Détermination de lois de commande sans modèle pour le pilotage automatique de lanceurs : approches automatiques et apprentissage profond par renforcement

Les nouveaux défis posés par les missions spatiales et la conception de nouveaux lanceurs impliquent de mettre l'accent sur des stratégies de contrôle innovantes. Dans ce contexte, la gestion du mouvement des ergols liquides dans les réservoirs, connu sous le nom de "ballottements", constitue un défi majeur qui peut avoir un impact significatif sur la stabilité et le pilotage du lanceur. La complexité de ce phénomène rend laborieuse l'obtention d'une modélisation précise et donc d'une représentation complète du lanceur. De plus, certaines informations nécessaires à la formulation de ce modèle peuvent être soumises à la confidentialité industrielle, ce qui rend la conception de lois de commandes difficile.Les méthodes automatiques traditionnelles de pilotage ont montré leur efficacité pour contrôler les systèmes avec une représentation complète ou partielle du modèle, mais rencontrent des obstacles lorsque le modèle est inconnu, incomplet ou inaccessible. Cette étude se concentre sur des approches de contrôle sans modèle, basées sur des données directement générées par le système. Le comportement dynamique est alors évalué, assurant une robustesse face aux incertitudes et perturbations non modélisées. Cette approche identifie des lois de commande plus efficaces, étend le domaine de vol et améliore les performances dans les cas nominaux et dégradés par rapport aux méthodes classiques.Une approche automatique utilisant le Model-Free Control est d'abord envisagée pour éviter de dépendre de la dynamique du système. Cette méthode ajuste les entrées de contrôle sur la base du comportement observé en estimant la dynamique non modélisée en temps réel. Cette approche est ensuite comparée à une approche de contrôle robuste largement utilisée dans l'industrie: la synthèse structurée H_infty. Cette méthode de contrôle robuste utilise un modèle de système bien défini pour concevoir des lois de commande qui minimisent les perturbations dans les pires scénarios.Le MFC fournit une solution flexible et adaptative, ce qui en fait une méthode viable sans modèle avec des performances comparables à celles de la synthèse H_infty.Cependant, certaines limitations rencontrées avec cette méthode, nous ont poussées à explorer l'apprentissage par renforcement profond en tant qu'alternative performante basée sur les données.Cependant, l'application de pilotes basés sur l'apprentissage automatique à des systèmes critiques en termes de sécurité pose toujours le défi majeur de garantir la stabilité et la sécurité. Une perspective prometteuse consiste alors à combiner des éléments de la théorie du contrôle et de l'apprentissage automatique afin de mêler les avantages des deux domaines, tels que les garanties théoriques et l'efficacité numérique.Plus précisément, la certification de la stabilité et de la sécurité peut être obtenue en exploitant les Control Lyapunov Functions et les Control Barrier Functions développées dans les approches de la théorie du contrôle.Les pilotes appris par apprentissage qui en résultent sont testés surun système du second ordre et le cartpole. Ils sont ensuite appliqués à un simulateur de lanceur dont la dynamique est tirée de la littérature soumis à des incertitudes dynamiques, à des perturbations causées par les effets de ballottement ainsi qu'à des retards temporels liés au système d'actionnement. Une analyse de robustesse, réalisée à l'aide de simulations de Monte Carlo, évalue les performances du contrôleur dans diverses conditions. Enfin, le contrôleur est validé dans un environnement complexe inconnu qui reproduit fidèlement la dynamique d'un lanceur soumis au ballottement. Bien qu'il n'ait pas été entraîné sur ce simulateur industriel, le contrôleur atteint les objectifs de pilotage prédéfinis, ce qui démontre à la fois la robustesse et la performance de l'approche proposée.