Situation de blocage et règles heuristiques pour le contournement de l’obstacle….94 6.12 Décision de fin de contournement….97 6.13 Le robot en labyrinthe..97 6.14 Situation de perte d’obstacle par les capteurs….98 6.15 Situation de pénétration dans un tunnel….98 6.16 Cas de cible mobile….99 6.17 Conclusion……100 Bibliographie…101 CHAPITRE 7 : La logique floue 7.1 Introduction….102 7.2 Ensembles flous …102 7.3 Les fonctions d’appartenance …102 7.3.1 Fonction d’appartenance trapézoïdale et triangulaire102 7.3.2 Fonction d’appartenance exponentielle….103 7.3.3 Fonction d’appartenance gaussienne….103 7.3.4 Fonction d’appartenance singleton…103 7.4 Variables linguistiques.103 7.5 Sous ensemble flou.104 7.5.1 coupe.104 7.5.2 Support….104 7.5.3 Noyau….104 7.5.4 La hauteur….104 7.5.5 Point de croisement……104 7.6 Opérations sur les ensembles flous….105 7.7 Règles floues en Logique floue….105 7.7.1 Base de règles.105 7.7.2 Base de connaissances….105 7.8 Modèle Flou…….106 7.8.1 Mécanisme d’inférence….106 7.8.2 Agrégation des règles….107 7.8.3 La fuzzification….107 7.8.4 La défuzzification….107 7.8.4.1 Défuzzification par le centre de gravité.108 7.8.4.2 Défuzzification par le maximum….108 7.8.4.3 Défuzzification par la moyenne des maxima.108 7.8.4.4 Défuzzification par le centre de la plus grande surface….108 7.8.4.5 Premier et dernier maximum….109 7.8.4.6 Milieu entre premier et dernier maxima….109 7.9 Le contrôleur flou.109 7.9.1 Le module de fuzzification….110 7.9.2 Le module base de règles….110 7.9.3 Le module défuzzification….111 7.9.4 La commande du système….111 7.9.5 Contrôleur flou comme un PID….111 7.9.5.1 Contrôleur PD flou.112 7.9.5.2 Contrôleur PI flou….113 7.9.5.3 Contrôleur PID flou….114 7.9.6 Stabilité et performances de contrôleurs flous….114 7.9.6.1 Evaluation de la stabilité et la performance par observation de la sortie du système de contrôle….114 7.9.6.2 Indicateurs de performance et de stabilité….115 7.10 Régulateur flou pour la génération de trajectoire d’un robot manipulateur .116 7.10.1 Introduction….116 7.10.2 structure du contrôleur.116 7.10.3 Fonctions d’appartenance des entrées1e,1e,2eet 2e117 7.10.4 Fonctions d’appartenance des commandes 1et 2117 7.10.5 Base des règles 118 7.10.6 Exemples de simulation….118 7.11 Conclusion.127 Bibliographie CHAPITRE 8 : Planificateur de trajectoire basé sur les comportements flous pour robot mobile 8.1 Introduction……129 8.2 Planification d’une trajectoire avec évitement d’obstacles pour un robot mobile basée sur comportements flous…130 8.2.1 Cinématique du robot mobile….130 8.2.2 Architecture du contrôleur à comportements flous…131 8.2.3 Comportements flous .131 8.2.4 Fonctions d’appartenances…132 8.2.4.1 Fonctions d’appartenances des distances…132 8.2.4.2 Fonctions d’appartenances des sorties de la première couche…133 8.2.5 Règles d’inférence de la première couche……133 8.2.6 Fonctions d’appartenances des entrées de la deuxième couche.134 8.2.6.1 Fonction d’appartenance de _ _robotcible.135 8.2.6.2 Fonction d’appartenance de _ _Distrobotcible.135 8.2.6.3 Fonction d’appartenance de Pré.obs….136 8.2.7 Fonctions d’appartenances des sorties de la deuxième couche….136 8.2.7.1 Fonctions d’appartenances de v.136 8.2.7.2 Fonctions d’appartenances de .137 8.2.8 Règles d’inférence de la deuxième couche…137 8.2.9 Défuzzification…141 8.3 Simulation du planificateur de trajectoire avec évitement d’obstacles…141 8.3.1 Planification de trajectoires sans obstacles…141 8.3.2 Planification de trajectoires avec évitement d’obstacles.142 8.4 Conclusion….144 Bibliographie.144 CHAPITRE 9. Planificateur de trajectoire basé sur les réseaux de neurones pour robot mobile 9.1 Introduction 147 9.2 Contexte et méthodologie …147 9.3 Modèle neuronal du modèle cinématique inverse (MNI).148 9.4 Résultat de simulation 149 9.4.1 Atteindre une cible en ligne droite …149 9.4.2 Poursuite d’une cible en mouvement …151 9.5 Conclusion……152 Bibliographie…152 Conclusion générale….154 ANNEXE… |
Disponibilité (1)
| Cote | Support | Localisation | Statut | Emplacement | |
|---|---|---|---|---|---|
| TH/0249 | Thèse de doctorat | BIB.FAC.ST. | Empruntable | Salle de mémoires et de théses |
Les abonnés qui ont emprunté ce document ont également emprunté :
| Réseaux de communication pour systèmes embarqués | Paret, Dominique |
Erreur sur le template
