Estimation et quantification des entrées de profil
Transcription
Estimation et quantification des entrées de profil
Estimation et quantification des entrées de profil à l’aide d’observateurs triangulaires à modes glissants H. Imine12 , N. K. M’Sirdi1 , et Y. Delanne2 1 Laboratoire de Robotique de Versailles 10-12 Avenue de l’Europe 78140 VELIZY. France 2 Laboratoire Central des Ponts et Chaussées (LCPC) Route de Bouaye - BP 4129 - 44341 Bouguenais cedex. France [email protected] Résumé– Cet article traite l’estimation du profil de route à l’aide d’observateurs robustes par modes glissants à entrées inconnues. Nous développons l’observateur triangulaire et nous étudions la convergence en temps fini de celui-ci afin de quantifier les entrées de chaussée. Des résultats de simulation et une validation expérimentale montrent les performances de ces observateurs. Mots-clés– Profil de route, modèle du véhicule, observateur triangulaire à modes glissants, estimateur Fig. 1. principe du théodolite I. Introduction La géométrie et les déformations du sol modifient constamment la répartition des forces de contact roue/sol. Les orientations du véhicule et les positions et orientation des roues (élasto cinématique des trains) en dépendent également. Ces éléments influencent donc directement la réponse dynamique du véhicule. Le profil est donc une entrée indispensable à connaitre pour assurer la validité des simulations et études en dynamique automobile. La mesure et la reconstruction du profil de chaussée a été pendant des années le sujet de beaucoup de recherches ([1], [2], [3], [4], [5]). Dans les applications routières plusieurs méthodes ont été développées : — Relevé topographique ou assimilé : - Par théodolite et mire (Rod and Level en anglais) comme le montre la figure (1) ; - par règle et repérage de nivellement (figure (2)) ; - par relevé topographique et GPS différentiel. Ces méthodes s’avérent cependant, relativement lourdes à mettre en oeuvre. La précision de la première et de la troisième méthode dépend beaucoup de l’opérateur et peut atteindre, au mieux, l’ordre du Fig. 2. principe de la règle cm pour un relevé de 100m de long. La seconde citée est en cours de développement au LCPC. Sa précision devrait être de l’ordre de quelques millimètres. Ces méthodes ne relèvent que le profil sur une seule trace. En conséquence, elles sont peu applicables et pas généralisablespour obtenir un profil 3D. — Mesure par un appareil dynamique : Il existe plusieurs appareils, les plus utilisés sont ceux à référence inertielle : - L’analyseur de profil en long du LCPC qui donne une ”image” du profil sur une trace de mesure dans une bande de longueur d’onde comprise entre 0.7 et 50m ([6], [7]). - Le GMR Road profilometer, dite méthode inertielle : la méthode la plus utilisée dans le monde. Elle a été developpée par General Motors et consiste à faire passer sur une chaussée, un véhicule muni de capteurs de distance et d’accéléromètres dans les deux traces de roulement et d’enregistrer les signaux décrivant l’état dynamique de la caisse ([8], [9]). A partir de ces différents signaux mesurés, on reconstruit le profil de la route. Cette méthode présente cependant quelques inconvénients : - elle reste tributaire du type et du nombre de capteurs nécessaires pour extraire l’information voulue ; - il est impossible de détecter les grandes longueurs d’ondes de chaussée par utilisation de simples accéléromètres ; - il est impossible de relever un profil 3D des mesures élémentaires nécessaires pour le module de simulation d’interaction véhicule/route. Notre travail, qui entre dans le cadre d’une collaboration de recherche entre le Laboratoire de Robotique de Versailles et le Laboratoire Central des Ponts et Chaussées, consiste à développer un estimateur des quatre traces de roulement du véhicule que l’on souhaite précis (précision inférieure au mm ) et économique (réduire le nombre de capteurs). L’approche considérée, est basée sur la mise en oeuvre d’observateurs non linéaires robustes à modes glissants, partant de mesures disponibles : débattements et vitesses ([10], [11], [12]). Afin de pouvoir remonter vers un profil 3D de la chaussée, nous avons besoin des quatre traces de roulement du véhicule sur la route. La mise au point d’un tel estimateur, nécessite au préalable le développement d’un modèle dynamique du véhicule qui doit être en même temps assez complet et simple pour une simulation proche du comportement réel du véhicule. II. Modèle dynamique du véhicule Dans cette partie, nous nous intéressons aux excitations de chaussée et à l’interaction pneumatique-route ([13], [14]). Le modèle est établi en faisant un certain nombre d’hypothèses simplificatrices suivantes : — Le véhicule roule à vitesse constante ; — les roues roulent sans glissement et sans perte de contact ; — nous supposons les angles de débattement de suspension faibles. Le modèle dynamique du système peut s’écrire sous la forme suivante : M q̈ + C q̇ + Kq = [ζ T ζ T1 ]T , £ (1) ¤T le vecteur avec q = z1 z2 z3 z4 z θ φ ψ des coordonnées généralisées. Les variables ζ et ζ 1 ∈ <4×4 sont définies par : ½ ζ = A11 U + B11 U̇ . ζ 1 = [0 0 0 f (δ f , β)]T (2) Les matrices A11 et B11 sont données par : A11 = diag(kr1 , kr2 , kf 1 , kf 2 ), B11 = diag(Br1 , Br2 , Bf 1 , Bf 2 ). Le vecteur ζ 1 est fonction de l’angle de braquage δ f et de l’angle de dérive du véhicule β ([15]). La fonction f (δ f , β) est donnée par : f (δf, β) = −2(r1 Cyf − r2 Cyr )β + 2r1 Cyf δf (3) où r1 et r2 représentent respectivement la distance entre le centre de gravité et les deux axes avant et arrière. Les coefficients Cyr et Cyf sont les raideurs de dérive qui dépendent de la nature de l’adhérence de la chaussée (neige, pluie..). Les matrices A11 ∈ <4×4 et B11 ∈ <4×4 sont données par : A11 = diag(kr1 , kr2, kf 1 , kf 2 ) et B11 = diag(Br1 , Br2, Bf 1 , Bf 2 ) la matrice d’inertie M ∈ R8×8 représente ∙ ¸ M1 0 du système : M = où M1 = 0 M2 diag(m1 , m2 , m3 , m4 ) et M2 = diag(m, Jxx , Jyy , Jzz ). mi représente la masse de la roue i, m est la masse suspendu, Jxx , Jyy et Jzz sont respectivement les moments d’inertie de la caisse du véhicule suivant les axes X, Y et Z. C ∈ <8×8 est la matrice d’amortissements : ∙ ¸ C11 C12 C= , (4) C21 C22 (Cij , i, j = 1, 2) sont des matrices définies dans le domaine <4×4 , où C11 = diag(B1 + Br1 , B2 + Br2 , B3 + Bf 1 , B4 + Bf 2 ) est une matrice diagonale définie positive, ⎤ ⎡ −B1 C16 C17 0 ⎢ −B2 C26 C27 0 ⎥ ⎥ C12 = ⎢ ⎣ −B3 C36 C37 0 ⎦ −B4 C46 C47 0 ⎡ ⎤ −B1 −B2 −B3 −B4 ⎢ B1 pr −B2 pr B3 pf −B4 pf ⎥ ⎥ C21 = ⎢ ⎣ B1 r2 B2 r2 −B3 r1 −B4 r1 ⎦ C81 C82 C83 C84 ⎤ ⎡ C55 C56 C57 0 ⎢ C65 C66 C67 0 ⎥ ⎥ C22 = ⎢ ⎣ C75 C76 C77 0 ⎦ C85 C86 C87 C88 Les éléments de ces matrices sont : C16 = B1 pr cos(θ) C17 C26 C27 C36 C37 C46 C47 C55 C56 C57 C65 C66 C67 C75 C76 C77 C88 = B1 r2 cos(φ) = −B2 pr cos(θ) = B2 r2 cos(φ) = B3 pf cos(θ) = −B3 r1 cos(φ) = −B4 pf cos(θ) = −B4 r1 cos(φ) = (B1 + B2 + B3 + B4 ) = −((B1 − B2 )pr + (B3 − B4 )pf ) cos(θ) = −((B1 + B2 )r2 + (B3 + B4 )r1 ) cos(φ) = −((B1 − B2 )pr + (B3 − B4 )pf ) = −(B1 + B2 + B3 + B4 )pf pr cos(θ) = −(−(B1 − B2 )r2 pr − (B3 − B4 )r1 pf ) cos(φ) = −((B1 + B2 )r1 − (B3 + B4 )r2 ) = −(−(B1 − B2 )r2 pr + (B3 − B4 )r1 pf ) cos(θ) = ((B1 + B2 )r22 + (B3 + B4 )r12 ) cos(φ) = 2(Cyf r12 + Cyr r22 )/v ¸ K11 K12 s’exprime en foncLa matrice K = K21 K22 tion des coefficients de raideurs où K11 = diag(k1 + kr1 , k2 + kr2 , k3 + kf 1 , k4 + kf 2 ) est une matrice diagonale définie positive, ∙ K12 K21 K22 ⎡ −k1 k1 pr k1 r2 ⎢ −k2 −k2 pr k2 r2 = ⎢ ⎣ −k3 k3 pf −k3 r1 −k4 −k4 pf −k4 r1 ⎡ −k1 −k2 −k3 ⎢ k1 pr −k2 pr k3 pf = ⎢ ⎣ k1 r2 k2 r2 −k3 r1 K81 K82 K83 ⎡ 0 K55 K56 K57 ⎢ K65 K66 K67 0 = ⎢ ⎣ K75 K76 K77 0 K85 K86 K87 K88 ⎤ 0 0 ⎥ ⎥ 0 ⎦ 0 III. Estimation et quantification des entrées inconnues L’objectif particulier de cette partie, est la convergence en temps fini de l’observateur de type triangulaire ([18]). Ceci permet non seulement de borner l’erreur d’estimation des entrées inconnues, mais aussi et surtout de quantifier les valeurs estimées de ces entrées. Le vecteur de mesures disponibles, dans ce cas, est composé des positions z1 , z2 , z3 , z4 , z, θ, φ, ψ et des vitesses de caisse ż, θ̇, φ̇, ψ̇. En prenant comme vecteurs d’état : x1 = q et x2 = q̇ = (xT21 , xT22 )T , où x21 = [ż1 ż2 ż3 ż4 ]T et x22 = [ż θ̇ φ̇ ψ̇]T , on met le modèle (1) sous la forme d’état suivante : ⎧ x1 = q ⎪ ⎪ ⎪ ⎪ ẋ1 = x2 ⎪ ⎪ . ⎪ −1 ⎪ ⎨ x21 = −M1 (C11 x21 + C12 x22 + K11 x1 ) −1 +M1 ζ . (5) . ⎪ −1 ⎪ ⎪ x22 = −M2 (C21 x21 + C22 x22 + K22 x1 ) ⎪ ⎪ −1 ⎪ ⎪ ⎪ +M2 ζ 1 ⎩ y = [xT1 , xT22 ]T Les matrices de raideurs K11 et K22 sont définies dans <4×8 . Le système étant posé, nous pouvons définir l’observateur triangulaire et en étudier la convergence. A. Observateur triangulaire par modes glissants ⎤ −k4 −k4 pf ⎥ ⎥ −k4 r1 ⎦ K84 ⎤ ⎥ ⎥ ⎦ Les éléments de ces matrices sont donnés par : K55 = (k1 + k2 + k3 + k4 ) K56 = −((k1 − k2 )pr + (k3 − k4 )pf ) K57 = −((k1 + k2 )r2 + (k3 + k4 )r1 ) K65 = −((k1 − k2 )pr + (k3 − k4 )pf ) K66 = −(k1 + k2 + k3 + k4 )pf pr + (karr + karf ) K67 = ((k1 − k2 )r2 pr + (k3 − k4 )r1 pf ) K75 = −((k1 + k2 )r1 − (k3 + k4 )r2 ) K76 = −(−(k1 − k2 )r2 pr + (k3 − k4 )r1 pf ) K77 = ((k1 + k2 )r22 + (k3 + k4 )r12 ) Nous développons dans ce qui suit, l’observateur à modes glissants pour reconstituer les états du système et estimer les entrées inconnues ([16], [17]). On suppose connus les paramètres du système. La structure de l’observateur proposé est triangulaire ([19]) : ⎧ . ⎪ ⎨ x̂. 1 = x̂2 + H1 sign1 (x̃1 ) x̂21 = −M1−1 (C11 x̂21 + C12 x22 + K11 x̂1 ) ⎪ ⎩ +M1−1 ζ̂ + H21 sign2 (x̄21 − x̂21 ) (6) x̂1 et x̂2 sont respectivement les états estimés de x1 et x2 . ζ̂ est l’estimée de ζ. H1 ∈ <8×8 , H21 ∈ <4×4 et H22 ∈ <4×4 sont des matrices de gains définies positives. La variable x̄2 est définie par : x̄2 = x̂2 + H1 signmoy (x̃1 ) (7) signmoy est l’équivalent de la fonction sign dans la surface de glissement (x̃1 = 0). Les dynamiques d’erreurs d’estimation sont données par le système d’équation suivant : ⎧ . ⎪ ⎨ x̃. 1 = x̃2 − H1 sign1 (x̃1 ) (8) x̃21 = −M −1 (C11 x̃21 + K11 x̃1 ) + M1−1 ζ̃ ⎪ ⎩ −H sign 1(x̄ − x̂ ) 21 2 21 21 B. Etude de convergence Le système est à entrées bornées et états bornés (EBEB), l’étude de convergence se fait en deux étapes. La première étape, est consacrée à l’étude de convergence de la position x̂1 . Pendant cette étape, la fonction sign2 est mise à 0 (puisque la surface de glissement n’a pas encore été atteinte ) et elle est égale à la fonction sign à l’intérieur de celle-ci ([19]). Le système d’équations (8) s’écrit : ( . x̃1 = x̃2 − H1 sign1 (x̃1 ) . (9) x̃21 = −M1−1 (C11 x̃21 + K11 x̃1 ) + M1−1 ζ̃ ¯ ¯ ¯ −1 ¯ choisissant la matrice de gains hi21 > ¯Mi1 ζ̃ i ¯ pour i = 1...4 , nous avons alors V̇21 < 0, ce qui implique la temps fini t2 > t1 . convergence de x̃21 vers 0 après un . Par conséquent, nous obtenons x̃21 = 0. Le système (12) devient alors, après le temps t2 : ( . x̃1 = 0 . (15) x̃21 = 0 Ainsi, et d’après (12), on peut estimer la variable ζ̂ telle que : ζ̃ = ζ − ζ̂ = M1 H21 signmoy (x̃21 ) En prenant la fonction de Lyapunov suivante : (16) On en déduit finalement ζ telle que : 1 V1 = x̃T1 x̃1 (10) 2 On montre que si les éléments de la matrice diagonale H1 sont choisis tels que hi1 > |x̃i2 | pour i = 1...8, V̇1 < 0. Nous avons alors la convergence de x̃1 vers 0 après un temps fini t1. . On peut donc écrire sur la surface de glissement : x̃1 = x̃2 − H1 signmoy (x̃1 ) = 0 ⇒ x̃2 = H1 signmoy (x̃1 ). On déduit, d’après (7) que : La détermination de cette variable ζ est éssentielle pour obtenir le vecteur d’entrée U . On résoud alors l’équation différentielle suivante : x̄2 = x2 En considérant l’état initial U (t = 0) = 0, on obtient après résolution de l’équation (18) les éléments ui du vecteur d’entrée inconnu U, tels que : (11) Par conséquent x̄21 = x21 (x22 étant mesurée). La deuxième étape consiste à étudier la convergence de x2 en un temps fini sur la surface de glissement x̃1 = 0 ainsi que l’estimation du vecteur ζ (pour t > t1 ). Sur cette surface, la dynamique de l’erreur d’observation est la suivante : ( . x̃1 = 0 . x̃21 = −M1−1 C11 x̃21 + M1−1 ζ̃ − H21 sign(x̃21 ) (12) Sur cette surface de glissement, la fonction sign2 est remplacée par la fonction sign usuelle. Pour étudier la convergence de l’erreur en vitesse x̃2 , on commence par étudier la convergence du vecteur x̃21 . On choisit alors la fonction de Lyapunov suivante : 1 V21 = x̃T21 M1 x̃21 2 (13) La dérivée de cette fonction et d’après (12), donne : V̇21 = x̃T21 (−C11 x̃21 + ζ̃ − M1 H21 signmoy (x̃21 )) (14) Comme ζ̃ est bornée et puisque durant cette étape, la . première condition reste vérifiée (x̃1 = 0) et comme C11 est une matrice diagonale définie positive, en ζ = ζ̂ + M1 H21 signmoy (x̃21 ) A11 U + B11 ui = dU =ζ dt ζi aii (1 − exp(− t)), i = 1..4 aii bii (17) (18) (19) où aii et bii sont les éléments respectivement des matrices A11 et B11 . IV. Résultats expérimentaux Dans ce paragraphe, nous comparons les résultats d’estimation du profil par observateurs à modes glissants et le pseudo profil corrigé APL. Des essais sont effectués sur la piste du LCPC de Nantes. L’APL, tracté par un véhicule d’essai (P eugeot 406) à une vitesse quasi constante, mesure le profil de route. L’exploitation des signaux capteurs, nécessite au préalable, un pré-traitement pour vérifier leurs cohérences et enlever les bruits de mesure. On rappelle que la fréquence d’échantillonnage est de 400Hz. Afin d’évaluer l’influence de la vitesse sur les résultats d’estimation par les différentes méthodes citées plus haut, les essais ont été réalisés à une vitesse moyenne de 72km/h. Les courbes de la figure (3) montrent une bonne estimation des déplacements verticaux des roues puisqu’ils convergent rapidement en temps fini. Sur la première ligne de la figure (4), on montre que l’estimation du débattement de caisse ainsi que de l’angle de lacet est de bonne qualité. Fig. 5. angles de roulis et tangage : mesurées et estimées Fig. 3. déplacements des roues : estimés et mesurés Fig. 6. comparaison du profil estimé par observateur et du pseudo profil corrigé APL bien reconstituées. Fig. 4. Estimation de débattement de caisse et l’angle de lacet et les vitesses respectives L’estimation des vitesses de caisse et de lacet est donnée sur la deuxième ligne de cette même figure. On note une bonne observation de la vitesse de caisse alors que la vitesse de lacet est estimée avec un léger décalage par rapport à la mesure. Les estimés des angles de roulis et de tangage ainsi que les vitesses respectives sont représentées sur la figure (5). Nous remarquons que la convergence de ces états est très rapide et l’estimation de qualité. La bonne reconstruction de ces variables d’états, permet d’estimer les entrées inconnues. Le profil ainsi reconstitué est représenté sur la figure (6). Comparé au pseudo profil corrigé APL, on remarque que ces deux profils ont la même allure. Cependant, quelques erreurs d’estimation subsistent. La figure (9) montre que les deux plaques situées sur la piste du LCPC (figures (7) et (8)) sont Fig. 7. plaque de la piste En effet, la réaction de l’estimateur à ces deux pics de hauteurs de 10 et 8 mm est satisfaisante. Elle montre la capacité de notre approche à estimer de tels défauts de chaussée. V. Conclusion Nous avons développé dans cet article des observateurs triangulaires à modes glissants, afin d’estimer les entrées inconnues représentant l’élévation de la chaussée au niveau des quatre roues d’un véhicule instrumenté. Nous avons supposé que le vecteur de mesures est composé des quatre débattements de caisse, du 39 m Plaque 1m 1m Plaque 10 mm 8 mm [3] [4] environ 200m [5] Fig. 8. position des plaques sur la piste LCPC [6] [7] [8] [9] Fig. 9. estimation des plaques de la piste du LCPC déplacement de celle-ci par rapport à un repère absolu et de ses orientations (roulis, tangage et lacet). Nous avons comparé nos résultats d’estimation aux mesures APL (pseudo profil corrigé) qui a servi de référence pour notre étude. Nous avons remarqué que l’estimation des différents états était correcte. L’estimation des signaux d’entrées suit l’allure du pseudo profil APL avec un léger décalage. Nous avons utilisé les observateurs triangulaires par modes glissants pour estimer en un temps fini les différents états et de quantifier les valeurs des quatre traces de roulement du véhicule sur la chaussée (profil de route). Cette comparaison est faite dans le domaine spectral de l’APL. Cette étude comparative montre que l’estimation par ces deux méthodes est globalement correcte. Cependant, quelques écarts locaux apparaissent, il est important de savoir si ces écarts ne pénalisent pas l’aptitude de ces profils (de bande passante plus large que l’APL) à déterminer la réponse dynamique d’un véhicule (on sait que le profil APL n’est pas correct pour estimer cette réponse dynamique). Un travail traitant ce problème a déja été réalisé. [10] [11] [12] [13] [14] [15] [16] [17] [18] Références [1] [2] M. W. Sayers & S. M. Karamihas. The little book of profiling, basic information about measuring and interpreting road profiles. October, 1996. Y. Delanne, G. Beurier & N. K. M’Sirdi. Tire/ Road Friction Performance Models from on site Measurements. In [19] AIPCR / PIARC, VIe Symposium TSURF 2000T, pages 423-431, Nantes, France, Mai 2000. L. Mianzo, D. Fricke & R. Chabaan. Road Profile Control Methods for Laboratory Vehicle Road Simulators. 1998. E. Bakker, H. Pacejka & L. Linder. A new tire model with an application in vehicle dynamics studies. In SAE, volume 98 of 6, pages 101-113, 1989. T. Bachmann. The importance of the integration of road, tyre and vehicle technologies. In XXth World Road Congress,Workshop on the synergy of road, tyre and vehicle technologies, Montreal, Canada, September 5th 1995. Committee on Surface Characteristics TC1. V. Legeay, P. Daburon & C. Gourraud. Comparaison de mesures de l’uni par L’Analyseur de Profil en Long et par Compensation Dynamique. Bulletin interne, Laboratoire Central des Ponts et Chaussées, DGER/IRVAR, Décembre 1996. J. M. Piasco & V. Legeay. Estimation de l’uni longitudinal des chaussées par filtrage du signal de l’analyseur du profil en long. Traitement du signal, vol. 14, pages 359-372, 1997. G. F. Hayhoe, M. Dong & R. D. McQuenn. Airport Pavement Roughness with Nighttime Construction. In Proceedings of the Third ICPT Conference, volume 2, pages 567-572, Beijing, China, April 1998. R. F. Harrison. The Non-Stationary Response of Vehicles on Rough Ground. PhD thesis, Institute of Sound and Vibration Research Faculty of Engineering an Applied Science, University of Southampton,1983. H. Imine, N. K. M’Sirdi & Y. Delanne. Adaptive Observers and Estimation of the Road Profile. In SAE World Congress, pages 175-180, Detroit, Michigan, March 2003. V. Krishnaswami & G. Rizzoni. Vehicle Steering System State Estimation using Sliding Mode Observers. In Proceedings of the 34th Conference on Decision and Control, pages 3391-3396, New Orleans, LA, December,1995. S. V. Drakunov. Sliding-Mode Observers Based on Equivalent Control Method. In Proc. 31st IEEE Conf Decision and Control, pages 2368-2369, Tucson, Arizona, 1992. J. R. Ellis. Vehicle handling, vehicle dynamics. Page Bros, Norwich, United Kingdom, 1960. H. Imine, Observation d’états d’un véhicule pour l’estimation du profil dans les traces de roulement. PhD thesis, l’Université de Versailles Saint Quentin en Yvelines, 2003. S. Mammar. Contrôle Latérale Assisté et Automatisé des Véhicules : Approche par Commandes Robustes. Habilitation à diriger la recherche, HDR de l’Université d’Evry-Val d’Essonne, Septembre 2002. J. J. E. Slotine, J. K. Hedrick & E. A. Misawa. ON Sliding Observer of Nonlinear Systems. Journal of Mathematical System, Estimation and Control, no. 109, pages 245-259, 1987. Ricardo H. C. Takahashi & Pedro L. D. Peres. Unknown Input Observers For Uncertain Systems : A Unifying Approach and Enhancements. In Proceedings of the 35th IEEE Conference on Decision and Control, pages 1483– 1488, Kope, Japan, December 1996. J. P. Barbot, T. Boukhobza & M. Djemai. Triangular Input Observer Form and Sliding Mode Observer. In In IEEE Conf. On Decision and Control, pages 1489-1491, 1996. T. Boukhobza. Observateurs à modes glissants et formes d’observabilité et analyse et synthèse des commandes par ordres supérieurs. PhD thesis, l’Université de Paris Sud Orsay, 1997.