Model-Reference Adaptive Flight Control of the 95-mg Bee++

Résumé Technique : Contrôle de Vol Adaptatif par Référence de Modèle du Bee++ de 95 mg

Énoncé du Problème
L'article aborde le défi de l'atteinte d'un suivi de position haute performance pour le Bee++, un véhicule aérien à ailes battantes à l'échelle de l'insecte pesant 95 mg. En raison de l'échelle microscopique du robot et de sa fabrication complexe, son modèle dynamique souffre d'une incertitude paramétrique significative, notamment concernant la matrice d'inertie et la cartographie des actionneurs. De plus, la faible inertie du Bee++ le rend hautement sensible aux perturbations stochastiques et systématiques durant le vol, incluant la tension du fil de retenue, les rafales de vent et les forces aérodynamiques résultant d'un mauvais alignement des ailes. Ces facteurs compliquent l'exécution de manœuvres à haute vitesse et d'un stationnaire précis, nécessitant une architecture de contrôle capable de s'adapter aux incertitudes du modèle et aux perturbations externes en temps réel.

Méthodologie
Les auteurs proposent un cadre de Contrôle Adaptatif par Référence de Modèle (MRAC) conçu pour des robots à ailes battantes à corps rigide opérant dans l'espace 3D. La méthodologie centrale comprend les composants suivants :

• Modélisation Dynamique : La dynamique de translation est modélisée en utilisant la deuxième loi de Newton, incorporant un terme de perturbation agrégée inconnu $d(t)$. Cette perturbation est paramétrée comme une combinaison linéaire de fonctions de base radiales (RBF) basées sur des gaussiennes, $d(t) = W^T \phi(x)$, où $W$ est une matrice de paramètres inconnus et $x$ représente le vecteur d'état (position et vitesse).
• Loi de Contrôle : Une loi de contrôle stabilisante est dérivée, incluant une structure standard de type PID (termes proportionnel, intégral et dérivé) combinée à un terme de commande anticipée et à un terme adaptatif, $f_a = \hat{W}^T \phi(x)$. Le terme adaptatif est spécifiquement conçu pour annuler la perturbation inconnue.
• Loi d'Adaptation : Une loi d'adaptation est dérivée pour mettre à jour l'estimation $\hat{W}$ en temps réel. Cette loi est construite en utilisant une analyse de stabilité de Lyapunov. En définissant une fonction candidate de Lyapunov et en assurant que sa dérivée temporelle est semi-définie négative, les auteurs dérivent une règle de mise à jour ($\dot{\hat{W}} = -\gamma \phi \tilde{z}^T P^T B$) qui garantit que l'erreur de suivi converge vers zéro.
• Analyse de Stabilité : Les auteurs prouvent que les signaux du système en boucle fermée restent bornés et que l'erreur de suivi converge asymptotiquement vers zéro. L'analyse démontre que la méthode adaptative rejette efficacement les perturbations en forçant l'état du système à suivre un modèle de référence sans perturbation.

Contributions Clés

• Architecture MRAC pour Micro-Robots : L'article introduit une architecture MRAC spécifique, adaptée aux contraintes uniques des véhicules à ailes battantes à l'échelle de l'insecte, traitant à la fois l'incertitude du modèle et les perturbations externes.
• Preuve Rigoureuse de Stabilité : Le travail fournit une analyse de stabilité formelle utilisant la théorie de Lyapunov, prouvant la stabilité uniforme de l'équilibre et la convergence asymptotique de l'erreur de suivi.
• Validation Expérimentale en Temps Réel : L'approche est validée par des expériences de vol en temps réel sur le robot physique Bee++, démontrant son applicabilité pratique plutôt que de reposer uniquement sur la simulation.

Résultats Expérimentaux
Le schéma MRAC proposé a été évalué par rapport à un contrôleur non adaptatif de référence (d'un travail antérieur [1]) à travers cinq expériences de stationnaire consécutives avec une position de référence constante. Les résultats indiquent :

• Performance Supérieure : Bien que les deux contrôleurs aient pu stabiliser le robot, le schéma MRAC a nettement surpassé le référentiel non adaptatif.
• Améliorations Quantitatives : Le contrôleur MRAC a réduit les erreurs de position moyennes en Racine Carrée de la Moyenne des Carrés (RMS) de 15 % dans la direction $n_1$, de 44 % dans la direction $n_2$ et de 35 % dans la direction $n_3$ par rapport au référentiel.
• Métriques d'Erreur Spécifiques : Pour le schéma MRAC, les erreurs RMS moyennes étaient de $2,32 \pm 0,60$ cm ($n_1$), $0,87 \pm 0,39$ cm ($n_2$) et $0,13 \pm 0,03$ cm ($n_3$).
• Comportement Adaptatif : L'évolution temporelle du terme de force adaptatif ($f_a$) a démontré la compensation active des perturbations par le contrôleur durant le vol.

Signification et Revendications
L'article positionne ce travail comme une étape cruciale vers la réalisation de manœuvres à haute vitesse et d'un contrôle d'attitude avancé pour les robots à l'échelle de l'insecte. Les auteurs affirment que le cadre MRAC proposé permet avec succès au Bee++ d'adapter son comportement pour contrer les perturbations et l'incertitude du modèle, permettant ainsi un suivi de position haute performance. L'étude démontre que l'approche est adaptée, fonctionnelle et capable de performances élevées dans des conditions de vol réelles, comme en témoignent les données expérimentales. Le travail ne prétend pas résoudre tous les défis de contrôle pour les micro-robots, mais établit une base robuste pour le contrôle adaptatif en présence d'incertitudes et de perturbations significatives.