Novel trajectory prediction and flight dynamics modelling and control based on robust artificial intelligence algorithms for the UAS-S4

Résumé

La gestion du trafic aérien (ATM) et l'évitement des collisions aériennes (ACA) sont les problèmes les plus importants dans le transport aérien. Une prédiction de trajectoire d'aéronef (ATP) précise, un modèle de dynamique de vol (FDM) précis et un contrôle de dynamique de vol (FDC) efficace sont les exigences fondamentales pour les opérations basées sur la trajectoire, telles que l'ATM et l'ACA. L'objectif de cette thèse est de concevoir et de développer ces trois exigences fondamentales mentionnées ci-dessus pour les opérations critiques basées sur les trajectoires. Pour chaque exigence fondamentale, une étude de recherche approfondie a été menée pour atteindre ses objectifs relatifs. La première étude s'est concentrée sur la précision de la prédiction de trajectoire d'aéronef (ATP). Cette étude a commencé par la formulation d'un ATP en tant que problème de régression de séries chronologiques. Ensuite, six modèles de réseaux de neurones basés sur les données ont été conçus et affinés pour produire des ATP précis. Leurs architectures étaient basées sur la régression logistique (LR), la régression vectorielle de support (SVR), le réseau neuronal approfondi (DNN), le réseau neuronal convolutif (CNN), le réseau neuronal récurrent (RNN) et la mémoire à long et à court terme (LSTM). Les six modèles ATP ont été évalués en termes de précision de leur prédiction et leur super-efficacité a été confirmée. Malgré leurs excellentes performances, nous avons pu générer des échantillons contradictoires pour les induire en erreur, ce qui présente un problème de sécurité concernant les modèles ATP basés sur le réseau neuronal. Par conséquent, un algorithme de défense a été conçu en se basant sur une stratégie de recyclage contradictoire. Les nouveaux modèles ATP robustes basés sur l'apprentissage ont montré d'excellentes performances contre les attaques adverses tout en exécutant leurs tâches ATP avec précision. La deuxième étude portait sur la conception d'un contrôleur de dynamique de vol (FDC) efficace. S'appuyant sur le modèle de dynamique de vol programmé linéaire local UAS-S4 (LLS-FDM) disponible au laboratoire de recherche sur les commandes actives, l'avionique et l'aéroservoélasticité (LARCASE), un FDM non linéaire a été conçu en se basant sur l’approche de la logique floue Takagi-Sugeno (TS). Simultanément, le modèle de référence souhaité a été déterminé, puis stabilisé à l'aide d'un régulateur quadratique linéaire (LQR). En ce qui concerne le FDM de référence, un FDC "basé sur un modèle" a été conçu pour le FDM UAS-S4, qui a très bien fonctionné en se basant sur des erreurs de suivi. Ensuite, un contrôleur de logique floue (FLC) contenant des gains adaptatifs robustes a été conçu afin de prendre en compte les non-linéarités et les incertitudes dues à la fuzzification et aux perturbations externes. Les résultats ont confirmé que le contrôleur à logique floue adaptative robuste pouvait stabiliser la dynamique de vol et suivre avec précision les variables d'état du modèle de référence. La troisième étude a été menée pour la conception d'une méthode précise de modélisation de la dynamique de vol (FDM). Des FDM précis permettent aux ingénieurs de concevoir des FDC basés sur des modèles très efficaces. Des essais en vol ont été effectués sur l'UAS-S4 Ehecatl (au LARCASE) et ensuite 216 FDM locaux ont été obtenus en utilisant le modèle interne de dynamique de vol à planification linéaire locale (LLS-FDM) conçu pour gérer 216 conditions de vol. Le LLS-FDM a été encore augmenté en utilisant les méthodologies d'interpolation et d'extrapolation des k plus proches voisins. S'appuyant sur ces données augmentées, la régression vectorielle de support (SVR) a été utilisée comme algorithme de référence pour la régression LLS-FDM. Le SVR formé pouvait prédire le FDM de l’UAS-S4 pour l'ensemble du domaine de vol. Un diagramme Root Locus a été utilisé pour valider le SVR-FDM UASS4 en évaluant la proximité des valeurs propres prédites avec leurs valeurs d'origine. La précision de la prédiction SVR a été étudiée pour différentes conditions de vol, le nombre de voisins et une gamme de fonctions du noyau. Malgré les excellentes performances du SVR formé, le FDM était vulnérable aux échantillons contradictoires. Par conséquent, Adversarial Retraining Defense (ARD) a été développée en s'appuyant sur des FDM contradictoires, qui ont été créés via la méthode de signe de gradient rapide adaptée (AFGSM) pour concevoir un Robust-SVR FDM. Le Robust-SVR FDM a très bien fonctionné lors d'attaques contradictoires tout en offrant de meilleures propriétés dans le domaine temporel pour la stabilisation des variables d'état que le LLS-FDM.

Date	7 mars 2022
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Ruxandra Botez (Directeur(-trice))