Contexte & Objectifs
Les drones quadrirotors sont de plus en plus populaires en raison de leur petite taille et de leur grande maniabilité, trouvant des applications dans divers domaines : reconnaissance militaire, surveillance aérienne, recherche et sauvetage, inspection industrielle, et livraison de marchandises.
Ce projet bibliographique explore deux aspects fondamentaux des drones autonomes : le suivi de ligne par vision par ordinateur et la commande et simulation de drones utilisant MATLAB et Simulink.
Vision par Ordinateur & Traitement d'Images
1. Reconnaissance d'Objets
Segmentation
YOLOv3, YOLOv5, Fast R-CNN, DINO pour la détection d'objets en temps réel
Description
Moments d'image, descripteurs régionaux, métriques statistiques
Reconnaissance
k-NN, classificateur à distance minimale, appariement de prototypes
2. Suivi de Ligne
Algorithmes de division de l'image en sous-matrices pour calculer les pixels blancs et déterminer la direction à suivre.
Techniques Utilisées
- Masquage d'image : Création de masques pour isoler les zones d'intérêt
- Détection de contours Canny : Filtrage et localisation des bords
- Transformée de Hough : Extraction et paramétrisation des lignes
- Opérations morphologiques : Détection de corrosion et fissures
3. Estimation de Position
Correspondance de Points
Détection de coins, méthode SURF (Speeded-Up Robust Features), transformation géométrique
Correspondance de Modèles
Template matching, somme de différences absolues, détection de déplacement
Commande & Modélisation de Drones
Modélisation du Drone
Modèle Cinématique
Équations décrivant l'évolution des positions, vitesses et accélérations
Modèle Dynamique
Forces et moments agissant sur le drone (6 DDL, 4 entrées de contrôle)
Modèle Propulsion
Moteurs et hélices, poussée générée par chaque moteur
Capteurs & Mesures
Accéléromètres, gyroscopes, magnétomètres, GPS, fusion de capteurs
Systèmes de Commande Étudiés
Contrôleur PID
Approche classique, simple à implémenter, polyvalent mais sensible aux perturbations
Contrôleur LQR
Optimisation quadratique, efficace pour systèmes linéaires, minimise une fonction coût
Contrôleur MPC
Modèle prédictif, gestion des contraintes, meilleure performance mais plus complexe
Exemple d'Implémentation Simulink
Schéma Simulink d'un système de commande de drone intégrant la vision par ordinateur et le contrôle de trajectoire. Le système combine le traitement d'image pour le suivi de ligne avec un contrôleur PID pour la stabilisation et le suivi de trajectoire du quadricoptère.
Architecture Simulink : Vision → Contrôleur PID → Modèle Drone → Retour d'état
Techniques d'Optimisation & Améliorations
- Contrôle Adaptatif : Ajustement des paramètres en temps réel selon les variations des conditions
- Contrôle par Apprentissage : Apprentissage par renforcement (DDPG), réseaux de neurones
- Fusion de Capteurs : Filtres de Kalman étendus (EKF), filtres de particules (PF)
- Contrôle Prédictif Non Linéaire (NMPC) : Extension du MPC aux systèmes non linéaires
- Contrôle Robuste : H-infini, mu-synthèse pour tolérance aux incertitudes
Résultats & Apports
- Revue complète des techniques de vision par ordinateur pour le suivi de ligne (segmentation, détection de contours, transformée de Hough)
- Étude comparative des systèmes de commande (PID, LQR, MPC) avec analyse de leurs avantages et inconvénients
- Exploration des méthodes avancées : deep learning (YOLOv3/v5), apprentissage par renforcement, fusion de capteurs
- Compréhension approfondie de la modélisation et du contrôle de drones autonomes
Applications Pratiques
Inspection Industrielle
Pipelines, barrages, sous-stations électriques, détection de corrosion et fissures
Navigation Autonome
Suivi de trajectoire en intérieur/extérieur, livraison, surveillance aérienne