Elloumi, Hatem (2006) Motion control in advanced driving simulators. PhD thesis Automatique, Robotique et Informatique temps réel, ENSMP - CMA Centre de Mathématiques Appliquées, ENSMP.

Full text available as: - these_elloumi.pdf ( 7469 Kb )

Licence: Copyright

Abstract

Driving simulators are advanced devices composed of four components: a virtual scene projected on a wide screen to imitate the road and the traffic, an audio system to play the driving sounds (horn, squeal of brakes, etc.), a car cockpit (including a real dashboard, the pedals and the seat of the driver) to copy the body position and the interaction of the driver with a real vehicle and finally a robot carrying the car cockpit to provide its motion. While the first three components could be considered as offering a sufficiently high degree of realism, the robot presents a very low capacity of displacement, thus preventing if from performing the real car motions.
In fact, the aim of a driving simulator is not tracking real trajectories produced by outdoors driving but reproducing the corresponding motion sensations. How could we then, generate realistic motion sensations in simulation despite the constrained robot motion? It is the aim of Motion Cueing Algorithms (MCA) to give heuristically an answer to this problem.
We thought however that, if we know the maximum capacity of restituting motion sensations} then we will be able to answer a better question: how could we generate, using the simulator, the ``best'' motion sensations despite the constrained robot motion? And then using this knowledge, we would be able to calibrate existing MCAs in order to maximize their performances or we could even design in an optimal way the geometry and the dynamics of the simulation robot.
In this thesis, we offer an answer to this question thanks to our: Maximum Performance Algorithm (MPA). The MPA covers all aspects linked to the simulation. It integrates the notion of motion sensation through perception models taken from the literature. It includes, as well, our proper detailed robot model to account for its nonlinear dynamics. And it ensures the respect of all physical limits in the optimization process by using a nonlinear programming approach. The complexity of this problem is not only due to the difficulty of defining a measure of performance (what is the exact definition of sensation?) but also to the constrained robot motion (multiple level of constraints: position, speed and acceleration) and to its nonlinear dynamics. Once all the required notions were set, our approach was tested on a simulator with and without the motion of the base. The results were rich in information: the high and low frequency characterization of the hexapod translation and the tilt coordination respectively, the non causality of the algorithm, the very limited robot capacity and the necessity of using a scaling factor. Two variations of the MPA were then introduced to deal with the last points. Two performance indexes were introduced to measure the quality of simulation in terms of magnitude and profile tracking. In summary, this thesis presents a set of tools that are very useful to study the simulator behavior on typical scenarios and to calibrate the robot or the control algorithm.
Two other points where addressed in this dissertation: the redundancy problem and the robust robot control.
As for the first point, the MPA shows that, in redundant robots, the rails and the hexapod present overlapping bandwidths in the high frequency domain. So how could we benefit from this redundancy? The exploitation of this capability is currently done by frequency separation methods without taking into account this frequency overlapping. Within this bandwidth, these two degrees of freedom could be considered as equivalent. Our aim is to use this equivalence to improve the motion restitution. We offer two algorithms based on the hybrid systems framework which deal with the longitudinal mode. Their goal is to improve the restitution of motion sensations by reducing false cues (generated by actuators braking) and decreasing null cues (due to actuators blocking).
As for the second point, it deals with the tracking control of robot systems in presence of perturbations such as modeling errors and disturbance forces. More specifically, this paper aims at reviewing the well-established Robust Computed Torque (RCT) controller. Designing a RCT scheme consists in both, selecting subclasses of robot models and, establishing conditions on the control parameters leading to the robustness of the system. Generally, it amounts to the elaboration of a gain threshold beyond which robustness is achieved. One challenging problem is to develop the minimum threshold for the less conservative conditions on the control and the model. We had two contributions: The Encompassing Formalization (EF) and a refinement of a former result. The EF is an extension of the RCT formalization based on the Lyapunov direct method developed by Qu and Dawson. Then for the specific RCT scheme (developed by Samson), EF combined with passivity property will be used to elaborate lower gain thresholds. This result is presented as a theorem for which an original proof is proposed.

Table of content

1 Introduction
1.1 Composition d'un simulateur de conduite
1.2 La perception de conduite
1.3 La restitution inertielle .
1.3.1 Le contrôle des simulateurs de conduite
1.3.2 Les difficultés de la restitution inertielle
1.3.3 Discussions et contributions
2 Cadre général de la simulation de conduite
2.1 Avantages et applications des simulateurs de conduite
2.1.1 L'étude et l'amélioration de la sûreté
2.1.2 La recherche .
2.1.3 L'aide à la conception
2.1.4 L'apprentissage
2.2 Classification des simulateurs de conduite
2.3 Problématiques liés à la mise en oeuvre d'un simulateur
2.4 Validation de la simulation
2.4.1 Méthodes qualitatives .
2.4.2 Méthodes quantitatives
2.5 Historique: de la simulation de vol à la simulation de conduite
2.5.1 La simulation de vol
2.5.2 La simulation de conduite
2.6 Simuler la conduite versus simuler le vol
2.7 Conclusion
3 La perception de mouvement propre
3.1 Le système vestibulaire
3.1.1 Les organes otolithiques: utricule et saccule
3.1.1.1 Description anatomique et physiologique
3.1.1.2 Spécificités des organes otolithiques
3.1.1.3 Modélisation mathématique
3.1.2 Les canaux semi-circulaires .
3.1.2.1 Spécifités des canaux semi-circulaires
3.1.2.2 Modélisation mathématique
3.2 Les yeux
3.3 Modèles d'interaction visio-vestibulaire .
3.3.1 Motivations
3.3.2 Modèle fusionnel de [Van der Steen, 1998]
3.3.2.1 Contribution vestibulaire au mouvement propre .
3.3.2.2 Contribution visuelle au mouvement propre
3.3.2.3 Sensation visio-vestibulaire
3.3.3 Modèle conflictuel de [Telban et Cardullo, 01] .
3.3.4 Modèle conflictuel de [Zacharias et Young, 1981] .
3.4 Conclusion
4 Modélisation du mécanisme de mouvement dans les simulateurs de conduite
4.1 Introduction aux robots parallèles
4.1.1 Les robots parallèles versus les robots séries
4.1.2 Nomenclature et type d'articulations
4.2 Architecture d'un robot de type Gough-Stewart
4.3 Étude géométrique de l'hexapode
4.3.1 Notations
4.3.2 Préliminaires
4.3.3 Modèle Géométrique Inverse (MGI)
4.3.4 Représentation algébrique du vecteur de Plücker .
4.3.5 Singularités .
4.3.6 Modèle Géométrique Direct (MGD)
4.3.7 Espace de travail .
4.4 Modélisation dynamique des robots parallèles
4.4.1 Principe général de la méthode d'Euler Lagrange
4.4.2 Propriétés du modèle dynamique
4.4.3 Définition complète du modèle dynamique
4.4.4 Linéarité de la méthode de Lagrange
4.4.5 Application aux simulateurs de conduite
4.4.5.1 Hypothèses générales de modélisation .
4.4.5.2 Les différents modèles des simulateurs de conduite
4.5 Modélisation dynamique de la plate-forme de Gough-Stewart (base fixe)
4.5.1 Lagrangien de la plate-forme mobile
4.5.2 Lagrangien d'une jambe: représentation ponctuelle
4.5.3 Lagrangien d'une jambe: représentation élaborée
4.5.4 Synthèse des modèles du robot parallèle
4.6 Modélisation dynamique d'un simulateur à base mobile sur rails XY
4.6.1 Lagrangien du système de translation
4.6.2 Lagrangien de la plate-forme mobile
4.6.3 Lagrangien d'une jambe: représentation ponctuelle
4.6.4 Lagrangien d'une jambe: représentation élaborée
4.6.5 Synthèse des modèles avec rails XY
4.7 Modélisation dynamique du simulateur Nads
4.7.1 Lagrangien du dôme
4.7.2 Modèle général
4.8 Conclusion
4.9 Annexe 1 :Modèle dynamique
4.9.1 Plate-forme mobile
4.9.2 Représentation ponctuelle d'une jambe
4.9.3 Représentation élaborée d'une jambe
4.9.4 Simulateur basé sur des rails XY
4.9.4.1 Représentation ponctuelle d'une jambe
4.9.4.2 Représentation élaborée d'une jambe
4.10 Annexe 2: Généralités
4.10.1 Application antisymétrique
4.10.2 Dérivée de la matrice de rotation
4.10.3 Modèle dynamique d'un système mécanique
5 Algorithmes de Restitution Inertielle
5.1 L'approche classique
5.1.1 Principe général
5.1.2 Analyse
5.1.3 Utilisation de la redondance (rails XY,...)
5.2 L'approche adaptative coordonnée .
5.2.1 Principe général
5.2.1.1 Le mode longitudinal adaptatif (sans coordination)
5.2.1.2 L'approche adaptative coordonnée
5.2.1.3 Généralisation et résolution
5.2.2 Analyse
5.3 L'approche optimale
5.3.1 Principe général
5.3.2 Résolution
5.3.3 Analyse
5.4 L'approche prédictive
5.4.1 Principe général
5.4.1.1 Le problème sur l'horizon glissant
5.4.1.2 Analyse du problème à horizon glissant .
5.4.2 Retour en position neutre
5.4.3 Variations de l'approche
5.4.4 Analyse
5.5 Analyse générale des les ARIs
5.6 L'optimisation ex-ante
5.6.1 Contraintes de l'optimisation
5.6.2 La métrique géométrique
5.6.3 La métrique de vol
5.6.4 L'homme comme mesure de performance
5.7 Les algorithmes de limitation
5.7.1 Préliminaires
5.7.2 La limitation en position: filtrage adapté
5.7.3 Analyse
5.8 Conclusion
6 Performance optimale d'un simulateur de conduite
6.1 Commande optimale continue
6.1.1 Principe général
6.1.2 Résolution théorique
6.1.2.1 Préliminaires
6.1.2.2 Formalisation
6.1.2.3 Équations d'Euler Lagrange
6.1.3 Analyse
6.1.4 Simulations
6.1.4.1 Scénario
6.1.4.2 Résultats de l'ARI Optimal
6.1.4.3 Résultats de la commande optimale
6.2 Algorithme de PerformanceMaximale
6.2.1 Préliminaires
6.2.2 Formalisation
6.2.3 Analyse .
6.2.4 Indicateur de performance
6.2.5 Simulations
6.2.6 Indicateur d'allure
6.2.7 Extension: la redondance des rails
6.2.7.1 Simulation
6.2.7.2 Analyse
6.2.8 Variations de l'APM
6.2.8.1 APM causal
6.2.8.2 APM allure
6.2.9 Conclusion sur les simulations
6.3 Applications
6.3.1 Discriminateur de redondance
6.3.1.1 Simulations pour l'étude de la redondance
6.3.2 Calibrage de l'ARI et du robot de simulation
6.3.2.1 Optimisation de la structure mécanique du simulateur
6.3.2.2 Optimisation des ARIs
6.4 Conclusion
6.5 Annexe
6.5.1 Calcul des équations adjointes
6.5.2 Les contraintes des problèmes d'optimisation
6.5.3 Les paramètres du robot de simulation
6.5.4 Courbes commentées des simulations
7 La commande par couple calculé, une formalisation englobante
7.1 Le modèle du robot
7.1.1 Propriétés du modèle dynamique - 145
7.2 Principe général 146
7.2.1 Connaissance parfaite du modèle
7.2.2 Connaissance imparfaite du modèle
7.2.3 Formalisation du problème
7.3 La formalisation englobante
7.3.1 Classification préliminaire
7.3.2 Formalisation mathématique
7.3.2.1 Dérivation de V1 et V2
7.3.2.2 Exemples
7.4 Le choix vivant
7.4.1 Résultat originel de robustesse
7.4.2 Première extension: utilisation de la caractérisation spectrale
7.4.3 Deuxième extension: le théorème du choix vivant
7.5 Démonstration du théorème du choix vivant
7.5.1 Schéma de la preuve générale
7.5.2 Preuve du lemme 1
7.5.2.1 Résultat 1: Coefficients Bij constants
7.5.2.2 Résultat 2: Bij étagées
7.5.2.3 Résultat 3: Bij forme générale
7.5.3 Preuve du corollaire 1
7.5.4 Preuve du corollaire 2
7.5.5 Preuve du lemme 2
7.5.6 Observation sur la condition de proportionalité (H2)
7.6 Autres exemple
7.6.1 Terme de glissement (sliding)
7.6.2 Résultat de [Qu et Dawson, 1996]
7.6.2.1 Lemme de stabilité
7.6.2.2 Le résultat
7.7 Conclusion
8 ARI Hybride pour les simulateurs redondants
8.1 Préliminaires
8.1.1 Traitement préliminaire des translations
8.1.2 Modèle du robot de simulation
8.1.3 Les contraintes demouvement
8.1.4 Le type de freinage
8.1.5 Le mouvement de retour
8.2 ARI Hybride Symétrique
8.2.1 Présentation de l'algorithme
8.2.2 Remarques
8.2.3 Simulations
8.3 ARI HybrideMaître/Esclave
8.3.1 Présentation de l'algorithme
8.3.2 Remarques
8.3.3 Simulations
8.4 Conclusion
Bibliographie

Statistiques de consultation

Repository Staff Only: edit this item