Les systèmes inertiels

Les systèmes inertiels se divisent en trois catégories à savoir les unités de mesures inertielles (Inertial Measurement Unit, en anglais IMU), les centrales d’attitude (Attitude and Heading

Reference System, en anglais AHRS) et les centrales inertielles (Inertial Navigation System, en anglais INS) (cf. Figure 1.15). Par définition, une IMU est composée principalement de trois accéléromètres et de trois gyromètres permettant de mesurer l’accélération spécifique propre à un véhicule (hors gravitation) ainsi que sa vitesse de rotation. Par intégration de ces six mesures, ces instruments sont théoriquement capables de déterminer la vitesse linéaire, la position et l’orientation d’un mobile relativement à une situation initiale{De Laubier, 2008}{Grewal et al., 2001}. Ainsi, la plupart des applications issues du domaine de la robotique mobile en sont équipées en complément du système de positionnement par satellite.

Une AHRS est donc conçue sur la base d’une IMU augmentée du calcul en temps réel de l’orientation de l’objet qui la supporte. En complément, une INS permet de calculer, en temps réel, à partir des composantes de l’accélération, l’évolution du vecteur vitesse et de la position du véhicule à bord duquel elle est installée{Farrell et Barth, 1998}{Farrell, 2008}. La différence majeure entre les deux équipements est la phase de traitement des données issues des capteurs. En effet, dans le cas de la centrale d’attitude, les capteurs sont identiques à ceux utilisés dans une centrale inertielle mais le traitement des données n’est pas prévu pour le calcul de la posi-tion. En pratique, le fonctionnement théorique de l’IMU est altéré par plusieurs défauts dus aux

AHRS : Attitude and Heading Reference System

INS : Inertial Navigation System IMU : Inertial

Measurement Unit

Figure 1.15 – Différentes catégories de systèmes inertiels

imperfections des capteurs qui affectent les mesures des accélérations et des rotations (bruits, biais, facteurs d’échelle, etc). Ces défauts dont nous avons donné les principales caractéristiques dans la section 1.3, engendrent alors des dérives temporelles au niveau des estimations de la posi-tion, de la vitesse et de l’orientation du véhicule. Il est toutefois possible d’obtenir une meilleure précision de mesure. Une première manière de faire consiste à sélectionner des accéléromètres et des gyromètres dont les erreurs n’excèdent pas quelques µg et quelques centièmes de degré par heure. De plus, les mesures doivent être faites à une cadence de plusieurs centaines de Hertz. Le coût d’un centrale inertielle ayant de bonne performance se chiffrerait en centaines de mil-liers d’euros (cf. Figure 1.12). La seconde solution repose sur l’utilisation d’algorithmes hybrides fusionnant les informations issues des capteurs proprioceptifs avec celles provenant de capteurs extéroceptifs. Un algorithme de fusion permet à partir de mesures données par un système de positionnement par satellite, de déterminer la position, la vitesse et l’orientation d’un véhicule

ainsi que les biais des accéléromètres et des gyromètres. Une telle méthode permet donc à tout moment d’élaborer potentiellement une estimation représentative du vrai état du véhicule.

1.4 Motivations et objectifs des travaux de thèse

1.4.1 Motivations

Bien que l’architecture mise en place par le système Paparazzi soit l’une des plus modulaires et des plus adaptées au développement d’algorithmes embarqués (commande, estimation, etc.), aucune technique de fusion de données élargie, traitant l’ensemble des mesures disponibles à bord, n’existe actuellement. Comme cela a été décrit lors de la section 1.2, seules quelques opérations de fusion de données, limitées bien souvent à un seul axe, peuvent être recensées. Ainsi, face aux multiples défis que la robotique aérienne tente de relever (vols agiles, en zone urbaine, en milieu encombré, avec possible perte de signal GPS, etc.), les fonctionnalités offertes par le pilote automatique Paparazzi sont insuffisantes notamment en termes de reconstruction de l’état du mini-drone nécessaire au développement de lois de commande avancées. D’autant plus, lorsque l’on sait sur quelles technologies reposent la mise au point de tels engins, pour des raisons de coût essentiellement. Ce point, ainsi que le précédent, motivent l’ensemble des travaux qui ont été menés au cours de cette thèse. De toute évidence, l’augmentation des capacités de vol des mini-drones de l’ENAC, destinés à accomplir, in fine, des missions de plus en plus complexes, doit conduire au développement de nouveaux algorithmes performants qui fourniront à ces engins le degré d’autonomie nécessaire. Il en va donc de même des fonctionnalités de fusion de données qui doivent progresser et ce, pour plusieurs raisons :

I du fait de la faible qualité des mesures, la reconstruction de l’état de l’engin doit s’appuyer sur un nombre élargie de données et non plus se limiter à une estimation de celui-ci selon un seul axe ;

I de ce fait, certaines grandeurs utilisées auparavant de manière brute par les lois de com-mande pourront être utilement filtrées et leur cohérence vérifiée au travers de la modéli-sation exploitée pour l’estimation ;

I enfin, la disponibilité d’un algorithme de fusion de données modulaire étendu à un en-semble de mesures facilite une éventuelle exploitation de nouveaux capteurs, à terme, pour la fusion de données. Nous pensons ici aux capteurs basés vision qui ajouteraient de la redondance dans le système.

Dès lors, face à cet enjeu de sécurisation des vols de mini-drones, la consolidation de la connais-sance de l’état de l’aéronef par des techniques d’estimation robuste devient une tâche essentielle pour garantir, au mieux possible, un contrôle actif de l’engin assurant l’intégrité de la cellule en toute situation.

1.4.2 Objectifs

Les objectifs à atteindre au cours de cette thèse consistent :

1) à developper et mettre au point une ou plusieurs solutions algorithmiques permettant de ré-pondre au besoin de disposer d’une reconstruction précise et fidèle de l’état du mini-drone. Nous veillerons à ce que toute solution soit, de plus, acceptable en termes de complexité algorithmique en vue de son codage sur cible. De même, au-delà de ses seules performances en termes de qualité de l’estimé, cette solution devra présenter de bonnes propriétés de convergence afin de limiter, au plus possible, les erreurs qui pourraient rejaillir sur la chaîne de contrôle du drone ;

2) à valider, de manière exhaustive, le ou les schémas d’estimation retenus. Cette étape néces-saire pourra s’appuyer largement sur le traitement de données simulées que nous pourrons bruiter, le cas échéant, à bon escient afin d’évaluer la robustesse de la solution ;

3) à coder sur cible, la ou les solutions algorithmiques, afin de procéder à des expérimentations en conditions réelles. Cette concrétisation des travaux de thèse permettra une extension toute naturelle de la phase de validation des concepts théoriques développées.