Cet article souligne qu'une modélisation dynamique précise des quadrirotors est essentielle pour un suivi précis des trajectoires dans divers environnements. Les méthodes de modélisation existantes, basées sur les connaissances physiques, présentent des limites importantes dans les environnements inconnus caractérisés par des charges utiles variables, des perturbations éoliennes et des perturbations externes. De plus, les méthodes de modélisation pilotées par les données présentent de faibles performances de généralisation lorsqu'elles traitent des données hors distribution (OoD), ce qui limite leur efficacité dans des scénarios inconnus. Pour résoudre ces problèmes, nous proposons dans cet article un réseau adaptatif au vent basé sur la physique (PI-WAN) pour un apprentissage robuste de la dynamique des quadrirotors en intégrant directement les contraintes physiques au processus d'apprentissage. PI-WAN utilise une architecture de réseau convolutionnel temporel (TCN) qui capture efficacement les dépendances temporelles, et une fonction de perte basée sur la physique qui applique des principes physiques pour améliorer la généralisation et la robustesse du modèle dans des conditions inédites. Les résultats de prédiction en temps réel sont intégrés dans un cadre de contrôle prédictif de modèle (MPC) afin d'améliorer les performances de suivi en boucle fermée. Des simulations complètes et des expériences en vol réel démontrent que la méthode proposée surpasse les méthodes de base en termes de précision de prédiction, de précision de suivi et de robustesse aux environnements inconnus.
