Tổng quan nghiên cứu

Trong bối cảnh tự động hóa công nghiệp và an ninh hiện đại, robot di động tự hành (Autonomous Mobile Robot - AMR) đóng vai trò then chốt với tốc độ tăng trưởng thị trường ước tính trên 18,5% mỗi năm. Nghiên cứu tập trung giải quyết bài toán cốt lõi: hoạch định quỹ đạo chuyển động và định hướng di chuyển cho robot tự hành trong môi trường thực mang tính động, không xác định trước và tiềm ẩn nhiều biến số ngẫu nhiên. Vấn đề nghiên cứu xuất phát từ thực tế các hệ thống điều khiển cổ điển (như PID hoặc phương pháp không gian trạng thái) đòi hỏi mô hình toán học giải tích chính xác của môi trường, điều hoàn toàn bất khả thi khi robot vận hành tại các khu vực chưa có bản đồ số hóa cục bộ.

Mục tiêu cụ thể của luận văn là xây dựng giải thuật điều khiển thông minh lai nơron - mờ (Neuro-Fuzzy) kết hợp kỹ thuật học củng cố (Reinforcement Learning) dựa trên cấu trúc hành vi phân cấp, từ đó tối ưu hóa hai hành vi sống còn: bám đuổi mục tiêu (Goal Seeking) và tránh va chạm vật cản (Obstacle Avoidance). Phạm vi nghiên cứu được triển khai trên mô hình robot tuần tra an ninh thực nghiệm tại Bộ môn Kỹ thuật Điều khiển Tự động, Khoa Cơ khí, Trường Đại học Bách khoa - Đại học Quốc gia Thành phố Hồ Chí Minh.

Ý nghĩa khoa học và thực tiễn của công trình thể hiện rõ nét qua việc cắt giảm khoảng 57,1% số lượng luật mờ dư thừa nhờ bảng tra cứu quy tắc tối ưu, đồng thời duy trì độ lệch góc hướng đến đích dưới 5 độ ngay cả khi gặp các tình huống mắc bẫy phức tạp. Công trình đặt nền móng vững chắc cho việc ứng dụng robot tự hành trong các nhiệm vụ an ninh, tuần tra giám sát khu vực nguy hiểm và cứu hộ cứu nạn.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn thiết lập nền tảng dựa trên sự tích hợp của ba trụ cột lý thuyết điều khiển học hiện đại:

  1. Lý thuyết logic mờ (Fuzzy Logic Controller - FLC): Ứng dụng quy tắc suy diễn mờ hợp thành theo nguyên lý Zadeh (1973), triển khai hai phương pháp suy luận phổ biến là Max-Min và Max-Prod. Quá trình giải mờ áp dụng phương pháp trọng tâm (Center of Area - COA) nhằm biến đổi tập mờ kết luận thành tín hiệu điều khiển vận tốc và góc quay vật lý chính xác.
  2. Hệ thống nơron - mờ và bộ điều khiển GARIC: Tích hợp mạng nơ-ron nhân tạo đa lớp (Perceptron) với giải thuật học củng cố (Reinforcement Learning) theo cấu trúc Actor-Critic. Bộ điều khiển GARIC (Generalized Approximate Reasoning-based Intelligent Control do Berenji và Khedkar đề xuất) bao gồm mạng lựa chọn hành vi (Action Selection Network - ASN) và mạng đánh giá hành động (Action Evaluation Network - AEN), kết hợp khối biến đổi hành vi ngẫu nhiên để tối ưu hóa hàm mục tiêu sai số.
  3. Kiến trúc điều khiển theo hành vi (Behavior-based Architecture): Vận dụng mô hình phân cấp hành vi của Brooks, phân chia hệ thống thành các khối ứng xử độc lập: tìm mục tiêu, tránh vật cản, dừng khẩn cấp và thoát bẫy không gian.

Các khái niệm chuyên ngành then chốt được chuẩn hóa gồm: hàm liên thuộc (Membership Functions hình tam giác và hình thang), không gian trạng thái mờ hóa (Fuzzification), độ phụ thuộc cực đại, tín hiệu củng cố sai số tức thời $e(kT)$ và vận tốc góc chuyển hướng $\omega$.

[Cảm biến Siêu âm + Camera] ---> [Khối Mờ hóa] ---> [Mạng Lựa chọn Hành vi ASN] ---> [Khối Giải mờ COA] ---> [Động cơ Robot]
                                                           ^
                                                           | (Tín hiệu Củng cố)
                                                [Mạng Đánh giá AEN]

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp kết hợp giữa mô phỏng số hóa và kiểm chứng thực nghiệm trên phần cứng:

  • Nguồn dữ liệu thu thập: Hệ thống thu thập dữ liệu thời gian thực từ mảng 5 cảm biến siêu âm định vị đa hướng (góc quét bao phủ từ -90 độ đến +90 độ với chu kỳ lấy mẫu 50 ms) kết hợp một camera kỹ thuật số nhằm xác định tọa độ mục tiêu và cự ly chướng ngại vật trong phạm vi từ 0,02 m đến 3,0 m.
  • Cỡ mẫu và phương pháp chọn mẫu: Nghiên cứu thiết lập cỡ mẫu thực nghiệm gồm 150 kịch bản mô phỏng động lực học trên máy tính và 60 chu kỳ chạy thử nghiệm thực địa trên mô hình sa bàn kích thước 5 m x 5 m. Phương pháp chọn mẫu áp dụng kỹ thuật phân tầng ngẫu nhiên theo 3 tình huống bẫy không gian điển hình: robot bị kẹt giữa 3 vật cản tĩnh hình chữ U, vật cản di động bám theo hướng di chuyển và vật cản xuất hiện cắt ngang đột ngột.
  • Lý do lựa chọn phương pháp phân tích: Thuật toán GARIC kết hợp nơron - mờ được lựa chọn vì khả năng tự thích nghi và phát sinh luật mới trực tiếp từ tương tác môi trường mà không phụ thuộc vào phương trình vi phân phi tuyến phức tạp của động học robot. Timeline nghiên cứu được tiến hành liên tục trong 12 tháng, bao gồm các giai đoạn: thiết kế phần cứng vi sai 2 bánh, lập trình thuật toán điều khiển nơron mờ, mô phỏng số và hiệu chỉnh trọng số thực tế.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình mô phỏng và thử nghiệm thực tế trên mô hình robot tự hành an ninh mang lại 4 phát hiện cốt lõi với các chỉ số đo lường vượt trội:

  • Giải quyết dứt điểm bài toán mắc bẫy 3 vật cản: Trong tình huống robot bị chặn phía trước và hai bên hông không đủ khoảng trống quay đầu, thuật toán nơron - mờ kích hoạt hành vi lùi tự động một đoạn $dl$ định trước và xoay góc $\omega$, đạt tỷ lệ thoát bẫy thành công 96,7% (tăng 32,5% so với mức 64,2% của bộ điều khiển mờ tĩnh thông thường).
  • Tối ưu hóa thời gian phản hồi trước vật cản động: Khi vật cản xuất hiện bất ngờ ở khoảng cách dưới ngưỡng an toàn 25 cm, hệ thống xử lý tín hiệu ngắt và ra quyết định dừng khẩn cấp chỉ trong 68 ms, giảm độ trễ 43,3% so với thuật toán suy diễn mờ đơn thuần (120 ms).
  • Rút gọn và tinh giản cơ sở luật mờ: Cơ chế bảng tìm kiếm tối ưu giúp giảm số lượng quy tắc mờ nền tảng từ 49 luật xuống còn 21 luật hành vi cốt lõi, tiết kiệm 57,1% dung lượng bộ nhớ vi điều khiển và gia tăng tốc độ hội tụ của mạng ASN lên gấp 2,3 lần.
  • Nâng cao độ chính xác bám mục tiêu (Goal Seeking): Trên hành trình di chuyển dài 10 mét với nhiều chướng ngại vật bố trí ngẫu nhiên, robot hoàn thành nhiệm vụ với sai số lệch đích trung bình chỉ 3,5 cm, đạt tỷ lệ định hướng chính xác 98,2%.
Chỉ số đánh giá hiệu năng Bộ điều khiển Mờ truyền thống Hệ thống Nơron - Mờ GARIC (Luận văn) Mức độ cải thiện
Tỷ lệ thoát bẫy 3 vật cản 64,2% 96,7% Tăng 32,5%
Thời gian phản hồi ngắt 120 ms 68 ms Giảm 43,3%
Số lượng luật mờ sử dụng 49 quy tắc 21 quy tắc Cắt giảm 57,1%
Sai số quỹ đạo trung bình 11,8 cm 3,5 cm Giảm 70,3%

Thảo luận kết quả

Thành công của mô hình bắt nguồn từ khả năng phối hợp nhịp nhàng giữa mạng lựa chọn hành vi ASN và mạng đánh giá AEN trong bộ điều khiển GARIC. Khác với logic mờ tĩnh chỉ phản hồi theo các kinh nghiệm chuyên gia được lập trình sẵn, giải thuật học củng cố cho phép robot tự điều chỉnh ma trận trọng số liên kết sau mỗi chu kỳ sai số $e(kT)$. Khi robot tiến gần vật cản, tín hiệu phạt từ môi trường kích hoạt khối thay đổi hành vi ngẫu nhiên, giúp robot tự động tìm hướng né tránh tối ưu thay vì rơi vào trạng thái bế tắc vô hạn (Deadlock).

Trên các biểu đồ quỹ đạo không gian 2D hệ tọa độ Descartes (X-Y), đường chuyển động của robot thể hiện dạng đường cong mượt mà, không xuất hiện các góc gấp khúc gãy gọn đột ngột làm mất ổn định cơ cấu chấp hành. Dữ liệu vận tốc góc quay $\omega$ dao động ổn định trong biên độ an toàn từ -45 độ/s đến +45 độ/s. So với các công bố khoa học đương thời sử dụng giải thuật di truyền (Genetic Algorithm) vốn đòi hỏi năng lực tính toán rất lớn, cấu trúc nơron - mờ của tác giả Lê Trung Can chứng minh tính khả thi vượt trội khi nhúng trực tiếp vào các hệ thống vi điều khiển thời gian thực có tài nguyên phần cứng giới hạn.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu và hạn chế thực nghiệm, luận văn đưa ra 4 khuyến nghị then chốt mang tính ứng dụng cao:

  1. Nâng cấp hệ thống cảm biến tích hợp đa kênh (LiDAR và Stereo Camera): Đội ngũ kỹ thuật phần cứng cần bổ sung cụm cảm biến quét laser 360 độ kết hợp thị giác máy tính trong vòng 6 - 9 tháng tới, nhằm tăng tỷ lệ nhận dạng vật cản từ khoảng cách 5 mét lên trên 99,5%, khắc phục triệt để điểm mù sóng siêu âm do bề mặt phản xạ góc nghiêng.
  2. Triển khai thuật toán học củng cố sâu (Deep Reinforcement Learning) trên chip xử lý biên: Các kỹ sư lập trình điều khiển tự động nên chuyển đổi mô hình GARIC sang kiến trúc Deep Q-Network (DQN) hoặc DDPG trên các dòng vi xử lý ARM Cortex hoặc DSP chuyên dụng trong thời hạn 12 tháng, mục tiêu hạ thấp thời gian trích xuất quyết định xuống dưới 15 ms.
  3. Chuẩn hóa quy trình kiểm thử robot an ninh trong môi trường thực địa: Các viện nghiên cứu phối hợp với doanh nghiệp an ninh công nghệ ban hành bộ tiêu chuẩn đánh giá gồm 100 kịch bản vận hành thực tế trong 3 - 6 tháng tới, đảm bảo độ tin cậy vận hành liên tục không lỗi đạt mức 99,9%.
  4. Tối ưu hóa kết cấu cơ điện tử và hệ thống quản lý năng lượng thông minh: Phòng thiết kế chế tạo máy cần hoàn thiện khung gầm vi sai giảm chấn và tích hợp khối pin Lithium dung lượng cao trong vòng 6 tháng, nâng tổng thời gian tuần tra tự hành liên tục từ 4 giờ lên trên 8 giờ cho một chu kỳ sạc.

Đối tượng nên tham khảo luận văn

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

  • Học viên cao học và nghiên cứu sinh chuyên ngành Cơ điện tử, Tự động hóa và Chế tạo máy: Cung cấp tài liệu tham khảo chuẩn mực về phương pháp toán học lai nơron - mờ, kỹ thuật giải mờ trọng tâm và giải thuật học củng cố Actor-Critic trong điều khiển robot di động.
  • Kỹ sư R&D phát triển xe tự hành (AGV/AMR) trong công nghiệp: Nắm bắt phương pháp thiết kế bộ điều khiển hành vi phân cấp, tối ưu hóa bảng quy tắc mờ giúp tiết kiệm tài nguyên vi xử lý và tăng tốc độ đáp ứng chuyển động trong nhà xưởng thông minh.
  • Các doanh nghiệp và đơn vị phát triển thiết bị an ninh tuần tra tự động: Tiếp cận mô hình thực nghiệm robot an ninh tự hành, giải quyết triệt để các bài toán chống kẹt góc chết, né tránh vật cản động và tự động định hướng mục tiêu trong khu vực tòa nhà, kho bãi.
  • Giảng viên và nhà nghiên cứu tại các trường đại học kỹ thuật: Sử dụng làm giáo trình chuyên đề hoặc tài liệu hướng dẫn đồ án tốt nghiệp về hệ thống điều khiển thông minh, mô phỏng động lực học robot trên nền tảng phần mềm chuyên dụng.

Câu hỏi thường gặp

Hệ thống nơron - mờ GARIC mang lại ưu thế gì so với điều khiển PID truyền thống?

Bộ điều khiển GARIC không yêu cầu xây dựng mô hình toán học giải tích chính xác của đối tượng và môi trường xung quanh. Trong khi bộ điều khiển PID dễ bị mất ổn định trước các biến đổi phi tuyến của địa hình, GARIC kết hợp khả năng suy luận ngôn ngữ mờ với năng lực tự học củng cố của mạng nơ-ron, giúp giảm 70,3% sai số quỹ đạo khi gặp vật cản bất ngờ.

Luận văn giải quyết bài toán robot bị kẹt giữa 3 vật cản (bẫy cục bộ) như thế nào?

Hệ thống sử dụng cơ chế ưu tiên hành vi phân cấp. Khi 3 cảm biến siêu âm phía trước và hai bên đồng thời phát hiện vật cản dưới khoảng cách cho phép, thuật toán tự động ngắt hành vi tìm mục tiêu, kích hoạt chuỗi hành vi đặc biệt: dừng khẩn cấp trong 68 ms, lùi khoảng cách $dl$ an toàn và quay góc $\omega$ để thoát bẫy với tỷ lệ thành công 96,7%.

Cấu hình cảm biến siêu âm được bố trí trên robot như thế nào để tối ưu tầm nhìn?

Mô hình robot an ninh được trang bị 5 cảm biến siêu âm bố trí dạng cánh cung đối xứng ở mặt trước: cảm biến trung tâm quét hướng thẳng (0 độ), hai cảm biến chếch góc trung gian (khoảng 45 độ sang trái và phải), cùng hai cảm biến quét vuông góc (90 độ hai bên hông), tạo góc bao phủ toàn diện 180 độ phía trước hướng di chuyển.

Vì sao phương pháp giải mờ trọng tâm (COA) được ưu tiên sử dụng trong nghiên cứu?

Phương pháp trọng tâm (Center of Area - COA) tính toán giá trị ngõ ra rõ dựa trên diện tích phân bố và tâm của các hàm liên thuộc kết luận. Giải thuật này mang lại tín hiệu điều khiển điện áp và vận tốc góc quay biến thiên liên tục, êm ái, triệt tiêu hoàn toàn hiện tượng rung lắc giật cục thường gặp ở các phương pháp giải mờ cực đại (MOM).

Mô hình robot tự hành trong luận văn có khả năng ứng dụng thực tế ngoài trời không?

Mô hình hoàn toàn có khả năng triển khai ngoài trời cho các nhiệm vụ tuần tra an ninh khép kín, kiểm tra đường ống hoặc kho bãi. Tuy nhiên, để hoạt động tối ưu dưới các điều kiện thời tiết khắc nghiệt như mưa bão hoặc bụi bẩn, hệ thống cần được bổ sung thêm vỏ bảo vệ chuẩn kháng nước IP65 và tích hợp thêm cảm biến định vị vệ tinh GPS vi sai (RTK).

Kết luận

  1. Hoàn thiện xuất sắc khung lý thuyết điều khiển thông minh tích hợp giữa hệ thống logic mờ thích nghi và mạng nơ-ron học củng cố (thuật toán GARIC).
  2. Xây dựng thành công cấu trúc điều khiển phân cấp theo hành vi, xử lý triệt để 3 tình huống bẫy không gian phức tạp trong môi trường thực với tỷ lệ thành công đạt 96,7%.
  3. Tinh gọn 57,1% số lượng luật mờ nền tảng thông qua cơ chế bảng tìm kiếm, giúp thuật toán vận hành mượt mà với chu kỳ đáp ứng dưới 70 ms trên phần cứng nhúng.
  4. Chế tạo và thử nghiệm thành công mô hình robot tự hành phục vụ an ninh tại Đại học Bách khoa TP.HCM với sai số định hướng mục tiêu chỉ 3,5 cm trên quãng đường 10 mét.
  5. Định hình lộ trình phát triển rõ ràng trong 6 - 12 tháng tới nhằm tích hợp công nghệ thị giác máy tính và cảm biến LiDAR 3D, sẵn sàng chuyển giao công nghệ cho các ứng dụng an ninh thông minh.

Quý độc giả, nhà nghiên cứu và doanh nghiệp quan tâm đến giải pháp hoạch định chuyển động robot tự hành thông minh hãy kết nối và tham khảo toàn văn công trình luận văn thạc sĩ của tác giả Lê Trung Can tại Thư viện Đại học Bách khoa - ĐHQG TP.HCM để cùng hợp tác phát triển các thế hệ robot tự hành tự chủ cao cấp hơn.