Jusqu’ici, nous avons vu quatre stratégies couramment utilisées pour la restitution de mouvement : le contrôle classique, adaptatif, optimal et prédictif. Néanmoins, l’un des objectifs principaux de cette thèse est de définir, parmi les stratégies de contrôle existantes, le MCA le plus approprié pour la validation des prestations ADAS ou du véhicule autonome. C’est pourquoi, dans cette partie nous analyserons d’autres techniques de contrôle avancé comme le contrôle flou et le contrôle neuronal, afin de définir leur potentiel en tant que MCA pour un simulateur dynamique à hautes performances. Nous verrons que chaque contrôle apporte des variations dans le suivi de la trajectoire, le modèle dynamique du système ou la perception du mouvement dans le simulateur.
3.5.1
Commande par logique floue
La théorie floue a été développée par le professeur Lotfi A. Zadeh en 1965 comme une extension de la théorie classique en permettant de représenter mathématiquement l’incertitude et l’imprécision [Regalado Crisanto, 1999]. En 1974, Ebrahim Mandami a démontré l’applicabilité de la logique floue dans le contrôle commande en réalisant le premier système de contrôle flou. Le contrôle flou permet, à partir d’un ensemble de règles linguistiques, de générer des connaissances qui vont donner au système la capacité à prendre des décisions sur son fonctionnement. Ces règles sont fondées sur des données des connaissances et expériences fournies par l’humain.
La théorie floue devient utile dans le contrôle lorsque le modèle mathématique du processus est difficile ou le processus implique l’interaction humaine et de l’expé- rience. La logique floue est l’une des meilleures suggestions lorsque les systèmes ont un comportement stochastique extrême et présentent différents types de variables d’entrée [Asadi et al., 2015a].
Pour appréhender le fonctionnement de la logique floue, il est nécessaire de com- prendre les termes suivants :
• Fonction d’appartenance : définit le degré auquel n’importe quelle variable est comprise partiellement dans un ensemble flou. Elles peuvent être représentées de différentes manières, comme triangulaire, trapézoïdal, singleton, etc. • Fuzzification : procédé mathématique dans lequel une variable mesurée du
processus devient une valeur du domaine flou.
• Mécanisme d’inférence : cycle de calcul qui émule la prise de décision de l’expert dans l’interprétation et l’application de connaissances sur le contrôle du système1.
• Règles floues : représentent la connaissance du système sous la forme d’un ensemble de règles. Ils sont du type : SI l’ensemble de conditions est satisfait, ALORS, un ensemble de conséquences sont déduites.
• Défuzzification : processus mathématique qui convertit les ensembles flous en valeurs réelles pour le système.
Le schéma 34 illustre la boucle de contrôle en utilisant de logique floue. Les valeurs sont d’abord traitées par le processus de fuzzification. Puis, le mécanisme d’inférence évalue les règles en temps réel et prend une décision. Finalement, l’interface de défuzzification transforme les conclusions de mécanisme d’inférence en valeurs d’entrée pour le processus.
1. Dans le contrôle, l’inférence de Mamdani est la plus utilisée, car son calcul est relativement facile et adapté pour des applications en temps réel [Bahrami et al., 2013].
FIGURE34 – Architecture du contrôle flou [Passino et al., 1998].
La logique floue dans le contrôle plateforme
D’après la littérature, seulement quelques expérimentations ont intégré la logique floue dans les algorithmes de contrôle de mouvement. Ceux-ci se fondent prin- cipalement sur la recherche du modèle mathématique du système, à savoir, la cinématique inverse de la plateforme. Par exemple, [I-Fang Chung et al., 1999] ont développé un contrôle flou pour contrôler le positionnement d’une plateforme de mouvement à 6 DDL de type Stewart. Pour commencer, ils ont développé la cinématique inverse du système hydraulique pour trouver le modèle mathématique basé sur la longueur de chaque actionneur par rapport à la plateforme fixe.
La logique floue est utilisée du fait qu’elle s’applique effectivement à un système dans lequel les relations entrées-sorties ne sont pas clairement identifiées. Pour cette raison, [Fellah et al., 2013] l’utilisent pour modifier les paramètres des filtres dans l’algorithme classique. Ils utilisent en entrée la limite de déplacement, la limite de l’angle et la force spécifique à basse fréquence et en sortie les fréquences de coupures des filtres passe-haut et passe-bas. Pour créer les fonctions d’appartenance et postérieurement les règles floues, ils utilisent une optimisation par ensembles de particules, une technique qui ajuste les paramètres des fonctions d’appartenance. En suivant le même principe, [Asadi et al., 2015a] proposent un filtre de washout adaptatif basé sur un réglage de la fréquence de coupure dans tous les filtres de la commande classique en utilisant la logique floue. La partie floue produit un signal plus précis qui minimise l’erreur de perception du mouvement entre le simulateur et le véhicule. Les entrées pour le contrôle flou sont l’erreur de perception et la limite de déplacement/angle de la plateforme, la sortie est la fréquence de coupure de chaque filtre dans l’algorithme classique.
[Tang et al., 2016] proposent un algorithme qui contient un facteur de dimensionne- ment non linéaire, basé sur un réglage flou en temps réel, pour compenser le gain des accélérations d’entrées. Cette méthode est appliquée dans le tilt coordination et leur objectif est de permettre un mouvement continu, tout en respectant les seuils de perception. Le contrôle flou repose sur le déplacement, la limitation de l’espace
de travail et l’erreur perçue de la force spécifique. Il est appliqué dans l’algorithme classique uniquement pour les filtres impliqués dans les accélérations de trans- lations. Par rapport à l’algorithme classique, la méthode a montré une meilleure performance, une fidélité accrue et une réduction de l’erreur de perception humaine. À partir des informations citées précédemment, nous pouvons déduire que la lo- gique floue est principalement utilisée dans le MCA afin de faire varier les valeurs des filtres de l’algorithme classique, en d’autres termes, cette technique peut être comparée à un algorithme de type adaptatif qui cherche à réduire l’erreur de percep- tion du mouvement en temps réel. Bien que, par rapport à la commande classique, le contrôle flou améliore le suivi de la trajectoire et réduit l’erreur de perception, tout comme la stratégie classique, il n’est pas possible d’assurer le respect des limites physiques de la plateforme ni des seuils de perception humaine. En outre, afin de régler correctement les paramètres des filtres, il est nécessaire avoir des connaissances sur le comportement du système. Ce qui rend, par exemple, cette technique beaucoup plus complexe que la commande adaptative. C’est pourquoi nous avons décidé de ne pas l’appliquer à notre système.
3.5.2
Contrôle neuronal
En 1957, Frank Rosenblatt a développé le plus ancien réseau de neurones utilisé dans le contrôle, plus précisément dans les modèles d’identification. Les réseaux de neurones représentent un système de traitement de l’information, capable d’apprendre à partir de l’expérience. Sa structure s’approche du modèle artificiel du cerveau humain [Matich, 2001].
Ces réseaux peuvent apprendre à différencier les modèles à travers des exemples et la pratique grâce à l’apprentissage1. De cette façon, les réseaux neuronaux peuvent
être utilisés comme contrôleur général, dans lequel, à partir de certaines références, le réseau génère le contrôle correspondant. En revanche, cette méthode peut générer des réponses non désirées puisqu’il n’y a aucun contrôle de ce qui se passe dans le réseau en temps réel et donc, le système peut devenir instable. De plus, pour générer toutes les données utilisées dans le processus d’apprentissage, le système doit être contrôlé à l’avance.
Les réseaux neuronaux peuvent faire partie d’une structure de contrôle, par exemple, en tant que fonctions d’approximation. C’est-à-dire, lorsque nous avons une fonction inconnue, mais que nous connaissons sa réponse à diverses entrées, nous pouvons ajuster les paramètres du réseau afin de produire la réponse de la fonction inconnue [Hagan et al., 2002], tel que montré par exemple dans la figure 35 pour le MPC.
1. Processus par lequel un réseau de neurones peut modifier les poids du réseau afin de réduire une certaine erreur quadratique. Ce processus permet au réseau, à partir d’un ensemble des données, d’être capable de calculer la sortie correspondant au vecteur d’entrées.
FIGURE35 – Mise en oeuvre de réseaux neuronaux en tant que méthode d’identifi- cation dans la commande MPC.
Comme nous l’avons déjà indiqué dans la partie 3.4.1, cette approche n’est pas nécessaire pour notre problème, puisque nous disposons d’un modèle mathématique approprié qui définit le comportement de notre simulateur. Cependant, les réseaux neuronaux peuvent être utilisés, par exemple, pour générer la référence future dans le cadre du problème d’optimisation MPC. Dans ce cas nous ne faisons pas référence à un contrôle neuronal mais plutôt à une amélioration de la stratégie prédictive grâce aux réseaux neuronaux. C’est pourquoi, le contrôle neuronal ne sera pas considéré comme un MCA dans cette thèse.
De nombreuses variantes de contrôle sont apparues [Miunske et al., 2019; Telban, 2002; Wang & Fu, 2004] dans le but d’améliorer les stratégies déjà existantes telles que les stratégies classique, adaptative, prédictive et optimale. Tout comme la logique floue ou le contrôle neuronal, ces variantes servent comme support et ne sont pas considérées comme un MCA en tant que tel. Par conséquent, elles ne seront pas détaillées dans le présent document.