How to Model Your Crazyflie Brushless

Each language version is independently generated for its own context, not a direct translation.

Voici une explication simple et imagée de cette recherche, comme si on racontait une histoire autour d'une table.

🚁 Le Petit Drone qui a pris des muscles

Imaginez le Crazyflie comme un petit oiseau-robot, de la taille d'une main, très populaire dans les laboratoires pour apprendre aux drones à voler. Pendant des années, il avait des "muscles" un peu faibles : des moteurs à balais (comme ceux des vieux jouets), qui le rendaient un peu lent et fragile.

Mais en 2025, les chercheurs ont sorti une nouvelle version : le Crazyflie Brushless. C'est comme si on avait remplacé les muscles de l'oiseau par ceux d'un athlète olympique ! Grâce à de nouveaux moteurs sans balais, il peut produire 50 % de force en plus. Il est maintenant capable de faire des acrobaties folles, comme des sauts périlleux en arrière, tout en restant très petit.

🧠 Le défi : Comprendre le nouveau corps

Le problème, c'est que quand on change les muscles d'un athlète, son corps réagit différemment. Les chercheurs ne pouvaient pas utiliser les anciennes règles de physique pour piloter ce nouveau drone. Ils devaient créer un nouveau manuel d'instructions (un modèle mathématique) pour comprendre exactement comment ce nouveau drone bouge, tourne et accélère.

C'est là que l'équipe de chercheurs a travaillé :

Ils ont pris des mesures : Ils ont pesé le drone, mesuré la force de ses moteurs et observé comment il réagissait quand on le poussait. C'est un peu comme si un médecin prenait les constantes d'un patient pour écrire son dossier médical.
Ils ont écrit le "code source" : Ils ont créé une simulation informatique ultra-précise (dans un monde virtuel) qui imite parfaitement le vrai drone.

🎮 L'entraînement dans le monde virtuel (La "Gym")

Pour apprendre au drone à faire des choses incroyables, les chercheurs n'ont pas eu besoin de le faire s'écraser des milliers de fois dans le vrai monde (ce qui serait trop cher et dangereux !). Ils ont utilisé une méthode appelée Apprentissage par Renforcement.

Imaginez un jeu vidéo où le drone doit apprendre à voler :

Le drone essaie des mouvements dans le simulateur.
S'il fait une erreur, il perd des points. S'il réussit, il gagne des points.
Il répète cela des millions de fois en quelques heures, apprenant de ses erreurs.

Grâce à ce modèle précis, le drone virtuel a appris deux choses impressionnantes :

Voler tout droit : Il a appris à se stabiliser aussi bien que les logiciels officiels du drone.
Faire des sauts périlleux : Il a appris à faire deux rotations complètes en arrière en l'espace de seulement 1,80 mètre de hauteur ! C'est comme si un humain faisait un double salto arrière en sautant d'un petit tabouret.

🌉 Le pont entre le rêve et la réalité

Le vrai défi, c'est de passer du monde virtuel (le jeu vidéo) au monde réel (le vrai drone en bois et plastique). Souvent, ce qui fonctionne dans le jeu ne marche pas dans la vraie vie à cause du vent, de la poussière ou de petites différences de poids.

Les chercheurs ont utilisé une astuce géniale appelée "Randomisation de domaine".

Imaginez que vous entraînez un pilote dans un simulateur de vol, mais que vous changez aléatoirement la gravité, le poids de l'avion ou la force du vent à chaque essai.
En entraînant le drone avec ces variations, il devient un pilote ultra-résistant. Il ne panique pas quand la réalité est un peu différente de la simulation.

Résultat : Les pilotes virtuels entraînés avec cette méthode ont réussi à faire leurs acrobaties directement sur le vrai drone, sans aucun réglage supplémentaire !

🚀 En résumé

Cette recherche est comme la création d'un guide de survie pour le nouveau Crazyflie.

Ils ont compris comment il fonctionne (le modèle).
Ils ont prouvé que leur modèle est si précis qu'on peut y entraîner des drones à faire des acrobaties de cirque.
Ils ont montré comment faire le pont entre le virtuel et le réel pour que ces drones puissent être utilisés demain pour des missions complexes, comme des courses de drones ou des essaims de robots qui travaillent ensemble.

Le plus cool ? Ils ont rendu tout cela gratuit et accessible à tout le monde sur Internet, pour que n'importe qui puisse essayer de faire voler son propre drone comme un pro !

Each language version is independently generated for its own context, not a direct translation.

Voici un résumé technique détaillé de l'article « How to Model Your Crazyflie Brushless », accepté pour publication à la conférence IEEE ICRA 2026.

1. Problématique et Contexte

Le Crazyflie 2.1 Brushless (CFB), lancé début 2025, représente une évolution majeure par rapport au modèle précédent (CF 2.1 à moteurs brossés). Il intègre des moteurs sans balais (brushless) et des contrôleurs de vitesse électronique (ESC), offrant un rapport poussée/poids d'environ 3:1 (contre 2:1 pour l'ancien modèle). Cette augmentation de puissance ouvre de nouvelles perspectives pour la recherche sur le contrôle agile de nano-quadroréacteurs et les manœuvres acrobatiques.

Cependant, malgré l'adoption généralisée des modèles dynamiques pour le CF 2.1, aucun modèle dynamique précis et accessible pour le nouveau CFB n'existait. Le manque d'un modèle fiable entrave le développement de contrôleurs avancés, notamment ceux basés sur l'apprentissage par renforcement (RL), qui nécessitent une simulation précise pour le transfert vers le réel (sim-to-real).

2. Méthodologie

Les auteurs ont développé une approche complète incluant la modélisation, l'identification des paramètres et la validation via l'apprentissage par renforcement.

A. Modélisation Dynamique

Le modèle est formulé comme un système d'état $\dot{x} = f(x, u)$ avec 17 états (position, vitesse, quaternion, vitesses angulaires, vitesses des moteurs).

Dynamique du corps rigide : Modélisation standard incluant la gravité et les forces de poussée.
Dynamique des moteurs : Contrairement aux modèles statiques, le CFB intègre une dynamique de premier ordre pour les moteurs (constante de temps $T$ et facteur d'amplification $K$ ) pour capturer la réponse des ESC et l'inertie rotative.
Aérodynamique : Pour des raisons de complexité, les effets aérodynamiques complexes (interactions rotor-sol, traînée) sont négligés, l'accent étant mis sur la dynamique du corps rigide et la réponse des moteurs, jugés suffisants pour les vitesses inférieures à 3 m/s.

B. Identification des Paramètres

Les paramètres clés ont été identifiés expérimentalement :

Dynamique moteur : Mesure des RPM (tours par minute) via un capteur infrarouge pour identifier la constante de temps ( $T \approx 50$ ms) et le gain.
Poussée et Couple : Utilisation d'un banc d'essai avec bras rotatif et cellule de charge pour mesurer la poussée ( $F_{thrust}$ ) et le couple réactif ( $\tau_f$ ) en fonction de la vitesse de rotation. Des polynômes du 3ème ordre ont été ajustés.
Inerties : Identification par ajustement de trajectoires simulées aux trajectoires réelles lors de manœuvres de rotation spécifiques (axes X, Y et Z). Des procédures sont proposées pour que les utilisateurs puissent ré-identifier les inerties en cas de modification de la charge utile.

C. Simulation et Apprentissage par Renforcement (RL)

Simulateur : Implémentation du modèle dans MuJoCo XLA (MJX) via la bibliothèque JAX, permettant des simulations hautement parallélisées sur GPU.
Contrôleurs : Entraînement de réseaux de neurones (NN) end-to-end via l'algorithme PPO (Proximal Policy Optimization) dans le simulateur.
Domaine Randomisé (Domain Randomization) : Pour combler l'écart simulation-réalité, les paramètres du modèle (masse, inerties, dynamique moteur, poussée, centre de gravité) sont randomisés durant l'entraînement (±10% à ±20%).

3. Contributions Clés

Modèle Dynamique du CFB : Premier modèle dynamique open-source complet pour le Crazyflie Brushless, incluant la dynamique des moteurs et des procédures d'identification.
Évaluation de Précision : Validation du modèle par comparaison de trajectoires simulées et réelles, montrant une précision élevée sur un horizon de 200 ms.
Preuve de Concept par RL : Démonstration que des contrôleurs NN entraînés uniquement en simulation peuvent être déployés avec succès sur du matériel réel sans réglage fin (fine-tuning).
- Contrôle de position : Un NN atteint une précision comparable aux contrôleurs PID et Mellinger embarqués.
- Acrobaties : Réalisation de sauts périlleux doubles (double backflips) avec une élévation verticale minimale de 1,8 m, démontrant la capacité du modèle à apprendre des manœuvres agiles complexes.
Analyse de l'Écart Sim-to-Real : Étude systématique de l'impact de la randomisation de domaine, fournissant des recommandations sur les niveaux de bruit nécessaires pour un transfert réussi.

4. Résultats

Précision du Modèle : Le modèle capture fidèlement le comportement du CFB. Les écarts observés (notamment sur la vitesse verticale) sont attribués aux incertitudes du centre de gravité, aux erreurs de l'estimateur d'état (filtre de Kalman) et à l'absence de modélisation aérodynamique fine.
Performance des Contrôleurs :
- Le contrôleur NN avec une randomisation de domaine de 1,0 (pleine amplitude) offre le meilleur compromis précision/lissage des commandes moteur.
- Une randomisation insuffisante réduit la précision (surtout en Z), tandis qu'une randomisation excessive dégrade les performances globales.
- Le modèle permet d'apprendre des manœuvres acrobatiques (double flip) qui se transfèrent parfaitement au matériel réel.
Comparaison : Le modèle CFB proposé est nettement plus précis que les modèles existants pour le CF 2.1 (comme PyBullet-drones) lorsqu'ils sont appliqués au nouveau matériel.

5. Signification et Impact

Ce travail est le premier modèle dynamique open-source spécifiquement conçu pour le Crazyflie Brushless. Il comble un vide critique dans la communauté de la robotique, permettant :

La recherche rapide sur le contrôle agile et les essaims de drones.
L'utilisation efficace de l'apprentissage par renforcement pour le contrôle de drones, en réduisant la barrière d'entrée liée à la modélisation.
La mise à disposition d'un simulateur basé sur MJX (rapide et parallélisable) pour la communauté.

Les auteurs ont rendu l'ensemble du code, des paramètres et du simulateur disponibles sur GitHub, ainsi qu'une vidéo des expériences, facilitant l'adoption immédiate de cette plateforme par d'autres chercheurs. Les travaux futurs pourraient inclure la modélisation aérodynamique avancée pour les courses de drones et les interactions entre plusieurs CFB.