Drone architecture - arnaudrco/exemples GitHub Wiki

8 dépôts github : exemples-de-montages avec les ateliers et projets réalisés au repair café festisol animations et projets réalisés pendant FESTISOL et à la MJC ; CROUS-micro-python animations et projets commencés au CROUS et poursuivis pendant les ateliers numériques ; piano une nouvelle passion réalisée à coup de marteau visio et communication ; jouets réparations, récréations mathématiques, création de nouveaux jouets developpement-voiture robot, intelligence artificielle ; raspberry-pico et micro-python ; Repair Café d'Orsay Blog

Comprendre l'utilisation d'un drone ? la fusion des informations des multiples capteurs ? un petit tour vers les quaternions et la simulation va nous aider. Merci à Gilles de Villebon et Chris de Bures pour leur aide

Fusion de données

simulation de drone multicapteurs

Fusion de données inertielles et magnétiques

source mathworks

Une "simple" fonction Fusion pour fusionner les données

https://github.com/micropython-IMU/micropython-fusion

imu = MPU9150('X')  # Instantiate IMU (default orientation)

async def read_coro():
   imu.mag_trigger()  # Hardware dependent: trigger a nonblocking read
   await asyncio.sleep_ms(20)  # Wait for mag to be ready
   return imu.accel.xyz, imu.gyro.xyz, imu.mag_nonblocking.xyz
   # Returned (ax, ay, az), (gx, gy, gz), (mx, my, mz)

fuse = Fusion(read_coro)

algobanc de test boussole-gyroscope-BNO055

C'est magique ; l'algo de Sebastian Madgwick réduit considérablement les calculs de filtrage Kalman ; il fusionne les 3 données acceleration, 3 vitesses de rotation et 3 moments magnétiques.

Pour les passionnés, l'article d'origine (thèse de Madgwick) qui précise le couplage :

https://courses.cs.washington.edu/courses/cse466/14au/labs/l4/madgwick_internal_report.pdf

implantation matérielle

de nouvelles puces intègre le calcul comme bno 055

Le bno 055 réalise le calcul sur les 9 paramètres "9DOF" directement dans la puce

un simple arduino suffit

flot optique PWM3901

Architecture

Simulation avec MatLab

source mathworks

La simulation constitue une étape importante dans le développement des drones. MATLAB® et UAV Toolbox supportent la simulation drone et vous permettent de :

Comprendre la dynamique des drones et réaliser des études de compromis avant la création de prototypes
Régler les paramètres et les modèles avant leur chargement dans le drone
Tester la robustesse des modèles et des algorithmes dans des conditions limites sans compromettre le drone
Créer un environnement virtuel adapté aux cas de test
Exécuter rapidement plusieurs scénarios et cas de test

En règle générale, la création d'une simulation drone inclut les composants suivants, qui peuvent être développés dans MATLAB® et Simulink® :

Le modèle dynamique du drone (modèle physique) composé des équations du mouvement du drone
Le modèle de contrôle de vol du drone pour modéliser la logique de contrôle du drone
Les modèles de capteurs pour simuler les capteurs du drone comme le GPS et l'INS
Les algorithmes autonomes pour percevoir l'environnement et identifier les obstacles
L'environnement de simulation, comme Cuboid World et Unreal Engine®, qui sont des environnements virtuels créés pour tester les algorithmes et visualiser le comportement du vol

Simulation de vol

essayez un vol simple avec Mission Planner https://linuxtut.com/fr/e07bb935e853d20da2d0/

Installer Mission Planner Mission Planner was designed for native Windows installation. However, it is possible to use it under Linux (with some occasional issues) and there is a Beta version for Android OS.

Scripts Python

https://ardupilot.org/planner/docs/using-python-scripts-in-mission-planner.html

Références

Filtre_de_Kalman

Vidéo

https://www.youtube.com/watch?v=HCd-leV8OkU https://www.youtube.com/watch?v=qCZ2UTgLM_g https://www.youtube.com/watch?v=DbE4PMgqp3s https://www.youtube.com/watch?v=-yB52SMUqKw

Code bno 055

Simple_BNO055_First_Test

Sur le site

Proto