Approximation Du Modèle Géométrique Inverse D'un Robot Manipulateur Par Les Réseaux de Neurones Artificiels

REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE
MINISTERE DE L’ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE

UNIVERSITE MOHAMED BOUDIAF - M’SILA
DOMAINE : SCIENCES ET TECHNOLOGIES FACULTE : TECHNOLOGIE

FILIERE : automatique DEPARTEMENT : GENIE ELECTRIQUE
SPECIALITE : Automatique et systèmes NO D’ORDRE: …………………..
MEMOIRE DE FIN D'ETUDE EN VUE DE L'OBTENTION DU

DIPLOME DE MASTER
Présenté par :
MEZID Mohamed
THEME
Approximation du modèle géométrique inverse d’un

robot manipulateur par les réseaux de neurones
artificiels
Soutenue le 26 /06/ 2019 devant le jury composé de :
KHETTAB Khoutir UNIVERSITE MOHAMED BOUDIAF - M’SILA Président
AIB Abdelghani UNIVERSITE MOHAMED BOUDIAF - M’SILA Encadreur
BOUKHALFA Abdelouahab UNIVERSITE MOHAMED BOUDIAF - M’SILA Examinateur
ANNEE UNIVERSITAIRE : 2018/ 2019

Résumé :
Dans ce travail, nous présentons un procédé pour l'approximation du modèle géométrique inverse d'un
robot manipulateur série par un réseau de neurones artificiel, tout en évitant les problèmes classiques liés
au calcul du modèle géométrique inverse par des méthodes donnants une solution forme fermée (une
solution explicite). Notre procédé utilise le modèle géométrique direct calculé par la convention de
Denavit-Hartenberg, pour générer la base de données d'apprentissage en identification inverse par un
réseau de neurons.
Mots clés : Model géométrique direct, Model géométrique inverse, réseau de neurones artificiels
Abstract:
In this paper, we present a procedure for approximating the inverse geometric model of a serial
manipulator robot by an artificial neural network, while avoiding the classical problems associated with
calculating the inverse geometric model by methods giving a closed shape solution (an explicit solution).
Our procedure uses the direct geometric model calculated by the Denavit-Hartenberg Convention, to
generate the learning database in reverse identification with a neural network.
Keywords: Direct geometric model, geometric model, Neural network
:‫ملخص‬
‫ مع تجنب‬،‫ نقدم إجراء لتقريب النموذج الهندسي العكسي لروبوت مناور تسلسلي بواسطة شبكة عصبونية اصطناعية‬،‫في هذه الورقة‬
‫ يستخدم اإلجراء الخاص بنا‬.)‫المشكالت الكالسيكية المرتبطة بحساب النموذج الهندسي العكسي بطرق تعطي حالً لشكل مغلق (حل واضح‬
‫ إلنشاء قاعدة بيانات التعلم في تحديد عكسي بواسطة شبكة‬، ‫هارتمبرك‬-‫النموذج الهندسي المباشر المحسوب بواسطة اتفاقية دينافيت‬
.‫عصبونية‬
‫ شبكة عصونية‬،‫ النموذج الهندسي المباشر‬،‫ النموذج الهندسي العكسي‬:‫كلمات مفتاحية‬

Remerciements
Avant de présenter ce travail, je tiens à remercier DIEU tout puissant, de m’avoir permis
d’arriver à ce niveau, et aussi pour m’avoir donné beaucoup de patience et de courage sans
oublier mes parents qui n’ont lésiné sur aucun problème pour apporter toute l’aide nécessaire
pour atteindre ce niveau qui me permettra d’assurer mon avenir.
A travers cette mémoire je tiens à présenter mes sincères remerciements et mes profondes
reconnaissances à mon encadreur AIB Abdelghani pour sa patience, sa disponibilité et
surtout ses judicieux Conseils, qui ont contribué à alimenter ma réflexion.
Je tiens à remercier tous les enseignants au département de génie électrique de l’université

Mohamed Boudiaf à m’sila pour leurs aides, soutiens et leurs conseils ainsi que tout le staff
administratif du département.
Merci à tous ceux et celles qui ont contribués de près ou de loin dans l’accomplissement de ce
travail.
Dédicace
A ma bien-aimée mère Mahjouba, qui m’a entouré d’amour, d’affection et
qui fait tout pour ma réussite, que dieu la garde ;
Mon père, Mohamed Lemin qui m’a aidé à devenir ce que je suis
aujourd’hui, que dieu le garde et le protège ;
Mon grand frère Deddah que je pris comme mon idole.
Ma grande sœurs mghayli .
Ma grande sœur beybih.
Ma petite sœur oumama, que j’aime profondément.
Mon petit frère que j’adore houdifa.
Ma petite mariem la prunelle de mes yeux.
Mon petit frère Abdala, Aucune dédicace ne saurait exprimer l’amour

l’estime et le respect que j’ai toujours eu pour toi.
Mon petit frère cheikh, mon conseiller, et ami fidèle, qui m’a assisté dans les
moments difficiles et m’a pris doucement par la main pour traverser
ensemble des épreuves pénibles….
A ma grande sœur, Khadija le bonheur d'avoir une grande sœur sur laquelle
on peut compter.
Ma sœur, Bebouta la généreuse, merci pour tous les sacrifices consentis et ses
précieux conseils.
A mon deuxième père Med abdallahi Memin qui m’a offert l’occasion
d’étudier en Algérie que dieu le garde.
A mes chers adorable frères Memin, Brahim Salem, Baba.
A Tout le monde.
Puisse Dieu vous garder, éclairer votre route et vous aider à réaliser à votre
tour vos vœux les plus chers.
Liste des matières
Table des matières
Introduction générale……..…………………………………………………………...…1
Chapitre I Les réseaux de neurones Artificiels

I.1 Introduction ............................................................................................................... 2
I.2. Les neurones biologiques ......................................................................................... 2
I.3 Structure des neurones : ........................................................................................... 2
I.3.1 Le corps cellulaire : ............................................................................................ 3
I.3.2 Les dendrites : ..................................................................................................... 3
I.4 Neurone formel : ........................................................................................................ 4
I.5 L’utilisation des réseaux de neurones : .................................................................... 5
I.6 Apprentissage : .......................................................................................................... 6
I.6.1 L’apprentissage supervisé : ............................................................................... 6
I.6.2 L’apprentissage non supervisé : ........................................................................ 6
I.6.3 L’apprentissage hybride : .................................................................................. 7
I.8 Algorithme de retro Propagation du Gradient : .................................................... 7
I.8.1 Le principe : ........................................................................................................ 7
I.8.2 L'algorithme : ..................................................................................................... 7
I.8.2.1 Définition du réseau : .................................................................................. 7
I.8.2.2 Les étapes de l’algorithme : ........................................................................ 8
I.9 Architecture des réseaux de neurone : .................................................................... 9
I.10 Réseaux Propagation vers l’avant « Feed-Forward » : ........................................ 9
I.10.1 Perceptron monocouche SLP : ...................................................................... 10
I.10.2 Perceptron multicouches PMC : ................................................................... 10
I.11 Structure d’interconnexion des RNA : ................................................................ 11
I.11.1 Réseau multicouche : ...................................................................................... 11

I.11.2 Réseau à connexions locales : ........................................................................ 12
II.11.3 Réseau à connexions récurrentes : .............................................................. 12
I.11.4 Réseau à connexions complexes : .................................................................. 13
I.12 Architecture des RNA : ......................................................................................... 13
I.12.1 Réseaux statiques : ......................................................................................... 13
I.12.2 Réseaux dynamiques : .................................................................................... 14
I.12.3 Réseaux auto-organisés : ................................................................................ 14
I.12 Application des réseaux de neurones :................................................................. 14
I.14 Avantages et Inconvénients des réseaux de neurones ........................................ 14
I.14.1. Avantages des réseaux de neurones ............................................................. 15
I.14.2. Inconvénients des réseaux de neurones ....................................................... 15
I.15 Conclusion :............................................................................................................ 15
Chapitre II Modélisation des robots manipulateurs

II.1 Introduction ........................................................................................................ 16
II.2 Classification et fonctions des robots ................................................................ 16
II.2.1 Classification des robots .............................................................................. 16
II.2.2 Fonctions des robots .................................................................................... 16
II.3 Historique ............................................................................................................ 16
II.4 La modélisation ................................................................................................... 18
II.5 Modélisation géométrique d'un robot manipulateur [2] ............................... 19
II.5.1 Modèle géométrique direct (MGD) ............................................................ 19
II.5.1.1 Positionnement et transformation homogènes ................................... 19
II.5.1.2 Rotation et représentation de la rotation(angles euler) ..................... 21
II.5.1.3 La convention de denavit-hartenberg pour le calcul de MGD ......... 23
II.6 Modèle géométrique inverse (MGI) .................................................................. 25

II.6.1 Méthodes de calcul de la MGI ................................................................... 25
II.6.2 Les problèmes liés au calcul du modèle géométrique inverse .................. 25
II.7 Les modèles géométriques direct et inverse dans la boucle de commande

d'un robot ................................................................................................................... 28
II.8 Conclusion ........................................................................................................... 29
Chapitre III Approximation du modèle géométrique inverse par les

réseaux de neurones artificiels
III.1 Introduction : ..................................................................................................... 30
III.2 Identification des processus par réseaux de neurones ................................... 30
III.1.1 Identification directe .................................................................................. 31
III.1.2 Identification inverse .................................................................................. 32
III.2 Approximation du MGI du robot Mentor par Identification inverse .......... 32
III.2.1 la méthode proposée pour l'approximation de MGI du robot Mentor . 33
III.2.2 Calcul du MGD du robot Mentor [8] ....................................................... 33
III.2.3 Choix de la topologie et de l'architecture du réseau : ............................. 37
III.2.4 Remplissage de la base des données pour l'apprentissage : ................... 37
III.3 Résultats d’approximation du model géométrique inverse par les réseaux de

neurones artificiels ..................................................................................................... 38
III.3.1 Résultats de l’architecture a :.................................................................... 38
III.3.2 Résultats de l’architecture B : ................................................................... 41
III.3.3 Architecture c : ........................................................................................... 45
III.4 Conclusion .......................................................................................................... 49
Conclusion générale ................................................................................................... 50

Liste des figures
Liste des figures
Figure I.1 : Neurone biologique ..................................................................................... 3
Figure I.2 : Le modèle de McCulloch-Pitts ................................................................... 4
Figure I.3 : Quelques types de fonctions d’activations ................................................ 5
Figure I.4: Exemple de réseau MLP à une couche cachée avec 5 entrées, 3 neurones
dans la couche cachée, et quatre 4 sorties ..................................................................... 8
Figure I.5 : Topologies des réseaux de neurones artificiels ......................................... 9
Figure I.6: Perceptron entrée poids sortie .................................................................. 10
Figure I.7 : Exemple d’un réseau de type perceptron multicouches ........................ 11
Figure I.8 : Réseau multicouche classique .................................................................. 12
Figure I.9 : Réseau à connexions locales ..................................................................... 13
Figure I.10 : Réseau à connexions récurrentes ........................................................... 14
Figure I.11 : Réseau à connexions complexes ............................................................. 15
Figure II.1 : Exemple du modèle cinématique………………………………………19
Figure II.2 trois rotations successives……………………………………………......21
Figure II.3 : Robot a structure ouverte simple……………………………………...23
Figure II.4: exemple d’exprimassions des quatre paramètres de denavit-

Hartemberg……………………………………………………………………...…….24
Figure II.5 MGD et MGI dans une boucle de commande d'un robot…………......28
Figure III.1 Schéma d’identification directe d’un processus par réseau de neurones.
...................................................................................................................................... 31
Figure III.2 Schéma d’identification inverse d’un processus avec un réseau de

neurones. ..................................................................................................................... 32
Figure III.3 Identification inverse pour l'approximation du MGI du robot Mentor

...................................................................................................................................... 33
Figure III.4 Image du robot Mentor. ....................................................................... 33
Fig III.5 Les translations homogènes ....................................................................... 34

Figure III.6 performance du réseau de neurones de l’architecture a ................... 38
Figure III.7 Courbe de régression général du réseau de neurone pour l’architecture

a.................................................................................................................................... 38
Figure III.8 les orientations réelles et approximées( 1 ) ....................................... 39
Figure III.9 les orientations réelles et approximées(  2 )....................................... 39
Figure III.10 les orientations réelles et approximées(  3 ) ...................................... 40
Figure III.11 performance du réseau de neurones de l’architecture b……….…41

b ............................................................................................................................. …..41
Figure III.13 les orientations réelles et approximées( 1 ) ...................................... 42
Figure III.14 les orientations réelles et approximées(  2 )...................................... 42
Figure III.15 les orientations réelles et approximées(  3 ) ...................................... 43
Figure III.16 performance du réseau de neurones de l’architecture 3 ................. 44

c .................................................................................................................................... 44
Figure III.18 les orientations réelles et approximées(  1 )....................................... 45
Figure III.19 les orientations réelles et approximées(  2 ).. ………………………45
Figure III.20 les orientations réelles et approximées(  3 )…………………………46

Liste des tableaux
Liste des tableaux
Tableau I.1 : L’analogie entre les neurones biologiques et les neurones artificiels. . 5
Tableau III.1 paramètre de Denavit-Hartemberg……………………………….….35

INTRODUCTION GENERALE
Introduction générale
L’utilisation de manipulateurs dans l’industrie n’a cessé d’augmenter ces dernières

années. Ils ont permis d’augmenter la production et la précision des mouvements
effectués. La plus grande partie de ces manipulateurs est constituée des manipulateurs
sériels dont la morphologie peut facilement être comparée à celle de l’être humain. Plus
récemment, les manipulateurs parallèles sont apparus dans les domaines où l’on a
besoin d’effectuer des mouvements rapides ou des placements très précis (simulateur
de vol, usinage, chirurgie, etc.) ou transporter de lourdes charges. Un problème
important non résolu lié à l’utilisation de ce type de mécanisme est la gestion des
différentes solutions aux modèles géométriques inverse.
La capacité des réseaux de neurones à approximer des fonctions uniformément
continues a été prouvée en plusieurs articles. Les réseaux de neurones, avec la capacité
d’approximer une grande classe de fonctions non linéaires, fournissent une structure
canonique et faisable pour la représentation des systèmes dynamiques non linéaires.
Ainsi, les réseaux de neurones sont un outil puissant que ce soit pour améliorer des
applications quand le modèle mathématique du système non linéaire est disponible mais
imprécis, ou pour établir un modèle du système à partir des données expérimentales
lorsqu’un modèle théorique est indisponible ou impraticable.
Le but de cette mémoire est de trouver une solution pour le problème du model
géométrique inverse ; et pour la résolution de ce problème nous avons choisi les réseaux
de neurones artificiels par leur capacité d’approximer une grande classe de fonctions
non linéaires comme solution.
Cette mémoire commence par une introduction sur les réseaux de neurone artificiel.
Le deuxième chapitre est dédié à une présentation des différents modèles utilisés pour
décrire le mouvement des articulations d'un bras manipulateur, le modèle couvre des
aspects des modèles géométriques, modèles cinématique et les modèles dynamiques.
Le troisième chapitre constitue notre contribution à l’approximation du model
géométrique inverse du robot mentor.
1
CHAPITRE I
LES RESEAUX DE NEURONES
ARTIFICIELLES
CHAPITRE I : LES RESEAUX DE

NEURONES ARTIFICIELLES
I.1 Introduction
Historiquement les premiers modèles neuromimétiques ont été développés dans la
mouvance cybernéticienne. Ils devaient permettre de valider et d'utiliser en robotique
les premiers modèles neurobiologiques de la conscience. Les cybernéticiens tendaient
en effet vers une conception matérialiste réductrice de la conscience (conception
béhavioriste selon laquelle la conscience est issue d'une combinaison de boucles
réflexes). L'adaptation informatique des principes organisationnels du cortex devait
alors leur permettre de vérifier cette hypothèse.
Les réseaux de neurones sont des modèles mathématiques et informatiques, des
assemblages d’unités de calculs appelés neurones formels, et dont l’inspiration
originelle était un modèle de la cellule nerveuse humaine. Cet héritage de la
neurobiologie forme une composante importante de la matière, et le souci de maintenir
une certaine correspondance avec le système nerveux humain a animé et continue a
animer une part importante des recherches dans le domaine.
Malgré cet héritage, l’essentiel des travaux d’aujourd’hui ont pour objet le réseau de
neurones formels et non son corrélat neurobiologique. Vu comme des systèmes de
calcul, les réseaux de neurones possèdent plusieurs propriétés qui les rendent
intéressants d’un point de vue théorique, et fort utiles en pratiques[1].
I.2. Les neurones biologiques
Le cerveau humain contient près de 86 milliards de neurones, et il existe environ 200
types de neurones. Dans un neurone nous pouvons distinguer trois régions principales
(figure I.1) : le corps cellulaire qui contient le noyau du neurone ainsi que la machine
biochimique nécessaire à la synthèse d’enzymes ; les dendrites, qui se divisent comme
les branches d’un arbre, recueillent l’information d’autres neurones et l’acheminent vers
le corps de la cellule ; l’axone, généralement très long et unique[2] , il conduit
l’information du corps cellulaire vers d’autres neurones avec qui il fait des connexions
appelées synapses:
 Recevoir des signaux en provenance de neurones voisins.
 Intégrer ces signaux.
 Engendrer un influx nerveux.
2
 Le conduire.
 Le transmettre à un autre neurone capable de le recevoir.
I.3 Structure des neurones :

Un neurone est constitué de trois parties :
 Le corps cellulaire.
 Les dendrites.
 L’axone.
Figure I.1 : Neurone biologique
I.3.1 Le corps cellulaire :

Il contient le noyau du neurone et effectue les transformations biochimiques nécessaire
à la synthèse des enzymes et des autres molécules qui assurent la vie du neurone, il a
une forme pyramidales ou sphérique dans la plupart des cas.
I.3.2 Les dendrites :
Chaque neurone possède une « chevelure » de dendrites Celles-ci sont de fines
extensions tubulaires, de quelques dixièmes de microns. De diamètre et d’une longueur
de quelques dizaines de microns. Elles sont les récepteurs principaux du neurone pour
capter les signaux qui lui parvienne.
I.3.3 L’axone :
L’axone, qui est à proprement parler la fibre nerveuse, sert de moyen de transport
connectés les uns aux autres suivants des répartitions spatiales complexes, les
connexions entre deux neurones se font en des endroits appelés synapses où ils sont
séparés par un petit espace synaptique de l’ordre d’un centième de micron.
D’une façon simple, on peut dire que le soma du neurone traite les courants électriques
qui lui proviennent de ses dendrites, et qu’il transmet le courant électrique (sous forme
3
d’impulsions chaque une de durée d’environ 1ms et une amplitude d’environ 100mv)
résultant de ce traitement aux neurones auxquels il est connecté par l’intermédiaire de
son axone[3].
Le schéma classique présenté par les biologistes est celui d’un soma effectuant une
sommation des influx nerveux transmis par ses dendrites Si la sommation dépasse un
certain seuil, le neurone répond par un influx nerveux au potentiel d’action qui se
propage le long de son axone, Si la sommation est inférieure à ce seuil, le neurone reste
inactif[3]
I.4 Neurone formel :
Par définition un neurone formel est une fonction algébrique non linéaire,
paramétrée, à valeurs bornées.
McCulloch et pitts ont proposés une unité a seuil binaire comme un modèle
neuronal diagramme de McCulloch-Pitts est montre dans le Figure suivant :
Figure I.2 : Le modèle de McCulloch-Pitts
Ce modèle mathématique calcule la somme pondérée de ses n entrées, , j=1,2,…,n, Le

nœud est caractérisé par un seuil , il génère une sortie de « 1 » si cette somme et
supérieure au seuil µ , et autrement une sortie de « 0 » Mathématiquement.
n
1 Si  wi xi  
i 1
v= n
(I.1)
{
0 Si w x
i 1
i i 
Où F(.) est la fonction d’activation, et 𝑤𝑗 est le poids synaptiques associé a la sortie,

parfois, on considère le seuil m comme un autre poids w0= -µ et qui est connecté a un
neurone avec une entrée constante, x0=1.
4
Les poids positifs correspondent à des synapses excitatrices, tandis que les poids
négatifs correspondent aux synapses inhibitrices. Il y a une analogie évidente (Tableau
I-1) avec les neurones biologiques :
Neurones biologiques Neurones artificiels

Synapses Connections pondérées
Axons Sorties
Dendrites Entrées
Tableau I.1 : L’analogie entre les neurones biologiques et les neurones artificiels.
Le modèle de McCulloch et Pitts a été généralisé par de nombreuses façon, une
généralisation évidente et celle d’utiliser une autre fonction d’activation que la fonction
à seuil, ℯ. ℊ, la fonction logistique, tangente hyperbolique, ou bien Gaussienne, qui son
montrées dans la (Figure I.3).La fonction sigmoïde est de loin la plus utilisée dans les
RNA, c’est une fonction qui est caractérisée par sa propriété asymptotique [4].
La fonction sigmoïde standard est la fonction logistique et elle est définie par :
𝑮(𝒙) = 𝟏/(𝟏 + 𝐞𝐱𝐩(−𝒃𝒙))
Où b est le paramètre de pente.
Figure I.3 : Quelques types de fonctions d’activations[4]

I.5 L’utilisation des réseaux de neurones :
Les réseaux de neurones ont une remarquable faculté à donner un sens, extraire des
règles et des tendances à partir de données compliquées, bruitées et imprécises. Ils
peuvent s'utiliser pour extraire des modèles et détecter des tendances reposant sur des
5
fonctions mathématiques compliquées qui sont trop difficiles, voire impossible, à

modéliser à l'aide de techniques analytiques ou paramétriques traditionnelles.
L'une des propriétés intéressantes des réseaux de neurones est qu'ils savent prévoir avec
précision des données qui ne faisaient pas partie des données d'apprentissage, un
processus connu sous le nom de généralisation, Compte tenu de ces caractéristiques et
de leur domaine d'application étendu, les réseaux de neurones sont particulièrement
bien adaptés à l'application de problématiques concrètes dans les domaines de la
recherche scientifique, commerciale et industrielle. Ci-dessous, un certain nombre de
domaines dans lesquels les réseaux de neurones ont été appliqués avec succès [5] :
 Traitement du signal
 Prédiction
 Maîtrise des processus
 Robotique
 Classification
 Prétraitement des données
 Reconnaissance de formes
 Analyse de l'image et synthèse vocale
 Diagnostiques et suivi médical
 Marché boursier et prévisions
 Demande de crédits ou de prêts immobiliers
I.6 Apprentissage :
La capacité à apprendre un trait fondamental de l’intelligence, d’un autre côté ce que
veut dire l’apprentissage est parfois difficile à décrire, le processus d’apprentissage,
dans le contexte des réseaux de neurones peut être vu comme un problème ajustement
et d’adaptation de l’architecture et des poids du réseau de neurone de façon que le RNA
exécute efficacement une tache spécifique. Au lieu de spécifier un ensemble de règles,
les réseaux de neurones apprennent automatiquement à partir de la collection
d’exemples, et c’est ce qui les rend très attractives[6].
Il y a trois types de paradigmes d’apprentissage :
 Supervisé
 Non supervisé
 Hybride
6
I.6.1 L’apprentissage supervisé :

C'est actuellement le mode d'apprentissage le plus couramment utilisé. Son principe est
élémentaire : on soumet au réseau à un grand nombre d'exemples pour lesquels l’entrée
commise par le réseau.
Le plus répandu des algorithmes d'apprentissage supervisé est l'algorithme de rétro
propagation du gradient d'erreur qui, appliqué aux réseaux Multi Couches[7].
I.6.2 L’apprentissage non supervisé :

Contrairement aux modes supervisés, seule une base d'entrées est fournie au réseau.
Celui-ci doit déterminer lui-même ses sorties en fonction des similarités détectées entre
les différentes entrées, c’est-à-dire en fonction d’une règle d’auto-organisation, Il
explore la structure des données, ou encore la corrélation entre les modèles d’entrée et
les organise à partir de cette corrélation en des catégories.
I.6.3 L’apprentissage hybride :
Il combine l’apprentissage supervisé et non supervisé. Dans de nombreux
problèmes on ne dispose pas de l'information nécessaire à la construction d'une
base d'apprentissage complète. On ne dispose souvent que d'une information
qualitative permettant l'évaluation de la réponse calculée, sans pour autant
connaître la réponse la plus adaptée.
I.7 Algorithme d'apprentissage :
Pour chaque type de réseaux de neurones artificiels, il existe des méthodes ou des
algorithmes d'apprentissage permettant une modification des poids et de biais.
On retrouve plusieurs algorithmes d'apprentissage tels que l'algorithme du perceptron,
la règle d'apprentissage de Hebb, la règle d'apprentissage de Widrow-Hoff (règle Delta)
ainsi que des algorithmes généralisés de Widrow-Hoff pour les réseaux multicouches
(rétropropagation du gradient de l'erreur...).
I.8 Algorithme de retro Propagation du Gradient :
I.8.1 Le principe :
La rétro-propagation du gradient consiste à propager « à l’envers » (de la couche de
sortie vers la couche d’entrée) l’erreur obtenue sur les exemples de la base
d’apprentissage. On utilise pour cela l’erreur quadratique (le carré de la différence entre
ce qu’on obtient et ce qu’on désire).
Si on calcule la dérivée partielle de l’erreur quadratique par rapport aux poids des
connexions (gradient), il est possible de déterminer la contribution des poids à l’erreur
7
générale, et de corriger ces poids de manière à se rapprocher du résultat souhaité. La

correction par itération corrige plus ou moins les poids par l’intermédiaire d’un
coefficient η[8].
I.8.2 L'algorithme :
I.8.2.1 Définition du réseau :
Soit un réseau multicouche défini par :
-Une couche d'entrée à 𝑚 cellules d'entrées 𝑥𝑖 = 𝑒𝑖 (Il ne s'agit pas de neurones, ces
cellules présentent simplement les entrées 𝑒𝑖 au réseau).
-Une couche de sortie a𝑝 neurones d'activation 𝑍𝐾
-Une couche cachée a 𝑛 neurones d'activation
yj
-𝑛 ∗ 𝑚 connexions entre la couche d'entrée et la couche cachée, chacune
pondérée par 𝒗𝒊𝒋
-𝑛 ∗ 𝑝 connexions entre la couche cachée et la couche de sortie, chacune
pondérée par 𝑤𝑗𝑘 .
I.8.2.2 Les étapes de l’algorithme :
Figure I.4: Exemple de réseau MLP à une couche cachée avec 5 entrées, 3
neurones dans la couche cachée, et quatre 4 sorties
• ETAPE 1: Initialisation au hasard ou aléatoire des poids des connexions et 𝒗𝒊𝒋 et 𝒘𝒋𝒌
• ETAPE 2: Propagation des entrées xi= ei.
On propage vers la couche cachée :
yj  f  m
i 1
xiij  x0  (I.2)
Puis de la couche cachée vers la couche de sortie :
8
zk  f  n
i 1
y j wkj  y0  (I.3)
Les valeurs x0 et y0 sont des biais, f est la fonction d’activation qu’on a choisie où on a
défini notre réseau MLP.
• ETAPE 3: Rétro-propagation de l’erreur pour chaque neurone de la couche de sortie,
on calcule l’erreur, c'est-à-dire la différence entre la sortie désirée sk et la sortie réelle
(obtenue) zk .
Ek  Z k (1  Z k )(SK  Z K ) (I.4)
On propage cette erreur sur la couche cachée ; l’erreur de chaque neurone de la couche
cachée est donnée par :
Fj  y j (1  y j ) k 1 wkj Ek
p
(I.5)
• ETAPE 4: Correction des poids des connexions : Il reste maintenant la modification

des poids des connexions et aussi les biais.
- Entre la couche d’entrée et la couche cachée :
 ji  . y j .Fj
(I.6)
x0  .Fj
{
-Entre la couche cachée et la couche de sortie :
-𝜂 Etant un paramètre qu’il reste à déterminer.
-BOUCLER à l’étape 2 jusqu'à un critère d’arrêt à définir.
I.9 Architecture des réseaux de neurone :
On classe généralement les réseaux de neurones en deux catégories : les réseaux
faiblement connectés à couches que l'on appelle des réseaux "feedforward" ou réseaux
directs et les réseaux fortement connectés que l'on appelle des réseaux "récurrents".
Dans ces deux configurations, on retrouve des connexions totales ou partielles entre les
couches. La figure Suivante présente les différentes topologies d’un Réseau de
neurones artificiels[9].
9
Figure I.5 : Topologies des réseaux de neurones artificiels

I.10 Réseaux Propagation vers l’avant « Feed-Forward » :
Un réseau de neurone "Feed-forward" appelé aussi réseau non bouclé ou
unidirectionnels ou statique est présenté par un ensemble de neurones connectés entre
eux telle que l’information circulant des entrées vers les sorties sans retour en arrière
(dans un sens unique). Le calcul de la sortie se fait en propageant les calculs de la
gauche vers la droite, Ces architectures sont les plus couramment utilisées.
I.10.1 Perceptron monocouche SLP :
Le perceptron est un réseau très simple grâce à sa composition d'une couche d'entrée et
d'une couche de sortie sans avoir de couche cachée. Sa structure est montrée dans la
(figure I.6), Différents neurones sont arrangés dans une couche d’entrées et ils sont
connectés avec chaque neurone de la couche de sortie par l'intermédiaire des poids.
Figure I.6: Perceptron entrée poids sortie

I.10.2 Perceptron multicouches PMC :
Le PMC est une extension du perceptron monocouche qui dispose d’un nombre de
couches quelconque et un nombre de neurones (ou d’entrées) par couche également
quelconque. Les neurones y sont arrangés en couches successives : la première couche
qui forme le vecteur des données d’entrée est appelée couche d’entrée tandis que la
10
dernière couche qui produit les résultats est appelée couche de sortie. Toutes les autres
couches qui se trouvent au milieu sont appelées couches cachées. La (figure I.7) donne
un exemple d’un réseau contenant une couche d’entrée, deux couches cachées et une
couche de sortie. Les neurones sont reliés entre eux par des connexions pondérées.
Les neurones de la couche d'entrée sont connectés uniquement à la couche suivante
tandis que les neurones des couches cachées ont la particularité d’être connecté à tous
les neurones de la couche précédente et de la couche suivante, par contre il n'y a pas de
connexions entre les neurones elle-même dans n'importe quelle couche.
Figure I.7 : Exemple d’un réseau de type perceptron multicouches

Le choix du nombre de couches cachées dépend généralement de la complexité du
problème à résoudre, en théorie une seule couche cachée peut être suffisante pour
résoudre un problème donné mais il se peut que le fait de disposer de plusieurs couches
cachées permettre de résoudre plus facilement un problème complexe[10].
I.11 Structure d’interconnexion des RNA :
Les connexions entre les neurones qui composent le réseau décrivent la topologie du
modèle. Elle peut être quelconque, mais le plus souvent il est possible de distinguer une
certaine régularité.
I.11.1 Réseau multicouche :
Les neurones sont arrangés par couche. Il n’y a pas de connexion entre neurones d’une
même couche et les connexions ne se font qu’avec les neurones des couches avales
(figure I.8). Habituellement, chaque neurone d’une couche est connecté àtous les
neurones de l’accouche suivante et celle-ci seulement. Ceci nous permet d’introduire la
notion de sens de parcours de l’information (de l’activation) au sein d’un réseau et donc
définir les concepts de neurone d’entrée, neurone de sortie. Par extension, on appelle
couche d’entrée l’ensemble des neurones d’entrée, couche de sortie l’ensemble des
neurones de sortie.
11
Les couches intermédiaires n’ayant aucun contact avec l’extérieur sont appelées
couches cachées[11].
Figure I.8 : Réseau multicouche classique

I.11.2 Réseau à connexions locales :
Il s’agit d’une structure multicouche, mais qui à l’image de la rétine, conserve une
certaine topologie, Chaque neurone entretien des relations avec un nombre réduit et
localisée neurones de la couche avale (figure I.9), Les connexions sont donc moins
nombreuses de neurones de la couche avale, Les connexions sont donc moins
nombreuses que dans le cas d’un réseau multicouche classique[12].
Figure I.9 : Réseau à connexions locales

II.11.3 Réseau à connexions récurrentes :
Un réseau de ce type signifie qu’une ou plusieurs sorties de neurones d’une couche aval
sont connectées aux entrées des neurones de la couche amont ou de la même couche.
Ces connexions récurrentes ramènent l’information en arrière par rapport au sens de
propagation défini dans un réseau multicouche.
Les réseaux à connexions récurrentes sont des réseaux plus puissants, car ils
sont séquentiels plutôt que combinatoires comme l’étaient ceux décrits
précédemment (figure I.10). La rétroaction de la sortie vers l’entrée permet à
un réseau de ce type de présenter un comportement temporel[13].
12
Figure I.10 : Réseau à connexions récurrentes
I.11.4 Réseau à connexions complexes :

Chaque neurone est connecté à tous les neurones du réseau y compris lui-même, c’est la
structure d’interconnexion la plus générale.
Figure I.11 : Réseau à connexions complexes

I.12 Architecture des RNA :
L’architecture d’un réseau de neurones définit son fonctionnement et joue un rôle
important dans son comportement. Elle est en fonction de ses couches et de la structure
déconnexions de ses neurones ; ces paramètres permettent de distinguer les différentes
classeset/ou types d’architecture neuronales.
I.12.1 Réseaux statiques :
Ce type de réseaux est organisé généralement en couches de neurones. Chaque neurone
d’une couche reçoit ses entrées à partir des neurones de la couche précédente ou tout
simplement de l’entrée du réseau. Dans tels réseaux il n’existe pas de feed-back
(boucles de retour d’informations). Le traitement des données se fait en sens unique et
le flux d’informations circule directement de la couche d’entrée à la couche de sortie ;
13
le traitement est donc réalisé en boucle ouverte. Ces réseaux peuvent être utilisés pour
les problèmes de classification ou d’approximation des fonctions.
I.12.2 Réseaux dynamiques :
Les réseaux dynamiques ou bien récurrents, sont les réseaux pouvant comporter des
boucles (feed-back) entre les neurones. En général, la sortie de chaque neurone peut être
envoyée vers l’entrée de tous les autres neurones du réseau. Ainsi, ces boucles ramènent
l’information en provenance de la couche de sortie sur la couche d’entrée
simultanément avec le signal d’entrée présent au même instant.
Un réseau dynamique peut donner une sortie différente en lui présentant la même entrée
des instants différents, contrairement aux réseaux statiques qui donnent la même sortie
pour une même entrée.
Au début, ces réseaux étaient souvent utilisés pour les problèmes de classification et de
mémorisation. Actuellement, dans plusieurs travaux la structure interne dynamique de
ces réseaux est exploitée pour l’identification ou la commande des systèmes
dynamiques.
I.12.3 Réseaux auto-organisés :
Les réseaux de neurones auto-organisés sont des réseaux qui changent leurs structures
internes pendant l’apprentissage. Ainsi les neurones se regroupent typologiquement
suivant la représentation des exemples. Ces réseaux sont des dérivées des modèles de
Kohonen.
I.12 Application des réseaux de neurones :
Les réseaux de neurones servent dans aujourd’hui à toutes sortes d’applications dans
divers domaines. On peut citer par exemples :
 Autopilotage des avions.
 Système de guidage des automobiles.
 Lecture automatique des chèques bancaires et d’adresses postales.
 Les réseaux de neurones sont utilisés aussi pour les systèmes de vision par
ordinateur.
 Ils sont utilisés en robotique et en télécommunication.
 Ils sont aussi utilisés dans les domaines de finance.
 Ils sont utilisés pour le diagnostic médical.
 Production des systèmes de traitement signal et pour la synthèse de la parole.
14
I.14 Avantages et Inconvénients des réseaux de neurones

I.14.1. Avantages des réseaux de neurones
• Capacité de représenter n’importe quelle fonction, linéaire ou pas, simple ou complexe
• Faculté d’apprentissage à partir d’exemples représentatifs, par rétro-propagation des
erreurs”. L’apprentissage (ou construction du modèle) est automatique ;
• Résistance au bruit ou au manque de fiabilité des données ;
• Simple à manier, beaucoup moins de travail personnel à fournir que dans l’analyse
statistique classique. Aucune compétence en matis, informatique statistique requise ;
• Comportement moins mauvais en cas de faible quantité de données ;
• Pour l’utilisateur novice, l’idée d’apprentissage est plus simple à comprendre que les
complexités des statistiques multi-variables.
I.14.2. Inconvénients des réseaux de neurones
• L’absence de méthode systématique permettant de définir la meilleure topologie du

réseau et le nombre de neurones à placer dans la (ou les) couche(s) cachée(s) ;
• Le choix des valeurs initiales des poids du réseau et le réglage du pas d’apprentissage,
qui jouent un rôle important dans la vitesse de convergence ;
• Le problème du sur-apprentissage (apprentissage au détriment de la généralisation)
• La connaissance acquise par un réseau de neurone est codée par les valeurs des poids
synaptiques, les réseaux de neurones sont donc des boites noires où les connaissances
sont inintelligibles pour l’utilisateur [15].
I.15 Conclusion :
Dans ce chapitre on a essayé de donner en bref une description sur les réseaux de
neurones artificiels, les différents types d’architectures et de modèle qui existent. On a
aussi présenté une définition de l’apprentissage des réseaux de neurones, puis une
description générale de l’algorithme de rétro-propagation, les domaines d’utilisation des
réseaux de neurones.
Contrairement aux méthodes classiques qui ont montré leurs limites, les réseaux de
neurones Ont montré leurs tendances à s’adapter à des problèmes complexes grâce à
leur grande capacité de calcul et d’apprentissage. Ils sont l’objet d’utilisation dans les
différents domaines tels que : La reconnaissance des formes, l'approximation des
fonctions non linéaires, le traitement des images, le traitement de données...etc.
15
CHAPITRE II
Modélisation des robots
manipulateurs
CHAPITRE II : Modélisation des

robots manipulateurs
II.1 Introduction
Si l'on définit la robotique comme le domaine d'une relation intelligente entre
perception et action, la robotique et l'intelligence artificielle sont de toute évidence
étroitement liées. La robotique constitue un challenge pour l'intelligence artificielle
puisqu’elle lui permet de tester sur des objets réels et dans notre univers complexe des
méthodes souvent mises au point sur des exemples de complexité restreinte (jeux …).
Un robot est un système mécanique capable de se mouvoir (robot mobile) ou de
déplacer son effecteur (robot manipulateur) afin de réaliser une tâche qui lui a été
assignée. Les mouvements d’un robot sont engendrés par l’application de forces ou de
couples qui sont transmis aux différents axes du robot par l’intermédiaire d’actionneurs
(moteurs électriques…).
II.2 Classification et fonctions des robots[16]
II.2.1 Classification des robots
La classification la plus couramment utilisée en robotique prend en compte quatre
générations de robots :
a. Robots de première génération : Ils sont programmables et ne réalisent que des
tâches qui demandent peu de précision. Ils fonctionnent en boucle ouverte (sans feed-
back) dans des univers figés.
b. Robots de génération 1.5: Ils disposent de fonctions sensorielles relativement
simples(capteurs de couple, de pression, de proximité, …) et fonctionnent en boucle
fermée (avec feed-back). Ils sont capables d'une plus grande précision et d'actes
réflexes. Ce sont essentiellement des robots-manipulateurs employés pour des travaux
d'emballage, de tri, des robots-peintres, soudeurs et assembleurs.
c. Robots de deuxième génération : Ils disposent de fonctions de perception élaborées
(vision par caméra, micros ultrasensibles, balayage laser ou sonar, stéréognosie, …) qui
nécessitent une interprétation et une coordination avec des effecteurs (roues, pinces,
bras manipulateurs, lasers, …).
d. Robots de troisième génération : Ce sont les plus évolués, ils n'existent pour
l'instant qu'à l'état embryonnaire, l'aspect décisionnel prend chez eux une grande
16
importance, sans toutefois se confondre avec le contrôle direct des effecteurs ou des
capteurs. Ils sont ainsi capables de déterminer de manière autonome leur comportement
suivant l'état de l'environnement de façon à remplir les tâches qui leur sont assignées.
II.2.2 Fonctions des robots
Les robots intègrent quatre fonctions principales :
a. La fonction perception : Son rôle consiste à recueillir des informations sur

l'environnement grâce à des capteurs (capteurs inertiels, caméras, détecteurs à ultra-sons,
détecteurs de proximité, micros, …) et à les traiter (prétraitement, intégration, codage, …)
pour en fournir une représentation exploitable par la fonction modélisation.
b. La fonction modélisation : Elle consiste à traiter les informations qui lui sont fournies
par la fonction perception pour constituer et maintenir à jour un modèle interne du monde
extérieur. Ce modèle est celui qui sera utilisé par la fonction décision.
c. La fonction action : Elle permet au robot d'agir sur le réel au moyen d'effecteurs
(moteurs de déplacement, manipulateurs variés, laser, …).
d. La fonction décision : Elle articule le fonctionnement des trois autres fonctions,

détermine leurs arguments, lance leur action et analyse leurs résultats, en vue d'effectuer
une tâche globale.
A ces quatre fonctions (on parle de boucle perception/modélisation/décision/action), vient
se rajouter la fonctionnalité en général moins importante “la communication’’ : Son rôle
consiste le plus souvent à permettre des échanges d'information entre l'utilisateur et le robot
dans un langage facile à utiliser, par l'intermédiaire de divers terminaux (clavier, écran,
interface vocale, …).
II.3 Historique
1947 : Premier manipulateur électrique téléopéré.
1954 : Premier robot programmable. •
1961 : Apparition d'un robot sur une chaîne de montage de General Motors.
1961 : Premier robot avec contrôle en effort.
1963 : Utilisation de la vision pour commander un robot.
La modélisation représente le lien entre l’espace opérationnel et l’espace de la tache. Il

existe 3 types de la modélisation :
17
a. Modélisation géométrique.
b. Modélisation cinématique.
c. Modélisation dynamique.
II.4 La modélisation[17]
La modélisation du robot est nécessaire, elle nous permet d’avoir une vision globale de
l’état et du comportement du robot manipulateur. Pour commander le robot, on utilise le
modèle géométrique :
a. Le modèle géométrique
 Il permet la commande en position.

 Il considère le robot comme étant un système mécanique de (n+1) corps
rigides, reliés entre eux en série ou en parallèle par l’intermédiaire d’articulation.
On distingue deux types d’articulation :

 Articulation rotoïde : Caractérisée par un mouvement de révolution.
 Articulation prismatique : Caractérisée par un mouvement de translation.
 Chaque configuration géométrique du robot est définie par un ensemble des
variables articulaire (rotation, translation) d’un corps par rapport au corps précèdent.
 Les variables articulaires (rotation, translation) sont appelées coordonnées
articulaires notées qi.
 Le modèle géométrique du robot est l’expression en fonction des coordonnées
articulaires, de l’attitude de l’organe terminal du robot par rapport à sa base.
N.B : Pour nos calculs, on a choisi la convention de Denavit-Hartenberg.
b. Modèle cinématique
Le modèle cinématique sert à analyser les robots en mouvement (vitesse et accélération).
Voici un exemple d’un modèle cinématique (figure II.1) :
18
Figure II.1 : Exemple du modèle cinématique.
c. Modèle dynamique
Le modèle dynamique exprime les équations du mouvement du robot, qui permettent
d’établir les relations entre les couples (forces exercés par les actionneurs) et les situations
des articulations.
II.5 Modélisation géométrique d'un robot manipulateur [9]
II.5.1 Modèle géométrique direct (MGD)
II.5.1.1 Positionnement et transformation homogènes
Soit  Px Py Pz  les coordonnées cartésiennes d’un point P arbitraire, mesuré
dans le repère R i Oi , x i , y i , z i  :
 Px 
P 
P  y (II.1)
 Pz 
 
1
19
-Représentation d’une direction (vecteurs libre) :
U x 
U 
U  y (II.2)
U z 
 
 0 
-Représentation d’un plan :
le plan  x+  y+  z=  est représenté par un vecteur Q = [  ,  ,  ,  ].
Pour tout point appartenant à Q, Q.P = 0
 Px 
P 
Q.P = [  ,  ,  ,  ]  y  (II.3)
 Pz 
 
1
On définit la matrice de transformation homogène par :
s x nx ax Px 
s ny ay Py 
i
T j   i s j , i n j , i a j , i Pj    y (II.4)
s z nz az Pz 
 
0 0 0 1
i
- s j , i n j et i a j sont les vecteurs unitaires des axes Xj, Yj et Zj du repère Rj exprimé
dans Ri
- Pj vecteur exprimant l’origine du repère Rj dans le repère Ri
On écrit aussi :
 i A j i Pj   i s j i n j i a j i
Pj 
Tj  
i
  (II.5)
0 0 0 1 0 0 0 1 
-La matrice A représente la matrice de rotation ou d’orientation du repère Ri par rapport

à Rj
- La colonne P représente la translation du repère Ri par rapport au repère Rj
20
Finalement, la matrice de transformation iT j :
— Est considère comme la représentation du repère Rj dans le repère Ri.
— Permet le passage du repère Ri au repère Rj
Soit Trans(a, b, c) la transformation d’une translation pure où a, b, et c sont les

translations le long des axes x,y et z respectivement. Quand l’orientation est conservée,
la matrice de transformation de cette translation a la forme suivante :
1 0 0 a
0 1 0 b 
i
Tj  Tr (a,b,c) =  (II.6)
0 0 1 c
 
0 0 0 1
On utilise par la suite la notation Tr (u,d) pour désigner une translation d’une valeur d le
long de l’axe u.
Propriétés : Tr (a,b,c) = Tr (x,a).Tr (y,b).Tr (z,c)
L’ordre des multiplications étant quelconque[18].
II.5.1.2 Rotation et représentation de la rotation(angles euler) [19]

a. Principe
Faire trois rotations successive d’angle  ,  ,  au tour des axes z,y et x du repère
courant(Figure II.2).
Figure II.2 trois rotations successives
b. Matrice de rotations
On définit Rot (x,  ) la transformation homogène qui s’exprime par :
21
1 0 0 0  0
 0 c s  
0   rot (x, ) 0 
i
Tj = Rot (x, )    (II.7)
0 s c 0  0
   
0 0 0 1  0 0 0 1
Rot ( x,θ) désigne la rotation ou l’orientation de repère Ri d’un angle θ autour de l’axe
x du repère Rj.
De la même façon on définit la rotation autour de y par :
c 0 s 0  0
0 1 0 0   rot (y, ) 0 
 
i
Tj = Rot (y, )    (II.8)
s  0 c 0  0
   
0 0 0 1  0 0 0 1
Et la rotation autour de z par :
c s  0 0  0
s  c  
0 0  rot (z, ) 0 
i
Tj = Rot (z, )    (II.9)
0 0 1 0  0
   
0 0 0 1  0 0 0 1
b. Transformation inverse
Soit R ,une matrice de rotation :
 r11 r12 r13 

R 01   r21 r22 r23  (II.10)
 r31 r32 r33 


   arcsin(r31 ) 
 r21 r11   
  arctan 2  ;   pour   (II.11)
 cos  cos    2
 r r 
  arctan 2  32 ; 33  
 cos  cos   
22

 ;  0    arc tan 2  r12 , r22 
2

   ;  0    arc tan 2  r12 , r22 
2
II.5.1.3 La convention de denavit-hartenberg pour le calcul de MGD
Méthodologie à suivre pour décrire les robots à structure ouverte simples (Figure II.3).
Une structure ouverte simple est composée de n+1 corps notés C0….Cn et de n
articulations.
Le corps C0 désigne la base du robot et le corps Cn le corps qui porte l’organe terminal.
L’articulation j connecte le corps Cj au corps Cj-1 .
Figure II.3 : Robot a structure ouverte simple
a. Principe
-Fixer des repères à chaque corps du robot.
-Calculer les matrices homogènes entre chaque corps.
- Calculer la matrice homogène entre base et organe terminal.
b. Hypothèses
On suppose que le robot est constitué d'un chaînage de n+1 corps liés entre eux par n
articulations rotoïdes ou prismatiques, à chaque corps on associe un repère Ri,
les repères sont numérotés de 0 à n.
La i ème articulation, dont la position est notée qi est le point qui relie les corps i-1 et
i.
Le repère Rj fixé au corps Cj est défini de sorte que :
- L’axe zj est porté par l’axe de l’articulation j.
23
- L’axe xj est porté par la perpendiculaire commune aux axes zj et zj+1. Si les axes zj et
zj+1
c. Les paramètres de Denavit-Hartenberg
Le passage du repère Rj-1 au repère Rj s’exprime en fonction des quatre paramètres
géométriques suivants : (Figure II.4)
Figure II.4: exemple d’exprimassions des quatre paramètres de denavit-

Hartember
1-  j : angle entre les axes zj-1 et zj correspondant à une rotation autour de xj-1
2- dj : distance entre zj-1 et zj le long de xj-1

3-  j : angle entre les axes xj-1 et xj correspondant à une rotation autour de zj
4- rj : distance entre xj-1 et xj le long de zj
• Si l’articulation i est de type prismatique, alors di est variable.

• Si l’articulation i est de type rotoïdes, alors  i est variable.
A partir de cette description on peut définir la matrice de transformation homogène

définissant le repère Rj dans le repère Rj-1.
On a :
T j  Rot (x ,  j )Trans (x , d j )Rot (z , j )Trans (z , r j )

j 1
(II.12)
24
 C j S  j 0 dj 
j 1
 Aj
j 1
Pj  C  j S  j
j 1
C  jC  j S  j r j S  j 
Tj    (II.13)
 01,3 1  S  j S  j S  jC  j C j rj C  j 
 
 0 0 0 1 
Et
 d j C  j 
 Aj
j 1 T
 j 1
Aj Pj   A j d j S  j 
T j 1  j 1 T
j
T j 1    (II.14)
 01,3 1   01,3 r j 
 
 1 
Le modèle géométrique direct (MGD) est l’ensemble des relations qui permettent
d’exprimer la situation de l’organe terminal, c.à.d. les coordonnées opérationnelles du
robot, en fonction des coordonnées articulaires.
Dans le cas d’une chaine ouverte simple, il peut être représenté par la matrice de passage
0
Tn :
T n 0 T1 (q1 ) 1T 2 (q 2 )........ n 1T n (q n )

0
(II.15)
Le modèle géométrique direct du robot peut être représenté par la relation :

X = f(q) (II.16)
q étant le vecteur des variables articulaires tel que :
q  q1q 2 ......q n 
T
(II.17)
les coordonnées opérationnelles sont définies par :
X   x 1x 2 .....x m   Px Py Pz n x n y n z ax ay az 
T
(II.18)
II.6 Modèle géométrique inverse (MGI)
II.6.1 Méthodes de calcul de la MGI
Le modèle géométrique direct d’un robot permet de calculer les coordonnées

opérationnelles donnant la situation de l’organe terminal en fonction des coordonnées
articulaires.
25
Le problème inverse consiste à calculer les coordonnées articulaires correspondant à

une Situation données de l’organe terminal. Lorsqu’elle existe la forme explicite qui
donne toutes les solutions possibles (il y a rarement unicité de solution) constitue le
modèle géométrique inverse.
Position du problème :
Soit fTEd la matrice de transformation homogène définissant la situation du robot (repère
R0) dans le repère atelier. Dans le cas général, on peut exprimer fTEd sous la forme :
0
TEd = Z0 Tn(q) E
Avec :
- Z est la matrice de transformation homogène définissant la situation du repère (repère
R0) dans le repère atelier.
- 0Tn est la matrice de transformation homogène du repère terminal Rn dans le repère
R0, fonction du vecteur des variables articulaires q :
- E est la matrice de transformation homogène définissant le repère outil RE dans le
repère Rn.
Lorsque n ≥ 6, on peut écrire la relation suivante en regroupant dans le membre de
droite tous les termes connus :
Principe :
0
T n q   Z 1f T E d E 1 (II.19)
Considérons un robot manipulateur dont la matrice de transformation homogène a

pour expression :
T n 0 T1 q1  T 2 q 2  ..n 1T n q n 

0 1
(II.20)
Soit U0 la situation désirée telle que :
1 0 0 Px  s x nx ax 0  s x nx ax Px 
0 1 1 Py  s y ny ay 0  s y ny ay Py 
U0   (II.21)
0 0 0 Pz   s z nz az 0 s z nz az Pz 
     
0 0 0 1 0 0 0 1  0 0 0 1
On cherche à résoudre le système d’équation suivant :
U 0  0T1 q1  T 2 q 2  ..n 1T n q n 

1
(II.22)
26
Méthode de solution :
Pour trouver les solutions de l’équation Paul a proposé une méthode qui consiste à pré
multiplier successivement les deux membres de l’équation par la matrice jTj-1
Étape 1
X  C T nG k (II.23)
En développant :
C 1X  C 1C T nG k (II.24)
C 1X  T nG k (II.25)
C 1X G k 1  T nG k G k (II.26)
C 1X G k 1  Tn (II.27)
tel que C 1X G k 1 : connu et T n : inconnu
Où, Tn   A1A 2  A n  ⇒ 12 relations avec ‘n’ inconnus.
Étape 2
Simplifier les équations séparer certains d.d.l. (si possible)
Étape 3
résoudre les équations simplifiées.
Généralement ⇒ relations trigonométriques ;
⇒ relations non-linéaires ;
⇒ pas toujours facile à résoudre.
4 types d’équation souvent rencontrés :
L’inconnu de ces types d’équation est  et il est calculé avec Atan2 (y,x) qui donne
l’angle dans son cadran .
II.6.2 Les problèmes liés au calcul du modèle géométrique inverse
Le calcul du modèle géométrique inverse (MGI) consiste à déterminer quelles sont les
valeurs des variables articulaires lorsque sont données la position et l'orientation d'un
27
repère lié à l'organe terminal. Dans le cas d'un robot parallèle à six degrés de liberté
cette résolution est analogue, pour chaque chaîne, à celle du modèle géométrique
inverse d'un robot sériel. Si, d'une manière générale, pour un robot parallèle ce modèle
est beaucoup plus simple à résoudre que sa réciproque, il convient de noter qu'il peut
être malgré tout difficile. A l'origine de ce phénomène est la structure de la chaîne
élémentaire reliant l'effecteur à la base. Si cette chaîne est composée de plusieurs
branches, il peut y avoir plusieurs millions de solutions.
Le problème de la modèle géométrique inverse s’agit de résoudre un système de m
équations a n inconnues, ce système étant non linéaire.
Le nombre de solutions dépend de l’architecture du robot manipulateur et de
l’amplitude des articulations.
Trois cas se présentent pour calculer le MGI :
1. Solutions en nombre fini.
2. Absence de solution, lorsque la position de l’organe terminal désirée est en dehors
de la zone accessible du robot.
3. Infinité de solutions lorsque :
- le robot est redondant vis-à-vis la tâche.
- le robot se trouve dans certaines configurations singulières.
Lorsqu’il est possible de calculer toutes les configurations permettant d’atteindre une
situation données d’un robot manipulateur ce dernier est dit résoluble.
II.7 Les modèles géométriques direct et inverse dans la boucle de

commande d'un robot
L'étude du modèle géométrique permet d'établir le lien entre les coordonnées

articulaires et les coordonnées cartésiennes et angulaires de l'extrémité de l'effecteur.
Les coordonnées articulaires sont les valeurs des variables de commande du robot sur
lesquelles on peut influencer par l'intermédiaire des actionneurs (moteurs) a fin de
déplacer l'organe terminal.
Ces modèles sont utilisés pour l’analyse de l’espace de travail, la simulation, la
commande, la calibration, la planification de trajectoire etc..[20]
28
Figure II.5 MGD et MGI dans une boucle de commande d'un robot
II.8 Conclusion
Dans ce chapitre on a vu les méthodes importantes pour la modélisation d’un robot

manipulateur à n articulations.
D'une manière générale, on recherche toujours le modèle le plus simple qui permet
d'expliquer de manière satisfaisante le comportement du processus dans son domaine
d’application.
On distingue :
 Les modèles géométriques qui expriment la situation de l'organe terminal en fonction
de la configuration du mécanisme
 Les modèles cinématiques permettent de contrôler la vitesse de déplacement du robot
afin de connaître la durée d'exécution d'une tâche.
-Les modelés dynamiques qui permet de donner la relation entre les couples (et/ou
forces) appliqués aux actionneurs et les positions, vitesses et accélérations articulaires
29
CHAPITRE III
Approximation du modèle
géométrique inverse par les
réseaux de neurones artificiels
Chapitre III Approximation du modèle géométrique inverse par les réseaux de neurones
artificiels
CHAPITRE III : Approximation du

modèle géométrique inverse par
les réseaux de neurones
artificiels
III.1 Introduction :
Les systèmes réels sont difficiles à étudié, donc on est amené à les représenter
mathématiquement pour pouvoir les commander.
Il y a un intérêt considérable pour ces dernières années en explorant l’application des
réseaux de neurones artificiels pour l’identification. L’identification des systèmes
exige la sélection d’une classe de la fonction (ou modèle) pour approximer le
comportement entrée-sortie des systèmes de la meilleure façon possible. Dans
beaucoup de situations, telles que l’identification des systèmes dynamiques, le
rendement du système physique à modeler est une fonction des entrées et des sorties
antérieures.
III.2 Identification des processus par réseaux de neurones
Par leur capacité d’approximation universelle, les réseaux de neurones sont bien
adaptés pour l’identification des systèmes non linéaires. En effet dans le cas ou le
model de système est une fonction non linéaire, l’objectif est alors d’approximer cette
fonction par les RNA (réseaux de neurones artificiels). Cette approximation est
réalisée par apprentissage des poids du réseau, l’apprentissage peut se faire hors ligne
ou en ligne :
• Dans le cas de hors ligne, l’apprentissage est basé sur un ensemble de données
définissant la fonction commande,
• Dans le cas d’en ligne, la mise à jour des poids est essentiellement adaptative.
Le principe de l’identification par réseau neuronaux consiste à substituer aux modèles
paramétriques classiques des modèles neuronaux, c'est-à-dire proposer un modèle
établissant une relation entre son entrée et sa sortie et à déterminer, à partir du couple
30
artificiels
des signaux d’entrée-sortie, le comportement du modèle. Deux raisons importantes

nous motivent :
• Prédire le comportement d’un système pour différentes conditions de
fonctionnement ;
• Elaborer une loi de commande à appliquer au processus, pour qu’il réalise
l’objectif assigné.
Nous citerons deux techniques d’identification à base de réseaux de neurones
multicouches : la méthode d’identification directe et la méthode d’identification
inverse.
III.1.1 Identification directe

La figure III.1 montre le schéma général d’identification directe d’un processus. Sur
cette figure, le réseau de neurones identificateur RNI est utilisé en parallèle avec un
processus de type boite noire. La sortie du processus, y, est comparée avec la sortie du
réseau de neurones, ŷ , puis l’erreur y  yˆ est utilisée afin d’affiner les paramètres du
système neuronal.
Figure III.1 Schéma d’identification directe d’un processus par réseau de neurones.
Considérons un système non linéaire avec une entrée u(k) et une sortie y(k)
y(k) peut dépendre de u(k) seulement, ou de u(k) et les états précédents de y et/ou u
c’est à dire :
y(k)=F(u(k))
31
artificiels
Ou
y(k)=F(u(k-1),…,u(k-m),y(k-1),y(k-2),…,y(k-n))
Le principe de l’identification directe par réseau de neurones consiste à construire le

réseau (en générale MLP) qui approxime la fonction F, cette approximation se fait par
apprentissage hors ligne.
Etant donné la fonction F, il faut construire un RNA pour réaliser l’approximation, on
génère une base de données de N échantillon y(k-1), y(k-2),….,y(k-n), u(k-1),…,u(k-
m) (les entrés) et on obtient y(k) (la sortie) à partir de F. L’objectif de l’apprentissage
est de déterminer la fonction F à partir de ces données. A l’instant t, on donne au
RNA :
y(k-1), y(k-2),….,y(k-n), u(k-1),…,u(k-m) et on obtient à la sortie ŷ k  . La mise à
jour des poids du réseau est basée sur la minimisation de l’erreur entre y(k) et ŷ k  .
m
 y  yˆ
1
J i i
2 i 1
III.1.2 Identification inverse

Dans cette méthode, l’entrée du processus est comparée avec la sortie de
l’identificateur neuronal RNI est la sortie du processus est injectée comme entrée du
réseau de neurones (figure III.2). Après un apprentissage hors-ligne du modèle
inverse, le RNI peut être configuré afin d’assurer un contrôle directe du processus.
Figure III.2 Schéma d’identification inverse d’un processus avec un réseau de

neurones[15]
32
artificiels
III.2 Approximation du MGI du robot Mentor par Identification

inverse
Le problème inverse consiste à calculer les coordonnées articulaires correspondant à

une situation donnée de l'organe terminal. Lorsqu'elle existe, la forme explicite qui
donne toutes les solutions possibles (il y a rarement unicité de solution) constitue ce
que l'on appelle le modèle géométrique inverse.
Le MGI ce n’est pas toujours facile à calculer dans ce fait on va proposer dans la suite
du chapitre une méthode pour l’approximation de ce modèle.
III.2.1 la méthode proposée pour l'approximation de MGI du robot Mentor
Pour l’approximation du MGI on va utiliser les réseaux de neurones(fig III.3) qui

seront notre solution du fait qu’ils peuvent modéliser n’importe qu’elle fonction non
linéaire, et possèdent aussi la capacité d’apprentissage à partir d’exemples (entrées
/sorties) d’un système, et elle possède les caractéristiques de la mémorisation par la
généralisation.
Figure III.3 Identification inverse pour l'approximation du MGI du robot Mentor

[7]
III.2.2 Calcul du MGD du robot Mentor [8]

a. le robot Mentor :
Le robot manipulateur Mentor est un robot de 5 degrés de liberté de type rotoïde (5R),
3 degrés de liberté (3ddl) pour le porteur et 2ddl pour l’organe terminal plus une
pince, au bout de ce dernier.
33
artificiels
Figure III.4 Image du robot Mentor.

b. Fixage des repères par DH (de Denavit-Hartenberg)
La modélisation géométrique directe du robot Mentor est réalisée en utilisant les
translations homogènes, selon la méthode de Denavit-Hartenberg[2]
Fig III.5 Les translations homogènes
34
artificiels
c. Tableau de Denavit-Hartenberg :
1 2 3 4 5
α 900 0 0 900 0
ai 0 a2 a3 0 0
 1 2  3+900  +900 5
di a1 0 0 0 0
Tableau III.1 paramètre de Denavut-Hartemberg
 i : angle entre les axes zj-1 et zj correspondant à une rotation autour de xj-1
d i : distance entre zj-1 et zj le long de xj-1
 i : angle entre les axes xj-1 et xj correspondant à une rotation autour de zj
ai : distance entre xj-1 et xj le long de zj
d. Matrices de transformations homogènes
A partir du tableau et compte tenu de la matrice de passage élémentaire de Denavit-
Hartenberg, on écrit les matrices des transformations homogènes :
-La matrice de transformation T 10 (exprime le repère R1 dans le repère R0) :
c1 0 0 0
s 0 c1 0 
T 10   1 (III.1)
0 1 0 r1 
 
0 0 0 1
c 2 s 2 s2 r2c 2 
s c 0 r2s 2 
T2   2 2
1
(III.2)
0 0 1 0 
 
0 0 0 1 
 c 3 s 3 s 3 r3c 3 
s  c 0 r3s 3 
T3   3
2 3
(III.3)
 0 0 1 0 
 
 0 0 0 1 
35
artificiels
-La matrice de transformation T 43 (exprime les repères R4 dans le repère R3) :

 s 4 0 0 0
c 0 s4 0 
T4   4
3
(III.4)
 0 1 0 0
 
 0 0 0 1
-La matrice de transformation T 54 (exprime les repères R5 dans le repère R4) :
c 5 s 5 s5 0
s c5 0 0 
T 54   5 (III.5)
0 0 1 0
 
0 0 0 1
Avec : ci : Cosinus de  i et si : Sinus de  i
La matrice homogène total T 50 correspond au passage du repère R0 au repère R5

est calculer par :
T 50  T10T 21T 32T 43T 54 (III.6)
Elle est représentée sous la forme suivante :
s x nx ax Px 
s ny ay Py 
T5   y
0
(III.7)
s z nz az Pz 
 
0 0 0 1
Avec :
 s x  c1s 5 (s 2  c 2s 3 )  s 234c1c 5

s y  s 5 (s1s 2  c1  c 2s1s 3 )s 234c 5s1 (III.8)
 s z  c234 c5 +s 2s3s5

 n x  s 234 c1s5 +c1c5 (s 2 +c2s3 )

n y  c5 (s1s 2 -c1 +c2s1s3 )+s 234s1s5 (III.9)
 n z  c5s 2s3 -c234s5

 ax  -c1 (s 23s 4 +s 234s5 )

 ay  -s1 (s 23s4+s 234s5 ) (III.10)
a  c s -s (s s -c c )
 z 23 4 5 23 4 23 4
Px  c1 (r3c 23 +r2c 2 )


 Py  s1 (r3c 23 +r2c 2 ) (III.11)
 P  r +r s +r s
 z 1 3 23 2 2
36
artificiels
Avec :
ci : cos(i ) ;
cijk : cos(i   j  k ) ;
si : sin(i ) ;
sijk : sin(i   j  k ) ;
III.2.3 Choix de la topologie et de l'architecture du réseau :

A priori, la relation entre les entrées et les sorties est complexe (en particulier non
linéaire) ce qui implique l'utilisation d'un réseau multicouche (ou de plusieurs réseaux
multicouches).
Il n'existe pas de méthodes générales pour le choix du nombre de neurones sur chaque
couche cachée ainsi que le nombre de ces dernières, donc pour le choix on a comparé
trois architectures des réseaux de neurones pour le but de choisir la plus efficace.
On a examiné les architectures par leurs courbes de performances, de régression, du
teste de l’approximation du réseau de neurones, et le temps d’apprentissage.
-Architecture a :
Dans cette architecture on a utilisé un réseau qui se compose d’une seule couche
cachée de 15 neurones, de 6 entrées et 5 cellules de sortie.
-Architecture b :
Dans cette architecture on a utilisé un réseau qui se compose de 2 couches cachées de
25 neurones, de 6 entrées et 5 cellules de sortie.
-Architecture c :
Dans cette architecture on a utilisé un réseau qui se compose de 3 couches cachées de
90 neurones, de 6 entrées et 5 cellules de sortie.
III.2.4 Remplissage de la base des données pour l'apprentissage :

Pour le remplissage de notre base des données on va utiliser le model géomatique
direct de notre robot mentor ; on va varier à chaque fois les entrées qui sont dans une
boucle for de 0 à 2*pi en fin de trouver des exemplaire des sorties (x ,y,z,tx,ty,tz) et
des entrées 
1 2345  , à l’aide de ces exemplaire le base de donnée est remplis ,
Algorithme :
-Définir les longueurs des bras du robot mentor
-Initialiser les entrées du model géométrique direct du robot mentor à zéro
37
artificiels
-faire varier chaque fois les entrées de 0 : pi/12 : pi/2 et les mettre dans une boucle
for
-trouver les sorties (x y z tx ty tz) à chaque variation des entrées 
1 2345 
-Enregistrer les entrées et les sorties trouvées

3.5 Apprentissage du réseau de neurones :
L'apprentissage est de type supervisé. La base d'apprentissage est composée de couple
de vecteurs d'entrée et des vecteurs de sortie associés. L'algorithme d'apprentissage
initial fait appel à la règle de Hebb. Une entrée x est appliquée sur les neurones
d'entrée du réseau et l'on force dans le même temps les valeurs des neurones de sortie
à y. Les poids de chaque connexion sont alors modifiés selon la coactivité du neurone
afférent (entrée) et du neurone efférent (sortie). Cet algorithme est itéré sur tous les
exemples de la base d'apprentissage.
III.3 Résultats d’approximation du model géométrique inverse par
les réseaux de neurones artificiels
La courbe de performance représente la valeur quadratique après la fin de
l’apprentissage, plus que l’erreur est petit le réseau est plus généralisable.
La courbe de régression représente le pourcentage des données valider, testées et
apprenties.
Les courbes des orientations réelles et approximées montrent la capacité du réseau de
neurones d’approximer le model géométrique inverse ; dans ses courbes on a pris des
valeurs réel (les entrées du model géométrique direct qui sont les sorties du réseau de
neurones) et des valeurs approximées par le réseau de neurones et on les représentés
sur le même graphe.
III.3.1 Résultats de l’architecture a :
Dans cette architecture on a utilisé un réseau de neurone qui se compose d’une seule
couche cachée de 15 neurones, de 6 entrées et 5 cellules de sortie.
Dans la figure III.6 on va voir la performance de cette architecture, dans la figure III.7
la régression générale, dans les figures III.8, III.9, III.10 les orientations réelles et
approximées
38
artificiels
Figure III.6 performance du réseau de neurones de l’architecture a
Figure III.7 Courbe de régression général du réseau de neurone pour

l’architecture a
39
artificiels
Figure III.8 les orientations réelles et approximées( 1 )
Figure III.9 les orientations réelles et approximées(  2 )
40
artificiels
Interprétations des courbes de l’architecture a :
Dans cette architecture on a une erreur quadratique de 0.03, 92% des donnés sont
validés, 92% sont testés, l’apprentissage est fait avec 92% des données, la régression
général est de 92%, le temps d’apprentissage été de 15 minutes, et les courbes des
orientations réelles et approximées ne sont pas compatibles, donc l’architecture a
sera un mauvais choix.
III.3.2 Résultats de l’architecture B :
Dans cette architecture on a utilisé un réseau de neurone qui se compose de 2 couches

cachées de 30 neurones, de 6 entrées et 5 cellules de sortie.
Dans la figure III.11 on va voir la performance de cette architecture, dans la figure
III.12 la régression générale, dans les figures III.13, III.14, III.15 les orientations
réelles et approximées
41
artificiels
Figure III.11 performance du réseau de neurones de l’architecture b

l’architecture b
42
artificiels
Figure III.13 les orientations réelles et approximées( 1 )

43
artificiels
Interprétations des courbes de l’architecture b :
général est de 97%, le temps d’apprentissage été de 40 minutes, et les courbes des
orientations réelles et approximées ne sont pas compatibles, donc l’architecture b
sera un mauvais choix.
III.3.3 Architecture c :
Dans cette architecture on a utilisé un réseau de neurone qui se compose de 3 couches

cachée de 90 neurones, de 6 entrées et 5 cellules de sortie.
Dans la figure III.16 on va voir la performance de cette architecture, dans la figure
III.17 la régression générale, dans les figures III.18, III.19, III.20 les orientations
réelles et approximées
44
artificiels
Figure III.16 performance du réseau de neurones de l’architecture 3

l’architecture c
45
artificiels
Figure III.18 les orientations réelles et approximées(  1 )

46
artificiels
Interprétations des courbes de l’architecture 3 :
validés, 98% sont testés, l’apprentissage est fait avec 98% des données et la
régression général est de 98% et le temps d’apprentissage été de 1h25minutes
général est de 98%, le temps d’apprentissage été de 1h25 minutes, et les courbes des
orientations réelles et approximées sont compatibles, donc l’architecture c sera un
meilleur choix.
En résumée l’architecture c est la meilleure architecture car il a une erreur

quadratique plus petit, un pourcentage de régression total plus grand que les autres
architectures ce qui signifie la généralisation de son réseau de neurones, un temps
d’apprentissage très importants, les courbes de comparaison entre les orientations
47
artificiels
réelles et les orientations approximées sont compatible ce qui signifie l’efficacité de

l’approximation de son réseau de neurones.
On constate que plus le nombre de neurones est grand plus que le réseau de neurone
est ,bon, la même chose pour le nombre de couche cachée et en fin le temps
d’apprentissage plus qu’il est long plus que le réseau de neurone est bon.
III.4 Conclusion
Dans ce chapitre on a vu la modélisation d’un robot manipulateur réel qui est le robot
mentor, on a calculé son model géométrique direct afin de calculer une base de
donnés pour l’apprentissage du réseau de neurone et pour faire l’identification
inverse.
On a vu 3 tests sur des architectures de réseau de neurones pour le choix d’une
meilleure, afin de faire une bonne approximation du model géométrique inverse.
En fin on a constaté que plus le nombre de neurones est grand, plus qu’on augmente
le nombre de couches cachées, plus que le temps d’apprentissage plus long
l’approximation du réseau de neurones est très bonne.
48
CONCLUSION GENERAL
Conclusion générale
Dans cette mémoire, on a montré la pertinence d’utiliser les réseaux de neurones

artificiels pour l'approximation du modèle géométrique inverse d'un robot manipulateur
série. En effet, on a calculé le modèle géométrique direct du robot pour construire la
base des données d'apprentissage par la méthode de Denavit-Hartenberg, ensuite on a
apprenti, validé et testé des architectures neuronales pour une identification inverse par
un réseau de neurones. Une étude comparative entre les différentes architectures proposées a
été effectuée pour montrer l'effet de nombre des couches cachées et le nombre de
neurones dans chaque couche sur la précision du modèle calculé.
50
BIBLIOGRAPHIE
BIBLIOGRAPHIE
[1] Jean-François Jodouin. Les réseaux neuromimétiques, modèles et applications.

Hermès,Paris, 1994.
[2] Antonelo. E, Schrauwen. B, Dutoit. X, Stroobandt. D, Nuttin. M: Event detection

andlocalization in mobile robot navigation using reservoir computing. Artificiel Neural
Networks ICANN, pp. 660-69, 2007.
[3] Eric DAVALO, Patrick NAIM, Des réseaux de neurones. Deuxième édition,
deuxième tirage 1993..
[4] Y. Hen Hu, J.-Neng Hwang, "Handbook of neural network signal processing",CRC
Press LLC, United States of America, 2002.
[5] http://www.statsoft.fr/concepts-statistiques/reseaux-de-neurones-automatises
/reseaux-de-neurones-automatises.htm#prevision.2001.
[6] B. Krose, P. V. Der Smagt, "Introduction to neural networks", Eighth edition,

Amstterdam, 1996
[7] H. Bruyninckx et J. Shutter. « Introduction to intelligent robotics.», Rapport

technique,Katholieke Universiteit Leuven 2001.
[8] H. A. Talebi, F. Abdollahi, R. V. Patel, K. Khorasani, « Neural Network-Based

StateEstimation of Nonlinear Systems », Springer, New York, 2010.
[9] K.S. Narendra and K. Parthasarathy, « Identification and control of dynamical

systemsusing neural networks », 1990.
[10] KS. Narendra, « Neural networks for identification and control », Center for Systems
Science, Yale University, Dec. 1998.
[11] S. Chen and S. A. Billings, « Neural Networks for nonlinear dynamic system
modeling and Identification », 1992.
[12] R.Haber,L.Keviczky, « Nonlinear system identification. 2. Nonlinear system

structure identification », kluwer academic publishers, 1999.
[13] K. Kara, « Application des réseaux de neurones à l'identification des systèmes non
linéaires » , Thèse de Magister, Université de Constantine 1995.
[15] S.ZEGHLACHE, Commande Intelligente, cours, université Mohamed boudiaf-

m’sila.2008.
[16] BOUHALASSA LOUBNA, Planification de trajectoire d’un robot basée sur les
réseaux de neurones et les algorithmes génétiques ,Magister de l’université de sciences
et de la technologie d’oran Mohamed Boudiaf ,2010.
[17] W. Khalil « Commande des robots manipulateurs», Hermes Science Publications,

2002.
[18] A.AIB, Modélisation des robots manipulateurs, cours, université Mohamed boudiaf-
m’sila.2017.
[19] S.BORSALI, modélisation des robots, cours, université Abou-Bekr Belkaid -

Tlemcen.2012.
[20] MELAKHESSOU Lakhdar, « Contrôle et identification des systèmes non linéaires

par les techniques neuronales »memoire de Magister, Université de Batna.

Approximation Du Modèle Géométrique Inverse D'un Robot Manipulateur Par Les Réseaux de Neurones Artificiels

Transféré par

Droits d'auteur :

Formats disponibles

Approximation Du Modèle Géométrique Inverse D'un Robot Manipulateur Par Les Réseaux de Neurones Artificiels

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Approximation Du Modèle Géométrique Inverse D'un Robot Manipulateur Par Les Réseaux de Neurones Artificiels

Transféré par

Droits d'auteur :

Formats disponibles

REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE

MINISTERE DE L’ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE

DOMAINE : SCIENCES ET TECHNOLOGIES FACULTE : TECHNOLOGIE

MEMOIRE DE FIN D'ETUDE EN VUE DE L'OBTENTION DU

Approximation du modèle géométrique inverse d’un

Soutenue le 26 /06/ 2019 devant le jury composé de :

KHETTAB Khoutir UNIVERSITE MOHAMED BOUDIAF - M’SILA Président

AIB Abdelghani UNIVERSITE MOHAMED BOUDIAF - M’SILA Encadreur

BOUKHALFA Abdelouahab UNIVERSITE MOHAMED BOUDIAF - M’SILA Examinateur

ANNEE UNIVERSITAIRE : 2018/ 2019

Keywords: Direct geometric model, geometric model, Neural network

‫ شبكة عصونية‬،‫ النموذج الهندسي المباشر‬،‫ النموذج الهندسي العكسي‬:‫كلمات مفتاحية‬

Je tiens à remercier tous les enseignants au département de génie électrique de l’université

Mon grand frère Deddah que je pris comme mon idole.

Ma grande sœurs mghayli .

Ma grande sœur beybih.

Ma petite sœur oumama, que j’aime profondément.

Mon petit frère que j’adore houdifa.

Ma petite mariem la prunelle de mes yeux.

Mon petit frère Abdala, Aucune dédicace ne saurait exprimer l’amour

A mes chers adorable frères Memin, Brahim Salem, Baba.

Chapitre I Les réseaux de neurones Artificiels

I.2. Les neurones biologiques ......................................................................................... 2

I.3 Structure des neurones : ........................................................................................... 2

I.3.1 Le corps cellulaire : ............................................................................................ 3

I.3.2 Les dendrites : ..................................................................................................... 3

I.4 Neurone formel : ........................................................................................................ 4

I.5 L’utilisation des réseaux de neurones : .................................................................... 5

I.6 Apprentissage : .......................................................................................................... 6

I.6.1 L’apprentissage supervisé : ............................................................................... 6

I.6.2 L’apprentissage non supervisé : ........................................................................ 6

I.6.3 L’apprentissage hybride : .................................................................................. 7

I.8 Algorithme de retro Propagation du Gradient : .................................................... 7

I.8.1 Le principe : ........................................................................................................ 7

I.8.2 L'algorithme : ..................................................................................................... 7

I.8.2.1 Définition du réseau : .................................................................................. 7

I.8.2.2 Les étapes de l’algorithme : ........................................................................ 8

I.9 Architecture des réseaux de neurone : .................................................................... 9

I.10 Réseaux Propagation vers l’avant « Feed-Forward » : ........................................ 9

I.10.1 Perceptron monocouche SLP : ...................................................................... 10

I.10.2 Perceptron multicouches PMC : ................................................................... 10

I.11 Structure d’interconnexion des RNA : ................................................................ 11

I.11.1 Réseau multicouche : ...................................................................................... 11

II.11.3 Réseau à connexions récurrentes : .............................................................. 12

I.11.4 Réseau à connexions complexes : .................................................................. 13

I.12 Architecture des RNA : ......................................................................................... 13

I.12.1 Réseaux statiques : ......................................................................................... 13

I.12.2 Réseaux dynamiques : .................................................................................... 14

I.12.3 Réseaux auto-organisés : ................................................................................ 14

I.12 Application des réseaux de neurones :................................................................. 14

I.14 Avantages et Inconvénients des réseaux de neurones ........................................ 14

I.14.1. Avantages des réseaux de neurones ............................................................. 15

I.14.2. Inconvénients des réseaux de neurones ....................................................... 15

I.15 Conclusion :............................................................................................................ 15

Chapitre II Modélisation des robots manipulateurs

II.2 Classification et fonctions des robots ................................................................ 16

II.2.1 Classification des robots .............................................................................. 16

II.2.2 Fonctions des robots .................................................................................... 16

II.3 Historique ............................................................................................................ 16