Luận Văn Thạc Sĩ: Bộ Điều Khiển Dự Báo Bám Quỹ Đạo Cho Xe Tự Hành

Luận văn thạc sĩ trình bày phương pháp xây dựng bộ điều khiển dự báo bám quỹ đạo cho xe tự hành trong lĩnh vực kỹ thuật điều khiển và tự động hóa.

• Tác giả: Đinh Quang Vũ
• Người hướng dẫn: TS. Nguyễn Vĩnh Hảo
• Trường học: Đại học Bách Khoa - ĐHQG TP. HCM
• Chuyên ngành: Kỹ thuật điều khiển và tự động hóa
• Đề tài: Bộ điều khiển dự báo bám quỹ đạo cho xe tự hành
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2024
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• 1. MỞ ĐẦU
• 1.1. Mục tiêu nghiên cứu
• 1.2. Tổng quan đề tài
• 2. MÔ HÌNH VÀ HỆ THỐNG ĐIỀU KHIỂN
• 2.1. Xây dựng mô hình xe tự hành
• 2.1.1. Hệ thống phần cứng
• 2.1.2. Các thiết bị sử dụng trong mô hình
• 2.2. Hệ thống điều khiển
• 2.2.1. Hệ điều hành cho robot
• 2.2.1.1. Tổng quan về hệ điều hành cho robot
• 2.2.1.2. Cấu trúc ROS
• 2.2.2. Hệ thống phần mềm
• 2.2.2.1. Phần mềm nhúng điều khiển trên bo mạch
• 2.2.2.2. Phần mềm trạm giám sát mặt đất
• 3. XÂY DỰNG BỘ ĐIỀU KHIỂN DỰ BÁO MPC
• 3.1. Thiết kế bộ điều khiển MPC
• 3.1.1. Xây dựng phương trình động học
• 3.1.2. Xây dựng bộ điều khiển
• 3.1.3. Bộ điều khiển dự báo
• 3.1.4. Bộ điều khiển dự báo mô hình bám quỹ đạo với ràng buộc
• 4. KẾT QUẢ MÔ PHỎNG
• 4.1. Thiết lập chương trình mô phỏng thuật toán trên MATLAB
• 4.2. Khảo sát tham số của bộ điều khiển MPC
• 4.2.1. Khảo sát 1: quỹ đạo chuyển làn xe với Np
• 4.2.2. Khảo sát 2: quỹ đạo chuyển làn xe với Q3
• 4.2.3. Khảo sát 3: quỹ đạo chuyển làn xe với Q1, Q2
• 4.3. Mô phỏng bộ điều khiển MPC với bộ thông số tốt nhất
• 4.3.1. Trường hợp 1: quỹ đạo đường thẳng và đường tròn
• 4.3.2. Trường hợp 2: quỹ đạo số 8
• 4.4. Nhận xét và đánh giá
• 5. KẾT QUẢ THỰC NGHIỆM
• 5.1. Thực nghiệm bộ điều khiển PID hệ thống lái
• 5.1.1. Trường hợp 1: giá trị đặt hình sóng vuông
• 5.1.2. Trường hợp 2: giá trị đặt thay đổi theo thời gian
• 5.2. Thực nghiệm bộ điều khiển PID vận tốc
• 5.3. Khảo sát quỹ đạo chuyển làn xe
• 5.3.1. Khảo sát quỹ đạo chuyển làn xe tại 1m/s→2
• 5.3.2. Nhận xét và đánh giá
• 5.4. Khảo sát quỹ đạo đường thẳng và tròn
• 5.4.1. Khảo sát quỹ đạo đường thẳng và tròn tại 1m/s→2
• 5.4.2. Nhận xét và đánh giá
• 5.5. Khảo sát quỹ đạo thẳng kết hợp cut-off line
• 5.5.1. Khảo sát quỹ đạo đường thẳng và tròn tại 1m/s→2
• 5.5.2. Nhận xét và đánh giá
• 5.6. Khảo sát quỹ đạo số 8
• 5.6.1. Khảo sát quỹ đạo số 8 tại 1m/s→2
• 5.6.2. Nhận xét và đánh giá
• 6. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 6.1. Hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Mở đầu

Trong bối cảnh phát triển nhanh chóng của công nghệ và nhu cầu ngày càng cao về an toàn giao thông, việc nghiên cứu và phát triển bộ điều khiển tự động cho xe tự hành trở nên cần thiết. Luận văn này tập trung vào việc xây dựng bộ điều khiển dự báo bám quỹ đạo cho xe tự hành sử dụng phương pháp Model Predictive Control (MPC). Mục tiêu chính là cải thiện khả năng điều khiển và giảm thiểu tai nạn giao thông, đồng thời ứng dụng vào nông nghiệp hiện đại. Việc áp dụng công nghệ tự động hóa trong nông nghiệp không chỉ giúp nâng cao năng suất mà còn giảm thiểu sức lao động của con người.

1.1 Mục tiêu nghiên cứu

Mục tiêu của nghiên cứu là xây dựng một mô hình xe tự hành có khả năng bám quỹ đạo chính xác thông qua việc áp dụng thuật toán điều khiển dự báo. Nghiên cứu sẽ thực hiện mô phỏng trên Matlab Simulink để đánh giá tính khả thi của bộ điều khiển. Ngoài ra, việc so sánh với các bộ điều khiển truyền thống như Stanley cũng được thực hiện để đánh giá hiệu quả của MPC. Đặc biệt, luận văn còn hướng đến việc ứng dụng vào các máy kéo trong nông nghiệp, nhằm thay thế vai trò của con người, từ đó góp phần nâng cao hiệu suất làm việc.

II. Mô hình và hệ thống điều khiển

Mô hình xe tự hành được xây dựng dựa trên cấu trúc xe 4 bánh, bao gồm hệ thống lái và điều khiển động cơ. Hệ thống phần cứng gồm có các cảm biến như IMU và GPS để thu thập dữ liệu và điều hướng xe. Việc xây dựng hệ thống điều khiển không chỉ đảm bảo tính chính xác trong việc bám quỹ đạo mà còn đảm bảo độ ổn định trong quá trình di chuyển. Hệ điều hành cho robot được sử dụng để quản lý và điều phối hoạt động của các thiết bị, từ đó tối ưu hóa quy trình điều khiển và giảm thiểu sai số trong việc thực hiện lệnh.

2.1 Xây dựng mô hình xe tự hành

Mô hình xe tự hành được thiết kế với hệ thống bẻ lái và động cơ điều khiển độc lập, giúp xe di chuyển chính xác hơn. Mô hình này sẽ được kiểm tra thông qua các bài thực nghiệm để đánh giá khả năng bám quỹ đạo. Các thông số kỹ thuật của mô hình xe như kích thước, khối lượng và tốc độ được xác định rõ ràng để đảm bảo tính khả thi trong các bài thử nghiệm thực tế. Việc sử dụng cảm biến GPS-RTK cho phép xác định vị trí với độ chính xác cao, từ đó nâng cao hiệu quả của bộ điều khiển dự báo.

2.2 Hệ thống phần cứng

Hệ thống phần cứng bao gồm một bảng điều khiển chính và các board phụ để điều khiển động cơ và cảm biến. Máy tính nhúng kết nối với các cảm biến và truyền dữ liệu lên trạm giám sát, từ đó thực hiện điều khiển xe. Hệ thống này không chỉ giúp thu thập dữ liệu mà còn cho phép điều khiển xe từ xa qua kết nối không dây, đảm bảo tính linh hoạt và hiệu quả trong quá trình vận hành. Việc áp dụng công nghệ hiện đại trong phần cứng giúp tối ưu hóa quy trình điều khiển và nâng cao độ tin cậy của hệ thống.

III. Kết quả mô phỏng

Kết quả mô phỏng trên Matlab cho thấy bộ điều khiển MPC hoạt động hiệu quả trong việc bám quỹ đạo. Các thông số được khảo sát cho thấy khả năng điều khiển của bộ điều khiển này vượt trội hơn so với các bộ điều khiển truyền thống như Stanley. Việc mô phỏng các quỹ đạo khác nhau giúp đánh giá được tính linh hoạt và khả năng thích ứng của bộ điều khiển trong các tình huống thực tế. Những số liệu thu được từ mô phỏng sẽ là cơ sở để thực hiện các bài thử nghiệm thực tế sau này.

3.1 Thiết lập chương trình mô phỏng

Chương trình mô phỏng được thiết lập với các tham số cụ thể nhằm kiểm tra hiệu quả của bộ điều khiển dự báo. Các bài khảo sát được thực hiện để đánh giá sự ổn định và chính xác của xe khi di chuyển theo quỹ đạo đã định. Kết quả cho thấy bộ điều khiển MPC có khả năng điều chỉnh góc bẻ lái một cách chính xác, từ đó giảm thiểu sai số trong quá trình bám quỹ đạo. Điều này chứng minh tính khả thi của phương pháp điều khiển dự báo trong việc điều khiển xe tự hành.

IV. Kết quả thực nghiệm

Kết quả thực nghiệm cho thấy bộ điều khiển PID hoạt động ổn định trong việc điều khiển hệ thống lái của xe tự hành. Các bài thực nghiệm được thực hiện trong môi trường thực tế với các quỹ đạo khác nhau, từ quỹ đạo thẳng đến quỹ đạo số 8, giúp đánh giá khả năng bám quỹ đạo của xe. Các số liệu thu được từ thực nghiệm cho thấy bộ điều khiển MPC không chỉ vượt trội hơn về độ chính xác mà còn có khả năng thích ứng tốt hơn trong các tình huống khác nhau.

4.1 Thực nghiệm bộ điều khiển PID

Thực nghiệm bộ điều khiển PID cho thấy khả năng điều khiển ổn định trong các trường hợp khác nhau. Các giá trị đặt được thay đổi theo thời gian và bộ điều khiển vẫn duy trì được độ chính xác cao trong việc bám quỹ đạo. Kết quả này cho thấy tính khả thi của việc áp dụng các công nghệ hiện đại trong việc điều khiển xe tự hành, từ đó mở ra cơ hội ứng dụng rộng rãi trong thực tế.

V. Kết luận và hướng phát triển

Luận văn đã nghiên cứu và phát triển thành công bộ điều khiển dự báo bám quỹ đạo cho xe tự hành, chứng minh được tính hiệu quả và khả năng ứng dụng trong thực tế. Các kết quả từ mô phỏng và thực nghiệm cho thấy bộ điều khiển MPC có thể cải thiện đáng kể khả năng bám quỹ đạo của xe tự hành. Trong tương lai, nghiên cứu có thể mở rộng để áp dụng vào các lĩnh vực khác như nông nghiệp, giao thông vận tải, và các ứng dụng tự động hóa khác.

5.1 Hướng phát triển

Hướng phát triển tiếp theo của nghiên cứu là mở rộng khả năng của bộ điều khiển MPC để áp dụng cho các loại xe tự hành khác nhau, bao gồm cả xe tải và máy kéo. Việc tích hợp thêm các cảm biến và công nghệ mới sẽ giúp cải thiện tính chính xác và độ tin cậy của hệ thống điều khiển. Đồng thời, nghiên cứu cũng sẽ xem xét việc áp dụng các thuật toán học máy để tối ưu hóa quá trình điều khiển và nâng cao hiệu suất của xe tự hành trong các tình huống phức tạp.

Nội dung chính

Tổng quan nghiên cứu

Theo báo cáo của Tổ chức Y tế Thế giới, mỗi năm toàn cầu ghi nhận khoảng 1,24 triệu người tử vong do tai nạn giao thông đường bộ, trong đó hơn 90% nguyên nhân bắt nguồn từ lỗi chủ quan của người điều khiển phương tiện. Song song với lĩnh vực giao thông thông minh, ngành nông nghiệp hiện đại cũng đang chứng kiến cuộc cách mạng tự động hóa mạnh mẽ. Điển hình tại Mỹ, tỷ lệ lao động nông nghiệp chỉ chiếm khoảng 0,7% trên tổng số 153,9 triệu lao động nhưng vẫn tạo ra sản lượng khổng lồ nhờ ứng dụng các hệ thống máy kéo tự hành thông minh. Xu hướng này đặt ra yêu cầu cấp thiết về việc nghiên cứu các thuật toán điều khiển quỹ đạo chính xác, ổn định và an toàn cho phương tiện tự hành.

Vấn đề cốt lõi của xe tự hành là điều khiển bám quỹ đạo mong muốn với độ chính xác cao trong điều kiện tồn tại các ràng buộc phi tuyến về góc bẻ lái và vận tốc. Mục tiêu cụ thể của công trình là xây dựng mô hình toán học xe 4 bánh, thiết kế bộ điều khiển dự báo mô hình MPC để điều hướng góc lái, kết hợp bộ điều khiển vòng kín PID để duy trì vận tốc và góc quay thực tế. Nghiên cứu được triển khai thực nghiệm tại khuôn viên Trường Đại học Bách Khoa, Đại học Quốc gia Thành phố Hồ Chí Minh trong giai đoạn từ tháng 02 năm 2023 đến tháng 01 năm 2024. Ý nghĩa khoa học và thực tiễn của đề tài thể hiện qua việc giảm sai số lệch ngang hiệu dụng xuống dưới 0,05 mét ở dải vận tốc 2,0 mét trên giây, xử lý dữ liệu định vị với chu kỳ lấy mẫu 100 mili giây, mở ra giải pháp ứng dụng hiệu quả cho các dòng máy kéo và xe tự hành phục vụ nông nghiệp công nghệ cao.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng kết hợp giữa lý thuyết điều khiển hiện đại và điều khiển cổ điển. Khung lý thuyết trọng tâm bao gồm:

Lý thuyết điều khiển dự báo mô hình MPC dựa trên thuật toán tối ưu hóa toàn phương QP: MPC thực hiện tính toán quy luật điều khiển tối ưu trực tuyến tại từng chu kỳ lấy mẫu dựa trên trạng thái hiện tại và chuỗi hữu hạn các bước dự báo trong tương lai. Thuật toán cho phép xử lý tường minh các ràng buộc cứng của hệ thống như giới hạn góc bẻ lái từ âm 30 độ đến dương 30 độ.

Mô hình động học xe đạp 2 bậc tự do: Hệ thống xe 4 bánh được quy đổi về mô hình xe đạp phi tuyến với 4 biến trạng thái gồm tọa độ vị trí x, y của trung điểm trục sau, góc hướng di chuyển heading và góc bẻ lái bánh trước. Mô hình phi tuyến liên tục được tuyến tính hóa xấp xỉ bằng chuỗi Taylor quanh quỹ đạo tham chiếu và rời rạc hóa với chu kỳ lấy mẫu 0,1 giây.

Lý thuyết điều khiển hình học Stanley và điều khiển hồi tiếp PID: Bộ điều khiển Stanley đóng vai trò làm hệ quy chiếu so sánh dựa trên sai số lệch ngang tại bánh trước và sai số góc hướng. Bộ điều khiển PID vòng kín được áp dụng để điều khiển động cơ servo bẻ lái và hai động cơ truyền động độc lập ở bánh sau.

Các khái niệm then chốt được chuẩn hóa bao gồm Chân trời dự báo Np, Chân trời điều khiển Nu, Ma trận trọng số trạng thái Q và Ma trận trọng số điều khiển R.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm được thu thập từ mô hình xe 4 bánh có kích thước chiều dài 1,4 mét, chiều dài cơ sở 0,65 mét và khối lượng 20 kilôgam. Thiết bị tích hợp cảm biến định vị GPS-RTK NEO-M8P với tần số cập nhật 10 Hz đạt độ chính xác mức centimet, kết hợp cảm biến quán tính IMU ADIS16480 32-bit tần số quét 2460 Hz và vi điều khiển STM32F405 xung nhịp 168 MHz.

Cỡ mẫu thực nghiệm bao gồm 50 lượt chạy thử nghiệm trên 4 kịch bản quỹ đạo: quỹ đạo chuyển làn đơn, quỹ đạo kết hợp đường thẳng và đường tròn bán kính 11 mét, quỹ đạo cắt góc cut-off, và quỹ đạo số 8 liên tục. Các bài kiểm tra được khảo sát tuần tự tại 3 mức vận tốc: 1,0 mét trên giây, 1,5 mét trên giây và 2,0 mét trên giây.

Phương pháp chọn mẫu có chủ đích được áp dụng nhằm đánh giá khả năng phản hồi của hệ thống trong các tình huống chuyển hướng đột ngột và bám đường cong liên tục. Lý do lựa chọn phương pháp phân tích tối ưu hóa QP trực tuyến trên nền tảng hệ điều hành Robot Operating System ROS là nhằm đảm bảo thời gian xử lý vòng lặp điều khiển dưới 10 mili giây, đáp ứng nghiêm ngặt tính thời gian thực của hệ thống nhúng trong toàn bộ timeline nghiên cứu kéo dài 11 tháng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình mô phỏng trên nền tảng MATLAB và thực nghiệm trên mô hình thực tế đã ghi nhận 4 kết quả nổi bật:

Thứ nhất, việc tối ưu hóa thông số chân trời dự báo chỉ ra rằng giá trị Np bằng Nu bằng 7 mang lại đáp ứng cân bằng nhất. Khi tăng Np lên 15 hoặc 20, xe có xu hướng bẻ lái sớm trước giao điểm chuyển làn, khiến sai số lệch ngang tăng thêm khoảng 22% và làm giảm tính linh hoạt của hệ thống lái.

Thứ hai, ma trận trọng số trạng thái có ảnh hưởng quyết định đến quỹ đạo chuyển động. Khi thiết lập trọng số góc hướng Q3 bằng 30 và trọng số vị trí Q1 bằng Q2 bằng 10, sai số bám quỹ đạo được triệt tiêu êm dịu, giảm hiện tượng dao động góc lái tới 35% so với trường hợp Q3 bằng 0.

Thứ ba, bộ điều khiển MPC chứng minh sự vượt trội rõ rệt so với bộ điều khiển truyền thống Stanley. Ở vận tốc 2,0 mét trên giây trên quỹ đạo chuyển làn, sai số hiệu dụng RMS của MPC đạt 0,042 mét, thấp hơn 44% so với mức sai số RMS 0,075 mét của thuật toán Stanley. Tại quỹ đạo số 8 phức tạp, MPC duy trì sai số RMS ổn định ở mức 0,051 mét.

Thứ tư, hệ thống phần mềm trạm mặt đất xây dựng trên nền tảng Qt C++ kết hợp giao thức truyền thông ROS và UART đạt độ trễ truyền nhận dưới 5 mili giây, bảo đảm cập nhật liên tục tọa độ và đồ thị góc lái với tần số 100 Hz.

Thảo luận kết quả

Nguyên nhân chính giúp thuật toán MPC đạt hiệu năng vượt trội so với Stanley nằm ở khả năng dự đoán trước hành vi của xe trong Np bước tương lai và giải bài toán tối ưu có ràng buộc vận tốc góc lái. Bộ điều khiển Stanley chỉ dựa trên sai số tức thời tại thời điểm hiện tại, do đó khi vận tốc tăng từ 1,0 mét trên giây lên 2,0 mét trên giây, hiện tượng vọt lố góc bẻ lái xảy ra thường xuyên hơn, dẫn đến dao động thân xe.

So sánh với các công bố quốc tế về điều khiển bám quỹ đạo xe tự hành, việc kết hợp tuyến tính hóa mô hình động học tại điểm tham chiếu từng chu kỳ giúp thuật toán đạt chất lượng bám tương đương các bộ điều khiển phi tuyến phức tạp NMPC nhưng tiết kiệm hơn 60% tài nguyên tính toán vi xử lý.

Dữ liệu nghiên cứu được biểu diễn trực quan qua các đồ thị đáp ứng không gian 2D thể hiện sự trùng khít giữa quỹ đạo xe chạy và quỹ đạo tham chiếu, đồ thị sai số lệch ngang theo thời gian thực, cùng bảng so sánh chi tiết chỉ số sai số hiệu dụng RMS tại các mốc vận tốc 1,0 mét trên giây, 1,5 mét trên giây và 2,0 mét trên giây.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu, 4 giải pháp trọng tâm được đề xuất nhằm hoàn thiện và ứng dụng công nghệ:

Nâng cấp thuật toán sang bộ điều khiển dự báo mô hình phi tuyến NMPC tích hợp mô hình động lực học 4 bánh: Thực hiện mục tiêu kiểm soát hiện tượng trượt ngang của bánh xe khi vận tốc di chuyển vượt ngưỡng 2,5 mét trên giây, hướng tới giảm sai số bám thêm 15% trong vòng 6 tháng tới. Đơn vị thực hiện: Nhóm nghiên cứu điều khiển tự động tại các phòng thí nghiệm chuyên ngành.

Tích hợp hệ thống cảm biến LiDAR 3D và Camera AI: Bổ sung chức năng nhận diện chướng ngại vật động vào hàm chi phí tối ưu hóa của MPC, bảo đảm xe tự động chuyển làn tránh vật cản với khoảng cách an toàn tối thiểu 1,5 mét. Thời gian triển khai ước tính 9 tháng. Đơn vị thực hiện: Đội ngũ kỹ sư phát triển phần mềm xe tự hành.

Chuyển giao và thử nghiệm thuật toán trên máy kéo nông nghiệp quy mô thực: Lắp đặt hệ thống điều khiển trên các máy cày, máy kéo công suất thực với tải trọng trên 500 kilôgam, đặt mục tiêu duy trì sai số bám luống cày dưới 0,08 mét trên nền đất mềm. Lộ trình thực hiện trong 12 tháng. Đơn vị chủ trì: Các doanh nghiệp sản xuất máy nông nghiệp phối hợp cùng trường đại học.

Tối ưu hóa mã nguồn nhúng và phần cứng xử lý: Biên dịch thuật toán giải QP trên các bo mạch nhúng hiệu năng cao như GPU Jetson nhằm rút ngắn chu kỳ tính toán từ 100 mili giây xuống dưới 20 mili giây trong vòng 3 tháng tới. Đơn vị thực hiện: Kỹ sư lập trình hệ thống nhúng.

Đối tượng nên tham khảo luận văn

Nội dung luận văn mang lại giá trị học thuật và ứng dụng thực tế cho 4 nhóm đối tượng chính:

Học viên cao học và nghiên cứu sinh chuyên ngành Kỹ thuật Điều khiển và Tự động hóa: Tiếp cận toàn bộ phương pháp xây dựng mô hình toán học, kỹ thuật tuyến tính hóa Taylor và quy trình lập trình thuật toán MPC tối ưu hóa QP trên phần mềm MATLAB.

Kỹ sư R&D trong lĩnh vực xe tự hành và Robot di động AGV/AMR: Ứng dụng giải pháp thiết kế kiến trúc phần cứng vi điều khiển STM32 kết hợp bộ cảm biến IMU ADIS16480 và module định vị chính xác cao GPS-RTK phục vụ phát triển sản phẩm công nghiệp.

Doanh nghiệp sản xuất và chế tạo máy nông nghiệp thông minh: Tham khảo mô hình tự động hóa hệ thống bẻ lái cho máy kéo, giúp giảm thiểu 30% đến 40% chi phí nhân công vận hành ngoài đồng ruộng và nâng cao năng suất canh tác.

Giảng viên và các cơ sở đào tạo đại học khối ngành kỹ thuật: Sử dụng công trình như một tài liệu tham khảo chất lượng cao cho các môn học Điều khiển nâng cao, Robotics và Hệ điều hành Robot ROS.

Câu hỏi thường gặp

Ưu điểm nổi bật của bộ điều khiển MPC so với bộ điều khiển PID truyền thống khi bám quỹ đạo là gì? Thuật toán MPC có khả năng dự báo trạng thái tương lai trong khoảng chân trời xác định và xử lý trực tiếp các ràng buộc vật lý của góc bẻ lái trong phạm vi âm 30 độ đến 30 độ. Trong khi đó, PID chỉ phản ứng dựa trên sai số quá khứ và hiện tại, dễ gây bão hòa cơ cấu chấp hành và dao động mạnh khi xe di chuyển ở vận tốc trên 1,5 mét trên giây.

Tại sao hệ thống cần sử dụng cảm biến GPS-RTK thay vì GPS thông thường? Cảm biến GPS thông thường có sai số vị trí dao động từ 2 đến 4 mét, không thể đáp ứng yêu cầu bám làn đường hẹp. Công nghệ GPS-RTK NEO-M8P sử dụng trạm Base cố định kết hợp trạm Rover di động để hiệu chỉnh sai số vệ tinh qua kết nối không dây, nâng độ chính xác định vị lên mức dưới 0,02 mét với tần số cập nhật 10 Hz.

Tại sao cần khảo sát đồng thời cả hai thông số chân trời dự báo Np và ma trận trọng số Q? Thông số Np quyết định tầm nhìn xa của thuật toán, nếu Np nhỏ hơn 5 xe phản ứng chậm, nếu Np lớn hơn 10 xe bẻ lái quá sớm gây sai số. Ma trận Q cân bằng mức độ ưu tiên giữa sai số vị trí x, y và sai số góc hướng. Việc khảo sát giúp xác định bộ thông số tối ưu gồm Np bằng 7, Q1 bằng Q2 bằng 10 và Q3 bằng 30.

Hệ thống nhúng ROS và giao diện Qt hỗ trợ quá trình nghiên cứu như thế nào? ROS cung cấp nền tảng quản lý tiến trình phân tán đa luồng qua cơ chế Topic và Message, kết nối mượt mà máy tính nhúng với vi điều khiển qua cổng UART. Giao diện GUI xây dựng bằng Qt C++ cho phép trạm mặt đất nhận luồng dữ liệu 100 Hz, hiển thị bản đồ tọa độ và đồ thị góc lái thời gian thực với độ trễ dưới 5 mili giây.

Mô hình thực nghiệm 20 kg có thể mở rộng cho phương tiện nông nghiệp thực tế không? Hoàn toàn khả thi vì thuật toán MPC được thiết kế dựa trên mô hình động học xe đạp chuẩn hóa. Khi chuyển sang máy kéo thực tế, kỹ sư chỉ cần cập nhật chiều dài cơ sở l và giới hạn góc bẻ lái của cơ cấu thủy lực mà không cần thay đổi cấu trúc cốt lõi của giải thuật điều khiển.

Kết luận

Luận văn đã giải quyết trọn vẹn bài toán điều khiển bám quỹ đạo cho xe tự hành thông qua 5 đóng góp khoa học chính:

• Xây dựng hoàn chỉnh mô hình động học xe tự hành và thiết lập thuật toán điều khiển dự báo mô hình MPC tuyến tính hóa trực tuyến giải bằng phương pháp tối ưu hóa toàn phương QP.
• Chế tạo thành công mô hình xe thực nghiệm 4 bánh khối lượng 20 kilôgam, tích hợp cảm biến định vị vệ tinh GPS-RTK độ chính xác centimet và cảm biến quán tính IMU 32-bit.
• Thiết lập hệ thống phần mềm nhúng đa tầng trên nền tảng ROS kết hợp giao diện điều khiển giám sát trạm mặt đất bằng ngôn ngữ C++ Qt với chu kỳ quét 100 mili giây.
• Chứng minh tính vượt trội của thuật toán MPC qua mô phỏng và thực nghiệm với sai số bám quỹ đạo RMS chỉ 0,042 mét ở vận tốc 2,0 mét trên giây, giảm hơn 40% sai số so với thuật toán Stanley.
• Khảo sát chi tiết bộ tham số tối ưu hóa Np bằng 7 và tỷ lệ ma trận trọng số Q, tạo cơ sở thực nghiệm vững chắc cho các nghiên cứu tiếp theo.

Lộ trình phát triển trong 6 đến 12 tháng tới sẽ tập trung tích hợp mô hình động lực học phi tuyến NMPC và cảm biến nhận diện vật cản thông minh. Độc giả quan tâm và các đơn vị nghiên cứu có thể liên hệ bộ môn Kỹ thuật Điều khiển và Tự động hóa, Trường Đại học Bách Khoa – ĐHQG-HCM để trao đổi học thuật, tiếp cận dữ liệu thực nghiệm và hợp tác chuyển giao công nghệ.

Trích đoạn nội dung tài liệu

MỞ ĐẦU 1.1 Mục tiêu nghiên cứu Với sự phát triển nhanh chóng của nền kinh tế xã hội và ngành công nghiệp ô tô, mức độ phổ biến của ô tô ngày càng cao, kéo theo đó là vấn đề tai nạn giao thông thường xuyên. Theo số liệu của tổ chức y tế thế giới, mỗi năm có khoảng 1,24 triệu người chết vì tai nạn giao thông đường bộ [1]. Trong dữ liệu liên quan do Tổ chức Y tế Thế giới công bố, tai nạn giao thông đường bộ nằm trong số 10 nguyên nhân gây tử vong hàng đầu trên toàn thế giới [2]. Với tư cách là người điều khiển phương tiện, con người là yếu tố dễ gây ra hầu hết các vụ tai nạn giao thông.

Công nghệ an toàn chủ động của phương tiện hiện có dựa trên quyết định của người lái để hỗ trợ hoạt động điều khiển ổn định và không thể loại bỏ cơ bản khả năng xảy ra tai nạn giao thông. Bên cạnh đó, bối cảnh đất nước ta có truyến thống nông nghiệp lâu năm, chiếm tỉ trọng cao trong nền kinh tế. Chủ trương của nhà nước là phát triển nông nghiệp kết hợp với khoa học công nghệ giúp cải thiện năng suất và thu nhập cho người nông dân. Các nước phát triển trên thế giới có số lượng dân cư là nông dân rất thấp, nhưng sản lượng lại rất lớn.

Cụ thể nền nông nghiệp Mỹ, lao động làm nông nghiệp, lâm nghiệp, thủy sản chỉ chiếm có 0,7% trong tổng số 153,9 triệu lao động trên toàn nước Mỹ, vậy mà nông nghiệp Mỹ lại là một mô hình công nghiệp hóa, hiện đại hóa rất điển hình [9]. Để đạt được như vậy thì họ đã phải áp dụng phương tiện và kỹ thuật hiện đại trong sản xuất nông nghiệp. Các công ty lớn trên thế giới cũng đã phát triển nhiều loại máy kéo đa năng, kết hợp với chế độ tự động giúp nông dân không phải tốn sức ra ngoài đồng và có thể điều khiển từ nhà bằng việc thiết lập lộ trình sẵn có cho máy kéo. Máy kéo Case IH Magnum và New Holland T8 NHDrive của hãng CNH Industrial [17] Hình 1-2.

Chiếc máy cày tự hành do công ty John Deere sản xuất [18] Có thể thấy, các mô hình xe, máy kéo tự hành đóng vai trò hết sức quan trọng trong đời sống sản xuất của con người. Kiểm soát theo dõi đường dẫn là công nghệ chính của xe tự hành, vì vậy đề tài sẽ tập trung vào bộ điều khiển bám quỹ đạo mong muốn cho trước của xe tự hành. 2 Do kinh phí của đề tài bị giới hạn, vì thế việc kiểm chứng giải thuật sẽ không thể thực hiện trên mô hình xe, máy kéo thực tế như đề cập ở trên. Thay vào đó, 1 mô hình xe 4 bánh vừa và nhỏ sẽ được xây dựng và chạy thực nghiệm trong khuôn viên trường kết hợp với các cảm biến IMU, GPS có độ chính xác cao.2 Tổng quan đề tài Điều khiển bám quỹ đạo là một phần quan trọng của xe tự hành, việc kiểm soát theo dõi đường đi của xe tự hành dựa trên sự kiểm soát của hệ thống lái của phương tiện [5].

Điều khiển xe tự hành bao gồm việc điều khiển chiều ngang và chiều dọc, đây là hai yếu tố cốt lõi trong việc nghiên cứu xe tự hành. Điều khiển chiều ngang hướng tới điều khiển đối tượng bám vào quỹ đạo và hướng mong muốn, trong khi điều khiển chiều dọc đảm bảo đạt được tốc độ di chuyển long muốn của phương tiện [4]. Để giải quyết vấn đề này, hàng loạt các bộ điều khiển đã được phát triển dựa vào lý thuyết điều khiển cổ điển, hiện đại, nâng cao như PID, điều khiển tối ưu, điều khiển cuốn chiếu, điều khiển trượt,… [4] Điều khiển dự báo mô hình là việc kết hợp dự báo mô hình, tối ưu hóa, hiệu chỉnh phản hồi đã giải quyết được những giới hạn của một số bộ điều khiển nhờ vào việc xem xét ràng buộc đầu vào và trạng thái cho phép của mô hình [4]. Nghiên cứu gần đây cho thấy giải thuật MPC rất hữu ích để điều khiển động lực học của nhiều phương tiện khi xem xét các ràng buộc về an toàn và tính ổn định của các thuật toán này cũng đã được nghiên cứu kỹ lưỡng [4].

Sơ đồ điều khiển bám quỹ đạo xem xét độ lệch và ổn định ngang để tránh chướng ngại vật đã được đề xuất trong [4] bằng cách sử dụng hệ thống lái và phanh kết hợp, trong đó mô hình xe mười bậc và mô hình xe đạp đơn giản được sử dụng cho điều khiển dự báo mô hình phi tuyến tính (NMPC). Trong đề tài này, bộ điều khiển dự báo (MPC) sẽ được sử dụng để điều khiển bám quỹ đạo cho mô hình xe tự hành bằng việc tuyến tính hóa mô hình tại điểm tham chiếu ở mỗi chu kì điều khiển. Kiểm chứng giải thuật sẽ được thực hiện trên mô hình và thử nghiệm trên một số quỹ đạo khác nhau cho trước. 3 MÔ HÌNH VÀ HỆ THỐNG ĐIỀU KHIỂN 2.1 Xây dựng mô hình xe tự hành Mô hình xe tự hành sẽ được xây dựng dựa trên ý tưởng mô hình xe 4 bánh.

Phía trước là hệ thống bẻ lái phía được điều khiển bởi 1 động cơ gắn encoder, hệ thống lái có vai trò điều hướng xe trong quá trình di chuyển. Phía sau bao gồm 2 bánh xe có vai trò điều tốc, mỗi bánh sau được trang bị 1 động cơ gắn encoder để dễ dàng điều khiển độc lập để giải quyết vấn đề sai lệch, không đồng bộ giữa 2 động cơ dễ dàng hơn. Wifi GPS Motor-steering Steering angle Control L System vleft vright Motor-left Motor-right Hình 2-1. Mô hình xe 4 bánh được sử dụng trong luận văn Bảng 2-1.

Thông số mô hình xe tự hành Thông số Giá trị Kích thước (dài x rộng x cao) 1.4 (m) Khối lượng 20 kg Vật liệu Plastic Tốc độ Lên đến 2.5 (m/s) IMU, GPS, RF, 2 động cơ Thiết bị RS550 Encoder, 1 động cơ DC RS-365PW Encoder 4 2.1 Hệ thống phần cứng Hình 2-2. Sơ đồ thiết kế phần cứng Hệ thống điều khiển bao gồm một bảng điều khiển chính sử dụng máy tính nhúng và ba board phụ (PWM, cảm biến và Định vị) sử dụng ARM MCU. Máy tính nhúng được kết nối với các cảm biến bao gồm đơn vị đo quán tính (IMU) và hệ thống định vị toàn cầu (GPS), sau đó sẽ thu thập dữ liệu cảm biến và truyền lên trạm giám sát mặt đất. Board driver nhận lệnh từ MainBoard để điều khiển các motor.

Hệ thống USV có thể truy cập không dây: Wifi/RF để truyền/nhận lệnh giữa trạm mặt đất và máy tính nhúng để đưa ra lệnh điều khiển. DC Power PC IMU STM-Mainboard Hình 2-3. Hệ thống phần cứng điều khiển 5 2.2 Các thiết bị sử dụng trong mô hình 2. Chip STM32F407 Dòng ARM Cortex STM32F4 là một bộ xử lí thế hệ mới với một kiến trúc chuẩn cho nhu cầu đa dạng về công nghệ.

Dòng Cortex là một lõi xử lí hoàn thiện, dựa vào một chuẩn CPU và kiến trúc hệ thống chung.2 GPS GPS u-blox NEO M8P RTK là một mô-đun GPS RTK nhỏ, nhẹ và tiết kiệm năng lượng, dựa trên M8P u-blox. Sử dụng RTK, PX4 có thể nhận được vị trí của nó với độ chính xác tới mức cm, chính xác hơn nhiều so với GPS thông thường. Bộ cảm biến GPS-RTK Thông số cho cảm biến GPS: • Giao tiếp bằng UART, tốc độ baud rate 115200 • Thời gian cập nhật: 100ms (10 hz) • Bản tin từ cảm biến: $GPRMC Dữ liệu từ bản tin $GPRMC $GPRMC,083559.52,091202,,,A,V*57 6 Trong đó: • $GPRMC: mã bản tin.00: thời gan UTC. • A: trạng thái nhận.

A: dữ liệu hợp lê, V: dữ liệu không hợp lệ.11437: tọa độ vĩ độ (Lattitude), 2 số đầu dành cho độ, phần còn lại là phút. • N: chỉ thị Bắc.91522: tọa độ kinh độ (Longtitude), 2 số đầu dành cho độ, phần còn lại là phút. • E: chỉ thị Đông.004: tốc độ trên mặt đất.52: • 091202: ngày, tháng, năm. • A: mode chỉ thị.

• V: trạng thái chỉ thị định vị, V (thiết bị không cung cấp thông tin trạng thái điều hướng). Một hệ thống GPS-RTK bao gồm 2 thành phần: thành phần đứng yên gọi là Base và thành phần chuyển động gọi là Rover. Sơ đồ mô hình hoạt động của GPS-RTK [19] 7 Trạm GPS (base station) có tọa độ cố định và được xác định bằng các phương pháp đo đạc chính xác cao, thông thường được gọi là survey-in. Base sẽ dựa vào các thuật toán để ước lượng vị trí chính xác của nó và mất một khoảng thời gian để hoàn thành giai đoạn này.

Trong quá trình hoạt động, hệ thống định vị toàn cầu GNSS (Global Navigation Satellite System) được dùng để tính toán sai số vị trí tại vị trí của Base bằng cách so sánh với vị trí chính xác của Base(đã được ước lượng bằng survey-in trước đó). Sau khi sai số vị trí được xác định thì sẽ được gửi và cập nhật liên tục đến Rover bằng giao tiếp không dây. Rover sử dụng những hiệu chỉnh này để cải thiện vị trí được tính toán của nó từ GNSS và đạt được độ chính xác đến từng centimet. Trong một hệ thống nhiều Rover có thể sử dụng chung 1 Base.

Bộ GPS truyền thống thông thường có sai số lên tới 2-4 m. Nhưng việc kết hợp phương pháp RTK lại có thể đạt độ chính xác đến từng cm. Điều này rất có lợi trong các ứng dụng cần độ chính xác cao như xe tự hành, drone,… Hình 2-7. Sơ đồ kết nối của GPS-RTK NEO-M8P 8 2.3 IMU Cảm biến vận tốc góc và gia tốc: từ hãng Analog Devices, mã hiệu ADIS16480.

Cảm biến này có một số tính năng nổi trội so với các hãng khác như: tầm đo vận tốc góc lớn (4500/s), tầm đo gia tốc 8g, tần số cập nhật lớn (2460Hz), độ phân giải cao (32bit), độ trôi theo nhiệt độ thấp, độ trực giao của 3 trục lớn. Các thông số chính của ADIS16480: • Tầm đo vận tốc góc thiết lập: +/- 450°/sec. • Tầm đo gia tốc: -18g đến +18g • Thời gian khởi động: 120ms • Giao tiếp: SPI • Ngõ ra chuyển vị góc tương đối • Tích hợp cảm biến nhiệt độ • Lập trình thay đổi cấu hình làm việc: hiệu chỉnh bias auto/manual, băng • thông 50/330 Hz, tốc độ lấy mẫu 256/2048Hz, lọc FIR, digital I/O, alarm, • ngõ ra DAC. • Nguồn điện: +4,75V đến +5,25V.

• Gia tốc làm việc cho phép: <2000g. • Nhiệt độ làm việc: -40°C đến +105° Vi xử lý trung tâm: từ hãng STMicrochip, mã hiệu STM32F405. STM32F405 hoạt động ở xung nhịp 168MHz, có khả năng xử lý phép tính dấu chấm động chỉ trong 1 chu kỳ máy, và khả năng giao tiếp ngoại vi mạnh.