Browsing by Author "Zamoum, Yasmine"

Now showing 1 - 3 of 3

Algorithmes de contrôle d’un UAV avancés
(Université M'Hamed Bougara Boumerdès : Faculté de Technologie, 2025) Zamoum, Yasmine; Baiche, Karim(Directeur de thèse)
Ce travail de thèse se concentre sur les défis critiques des systèmes de guidage et de contrôle des drones, en se concentrant sur la planification et la stabilisation de la trajectoire des quadrotors dans des environnements complexes. Tout d'abord, nous nous penchons sur le problème du guidage des drones, puis nous explorons systématiquement les outils de mise en œuvre et les solutions permettant de répondre à des spécifications opérationnelles rigoureuses. Les progrès récents de la technologie des quadrotors ont élargi les applications civiles et militaires, nécessitant des systèmes de contrôle robustes pour la gestion de l'attitude, de l'altitude et de la trajectoire. La recherche intègre l'apprentissage par renforcement (Deep Q-learning et Dyna Q-learning) pour une planification optimisée de la trajectoire, permettant aux drones de naviguer dans des environnements dynamiques. Ces algorithmes sont complétés par des stratégies de contrôle hybrides, notamment des contrôleurs PID pour la stabilité de base et des méthodes non linéaires telles que le backstepping, la logique floue et le contrôle adaptatif par logique floue, afin d'améliorer la manœuvrabilité et la précision. Un modèle complet de quadrotor est développé en utilisant le formalisme de Newton-Euler, incorporant les effets aérodynamiques et la dynamique du rotor pour créer une représentation de l'espace d'état pour la validation du contrôle. Des simulations de divers scénarios, y compris des obstacles dynamiques, démontrent l'efficacité de l'apprentissage par renforcement pour générer des trajectoires sans collision. L'étude évalue en outre l'interaction entre la planification de trajectoire basée sur l'apprentissage et les contrôleurs à logique floue, mettant en évidence les améliorations en matière d'adaptabilité et de gestion de l'incertitude. Les résultats indiquent que l'intégration d'architectures de contrôle avancées améliore considérablement les performances des quadrotors dans des tâches telles que la course et la surveillance, offrant un cadre évolutif pour les systèmes de drones. En faisant le lien entre les modèles théoriques et les mises en œuvre pratiques, ce travail fait progresser le domaine de la navigation des drones, en mettant l'accent sur l'intégration rentable des capteurs, l'efficacité énergétique et la réactivité en temps réel
Amélioration de l’efficacité énergétique d’un variateur de vitesse associé à un moteur à induction
(2010) Zamoum, Yasmine
Les machines à induction sont largement utilisées dans les applications industrielles. Toutefois l’entrainement avec ce type de machines souffre de la dégradation de l’efficacité du variateur lors du fonctionnement à vitesse variable et à faibles charges. Pour améliorer l’efficacité du variateur de vitesse par moteur à induction, il faut à tout moment, d’une part, maintenir le découplage entre le couple et le flux rotorique, et d’autre part, chercher la valeur optimale du flux rotorique pour laquelle, les pertes du moteur sont minimales. Autrement, dit maintenir l’efficacité signifie la diminution des coûts d’exploitation. A cet effet, dans le présent travail sont présentés deux approches de minimisation des pertes d’un variateur de vitesse par machine à induction à savoir : algorithme de minimisation des pertes à base du modèle (Loss model Controller LMC) et algorithme basé sur une recherche itérative du point optimal (Search Controller SC). Une étude comparative par simulation numérique en utilisant Matlab- simulink permettra d’obtenir les résultats nécessaires à la comparaison des avantages et des inconvénients des deux algorithmes sus-cités. Par ailleurs, une implémentation sera envisagée en vue de déterminer l’effet réel sur la quantité des pertes pour les régimes à petites charges
Modern artificial intelligence technics for unmanned aerial vehicles path planning and control
(2025) Zamoum, Yasmine; Baiche, Karim; Benkeddad, Youcef; Bouzida, Brahim
Unmanned aerial vehicles (UAVs) require effective path planning algorithms to navigate through complex environments. This study investigates the application of Deep Q-learning and Dyna Q-learning methods for UAV path planning and incorporates fuzzy logic for enhanced control. Deep Q-learning, a reinforcement learning technique, employs a deep neural network to approximate Q-values, allowing the UAV to improve its path planning capabilities by maximizing cumulative rewards. Conversely, Dyna Q-learning leverages simulated scenarios to update Q- values, refining the UAV’s decision-making process and adaptability to dynamic environments. Additionally, fuzzy logic control is integrated to manage UAV movements along the planned path. This control system uses linguistic variables and fuzzy rules to handle uncertainties and imprecise information, enabling real-time adjustments to speed, altitude, and heading for accurate path following and obstacle avoidance. The research evaluates the effectiveness of these methods individually, with a focus on model-free learning in a gradual training approach, and compares their performance in terms of path planning accuracy, adaptability, and obstacle avoidance. The paper contributes to a deeper understanding of UAV path planning techniques and their practical applications in various scenarios.