Résumé:
Au cours des trente dernières années, la commande des systèmes répétitifs a suscité un intérêt
considérable. En effet, l'application d'un régulateur classique à ces systèmes entraîne une erreur
récurrente à chaque cycle. Il est donc nécessaire de concevoir un mécanisme capable de tenir en compte
les informations des cycles précédents pour améliorer progressivement les performances du cycle
suivant. C'est ce qui caractérise la commande par apprentissage itératif (CAI).
Dans ce travail, quatre schémas de commande ont été appliqués sur un robot manipulateur à 2 degrés de
liberté : une CAI classique, une CAI adaptative, une CAI à base des réseaux de neurones (RN) à fonction
de base radiale (RBF) adaptative pour les systèmes non linéaires, et une CAI à base des RNs à RBF
adaptative pour les robots manipulateurs.
En fait, nous avons appliqué une loi de CAI utilisant des réseaux de neurones (RN) à fonction de base
radiale sur un robot manipulateur à 2 degrés de liberté (ddl), nécessitant la connaissance de la matrice
d'inertie du robot. Pour éviter cette contrainte, nous avons développé une nouvelle loi de CAI à base des
RNs sans utiliser cette matrice. Nous avons démontré la stabilité du système en boucle fermée par la
méthode de Lyapunov. Les simulations montrent l'efficacité de ce schéma de commande. En conclusion,
cette approche offre une commande robuste, précise et adaptable pour les robots manipulateurs.
