| Summary: | La principale limitation du modèle connexionniste (réseau neuronal artificiel) CMAC (Cerebellar Model Articulation Controller) et son applicabilité à la résolution des problèmes inhérents au systèmes automatisés complexes (robots, véhicules autonomes, etc.) est liée à la taille de mémoire requise par ce type de modèle connexionniste. Il est pertinent de rappeler que la capacité de mémoire exigée par le CMAC dépend, en premier lieu, de la précision de la quantification des signaux d'entrée, puis, de la dimension de l'espace des entrées (espace caractéristique) du système modélisé. Dans le cas des applications requérant une exécution en temps-réel, la tendance est à la réduction de l'espace caractéristique (aussi petit que possible) et la précision (de la quantification : aussi faible que possible). Cependant, souvent, les systèmes complexes impliquent plusieurs entrées. Pour résoudre le problème inhérent à cet antagonisme et la taille de la mémoire, nous nous sommes intéressés, dans la présente thèse, à l'influence des paramètres intervenant dans la précision de la quantification et dans la capacité de la généralisation sur la qualité d'approximation du modèle CMAC. L'objectif escompté était d'arriver à des structures optimales du CAMC pour le contrôle des systèmes dynamiques complexes. Les robots bipèdes (humanoïdes) et des véhicules volants hypersoniques sont deux domaines d'applications très actuelles impliquant des systèmes complexes. Nous avons appliqué des concepts étudiés aux problèmes soulevés par les deux domaines précités. Des résultats obtenus à partir de la simulation ont montré que des structures optimales ou quasi-optimales conduisant à une réduction sensible d'erreur de modélisation peuvent être obtenues. Ces résultats ont montré que les choix effectués dans l'optimisation de la structure permet une réduction de la taille de la mémoire requise (par le CMAC) et une réduction du temps d'exécution à la fois === The main limitation of the CMAC (Cerebellar Model Articulation Controller) network in realistic applications for complex automated systems (robots, automated vehicles, etc…) is related to the required memory size. It is pertinent to remind that the memory used by CMAC depends firstly on the input signal quantification step and secondly on the input space dimension. For real CMAC based control applications, on the one hand, in order to increase the accuracy of the control the chosen quantification step must be as small as possible; on the other hand, generally the input space dimension is greater than two. In order to overcome the problem relating the memory size, how both the generalization and step quantization parameters may influence the CMAC's approximation quality has been discussed. Our goal is to find an optimal CMAC structure for complex dynamic systems' control. Biped robots and Flight control design for airbreathing hypersonic vehicles are two actual areas of such systems. We have applied the investigated concepts on these two quite different areas. The presented simulation results show that an optimal or sub-optimal structure carrying out a minimal modeling error could be achieved. The choice of an optimal structure allows decreasing the memory size and reducing the computing time as well
|
|---|
