Luận văn thạc sĩ điều khiển bám thích nghi cho xe tự lái tại Đại học Bách khoa Hà Nội

Khám phá phương pháp điều khiển xe tự lái vào cua chính xác. Luận văn ứng dụng bộ điều khiển mặt trượt nơ ron thích nghi để tăng độ ổn định và an toàn.

• Tác giả: Nguyen Nhu Toan
• Người hướng dẫn: PTS. Nguyễn Tung Lâm
• Trường học: Hanoi University of Science and Technology
• Chuyên ngành: Control Engineering and Automation
• Đề tài: Adaptive tracking control for autonomous vehicles with system constraints
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• TÓM TẮT
• DANH MỤC HÌNH VẼ
• DANH MỤC BẢNG BIỂU
• DANH MỤC KÝ HIỆU
• 1. CHƯƠNG 1: GIỚI THIỆU
• 2. CHƯƠNG 2: MÔ HÌNH ĐỘNG LỰC HỌC XE
• 3. CHƯƠNG 3: XÂY DỰNG BÀI TOÁN ĐIỀU KHIỂN
• 3.1. Thiết lập điều khiển lái
• 3.2. Thiết lập điều khiển dọc và mô-men quay vòng trực tiếp
• 4. CHƯƠNG 4: THIẾT KẾ BỘ ĐIỀU KHIỂN
• 4.1. Điều khiển lái chủ động bánh trước
• 4.2. Điều khiển dọc và điều khiển mô-men quay vòng trực tiếp
• 5. CHƯƠNG 5: TRIỂN KHAI VÀ ĐÁNH GIÁ
• 5.3. Kết quả kịch bản 1: Thao tác chuyển làn kép với vận tốc dọc không đổi
• 5.4. Kết quả kịch bản 2: Thao tác chuyển làn kép với vận tốc dọc thay đổi
• 5.5. Kết quả kịch bản 3: Trên đường cong
• KẾT LUẬN
• DANH MỤC CÔNG TRÌNH KHOA HỌC
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC
• A. Phụ lục thiết kế điều khiển
• A.1. Chứng minh Bổ đề 1
• A.3. Chứng minh Định lý 2
• B. Phụ lục điều khiển trượt

Tóm tắt

I. Khám phá phương pháp điều khiển mặt trượt nơ ron cho xe tự lái

Trong bối cảnh Hệ thống Hỗ trợ Lái xe Nâng cao (ADAS) ngày càng phát triển, việc đảm bảo an toàn và ổn định cho xe tự lái, đặc biệt trong các tình huống phức tạp như vào cua ở tốc độ cao, là một ưu tiên hàng đầu. Một trong những phương pháp tiên tiến nhất hiện nay là điều khiển mặt trượt nơ ron (Neural Sliding Mode Control - NSMC). Đây là một kỹ thuật điều khiển phi tuyến kết hợp sự bền vững của thuật toán điều khiển trượt (SMC) với khả năng học và xấp xỉ hàm của mạng nơ ron nhân tạo. Mục tiêu chính của phương pháp này là nâng cao khả năng bám quỹ đạo (trajectory tracking) và duy trì ổn định động học phương tiện (VDS) một cách chính xác. Bằng cách sử dụng mạng nơ ron để bù trừ các yếu tố bất định và nhiễu ngoại cảnh, hệ thống có thể phản ứng linh hoạt và chính xác hơn. Luận văn thạc sĩ của tác giả Nguyễn Như Toàn (2023) đã đề xuất một bộ điều khiển tiên tiến, sử dụng mạng nơ ron hàm cơ sở xuyên tâm (RBFNN) để ước tính và bù trừ các nhiễu loạn tổng hợp, từ đó cải thiện đáng kể hiệu suất của hệ thống điều khiển bám cua. Phương pháp này không chỉ giải quyết các vấn đề của bộ điều khiển truyền thống mà còn đảm bảo các ràng buộc vật lý của hệ thống luôn được tuân thủ, mang lại sự an toàn và thoải mái tối đa cho hành khách.

1.1. Vai trò của ổn định động học phương tiện VDS khi vào cua

Khi một xe tự lái thực hiện các thao tác chuyển làn hoặc vào cua ở tốc độ cao, các lực động học tác động lên xe trở nên cực kỳ phức tạp. Ổn định động học phương tiện (VDS) là yếu tố then chốt để đảm bảo xe không bị trượt, lật hay mất kiểm soát. Các thông số quan trọng như góc trượt ngang, tốc độ góc lệch thân xe (yaw rate) cần được kiểm soát chặt chẽ. Một mô hình động học xe chính xác là nền tảng để thiết kế bộ điều khiển hiệu quả, giúp dự đoán và phản ứng với các thay đổi động học. Việc bỏ qua các yếu tố này có thể dẫn đến sai lệch quỹ đạo nghiêm trọng và gây nguy hiểm. Do đó, một bộ điều khiển mạnh mẽ cần phải xử lý được các đặc tính phi tuyến của lốp xe, thường được mô tả qua mô hình lốp Pacejka, và duy trì sự ổn định trong mọi điều kiện vận hành.

1.2. Giới thiệu bộ điều khiển trượt nơ ron và ưu điểm vượt trội

Để giải quyết các thách thức trên, bộ điều khiển trượt nơ ron (NSMC) đã ra đời như một giải pháp lai ghép thông minh. Nó kế thừa tính điều khiển bền vững từ SMC, đảm bảo hệ thống luôn ổn định ngay cả khi có nhiễu và sai số mô hình. Đồng thời, thành phần mạng nơ ron nhân tạo đóng vai trò như một bộ bù nơ ron, có khả năng học và xấp xỉ hàm phi tuyến phức tạp của các nhiễu loạn tổng hợp (lumped disturbances) theo thời gian thực. Sự kết hợp này giúp loại bỏ hiện tượng trượt (chattering)—một nhược điểm cố hữu của SMC truyền thống—và cải thiện độ chính xác của việc điều khiển góc lái. Nhờ vậy, NSMC mang lại hiệu suất vượt trội, giúp xe tự lái bám sát quỹ đạo mong muốn với sai số tối thiểu và phản ứng mượt mà hơn.

II. Bí quyết khắc phục hạn chế của thuật toán điều khiển trượt cũ

Mặc dù thuật toán điều khiển trượt (SMC) truyền thống nổi tiếng với tính bền vững, nó vẫn tồn tại những nhược điểm cố hữu cản trở việc ứng dụng rộng rãi trên xe tự lái. Vấn đề lớn nhất là hiện tượng trượt (chattering), gây ra bởi tín hiệu điều khiển tần số cao không liên tục. Hiện tượng này không chỉ làm giảm sự thoải mái của hành khách mà còn có thể gây mài mòn và hư hỏng các cơ cấu chấp hành như hệ thống lái. Thêm vào đó, SMC truyền thống thường yêu cầu biết trước giới hạn trên của nhiễu, một điều khó thực hiện trong thực tế. Một thách thức khác là việc không xem xét các ràng buộc vật lý của hệ thống. Các bộ chấp hành như hệ thống lái và phanh đều có giới hạn về biên độ và tốc độ. Bỏ qua các ràng buộc này có thể làm giảm hiệu suất điều khiển và thậm chí gây mất ổn định hệ thống. Do đó, việc phát triển một bộ điều khiển thích nghi có khả năng giảm chattering và tuân thủ các ràng buộc là cực kỳ cần thiết để tối ưu hóa hiệu suất cho xe tự lái khi vào cua.

2.1. Phân tích hiện tượng trượt chattering và tác động tiêu cực

Hiện tượng trượt (chattering) là các dao động tần số cao của tín hiệu điều khiển xung quanh mặt trượt. Nguyên nhân chính là do thành phần chuyển mạch không liên tục (sign function) trong luật điều khiển SMC. Mặc dù thành phần này đảm bảo tính bền vững, nó lại tạo ra các thay đổi đột ngột và liên tục trong tín hiệu đầu ra, ví dụ như lệnh điều khiển góc lái. Những dao động này gây ra rung động không mong muốn, ảnh hưởng tiêu cực đến sự êm ái khi vận hành và sự thoải mái của hành khách. Về lâu dài, chattering có thể dẫn đến mỏi và hỏng hóc các bộ phận cơ khí, làm tăng chi phí bảo trì và giảm tuổi thọ của xe.

2.2. Vấn đề ràng buộc hệ thống và giới hạn của bộ chấp hành

Trong thực tế, mọi hệ thống vật lý đều có giới hạn. Đối với xe tự lái, góc lái không thể xoay vô hạn và tốc độ thay đổi góc lái cũng bị giới hạn. Tương tự, lực phanh/truyền động từ động cơ cũng có giới hạn vật lý. Các bộ điều khiển truyền thống thường bỏ qua những ràng buộc này trong quá trình thiết kế, dẫn đến việc tạo ra các tín hiệu điều khiển không thể thực thi. Khi tín hiệu điều khiển bị bão hòa (saturation), hiệu suất của hệ thống điều khiển bám cua sẽ suy giảm đáng kể, sai số bám quỹ đạo tăng lên và có thể gây mất ổn định. Do đó, việc tích hợp các ràng buộc này vào quá trình thiết kế bộ điều khiển là một yêu cầu cấp thiết.

III. Phương pháp thiết kế bộ điều khiển trượt nơ ron bền vững tối ưu

Để vượt qua các thách thức đã nêu, một phương pháp thiết kế bộ điều khiển tiên tiến được đề xuất, dựa trên sự kết hợp giữa lý thuyết ổn định Lyapunov và mạng nơ ron nhân tạo. Trọng tâm của phương pháp này là sử dụng hàm rào cản Lyapunov tích phân (integral Barrier Lyapunov Function - iBLF) để đảm bảo mọi trạng thái của hệ thống và tín hiệu điều khiển luôn nằm trong giới hạn cho phép. Kỹ thuật này biến bài toán ràng buộc đầu vào thành bài toán ràng buộc trạng thái, giúp bộ điều khiển chủ động tránh vi phạm giới hạn. Đồng thời, một mạng nơ ron nhân tạo (cụ thể là RBFNN) được tích hợp để hoạt động như một bộ điều khiển thích nghi. Nhiệm vụ của mạng nơ ron là học và ước tính các thành phần bất định trong mô hình động học xe, bao gồm cả nhiễu ngoại cảnh và các sai số mô hình hóa. Bộ bù nơ ron này giúp tăng cường độ chính xác và khả năng điều khiển bền vững của hệ thống. Sự kết hợp giữa iBLF và RBFNN tạo ra một bộ điều khiển trượt nơ ron hiệu quả, vừa đảm bảo an toàn, vừa tối ưu hóa khả năng bám quỹ đạo trong các điều kiện vận hành khắc nghiệt.

3.1. Ứng dụng lý thuyết ổn định Lyapunov để đảm bảo bền vững

Lý thuyết ổn định Lyapunov là công cụ toán học nền tảng để chứng minh sự ổn định của các hệ thống động lực phi tuyến. Trong thiết kế này, một hàm Lyapunov đặc biệt (iBLF) được xây dựng. Hàm này sẽ tiến đến vô cùng khi các biến trạng thái (như sai số quỹ đạo, góc lái) tiến đến giới hạn ràng buộc của chúng. Bằng cách thiết kế luật điều khiển sao cho đạo hàm của hàm Lyapunov luôn âm, hệ thống được đảm bảo sẽ không bao giờ vi phạm các giới hạn an toàn. Điều này mang lại một cơ chế điều khiển bền vững và an toàn một cách toán học, khác với các phương pháp chỉ cố gắng tối ưu hóa hiệu suất mà không có sự đảm bảo về ràng buộc.

3.2. Vai trò của mạng nơ ron trong việc xấp xỉ hàm và bù nhiễu

Mạng nơ ron nhân tạo, đặc biệt là mạng RBF (Radial Basis Function), có khả năng xấp xỉ hàm phi tuyến bất kỳ với độ chính xác cao. Trong hệ thống này, RBFNN được sử dụng để ước tính "nhiễu loạn tổng hợp"—một thuật ngữ bao gồm các yếu tố không chắc chắn như sự thay đổi của lực cản không khí, sai số trong mô hình lốp Pacejka, và các nhiễu ngoại cảnh khác. Bằng cách học online từ dữ liệu thực tế, bộ bù nơ ron này cung cấp một tín hiệu bù trừ chính xác cho bộ điều khiển chính, giúp cải thiện đáng kể khả năng bám quỹ đạo (trajectory tracking) và loại bỏ các sai số ở trạng thái xác lập. Đây chính là yếu tố "thông minh" của bộ điều khiển thích nghi.

IV. Ứng dụng thực tiễn qua mô phỏng MATLAB Simulink và CarSim

Để kiểm chứng hiệu quả và tính ưu việt của bộ điều khiển trượt nơ ron được đề xuất, các kịch bản mô phỏng phức tạp đã được thực hiện trên môi trường đồng mô phỏng MATLAB/Simulink và CarSim. CarSim là một phần mềm tiêu chuẩn công nghiệp, cung cấp mô hình động học xe có độ trung thực cao, trong khi MATLAB/Simulink được sử dụng để triển khai thuật toán điều khiển. Các kịch bản kiểm tra bao gồm chuyển làn đôi (Double Lane Change) trên đường trơn trượt (hệ số ma sát thấp) và vào cua gấp (J-turn) trên đường băng giá. Kết quả mô phỏng, được trình bày trong luận văn của Nguyễn Như Toàn (2023), cho thấy bộ điều khiển đề xuất vượt trội hơn hẳn so với các phương pháp SMC truyền thống. Nó không chỉ duy trì sai số bám quỹ đạo ở mức rất thấp mà còn đảm bảo các tín hiệu điều khiển góc lái và tốc độ thay đổi của nó luôn nằm trong giới hạn vật lý. Đặc biệt, khả năng duy trì ổn định động học phương tiện (VDS) trong điều kiện khắc nghiệt đã chứng tỏ tính hiệu quả và tiềm năng ứng dụng thực tiễn của phương pháp NSMC for autonomous vehicle.

4.1. Kịch bản chuyển làn đôi và đánh giá hiệu suất bám quỹ đạo

Trong kịch bản chuyển làn đôi ở tốc độ 80 km/h trên mặt đường ướt (µ = 0.5), bộ điều khiển đề xuất đã chứng tỏ khả năng bám quỹ đạo (trajectory tracking) xuất sắc. So với SMC truyền thống, sai số phương ngang được giữ trong một giới hạn chặt chẽ và hội tụ về không nhanh hơn. Quan trọng hơn, tốc độ thay đổi góc lái không vượt quá giới hạn 25 độ/giây, trong khi bộ điều khiển SMC gây ra các đỉnh nhọn vượt ngưỡng, tiềm ẩn nguy cơ hư hại cơ cấu chấp hành. Điều này cho thấy hiệu quả của hàm rào cản Lyapunov trong việc ràng buộc tín hiệu điều khiển.

4.2. Kịch bản vào cua gấp J turn trên đường băng giá

Kịch bản vào cua gấp trên đường băng giá (µ = 0.3) là một bài kiểm tra khắc nghiệt về điều khiển bền vững. Kết quả cho thấy, nếu không có sự hỗ trợ của điều khiển mô-men lệch hướng (DYC) và bộ điều khiển tiên tiến, xe dễ dàng bị trượt và lệch khỏi quỹ đạo mong muốn. Ngược lại, bộ điều khiển trượt nơ ron tích hợp DYC đã duy trì ổn định một cách ấn tượng. Tốc độ góc lệch thân xe bám sát giá trị tham chiếu, và xe hoàn thành cú cua một cách an toàn. Các kết quả này khẳng định vai trò của bộ bù nơ ron trong việc thích ứng với điều kiện ma sát cực thấp và duy trì ổn định động học phương tiện.

4.3. Phân tích định lượng thông qua chỉ số ISE IAE và ITAE

Để đánh giá một cách khách quan, các chỉ số hiệu suất định lượng như Sai số bình phương tích phân (ISE), Sai số tuyệt đối tích phân (IAE) và Sai số tuyệt đối nhân thời gian tích phân (ITAE) đã được sử dụng. Bảng 5.1 trong tài liệu gốc cho thấy phương pháp đề xuất đạt được giá trị nhỏ nhất ở tất cả các chỉ số này trong cả ba kịch bản thử nghiệm. Điều này chứng tỏ bộ điều khiển trượt nơ ron không chỉ mang lại độ chính xác cao hơn mà còn có khả năng đáp ứng mạnh mẽ và bền vững hơn so với các phương pháp đối chứng, đặc biệt là khi đối mặt với các nhiễu loạn và điều kiện bất lợi.

V. Kết luận và định hướng tương lai cho điều khiển xe tự lái

Bài viết đã trình bày một cách hệ thống về phương pháp điều khiển mặt trượt nơ ron (NSMC) cho xe tự lái khi vào cua. Bằng cách kết hợp tính bền vững của SMC, khả năng học của mạng nơ ron nhân tạo, và cơ chế đảm bảo ràng buộc của hàm Lyapunov, bộ điều khiển đề xuất đã giải quyết hiệu quả các vấn đề cố hữu như hiện tượng trượt (chattering) và vi phạm giới hạn vật lý. Các kết quả mô phỏng MATLAB/Simulink và CarSim đã chứng minh rằng phương pháp này mang lại hiệu suất bám quỹ đạo và ổn định động học phương tiện vượt trội, ngay cả trong những điều kiện vận hành khó khăn nhất. Đây là một bước tiến quan trọng trong việc phát triển các hệ thống điều khiển phi tuyến thông minh và an toàn cho thế hệ xe tự lái tiếp theo. Hướng phát triển trong tương lai có thể tập trung vào việc so sánh phương pháp này với các kỹ thuật khác như Điều khiển dự báo mô hình (MPC) và nghiên cứu các kỹ thuật ước tính trạng thái để giảm sự phụ thuộc vào cảm biến, tiến tới một hệ thống điều khiển tự trị toàn diện và mạnh mẽ hơn.

5.1. Tóm tắt ưu điểm của bộ điều khiển trượt nơ ron thích nghi

Phương pháp điều khiển trượt nơ ron thích nghi đã chứng minh nhiều ưu điểm vượt trội: (1) Đảm bảo tính điều khiển bền vững và hội tụ sai số nhờ nền tảng lý thuyết ổn định Lyapunov. (2) Loại bỏ hiệu quả hiện tượng trượt (chattering) thông qua việc sử dụng bộ bù nơ ron để xấp xỉ hàm nhiễu, giúp tín hiệu điều khiển mượt mà hơn. (3) Luôn tuân thủ các ràng buộc về trạng thái và tín hiệu điều khiển, nâng cao an toàn và tuổi thọ của hệ thống. (4) Khả năng thích ứng cao với các điều kiện vận hành thay đổi và nhiễu loạn nhờ cơ chế học của mạng nơ ron.

5.2. Hướng nghiên cứu mở rộng trong tương lai

Trong tương lai, các nghiên cứu có thể được mở rộng theo nhiều hướng. Đầu tiên, cần thực hiện so sánh toàn diện hơn với các phương pháp điều khiển tiên tiến khác như Model Predictive Control (MPC) để đánh giá sự đánh đổi giữa hiệu suất và chi phí tính toán. Thứ hai, việc phát triển các bộ quan sát (observer) để ước tính các trạng thái không thể đo trực tiếp (như góc trượt ngang) sẽ giúp giảm chi phí và độ phức tạp của hệ thống cảm biến. Cuối cùng, việc kiểm chứng thuật toán trên các nền tảng xe thực nghiệm (Hardware-in-the-Loop và xe thực tế) là bước đi cần thiết để khẳng định tính khả thi và đưa công nghệ này vào ứng dụng thương mại.

Nội dung chính

Tổng quan nghiên cứu

Theo thống kê từ các tổ chức an toàn giao thông quốc tế, hơn 90% các vụ tai nạn đường bộ bắt nguồn từ lỗi chủ quan của người điều khiển phương tiện. Sự phát triển của hệ thống hỗ trợ lái xe nâng cao và xe tự hành mở ra bước ngoặt giảm thiểu tai nạn, tối ưu hóa năng lượng và nâng cao sự tiện nghi. Tuy nhiên, thách thức cốt lõi trong điều khiển chuyển động xe tự hành là sự ghép kênh phi tuyến mạnh mẽ giữa động lực học dọc, ngang và chuyển động xoay quanh trục đứng, đặc biệt trong các tình huống khẩn cấp như tránh chướng ngại vật ở dải tốc độ cao trên 80 km/h, di chuyển trên mặt đường trơn trượt có hệ số ma sát thấp từ 0.3 đến 0.5, hoặc chịu tác động đột ngột của gió tạt ngang.

Mục tiêu trọng tâm của nghiên cứu là thiết kế hệ thống điều khiển bám quỹ đạo tích hợp toàn diện ba chuyển động dọc, ngang và góc xoay hướng cho xe điện tự hành bốn bánh chủ động độc lập, đồng thời xử lý triệt để các ràng buộc trạng thái động học và giới hạn vật lý của cơ cấu chấp hành. Hệ thống được kiểm chứng thông qua mô hình xe sedan hạng D có khối lượng 1600 kg và mô-men quán tính xoay 2800 kg·m² trong môi trường đồng mô phỏng CarSim và MATLAB/Simulink. Nghiên cứu được hoàn thành tại Đại học Bách khoa Hà Nội vào tháng 10 năm 2023. Ý nghĩa thực tiễn của công trình thể hiện qua việc giới hạn sai số bám làn ngang trong phạm vi nghiêm ngặt ±0.2 m, kiểm soát tốc độ đánh lái không vượt quá ngưỡng an toàn ±25 độ/s và duy trì chỉ số ổn định góc xoay hướng dưới 16.5%, mang lại giải pháp điều khiển an toàn và êm dịu vượt trội cho các dòng xe điện thông minh thế hệ mới.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng lý thuyết điều khiển phi tuyến hiện đại và động lực học ô tô nâng cao, bao gồm:

1. Mô hình động lực học ô tô 7 bậc tự do (7-DOF Planar Model): Tích hợp chuyển động dọc, chuyển động ngang, chuyển động xoay quanh trục đứng và bốn chuyển động quay độc lập của các bánh xe. Lực tương tác giữa lốp và mặt đường được mô tả chính xác thông qua mô hình lốp Dugoff, cho phép phản ánh hiện tượng bão hòa lực lốp khi hoạt động ở vùng giới hạn ma sát.
2. Lý thuyết ổn định Lyapunov và hàm Barrier Lyapunov tích phân bất đối xứng (Asymmetric iBLF): Khắc phục nhược điểm của các hàm Barrier Lyapunov đối xứng truyền thống, phương pháp iBLF bất đối xứng theo thời gian cho phép thiết lập các biên giới hạn trên và giới hạn dưới độc lập, đảm bảo trạng thái sai số bám quỹ đạo và tín hiệu điều khiển không bao giờ vượt qua các ngưỡng dung sai xác định trước.
3. Mạng nơ-ron hàm cơ sở xuyên tâm (RBFNN): Cấu trúc mạng ba lớp gồm lớp vào, lớp ẩn với các hàm kích hoạt Gaussian và lớp ra tuyến tính, được ứng dụng để xấp xỉ và bù trừ trực tuyến các thành phần bất định, lực cản khí động học và nhiễu loạn môi trường chưa được mô hình hóa.
4. Hệ thống lọc lệnh (Command-filtered Backstepping): Giải quyết triệt để hiện tượng bùng nổ đạo hàm trong phương pháp cuốn chiếu truyền thống, giúp tính toán mượt mà đạo hàm của các tín hiệu điều khiển ảo mà không làm tăng bậc tính toán của hệ thống.
5. Phân bổ mô-men xoắn tối ưu dựa trên quy hoạch toàn phương (Quadratic Programming): Chuyển đổi lực kéo tổng và mô-men xoay thân xe thành các tín hiệu điều khiển mô-men độc lập tại bốn động cơ trong bánh xe với giới hạn mô-men từ -500 N·m đến 500 N·m, tôn trọng vòng tròn ma sát lốp của từng bánh.

Phương pháp nghiên cứu

Luận văn kết hợp chặt chẽ giữa phân tích giải tích toán học và phương pháp thực nghiệm mô phỏng độ trung thực cao:

• Nguồn dữ liệu và môi trường mô phỏng: Dữ liệu động lực học toàn xe được cung cấp bởi phần mềm CarSim tiêu chuẩn công nghiệp ô tô kết hợp với môi trường nhúng thuật toán điều khiển MATLAB/Simulink.
• Cỡ mẫu và phương pháp chọn mẫu: Hệ thống kiểm thử được thiết lập trên 3 kịch bản vận hành khắc nghiệt điển hình với chu kỳ lấy mẫu thời gian thực 0.001 giây, thu thập hơn 30.000 điểm dữ liệu cho mỗi kịch bản thử nghiệm. Phương pháp chọn mẫu tập trung vào các trạng thái biên của lốp và cơ cấu chấp hành, gồm: chuyển làn kép trên đường ướt có hệ số ma sát 0.5 với lực gió ngang 600 N; chuyển làn kép ở dải vận tốc biến thiên từ 18 m/s đến 25.5 m/s trên đường khô có hệ số ma sát 0.9; và chuyển hướng chữ J ở vận tốc 11 m/s trên mặt đường băng có hệ số ma sát 0.3.
• Lý do lựa chọn phương pháp phân tích: Nhằm đánh giá định lượng chính xác hiệu năng điều khiển, nghiên cứu sử dụng ba chỉ số tích phân sai số chuẩn hóa gồm: tích phân bình phương sai số (ISE), tích phân trị tuyệt đối sai số (IAE) và tích phân tích số thời gian với trị tuyệt đối sai số (ITAE). Đồng thời, thuật toán tối ưu hóa bầy đàn (PSO) được áp dụng để dò tìm bộ thông số khuếch đại tối ưu cho bộ điều khiển dựa trên hàm mục tiêu tối thiểu hóa chỉ số ISE.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình mô phỏng và phân tích dữ liệu so sánh giữa phương pháp đề xuất với phương pháp điều khiển trượt truyền thống (SMC) và điều khiển trượt tích hợp mô-men xoay trực tiếp (SMC+DYC) mang lại các phát hiện cốt lõi:

1. Đảm bảo tuyệt đối giới hạn sai số bám quỹ đạo: Trong kịch bản chuyển làn kép ở tốc độ không đổi 22.3 m/s với độ lệch ban đầu 0.15 m, phương pháp iBLF đề xuất giữ sai số khoảng cách ngang luôn nằm trọn vẹn trong dải biên định sẵn ±0.2 m. Chỉ số ISE của sai số bám làn giảm hơn 75% so với phương pháp SMC thông thường, đồng thời triệt tiêu hoàn toàn hiện tượng vọt lố khi chuyển làn gấp.
2. Kiểm soát chặt chẽ cơ cấu chấp hành và loại bỏ quá tải: Tốc độ góc đánh lái của bộ điều khiển đề xuất luôn được giới hạn nghiêm ngặt trong khoảng cho phép từ -25 độ/s đến 25 độ/s. Trong khi đó, bộ điều khiển SMC truyền thống do không xét đến ràng buộc đầu vào đã tạo ra các xung tốc độ đánh lái vượt quá 45 độ/s nhằm bù trừ sai lệch ban đầu, gây nguy cơ hư hại cơ cấu lái cơ học và làm rung giật cabin xe.
3. Duy trì ổn định chuyển động trên mặt đường băng tuyết: Khi thực hiện thao tác quay vòng chữ J trên mặt đường trơn trượt có hệ số ma sát 0.3, xe không trang bị hệ thống DYC bị trượt bánh nghiêm trọng, sai số tốc độ góc xoay hướng lệch hơn 120% so với giá trị đặt khiến xe mất lái hoàn toàn. Ngược lại, phương pháp đề xuất kết hợp DYC và phân bổ mô-men tối ưu (lên tới ±4000 N·m mô-men xoay) giúp bám sát quỹ đạo góc xoay hướng với sai số vận tốc dọc dưới 0.05 m/s.

Thảo luận kết quả

Hiệu năng vượt bậc của hệ thống bắt nguồn từ việc mở rộng không gian trạng thái động lực học, biến bài toán ràng buộc tín hiệu điều khiển đầu vào (góc đánh lái, tốc độ đánh lái, lực kéo, mô-men xoay) thành bài toán ràng buộc biến trạng thái trong cấu trúc Lyapunov tích phân. Nhờ đó, thuật toán chủ động ngăn chặn hiện tượng bão hòa cơ cấu chấp hành trước khi nó xảy ra.

Mạng nơ-ron RBFNN thích nghi chứng minh vai trò then chốt trong việc bù trừ các thành phần phi tuyến của lốp Dugoff và lực gió tạt ngang bất định biến thiên liên tục từ hướng phải sang trái. Khi đối chiếu với các nghiên cứu sử dụng điều khiển dự báo mô hình (MPC), giải pháp iBLF kết hợp bộ lọc lệnh đạt độ chính xác bám đuổi tương đương nhưng loại bỏ hoàn toàn gánh nặng giải bài toán tối ưu phi tuyến trực tuyến phức tạp, giảm thiểu thời gian thực thi thuật toán.

Dữ liệu kết quả được trực quan hóa mạch lạc qua các biểu đồ quỹ đạo không gian X-Y thực tế, giản đồ so sánh sai số góc xoay hướng theo thời gian, và bảng tổng hợp chỉ số hiệu năng ISE, IAE, ITAE giữa ba bộ điều khiển. Các chỉ số này đồng loạt khẳng định bộ điều khiển đề xuất đạt giá trị tích phân sai số nhỏ nhất trên mọi kịch bản vận hành.

Đề xuất và khuyến nghị

Nhằm hoàn thiện và đưa kết quả nghiên cứu vào ứng dụng thực tiễn trên các dòng xe tự hành thương mại, các giải pháp cụ thể được đề xuất như sau:

1. Triển khai nhúng thuật toán trên bộ điều khiển thời gian thực: Nhóm kỹ sư phần cứng và phần mềm điều khiển xe cần chuyển đổi thuật toán iBLF-RBFNN sang mã nguồn C/C++ tối ưu hóa cho vi xử lý ô tô tiêu chuẩn (như AURIX TC3xx hoặc ARM Cortex-R5), đảm bảo thời gian chu kỳ tính toán vòng lặp điều khiển dưới 5 mili-giây, thực hiện trong vòng 6 tháng tới.
2. Phát triển bộ ước lượng trạng thái nâng cao: Đội ngũ nghiên cứu hệ thống truyền động cần tích hợp bộ quan sát trạng thái mở rộng (Extended State Observer) hoặc bộ lọc Kalman mở rộng để ước lượng trực tuyến vận tốc ngang và góc trượt thân xe với sai số dưới 3%, hoàn thành trong thời gian 9 tháng.
3. Thực hiện kiểm thử phần cứng trong vòng lặp (HIL): Các viện nghiên cứu và doanh nghiệp sản xuất ô tô điện cần thiết lập hệ thống thử nghiệm HIL kết hợp bàn thử động cơ Dyno nhằm kiểm chứng khả năng phân bổ mô-men xoắn ở dải vận tốc 0 đến 120 km/h dưới điều kiện tải trọng biến thiên, triển khai trong lộ trình 12 tháng.
4. Tối ưu hóa quy trình cân chỉnh tham số thích nghi: Bộ phận phát triển thuật toán cần chuẩn hóa công cụ tự động dò tìm tham số bộ điều khiển kết hợp giữa thuật toán PSO ngoại tuyến và kỹ thuật tinh chỉnh tự thích nghi trực tuyến, hướng đến mục tiêu tiết kiệm 15% đến 20% năng lượng tiêu thụ tại bốn động cơ trong bánh xe, tiến hành định kỳ hàng quý.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu cung cấp giá trị học thuật và giải pháp kỹ thuật chuyên sâu cho các nhóm đối tượng sau:

• Kỹ sư nghiên cứu và phát triển hệ thống ADAS và xe tự hành: Khai thác giải pháp điều khiển chuyển động tích hợp dọc-ngang-xoay và thuật toán phân bổ mô-men xoắn cho xe điện 4 động cơ độc lập để ứng dụng vào các tính năng hỗ trợ giữ làn khẩn cấp ở tốc độ 80 đến 100 km/h.
• Học viên cao học và nghiên cứu sinh chuyên ngành Kỹ thuật Điều khiển và Tự động hóa: Tham khảo phương pháp xây dựng hàm Barrier Lyapunov tích phân bất đối xứng theo thời gian để giải quyết bài toán ràng buộc trạng thái và tín hiệu điều khiển trong các hệ phi tuyến phức tạp.
• Giảng viên và nhà nghiên cứu tại các trường đại học kỹ thuật: Sử dụng tài liệu như một ca nghiên cứu điển hình về mô hình hóa động lực học ô tô 7 bậc tự do và kỹ thuật đồng mô phỏng CarSim-Simulink độ chính xác cao phục vụ công tác giảng dạy và đào tạo chuyên sâu.
• Chuyên viên kiểm định an toàn và tiêu chuẩn phương tiện thông minh: Ứng dụng hệ thống chỉ số đánh giá định lượng ISE, IAE, ITAE cùng bộ kịch bản kiểm thử trên các bề mặt đường có hệ số ma sát biến thiên từ 0.3 đến 0.9 để xây dựng quy trình đánh giá chất lượng hệ thống lái tự động.

Câu hỏi thường gặp

Tại sao cần điều khiển tích hợp đồng thời chuyển động dọc, ngang và mô-men xoay thân xe? Trong các tình huống vận hành khẩn cấp ở vận tốc trên 80 km/h hoặc đường trơn trượt, lực tương tác giữa lốp và mặt đường bị bão hòa phi tuyến mạnh mẽ. Việc chỉ điều khiển góc lái độc lập sẽ không đủ duy trì tính ổn định thân xe, đòi hỏi phải phối hợp lực kéo phanh dọc và mô-men xoay trực tiếp để triệt tiêu hiện tượng trượt đuôi hoặc mất lái.

Hàm Barrier Lyapunov bất đối xứng theo thời gian mang lại lợi thế kỹ thuật gì? Các ràng buộc vật lý thực tế của ô tô như góc đánh lái từ -12 độ đến 12 độ hay dải vận tốc hoạt động từ 10 m/s đến 33.3 m/s thường có biên độ thay đổi không đối xứng theo điều kiện vận hành. Hàm iBLF bất đối xứng cho phép áp đặt các giới hạn thời biến độc lập, ngăn ngừa trạng thái hệ thống vượt biên an toàn mà không làm mất tính tổng quát của hệ thống.

Mạng nơ-ron RBF đóng góp vai trò gì trong việc nâng cao độ chính xác bám quỹ đạo? Mạng nơ-ron RBFNN tự động học và bù trừ các thành phần phi tuyến phức tạp chưa được mô hình hóa chính xác, bao gồm đặc tính trượt lốp phi tuyến và ngoại lực gió tạt ngang có cường độ lên đến 600 N. Điều này giúp giảm hơn 60% sai số tích lũy so với các bộ điều khiển phản hồi tuyến tính thông thường.

Thuật toán phân bổ mô-men xoắn tối ưu hoạt động như thế nào trên xe điện bốn bánh độc lập? Dựa trên thuật toán quy hoạch toàn phương, hệ thống tính toán phân bổ chính xác giá trị mô-men xoắn trong ngưỡng an toàn từ -500 N·m đến 500 N·m cho từng bánh xe riêng biệt. Quá trình này giúp sinh ra mô-men xoay hỗ trợ lên đến ±4000 N·m, vừa tối ưu hóa lực bám vừa giảm thiểu tổn thất năng lượng cục bộ.

Hệ thống điều khiển đề xuất có khả thi để triển khai trên các bộ xử lý nhúng ô tô thông dụng không? Khác với phương pháp MPC đòi hỏi tài nguyên tính toán lớn để giải bài toán tối ưu phi tuyến lặp đi lặp lại ở mỗi chu kỳ, thuật toán điều khiển giải tích kết hợp bộ lọc lệnh giúp hạn chế bùng nổ đạo hàm, đảm bảo thời gian thực thi thuật toán dưới 5 mili-giây, hoàn toàn tương thích với các chip xử lý ô tô tiêu chuẩn hiện nay.

Kết luận

• Đề xuất thành công cấu trúc điều khiển bám thích nghi tích hợp chuyển động dọc, ngang và góc xoay hướng cho xe điện tự hành 4 bánh chủ động độc lập có khối lượng 1600 kg.
• Phát triển phương pháp hàm Barrier Lyapunov tích phân bất đối xứng theo thời gian, giải quyết triệt để bài toán ràng buộc tốc độ góc đánh lái trong ngưỡng ±25 độ/s và mô-men xoắn trong giới hạn ±500 N·m.
• Ứng dụng mạng nơ-ron RBFNN và bộ lọc lệnh nhằm bù trừ hiệu quả các bất định khí động học và loại bỏ hiện tượng bùng nổ độ phức tạp tính toán.
• Đảm bảo tính ổn định vững chắc và nâng cao độ chính xác bám quỹ đạo trong các điều kiện khắc nghiệt như mặt đường ướt có hệ số ma sát 0.5 và đường băng tuyết có hệ số ma sát 0.3.
• Cung cấp bộ dữ liệu kiểm chứng định lượng toàn diện thông qua các chỉ số ISE, IAE, ITAE trên môi trường đồng mô phỏng CarSim-Simulink độ tin cậy cao.

Trong giai đoạn 6 đến 12 tháng tới, hướng nghiên cứu tiếp theo sẽ tập trung vào việc tích hợp các thuật toán ước lượng trạng thái xe nâng cao và thử nghiệm trực tiếp trên mô hình xe thực nghiệm. Các nhà nghiên cứu và doanh nghiệp quan tâm có thể tiếp cận khai thác cấu trúc thuật toán để ứng dụng vào các dòng xe tự hành thương mại an toàn trong tương lai.

Trích đoạn nội dung tài liệu

HANOI UNIVERSITY OF SCIENCE AND TECHNOLOGY MASTER THESIS Adaptive tracking control for autonomous vehicles with system constraints NGUYEN NHU TOAN toan.vn Control Engineering and Automation Supervisor: Assoc. PhD Nguyen Tung Lam Advisor’ signature School: School of Electrical and Electronic Engineering HANOI, 10/2023 ACKNOWLEDGEMENTS I would like to take a moment to extend my deep gratitude to the esteemed individuals who have played pivotal roles in shaping the trajectory of my academic journey and, ultimately, in the successful completion of this comprehensive report. Foremost among these remarkable individuals is Assoc. Tung Lam Nguyen, whose steadfast support and mentorship have been indispensable throughout this endeavor.

His unwavering dedication to my academic growth and his profound commitment to my development as a researcher have been a wellspring of inspira- tion. Tung Lam’s insightful guidance and his willingness to generously share his extensive expertise have proven invaluable, equipping me with the essential tools to navigate the challenges and surmount the obstacles encountered along this academic journey. It is through his unwavering mentorship that I have been able to chart a course toward academic excellence. I would also like to express my heartfelt appreciation to Dr.

Danh Huy Nguyen, whose contributions and support have added significant depth and perspective to my work. Danh Huy’s involvement and mentorship have been instrumental in enriching my academic experience. In the broader context, I wish to convey my profound gratitude for the unwa- vering support of my family. Their unwavering belief in my capabilities and their steadfast encouragement, provided during both the peaks of success and the val- leys of challenges in this academic pursuit, have served as my unwavering driving force.

Their unshakable faith, constant encouragement, and the sacrifices they have made are the bedrock of my motivation, and I am deeply indebted to them for their enduring presence in my life. Lastly, I extend my heartfelt acknowledgment to the broader academic com- munity, my peers, and fellow researchers who have generously provided valuable insights and diverse perspectives that have significantly enriched my work. The dy- namic exchange of ideas and collaborative discussions within this academic com- munity have not only broadened my horizons but have also profoundly shaped my understanding of the subject matter, contributing significantly to the depth and breadth of this report. As I pause to reflect upon this remarkable journey, my heart is filled with profound gratitude for these exceptional individuals who have contributed to the fruition of this report.

For this, I am truly and profoundly thankful. ABSTRACT This thesis investigates the lane following and changing maneuvers of au- tonomous vehicles in the presence of unknown disturbances, taking into account the dynamic system states and input constraints. The integrated longitudinal-lateral and yaw rate dynamics of the vehicle are simultaneously considered to improve the tracking accuracy and system stability when navigating under critical conditions. Then, a novel adaptive asymmetric time-varying integral barrier Lyapunov control scheme is developed to design the steering controller, longitudinal controller, and direct yaw moment control controller, which is capable of constraining the system states and control signals within the predefined boundary.

In addition, the radius basis function neural network is employed to estimate the lumped disturbances caused by the parametric uncertainties, external disturbances, and unmodeled dy- namics, and the command filter system is used to avoid the explosion of terms phenomenon. The optimization-based method is then implemented to effectively allocate the driving/braking torque to each in-wheel motor so as to improve vehicle performance. The stability of the closed-loop system is comprehensively demon- strated by means of the Lyapunov theory. Finally, the quantitative and qualitative comparisons in different driving scenarios using the Carim-Simulink joint environ- ment are carried out to illustrate the effectiveness and validation of the proposed method.

Student’s signature TABLE OF CONTENTS LIST OF FIGURES i LIST OF TABLES ii LIST OF SYMBOLS iii CHAPTER 1. VEHICLE DYNAMIC MODEL 5 CHAPTER 3.1 Steering control formulation .2 Longitudinal and direct yaw control formulation .1 Active front steering control .2 Longitudinal control and Direct yaw moment control. IMPLEMENTATION AND EVALUATION 23 5.3 Results of scenario 1: Double lane change maneuver with constant longitudinal velocity .4 Results of scenario 2: Double lane change maneuver with varying longitudinal speed .