💻 computer science

Adaptive Sliding Mode Control for Vehicle Platoons with State-Dependent Friction Uncertainty

Cette thèse propose un nouveau contrôleur adaptatif par mode glissant pour les convois de véhicules, capable de gérer les forces de frottement incertaines dépendantes de l'état et les perturbations externes sans connaissance préalable de leurs paramètres, en séparant les commandes cinématiques et dynamiques pour assurer un maintien robuste de la distance de sécurité.

Auteurs originaux : Rishabh Dev Yadav

Publié 2026-03-17

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Rishabh Dev Yadav

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🚗 Le Défi : Faire avancer un convoi de voitures sans connaître la route

Imaginez que vous devez organiser un convoi de trois voitures autonomes (un "platoon") qui doivent rouler ensemble sur une route, en gardant exactement la même distance les unes des autres, comme des wagons de train.

Le problème, c'est que la route est imprévisible. Parfois, c'est du bitume lisse, parfois de la boue, parfois des graviers. De plus, les pneus s'usent et la vitesse change. Tout cela crée une force invisible appelée frottement (friction).

Sur du bitume, les pneus glissent peu.
Sur de la boue, ils glissent beaucoup.

Dans le passé, les ingénieurs essayaient de programmer les voitures en disant : "On sait que le frottement sera entre telle et telle valeur". C'est comme si on prévoyait la météo pour les 10 prochaines années avec une précision parfaite. Mais en réalité, c'est impossible ! Le frottement change tout le temps selon l'état de la route et la vitesse de la voiture. Si la voiture rencontre une zone inattendue (comme une flaque d'huile ou une pente), le système classique panique et le convoi se désorganise.

💡 La Solution : Le "Coach Sportif" Adaptatif

C'est ici que Rishabh Dev Yadav, l'auteur de ce mémoire, propose une nouvelle méthode appelée Contrôle par Mode Glissant Adaptatif.

Pour faire simple, imaginez que chaque voiture n'a pas un pilote rigide qui suit un script, mais un coach sportif très intuitif.

Le Coach ne connaît pas la force de l'adversaire (le frottement) : Au lieu de deviner à l'avance si la route sera glissante, le coach observe en temps réel ce qui se passe.
Il s'adapte instantanément :
- Si la voiture commence à glisser (frottement faible), le coach crie : "Poussez plus fort les moteurs !"
- Si la voiture a du mal à avancer (frottement fort), le coach dit : "Détendez-vous, on a assez de puissance."
Il ne s'arrête jamais d'apprendre : Même si la route change brusquement (comme passer d'une zone de bitume à une zone de gravier), le coach ajuste sa stratégie en une fraction de seconde pour que la voiture reste sur sa trajectoire.

🛠️ Comment ça marche ? (Les deux étapes)

L'auteur a divisé le cerveau de la voiture en deux parties, un peu comme un chef d'orchestre et un musicien :

Étape 1 : Le Chef d'Orchestre (Contrôle Cinématique)
Il regarde la carte et dit : "On doit aller par là, à telle vitesse, en gardant telle distance avec la voiture devant." Il ne se soucie pas de la mécanique, juste de la géométrie du mouvement.
Étape 2 : Le Musicien (Contrôle Dynamique Adaptatif)
C'est là que la magie opère. Le musicien reçoit l'ordre du chef, mais il doit gérer les instruments (les roues, les moteurs). S'il sent que le sol est glissant, il ajuste la force qu'il applique sur les pédales pour respecter l'ordre du chef, même si les conditions changent.

🧪 L'Expérience : Le Parc d'Attractions Virtuel

Pour prouver que son idée fonctionne, l'auteur a créé un monde virtuel (un simulateur appelé Gazebo) avec trois robots (des sortes de petites voitures).

Le terrain : Il a créé une arène avec quatre zones. Trois zones avaient un sol normal, mais la troisième zone avait un sol très glissant (comme de la glace) et des bosses (des ralentisseurs).
Le test : Il a fait rouler deux types de convois :
1. Un convoi avec l'ancienne méthode (qui suppose qu'elle connaît les limites du frottement).
2. Un convoi avec la nouvelle méthode (le "Coach Adaptatif").

Le résultat ?
Quand ils sont arrivés dans la zone glissante et sur les bosses :

L'ancien système a trébuché, a dévié de sa route et a perdu la distance avec les autres voitures.
Le nouveau système a à peine bronché. Il a ajusté sa puissance instantanément pour rester parfaitement aligné, même sur le sol difficile.

🏆 Pourquoi c'est important ?

Ce travail est crucial pour l'avenir des transports. Imaginez des camions autonomes qui transportent des marchandises sur des autoroutes, ou des convois de secours qui doivent traverser des zones sinistrées avec des routes abîmées.

Grâce à cette méthode :

Sécurité : Les véhicules ne se percutent pas même si la route change brusquement.
Efficacité : Ils consomment moins d'énergie car ils ne gaspillent pas de puissance à lutter contre des forces qu'ils ne comprennent pas.
Robustesse : Peu importe l'usure des pneus ou la météo, le convoi reste uni.

En résumé

Ce mémoire nous dit que pour faire avancer des robots ensemble dans un monde réel et chaotique, il ne faut pas essayer de tout prédire à l'avance. Il faut leur donner la capacité de sentir les changements (comme le frottement) et de s'adapter immédiatement, comme un bon athlète qui s'adapte à n'importe quel terrain de jeu.

1. Problématique

Le contrôle de formation de platoons de robots mobiles (véhicules autonomes) est crucial pour des applications telles que le transport de marchandises, la surveillance et les opérations de sauvetage. L'objectif principal est de maintenir une distance de sécurité prédéfinie entre les véhicules tout en suivant une trajectoire commune.

Cependant, ce contrôle est fortement compromis par deux facteurs majeurs :

Les incertitudes paramétriques et les perturbations externes : Comme les variations de charge utile ou les conditions de la route.
La friction dépendante de l'état : C'est le défi central de ce travail. Les forces de frottement entre les roues et le sol (Coulomb et visqueux) varient dynamiquement en fonction de la vitesse du véhicule, de l'usure des pneus et de la surface de la route.

Le problème fondamental identifié : Les contrôleurs adaptatifs de l'état de l'art supposent généralement que les incertitudes sont bornées a priori (connues à l'avance). Or, les forces de frottement dépendantes de l'état (proportionnelles à la vitesse) ne satisfont pas cette condition de bornitude a priori, ce qui rend les méthodes classiques inefficaces ou instables dans des conditions réelles variables.

2. Méthodologie

L'auteur propose un nouveau cadre de contrôle basé sur le Contrôle par Mode Glissant Adaptatif (ASMC - Adaptive Sliding Mode Control) conçu spécifiquement pour gérer ces incertitudes dynamiques sans connaissance préalable des paramètres du système (masse, inertie, coefficients de frottement).

L'approche se décompose en deux étapes principales :

A. Modélisation et Architecture

Modèle Cinématique : Un contrôleur cinématique standard (basé sur la méthode de backstepping) calcule les vitesses linéaires et angulaires désirées ( $v_c, \omega_c$ ) pour suivre la trajectoire de référence.
Modèle Dynamique : Le cœur de l'innovation réside dans la couche dynamique. Le modèle dynamique du robot (différentiel à deux roues) intègre les forces de frottement (Coulomb + visqueux) et les perturbations externes.

B. Conception du Contrôleur Dynamique (ASMC)

Le contrôleur est divisé en deux boucles couplées : le contrôle de la force (linéaire) et le contrôle du couple (angulaire).

Variables de glissement : Des variables de glissement ( $s_v$ et $s_\omega$ ) sont définies en combinant l'erreur de vitesse et son intégrale.
Estimation des bornes d'incertitude : Au lieu de supposer une borne fixe, le contrôleur estime en temps réel les bornes supérieures des incertitudes. Ces bornes sont exprimées comme des fonctions linéaires des états du système (vitesses et erreurs intégrées).
- L'incertitude totale $\epsilon$ est décomposée en termes constants et termes dépendants de l'état ( $|\xi|$ ).
Lois d'adaptation : Des lois d'adaptation en temps réel mettent à jour les gains de contrôle ( $\hat{K}$ ) pour compenser les incertitudes croissantes. Ces lois utilisent des termes de projection pour assurer la stabilité.
Loi de commande : La commande de couple/force est générée par une loi de type mode glissant :
$\tau(t) = -\Lambda s(t) - \rho(t) \text{sgn}(s(t))$
où $\rho(t)$ est un gain adaptatif qui s'ajuste dynamiquement selon l'état du système.

C. Analyse de Stabilité

La stabilité du système en boucle fermée est prouvée rigoureusement à l'aide de la théorie de Lyapunov.

Une fonction de Lyapunov composite est construite incluant les erreurs de suivi et les erreurs d'estimation des paramètres.
La preuve démontre que le système est Uniformément Ultérieurement Borné (UUB), garantissant que les erreurs de suivi restent dans un voisinage fini et convergent, même en présence d'incertitudes non bornées a priori.

3. Contributions Clés

Gestion des incertitudes dépendantes de l'état : C'est la première contribution majeure. Le cadre ASMC proposé ne nécessite pas que les forces de frottement soient bornées a priori, mais traite leur nature dépendante de la vitesse (visqueuse) et de la position.
Architecture décentralisée pour les platoons : Le système permet à chaque robot de suivre son prédécesseur en utilisant uniquement les informations d'état locales, sans communication globale complexe.
Preuve de stabilité rigoureuse : L'analyse Lyapunov étendue aux systèmes avec incertitudes dynamiques complexes offre une garantie théorique de robustesse.
Validation par simulation réaliste : Utilisation de l'environnement Gazebo avec des modèles de robots réalistes (TurtleBot3) et des plugins de friction variables.

4. Résultats Expérimentaux

Les simulations ont été réalisées dans un environnement virtuel divisé en quatre quadrants avec des coefficients de friction longitudinale variables ( $\mu = 0.1$ et $\mu = 0.13$ ) et la présence de ralentisseurs (speed breakers) pour simuler des perturbations soudaines. Un platoon de trois robots a suivi une trajectoire en forme de "8".

Comparaison : Le contrôleur proposé a été comparé à un contrôleur ASMC standard (qui suppose des incertitudes bornées).

Précision de suivi de trajectoire : Dans les zones à friction élevée et lors des virages serrés (quadrant 3), le contrôleur standard a montré une dégradation significative de la performance. Le contrôleur proposé a maintenu une erreur de suivi très faible.
Maintien de l'écart (Gap Error) : La distance entre les robots est restée beaucoup plus stable avec la méthode proposée.
Données quantitatives (RMS - Racine Carrée de la Moyenne des Erreurs) :
- Erreur de position (Robot 1) : Réduction de l'erreur RMS en X de 0.081 m (Standard) à 0.076 m (Proposé).
- Erreur de maintien d'écart (Robot 1-2) : Réduction drastique de l'erreur RMS de 0.026 m à 0.014 m.
- Robustesse : Lors du passage sur les ralentisseurs, le contrôleur proposé a généré beaucoup moins de pics d'erreur (spikes) que le contrôleur standard.

5. Signification et Impact

Ce travail comble une lacune importante dans la littérature sur le contrôle des robots mobiles. En démontrant qu'il est possible de contrôler efficacement des platoons sans connaissance préalable des paramètres de friction (qui sont intrinsèquement variables et dépendants de l'état), cette recherche ouvre la voie à :

Des systèmes de transport autonome plus robustes et fiables sur des terrains variés (pluie, neige, usure des pneus).
Une réduction de la dépendance aux modèles physiques précis, facilitant le déploiement de robots dans des environnements non structurés.
L'extension potentielle de cette méthode à d'autres systèmes dynamiques complexes, tels que les drones aériens ou les véhicules sous-marins, soumis à des incertitudes similaires.

En conclusion, l'approche proposée offre une solution théoriquement prouvée et pratiquement validée pour le contrôle robuste de formations de robots face aux défis réels de la friction dynamique.