Cet article étudie le problème du contrôle du suivi de la position de l'effecteur terminal d'un robot spatial micro-nano en apesanteur dans l'espace cartésien, sans dépendre de modèles cinématiques ou dynamiques explicites. Pour relever ce défi, une architecture d'apprentissage à deux couches a été conçue. La première couche utilise un réseau de neurones profond pour apprendre la cinématique, capturant la correspondance non linéaire des coordonnées cartésiennes de l'effecteur terminal à la vitesse angulaire des articulations et générant une trajectoire articulaire de référence. La deuxième couche adopte un réseau basé sur l'opérateur de Koopman pour construire une représentation linéarisée approximative de la dynamique articulaire du robot spatial en apesanteur. Sur cette base, un schéma de contrôle prédictif fractionnaire terminal incorporant l'opérateur fractionnaire de Grünwald–Letnikov est proposé. Comparé au contrôle prédictif classique, il améliore les performances de contrôle en ligne et optimise la vitesse et la précision de suivi. Les résultats de simulation valident l'efficacité de la méthode proposée, montrant qu'il est possible de concevoir un contrôleur sans analyse explicite des modèles cinématiques et dynamiques, en se reposant uniquement sur les trajectoires d'entrée-sortie pour un suivi précis et rapide de l'effecteur terminal.

Robot spatial en apesanteur;réseau de neurones profond;apprentissage modélisé pour le contrôle;contrôle prédictif