Đồ án tốt nghiệp: Điều khiển tự động xe hai bánh tự cân bằng - Đại học Đà Nẵng
Đồ án tốt nghiệp điều khiển xe hai bánh tự cân bằng: Tìm hiểu nguyên lý, thiết kế mạch, xây dựng thuật toán điều khiển PID ổn định xe. Tải miễn phí!
Trường đại học
Đại học Sư phạm Kỹ thuật - Đại học Đà NẵngChuyên ngành
Công nghệ Kỹ thuật Điều khiển và Tự động hóaNgười đăng
Ẩn danhThể loại
Đồ án tốt nghiệpPhí lưu trữ
30 PointMục lục chi tiết
Tóm tắt
I. Khám phá tổng quan đồ án xe hai bánh tự cân bằng
Đồ án xe hai bánh tự cân bằng là một chủ đề nghiên cứu hấp dẫn trong lĩnh vực điều khiển tự động, thu hút sự quan tâm của nhiều kỹ sư và nhà khoa học. Hệ thống này, về bản chất, là một mô hình con lắc ngược phi tuyến và có tính bất ổn định cao. Do đó, việc thiết kế một bộ điều khiển hiệu quả để giữ cho xe luôn ở trạng thái thẳng đứng là một thách thức kỹ thuật lớn. Mục tiêu chính của các đồ án dạng này là xây dựng thành công một mô hình xe có khả năng tự cân bằng trên địa hình phẳng, đồng thời kiểm nghiệm và so sánh hiệu quả của các giải thuật điều khiển khác nhau. Nghiên cứu này không chỉ dừng lại ở việc thiết kế phần cứng mà còn đi sâu vào việc xây dựng mô hình toán học, tính toán động lực học và lập trình thuật toán điều khiển. Các thành phần cốt lõi của hệ thống thường bao gồm một vi điều khiển trung tâm như Arduino Mega 2560, cảm biến đo góc nghiêng và gia tốc như cảm biến MPU 6050, cùng với cặp động cơ DC có encoder để điều khiển chuyển động của bánh xe. Việc lựa chọn phương pháp điều khiển đóng vai trò quyết định đến sự ổn định của toàn hệ thống. Các phương pháp phổ biến bao gồm bộ điều khiển PID kinh điển và các phương pháp điều khiển hiện đại như bộ điều khiển LQR (Linear Quadratic Regulator). Mỗi phương pháp có những ưu và nhược điểm riêng, và việc lựa chọn phụ thuộc vào độ chính xác của mô hình toán học và yêu cầu về hiệu suất của hệ thống. Đồ án "Điều khiển tự động xe hai bánh tự cân bằng" của các tác giả Lê Văn Phan và Lê Công Thiện (2022) tập trung vào việc áp dụng và so sánh giữa hai giải thuật PID và LQR, nhằm tìm ra giải pháp tối ưu nhất. Nghiên cứu này cung cấp một cái nhìn toàn diện từ lý thuyết cơ sở, thiết kế phần cứng, xây dựng thuật toán đến kết quả thực nghiệm, tạo ra một tài liệu tham khảo giá trị cho các nghiên cứu tiếp theo trong lĩnh vực robot tự cân bằng.
1.1. Mục tiêu và giới hạn của nghiên cứu xe tự cân bằng
Mục tiêu trọng tâm của đề tài là xây dựng một mô hình xe hai bánh tự cân bằng hoàn chỉnh, có khả năng di chuyển ổn định trên mặt phẳng. Để đạt được điều này, nghiên cứu đề ra các mục tiêu cụ thể: thiết kế và lắp ráp phần cứng từ các linh kiện có sẵn; nghiên cứu và ứng dụng thành thạo các module như Arduino Mega 2560, cảm biến MPU 6050, và động cơ; xây dựng phương trình động lực học chính xác cho robot dựa trên mô hình con lắc ngược; và cuối cùng là nghiên cứu, triển khai thuật toán điều khiển tự động để xe hoạt động ổn định. Tuy nhiên, trong khuôn khổ của một đồ án tốt nghiệp, nghiên cứu cũng có những giới hạn nhất định. Hệ thống chủ yếu được thiết kế để hoạt động trên địa hình phẳng. Khả năng xử lý các địa hình không bằng phẳng hoặc có độ dốc chưa được phát triển. Giải thuật điều khiển tập trung vào việc giữ thăng bằng tại chỗ và di chuyển thẳng, trong khi các chức năng phức tạp hơn như rẽ trái, rẽ phải chưa được tối ưu hóa hoàn toàn. Nghiên cứu tập trung vào việc áp dụng thuật toán LQR và mô phỏng trên Matlab để tìm ra ma trận hệ số khuếch đại K, đảm bảo hệ thống ổn định.
1.2. Các công trình nghiên cứu nổi bật trong và ngoài nước
Trên thế giới, xe hai bánh tự cân bằng đã được nghiên cứu và phát triển thành các sản phẩm thương mại thành công. Tiêu biểu nhất là xe điện Segway, một phương tiện di chuyển cá nhân hoạt động trên cơ chế tự cân bằng nhờ hệ thống con quay hồi chuyển và máy tính tích hợp. Trong môi trường học thuật, robot JOE từ Viện Công nghệ Liên bang Lausanne (Thụy Sĩ) là một ví dụ điển hình, sử dụng hai bộ điều khiển không gian trạng thái để giữ cân bằng. Một ứng dụng khác là xe gom rác tự động DustCart, có khả năng di chuyển linh hoạt trong không gian hẹp nhờ cơ chế hai bánh. Tại Việt Nam, chủ đề này cũng được nhiều trường đại học và viện nghiên cứu quan tâm. Các luận văn thạc sĩ và đồ án tốt nghiệp đã thực hiện thành công việc điều khiển xe bằng nhiều giải thuật khác nhau. Nghiên cứu của Trần Anh Tứ (2014) đã so sánh thuật toán PID và bộ điều khiển LQR. Luận văn của Nguyễn Trung Hiếu (2012) cũng áp dụng thành công giải thuật LQR nhưng chưa phát triển khả năng điều khiển hướng di chuyển. Những công trình này là nền tảng quan trọng, cho thấy những khó khăn và hướng giải quyết trong việc chế tạo một xe hai bánh tự cân bằng ổn định.
II. Phân tích thách thức trong điều khiển xe tự cân bằng
Thách thức lớn nhất trong việc thiết kế xe hai bánh tự cân bằng nằm ở bản chất vật lý của nó. Hệ thống này là một ví dụ kinh điển của mô hình con lắc ngược, một hệ thống vốn dĩ không ổn định. Trọng tâm của xe luôn có xu hướng lệch khỏi vị trí cân bằng (phương thẳng đứng) do tác động của trọng lực và các nhiễu loạn từ môi trường. Nếu không có một hệ thống điều khiển tự động phản ứng nhanh và chính xác, xe sẽ ngay lập tức bị đổ. Việc duy trì trạng thái cân bằng đòi hỏi bộ điều khiển phải liên tục tính toán và tạo ra các tín hiệu điều khiển phù hợp cho động cơ, nhằm di chuyển bánh xe về phía trước hoặc sau để "đỡ" lấy trọng tâm đang nghiêng. Quá trình này phải diễn ra liên tục với tốc độ rất cao. Một thách thức khác là tính phi tuyến của hệ thống. Các phương trình động lực học mô tả chuyển động của xe chứa các hàm lượng giác (sin, cos) của góc nghiêng, làm cho việc phân tích và thiết kế bộ điều khiển tuyến tính trở nên phức tạp. Thông thường, các kỹ sư phải tuyến tính hóa mô hình quanh điểm làm việc (vị trí cân bằng thẳng đứng) để áp dụng các lý thuyết điều khiển kinh điển như LQR. Tuy nhiên, việc tuyến tính hóa này chỉ chính xác khi xe dao động với biên độ nhỏ quanh điểm cân bằng. Khi xe nghiêng một góc lớn, mô hình tuyến tính sẽ không còn chính xác, đòi hỏi các thuật toán điều khiển phi tuyến hoặc điều khiển bền vững phức tạp hơn. Cuối cùng, việc xử lý tín hiệu từ cảm biến cũng là một bài toán không hề đơn giản. Dữ liệu từ cảm biến MPU 6050 (gia tốc kế và con quay hồi chuyển) thường bị nhiễu. Gia tốc kế cho giá trị góc ổn định trong dài hạn nhưng nhạy với rung động, trong khi con quay hồi chuyển chính xác trong ngắn hạn nhưng bị trôi (drift) theo thời gian. Do đó, cần một thuật toán lọc hiệu quả như bộ lọc Kalman để kết hợp dữ liệu từ hai cảm biến này, cung cấp một ước lượng góc nghiêng chính xác và ổn định cho bộ điều khiển.
2.1. Nguyên lý hoạt động dựa trên mô hình con lắc ngược
Nguyên lý cơ bản của xe hai bánh tự cân bằng hoàn toàn tương tự như cách con người giữ thăng bằng cho một cây gậy trên đầu ngón tay. Khi cây gậy (thân xe) bắt đầu nghiêng về một phía, ta phải di chuyển ngón tay (bánh xe) theo hướng đó để đưa điểm tựa trở lại bên dưới trọng tâm. Hệ thống điều khiển tự động của xe thực hiện chính xác nhiệm vụ này. Cảm biến MPU 6050 liên tục đo góc nghiêng của thân xe so với phương thẳng đứng. Dữ liệu này được gửi đến vi điều khiển Arduino Mega 2560. Vi điều khiển sẽ tính toán sai số giữa góc nghiêng hiện tại và góc cân bằng mong muốn (thường là 0 độ). Dựa trên sai số này và tốc độ thay đổi của nó, thuật toán điều khiển (PID hoặc LQR) sẽ tính toán và xuất tín hiệu PWM (Điều chế độ rộng xung) đến mạch cầu H L298N. Mạch cầu H sẽ cấp dòng điện tương ứng cho động cơ, làm bánh xe quay tới hoặc lùi để bù lại độ nghiêng, giữ cho xe luôn ở trạng thái cân bằng động.
2.2. Sự bất ổn định cố hữu của hệ thống phi tuyến
Về mặt toán học, điểm cân bằng thẳng đứng của mô hình con lắc ngược là một điểm cân bằng không ổn định. Bất kỳ một tác động nhỏ nào, dù là nhiễu từ cảm biến hay một cú đẩy nhẹ, cũng đủ để hệ thống rời xa vị trí cân bằng và lật đổ nếu không có sự can thiệp của bộ điều khiển. Các phương trình động học của hệ thống, được xây dựng bằng phương pháp Lagrange, là các phương trình vi phân phi tuyến bậc hai. Tính phi tuyến này xuất phát từ các thành phần lượng giác của góc nghiêng (sin(ψ), cos(ψ)) và các tích của biến trạng thái. Điều này có nghĩa là đáp ứng của hệ thống không tỷ lệ thuận với tín hiệu vào. Để áp dụng các phương pháp điều khiển tuyến tính hiệu quả như bộ điều khiển LQR, người ta phải thực hiện tuyến tính hóa hệ thống quanh điểm làm việc (ψ = 0). Quá trình này giúp chuyển đổi hệ phương trình phi tuyến phức tạp thành một hệ phương trình trạng thái tuyến tính, đơn giản hơn cho việc thiết kế và phân tích.
III. Hướng dẫn cơ sở lý thuyết điều khiển tự động tối ưu
Để giải quyết bài toán điều khiển tự động cho xe hai bánh tự cân bằng, nhiều phương pháp đã được nghiên cứu và áp dụng. Mỗi phương pháp đều dựa trên một cơ sở lý thuyết riêng và có những đặc điểm phù hợp với các yêu cầu khác nhau của hệ thống. Hai trong số các phương pháp nổi bật nhất được phân tích trong đồ án này là bộ điều khiển PID và bộ điều khiển LQR. Bộ điều khiển PID (Proportional-Integral-Derivative) là một giải pháp kinh điển, được sử dụng rộng rãi trong công nghiệp nhờ sự đơn giản trong thiết kế và hiệu chỉnh. Nó hoạt động dựa trên việc tính toán sai số hiện tại (khâu tỷ lệ P), sai số tích lũy trong quá khứ (khâu tích phân I) và tốc độ thay đổi của sai số (khâu đạo hàm D) để tạo ra tín hiệu điều khiển. Tuy nhiên, PID thường được thiết kế cho hệ một đầu vào - một đầu ra (SISO). Đối với xe tự cân bằng, cần ít nhất hai bộ PID: một bộ để ổn định góc nghiêng và một bộ để điều khiển vị trí hoặc vận tốc. Việc hiệu chỉnh các thông số Kp, Ki, Kd cho từng bộ và phối hợp chúng với nhau có thể tốn nhiều thời gian và không đảm bảo tính tối ưu. Ngược lại, bộ điều khiển LQR (Linear Quadratic Regulator) là một phương pháp điều khiển tối ưu hiện đại, dựa trên mô hình không gian trạng thái của hệ thống. LQR cho phép điều khiển các hệ thống nhiều đầu vào - nhiều đầu ra (MIMO) một cách hệ thống. Nó tìm ra một luật điều khiển phản hồi trạng thái nhằm tối thiểu hóa một hàm chi phí, bao gồm cả sai lệch trạng thái và năng lượng điều khiển. Điều này có nghĩa LQR không chỉ ổn định hệ thống mà còn thực hiện điều đó một cách "tiết kiệm" nhất. Tuy nhiên, nhược điểm lớn của LQR là nó đòi hỏi một mô hình toán học chính xác của hệ thống và chỉ hoạt động tối ưu quanh điểm làm việc đã được tuyến tính hóa. Do đó, việc xây dựng mô hình và xác định các thông số vật lý của xe là bước cực kỳ quan trọng.
3.1. So sánh bộ điều khiển PID và bộ điều khiển LQR
Bộ điều khiển PID có ưu điểm lớn là dễ thiết kế và không phụ thuộc quá nhiều vào mô hình toán học chi tiết của đối tượng. Việc hiệu chỉnh có thể được thực hiện bằng phương pháp thử và sai (trial and error). Tuy nhiên, nó là bộ điều khiển cho hệ SISO, có nghĩa là để điều khiển cả góc nghiêng và vị trí của xe hai bánh tự cân bằng, cần kết hợp nhiều bộ PID, gây khó khăn trong việc phối hợp và hiệu chỉnh để đạt hiệu suất tốt nhất. Trong khi đó, bộ điều khiển LQR là một phương pháp mạnh mẽ nếu mô hình toán học và các thông số của hệ thống được xác định chính xác. Nó tạo ra một bộ điều khiển vòng kín ổn định, tối ưu hóa cả về sai số và năng lượng tiêu thụ. LQR có thể xử lý các hệ MIMO một cách tự nhiên, cho phép điều khiển đồng thời nhiều biến trạng thái (góc nghiêng, vận tốc góc, vị trí, vận tốc di chuyển) chỉ với một bộ điều khiển duy nhất. Dựa trên phân tích này, nghiên cứu đã lựa chọn LQR vì khả năng điều khiển tối ưu và phù hợp với hệ thống đã được xây dựng mô hình toán học thành công.
3.2. Vai trò của bộ lọc Kalman trong xử lý tín hiệu cảm biến
Bộ lọc Kalman là một thuật toán đệ quy tối ưu, đóng vai trò cực kỳ quan trọng trong việc ước lượng trạng thái của hệ thống từ các phép đo bị nhiễu. Đối với xe hai bánh tự cân bằng, nhiệm vụ của nó là kết hợp dữ liệu từ gia tốc kế và con quay hồi chuyển của cảm biến MPU 6050 để đưa ra một giá trị góc nghiêng chính xác và mượt mà. Gia tốc kế đo góc nghiêng dựa trên véc-tơ trọng lực, cho kết quả ổn định nhưng bị ảnh hưởng bởi các gia tốc tuyến tính (khi xe di chuyển) và rung động. Ngược lại, con quay hồi chuyển đo vận tốc góc, khi tích phân sẽ cho ra góc nghiêng. Phương pháp này rất chính xác trong thời gian ngắn nhưng lại bị trôi (drift) theo thời gian. Bộ lọc Kalman sử dụng một mô hình dự đoán trạng thái và sau đó cập nhật, hiệu chỉnh dự đoán đó dựa trên dữ liệu đo thực tế. Bằng cách này, nó có thể lọc bỏ nhiễu từ gia tốc kế và bù lại sự trôi của con quay hồi chuyển, cung cấp cho bộ điều khiển một tín hiệu góc nghiêng đáng tin cậy, là yếu tố tiên quyết cho sự ổn định của xe.
IV. Phương pháp thiết kế hệ thống xe hai bánh tự cân bằng
Quá trình thiết kế một hệ thống xe hai bánh tự cân bằng bao gồm hai phần chính: thiết kế phần cứng và xây dựng mô hình toán học. Hai phần này có mối liên hệ chặt chẽ và ảnh hưởng trực tiếp đến hiệu suất của hệ thống điều khiển tự động. Việc lựa chọn linh kiện phần cứng phải dựa trên các yêu cầu về công suất, tốc độ xử lý và độ chính xác, trong khi mô hình toán học phải phản ánh đúng nhất các đặc tính động lực học của phần cứng đã được lựa chọn. Về phần cứng, khối xử lý trung tâm là bộ não của hệ thống. Arduino Mega 2560 được chọn nhờ có đủ số chân I/O, hỗ trợ nhiều ngắt ngoài (cần thiết để đọc encoder) và có cộng đồng hỗ trợ lớn. Khối cảm biến sử dụng cảm biến MPU 6050, một module tích hợp gia tốc kế và con quay hồi chuyển 6 trục, giao tiếp với Arduino qua chuẩn giao tiếp I2C. Đây là lựa chọn tối ưu về chi phí và hiệu năng để đo góc nghiêng của xe. Khối chấp hành bao gồm hai động cơ DC giảm tốc JGA25 có tích hợp encoder. Encoder giúp đo chính xác vận tốc và vị trí của bánh xe, là thông tin phản hồi quan trọng cho bộ điều khiển LQR. Để điều khiển hai động cơ này, mạch cầu H L298N được sử dụng. Đây là một driver động cơ phổ biến, có khả năng điều khiển chiều quay và tốc độ của hai động cơ độc lập thông qua tín hiệu PWM từ Arduino. Toàn bộ hệ thống được cấp nguồn từ pin, đảm bảo tính di động cho mô hình. Việc kết nối dây và bố trí các linh kiện trên khung xe cũng cần được tính toán cẩn thận để đảm bảo trọng tâm xe phù hợp và hệ thống hoạt động ổn định.
4.1. Lựa chọn và kết nối linh kiện phần cứng cốt lõi
Sơ đồ khối của hệ thống bao gồm khối cảm biến, khối xử lý, khối động cơ và khối nguồn. Arduino Mega 2560 là trung tâm, nhận dữ liệu từ cảm biến MPU 6050 qua chân SCL/SDA (giao thức I2C) và tín hiệu từ hai encoder động cơ qua các chân ngắt ngoài. Dựa trên các tín hiệu đầu vào này, Arduino thực thi thuật toán điều khiển LQR và xuất tín hiệu PWM đến các chân điều khiển của module mạch cầu H L298N. Module L298N nhận nguồn riêng (thường là 12V) để cấp cho động cơ và nhận tín hiệu điều khiển logic 5V từ Arduino. Mỗi động cơ được kết nối với một kênh của L298N. Việc kết nối đúng các chân tín hiệu và cấp đủ nguồn cho các module là bước nền tảng để đảm bảo hệ thống có thể hoạt động được. Sơ đồ đi dây chi tiết, bao gồm cả việc kết nối encoder, là một phần quan trọng trong tài liệu thiết kế, giúp việc lắp ráp và gỡ lỗi trở nên dễ dàng hơn.
4.2. Xây dựng mô hình toán học sử dụng phương pháp Lagrange
Để áp dụng bộ điều khiển LQR, việc xây dựng một mô hình toán học chính xác là bắt buộc. Phương pháp Euler-Lagrange là một công cụ mạnh mẽ trong cơ học giải tích để xây dựng phương trình chuyển động cho các hệ cơ học. Quá trình này bắt đầu bằng việc xác định các biến tọa độ suy rộng của hệ thống, bao gồm góc xoay trung bình của bánh xe (θ), góc nghiêng của thân xe (ψ), và góc quay của xe (ϕ). Tiếp theo, cần tính toán tổng động năng (T) và tổng thế năng (U) của hệ thống. Động năng bao gồm động năng tịnh tiến và động năng quay của thân xe, hai bánh xe và phần ứng động cơ. Thế năng chủ yếu là thế năng trọng trường của thân xe. Hàm Lagrangian (L) của hệ thống được định nghĩa là L = T - U. Bằng cách áp dụng phương trình Euler-Lagrange cho từng tọa độ suy rộng, ta sẽ thu được một hệ các phương trình vi phân phi tuyến bậc hai mô tả động lực học của xe hai bánh tự cân bằng. Cuối cùng, hệ phương trình này được tuyến tính hóa quanh điểm cân bằng (xe đứng thẳng, vận tốc bằng không) để đưa về dạng không gian trạng thái tuyến tính ẋ = Ax + Bu, là dạng chuẩn để thiết kế bộ điều khiển LQR.
V. Đánh giá kết quả điều khiển tự động xe tự cân bằng
Sau khi hoàn tất quá trình thiết kế phần cứng và xây dựng thuật toán, bước tiếp theo là kiểm nghiệm và đánh giá hiệu quả của hệ thống điều khiển tự động. Quá trình này được thực hiện qua hai giai đoạn: mô phỏng trên phần mềm và thử nghiệm trên mô hình thực tế. Mô phỏng đóng vai trò quan trọng trong việc kiểm tra tính đúng đắn của mô hình toán học và hiệu chỉnh sơ bộ các thông số của bộ điều khiển trước khi nạp vào vi điều khiển. Sử dụng phần mềm Matlab/Simulink, mô hình không gian trạng thái của xe hai bánh tự cân bằng được xây dựng dưới dạng sơ đồ khối. Bộ điều khiển LQR cũng được thiết kế trong Matlab bằng cách sử dụng các ma trận trọng số Q và R. Các ma trận này cho phép người thiết kế ưu tiên giữa việc giảm sai số trạng thái (ví dụ, giữ góc nghiêng gần bằng 0) và việc giảm năng lượng điều khiển (tránh động cơ hoạt động quá mức). Bằng cách chạy mô phỏng, có thể quan sát được đáp ứng của hệ thống theo thời gian, chẳng hạn như sự thay đổi của góc nghiêng (psi) và góc quay bánh xe (theta) khi có tác động ban đầu. Kết quả mô phỏng giúp tìm ra ma trận khuếch đại K tối ưu cho bộ điều khiển LQR. Ma trận K này sau đó sẽ được sử dụng trong mã lập trình cho Arduino Mega 2560. Giai đoạn tiếp theo là triển khai trên mô hình thực tế. Mã nguồn điều khiển được nạp vào Arduino, và xe được đặt trên mặt phẳng để kiểm tra khả năng tự cân bằng. Kết quả thực tế cho thấy mô hình có khả năng giữ thăng bằng khá ổn định. Các giá trị góc nghiêng đo được từ cảm biến MPU 6050 sau khi qua bộ lọc Kalman dao động trong một biên độ rất nhỏ quanh vị trí 0 độ, chứng tỏ hiệu quả của giải thuật điều khiển và hệ thống phần cứng.
5.1. Phân tích lưu đồ giải thuật điều khiển LQR
Lưu đồ giải thuật mô tả trình tự hoạt động của chương trình điều khiển trên Arduino Mega 2560. Chương trình bắt đầu bằng việc khởi tạo các module: thiết lập giao tiếp I2C với cảm biến MPU 6050, cấu hình các chân ngắt để đọc encoder, và cài đặt các chân PWM để điều khiển động cơ. Vòng lặp chính của chương trình thực hiện các công việc sau một cách tuần hoàn: đầu tiên, đọc dữ liệu thô từ MPU6050 và encoder; tiếp theo, đưa dữ liệu cảm biến vào bộ lọc Kalman để tính toán góc nghiêng và vận tốc góc chính xác; sau đó, tính toán các biến trạng thái khác như vị trí và vận tốc của xe từ dữ liệu encoder. Vector trạng thái đầy đủ này sau đó được đưa vào luật điều khiển LQR (u = -Kx) để tính toán tín hiệu điều khiển. Cuối cùng, tín hiệu điều khiển được chuyển thành giá trị PWM và gửi đến mạch cầu H L298N để điều khiển động cơ. Toàn bộ chu trình này phải được thực hiện với một tần số lấy mẫu đủ cao để đảm bảo hệ thống phản ứng kịp thời với các thay đổi.
5.2. Kết quả mô phỏng trên Matlab và mô hình thực tế
Kết quả mô phỏng trên Matlab cho thấy hệ thống có đáp ứng tốt. Khi được đặt một giá trị góc nghiêng ban đầu, bộ điều khiển LQR có thể nhanh chóng đưa xe trở về trạng thái cân bằng (góc nghiêng bằng 0) trong một khoảng thời gian ngắn mà không có vọt lố lớn. Các đồ thị ngõ ra cho góc nghiêng (psi), góc quay (phi) và góc xoay bánh xe (theta) đều hội tụ về giá trị ổn định, khẳng định tính đúng đắn của bộ điều khiển đã thiết kế. Khi triển khai trên mô hình thực tế, kết quả cũng rất khả quan. Mô hình xe sau khi hoàn thiện có thể tự đứng vững trên hai bánh. Dữ liệu ghi lại trong quá trình chạy cho thấy giá trị góc nghiêng luôn được duy trì trong một phạm vi rất hẹp, chỉ dao động vài độ quanh điểm cân bằng. Điều này chứng minh rằng bộ điều khiển LQR, kết hợp với bộ lọc Kalman và phần cứng được lựa chọn phù hợp, đã tạo thành một hệ thống điều khiển tự động hiệu quả cho xe hai bánh tự cân bằng.
VI. Tương lai và hướng phát triển của xe hai bánh tự cân bằng
Đồ án điều khiển tự động xe hai bánh tự cân bằng đã đạt được mục tiêu cốt lõi là xây dựng một mô hình hoạt động ổn định, đồng thời kiểm nghiệm thành công hiệu quả của thuật toán điều khiển hiện đại. Việc áp dụng thành công bộ điều khiển LQR không chỉ chứng tỏ sự ưu việt của phương pháp điều khiển dựa trên mô hình mà còn mở ra nhiều hướng phát triển tiềm năng trong tương lai. Kết quả của nghiên cứu này là một nền tảng vững chắc, từ đó có thể cải tiến và mở rộng các tính năng của robot. Những kinh nghiệm thu được trong quá trình xây dựng mô hình toán học, lựa chọn linh kiện, và lập trình thuật toán là vô cùng quý giá cho các dự án robot phức tạp hơn sau này. Sự thành công của mô hình cũng cho thấy tầm quan trọng của việc kết hợp nhuần nhuyễn giữa lý thuyết điều khiển và kỹ năng thực hành. Trong tương lai, công nghệ xe hai bánh tự cân bằng hứa hẹn sẽ có nhiều ứng dụng thực tiễn hơn nữa, không chỉ dừng lại ở các phương tiện di chuyển cá nhân như Segway. Chúng có thể được phát triển thành các robot dịch vụ trong nhà, robot vận chuyển hàng hóa trong các nhà kho thông minh, hoặc thậm chí là các robot thám hiểm hoạt động trong những môi trường nguy hiểm, nơi sự linh hoạt và kích thước nhỏ gọn là một lợi thế lớn. Để đạt được điều đó, các nghiên cứu tiếp theo cần tập trung vào việc giải quyết các thách thức còn tồn tại, như cải thiện độ bền vững của bộ điều khiển, tăng cường khả năng tự hành và tương tác với môi trường.
6.1. Tổng kết ưu điểm của giải thuật điều khiển LQR
Qua quá trình thực hiện đồ án, bộ điều khiển LQR đã chứng tỏ được nhiều ưu điểm vượt trội so với các phương pháp điều khiển kinh điển như PID. Thứ nhất, LQR cung cấp một phương pháp thiết kế có hệ thống và đảm bảo tính ổn định cho vòng kín. Thứ hai, nó cho phép tối ưu hóa đồng thời nhiều mục tiêu điều khiển thông qua việc lựa chọn ma trận trọng số Q và R, tạo ra sự cân bằng giữa hiệu suất và năng lượng tiêu thụ. Thứ ba, LQR rất phù hợp cho các hệ thống nhiều đầu vào - nhiều đầu ra (MIMO), cho phép điều khiển toàn diện các trạng thái của xe hai bánh tự cân bằng chỉ trong một thuật toán duy nhất. Mặc dù đòi hỏi một mô hình toán học chính xác, nhưng khi đã có mô hình, LQR mang lại một bộ điều khiển mạnh mẽ và hiệu quả, giúp hệ thống đạt được sự ổn định cao như đã được chứng minh qua kết quả thực nghiệm.
6.2. Tiềm năng ứng dụng và các hướng nghiên cứu tiếp theo
Từ mô hình cơ bản này, có rất nhiều hướng để phát triển và nâng cao. Một hướng quan trọng là cải thiện khả năng di chuyển trên các địa hình không bằng phẳng hoặc có độ dốc. Điều này đòi hỏi phải nâng cấp cả phần cứng (động cơ mạnh hơn, hệ thống treo) và phần mềm (thuật toán điều khiển thích nghi hoặc bền vững). Hướng thứ hai là phát triển khả năng tự hành, tích hợp thêm các cảm biến như camera, LiDAR để robot có thể tự định vị, lập bản đồ và tránh vật cản. Việc kết hợp với các thuật toán về trí tuệ nhân tạo (AI) và học máy (Machine Learning) có thể giúp robot học cách tự cân bằng và di chuyển trong các môi trường phức tạp. Một hướng khác là tối ưu hóa thiết kế cơ khí và năng lượng để robot có thể hoạt động trong thời gian dài hơn và an toàn hơn cho người sử dụng. Những cải tiến này sẽ giúp đưa công nghệ xe hai bánh tự cân bằng đến gần hơn với các ứng dụng thực tiễn trong đời sống và công nghiệp.
27/09/2025
