Tổng quan nghiên cứu

Xe robot hai bánh tự cân bằng đồng trục (Wheeled Inverted Pendulum - WIP) đại diện cho một bước đột phá trong công nghệ robot di động nhờ khả năng xoay trở linh hoạt trong không gian hẹp với góc nghiêng vận hành lên đến 30 độ. Khác với các hệ thống ba hoặc bốn bánh truyền thống phân bố trọng tâm cố định dễ bị lật khi đổi độ dốc, robot hai bánh liên tục điều chỉnh vị trí để duy trì trọng tâm rơi chính xác vào vùng đỡ của hai bánh dẫn động. Tuy nhiên, đối tượng này sở hữu bản chất động lực học phi tuyến cao, thiếu ổn định nội tại và có sự liên kết chéo phức tạp giữa ba trạng thái: góc nghiêng thân xe, vị trí di chuyển và góc quay hướng.

Mục tiêu cốt lõi của nghiên cứu là thiết kế và hiện thực hóa thành công bộ điều khiển khớp theo mô hình tiểu não (Cerebellar Model Articulation Controller - CMAC) có khả năng thích nghi online, không phụ thuộc vào mô hình toán học của hệ thống. Công trình được tiến hành thực nghiệm trong giai đoạn từ tháng 7 năm 2011 đến tháng 12 năm 2011 tại Trường Đại học Bách khoa – ĐHQG TP.HCM.

Ý nghĩa khoa học và ứng dụng của đề tài thể hiện qua việc nhúng hoàn chỉnh thuật toán thông minh lên vi điều khiển xử lý tín hiệu số DSP TMS320F28335 hoạt động ở tần số 150 MHz. Giải pháp này giúp triệt tiêu sai số góc nghiêng xuống dưới 0,1 rad trong môi trường nhiễu trắng công suất $10^{-6}$, mở ra tiềm năng lớn cho các phương tiện vận chuyển cá nhân thông minh và robot phục vụ công nghiệp.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng cơ học giải tích Lagrange và lý thuyết điều khiển mạng nơ-ron sinh học. Hệ phương trình động lực học phi tuyến của xe hai bánh được thiết lập qua hàm Lagrangian $L = T - U$, phản ánh chính xác các tương tác mô-men quán tính $J_m$, ma sát trượt $f_w$, ma sát nhớt $f_m$ cùng động năng của 2 động cơ DC servo 24VDC/2A. Cấu trúc điều khiển tách kênh (decoupling) được ứng dụng để phân rã hệ thống thành hai kênh độc lập: kênh điều khiển góc nghiêng - vị trí dựa trên tổng điện áp hai bánh $(v_l + v_r)$ và kênh điều khiển hướng quay dựa trên hiệu điện áp $(v_r - v_l)$.

Mô hình CMAC cải tiến sử dụng chuỗi ánh xạ không gian: từ không gian ngõ vào $S$ sang vùng biến trung gian $M$, ánh xạ đến vùng bộ nhớ liên kết $A$ và xuất ngõ ra $P$. Với độ phân giải lượng tử hóa $n_E = 9$ khoảng và số lớp lượng tử $\gamma = 4$, không gian liên kết hình thành $n_A = 24$ khối chức năng. Tác giả tích hợp hàm cơ sở trường tiếp nhận dạng Gauss kết hợp trọng số hồi quy $r_i$, giúp mạng ghi nhớ trạng thái điều khiển $y(N-1)$ liền trước, tối ưu hóa khả năng xấp xỉ hàm phi tuyến theo thời gian thực.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm được thu thập trực tiếp từ hệ thống cảm biến quán tính phần cứng bao gồm cảm biến gia tốc hai trục ADXL203 (điện áp phân cực 1,65V) và cảm biến con quay hồi chuyển IXZ500 (độ nhạy 9,1 mV/độ/s). Cỡ mẫu thực nghiệm bao gồm chuỗi dữ liệu liên tục với hơn 10.000 bước lấy mẫu tín hiệu rời rạc thông qua bộ chuyển đổi ADC 12-bit tích hợp sẵn trên DSP. Phương pháp chọn mẫu là thu thập tín hiệu ngẫu nhiên theo thời gian thực trong các trạng thái dao động góc từ 0 đến 3,14 rad.

Lý do lựa chọn phương pháp phân tích kết hợp giữa mô phỏng Matlab Simulink và nhúng phần cứng thực tế là nhằm kiểm chứng độ tin cậy của thuật toán gradient descent tối ưu hóa tốc độ học $(\eta_w, \eta_m, \eta_v, \eta_r)$. Đồng thời, thuật toán lọc Kalman rời rạc 2 biến trạng thái được triển khai để dung hợp dữ liệu cảm biến, giải quyết triệt để hiện tượng trôi điểm không (drift) của con quay hồi chuyển và nhiễu rung cơ khí của cảm biến gia tốc trong suốt tiến trình nghiên cứu kéo dài 6 tháng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình mô phỏng và thực nghiệm đã mang lại 3 phát hiện khoa học quan trọng:

  • Đặc tính phi tuyến vượt trội so với mô hình tuyến tính hóa: Khi làm việc gần điểm cân bằng 0 rad, hai mô hình cho phản hồi tương đồng. Tuy nhiên, khi góc nghiêng lệch xa điểm làm việc, mô hình tuyến tính phân kỳ ra vô cùng, trong khi mô hình phi tuyến Lagrange phản ánh trung thực trạng thái vật lý khi góc nghiêng tiến về vị trí biên 3,14 rad và dao động tắt dần.
  • Mức độ suy giảm ảnh hưởng của nhiễu: Dưới tác động của nhiễu trắng công suất $10^{-3}$, góc nghiêng dao động mạnh tới 2 rad (chiếm 63,7% dải làm việc). Khi kiểm soát công suất nhiễu ở mức $10^{-6}$ thông qua bộ lọc Kalman, biên độ sai lệch giảm xuống dưới 0,1 rad, tương đương mức giảm nhiễu hơn 95%, đảm bảo xe duy trì độ thăng bằng ổn định.
  • Hiệu năng hội tụ của thuật toán học online CMAC: Bằng việc tối ưu hóa tốc độ học theo chuẩn Euclid, mạng CMAC đạt trạng thái hội tụ sai số học về 0 chỉ sau khoảng 10 đến 15 chu kỳ lấy mẫu, loại bỏ hoàn toàn hiện tượng mất ổn định khi đổi hướng đột ngột.

Thảo luận kết quả

Các phát hiện trên chứng minh ưu thế vượt bậc của CMAC so với các phương pháp truyền thống. Nghiên cứu robot JOE năm 2002 tại Thụy Sĩ sử dụng phương pháp đặt cực tuyến tính hóa bị hạn chế nghiêm trọng khi hệ thống rời xa điểm cân bằng. Tương tự, mô hình robot ATOM năm 2007 đòi hỏi tính toán giải tích phức tạp theo bộ điều khiển trượt Lyapunov. Ngược lại, cấu trúc bảng tra bộ nhớ (LUT) của CMAC cho phép tính toán tín hiệu điều khiển trong chu kỳ máy cực ngắn 6,67 ns trên DSP TMS320F28335.

Các dữ liệu thực nghiệm được trực quan hóa rõ nét thông qua các biểu đồ đáp ứng thời gian từ 0 đến 10.000 ms trên Simulink, thể hiện sự so khớp chính xác giữa ba biến trạng thái góc nghiêng ($\psi$), vị trí ($\theta$), góc xoay ($\phi$). Sự kết hợp giữa bảng thông số động học và biểu đồ sai số khẳng định bộ lọc Kalman 2 trạng thái đã dung hợp hoàn hảo tín hiệu từ gia tốc kế ADXL203 và con quay hồi chuyển IXZ500, loại trừ hoàn toàn sai số tích phân trôi dạt.

Đề xuất và khuyến nghị

Nhằm nâng cao hiệu quả vận hành và mở rộng khả năng ứng dụng thực tiễn của bộ điều khiển nhúng CMAC cho robot hai bánh tự cân bằng, tác giả đưa ra 4 giải pháp trọng tâm:

  1. Nâng cấp phần cứng cảm biến số: Thay thế các cảm biến analog ADXL203 và IXZ500 bằng cụm cảm biến đo lường quán tính IMU 6 bậc tự do giao tiếp số SPI/I2C trong vòng 3 tháng tới. Giải pháp do nhóm kỹ sư nhúng thực hiện nhằm triệt tiêu hoàn toàn sai số lượng tử hóa của bộ chuyển đổi ADC 12-bit, nâng độ chính xác đo góc lên mức 99,5%.
  2. Tối ưu hóa mã nguồn thuật toán nhúng: Tái cấu trúc thư viện thuật toán CMAC trên DSP TMS320F28335 bằng cách khai thác tối đa 6 kênh điều khiển DMA và đơn vị tính toán dấu chấm động FPU 32-bit. Mục tiêu giảm chu kỳ quét điều khiển từ 10 ms xuống dưới 2 ms trước quý II, do bộ phận lập trình thời gian thực phụ trách.
  3. Mở rộng cấu trúc mạng CMAC hồi quy thích nghi: Tích hợp thêm các lớp nơ-ron phản hồi sâu để xe thích ứng tự động khi tải trọng thay đổi đột ngột từ 2 kg lên 10 kg. Kế hoạch nghiên cứu kéo dài 6 tháng do các học viên cao học chuyên ngành Tự động hóa triển khai.
  4. Tích hợp hệ thống dẫn đường tự động: Bổ sung cảm biến Lidar và camera thị giác máy tính trên khung thân nhôm đúc để phát triển tính năng lập bản đồ SLAM và tránh vật cản tự động trong phạm vi 12 tháng, phục vụ thương mại hóa sản phẩm.

Đối tượng nên tham khảo luận văn

Công trình luận văn thạc sĩ này mang giá trị tham khảo chuyên sâu cho 4 nhóm đối tượng:

  • Kỹ sư R&D Robot và Tự động hóa: Nắm vững phương pháp thiết kế cơ khí khung nhôm đúc, tích hợp mạch động lực cầu H điều khiển động cơ DC servo 24VDC/2A và nguyên lý cân bằng động của hệ con lắc ngược.
  • Lập trình viên hệ thống nhúng thời gian thực: Khai thác quy trình cấu hình vi điều khiển 32-bit DSP TMS320F28335, kỹ thuật xử lý dấu chấm động đơn và thuật toán lọc Kalman khử nhiễu tín hiệu cảm biến.
  • Học viên cao học và nhà nghiên cứu thuật toán: Tiếp cận mô hình mạng nơ-ron tiểu não CMAC cải tiến, phương pháp cập nhật trọng số online và cơ chế tối ưu hóa tốc độ học theo gradient descent.
  • Giảng viên và sinh viên ngành Kỹ thuật Điều khiển: Sử dụng toàn bộ phương trình động lực học Lagrange và mô hình mô phỏng Matlab làm học liệu giảng dạy cho các môn học điều khiển phi tuyến và điều khiển thông minh.

Câu hỏi thường gặp

1. Tại sao giải thuật CMAC lại phù hợp cho điều khiển thời gian thực hơn mạng nơ-ron nhiều lớp (MLP)?
Mạng MLP truyền thống phải cập nhật toàn bộ trọng số ở tất cả các lớp ẩn qua thuật toán lan truyền ngược, gây độ trễ tính toán lớn. Ngược lại, CMAC hoạt động dựa trên cơ chế bảng tra cục bộ, chỉ kích hoạt và cập nhật một số lượng trọng số nhất định tương ứng với số lớp lượng tử $\gamma = 4$, giúp tốc độ học nhanh và chu kỳ xử lý đạt dưới 6,67 ns trên vi điều khiển DSP.

2. Vai trò thực tế của bộ lọc Kalman trong hệ thống xe tự cân bằng là gì?
Cảm biến gia tốc ADXL203 dễ bị nhiễu bởi rung động động cơ, trong khi con quay hồi chuyển IXZ500 gặp hiện tượng trôi dạt điểm không theo thời gian. Bộ lọc Kalman ước lượng đệ quy giúp kết hợp tối ưu hai luồng tín hiệu, triệt tiêu sai số góc nghiêng từ 2 rad xuống dưới 0,1 rad, tái tạo giá trị góc nghiêng thực tế chuẩn xác.

3. Làm thế nào tác giả phân tách bài toán điều khiển đa biến MIMO phức tạp của xe hai bánh?
Dựa trên phương trình động lực học Lagrange, tác giả chia tách hệ thống thành 2 kênh SISO độc lập: tổng điện áp 2 động cơ $(v_l + v_r)$ dùng điều khiển góc nghiêng và vị trí tịnh tiến, còn hiệu điện áp $(v_r - v_l)$ dùng điều khiển góc xoay hướng của robot.

4. Khung cơ khí và nguồn điện của robot được thiết kế với thông số nào?
Khung robot được gia công bằng nhôm đúc nguyên khối chịu lực cao nhưng vẫn đảm bảo trọng lượng nhẹ. Hệ thống vận hành nhờ nguồn pin Lithium-Polymer 11,1V/1800mAh cung cấp năng lượng cho 2 động cơ DC servo công suất 24VDC/2A kèm bộ mã hóa xung encoder quang học.

5. Điều kiện để thuật toán học online của CMAC hội tụ ổn định là gì?
Sai số học của CMAC hội tụ về 0 khi tốc độ học của trọng số $\eta_w$, tâm hàm Gauss $\eta_m$, độ phân tán $\eta_v$ và trọng số hồi quy $\eta_r$ được giới hạn chặt chẽ theo chuẩn Euclid của ma trận lan truyền sai số, tránh hiện tượng phân kỳ khi xe thay đổi vận tốc đột ngột.

Kết luận

  • Xây dựng thành công hệ phương trình động lực học phi tuyến toàn diện cho xe hai bánh tự cân bằng theo giải tích Lagrange.
  • Ứng dụng xuất sắc giải thuật CMAC với hàm cơ sở Gauss và trọng số hồi quy, cho phép tự thích nghi online không cần mô hình hóa toán học.
  • Thiết kế hoàn chỉnh bộ lọc Kalman 2 trạng thái giúp dung hợp dữ liệu gia tốc kế và con quay hồi chuyển, giảm hơn 95% biên độ nhiễu.
  • Hiện thực hóa thành công bộ điều khiển nhúng thời gian thực trên chip DSP TMS320F28335 tần số 150 MHz kết hợp động cơ DC servo 24V.
  • Kiểm chứng thực nghiệm độ ổn định của hệ thống với thời gian đáp ứng nhanh và khả năng tự cân bằng vững chắc trước các tác động ngoại cảnh.

Đóng góp khoa học then chốt của luận văn là làm chủ hoàn toàn công nghệ điều khiển thông minh nhúng cho hệ thống phi tuyến cao. Quý độc giả, kỹ sư và nhà nghiên cứu quan tâm có thể ứng dụng trực tiếp kiến trúc phần cứng và giải thuật trong công trình để phát triển các thế hệ robot tự hành thông minh tiếp theo.