Tổng quan nghiên cứu

Sự phát triển của phương tiện di chuyển cá nhân thân thiện với môi trường trong hơn 2 thế kỷ qua đang mở ra xu hướng nghiên cứu mạnh mẽ về các hệ thống robot tự hành kích thước nhỏ gọn. Trong bức tranh công nghệ toàn cầu, các dự án xe hai bánh tự cân bằng thương mại hóa tiêu biểu như mẫu xe C-1 của Lit Motors với giá bán 24.000 USD (tương đương 530 triệu đồng) hay công nghệ hỗ trợ lái tự cân bằng của hãng Honda ra mắt vào tháng 6 năm 2017 đã chứng minh tiềm năng ứng dụng to lớn của cấu trúc xe hai bánh. Tuy nhiên, robot dạng xe đạp (bicyrobot) về bản chất là một hệ thống phi tuyến, dưới cơ cấu chấp hành (underactuated) và không ổn định tự nhiên tương tự hệ con lắc ngược quay, đặt ra bài toán điều khiển vô cùng thách thức khi xe đứng yên hoặc di chuyển ở dải vận tốc dưới 1 m/s.

Luận văn thạc sĩ chuyên ngành Kỹ thuật Điều khiển và Tự động hóa tại Trường Đại học Bách Khoa – ĐHQG TP.HCM thực hiện nhiệm vụ nghiên cứu toàn diện từ ngày 10/07/2017 đến ngày 17/06/2018 nhằm giải quyết triệt để hai bài toán cốt lõi: điều khiển cân bằng tĩnh và điều khiển bám quỹ đạo động học cho bicyrobot. Mục tiêu cụ thể của công trình bao gồm việc thiết lập mô hình toán học giải tích chính xác, thiết kế bộ điều khiển phản hồi trạng thái tối ưu LQR cho cơ cấu bánh đà phản lực, xây dựng bộ điều khiển mờ (Fuzzy Logic Controller) cho cơ cấu lái bám quỹ đạo, và hiện thực hóa thuật toán trên nền tảng phần cứng nhúng thời gian thực. Nghiên cứu mang ý nghĩa thực tiễn sâu sắc khi giúp robot duy trì góc nghiêng ổn định quanh vị trí cân bằng 0 độ ngay cả khi chịu ngoại lực tác động, đồng thời giảm thiểu sai số bám đường theo hai trục tọa độ xuống dưới 5 mm, tạo tiền đề vững chắc cho việc phát triển các phương tiện giao thông tự hành linh hoạt trong đô thị chật hẹp.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng lý thuyết động lực học giải tích Euler-Lagrange để mô tả hành vi phi tuyến phức tạp của hệ thống con lắc ngược kết hợp bánh đà quay. Mô hình động học phân tích chuyển động của hai vật thể chính gồm thân xe có khối lượng m1 và bánh đà có khối lượng m2, với tham số quán tính tính toán thực tế đạt giá trị a = 0.6737. Phương trình vi phân chuyển động phi tuyến sau đó được tuyến tính hóa quanh điểm làm việc cân bằng thẳng đứng để thiết lập hệ phương trình không gian trạng thái bậc 4 với 4 biến trạng thái: góc nghiêng thân xe, vận tốc góc thân xe, góc quay bánh đà và vận tốc góc bánh đà.

Để ổn định hóa hệ thống, lý thuyết điều khiển tối ưu tuyến tính LQR (Linear Quadratic Regulator) được áp dụng dựa trên việc giải phương trình vi phân ma trận đại số Riccati để tìm ma trận độ lợi phản hồi trạng thái K = (-175, -15, 0, -0.2), tối thiểu hóa hàm chỉ tiêu chất lượng toàn phương với các ma trận trọng số Q và R xác định dương. Đối với bài toán dẫn đường, lý thuyết logic mờ (Fuzzy Logic) dạng Takagi-Sugeno được tích hợp để điều khiển góc bẻ lái bánh trước và vận tốc dài từ 0 đến 80 mm/s. Mô hình dẫn đường dựa trên hệ phương trình động học vi sai trong hệ tọa độ Descartes, xử lý 2 biến đầu vào gồm độ lệch khoảng cách từ 0 đến 200 mm và độ lệch góc hướng từ -30 độ đến +30 độ thông qua 25 quy tắc hợp thành mờ chuyên gia.

Phương pháp nghiên cứu

Nghiên cứu kết hợp chặt chẽ giữa mô phỏng số trị trên máy tính và kiểm chứng thực nghiệm trên mô hình vật lý. Dữ liệu thực nghiệm được thu thập trực tiếp thông qua vi điều khiển ARM Cortex-M4 32-bit (kit STM32F407) kết hợp module cảm biến quán tính 6 bậc tự do IMU MPU-6050 thông qua giao thức truyền thông nối tiếp I2C và UART. Thuật toán lọc Kalman tuyến tính được lựa chọn để kết hợp dữ liệu gia tốc kế và con quay hồi chuyển, loại bỏ hoàn toàn hiện tượng trôi dạt điểm không (drift) và nhiễu tần số cao của cảm biến, cung cấp tín hiệu góc nghiêng chính xác cho vòng điều khiển có tần số lấy mẫu 100 Hz.

Cỡ mẫu thực nghiệm bao gồm hơn 50 lần chạy thử nghiệm vật lý độc lập với các điều kiện biên góc nghiêng ban đầu biến thiên từ 3 độ, 5 độ, 6 độ đến 8 độ, cùng 20 kịch bản mô phỏng quỹ đạo đường cong phức tạp trên môi trường Matlab/Simulink và Waijung Blockset. Phương pháp chọn mẫu thử nghiệm được tiến hành theo quy trình kiểm tra ứng suất từng bước (stress-testing) từ trạng thái tĩnh, dao động tự do đến tác động xung lực ngoại cảnh bất ngờ. Lý do lựa chọn phương pháp phân tích này là nhằm kiểm chứng tính bền vững của bộ điều khiển LQR trước sự bất định của mô hình cơ khí và ma sát động cơ DC 775, đồng thời đánh giá khả năng thích nghi phi tuyến của bộ điều khiển mờ khi điều khiển động cơ servo MG90S bám theo các điểm tham chiếu thời gian thực trong suốt giai đoạn nghiên cứu 11 tháng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình mô phỏng và thực nghiệm đã đem lại các kết quả định lượng cụ thể:

Thứ nhất, thuật toán lọc Kalman xử lý tín hiệu IMU MPU-6050 đạt độ chính xác cao, triệt tiêu hơn 90% nhiễu dao động cơ học của khung xe và bù trôi góc con quay hồi chuyển hiệu quả, cung cấp góc nghiêng thực tế mượt mà với độ trễ xử lý dưới 10 mili-giây.

Thứ hai, bộ điều khiển LQR với vector độ lợi tối ưu K = (-175, -15, 0, -0.2) giúp bicyrobot tự phục hồi trạng thái cân bằng thẳng đứng từ góc nghiêng ban đầu 3 độ và 5 độ trong khoảng thời gian đáp ứng cực ngắn từ 1.2 đến 1.8 giây, không xuất hiện hiện tượng vọt lố nguy hiểm.

Thứ ba, khi thử nghiệm với góc nghiêng ban đầu lên tới 6 độ kết hợp điều chỉnh tham số ma trận trọng số R, hệ số phản hồi của bánh đà tăng tốc nhanh chóng tạo ra mô-men phản lực đạt đỉnh, giúp hệ thống ổn định hoàn toàn sau 2.1 giây. So với các thuật toán PD cổ điển, thời gian xác lập của giải thuật LQR đề xuất nhanh hơn khoảng 35%.

Thứ tư, trong thử nghiệm bám quỹ đạo cong định trước, bộ điều khiển mờ Sugeno đã điều phối vận tốc di chuyển trong dải 0 đến 80 mm/s và góc đánh lái linh hoạt, duy trì sai số bám trục tọa độ X và Y luôn dưới 5 mm, giúp nâng cao độ chính xác quỹ đạo hơn 40% so với phương pháp điều khiển vòng hở.

Thảo luận kết quả

Thành công của cơ chế tự cân bằng bằng bánh đà nằm ở việc khai thác định luật bảo toàn mô-men động lượng. Khi thân xe nghiêng sang một bên, động cơ DC 775 dẫn động bánh đà tăng tốc ngược chiều, tạo ra mô-men phản lực tức thời đưa xe về vị trí cân bằng mà không phụ thuộc vào phản lực tiếp xúc từ mặt đường. Điều này khắc phục triệt để nhược điểm của phương pháp cân bằng bằng góc lái (vốn bất khả thi ở vận tốc 0 m/s) và phương pháp con quay hồi chuyển CMG (vốn tiêu hao năng lượng liên tục và có nguy cơ nhấc bổng bánh trước khi phát sinh mô-men trục đứng).

Trong các báo cáo khoa học, dữ liệu động học của bicyrobot có thể được trực quan hóa thông qua biểu đồ đáp ứng miền thời gian thể hiện đường cong suy giảm của góc nghiêng từ 8 độ về 0 độ trong 3 giây, đồ thị 2 chiều so sánh quỹ đạo đặt lý tưởng với quỹ đạo thực tế của xe, cùng bảng thông số đối sánh giữa các ma trận trọng số LQR thể hiện rõ mối tương quan giữa điện áp điều khiển mạch cầu H216 và độ mượt của chuyển động. Khả năng kháng nhiễu thực tế khi bị va chạm nhẹ chứng minh hệ thống có biên độ ổn định rộng, duy trì góc lệch tức thời dưới 1.5 độ trước khi ổn định trở lại.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, 4 giải pháp trọng tâm được đề xuất nhằm hoàn thiện và nâng cao tính ứng dụng của hệ thống bicyrobot:

  1. Tích hợp bộ điều khiển trượt thích nghi (Adaptive Sliding Mode Control) kết hợp mạng nơ-ron: Nhằm bù trừ các thành phần phi tuyến chưa mô hình hóa và hiện tượng bão hòa mô-men của động cơ bánh đà khi góc nghiêng vượt quá 10 độ, nâng cao khả năng kháng nhiễu thêm 25%, dự kiến triển khai trong lộ trình 6 tháng bởi các kỹ sư điều khiển tự động.
  2. Nâng cấp hệ thống cảm biến định vị vệ tinh vi sai RTK-GPS và camera thị giác máy tính: Mở rộng bán kính bám quỹ đạo ngoài trời từ không gian thí nghiệm 200 mm lên phạm vi 100 mét với sai số vị trí kiểm soát dưới 2 cm, thực hiện trong thời gian 9 tháng bởi nhóm chuyên trách hệ thống nhúng và xử lý ảnh.
  3. Tối ưu hóa kết cấu cơ khí sử dụng vật liệu sợi carbon và động cơ không chổi than BLDC: Giảm 30% tổng khối lượng xe và tăng hiệu suất chuyển hóa năng lượng của cụm bánh đà lên 20%, triển khai trong 12 tháng bởi bộ phận kỹ thuật cơ điện tử.
  4. Triển khai thuật toán điều khiển dự báo mô hình (Model Predictive Control - MPC) thời gian thực: Giúp tính toán tối ưu hóa đa biến có ràng buộc về góc lái và gia tốc, giảm độ trễ vòng lặp điều khiển xuống dưới 5 mili-giây, thực hiện trong 8 tháng bởi chuyên gia thuật toán.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả nghiên cứu của luận văn mang lại giá trị thiết thực cho 4 nhóm đối tượng chính:

  1. Học viên cao học và nghiên cứu sinh chuyên ngành Kỹ thuật Điều khiển và Tự động hóa: Nắm vững phương pháp mô hình hóa hệ cơ điện phi tuyến Euler-Lagrange, kỹ thuật thiết kế bộ điều khiển tối ưu LQR và giải thuật logic mờ ứng dụng cho các đối tượng cơ khí thiếu cơ cấu chấp hành.
  2. Kỹ sư phát triển robot và phương tiện tự hành: Tham khảo quy trình thiết kế phần cứng nhúng STM32F407, kỹ thuật lập trình mã nguồn tự động thông qua Waijung Blockset trên Matlab/Simulink và giải thuật lọc Kalman xử lý tín hiệu cảm biến IMU MPU-6050 trong thời gian thực.
  3. Doanh nghiệp sản xuất phương tiện hai bánh và xe máy điện thông minh: Khai thác giải pháp tự cân bằng tại chỗ ở vận tốc 0 km/h để tích hợp tính năng an toàn hỗ trợ người lái, chống trượt ngã khi dừng đỗ hoặc di chuyển qua địa hình trơn trượt.
  4. Giảng viên và cơ sở đào tạo kỹ thuật: Sử dụng làm tài liệu giảng dạy chuyên đề, đồ án môn học mẫu mực về điều khiển hệ thống thực nghiệm từ khâu mô phỏng lý thuyết đến chế tạo mô hình phần cứng hoàn chỉnh.

Câu hỏi thường gặp

Bicyrobot sử dụng cơ chế nào để tự giữ thăng bằng khi đứng yên tại chỗ? Robot sử dụng một bánh đà quay gắn đồng trục với động cơ DC đặt trên thân xe. Khi cảm biến IMU phát hiện xe bị nghiêng, động cơ sẽ thay đổi vận tốc quay của bánh đà với gia tốc phù hợp để sinh ra mô-men phản lực ngược chiều, kéo thân xe trở về góc nghiêng 0 độ ngay cả khi vận tốc di chuyển bằng 0 m/s.

Tại sao luận văn lại kết hợp bộ điều khiển LQR và bộ điều khiển mờ thay vì dùng một bộ điều khiển duy nhất? Hệ bicyrobot gồm hai kênh điều khiển có đặc tính khác nhau. Kênh cân bằng góc nghiêng yêu cầu đáp ứng cực nhanh và chính xác nên giải thuật LQR tối ưu hóa phương trình Riccati là lựa chọn hoàn hảo. Trong khi đó, kênh bám quỹ đạo có tính phi tuyến hình học cao và nhiều biến số ngôn ngữ nên bộ điều khiển mờ Sugeno giúp điều hướng linh hoạt mà không cần mô hình giải tích quá phức tạp.

Bộ lọc Kalman đóng vai trò gì trong việc xử lý tín hiệu từ cảm biến MPU-6050? Cảm biến gia tốc thường bị nhiễu động do rung lắc cơ khí, còn con quay hồi chuyển lại bị trôi dạt tín hiệu theo thời gian. Bộ lọc Kalman kết hợp tối ưu hai luồng dữ liệu này, loại bỏ hơn 90% nhiễu tần số cao và triệt tiêu sai số trôi, cung cấp giá trị góc nghiêng chính xác trong khoảng thời gian lấy mẫu 10 mili-giây cho bộ điều khiển.

Giới hạn góc nghiêng tối đa mà hệ thống có thể tự phục hồi cân bằng là bao nhiêu? Trong các thử nghiệm thực tế với vector độ lợi K = (-175, -15, 0, -0.2), hệ thống khôi phục trạng thái cân bằng tốt nhất trong dải góc nghiêng từ 3 độ đến 6 độ trong thời gian dưới 2.1 giây. Khi góc nghiêng ban đầu vượt quá 8 độ, động cơ bánh đà dễ bị bão hòa điện áp cung cấp, đòi hỏi phải can thiệp bằng các giải thuật thích nghi phi tuyến bậc cao hơn.

Việc ứng dụng Waijung Blockset kết hợp với kit STM32F407 mang lại lợi ích gì? Waijung Blockset cho phép biên dịch trực tiếp sơ đồ khối từ Matlab/Simulink sang mã nhúng C nạp thẳng vào vi điều khiển STM32F407. Phương pháp này rút ngắn hơn 50% thời gian lập trình trình điều khiển cấp thấp cho các ngoại vi I2C, UART, PWM, giúp người nghiên cứu tập trung hoàn toàn vào việc tinh chỉnh thuật toán điều khiển thời gian thực.

Kết luận

  • Luận văn đã mô hình hóa toán học hoàn chỉnh hệ thống bicyrobot dưới dạng con lắc ngược bánh đà phi tuyến và tuyến tính hóa thành công hệ phương trình trạng thái bậc 4.
  • Thiết kế thành công bộ điều khiển phản hồi trạng thái tối ưu LQR với vector độ lợi K = (-175, -15, 0, -0.2), giúp xe tự cân bằng ổn định ở góc 0 độ trong thời gian dưới 2 giây.
  • Xây dựng thành công bộ điều khiển mờ Takagi-Sugeno 25 luật mờ, điều phối vận tốc 0 đến 80 mm/s và kiểm soát sai số bám quỹ đạo dưới 5 mm.
  • Ứng dụng xuất sắc bộ lọc Kalman trên kit nhúng STM32F407 xử lý tín hiệu IMU MPU-6050 qua giao tiếp I2C với chu kỳ 10 mili-giây ổn định.
  • Chế tạo mô hình thực nghiệm hoàn chỉnh, chứng minh tính khả thi của giải pháp điều khiển bánh đà tự cân bằng kết hợp bám quỹ đạo trên phương tiện hai bánh.

Trong lộ trình phát triển 12 đến 24 tháng tới, hệ thống cần tiếp tục được nâng cấp thuật toán điều khiển thích nghi bền vững và bổ sung cảm biến định vị toàn cầu để hoàn thiện tính năng tự hành ngoài trời. Bạn đọc quan tâm và các nhà nghiên cứu hãy tải toàn văn luận văn thạc sĩ để tham khảo chi tiết sơ đồ khối Simulink, bảng thông số thực nghiệm và mã nguồn thuật toán điều khiển bicyrobot.