Le contrôle de vol en formation se rapporte au contrôle de la trajectoire de plusieurs véhicules pour accomplir une tâche commune. La motivation du contrôle du vol en formation réside dans le fait que l'utilisation de plusieurs drones permet de réaliser des tâches plus complexes et que ne peut accomplir un drone unique. Les stratégies de commande de flotte de véhicules peuvent être classées en trois groupes principaux : la stratégie de vol type meneur-suiveur, celle basée sur comportement et l'approche utilisant un meneur virtuel. Chaque groupe se compose de différents véhicules et on suppose que les véhicules communiquent entre eux pour échanger des informations. Le contrôle de position pour des quadrirotors sous-actionnés ou des UAV VTOL a retenu l'intérêt de plusieurs chercheurs de la communauté scientifique. En raison de la nature sous-actionnée des UAV VTOL, l'attitude du système doit être utilisée afin de commander la position et la vitesse. En effet, la prise en compte des perturbations externes, des incertitudes sur la dynamique du système ainsi que l'objectif d'obtenir des résultats globaux rendent la synthèse de lois de commande plus difficile. Nous proposons, dans ce travail, un algorithme permettant l'extraction de l'attitude et une nouvelle formulation de la poussée pour la commande d'un drone. Cet algorithme utilise cette formulation de la force de poussée pour atteindre les objectifs en translation et utilise le vecteur quaternion unitaire comme consigne du sous-système en rotation. Cet algorithme est ensuite étendu au cas de la commande de vol en formation. Cinq contrôleurs de vol en formation sont développés et séparés dans deux groupes : l'approche structure virtuelle et l'approche meneur-suiveur. Les trois premiers contrôleurs de vol en formation utilisent l'approche structure virtuelle. La vitesse, les perturbations et les incertitudes de modèle dans la dynamique sont estimées par le biais d'un observateur et la technique de commande "backstepping" adaptative. La synthèse des deux derniers contrôleurs de vol en formation de vol est obtenue en utilisant l'approche meneur-suiveur. La formation utilisant cette approche pour des quadrirotors et pour le système du second degré est construite. Le changement de la configuration de la formation de vol est également simulé pour ces deux derniers contrôleurs de vol en formation. Dans chacun des cinq contrôleurs de vol en formation, la fonction d'évitement de collision construite à partir d'une fonction indicielle "lisse" est incluse. Cette fonction produit une force de poussée quand un quadrirotor évolue près des autres et d'une force de traction quand un quadrirotor évolue hors de la zone de détection. Les résultats de simulation prouvent que cette fonction d'évitement de collision fonctionne tout à fait correctement et qu'aucune collision entre les quadrirotors ni avec les obstacles ne se produit. En résumé, l'utilisation de la poussée, de l'algorithme d'extraction d'attitude et de la fonction d'évitement de collision, rend la synthèse des lois de commande plus facile et les résultats obtenus pour le vol en formation sont globaux / Formation control relates with the motion control of multiple vehicles to accomplish a common task. The motivation of formation control is because of the advantages achieved by using a formation of vehicles instead of a single one. Cooperative control approach can be cataloged into three main groups: leader-follower, behavior-based and virtual structure. Each group consists of individual vehicles and the communication allows the information be exchanged among vehicles. Position control for under-actuated quadrotors or VTOL UAVs has been focused in several group in the research community. Due to the under-actuated nature of VTOL UAVs, the system attitude must be used in order to control the position and velocity of the system. Moreover, the effect of external disturbance, uncertainty of the dynamics and the requirement of achieving the global results make the control design process more difficult. Developing from a global controller for a single quadrotor, a new thrust and attitude extraction algorithm is proposed. This algorithm allows transferring an intermediate control force to a thrust force to achieve the translational objective and an unit quaternion vector as a reference for the rotational subsystem. This algorithm is also embedded in the formation controller. Five formation controllers are developed and separated into two groups, virtual structure and leader-follower approach. The first three formation controllers are constructed by using the virtual structure approach. The unmeasured linear velocity, disturbance and uncertainty in the dynamics are solved by employing observer design and adaptive backstepping control design technique. The last two formation controllers are built by using the leader-follower approach. The leader follower formation for quadrotors and for second order system are constructed. The changing of formation shape in working time also is simulated in these last two formation controllers. In all five formation controllers, collision avoidance function constructed from a smooth step function is embedded. This function generates a pushing force when a quadrotor goes close to the others and a pulling force when a quadrotor travels out of the sensing range. The simulation results show that this collision avoidance function works quite effectively and there is no collision among quadrotors and obstacles. It can be summarized that by using the thrust and attitude extraction algorithm and the collision avoidance function, the control design process becomes easier and all the formation controllers achieve the global results

De nos jours, les applications utilisant des quadrirotors autonomes sont en plein essor. La surveillance et la sécurité de sites industriels ou sensibles, de zones géographiques pour l’agriculture par exemple sont quelques-unes des applications les plus célèbres des véhicules aériens sans pilote (UAV). Actuellement, certains chercheurs et scientifiques se concentrent sur le déploiement multi-drones pour l’inspection et la surveillance de vastes zones. L’objectif de cette thèse est de concevoir des algorithmes afin de réaliser une commande de vol en formation distribuée/décentralisée de multi-UAVs en temps réel dans une perspective de systèmes de systèmes. Tout d’abord, nous avons passé en revue certains travaux récents de la littérature sur la commande de vol en formation et la commande de quadrirotors. Nous avons présenté une brève introduction sur les systèmes de systèmes, leur définition et leurs caractéristiques. Ensuite, nous avons introduit la commande de vol en formation avec ses structures les plus utilisées dans la littérature. Nous avons alors présenté quelques travaux existants traitant du flocking (comportement de regroupement en flotte), les méthodes de modélisation les plus utilisés pour les quadrirotors et quelques approches de commande les plus utilisées pour stabiliser des quadrirotors. Deuxièmement, nous avons utilisé la structure de la commande comportementale pour réaliser un vol en formation de plusieurs UAVs. Nous avons conçu un comportement pour réaliser le vol en formation de multi-UAVs sans fragmentation. Le comportement proposé traite le problème flocking dans une perspective globale, c’est-à-dire, nous avons inclus une tendance dans chaque drone pour former une formation. Les défis des Systèmes de systèmes nous a motivés à chercher des algorithmes de flocking et de consensus introduits dans la littérature qui peuvent être utiles pour répondre à ces défis. Cela nous a amenés à proposer quatre lois de commande en visant à être compatibles avec le modèle non linéaire des quadrirotors et pouvant être expérimentés sur des plates-formes réelles. Les lois de commande ont été exécutées à bord de chaque quadrirotor dans la formation et chaque quadrirotor interagit avec ses voisins pour assurer un vol en formation sans collision. Enfin, nous avons validé nos lois de commande par des simulations et des expériences en temps réel. Pour la simulation, nous avons utilisé un simulateur de multi quadrirotors développé au laboratoire Heudiasyc. Pour les expériences, nous avons mis en œuvre nos lois de contrôle sur des quadrirotors ArDrone2 évolués dans un environnement intérieur équipé d’un système de capture de mouvement (Optitrack). / Nowadays, applications of autonomous quadrotors are increasing rapidly. Surveillance and security of industrial sites, geographical zones for agriculture for example are some popular applications of Unmanned Aerial Vehicles (UAVs). Nowadays, researchers and scientists focus on the deployment of multi-UAVs for the inspection and the surveillance of large areas. The objective of this thesis is to design algorithms and techniques to perform a real-time distributed/decentralized multi-UAVs flight formation control, from a system of systems perspective. Firstly, we reviewed recent works of the literature about flight formation control and the control of quadrotors. We presented a brief introduction about systems of systems, their definition and characteristics. Then, we introduced the flight formation control with its most used structures in the literature, some existing works dealing with flocking. Finally, we presented the most used modeling methodologies for quadrotors and some control approaches that are used to stabilize quadrotors. Secondly, we used the behavioral-based control structure to achieve a multiple UAV flocking. We conceived a behavior intending to address the control design towards a successful achievement of the flocking task without fragmentation. The proposed behavior treats the flocking problem from a global perspective, that is, we included a tendency of separated UAVs to form a flock.System of systems challenges motivated us to look for flocking and consensus algorithms introduced in the literature that could be helpful to answer to these challenges. This led us to propose four flocking control laws aiming at being compatible with the nonlinear model of quadrotors and at being implemented on experimental platforms. The control laws were run aboard each quadrotor in the flock. By running the control law, each quadrotor interacts with its neighbors to ensure a collision-free flocking. Finally, we validated our proposed control laws by simulations and real-time experiments. For the simulation, we used a PC-based simulator of flock of multiple quadrotors which was developed at Heudiasyc laboratory. For experiments, we implemented our control laws on ArDrone2 quadrotors evolved in an indoor environment equipped with an Optitrack motion capture system.