Commande par réseaux de neurones application a une bras manipulateur

De nombreuses recherches ont été réalisées pour la commande adaptative de processus non linéaires ou variables dans le temps. Les réseaux de neurones possèdent des propriétés d'apprentissages, d'approximation et de généralisation ; aussi se révèlent-ils intéressant pour la synthèse d'une telle commande. Dans ce travail, nous avons dans une première étape, montré l'intérêt des réseaux de neurones pour la commande de processus puis nous avons présenté différentes stratégies de commande neuronale. Nous avons exploité un résultat connu qui établit que tout réseau de neurone dynamique peut être représenté sous une forme canonique. Ainsi, tout modèle neuronal d'un processus admet une représentation sous cette forme. Donc, pour mener l'apprentissage d'un bloc neuronal constitué du correcteur et du modèle neuronal du processus, il faut le représenter sous sa forme canonique. Nous avons présenté deux stratégies de commande adaptative : la première de type indirecte nécessite le modèle du processus pour le calcul du correcteur, la seconde de type direct permet l'ajustement du correcteur sans recourir explicitement à ce modèle. La commande adaptative directe par le principe de "compensation de contre-réaction" a été présentée. Cette méthode présente certains avantages parmi lesquels : nous avons l'estimation directe de l'erreur de commande pour l'ajustement des paramètres du correcteur. Elle limite les écarts de trajectoire pendant l'apprentissage et les algorithmes de calcul peuvent être facilement implémentés en ligne. Nous avons ensuite appliqué cette méthode à la commande par modèle de référence pour le calcul d'un correcteur à priori ou d'un correcteur serie. Enfin les points faibles de cette méthode ont été précisés ( voir chapitre II). La commande adaptative indirecte par la "méthode du modèle" exploite un modèle du processus pour évaluer l'erreur de commande à partir de l'erreur de poursuite. Plusieurs algorithmes pour l'apprentissage des réseaux de neurone