Multimode navigation for degraded fixed wing unmanned aerial vehicle operation under sensor and actuator faults ; Navigation multimode d’un drone avec fonctionnalités dégradées dues à des défaillances de capteurs ou actionneurs
You can manage bookmarks using lists, please log in to your user account for this.
Media type:
Text;
Electronic Thesis;
E-Book
Title:
Multimode navigation for degraded fixed wing unmanned aerial vehicle operation under sensor and actuator faults ; Navigation multimode d’un drone avec fonctionnalités dégradées dues à des défaillances de capteurs ou actionneurs
Footnote:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Description:
Les défaillances d'actionneurs ou de capteurs survenant sur un drone peuvent compromettre l'intégrité de la mission. La mise en œuvre de méthodes de diagnostic de fautes est alors nécessaire. Dans cette thèse, l'accent est mis sur l'estimation de fautes dues à des défaillances simultanées de capteurs et/ou d'actionneurs pour un drone à voilure fixe. Pour faire face à certains scénarios complexes de fautes, tels que les fautes simultanées qui induisent une ambiguïté sur les mesures qui se manifeste par la multimodalité de la densité conditionnelle, un filtre particulaire régularisé de type jump-Markov (JMRPF) et des variantes de celui-ci sont présentées dans cette thèse.Cette méthode est basée sur un filtre particulaire régularisé (RPF) qui approche la densité conditionnelle par une mixture de noyaux et sur un système de Markov à sauts. La stratégie de saut utilise un petit nombre de particules - appelées ici particules sentinelles - qui permet de tester en continu l'hypothèse alternative en mode nominal et en mode défaillant.Les résultats numériques sont obtenus en utilisant un modèle dynamique linéaire puis non linéaire de la dynamique longitudinale d’un drone à voilure fixe. Les performances du JMRPF sont comparées aux performances des filtres de Kalman à modèles multiples interactifs (IMM-KF) et du RPF. Les performances du JMRPF montrent une nette amélioration de terme de précision de l’estimation des fautes capteurs et actionneurs et des paramètres cinématiques et en termes de robustesse et de vitesse de convergence par rapport aux autres filtres. L'amélioration des performances par rapport aux autres filtres est plus marquée lorsque l'amplitude des fautes augmente au cours du temps.Une version améliorée du JMPRF, appelée filtre particulaire régularisé robuste à sauts est également présentée et permet d'estimer rapidement et précisément les fautes sans connaissance a priori de la dynamique des fautes. Enfin, une nouvelle approche pour calculer une matrice de probabilité de transition adaptative est présentée ...