Adaptive SINDy: Residual Force System Identification Based UAV Disturbance Rejection

Cet article propose une méthode innovante d'identification de systèmes par SINDy adaptatif couplée à un contrôle adaptatif RLS pour rejeter les perturbations aérodynamiques et améliorer la précision du suivi de trajectoire des drones dans des environnements turbulents.

L'essentiel

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

🌪️ Le Problème : Le Drone qui lutte contre le vent

Imaginez que vous essayez de faire voler un petit drone (comme un jouet très sophistiqué) dans une pièce où quelqu'un a allumé quatre gros ventilateurs puissants. Le vent souffle de tous les côtés, poussant le drone dans des directions imprévisibles.

Pour un drone classique, c'est un cauchemar. Son cerveau (le contrôleur) est programmé pour voler dans un monde calme. Quand le vent le pousse, il essaie de corriger, mais il ne comprend pas pourquoi il est poussé. Il réagit trop tard ou trop fort, et souvent, il finit par tourner en rond, perdre le contrôle et s'écraser au sol. C'est comme essayer de marcher tout droit sur un tapis roulant qui accélère soudainement : vous trébuchez.

🧠 La Solution : Un "Super-Cerveau" qui apprend en direct

Les chercheurs de cet article ont créé une nouvelle méthode appelée Adaptive SINDy. Pour faire simple, c'est comme donner au drone un super-pouvoir d'observation et d'adaptation.

Voici comment ça marche, avec une analogie :

1. Le Détective (SINDy)

Imaginez que le drone a un détective privé à bord. Ce détective ne regarde pas seulement où le drone va, mais il observe comment le vent le pousse.

• Au lieu de dire "Le vent est fort", le détective dit : "Ah ! Quand le vent souffle de la gauche, le drone penche un peu vers la droite et ses moteurs doivent travailler plus fort."
• Le détective utilise une méthode mathématique intelligente (SINDy) pour trouver les règles cachées du vent. Il ne se contente pas de mémoriser des données brutes (ce qui est lent et difficile à comprendre), il trouve la "recette" simple qui explique le mouvement du vent. C'est comme si le drone comprenait la physique du vent en temps réel, au lieu de juste deviner.

2. Le Pilote qui s'adapte (Contrôle Adaptatif)

Une fois que le détective a trouvé la recette du vent, il la donne au pilote (le contrôleur).

• Le pilote ajuste instantanément ses commandes. Si le vent pousse à gauche, le pilote ne se contente pas de corriger, il anticipe la force exacte du vent et compense avant que le drone ne dévie trop.
• C'est comme un surfeur qui sent la vague arriver. Il ne lutte pas contre l'eau ; il ajuste sa planche en fonction de la forme de la vague pour rester debout.

🛠️ Comment ils l'ont testé ?

Les chercheurs ont fait deux choses :

1. En simulation (dans un jeu vidéo ultra-réaliste) : Ils ont simulé des vents violents et des trajectoires complexes (comme des cercles, des figures de huit et des spirales).
2. En vrai (sur un vrai drone) : Ils ont pris un tout petit drone (le Crazyflie, qui tient dans la paume de la main) et l'ont fait voler dans une cage où des ventilateurs soufflaient du vent de tous les côtés (jusqu'à 2 mètres par seconde, ce qui est beaucoup pour un si petit drone).

🏆 Les Résultats : Qui gagne ?

• Le Drone Classique (PID) : C'est le drone "bête". Dès qu'il y a du vent, il panique. Dans les tests réels, il s'est écrasé à chaque fois. Il ne pouvait pas gérer le chaos.
• Le Drone avec la nouvelle méthode (Adaptive SINDy) : Il a réussi à voler partout ! Il a suivi les trajectoires complexes sans tomber, même avec le vent qui soufflait de quatre directions différentes.
  • Il a été plus précis que les autres méthodes intelligentes (comme celles basées sur l'apprentissage profond) et beaucoup plus stable que le drone classique.
  • L'erreur de position était minuscule (moins de 15 cm d'écart sur un parcours compliqué), ce qui est impressionnant pour un si petit drone dans un tel chaos.

💡 Pourquoi c'est important ?

Cette recherche est comme passer d'un conducteur qui regarde seulement la route à un conducteur qui sent la route.

• Les anciennes méthodes étaient soit trop rigides (elles ne s'adaptaient pas), soit trop "noires" (des réseaux de neurones complexes qu'on ne comprenait pas et qui nécessitaient des années d'entraînement).
• Cette nouvelle méthode est compréhensible (on sait pourquoi le drone fait ce qu'il fait) et rapide (elle apprend en quelques secondes, pas des années).

En résumé : Les chercheurs ont donné aux drones une sorte de "sixième sens" pour comprendre le vent instantanément et s'y adapter, leur permettant de voler en sécurité même dans des tempêtes artificielles, là où les drones d'aujourd'hui échoueraient. C'est une étape de plus vers des drones capables de livrer des colis ou de faire des sauvetages par temps de tempête.

Résumé technique

Voici un résumé technique détaillé de l'article « Adaptive SINDy: Residual Force System Identification Based UAV Disturbance Rejection » en français.

1. Problématique

La stabilité et le contrôle des Véhicules Aériens Non Pilotés (UAV) dans des environnements turbulents constituent un défi majeur. La dynamique du vent est hautement non linéaire et incertaine, rendant la modélisation analytique des perturbations difficile.

• Limites des approches existantes : Les méthodes traditionnelles (observateurs de perturbation, contrôle adaptatif classique) sont souvent limitées à des environnements peu complexes. Les approches basées sur l'apprentissage (réseaux de neurones, RL) offrent de bonnes performances mais manquent souvent d'interprétabilité et nécessitent de grandes quantités de données pour l'entraînement, ce qui pose des problèmes de généralisation.
• Objectif : Développer un algorithme de contrôle robuste capable de rejeter les perturbations du vent en temps réel, tout en restant interprétable et efficace avec des données limitées, pour assurer des vols sûrs sur des trajectoires complexes.

2. Méthodologie

L'article propose une architecture hybride novatrice combinant l'identification de système basée sur les données et le contrôle adaptatif en ligne.

A. Identification Sparse des Dynamiques Non-Linéaires (SINDy)

Au lieu d'apprendre une boîte noire, l'approche utilise SINDy pour identifier les forces résiduelles (forces inconnues induites par le vent) à partir des états du drone.

• Modélisation : La dynamique totale est décomposée en une partie connue ($f(x, u)$) et une partie inconnue ($g(x, u, w)$) représentant le vent.
• Bibliothèque de fonctions : Une bibliothèque de fonctions de base ($\Theta$) est construite en s'inspirant de la physique observée : sous l'effet du vent, le drone s'incline (angles de tangage $\theta$ et de roulis $\phi$) pour contrer la force. La bibliothèque inclut donc des termes comme $\theta$, $\phi$, et des sinus/cosinus pondérés par la poussée ($T$).
• Optimisation : L'algorithme utilise la régression SR3 (Sparse Relaxed Regularized Regression) pour trouver un ensemble parcimonieux de coefficients ($\Xi$) qui expliquent les forces résiduelles avec un minimum de termes, garantissant un modèle simple et interprétable.

B. Contrôle Adaptatif (RLS)

Une fois la structure du modèle identifiée, un contrôleur adaptatif ajuste les coefficients en temps réel.

• Estimation : Un estimateur de force résiduelle ($\hat{f}_{dist}$) est calculé en utilisant la matrice d'adaptation $A$ et les termes de la bibliothèque $\phi$.
• Mise à jour : Les paramètres d'adaptation sont mis à jour en utilisant un algorithme des Moindres Carrés Récursifs (RLS) avec fuite (leaky). Cela permet au contrôleur de s'adapter rapidement aux changements de dynamique du vent tout en évitant la dérive des paramètres.
• Commande : La force de commande désirée est calculée en soustrayant la force résiduelle estimée de la force de référence, permettant au drone de compenser activement le vent.

3. Contributions Clés

1. Intégration SINDy-Contrôle Adaptatif : Première application connue de l'identification SINDy couplée à un contrôle adaptatif pour le rejet de perturbations sur des UAV.
2. Modèle Interprétable et Physique : Utilisation d'une bibliothèque de fonctions basée sur l'observation physique (angles d'attitude induits par le vent) plutôt que sur des réseaux de neurones opaques.
3. Efficacité des Données : La méthode nécessite peu de données pour l'entraînement initial et s'adapte en ligne, contrairement aux méthodes d'apprentissage profond.
4. Validation Multi-plateforme : Le système a été testé sur deux plateformes distinctes (ArduPilot SITL et Crazyflie) et validé en vol réel dans un environnement turbulent.

4. Résultats Expérimentaux

Les performances ont été évaluées sur trois trajectoires (cercle, lemniscate, spirale) avec des vents jusqu'à 2 m/s.

• Simulation (ArduPilot SITL) :
  • L'Adaptive SINDy surpasse le contrôleur PID de base et rivalise avec ou dépasse le contrôleur adaptatif DAIML (basé sur l'apprentissage profond).
  • Sur la trajectoire en lemniscate, SINDy obtient un RMSE de 0,350 m contre 0,373 m pour DAIML, avec une queue d'erreur (P95) plus serrée.
• Simulation (Crazyflie) :
  • SINDy obtient les meilleurs résultats sur les trajectoires complexes (lemniscate et spirale), surpassant DAIML, INDI et PID.
  • RMSE sur la lemniscate : 0,105 m (meilleur de tous les contrôleurs).
• Vol Réel (Crazyflie) :
  • Réalisation critique : Le contrôleur PID de base a échoué sur tous les essais, entraînant des crashes irréversibles.
  • L'Adaptive SINDy a réussi 100% des 15 vols (6 cercles, 4 lemniscates, 5 spirales) sans crash.
  • Précision :
    • Trajectoire circulaire : RMSE = 17,6 cm, MAE = 13,7 cm.
    • Trajectoire en lemniscate : RMSE = 12,2 cm, MAE = 10,5 cm.
  • Le système a maintenu le drone stable malgré des vents soufflant de quatre directions simultanément.

5. Signification et Conclusion

Cette étude démontre qu'il est possible de combiner la rigueur de la modélisation physique (via SINDy) avec la flexibilité du contrôle adaptatif pour gérer des environnements incertains.

• Robustesse : La méthode permet à des drones légers (comme le Crazyflie) de voler de manière fiable dans des conditions turbulentes où les contrôleurs classiques échouent.
• Généralisation : L'approche ne dépend pas de modèles de vent pré-spécifiés (comme Dryden ou von Kármán) mais apprend les dynamiques résiduelles directement à partir des états du drone.
• Perspectives : Ce travail ouvre la voie à l'implémentation embarquée de l'identification de système avec peu de données pour l'adaptation en temps réel à des dynamiques changeantes sur divers types de UAV.

En résumé, l'« Adaptive SINDy » offre un cadre robuste, interprétable et efficace pour le rejet de perturbations, comblant le fossé entre les méthodes de contrôle classiques et les approches d'apprentissage moderne.