Contrôle par apprentissage par renforcement d'un drone à voilure fixe sous perturbations de vent

Cette thèse étudie l'application de l'Apprentissage par Renforcement (RL) au contrôle d'un drone à voilure fixe (FW-UAV) pour les tâches d'attitude et de suivi de trajectoire sous différentes conditions de vent. Contrairement aux méthodes classiques comme PID ou MPC, dépendantes d'une modélisation précise, le RL offre une alternative fondée sur les données, capable de s'adapter à des dynamiques complexes sans modèle explicite. Parmi les approches RL, les méthodes à modèle interne, notamment TD-MPC, démontrent un fort potentiel en combinant apprentissage des dynamiques et planification à court horizon. Les expériences menées avec JSBSim montrent de meilleures performances de suivi en conditions nominales, bien que la robustesse face aux perturbations partiellement observées reste difficile. Au-delà des résultats expérimentaux, ce travail fournit un modèle dynamique détaillé du drone, un environnement JSBSim complet et une introduction pédagogique au RL pour le contrôle. La thèse est structurée autour des tâches de contrôle d'attitude et de ralliement de point de passage, dont les conclusions sont synthétisées dans la dernière section. Les travaux futurs envisagent des approches hybrides alliant apprentissage fondé sur les données et modèles physiques afin d'améliorer la robustesse, l'interprétabilité et la fiabilité des autopilotes.