Etat des lieux en robotique marine et sous-marine. Cas
particulier de la commande des mini-vehicules
sous-marins.
Vincent Creuze
To cite this version:
Vincent Creuze. Etat des lieux en robotique marine et sous-marine. Cas particulier de lacommande des mini-vehicules sous-marins.. Journees Nationales de la Recherche en Robo-tique 2013, Oct 2013, Annecy, France. .
HAL Id: lirmm-00877524
http://hal-lirmm.ccsd.cnrs.fr/lirmm-00877524
Submitted on 28 Oct 2013
HAL is a multi-disciplinary open accessarchive for the deposit and dissemination of sci-entific research documents, whether they are pub-lished or not. The documents may come fromteaching and research institutions in France orabroad, or from public or private research centers.
Larchive ouverte pluridisciplinaire HAL, estdestinee au depot et a` la diffusion de documentsscientifiques de niveau recherche, publies ou non,emanant des etablissements denseignement et derecherche francais ou etrangers, des laboratoirespublics ou prives.
Etat des lieux en robotique marine et sous-marine
Cas particulier de la commande des mini-vhicules sous-marins
Vincent Creuze (MCF), LIRMM, Montpellier Animateur axe robotique marine et sous-marine du GT2
JNRR 2013, Annecy
Types de robots marins et applications
ROV : Remotely Operated Vehicle
tl-opr, partiellement automatis
observation ou manipulation (workclass)
ROV crawler AUV glider bio-insp ASV
Observer, Subsea Tech H2000, ECA Hytec Victor 6000, Ifremer L2ROV, LIRMM
K-Ster MineKiller, ECA
industrie offshore, inspection, science, dminage
2
Types de robots marins et applications
Crawler : vhicule chenilles/roues et propulseurs
Uniquement tl-opr
ROV crawler AUV glider bio-insp ASV
AC-CELL 100, AC-CESS LBC, Seabotix Roving BAT, ECA Hytec
SeabedCrawler, Nautilus Minerals, Australie
Inspection/nettoyage : canalisation, coque, riser. Enfouissement de cbles, exploitation minire.
3
Types de robots marins et applications
AUV : Autonomous Underwater Vehicle
entirement autonome
observation (vido, sonar), mesure, ocanographie, dminage
ROV crawler AUV glider bio-insp ASV
AstrX et IdefX, IFREMER
Sardine, Lab-STICC/ENSTA Bretagne
Remus, HYDROID Daurade, ECA/GESMA
Lirmia 2, LAFMIA/LIRMM Aquatis, ESIEA 4
Types de robots marins et applications
Glider : Planeur sous-marin flottabilit variable
Autonomie accrue, comm. sat. en surface
Ocanographie
ROV crawler AUV glider bio-insp ASV
Slocum glider, Teledyne / WHOI 1KA Seaglider, iRobot
SeaExplorer, ACSA
Record Atlantique, 2011
5
Types de robots marins et applications
Bio-inspirs
Mduses, poissons, anguilles/serpents
ROV crawler AUV glider bio-insp ASV
Aquajelly, Festo ACM-R5, Tokyo Inst. of Tech. Angels, IRCCyN/Mines de Nantes
Ludique/esthtique, militaire (terre/eau), modulaire
Jessiko, Robotswim Crabster CR200, KIOST, Core 6
Types de robots marins et applications
ASV : Autonomous Surface Vehicle
Propulsion: moteur, vent, houle
ROV crawler AUV glider bio-insp ASV
Inspector, ECA Vaimos, ENSTA Bretagne/Ifremer PacX wave glider, Liquid Rbotics
Brest-Douarnenez, 2012
Record Pacifique, 2012
dfense, ocanographie, climatologie
7
Problmatiques scientifiques associes
Acoustique (sonar) Caractrisation de cible, vitement dobstacle,
suivi de structures (pipeline, coque) - segmentation, reconnaissance de formes
- mthodes probabilistes
- reconstruction 3D
Difficults et verrous - progrs fortement contraints par la technologie
- faible fiabilit / prcision
Perception SLAM logiciel Communication Swarm Commande
Mine (I. Quidu, ENSTA) Dtection de mines par sonar latral
8
Problmatiques scientifiques associes
Vision
Caractrisation de cible, suivi de structures
- reconnaissance de formes
- reconstruction 3D
Difficults et verrous - Turbidit, absorption des couleurs, clairage
- Mthodes terrestres inadaptes (SIFT)
Perception SLAM logiciel Communication Swarm Commande
Dtection de mine, ISEN
Dtection de mine, I3S
Mine
Reconstruction 3D, LIRMM
9
Problmatiques scientifiques associes
Bio-inspire
lectro-location
- cration dun champ lectrique
- mesure des dformations du champ
- dtection des obstacles conducteurs ou non.
Difficults et verrous - Modlisation
- Etendre la communaut
Perception SLAM logiciel Communication Swarm Commande
F. Boyer, Ircynn
IRCCyNN
Ircynn/EMN
10
Problmatiques scientifiques associes
SLAM, principalement sur petits vhicules pour: - borner les erreurs de positionnement
- garantir la couverture sonar complte dune zone (dminage)
Perception SLAM logiciel Communication Swarm Commande
11
Difficults et verrous -Faible rsolution des images sonar -Peu damers, diffrents selon point de vue
Problmatiques scientifiques associes
Autonomie dcisionnelle et suret de fonctionnement
- Architecture logicielle distribue permettant de faire cooprer une flottille htrogne.
- Supervision
- Replanification de mission
- Architecture tolrante aux fautes
Perception SLAM Logiciel Communication Swarm Commande
PEA Action, ONERA/LAAS/DGA
12
Problmatiques scientifiques associes
Indispensable pour la mise en uvre de flottilles
Difficults et verrous - Diffraction, rfraction, attnuation, rflexions
- Trs faibles dbits (de qques octets/s qques ko/s)
- Utiliser de nouvelles modulations
Perception SLAM logiciel Communication Swarm Commande
Simulations de rfractions et rflexions sous-marines, NURC Interfrences acoustiques 13
Problmatiques scientifiques associes
Swarm = meute ou flottille - Acclrer lexploration dune zone (dminage)
- Saisir simultanment les aspect temporels et gographiques dun phnomne
- Porter des instruments complmentaires
- Coordonner un ASV et un AUV, amliorer le positionnement et relayer linformation
Difficults et verrous - Communications (qui?, quand?)
- Perte dun des membres
- Planification des trajectoires
- Mise en uvre
Perception SLAM logiciel Communication Swarm Commande
MASIM Connect, Robotsoft / GIPSA Lab
14
Problmatiques scientifiques associes
Perception SLAM logiciel Communication Swarm Commande
Les trs petits vhicules sous-marins (
16
Principales commandes utilises pour les robots sous-marins
Classiques Robustes Adaptatives Hybrides Autres
Etat de lart
PID and acceleration feedback [Fossen2002] Nonlinear State Feedback [Fossen2002] Nonlinear output feedback [Adhami2011]
H_inf approaches [Roche2011] Sliding Mode [Akakaya2009] Higher Order Sliding Mode [Salgado2004]
Regressor based Methods [Antonelli2001] Nonregressor Based methods [Zhao2005] Jacobian Transpose based Controller [Sun2009]
Fuzzy Sliding Mode [Marzbanrad 2011] Adaptive Fuzzy Sliding Mode [Bessa2008] Backstepping/Adaptive [Lapierre2006]
Reinforcement learning [ElFakdi2008] Fuzzy logic [Chang2003] Predictive control [Steenson 2012]
Commandes adaptatives classiques
commande adaptative L1
Efficaces, mais: les paramtres estimer doivent tre bien initialiss on doit choisir entre robustesse et rapidit
trs grands gains dadaptation rapidit de convergence des paramtres paramtres initialiss 0
17
Il faudrait dcoupler adaptation et robustesse
Commande adaptative L1 [Hovakimyan 2010]
Les origines Direct MRAC (Model Reference Adaptive Controller)
avec 18
Commande adaptative L1 [Hovakimyan 2010]
Les origines Direct MRAC (Model Reference Adaptive Controller) avec estimateur dtat
19
Commande adaptative L1 [Hovakimyan 2010]
Commande L1 :
20
Filtre passe-bas
Commande adaptative L1 [Hovakimyan 2010]
Commande L1 :
21
Projection pour empcher les paramtres de diverger.
Commande adaptative L1 [Hovakimyan 2010]
Il est possible de considrer aussi un gain inconnu en entre ainsi quune perturbation
22
Scenario 1 : Conditions nominales Profondeur et tangage constants
balle flottante
Exprimentations
23
Scenario 2 : Test de robustesse Augmentation de la flottabilit
Scenario 3 : Rjection de perturbation Choc mcanique
choc
0 20 40 60 80 100 120 140 160-5
0
5
10
15
20
Time (s)
Pitc
h a
ng
le
(d
eg
)
Measured Pitch
Desired Trajectory
24
Control inputs
Estimated parameters and disturbances
0 20 40 60 80 100 120 140 160-0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Time (s)
Dep
th (m
)
Measured Depth
Desired Trajectory
Pitch
Depth (z)
0 20 40 60 80 100 120 140 160-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
Time(s)
Contr
ol In
put
(New
ton)
Thruster 5
Thruster 6
Exprimentations Scenario 1 Cas nominal
0 20 40 60 80 100 120 140 160-5
0
5
10
15
20
Time (s)
Pit
ch
an
gle
(
de
g)
Measured Pitch
Desired Trajectory
Estimated parameters and disturbances
0 20 40 60 80 100 120 140 160-0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Time (s)
Dep
th (m
)
Measured Depth
Desired Trajectory
Depth (z)
Pitch ()
Scenario 2 Flottabilit augmente de 32%
0 20 40 60 80 100 120 140 160-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
Time(s)
Control In
put (N
ew
ton)
Thruster 5
Thruster 6
Control inputs
Exprimentations
25
0 20 40 60 80 100 120 140 160-0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Time (s)
Dep
th (m
)
Nominal Case
Added Buoyancy
0 20 40 60 80 100 120 140 160-5
0
5
10
15
20
Time (s)
Pitc
h an
gle (de
g)
Nominal Case
Added Buoyancy
-20
-15
-10
-5
0
5
Parameters(^)
0 20 40 60 80 100 120 140 160
-80
-60
-40
-20
0
Time (s)
Disturbances(^)
Control inputs
Estimated parameters and disturbances
Depth (z)
Pitch ()
Cas nominal Flotta augmente
0 20 40 60 80 100 120 140 160-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
Time(s)
Control In
put (N
ew
ton)
Thruster 5
Thruster 6
Exprimentations
26
Superposition Scenario 1 & 2
27
Scenario 3 Rejet de chocs
Control inputs Depth (z)
Pitch ()
200 220 240 260 280 3000.4
0.6
0.8
1
1.2
Time(s)
Depth
(m
)
Nominal Case
Added Buoyancy
200 220 240 260 280 300-20
-10
0
10
20
Time (s)
Pitch a
ngle
(deg)
Desired Trajectory
Measured Pitch
-35-30-25-20-15-10
-505
10
Parameters(^)
^
^
200 220 240 260 280 300-120
-100
-80
-60
-40
-20
020
Time (s)
Disturbances(^)
^
^
200 220 240 260 280 300-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
Time(s)
Con
trol
Inp
ut (N
ewto
n)
Thruster 5
Thruster 6
Estimated parameters and disturbances
depth
Exprimentations
Commande L1 augmente [Maalouf 2013]
0 5 10 15 20 25 30 35 40 45 50-150
-100
-50
0
50
100
150
Time (s)
Syste
m O
utp
ut
y(t
)
Reference trajectory
without Nonlinear P
with Nonlinear P
0 5 10 15 20 25 30 35 40 45 50-150
-100
-50
0
50
100
150
Reference trajectory
without Nonlinear P
with Nonlinear P
La commande L1 souffre de retard lors du suivi de trajectoires variables.
Nous avons propos une extension permettant de diminuer ce retard.
28
Commande L1 augmente [Maalouf 2013]
0 50 100 150 200 250 300 350
0
0.2
0.4
0.6
0.8
1
Depth
(m
)
Desired Trajectory
Standard L
PI Augmentat ion
Rduction du retard
Adaptation maintenue
Lgrement plus sensible aux perturbations
29
Exprimentations commande L1
30
Nouveaux besoins industriels nergie
dfense, ptrole 2013 2020 2030
oliennes hydroliennes nuclaire ? thermique
surveillance meutes prospection sismique
31
Nouveaux besoins industriels nergie
dfense, ptrole 2013 2020 2030
oliennes hydroliennes nuclaire ? thermique
surveillance meutes prospection sismique
-Autonomie - Evitement
- Rcupration - Low-cost
- Communication - Autonomie
- design - perception
- Suret - commande - manipulation
32