Intégration du backstepping basé sur Lyapunov et de la logique neuro-floue avec commande en mode glissant pour le suivi précis de trajectoire des robots à entraînement différentiel

Des robots qui restent sur la trajectoire

Des préparateurs de commandes en entrepôt aux rovers planétaires, de nombreux robots se déplacent sur deux roues motrices comme un fauteuil roulant motorisé. Faire suivre à ces machines une trajectoire avec une précision au centimètre près est plus difficile qu’il n’y paraît : les sols sont irréguliers, les roues patinent, les moteurs saturent et la mécanique du robot elle‑même est complexe. Cet article présente un nouveau « cerveau » pour ces robots — un schéma de commande appelé Fixed Ultra‑Hybrid Adaptive Controller (FUHAC) — conçu pour maintenir un robot à deux roues collé à sa trajectoire prévue, même lorsque l’environnement est désordonné et changeant.

Pourquoi guider deux roues est si difficile

Les robots mobiles à entraînement différentiel gouvernent leur direction en faisant tourner les roues gauche et droite à des vitesses différentes. Cette architecture simple masque des phénomènes physiques difficiles. Le robot ne peut pas se déplacer latéralement, son centre de masse peut être décentré, et la friction, les bosses et des charges inconnues le poussent constamment hors trajectoire. Des contrôleurs classiques comme le PID, ou même des schémas plus avancés fondés sur une seule méthode, fonctionnent bien seulement dans des conditions limitées : ils suivent correctement des courbes douces mais peinent sur des virages serrés, des poussées soudaines ou des modèles imparfaits. Les chercheurs ont essayé d’ajouter des modules d’apprentissage, de la logique floue ou des couches de commande robuste, mais ces hybrides assemblent généralement des éléments de manière ad hoc, sans garantie solide que l’ensemble restera stable.

Mélanger plusieurs approches en une seule

Les auteurs proposent FUHAC comme une architecture unifiée qui combine délibérément quatre idées de contrôle différentes, chacune traitant une facette du problème. Un noyau backstepping fournit une direction lisse basée sur le modèle qui, en théorie, ramène le robot vers la trajectoire désirée. Un module neuro‑flou se superpose à cette base et apprend à compenser les effets inconnus — tels que des frictions non modélisées ou de petites imperfections mécaniques — en observant l’évolution de l’erreur de suivi. Une couche en mode glissant ajoute une coque protectrice robuste qui réagit rapidement aux perturbations plus importantes et garantit que des poussées et rafales bornées peuvent être rejetées en temps fini. Enfin, un observateur de perturbations surveille le mouvement du robot et infère les forces externes qui s’exercent sur lui, permettant au contrôleur de les contrer de manière proactive plutôt que de simplement réagir après coup. Plutôt que de mélanger ces éléments avec des poids fixes, FUHAC utilise un facteur de mélange fondé sur la performance qui fait varier leur influence en temps réel, selon l’amplitude et l’oscillation de l’erreur de suivi.

Réactions rapides, apprentissage lent

Une innovation clé de FUHAC est la séparation entre réflexes rapides et ajustements stratégiques plus lents. Le contrôleur exécute deux cadences d’adaptation : une boucle rapide, mise à jour toutes les 30 millisecondes, qui ajuste les gains pour étouffer les déviations et oscillations soudaines, et une boucle plus lente, mise à jour toutes les 150 millisecondes, qui affine progressivement les paramètres pour la précision à long terme et l’efficacité énergétique. Ce schéma à double échelle temporelle est choisi afin que le robot perçoive les paramètres lents comme quasiment fixes pendant qu’il gère des mouvements rapides, un principe inspiré de la séparation des échelles temporelles en théorie du contrôle. Pour garder une cohérence mathématique, les auteurs construisent une unique fonction de type énergie (fonction de Lyapunov) qui capture simultanément les erreurs de suivi, les erreurs d’apprentissage, le comportement en mode glissant et les erreurs de l’observateur de perturbations. Ils montrent ensuite que, sous des hypothèses raisonnables, cette énergie ne peut que diminuer ou se stabiliser, ce qui signifie que l’écart du robot par rapport à la trajectoire reste borné et, si les erreurs d’approximation et les perturbations s’atténuent, finit même par s’annuler avec le temps.

Mettre le contrôleur à l’épreuve

Pour évaluer FUHAC, l’équipe a réalisé des simulations sur trois trajectoires de référence : un huit, un cercle et un losange aux angles nets. Ces courbes mettent en évidence différents aspects du mouvement : courbure continue, inversion de courbure et changements de direction brusques. Dans tous les cas, l’erreur de position finale est restée inférieure à 4 centimètres, avec de petits indices d’erreur cumulés et un couple moteur moyen modéré inférieur à 10 newton‑mètres. Le contrôleur a convergé vers un suivi quasi‑stable en environ 12,7 secondes, tout en maintenant les oscillations dans une bande étroite ; son gain adaptatif en glissement a augmenté juste ce qu’il fallait pour conserver la robustesse sans gaspiller d’énergie. En comparaison avec un PID standard, le backstepping pur et les approches purement en mode glissant, FUHAC a égalé ou dépassé leur précision tout en réduisant drastiquement le « chatter » haute fréquence qui peut user les actionneurs. Les auteurs ont également testé la méthode sur des données enregistrées d’un robot Pioneer réel. Ici, des effets non modélisés comme le patinage des roues et la saturation des moteurs ont produit des erreurs plus grandes — de l’ordre du mètre plutôt que du centimètre — mais la boucle fermée est restée stable et s’est rétablie après des manœuvres agressives, soulignant la robustesse du cadre.

Qu’est‑ce que cela signifie pour les robots du quotidien

FUHAC montre qu’une commande « multi‑cerveau » soigneusement orchestrée peut offrir aux robots à roues à la fois précision et résilience. En unifiant direction lisse basée sur le modèle, compensation par apprentissage, protection robuste et estimation des perturbations sous une preuve unique de stabilité, la méthode dépasse les hybrides par tâtonnements pour aller vers une conception de principe. En pratique, cela pourrait aider les robots de sol, les fauteuils d’assistance et les plateformes d’inspection à suivre des trajectoires serrées avec une précision subdécimétrique tout en consommant une énergie modérée et en tolérant bosses, bruit et charges variables. Bien que le réglage de ses nombreux paramètres soit plus complexe que pour un simple PID, le contrôleur reste suffisamment léger en calcul pour les processeurs embarqués modernes. Les auteurs envisagent FUHAC comme une base pour des systèmes futurs qui intègrent ce type de commande avec la vision, la cartographie et même l’apprentissage profond par renforcement, ouvrant la voie à des robots mobiles plus fiables et intelligents évoluant dans des environnements réels.

Citation: Xu, P., Maghsoudniazi, M. & Maghsoudniazi, Y. Integrating Lyapunov based backstepping and neuro fuzzy logic with sliding mode control for precise trajectory tracking of differential drive robots. Sci Rep 16, 11961 (2026). https://doi.org/10.1038/s41598-026-39667-1

Mots-clés: commande de robot mobile, suivi de trajectoire, contrôleur hybride adaptatif, robots à entraînement différentiel, rejet de perturbations