On the synthesis of robust and intelligent control laws for the control of QTW convertible UAVs

Ces travaux de recherche portent sur la synthèse de lois de commande robuste et intelligente pour le contrôle d'un drone convertible à ailes/rotors basculants QTW. Une formulation multimodèle floue de type Takagi-Sugeno (T-S) a été adoptée pour la modélisation du système complexe étudié. Face à la complexité de ces systèmes volants, la proposition de méthodes de commande avancée, permettant l'élaboration de lois de commande robuste et performante tout en réduisant au mieux le temps de conception et les ressources de calcul des paramètres de réglage, constitue une préoccupation d'actualité dans ce cadre. Pour mieux gérer cette complexité, deux méthodes de réglage et d'optimisation des paramètres de commande sont proposées dans cette thèse. Dans la première approche, le problème du choix de ces paramètres effectifs est contourné via la reformulation sous forme des problèmes d'optimisation statique sous contraintes des approches classiques de contrôle LQG, floue, prédictive MPC et non linéaire par Backstepping. Le principe consiste à favoriser des indices de performance tels que les critères ISE (Integral of Square Error) et MO (Maximum Overshoot) issus de la théorie de la commande optimale sous diverses contraintes opérationnelles. Une deuxième approche est proposée pour le réglage adaptatif en ligne des paramètres de la commande prédictive MPC basée sur un algorithme métaheuristique d'optimisation dynamique à comportement quantique (mQPSO). Cette dernière permet d'ajuster rapidement et avec une efficacité remarquable les paramètres effectifs de la commande MPC en assurant la stabilité optimale des sous modèles locaux issus d'une formulation multimodèle floue de type T-S (Takagi-Sugeno) du drone convertible QTW étudié.The research work presented in the present PhD thesis focuses on the design and tuning of robust and intelligent control laws for a convertible Quad Tilt-Wings (QTW) drone. A fuzzy Takagi-Sugeno (T-S) based formulation of the studied drone was adopted for the modeling. Faced with the complexity of these ying systems, advanced linear and nonlinear control methods, allowing less complex tuning algorithms and reduced design time and resources, has been proposed and successfully applied to stabilize the attitude and altitude dynamics of the drone. To better manage this complexity, two effective control parameters' tuning methods are proposed. In the first approach, the parameters' selection problem is investigated via the reformulation in the form of static optimization problems under constraints of classical control approaches such as LQG, fuzzy, predictive MPC and nonlinear Backstepping. The principle consists in favoring performance indices such as ISE (Integral of Square Error) and MO (Maximum Overshoot) criteria derived from the theory of optimal control under various operational constraints. A second systematic and efficient tuning approach is proposed for the adaptive tuning of the predictive MPC parameters based on a dynamic metaheuristic algorithm such as a quantum particle swarm optimization (mQPSO). Such an online optimization algorithm makes an easy and systematic tuning of the main and effective parameters of the well-known MPC control approach. High performance specifications are satisfied and improved for the stabilization and tracking of the flight attitude and altitude dynamics