Thèse Coradia Commande Robuste Adaptative pour un Drone en Utilisant une Approche de Compensation des Perturbations Fondée sur l'Intelligence Artificielle. H/F - Doctorat.Gouv.Fr

Établissement : Université de Technologie de Compiègne École doctorale : Sciences pour l'ingénieur Laboratoire de recherche : Heuristique et diagnostic des systèmes complexes Direction de la thèse : Alessandro CORREA-VICTORINO Début de la thèse : 2026-10-01 Date limite de candidature : 2026-07-31T23:59:59 Ce travail s'appuie sur une collaboration antérieure qui avait permis d'intégrer un capteur acoustique innovant sur un drone utilisé pour suivre une source sonore à l'aide d'un contrôleur robuste. La nouvelle version devrait fonctionner avec une version améliorée du capteur acoustique, capable de fournir davantage d'informations que la simple localisation d'une source sonore. Afin de tirer pleinement parti de ces informations supplémentaires, le présent travail propose d'utiliser un contrôleur adaptatif robuste basé sur l'intelligence artificielle.Le travail proposé peut être divisé en quatre objectifs principaux. Le premier consiste à s'assurer qu'une stratégie robuste peut toujours être mise en oeuvre avec le nouveau réseau de capteurs acoustiques, en commençant par vérifier que l'algorithme précédent fonctionne toujours, ou en en concevant un nouveau si ce n'est pas le cas. La deuxième tâche consiste à ajouter un cadre adaptatif au contrôleur en vue du troisième objectif, qui est d'utiliser l'intelligence artificielle pour entraîner le système et extraire du capteur acoustique les informations pertinentes pour l'adaptation. La dernière partie consiste à ajuster en ligne la structure d'apprentissage automatique à l'aide de la partie adaptative du contrôleur. Les véhicules aériens autonomes (UAV) se sont imposés comme une option viable pour un large éventail d'applications civiles et industrielles, notamment, mais sans s'y limiter : la surveillance, l'agriculture de précision, la cartographie, etc. Le principal moteur de l'adoption et du développement rapides des systèmes de drones réside dans leur faible coût de mise en oeuvre et de maintenance. À cet égard, l'un des principaux aspects susceptibles d'être améliorés, même après la commercialisation d'un drone et pour les futurs modèles, est la loi de commande. Les algorithmes de contrôle des drones font toujours l'objet de recherches actives, car ils peuvent contribuer à améliorer la fiabilité, la robustesse et l'efficacité, parfois même grâce à une simple mise à jour logicielle.L'objectif principal du contrôle robuste appliqué aux drones est d'assurer la stabilité face à des facteurs externes tels que le vent, des paramètres inconnus ou difficiles à mesurer comme les coefficients de résistance, et des effets non modélisés comme les désalignements des moteurs. Cependant, atteindre cet objectif implique souvent des compromis : une consommation d'énergie accrue due à des perturbations persistantes ou une précision réduite lorsque la stabilité asymptotique ne peut être garantie. Par contre, un contrôleur plus performant peut augmenter l'autonomie de vol, ce qui permettrait aux futurs drones d'effectuer des missions plus longues ou de prolonger la durée de vie des drones déjà en service équipés de batteries intégrées.Un moyen efficace d'améliorer les performances d'un contrôleur robuste consiste à intégrer un élément adaptatif capable de caractériser certains des éléments inconnus. Un contrôleur adaptatif robuste peut maintenir la stabilité du véhicule tout en améliorant ses performances en caractérisant avec précision les perturbations, les paramètres inconnus et les dynamiques non modélisées. Cependant, le principal défi réside dans la méthode d'adaptation utilisée : une adaptation lente ou imprécise peut par exemple ne pas améliorer l'efficacité du contrôle, voire même la détériorer. Il existe diverses méthodes d'adaptation en contrôle automatique. Une approche prometteuse qui gagne du terrain est l'utilisation de l'intelligence artificielle, en particulier des méthodes d'apprentissage automatique (ML) telles que les réseaux neuronaux (NN) et leurs dérivés. Dans un cadre adaptatif, une méthode d'apprentissage automatique peut être entraînée en ligne à l'aide de données de capteurs en temps réel, créant ainsi un schéma d'apprentissage automatique sur mesure pour le système.La localisation d'une source de bruit à l'aide des données acoustiques mesurées avec une antenne de microphones a déjà été réalisée dans un travail précédent avec un contrôleur robuste basé sur les quaternions. L'approche proposée ici s'appuie sur cette base et cherche à ajouter un élément adaptatif pour accroître l'efficacité et la précision de la tâche de localisation et permettre le suivi d'une cible en mouvement au moyen d'un algorithme d'apprentissage automatique qui tire parti des nouvelles mesures fournies par le capteur acoustique.L'antenne acoustique sera en mesure de fournir des informations sur la direction et l'intensité du vent, informations qui pourront être utilisées pour améliorer la précision et l'efficacité du schéma robuste d'apprentissage automatique adaptatif, tout en évitant d'avoir recours à du matériel spécialisé, tel que des tubes de Pitot. D'autres sources d'informations, comme l'odométrie visuelle provenant de caméras embarquées, pourront aussi être intégrées à l'algorithme d'apprentissage automatique dans un cadre de fusion de données.

- Master ou diplôme d'Ingénieur en Commande automatique, Robotique, Mécatronique.- Compétences en automatique, maths appliquées, et robotique- Bonne maîtrise du langage C++, de Matlab et/ou Python- Bonne maîtrise de l'anglais, écrit et oral- Une expérience avec ROS2 et le projet PX4 est fortement recommandée