💻 computer science

Surrogate Model-Based Near-Optimal Gain Selection for Approach-Angle-Constrained Two-Phase Pure Proportional Navigation

Cet article propose une méthode basée sur un modèle de régression par réseau de neurones pour sélectionner de manière quasi optimale les gains de navigation d'une guidance proportionnelle pure en deux phases, permettant ainsi de minimiser l'effort de guidage tout en respectant des contraintes d'angle d'approche.

Auteurs originaux : Abhigyan Roy, Shreeya Padte, Abel Viji George, Vivek A, Satadal Ghosh

Publié 2026-04-07

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Abhigyan Roy, Shreeya Padte, Abel Viji George, Vivek A, Satadal Ghosh

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 Dilemme du Drone : Arriver vite ou arriver bien ?

Imaginez que vous pilotez un drone (un petit avion sans pilote) et que votre mission est d'atterrir sur une petite plateforme. Mais il y a une règle stricte : vous devez atterrir avec un angle précis, par exemple, perpendiculairement à la plateforme pour que vos capteurs fonctionnent bien, ou pour éviter de heurter un obstacle.

Le problème, c'est que votre drone a une batterie limitée. Il ne veut pas gaspiller de carburant en faisant des virages inutiles ou en accélérant trop fort. Il veut trouver le chemin le plus "doux" et le plus économe pour arriver exactement là où il faut, avec l'angle parfait.

C'est exactement le problème que résolvent les auteurs de cet article.

1. La Solution "Deux Temps" (Le Guide en Deux Étapes)

Habituellement, les drones utilisent une méthode simple appelée "Navigation Proportionnelle Pure" (PPN). C'est comme si le drone regardait sa cible et tournait doucement pour s'aligner. Mais cette méthode simple a un défaut : elle ne permet pas d'arriver avec n'importe quel angle. C'est comme essayer de garer une voiture dans un parking très serré en ne faisant que des virages à droite : parfois, c'est impossible.

Pour régler ça, les chercheurs ont inventé une méthode en deux phases (2pPPN) :

Phase 1 (L'Orientation) : Le drone fait un grand virage pour se mettre dans une bonne position de départ, comme un skieur qui s'élance en haut de la pente pour prendre de l'élan.
Phase 2 (L'Atterrissage) : Une fois bien positionné, il utilise sa méthode classique pour finir le travail et atterrir.

2. Le Problème des "Réglages" (Les Gains)

Pour que ce système fonctionne, il faut régler deux "boutons" (appelés gains de navigation) :

Un bouton pour la Phase 1 (combien tourner ?).
Un bouton pour la Phase 2 (combien accélérer pour l'atterrissage ?).

Le problème, c'est qu'il existe des millions de combinaisons possibles pour ces deux boutons. Si vous essayez de calculer mathématiquement la combinaison parfaite pour chaque situation (vent, distance, angle de départ), c'est un casse-tête mathématique impossible à résoudre en temps réel. C'est comme essayer de calculer à la main la recette parfaite d'un gâteau pour chaque client, en tenant compte de son humeur, de la température de la cuisine et de la qualité de la farine.

3. La Solution Magique : L'Entraînement d'un "Super-Cerveau" (Réseau de Neurones)

Au lieu de faire les calculs compliqués à chaque fois, les auteurs ont eu une idée brillante : apprendre à un ordinateur à deviner la réponse.

Voici comment ils ont fait, étape par étape :

L'Entraînement (La Simulation) : Ils ont fait tourner des milliers de simulations sur ordinateur. Ils ont dit au drone : "Essaie 100 000 combinaisons de boutons différents pour atterrir ici." Ils ont enregistré quelle combinaison a permis d'économiser le plus de carburant. C'est comme si un chef cuisinier testait 100 000 recettes pour trouver la meilleure.
L'Apprentissage (Le Réseau de Neurones) : Ils ont donné ces résultats à une intelligence artificielle (un "Réseau de Neurones"). Imaginez que c'est un étudiant très intelligent qui regarde toutes ces simulations et qui dit : "Ah ! Quand le drone commence ici et veut atterrir là, il faut tourner le bouton A à cette valeur et le bouton B à cette autre valeur."
Le Résultat (Le Surrogate Model) : Une fois entraîné, ce "cerveau" ne fait plus de calculs lourds. Il devient un oracle instantané. Dès que le drone lance sa mission, il demande au cerveau : "Je suis ici, je veux atterrir là." Et le cerveau répond immédiatement : "Tourne les boutons à X et Y".

4. Pourquoi c'est génial ?

Rapidité : Au lieu de passer des heures à calculer la trajectoire parfaite, le drone trouve la solution en une fraction de seconde (comme regarder une réponse dans un dictionnaire).
Précision : L'IA a appris à prédire les réglages avec une précision de près de 90% par rapport au calcul mathématique parfait.
Économie : Le drone arrive avec l'angle parfait en gaspillant le minimum d'énergie.

En Résumé

Imaginez que vous devez conduire une voiture dans une ville inconnue pour arriver à un rendez-vous précis.

L'ancienne méthode : Vous calculez chaque virage à la main avec une règle et une équerre. C'est lent et vous risquez de rater le rendez-vous.
La nouvelle méthode (cet article) : Vous avez un GPS ultra-intelligent qui a déjà conduit dans cette ville des millions de fois. Dès que vous démarrez, il vous dit exactement comment tourner le volant pour arriver parfaitement, sans effort et sans perdre de temps.

C'est exactement ce que font ces chercheurs pour les drones : ils ont créé un "GPS mathématique" qui permet aux drones d'atterrir avec précision et économie, grâce à l'intelligence artificielle.

1. Problématique et Contexte

Contexte :
Les véhicules autonomes modernes (notamment les UAV) nécessitent souvent un contrôle précis de l'angle d'approche terminal pour des missions spécifiques (inspections industrielles, récupération dans des espaces restreints, docking, munitions loitering). La Navigation Proportionnelle Pure (PPN) est largement utilisée pour son efficacité et sa simplicité, mais la version standard à une seule phase présente une limitation majeure : elle ne peut réaliser qu'un sous-ensemble restreint des angles d'approche désirés, en particulier lorsque le gain de navigation requis ( $N$ ) est inférieur à 2, ce qui entraîne une accélération latérale non bornée.

Solution existante et limitation :
Une extension, appelée PPN à deux phases (2pPPN), a été proposée pour couvrir tout un demi-espace angulaire. Elle consiste en une phase d'orientation suivie d'une phase finale. Cependant, les travaux antérieurs fixaient la configuration de fin de la phase d'orientation de manière spécifique, limitant ainsi la flexibilité.
Pour un ensemble donné de conditions initiales et d'objectifs terminaux, il existe de multiples trajectoires possibles dans la phase d'orientation. Le choix des gains de navigation ( $N_{ori}$ pour la phase d'orientation et $N_f$ pour la phase finale) influence directement l'effort de guidage total (énergie consommée).

Problème central :
Déterminer analytiquement les gains optimaux ( $N^*_{ori}, N^*_{f}$ ) qui minimisent l'effort de guidage ( $J = \int a_P^2 dt$ ) pour des géométries d'engagement arbitraires est mathématiquement intraitable. Les méthodes numériques existent mais sont trop coûteuses en temps de calcul pour une utilisation en temps réel à bord.

2. Méthodologie

L'article propose une approche pilotée par les données utilisant un modèle de substitution (surrogate model) basé sur un réseau de neurones (NN) pour apprendre la relation non linéaire entre les conditions d'engagement et les gains optimaux.

A. Génération du jeu de données :

Simulation : Des simulations numériques ont été réalisées pour un scénario d'engagement planaire avec une cible stationnaire.
Optimisation : Pour chaque configuration géométrique (angle initial du poursuiveur $\alpha_{P0}$ et angle d'approche désiré $\alpha^d_{Pf}$ ), un problème d'optimisation sous contraintes a été résolu pour trouver les gains minimisant l'effort de guidage.
Contraintes :
- $N_f \in [2, 5]$ (bornes pratiques et de stabilité).
- $N_{ori}$ borné géométriquement pour assurer la transition vers la phase finale.
- Temps de vol maximal ( $t_f \le t_{max}$ ) pour éviter des trajectoires trop longues.
Résultat : Un jeu de données de près de 95 000 scénarios valides a été généré, produisant des surfaces de gains optimaux lisses.

B. Architecture du Réseau de Neurones :
Deux modèles distincts ont été entraînés pour répondre à deux formulations du problème :

Modèle A (Prédiction de $N^*_{ori}$ ) :
- Entrées : $\alpha_{P0}$ , $\alpha^d_{Pf}$ , et le gain final $N_f$ (fixé par le concepteur).
- Sortie : Gain optimal de la phase d'orientation $N^*_{ori}$ .
- Architecture : 3 entrées, 2 couches cachées (32 et 16 neurones), 1 sortie.
Modèle B (Prédiction du couple $(N^*_{ori}, N^*_{f})$ ) :
- Entrées : $\alpha_{P0}$ , $\alpha^d_{Pf}$ .
- Sortie : Le couple de gains optimaux $(N^*_{ori}, N^*_{f})$ .
- Architecture : 2 entrées, 3 couches cachées (32, 64, 16 neurones), 2 sorties.

C. Entraînement :

Utilisation de l'optimiseur Adam avec une fonction d'activation tanh.
Normalisation des données (moyenne 0, variance 1).
Partitionnement 80/20 (entraînement/test) pour évaluer la généralisation.
Fonction de perte : Erreur quadratique moyenne (MSE).

3. Résultats Clés

Les simulations de validation montrent que l'approche basée sur les réseaux de neurones est hautement performante :

Précision :
- Le Modèle A atteint un coefficient de détermination ( $R^2$ ) de 0,932. La prédiction est très précise car le gain final $N_f$ est fourni comme entrée, réduisant l'ambiguïté.
- Le Modèle B atteint des $R^2$ de 0,880 et 0,901 pour les deux sorties respectives. La précision est légèrement inférieure aux extrémités du domaine où les données d'entraînement sont plus clairsemées, mais reste acceptable.
Généralisation : Les modèles réussissent à interpoler correctement les gains pour des géométries d'engagement non vues lors de l'entraînement, reproduisant la lissité des surfaces de gains optimaux.
Efficacité Computationnelle :
- La prédiction d'un jeu de gains se fait en quelques centaines de microsecondes ( $O(10^2)$ $\mu$ s).
- Cela élimine le besoin de résoudre des problèmes d'optimisation complexes en temps réel, rendant la méthode viable pour un embarquement à bord d'un UAV.

4. Contributions Principales

Formulation d'un problème d'optimisation de gains : Identification de la possibilité d'optimiser simultanément les gains des deux phases du 2pPPN pour minimiser l'effort de guidage, au-delà des configurations fixes précédentes.
Développement d'un cadre de substitution (Surrogate Model) : Création d'une architecture de régression par réseau de neurones capable d'apprendre la manifold (variété) des gains optimaux complexes et non linéaires.
Validation de la faisabilité temps réel : Démonstration que l'approche data-driven permet de sélectionner des gains quasi-optimaux avec une précision élevée et un coût computationnel négligeable, contrairement aux méthodes d'optimisation numérique itérative.
Extension de la portée du 2pPPN : La méthode permet de réaliser efficacement des angles d'approche dans tout le demi-espace angulaire avec un effort de guidage minimisé.

5. Signification et Impact

Ce travail est significatif car il comble le fossé entre la théorie du contrôle optimal (souvent trop lourde pour le temps réel) et les lois de guidage pratiques. En remplaçant des calculs itératifs coûteux par une inférence de réseau de neurones ultra-rapide, l'article ouvre la voie à l'implémentation de stratégies de guidage quasi-optimales sur des plateformes autonomes aux ressources limitées.

Cela permet aux UAV d'accomplir des manœuvres complexes d'approche avec des contraintes d'angle strictes tout en économisant l'énergie (effort de guidage), ce qui est crucial pour l'autonomie et la durée de vie des missions. La méthode proposée est robuste, généralisable et prête pour une intégration dans des systèmes de guidage embarqués.