Commande par apprentissage itératif à base des réseaux de neurones à fonction de base radiale adaptative, application en robotique

Abstract

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.