Estimateur d’ordre réduit de la vitesse d’un quadrirotor. Application à la détection de défaut des accéléromètres. GT UAV - Inter GdR MACS-Robotique Paris Hugues R AFARALAHY [email protected] M. Boutayeb, H. Rafaralahy, E. Richard and M. Zasadzinski Jeudi 26 mars 2009 Plan CRAN Modèle du quadrirotor Position du problème 1 Modèle du quadrirotor Synthèse de l’observateur : estimation de la vitesse linéaire 2 Position du problème Estimation simultanée de la vitesse et des défauts de capteur 3 Synthèse de l’observateur : estimation de la vitesse linéaire Simulations numériques 4 Simulations numériques 5 Estimation simultanée de la vitesse et des défauts de capteur 6 Simulations numériques Simulations numériques Représentation du Quadrirotor CRAN Modèle du quadrirotor Position du problème w1 Synthèse de l’observateur : estimation de la vitesse linéaire w2 w4 Simulations numériques G Estimation simultanée de la vitesse et des défauts de capteur w3 Simulations numériques ~1 E ~2 E O Ri ~3 E ~e1 Rb~e2 ~e3 CRAN Modèle du quadrirotor Position du problème Synthèse de l’observateur : estimation de la vitesse linéaire Simulations numériques Estimation simultanée de la vitesse et des défauts de capteur Simulations numériques UAV : modèle dynamique Angles de Cardan −→ mesurés 8 > < Φ̇ = p + q tan θ sin Φ + r tan θ cos Φ θ̇ = q cos Φ − r sin Φ > : ψ̇ = q sin Φ + r cos Φ cos θ cos θ Vitesse angulaire −→ mesurée 8 > > ṗ = − Izz − Iyy qr + τΦ > > Ixx Ixx > < Ixx − Izz τθ q̇ = − pr + I I > yy yy > > > I − Ixx τψ > : ṙ = − yy pq + Izz Izz Vitesse linéaire −→ non mesurée −→ accélération mesurée 8 > < u̇ = −qw + rv − g sin θ v̇ = −ru + pw + g sin Φ cos θ > : ẇ = −pv + qu + g cos Φ cos θ − T m (1) (2) (3) Position du problème CRAN Modèle du quadrirotor Position du problème Synthèse de l’observateur : estimation de la vitesse linéaire Les variables mesurées les angles de Cardan η = (Φ , θ , ψ)T , → la vitesse angulaire − ω = (p , q , r )T , l’accélération (u̇, v̇ , ẇ)T Simulations numériques Estimation simultanée de la vitesse et des défauts de capteur Simulations numériques −→ Les composantes de l’état des sous-systèmes (1) et (2) sont mesurées. Position du problème Problème 1 : estimer la vitesse x = (u, v , w)T en utilisant la dynamique de la vitesse (3) et les mesures de trois (observateur 1) ou deux (observateur 2) composantes de l’accélération (Problème initialement posé par Benzemrane et al., ACC07). Problème 2 : utiliser l’estimateur précédent pour détecter, isoler et estimer les défauts des accéléromètres. Problème 1 : 3 accélérations mesurées CRAN Modèle du quadrirotor Position du problème Synthèse de l’observateur : estimation de la vitesse linéaire Prenant en compte les variables mesurées, le système (3) s’écrit : Modèle réduit avec mesure des 3 accélérations ẋ(t) y (t) Simulations numériques Estimation simultanée de la vitesse et des défauts de capteur avec = = 0 A(t)x(t) + b(t) ẋ(t) 0 A(t) = @ −r q Simulations numériques et r 0 −p (4) 1 −q p A 0 0 −g sin θ g sin Φ cos θ b(t) = @ g cos Φ cos θ − 1 T m A Hypothèses CRAN Modèle du quadrirotor Position du problème Synthèse de l’observateur : estimation de la vitesse linéaire Hypothèse 1 − → → → ω (t), −̇ ω (t) et −̈ ω (t) sont bornés. Simulations numériques Estimation simultanée de la vitesse et des défauts de capteur Remark Si l’hypothèse 1 est vérifiée =⇒ les matrices A, Ȧ et Ä sont bornées. Simulations numériques Hypothèse 2 → → Au moins une composante du vecteur − ω ∧ −̇ ω ne tend pas vers zéro asymptotiquement. CRAN Modèle du quadrirotor Position du problème Observateur 1 : 3 composantes accélérations mesurées Considérons l’observateur suivant Observateur 1 ˙ x̂(t) = N(t)x̂(t) + M(t)b(t) + K (t)y (t) Synthèse de l’observateur : estimation de la vitesse linéaire (5) Simulations numériques Estimation simultanée de la vitesse et des défauts de capteur Simulations numériques Proposition 1 Si les hypothèses 1 et 2 sont vérifiées, et si les matrices N(t), M(t) et K (t) sont choisies telles que N(t) = −γAT (t)A(t) (6a) M(t) = −γAT (t) (6b) K (t) = I + γAT (t) (6c) où γ est un paramètre de synthèse strictement positif, alors l’origine de l’erreur d’observation est asymptotiquement stable. Démonstration : observateur 1 CRAN Modèle du quadrirotor Position du problème Synthèse de l’observateur : estimation de la vitesse linéaire Simulations numériques Estimation simultanée de la vitesse et des défauts de capteur Simulations numériques Esquisse de démonstration. La dynamique de l’erreur d’observation = x − x̂ s’écrit ˙ = N + (A − N − KA)x + (I − M − K )b (7) Les conditions de non biais A − N − KA = 0 I−M −K = 0 sont satisfaites si les matrices N(t), M(t) et K (t) sont choisies comme dans (6) =⇒ Dynamique de l’erreur d’estimation (t) ˙ = −γA> (t)A(t)(t) (8) Démonstration : observateur 1 (suite) CRAN Modèle du quadrirotor Position du problème Synthèse de l’observateur : estimation de la vitesse linéaire Fonction de Lyapunov candidate V () = > Simulations numériques Estimation simultanée de la vitesse et des défauts de capteur Dérivée de V () le long de (8) =⇒ V̇ () = −2γkAk2 ≤ 0 Simulations numériques Stabilité asymptotique de l’erreur d’observation Utiliser le lemme de Barbalat 2 fois : 1 V̇ () → 0 2 →0 (9) Démonstration : observateur 1 (suite) CRAN Modèle du quadrirotor Position du problème Synthèse de l’observateur : estimation de la vitesse linéaire Simulations numériques Estimation simultanée de la vitesse et des défauts de capteur V̇ () ≤ 0 =⇒ V () → ` pour t → ∞ où ` est une valeur finie. =⇒ (t) borné. Dérivée V̇ () le long de (8) V̈ () = 4γ 2 > A> AA> A − 4γ> Ȧ> A. Hypothèse 1 et (t) bornée Simulations numériques =⇒ =⇒ V̈ () V̇ () bornée (9) =⇒ =⇒ bornée uniformément continue. Lemme de Barbalat V̈ () V̇ () = −2γkAk2 ≤ 0 V̇ () → 0 A(t)(t) → 0 Démonstration : observateur 1 (suite) CRAN Modèle du quadrirotor Position du problème Synthèse de l’observateur : estimation de la vitesse linéaire Simulations numériques Estimation simultanée de la vitesse et des défauts de capteur Dérivée de ϕ(t) = A(t)(t) : ϕ̇(t) = (Ȧ − γAA> A) ϕ̈(t) = (Ä − 2γ ȦA> A − γAȦ> A − γAA> Ȧ). A(t) , Ȧ(t) , Ä(t) , (t) bornée =⇒ =⇒ ϕ̈(t) ϕ̇(t) Simulations numériques Lemme de Barbalat ϕ(t) → 0 et ϕ̇(t) uniformément continues =⇒ ϕ̇(t) = (Ȧ − γAA> A) → 0 . Comme ϕ̇(t) → 0 et A → 0 =⇒ Ȧ → 0. bornée uniformément continue. CRAN Modèle du quadrirotor Position du problème Synthèse de l’observateur : estimation de la vitesse linéaire Simulations numériques Estimation simultanée de la vitesse et des défauts de capteur Simulations numériques Démonstration : observateur 1 (suite et fin) Réécriture des deux conditions A → 0 et Ȧ → 0 8 → 0 < r (t)2 (t) − q(t)3 (t) −r (t)1 (t) + p(t)3 (t) → 0 : q(t)1 (t) − p(t)2 (t) → 0 8 → 0 < ṙ (t)2 (t) − q̇(t)3 (t) −ṙ (t)1 (t) + ṗ(t)3 (t) → 0 : q̇(t)1 (t) − ṗ(t)2 (t) → 0 (10) (11) Relations (10) et (11) =⇒ (q(t)ṙ (t) − q̇(t)r (t))3 (t) → 0. → → Hypothèse 2 : − ω ∧ −̇ ω 6→ 0 =⇒ q(t)ṙ (t) − q̇(t)r (t) 6→ 0 =⇒ 3 → 0. 3 (t) → 0 et relation (10) =⇒ 1 (t) → 0 et 2 (t) → 0. Le même raisonnement peut être utilisé pour les autres → → composantes du vecteur − ω ∧ −̇ ω =⇒ stabilité asymptotique de l’erreur d’observation. Problème 1 : 2 composantes accélérations mesurées CRAN Modèle du quadrirotor Modèle Position du problème ẋ(t) y (t) = A(t)x(t) + b(t) = C ẋ(t) „ « 1 0 0 C= 0 1 0 Synthèse de l’observateur : estimation de la vitesse linéaire Simulations numériques Estimation simultanée de la vitesse et des défauts de capteur Simulations numériques (12) (13) Observateur 2 ˙ x̂(t) = N(t)x̂(t) + M(t)b(t) + K (t)y (t) 0 1 0 1 A −q/r (14) L(t) = 1 @ 0 −p/r K (t) = L + γAT (t)C T (15b) N(t) = A(t) − K (t)CA(t) (15c) M(t) = I − K (t)C (15d) (15a) Simulations nuériques CRAN Modèle du quadrirotor Position du problème Synthèse de l’observateur : estimation de la vitesse linéaire Simulations numériques Estimation simultanée de la vitesse et des défauts de capteur Simulations numériques Paramètres du quadrirotor (Benzemrane, Santossuosso, Damm, ACC07) : m = 2.5 kg, Ixx = 224931 10−7 kg.m2 , Iyy = 222611 10−7 kg.m2 Izz = 325130 10−7 kg.m2 . Les figures syuivantes représentent les erreurs d’observation i (ième composante de ) pour différents cas cas 1 : Observateur 1, bruit Gaussien sur les mesures (écart type : 1, moyenne : 0) (figures 1 à 3) cas 2 : Observateur 2, bruit Gaussien sur les mesures (écart type : 1, moyenne : 0) (figures 4 à 6) CRAN Modèle du quadrirotor Observateur 1 : 3 accélérations mesurées, bruit gaussien 2.5 Position du problème Synthèse de l’observateur : estimation de la vitesse linéaire 2 1.5 Simulations numériques Estimation simultanée de la vitesse et des défauts de capteur 1 0.5 Simulations numériques 0 -0.5 0 0.1 0.2 0.3 0.4 0.5 time [s] 0.6 0.7 0.8 0.9 1 F IG .: 1 : Erreur d’observation ε1 (t) avec γ = 100 (dynamique rapide) et γ = 50. CRAN Observateur 1 : 3 accélérations mesurées, bruit gaussien Modèle du quadrirotor 4 Position du problème 3.5 Synthèse de l’observateur : estimation de la vitesse linéaire Simulations numériques Estimation simultanée de la vitesse et des défauts de capteur 3 2.5 2 1.5 1 Simulations numériques 0.5 0 -0.5 0 0.1 0.2 0.3 0.4 0.5 time [s] 0.6 0.7 0.8 0.9 1 F IG .: 2 : Erreur d’observation ε2 (t) avec γ = 100 (dynamique rapide) et γ = 50. CRAN Modèle du quadrirotor Observateur 1 : 3 accélérations mesurées, bruit gaussien 0.5 Position du problème Synthèse de l’observateur : estimation de la vitesse linéaire Simulations numériques Estimation simultanée de la vitesse et des défauts de capteur 0 -0.5 -1 Simulations numériques -1.5 -2 0 0.1 0.2 0.3 0.4 0.5 time [s] 0.6 0.7 0.8 0.9 1 F IG .: 3 : Erreur d’observation ε3 (t) avec γ = 100 (dynamique rapide) et γ = 50. CRAN Modèle du quadrirotor Observateur 2 : 2 accélérations mesurées, bruit gaussien 2 Position du problème Synthèse de l’observateur : estimation de la vitesse linéaire Simulations numériques Estimation simultanée de la vitesse et des défauts de capteur 1.5 1 0.5 Simulations numériques 0 -0.5 0 0.5 1 1.5 time [s] F IG .: 4 : Erreur d’observation ε1 (t) avec γ = 100 (dynamique rapide) et γ = 50. CRAN Modèle du quadrirotor Position du problème Synthèse de l’observateur : estimation de la vitesse linéaire Observateur 2 : 2 accélérations mesurées, bruit gaussien 4 3.5 3 2.5 Simulations numériques Estimation simultanée de la vitesse et des défauts de capteur 2 1.5 1 Simulations numériques 0.5 0 -0.5 0 0.5 1 1.5 time [s] F IG .: 5 : Erreur d’observation ε2 (t) avecγ = 100 (dynamique rapide) et γ = 50. CRAN Modèle du quadrirotor Observateur 2 : 2 accélérations mesurées, bruit gaussien 1 Position du problème Synthèse de l’observateur : estimation de la vitesse linéaire 0.5 0 Simulations numériques Estimation simultanée de la vitesse et des défauts de capteur -0.5 -1 Simulations numériques -1.5 -2 0 0.5 1 1.5 time [s] F IG .: 6 : Erreur d’observation ε3 (t) avec γ = 100 (dynamique rapide) et γ = 50. Problème 2 : formulation dans l’espace d’état CRAN Modèle du quadrirotor Position du problème Synthèse de l’observateur : estimation de la vitesse linéaire Modèle d’état Soit x = (u, v , w)T la vitesse linéaire à estimer et f (t) le vecteur des défauts de capteur ẋ(t) y (t) Simulations numériques A(t)x(t) + b(t) ẋ(t) + f (t) = = (16) Estimation simultanée de la vitesse et des défauts de capteur Simulations numériques 0 0 A(t) = @ −r q r 0 −p 1 −q p A 0 ˆ Les défauts f (t) = f1 (t) variant, f2 (t) 0 −g sin θ g sin Φ cos θ b(t) = @ g cos Φ cos θ − f3 (t) ˜T 1 T m A considérés sont temps et incluent les dérives, les variations de gain ou les biais de capteurs. CRAN Modèle du quadrirotor Position du problème Synthèse de l’observateur : estimation de la vitesse linéaire Simulations numériques Estimation simultanée de la vitesse et des défauts de capteur Simulations numériques Estimation de la vitesse, génération de résidus et estimation des défauts (OGR) Il s’agit de proposer une banque de 3 Observateurs-Générateurs de Résidus (OGR) de la forme (pour i = 1, 2, 3) i ème OGR 8 ˙i > < x̂ (t) (Oi ) ρi (t) > : f̂i (t) = = = Y i (t) Ni (t)x̂ i (t) + Mi (t)b(t) + Ki (t)Y i (t) Qi (t)x̂˙ i (t) + Pi (t)Y i (t) i Y (t) − C i (t)x̂˙ i (t) = (17) i Ci y (t) = Ci ẋ + f (t) i Y (t) = C i y (t) = C i ẋ + fi (t) – » – » – 1 2 3 f2 (t) f1 (t) f1 (t) f (t) = , f (t) = et f (t) = f3 (t) f3 (t) f2 (t) » – » – » – 0 1 0 1 0 0 1 0 0 C1 = C2 = C3 = 0 0 1 0 0 1 0 1 0 ˆ ˜ ˆ ˜ ˆ ˜ 1 0 0 C2 = 0 1 0 C3 = 0 0 1 C1 = » où x̂ i (t), f̂i (t) sont respectivement les estimations de la vitesse x(t) et de la composante fi (t) du défaut et ρi (t) le i ème vecteur des résidus. Décomposition de la mesure des accélerations CRAN Modèle du quadrirotor 1 Les deux premières composantes mesurées de l’accélération Y i (t) sont utilisées pour l’estimation de la vitesse et la génération des résidus (utilisation de l’observateur d’ordre réduit précédent), 2 la mesure de la troisième composante de l’accélération Y (t) est utilisée pour reconstruire le défaut de capteur. Position du problème Synthèse de l’observateur : estimation de la vitesse linéaire Simulations numériques Estimation simultanée de la vitesse et des défauts de capteur Simulations numériques i Si les capteurs mesurant les accélérations Y i (t) sont sans défaut, ⇒ l’erreur d’estimation est asymptotiquement stable, ⇒ les residus correspondant sont nuls, ⇒ l’erreur d’estimation du défaut fi (t) est asymptotiquement stable. dans le cas où un ou deux capteurs mesurant Y i (t) est en défaut, ⇒ les résidus correspondant à cet OGR sont différents de zéro, ⇒ les erreurs d’estimation de l’état et des défauts fournies par cet OGR ne sont pas asymptotiquement stables. ⇒ peut détecter et estimer la vitesse et les défauts de capteur si au plus un capteur en défaut, ⇒ si plusieurs capteurs en défaut, peut seulement détecter la présence des défauts. Schéma de principe de l’OGR (O1 ) CRAN Modèle du quadrirotor Position du problème Synthèse de l’observateur : estimation de la vitesse linéaire Simulations numériques (O1) ! v˙ t + f t $ ( ) 2( )& Y1(t ) = ## & " w˙ (t ) + f 3 (t)% r1 (t ) ˆx 1(t ) Estimation simultanée de la vitesse et des défauts de capteur Simulations numériques Y1 (t )= u˙ (t )+ f1 (t ) fˆ 1 (t ) Synthèse OGR CRAN Modèle du quadrirotor Proposition 2 Position du problème Supposons que les hypothèses 1 et 2 sont vérifiées et si les matrices Ni (t), Mi (t), Ki (t), Qi et Pi sont choisies telles que Synthèse de l’observateur : estimation de la vitesse linéaire Simulations numériques Estimation simultanée de la vitesse et des défauts de capteur Simulations numériques L1 (t) = L3 (t) = Ki (t) = Li + γi AT (t)CiT (18a) Ni (t) = A(t) − Ki (t)Ci A(t) (18b) Mi (t) = I − Ki (t)Ci (18c) Qi = −βi Ci (18d) Pi = βi I 0 1 0 −q/p −r /p 1 @ 1 0 A , L2 (t) = @−p/q 0 1 0 0 1 1 0 @ 0 1 A −p/r −q/r où γi et βi des paramètres de synths̀e alors (18e) 1 0 −r /q A , (19a) 1 (19b) Synthèse OGR CRAN Modèle du quadrirotor Position du problème Synthèse de l’observateur : estimation de la vitesse linéaire Proposition 2 suite 1 Simulations numériques Estimation simultanée de la vitesse et des défauts de capteur Simulations numériques 2 i Si f (t) ≡ 0 (Y i (t) est sans défaut ) l’erreur d’observation i = x − x̂ i est asymptotiquement stable et ρi (t) → 0 et f̂i (t) → fi (t) lorsque t → ∞. i Si f (t) 6= 0 i.e. fj (t) 6= 0 pour j 6= i et fj (t) 6= σ̇j avec σ solution de σ̇(t) = A(t)σ(t) alors ρi (t) 6= 0 et ρi (t) 6→ 0 (σj est la j ème composante de σ). 8 ˙i > < x̂ (t) (Oi ) ρi (t) > : f̂i (t) = = = Ni (t)x̂ i (t) + Mi (t)b(t) + Ki (t)Y i (t) Qi (t)x̂˙ i (t) + Pi (t)Y i (t) i Y (t) − C i (t)x̂˙ i (t) Esquisse de démonstration CRAN Modèle du quadrirotor Position du problème Synthèse de l’observateur : estimation de la vitesse linéaire Esquisse de démonstration Soient i = x − x̂ i l’erreur d’estimation, if (t) = fi (t) − f̂i (t) l’erreur d’estimation des défauts, et ρi (t) le i ème vecteur des résidus. Equations modèle (16) et équations OGR (17) ⇒ ˙i (t) Simulations numériques Estimation simultanée de la vitesse et des défauts de capteur Simulations numériques = + ρi (t) if (t) = = Ni i (t) + (A − Ni − Ki Ci A)x(t) “ ” i (I − Mi − Ki Ci )b(t) − Li + γi AT CiT f (t) ” “ i Pi Ci ˙i (t) + f (t) i −C i ˙ (t) (20) (21) (22) Conditions de non biais A − Ni − K i Ci A = 0 I − Mi − Ki Ci = 0 sont satisfaites si les matrices Ni (t), Mi (t) et Ki (t) sont choisies comme dans (18). Esquisse de démonstration CRAN Modèle du quadrirotor Position du problème Esquisse de démonstration suite Expression de Ki (t) =⇒ Synthèse de l’observateur : estimation de la vitesse linéaire Ni (t) = A(t) − Li (t)Ci A(t) − γi AT (t)CiT Ci A(t) Simulations numériques Choix de Li comme dans (19) =⇒ A(t) − Li (t)Ci A(t) = 0 =⇒ Estimation simultanée de la vitesse et des défauts de capteur Dynamique de l’erreur d’observation “ ” i ˙i (t) = −γi AT (t)CiT Ci A(t)i (t) − Li + γi AT CiT f (t) Simulations numériques Première étape La démonstration se fait en deux étapes. 1 i Si f (t) ≡ 0 alors l’erreur d’observation i = x − x̂ i est asymptotiquement stable, le i ème vecteur des résidus ρi (t) et l’erreur d’estimation des défauts if (t) convergent vers 0. (23) (24) Esquisse de démonstration (suite) CRAN i Modèle du quadrirotor Position du problème Considérons le cas f (t) ≡ 0 =⇒ Dynamique de l’erreur d’observation ˙i (t) = −γi AT (t)CiT Ci A(t)i (t) Synthèse de l’observateur : estimation de la vitesse linéaire Simulations numériques Fonction de Lyapunov candidate V (i ) = iT i Estimation simultanée de la vitesse et des défauts de capteur Simulations numériques (25) Dérivée de V le long de la dynamique de l’erreur d’observation V̇ (i ) = −2γi kCi Ai k2 ≤ 0 1 Lemme de Barbalat −→ V̇ (i ) → 0 lorsque t → ∞, 2 Lemme de Barbalat −→ i (t) → 0 lorsque t → ∞. i Cas f (t) ≡ 0 −→ l’origine de l’erreur d’observation i (t) est asymptotiquement stable. (26) Esquisse de démonstration (suite) CRAN Modèle du quadrirotor Position du problème Synthèse de l’observateur : estimation de la vitesse linéaire Simulations numériques Estimation simultanée de la vitesse et des défauts de capteur Simulations numériques Résidus et erreur d’estimation des défauts ρi (t) = −βi γi Ci AT (t)CiT Ci A(t)i (t) (27) if (t) = γi C i AT (t)CiT Ci A(t)i (t) (28) i Relations (27) et (28) (cas f (t) ≡ 0), i → 0 =⇒ if → 0 i → 0 =⇒ ρi → 0 i Cas f (t) 6= 0 : défauts de capteurs fpk non detectable ? CRAN Modèle du quadrirotor Position du problème Synthèse de l’observateur : estimation de la vitesse linéaire i Considérons le cas f (t) 6= 0 i.e. au moins un défaut fj 6= 0 pour j 6= i −→ Résidus i ρi (t) = Si (t)i (t) + Ti (t)f (t) Simulations numériques Estimation simultanée de la vitesse et des défauts de capteur Simulations numériques (29) avec Si = −γi βi Ci AT (t)CiT Ci A(t) Ti = −βi Ci (Li + γi AT (t)CiT ) + βi I = −βi γi Ci AT (t)CiT ” “ i Existe-il f p (t) 6= 0, ip (t) tel que le résidus ρi (t) soit nul i ρi (t) = Si (t)ip (t) + Ti (t)f p (t) = 0? i =⇒ f p (t) = −Ti−1 (t)Si (t)ip (t) (30) i Cas f (t) 6= 0 : défauts de capteurs fpk non detectable ? CRAN Modèle du quadrirotor Position du problème Synthèse de l’observateur : estimation de la vitesse linéaire Simulations numériques Estimation simultanée de la vitesse et des défauts de capteur Simulations numériques =⇒ ˙ip (t) = A(t)ip (t) (31) =⇒ les défauts de capteurs non détectables fpk vérifient fpk = σ̇k où σ est solution de (31) et σk est la k ème composante de σ. Remarque Plus précisément, s’il existe fj (t) 6= 0 pour j 6= i et fj (t) 6= σ̇j avec σ solution de σ̇(t) = A(t)σ(t) alors ρi (t) = 0 sinon ρi (t) 6= 0 et ρi (t) 6→ 0. CRAN Modèle du quadrirotor Position du problème Synthèse de l’observateur : estimation de la vitesse linéaire i Cas f (t) 6= 0 : défauts de capteurs fpk non detectable ? Remark La possibilité que la trajectoire d’un défaut de capteur vérifie fpk = σ̇k avec σ solution de σ̇(t) = A(t)σ(t) est très faible. Nous pouvons donc détecter, isoler et estimer la plupart des défauts. Simulations numériques Estimation simultanée de la vitesse et des défauts de capteur Simulations numériques Remark Dans le cas d’un défaut sur un seul capteur fi , l’observateur (Oi ) fournit une estimation de la vitesse et du défaut et le vecteur des résidus ρi converge vers 0. De plus, les autres résidus sont différents de zéro. Remark Dans le cas où deux ou trois capteurs sont défectueux, nous pouvons seulement détecter la présence de défauts car tous les résidus sont non nuls et ne convergent pas vers zéro (sauf si les défauts disparaissent). Simulations numériques CRAN Modèle du quadrirotor Position du problème Paramètres du quadrirotor (Benzemrane, Santossuosso, Damm, ACC07) : Synthèse de l’observateur : estimation de la vitesse linéaire m = 2.5 kg, Simulations numériques Iyy = 222611 10−7 kg.m2 Estimation simultanée de la vitesse et des défauts de capteur Simulations numériques Ixx = 224931 10−7 kg.m2 , et Izz = 325130 10−7 kg.m2 . Les défauts de capteurs sont f1 (t) ≡ 0, f2 (t) ≡ 0, et f3 (t) = H(t − 2.5) (0.6 + sin(20πt + 1)) où H(.) est la fonction de Heaviside. Les figures suivantes représentent les erreurs d’estimation pour les OGR O2 et O3 , les résidus ρ2 (t) et ρ3 (t), le défaut f3 (t) et son estimation f̂3 (t). Erreurs d’estimation ε21 (t) et ε31 (t) CRAN Modèle du quadrirotor 0.2 Position du problème 0 Synthèse de l’observateur : estimation de la vitesse linéaire -0.2 -0.4 Simulations numériques -0.6 Estimation simultanée de la vitesse et des défauts de capteur Simulations numériques -0.8 -1 -1.2 0 1 2 3 4 5 time [s] 6 ε21 (t) 6→ 0 (O2 ) sensible au défaut f3 (t) ε31 (t) → 0 (O3 ) 7 8 9 10 Erreurs d’estimation ε22 (t) et ε32 (t) CRAN Modèle du quadrirotor 1 Position du problème 0.8 Synthèse de l’observateur : estimation de la vitesse linéaire Simulations numériques Estimation simultanée de la vitesse et des défauts de capteur 0.6 0.4 0.2 0 Simulations numériques -0.2 -0.4 0 1 2 3 4 5 time [s] 6 ε22 (t) 6→ 0 (O2 ) sensible au défaut f3 (t) ε32 (t) → 0 (O3 ) 7 8 9 10 Erreurs d’estimation ε23 (t) et ε33 (t) CRAN Modèle du quadrirotor 0.2 Position du problème Synthèse de l’observateur : estimation de la vitesse linéaire Simulations numériques Estimation simultanée de la vitesse et des défauts de capteur Simulations numériques 0 -0.2 -0.4 -0.6 -0.8 -1 -1.2 -1.4 -1.6 0 1 2 3 4 5 time [s] 6 ε23 (t) 6→ 0 (O2 ) sensible au défaut f3 (t) ε33 (t) → 0 (O3 ) 7 8 9 10 Residus ρ2 (t) CRAN Modèle du quadrirotor Position du problème Synthèse de l’observateur : estimation de la vitesse linéaire Simulations numériques Estimation simultanée de la vitesse et des défauts de capteur Simulations numériques 15 10 5 0 -5 -10 0 1 2 3 4 5 time [s] ρ2 (t) 6→ 0 sensible au défaut f3 (t) 6 7 8 9 10 Residus ρ3 (t) CRAN Modèle du quadrirotor Position du problème Synthèse de l’observateur : estimation de la vitesse linéaire 2 1 0 -1 Simulations numériques Estimation simultanée de la vitesse et des défauts de capteur Simulations numériques -2 -3 -4 -5 -6 -7 0 1 2 3 4 5 time [s] 6 7 ρ3 (t) → 0 =⇒ insensible au défaut f3 (t) 8 9 10 Défaut f3 (t) et son estimation f̂3 (t) CRAN Modèle du quadrirotor Position du problème Synthèse de l’observateur : estimation de la vitesse linéaire 25 20 15 Simulations numériques Estimation simultanée de la vitesse et des défauts de capteur 10 5 Simulations numériques 0 -5 0 1 2 3 4 5 time [s] 6 7 8 9 10 L’estimation du défaut de capteur f3 (t) = H(t − 2.5) (0.6 + sin(20πt + 1)) est satisfaisante CRAN Simulations numériques Modèle du quadrirotor Position du problème Synthèse de l’observateur : estimation de la vitesse linéaire Simulations numériques Estimation simultanée de la vitesse et des défauts de capteur Simulations numériques les résidus ρ3 (t) donnés par O3 convergent vers zéro ⇐= f1 (t) ≡ 0 et f2 (t) ≡ 0, =⇒ les erreurs d’estimation (vitesse et défaut) fournies par le OGR O3 sont asymptotiquement stables, Les résidus ρ2 (t) donnés par O2 sont sensibles au défaut f3 (t), Les erreurs d’estimation données par O2 ne sont pas asymptotiquement stables, la reconstruction du défaut de capteur est satisfaisante. Merci de votre attention. Cardan angles CRAN Modèle du quadrirotor Position du problème Synthèse de l’observateur : estimation de la vitesse linéaire Ψ E2 E20 E10 Ψ Simulations numériques E1 E3 Estimation simultanée de la vitesse et des défauts de capteur E100 = e1 θ E20 E10 θ E30 = E3 Simulations numériques e2 Φ E300 E200 = E20 e1 Φ e3 E300 CRAN Modèle du quadrirotor Position du problème Synthèse de l’observateur : estimation de la vitesse linéaire Simulations numériques Estimation simultanée de la vitesse et des défauts de capteur Simulations numériques D. B. Lee, T. C. Burg, B. Xian and D. M. Dawson, "Output feedback tracking control of an underactuated quad-rotor UAV", American Control Conference, New York, 2007. T. Madani and A. Benallegue, "Sliding mode observer and backstepping control for a quadrotor unmanned aerial vehicles", American Control Conference, New York, 2007. A. Benallegue, A. Mokhtari and L. Fridman, "High-order sliding-mode observer for a quadrotor UAV", Int. J. of Robust and Nonlinear Control, 2008. F. LeBras, T. Hamel and R. Mahony, "Nonlinear observer-based visual control of a VTOL UAV", European Control Conference, Kos, Greece, 2007. R. Sharma and M. Aldeen, "Fault and unknown input reconstruction in VTOL aircraft system using sliding mode observer", European Control Conference, Kos, Greece, 2007. F. Bateman, H. Noura and M. Ouladsine, "An actuator fault detection, isolation and estimation system for an UAV using input observers", European Control Conference, Kos, Greece, 2007. CRAN Modèle du quadrirotor Position du problème Synthèse de l’observateur : estimation de la vitesse linéaire Simulations numériques Estimation simultanée de la vitesse et des défauts de capteur Simulations numériques N. Slegers and M. Costello, "Variable structure observer for control bias on unmanned air vehicles", J. of Guidance, Cont., and Dynamics, vol. 30, pp 281–286, 2007. C. G. Prevost, A. Desbiens and E. Gagnon, "Extended Kalman filter for state estimation and trajectory prediction of a moving object detected by an unmanned aerial vehicle", American Control Conference, New York, 2007. K. Benzemrane, G. L. Santosuosso and G. Damm, "Unmanned aerial vehicle speed estimation via nonlinear adaptive observers", American Control Conference, New York, 2007. L. Besnard, Y.B. Shtessel and B. Landrum, "Control of a quadrotor vehicle using sliding mode disturbance observer", American Control Conference, New York, 2007. D. Blake and M. Brown, "Simultaneous, multiplicative actuator and sensor fault estimation", European Control Conference, Kos, Greece, 2007. M. Boutayeb, E. Richard, H. Rafaralahy, H. Souley Ali and G. Zaloylo, "A simple time-varying observer for speed estimation of UAV", IFAC World Congress, Seoul, Korea, 2008. CRAN Modèle du quadrirotor Position du problème Synthèse de l’observateur : estimation de la vitesse linéaire Simulations numériques Estimation simultanée de la vitesse et des défauts de capteur Simulations numériques P. Castillo, R. Lozano and A. Dzul, Modelling and control of mini-flying machines, Springer-Verlag, 2005. J. C. Deckert, M. N. Desai, J. J. Deyst and A. S. Willsky, "F-8 DFBW sensor failure identification using analytic redundancy", IEEE Trans. Aut. Cont., Vol. 22, 5, 1977. D. Lara Alabazares, Modélisation et commande robuste des drones miniatures : conception de l’architecture embarquée, PhD thesis, UTC, Compiegne, France, 2007. A. Monteriu, P. Asthana, K. Valavanis and S. Longhi, "Residual generation approaches in navigation sensors fault detection applications", European Control Conference, Kos, Greece, 2007. H. Nijmeijer, A. J. van der Schaft, nonlinear dynamical control systems, Springer-Verlag, 1990. N. P. Piercy, "Sensor failure estimators for detection filters", IEEE Trans. Aut. Cont., Vol. 37, 10, 1992. H. Rafaralahy, M. Zasadzinski and M. Boutayeb, "Discussion on sensor gain fault diagnosis for a class of nonlinear systems", European Journal of Control, Vol. 12, 5, 2006. CRAN Modèle du quadrirotor Position du problème Synthèse de l’observateur : estimation de la vitesse linéaire Simulations numériques Estimation simultanée de la vitesse et des défauts de capteur Simulations numériques H. Rafaralahy, M. Zasadzinski, M. Boutayeb and H. Souley Ali, "Sensor bias estimation for bilinear systems", Conference on Systems and Control, Marrakesh, Morocco, 2007. Y. Wang and D.H. Zhou, "Sensor gain fault diagnosis for a class of nonlinear systems", European Journal of Control, Vol. 12, 5, pp. 523-535, 2006. H. Rafaralahy, E. Richard, M. Boutayeb and M. Zasadzinski, "Simultaneous observer based diagnosis and speed estimation of Unmanned Aerial Vehicle", Conference on Decision and Control, Cancun, Mexico, 2008. E. Richard, M. Boutayeb, H. Rafaralahy and M. Zasadzinski, "Design of speed and sensor bias estimator for Unmanned Aerial Vehicle", European Control Conference, Budapest, Hungary, 2009.