Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

Thèse présentée en vue de l’obtention Du diplôme de Doctorat d'Etat Spécialité

Thèse présentée en vue de l’obtention Du diplôme de Doctorat d'Etat Spécialité : Electronique ُ Identification et commande de robot manipulateur rigide et flexible en utilisant les réseaux de neurones et la logique floue Présentée par : Guesbaya Tahar Soutenue publiquement le 07/03/2012 Devant le jury composé de : Dr. Moussi Ammar Professeur Président du jury université de Biskra Dr. Benmahammed Khier Professeur Directeur de thèse université de Setif Dr Kazar Okba Professeur Examinateur université de Biskra Dr Ziet Lahcene M.C Examinateur université de setif Dr Saigâa Djamel M.C Examinateur université de M'Sila الجمهورية الجزائرية الديمقراطية الشعبية République Algérienne Démocratique et Populaire وزارة التعلين العالي و البحث العلوي Ministère de l’enseignement supérieur et de la recherche scientifique Université Mohamed Khider – Biskra Faculté des Sciences et de la technologie Département : Génie Electrique Ref : جاهعت هحود خيضر بسكرة كليت العلوم و التكنولوجيا قسم:الهندسة الكهربائية. المرجع: / 2011 . 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. Abstract 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. م لخص ٘زا اٌثحث ٌعٕى تاٌخالٌا اٌعصثٍٛٔح ٚإٌّطك اٌغاِض ٚذطثٍمٙا فً ِداي اٌشتٛخ. ٌٚٙزا ذّد دساسح ِٛاضٍع، اٌشتٛخ اٌّعاٌح ،اٌخالٌا اٌعصثٍٛٔح، اٌشتٛخ اٌّرحشن ٚإٌّطك اٌغاِض . ًذمذٌُ اٌشتٛخ اٌّعاٌح ٌشًّ إٌّٛرج إٌٙذسً، إٌّٛرج اٌحشوً ٚإٌّٛرج اٌذٌٕاٍِى . إْ ِحاواج اٌرحىُ تاٌشتٛخ تاٌطشق ًاٌىالسٍى جً ِث ' pid ' ٚا'اٌعضَ اٌّحسٛب 'أثثد عدضا فً اٌحاالخ اٌّرمذِح تسثة اٌّٛضعٍح إٌّسٛتح ٌٙا . ٌٚٙزا أسرٛخة ُإٌداد طشق خذٌذج أوثش ِالئ ج ًّ ٌٍرحىُ ٚسسُ اٌّساساخ ذٕاسة اسرعّاي اٌشتٛخ ٌسشعاخ عاٌٍح ِٚٙاَ تاٌغح اٌذلح ٚذرح ذغٍشاخ أٚ إضطشتاخ فً إٌّٛرج . ْألًاٌخالٌا اٌعصثٍٛٔح ٌّىٓ أْ ذىْٛ تذٌال ٌٍطشق اٌىالسٍى ج ٌٍرحىُ، لّٕا تذساسح عذج أٔٛاع ،حٍث ذطشلٕا إٌى ِداالخ ذطثٍمٙا، أشىاٌٙا إٌٙذسٍح ٚطشق ذعٍّٙا إٌّاسثح . ٌمذ ذّد وزٌه ِٕالشح عذج سسَٛ ذحىُ تٛاسطح اٌخالٌا اٌعصثٍٛٔح ،ِٕٚٙا اٌرحىُ تإٌّٛرج اٌّمٍٛب .ٚلذِٕا عذج سسَٛ ألخً اٌشتٛخ اٌّعاٌح. أٍّ٘ح ِعرثشج ٚخٙد فً ٘زٖ اٌشساٌح ٌٍشتٛخ اٌّرحشن، حٍث عشضٕا أشىاٌٗ إٌٙذسٍح ّٚٔارخٗ اٌحشوٍح . وّا ذُ ِحاواج طشٌمح ذحىُ ذفاعٍٍح ِٛضعٍح ِٓ أخً إٔداصِساسحشوً ٌٍشتٛخ ِع ذفادي اإلصطذاَ تاٌّٛأع ، ٚلذ أتاْ رٌه عٍى ٔرائح خذ حسٕح إال فً حاالخ اٌدّٛد اٌحشوً حٍث ذُ اٌٍدٛء إٌى حٍٛي افرشاضٍح . اٌرحىُ تاسرعّاي إٌّطك اٌغاِض ٌعرثش تذًٌ أفضً ِالئّح ٌٍشتٛخ اٌّرحشن؛ ٚخاصح" اٌرصشفاخ اٌغاِضح اٌّرراٌٍح " ِع ِشاعاج ذٕافسٙا ٚإِىأٍح ذٕافٍٙا . ٌْٚٚمذ أظٙشخ اٌّحاواج ٔرائح خذ ِمٕعح ترفادي أٔٛاع اٌّٛأع ٚاٌٛصٛي إٌى اٌٙذف د ًحصٛي أي خّٛد حشو. DEDICASSE A la Mémoire de mon Père A ma mère A ma petite famille REMERCIEMENTS Je tiens à remercier mon directeur de thèse Pr. Khier Benmahammed pour ses directives et conseils consistants pour mener à bien ce travail de recherche. Je remercier aussi mon codirecteur à l’étranger Pr. Benali Abderraouf du laboratoire LVR pour son accueil et aide. Je remercier le Pr. Moussi Ammar d’avoir accepté de présider le jury de soutenance, comme je remercier le Pr. Kazar Okba, le Pr. Saigâa Djamel et le Pr. Ziet Lahcene d’avoir accepté d’examiner ce travail de recherche. Je remercier aussi le Pr. MimounSouri mohammed de même le Pr. Allag Abdelkarim. Je remercier tout personne m’ayant aidé de prés ou de loin. 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 .................................................................................................................25 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 …….................................................................................................61 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 uploads/Litterature/ dzd.pdf