Commande de robots manipulateurs basée sur le modèle

de Takagi-Sugeno : nouvelle approche pour le suivi de

trajectoire
Thi van Anh Nguyen

To cite this version:

Thi van Anh Nguyen. Commande de robots manipulateurs basée sur le modèle de Takagi-Sugeno :
nouvelle approche pour le suivi de trajectoire. Automatique / Robotique. Université de Valenciennes
et du Hainaut-Cambresis, 2019. Français. �NNT : 2019VALE0030�. �tel-02375886�

HAL Id: tel-02375886

https://tel.archives-ouvertes.fr/tel-02375886
Submitted on 22 Nov 2019

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
 Thèse de doctorat

Pour obtenir le grade de Docteur de

l'UNIVERSITÉ POLYTECHNIQUE HAUTS-DE-FRANCE

Discipline, spécialité selon la liste des spécialités pour lesquelles l'École Doctorale est
accréditée :
Automatique

Présentée et soutenue par Thi Van Anh Nguyen

Le 04/10/2019, à Valenciennes

Sciences Pour l'Ingénieur (ED SPI 072)

École doctorale :

Laboratoire d'Automatique, de Mécanique et d'Informatique Industrielles et Humaines (LAMIH

Laboratoire :

 UMR 8201)
Commande de robots manipulateurs basée sur le modèle de
Takagi-Sugeno : nouvelle approche pour le suivi de trajectoire
JURY :

Président du jury :
Pr. Noureddine Manamanni - Université de Reims, CRESTIC
Rapporteur :
Pr. Ahmed El Hajjaji - Université de Picardie Jules Vernes, MIS
Examinateurs :
Dr. Lynda Seddiki - Université Vincennes-Saint-Denis Paris 8, LIASD
Dr. Anh-Tu Nguyen - Université Polytechnique Hauts-de-France, LAMIH
Encadrants de thèse :
Pr. Laurent Vermeiren - Université Polytechnique Hauts-de-France, LAMIH
Dr. Antoine Dequidt - Université Polytechnique Hauts-de-France, LAMIH
Membres invités :
Dr. Benyamine Allouche - Automation & Robotics, Altran Technology
Pr. Michel Dambrine - Université Polytechnique Hauts-de-France, LAMIH
 Résumé
Ce travail présente une nouvelle approche de synthèse de la commande non linéaire en
suivi de trajectoire de robots manipulateurs. Malgré la richesse de la littérature dans le
domaine, le problème n'a pas encore été traité de manière adéquate : en raison de l'exis-
tence inévitable dans les applications pratiques de perturbations et incertitudes telles que
les forces de frottement, des perturbations externes ou les variations des paramètres il
est dicile d'assurer un suivi de trajectoire de haute précision. An de résoudre ce pro-
blème, nous proposons tout d'abord une méthode de commande prenant en compte la
performance H∞ pour le suivi de trajectoire d'un robot manipulateur. Deuxièmement,
nous proposons un nouveau cadre pour la synthèse de lois de commande combinant une
action anticipatrice et un retour d'état basée sur une représentation sous forme Takagi-
Sugeno descripteur de la dynamique du manipulateur. Un avantage de la représentation
choisie est de pouvoir simultanément simplier le calcul des gains de commande à l'aide
de LMI de dimension réduite et de réduire la complexité du correcteur en agissant sur
le nombre de règles du modèle de Takagi-Sugeno. Basé sur la théorie de la stabilité de
Lyapunov, le réglage du correcteur est formulé comme un problème d'optimisation LMI
(inégalité matricielle linéaire). Les résultats obtenus en simulation eectuée avec un mo-
dèle de manipulateur série développé dans l'environnement Simscape MultibodyTM de
Matlab R démontrent clairement l'ecacité de la méthode proposée en comparaison avec
le régulateur PID et la commande CTC (Computed Torque Control).
Mots-clés : Robot manipulateur, commande oue, commande de suivi de trajectoire,
stabilité de Lyapunov, performance H∞ , performance L∞ , inégalités matricielles linéaires,
modèle descripteur, modèle de Takagi-Sugeno.

Abstract
This work presents a new design approach for trajectory tracking control of robot
manipulators. In spite of the rich literature in the eld, the problem has not yet been
addressed adequately due to the lack of an eective control design. In general, it is dif-
cult to adopt design to achieve high-precision tracking control due to the uncertainties
in practical applications, such as friction forces, external disturbances and parameter va-
riations. In order to cope this problem, we propose rst control with H∞ performance to
reference trajectory tracking control of two degrees of freedom robot. Secondly, we pro-
pose a new design framework with parametric uncertainties and unknown disturbances by
using the feedback and the feedforward controllers. Using the descriptor Takagi-Sugeno
systems, the design goal is to achieve a guaranteed tracking performance while signi-
cantly reducing the numerical complexity of the designed controller through a robust
control scheme. Based on Lyapunov stability theory, the control design is formulated as
an LMI (linear matrix inequality) optimization problem. Simulation results carried out
with a high-delity serial manipulator model embedded in the Simscape MultibodyTM
environment of Matlab R clearly demonstrate the eectiveness of the proposed method by
comparing with PID controller and computed torque controller.
Key words : Robot manipulators, fuzzy control, tracking control, Lyapunov stability,
H∞ performance, L∞ performance, linear matrix inequality.

2
Table des matières

Remercierments 5

Introduction générale 7

1 Robots manipulateurs et suivi de trajectoire 11

1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2 Robots manipulateurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.2 Espaces articulaire et opérationnel . . . . . . . . . . . . . . . . . . 15
1.2.3 Modèles géométriques, cinématiques et dynamiques . . . . . . . . . 16
1.2.4 Modèle dynamique rigide . . . . . . . . . . . . . . . . . . . . . . . . 19
1.2.5 Modèle dynamique à articulations exibles . . . . . . . . . . . . . . 22
1.3 Suivi de trajectoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.3.2 Formulation du problème de commande de suivi . . . . . . . . . . . 26
1.3.3 Lois de commande de suivi de trajectoire . . . . . . . . . . . . . . . 27
1.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

2 Approche TS 33
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.2 Représentation de systèmes non linéaires sous la forme Takagi-Sugeno . . . 34
2.2.1 Modèle Takagi-Sugeno standard . . . . . . . . . . . . . . . . . . . . 35
2.2.2 Obtention des modèles ous de type Takagi-Sugeno . . . . . . . . . 36
2.2.3 Modèle T-S descripteur . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.3 Stabilité et stabilisation des modèles T-S . . . . . . . . . . . . . . . . . . . 39
2.3.1 Rappels sur les inégalités matricielles linéaires . . . . . . . . . . . . 39
2.3.2 Méthode directe de Lyapunov . . . . . . . . . . . . . . . . . . . . . 42
2.3.3 Stabilité des modèles T-S . . . . . . . . . . . . . . . . . . . . . . . 43
2.3.4 Stabilisation des modèles T-S . . . . . . . . . . . . . . . . . . . . . 45
2.4 Spécications de performance en boucle fermée . . . . . . . . . . . . . . . . 48
2.4.1 α-stabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.4.2 Critère H∞ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.4.3 Robustesse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.4.4 Prise en compte du signal de référence . . . . . . . . . . . . . . . . 50
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

3
3 Poursuite de trajectoire avec contrainte H∞ 53
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.2 Formulation du problème de commande . . . . . . . . . . . . . . . . . . . . 54
3.2.1 Modèle général du manipulateur : forme nominale . . . . . . . . . . 54
3.2.2 Spécications des performances . . . . . . . . . . . . . . . . . . . . 54
3.3 Synthèse de la loi de commande en poursuite de trajectoire . . . . . . . . . 56
3.3.1 Conditions LMI pour le réglage du correcteur . . . . . . . . . . . . 56
3.3.2 Ajout d'une action intégrale dans le correcteur . . . . . . . . . . . . 59
3.4 Simplication des modèles . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.4.1 Réduction du nombre de règles . . . . . . . . . . . . . . . . . . . . 59
3.4.2 Conditions LMI pour le réglage du correcteur - cas incertain . . . . 60
3.5 Application au manipulateur à deux degrés de liberté . . . . . . . . . . . . 62
3.5.1 Représentation descripteur non linéaire de la dynamique des robots
manipulateurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.5.2 Modèle Takagi-Sugeno descripteur . . . . . . . . . . . . . . . . . . 63
3.5.3 Modèle de référence . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.5.4 Lois de commande . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.5.5 Résultats de simulation et discussions . . . . . . . . . . . . . . . . . 69
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

4 Poursuite de trajectoire avec contrainte L∞ 73

4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.2 Formulation du problème de suivi de trajectoire d'un robot manipulateur . 74
4.3 Synthèse de la loi de commande avec contrainte L∞ . . . . . . . . . . . . 76
4.3.1 Représentation T-S descripteur de la dynamique de l'erreur de suivi 76
4.3.2 Calcul des gains de commande . . . . . . . . . . . . . . . . . . . . . 77
4.3.3 Réduction de la complexité du correcteur . . . . . . . . . . . . . . . 80
4.4 Application au manipulateur à deux degrés de liberté . . . . . . . . . . . . 82
4.4.1 Lois de commande . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4.4.2 Comparaison des performances obtenues . . . . . . . . . . . . . . . 84
4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88

5 Étude comparative des diérentes techniques pour le suivi de trajectoire 89

5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
5.2 Gains des loi de commande . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
5.2.1 Commande PID . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
5.2.2 Commande CTC . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
5.3 Inuence du temps de parcours sur les performances en précision . . . . . . 91
5.3.1 Cas nominal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
5.3.2 Cas avec force appliquée à l'eecteur . . . . . . . . . . . . . . . . . 92
5.4 Performances en régime rapide . . . . . . . . . . . . . . . . . . . . . . . . . 93
5.4.1 Critères de performance . . . . . . . . . . . . . . . . . . . . . . . . 93
5.4.2 Cas nominal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.4.3 Cas avec force appliquée à l'eecteur . . . . . . . . . . . . . . . . . 95
5.5 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98

Conclusion générale et perspectives 99

Bibliographie 102

4
Table des gures 114
Liste des tableaux 115

5
6
Remercierments
Je tiens à adresser en premier lieu mes plus chaleureux remerciements à mon directeur
de thèse Laurent Vermeiren et mes co-encadrants Antoine Dequidt, Michel Dambrine et
Anh-Tu Nguyen pour m'avoir coné ce travail de recherche, ainsi que pour ses aides, ses
soutiens, ses disponibilités ainsi que ses patiences au cours de ces années. Et je souhaite
vraiment les remercie également pour ses nombreuses qualités humaines exceptionnelles
pendant la période de ma thèse.

Je remercie aussi Monsieur le Président , madame et messieurs les membres du jury

pour ma soutenance de thèse.
Je tiens à addresser mes remerciements à Monsieur le Professeur Thierry-Marie Guerra,
le directeur du LAMIH pour avoir accepté ma candidature et aussi m'avoir accueilli dans
LAMIH pendant ces années de thèse.

Je remercie l'Ambassade de France au Vietnam pour m'avoir accorder une bourse doc-
torale.

J'adresse mes remerciements aux personnels administratifs : Madame Isabelle Oliveira-

Machado, Madame Veronique Landrain, Madame Sylvie Rubens, Madame Melanie Lecq,
Madame Corinne Aureggi, Madame Marlene Geneviève pour leurs aides et leurs soutiens.

Je remercie mes collègues doctorants Anh-Tu, Benyamine, Viet, Pipit, Lydia, Tariq,
Thomas, Mathias, Molly, Amir, Younfei, Amine, Ajie, Mohamed, Anas pour leur coopé-
ration et leur amitié.

Enn, je remercie ma famille au Vietnam : mes parents et mes soeurs pour leur soutien
spirituel et moral tout au long de mon parcours en france.

7
8
Introduction générale
Depuis les années soixante, les applications de la robotique dans l'industrie manufac-
turière se sont développées grâce à ses atouts se traduisant en termes de productivité, de
qualité, de conditions de travail ou de sécurité. La robotique reste un marché prometteur
avec le développement de la robotique personnelle et de service permettant de répondre
aux grands enjeux sociétaux comme, par exemple, le vieillissement de la population (cf.
le rapport  Le développement industriel futur de la robotique personnelle et de service
en France , PIPAGE, DGCIS, 2012). Ceci explique très certainement le développement
des activités de recherche autour de la robotique ces dernières années.
Un des points importants en robotique est la commande dont la fonction est d'obte-
nir le mouvement requis d'un robot manipulateur pour exécuter une tâche. L'objet de
la commande porte sur le comportement dynamique du robot dans son espace de travail
en agissant via ses actionneurs. La modélisation dynamique d'un robot manipulateur est
une étape importante pour la synthèse de sa loi de commande. L'utilisation d'un modèle
dynamique rigide (corps supposés indéformables) permet d'établir des lois de commande
performantes, en particulier pour suivre une trajectoire précisément et à vitesse élevée. Un
tel modèle permet de prendre en compte le comportement non linéaire du robot et les cou-
plages entre ses articulations. Néanmoins, l'utilisation d'un tel modèle pour la commande
soure de plusieurs limites. Une limite principale provient de la complexité des modèles
non linéaires générés, ce qui rend dicile la synthèse de commande et son implémentation
(coût de calcul). Une seconde limite, fortement pénalisante, est liée au risque d'obtenir
une commande dont les performances ne sont pas robustes aux incertitudes structurées et
non structurées de modélisation ainsi qu'aux perturbations. En eet, si le comportement
dynamique rigide se modélise bien, avec des paramètres identiables par des techniques
éprouvés, un certain nombre de phénomènes sont plus diciles à appréhender. Le frot-
tement sec dans les articulations (avec réducteur) est complexe à modéliser en incluant
les diérents facteurs (comportement à vitesse nulle, rôle des eorts appliqués à l'articu-
lation, de la température, de l'usure,...). Les modes vibratoires (résonances mécaniques)
issus de la exibilité des organes (transmission dans les articulations, bras, ...) sont éga-
lement délicats à prendre en compte. Inclure ces phénomènes complexes dans le modèle
de synthèse de la commande conduit très vite à des lois de commande avec un coût de
calcul rédhibitoire. En outre, compte-tenu des incertitudes de modélisation importantes,
la robustesse des performances est dicile à garantir. Enn, les perturbations extérieures
peuvent également dégrader ces performances. Le challenge est donc de proposer des mé-
thodes de synthèse de commande qui permettent d'atteindre les performances les plus
élevés possibles tout en garantissant leur robustesse (aux incertitudes de modélisation et
aux perturbations) et la maîtrise de la complexité de loi à implémenter.
Sur le plan théorique et des outils de synthèse, cette problématique dépasse largement
le cadre de la robotique. Elle concerne un vaste domaine de l'automatique où de nom-
breuses questions restent encore ouvertes pour la commande des systèmes non linéaires.

9
Parmi les diérentes approches proposées, l'une d'elle a pris son essor en proposant une
alternative pour dépasser les dicultés liées à la modélisation et les incertitudes inhé-
rentes.
Cette problématique de modélisation a conduit au développement de systèmes de
commande basés sur la logique oue exploitant l'expertise des opérateurs humains et la
traduisant sous forme de système de règles du type Si-Alors. Si de nombreuses applications
ont été rapportées montrant leur ecacité dans divers domaines d'ingénierie concernant
des processus industriels ou des produits grand public, une critique majeure de cette
technique de commande a été l'absence de preuve mathématique concernant la stabilité
ou les performances des systèmes commandés. Ce verrou scientique a été levé avec les
travaux de Takagi et Sugeno en 1985 proposant une nouvelle classe de modèles ous
pour lesquels l'analyse de la stabilité est possible à l'aide de la deuxième méthode de
Lyapunov. Depuis lors, de nombreuses techniques de commande exploitant la structure
de ces modèles (dits de Takagi-Sugeno) ont été développées et mises en ÷uvre dans de
multiples domaines dont la robotique. Cependant, la très large majorité des travaux sur
ces modèles porte sur l'analyse de la stabilité, la stabilisation d'un point d'équilibre xé a
priori, ou encore le rejet de perturbation. En revanche, le suivi de trajectoire est un sujet
peu traité et, à notre connaissance, aucune méthode de synthèse n'a été proposée pour la
commande de robot manipulateur dédiée à ce suivi selon l'approche Takagi-Sugeno.
L'objectif principal de cette thèse est de contribuer au développement de nouvelles
lois de commande permettant le suivi par un robot manipulateur d'une trajectoire sou-
haitée en utilisant une méthodologie de commande basée sur l'utilisation de modèles de
Takagi-Sugeno. Les enjeux majeurs considérés sont la garantie de certains indicateurs
de performances et la réduction de la complexité du calcul de la commande ou de son
implémentation permettant l'utilisation de cette technique à des architectures de robots
manipulateurs susamment complexes. Ce mémoire est décomposé en cinq chapitres.

Robots manipulateurs et suivi de trajectoire (Chapitre 1) : Ce premier cha-

pitre présente un rappel des éléments fondamentaux sur les robots manipulateurs, les
espaces articulaire et opérationnel, les diérents types de modèles. Le modèle dynamique
générique d'un robot manipulateur est ensuite donné dans le cas rigide d'abord, puis en
tenant compte de l'élasticité des articulations ensuite. Enn, dans un second temps, le
problème du suivi de trajectoire d'un robot manipulateur est déni et un état de l'art des
diérentes lois de commande pour le suivi de trajectoire est réalisé.

L'approche Takagi-Sugeno pour l'analyse et la commande des systèmes non

linéaires (Chapitre 2) : Le but de ce chapitre est de rappeler brièvement les grandes
lignes de l'approche Takagi-Sugeno (T-S) pour la commande de systèmes dans le cas
continu. Dans un premier temps, les modèles de type T-S sous forme standard ou descrip-
teur, sont présentés. Ensuite, des techniques issues de la littérature permettant l'étude
de la stabilité ou de la stabilisation de tels modèles sont rappelées et incluent un rappel
sur les inégalités matricielles linéaires et la méthode directe de Lyapunov. À la n de ce
chapitre, il est montré comment prendre en compte le signal de référence, la robustesse
de la stabilité vis-à-vis d'incertitudes paramétriques, ainsi que quelques indicateurs de
performance en boucle fermée comme la α-stabilité ou le critère H∞ .

Poursuite de trajectoire avec contrainte H∞ (Chapitre 3) : Ce chapitre vise

à étudier la poursuite de trajectoire avec le critère H∞ . Premièrement, le modèle général

10
du manipulateur et les spécications des performances sont présentés an de formuler le
problème de commande avec un modèle de référence. Ensuite, la structure de commande
pouvant inclure une action intégrale est donnée, ainsi que des conditions LMI permettant
le réglage du correcteur. La suite de ce chapitre concerne la simplication des modèles
avec la réduction du nombre de règles et la prise en compte d'incertitudes paramétriques
dans le modèle. Enn, une application à un manipulateur à deux degrés de liberté est
donnée.

Poursuite de trajectoire avec contrainte L∞ (Chapitre 4) :

Ce chapitre propose une nouvelle structure de commande pour le suivi de trajectoire uti-
lisant un retour d'état et une action anticipatrice. Dans un premier temps, le problème
du suivi de trajectoire est formulé incluant la modélisation sous forme descripteur non li-
néaire de la dynamique des robots manipulateurs et la structure de la commande. Ensuite
la synthèse de la loi de commande avec prise en compte de contraintes L∞ est donnée.
Enn, cette approche est de nouveau appliquée au manipulateur à deux degrés de liberté
pour obtenir des résultats de simulation de suivi de trajectoire.

Étude comparative de diérentes techniques pour suivi de trajectoire (Cha-

pitre 5) : Ce chapitre propose une étude comparative des diérentes techniques pour le
suivi de trajectoire. Les principales techniques de commande (Proportionnelle - Intégrale -
Dérivée (PID), Computed Torque Control (CTC) ) sont comparées aux deux approches de
commande proposées précédemment. Dans un premier temps, les calculs des paramètres
des correcteurs PID et CTC sont donnés. Ensuite, diérents indicateurs de performances
obtenues en simulation pour chacun des correcteurs proposés et pour plusieurs cas de
fonctionnement sont présentés et permettent de conrmer l'ecacité de la nouvelle ap-
proche proposée.

Publications personnelles
Revues internationales
1. Nguyen, V. A., Nguyen, A.-T., Dequidt, A., Vermeiren, L., Dambrine, M. (2019).
Nonlinear Tracking Control with Reduced Complexity of Serial Robots : A Robust
Fuzzy Descriptor Approach. International Journal of Fuzzy Systems, 21(4) : 1038-
1050 (IF=3.085).
2. Nguyen, V. A., Nguyen, A.-T., Dequidt, A., Vermeiren, L., Dambrine, M. (2019).
L∞ Fuzzy Descriptor Approach for High-Precision Tracking Control of Nonlinear
Robot Manipulators IEEE Transactions on Systems, Man, and Cybernetics : Sys-
tems (In preparation).

Conférences internationales avec comité de lecture

1. Nguyen, V. A., Nguyen, A.-T., Dequidt, A., Vermeiren, L., Dambrine, M. (2018).
A Robust Descriptor Approach for Nonlinear Tracking Control of Serial Robots. In
2018 IEEE Conference on Decision and Control (IEEE CDC 2018) (pp. 6906-6911),
Fontainebleau, Miami Beach, FL, USA, December.

11
 2. Nguyen, V. A., Nguyen, A.-T., Dequidt, A., Vermeiren, L., Dambrine, M. (2018).
LMI-based 2-DoF control design of a manipulator via TS descriptor approach.
IFAC-PapersOnLine, 51(22), 102-107 (IFAC SYROCO 2018), Budapest, Hungary,
August.
3. Nguyen, V. A., Vermeiren, L., Dequidt, A., Nguyen, A.-T., Dambrine, M., Cung,
L. (2018, May). Takagi-Sugeno fuzzy descriptor approach for trajectory control of a
2-DOF serial manipulator. In 2018 13th IEEE Conference on Industrial Electronics
and Applications (IEEE ICIEA) (pp. 1284-1289), Wuhan, China.

Conférences nationales avec comité de lecture

1. Nguyen Thi, V. A., Nguyen, A.-T., Vermeiren, L., Dequidt, A., Dambrine, M.,
Cung, L. (2018). Synthèse LMI pour la commande d'un robot manipulateur à 2ddl
par l'approche descripteur TS. LFA 2018, Arras, France, novembre.
2. Nguyen Thi, V. A., Allouche B., Vermeiren, L., Dequidt, A., Cung, L., Dang Q.V.
(2016). Commande temps-réel d'un pendule inversé : Approche TS descripteur
robuste. LFA 2016, La Rochelle, France, novembre.

12
Chapitre 1

Robots manipulateurs et suivi de

trajectoire

1.1 Introduction

De nombreuses méthodes ont été développées pour la commande de robots manipula-

teurs durant ces dernières décennies. Ces diérentes approches de commande ont donné
lieu à des travaux spéciques en robotique, particulièrement en raison de deux aspects :
la complexité du comportement dynamique des robots et les exigences en terme de suivi
de trajectoire. D'une part, pour appréhender le comportement dynamique d'un robot ma-
nipulateur dans l'ensemble de son espace de travail, il est nécessaire d'avoir recours à
un état (fournissant la position et la vitesse instantanée) de dimension conséquente, par
exemple douze pour un robot à six articulations, et à un grand nombre de paramètres
géométriques, inertiels, etc. Lorsqu'une trajectoire est parcourue dans l'espace de travail,
des caractéristiques fortement non linéaires (dépendant de l'état) et un couplage impor-
tant entre les articulations sont inhérents à ce comportement. L'utilisation de modèle
dynamique pour l'analyse et la synthèse du robot (en conception et commande) permet
de prendre en compte ce comportement dynamique complexe grâce à des méthodes de
modélisation et d'identication bien établies depuis plusieurs décennies [Dawson et al.,
2003, Khalil and Dombre, 2004, Siciliano et al., 2010, Siciliano and Khatib, 2016]. D'autre
part, le suivi de trajectoire est l'une des fonctions essentielles d'un robot manipulateur.
La capacité d'un robot à eectuer une tâche dépendra fortement de ses performances en
suivi de trajectoire. Pour eectuer ce suivi, le choix d'un espace particulier (articulaire
ou opérationnel) conditionne le développement d'une loi de commande. Enn, non seule-
ment la stabilité doit être garantie sur tout l'espace de travail, mais la commande doit
également assurer des performances en suivi de trajectoire et, en particulier, une erreur
de position inférieure à une tolérance. Dans ce chapitre, après avoir replacé le sujet des
robots manipulateurs dans son contexte et rappelé les éléments de modélisation néces-
saires à la compréhension de l'étude, les modèles dynamiques utilisés pour la synthèse de
commande et pour la validation par simulation sont présentés. Puis la problématique de
suivi de trajectoire est présentée ainsi que les principales approches de commande qui y
répondent.

13
1.2 Robots manipulateurs
1.2.1 Introduction
La robotique est à la fois un domaine technologique et une science à la frontière des
sciences pour l'ingénieur et des sciences humaines. Elle a récemment été dénie comme
la science étudiant la relation "intelligente" entre la perception et l'action [Sciavicco and
Siciliano, 2012]. Les robots manipulateurs et les robots mobiles sont caractérisés par les
fonctions d'action qu'ils apportent : des fonctions de manipulation d'objets dans leur
environnement immédiat pour les premiers, des fonctions de mobilité dans un large envi-
ronnement articiel ou naturel (une usine, un terrain extérieur irrégulier, la mer,...) pour
les seconds. Ces moyens d'action sont constitués de structures mécaniques et de sources
de puissance, aujourd'hui le plus souvent électriques. Une variété de capteurs fournit aux
robots des moyens de perception pour évoluer dans son espace. Une unité de calcul et de
traitement (micro-contrôleur, PC industriel,...) fournit le support pour l'intégration et la
connexion des moyens d'action et de perception ainsi que pour "l'intelligence" nécessaire
pour les coordonner. Par conséquent, la robotique est une science interdisciplinaire qui
s'appuie sur la mécanique, l'électrotechnique, l'électronique, l'automatique et l'informa-
tique. En outre, la robotique fait appel de plus en plus aux sciences humaines comme les
neurosciences.

Figure 1.1: Une scène de R.U.R. montrant les trois robots.

Voici un certain nombre de faits saillants de l'histoire de la robotique au 20ème siècle :
 En 1921, le dramaturge tchèque K. Capek a utilisé le mot "robot" dans sa pièce
de théâtre "Rossum's Universal Robots (R.U.R)" [Sciavicco and Siciliano, 2012,
Abdulkareem et al., 2016], voir la gure 1.1.
 En 1942, la nouvelle de science ction "Runaround", écrite par I. Asimov, dénit
les "trois lois de la robotique" [Asimov, 1942, Asimov, 2004].
 En 1956, G. Devol et J. Engelberger ont établi la première entreprise de robotique,
"Unimation Inc." [Ballard et al., 2012, Kurfess, 2004].
 En 1961, le premier robot "Unimate", cf. gure 1.2, est installé dans une usine
General Motors de Trenton, New Jersey [O'Regan, 2015, Gasparetto and Scalera,
2019].
 En 1963, le premier bras robotique commandé par ordinateur, le "Rancho Arm",
a été conçu [Nocks, 2007].

14
 Figure 1.2: Le robot Unimate.

Aujourd'hui, la robotique est un domaine en croissance rapide et suit un développement

technologique continu grâce aux progrès de l'informatique industrielle, de l'électronique et
de l'électrotechnique par exemple. La robotique couvre de nombreux domaines d'applica-
tion tels que les robots industriels [Kiguchi and Fukuda, 1997,Lindner et al., 2016,Garriz
and Domingo, 2019], les applications spatiales [Yim et al., 2003,Khatib, 1987], les applica-
tions militaires [Sparrow, 2009,Springer, 2013], les applications médicales ou les robots de
services [Breazeal, 2011, Dahl and Boulos, 2014]... Le marché de la robotique a été essen-
tiellement marqué par les robots manipulateurs industriels durant les années 1970-2000
et, depuis, parallèlement à ce développement, on observe un marché en forte croissance
des applications non industrielles, notamment dans les domaines médicales et des services.
La robotique industrielle comporte un secteur fortement majoritaire de robots mani-
pulateurs bien que les AGV (Automated Guided Vehicle) et les robots mobiles à roues
sont de plus en plus utilisés. L'activité de Recherche et Développement en robotique
industrielle reste intense et couvre la conception, la commande et le développement d'ap-
plications industrielles (avec de nouveaux procédés, capteurs, interfaces de programma-
tion,...) ; cette activité est stimulée par l'arrivée de la robotique collaborative (cobot) et
par de nouvelles entreprises comme Universal Robots parmi des grands groupes comme
Fanuc, ABB, Kuka, etc. Plus largement, dans un contexte de développement des concepts
de "l'usine du futur" ou de "l'industrie 4.0", la robotique est un maillon essentiel. Pour
les activités industrielles, les avantages apportés par les robots manipulateurs sont :
 la répétabilité et la maîtrise de la qualité qui en découle,
 l'augmentation de la productivité,
 l'amélioration de la abilité du processus,
 la possibilité d'éliminer des tâches pénibles ou à risque pour l'opérateur humain,
 la réduction des coûts de fabrication,
 la exibilité de production (pour varier les produits sur une ligne ou s'adapter aux
évolutions de produits),
 l'interaction avec l'homme (cellule robotisée ouverte pour une grande souplesse
d'utilisation) possible grâce aux évolutions technologiques et réglementaires.
Les robots manipulateurs sont présents principalement dans les industries manufacturières

15
 (a) Manutention (b) Soudage

(c) Découpe laser (d) Meulage CNC

Figure 1.3: Applications de robots manipulateurs

(de biens d'équipement), mais aussi les industries agro-alimentaires, pharmaceutiques, etc.
Ils sont utilisés dans une très grande variété de tâches (Figure 1.3) :
 la manutention, le transfert de pièces dans une ligne de production, le charge-
ment/déchargement de machine, le conditionnement, la palettisation, etc.
 l'assemblage, le soudage, la peinture, l'encollage, le découpage, le meulage, le po-
lissage, le contrôle qualité, etc.
Un robot manipulateur industriel est destiné au positionnement et à la mise en mouvement
dans l'espace qui l'entoure d'un outil ou d'un produit à partir d'une base xe ou plus
rarement mobile (robot manipulateur mobile). Il est composé des éléments principaux
suivants [Sciavicco and Siciliano, 2012] (voir la gure 1.4) :
 Le système mécanique articulé (SMA) est constitué d'un ensemble de corps solides
articulés entre eux conférant à l'organe terminal (le préhenseur ou l'outil) les degrés
de libertés (ddl) souhaités pour générer un mouvement. Le manipulateur est dit
sériel (architecture cinématique sériel) lorsque les articulations et les corps sont

16
 Figure 1.4: Composition d'un robot industriel.

placés en série entre la base et l'organe terminal ; il est dit parallèle (architecture
cinématique parallèle) lorsque plusieurs SMAs sériels relient la base à l'organe
terminal.
 Les actionneurs sont associés aux articulations (toutes les articulations dans le cas
d'un cas d'un manipulateur sériel) pour apporter la puissance mécanique nécessaire
et les commander en eort (force ou couple) ou en position ; les moteurs utilisés
sont le plus souvent électriques, parfois hydrauliques.
 Les capteurs proprioceptifs mesurent l'état des articulations (position, vitesse et
parfois l'eort) et, éventuellement, l'eort d'interaction entre le SMA et l'organe
terminal par exemple. Des capteurs extéroceptifs peuvent servir à obtenir des in-
formations sur l'environnement, comme, par exemple, un système de vision.
 Le système de contrôle/commande assure la supervision et la commande du mani-
pulateur.
Les tâches eectuées par un robot manipulateur requièrent la génération du mouvement
de l'organe terminal. Cette génération de mouvement repose sur deux fonctions princi-
pales du système de contrôle/commande : d'une part, la génération de consignes associées
à une trajectoire résultant de l'interpolation entre points, appelée planication de trajec-
toire, et, d'autre part, la commande des actionneurs assurant le suivi (ou la poursuite) de
ces consignes, appelée commande du mouvement. Ce mouvement peut être décrit dans un
espace propre à l'opération à eectuer par l'organe terminal ou dans l'espace de l'ensemble
des articulations. Ceci conduit à distinguer fondamentalement deux espaces, appelés es-
paces opérationnel et articulaire, dans lesquels la trajectoire pourra être générée et/ou la
commande du mouvement assurée.

1.2.2 Espaces articulaire et opérationnel

Pour un manipulateur sériel, chaque articulation fournit un ddl permettant un dé-
placement relatif en rotation ou en translation dans un intervalle donné, déni par les

17
butées articulaires ; la position dans cet intervalle est la position articulaire. La con-
guration d'un manipulateur à un instant donné est dénie par l'ensemble des positions
articulaires du manipulateur à cet instant ; l'espace articulaire est l'ensemble des con-
gurations possibles du manipulateur, compte-tenu des butées articulaires. L'espace dans
lequel la position et/ou l'orientation de l'organe terminal est décrite (par rapport à un
repère donné), appelé espace opérationnel du manipulateur, est l'ensemble des points at-
teignables par l'organe terminal de ce manipulateur lorsqu'il parcourt tout son espace
articulaire. L'espace opérationnel, de dimension 6 au maximum, est de même dimension
que l'espace articulaire dans le cas d'un robot non redondant ou de dimension inférieure
dans le cas d'un robot redondant (i.e. le manipulateur possède plus d'articulations que
le nécessite le mouvement de l'organe terminal). La trajectoire de l'organe terminal peut
résulter de l'interpolation de points dans l'espace articulaire ou dans l'espace opération-
nel. Une interpolation dans l'espace opérationnel permettra de générer une trajectoire
avec un chemin prédéni, comme un chemin rectiligne ou circulaire, d'un point matériel
particulier appartenant à l'organe terminal ou comme une orientation constante de cet
organe terminal par exemple. En revanche, une interpolation dans l'espace articulaire ne
permettra pas de générer une trajectoire avec un chemin prédéni entre un point de dé-
part et un point d'arrivée, ce chemin dépendant non seulement de la position de ces deux
points, mais aussi de l'architecture cinématique du SMA. La commande du mouvement
est obtenue à partir d'un écart de position (et de vitesse) entre la consigne et la mesure
calculé soit dans l'espace articulaire, soit dans l'espace opérationnel. Dans le cas d'une
commande dans l'espace opérationnel, les mesures articulaires doivent être transformées
dans l'espace opérationnel à l'aide de modèles du SMA. Un ensemble de modèles régis-
sant la relation entre ces deux espaces et décrivant le comportement dynamique dans l'un
de ces espaces est établi pour assurer la planication de trajectoire et la commande du
mouvement.
Les manipulateurs sériels à architecture cartésienne (manipulateurs dépourvus d'ar-
ticulation en rotation, les axes des articulations en translation étant orthogonaux) sont
exclus de la description qui est faite par la suite parce qu'ils constituent des cas particuliers
ne nécessitant pas les outils de modélisation non linéaires présentés.

1.2.3 Modèles géométriques, cinématiques et dynamiques

Dans cette section, les relations entre les deux espaces en termes de position et de
vitesse sont décrites avec les modèles géométriques et cinématiques, respectivement, tandis
que la relation entre les eorts appliqués au manipulateur et son mouvement relève de
modèles dynamiques. An d'obtenir ces modèles pour un robot manipulateur industriel,
l'hypothèse de corps solide indéformable est le plus souvent retenue.
Les modèles géométriques établissent les relations entre les positions dans l'espace
articulaire (conguration du manipulateur) et les positions dans l'espace opérationnel
(position et/ou orientation de l'organe terminal).
Pour décrire la relation entre les vitesses articulaires et les vitesses opérationnelles, un
modèle cinématique est établi. Il peut être obtenu à partir de la dérivée temporelle d'un
modèle géométrique ou écrit à partir des relations cinématiques entre corps solides sup-
posés indéformables du SMA. Les vitesses opérationnelles sont les composantes scalaires
du vecteur vitesse d'un point matériel donné de l'organe terminal et/ou de son vecteur
rotation instantanée (ou pseudo-vitesse de rotation), par rapport à un repère donné.
La conception des manipulateurs, leur commande et leur simulation requièrent éga-

18
lement un modèle dynamique du SMA dès lors que l'on souhaite prendre en compte les
eorts (e.g. les couples moteurs, les forces extérieures) en jeu dans les mouvements géné-
rés. En utilisant les formalismes habituels (Équations de Newton-Euler ou de Lagrange),
le modèle dynamique d'un manipulateur s'exprime par un système d'équations diéren-
tielles ordinaires du second ordre. Les équations sont non linéaires et en nombre égal à
la dimension de l'espace articulaire, exception faite d'un robot redondant dont le modèle
dynamique est écrit dans l'espace opérationnel. Le modèle dynamique est par exemple
nécessaire pour optimiser une trajectoire entre deux points sous contraintes de limites
articulaires en position, vitesse et eort (issues des limites des actionneurs : vitesses no-
minales et couples maximum des moteurs électriques par exemple). La synthèse de la
commande du mouvement pourra également utiliser ce modèle.

Modèle géométrique direct (MGD) :

Le modèle géométrique direct (MGD) est destiné à calculer une position dans l'espace
opérationnel, notée χ en fonction de la position dans l'espace articulaire, notée q . Pour un
manipulateur sériel, la position dans l'espace opérationnel existe toujours et la solution est
unique ; on pourra écrire explicitement le MGD, connaissant les paramètres géométriques
du SMA, sous la forme :

χ = gD (q), (1.1)
T T
avec q = q1 q2 ... qnq et χ = χ1 χ2 ... χnχ , où nq et nχ sont les dimensions,
 

respectivement, de l'espace articulaire et de l'espace opérationnel, avec nq ≥ nχ .

La génération de trajectoire dans l'espace opérationnel permet de générer les consignes
de position opérationnelle selon un chemin prédéni. À partir de ces consignes, il est
possible d'établir une commande du mouvement dont la correction se fait dans l'espace
opérationnel, cf. gure 1.5, et l'entrée de commande des actionneurs est obtenue grâce
au modèle statique (1.5) décrit par la suite. Le MGD permet de calculer la position
opérationnelle image des mesures de position articulaire an de comparer consigne et
position eective dans l'espace opérationnel.

Figure 1.5: Génération de trajectoire et commande dans l'espace opérationnel.

Modèle géométrique inverse (MGI) :

Le modèle géométrique inverse (MGI) est destiné à calculer une position articulaire
à partir d'une position opérationnelle. La forme explicite du MGI présentée comme suit
ne peut s'écrire que pour certains manipulateurs parallèles. Sinon, il prend la forme d'un

19
algorithme qui s'appuie, pour les manipulateurs industriels courants, sur les diérentes
solutions analytiques obtenues à partir de l'inversion du MGD.

q = gI (χ). (1.2)

Pour un manipulateur sériel, le MGI permet de calculer, si il existe, le ou les points dans
l'espace articulaire à partir de la connaissance d'un point cible dans l'espace opérationnel
[Khalil and Dombre, 2004]. Pour un robot redondant (nq > nχ ), les solutions seront
généralement en nombre inni contrairement à un robot non redondant (nq = nχ ).
Le MGI servira le plus souvent à calculer les consignes de position dans l'espace ar-
ticulaire à partir des consignes dans l'espace opérationnel, cf. gure 1.6. La commande
du mouvement est alors établie dans l'espace articulaire (correction de l'écart de position
entre les consignes et les mesures de position articulaire).
NB : Une planication de trajectoire dans l'espace articulaire (e.g. une interpolation entre
deux points articulaires) ne nécessite ni le MGD ni le MGI dans le schéma de commande.

Figure 1.6: Génération de trajectoire dans l'espace opérationnel et commande dans l'es-
pace articulaire.

Modèle cinématique direct (MCD) :

Le modèle cinématique direct (MCD) permet de calculer les vitesses opérationnelles
en fonction des vitesses articulaires. La forme du MCD dans le cas des manipulateurs
sériels peut être présentée comme :

χ̇ = J(q)q̇, (1.3)

avec la jacobienne J ∈ Rnχ ×nq . Le MCD est utilisé comme le MGD pour la commande
dans l'espace opérationnel an de calculer l'écart de vitesse.

Modèle cinématique inverse (MCI) :

Le modèle cinématique inverse (MCI) permet de calculer les vitesses articulaires en
fonction des vitesses opérationnelles. La forme du MCI dans le cas d'un robot non redon-
dant nq = nχ peut être présentée (si la conguration q n'est pas singulière) comme :

q̇ = J −1 (q)χ̇ si det(J(q)) 6= 0. (1.4)

Le MCI est utilisé comme le MGI pour la commande dans l'espace articulaire an de
transformer les consignes de vitesse générées dans l'espace opérationnel.

20
Modèle statique :
Le modèle statique établit la relation entre les eorts exercés par l'environnement sur
l'organe terminal, Fe ∈ Rnχ , et les eorts exercés par les actionneurs, Γ ∈ Rnq , en l'absence
de mouvement du manipulateur. L'expression suivante de ce modèle se déduit facilement
du MCD (1.3) grâce au principe des puissances virtuelles, expression où les frottements
secs et l'eet de la pesanteur n'ont pas été pris en compte :

Γ = −J T (q)Fe , (1.5)

Le modèle statique peut être utilisé pour la commande dans l'espace opérationnel (Fig. 1.5).

Modèle dynamique (MDI et MDD) :

Un modèle dynamique exprime la relation entre le mouvement du manipulateur (ca-
ractérisé par les positions, vitesses et accélérations) et les eorts qui lui sont appliqués.
Il s'écrit soit dans l'espace articulaire, soit dans l'espace opérationnel (parfois dans les
deux pour simplier son expression pour un manipulateur parallèle). A partir de l'un
des principes de la mécanique du solide, on l'écrira naturellement sous la forme dite du
modèle dynamique inverse (MDI) qui exprime les eorts articulaires (donc les entrées de
commande) en fonction des positions, vitesses et accélérations du manipulateur. Le MDI
est utilisé pour la commande et la planication de trajectoire. On peut aussi être amené
à utiliser le modèle dynamique direct (MDD) qui exprime les accélérations en fonction
des eorts, des positions et des vitesses que ce soit pour la simulation du comportement
temporel du robot ou pour établir le modèle en représentation d'état (en vue de sa com-
mande).
Dans cette thèse, nous nous restreindrons au cas le plus courant de la commande
du mouvement dans l'espace articulaire (avec une génération de trajectoire dans l'espace
opérationnel, mais ceci n'est pas restrictif). Le modèle dynamique utilisé est donc écrit
dans l'espace articulaire. Deux types de modèles sont développés par la suite pour les
besoins de l'étude :
 le modèle dynamique rigide pour lequel on utilise les hypothèses habituellement
retenues de corps solides indéformables et d'articulations indéformables,
 le modèle dynamique à articulations exibles pour lequel on relâche la seconde
hypothèse an de considérer l'eet de résonances mécaniques sur la commande.
Le premier modèle sera utilisé pour la synthèse de commande tandis que le second, plus
réaliste, servira pour la validation par simulation.

1.2.4 Modèle dynamique rigide

La modélisation des manipulateurs supposés indéformables a été largement traitée
depuis plus de quatre décennies [Dawson et al., 2003,Khalil and Dombre, 2004,Khalil et al.,
2014,Siciliano and Khatib, 2016,Siciliano et al., 2010]. Considérons un robot manipulateur
avec nq degrés de liberté ; son modèle dynamique peut s'écrire dans l'espace articulaire
sous la forme générale :

M (q)q̈ + N (q, q̇)q̇ + G(q) = Γ + Γf + J T (q)Fe , (1.6)

où
 M (q) ∈ Rnq ×nq est la matrice d'inertie,

21
  N (q, q̇) ∈ Rnq ×nq est la matrice contenant les termes de Coriolis et centripète ainsi
que les coecients de frottement visqueux aux articulations,
 G(q) ∈ Rnq représente le vecteur des termes de pesanteur,
 Γf ∈ Rnq est le vecteur des eorts de frottement sec appliqués aux articulations.
Notons que cette forme de modèles (1.6) couvre les SMAs à architecture sérielle (éventuel-
lement redondant) à l'exclusion des SMAs sous-actionnés (e.g. le SMA d'un préhenseur
à doigts), et couvre des SMAs à architecture parallèle. Néanmoins, le modèle dynamique
d'un SMA à architecture parallèle sera la plupart du temps très délicat à écrire explicite-
ment sous cette forme en raison de son modèle cinématique [Allouche, 2016]. Par la suite,
un exemple de modèle dynamique est explicité, puis un modèle de frottement sec Γf et
un modèle de force extérieure Fe pour faire apparaître les perturbations appliquées au
manipulateur.
Exemple 1. L'exemple présente un robot manipulateur à 2 ddl en mouvement dans un
plan horizontal muni d'un axe x dans la direction du champ de pesanteur et d'un axe
y horizontal. Le SMA schématisé à la gure 1.7 est constitué de deux bras en série de
longueur L1 et L2 , les articulations étant localisées en O1 et O2 et l'organe terminal en
P.

Figure 1.7: Un robot de 2ddl.

La position articulaire q1 du premier bras est dénie par rapport à l'axe x et celle
du second bras q2 par rapport à l'axe du premier bras telles que schématisé à la gure
1.7 ; notons également la position angulaire absolue q12 = q1 + q2 du second bras par
rapport à l'axe x. Le choix de cette description cinématique aboutissant aux variables
angulaires q1 et q12 est fait pour écrire le vecteur des termes de pesanteur G(q) sans
utiliser la fonction cos ; ainsi, pour une représentation d'état (ou descripteur), ce vecteur
peut être transformé pour être placé dans la matrice d'état. Les couples moteurs appliqués
aux premier et second bras sont notés respectivement : Γ1 et Γ2 , et les coecients de
frottement visqueux articulaires : fv1 et fv2 . Les paramètres inertiels du SMA sont : les
masses m1 et m2 , les centres de masse G1 et G2 situés à une distance r1 et r2 de leur
articulation et, enn, les moments d'inertie I1 et I2 par rapport à leur centre de gravité,
respectivement des premier et second bras. Pour simplier le paramétrage, les centres
de masse G1 et G2 sont supposés alignés respectivement avec les points O1 , O2 et O2 ,
P . Notons que la dynamique des actionneurs est exprimée en sortie de réducteur de telle
sorte que les rapports de réduction n'apparaissent pas dans les équations, an de simplier
le paramétrage. Par conséquent, le vecteur des eorts moteurs Γ qui constitue l'entrée de
commande est exprimé par sa grandeur équivalente en sortie de réducteur. En outre, les

22
moments d'inertie de la partie tournante des moto-réducteurs ne sont pas inclus dans ceux
des bras ; notés respectivement Ia1 et Ia2 pour la première et la seconde articulation, ils
sont exprimés en sortie de réducteur.
Pour ce robot, les matrices du MDI (1.6) peuvent alors être écrites telles que [Spong
and Vidyasagar, 2008a] :
 
Ia1 + c1 + 2c2 cos q2 c3 + c2 cos q2
M (q) = ,
 c3 + c2 cos q2 Ia2 + c3
2c2 q̇2 sin q2 + fv1 c2 q̇2 sin q2
N (q, q̇) = , (1.7)
 −c2 q̇1 sin q2  fv2
−c4 sin q1 − c5 sin q12
G(q) = ,
−c5 sin q12

avec
c1 = m1 r12 + I1 + m2 L21 + m2 r22 + I2 ,
c2 = m2 L1 r2 ,
c3 = m2 r22 + I2 , (1.8)
c4 = m1 gr1 + m2 gL1 ,
c5 = m2 gr2 .

An de disposer également d'un modèle de simulation indépendamment de ce modèle

analytique, la toolbox Simscape/Multibody (1st generation) de MATLAB/Simulink, est
utilisée pour créer le SMA avec les paramètres géométriques et inertiels décrits précédem-
ment, cf. gure 1.8. Ce modèle a permis de valider les modèles analytiques utilisés pour
la synthèse de commande, en particulier les modèles sous forme Takagi-Sugeno. De plus,
en incluant des articulations exibles, il permet d'obtenir un modèle dynamique à arti-
culations exibles utilisé pour les simulations. Les perturbations sont également intégrées
au modèle, à savoir les frottements secs et les forces extérieures, telles que présentées par
la suite.

Figure 1.8: Modèle Simscape/Multibody (1G) du manipulateur 2ddl rigide.

Modèle de frottement sec

L'eort de frottement sec Γf i appliqué à l'articulation i, i ∈ 1, ..., nq , est calculé à
partir d'un modèle de Coulomb avec eet de Stribeck [Andersson et al., 2007] comme

23
suit :
(
Λai if |q̇i | > 0 (slip),
Γf i = (1.9)
Λbi if q̇i = 0 (stick),

où
 2

q̇
−( v i )
Λai = − Γf ci + (Γf si − Γf ci )e s sign(q̇i ), (1.10)
Λbi = − min(|Γi − Γti | , Γf si )sign(Γi − Γti ) (1.11)

et
 Γf si est l'eort de frottement statique (seuil d'adhérence),
 Γf ci est l'eort de frottement de Coulomb (eort résistant durant le glissement),
 Γti est l'eort transmis dans l'articulation i entre l'actionneur et le bras qu'il en-
traîne.
Dans ce modèle de frottement sec, le terme Λai décrit en phase de glissement (slip)
l'eet de Stribeck au voisinage de la vitesse articulaire nulle compte tenu de la diérence
des constantes Γf si et Γf ci dont le raccordement dépend de la constante vs . En outre, en
phase d'adhérence (slip) où la vitesse articulaire q̇i est nulle, le terme Λbi décrit exactement
l'équilibre statique entre les eorts en présence : l'eort exercé par l'actionneur Γi , la
réaction du bras via l'articulation −Γti et l'eort de frottement sec Γf i dont le seuil
est Γf si . Ce modèle permet de simuler de manière réaliste le frottement sec dans une
articulation.

Modèle de force extérieure

On considère une force extérieure appliquée sur l'organe terminal du manipulateur
de l'exemple 1. An de simuler l'eet d'un procédé de découpe ou de rainurage avec un
outil coupant (e.g. une fraise) dans le plan de déplacement du robot, la force relative à
ce procédé est modélisée par un vecteur tangent à la trajectoire de l'organe terminal et
opposée au vecteur vitesse χ̇ ; durant une opération de découpe ou de rainurage, l'intensité
de cette force, notée fe (t), est bornée telle que fe (t) ∈ [fe,min , fe,max ] :
χ̇
Fe (t) = −fe (t) , (1.12)
||χ̇||

avec χ̇ = [ẋe ẏe ]T la vitesse de l'organe terminal.

1.2.5 Modèle dynamique à articulations exibles

Les modèles dynamiques utilisés pour la synthèse de commande sont fondés, le plus
souvent, sur l'hypothèse de corps solide indéformable sauf, par exemple, dans le cas des
robots manipulateurs spatiaux qui sont très souples en raison de leur légèreté. Néanmoins,
la déformation élastique des articulations et des bras amène dans le comportement dyna-
mique des robots des résonances mécaniques qui peuvent être excitées par la commande.
L'excitation des résonances mécaniques génère des oscillations mal amorties et peut ré-
duire signicativement les marges de stabilité. Les manipulateurs industriels sont conçus
et dimensionnés an d'obtenir des bras susamment rigide pour que leur déformation ne
pénalise pas la justesse de positionnement souhaitée de l'organe terminal ; les articulations,

24
généralement munis de réducteurs entre le moteur et le bras, constituent le maillon faible
de cette chaîne cinématique. Considérant bras et articulations exibles, il est raisonnable
de supposer que les articulations amènent des résonances mécaniques dont les fréquences
sont les plus basses [Makarov et al., 2016]. Les articulations exibles constituent une limite
bien connue à l'augmentation des gains de commande pour améliorer les performances en
suivi de trajectoire [Spong, 1987]. De ce fait, dans cette étude, on présente un modèle
dynamique à articulations exibles qui sera utilisé pour vérier que les lois de commande
développées n'excitent pas les premières résonances mécaniques.
On sépare donc la dynamique de l'actionneur, représentée par :
Ma q̈a + Na q̇a = Γ + Γf − Γt , (1.13)
de la dynamique des bras, représentée par :
Mb (qb )q̈b + Nb (qb , q̇b )q̇b + Gb (qb ) = Γt + Γf + J T (q)Fe , (1.14)
où
 qa ∈ Rnq est le vecteur des positions généralisées des actionneurs,
 qb ∈ Rnq est le vecteur des positions généralisées des bras,
 Γt ∈ Rnq est le vecteur des forces généralisées transmises dans les articulations entre
les actionneurs et les bras,
 Ma est la matrice diagonale d'inertie des actionneurs,
 Na est le matrice diagonale des coecients de frottement visqueux,
 Mb (qb ) est la matrice d'inertie des bras,
 Nb (qb , q̇b ) est le matrice contenant les termes de Coriolis et centripète,
 Gb (qb ) représente le vecteur des termes de pesanteur.
Les actionneurs et les bras sont couplés par des transmissions visco-élastiques telles
que :
Γt = Kt (qa − qb ) + Bt (q̇a − q̇b ), (1.15)
où
 Kt est la matrice de raideur,
 Bt est la matrice d'amortissement.
Ce modèle dynamique à articulations exibles repose sur les hypothèses énoncées dans
[Spong, 1987]. Lorsque que l'on néglige la déformation dans les articulations, les constantes
de raideur contenues dans la matrice Kt sont supposées inniment grandes et il s'en suit
que : qa = qb = q , ce qui conduit au modèle dynamique rigide (1.6) avec : M = Ma + Mb ,
N = Na + Nb , G = Gb .
Exemple 2. Pour l'exemple du manipulateur à 2 ddl, cf. gure 1.7, on donne l'expression
des matrices du modèle dynamique à articulations exibles selon le schéma 1.9 :
Ma = diag(Ia1 , Ia2 ),
Na = diag(f
 v1 , fv2 ), 
c1 + 2c2 cos qb2 c3 + c2 cos qb2
Mb = ,
 c3 + c2 cos qb2 c3 
2c2 q̇b2 sin qb2 c2 q̇b2 sin qb2
Nb = ,
−c
 2 q̇b1 sin qb2 0 
−c4 sin qb1 − c5 sin qb12
Gb = ,
−c5 sin qb12
Kt = diag(kt1 , kt2 ),
Bt = diag(bt1 , bt2 ),

25
où kti et bti sont respectivement les constantes de raideur et d'amortissement de la ième
articulation. Les caractéristiques du robot manipulateur utilisées dans cette étude sont
données dans le tableau 1.1.

Figure 1.9: Description d'un robot manipulateur à 2 degrés de liberté.

Table 1.1: Nomenclature du robot

Symbole Description Valeur

L1 , L2 Longueur des bras (m) 0.5, 0.5
m1 , m2 Masses des bras (kg) 15, 9
I1 , I2 Moments d'inertie des bras / au centre de masse (kg m2 ) 0.31, 0.19
Ia1 , Ia2 Moments d'inertie des moto-réducteurs (sur l'arbre de 2.71, 0.50
sortie) (kg m2 )
r1 , r2 Distances entre les articulations et les centres de masse (m) 0.25, 0.25
fv1 , fv2 Coecients de frottements visqueux (N m s/rd) 0.14, 0.14
g Constante de gravitation (m/s2 ) 9.81
kt1 , kt2 Raideurs articulaires ×104 (N m/rd) 6.4, 1.2
bt1 , bt2 Constantes d'amortissement (N m s/rd) 20.4, 3.8
Γf s1 , Γf s2 Couples de frottement statique (N m) 6, 3
Γf c1 , Γf c2 Couples de frottement de Coulomb (N m) 4, 2
vs Coecient de l'eet de Stribeck (m/s) 0.1
fe,min , fe,max Bornes de l'intensité de la force extérieure (N) 138, 218

Ce modèle dynamique à articulations exibles est développé dans MATLAB/Simulink

avec la toolbox Simscape/Multibody (1st generation) an de disposer d'un modèle de
simulation contenant les perturbations de type frottement sec et force extérieure appliquée
à l'organe terminal ainsi que les résonances mécaniques dues aux articulations exibles,
cf. gure 1.10.

26
Figure 1.10: Modèle Simscape/Multibody (1G) du manipulateur 2ddl à articulations
exibles.

Le but est de pouvoir valider en simulation les lois de commande avec un modèle
susamment réaliste. Par conséquent, les hypothèses retenues avec ce modèle Simulink
détermine le cadre de validité de cette étude, à défaut d'avoir des validations expérimen-
tales.

1.3 Suivi de trajectoire

1.3.1 Introduction
La commande du mouvement d'un manipulateur est un sujet qui peut être formulé à
partir de problématiques plus générales issues de l'automatique. Dans le domaine de la
commande de systèmes dynamiques, on peut distinguer trois problématiques essentielles
pour notre sujet :
 la stabilisation
 le suivi de trajectoire
 le rejet de perturbation.
La condition nécessaire à la mise en ÷uvre d'un système dynamique comme un robot est
de garantir sa stabilité. La stabilisation d'un robot manipulateur autour d'une consigne
de position constante au cours du temps est donc le premier objectif à atteindre [Per-
vozvanski and Freidovich, 1999, Burkov et al., 1996, Burkov et al., 1998]. Mais pour les
applications industrielles de robots manipulateurs, la stabilisation n'est pas susante. En
eet, pour eectuer les tâches décrites précédemment, un robot manipulateur doit suivre
des trajectoires avec la précision attendue. Les trajectoires de référence prédénies pour
générer le mouvement souhaité constituent, in ne, des consignes à suivre pour chaque
articulation qui évoluent au cours du temps de manière synchronisée. Ce suivi de tra-
jectoire de référence occupe une place centrale en commande de robot manipulateur. Et
il est bien connu que le problème de suivi de trajectoire est plus dicile que celui de la
stabilisation. Une des raisons est que la commande doit assurer une erreur inférieure à une
valeur tolérée entre la sortie du système et la référence tout en garantissant la stabilité du
système en boucle fermée. De plus, le problème de régulation peut être considéré comme
un cas particulier du problème de suivi pour lequel la trajectoire de référence est constante
dans le temps. En raison du caractère fortement non-linéaire du comportement dynamique
des manipulateurs, la synthèse de commande pour le suivi de trajectoire est considérée
comme un problème dicile [Spong and Vidyasagar, 2008a,Lu et al., 2017,Hu et al., 2012].

27
Ce problème reste en robotique un problème de premier ordre [Chen, 2011, Chu et al.,
2014, Han et al., 2014, Xiao and Yin, 2018, Zhou et al., 2018, Xiao et al., 2019]. Enn, le
rejet de perturbation consiste à minimiser l'eet de perturbations sur la sortie, comme des
phénomènes "mal modélisés" au sein du système en raison de leur caractère incertain ou
trop complexe, e.g. le frottement sec sur les articulations, ou comme des actions de l'envi-
ronnement sur le système, e.g. des forces extérieures exercées sur l'organe terminal [Chen
et al., 2000b,Mohammadi et al., 2013,Eom et al., 1998,Sariyildiz et al., 2018,Nikdel et al.,
2016]. La commande du mouvement d'un robot manipulateur inclue donc ces trois pro-
blématiques. Les travaux présentés dans cette thèse poursuivront l'objectif principal du
suivi de trajectoire, tout en traitant conjointement le rejet de perturbation. Après avoir
posé formellement le problème du suivi de trajectoire, les lois de commande développées
couramment en robotique seront présentées.

1.3.2 Formulation du problème de commande de suivi

Soit un système dynamique non-linéaire continu dont on peut écrire le modèle mathé-
matique sous la forme :
ẋ = f (t, x, u)
(1.16)
y = h(t, x, u),
où
 x ∈ Rnx est le vecteur d'état du système,
 u ∈ Rnu est le vecteur d'entrée avec lequel le système peut être commandé.
 y ∈ Rny est le vecteur de sortie du système qui contient les mesures.
La formulation du problème de suivi de trajectoire présentée par la suite est tirée
de [Lefeber, 2000]. Une trajectoire d'état de référence donnée, xr (t), est à suivre par l'état
du système. On suppose que cette trajectoire est réalisable au sens où il existe une entrée
de référence ur (t) telle que
ẋr = f (t, xr , ur ). (1.17)
L'état et l'entrée de référence étant donnés, la sortie de référence résultante est dénie
par :
yr = h(t, xr , ur ). (1.18)
Le problème de suivi de trajectoire consiste à déterminer une commande de l'entrée u
telle que la sortie y(t) converge vers l'entrée de référence yr (t) quand t tend vers l'inni.
Dans le cas des robots manipulateurs, la trajectoire dénit directement la position et la
vitesse (articulaire par exemple), et par conséquent l'état du système. Pour cette raison,
nous pouvons nous focaliser sur le problème du suivi de l'état de référence xr . Ce problème
consiste à déterminer une loi de commande de l'entrée u telle que l'état x(t) converge vers
l'état de référence xr (t). Cette loi de commande peut être établie directement à partir
d'un retour d'état ou à partir d'un retour de sortie, ce qui nous amène à distinguer les
deux problèmes suivants.
Problème de commande 1. (Suivi de trajectoire par retour d'état) Considérons le sys-
tème (1.16) et supposons qu'une trajectoire de référence (xr , ur ) réalisable, i.e. satisfaisant
(1.17), soit donnée. Le problème consiste à trouver une loi de commande
u = u(t, xr , ur , x) (1.19)

28
telle que, pour le système en boucle fermée résultant de (1.16), (4.3), on vérie :

lim kx(t) − xr (t)k = 0 (1.20)

t→∞

Problème de commande 2. (Suivi de trajectoire par retour de sortie) Considérons le

système (1.16) et supposons qu'une trajectoire de référence (xr , ur ) réalisable, i.e. satis-
faisant (1.17), soit donnée. Le problème consiste à trouver une loi de commande

u = u(t, xr , r, y, z) (1.21)
ż = g(t, xr , r, y, z) (1.22)

telle que pour le système en boucle fermée résultant (1.16) (1.21)

lim kx(t) − xr (t)k = 0 (1.23)

t→∞

Par conséquent, le problème de suivi de trajectoire peut être vu comme la détermi-

nation d'une commande qui rend l'erreur nulle de suivi de trajectoire asymptotiquement
stable.

1.3.3 Lois de commande de suivi de trajectoire

Aujourd'hui encore, la plupart des robots industriels sont commandés avec des lois
linéaires décentralisées (articulation par articulation) de type PID. Néanmoins, depuis
plusieurs décennies, d'autres lois de commande, basées sur des approches non linéaires,
ont été proposées pour améliorer les performances. Nous les passons en revue dans cette
partie.

Commandes linéaires
La commande des robots manipulateurs industriels est basée le plus souvent sur un
schéma de type commande linéaire PID en raison d'une structure décentralisée simple
et adaptée à une implémentation articulation par articulation (un correcteur linéaire im-
plémenté par carte d'axe ou variateur numérique). La commande PID est donnée par
l'expression en temps continu :
Z t
Γ = Kp eq + Kv e˙q + Ki eq (s) ds (1.24)
0

avec eq = qd − q , l'erreur de position et Kp , Kv , Ki les matrices diagonales de gains

proportionnels, dérivés et intégraux, respectivement. La gure 1.11 présente le schéma de
principe de la commande PID pour les robots manipulateurs. Les conditions de stabilité
d'un manipulateur rigide commandé avec une commande de type PID ont fait l'objet de
nombreux travaux. D'un point de vue pratique, des règles ont également été proposées
pour le choix des diérents gains du correcteur. L'ouvrage de Kelly propose une synthèse
de ces travaux [Kelly et al., 2006]. On pourra utiliser un réglage par placement de pôles
comme proposé dans [Khalil and Dombre, 2004].
La commande PID n'est pas directement dédiée au suivi de trajectoire. Le parcours
d'une trajectoire à vitesse élevée conduit à des accélérations importantes ; le comportement
dynamique inhérent du robot implique des eorts importants qui causent des écarts de
suivi à corriger par la boucle de rétroaction. Par ailleurs, les trajectoires utilisées en

29
 Figure 1.11: Schéma de principe de la commande PID

robotique utilisent des lois d'évolution des vitesses continues et dérivables à un ordre
supérieur à un ; ces dérivées peuvent donc être facilement exploitées pour améliorer les
performances de suivi de trajectoire grâce à des termes d'anticipation (feedforward) en
réduisant l'écart de suivi de trajectoire à corriger par la rétroaction (feedback). Des termes
d'anticipation en vitesse et en accélération sont facilement ajoutés à la commande pour
compenser partiellement les forces de frottement visqueux (forces proportionnelles à la
vitesse) et les pseudo-forces d'inertie (forces nécessaires pour générer l'accélération d'un
bras compte-tenu de son inertie). Le terme d'anticipation uf f peut donc s'écrire sous
forme linéaire à partir de deux matrices diagonales à termes constants positifs tel que :

uf f = Mf f q̈d + Cf f q̇d (1.25)

Cette commande PID avec anticipation linéaire [Paccot et al., 2009, Zhiyong and Tian,
2004, Denkena and Holz, 2006], cf. gure 1.12, s'écrit donc sous la forme :
Z t
Γ = Mf f q̈d + Cf f q̇d + Kp eq + Kv e˙q + Ki eq (s) ds (1.26)
0

Cette loi de commande que l'on peut facilement implémenter sur les baies de commande
industrielles est bien adaptée pour des manipulateurs rapides (parcours de trajectoire à
vitesse élevée) dont le comportement est quasi linéaire et dont le couplage dynamique
entre les articulations est faible. C'est le cas par exemple pour des robots de type SCARA
avec des rapports de réduction élevés entre le moteur et le bras [Khalil and Dombre,
2004, Spong and Vidyasagar, 2008a].
Lorsque l'eet du champ de pesanteur sur le manipulateur est variable en raison d'ar-
ticulation possédant un axe de rotation non vertical, les perturbations induites dépendent
de la position articulaire. La commande d'une articulation par un correcteur PID per-
met de rejeter les perturbations supposées constantes (faiblement variables) appliquées à
cette articulation. Les perturbations principales que le correcteur PID rejettent sont les
frottements et les forces de pesanteur. Des alternatives aux commandes linéaires de type
PID consistent à utiliser une commande linéaire PD à laquelle on rajoute un terme de
compensation des perturbations. Citons ici la commande PD avec compensation de pesan-
teur [Kelly et al., 2006], bien que ce schéma ne soit plus linéaire, pour faire la transition

30
 Figure 1.12: Commande PID avec anticipation linéaire.

avec les commandes non linéaires. Le terme de compensation est issu de la partie statique
du modèle dynamique (1.6) et peut être calculé à partir des mesures de positions :
Γ = Kp eq + Kv e˙q + G(q), (1.27)
ou à partir des positions articulaires de référence :
Γ = Kp eq + Kv e˙q + G(qd ) (1.28)
Ces schémas de commande prégurent les commandes non linéaires basées sur le modèle
dynamique du manipulateur.

Commandes non linéaires

Dès lors que les vitesses de parcours de trajectoire sont élevées et que le comporte-
ment dynamique du manipulateur ne peut plus être considéré comme quasi-linéaire et
découplé entre ses articulations, des lois de commande non linéaires permettent d'amé-
liorer les performances en suivi de trajectoire. Beaucoup d'approches ont été développées
depuis quelques décennies. Les approches principales, que l'on retrouve aussi dans les ou-
vrages de synthèse [Dawson et al., 2003,Khalil and Dombre, 2004,Spong and Vidyasagar,
2008a,Siciliano et al., 2010,Sciavicco and Siciliano, 2012,Siciliano and Khatib, 2016], sont
présentées par la suite. La plupart de ces approches sont basées sur le modèle dynamique
du manipulateur.
La commande directement basée sur le modèle dynamique inverse (1.6) est la com-
mande CTC (Computed Torque Control) qui permet de linéariser et découpler le compor-
tement dynamique du robot par rétroaction. Sous certaines conditions, elle est identique
à une commande linéarisante (feedback linearization) [Siciliano and Khatib, 2016]. Cette
loi de commande s'écrit à partir du modèle dynamique inverse :
Γ = M (q)v + N (q, q̇)q̇ + G(q), (1.29)
où l'accélération articulaire est remplacée par une nouvelle entrée de commande, v , telle
que le système résultant est un ensemble de nq systèmes linéaires découplés de type double
intégrateur : v = q̈ . On peut alors appliquer à la nouvelle entrée v un correcteur linéaire
de type PD ou PID avec une anticipation en accélération, par exemple :
Z t
v = q̈d + Kp eq + Kv e˙q + Ki eq (s) ds (1.30)
0

31
Il en résulte l'équation suivante régissant la dynamique de l'erreur pour un modèle dyna-
mique exact et en l'absence de perturbation :
Z t
e¨q + Kv e˙q + Kp eq + Ki eq (s) ds = 0. (1.31)
0

Les erreurs paramétriques qui apparaissent irrémédiablement dans le modèle dynamique

inverse utilisé pour la commande conduisent à un terme de perturbation de l'équation
précédente tel que cela est montré dans [Khalil and Dombre, 2004] par exemple. La com-
mande CTC est une stratégie ecace en suivi de trajectoire qui peut assurer une stabilité
asymptotique globale [Shah et al., 2015, Llama et al., 2000, Codourey, 1998]. Néanmoins,
cette méthode comportent plusieurs handicaps :
 Elle nécessite une connaissance exacte du modèle dynamique pour obtenir de très
bonnes performances, ce qui n'est pas possible en pratique. Il s'en suit la nécessité
de générer un modèle dynamique complexe à obtenir avec précision qui requiert
des méthodes d'identication très performantes.
 Elle n'est pas robuste face aux incertitudes paramétriques et aux incertitudes non
structurées (dynamique non modélisée), ce qui peut dégrader les performances.
 Elle nécessite une charge de calcul importante pour le système de commande à
la fréquence d'échantillonnage des boucles de vitesse et de position, ce qui freine
considérablement son exploitation industrielle.
De nombreuses lois de commande dérivent de la structure CTC.
Un schéma assez répandu en pratique s'appuie sur l'utilisation du modèle dynamique
inverse en anticipation plutôt qu'en rétroaction, ce qui permet notamment d'utiliser une
fréquence d'échantillonnage pour le calcul du modèle en anticipation plus faible que la
fréquence d'échantillonnage nécessaire en rétroaction. Le schéma suivant est obtenu à
partir d'une CTC où les termes articulaires mesurés sont remplacés par les références
de position et vitesse articulaires, appelée aussi "commande dynamique prédictive" dans
[Khalil and Dombre, 2004] :
Z t
Γ = M (qd )(q̈d + Kp eq + Kv e˙q + Ki eq (s) ds) + N (qd , q˙d )q˙d + G(qd ), (1.32)
0

Pour simplier l'implémentation, on peut aussi séparer les termes d'anticipation et de ré-
troaction, cf. gure 1.13, pour obtenir une commande PID avec anticipation non-linéaire :
Z t
Γ = M (qd )q̈d + N (qd , q˙d )q˙d + G(qd ) + Kp eq + Kv e˙q + Ki eq (s) ds. (1.33)
0

An d'obtenir des lois de commande robustes aux incertitudes de modélisation, di-
verses approches ont été proposées. Par exemple, en exploitant la propriété de passivité du
modèle dynamique, des lois de commande dites par passivité ont été développées (cf. [Slo-
tine and Li, 1991,Ortega et al., 1998]). Comme ces commandes reposent sur le choix d'une
fonction de Lyapunov basée sur des considérations énergétiques, elles possèdent générale-
ment de bonnes propriétés de robustesse. Cependant, pour obtenir un suivi de trajectoire
susamment précis, une action anticipatrice doit être ajoutée nécessitant ici encore une
bonne identication du système.
Pour faire face aux incertitudes et aux variations paramétriques du modèle, la théorie
de la commande adaptative a été exploitée en robotique. En reprenant la structure CTC,
on obtient une première version de commande adaptative en introduisant un mécanisme

32
 Figure 1.13: Commande PID avec anticipation non linéaire.

d'ajustement des paramètres du modèle dynamique en temps réel [Craig et al., 1987,
Slotine and Weiping, 1988]. Ce type de commande exploite le fait que le modèle dynamique
peut s'écrire linéairement en fonction de ses paramètres. L'utilisation de la propriété de
passivité du manipulateur conduit à une version de commande adaptative passive [Slotine
and Li, 1987]. De nombreuses autres versions ont été proposées [Middletone and Goodwin,
1986, Whitcomb et al., 1996, Lee and Khalil, 1997, Tomei, 2000].
Parmi toutes les approches de commande robuste, on peut citer la commande par
mode glissant (Sliding mode control) qui est une approche populaire pour les systèmes
non linéaires avec incertitudes et perturbations extérieures [Slotine, 1984]. Le principe
de cette approche repose sur une logique de commutation an d'amener et maintenir
l'état du système sur une surface stable selon lequel il va glisser vers l'état d'équilibre.
Diérents schémas ont été proposés pour les manipulateurs, voir par exemple [Slotine
and Sastry, 1983,Yeung and Chen, 1988]. Le phénomène de broutement dû au mécanisme
de commutation est préjudiciable pour le manipulateur (sollicitation de ses actionneurs,
excitation des modes vibratoires) ; diérentes techniques permettent de dépasser cette
diculté, comme par exemple celle présentée dans [Zhihong et al., 1994].
Enn, les approches de commande par logique oue répondent directement aux pro-
blématiques liées à l'obtention d'un modèle dèle du manipulateur. Les approches dites
classiques s'appuient sur la théorie des ensembles ous introduite par Zadeh pour prendre
en compte des connaissances approximatives. Cette approche est particulièrement bien
adaptée pour la commande des systèmes complexes diciles à modéliser. Elle a été ini-
tialement développée par Mandani sous la forme d'un système expert implémenté pour la
commande du système en l'absence de modèle mathématique. Cette approche a été utilisée
pour la commande de manipulateurs, par exemple avec un correcteur PID ou [Li et al.,
2001]. Elle a aussi été combinée avec des commandes non linéaires comme la commande
par mode glissant [Choi and Kim, 1997]. Néanmoins, en raison de sa nature heuristique
et de l'absence de preuve de stabilité, cette approche a connue des réticences dans la
communauté des automaticiens. Dans ce contexte, une approche diérente, basée sur un
modèle mathématique, a été introduire pour pouvoir utiliser les outils de l'automatique,
tels que la méthode de Lyapunov : l'approche basée sur la représentation oue de type Ta-
kagiSugeno (T-S) d'un modèle dynamique [Tanaka and Sugeno, 1992]. La construction
de modèle TS, très proche des modèles LPV (Linear Parameter-Varying Models), permet
d'adopter une approche polytopique de la commande des systèmes non linéaires en exploi-
tant les propriétés de convexité du modèle TS. Cette approche est donc particulièrement
bien adaptée à l'analyse et la synthèse de commande de systèmes non linéaires incertains

33
en formulant le problème via des inégalités linéaires matricielles (LMI) résolues avec des
outils d'optimisation ecaces. Si le problème de stabilisation a été très largement étudié
avec l'essor de cette approche depuis deux décennies, le problème du suivi de trajectoire
de robot manipulateur n'a été que très peu abordé. C'est donc cette approche qui est
choisie dans cette thèse.

1.4 Conclusion
Ce premier chapitre a présenté le contexte de la commande des robots manipula-
teurs, avec les modèles utilisés, ainsi que la problématique de suivi de trajectoire abordée
dans cette thèse. Une revue de littérature succincte a permis de rappeler les diérentes
approches développées pour le suivi de trajectoire. Si les travaux sur le sujet sont très
nombreux comme en témoigne les bibliographies des ouvrages de synthèse [Dawson et al.,
2003, Khalil and Dombre, 2004, Kelly et al., 2006, Spong and Vidyasagar, 2008a, Siciliano
et al., 2010, Siciliano and Khatib, 2016], il s'avère que peu de travaux sur le sujet ont ex-
ploité l'approche ou TakagiSugeno ; cette approche a pourtant rencontré un vif succès
pour la commande de systèmes non linéaires sur le plan théorique et avec de nombreux
domaines d'applications. Le cadre général de cette approche, choisie dans cette thèse, est
rappelé dans le chapitre suivant.

34
Chapitre 2
L'approche Takagi-Sugeno pour
l'analyse et la commande des systèmes
non linéaires

2.1 Introduction
Dans ce chapitre, nous abordons le problème de l'analyse et de la commande des
systèmes non linéaires. Il existe principalement deux approches pour la commande des
processus.

La première repose sur l'utilisation d'un modèle comportemental ou de connaissance

du processus donné sous formes d'équations diérentielles ou d'équations de récurrence.
La synthèse de lois de commande peut alors se révéler délicate lorsque le caractère non
linéaire des dynamiques en jeu a un rôle prépondérant pour le respect des performances
attendues. Il s'agit alors d'exploiter le maximum d'informations disponibles sur le système
(structure, énergie, ...) ou se ramener à des systèmes plus simples à commander via des
transformations adaptées (formes normales, platitudes, ...). Reste encore à s'assurer de
la robustesse des performances atteintes en présence d'incertitudes sur le modèle, phéno-
mène inéluctable et sans nul doute en grande partie responsable de l'écart théorie-pratique
souvent discuté dans la littérature [Bernstein, 1999].

Une deuxième approche consiste à proter de l'expertise d'un opérateur à commander

le processus et à traduire celle-ci sous forme exploitable. Ce principe est le fondement
de la commande oue [Mamdani and Assilian, 1975], une des grandes applications de la
logique oue et de la théorie des ensembles ous proposées en 1965 par L. Zadeh comme
une manière de traiter l'incertitude [Zadeh, 1965]. La plupart des premières applications
développées dans les années 80-90 avaient une complexité limitée (contrôleurs de type
Mamdani). Les principales dicultés étant, premièrement, l'analyse des performances du
système commandé  avec en particulier l'étude de sa stabilité  et, deuxièmement, la
nécessité de recourir à de nombreuses variables linguistiques pour les systèmes multiva-
riables. Ceci a conduit T. Takagi et M. Sugeno a proposé une nouvelle classe de modèles
ous sous forme d'une famille de règles du type Si-Alors [Takagi and Sugeno, 1985]. La
principale caractéristique est le fait que la partie conséquence des règles est décrite par des
variables numériques et non plus par des variables linguistiques, autorisant une écriture
du modèle sous forme quasi-linéaire à paramètres variants de type polytopique et, donc,

35
l'utilisation pour l'analyse et la commande de concepts et méthodes propres aux systèmes
non linéaires.

Ce chapitre vise à présenter brièvement les principaux résultats concernant l'analyse

de la stabilité et la commande des systèmes représentés par des modèles de Takagi-Sugeno
(T-S).

Il commence par une description plus en détail de cette classe de modèles et de la

procédure de construction d'un tel modèle à partir d'un autre obtenu, par exemple, à
partir d'une modélisation physique.

Quelques rappels sur la seconde méthode de Lyapunov pour l'analyse de la stabilité

d'un système sont ensuite donnés. C'est en eet cette méthode qui est le plus souvent ap-
pliquée pour obtenir les conditions de stabilité d'un modèle T-S. En particulier, quelques
résultats standard sur la stabilité quadratique sont présentés. Ces conditions étant formu-
lées en termes de contraintes de type inégalité matricielle linéaire (LMI) [Boyd et al., 1994],
une brève introduction à ce formalisme sera eectuée. Il est ensuite montré comment ces
résultats peuvent être appliqués au réglage des paramètres d'une loi de commande spéci-
que à l'approche par modèle T-S : la commande par compensation distribuée parallèle
(PDC).

Enn, l'objet de la dernière partie de ce chapitre est de montrer comment enrichir

cette démarche de calcul d'une loi de commande à partir d'un modèle T-S en prenant en
considération diérents types d'indicateur de performance.

2.2 Représentation de systèmes non linéaires sous la

forme Takagi-Sugeno
Une classe de modèles couramment utilisée pour décrire le comportement dynamique
d'un système physique est la représentation d'état dénie de manière générale par [Khalil,
2002] :

(
ẋ(t) = f (x(t), u(t), t)
(2.1)
y(t) = g(x(t), u(t), t)

où t ∈ R est le temps, x(t) ∈ Rnx représente le vecteur d'état du système, u(t) ∈ Rnu le
vecteur des entrées de commande et y(t) ∈ Rny le vecteur des sorties (mesures ou variables
à commander selon le contexte).
Sous certaines hypothèses sur les fonctions f et g , le système précédent peut se récrire
sous la forme quasi-linéaire suivante :

(
ẋ(t) = A(x(t), t)x(t) + B(x(t), t)u(t)
(2.2)
y(t) = C(x(t), t)x(t) + D(x(t), t)u(t)

36
 où A(.) ∈ Rnx ×nx , B(.) ∈ Rnx ×nu , C(.) ∈ Rny ×nx , D(.) ∈ Rny ×nu sont des matrices
appelées respectivement matrices de dynamique, de commande, d'observation et d'action
directe.
Il est parfois nécessaire ou judicieux d'utiliser une forme plus générale de modèles
pouvant prendre en compte, outre les relations diérentielles précédentes, des contraintes
algébriques liant les diérentes grandeurs du système [Luenberger, 1977]. Ces modèles
sont appelés systèmes descripteurs et sont de la forme :

(
E(x(t))ẋ(t) = f (x(t), u(t), t)
(2.3)
y(t) = g(x(t), u(t), t)
où E(x(t)) ∈ Rnx ×nx .
Lorsque la matrice E(x(t)) est non inversible, le système est alors dit singulier [Dai,
1989]. Sinon, le système est dit régulier. Dans ce cas, il est alors possible de se ramener
sous une forme standard donnée par une représentation d'état de la forme (2.1) ou (2.2).
Il est cependant souvent avantageux de conserver la forme descripteur pour l'analyse ou
la synthèse d'une loi de commande [Taniguchi et al., 2000, Guelton et al., 2008].
Ces systèmes seront étudiés par la suite et constituent l'objet principal des contribu-
tions présentées dans ce manuscrit.

2.2.1 Modèle Takagi-Sugeno standard

Un modèle ou de type Takagi-Sugeno (T-S) [Takagi and Sugeno, 1985] est déni par
la donnée d'un nombre r de règles de la forme

(
ẋ(t) = Ai x(t) + Bi u(t)
Ri : Si z1 (t) est Mi1 et . . . et zp (t) est Mip Alors (2.4)
y(t) = Ci x(t) + Di u(t)

où les Mij sont des ensembles ous de fonctions d'appartenance µij (.), les grandeurs zl (t)
sont les variables de prémisse dépendant de l'état x(t) ∈ Rnx du système ou éventuellement
d'autres entrées exogènes comme le vecteur d'entrée de commande u(t) ∈ Rnu . Le vecteur
y(t) ∈ Rny représente les sorties. Les matrices Ai ∈ Rnx ×nx , Bi ∈ Rnx ×nu , Ci ∈ Rny ×nx et
Di ∈ Rny ×nu sont supposées constantes.
Pour chaque règle Ri , une fonction ωi (z) caractérisant le degré de vérité de son anté-
cédent est dénie comme le produit des fonctions d'appartenance µij (.) des variables de
prémisse :

p
(2.5)
Y
ωi (z) = µij (zj )
j=1

Les fonctions d'appartenance normalisées sont dénies comme :

ωi (z)
hi (z) = P
r (2.6)
ωi (z)
i=1

37
de telle sorte qu'elles possèdent les propriétés suivantes

0 ≤ hi (z) ≤ 1
r
X (2.7)
hi (z) = 1.
i=1

Le modèle T-S global est alors obtenu en utilisant la somme pondérée :

 r
X


ẋ(t) =

 hi (z(t)) Ai x(t) + Bi u(t)

i=1
r (2.8)
 X

 y(t) = hi (z(t)) Ci x(t) + Di u(t)



i=1

Les modèles T-S sont donc des cas particuliers de systèmes quasi-linéaires à paramètres
variants (quasi-LPV) [Shamma and Cloutier, 1993] de forme polytopique.

Remarque 1. Dans le cas général, les fonctions d'appartenance peuvent dépendre du vec-
teur d'état x(t) et/ou de la loi de commande u(t). Néanmoins, la présence du signal de
commande dans le vecteur des prémisses entraîne des dicultés théoriques et pratiques
dans la détermination de l'entrée dans le cas d'une loi de commande par rétro-action
dépendant de l'état et des prémisses : une telle loi u = κ(x, ξ(x, u)) conduit à l'apparition
d'une boucle algébrique qui peut compliquer la mise en ÷uvre du correcteur.

2.2.2 Obtention des modèles ous de type Takagi-Sugeno

Dans la littérature, on trouve principalement trois approches pour obtenir un modèle
non linéaire d'un système sous forme T-S. Ces diérentes approches sont :

 par identication à partir de données expérimentales d'entrée-sortie [Takagi and

Sugeno, 1985, Babu²ka, 1998, Gasso et al., 2000], c'est historiquement la première
méthode proposée et elle ne nécessite pas de modélisation préalable ;

 par linéarisation d'un modèle non linéaire préétabli autour d'un ensemble de points
de fonctionnement [Ma et al., 1998,Johansen et al., 2000,Tanaka and Wang, 2004],
les degrés de liberté pour la modélisation repose alors sur le choix de ces points
ainsi que des fonctions d'appartenance ;

 par décomposition en secteurs non linéaires d'un modèle non linéaire préétabli [Oh-
take et al., 2003, Tanaka et al., 1998, Kawamoto et al., 1992, Morère, 2001].

Dans la suite de ce manuscrit, les modèles T-S étudiés sont tous obtenus à partir d'une
décomposition en secteurs non linéaires. Le principe de cette méthode est donc explicité
ci-dessous.
Considérons un modèle de la forme (2.2) pour lequel les éléments des matrices A(.),
B(.), C(.) et D(.) s'expriment tous comme des combinaisons anes à coecients constants
de variables z1 , z2 , . . ., zp :

38
 p
(2.9)
X
(0)
A(x, t) = A + zi (t)A(i) ,
i=1
 
A(x, t) B(x, t)
où A(x, t) = et les A(i) sont des matrices constantes vériant le même
C(x, t) D(x, t)
partitionnement que A(x, t) :

A(i) B (i)
 
(i)
A := .
C (i) D(i)

Supposons que, sur un certain domaine D de l'état (et, éventuellement, des autres signaux
exogènes), les variables zi soient bornées : z i ≤ zi (t) ≤ z i . Alors, en dénissant les fonc-
tions ωi0 et ωi1 par

ωi0 (zi ) = (z i − zi )/(z i − z i ) et ωi1 (zi ) = 1 − ωi0 (zi ),

il vient
zi (t) = ωi0 (zi (t))z i + ωi1 (zi (t))z i .

Ces fonctions vérient les relations

ωi1 (zi (t)) ≥ 0 et ωi0 (zi (t)) + ωi1 (zi (t)) = 1.

ωi0 (zi (t)) ≥ 0,
En multipliant l'équation (2.9) par 1 = j6=i (ωj0 (zj (t)) + ωj1 (zj (t))), la relation
Q

p
(2.10)
X Y 0
(0)
(ωj (zj (t)) + ωj1 (zj (t))) ωi0 (zi (t))z i + ωi1 (zi (t))z i A(i)


A(x, t) =A +
i=1 j6=i

est obtenue. Pour 1 ≤ k ≤ 2p , notons

k = 20 k1 + 21 k2 + · · · + 2p−1 kp + 1, avec k1 , . . . , kp ∈ {0, 1},

p
k
ωj j (zj ), et
Y
hk (z) =
j=1
p
X
Ak = A(0) + [(1 − ki )z i + ki z i ] A(i) .
i=1

Il est facile de vérier que les fonctions hk vérient sur D les propriétés (2.7) et que
l'égalité (2.10) peut se réécrire sous la forme

2 p

(2.11)
X
A(x, t) = hk (z(t))Ak .
k=1

Le système non linéaire (2.2) se réécrit donc, sur le domaine D, sous la forme de
Takagi-Sugeno (2.8) avec le nombre de règles r = 2p ; les matrices Ak , Bk , Ck et Dk étant

39
dénies par

 
Ak Bk
:= Ak .
Ck Dk

Exemple 3. Pour illustrer cette démarche, considérons le système du second ordre sui-
vant :

(x21 + 1)x2
   
3 2
ẋ = x+ u (2.12)
cos(x2 ) 8 cos(x2 )

Dénissons z1 = cos(x2 ) et z2 = (x21 + 1)x2 et choisissons D = [−1, 1] × [− π2 , π2 ].

Sur ce sous-ensemble de l'espace d'état, les variables z1 et z2 vérient :
z 1 := −1 ≤ z1 ≤ 1 := z 1
(2.13)
z 2 := −π ≤ z2 ≤ π := z 2
Posons
1 − z1 1 + z1
ω10 (z1 ) = ω11 (z1 ) =
2 2 (2.14)
0 π − z2 1 π + z2
ω2 (z2 ) = ω2 (z2 ) =
2π 2π
et
h1 (z) = ω10 (z1 )ω20 (z2 ) h3 (z) = ω10 (z1 )ω21 (z2 )
(2.15)
h2 (z) = ω11 (z1 )ω20 (z2 ) h4 (z) = ω11 (z1 )ω21 (z2 )
Une représentation T-S standard du système (2.12) sur le sous-ensemble [−1, 1] ×
est alors donnée par :
[− π2 , π2 ]

4
(2.16)
X
ẋ = hi (z)(Ai x + Bi u)
i=1

où
     
3 −π 3 π 2
A1 = A3 = B1 = B3 =
−1 8 −1 8 −1
      (2.17)
3 −π 3 π 2
A2 = A4 = B2 = B4 =
1 8 1 8 1
Remarque 2. Remarquons que la représentation T-S n'est pas unique, elle dépend de la
décomposition du système sous la forme quasi-linéaire (2.2) et du choix des variables de
prémisse. Par exemple, le système (2.12) aurait pu être écrit sous la forme

x1 x22 + x2
   
3 2
ẋ = x+ u
cos(x2 ) 8 cos(x2 )

conduisant alors à dénir naturellement les 3 prémisses z1 = cos(x2 ), z2 = x2 et z3 = x1 x22

et, donc, à un modèle T-S plus complexe que le précédent car déni à partir de 8 règles
au lieu de 4.

40
2.2.3 Modèle T-S descripteur
Les premiers modèles ous de type descripteur proposés en 1999 par [Yoneyama and
Ichikawa, 1999] et [Taniguchi et al., 1999] sont décrits par des règles de la forme :
Ri : Si z1 (t) est Mi1 et . . . et zp (t) est Mip
(2.18)
(
Ei ẋ(t) = Ai x(t) + Bi u(t)
Alors
y(t) = Ci x(t)
Yonemaya et Ichikawa ont considéré le cas où toutes les matrices Ei sont identiques :
Ei = E . Taniguchi et ses collaborateurs se ramènent à ce cas en choisissant l'état aug-
menté x∗ (t) = (x(t), ẋ(t)) conduisant à un modèle TS de type singulier avec E =
diag(Inx ×nx , 0nx ×nx ).

En 2000, dans [Taniguchi et al., 2000], une nouvelle forme de systèmes T-S descrip-
teurs est proposée :
 re ra
 X X


 vk (z(t))Ek ẋ(t) = hi (z(t))[Ai (x(t))x(t) + Bi (x(t))u(t)]

k=1 i=1
ra (2.19)
 X
y(t) = hi (z(t))[Ci (x(t))x(t) + Di (x(t))u(t)]




i=1
où les fonctions d'appartenance vk (.) et hi (.) vérient les propriétés :
ra
X
hi (z(t)) ≥ 0, hi (z(t)) = 1,
i=1
re (2.20)
X
vk (z(t)) ≥ 0, vk (z(t)) = 1.
k=1
Notons qu'en utilisant la décomposition par secteurs non linéaires présentée ci-dessus,
il est possible de construire, sur un domaine donné de l'espace d'état, un tel modèle T-S
à partir d'un modèle initial écrit sous la forme
(
E(x(t), t)ẋ(t) = A(x(t), t)x(t) + B(x(t), t)u(t)
(2.21)
y(t) = C(x(t), t)x(t) + D(x(t), t)u(t)

2.3 Stabilité et stabilisation des modèles T-S

2.3.1 Rappels sur les inégalités matricielles linéaires
Le livre [Boyd et al., 1994] a popularisé l'utilisation des techniques basées sur l'optimi-
sation convexe avec des contraintes de type inégalité matricielle linéaire (LMI) pour l'ana-
lyse et la commande des systèmes (principalement linéaires). Rappelons qu'une contrainte
LMI est une condition exprimant qu'une matrice symétrique dont les entrées sont des com-
binaisons anes des variables de décision est dénie positive :

m
(2.22)
X
F (x) , F0 + xi Fi > 0,
i=1

41
où x ∈ Rm est le vecteur des variables de décision et les matrices Fi ∈ Rn×n (pour
i = 0, . . . , m) sont symétriques.

L'écriture sous forme LMI d'une inégalité matricielle nécessite souvent l'utilisation de
transformations spéciales. Les résultats ci-dessous en présentent quelques unes parmi les
plus utilisées.

Lemme 1 (Congruence). Soient deux matrices carrées P et Q de même dimension. On

suppose que la matrice Q est inversible, alors la matrice P est dénie positive si et seule-
ment si la matrice QP QT l'est aussi.

Lemme 2 (Complément de Schur). Soient deux matrices symétriques P ∈ Rm×m et

Q ∈ Rn×n et soit une matrice X ∈ Rm×n . Alors, les expressions suivantes sont équiva-
lentes :

Q XT
 
(i) >0 (2.23)
X P
(
Q > 0 et
(ii) (2.24)
P − XQ−1 X T > 0
(
P > 0 et
(iii) (2.25)
Q − X T P −1 X > 0

Lemme 3 ( [Petersen, 1987]). Soient X , Y et ∆ trois matrices réelles de dimensions

appropriées. Si ∆T ∆ ≤ I , alors, pour tout nombre réel ε > 0,

X∆Y + Y T ∆T X T ≤ εXX T + ε−1 Y T Y. (2.26)

Lemme 4 (S-Procédure [Boyd et al., 1994]). Soient p+1 matrices symétriques T0 , T1 ,. . .,

Tp ∈ Rn×n . La propriété :

ζ T T0 ζ > 0, ∀ζ 6= 0 tel que ζ T Ti ζ > 0, ∀i ∈ {1, . . . , p} (2.27)

est vraie si il existe des nombres réels τi ≥ 0, pour i = 1, . . . , p, tels que :

p
(2.28)
X
T0 − τi Ti > 0
i=1

Dans l'approche basée sur l'utilisation de modèles T-S, de nombreux problèmes d'ana-
lyse de la stabilité ou de synthèse de lois de commande stabilisantes peuvent être résumées
en un problème d'optimisation semi-dénie positive impliquant une ou plusieurs LMI pa-
ramétrées ; ces dernières pouvant être sous la forme d'une simple somme :

r
(2.29)
X
Υh := hi (z(t))Υi < 0,
i=1

42
ou d'une double somme :

r X
r
(2.30)
X
Υhh := hi (z(t))hj (z(t))Υij < 0
i=1 j=1
ra Xre
(2.31)
X
Υhv := hi (z(t))vk (z(t))Υik < 0,
i=1 k=1

les matrices Υi et Υij , dépendant linéairement des variables de décision du problème en

question.
Une condition susante pour que la LMI paramétrée (2.29) soit vériée est que

Υi < 0, ∀i ∈ {1, 2, ..., r}. (2.32)

Sans autre information disponible que la propriété de somme convexe (2.20) sur les
fonctions d'appartenance hi et vk , ces conditions sont peu restrictives. Il en est de même
pour la LMI (2.31) qui est vériée si chacune des matrices Υik est dénie négative. Ces
conditions se révèlent par contre très sévères dans le cas de la LMI (2.30). Plusieurs résul-
tats sont disponibles dans la littérature permettant de la relâcher. Dans ce qui suit, trois
d'entre eux assurant diérents compromis complexité-conservatisme sont présentés.

Lemme 5 (Lemme de relaxation de [Tanaka et al., 1998]). La LMI (2.30) est vériée
pour toute famille de fonctions {hi }1≤i≤r vériant les conditions (2.7) si

(
Υii < 0 ∀i = 1, 2, ..., r
(2.33)
Υij + Υji < 0 ∀i, j = 1, 2, ..., r tels que i < j

Lemme 6 (Lemme de relaxation de [Tuan et al., 2001]). La LMI (2.30) est vériée pour
toute famille de fonctions {hi }1≤i≤r vériant les conditions (2.7) si

(
Υii < 0 ∀i = 1, 2, ..., r
(2.34)
2
Υ + Υij + Υji < 0 ∀i, j = 1, 2, ..., r tels que i 6= j
r−1 ii

Les conditions précédentes sont moins fortes que celles du lemme de Tanaka et al. au
prix d'un nombre plus important de contraintes LMI (r(r − 1)/2 LMI supplémentaires).
Il est possible de réduire davantage le conservatisme en introduisant des variables auxi-
liaires comme dans le lemme suivant, cas particulier des conditions données dans [Sala
and Ariño, 2007] et basées sur l'utilisation du théorème de Polya.

Lemme 7 (Lemme de relaxation de [Liu and Zhang, 2003]). La LMI (2.30) est vériée
pour toute famille de fonctions {hi }1≤i≤r vériant les conditions (2.7) s'il existe des ma-
trices Ξij telles que

43
 


 Υii > Ξii ∀i = 1, 2, ..., r
∀i, j = 1, 2, ..., r tels que i < j



 Υ
 ij + Υji > Ξij + Ξji

 Ξ11 Ξ12 · · ·

Ξ1r
(2.35)
Ξ21 Ξ22 · · · Ξ2r 
 

 . .. 
.. >0

 .

 . . . 






 Ξ
r1 Ξ r2 ··· Ξrr

2.3.2 Méthode directe de Lyapunov

Depuis les travaux pionniers de [Tanaka and Sugeno, 1992], l'analyse de la stabilité
et la synthèse de lois de commande d'un modèle T-S sont principalement basées sur la
méthode directe de Lyapunov, dont nous rappelons en quelques lignes le principe.
Soit un système décrit par

ẋ = f (x, t) (2.36)
où x(t) ∈ Rnx est le vecteur d'état du système. Sans perte de généralité, nous supposons
que ce système admet x = 0 comme point d'équilibre. La seconde méthode de Lyapunov
repose sur la notion fondamentale de fonction dite de Lyapunov. Ces fonctions doivent
posséder certaines propriétés an de garantir la propriété de stabilité de la solution nulle
du système :

Dénition 1. Une fonction V : Rnx × R → R est dite :

 dénie positive s'il existe une fonction α : R+ → R+ continue, strictement crois-

sante telle que α(0) = 0 et
V (x, t) ≥ α(kxk) ∀x, ∀t
V (0, t) = 0 ∀t,

 semi-dénie positive si elle vérie les deux conditions précédentes avec la fonction
α=0.

 décroissante s'il existe une fonction β : R+ → R+ continue, strictement croissante

telle que β(0) = 0 et V (x, t) ≤ β(kxk) pour tout (x, t).

S'il est possible de démontrer qu'une telle fonction décroît strictement le long de toute
trajectoire du système non réduite au point d'équilibre, alors la stabilité est assurée. C'est
l'idée sur laquelle repose le théorème de Lyapunov énoncé ci-dessous.

Théorème 8. S'il existe une fonction V : Rnx × R → R continuellement diérentiable,

dénie positive, décroissante et telle que la dérivée temporelle de V (x, t) le long des tra-
jectoires de (2.36) est dénie négative alors le point d'équilibre x = 0 du système (2.36)
est asymptotiquement stable.

44
Dénition 2. Une fonction V (x, t) satisfaisant toutes les hypothèses du théorème précé-
dent est appelée une fonction de Lyapunov.
Remarque 3. La notion de stabilité est une propriété locale du système autour du point
d'équilibre étudié ; les conditions xées sur la fonction V sont donc à vérier localement
autour de x = 0. Pour montrer la stabilité asymptotique globale de l'équilibre, ces condi-
tions doivent être vériées globalement (i.e. pour tout x dans Rnx ) et la fonction α de la
dénition 1 doit être non bornée.
Dans le cadre de l'approche par modèles T-S, le choix des fonctions de Lyapunov
est crucial pour l'obtention de solutions. Plusieurs formes de fonctions de Lyapunov sont
proposées dans la littérature telles que les fonctions de Lyapunov de type quadratique [Ta-
naka and Wang, 2004], ou quadratique par morceaux [Johansson et al., 1999,Feng, 2003],
de type non quadratique, oue ou multiple [Tanaka et al., 2003, Guerra and Vermeiren,
2004,Tanaka et al., 2007,Mozelli et al., 2009,Nguyen et al., 2016], de type polynomial [Sala
and Ariño, 2009] ou encore des fonctions dénies par des intégrales de chemin [Rhee and
Won, 2006]. An de réduire le conservatisme, il est nécessaire d'exploiter tous les ren-
seignements disponibles sur le comportement local des solutions. Cependant, certaines
approches nécessitent des hypothèses supplémentaires comme la connaissance de bornes
sur les dérivées de l'état ou des fonctions d'appartenance. D'autres peuvent aboutir à des
conditions LMI de grande complexité (en termes de nombre de contraintes ou de variables)
ne pouvant être résolues avec les solveurs LMI actuels [Nguyen et al., 2019b].
Une fonction quadratique de Lyapunov est de la forme

V (x) = xT P x (2.37)

où P est une matrice symétrique, dénie positive. Lorsqu'une fonction quadratique de

Lyapunov est utilisée pour garantir la stabilité d'un système, on parle de stabilité quadra-
tique. Il est clair que l'utilisation d'une fonction quadratique de Lyapunov peut introduire
un certain degré de conservatisme pour l'analyse de la stabilité ou la recherche d'une
loi de commande stabilisante. Cependant, la technique de synthèse basée sur ce type de
fonctions de Lyapunov peut présenter des avantages précieux par rapport aux alternatives
précédemment énumérées. Tout d'abord, elle est numériquement ecace car elle conduit
à des problèmes d'optimisation convexe. Deuxièmement, les lois de commande résultantes
sont d'une complexité raisonnable permettant de considérer des applications industrielles
de la méthode.

2.3.3 Stabilité des modèles T-S

Systèmes T-S standard
Soit le modèle T-S suivant :

r
(2.38)
X
ẋ = hi (z)Ai x
i=1

La dérivée de la fonction quadratique de Lyapunov (2.37) le long des trajectoires du

système (2.38) est donnée par :

45
 V̇ (x) = ẋT P x + xT P ẋ (2.39)
X r 
=x T T
hi (z)(Ai P + P Ai ) x (2.40)
i=1

La fonction V̇ est donc dénie négative si, pour tout z ,

r
X
Υh := hi (z(t))(ATi P + P Ai ) < 0.
i=1

On en déduit le résultat suivant.

Théorème 9 ( [Tanaka and Sugeno, 1992]). La solution nulle du système (2.38) est glo-
balement asymptotiquement stable s'il existe une matrice P > 0 telle que les contraintes
LMIs suivantes soient vériées pour tout i ∈ {1, 2, . . . , r} :

ATi P + P Ai < 0 (2.41)

Rappelons que ce théorème ne donne que des conditions susantes : seul le fait que les
fonctions d'appartenance hi (·) soient positives et de somme l'unité a été pris en compte.
De ce fait, la preuve de la stabilité a été faite, non pas pour un modèle donné, mais pour
tous les systèmes pouvant s'écrire sous la forme (2.38) avec les matrices Ai spéciées. Ceci
garantit une forme de robustesse au résultat obtenu.

Systèmes T-S descripteurs réguliers

Soit le système
re ra
(2.42)
X X
vk (z)Ek ẋ = hi (z)Ai (x)x,
k=1 i=1

où x(t) ∈ Rnx et les fonctions d'appartenance vk et hi vérient (2.20).

Le théorème suivant donne une condition de stabilité quadratique de ce système.

Théorème 10 ( [Taniguchi et al., 2000]). La solution nulle du système T-S descrip-

teur (2.42) est asymptotiquement stable s'il existe des matrices carrées de taille nx , P1 > 0,
P3 et P4 telles que les conditions LMIs suivantes soient vériées pour tout i ∈ {1, 2, . . . , ra }
et tout k ∈ {1, 2, . . . , re } :

ATi P3 + P3T Ai
 
?
< 0. (2.43)
P1 − EkT P3 + P4T Ai −EkT P4 − P4T Ek
 
x
Démonstration. En choisissant l'état augmenté x̄ = , on obtient une nouvelle descrip-
ẋ
tion sous forme T-S singulière du système (2.19) :

˙
Ē x̄(t) = Āhv x̄(t), (2.44)

46
    
Inx 0nx 0nx Inx
où Ē = , Āhv = .
0nx 0nx Ah −Ev
Soit la fonction candidate de Lyapunov :

V (x̄) = x̄T Ē P̄ x̄, (2.45)

où
 
P1 0nx
P̄ = . (2.46)
P3 P4

Notons que V est bien une fonction quadratique et dénie positive de l'état x car
V (x̄) = xT P1 x. On a en eet Ē P̄ = P̄ T Ē T = diag(P1 , 0nx ). La dérivée de V le long des
trajectoires du système (2.42) a pour expression

V̇ (x) = x̄˙ T Ē P̄ x̄ + x̄T Ē P̄ x̄˙

= x̄˙ T Ē P̄ x̄ + x̄T P̄ T Ē x̄˙
˙ T P̄ x̄ + x̄T (P̄ T Ē x̄)
= (Ē x̄) ˙
= x̄T (ĀThv P̄ + P̄ T Āhv )x̄.

La solution nulle du système descripteur (2.19) est donc globalement asymptotique-

ment stable si

Υhv := ĀThv P̄ + P̄ T Āhv < 0. (2.47)

En eectuant le produit des matrices selon le partitionnement donné, on obtient la

matrice Υik correspondant au membre de gauche de l'inégalité (2.43). Chacune des ces
matrices étant supposées dénies négatives, il en résulte que l'inégalité (2.47) est vraie si
les fonctions d'appartenance vk et hi vérient (2.20).

Remarque 4. Notons que, de (2.43), on déduit que les matrices −EkT P4 − P4T Ek doivent
être, elles aussi, dénies négatives. Cela n'est possible que si les matrices Ek sont régulières.
Ces conditions de stabilité ne peuvent donc s'appliquer à un système T-S descripteur
singulier.

2.3.4 Stabilisation des modèles T-S

Cas des systèmes T-S standard
Étant donné un modèle T-S standard ou descripteur, le problème de la stabilisation
consiste à déterminer une loi de commande par rétroaction u(t) telle que l'équilibre étudié
du système en boucle fermée avec cette entrée soit asymptotiquement stable. Pour les
modèles T-S, plusieurs lois de commande ont été proposées dans la littérature. La plus
répandue est la loi de commande par compensation distribuée parallèle (abrégée par les
initiales PDC pour l'expression anglaise Parallel Distributed Compensation introduite
pour la première fois dans [Wang et al., 1996]).

47
 Cette loi de commande par retour d'état non linéaire partage les mêmes fonctions
d'appartenance que le modèle T-S et est déni comme suit :

r
(2.48)
X
u(t) = − hi (z(t))Fi x(t).
i=1

Il s'agit alors de déterminer les matrices des gains de retour d'état Fi ∈ Rnu ×nx de
chaque sous-modèle an d'obtenir les performances désirées pour le système asservi.
On peut facilement remarquer que si tous les gains Fi sont identiques, la loi de com-
mande par retour d'état linéaire est retrouvée.
Utilisant la loi PDC (2.48) dans le modèle (2.8), le modèle T-S standard en boucle
fermée devient :

r X
r
(2.49)
X
ẋ = hi (z)hj (z)(Ai − Bi Fj )x.
i=1 j=1

Des conditions susantes de stabilisation sont présentées dans le théorème suivant.

Théorème 11 ( [Wang et al., 1996]). S'il existe une matrice X dénie positive et des
matrices Mj vériant les contraintes LMI suivantes :
(
Υii < 0, ∀i ∈ {1, 2, . . . , r},
(2.50)
Υij + Υji < 0, ∀i, j ∈ {1, 2, . . . , r} tels que i < j,
où Υij = Ai X − Bi Mj + XATi − MjT BiT , alors, en choisissant la loi de commande (2.48)
avec les gains de retour d'état Fj = Mj X −1 , la solution nulle du système (2.8) est asymp-
totiquement stable.
Démonstration. Reprenons la fonction de Lyapunov (2.37) avec P = X −1 . Sa dérivée le
long des trajectoires du système en boucle fermée (2.49) a pour expression :

r X
r
!
(2.51)
X
T −1 T −1
V̇ (x) = x hi (z)hj (z)(X (Ai − Bi Fi ) + (Ai − Bi Fi ) X ) x.
i=1 j=1

D'après le lemme de Tanaka et al., les inégalités (2.50) impliquent que la LMI suivante
est vériée

r X
r
(2.52)
X
hi (z)hj (z)(Ai X − Bi Mj + XATi − MjT BiT ) < 0.
i=1 j=1

Par congruence avec la matrice P = X −1 et en tenant compte des relations Mj = Fj X ,

cette dernière inégalité est équivalente à :

r X
r
(2.53)
X
hi (z)hj (z)(X −1 (Ai − Bi Fi ) + (Ai − Bi Fi )T X −1 ) < 0.
i=1 j=1

La dérivée V̇ est donc dénie négative. D'après le théorème de Lyapunov, l'équilibre x = 0

du système (2.49) est bien asymptotiquement stable.

48
Cas des systèmes T-S descripteurs réguliers
Pour les systèmes T-S descripteurs, la loi de commande utilisée est de type PDC mo-
diée [Taniguchi et al., 2000]. Elle incorpore les fonctions d'appartenance hi (z) et vk (z)
dans la dénition de la loi de commande :

ra X
re
(2.54)
X
u = −Fhv x := − hi (z)vk (z)Fik x,
i=1 k=1

avec Fik ∈ Rnu ×nx , i ∈ {1, 2, . . . , ra }, k ∈ {1, 2, . . . , re } représentant les matrices des gains
de retour d'état de chaque sous-modèle.  
x
Réécrivons le système (2.19) en utilisant de nouveau l'état augmenté x̄ = :
ẋ

Ē x̄˙ = Āhv x̄ + B̄h u, (2.55)

 
0nu ×nx
où les matrices Ē et Āhv ont été dénies en (2.44) et B̄h = .
Bh
La loi de commande (2.54) peut être réécrite sous la forme :

u = −F̄hv x̄, (2.56)

avec F̄hv = Fhv 0nu ×nx .

 

Le système en boucle fermée s'écrit alors :

Ē x̄˙ = (Āhv − B̄h F̄hv )x̄. (2.57)

Des conditions susantes de stabilisation sont présentées dans le théorème suivant.

Théorème 12 ( [Taniguchi et al., 2000]). L'équilibre x = 0 du système (2.19)-(2.54)

est asymptotiquement stable s'il existe des matrices X1 > 0, X3 , X4 et Mjk vériant les
contraintes LMIs suivantes :
(
Υiik < 0 ∀k ∈ {1, 2, . . . , re }, ∀i ∈ {1, 2, . . . , ra },
(2.58)
Υijk + Υjik < 0 ∀k ∈ {1, 2, . . . , re }, ∀i, j ∈ {1, 2, . . . , ra } tels que i < j,
où
X3 + X3T
 
?
Υijk =
Ai X1 − Bi Mjk − Ek X3 + X4 −Ek X4 − (Ek X4 )T
T

et en choisissant les gains de retour d'état Fjk = Mjk X1−1 .

Démonstration.
 Lesinégalités (2.58) impliquent que la matrice X4 est inversible. Posons
X 0 P 0
alors X̄ = 1 nx et P̄ = X̄ −1 := 1 nx .
X3 X4 P3 P4
Comme P1 est l'inverse de X1 , elle est également dénie positive. Choisissons de nou-
veau la fonction candidate de Lyapunov (2.45).

49
 On a alors

V̇ (x̄) = x̄T (Āhv − B̄h F̄hv )T P̄ + P̄ T ((Āhv − B̄h F̄hv )) x̄

= x̄T P̄ T X̄ T (Āhv − B̄h F̄hv )T + (Āhv − B̄h F̄hv )X̄ P̄ x̄

ra X ra Xre
!
X
= x̄T P̄ T hi (z)hj (z)vk (z)Υijk P̄ x̄.
i=1 v=1 k=1

Les inégalités (2.58) impliquent que V̇ est une fonction dénie négative. La solution
nulle du système bouclé est donc asymptotiquement stable.

2.4 Spécications de performance en boucle fermée

La propriété de stabilité asymptotique est une notion purement qualitative : le point
d'équilibre étudié peut être asymptotiquement stable ou non. S'il l'est, alors les trajec-
toires du systèmes vont converger (localement ou globalement) vers cet équilibre. Il est
intéressant en pratique d'avoir d'autres informations sur le comportement dynamique du
système comme la rapidité de convergence de ces solutions, le comportement du système
vis-à-vis de perturbations, d'incertitudes paramétriques... Dans le cadre des systèmes li-
néaires, de nombreuses méthodologies d'analyse ou de synthèse ont été développées pour
diérents types de performance. Cela n'est plus aussi vrai dans le cadre de la commande
des systèmes non linéaires. Cependant, avec les mêmes outils que précédemment, la mé-
thodologie de commande basée sur la modélisation de Takagi-Sugeno permet de prendre
en compte diérents critères de performance.

2.4.1 α-stabilité

Le premier critère de performance présenté dans ce mémoire est la propriété d'α-

stabilité et concerne la rapidité de convergence des solutions vers l'équilibre. Les critères
de stabilité/stabilisation donnés dans la section précédente permettent en fait de démon-
trer la stabilité exponentielle de l'équilibre x = 0, qui est une propriété plus forte que la
stabilité asymptotique. Cette propriété revient à démontrer que l'état courant du système
est majoré en norme par une fonction de la forme e−αt , pour un certain réel positif α
donné. Lorsque le paramètre α est xé a priori, on parle de α-stabilité.

En utilisant la deuxième méthode de Lyapunov avec une fonction de Lyapunov de

type quadratique, il est possible de vérier que l'origine est un point d'équilibre α-stable
en renforçant la condition portant sur la dérivée de cette fonction :

V̇ (x) ≤ −2αV (x), ∀x ∈ Rnx . (2.59)

50
2.4.2 Critère H∞
Soit le modèle T-S perturbé suivant :
 r
X



 ẋ = hi (z)(Ai x + Di w),

i=1
r (2.60)
 X
y = hi (z)Ci x,



i=1

où x(t) et y(t) sont les mêmes grandeurs que précédemment et w(t) ∈ Rnw est un signal
de perturbation à énergie bornée (w ∈ L2 ).

Dénition 3 ( [van der Schaft, 1992]). Soit γ ≥ 0. Le système (2.60) possède un gain
L2 inférieur ou égal à γ si la sortie y(t) du système (2.60) partant de la condition initiale
x(0) = 0 vérie

Z T Z T
T
y(t) y(t) dt ≤ γ 2
w(t)T w(t) dt, (2.61)
0 0

pour tout T ≥ 0 et tout signal w à énergie bornée sur [0, T ].

Pour étudier cette propriété, il est possible ici encore d'utiliser la seconde méthode
de Lyapunov en remplaçant la condition sur la dérivée de la fonction de Lyapunov par
l'inégalité
V̇ (x) ≤ γ 2 wT w − y T y.
Soit le modèle T-S perturbé suivant :
 r
X



 ẋ = hi (z)(Ai x + Bi u + Di w)

r
i=1
(2.62)
 X
y = hi (z)Ci x



i=1

En utilisant la même démarche que pour le théorème 11, on peut démontrer le résultat
suivant.

Théorème 13 ( [Tanaka and Wang, 2004]). Soit γ ≥ 0. S'il existe une matrice X > 0
et des matrices Mj , pour j ∈ {1, 2, . . . , r} telles que les contraintes (2.33) soient vériées
avec les matrices Υij dénies par

XATi + Ai X − MjT BiT − Bi Mj Di XCiT

 

Υij ,  ? −γ 2 I 0 , (2.63)
? ? −I

alors, pour la loi PDC (2.48) avec les gains de retour d'état Fj = Mj X −1 , le système (2.62)
a un gain L2 inférieur ou égal à γ vis-à-vis de l'entrée de perturbation w. De plus, lorsque
w est nul, l'équilibre x = 0 est asymptotiquement stable.

51
2.4.3 Robustesse
Un modèle comporte toujours un certain degré d'approximation, d'erreurs de modéli-
sation... Il est important d'en tenir compte dans l'analyse ou la commande d'un système
asservi. Il existe de nombreuses manières de prendre en compte dans le modèle ces incer-
titudes, une des plus souvent utilisée est l'incertitude paramétrique menant au modèle de
Takagi-Sugeno incertain
 r
X
  


 ẋ(t) = hi (z(t)) (Ai + ∆Ai (t))x(t) + (Bi + ∆Bi (t))u(t) ,

r
i=1
(2.64)
 X
 y(t) = hi (z(t))(Ci + ∆Ci (t))x(t),



i=1

où les matrices ∆Ai , ∆Bi et ∆Ci admettent les factorisations :

∆Ai (t) = Ha ∆a (t)Wa,i , ∆Bi (t) = Hb ∆b (t)Wb,i , ∆Ci (t) = Hc ∆c (t)Wc,i . (2.65)

Les matrices Ha , Hb , Hc , Wai , Wbi ,Wci sont constantes, de dimensions appropriées et les
matrices variables ∆x (t) (avec x = a, b ou c) vérient

∆Tx (t)∆x (t) 6 I. (2.66)

En utilisant ce modèle, la seconde méthode de Lyapunov avec une fonction V quadra-

tique, ainsi que le lemme 3, il est possible de déduire des conditions LMI permettant la
stabilisation robuste de ce système [Tanaka and Wang, 2004, Taniguchi et al., 2001, Lee
et al., 2001, Yoneyama, 2006].

2.4.4 Prise en compte du signal de référence

La stabilité au sens de Lyapunov traduit le comportement des solutions du système
étudié vis-à-vis de variation des conditions initiales. Dans le cadre des systèmes non li-
néaires, le principe de superposition ne s'appliquant pas, il faut aussi prendre en compte
l'existence possibles d'entrées exogènes comme le signal de référence. Un concept impor-
tant inspiré de la théorie de Lyapunov et de la notion classique de stabilité entrée-sortie
est celui de stabilité entrée-état (ou ISS des initiales de l'anglais input-to-state stability)
introduit par Sontag [Sontag and Wang, 1995].
Dans le cas des modèles T-S, la matrice de commande Bh (ou le terme équivalent
pour l'entrée considérée) étant bornée, on peut déduire que le système est ISS vis-à-vis de
l'entrée u si l'équilibre x = 0 du système libre associé est globalement asymptotiquement
stable au sens de Lyapunov [Lendek et al., 2011].
Lorsque le signal de référence est constant, une structure de commande avec action
intégrale peut être nécessaire an d'éliminer toute erreur statique conduisant à la loi de
commande d'expression
Z t
u(t) = −Fh x(t) − FI (y(s) − yd (s)) ds
0

représentée à la gure 2.1.

52
 yd ẋI R xI u y
+ FI + Système
− −
x

Fh

Figure 2.1: Commande PDC avec action intégrale.

Pour tenir compte de cet intégrateur dans la détermination des gains de commande,
la représentation d'état du système peut être augmentée en y associant la dynamique
dénissant l'intégrale de l'erreur de sortie xI (t) :

ẋI (t) = y(t) − yd (t) (= Ch (z(t))x(t) − yd (t)) (2.67)

où yd (t) ∈ Rny est le signal de référence du système.

En notant
T
x∗ (t) = xT xTI


et
Fh∗ := Fh Lh ,
 

l'entrée de commande s'écrit alors de manière plus condensée :

u(t) = −Fh∗ x∗ (t), (2.68)

ainsi que la dynamique du système en boucle fermée :

 r X
X r
∗
hi (z)hj (z) A∗i − Bi∗ Fj∗ x∗ + B0 yd ,


ẋ =





j=1 i=1
r
(2.69)
 X
hi (z)Ci∗ x∗ .

 y=


i=1

où
    
Ai 0 Bi 0
A∗i Bi∗ Ci∗
 
= , = , = Ci 0 , B0 = .
Ci 0 0 −I

Tous les résultats précédents peuvent alors être appliqués avec le modèle T-S étendu
(2.69) et le contrôleur PDC étendu (2.68).
Le cas des systèmes T-S descripteur peut être traité de la même façon en considérant
la commande [Vermeiren et al., 2012] :

ra X
re
(2.70)
X
u(t) = − hi (z(t))vk (z(t))Fi∗ x∗ (t).
i=1 k=1

53
2.5 Conclusion
Dans ce chapitre, un bref aperçu de la modélisation sous forme T-S standard ou des-
cripteur et de son intérêt pour la commande des systèmes non linéaires a été donné. Ce
chapitre a montré comment peuvent être obtenues des conditions susantes de stabi-
lité/stabilisation sous forme de contraintes LMI via la théorie de la stabilité de Lyapunov.
Des éléments de la panoplie disponible pour la synthèse de commande ont été donnés :
α-stabilité, atténuation des eets d'une perturbation avec critère H∞ , stabilité robuste et
stabilité entrée-état. D'autres techniques peuvent être trouvées dans la littérature comme
la commande à coût garanti, la commande H2 [Chen et al., 2000a,Tognetti et al., 2011,Wu
and Cai, 2006]. Pour un état de l'art plus complet sur l'approche T-S, le lecteur peut se
reporter aux références [Tanaka and Wang, 2004, Sala et al., 2005, Feng, 2006] ou en-
core [Guerra et al., 2009].
La plupart des résultat présentés peuvent être étendus à d'autres classes de modèles
T-S, comme les systèmes sous forme descripteur singulière [Yoneyama and Ichikawa, 1999,
Chadli et al., 2014, Guelton et al., 2009], les systèmes de type retardé [Cao and Frank,
2000, Yoneyama, 2007]...
Ces problèmes de synthèse de commande seront examinés plus en détail aux chapitres
suivants.

54
Chapitre 3
Poursuite de trajectoire avec contrainte
H∞

3.1 Introduction
Dans ce chapitre, nous présentons une approche de synthèse de commande pour la
poursuite de trajectoire d'un manipulateur avec prise en compte d'une contrainte H∞ .

La synthèse de correcteurs robustes pour la poursuite de trajectoire d'un système robo-

tique est encore de nos jours considérée comme une tâche dicile [Tsai et al., 2007,Huang
and Chiang, 2016,Pan et al., 2018,Ouyang et al., 2014,Nojavanzadeh and Badamchizadeh,
2016]. Ceci peut s'expliquer par le caractère non linéaire et incertain de la dynamique du
robot du fait du manque de connaissance des couples de frottements, des incertitudes sur
les inerties ou de l'environnement extérieur. Par conséquent, une méthodologie de synthèse
de lois de commande robustes est essentielle pour le problème du suivi de trajectoires des
manipulateurs.

Dans ce chapitre, la modélisation sous la forme Takagi-Sugeno descripteur présentée

au chapitre précédent est utilisée pour décrire la dynamique non linéaire du robot. Un
modèle de référence sous forme standard est considéré pour générer une trajectoire de
référence vériant les performances souhaitées. Pour la synthèse de la loi de commande,
nous considérons la structure de commande appelée compensation distribuée parallèle
(PDC) [Tanaka and Wang, 2004] qui permet de préserver la structure convexe des sys-
tèmes T-S. Avec le choix de cette structure, il est possible d'obtenir en utilisant la méthode
directe de Lyapunov des conditions de stabilité exprimées sous la forme d'inégalités matri-
cielles linéaires (LMIs) pour lesquelles il existe des solveurs numériques ecaces [Nguyen
et al., 2017b].

Cependant, lorsque le système possède de nombreuses non-linéarités (ou, de manière

équivalente, un grand nombre de règles pour le modèle T-S déduit), il est fortement pro-
bable qu'aucune solution réalisable au problème LMI permettant le calcul des gains de
commande ne puisse être trouvée du fait des limitations des solveurs LMI actuels. Pour
remédier à ce problème, nous proposons une méthodologie de synthèse de lois de com-
mande basée sur l'utilisation de modèles possédant moins de règles. Ces derniers sont
décrits sous la forme de systèmes T-S descripteurs incertains. On utilise la forme des-
cripteur obtenue naturellement dans la modélisation mécanique du système et non pas la

55
représentation d'état standard pouvant être obtenue après multiplication des équations
du modèle par l'inverse de la matrice d'inertie car ainsi la matrice de commande (matrice
B ) reste constante et l'introduction de non-linéarités additionnelles est évitée. Enn, le
caractère incertain est dû au fait que, pour simplier davantage le modèle, certaines non-
linéarités de la dynamique du robot sont interprétées comme des incertitudes.

Le manipulateur série à 2 ddl présenté dans le premier chapitre sera utilisé dans la sec-
tion 3.5 pour présenter notre méthodologie de synthèse de lois de commande en poursuite.

3.2 Formulation du problème de commande

3.2.1 Modèle général du manipulateur : forme nominale
Soit un manipulateur décrit par le modèle T-S descripteur

(
Epv ẋp (t) = Aph xp (t) + Bph u(t) + Bd d(t),
(3.1)
y(t) = Cp xp (t),

avec les signaux

 xp ∈ Rnx : le vecteur d'état,

 u ∈ Rnu : le vecteur d'entrée,
 y ∈ Rny : le vecteur de sortie commandée et
 d ∈ Rnd : le vecteur de perturbation
et
re
X ra
X
Epv = vk (z)Epk , [Aph Bph ] = hi (z)[Api Bpi ].
k=1 i=1

où les deux familles de fonctions {vk } et {hi } sont positives et de somme l'unité (condi-
tion 2.20). On suppose la matrice Epv régulière pour tout z .

3.2.2 Spécications des performances

Notre objectif est que l'état xp (t) du manipulateur suive le plus dèlement possible la
trajectoire de référence xr (t) ∈ Rnx générée par le modèle

ẋr (t) = Ar xr (t) + Br r(t), (3.2)

où l'entrée de référence r(t) ∈ Rnr est supposée bornée et les matrices Ar et Br sont
choisies en fonction de la dynamique en boucle fermée souhaitée du manipulateur.
Pour préciser d'un point de vue quantitatif cet objectif, soit l'erreur de suivi e(t) dénie
par

e(t) = xp (t) − xr (t). (3.3)

56
 À partir des équations (3.1) et (3.2), la dynamique de l'erreur de suivi peut être dé-
duite :

Epv ė(t) = Aph e(t) + (Aph − Epv Ar )xr (t) + Bph u(t) − Epv Br r(t) + Bd d(t). (3.4)
Dénissons :

 le vecteur d'état augmenté : x = [eT xTr ]T , et

 le vecteur des entrées exogènes : w(t) = [d(t)T r(t)T ]T .
Les deux dynamiques (3.2) et (3.4) peuvent être combinées dans la représentation des-
cripteur suivante :

Ev ẋ(t) = Ahv x(t) + Bh u(t) + Dv w(t), (3.5)

où

   
Epv 0 Aph Aph − Epv Ar
Ev = , Ahv = , (3.6)
0 I 0 Ar
   
Bph Bd −Epv Br
Bh = , Dv = . (3.7)
0 0 Br
C'est à partir de ce modèle que la loi de commande pour le suivi de trajectoire sera
déterminée.
Notre objectif est de déterminer une loi de commande par rétroaction de façon à ce
que le système (3.5) vérie en boucle fermée les performances suivantes :

 (Stabilité asymptotique ). Pour w(t) = 0, la solution nulle du système asservi (3.1)-

(3.9) est asymptotiquement stable.

 (α-stabilité ). Pour un nombre réel positif α donné et pour w(t) = 0, l'erreur de

suivi e(t) converge de manière exponentielle vers l'origine avec un taux de décrois-
sance supérieur à α.

 (Rejet de perturbation - critère H∞ ). Pour une matrice Q dénie positive et un réel

γ positif, l'inégalité

Z tf Z tf
T
e (t)Qe(t)dt ≤ γ 2
wT (t)w(t)dt (3.8)
0 0

est vériée pour tout instant terminal tf > 0, en supposant les conditions initiales
nulles.
Remarque 5. L'inégalité (3.8) implique que si w est un signal à énergie bornée (w ∈ L2 ),
il en va de même pour l'erreur de suivi : e ∈ L2 . Le coecient γ est un majorant du gain
L2 du système. Plus γ est petit, plus le suivi de la trajectoire de référence est précis. Il est
à noter que la matrice Q, généralement choisie égale à la matrice identité (voir [van der
Schaft, 1992]), permet d'introduire des degrés de liberté supplémentaires dans le réglage
du correcteur.

57
3.3 Synthèse de la loi de commande en poursuite de
trajectoire
Pour résoudre notre problème de commande, nous choisissons une loi de commande
étendant la structure PDC en ajoutant un terme de commande anticipatrice (feedfor-
ward) :
ra X
X re
u(t) = hi (z)vk (z) (Kik e(t) + Lik r(t))
i=1 k=1
= [Khv 0] x(t) + [0 Lhv ] w(t). (3.9)

3.3.1 Conditions LMI pour le réglage du correcteur

Le résultat suivant donne  sous réserve qu'un problème LMI soit réalisable  des
valeurs pour les matrices de gain Kik et Lik telles que les spécications précisées au point
précédent soient respectées.
Théorème 14. Supposons qu'il existe des matrices carrées d'ordre nx notées P11 , P22 ,
Q11ij , Q12ij , Q21ij , Q22ij , X11ij , X12ij , X21ij , X22ij , avec P11 > 0 et P22 > 0, des matrices
Mjk ∈ Rnu ×nx , Ljk ∈ Rnu ×nr et un réel positif γ tels que
Ξiik < 0, ∀i ∈ {1, 2, . . . , ra }, ∀k ∈ {1, 2, . . . , re }
(3.10)
Ξijk + Ξjik < 0, ∀i, j ∈ {1, 2, . . . , ra } avec i < j, ∀k ∈ {1, 2, . . . , re },
où Ξijk est la matrice par blocs dénie par
 
S11 ? ? ? ? ? ?
S21 S22 ? ? ? ? ? 
 
S31 S32 S33 ? ? ? ? 
(3.11)
 
S41
Ξijk =  S42 S43 S44
T
?
2
? ?  ,
 0
 0 Bd 0 −γ I ? ?  
T 2
 0 0 S63 Br 0 −γ I ? 
P11 0 0 0 0 0 −Q−1
et
S11 = He(Q11ij + αP11 ),
S21 = Q21ij + QT12ij ,
S22 = He(Q22ij + αP22 ),
T
S31 = Api P11 + Bpi Mjk − Epk Q11ij + X11ij ,
T
S32 = (Api − Epk Ar )P22 − Epk Q12ij + X21ij ,
S33 = − He(Epk X11ij ),
T
S41 = −Q21ij + X12ij ,
T
S42 = Ar P22 − Q22ij + X22ij ,
T T
S43 = −X21ij − X12ij Epk ,
S44 = − He(X22ij ),
S63 = (Bpi Ljk )T − (Epk Br )T .

58
Alors, la loi de commande (3.9) avec les gains Kik = Mik P11 −1
et Lik est telle que les
spécications données dans la section 3.2.2 sont satisfaites.

Démonstration. En introduisant le vecteur d'état étendu x̄ = [xT ẋT ]T , le système en

boucle fermée peut être représenté sous la forme descripteur singulière suivante :

Ēx̄˙ = Āhhv x̄ + B̄hv w (3.12)

où
    
I 0 0 I 0
Ē = , Āhhv = , B̄hv = ,
0 0 Ahhv −Ev Bhv
Ahhv = Ahv + Bh [Khv 0], Bhv = Dv + Bh [0 Lhv ].

Soit


P 0
P̄hh = ,
Qhh Xhh
     
P11 0 Q11hh Q12hh X11hh X12hh
avec P = , Qhh = et Xhh = .
0 P22 Q21hh Q22hh X21hh X22hh
Par calcul, on montre aisément que la matrice Ξhhv s'écrit également sous la forme

 
Ξ11 ? ?
Ξhhv =  B̄Thv −γ 2 I 0 , (3.13)
C̄z P̄hh 0 −Q−1

où C̄z = [I 0 0 0] et Ξ11 = He(P̄Thh ĀThv + αP̄Thh Ē).

Par convexité, il résulte des conditions (3.10) que

Ξhhv < 0. (3.14)

La matrice Ξ11 admettant le partitionnement

 
He(Qhh + αP) ?
Ξ11 = ,
Ahv P − Ev Qhh + XThh − He(Ev Xhh )

il résulte de l'inégalité (3.14) que He(Ev Xhh ) > 0. On montre alors, par contradiction, que
la matrice Xhh est inversible. Comme la matrice P̄hh est triangulaire inférieure par blocs
et que tous ses blocs diagonaux sont inversibles, elle l'est également.
Considérons la fonction de Lyapunov candidate suivante :

V (x̄) = x̄T ĒP̄−1

hh x̄. (3.15)

La dérivée de la fonction V le long des trajectoires de (3.12) est donnée par

V̇ (x̄) = x̄˙ T ĒP̄−1 T −T ˙

hh x̄ + x̄ P̄hh Ēx̄ (3.16)

59
Il est à noter que dans cette expression, il n'apparaît pas de dérivées temporelles des
fonctions d'appartenance du fait de la structure choisie de P̄hh . Cela simplie grandement
l'approche choisie car le cas contraire nécessite une estimation de ces termes dérivées
pouvant être xée arbitrairement imposant une vérication a fortiori du respect des bornes
choisies, ou intégrée dans la démarche de synthèse au prix de nombreuses contraintes
additionnelles (cf. [Guerra et al., 2012, Nguyen et al., 2017a]).
Des expressions (3.12) et (3.16), il vient l'égalité
V̇ (x̄) + eT Qe − γ 2 wT w + 2αV (x̄) = ξ T Ωhhv ξ,

où
P̄−1 Ξ11 + P̄Thh C̄zT QC̄z P̄hh
   
hh x̄ ?
ξ= , Ωhhv = .
w B̄Thv −γ 2 I
En utilisant le lemme de complément de Schur, nous pouvons montrer que (3.14) est équi-
valent à Ωhhv < 0. Cela signie que

V̇ (x̄) + eT Qe − γ 2 wT w + 2αV (x̄) < 0. (3.17)

On en déduit alors les résultats suivants :

 Quand w(t) = 0, l'inégalité (3.17) implique :

V̇ (x̄) < −2αV (x̄). (3.18)
D'après le lemme de comparaison [Khalil, 2002, Lemme 3.4], il vient :
V (x̄(t)) ≤ V (x̄(0))e−2αt , (3.19)
impliquant à son tour la majoration
ke(t)k ≤ κe−αt , (3.20)
où κ > 0, démontrant la stabilité exponentielle avec un taux de convergence supé-
rieur ou égal à α du système bouclé.

 Quand w(t) 6= 0, de (3.17), on déduit l'inégalité

V̇ (x̄) + eT Qe − γ 2 wT w < 0. (3.21)
Par intégration sur l'intervalle [0, tf ], il vient pour un vecteur initial x̄(0) nul :

Z tf
(γ 2 wT w − eT Qe)dt > V (x̄(tf )) − V (x̄(0)) = V (x̄(tf )) > 0 (3.22)
0

L'inégalité (3.8) est donc vériée.

Remarque 6. Il a été choisi de considérer γ non pas comme un paramètre imposé par le
cahier des charges mais comme une variable de décision. Cela laisse la possibilité d'estimer
sa plus petite valeur possible an de minimiser l'impact des perturbations sur la sortie
ou, si cette approche conduit à des gains trop importants, à xer une valeur maximale en
imposant une contrainte supplémentaire.

60
Remarque 7. Une valeur trop élevée du taux de décroissance exponentielle garanti α ou
une trop faible valeur du gain-H∞ γ peut conduire à des valeurs inacceptables des gains
de commande. Ce problème peut être facilement traité dans la synthèse de la commande
en introduisant des contraintes LMI supplémentaires dans le problème d'optimisation. La
variable de décision Mik est liée aux gains de commande par l'expression Mik = Kik P11 .
Pour éviter des gains excessivement élevés, on peut imposer que
T
Mik Mik ≤ 2 Inu , ∀i ∈ {1, 2, . . . , ra }, ∀k ∈ {1, 2, . . . , re }, (3.23)

pour un réel positif . Les conditions (3.23) sont équivalentes aux LMI suivantes :
2 
 Inu Mik
T ≥ 0, ∀i ∈ {1, 2, . . . , ra }, ∀k ∈ {1, 2, . . . , re }. (3.24)
Mik Inx

3.3.2 Ajout d'une action intégrale dans le correcteur

Une action intégrale peut facilement être introduite dans la loi de commande an d'ob-
tenir une erreur statique nulle lorsque les entrées exogènes sont constantes. Il sut pour
cela d'augmenter le vecteur d'état en ajoutant les composantes du vecteur xI (t) déni
comme l'intégrale du l'erreur de suivi en sortie :

ẋI (t) = Cp e(t).

En notant x(t) = [eT xTI xTr ]T , la loi de commande est alors

u(t) = Khv e(t) + Hhv xI (t) + Lhv r(t)

∗ (3.25)
= [Khv 0] x(t) + [0 Lhv ] w(t),

où
∗
Khv = [Khv Hhv ].

La représentation du système augmenté s'écrit de nouveau sous la forme (3.5) mais avec
les dénitions (3.6) remplacées par :

   
Epv 0 0 Aph 0 Aph − Epv Br
Ev = 0 I
 0 ,Ahv =  Cp 0 0 , (3.26)
0 0 I 0 0 Ar
   
Bph Bd −Epv Br
Bh =  0  , Dv = 0
 0 . (3.27)
0 0 Br

3.4 Simplication des modèles

3.4.1 Réduction du nombre de règles
Dans cette section, une méthode de réduction du nombre de règles pour un modèle
T-S est présentée. Le nombre de règles d'un modèle T-S a deux impacts distincts en
termes de commande. Premièrement, il conditionne le nombre de contraintes LMI et de

61
variables de décision du problème d'optimisation semi-dénie permettant le calcul des
gains du correcteur ; un nombre trop élevé pouvant conduire à des temps de calculs trop
long, voire l'impossibilité d'obtenir une solution du fait des erreurs numériques. Un autre
impact visible de par l'expression (3.9) de la commande est la complexité du correcteur en
termes de nombre d'opérations à eectuer pour déterminer à chaque instant la valeur de
l'entrée à appliquer au système. Pour traiter ce problème, une solution possible consiste
à considérer certaines non-linéarités apparaissant dans le modèle initial comme des incer-
titudes paramétriques : pour certaines valeurs de l'indice i, on remplace la variable zi (t)
par une expression de la forme

zi (t) = zim + δi (t)zir , δi (t) ∈ [−1, 1]. (3.28)

En appliquant la méthode par décomposition en secteurs non-linéaires, une représentation
du système sous forme T-S descripteur incertaine est obtenue :

Êpv ẋp (t) = Âph xp (t) + B̂ph u(t) + Bd d(t),

(3.29)
y(t) = Ch x(t),
où re
X
Êpv = vk (z)(Epk + ∆Epk ),
k=1
Xra
[Âph B̂ph ] = hi (z)[Api + ∆Api Bpi + ∆Bpi ].
i=1
Les incertitudes du système peuvent être représentées sous la forme
∆Epk = HeT ∆e (t)Wepk ,
∆Api = HaT ∆a (t)Wapi ,
∆Bpi = HbT ∆b (t)Wbpi ,
où ∆T` (t)∆` (t) ≤ I avec ` ∈ {e, a, b}, i ∈ {1, 2, . . . , ra } et k ∈ {1, 2, . . . , re }.

3.4.2 Conditions LMI pour le réglage du correcteur - cas incertain

Le résultat suivant donne des conditions LMI permettant de régler les gains du cor-
recteur PDC robuste (3.9) pour le système descripteur incertain (3.29).
Théorème 15. Supposons qu'il existe des matrices carrées d'ordre nx notées P11 , P22 ,
Q11ij , Q12ij , Q21ij , Q22ij , X11ij , X12ij , X21ij , X22ij , avec P11 > 0 et P22 > 0, des matrices
Mjk ∈ Rnu ×nx , Ljk ∈ Rnu ×nr , et des réels positifs γ , τijk a
, τijk
b
, τijk
e
tels que

Ψiik < 0, ∀i ∈ {1, 2, . . . , ra }, ∀k ∈ {1, 2, . . . , re }

(3.30)
Ψijk + Ψjik < 0, ∀i, j ∈ {1, 2, . . . , ra } avec i < j, ∀k ∈ {1, 2, . . . , re },
où Ψijk est une matrice par blocs dénie par

 
Ψ1ijk ?
Ψijk = , (3.31)
Ψ2ijk Ψ3ijk

62
avec
 
S11 ? ? ? ? ? ?
S21 S22 ? ? ? ? ? 
∗
 
S31 S32 S33 ? ? ? ? 
 
Ψ1ijk S41
= S42 S43 S44
T
?
2
? ?  ,
 0
 0 Bd 0 −γ I ? ?  
T 2
 0 0 S63 Br 0 −γ I ? 
P11 0 0 0 0 0 −Q−1
 
T11 T12 0 0 0 0 0
Ψ2ijk = T21
 0 0 0 0 T26 0 , (3.32)
T31 T32 T33 T34 0 T36 0
a b e
Ψ3ijk = diag(−τijk I, −τijk I, −τijk I),

où
∗ a
S33 =S33 + τijk HaT Ha + τijk
b
HbT Hb + τijk
e
HeT He ,
T11 =Wapi P11 ,
T12 =Wapi P22 ,
T21 =Wbpi Mjk ,
T26 =Wbpi Ljk ,
T31 = − Wepk Q11ij ,
T32 = − Wepk (Ar P22 − Q12ij ),
T33 = − Wepk X11ij ,
T34 = − Wepk X12ij ,
T36 = − Wepk Br .

Alors, la loi de commande (3.9) avec les gains Kik = Mik P11 −1
et Lik est telle que les spé-
cications données dans la section 3.2.2 sont satisfaites pour le système incertain (3.29).

Démonstration. La démonstration suit les mêmes lignes que celle du théorème 14, il est
possible de montrer que (3.17) est satisfaite si

Ξ̂hhv = Ξhhv + ∆Ξhhv < 0, (3.33)

où la matrice Ξhhv est celle dénie en (3.13). Le terme incertain ∆Ξhhv est lui déni par :

∆Ξhhv = H̄ T ∆(t)Ψ2hhv + ΨT2hhv ∆(t)T H̄,

où
∆(t) = diag(∆a (t), ∆b (t), ∆e (t)),
 
0 0 Ha 0 0 0 0
H̄ = 0 0 Hb 0 0 0 0 .
0 0 He 0 0 0 0
D'après le lemme de relaxation de [Tanaka et al., 1998], les inégalités (3.30) impliquent
que la matrice Ψhhv est toujours dénie négative. Soit Shhv = −Ψ3hhv . Cette matrice est

63
donc dénie positive, par complétion des carrés, il s'ensuit que
−1
Ξhhv + ∆Ξhhv ≤ Ξhhv + H̄ T Shhv H̄ + ΨT2hhv ∆T (t)Shhv ∆(t)Ψ2hhv
−1
≤ Ξhhv + H̄ T Shhv H̄ + ΨT2hhv Shhv Ψ2hhv .
Par application du lemme de complément de Schur, la matrice Ψhhv étant dénie négative,
il en est de même pour Ξhhv + ∆Ξhhv . La n de la démonstration reprend alors les mêmes
arguments que précédemment.
Remarque 8. La complexité des conditions de stabilité LMI peut être évaluée par le nombre
de variables de décision scalaires Nvar et le nombre de lignes de toutes les conditions LMI
considérées Nrow . Pour le théorème 14, il vient

Nvar = 1 + nx (1 + nx + 8ra2 nx + nu ra re ) + nu nr ra re ,
Nrow = 3ra2 re (5nx + nd + nr ) + 2nx , (3.34)
alors que pour le théorème 15 on a

Nvar = 1 + nx (1 + nx + 8r̄a2 nx + nu r̄a r̄e ) + nu nr r̄a r̄e + 3r̄a2 r̄e ,

Nrow = 3r̄a2 r̄e (8nx + nd + nr ) + 2nx , (3.35)
où r̄a et r̄e sont les nombres de règles du modèle simplié 3.29. Le nombre de règles
augmentant exponentiellement avec le nombre de non-linéarités considérées, il est clair
que nous pouvons réduire la complexité de calcul en utilisant l'approche proposée.

3.5 Application au manipulateur à deux degrés de li-

berté
Dans cette section, l'approche présentée dans la section précédente est appliquée pour
le suivi d'une trajectoire de référence pour le robot à 2 ddl présenté au chapitre 1. Des
résultats de simulation obtenus en utilisant le modèle de simulation dans l'exemple 2
sont ensuite fournis an de démontrer l'applicabilité de notre démarche à des problèmes
industriels.

3.5.1 Représentation descripteur non linéaire de la dynamique

des robots manipulateurs
Le modèle dynamique dans l'espace d'articulaire d'un robot manipulateur à n degrés
de liberté a été donné au 1er chapitre par l'équation (1.6) rappelée ci-dessous

M (q)q̈ + N (q, q̇)q̇ + G(q) = Γ + Γf + J T (q)Fe .

Le vecteur G(q) étant une fonction continûment diérentiable de q , en choisissant une

description cinématique telle que q = 0 soit une position d'équilibre vériant G(0) = 0, il
est toujours possible de le décomposer sous la forme

G(q) = P (q)q.

64
 >
En notant xp = q > q̇ > , la dynamique du manipulateur (1.6) peut être réécrite sous


la forme descripteur suivante :

Ep (xp )ẋp = Ap (xp )xp + Bp (Γ + d), (3.36)

où
 
0 I
Ap (xp ) = ,
−P (q) −N (q, q̇)
   
I 0 0
Ep (xp ) = , B= ,
0 M (q) I
d(t) = Γf (t) + J T (q(t))Fe (t).
En raison de contraintes technologiques, le vecteur d'état du robot x reste dans un en-
semble borné Dx déni par

Dx = x ∈ R2n : xi min ≤ xi ≤ xi max , ∀i ∈ Ω2n , (3.37)



où Ω2n = {1, 2, . . . , 2n}. Les bornes xi min et xi max caractérisant l'espace articulaire du
manipulateur et ses limites en vitesse dues aux moteurs sont supposées connues.

3.5.2 Modèle Takagi-Sugeno descripteur

Dans cette section, une représentation T-S descripteur du manipulateur considéré est
donnée. La forme descripteur (3.36) peut être représentée telle que :

Ep (z)ẋp (t) = Ap (z) xp (t) + Bp (u(t) + d(t)),

(3.38)
y(t) = Cp xp (t),

où xp = [q1 q2 q̇1 q̇2 ]T , u = [Γ1 Γ2 ]T , y = [q1 q2 ]T , d ∈ R2 , et les matrices du système sont

dénies par 1
 
1 0 0 0
0 1 0 0 
Ep (z) =  ,
0 0 Iˆa1 + 2c2 z1 c3 + c2 z1 
0 0 c3 + c2 z1 Iˆa2
 
0 0 1 0
0 0 0 1 
Ap (z) =  ,
z2 z3 2z4 − fv1 z4 
z3 z3 z5 −fv2
 
0 0
0 0
Bp = Bd =1 0 ,


0 1
 
1 0 0 0
Cp = ,
0 1 0 0
1. Pour simplier l'écriture, on notera plus loin Ep (z) = Ep (z1 ) et Ap (z) = Ap (z2 , . . . , z5 )

65
avec Iˆa1 = Ia1 + c1 , Iˆa2 = Ia2 + c3 et
z1 = cos q2 ,
z2 = −c4 sinc q1 − c5 sinc q12 ,
z3 = −c5 sinc q12 , (3.39)
z4 = c2 q̇2 sin q2 ,
z5 = −c2 q̇1 sin q2 .

Les bornes suivantes sur l'état du robot seront considérées :

|q1 | ≤ π rad, |q2 | ≤ π rad,

(3.40)
|q̇1 | ≤ 15 rad/s, |q̇2 | ≤ 15 rad/s.

Ces limites ont été dénies de façon à ce que le robot puisse fonctionner dans un grand
espace de travail.

Représentation par modèle T-S de type descripteur

Les variables de prémisse zi dénies dans (3.39) sont bornés sur le sous-ensemble de
l'espace d'état déni par les inégalités (3.40). On notera zi min et zi max respectivement les
limites inférieure et supérieure de la prémisse zi sur ce sous-ensemble. En utilisant les
valeurs des paramètres du robot données dans le tableau 1.1, page 24, on obtient :

z1 = 1, z 1 = −1,
z2 = 4.79, z 2 = −103.01,
z3 = 4.79, z 3 = −22.07,
z4 = 16.87, z 4 = −16.87,
z5 = 16.87, z 5 = −16.87.

La méthode de décomposition par secteurs non linéaires [Tanaka and Wang, 2004] conduit
alors à une représentation T-S descripteur à 32 règles (re = 2 et ra = 16) du robot
équivalente au modèle (3.38) sur le domaine considéré.
Soient
zi − z i
ωi1 = , ωi0 = 1 − ωi1 ,
zi − zi
pour i ∈ {1, 2, . . . , 5} et posons

v1 (z) = ω10 , v2 (z) = ω11 et hk (z) = ω2k2 ω3k3 ω4k4 ω5k5 ,

où ki ∈ {0, 1} et k = 1 + k2 + k3 · 2 + k4 · 22 + k5 · 23 . Avec ces fonctions d'appartenance,
le modèle (3.38) peut être représenté sous la forme (3.1) avec les matrices :

Ep1 = Ep (z 1 ), Ep2 = Ep (z 1 )
et, pour k = 1, . . . , 16

Apk = Ap (ẑ2 , . . . , ẑ5 ),

66
avec ẑi = z i si ki = 0 et ẑi = z i sinon, et
 
0 0
0 0
Bpk = Bp = 
1
.
0
0 1
Théoriquement, l'approche de commande proposée dans la section 3.3 peut être utili-
sée pour traiter les systèmes T-S descripteurs possédant un nombre quelconque de règles.
Cependant, la complexité du modèle de commande impacte directement celle du correc-
teur (cf. expression 3.9 de l'entrée de commande). Il est par conséquent utile, et parfois
indispensable, de simplier le modèle pour faire face aux limitations matérielles. Pour
atteindre cet objectif, certaines non-linéarités du système seront considérées comme des
incertitudes de modélisation an de réduire le nombre de variables de prémisse et donc
le nombre de sous-modèles. Ensuite, ces incertitudes peuvent être traitées en utilisant
le schéma de commande robuste proposé dans le théorème 15. Nous présentons ici un
exemple menant à un système T-S de la forme (3.29) possédant 4 règles. À cette n, nous
considérons les variables z2 , z4 et z5 comme des incertitudes décrites par

z2 (t) = z2m + δ2 (t)z2r , z4 (t) = z4m + δ4 (t)z4r , z5 (t) = z5m + δ5 (t)z5r , (3.41)
avec (pour i = 2, 3, 4) zim = (z i + z i )/2 et zir = (z i − z i )/2. On a donc |δi (t)| ≤ 1. Les
fonctions d'appartenance sont

v1 (z) = ω10 , v2 (z) = ω11 , h1 (z) = ω30 et h2 (z) = ω31 .

Avec ces fonctions d'appartenance, le modèle (3.38) peut être représenté sous la forme (3.29)
avec les matrices Ep1 et Ep2 dénies comme précédemment,

Ap1 = Ap (z2m , z 3 , z4m , z5m ), Ap2 = Ap (z2m , z 3 , z4m , z5m )

 
0 0
0 0
Bp1 = Bp2 = Bp =  1 0 ,


0 1
et

∆a (t) = diag(δ2 (t), δ4 (t), δ5 (t)),

 >
0 0 1 0
Ha = 0 0 1 0 ,
0 0 0 1 (3.42)
 
z2r 0 0 0
Waph =  0 0 2z4r z4r  .
0 0 z5r 0

Remarquons que r̄e = 2, r̄a = 2, le modèle possède donc 4 règles. Il est possible de
réduire davantage le nombre de règles en considérant, par exemple, z2 ,z3 , z4 , z5 comme
incertitudes du système. Dans le cas extrême où toutes les variables de prémisse sont
considérées comme des incertitudes, un modèle linéaire descripteur incertain peut être
obtenu.

67
3.5.3 Modèle de référence
Selon, la gure 1.7, page 20, les coordonnées de la position de l'eecteur P dans le
plan xy sont données par le modèle géométrique direct suivant :

xP = L1 cos(q1 ) + L2 cos(q1 + q2 ),
(3.43)
yP = L1 sin(q1 ) + L2 sin(q1 + q2 ).

L'objectif est que le point P suive une trajectoire de référence circulaire ayant un rayon
de R = 0.2 m et un centre de coordonnées xP 0 = 0.35 m, yP 0 = 0.65 m. La position
correspondante de P à l'instant t est donc donnée par les expressions :

xP = xP 0 + R cos ψ(t), yP = yP 0 + R sin ψ(t), (3.44)

où ψ(t) est choisi sous la forme d'un polynôme de degré 5 an que la trajectoire soit
exécutée en une durée de 1.5 s avec une vitesse curviligne maximale de 1.57 m/s. Les
positions angulaires désirées q1d (t) et q2d (t) sont calculées en utilisant le modèle géomé-
trique inverse. Le modèle de référence choisi correspond à deux axes mécaniques linéaires
(i = 1, 2) d'inertie Jr , de position qir avec une commande en position (correcteur PD) et
une anticipation "parfaite" en accélération, voir la gure 3.1.

Figure 3.1: Référence : axe mécanique linéaire i.

Par conséquent, la position désirée qid doit être deux fois dérivable pour construire
l'entrée de référence ri de l'axe i :

T T
(3.45)
 T T

ri = qid q̇id q̈id .

L'équation d'état de l'axe i s'écrit donc :

ẋir = Air xir + Bir ri (3.46)

T
avec xir = qir q̇ir ,


   
0 1 0 0 0
Air = , Bir = 2 . (3.47)
−ωr2 −2ξr ωr ωr 2ξr ωr 1

On choisit les paramètres du modèle en fonction de la plus basse fréquence de résonance

ωm du manipulateur [Spong and Vidyasagar, 2008b] an que la référence n'excite pas les

68
résonances mécaniques. Ces paramètres sont donc xés de façon identique pour les deux
axes (i = 1, 2) an d'avoir un comportement identique telles que :

1
ωr = ωm , ξr = 1. (3.48)
2
Dans l'exemple choisi (tableau 1.1), la fréquence de résonance des bras étant de 125.6
rad/s, la fréquence du modèle de référence ωr est xée à 62 rad/s. En combinant les deux
T
axes pour obtenir l'équation d'état de référence (3.2), avec xr = q1r q2r q̇1r q̇2r , les


matrices de ce modèle s'écrivent :

 
0 0 1 0
 0 0 0 1 
Ar = 
−3844
, (3.49)
0 −124 0 
0 −3844 0 −124
 
0 0 0 0 0 0
 0 0 0 0 0 0
Br = 
3844
. (3.50)
0 124 0 1 0
0 3844 0 124 0 1

L'entrée du modèle de référence est dénie comme suit :

 T T T T T T
T
r(t) = q1d (t) q2d (t) q̇1d (t) q̇2d (t) q̈1d (t) q̈2d (t) .

3.5.4 Lois de commande

Pour améliorer la précision, une action intégrale est incorporée dans le schéma de
commande PDC comme cela a été expliqué au paragraphe 3.3.2.
Tous les problèmes LMI ont été résolus en utilisant Matlab avec la boîte à outils
Yalmip [Löfberg, 2004] et le solveur SDPT3 [Toh et al., 1999].
Notons tout d'abord qu'une solution admissible au problème LMI du théorème 15 n'a
pu être obtenue que pour des modèles T-S descripteurs comportant au minimum 4 règles.
Un compromis doit donc être trouvé entre la complexité du modèle et le conservatisme
des conditions de stabilisation.
À titre d'illustration, nous prenons le cas du modèle incertain à 4 règles obtenu en
considérant z2 , z4 et z5 comme des incertitudes décrites par les expressions 3.41. La réso-
lution directe des conditions LMI du théorème 15 conduit à des gains de commande ayant
des valeurs très élevées :
 
9 3.88 0.15 0.03 0.01
K11 = 10 × ,
0.20 7.89 0.01 0.08
 
9 −3.88 −0.15
H11 = 10 × ,
−0.21 −7.89
  (3.51)
8 8.12 −0.03 0.08 −0.01
K12 = 10 × ,
−0.04 0.01 −0.01 0.01
 
8 −8.13 0.03
H12 = 10 × .
0.04 −0.01

69
Il est clair que de telles valeurs pour les gains de commande ne peuvent pas être rete-
nus pour ce système. Par conséquent, les gains de commande sont recalculés en incluant
la contrainte supplémentaire (3.24) avec  = 104 comme cela a été expliqué dans la re-
marque 7. Nous donnons ci-dessous quelques exemples de gains obtenus :
 
4 −6.31 1.16 −0.0978 −0.0018
K11 = 10 × ,
0.91 −6.513 0.0044 −0.0591
 
4 0.720 0.939
H11 = 10 × ,
0.939 4.62
 
3 −9.73 −1.74 −0.469 −0.0896
K12 = 10 × ,
−1.89 −3.76 −0.0968 −0.162
 
3 0.312 0.159
H12 = 10 × ,
0.152 0.0302
14.7 −1.13 0.47 −0.04 0.004 −3 × 10−4
 
L11 = ,
−6.37 15.2 −0.21 0.49 −0.002 3.9 × 10−4
 
12.3 0.634 0.395 0.0205 0.0032 0.0002
L12 = ,
3.82 11.8 0.123 0.380 0.0010 0.0031
avec α = 20 et Q = diag(10−5 , 10−5 , 1, 1).
En utilisant le théorème 14 et le modèle complet, un correcteur PDC à 32-règles a été
calculé pour les mêmes valeurs de α et Q. Quelques exemples de gains obtenus sont :
 
5 −0.9254 0.4664 −0.0080 −0.0004
K11 = 10 × ,
0.1738 −1.0869 0.0001 −0.0035
 
−6 0.0466 −0.0169
H11 = 10 × ,
−0.0169 −0.1312
0.264 −0.1294 0.0085 −0.0042 0.0001 −3.3 × 10−5
 
L11 = ,
−0.520 0.612 −0.0168 0.0197 −0.0001 0.0002
 
5 −1.2761 −0.4625 −0.0105 −0.0025
K12 = 10 × ,
−0.1713 −0.9200 −0.0022 −0.0034
 
−7 0.9266 0.4632
H12 = 10 × ,
0.4632 0.7926
0.0627 −0.0899 0.0020 −0.0029 1.6 × 10−5 −2.3 × 10−5
 
L12 = ,
0.2122 0.4943 0.0068 0.0159 5.5 × 10−5 0.0001
Comme expliqué en remarque 8, la complexité des LMI pour le calcul de la commande
simpliée à 4 règles est bien moindre que celles pour le modèle complet. Le tableau 3.1
donne les valeurs de Nvar et Nrow pour le modèle exact à 32 règles (avec re = 2 et ra = 16)
et le modèle simplié à 4 règles (avec r̄e = r̄a = 2).
Table 3.1: Coûts de calcul.

Nombre de règles 32-règles (Théorème 14) 4-règles (Théorème 15)

Nvar 33429 605
Nrow 36872 872

70
3.5.5 Résultats de simulation et discussions
Dans cette section nous présentons quelques résultats de simulation illustrant l'ap-
plicabilité de notre démarche de commande au manipulateur à deux degrés de liberté
présenté au premier chapitre. Si le calcul de la loi de commande a été fait à l'aide du
modèle présenté ci-dessus, les simulations seront quant à elles réalisées à l'aide du modèle
plus complet présenté dans le premier chapitre et du logiciel Matlab/Simulink en utilisant
l'environnement Simscape MultibodyTM .
An de démontrer la robustesse de l'approche proposée, trois diérents cas associés à
des modes opératoires diérents du robot.
Cas 1 : Le premier correspond au cas nominal à vide : le robot travaille à vide et
sans contact avec l'environnement extérieur.
Cas 2 : Le second cas se produit au cours d'un processus d'usinage. Dans ce cas, la
perturbation externe correspond à une force externe Fe (t) appliquée sur l'eecteur
(1.12). Cette force est supposée tangente à la trajectoire et opposée au vecteur
vitesse ; son intensité notée fe (t) varie entre 138 et 218 N (voir la gure 3.3).
Cas 3 : Dans le troisième cas, le robot manipulateur doit déplacer une masse de 5 kg
correspondant à une variation de la masse de l'eecteur m2 de 55.6%.
Dans chacun des cas, les eets de frottement et d'élasticité articulaire sont pris en
compte dans la simulation, mais pas dans le modèle de commande.
On notera

(3.52)
p
∆R = (xP − xP 0 )2 + (yP − yP 0 )2 − R,

l'erreur de circularité.
Horizontal (y) axis (m)
0.4 0.5 0.6 0.7 0.8 0.9

0.2
Vertical (x) axis (m)

0.3

0.4

0.5

Figure 3.2: Trajectoires de l'eecteur pour le cas 1. Référence (noir solide), trajectoire
avec le correcteur à 32 règles (bleu), trajectoire avec le correcteur à 4 règles (rouge).

La trajectoire de référence de l'eecteur du robot dans le plan xy ainsi que celles

obtenues pour les deux correcteurs déterminées précédemment sont tracées en gure 3.2,
page 69 pour le premier cas. Comme on peut l'observer sur cette gure, les performances
obtenues sont similaires pour les deux correcteurs. Ceci est conrmé à l'examen des erreurs
de circularité tracées à la gure 3.4 et indiquant une déviation maximale par rapport au
rayon de la trajectoire de référence d'environ 1.3 mm pour les deux correcteurs.
Les erreurs de circularité sont également tracées pour les deux autres modes opératoires
à la gure 3.5. Dans chacun de ses cas, les deux correcteurs conduisent là encore à des

71
 200 32-rules
4

Circularity error (mm)

4-rules
External force (N )

2
0
0

−200 −2

0 0.5 1 1.5 0 0.5 1 1.5

Time (s) Time (s)

Figure 3.3: Force extérieure Fe (t) Figure 3.4: Erreurs de circularité

(cas 2). Composantes verticale (en bleu) (cas 1) : correcteur à 32 règles (bleu),
et horizontale (en rouge) à 4 règles (rouge).

32-rules 32-rules
4 4
Circularity error (mm)

Circularity error (mm)

4-rules 4-rules

2 2

0 0

−2 −2

0 0.5 1 1.5 0 0.5 1 1.5

Time (s) Time (s)

(a) Cas 2 (b) Cas 3

Figure 3.5: Erreurs de circularité pour le correcteur à 32 règles (en bleu) et le correcteur
à 4 règles (en rouge).

comportements similaires. Le pire résultat est obtenu dans le Cas 2, c'est-à-dire lorsqu'une
force externe est appliquée. L'écart en rayon évolue alors entre −2.3 et 4.4 mm.
Les couples des actionneurs sont donnés à la gure 3.6 pour le correcteur à 4 règles
dans le cas nominal. Les couples maximum requis sont de 228 Nm pour le joint 1 et 47 Nm
pour le joint 2. Les vitesses des articulations sont illustrées à la gure 3.7.
Les résultats obtenus pour les deux derniers cas illustrent la robustesse des perfor-
mances de suivi de trajectoire vis-à-vis des perturbations externes (force d'usinage) et
des incertitudes (variation de la charge). Les performances obtenues en précision restent
cependant à améliorer (surtout pour le 2e cas).

Remarque 9. Le modèle de simulation du manipulateur comprend également les pertur-

bations liées aux frottements secs et aux résonances mécaniques (cf. pages 20 à 24). Les
résultats présentées dans le Cas 1 montrent la robustesse à ces perturbations internes au
manipulateur.

72
 Γ1 4 q̇1

Joint velocities (rad/s)

200 Γ2 q̇2
Motor Torques (N.m)

100
0

−2
0

−4
0 0.5 1 1.5 0 0.5 1 1.5
Time (s) Time (s)

Figure 3.6: Couples des actionneurs Figure 3.7: Vitesse des articulations
(Cas 1). (Cas 1).

3.6 Conclusion
Dans ce chapitre, la synthèse de lois de commande non linéaires pour la poursuite
de trajectoire d'un robot manipulateur a été présentée. Le modèle de référence génère
la trajectoire de référence. L'approche proposée est basée sur l'utilisation de modèles T-
S de type descripteur et de la seconde méthode de Lyapunov et permet de moduler la
complexité du calcul et de la structure du régulateur sans trop pénaliser les performances
du système asservi comme l'exemple considéré a pu l'illustrer. Ces performances sont
spéciées dans la synthèse par la prise en compte d'un taux de convergence exponentiel,
ainsi que d'un gain L2 maximal entre la sortie et les entrées exogènes.

73
74
Chapitre 4
Poursuite de trajectoire avec contrainte
L∞

4.1 Introduction
Dans ce chapitre, nous présentons une nouvelle approche pour le problème de suivi de
trajectoires d'un robot manipulateur basée de nouveau sur une représentation sous forme
Takagi-Sugeno descripteur de la dynamique non linéaire du robot.

Cette approche utilise de nouveau une loi de commande combinant une action antici-
patrice avec un retour d'état, ce qui permet d'améliorer de façon signicative les perfor-
mances du système asservi par rapport à une commande par rétroaction simple.

Contrairement au chapitre précédent, la structure de commande proposée ne nécessite

plus la dénition d'un modèle de référence, ce qui conduit à une dynamique des erreurs
en suivi de trajectoire plus simple. L'utilisation de la seconde méthode de Lyapunov per-
met ici encore de dériver des conditions de stabilité exprimées sous la forme de problème
d'optimisation avec contraintes de type inégalité matricielle linéaire (LMI) pouvant être
ecacement résolu avec les solveurs numériques disponibles. Pour la commande par rétro-
action, nous considérons la structure à compensation distribuée parallèle (PDC) [Tanaka
and Wang, 2004] qui permet de préserver la structure polytopique des systèmes T-S.

Pour assurer un bon rejet des perturbations, il a été imposé au chapitre précédent
que le système en boucle fermée soit L2 -stable vis-à-vis des entrées exogènes avec un gain
L2 susamment faible. De cette manière, on limite l'énergie de l'erreur de suivi de tra-
jectoire. Dans cette section, la commande est déterminée de façon à assurer la stabilité
entrée-état de la dynamique de l'erreur de suivi vis-à-vis des perturbations. Les perfor-
mances en précision du suivi de trajectoire seront alors évaluées en termes de gain L∞
garantissant une amplitude maximale de l'erreur de suivi pour une entrée de perturbation
donnée et supposée bornée.

Ce chapitre est organisé comme suit. Il commence par une formulation du problème de
suivi de trajectoire et la structure de commande associée. Ensuite, les conditions LMI per-
mettant de régler les gains du correcteur sont données. Enn, des résultats de simulation
obtenus avec le manipulateur série considéré dans le premier chapitre sont proposés.

75
4.2 Formulation du problème de suivi de trajectoire
d'un robot manipulateur
La formulation du problème de suivi de trajectoire s'appuie sur la forme descripteur
(3.36) du modèle non linéaire, présenté au chapitre précédent, que l'on réécrit ici sans
l'indice p :

E(x)ẋ = A(x)x + B(Γ + d), (4.1)

Le problème de suivi de trajectoire est formulé à partir de la structure de commande

suivant.

Structure de la commande pour le suivi de trajectoire

La trajectoire de référence d'un robot manipulateur est dénie par la donnée à chaque
instant du vecteur
>
xr = qr> q̇r> ,


où les n-vecteurs qr et q̇r sont, respectivement, les position et vitesse articulaire de ré-
férence. On supposera dans la suite que xr est susamment régulière et que sa dérivée
seconde est bornée.
Soit e = x − xr , l'erreur de suivi de trajectoire. La dynamique de e(t) est déduite du
modèle descripteur (4.1) :

E(x)ė = A(x)e + B(Γ + d) − E(x)ẋr + A(x)xr . (4.2)

Pour améliorer les performances en suivi de trajectoire, nous proposons de décomposer la

loi de commande Γ en deux termes :

Γ = ufb + u . (4.3)

La commande par retour d'état ufb est utilisée pour garantir certaines spécications de la
dynamique d'erreur de suivi en boucle fermée. La commande par anticipation u vise à
contrer les eets de xr sur la dynamique de l'erreur de suivi. La structure de commande
proposée est illustrée à la gure 4.1.
De (4.2) et de (4.3), la dynamique de l'erreur de suivi en boucle fermée est donnée par

E(x)ė = A(x)e + B(ufb + d) + F(u , x, xr ), (4.4)

où

F(u , x, xr ) = Bu − E(x)ẋr + A(x)xr ,

Il résulte de (4.4) que u devrait être tel que F(u , x, xr ) ' 0, pour atténuer les eets
des signaux exogènes xr et ẋr sur la dynamique de l'erreur e. Le terme de commande par

76
 Figure 4.1: Schéma de commande proposé.

anticipation est donc choisi sous la forme :

u = B † (E(x)ẋr − A(x)xr ). (4.5)

où B † = [0 I] est la pseudo-inverse de B .
Notons que du fait de la dénition de B , on a F(u , x, xr ) = 0 si le modèle est exact.
La dynamique de l'erreur de suivi s'écrit alors sous la forme

E(x)ė = A(x)e + B(ufb + d) (4.6)

où le signal de perturbation d inclut à la fois les perturbations externes et les inévitables
erreurs paramétriques sur le modèle. Du fait des hypothèses précédentes, nous supposerons
par la suite que le signal d est borné en amplitude. Nous sommes maintenant en position
de formuler le problème de commande :
Problème de commande 3. Déterminer une loi de commande par retour d'état ufb telle
que la dynamique (4.6) satisfait aux spécications suivantes.

(P1) Pour un signal de perturbation nul, d ≡ 0, la solution nulle du système (4.6) est
exponentiellement stable avec un taux de décroissance supérieur à un scalaire po-
sitif α prédéni.

(P2) Le système en boucle fermée (4.6) est stable entrée-état par rapport à la perturba-
tion d.

(P3) Pour une erreur de suivi initialement nulle, e(0) = 0, on a

ke(t)k ≤ γkd(.)k∞ , ∀t ≥ 0, (4.7)

pour un scalaire positif γ , où ke(t)k représente la norme euclidienne du vecteur
e(t) et kd(.)k∞ est la norme L∞ du signal d :

kd(.)k∞ = sup kd(t)k.

t≥0

77
 De plus, si e(0) = e0 6= 0, alors l'inégalité suivante est vraie :

lim supke(t)k ≤ γkd(.)k∞ . (4.8)

t→∞

4.3 Synthèse de la loi de commande avec contrainte L∞

Pour le calcul de la loi de commande, on va d'abord transformer la dynamique de
l'erreur de suivi en une forme TS descripteur équivalente. Ensuite, des conditions LMI
sont proposées pour le calcul des gains de commande permettant de vérier les conditions
du problème 3. Enn, an de réduire la complexité du contrôleur, des conditions de
stabilisation robuste de l'erreur de suivi sont données.

4.3.1 Représentation T-S descripteur de la dynamique de l'erreur

de suivi
An de déterminer la loi de commande, le système (4.6) est transformé en une repré-
sentation T-S descripteur équivalente.
En utilisant l'approche par décomposition en secteurs non linéaires [Tanaka and Wang,
2004, Chap. 2], la dynamique de l'erreur de suivi (4.6) peut être représentée sous la forme
T-S descripteur suivante [Taniguchi et al., 2000] :

re ra
(4.9)
X X
vk (z)Ek ė = hi (z)Ai e + B(ufb + d).
k=1 i=1
>
Soit ē = e> ė> . Le système (4.9) peut être réécrit comme


ra X
re
(4.10)
X
Ē ē˙ = hi (z)vk (z)Āik ē + B̄(ufb + d),
i=1 k=1

où
     
I 0 0 0 I
Ē = , B̄ = , Āik = . (4.11)
0 0 B Ai −Ek
La loi de commande par retour d'état sera choisie sous la forme

ra X
re
(4.12)
X
ufb = − hi (z)vk (z)Kik e,
i=1 k=1

où les gains Kik ∈ R doivent être déterminés. De (4.10) et de (4.12), la dynamique

n×2n

en boucle fermée de l'erreur de suivi peut être exprimée sous la forme T-S descripteur
suivante :

ra X
re
(4.13)
X
Ē ē˙ = hi (z)vk (z)(Āik − B̄ K̄ik )ē + B̄d,
i=1 k=1

où K̄ik = Kik 0 .
 

78
4.3.2 Calcul des gains de commande
Le résultat suivant permet de transformer le problème de commande 3 en un problème
d'optimisation LMI.

Théorème 16. Étant donné un réel positif α, s'il existe une matrice P ∈ R2n×2n dénie
positive, des matrices Qi ∈ R2n×2n , Ri ∈ R2n×2n , Mik ∈ Rn×2n (avec (i, k) ∈ Ωr × Ωre ) et
un réel positif γ̄ solutions du problème d'optimisation

minimiser γ̄
sous les contraintes :
 
P ?
 0, (4.14)
P I
 
αP + Qi Ri 0
Ξik = He Ai P − BMik − Ek Qi −Ek Ri B  ≺ 0, ∀(i, k) ∈ Ωra × Ωre (4.15)
0 0 −αγ̄I

alors, la loi de commande par retour d'état (4.12) avec les gains Kik = Mik P −1 est telle
√
que les spécications données dans le problème 3 sont satisfaites avec le gain L∞ γ = γ̄ .

Démonstration. Il résulte de l'inégalité (4.15) que

ra X
re
(4.16)
X
hi (z)vk (z) He(Ek Ri )  0
i=1 k=1

pour toute famille vk et hk Pvériant la propriété de somme convexe (2.20), et donc que
toute combinaison convexe ri=1 a
hi (z)Ri est régulière.
De ce qui précède, il est possible de dénir la fonction candidate de Lyapunov V par

ra
!−1
(4.17)
X
V(ē) = ē> Ē hi (z)P̄i ē,
i=1
 
P 0
où P̄i = .
Qi Ri
En raison des structures spéciales des matrices partitionnées Ē et P̄i , il s'ensuit que

ra
!−1 ra
!−1
P −1 0
 
(4.18)
X X
Ē hi (z)P̄i = hi (z)P̄i Ē = .
0 0
i=1 i=1

En conséquence :
 T T  P −1 0 e
  
V(ē) = e ė = e> P −1 e. (4.19)
0 0 ė

Donc V(e) est une fonction dénie positive de e.

79
 r −1
a
En notant ê = ē, la dérivée de V dénie dans le long des trajectoires
P
hi (z)P̄i
i=1
de (4.13) a pour expression

( ra
! )
 > X
V̇(ē) = He Ahv ē + B̄d hi (z)P̄i ē
i=1
" #> 
ra
!
 
(4.20)
X
= He Ahv hi (z)P̄i ê + B̄d ê ,
 
i=1

où Ahv = ri=1 k=1 hi (z)vk (z)(Āik − B̄ K̄ik ).

re
P a
P
L'expression V̇(ē) devient :

" #> 
ra X
re ra
!
 X 
(4.21)
X
V̇(ē) = He ( hi (z)vk (z)(Āik − B̄ K̄ik )) hi (z)P̄i ê + B̄d ê
 
i=1 k=1 i=1

En utilisant

   
0 I 0  
Āik − B̄ K̄ik = − Kik 0
Ai −Ek B
 
0 I
= (4.22)
Ai − BKik −Ek

L'expression V̇(ē) (Équation (4.21)) devient :

" 
ra Xre   X ra  !  # > 
0 I P 0 0
 X
V̇(ē) = He ( hi (z)vk (z) hi (z) ê + ê
 Ai − BKik −Ek Qi Ri Bd 
i=1 k=1 i=1
" 
ra Xre    # > 
Qi Ri 0
 X
= He ( hi (z)vk (z) ê + ê (4.23)
 Ai P − BMik −Ek Qi Bd 
i=1 k=1

À partir des expression de V(ē) (Équation (4.17)) et de V̇(ē) (Équation (4.23)), la relation
suivant devient :

V̇(ē) + 2αV(ē) − 2αγ̄d> d

 
ra X
re αP + Qi Ri 0  
ê
(4.24)
X
= ê> d>

hi (z)vk (z) He Ai P − BMik − Ek Qi −Ek Ri B 
d
i=1 k=1 0 0 −αγ̄I

Il vient alors l'expression

V̇(ē) + 2αV(ē) − 2αγ̄d> d = ξ > Ξhv ξ, (4.25)

80
où
>
ξ = ê> d> ,


Xra X
re
Ξhv = hi (z)vk (z)Ξik .
i=1 k=1

Par convexité, il résulte de (4.15) que Ξhv ≺ 0. Combinant ceci avec (4.25) conduit à

V̇(ē(t)) ≤ −2α(V(ē(t)) − γ̄kd(t)k2 )

≤ −2α(V(ē(t)) − γ̄kd(.)k2∞ ). (4.26)
En appliquant le lemme de comparaison [Khalil, 2002, Lemme 3.4] à (4.26), il s'ensuit que

V(ē(t)) ≤ e−2αt V(ē(0)) + γ̄kd(.)k2∞ . (4.27)

Par utilisation du lemme du complément de Schur, la condition (4.14) est équivalente à
P −1  I . Il s'ensuit que

e> (t)e(t) ≤ e> (t)P −1 e(t) = V(ē(t)) ≤ σ1 ke(t)k2 , (4.28)

où σ1 = λmax (P −1 ).
De (4.27), il résulte alors que

ke(t)k2 ≤ σ1 e−2αt ke0 k2 + γ̄kd(.)k2∞ (4.29)

et, par suite,

√ √
ke(t)k ≤ σ1 e(−αt) ke0 k + γ̄kd(.)k∞ . (4.30)
On en déduit alors les résultats suivants :

 Quand d = 0, l'inégalité (4.27) implique :

V(ē(t)) ≤ e−2αt V(ē(0)). (4.31)
impliquant à son tour la majoration
ke(t)k ≤ κe−αt , (4.32)
où κ > 0, démontrant la stabilité exponentielle avec un taux de convergence supé-
rieur ou égal à α du système bouclé.

 Quand d 6= 0 :
 Pour une erreur de suivi initialement, e(0) = 0, l'inégalité (4.30) implique :
√
ke(t)k ≤ γ̄kd(.)k∞ = γkd(.)k∞ . (4.33)
 Si e(0) 6= 0, par intégration (4.30) sur l'intervalle [0, ∞], l'inégalité (4.8) est
donc vériée.
L'inégalité (4.30)
√
garantit les propriétés (P1), (P2) et (P3) données dans le problème
3 en posant γ = γ̄ .

81
4.3.3 Réduction de la complexité du correcteur
Comme expliqué à la section 3.4, il est possible de simplier le correcteur en réduisant
le nombre de règles du système T-S descripteur modélisant la dynamique de l'erreur de
suivi. La même astuce est utilisée : considérer certaines non-linéarités du modèle initial
comme des incertitudes. À cette n, nous réécrivons certaines variables de prémisse sous
la forme

zj (t) = zjm + δj (t)zjr , δj (t) ∈ [−1, 1], (4.34)

où

zjm = (z j + z j )/2,
zjr = (z j − z j )/2

avec j ∈ Ωpe +pa = {1, . . . , pe + pa }, où pe et pa sont, respectivement, les nombres d'incer-

titudes dans les matrices E et A.
En substituant (3.28) à (4.6), puis en appliquant l'approche par décomposition en
secteurs non linéaires, on obtient le système TS descripteur incertain

re ra
(4.35)
X X
vk (z)Êk ė = hi (z)Âi e + B(ufb + d),
k=1 i=1

où

Êk = Ek + ∆Ek (t), k ∈ Ωre ,

Âi = Ai + ∆Ai (t), i ∈ Ωra .

Les matrices ∆Ek (t) et ∆Ai (t) pouvant être paramétrées comme suit

∆Ek (t) = He> ∆e (t)Wek ,

∆Ai (t) = Ha> ∆a (t)Wai

avec (k, i) ∈ Ωre × Ωra et ∆>

` ∆`  I , pour ` ∈ {e, a}.
Le résultat suivant fournit des conditions LMI permettant de déterminer une loi de
commande par retour d'état

ra X
re
(4.36)
X
ufb = − hi (z)vk (z)Kik e,
i=1 k=1

satisfaisant les propriétés spéciées dans le problème 3 pour la dynamique de l'erreur de

suivi modélisée par le système incertain (4.35).

82
Théorème 17. Étant donné un réel α > 0, s'il existe une matrice dénie positive
P ∈ R2n×2n , les matrices Qi ∈ R2n×2n , Ri ∈ R2n×2n , Mik ∈ Rn×2n et les scalaires po-
sitifs γ̄ , φaik , φeik , avec (i, k) ∈ Ωra × Ωre , solutions du problème d'optimisation suivant :

minimiser γ̄ (4.37)
sous les contraintes (4.14) et (4.38)
 
Ξik ? ?
Sik H> −Sik ?  ≺ 0, ∀(i, k) ∈ Ωra × Ωre , (4.39)
Wik 0 −Sik

où Ξik est déni dans (4.15),

Sik = diag(φaik I, φeik I),

 
Wai P 0 0
Wik = ,
−Wek Qi −Wek Ri 0
>
0 Ha> 0

H= ,
0 He> 0
alors, la loi de commande par retour d'état (4.36) avec les gains Kik = Mik P −1 est telle
que les spécications données dans le problème 3 sont satisfaites avec le gain L∞ γ .

Démonstration. Par convexité, on déduit de (4.39) que

 
Ξhv ? ?
Shv H> −Shv ?  ≺ 0, (4.40)
Whv 0 −Shv

où

ra X
X re
Ξhv = hi (z)vk (z)Ξik ,
i=1 k=1
ra X
X re
Shv = hi (z)vk (z)Sik ,
i=1 k=1
ra X
X re
Whv = hi (z)vk (z)Wik .
i=1 k=1

En utilisant le lemme du complément de Schur, il vient alors l'inégalité

> −1
Ξhv + HShv H> + Whv Shv Whv ≺ 0. (4.41)

Soit ∆ = diag(∆a , ∆e ), on a alors ∆> ∆  I et en complétant les carrés :

X> Y + Y> X  X> SX + Y> S−1 Y,

83
avec S = Shv , X = H> et Y = ∆Whv , l'inégalité

Ξhv + He(H∆Whv ) ≺ 0 (4.42)

est obtenue.
De la même façon que pour la démonstration du théorème 16 et du (4.42), on peut
alors montrer que

V̇(ē) + 2αV(ē) − 2αγd> d = ξ > [Ξhv + He(H∆Whv )] ξ < 0,

garantissant que les propriétés (P1), (P2) et (P3) du problème 3 sont vériées pour la
dynamique de l'erreur de suivi décrite par le modèle incertain (4.35).

4.4 Application au manipulateur à deux degrés de li-

berté

Pour montrer l'ecacité de l'approche de commande proposée, nous fournissons dans

cette section des résultats de simulation obtenus pour le manipulateur série présenté dans
le premier chapitre.
Dans la section 3.5.2 du chapitre 3, deux modèles T-S descripteur du manipulateur
étudié ont été donnés : le premier avec 32 sous-modèles linéaires (re = 2 et ra = 16), le
second à caractère incertain et avec 4 sous-modèles linéaires.

4.4.1 Lois de commande

Concernant le calcul des gains du correcteur, les problèmes d'optimisation dénis au

théorème 16 pour le modèle à 32 règles et au théorème 17 pour le modèle à 4 règles sont
tous les deux réalisables avec un taux de décroissance α = 60.
Avec le modèle à 32 règles et le théorème 16, les premières valeurs des gains du cor-

84
recteur obtenu sont :
 
4 3.3963 −0.6804 0.1065 −0.0235
K11 = 10 × ,
−0.2474 3.2393 −0.0096 0.1042
 
4 3.2825 −0.6270 0.1024 −0.0217
K21 = 10 × ,
−0.2252 3.0701 −0.0088 0.0986
 
4 3.3895 −0.6771 0.1063 −0.0234
K31 = 10 × ,
−0.2441 3.2368 −0.0095 0.1040
 
3.2876 −0.6108 0.1026 −0.0212
K41 4
= 10 × , (4.43)
−0.2168 3.0527 −0.0086 0.0979
 
4 5.5382 1.3438 0.1757 0.0419
K12 = 10 × ,
0.7173 3.2047 0.0216 0.1031
 
4 5.3417 1.3121 0.1689 0.0408
K22 = 10 × ,
0.6952 3.0550 0.0209 0.0982
 
4 5.5259 1.3435 0.1753 0.0418
K32 = 10 × ,
0.7180 3.2015 0.0215 0.1029
 
4 5.3599 1.3256 0.1694 0.0411
K42 = 10 × ,
0.7065 3.0470 0.0211 0.0978
...

avec la matrice P dénissant la fonction de Lyapunov (4.17) donnée par :

4.14 × 10−4 −1.15 × 10−5 3.65 × 10−4

 
−0.0128
−1.15 × 10−5 4.60 × 10−4 3.72 × 10−4 −0.0143 
P =
 −0.0128 −4
. (4.44)
3.73 × 10 0.7686 −0.0137 
3.65 × 10−4 −0.0143 −0.0137 0.8207
Pour le modèle simplié à 4 règles, les gains du correcteurs obtenus sont :
 
4 2.8721 −0.3635 0.1326 −0.0148
K11 = 10 × ,
−0.2828 4.2778 −0.0206 0.1862
 
4.4378 0.3333 0.2032 0.0161
K12 4
= 10 × , (4.45)
0.2915 4.7488 0.0052 0.2069
 
4 2.8534 −0.3580 0.1317 −0.0146
K21 = 10 × ,
−0.2779 4.2497 −0.0204 0.1849
 
4 4.4080 0.3360 0.2018 0.0161
K22 = 10 × ,
0.2919 4.7188 0.0051 0.2055

avec la matrice P égale à :

8.60 × 10−6
 
0.001 −0.0218 −0.001
8.60 × 10−6 9.09 × 10−4 −3.03 × 10−5 −0.0209
P = . (4.46)
 −0.0218 −3.03 × 10−5 0.8146 0.029 
−0.001 −0.0209 0.0290 0.7501

85
 Les valeurs des gains L∞ obtenus sont γ = 1 pour le modèle à 32 règles et γ = 3.48
pour le modèle à 4 règles.

4.4.2 Comparaison des performances obtenues

An de démontrer la robustesse de l'approche proposée, on va considérer les deux
premiers modes opératoires décrits dans la section 3.5.5 (fonctionnement nominal à vide
et fonctionnement avec contact avec une surface).
On va aussi examiner l'intérêt de l'action anticipatrice de la structure de commande
proposée en comparant les résultats obtenus pour celle-ci avec ceux obtenus pour une
commande PDC classique.
On reprend la trajectoire circulaire de référence dénie à la section 3.5.3 du précédent
chapitre.

Performances en précision : erreurs de circularité

La gure 4.2 représente les erreurs de circularité obtenues dans le 1er cas (fonctionne-
ment nominal à vide) pour les diérents correcteurs considérés. Comme on peut l'observer
sur cette gure, les performances obtenues sont meilleures avec les correcteurs incluant
une action anticipatrice. On remarque aussi que les correcteurs à 4 règles donnent sensi-
blement les mêmes performances que les correcteurs à 32 règles correspondants.

-3
10
5

-1

-2
0 0.5 1 1.5

Figure 4.2: Erreurs de circularité pour le cas nominal

Pour être plus précis dans la comparaison, nous dénissons deux indicateurs de préci-
sion :

 la valeur absolue maximale de l'erreur de circularité :

ERM = max |∆R|, (4.47)
t∈[0,T ]

et

86
 32-Règles 4-Règles
ufb ufb + u ufb ufb + u
ERM (mm) 4.7 2.6 4.8 3.1
ERmav (mm) 1.3 0.75 1.4 0.99
Table 4.1: Valeurs de ERM et ERmav pour le 1er cas
32-Règles 4-Règles
ufb ufb + u ufb ufb + u
ERM (mm) 6.6 4.1 6.6 3.9
ERmav (mm) 1.8 1.7 1.8 1.6
Table 4.2: Valeurs de ERM et ERmav pour le 2e cas

 la valeur absolue moyenne de l'erreur de circularité :

ZT
1
ERmav = |∆R|dt. (4.48)
T
0

Ces deux indicateurs de performance sont donnés, pour le 1er cas, dans le tableau
4.1. Les observations précédentes sont conrmées : la plus petite erreur absolue moyenne
(0.75 mm) est obtenue pour la structure complète à 32 règles. Par rapport à cette référence,
l'erreur augmente de 32 % pour le modèle simplié correspondant et d'au moins 73 % sans
action anticipatrice.

Dans le 2e cas (force externe s'appliquant sur l'eecteur), les erreurs de circularité sont
représentées à la gure 4.3, les indicateurs correspondants sont donnés au tableau 4.2. Les
erreurs de circularité moyenne sont ici relativement voisines pour tous les cas considérés
de 1.6 à 1.8 mm, le meilleur résultat étant obtenu pour le correcteur simplié à 4 règles
avec l'action anticipatrice.

10-3
8

-2

-4
0 0.5 1 1.5

Figure 4.3: Erreurs de circularité pour le 2e cas.

87
Sollicitations des actionneurs
On ne considère ici que la structure de commande proposée à la section 4.2. Les
évolutions en fonction du temps des couples des actionneurs sont présentées aux gures 4.4
et 4.5 pour le 1er cas. Les couples maximum requis sont de 231.5 Nm pour l'articulation 1
et 49.8 Nm pour l'articulation 2. Les erreurs de positions des articulations sont illustrées
aux gure 4.6 4.7. Les erreurs de vitesses des articulations sont données aux gure 4.8 4.9.
Pour le 2e cas considéré, les couples des actionneurs sont représentées sur les -
gures 4.10 et 4.11. Les couples maximum requis sont plus importants que précédemment :
308.1 Nm pour le joint 1 et 132.7 Nm pour le joint 2. Les erreurs de positions des articu-
lations sont illustrées aux gure 4.12 4.13. Les erreurs de vitesses des articulations sont
données aux gure 4.14 4.15.
Comme dans le chapitre précédent, la commande obtenue pour le correcteur simplié
ne dière que de très peu de celle du correcteur à 32 règles.

250 50

40
200

30
150

20
100
10

50
0

0
-10

-50 -20
0 0.5 1 1.5 0 0.5 1 1.5

Figure 4.4: Couple moteur Γ1 pour le Figure 4.5: Couple moteur Γ2 pour le
1er cas. 1er cas.

10-4 10-4
10 2.5

2
8

1.5
6
1

4 0.5

2 0

-0.5
0
-1

-2
-1.5

-4 -2
0 0.5 1 1.5 0 0.5 1 1.5

Figure 4.6: Erreur de position de l'ar- Figure 4.7: Erreur de position de l'ar-
ticulation 1 pour le 1er cas. ticulation 2 pour le 1er cas.

88
 0.04 0.015

0.03 0.01

0.02
0.005

0.01
0
0
-0.005
-0.01

-0.01
-0.02

-0.03 -0.015

-0.04 -0.02
0 0.5 1 1.5 0 0.5 1 1.5

Figure 4.8: Erreur de vitesse de l'arti- Figure 4.9: Erreurs de vitesse de l'arti-
culation 1 pour le 1er cas. culation 2 pour le 1er cas.

400 150

300
100

200
50

100
0
0

-50
-100

-100
-200

-300 -150
0 0.5 1 1.5 0 0.5 1 1.5

Figure 4.10: Couple moteur Γ1 dans le Figure 4.11: Couple moteur Γ2 dans le
cas avec la perturbation externe. cas avec la perturbation externe.

10-3 10-3
4 3

3
2

1
1

0 0

-1
-1

-2

-2
-3

-4 -3
0 0.5 1 1.5 0 0.5 1 1.5

Figure 4.12: Erreur de position de l'ar- Figure 4.13: Erreur de position de l'ar-
ticulation 1 dans le cas avec la perturba- ticulation 2 dans le cas avec la perturba-
tion externe. tion externe.

89
 0.15 0.08

0.06
0.1

0.04

0.05
0.02

0 0

-0.02
-0.05

-0.04

-0.1
-0.06

-0.15 -0.08
0 0.5 1 1.5 0 0.5 1 1.5

Figure 4.14: Erreur de vitesse de l'arti- Figure 4.15: Erreurs de vitesse de l'ar-
culation 1 dans le cas avec la perturba- ticulation 2 dans le cas avec la perturba-
tion externe. tion externe.

4.5 Conclusion
Dans ce chapitre, une approche systématique pour la synthèse d'une loi de commande
pour le suivi de trajectoires de robots manipulateurs a été proposée. Basée sur une repré-
sentation sous forme de Takagi-Sugeno descripteur, cette approche utilise les arguments
de la théorie de la stabilité au sens de Lyapunov pour garantir les propriétés en boucle
fermée des dynamiques des erreurs de suivi de trajectoire.

La structure de commande proposée combine comme celle du 3e chapitre une action

anticipatrice à une commande PDC, mais ne nécessite pas la dénition d'un modèle de
référence simpliant ainsi la complexité des LMI permettant le calcul des diérents gains
de la commande. La performance en précision est prise en compte via une contrainte sur
le gain L∞ entre le signal de perturbation et l'erreur de suivi. L'ecacité de l'approche
proposée est illustré par des résultats de simulation pour le manipulateur série à 2 ddl.

Deux techniques de commande ont été proposées pour la poursuite en trajectoire d'un
robot manipulateur. Le chapitre suivant propose de comparer les performances de ces
deux approches avec d'autres utilisées classiquement en robotique : les commandes par
PID ou CTC.

90
Chapitre 5
Étude comparative des diérentes
techniques pour le suivi de trajectoire

5.1 Introduction

La commande en suivi de trajectoires des robots manipulateurs a fait l'objet de nom-

breuses études du fait de la complexité des dynamiques mises en jeu et d'un réel besoin
industriel. Une commande de suivi de trajectoires est nécessaire pour que chaque articu-
lation suive la trajectoire souhaitée le plus précisément possible. De nombreuses méthodes
de commande telles que la commande CTC (Computed Torque Control), la commande
optimale, la commande adaptative, la commande par mode glissant et la commande par
logique oue ont été proposées pour traiter ce problème de commande robotique.

L'objet de ce chapitre est de comparer les performances des diérentes correcteurs

proposés aux chapitres précédents avec un correcteur à actions proportionnelle, intégrale
et dérivée et une commande CTC. Ces derniers seront représentés par les abréviations
PID et CTC. Les notations utilisées pour les correcteurs proposées aux chapitres 3 et 4
sont :

 pour les lois de commande avec contrainte H∞ dénies au Chapitre 3 :

 H∞ 32-rules pour le correcteur à 32 règles,
 H∞ 4-rules pour le correcteur à 4 règles ;
 pour les lois de commande avec contrainte L∞ dénies au Chapitre 4 :
 FBFF 32-rules pour le correcteur à 32 règles et
 FBFF 4-rules pour le correcteur à 4 règles.
En raison de la exibilité des transmissions, la commande des robots manipulateurs
permettant de hautes performances dynamiques est un véritable dé. Dans ce chapitre,
l'objectif est de faire suivre un cercle au robot manipulateur à des vitesses diérentes.
Dans tous les cas, les exibilités des transmissions ainsi que l'eet des frottements secs
sont pris en compte dans la simulation. Deux cas sont traités : fonctionnement à vide (cas
nominal) et avec force d'extérieur (cas avec perturbation).

91
5.2 Gains des loi de commande
5.2.1 Commande PID
La loi de commande PID a été donnée par l'équation (1.24) avec eq = qd − q . Pour
déterminer les paramètres du correcteur PID, on va suivre la méthodologie présentée
dans [Dombre and Khalil, 1999]. On considère le modèle de l'articulation j suivant :

Γj = aj q̈j + f vj q̇j + γj (5.1)

avec aj = Mjj max la valeur maximale de l'élément Mjj de la matrice d'inertie du robot et
γj est un couple perturbation.
Pour γ = 0, la fonction de transfert en boucle fermée est :

qj (s) Kvj s2 + Kpj s + Kij

= (5.2)
qdj (s) aj s3 + (Kvj + fvj )s2 + Kpj s + Kij

L'équation caractéristique du système bouclé s'écrit :

∆(s) = aj s3 + (Kvj + fvj )s2 + Kpj s + Kij (5.3)

Pour obtenir une réponse la plus rapide possible sans oscillation, un choix classique
consiste à déterminer les gains du correcteur an d'obtenir un pôle triple réel négatif.

∆(s) = aj (s + $j )3 (5.4)

avec $j > 0. Cette valeur $j est choisie la plus grande possible tout en restant en deçà
de la pulsation de résonance $rj an de ne pas déstabiliser le système. Un choix courant
consiste à prendre $j = $rj /2. Les gains obtenus sont les suivants :

Kpj = 3aj $j2 , (5.5)

Kvj = 3aj $j − fvj , (5.6)
Kij = aj $j3 . (5.7)

Pour le manipulateur à 2 ddl considérés, nous avons

a1 = 7.4583 (5.8)
a2 = 1.25 (5.9)

ce qui conduit aux gains suivants du correcteur PID

Kp = 104 4.8000 0.9000

 

Kv = 103 1.0362 0.1836 (5.10)

 

Ki = 105 7.4107 1.4697 .

 

92
 Figure 5.1: Schéma de principe de la commande CTC.

5.2.2 Commande CTC

A partir des équations (1.29) et (1.30), la loi de commande s'écrit sous la forme (voir
la gure 5.1) :
Z t
(5.11)


Γ = M (q) q̈d + Kp eq + Kv e˙q + Ki eq (s) ds) + N (q, q̇ q̇ + G(q).
0

Les gains Kp , Kv et Ki sont ici indépendants de l'inertie. En utilisant la même tech-

nique de placement de pôles que pour le correcteur PID, on obtient les expressions sui-
vantes des gains :
2
Kpj = 3$min , (5.12)
Kvj = 3$min , (5.13)
3
Kij = $min , (5.14)
où $min est la valeur minimale de $1 et $2 , avec $j = $rj /2, cf. paragraphe précédent.
Les gains de la commande CTC sont :

Kp = 103 6.4358 6.4358

 

(5.15)
 
Kv = 138.9509 138.9509
Ki = 104 9.9362 9.9362
 

5.3 Inuence du temps de parcours sur les performances

en précision
Les comportements de suivi de trajectoire d'un robot manipulateur peuvent changer en
fonction de la durée imposée. Dans cette section, pour la trajectoire de référence circulaire
dénie aux deux chapitres précédents, on compare les erreurs de circularité maximales et
les erreurs de circularité moyennes obtenues pour trois durées de parcours diérentes :
 rapide (1 seconde),
 normale (1.5 secondes),
 lente (3 secondes).

93
5.3.1 Cas nominal

9
2.5
8

7
2
6

5
1.5
4

3
1
2

1
0.5
1 1.5 2 2.5 3 1 1.5 2 2.5 3

Figure 5.2: Erreur de circularité maxi- Figure 5.3: Erreur de circularité

male en fonction du temps de parcours moyenne en fonction du temps de par-
imposé  cas nominal. cours imposé  cas nominal

Pour un fonctionnement à vide et sans contact, les erreurs de circularité maximales et

moyennes sont données dans les gures 5.2 et 5.3. Pour les deux indicateurs et les trois
durées, les meilleurs résultats ont été obtenus avec le correcteur à 32 règles déni au 4e
chapitre. Des résultats très similaires sont obtenus pour la commande par CTC. Il est
à noter également que la dispersion des résultats obtenus avec les diérents correcteurs
augmente lorsqu'on fait parcourir plus rapidement la trajectoire de référence. Le pire
résultat est obtenu pour le correcteur PID : une erreur moyenne de 2.5 mm pour une
durée de une seconde à comparer à l'erreur de 1 mm obtenue pour les deux correcteurs
précédents. Enn, bien que présentant une structure simpliée, le correcteur FBFF 4-rules
permet d'obtenir des résultats satisfaisants.

5.3.2 Cas avec force appliquée à l'eecteur

Pour le cas avec force extérieure, les erreur de circularité maximales et moyennes sont
données dans les gures 5.4 et 5.5. Il n'y a pas ici de correcteur miraculeux qui produit
les meilleurs résultats dans les diérents cas considérés.

En ce qui concerne l'erreur maximale de suivi de trajectoire, elle est minimisée par les
deux correcteurs FBFF 4-rules et FBFF 32-rules et maximisée pour le correcteur PID.

Quant à l'erreur moyenne, les résultats sont plus variables : elle est minimisée par le
correcteur CTC pour la durée la plus longue, par le correcteur H∞ 32-rules pour une
durée de parcours de 2 s et par le correcteur FBFF 4-rules pour le régime le plus rapide.
Remarquons que l'erreur moyenne obtenue par ce dernier varie peu en fonction de la du-
rée de parcours, si bien qu'il est un mauvais choix pour la plus grande durée de parcours
considérée.

94
 14 3.5

12 3

10
2.5

8
2

6
1.5

4
1
2
1 1.5 2 2.5 3 1 1.5 2 2.5 3

Figure 5.4: Erreur de circularité maxi- Figure 5.5: Erreur de circularité

male en fonction du temps de parcours moyenne en fonction du temps de par-
imposé  cas avec perturbation cours imposé  cas avec perturbation

5.4 Performances en régime rapide

5.4.1 Critères de performance
Nous nous plaçons ici dans le cas le plus exigent en termes de performance dynamique
attendue du robot. Pour aner l'étude précédente, nous considérons dans cette section
de nouveaux indicateurs :

 la valeur absolue moyenne (mav) de l'erreur de suivi pour la i−ème articulation :

ZT
1
Eimav = |qi (t) − qir (t)|dt, i = 1, 2; (5.16)
T
0

 la valeur absolue maximale (M) de l'erreur de suivi pour la i−ème articulation :

EiM = max |qi (t) − qir (t)|, i = 1, 2; (5.17)
t∈[0,T ]

 la valeur quadratique moyenne (rms) du couple du i−ème actionneur :

v
u T
uZ
1u
Γirms = t Γ2i (t)dt, i = 1, 2, (5.18)
T
0

(cet indicateur représente l'énergie de commande consommée) ;

 la valeur absolue maximale (M) du couple du i−ème actionneur :
ΓiM = max |Γi (t)|, i = 1, 2. (5.19)
t∈[0,T ]

95
5.4.2 Cas nominal
Les évolutions des erreurs de circularité pour les diérents correcteurs sont tracées à
la gure 5.6 conrmant certains faits relevés dans la section précédente sur les bonnes
performances des correcteurs CTC et FBFF 32-rules et 4-rules ou, au contraire, des per-
formances limitées du correcteur PID.

10-3
10

-2

-4
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Figure 5.6: Erreurs de circularité.

Concernant les performances de suivi dans l'espace articulaire du robot, les évolu-
tions des positions et vitesses des deux actionneurs sont représentées gures 5.7-5.10 et
conrment les résultats précédents.

10-3 10-3
12 8

10
6
8
4
6
2
4

2 0

0
-2
-2
-4
-4
-6
-6

-8 -8
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Figure 5.7: Erreurs de position de l'ar- Figure 5.8: Erreurs de position de l'ar-
ticulation 1. ticulation 2.

La table 5.1 donne les valeurs moyennes absolues et maximales des erreurs de suivi des
deux articulations. Pour l'articulation 1, les meilleures performances sont obtenues pour la
commande CTC, suivie de peu du correcteur FBFF 32-rules. Le correcteur FBFF 4-rules
vient en 3e position, mais donne aussi des erreurs inférieures au millimètre, contrairement
au trois autres correcteurs conduisant à une erreur moyenne supérieure à 7 mm. Les résul-
tats sont assez semblables pour l'articulation 2, l'ordre diérant légèrement (le correcteur

96
 0.15 0.2

0.1 0.15

0.05 0.1

0 0.05

-0.05 0

-0.1 -0.05

-0.15 -0.1

-0.2 -0.15
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Figure 5.9: Erreurs de vitesse de l'arti- Figure 5.10: Erreurs de vitesse de l'ar-
culation 1. ticulation 2.

Table 5.1: valeurs moyennes absolues et maximales des erreurs de suivi des deux articu-
lations (en gras : plus petite valeur, en italique : deuxième meilleure valeur)

Critère E1M (mm) E2M (mm) E1mav (mm) E2mav (mm)

PID 7.7 6.9 2 2
CTC 0.27 0.78 0.067 0.19
FBFF 32-rules 0.28 0.14 0.097 0.069
FBFF 4-rules 0.85 0.43 0.57 0.15
H∞ 32-rules 8.8 6.2 2.2 2.2
H∞ 4-rules 10.9 6.7 2.7 2.4

CTC est en 3e place).

Les tracés des couples des deux actionneurs en fonction du temps sont donnés aux
gures 5.11 et 5.12. Leurs valeurs quadratiques moyennes et ecaces (rms) sont données
à la table 5.2. Il n'y a pas de diérences importantes sur les valeurs de ces diérents indi-
cateurs entre les approches proposées. Les couples maximaux nécessaires vont de 497 N
(H∞ 32-rules) à 509 N (PID) pour l'articulation 1 et de 76 N (H∞ 32-rules) à 84.6 N
(PID) pour l'articulation 2. D'un point de vue énergétique, les performances des diérents
correcteurs sont voisines, mis à part, peut être, le régulateur PID qui donne systémati-
quement les plus mauvaises valeurs.

5.4.3 Cas avec force appliquée à l'eecteur

Concernant les performances en précision, les évolutions des erreurs de circularité
obtenues pour chacun des correcteurs sont données dans la gure 5.13. On peut noter
les bonnes performances des régulateurs FBFF simplié ou complet avec une erreur de
circularité variant de −4 à 6 mm. Contrairement au cas précédent, les performances du
correcteur CTC sont plus faibles et se rapprochent de celles des correcteurs H∞ (32 et
4 règles) avec une erreur allant de −3.5 à 9 mm. Enn, le PID conduit à une erreur de

97
 600 100

500 80

60
400

40
300
20
200
0
100
-20

0
-40

-100 -60

-200 -80
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Figure 5.11: Couples Γ1 (1er action- Figure 5.12: Couples Γ2 (2nd action-
neur). neur).

Table 5.2: Couples maximaux et ecaces (en gras : plus petite valeur, en italique
deuxième meilleure valeur)

Critère Γ1M Γ2M Γ1rms Γ2rms

PID 509.43 84.59 174.53 38.17
CTC 498.20 82.14 169.73 37.15
FBFF 32-rules 498.75 82.21 169.78 37.18
FBFF 4-rules 497.25 82.67 169.37 37.24
H∞ 32-rules 497.12 77.21 168.58 38.12
H∞ 4-rules 498.12 75.92 169.20 38.01

circularité de l'ordre de 14 mm au maximum.

10-3
14

12

10

-2

-4
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Figure 5.13: Erreurs de circularité.

Les erreurs de suivi en position et en vitesse pour chacun des deux actionneurs sont
représentées sur les gures 5.145.17. La table 5.3 regroupe les diérentes valeurs des

98
 0.015 0.015

0.01
0.01

0.005
0.005

0
-0.005

-0.005
-0.01

-0.01 -0.015
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Figure 5.14: Erreurs de position de l'ar- Figure 5.15: Erreurs de position de l'ar-
ticulation 1. ticulation 2.

0.3 0.8

0.2 0.6

0.1 0.4

0 0.2

-0.1 0

-0.2 -0.2

-0.3 -0.4

-0.4 -0.6
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Figure 5.16: Erreurs de vitesse de l'ar- Figure 5.17: Erreurs de vitesse de l'ar-
ticulation 1. ticulation 2.

Table 5.3: valeurs moyennes absolues et maximales des erreurs de suivi des deux articu-
lations (en gras : plus petite valeur, en italique : deuxième meilleure valeur)

Critère E1M (mm) E2M (mm) E1mav (mm) E2mav (mm)

PID 7.9 11.9 2.2 3.4
CTC 2.1 10.4 0.55 3.5
FBFF 32-rules 2.9 2.6 1.8 1.8
FBFF 4-rules 3.2 2 2 1.3
H∞ 32-rules 11.1 11.7 3.1 5.6
H∞ 4-rules 13.4 12.2 3.8 5.9

indicateurs (5.16) et (5.17). Les conclusions précédentes restent valables à une nuance
près : pour la 1er articulation, le correcteur CTC fournit des erreurs absolues moyennes
et maximales plus faibles - il y a cependant peu de diérences avec les correcteurs FBFF.

Les évolutions des couples des deux actionneurs sont données dans les gures 5.18 et

99
 600 150

500
100
400

300 50

200
0
100

0 -50

-100
-100
-200

-300 -150
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Figure 5.18: Couples Γ1 . Figure 5.19: Couples Γ2 .

5.19, leurs valeurs ecaces et maximales sont présentées dans la table 5.4. Il n'y a pas de
diérences notables entre les correcteurs.

Le correcteur PID conduit aux valeurs maximales de ces indicateurs avec un couple
maximal de 586.9 N pour l'articulation 1 et 144.3 N pour l'articulation 2. L'approach H∞
a la meilleur performance de suivi de trajectoire pour l'articulation 2.

Table 5.4: Couples maximaux et ecaces (en gras : plus petite valeur, en italique
deuxième meilleure valeur)

Critère Γ1M Γ2M Γ1rms Γ2rms

PID 586.92 144.31 214.64 72.72
CTC 573.83 142.65 211.30 72.50
FBFF 32-rules 575.68 142.81 211.33 71.80
FBFF 4-rules 573.98 143.20 210.78 71.67
H∞ 32-rules 581.59 128.63 213.40 62.76
H∞ 4-rules 578.77 124.18 213.26 62.51

5.5 Conclusions
Ce chapitre présente une comparaison des performances des correcteurs proposés aux
chapitres 3 et 4 avec d'autres correcteurs utilisés couramment en industrie : le correc-
teur PID et la commande CTC (Computed Torque Control). Ces résultats montrent que
le correcteur simplié FBFF 4-rules avec la méthode de synthèse proposée au chapitre
4 constitue une solution viable de commande d'un robot manipulateur avec des perfor-
mances proches voire meilleure que la technique de commande CTC et une architecture
relativement simple.

100
Conclusion générale et perspectives
Ce mémoire présente notre contribution à la modélisation et la commande en suivi de
trajectoire de robots manipulateurs.
Dans un premier temps, le contexte des robots manipulateurs industriels a été pré-
senté. Les modèles utilisés pour l'analyse et la synthèse des lois de commande de robot
manipulateur ont été rappelés. En particulier, les modèles dynamiques sous forme analy-
tique d'un manipulateur plan à deux degrés de liberté ont été développés an de servir
d'exemple dans la suite du manuscrit pour la synthèse de commande. En l'absence d'essais
expérimentaux, le but était de disposer également d'un modèle de simulation le plus dèle
possible du point de vue du comportement mécanique. Ce modèle a été développé dans
l'environnement Simulink de Matlab avec la toolbox Simscape MultibodyTM . Sachant que
la synthèse de commande est basée sur un modèle dynamique rigide sans connaissance
précise des lois de comportement des perturbations comme le frottement sec ou des forces
extérieures, le modèle de simulation inclut des articulations exibles (responsable de ré-
sonances mécaniques), un modèle de frottement sec réaliste par articulation (avec eet de
Stribeck et équilibre des eorts à vitesse nulle) et un modèle de force extérieure exercée
sur l'organe terminal (représentant un procédé de découpage ou d'usinage). L'utilisation
de ce modèle a permis de valider dans les derniers chapitres les méthodes de synthèse
proposées et la robustesse des performances des lois de commande aux incertitudes de
modélisation structurées et non structurées et aux perturbations. Par la suite, la problé-
matique du suivi de trajectoire a été posée et une revue de littérature succincte sur les
principales méthodes de commande des robots manipulateurs a été exposée.
Dans le chapitre 2, l'approche Takagi-Sugeno pour l'analyse et la commande des sys-
tèmes non linéaires a été rappelée. L'approche T-S ore diérentes possibilités en matière
d'analyse et de synthèse de lois de commande. Dans ce chapitre, les représentations de sys-
tèmes non linéaires sous la forme T-S standard ou descripteur ont été rappelées. Ensuite,
les problèmes de stabilité et stabilisation de ces modèles ont été abordés. Les problèmes
de commande basée sur les modèles T-S peuvent être formulés sous forme de contraintes
décrites par des inégalités matricielles linéaires. La méthode directe de Lyapunov est uti-
lisée pour obtenir les conditions de stabilité permettant le calcul des gains. Enn, des
critères de performance en boucle fermée comme la α−stabilité, le critère H∞ , etc. ont
été présentés.
Dans le chapitre 3, une étude sur le suivi de trajectoire d'un manipulateur avec une
contrainte H∞ pour le rejet de perturbation a été donnée. La dynamique non linéaire
du robot a été écrite sous forme T-S descripteur. Le problème de synthèse de commande
pour le suivi de trajectoire a été posé en introduisant un modèle de référence sous forme
standard. Ce problème a été transformé grâce à l'approche T-S descripteur et la dénition
d'une loi PDC en conditions LMIs pour le calcul des matrices de gain. Une commande
PDC avec action intégrale a également été introduite. An de simplier le modèle T-S
descripteur et réduire le nombre de règles dans la loi PDC, des conditions LMI pour la

101
synthèse des gains ont été établies dans le cas d'un modèle avec incertitudes. Les résultats
de simulation illustrent la robustesse de l'approche proposée dans diérents cas (suivant les
perturbations et les variations de charge de l'eecteur). Dans tous les cas considérés, l'eet
du frottement sec et des résonances mécaniques est pris en compte dans la simulation. Les
performances obtenues sont similaires pour les commandes PDC à 32 règles et 4 règles ;
elles apparaissent comme satisfaisantes dans le cas nominal et le cas avec variation de
charge. Néanmoins, les performances obtenues en présence d'une force externe appliquée
à l'eecteur restent à améliorer sur le plan de la précision de suivi de trajectoire.
Dans le chapitre 4, une nouvelle approche de commande pour le suivi de trajectoire
d'un manipulateur a été présentée. Elle est fondée sur un schéma avec retour d'état et
anticipation et elle s'appuie sur une contrainte L∞ de façon à garantir une amplitude
maximale de l'erreur de suivi pour une entrée de perturbation donnée et supposée bornée.
Le problème est reformulé grâce à une représentation descripteur T-S de l'écart entre
l'état du robot et la trajectoire pour aboutir à des conditions LMI permettant le calcul
des gains du retour d'état PDC. Cette approche, contrairement à celle du chapitre précé-
dent, ne nécessite pas de modèle de référence, ce qui la rend plus simple. Les résultats de
simulation présentés ont permis d'illustrer l'ecacité de l'approche proposée.

Le dernier chapitre expose un comparatif des performances de nos deux approches avec
d'autres utilisées couramment en robotique : les commandes PID et CTC. L'inuence de
la vitesse de parcours de la trajectoire et des perturbations appliquées a été analysée. Les
simulations ont montré les bonnes performances de l'approche L∞ dans les diérents cas.
En revanche, l'approche H∞ présente de moins bonnes performances que le schéma CTC
en l'absence de forces extérieures et, même avec ces perturbations, son intérêt n'est pas
avéré. Quant à l'approche L∞ , elle est similaire ou parfois sensiblement meilleure que le
schéma CTC dans le cas nominal et elle dépasse les autres approches dans le cas avec
perturbations. En outre, les commandes PDC avec 4 règles ont des performances assez
proches de celles avec 32 règles, ce qui permet donc de réduire la complexité des lois de
commande sans dégrader les performances.
Les travaux présentés dans ce mémoire ouvrent plusieurs perspectives de développe-
ment :
1. À court terme et moyen terme
 Un robot de type SCARA opérationnel devrait être prochainement disponible
dans notre laboratoire et permettrait de valider les diérents résultats de simu-
lation par des essais expérimentaux. Pour cela, une identication paramétrique
du modèle dynamique sera nécessaire au préalable.
 La commande proposée dans le chapitre 4 combine une action anticipatrice à
un retour d'état ce qui nécessite la présence de capteurs de vitesse. Sans ces
capteurs, une commande par retour de sortie est nécessaire. Il est donc néces-
saire d'aborder le problème du suivi de trajectoire en utilisant des correcteurs
à retour de sortie.
 La possibilité d'utiliser en premier lieu un retour de sortie statique [Kau
et al., 2007, Bouarar et al., 2013, Nguyen et al., 2018] est à étudier en terme
de faisabilité, en premier lieu pour des modèles de robot avec peu de non-
linéarités. Ce type de lois de commande par retour de sortie statique est
intéressant dans le cadre d'applications nécessitant un faible coût de calcul
parce qu'il n'y a pas besoin de résolution numérique d'équations diéren-
tielles supplémentaires comme des lois de commande à retour de sortie dy-

102
 namique. Notons que dans la littérature, il existe déjà plusieurs résultats
concernant la commande par retour de sortie statique de systèmes T-S de
diérents types (en temps continu ou discret, sous forme standard ou des-
cripteur) [Bouarar et al., 2013, Nguyen et al., 2017c, Wang et al., 2019]. Ces
travaux abordent tous le problème de la stabilisation. Il reste à étudier leur
applicabilité au problème du suivi de trajectoires.
 Pour une plus grande marge de manoeuvre, on envisage de développer des
commandes à retour de sortie dynamique reposant, par exemple, sur l'utili-
sation d'observateurs [Tanaka and Wang, 2004,Nguyen et al., 2019a,Guerra
et al., 2015, Guelton et al., 2008]. Une des dicultés rencontrées pour la
commande des robots manipulateurs est l'existence de prémisses non me-
surables. Les travaux récents sur les observateurs avec prémisses non mesu-
rables seront étudiés [Ichalal et al., 2018,Guerra et al., 2018]. Les conditions
seront BMI ; par conséquent, des techniques de convexication seront testées
pour réduire le conservatisme [Nguyen et al., 2017c, Nguyen et al., 2018].
 Dans le travail présenté, on a utilisé un modèle dynamique rigide du robot
manipulateur pour la synthèse de la loi de commande. Lors du parcours des
trajectoires à haute vitesse, les modes de résonance du robot manipulateur
sont excités, ce qui se traduit par des vibrations et donc une dégradation de
la précision de suivi de trajectoire. Pour limiter ces vibrations, un critère H∞
en fréquence nie [Iwasaki and Hara, 2005, Wang et al., 2013, Xu et al., 2016,
El-Amrani et al., 2018] pourrait être introduit, conduisant à la dénition de
nouvelles lois de commande.
2. À long terme Ces dernières années connaissent le développement rapide d'appli-
cations de robotique en interaction avec l'homme (robotique collaborative, exos-
quelette actif, etc.). Un des dés concerne la génération de mouvement du robot
paraissant naturel pour l'utilisateur. Il serait intéressant de voir comment les tra-
vaux développés dans cette thèse peuvent s'inscrire dans cette problématique.

103
104
Bibliographie
[Abdulkareem et al., 2016] Abdulkareem, A., Awosope, C., Daramola, S., and Nnorom,
E. (2016). Development of a programmable mobile robot. International Journal of
Applied Engineering Research, 11(4).
[Allouche, 2016] Allouche, B. (2016). Modélisation et commande des robots : nouvelles
approches basées sur les modèles Takagi-Sugeno. PhD thesis, Université de Valenciennes
et du Hainaut-Cambresis.
[Andersson et al., 2007] Andersson, S., Söderberg, A., and Björklund, S. (2007). Friction
models for sliding dry, boundary and mixed lubricated contacts. Tribol Int, 40(4) :580
587.
[Asimov, 1942] Asimov, I. (1942). Runaround. astounding science ction. Street & Smith,
New York.
[Asimov, 2004] Asimov, I. (2004). I, robot, volume 1. Spectra.
[Babu²ka, 1998] Babu²ka, R. (1998). Fuzzy Modeling for Control. International series in
intelligent technologies. Springer Science+Business Media.
[Ballard et al., 2012] Ballard, L. A., Sabanovic, S., Kaur, J., and Milojevic, S. (2012).
George charles devol, jr.[history]. IEEE Robotics & Automation Magazine, 19(3) :114
119.
[Bernstein, 1999] Bernstein, D. S. (1999). On bridging the theory/practice gap. IEEE
Control Systems Magazine, 19(6) :6470.
[Bouarar et al., 2013] Bouarar, T., Guelton, K., and Manamanni, N. (2013). Robust non-
quadratic static output feedback controller design for Takagi-Sugeno systems using
descriptor redundancy. Engineering Applications of Articial Intelligence, 26(2) :739
756.
[Boyd et al., 1994] Boyd, S., El Ghaoui, L., Feron, E., and Balakrishnan, V. (1994). Linear
Matrix Inequalities in System and Control Theory. SIAM, Philadelphia.
[Breazeal, 2011] Breazeal, C. (2011). Social robots for health applications. In 2011 Annual
international conference of the IEEE engineering in medicine and biology society, pages
53685371. IEEE.
[Burkov et al., 1996] Burkov, I., Pervozvanski, A., and Freidovich, L. (1996). Algorithms
of robust global stabilization of exible manipulators. In Proc. World Automation
Congress, Montepellier, France.
[Burkov et al., 1998] Burkov, I. V., Pervozvanski, A. A., and Freidovich, L. (1998). Robust
stabilization of manipulators via control with slight integral feedback. Mechanics of
Solids, 34(3) :1320.
[Cao and Frank, 2000] Cao, Y.-Y. and Frank, P. M. (2000). Analysis and synthesis of
nonlinear time-delay systems via fuzzy control approach. IEEE Trans. Fuzzy Syst.,
8(2) :200211.

105
[Chadli et al., 2014] Chadli, M., Karimi, H., and Shi, P. (2014). On stability and stabiliza-
tion of singular uncertain Takagi-Sugeno fuzzy systems. J. Franklin Inst., 351(3) :1453
1463.
[Chen et al., 2000a] Chen, B.-S., Tseng, C.-S., and Uang, H.-J. (2000a). Mixed H2 -H∞
fuzzy output feedback control design for nonlinear dynamic systems : an LMI approach.
IEEE Trans. Fuzzy Syst., 8(3) :249265.
[Chen, 2011] Chen, C.-S. (2011). Supervisory adaptive tracking control of robot ma-
nipulators using interval type-2 tsk fuzzy logic system. IET Control Theory Appl.,
5(15) :17961807.
[Chen et al., 2000b] Chen, W.-H., Ballance, D. J., Gawthrop, P. J., and O'Reilly, J.
(2000b). A nonlinear disturbance observer for robotic manipulators. IEEE Transactions
on industrial Electronics, 47(4) :932938.
[Choi and Kim, 1997] Choi, S.-B. and Kim, J. (1997). A fuzzy-sliding mode controller for
robust tracking of robotic manipulators. Mechatronics, 7(2) :199216.
[Chu et al., 2014] Chu, Z., Cui, J., and Sun, F. (2014). Fuzzy adaptive disturbance-
observer-based robust tracking control of electrically driven free-oating space manipu-
lator. IEEE Syst. J., 8(2) :343352.
[Codourey, 1998] Codourey, A. (1998). Dynamic modeling of parallel robots for
computed-torque control implementation. The International Journal of Robotics Re-
search, 17(12) :13251336.
[Craig et al., 1987] Craig, J. J., Hsu, P., and Sastry, S. S. (1987). Adaptive control of
mechanical manipulators. The International Journal of Robotics Research, 6(2) :1628.
[Dahl and Boulos, 2014] Dahl, T. and Boulos, M. (2014). Robots in health and social
care : A complementary technology to home care and telehealthcare ? Robotics, 3(1) :1
21.
[Dai, 1989] Dai, L. (1989). Singular control systems. Lect. Notes Contr. Inf. Springer-
Verlag.
[Dawson et al., 2003] Dawson, D. M., Abdallah, C. T., and Lewis, F. L. (2003). Robot
Manipulator Control : Theory and Practice. CRC Press.
[Denkena and Holz, 2006] Denkena, B. and Holz, C. (2006). Advanced position and force
control concepts for the linear direct driven hexapod palida. In Chemnitz Parallel
Kinematics Seminar, volume 33, pages 359378.
[Dombre and Khalil, 1999] Dombre, E. and Khalil, W. (1999). Modélisation, identica-
tion et commande des robots. Hermes Sciences. in French, Paris.
[El-Amrani et al., 2018] El-Amrani, A., Boukili, B., Hmamed, A., El Hajjaji, A., and
Boumhidi, I. (2018). Robust H∞ ltering for 2D continuous systems with nite fre-
quency specications. Int. J. Syst. Sci., 49(1) :4357.
[Eom et al., 1998] Eom, K. S., Suh, I. H., Chung, W. K., and Oh, S.-R. (1998). Dis-
turbance observer based force control of robot manipulator without force sensor. In
Proceedings. 1998 IEEE International Conference on Robotics and Automation (Cat.
No. 98CH36146), volume 4, pages 30123017. IEEE.
[Feng, 2003] Feng, G. (2003). Controller synthesis of fuzzy dynamic systems based on
piecewise Lyapunov functions. IEEE Trans. Fuzzy Syst., 11(5) :605612.
[Feng, 2006] Feng, G. (2006). A survey on analysis and design of model-based fuzzy
control systems. IEEE Trans. Fuzzy Syst., 14(5) :676697.

106
[Garriz and Domingo, 2019] Garriz, C. and Domingo, R. (2019). Development of tra-
jectories through the kalman algorithm and application to an industrial robot in the
automotive industry. IEEE Access.
[Gasparetto and Scalera, 2019] Gasparetto, A. and Scalera, L. (2019). A brief history of
industrial robotics in the 20th century. Advances in Historical Studies, 8(1).
[Gasso et al., 2000] Gasso, K., Mourot, G., and Ragot, J. (2000). Identication of an out-
put error Takagi-Sugeno model. In IEEE Int. Conf. on Systems, Man, and Cybernetics,
volume 1, pages 1419.
[Guelton et al., 2009] Guelton, K., Bouarar, T., and Manamanni, N. (2009). Robust dy-
namic output feedback fuzzy Lyapunov stabilization of Takagi-Sugeno systems-a des-
criptor redundancy approach. Fuzzy Sets and Systems, 160(19) :27962811.
[Guelton et al., 2008] Guelton, K., Delprat, S., and Guerra, T.-M. (2008). An alternative
to inverse dynamics joint torques estimation in human stance based on a Takagi-Sugeno
unknown-inputs observer in the descriptor form. Control Eng. Pract., 16(12) :1414
1426.
[Guerra et al., 2012] Guerra, T. M., Bernal, M., Guelton, K., and Labiod, S. (2012). Non-
quadratic local stabilization for continuous-time Takagi-Sugeno models. Fuzzy Sets and
Systems, 201 :4054.
[Guerra et al., 2015] Guerra, T. M., Estrada-Manzo, V., and Lendek, Z. (2015). Observer
design for takagisugeno descriptor models : An lmi approach. Automatica, 52 :154159.
[Guerra et al., 2009] Guerra, T. M., Kruszewski, A., and Lauber, J. (2009). Discrete
tagakisugeno models for control : Where are we ? Annual Reviews in control, 33(1) :37
47.
[Guerra et al., 2018] Guerra, T.-M., Márquez, R., Kruszewski, A., and Bernal, M. (2018).
H∞ -based observer design for nonlinear systems via TakagiSugeno models with un-
measured premise variables. IEEE Transactions on Fuzzy Systems, 26(3) :14981509.
[Guerra and Vermeiren, 2004] Guerra, T.-M. and Vermeiren, L. (2004). LMI-based re-
laxed non-quadratic stabilization conditions for nonlinear systems in the Takagi-
Sugeno's form. Automatica, 40(5) :823829.
[Han et al., 2014] Han, Q., Zhang, H., and Liu, J. (2014). Nonlinear dynamics of control-
led synchronizations of manipulator system. Mathematical Problems in Engineering,
2014.
[Hu et al., 2012] Hu, Q., Xu, L., and Zhang, A. (2012). Adaptive backstepping trajectory
tracking control of robot manipulator. J. Franklin Inst., 349(3) :10871105.
[Huang and Chiang, 2016] Huang, H.-C. and Chiang, C.-H. (2016). Backstepping ho-
lonomic tracking control of wheeled robots using an evolutionary fuzzy system with
qualied ant colony optimization. Int. J. Fuzzy Syst., 18(1) :2840.
[Ichalal et al., 2018] Ichalal, D., Marx, B., Mammar, S., Maquin, D., and Ragot, J. (2018).
How to cope with unmeasurable premise variables in Takagi-Sugeno observer de-
sign : dynamic extension approach. Engineering Applications of Articial Intelligence,
67 :430435.
[Iwasaki and Hara, 2005] Iwasaki, T. and Hara, S. (2005). Generalized kyp lemma : Uni-
ed frequency domain inequalities with design applications. IEEE Transactions on
Automatic Control, 50(1) :4159.

107
[Johansen et al., 2000] Johansen, T. A., Shorten, R., and Murray-Smith, R. (2000). On
the interpretation and identication of dynamic Takagi-Sugeno fuzzy models. IEEE
Trans. Fuzzy Syst., 8(3) :297313.
[Johansson et al., 1999] Johansson, M., Rantzer, A., and Årzén, K.-E. (1999). Piecewise
quadratic stability of fuzzy systems. IEEE Trans. Fuzzy Syst., 7(6) :713722.
[Kau et al., 2007] Kau, S.-W., Lee, H.-J., Yang, C.-M., Lee, C.-H., Hong, L., and Fang,
C.-H. (2007). Robust H∞ fuzzy static output feedback control of ts fuzzy systems with
parametric uncertainties. Fuzzy sets and systems, 158(2) :135146.
[Kawamoto et al., 1992] Kawamoto, S., Tada, K., Onoe, N., Ishigame, A., and Taniguchi,
T. (1992). Construction of exact fuzzy system for nonlinear system and its stability
analysis. In 8th Fuzzy System Symposium (in Japanese), pages 517-520.
[Kelly et al., 2006] Kelly, R., Davila, V. S., and Perez, J. A. L. (2006). Control of robot
manipulators in joint space. Springer Science & Business Media.
[Khalil, 2002] Khalil, H. (2002). Nonlinear Systems. Prentice Hall.
[Khalil and Dombre, 2004] Khalil, W. and Dombre, E. (2004). Modeling, identication
and control of robots. Butterworth-Heinemann.
[Khalil et al., 2014] Khalil, W., Vijayalingam, A., Khomutenko, B., Mukhanov, I., Le-
moine, P., and Ecorchard, G. (2014). Opensymoro : An open-source software package
for symbolic modelling of robots. In 2014 IEEE/ASME International Conference on
Advanced Intelligent Mechatronics, pages 12061211. IEEE.
[Khatib, 1987] Khatib, O. (1987). A unied approach for motion and force control of
robot manipulators : The operational space formulation. IEEE Journal on Robotics
and Automation, 3(1) :4353.
[Kiguchi and Fukuda, 1997] Kiguchi, K. and Fukuda, T. (1997). Intelligent position/force
controller for industrial robot manipulators-application of fuzzy neural networks. IEEE
Transactions on Industrial Electronics, 44(6) :753761.
[Kurfess, 2004] Kurfess, T. R. (2004). Robotics and automation handbook. CRC press.
[Lee et al., 2001] Lee, K. R., Jeung, E. T., and Park, H. B. (2001). Robust fuzzy H∞
control for uncertain nonlinear systems via state feedback : an LMI approach. Fuzzy
Sets and Systems, 120(1) :123134.
[Lee and Khalil, 1997] Lee, K. W. and Khalil, H. K. (1997). Adaptive output feed-
back control of robot manipulators using high-gain observer. International Journal
of Control, 67(6) :869886.
[Lefeber, 2000] Lefeber, A. A. J. (2000). Tracking control of nonlinear mechanical systems.
Universiteit Twente Eindhove, The Netherlands.
[Lendek et al., 2011] Lendek, Z., Guerra, T. M., Babuska, R., and De Schutter, B. (2011).
Stability analysis and nonlinear observer design using Takagi-Sugeno fuzzy models.
Springer.
[Li et al., 2001] Li, W., Chang, X., Wahl, F. M., and Farrell, J. (2001). Tracking control
of a manipulator under uncertainty by fuzzy p+ id controller. Fuzzy Sets and Systems,
122(1) :125137.
[Lindner et al., 2016] Lindner, L., Sergiyenko, O., Rodríguez-Quiñonez, J. C., Rivas-
Lopez, M., Hernandez-Balbuena, D., Flores-Fuentes, W., Natanael Murrieta-Rico, F.,
and Tyrsa, V. (2016). Mobile robot vision system using continuous laser scanning for
industrial application. Industrial Robot : An International Journal, 43(4) :360369.

108
[Liu and Zhang, 2003] Liu, X. and Zhang, Q. (2003). New approaches to H∞ control-
ler designs based on fuzzy observers for T-S fuzzy systems via LMI. Automatica,
39(9) :15711582.
[Llama et al., 2000] Llama, M. A., Kelly, R., and Santibanez, V. (2000). Stable computed-
torque control of robot manipulators via fuzzy self-tuning. IEEE Trans. Syst., Man,
Cybern. B, 30(1) :143150.
[Löfberg, 2004] Löfberg, J. (2004). YALMIP : A toolbox for modeling and optimization in
Matlab. In IEEE Int. Symp. Comput. Aided Control Syst. Des., pages 284289, Taipei.
[Lu et al., 2017] Lu, X.-G., Liu, M., and Liu, J.-X. (2017). Design and optimization of
interval type-2 fuzzy logic controller for delta parallel robot trajectory control. Int. J.
Fuzzy Syst., 19(1) :190206.
[Luenberger, 1977] Luenberger, D. (1977). Dynamic equations in descriptor form. IEEE
Trans. Autom. Control, 22(3) :312321.
[Ma et al., 1998] Ma, X.-J., Sun, Z.-Q., and He, Y.-Y. (1998). Analysis and design of
fuzzy controller and fuzzy observer. IEEE Trans. Fuzzy Syst., 6(1) :4151.
[Makarov et al., 2016] Makarov, M., Grossard, M., Rodríguez-Ayerbe, P., and Dumur, D.
(2016). Modeling and preview H∞ control design for motion control of elastic-joint
robots with uncertainties. IEEE Trans. Ind. Electron., 63(10) :64296438.
[Mamdani and Assilian, 1975] Mamdani, E. and Assilian, S. (1975). An experiment in
linguistic synthesis with a fuzzy logic controller. International Journal of Man-Machine
Studies, 7(1) :113.
[Middletone and Goodwin, 1986] Middletone, R. and Goodwin, G. (1986). Adaptive com-
puted torque control for rigid link manipulators. In 25th IEEE Conf. on Decision and
Control, volume 25, pages 6873. IEEE.
[Mohammadi et al., 2013] Mohammadi, A., Tavakoli, M., Marquez, H. J., and Hashemza-
deh, F. (2013). Nonlinear disturbance observer design for robotic manipulators. Control
Engineering Practice, 21(3) :253267.
[Morère, 2001] Morère, Y. (2001). Mise en ÷uvre de lois de commande pour les modèles
ous de type Takagi-Sugeno. PhD thesis, Valenciennes.
[Mozelli et al., 2009] Mozelli, L. A., Palhares, R. M., Souza, F., and Mendes, E. M. (2009).
Reducing conservativeness in recent stability conditions of ts fuzzy systems. Automatica,
45(6) :15801583.
[Nguyen et al., 2018] Nguyen, A.-T., Chevrel, P., and Claveau, F. (2018). Gain-scheduled
static output feedback control for saturated LPV systems with bounded parameter
variations. Automatica, 89 :420424.
[Nguyen et al., 2019a] Nguyen, A.-T., Guerra, T., and Campos, V. (2019a). Simultaneous
estimation of state and unknown input with l∞ guarantee on error-bounds for fuzzy
descriptor systems. IEEE Control Systems Letters, 3(4) :10201025.
[Nguyen et al., 2016] Nguyen, A.-T., Laurain, T., Palhares, R., Lauber, J., Sentouh, C.,
and Popieul, J.-C. (2016). LMI-based control synthesis of constrained Takagi-Sugeno
fuzzy systems subject to L2 or L∞ disturbances. Neurocomputing, 207 :793804.
[Nguyen et al., 2017a] Nguyen, A.-T., Márquez, R., and Dequidt, A. (2017a). An aug-
mented system approach for LMI-based control design of constrained Takagi-Sugeno
fuzzy systems. Eng. Appl. Artif. Intell., 61 :96102.

109
[Nguyen et al., 2017b] Nguyen, A.-T., Sentouh, C., and Popieul, J.-C. (2017b). Driver-
automation cooperative approach for shared steering control under multiple system
constraints : Design and experiments. IEEE Trans. Ind. Electron., 64(5) :38193830.
[Nguyen et al., 2017c] Nguyen, A.-T., Tanaka, K., Dequidt, A., and Dambrine, M.
(2017c). Static output feedback design for a class of constrained Takagi-Sugeno fuzzy
systems. J. Franklin Inst., 354(7) :28562870.
[Nguyen et al., 2019b] Nguyen, A.-T., Taniguchi, T., Eciolaza, L., Campos, V., Palhares,
R., and Sugeno, M. (2019b). Fuzzy control systems : Past, present and future. IEEE
Comput. Intell. Mag., 14(1) :5668.
[Nikdel et al., 2016] Nikdel, N., Badamchizadeh, M., Azimirad, V., and Nazari, M. A.
(2016). Fractional-order adaptive backstepping control of robotic manipulators in the
presence of model uncertainties and external disturbances. IEEE Transactions on In-
dustrial Electronics, 63(10) :62496256.
[Nocks, 2007] Nocks, L. (2007). The robot : the life story of a technology. Greenwood
Publishing Group.
[Nojavanzadeh and Badamchizadeh, 2016] Nojavanzadeh, D. and Badamchizadeh, M.
(2016). Adaptive fractional-order non-singular fast terminal sliding mode control for
robot manipulators. IET Control Theory Appl., 10(13) :15651572.
[Ohtake et al., 2003] Ohtake, H., Tanaka, K., and Wang, H. O. (2003). Fuzzy modeling
via sector nonlinearity concept. Integr Comput-Aid E, 10(4) :333341.
[O'Regan, 2015] O'Regan, G. (2015). Unimation. In Pillars of Computing, pages 219223.
Springer.
[Ortega et al., 1998] Ortega, R., Loría, A., Nicklasson, P. J., and Sira-Ramírez, H. (1998).
Passivity-based Control of Euler-Lagrange Systems. Springer.
[Ouyang et al., 2014] Ouyang, P., Acob, J., and Pano, V. (2014). PD with sliding mode
control for trajectory tracking of robotic system. Robot. Comput. Integr. Manuf.,
30(2) :189200.
[Paccot et al., 2009] Paccot, F., Andre, N., and Martinet, P. (2009). A review on the
dynamic control of parallel kinematic machines : Theory and experiments. The Inter-
national Journal of Robotics Research, 28(3) :395416.
[Pan et al., 2018] Pan, Y., Wang, H., Li, X., and Yu, H. (2018). Adaptive command-
ltered backstepping control of robot arms with compliant actuators. IEEE Trans.
Control Syst. Technol., 26(3) :11491156.
[Pervozvanski and Freidovich, 1999] Pervozvanski, A. A. and Freidovich, L. B. (1999).
Robust stabilization of robotic manipulators by pid controllers. Dynamics and Control,
9(3) :203222.
[Petersen, 1987] Petersen, I. R. (1987). A stabilization algorithm for a class of uncertain
linear systems. Syst. Control Lett., 8(4) :351357.
[Rhee and Won, 2006] Rhee, B.-J. and Won, S. (2006). A new fuzzy Lyapunov function
approach for a Takagi-Sugeno fuzzy control system design. Fuzzy Sets and Systems,
157(9) :12111228.
[Sala and Ariño, 2007] Sala, A. and Ariño, C. (2007). Asymptotically necessary and su-
cient conditions for stability and performance in fuzzy control : Applications of Polya's
theorem. Fuzzy Sets and Systems, 158(24) :26712686.

110
[Sala and Ariño, 2009] Sala, A. and Ariño, C. (2009). Polynomial fuzzy models for non-
linear control : A Taylor series approach. IEEE Trans. Fuzzy Syst., 17(6) :12841295.
[Sala et al., 2005] Sala, A., Guerra, T. M., and Babu²ka, R. (2005). Perspectives of fuzzy
systems and control. Fuzzy Sets and Systems, 156(3) :432444.
[Sariyildiz et al., 2018] Sariyildiz, E., Sekiguchi, H., Nozaki, T., Ugurlu, B., and Ohnishi,
K. (2018). A stability analysis for the acceleration-based robust position control of robot
manipulators via disturbance observer. IEEE/ASME Transactions on Mechatronics,
23(5) :23692378.
[Sciavicco and Siciliano, 2012] Sciavicco, L. and Siciliano, B. (2012). Modelling and
control of robot manipulators. Springer Science & Business Media.
[Shah et al., 2015] Shah, J., Rattan, S., and Nakra, B. (2015). Dynamic analysis of two
link robot manipulator for control design using computed torque control. International
Journal of Research in Computer Applications and Robotics, 3(1) :5259.
[Shamma and Cloutier, 1993] Shamma, J. S. and Cloutier, J. R. (1993). Gain-scheduled
missile autopilot design using linear parameter varying transformations. J. Guid.
Control Dyn., 16(2) :256263.
[Siciliano and Khatib, 2016] Siciliano, B. and Khatib, O. (2016). Springer handbook of
robotics. Springer.
[Siciliano et al., 2010] Siciliano, B., Sciavicco, L., Villani, L., and Oriolo, G. (2010). Ro-
botics : modelling, planning and control. Springer Science & Business Media.
[Slotine and Li, 1991] Slotine, J. J. and Li, W. (1991). Applied Nonlinear Control. Pren-
tice Hall.
[Slotine and Sastry, 1983] Slotine, J.-J. and Sastry, S. S. (1983). Tracking control of non-
linear systems using sliding surfaces, with application to robot manipulators. Interna-
tional journal of control, 38(2) :465492.
[Slotine and Weiping, 1988] Slotine, J.-J. and Weiping, L. (1988). Adaptive manipulator
control : A case study. IEEE Trans. Autom. Control, 33(11) :9951003.
[Slotine, 1984] Slotine, J.-J. E. (1984). Sliding controller design for non-linear systems.
International Journal of control, 40(2) :421434.
[Slotine and Li, 1987] Slotine, J.-J. E. and Li, W. (1987). On the adaptive control of
robot manipulators. The international journal of robotics research, 6(3) :4959.
[Sontag and Wang, 1995] Sontag, E. D. and Wang, Y. (1995). On characterizations of
the input-to-state stability property. Syst. Control Lett., 24(5) :351359.
[Sparrow, 2009] Sparrow, R. (2009). Building a better warbot : Ethical issues in the
design of unmanned systems for military applications. Science and Engineering Ethics,
15(2) :169187.
[Spong, 1987] Spong, M. W. (1987). Modeling and control of elastic joint robots. J Dyn
Syst Meas Control, 109(4) :310318.
[Spong and Vidyasagar, 2008a] Spong, M. W. and Vidyasagar, M. (2008a). Robot Dyna-
mics and Control. John Wiley & Sons.
[Spong and Vidyasagar, 2008b] Spong, M. W. and Vidyasagar, M. (2008b). Robot dyna-
mics and control. John Wiley & Sons.
[Springer, 2013] Springer, P. J. (2013). Military robots and drones : a reference handbook.
ABC-CLIO.

111
[Takagi and Sugeno, 1985] Takagi, T. and Sugeno, M. (1985). Fuzzy identication of
systems and its applications to modeling and control. IEEE Trans. Syst., Man, Cybern.
B, 15(1) :116132.
[Tanaka et al., 2003] Tanaka, K., Hori, T., and Wang, H. O. (2003). A multiple Lyapunov
function approach to stabilization of fuzzy control systems. IEEE Trans. Fuzzy Syst.,
11(4) :582589.
[Tanaka et al., 1998] Tanaka, K., Ikeda, T., and Wang, H. O. (1998). Fuzzy regulators
and fuzzy observers : relaxed stability conditions and LMI-based designs. IEEE Trans.
Fuzzy Syst., 6(2) :250265.
[Tanaka et al., 2007] Tanaka, K., Ohtake, H., and Wang, H. O. (2007). A descriptor
system approach to fuzzy control system design via fuzzy Lyapunov functions. IEEE
Trans. Fuzzy Syst., 15(3) :333341.
[Tanaka and Sugeno, 1992] Tanaka, K. and Sugeno, M. (1992). Stability analysis and
design of fuzzy control systems. Fuzzy Sets and Systems, 45(2) :135156.
[Tanaka and Wang, 2004] Tanaka, K. and Wang, H. O. (2004). Fuzzy Control Systems
Design and Analysis : A Linear Matrix Inequality Approach. John Wiley & Sons.
[Taniguchi et al., 2001] Taniguchi, T., Tanaka, K., Ohtake, H., and Wang, H. O. (2001).
Model construction, rule reduction, and robust compensation for generalized form of
Takagi-Sugeno fuzzy systems. IEEE Trans. Fuzzy Syst., 9(4) :525538.
[Taniguchi et al., 2000] Taniguchi, T., Tanaka, K., and Wang, H. O. (2000). Fuzzy des-
criptor systems and nonlinear model following control. IEEE Trans. Fuzzy Syst.,
8(4) :442452.
[Taniguchi et al., 1999] Taniguchi, T., Tanaka, K., Yamafuji, K., and Wang, H. O. (1999).
Fuzzy descriptor systems : stability analysis and design via LMIs. In American Control
Conference, volume 3, pages 18271831. IEEE.
[Tognetti et al., 2011] Tognetti, E. S., Oliveira, R. C. L. F., and Peres, P. L. D. (2011).
Selective H2 and H∞ stabilization of TakagiSugeno fuzzy systems. IEEE Trans. Fuzzy
Syst., 19(5) :890900.
[Toh et al., 1999] Toh, K., Todd, M., and Tutuncu, R. (1999). SDPT3  a Matlab soft-
ware package for semidenite programming, version 1.3. Optimization Methods and
Software, 11 :545581.
[Tomei, 2000] Tomei, P. (2000). Robust adaptive friction compensation for tracking
control of robot manipulators. IEEE Trans. Autom. Control, 45(11) :21642169.
[Tsai et al., 2007] Tsai, C.-C., Cheng, M.-B., and Lin, S.-C. (2007). Robust tracking
control for a wheeled mobile manipulator with dual arms using hybrid sliding-mode
neural network. Asian J. Control, 9(4) :377389.
[Tuan et al., 2001] Tuan, H., Apkarian, P., Narikiyo, T., and Yamamoto, Y. (2001). Pa-
rameterized linear matrix inequality techniques in fuzzy control system design. IEEE
Trans. Fuzzy Syst., 9(2) :324332.
[van der Schaft, 1992] van der Schaft, A. J. (1992). L2 -gain analysis of nonlinear systems
and nonlinear state-feedback H∞ control. IEEE Trans. Autom. Control, 37(6) :770784.
[Vermeiren et al., 2012] Vermeiren, L., Dequidt, A., Afroun, M., and Guerra, T.-M.
(2012). Motion control of planar parallel robot using the fuzzy descriptor system ap-
proach. ISA Trans., 51(5) :596608.

112
[Wang et al., 2013] Wang, H., Peng, L.-Y., Ju, H.-H., and Wang, Y.-L. (2013). H∞ state
feedback controller design for continuous-time T-S fuzzy systems in nite frequency
domain. Information Sciences, 223 :221235.
[Wang et al., 1996] Wang, H., Tanaka, K., and Grin, M. (1996). An approach to fuzzy
control of nonlinear systems : stability and design issues. IEEE Trans. Fuzzy Syst.,
4(1) :1423.
[Wang et al., 2019] Wang, J., Ma, S., and Zhang, C. (2019). Finite-time H∞ control for
T-S fuzzy descriptor semi-Markov jump systems via static output feedback. Fuzzy Sets
Syst., 365 :6080.
[Whitcomb et al., 1996] Whitcomb, L., Arimoto, S., Naniwa, T., and Ozaki, F. (1996).
Experiments in adaptive model-based force control. IEEE Control Systems, 16(1) :49
57.
[Wu and Cai, 2006] Wu, H.-N. and Cai, K.-Y. (2006). H2 guaranteed cost fuzzy control
design for discrete-time nonlinear systems with parameter uncertainty. Automatica,
42(7) :11831188.
[Xiao et al., 2019] Xiao, B., Yang, X., Karimi, H. R., and Qiu, J. (2019). Asymptotic
tracking control for a more representative class of uncertain nonlinear systems with
mismatched uncertainties. IEEE Transactions on Industrial Electronics.
[Xiao and Yin, 2018] Xiao, B. and Yin, S. (2018). Exponential tracking control of ro-
botic manipulators with uncertain dynamics and kinematics. IEEE Transactions on
Industrial Informatics, 15(2) :689698.
[Xu et al., 2016] Xu, J., Shi, P., Lim, C.-C., and Cai, C. (2016). A descriptor-system
approach for nite-frequency H∞ control of singularly perturbed systems. Information
Sciences, 370 :7991.
[Yeung and Chen, 1988] Yeung, K. S. and Chen, Y. P. (1988). A new controller design
for manipulators using the theory of variable structure systems. IEEE Trans. Autom.
Control, 33(2) :200206.
[Yim et al., 2003] Yim, M., Roufas, K., Du, D., Zhang, Y., Eldershaw, C., and Homans,
S. (2003). Modular recongurable robots in space applications. Autonomous Robots,
14(2-3) :225237.
[Yoneyama, 2006] Yoneyama, J. (2006). Robust H∞ control analysis and synthesis for
Takagi-Sugeno general uncertain fuzzy systems. Fuzzy Sets and Systems, 157(16) :2205
2223.
[Yoneyama, 2007] Yoneyama, J. (2007). Robust stability and stabilization for uncertain
Takagi-Sugeno fuzzy time-delay systems. Fuzzy Sets and Systems, 158(2) :115134.
[Yoneyama and Ichikawa, 1999] Yoneyama, J. and Ichikawa, A. (1999). H∞ -control for
Takagi-Sugeno fuzzy descriptor systems. In IEEE Int. Conf. on Systems, Man, and
Cybernetics, volume 3, pages 2833. IEEE.
[Zadeh, 1965] Zadeh, L. A. (1965). Information and control. Fuzzy Sets and Systems,
8(3) :338353.
[Zhihong et al., 1994] Zhihong, M., Paplinski, A. P., and Wu, H. R. (1994). A robust
mimo terminal sliding mode control scheme for rigid robotic manipulators. IEEE Trans.
Autom. Control, 39(12) :24642469.
[Zhiyong and Tian, 2004] Zhiyong, Y. and Tian, H. (2004). A new method for tuning pid
parameters of a 3 dof recongurable parallel kinematic machine. In IEEE International

113
 Conference on Robotics and Automation, 2004. Proceedings. ICRA'04. 2004, volume 3,
pages 22492254. IEEE.
[Zhou et al., 2018] Zhou, Q., Zhao, S., Li, H., Lu, R., and Wu, C. (2018). Adaptive neural
network tracking control for robotic manipulators with dead zone. IEEE transactions
on neural networks and learning systems.

114
Table des gures
1.1 Une scène de R.U.R. montrant les trois robots. . . . . . . . . . . . . . . . . 12
1.2 Le robot Unimate. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3 Applications de robots manipulateurs . . . . . . . . . . . . . . . . . . . . . 14
1.4 Composition d'un robot industriel. . . . . . . . . . . . . . . . . . . . . . . 15
1.5 Génération de trajectoire et commande dans l'espace opérationnel. . . . . . 17
1.6 Génération de trajectoire dans l'espace opérationnel et commande dans
l'espace articulaire. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.7 Un robot de 2ddl. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.8 Modèle Simscape/Multibody (1G) du manipulateur 2ddl rigide. . . . . . . 21
1.9 Description d'un robot manipulateur à 2 degrés de liberté. . . . . . . . . . 24
1.10 Modèle Simscape/Multibody (1G) du manipulateur 2ddl à articulations
exibles. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.11 Schéma de principe de la commande PID . . . . . . . . . . . . . . . . . . . 28
1.12 Commande PID avec anticipation linéaire. . . . . . . . . . . . . . . . . . . 29
1.13 Commande PID avec anticipation non linéaire. . . . . . . . . . . . . . . . . 31
2.1 Commande PDC avec action intégrale. . . . . . . . . . . . . . . . . . . . . 51
3.1 Référence : axe mécanique linéaire i. . . . . . . . . . . . . . . . . . . . . . 66
3.2 Trajectoires de l'eecteur pour le cas 1. Référence (noir solide), trajectoire
avec le correcteur à 32 règles (bleu), trajectoire avec le correcteur à 4 règles
(rouge). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.3 Force extérieure Fe (t) (cas 2). Composantes verticale (en bleu) et horizon-
tale (en rouge) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.4 Erreurs de circularité (cas 1) : correcteur à 32 règles (bleu), à 4 règles
(rouge). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.5 Erreurs de circularité pour le correcteur à 32 règles (en bleu) et le correcteur
à 4 règles (en rouge). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.6 Couples des actionneurs (Cas 1). . . . . . . . . . . . . . . . . . . . . . . . 71
3.7 Vitesse des articulations (Cas 1). . . . . . . . . . . . . . . . . . . . . . . . 71
4.1 Schéma de commande proposé. . . . . . . . . . . . . . . . . . . . . . . . . 75
4.2 Erreurs de circularité pour le cas nominal . . . . . . . . . . . . . . . . . . . 84
4.3 Erreurs de circularité pour le 2e cas. . . . . . . . . . . . . . . . . . . . . . 85
4.4 Couple moteur Γ1 pour le 1er cas. . . . . . . . . . . . . . . . . . . . . . . . 86
4.5 Couple moteur Γ2 pour le 1er cas. . . . . . . . . . . . . . . . . . . . . . . . 86
4.6 Erreur de position de l'articulation 1 pour le 1er cas. . . . . . . . . . . . . 86
4.7 Erreur de position de l'articulation 2 pour le 1er cas. . . . . . . . . . . . . 86
4.8 Erreur de vitesse de l'articulation 1 pour le 1er cas. . . . . . . . . . . . . . 87
4.9 Erreurs de vitesse de l'articulation 2 pour le 1er cas. . . . . . . . . . . . . . 87

115
4.10 Couple moteur Γ1 dans le cas avec la perturbation externe. . . . . . . . . . 87
4.11 Couple moteur Γ2 dans le cas avec la perturbation externe. . . . . . . . . . 87
4.12 Erreur de position de l'articulation 1 dans le cas avec la perturbation externe. 87
4.13 Erreur de position de l'articulation 2 dans le cas avec la perturbation externe. 87
4.14 Erreur de vitesse de l'articulation 1 dans le cas avec la perturbation externe. 88
4.15 Erreurs de vitesse de l'articulation 2 dans le cas avec la perturbation externe. 88
5.1 Schéma de principe de la commande CTC. . . . . . . . . . . . . . . . . . . 91
5.2 Erreur de circularité maximale en fonction du temps de parcours imposé
 cas nominal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
5.3 Erreur de circularité moyenne en fonction du temps de parcours imposé 
cas nominal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
5.4 Erreur de circularité maximale en fonction du temps de parcours imposé
 cas avec perturbation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
5.5 Erreur de circularité moyenne en fonction du temps de parcours imposé 
cas avec perturbation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
5.6 Erreurs de circularité. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.7 Erreurs de position de l'articulation 1. . . . . . . . . . . . . . . . . . . . . 94
5.8 Erreurs de position de l'articulation 2. . . . . . . . . . . . . . . . . . . . . 94
5.9 Erreurs de vitesse de l'articulation 1. . . . . . . . . . . . . . . . . . . . . . 95
5.10 Erreurs de vitesse de l'articulation 2. . . . . . . . . . . . . . . . . . . . . . 95
5.11 Couples Γ1 (1er actionneur). . . . . . . . . . . . . . . . . . . . . . . . . . . 96
5.12 Couples Γ2 (2nd actionneur). . . . . . . . . . . . . . . . . . . . . . . . . . . 96
5.13 Erreurs de circularité. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
5.14 Erreurs de position de l'articulation 1. . . . . . . . . . . . . . . . . . . . . 97
5.15 Erreurs de position de l'articulation 2. . . . . . . . . . . . . . . . . . . . . 97
5.16 Erreurs de vitesse de l'articulation 1. . . . . . . . . . . . . . . . . . . . . . 97
5.17 Erreurs de vitesse de l'articulation 2. . . . . . . . . . . . . . . . . . . . . . 97
5.18 Couples Γ1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
5.19 Couples Γ2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98

116
Liste des tableaux
1.1 Nomenclature du robot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.1 Coûts de calcul. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.1 Valeurs de ERM et ERmav pour le 1er cas . . . . . . . . . . . . . . . . . . . 85
4.2 Valeurs de ERM et ERmav pour le 2e cas . . . . . . . . . . . . . . . . . . . 85
5.1 valeurs moyennes absolues et maximales des erreurs de suivi des deux ar-
ticulations (en gras : plus petite valeur, en italique : deuxième meilleure
valeur) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
5.2 Couples maximaux et ecaces (en gras : plus petite valeur, en italique
deuxième meilleure valeur) . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
5.3 valeurs moyennes absolues et maximales des erreurs de suivi des deux ar-
ticulations (en gras : plus petite valeur, en italique : deuxième meilleure
valeur) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
5.4 Couples maximaux et ecaces (en gras : plus petite valeur, en italique
deuxième meilleure valeur) . . . . . . . . . . . . . . . . . . . . . . . . . . . 98

117