Commande robuste de robots mobiles par mode glissant, vers un ménage à plusieurs?
|
|
- Sabine Boudreau
- il y a 8 ans
- Total affichages :
Transcription
1 Commande robuste de robots mobiles par mode glissant, vers un ménage à plusieurs? M. Defoort, T. Floquet et W. Perruquetti LAGIS UMR CNRS 8146, Ecole Centrale de Lille, Villeneuve d Ascq. michael.defoort@ec-lille.fr 10 Novembre 2006
2 PLAN Introduction 1 Introduction
3 Projet Robocoop : http ://syner.ec-lille.fr/robocoop Objectif Déploiement de flottilles d agents autonomes ou semi-autonomes
4 Challenges Informations/décisions locales Communications limitées, Opération à grande échelle, Environnement dynamique incertain et parfois hostile,... Recherche pluridisciplinaire : Modélisation, planification et commande (contraintes, modèle non linéaires, retards, hiérarchisation, aspects hybrides... ) théorie des graphes, protocole de communication, logique et décision,...
5 Challenges Informations/décisions locales Communications limitées, Opération à grande échelle, Environnement dynamique incertain et parfois hostile,... Recherche pluridisciplinaire : Modélisation, planification et commande (contraintes, modèle non linéaires, retards, hiérarchisation, aspects hybrides... ) théorie des graphes, protocole de communication, logique et décision,...
6 Objectifs généraux du projet
7 Domaines d application Santé (chirurgie télé-opérée,... ) Transport (autoroute automobile, drone, satellites,... )
8 Leader(s)? Graphe Modèles Leader ou pas? Certains véhicules jouent parfois un rôle particulier : les leaders. Distinction entre 2 types d architecture : 1 avec leader : le leader dirige tout ou partie de la flottille. 2 sans leader : besoin d une coordination locale/globale : des règles de décision doivent utiliser des informations locales (informations échangées avec les véhicules voisins) ou des informations globales
9 Leader(s)? Graphe Modèles Leader ou pas? Certains véhicules jouent parfois un rôle particulier : les leaders. Distinction entre 2 types d architecture : 1 avec leader : le leader dirige tout ou partie de la flottille. 2 sans leader : besoin d une coordination locale/globale : des règles de décision doivent utiliser des informations locales (informations échangées avec les véhicules voisins) ou des informations globales
10 Leader(s)? Graphe Modèles Graphes Deux graphes sont nécessaires pour définir un groupe de N robots : 1 le graphe des communications entre robots : G c, 2 le graphe de formation (caractérise la géométrie de la formation) : G f. Definition Le graphe de communication G c = (R, A) (respectivement graphe de formation G f = (R, A, W )) est un graphe orienté (respectivement un graphe pondéré) où R = {R 1,..., R N } représente une liste de noeuds et A une liste d arcs orientés (respectivement d arcs pondérés de poids associés à W ).
11 Leader(s)? Graphe Modèles Graphes Deux graphes sont nécessaires pour définir un groupe de N robots : 1 le graphe des communications entre robots : G c, 2 le graphe de formation (caractérise la géométrie de la formation) : G f. Definition Le graphe de communication G c = (R, A) (respectivement graphe de formation G f = (R, A, W )) est un graphe orienté (respectivement un graphe pondéré) où R = {R 1,..., R N } représente une liste de noeuds et A une liste d arcs orientés (respectivement d arcs pondérés de poids associés à W ).
12 Leader(s)? Graphe Modèles Graphes Deux graphes sont nécessaires pour définir un groupe de N robots : 1 le graphe des communications entre robots : G c, 2 le graphe de formation (caractérise la géométrie de la formation) : G f. Definition Le graphe de communication G c = (R, A) (respectivement graphe de formation G f = (R, A, W )) est un graphe orienté (respectivement un graphe pondéré) où R = {R 1,..., R N } représente une liste de noeuds et A une liste d arcs orientés (respectivement d arcs pondérés de poids associés à W ).
13 Leader(s)? Graphe Modèles Exemple de graphe de communication G c R 0 = L R 2 R 1 R 3 R 7 R 5 R 4 R 6
14 d 25 d 15 Introduction Leader(s)? Graphe Modèles Exemple de graphe de formation G f d 02 R 0 = L R 2 d 01 d 23 d 12 R 1 d(r 0, R7) = d 07 > 0 d 17 R 3 R 7 d 35 R 5 d 57 d 34 d 45 d 56 d 67 R 4 R 6
15 Leader(s)? Graphe Modèles Remarque G c : un arc unidirectionnel (resp. bi-directionnel) reliant deux noeuds signifie qu il existe une liaison de communication unidirectionnelle (resp. bi-directionnelle) entre les deux robots G f : un arc reliant deux noeuds signifie qu il existe une contrainte géométrique (reliée à d ij = q i q j ) dont le poids associé, p ij est 1 une constante si la contrainte est rigide, 2 un intervalle si la contrainte est flexible. G f et G c sont fortement corrélés : par exemple si la communication est wifi alors la qualité de la communication est une fonction de la distance entre l émetteur et le récepteur. Le maintien de G f est nécessaire pour assurer une communication de qualité entre les robots
16 Leader(s)? Graphe Modèles Remarque G c : un arc unidirectionnel (resp. bi-directionnel) reliant deux noeuds signifie qu il existe une liaison de communication unidirectionnelle (resp. bi-directionnelle) entre les deux robots G f : un arc reliant deux noeuds signifie qu il existe une contrainte géométrique (reliée à d ij = q i q j ) dont le poids associé, p ij est 1 une constante si la contrainte est rigide, 2 un intervalle si la contrainte est flexible. G f et G c sont fortement corrélés : par exemple si la communication est wifi alors la qualité de la communication est une fonction de la distance entre l émetteur et le récepteur. Le maintien de G f est nécessaire pour assurer une communication de qualité entre les robots
17 Leader(s)? Graphe Modèles Remarque G c : un arc unidirectionnel (resp. bi-directionnel) reliant deux noeuds signifie qu il existe une liaison de communication unidirectionnelle (resp. bi-directionnelle) entre les deux robots G f : un arc reliant deux noeuds signifie qu il existe une contrainte géométrique (reliée à d ij = q i q j ) dont le poids associé, p ij est 1 une constante si la contrainte est rigide, 2 un intervalle si la contrainte est flexible. G f et G c sont fortement corrélés : par exemple si la communication est wifi alors la qualité de la communication est une fonction de la distance entre l émetteur et le récepteur. Le maintien de G f est nécessaire pour assurer une communication de qualité entre les robots
18 Leader(s)? Graphe Modèles Remarque G c : un arc unidirectionnel (resp. bi-directionnel) reliant deux noeuds signifie qu il existe une liaison de communication unidirectionnelle (resp. bi-directionnelle) entre les deux robots G f : un arc reliant deux noeuds signifie qu il existe une contrainte géométrique (reliée à d ij = q i q j ) dont le poids associé, p ij est 1 une constante si la contrainte est rigide, 2 un intervalle si la contrainte est flexible. G f et G c sont fortement corrélés : par exemple si la communication est wifi alors la qualité de la communication est une fonction de la distance entre l émetteur et le récepteur. Le maintien de G f est nécessaire pour assurer une communication de qualité entre les robots
19 Leader(s)? Graphe Modèles Definition La matrice de communication associée au graphe de communications est une matrice carré M c = (m c ij ) N N définie par : { m c 1 si l arc Ri R ij = j A. 0 sinon De la même manière la matrice de formation associée au graphe de formation est une matrice carré M f = (m f ij ) N N avec { m f ij = pij si l arc R i R j A 0 sinon. Pour une contrainte rigide, p ij est une constante alors que pour une contrainte flexible c est un intervalle : généralement M f est une matrice intervalle.
20 Leader(s)? Graphe Modèles Definition La matrice de communication associée au graphe de communications est une matrice carré M c = (m c ij ) N N définie par : { m c 1 si l arc Ri R ij = j A. 0 sinon De la même manière la matrice de formation associée au graphe de formation est une matrice carré M f = (m f ij ) N N avec { m f ij = pij si l arc R i R j A 0 sinon. Pour une contrainte rigide, p ij est une constante alors que pour une contrainte flexible c est un intervalle : généralement M f est une matrice intervalle.
21 Leader(s)? Graphe Modèles Cas particulier : architecture de type leader-suiveur Architecture de type leader-suiveur Pour le graphe orienté G c, le père d un noeud est son leader. La racine R 1 est le leader de la formation. Il dirige l ensemble de la flottille. La matrice M c est définie telle que m c ij = 1 lorsque R j suit R i (le robot R j suit la trajectoire déterminée par R i ). La formation de N robots est caractérisée par un leader R 1 et une cascade de N 1 paires de leader-suiveurs (R i -R j ).
22 Leader(s)? Graphe Modèles Modèles 1 Modèle cinématique (contraintes de non holonomie) Posture Kinematic Model (PKM) : modèle simplifié qui donne une description globale du robot (généralement utilisé pour la commande). Position =(x, y, θ) dans la plupart des cas. Configuration Kinematic Model (CKM) : toutes les variables de configuration (position + position angulaire des roues,... ). 2 Modèle dynamique (idem + dynamique des actionneurs (moteurs électriques)) Configuration Dynamic Model (CDM) : inclue les dynamiques des robots mobiles (force et couple générés par les actionneurs) Posture Dynamic Model (PDM) : idem pour CKM.
23 Leader(s)? Graphe Modèles Modèles 1 Modèle cinématique (contraintes de non holonomie) Posture Kinematic Model (PKM) : modèle simplifié qui donne une description globale du robot (généralement utilisé pour la commande). Position =(x, y, θ) dans la plupart des cas. Configuration Kinematic Model (CKM) : toutes les variables de configuration (position + position angulaire des roues,... ). 2 Modèle dynamique (idem + dynamique des actionneurs (moteurs électriques)) Configuration Dynamic Model (CDM) : inclue les dynamiques des robots mobiles (force et couple générés par les actionneurs) Posture Dynamic Model (PDM) : idem pour CKM.
24 Leader(s)? Graphe Modèles La platitude : une notion clé (M. Fliess, J. Lévine, Ph. Martin, et P. Rouchon) Pour les systèmes linéaire ẋ = Ax + Bu les notions suivantes sont équivalentes : 1 Commandabilité, 2 Forme normale de Brunovsky, 3 La paramétrisation des variables d état et des entrées par m sorties (sorties de Brunovsky ou sorties plates).
25 Leader(s)? Graphe Modèles La platitude : une notion clé Le système ẋ = f(x, u), x R n, u R m, est plat s il existe m sorties dépendant de l état, des entrées et d un certain nombre de leur dérivées jusqu à l ordre r n (sorties plates) de telle sorte que les variables d état et les sorties peuvent être exprimées en fonction des sorties plates. Il existe trois fonctions telle que y = h(x, u, u, ü,..., u (r) ), x = χ(y, ẏ,..., y (r 1) ), u = ϑ(y, ẏ,..., y (r) ).
26 Leader(s)? Graphe Modèles Théorème Tout systèmes non linéaires de la forme ẋ = B(x)u avec m entrées et au plus m + 2 états est plat. Conclusion Les modèles PKM et PDM sont plats. Ils sont commandables. Cependant, d après le théorème de Brockett, ils ne sont pas stabilisables par retour d état continu et stationnaire.
27 Leader(s)? Graphe Modèles Modèle cinématique 1 Modèle de type unicycle ẋ = v cos θ Y-AXIS w v n n (x n,y n ) ẏ = v sin θ θ = w 2 Modèle de type voiture ẋ = v cos θ θ n X - AXIS ẏ = v sin θ θ = v tan(φ) l φ = w
28 Leader(s)? Graphe Modèles Modèle cinématique : plat Sorties plates : (x, y). ( ) 1 pour l unicycle : θ = arctan ẏ ( 2 pour la voiture : θ = arctan ẏ ẋ ( ẋÿ ẏẍ arctan l, w = φ. (ẋ 2 +ẏ 2 ) 3/2 ) ẋ, v = ± ẋ 2 + ẏ 2,w = ẋÿ ẏẍ ẋ 2 +ẏ 2 ), v = ± ẋ 2 + ẏ 2, φ =
29 Objectifs Problème de commande optimale Transformation en problème de programmation non linéaire Algorithme décentralisé de planification Dans les cas avec ou sans leaders, la planification de trajectoire pour un robot de la flottille ne dépend que des informations locales échangées avec les robots voisins. Afin d obtenir une trajectoire faisable pour le ième robot (connaissant sa configuration et les informations locales des voisins) : on utilise la ième ligne de G c ou G f. Exemple 2 R2 2 R3 R4 1 3 R1 R5 4 R6 1 R0 2 R7 3
30 Objectifs Problème de commande optimale Transformation en problème de programmation non linéaire Objectif Générer une trajectoire (sous)-optimale satisfaisant les contraintes : physiques (vitesse et accélération maximales des robots) sur la géométrie de la formation, évitement d obstacles, évitement de collisions entre robots, les conditions aux bords, sur les distances entre robots induites par les limites de communication autres : contraintes sur le temps (missions de sauvetage), sur la consommation d énergie (limites induites par les batteries,... )
31 Objectifs Problème de commande optimale Transformation en problème de programmation non linéaire Objectif Générer une trajectoire (sous)-optimale satisfaisant les contraintes : physiques (vitesse et accélération maximales des robots) sur la géométrie de la formation, évitement d obstacles, évitement de collisions entre robots, les conditions aux bords, sur les distances entre robots induites par les limites de communication autres : contraintes sur le temps (missions de sauvetage), sur la consommation d énergie (limites induites par les batteries,... )
32 Objectifs Problème de commande optimale Transformation en problème de programmation non linéaire Objectif Générer une trajectoire (sous)-optimale satisfaisant les contraintes : physiques (vitesse et accélération maximales des robots) sur la géométrie de la formation, évitement d obstacles, évitement de collisions entre robots, les conditions aux bords, sur les distances entre robots induites par les limites de communication autres : contraintes sur le temps (missions de sauvetage), sur la consommation d énergie (limites induites par les batteries,... )
33 Objectifs Problème de commande optimale Transformation en problème de programmation non linéaire Objectif Générer une trajectoire (sous)-optimale satisfaisant les contraintes : physiques (vitesse et accélération maximales des robots) sur la géométrie de la formation, évitement d obstacles, évitement de collisions entre robots, les conditions aux bords, sur les distances entre robots induites par les limites de communication autres : contraintes sur le temps (missions de sauvetage), sur la consommation d énergie (limites induites par les batteries,... )
34 Objectifs Problème de commande optimale Transformation en problème de programmation non linéaire Objectif Générer une trajectoire (sous)-optimale satisfaisant les contraintes : physiques (vitesse et accélération maximales des robots) sur la géométrie de la formation, évitement d obstacles, évitement de collisions entre robots, les conditions aux bords, sur les distances entre robots induites par les limites de communication autres : contraintes sur le temps (missions de sauvetage), sur la consommation d énergie (limites induites par les batteries,... )
35 Objectifs Problème de commande optimale Transformation en problème de programmation non linéaire Objectif Générer une trajectoire (sous)-optimale satisfaisant les contraintes : physiques (vitesse et accélération maximales des robots) sur la géométrie de la formation, évitement d obstacles, évitement de collisions entre robots, les conditions aux bords, sur les distances entre robots induites par les limites de communication autres : contraintes sur le temps (missions de sauvetage), sur la consommation d énergie (limites induites par les batteries,... )
36 Objectifs Problème de commande optimale Transformation en problème de programmation non linéaire Objectif Générer une trajectoire (sous)-optimale satisfaisant les contraintes : physiques (vitesse et accélération maximales des robots) sur la géométrie de la formation, évitement d obstacles, évitement de collisions entre robots, les conditions aux bords, sur les distances entre robots induites par les limites de communication autres : contraintes sur le temps (missions de sauvetage), sur la consommation d énergie (limites induites par les batteries,... )
37 Objectifs Problème de commande optimale Transformation en problème de programmation non linéaire Objectif Générer une trajectoire (sous)-optimale satisfaisant les contraintes : physiques (vitesse et accélération maximales des robots) sur la géométrie de la formation, évitement d obstacles, évitement de collisions entre robots, les conditions aux bords, sur les distances entre robots induites par les limites de communication autres : contraintes sur le temps (missions de sauvetage), sur la consommation d énergie (limites induites par les batteries,... )
38 Objectifs Problème de commande optimale Transformation en problème de programmation non linéaire Planification de trajectoire BUT : Pour chaque robot, déterminer la trajectoire et la commande qui minimisent la fonctionnelle J = tf t 0 C(X 1,..., X v, U 1,..., U v )dt, t 0 est l instant initial (supposé nul), t f est le temps final fixé ou inconnu a et C est la fonction coût. Les trajectoires doivent joindre les conditions terminales (initiales et finales) a planification en temps optimal
39 Objectifs Problème de commande optimale Transformation en problème de programmation non linéaire Planification de trajectoire En satisfaisant les contraintes : 1 bornes sur les vitesses : S 1 n = U max n U n 0 2 évitement de collision avec les obstacles (union de domaines circulaires de centre (x o m, y o m) et de rayon r o m) : S 2 nm = d(a n, O m ) 2 (r n + r o m) évitement de collision entre les robots : S 3 nn = d(a n, A n ) 2 (r n + r n ) distances maximales entre les robots qui communiquent : S 4 nn = d2 max d(a n, A n ) 2 0.
40 Objectifs Problème de commande optimale Transformation en problème de programmation non linéaire Planification de trajectoire En satisfaisant les contraintes : 1 bornes sur les vitesses : S 1 n = U max n U n 0 2 évitement de collision avec les obstacles (union de domaines circulaires de centre (x o m, y o m) et de rayon r o m) : S 2 nm = d(a n, O m ) 2 (r n + r o m) évitement de collision entre les robots : S 3 nn = d(a n, A n ) 2 (r n + r n ) distances maximales entre les robots qui communiquent : S 4 nn = d2 max d(a n, A n ) 2 0.
41 Objectifs Problème de commande optimale Transformation en problème de programmation non linéaire Planification de trajectoire En satisfaisant les contraintes : 1 bornes sur les vitesses : S 1 n = U max n U n 0 2 évitement de collision avec les obstacles (union de domaines circulaires de centre (x o m, y o m) et de rayon r o m) : S 2 nm = d(a n, O m ) 2 (r n + r o m) évitement de collision entre les robots : S 3 nn = d(a n, A n ) 2 (r n + r n ) distances maximales entre les robots qui communiquent : S 4 nn = d2 max d(a n, A n ) 2 0.
42 Objectifs Problème de commande optimale Transformation en problème de programmation non linéaire Planification de trajectoire En satisfaisant les contraintes : 1 bornes sur les vitesses : S 1 n = U max n U n 0 2 évitement de collision avec les obstacles (union de domaines circulaires de centre (x o m, y o m) et de rayon r o m) : S 2 nm = d(a n, O m ) 2 (r n + r o m) évitement de collision entre les robots : S 3 nn = d(a n, A n ) 2 (r n + r n ) distances maximales entre les robots qui communiquent : S 4 nn = d2 max d(a n, A n ) 2 0.
43 Objectifs Problème de commande optimale Transformation en problème de programmation non linéaire Planification de trajectoire En satisfaisant les contraintes : 1 bornes sur les vitesses : S 1 n = U max n U n 0 2 évitement de collision avec les obstacles (union de domaines circulaires de centre (x o m, y o m) et de rayon r o m) : S 2 nm = d(a n, O m ) 2 (r n + r o m) évitement de collision entre les robots : S 3 nn = d(a n, A n ) 2 (r n + r n ) distances maximales entre les robots qui communiquent : S 4 nn = d2 max d(a n, A n ) 2 0.
44 Objectifs Problème de commande optimale Transformation en problème de programmation non linéaire Pénalité Transformation du problème d optimisation sous contraintes par : J p = tf tf + 0 tf + 0 t 0 C(X 1,..., X N, U 1,..., U N )dt + N N o n=1 m=1 N n=1 n =1 n n { µ 2 nm Ω(S 2 nm) } dt + tf N { µ 4 nn Ω(Snn 4 )} dt. 0 tf t 0 N N n=1 n=1 n =1 n n { µ 1 n Ω ( Sn 1 )} dt N { µ 3 nn Ω ( Snn 3 )} dt La fonction pénalité Ω pénalise la fonction coût lorsque la contrainte est violée
45 Objectifs Problème de commande optimale Transformation en problème de programmation non linéaire La platitude est de retour Transformation du coût et des contraintes en utilisation les sorties plates et un nombre fini de leur dérivées J p = tf 0 L(Z(t), Ż(t),..., Z(r) (t))dt. Elimination des contraintes dynamiques
46 Objectifs Problème de commande optimale Transformation en problème de programmation non linéaire Sur le chemin de la programmation non linéaire Paramétrisation des sorties plates x n (t k ) = x n,initial (t k ) + y n (t k ) = y n,initial (t k ) + Le problème devient : P a 1n,j N j,2 (t k ) j=1 P a 2n,j N j,2 (t k ) j=1 tf min L(Z(t), Ż(t),..., a Z(r) (t))dt. in,j 0
47 Objectifs Problème de commande optimale Transformation en problème de programmation non linéaire Sur le chemin de la programmation non linéaire Choix des fonctions de base : les B splines Première utilisation dans Milam et al y f (t) = T N i,2 (t)a i i=1 Q = {q 1 =... = q k = t 0 q k+1 = t 1 q k+p =... = q T = t P = t f.} σ = {t 0 t t P 1... t P = t f}
48 Objectifs Problème de commande optimale Transformation en problème de programmation non linéaire Propriétés des B splines 1 Support compact. Les fonctions N i,d sont nulles en dehors des intervalles [q i, q i+d+1 ] impact uniquement autour du point considéré : intérêt pour l implémentation numérique car la méthode de descente de gradient est simplifiée par la matrice hessienne quasiment creuse, i.e la plupart des entrées sont nulles. 2 N i,d (t) fonction polynomiale par rapport à la variable t d ordre d. 3 N i,d (t) 0, d, i, t. 4 Facilement différentiable (degré de continuité des B splines peut facilement être choisi).
49 Objectifs Problème de commande optimale Transformation en problème de programmation non linéaire Résolution On subdivise le temps en intervalles Problème de programmation non linéaire min a in,j N sample k=1 σ k L(Z(t k ), Ż(t k),..., Z (r) (t k )) où les poids σ k et les instants t k sont choisis par différentes méthodes (trapézoidale, rectangle, Gauss-Legendre,... ). Optimisation directe des coefficients par descente de gradient A l aide des propriétés de platitude, on déduit les commandes en boucle ouverte du système.
50 Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Motivation : Tout va bien?? Plus ou moins... Résultats expérimentaux sur le système en boucle ouverte
51 Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Motivation : Tout va bien?? Plus ou moins... Le modèle unicycle est perturbé... avec des π Mais que se passe t il lors de la présence de bruits de mesure ou de glissement?? (qui peuvent apparaître lorsque le contact entre la roue et la route n est pas maintenu... ) ẋ i = v i cos θ i + π 1,i ẏ i = v i sin θ i + π 2,i θ i = w i + π 3,i π 1,i, π 2,i, π 3,i sont des perturbations additives inconnues. Question Help! Comment faire face à ces perturbations?
52 Solution 1 : Suivi individuel Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Suivi individuel de la trajectoire planifiée pour chaque robot R i, i = 1,..., N. Trajectoire de référence planifiée ẋ i = v i cos θ i ẏ i = v i sin θ i θ i = w i
53 Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Erreurs de suivi : x i = x i x i ŷ i = y i y i θ i = θ i θ i Objectifs de la commande Determiner la commande u i = [v i, w i ] T telle que les erreurs de suivi x i, ŷ i et θ i soient globalement asymptotiquement stables malgré les erreurs initiales et les perturbations.
54 Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Difficultés pour commander un robot de type unicycle Provient de la contrainte de non holonomie imposée par les roues : Condition nécessaire de Brockett pour la stabilisation = PKM and PDM ne peuvent pas être stabilisés asymptotiquement par un retour d état continu et stationnaire (qui ne dépend pas du temps). Solution { v = v(x, y, θ, t) Retour d état qui dépend du temps : w = w(x, y, θ, t) { v = vdisc (x, y, θ) Commande discontinue : w = w disc (x, y, θ)
55 Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Difficultés pour commander un robot de type unicycle Provient de la contrainte de non holonomie imposée par les roues : Condition nécessaire de Brockett pour la stabilisation = PKM and PDM ne peuvent pas être stabilisés asymptotiquement par un retour d état continu et stationnaire (qui ne dépend pas du temps). Solution { v = v(x, y, θ, t) Retour d état qui dépend du temps : w = w(x, y, θ, t) { v = vdisc (x, y, θ) Commande discontinue : w = w disc (x, y, θ)
56 Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Dynamique de l erreur de suivi dans le référentiel robot : x e cos θ sin θ 0 x y e = sin θ cos θ 0 ŷ θ e θ ẋ e ẏ e θ e = v cos θ e v sin θ e w 1 y e + 0 x e 0 1 [ v w ].
57 Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Retour d état dépendant du temps borné Prend en compte les limitations des actionneurs : [ ] v(t) = v cos θ e + a 3 tanh x e a w(t) w + 1 vy e sin θ e (1 + x 2 e + ye) 2 + a θ 2 tanh θ e e a i sont des constantes positives choisies de manière à respecter les limitations des actionneurs : v v + a 3 w w + a 1 2 v + a 2
58 Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Preuve Démonstration à partir de la fonction de Lyapunov candidate suivante V = a 1 2 ln(1 + x2 e + y 2 e) θ2 e V 0 Lemme de Barbalat Stabilisation asymptotique des erreurs de suivi
59 Résultats Introduction Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Résultats (Commandes bornées mais en réel peu robuste aux perturbations!!!)
60 Solution 1 Introduction Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Idée Extension des résultats précédents pour augmenter la qualité du suivi en présence de perturbations (bruits de mesure, variations de paramètres) Utilisation de la commande par mode glissant intégral.
61 Solution 1 Mode glissant : principe Introduction Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Position du problème Considérons un système non linéaire où x R n et u R n : ẋ = f(x) + g(x)u + h(t, x) la perturbation vérifie la condition matching : h(t, x) spang(x) la perturbation est bornée par une fonction scalaire connue : h(t, x) Π(t, x)
62 Solution 1 Mode glissant : principe Introduction Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Synthèse Une surface s = s(x, t) = 0 est déterminée en fonction des objectifs de commande Une loi de commande discontinue est synthétisée de manière à contraindre les trajectoires du système à atteindre et, ensuite, à rester sur cette surface.
63 Solution 1 Mode glissant : avantage et inconvénients Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Avantages Insensibilité aux perturbations (matching perturbations) Diminution de l ordre Le choix de la surface s(x, t) = 0 permet de fixer a priori la dynamique du système bouclé Inconvénients Phénomène de chattering Les trajectoires solutions ne sont pas robustes vis à vis des incertitudes pendant la phase précédent le glissement (phase d accrochage)
64 Solution 1 Mode glissant : avantage et inconvénients Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Avantages Insensibilité aux perturbations (matching perturbations) Diminution de l ordre Le choix de la surface s(x, t) = 0 permet de fixer a priori la dynamique du système bouclé Inconvénients Phénomène de chattering Les trajectoires solutions ne sont pas robustes vis à vis des incertitudes pendant la phase précédent le glissement (phase d accrochage)
65 Solution 1 Mode glissant intégral : principe Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Philosophie du mode glissant intégral Eliminer la phase d accrochage en forçant le régime glissant durant toute la réponse du système. La commande équivalente de u 1 (notée u 1eq ), caractérisant la dynamique du système en mode glissant, doit satisfaire la condition suivante : g(x)u 1eq = h.
66 Solution 1 Mode glissant intégral : principe Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Philosophie du mode glissant intégral Eliminer la phase d accrochage en forçant le régime glissant durant toute la réponse du système. La commande équivalente de u 1 (notée u 1eq ), caractérisant la dynamique du système en mode glissant, doit satisfaire la condition suivante : g(x)u 1eq = h.
67 Solution 1 Mode glissant intégral : principe Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Principe La loi de commande se décompose en 2 parties : u = u 0 + u 1 u 0 la commande nominale u 1 la commande discontinue permettant de rejeter les perturbations h(t, x)
68 Solution 1 Mode glissant intégral : principe Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Principe La loi de commande se décompose en 2 parties : u = u 0 + u 1 u 0 la commande nominale u 1 la commande discontinue permettant de rejeter les perturbations h(t, x)
69 Solution 1 Mode glissant intégral : principe Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Principe La loi de commande se décompose en 2 parties : u = u 0 + u 1 u 0 la commande nominale u 1 la commande discontinue permettant de rejeter les perturbations h(t, x)
70 Solution 1 Mode glissant intégral : principe Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Commande nominale La commande nominale u 0 (x) est construite de manière à ce que le système non perturbé soit globalement asymptotiquement stable. Le système bouclé nominal s écrit : ẋ 0 = f(x 0 ) + g(x 0 )u 0 x 0 est la trajectoire du système sous la commande u 0
71 Solution 1 Mode glissant intégral : principe Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Construction de la variable glissante s = s 0 + z s 0 : est une combinaison linéaire de l état z : induit l appellation intégrale et fournit un degré de liberté supplémentaire dans la construction de la surface de glissement.
72 Solution 1 Mode glissant intégral : principe Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Construction de la variable glissante s = s 0 + z s 0 : est une combinaison linéaire de l état z : induit l appellation intégrale et fournit un degré de liberté supplémentaire dans la construction de la surface de glissement.
73 Solution 1 Mode glissant intégral : principe Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Construction de la variable glissante s = s 0 + z s 0 : est une combinaison linéaire de l état z : induit l appellation intégrale et fournit un degré de liberté supplémentaire dans la construction de la surface de glissement.
74 Solution 1 Mode glissant intégral : principe Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Idée Calculer z de telle sorte que u 1 rejette la perturbation h dès l instant initial. ṡ = ṡ 0 + ż = s 0 x (f(x) + g(x)u 0(x) + g(x)u 1 + h(t, x)) + ż = 0 Pour être sur la surface glissante s = 0 (t 0), on doit satisfaire : ż = s 0 x (f(x) + g(x)u 0(x)) z(0) = s 0 (x(0))
75 Solution 1 Mode glissant intégral : principe Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Idée Calculer z de telle sorte que u 1 rejette la perturbation h dès l instant initial. ṡ = ṡ 0 + ż = s 0 x (f(x) + g(x)u 0(x) + g(x)u 1 + h(t, x)) + ż = 0 Pour être sur la surface glissante s = 0 (t 0), on doit satisfaire : ż = s 0 x (f(x) + g(x)u 0(x)) z(0) = s 0 (x(0))
76 Solution 1 Mode glissant intégral : principe Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Mode glissant intégral La commande discontinue u 1 est définie pour assurer le mode glissant le long de la surface glissante via la fonction discontinue suivante : u 1 = M(x)sign(s) Ainsi, la dynamique du système en mode glissant est ẋ = f(x) + g(x)u 0 (x) qui est exactement la même que pour le système nominal.
77 Solution 1 Mode glissant intégral : principe Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Mode glissant intégral La commande discontinue u 1 est définie pour assurer le mode glissant le long de la surface glissante via la fonction discontinue suivante : u 1 = M(x)sign(s) Ainsi, la dynamique du système en mode glissant est ẋ = f(x) + g(x)u 0 (x) qui est exactement la même que pour le système nominal.
78 Solution 1 Mode glissant intégral : principe Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Preuve Fonction candidate Dérivée : V = s T s V ɛ V Temps fini Avantages Elimination de la phase d accrochage Les propriétés de robustesse sont garanties dès l instant initial
79 Résultats Integral sliding mode control Introduction Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe y (dm) x (dm) Performance avec la commande idéale (dashed : reference, solid : actual model)
80 Résultats Introduction Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Suivi de trajectoire avec la commande par mode glissant intégral. y (dm) (a) x (dm) (a) x-y plot (dashed : reference, solid : actual model)
81 Résultats Introduction Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Evolution des erreurs de suivi 6 (b) 8 (c) e x e y t t (b) Erreur e x (dm). (c) Erreur e y (dm) (d) e θ t (d) Erreur e θ (degree).
82 Résultats Introduction Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Evolution des commandes. 6 (e) 5 4 u v 0.5 (f) t (e) Vitesse linéaire u(dm/s) t (f) Vitesse angulaire w(rad/s)
83 Solution 2 : Suivi coopératif Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Motivations Réduction de la tâche de planification pour la flottille. Assurer la coordination des robots par l utilisation d une loi de commande appropriée Maintenir la forme géométrique de la flottille durant la manoeuvre (cas d une formation géométrique fixe) Garantir la non collision entre les robots malgré les incertitudes Décentraliser l information
84 Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Modélisation de l architecture de type meneur-suiveur Expression de l état du robot suiveur R j en fonction de ses coordonnées relatives par rapport à R i (coordonnées polaires realtives) : distance de séparation l ij = (x i x j d cos θ j ) 2 + (y i y j d sin θ j ) 2 angle relatif ( ) yi + y j + d sin θ j ψ ij = π θ i arctan x i x j d cos θ j
85 Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe
86 Dynamique du suiveur Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe { ḣij = G ij (h ij, θ j )u j + F ij (h ij )u i + P ij (h ij, θ j ) avec θ j = w j h ij = [l ij, ψ ij ] T, γ ij = ψ ij + θ i θ j G ij = cos γ ij d sin γ ij sin γ ij d cos γ ij, F ij = cos(ψ ij) 0 sin ψ ij 1 l ij l ij l ij P ij perturbations inconnues : u i commande du robot leader R i
87 Commande des robots suiveurs Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Objectif Trouver une loi de commande garantissant le suivi robuste de la configuration constante désirée l ij, ψ ij. Stabiliser les erreurs de suivi : (l ij l ij, ψ ij ψ ij ) malgré les perturbations. Pré feedback u j = G 1 ij (ũ ideal,j + ũ disc,j )
88 Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Solution basée sur la commande par mode glissant intégral Terme continu ũ ideal,j = [ ] µj (l ij l ij ) ν j (ψ ij ψ ij ) Terme discontinu ũ disc,j = b j Sign(s j ) Surface de glissement s j = e ij (t) t 0 ũ ideal,j (s)ds e ij (0)
89 Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Solution basée sur la commande par mode glissant intégral Théorème Le contrôleur ũ j = ũ ideal,j + ũ disc,j. assure que les erreurs de suivi sont globalement asymptotiquement stables et assure l évitement de collision durant la phase de transition puisque la phase d accrochage est éliminée.
90 Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Simulation pour deux robots mobiles R 1 doit suivre une trajectoire circulaire malgré les erreurs de localisation et les perturbations. R 2 doit suivre R 1 en maintenant la formation. Forme géométrique désirée : l 12 = 6m ψ 12 = π 4.
91 Résultats pour 2 robots Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe erreur e x,1 e y,1 e θ,1 erreur sur la formation d l l12 12 d ψ ψ t (s) t(s) Erreur de suivi pour le robot leader et erreur sur le maintien de la formation
92 Application à une flottille de 4 robots Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe
93 Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe Application à une flottille de 4 robots Erreur initiale sur la localisation des robots. Forme désirée de la formation : Forme géométrique désirée de la flottille V avec un alignement des robots R 1, R 3 et R 4 : l 12 = 6m ψ 12 = π 4 l 13 = 4m ψ 13 = π 2 l 34 = 4m ψ 34 = π 2.
94 Résultats pour 4 robots Motivations Solution 1 : Suivi individuel Solution 2 : Suivi coopératif Simulation pour une flottille complexe 5 y(m) 0 R 2 5 R 1 R R x(m)
95 En cours Construction de loi de commande par mode glissant intégral d ordre 2 afin de limiter le phénomène de chattering et de prendre en compte le modèle dynamique. Généralisation du principe à tous les ordres. Application à une flottille de robots réels (pekee puis miabots) Idée de base Contraindre les trajectoires d état à glisser sur l ensemble S r = {x s = ṡ =... = s (r 1) = 0} S r : ensemble de glissement d ordre r.
Algorithmes pour la planification de mouvements en robotique non-holonome
Algorithmes pour la planification de mouvements en robotique non-holonome Frédéric Jean Unité de Mathématiques Appliquées ENSTA Le 02 février 2006 Outline 1 2 3 Modélisation Géométrique d un Robot Robot
Plus en détailI Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...
TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailChapitre 0 Introduction à la cinématique
Chapitre 0 Introduction à la cinématique Plan Vitesse, accélération Coordonnées polaires Exercices corrigés Vitesse, Accélération La cinématique est l étude du mouvement Elle suppose donc l existence à
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailUtilisation d informations visuelles dynamiques en asservissement visuel Armel Crétual IRISA, projet TEMIS puis VISTA L asservissement visuel géométrique Principe : Réalisation d une tâche robotique par
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailRupture et plasticité
Rupture et plasticité Département de Mécanique, Ecole Polytechnique, 2009 2010 Département de Mécanique, Ecole Polytechnique, 2009 2010 25 novembre 2009 1 / 44 Rupture et plasticité : plan du cours Comportements
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailF411 - Courbes Paramétrées, Polaires
1/43 Courbes Paramétrées Courbes polaires Longueur d un arc, Courbure F411 - Courbes Paramétrées, Polaires Michel Fournié michel.fournie@iut-tlse3.fr http://www.math.univ-toulouse.fr/ fournie/ Année 2012/2013
Plus en détailOptimisation des fonctions de plusieurs variables
Optimisation des fonctions de plusieurs variables Hervé Hocquard Université de Bordeaux, France 8 avril 2013 Extrema locaux et globaux Définition On étudie le comportement d une fonction de plusieurs variables
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailaux différences est appelé équation aux différences d ordre n en forme normale.
MODÉLISATION ET SIMULATION EQUATIONS AUX DIFFÉRENCES (I/II) 1. Rappels théoriques : résolution d équations aux différences 1.1. Équations aux différences. Définition. Soit x k = x(k) X l état scalaire
Plus en détail10 leçon 2. Leçon n 2 : Contact entre deux solides. Frottement de glissement. Exemples. (PC ou 1 er CU)
0 leçon 2 Leçon n 2 : Contact entre deu solides Frottement de glissement Eemples (PC ou er CU) Introduction Contact entre deu solides Liaisons de contact 2 Contact ponctuel 2 Frottement de glissement 2
Plus en détailIntégrales doubles et triples - M
Intégrales s et - fournie@mip.ups-tlse.fr 1/27 - Intégrales (rappel) Rappels Approximation éfinition : Intégrale définie Soit f définie continue sur I = [a, b] telle que f (x) > 3 2.5 2 1.5 1.5.5 1 1.5
Plus en détailDérivées d ordres supérieurs. Application à l étude d extrema.
Chapitre 5 Dérivées d ordres supérieurs. Application à l étude d extrema. On s intéresse dans ce chapitre aux dérivées d ordre ou plus d une fonction de plusieurs variables. Comme pour une fonction d une
Plus en détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailModélisation et Simulation
Cours de modélisation et simulation p. 1/64 Modélisation et Simulation G. Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Cours de modélisation et simulation
Plus en détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en détailAnalyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57
Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation
Plus en détailFonctions de plusieurs variables
Maths MP Exercices Fonctions de plusieurs variables Les indications ne sont ici que pour être consultées après le T (pour les exercices non traités). Avant et pendant le T, tenez bon et n allez pas les
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailVision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
Plus en détailRappels sur les suites - Algorithme
DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détail8.1 Généralités sur les fonctions de plusieurs variables réelles. f : R 2 R (x, y) 1 x 2 y 2
Chapitre 8 Fonctions de plusieurs variables 8.1 Généralités sur les fonctions de plusieurs variables réelles Définition. Une fonction réelle de n variables réelles est une application d une partie de R
Plus en détailFonctions de deux variables. Mai 2011
Fonctions de deux variables Dédou Mai 2011 D une à deux variables Les fonctions modèlisent de l information dépendant d un paramètre. On a aussi besoin de modéliser de l information dépendant de plusieurs
Plus en détailDéveloppements limités, équivalents et calculs de limites
Développements ités, équivalents et calculs de ites Eercice. Déterminer le développement ité en 0 à l ordre n des fonctions suivantes :. f() e (+) 3 n. g() sin() +ln(+) n 3 3. h() e sh() n 4. i() sin(
Plus en détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en détailDéveloppements limités. Notion de développement limité
MT12 - ch2 Page 1/8 Développements limités Dans tout ce chapitre, I désigne un intervalle de R non vide et non réduit à un point. I Notion de développement limité Dans tout ce paragraphe, a désigne un
Plus en détailL ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
Plus en détailCours de Mécanique du point matériel
Cours de Mécanique du point matériel SMPC1 Module 1 : Mécanique 1 Session : Automne 2014 Prof. M. EL BAZ Cours de Mécanique du Point matériel Chapitre 1 : Complément Mathématique SMPC1 Chapitre 1: Rappels
Plus en détailAnalyse en Composantes Principales
Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées
Plus en détailCircuits RL et RC. Chapitre 5. 5.1 Inductance
Chapitre 5 Circuits RL et RC Ce chapitre présente les deux autres éléments linéaires des circuits électriques : l inductance et la capacitance. On verra le comportement de ces deux éléments, et ensuite
Plus en détailPolynômes à plusieurs variables. Résultant
Polynômes à plusieurs variables. Résultant Christophe Ritzenthaler 1 Relations coefficients-racines. Polynômes symétriques Issu de [MS] et de [Goz]. Soit A un anneau intègre. Définition 1.1. Soit a A \
Plus en détailDimensionnement d une roue autonome pour une implantation sur un fauteuil roulant
Dimensionnement d une roue autonome pour une implantation sur un fauteuil roulant I Présentation I.1 La roue autonome Ez-Wheel SAS est une entreprise française de technologie innovante fondée en 2009.
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailCalcul intégral élémentaire en plusieurs variables
Calcul intégral élémentaire en plusieurs variables PC*2 2 septembre 2009 Avant-propos À part le théorème de Fubini qui sera démontré dans le cours sur les intégrales à paramètres et qui ne semble pas explicitement
Plus en détailMathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans
Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailChapitre 1 Cinématique du point matériel
Chapitre 1 Cinématique du point matériel 7 1.1. Introduction 1.1.1. Domaine d étude Le programme de mécanique de math sup se limite à l étude de la mécanique classique. Sont exclus : la relativité et la
Plus en détailTechniques de Lyapunov en contrôle quantique pour le couplage dipolaire et polarisabilité
Techniques de Lyapunov en contrôle quantique pour le couplage dipolaire et polarisabilité Andreea Grigoriu avec Jean-Michel Coron, Cătălin Lefter and Gabriel Turinici CEREMADE-Université Paris Dauphine
Plus en détailLes travaux doivent être remis sous forme papier.
Physique mathématique II Calendrier: Date Pondération/note nale Matériel couvert ExercicesSérie 1 : 25 septembre 2014 5% RH&B: Ch. 3 ExercicesSérie 2 : 23 octobre 2014 5% RH&B: Ch. 12-13 Examen 1 : 24
Plus en détailDéveloppement de lois et de structures de réglages destinées à la téléopération avec retour d effort
Développement de lois et de structures de réglages destinées à la téléopération avec retour d effort Thomas Delwiche, Laurent Catoire et Michel Kinnaert Faculté des Sciences Appliquées Service d Automatique
Plus en détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
Plus en détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en détailNotes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Guy Desaulniers Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2014 Table des matières
Plus en détailChapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme
Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet
Plus en détailUniversité Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications
Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au
Plus en détailChafa Azzedine - Faculté de Physique U.S.T.H.B 1
Chafa Azzedine - Faculté de Physique U.S.T.H.B 1 Définition: La cinématique est une branche de la mécanique qui étudie les mouements des corps dans l espace en fonction du temps indépendamment des causes
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en détailErratum de MÉCANIQUE, 6ème édition. Introduction Page xxi (milieu de page) G = 6, 672 59 10 11 m 3 kg 1 s 2
Introduction Page xxi (milieu de page) G = 6, 672 59 1 11 m 3 kg 1 s 2 Erratum de MÉCANIQUE, 6ème édition Page xxv (dernier tiers de page) le terme de Coriolis est supérieur à 1% du poids) Chapitre 1 Page
Plus en détailCalcul différentiel. Chapitre 1. 1.1 Différentiabilité
Chapitre 1 Calcul différentiel L idée du calcul différentiel est d approcher au voisinage d un point une fonction f par une fonction plus simple (ou d approcher localement le graphe de f par un espace
Plus en détailCapes 2002 - Première épreuve
Cette correction a été rédigée par Frédéric Bayart. Si vous avez des remarques à faire, ou pour signaler des erreurs, n hésitez pas à écrire à : mathweb@free.fr Mots-clés : équation fonctionnelle, série
Plus en détailContrôle par commande prédictive d un procédé de cuisson sous infrarouge de peintures en poudre.
Contrôle par commande prédictive d un procédé de cuisson sous infrarouge de peintures en poudre. Isabelle Bombard, Bruno da Silva, Pascal Dufour *, Pierre Laurent, Joseph Lieto. Laboratoire d Automatique
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
Plus en détailChapitre VI Fonctions de plusieurs variables
Chapitre VI Fonctions de plusieurs variables 6. 1 Fonctions différentiables de R 2 dans R. 6. 1. 1 Définition de la différentiabilité Nous introduisons la différentiabilité sous l angle des développements
Plus en détailDifférentiabilité ; Fonctions de plusieurs variables réelles
Différentiabilité ; Fonctions de plusieurs variables réelles Denis Vekemans R n est muni de l une des trois normes usuelles. 1,. 2 ou.. x 1 = i i n Toutes les normes de R n sont équivalentes. x i ; x 2
Plus en détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en détailDirection des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Etab=MK3, Timbre=G430, TimbreDansAdresse=Vrai, Version=W2000/Charte7, VersionTravail=W2000/Charte7 Direction des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Plus en détailLes correcteurs accorderont une importance particulière à la rigueur des raisonnements et aux représentations graphiques demandées.
Les correcteurs accorderont une importance particulière à la rigueur des raisonnements et aux représentations graphiques demandées. 1 Ce sujet aborde le phénomène d instabilité dans des systèmes dynamiques
Plus en détailCABLECAM de HYMATOM. Figure 1 : Schéma du système câblecam et détail du moufle vu de dessus.
CABLECAM de HYMATOM La société Hymatom conçoit et fabrique des systèmes de vidéosurveillance. Le système câblecam (figure 1) est composé d un chariot mobile sur quatre roues posé sur deux câbles porteurs
Plus en détailFonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples
45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détail1 radian. De même, la longueur d un arc de cercle de rayon R et dont l angle au centre a pour mesure α radians est α R. R AB =R.
Angles orientés Trigonométrie I. Préliminaires. Le radian Définition B R AB =R C O radian R A Soit C un cercle de centre O. Dire que l angle géométrique AOB a pour mesure radian signifie que la longueur
Plus en détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en détailOPTIMISATION À UNE VARIABLE
OPTIMISATION À UNE VARIABLE Sommaire 1. Optimum locaux d'une fonction... 1 1.1. Maximum local... 1 1.2. Minimum local... 1 1.3. Points stationnaires et points critiques... 2 1.4. Recherche d'un optimum
Plus en détailChapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
Plus en détailProgrammation Linéaire - Cours 1
Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.
Plus en détailSCIENCES INDUSTRIELLES POUR L INGÉNIEUR. Partie I - Analyse système
SCIENCES INDUSTRIELLES POUR L INGÉNIEUR COMPORTEMENT DYNAMIQUE D UN VEHICULE AUTO-BALANCÉ DE TYPE SEGWAY Partie I - Analyse système Poignée directionnelle Barre d appui Plate-forme Photographies 1 Le support
Plus en détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailIntroduction au maillage pour le calcul scientifique
Introduction au maillage pour le calcul scientifique CEA DAM Île-de-France, Bruyères-le-Châtel franck.ledoux@cea.fr Présentation adaptée du tutorial de Steve Owen, Sandia National Laboratories, Albuquerque,
Plus en détailL apprentissage automatique
L apprentissage automatique L apprentissage automatique L'apprentissage automatique fait référence au développement, à l analyse et à l implémentation de méthodes qui permettent à une machine d évoluer
Plus en détailLA METHODE DU COUT CIBLE (TARGET COSTING)
LA METHODE DU COUT CIBLE (TARGET COSTING) Finalité de la démarche Optimiser les performances futures de profit du produit sur l ensemble de son cycle de vie. Prérequis Connaissance élémentaire de la problématique
Plus en détailManipulateurs Pleinement Parallèles
Séparation des Solutions aux Modèles Géométriques Direct et Inverse pour les Manipulateurs Pleinement Parallèles Chablat Damien, Wenger Philippe Institut de Recherche en Communications et Cybernétique
Plus en détailINTRODUCTION. A- Modélisation et paramétrage : CHAPITRE I : MODÉLISATION. I. Paramétrage de la position d un solide : (S1) O O1 X
INTRODUCTION La conception d'un mécanisme en vue de sa réalisation industrielle comporte plusieurs étapes. Avant d'aboutir à la maquette numérique du produit définitif, il est nécessaire d'effectuer une
Plus en détailMESURE ET PRECISION. Il est clair que si le voltmètre mesure bien la tension U aux bornes de R, l ampèremètre, lui, mesure. R mes. mes. .
MESURE ET PRECISIO La détermination de la valeur d une grandeur G à partir des mesures expérimentales de grandeurs a et b dont elle dépend n a vraiment de sens que si elle est accompagnée de la précision
Plus en détailChapitre 6. Fonction réelle d une variable réelle
Chapitre 6 Fonction réelle d une variable réelle 6. Généralités et plan d étude Une application de I dans R est une correspondance entre les éléments de I et ceu de R telle que tout élément de I admette
Plus en détailCours de mathématiques
DEUG MIAS premier niveau Cours de mathématiques année 2003/2004 Guillaume Legendre (version révisée du 3 avril 2015) Table des matières 1 Éléments de logique 1 1.1 Assertions...............................................
Plus en détailPremière partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015
Énoncé Soit V un espace vectoriel réel. L espace vectoriel des endomorphismes de V est désigné par L(V ). Lorsque f L(V ) et k N, on désigne par f 0 = Id V, f k = f k f la composée de f avec lui même k
Plus en détail