Dans les dernières années, le marché des drones a connu un essor majeur dans plusieurs domaines, tant civil, commercial qu’académique. Parmi ceux-ci, un nouveau domaine d’intérêt a fait son apparition :​ les courses de drones. Ces courses mettent en évidence la supériorité des pilotes humains par rapport aux systèmes autonomes développés jusqu’à présent. Pour l’instant, ces systèmes d’autonomie sont très limités et plusieurs capteurs sont nécessaires pour un vol sécuritaire et performant. La piste d’une course de drone est un environnement particulièrement difficile comparativement aux conditions standards de vol du fait de hautes vitesses impliquées et d’un environnement visuel très complexe. Ce contexte pose donc d’importants défis dans le développement et l’implémentation en temps réel d’algorithmes d’estimation d’état et de perception, mais aussi de planification de trajectoires et de lois de commande.

Les lois de commande non-linéaires sont les plus appropriées pour contrôler un multicoptère dans des conditions non-standards de vol. En ce qui a trait à la génération de trajectoires, les trajectoires polynomiales optimales permettent, contrairement aux autres méthodes populaires, de générer des trajectoires satisfaisant les contraintes dynamiques du multicoptère. L’objectif principal de ce projet de recherche est donc d’améliorer l’autonomie des drones de course en se concentrant sur les problèmes de commande et de navigation à hautes vitesses.

Tout d’abord, une modélisation complète de la dynamique d’un multicoptère est effectuée afin de simuler son comportement, et de concevoir la loi de commande non-linéaire. La propriété de platitude différentielle du multicoptère est alors exploitée pour la génération de trajectoires optimales. La loi de commande non-linéaire est ensuite validée par voie de simulation haute fidélité dans l’environnement ROS-Gazebo. Des trajectoires complexes et agressives sont suivies avec une erreur relative faible.

Une version améliorée de la méthode de génération de trajectoires est ensuite présentée. Elle consiste essentiellement en des modifications au niveau de la robustesse numérique et l’ajout de l’optimisation du temps dans la formulation originale. Ces modifications sont alors utilisées pour générer des trajectoires optimales dans un parcours typique de course de drones.

Pour terminer, la loi de commande et la méthode génération de trajectoires développées sont combinées avec un module de détection et de cartographie pour former un système autonome de parcours de piste de courses. La performance de ces algorithmes est évaluée sur deux pistes de courses typiques pour drone. Les résultats des simulations montrent une performance et robustesse légèrement supérieure à la littérature.

In recent years, the UAV market has experienced major growth in several areas, including civil, commercial and academics. Among these, a new field of interest has emerged:​ UAV racing. These races highlight the superiority of human pilots over the autonomous systems developed to date. Currently, these autonomous systems are very limited and several sensors are required for safe and efficient flight. UAV racing tracks are a particularly difficult environment compared to standard flight conditions due to the high speeds involved and the very complex visual environment. This context therefore poses significant challenges in the development and implementation of real-time state estimation and perception algorithms, as well as trajectory planning and control laws.

Non-linear control laws are the most suitable to control a multicopter in non-standard flight conditions. As far as trajectory generation is concerned, optimal polynomial trajectories allow, contrary to other popular methods, to generate trajectories satisfying the dynamic constraints of the multicopter. The main objective of this research project is therefore to improve the autonomy of racing UAVs by focusing on control and navigation problems at high speeds.

First of all, a complete modeling of the dynamics of a multicopter is carried out in order to simulate its behavior, and to design the non-linear control law. The differential flatness property of the multicopter is then exploited to generate optimal trajectories. The non-linear control law is then validated by high-fidelity simulation in the ROS-Gazebo environment. Complex and aggressive trajectories are followed with a low relative error.

An improved version of the trajectory generation method is then presented. It essentially consists in modifications to the numerical robustness and the addition of time optimization in the original formulation. These modifications are then used to generate optimal trajectories in a typical UAV race course.

Finally, the control law and trajectory generation method developed are combined with a detection and mapping module to form a stand-alone autonomous drone racing system. The performance of these algorithms is evaluated on two typical UAV racetracks. Simulation results show a performance and robustness slightly superior to the literature.