Hybrid Neural Network and Conventional Controller Approach for Robust Control of Highly Unstable Systems: Application to Tilt-Rotor Control

Résumé Technique : Approche de Réseau Neuronal Hybride et de Contrôleur Conventionnel pour le Contrôle Robuste de Systèmes Hautement Instables

Énoncé du Problème
Les véhicules aériens non habités (UAV) multirotors conventionnels sont intrinsèquement sous-actionnés, ce qui limite leur manœuvrabilité. Les configurations à rotors basculants (tilt-rotor) remédient à cela en permettant une action complète grâce à des entrées de vectorisation de la poussée, autorisant un contrôle indépendant de tous les degrés de liberté (DoF). Cependant, ces systèmes introduisent une complexité dynamique et une instabilité significatives. Bien que l'apprentissage profond ait été intégré dans diverses stratégies de contrôle (ex. : PID, Commande par Modes Glissants, MPC), l'application de l'apprentissage direct entrée-sortie à des plantes hautement instables reste un défi. Cet article étudie si des réseaux neuronaux peuvent directement stabiliser un système tilt-rotor entièrement actionné et propose une alternative hybride combinant l'identification de système basée sur les réseaux neuronaux avec un contrôle conventionnel robuste.

Méthodologie
La recherche est structurée en deux phases distinctes :

1. Apprentissage Direct Entrée-Sortie (Résultat Négatif) :
   Les auteurs ont d'abord tenté de contrôler le système tilt-rotor en utilisant une approche de cartographie directe. Dans cette méthode, des réseaux de type Perceptron Multicouche (MLP), Long Short-Term Memory (LSTM) et des modèles Transformer ont été entraînés pour mapper directement les états du système et les trajectoires désirées vers les entrées de commande (vitesses des moteurs et angles de basculement). Les données d'entraînement ont été générées via des trajectoires sinusoïdales et des manœuvres spécifiques utilisant un Contrôleur par Modes Glissants (SMC) pré-conçu. L'objectif était d'évaluer si ces réseaux pouvaient apprendre la politique de contrôle sans modélisation dynamique explicite.

2. Commande par Modes Glissants Renforcée par Neurones (Contribution Principale) :
   Reconnaissant l'échec de l'approche directe, les auteurs ont proposé une architecture de contrôle hybride. Au lieu d'apprendre la politique de contrôle directement, les réseaux neuronaux sont utilisés pour approximer des composantes spécifiques du modèle dynamique de la plante.

• Décomposition : La dynamique du système est décomposée en composantes indépendantes de l'entrée ($a$) et dépendantes de l'entrée ($G$) basées sur l'équation $\ddot{\bar{x}} = a + Gv$.
• Apprentissage : Des réseaux neuronaux légers (MLP ou LSTM) sont entraînés pour prédire $\hat{a}$ et $\hat{G}$ en utilisant un petit jeu de données dérivé de journaux de vol ou de simulations. Ces réseaux apprennent la relation entre les états du système (attitude, vitesse angulaire) et les paramètres dynamiques.
• Loi de Commande : Les paramètres prédits ($\hat{a}, \hat{G}$) sont intégrés dans un Contrôleur par Modes Glissants (SM) standard. Le SMC utilise ces approximations apprises pour calculer la loi de commande, assurant la robustesse face aux incertitudes.
• Allocation des Actionneurs : Le contrôleur produit un vecteur d'entrée virtuelle $v$, qui est ensuite mappé vers des commandes physiques d'actionneurs (vitesses des moteurs BLDC et angles de basculement des servos) en utilisant une solution de norme minimale pour gérer la nature non carrée de la matrice de contrôle.

Résultats Clés

• Échec de l'Apprentissage Direct : La stratégie de contrôle direct entrée-sortie a échoué à stabiliser le système tilt-rotor hautement instable. Malgré l'obtention d'une Faible Erreur Absolue Moyenne (MAE) sur les données d'entraînement, les réseaux n'ont pas pu empêcher l'accumulation d'erreurs en temps réel, menant à la divergence du système. Cela souligne la limitation fondamentale de l'apprentissage direct pour les plantes instables sans un cadre de contrôle robuste sous-jacent.
• Succès de l'Approche Hybride : Le SMC renforcé par neurones a réussi à stabiliser le système.
  • Robustesse : Le système a maintenu sa stabilité sous des incertitudes significatives, incluant des erreurs d'actionnement aléatoires de 5 à 10 %, une augmentation de masse de 5 %, des variations d'inertie de 20 % et des perturbations de vent externes.
  • Comparaison de Performance : Entre les deux architectures de réseaux utilisées pour la prédiction dynamique, le Prédicteur de Dynamique de Plante (PDP) basé sur LSTM a surpassé le PDP basé sur MLP. Le contrôleur LSTM a atteint une Erreur Absolue Moyenne de Suivi de Trajectoire (TT-MAE) plus faible de 0,21 dans des conditions difficiles, contre 1,05 pour le MLP.
  • Efficacité : L'implémentation LSTM a également démontré un temps d'exécution inférieur (38,5s contre 41,5s pour le test de référence) et a nécessité moins de paramètres pour la prédiction de la composante $a$, ce qui la rend adaptée au déploiement sur des microcontrôleurs à bas coût.

Signification et Revendications
L'article affirme que si le contrôle direct par réseau neuronal est inadapté aux systèmes tilt-rotor hautement instables, l'intégration de réseaux neuronaux légers dans un cadre de contrôle basé sur un modèle offre une solution robuste et efficace. Les contributions clés incluent :

• Démonstration des Limitations : Fournir des preuves empiriques que l'apprentissage direct entrée-sortie échoue pour les plantes hautement instables, même avec des architectures avancées comme les Transformers.
• Efficacité des Données : La méthode proposée peut être entraînée à l'aide de journaux de vol collectés auprès de contrôleurs de faible performance, axés uniquement sur l'attitude, car elle se concentre sur l'apprentissage des paramètres de la plante plutôt que sur les actions de contrôle.
• Utilité de Simulation : Le modèle dynamique appris à partir de données réelles peut être utilisé pour des simulations précises.
• Faisabilité Computationnelle : En décomposant la dynamique et en utilisant des réseaux légers pour des composantes spécifiques, la méthode réduit les exigences de calcul en temps réel, permettant le déploiement sur du matériel aux ressources limitées.

Les auteurs concluent que cette approche hybride fournit une stratégie de contrôle robuste et généralisée pour les UAV à action complète et prévoient de valider ces résultats expérimentalement sur une plateforme physique tilt-rotor dans leur laboratoire.