Les manipulateurs aériens (UAM - Unmanned aerial manipulator) sont des systèmes robotiques aériens combinant l’agilité de leur base, sous forme de multicoptère, à la capacité de manipulation du ou des bras robotiques montés. Ils peuvent être utilisés dans des contextes où leur manœuvrabilité, leur petite taille et leur autonomie en font des alliés intéressants, comme dans des missions de récupération à la suite de catastrophes ou encore dans des entrepôts automatisés. Les tâches pouvant être accomplies par les UAM sont variées, pouvant aller de la simple préhension d’objets pour leur transport, au perchage ou à la fermeture de valves. Afin d’accomplir ces tâches, les UAM doivent être équipés de nombreux sous-systèmes interagissant entre eux. La polyvalence de l’UAM complexifie le processus de conception, car il doit tenir compte de la ou des tâches pour lesquelles il sera utilisé.

Cette thèse propose le développement de méthodes de support à la conception pour la commande et la planification de missions. Dans le cadre de la conception d’un UAM, ou de tout produit mécatronique, le système doit être considéré dans son ensemble afin d’obtenir un design optimal. Cependant, la complexité de conception associée aux nombreux sous-systèmes nécessaires peut forcer les concepteurs à se concentrer sur la conception détaillée de ceux plus critiques. Il est alors possible de supporter la conception en utilisant des méthodes facilitant l’intégration. Puisque les requis de conceptions pour les sous-systèmes varient en fonction de la tâche pour laquelle ils sont conçus, ces méthodes sont développées spécifiquement pour une tâche. Dans le cas présent, les tâches de saisies d’objets statiques sont étudiées.

Tout d’abord, les tâches pouvant être accomplies ont été colligées en une taxonomie permettant de les catégoriser selon le type de contact nécessaire, la description de la tâche, les conditions environnantes ainsi que la présence de contraintes temporelles. La catégorisation a été obtenue suite à une revue de littérature du domaine ainsi qu’une méthodologie d’acquisition d’information par vidéo. Au même titre que les taxonomies de type de saisie avec une main, cette taxonomie permet de supporter la conception d’un UAM en simplifiant la description des tâches et en facilitant ainsi la définition du problème de conception. Elle permet aussi de baser la description d’une mission complexe en plusieurs tâches simples.

Par la suite, une méthode de support à la conception de lois de commande pour UAM est développée sur la base de la synthèse H_∞ structurée. Le correcteur est conçu à partir de la modélisation dynamique linéarisée de l’UAM. Cette dernière est complexe au fait des interactions hautement couplées entre le multicoptère et le bras robotique. Les équations dynamiques générales d’un UAM sont dérivées à partir de la dynamique d’un multicoptère combinée à celle du bras robotique, obtenue par la méthode de Newton-Euler récursive. La structure de correction choisie possède des gains séquencés en fonction des angles des articulations du bras robotique. Le correcteur obtenu par la synthèse H_∞ structurée permet de stabiliser le quadricoptère en plus de répondre au cahier des charges défini pour toutes les positions du bras robotique, soit un amortissement supérieur à 0.4 pour les pôles du système et une erreur en régime permanent inférieure à 0.1% pour les signaux contrôlés. Le correcteur développé est aussi robuste à une variation des valeurs de paramètres physiques de 10% par rapport à ceux utilisés lors de l’obtention des gains.

Pour terminer, le second sous-système étudié est une méthode pour la sélection optimale d’un UAM dans une flotte en fonction de la tâche de saisie à accomplir. La sélection est effectuée à partir d’un classificateur obtenu par apprentissage profond. Le classificateur permet de choisir l’unité la plus apte à accomplir la tâche parmi ceux disponibles dans la flotte, en prenant en entrée une description de l’environnement local, ainsi qu’une description de la tâche. L’environnement est représenté sous la forme d’un nuage de points, tandis que la tâche est définie par l’orientation de la saisie, sous la forme d’un quaternion. La position de la tâche est considérée comme l’origine du nuage de points. Afin d’entraîner le classificateur, une base de données de 20000 éléments est obtenue en combinant aléatoirement des bases de données existantes pour générer des scènes et des tâches. Les étiquettes associées à chacun des éléments sont obtenues par une méthode à base de planification de trajectoire pour sélectionner l’UAM le plus efficace à accomplir la tâche. Le classificateur est entraîné avec la base de données créée et obtient une précision de classification de 70%. Une expérience avec des scènes réelles permet de confirmer une précision similaire et donc que l’entraînement avec des données simulées peut être utilisé avec des scènes et des tâches réelles. La méthode de sélection par classificateur est alors 100 fois plus rapide que celle à base de planification de trajectoire.

Unmanned aerial manipulators (UAMs) are aerial robotic systems combining the agility of their multicopter base with the manipulation capabilities of the mounted robotic arm(s). They can be used in situations where their maneuverability, small size and autonomy make them interesting allies, such as in disaster recovery missions or in automated warehouses. The tasks that can be performed by UAMs are varied;​ simple gripping, valves closing, perching and force application are some of them. In order to accomplish these tasks, UAMs must be equipped with numerous subsystems that interact with each other. Their versatility complicates the design process, as it must take into account the tasks for which the UAM will be used.

This thesis proposes the development of design support method for control and mission planning of a UAM. When designing a UAM or any mechatronic product, integrated design is necessary in order to obtain an optimal system. However, the complexity of designing individual subsystems can force designers to focus on the detailed design of those most critical. Design support methods allow designers to simplify this process and thus promote integration and the integrated design aspect. Since the design requirements for subsystems may vary depending on the task for which they are designed, these methods are developed specifically for a static object grasping.

First, the tasks that can be performed are summarized in a taxonomy where they are categorized according to the type of contact required, the task description, the surrounding conditions and the presence of temporal constraints. The categorization was obtained following a literature review of the field as well as a video information acquisition methodology, in which the most recent advances in the field were collected. Like the grasping type taxonomies, this taxonomy supports the design of UAMs by simplifying the task description and thus facilitating the definition of the design problem. It also allows the separation of complex missions into multiple simple tasks.

Subsequently, the development of a design support method for a UAM controller is based on the H_∞ structured controller synthesis framework. The controller is designed on the linearized dynamic modeling of the UAM. The latter is complex due to the highly coupled interactions between the multicopter and the robotic arm. The general dynamic equations of a UAM are derived from the dynamics of a multicopter combined with that of the robotic arm, obtained by the recursive Newton-Euler method. The chosen controller structure is gain-scheduled with respect to the robotic arm joint angles. The controller obtained by the structured H_∞ synthesis method allows to stabilize the quadcopter base in addition to answering the specifications defined at all positions of the robotic arm;​ a pole damping higher than 0.4 and a steady state error inferior to 0.1% for the controlled signals. It is also robust to variations in the physical parameter values up to 10% compared to those used during the controller tuning.

Finally, the second subsystem studied is a method for the optimal selection of a UAM in a fleet according to the grasping task at hand. The selection is performed based on a deep learning classifier. The classifier is used to select the most suitable unit to perform the task among those available in the fleet, using a description of the local environment and the task as input. The environment is represented as a point cloud, while the task is defined by a quaternion representing the grasping orientation. The position of the task is considered as the origin of the point cloud. In order to train the classifier, a database of 20000 elements is generated by randomly combining existing databases into novel scenes and tasks. The labels associated with each of the features are obtained using a path planning based method to select the most efficient UAM to accomplish the task. The classifier is trained with the created database and reaches a classification accuracy of 70%. An experiment with real scenes confirms similar accuracy levels and thus that the model trained with simulated data can also be used with real scenes and tasks. The classifier-based selection method is 100 times faster than the one using path planning