Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh của cuộc Cách mạng Công nghiệp 4.0, tự động hóa và tích hợp hệ thống máy móc thông minh vào dây chuyền sản xuất đã trở thành yêu cầu thiết yếu nhằm nâng cao năng suất, tối ưu hóa chi phí và kiểm soát chất lượng sản phẩm. Trong xu thế đó, robot di động (Mobile Robot / Autonomous Guided Vehicle - AGV) giữ vai trò then chốt trong nhiều lĩnh vực đa dạng như hậu cần kho bãi (logistics), dây chuyền sản xuất công nghiệp, dịch vụ y tế, an ninh - quân sự và các hoạt động dân dụng.

Đối với robot di động, khả năng tự chủ di chuyển phụ thuộc trực tiếp vào bài toán hoạch định quỹ đạo (trajectory planning). Một giải pháp hoạch định quỹ đạo hiệu quả phải giải quyết đồng thời việc tìm kiếm đường đi tối ưu (tiết kiệm thời gian, năng lượng) và khả năng nhận biết, phản xạ linh hoạt trước các chướng ngại vật trong môi trường làm việc chưa biết trước. Đề tài "Nghiên cứu bài toán hoạch định quỹ đạo cho Mobile Robot" của nhóm tác giả Hồ Vĩnh Trọng, Đoàn Nguyễn Hoàng, Lê Đăng Khoa (ngành Công nghệ Kỹ thuật Cơ Điện tử, Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh) tập trung giải quyết trọn vẹn chuỗi vấn đề từ thiết kế phần cứng cơ điện tử đến thuật toán điều khiển quỹ đạo thông minh.

Mục tiêu nghiên cứu được xác định cụ thể gồm hai nhóm nhiệm vụ:

  1. Thiết kế, tính toán và chế tạo hoàn chỉnh mô hình Mobile Robot di chuyển ổn định trong môi trường trong nhà (indoor), có khả năng định vị tọa độ, bám quỹ đạo và tự động tránh vật cản trên đường đi.
  2. Xây dựng ứng dụng di động (Mobile App) trên nền tảng không dây đóng vai trò giao diện điều khiển từ xa, cho phép người vận hành tương tác trực quan, điều hướng chính xác robot theo thời gian thực.

Đối tượng nghiên cứu của đồ án là mô hình Mobile Robot dạng vi sai 4 bánh, hệ thống mạch điều khiển nhúng hai tầng, hệ thống cảm biến đo đạc (LiDAR, IMU, Encoder) và thuật toán học tăng cường Q-Learning kết hợp bộ điều khiển động học. Phạm vi nghiên cứu được giới hạn cho môi trường hoạt động trong nhà, mặt sàn phẳng, khả năng mang tải hàng hóa thiết yếu tối đa 10 kg và thực thi bài toán di chuyển điểm - điểm (point-to-point) có vật cản.

Cơ sở lý thuyết và phương pháp

Đồ án xây dựng nền tảng lý thuyết toàn diện bao gồm động học robot di động, lý thuyết điều khiển tự động, thuật toán học máy tăng cường và các giao thức truyền thông trong hệ thống robot:

Mô hình động học robot vi sai (Differential Drive Mobile Robot)

Robot sử dụng cơ cấu hai bánh dẫn động độc lập có cùng bán kính $r$, khoảng cách giữa hai bánh xe là $L$, tâm quay hình học tại $C$, góc hướng của thân xe là $\theta$. Quan hệ vận tốc dài $V_c$ và vận tốc góc $W$ của thân robot với vận tốc góc bánh trái $\omega_l$ và bánh phải $\omega_r$ được xác lập qua các phương trình:

$$V_c = \frac{r}{2}(\omega_l + \omega_r)$$

$$W = \frac{r}{L}(\omega_r - \omega_l)$$

Tâm vận tốc tức thời ICC (Instantaneous Center of Curvature) và bán kính quay $R$ được xác định dựa trên quan hệ hình học khi hai bánh quay lệch tốc độ:

$$R = \frac{L(V_r + V_l)}{2(V_r - V_l)}$$

Phương trình động học thuận trong hệ tọa độ phẳng quán tính Oxy:

$$\dot{X} = V_c \cos(\theta), \quad \dot{Y} = V_c \sin(\theta), \quad \dot{\theta} = W$$

Để xây dựng luật điều khiển chuyển động điểm - điểm, tác giả chuyển đổi từ hệ tọa độ Descartes $(X, Y, \theta)$ sang hệ tọa độ cực $(\rho, \alpha, \beta)$ với:

$$\rho = \sqrt{\Delta x^2 + \Delta y^2}, \quad \alpha = \arctan2(\Delta y, \Delta x) - \theta, \quad \beta = -\theta - \alpha$$

Luật điều khiển tuyến tính được thiết lập: $V = k_\rho \rho$ và $W = k_\alpha \alpha + k_\beta \beta$. Tuyến tính hóa quanh điểm cân bằng cho đa thức đặc trưng $(\lambda + k_\rho)(\lambda^2 + \lambda k_\beta)$, từ đó xác định điều kiện ổn định của hệ thống theo tiêu chuẩn nghiệm có phần thực âm: $k_\rho > 0$, $k_\beta < 0$, $k_\alpha - k_\rho > 0$.

Lý thuyết điều khiển vận tốc và kỹ thuật xử lý tín hiệu

  • Bộ điều khiển PI: Điều khiển vận tốc từng động cơ chấp hành theo hàm truyền $G(s) = K_P + \frac{K_I}{s}$, được rời rạc hóa theo chu kỳ lấy mẫu $T_s$. Để xử lý giới hạn điện áp ngõ ra (0 - 3.3V) và hiện tượng bão hòa tích phân gây dao động, nhóm tích hợp cấu trúc Anti-windup cho khâu tích phân với hệ số hồi tiếp sai số bão hòa $K_B = \frac{1}{\tau}$ (với $\tau$ là hằng số thời gian đạt 63.2% vận tốc cực đại).
  • Phương pháp xác định tham số: Nhóm sử dụng phương pháp điều khiển theo mô hình nội (Internal Model Control - IMC) kết hợp hiệu chỉnh bán thực nghiệm để xác định bộ tham số $K_P, K_I$ tối ưu.
  • Đọc xung Encoder: Tín hiệu 2 pha A và B lệch pha $90^\circ$ được vi điều khiển giải mã theo chế độ x4 (bắt cả sườn lên và sườn xuống của hai kênh tín hiệu) qua ngắt ngoài để đạt độ phân giải tối đa.

Lý thuyết Học tăng cường (Reinforcement Learning) và Thuật toán Q-Learning

Học tăng cường được mô hình hóa dựa trên quá trình ra quyết định Markov (Markov Decision Process - MDP) bao gồm bộ 5 thành phần $(S, A, P_{sa}, \gamma, R)$. Phương trình tối ưu Bellman cho hàm giá trị và hàm chất lượng hành động $Q(s, a)$ được áp dụng.

Thuật toán Q-Learning thuộc nhóm thuật toán không mô hình (model-free), cập nhật giá trị $Q(s, a)$ theo công thức sai phân thời gian (Temporal Difference):

$$Q(s, a) \leftarrow (1 - \alpha) Q(s, a) + \alpha \left[ R + \gamma \max_{a'} Q(s', a') \right]$$

Trong đó $\alpha \in [0, 1]$ là tốc độ học (learning rate), $\gamma \in [0, 1)$ là hệ số chiết khấu phần thưởng tương lai. Nhóm nghiên cứu phân tích hai chiến lược chọn hành động: chiến lược tham lam thăm dò $\epsilon$-Greedy và chiến lược phân phối xác suất Boltzmann (Softmax).

Nền tảng truyền thông và phần mềm

  • Giao thức UART & Rosserial: Thiết lập kênh truyền nối tiếp bất đồng bộ giữa vi điều khiển tầng dưới (STM32) và máy tính nhúng tầng trên (Raspberry Pi), đóng gói các bản tin ROS Messages/Topics qua thư viện rosserial.
  • Hệ điều hành Robot (Robot Operating System - ROS): Quản lý luồng dữ liệu phân tán thông qua cấu trúc ROS Master, Node, Topic với mô hình xuất bản/đăng ký (Publisher/Subscriber).
  • MIT App Inventor: Nền tảng lập trình khối (block-based programming) trên nền web, xây dựng giao diện ứng dụng Android kết nối điều khiển robot qua giao thức Wi-Fi.

Phương pháp nghiên cứu tổng thể kết hợp giữa nghiên cứu lý thuyết (mô hình hóa toán học, giải thuật) và thực nghiệm kỹ thuật (thiết kế 3D, mô phỏng phần tử hữu hạn trên SolidWorks, lập trình nhúng và kiểm thử thực tế trên sa bàn).

Thiết kế và triển khai hệ thống

Thiết kế hệ thống cơ khí

Nhóm tác giả đã so sánh các phương án cơ cấu di chuyển (bánh lái Steer Drive, bánh xe đa hướng Omni Wheel, hệ dẫn động vi sai Differential Drive 3 bánh và 4 bánh) và lựa chọn cấu hình vi sai 4 bánh: 2 bánh dẫn động chủ động bố trí đồng trục phía sau và 2 bánh xe tự lựa đa hướng bố trí cân bằng phía trước. Cấu hình này mang lại bán kính quay vòng tại chỗ bằng 0 ($R=0$), kết cấu cơ khí gọn gàng và ổn định khi di chuyển trên mặt sàn indoor.

Hạng mục cơ khí Thông số kỹ thuật / Đặc tính lựa chọn
Bánh xe chủ động Số lượng: 02; Đường kính ngoài: 100 mm; Bề rộng: 30 mm; Trục: 8 mm; Khối lượng: 0.18 kg; Tải trọng tối đa: 50 kg/bánh; Vật liệu: Nhôm đúc bọc lốp silicon có rãnh bám.
Bánh xe tự lựa Số lượng: 02; Đường kính: 32 mm; Bề rộng: 13 mm; Kích thước: $45 \times 25 \times 60\text{ mm}$; Tải trọng: 17 kg/bánh; Vật liệu: Thân thép, lốp cao su giảm chấn.
Bộ truyền dẫn động Bộ truyền đai răng đồng bộ kết nối giữa động cơ và trục bánh xe, và đai truyền sang Encoder rời nhằm giảm rung chấn, vận hành êm ái hơn bộ truyền xích.
Vật liệu khung đế Hợp kim nhôm 6061; Được kiểm nghiệm ứng suất Von-Mises, chuyển vị và biến dạng đàn hồi trên phần mềm SolidWorks Simulation.

Thiết kế hệ thống điện và điều khiển nhúng

Hệ thống điện được phân thành hai tầng xử lý riêng biệt kết nối qua giao tiếp nối tiếp:

  • Tầng tính toán cấp cao (High-Level Controller): Sử dụng máy tính nhúng Raspberry Pi 3 Model B+ chạy hệ điều hành Linux/ROS, đảm nhiệm việc thu nhận dữ liệu cảm biến laser LiDAR, xử lý thuật toán hoạch định quỹ đạo Q-Learning, quản lý bản đồ và giao tiếp Wi-Fi với ứng dụng di động.
  • Tầng điều khiển cấp thấp (Low-Level Controller): Sử dụng vi điều khiển STM32F401CCU6 (ARM Cortex-M4), đảm nhiệm việc đọc tín hiệu hồi tiếp vận tốc từ bộ mã hóa xung Encoder, tính toán giải thuật PI với khâu Anti-windup, xuất xung PWM điều khiển mạch cầu H và phản hồi dữ liệu qua Rosserial.
  • Khối chấp hành và công suất: 02 động cơ DC kết hợp bộ mã hóa xung quang học rời (Rotary Encoder) độ phân giải 600 xung/vòng. Mạch điều khiển động cơ DC cầu H BTS7960 công suất lớn.
  • Khối cảm biến: Cảm biến đo khoảng cách laser 2D RPLidar A1M8 phục vụ quét vật cản 360 độ; cảm biến đo quán tính 6 bậc tự do (IMU) MPU6050 thu thập góc nghiêng và gia tốc.
  • Khối nguồn và bảo vệ mạch: Nguồn cấp chính từ khối Pin Li-ion 3S 12V; mạch nguồn chuyển đổi xung DC-DC MP2482 hạ áp ổn định 5V nuôi các vi mạch số; sử dụng Opto cách ly quang PC817 nhằm chống nhiễu xung điện từ encoder bảo vệ chân vi điều khiển STM32; màn hình OLED 0.96 inch hiển thị trạng thái hệ thống.
Khối chức năng Linh kiện / Thiết bị chính Nhiệm vụ kỹ thuật
Xử lý cấp cao Raspberry Pi 3 Model B+ Chạy ROS, Rosserial-server, giải thuật Q-Learning, xử lý LiDAR
Điều khiển nhúng STM32F401CCU6 Chạy Rosserial-client, đọc Encoder ngắt x4, tính toán thuật toán PI
Cảm biến quét RPLidar A1M8 Quét laser mặt phẳng 2D, nhận diện tọa độ chướng ngại vật
Cảm biến góc MPU6050 (IMU) Đo vận tốc góc, gia tốc và định hướng thân robot
Cảm biến tốc độ Rotary Encoder (600 ppr) Đo tốc độ quay bánh xe với độ phân giải sau nhân x4 là 2400 xung/vòng
Công suất Module BTS7960 Cầu H MOSFET điều khiển chiều quay và tốc độ động cơ DC
Cách ly tín hiệu Opto PC817 Cách ly quang điện áp tín hiệu xung giữa encoder và STM32
Hạ áp & Nguồn Pin 3S 12V + MP2482 Cung cấp nguồn động lực 12V và hạ áp 5V ổn định cho mạch số

Nội dung chính theo từng chương

CHƯƠNG 1: GIỚI THIỆU

Chương 1 thiết lập tổng quan về đề tài, nhấn mạnh tính cấp thiết của việc tối ưu hóa quỹ đạo di chuyển cho Mobile Robot trong công nghiệp và đời sống. Tác giả xác định rõ các mục tiêu thiết kế mô hình robot vật lý hoạt động ổn định trong nhà, xây dựng ứng dụng điều khiển Android qua Wi-Fi, đặt ra giới hạn nghiên cứu về tải trọng mang vác (10 kg), đồng thời trình bày phương pháp tiếp cận kết hợp lý thuyết và thực nghiệm.

CHƯƠNG 2: TỔNG QUAN ĐỀ TÀI

Chương 2 tổng hợp lịch sử phát triển của robot di động qua các thời kỳ: sơ khai (trước 1950), phát triển ban đầu (1950-1980 với SHAKEY 1966, Robotic Cart 1961), phát triển hiện đại (1980-2000 với robot phân tán của Rodney Brooks, AGV công nghiệp), và kỷ nguyên công nghệ tiên tiến (2000 đến nay với Roomba của iRobot, xe tự lái Tesla, Google). Chương này phân loại chi tiết Mobile Robot theo môi trường (indoor, outdoor, underwater), theo mức tự động (teleoperated, autonomous) và theo cơ cấu di chuyển (wheeled, legged). Đồng thời, tác giả khảo sát tình hình nghiên cứu thế giới (ASIMO của Honda, AGV của Amazon dùng LiDAR) và các nghiên cứu tại các trường đại học lớn ở Việt Nam.

CHƯƠNG 3: CƠ SỞ LÝ THUYẾT

Chương 3 xây dựng các mô hình toán học và cơ sở điều khiển học làm nền tảng cho đồ án:

  • Mô hình hóa thân robot vi sai 2 bánh chủ động, thiết lập công thức động học thuận và động học nghịch trong hệ tọa độ cực $(\rho, \alpha, \beta)$, giải bài toán ổn định hệ phi tuyến qua ma trận Jacobi và đa thức đặc trưng.
  • Thiết lập bộ điều khiển PI số hóa có khâu Anti-windup, kỹ thuật đọc xung encoder 2 pha chế độ x4, phương pháp chỉnh định tham số PID bằng mô hình nội IMC.
  • Trình bày hệ thống học máy tăng cường, quá trình ra quyết định Markov (MDP), phương trình Bellman, thuật toán Value Iteration, Policy Iteration, thuật toán Q-Learning cùng hai chiến lược chọn hành động $\epsilon$-Greedy và Softmax.
  • Trình bày các giao thức truyền thông: UART, cấu trúc hệ thống ROS (Node, Topic, ROS Master), gói truyền thông rosserial kết nối Raspberry Pi và STM32, công cụ MIT App Inventor.

CHƯƠNG 4: TÍNH TOÁN THIẾT KẾ HỆ THỐNG CƠ KHÍ

Chương 4 tập trung vào quá trình thiết kế phần cứng:

  • Phân tích và lựa chọn cơ cấu di chuyển 4 bánh vi sai (2 bánh chủ động nhôm bọc silicon $D=100\text{ mm}$, 2 bánh tự lựa $D=32\text{ mm}$).
  • So sánh các loại động cơ điện (DC chổi than, Brushless, DC Servo) và lựa chọn động cơ DC gắn kèm bộ mã hóa xung Encoder quang học rời 600 xung/vòng.
  • Tính toán lựa chọn bộ truyền đai răng đồng bộ kết nối trục động cơ với bánh xe và encoder.
  • Thiết kế kết cấu 3D trên phần mềm chuyên dụng và thực hiện kiểm nghiệm bền (mô phỏng phân bố ứng suất, chuyển vị, biến dạng đàn hồi) trên SolidWorks đối với tấm đế hợp kim nhôm 6061.

CHƯƠNG 5: TÍNH TOÁN VÀ THIẾT KẾ HỆ THỐNG ĐIỆN

Chương 5 hiện thực hóa hệ thống mạch điện tử và phối ghép phần cứng:

  • Lựa chọn và cấu hình các linh kiện: Kit vi điều khiển STM32F401CCU6, máy tính nhúng Raspberry Pi 3 Model B+, cảm biến RPLidar A1M8, cảm biến quán tính MPU6050, mạch công suất BTS7960, màn hình OLED 0.96 inch, nguồn Pin 3S 12V.
  • Tính toán chọn lựa mạch ổn áp xung MP2482 (hạ áp từ 12V xuống 5V) và mạch đệm cách ly quang Opto PC817 bảo vệ đường truyền xung encoder.
  • Xây dựng sơ đồ khối tổng quan, sơ đồ nguyên lý mạch điện, thiết kế mạch in PCB và hoàn thiện lắp ráp lên khung thân robot thực tế.

CHƯƠNG 6: XÂY DỰNG THUẬT TOÁN VÀ GIẢI THUẬT

Chương 6 trình bày các kết quả lập trình và thực nghiệm thuật toán:

  • Nhận dạng hàm truyền động cơ từ dữ liệu thực nghiệm, tính toán bộ điều khiển PI qua phương pháp IMC, kiểm chứng đáp ứng vận tốc góc độc lập từng bánh và vận tốc tổng hợp $(V_c, W)$ theo mô hình động học.
  • Thiết kế thuật toán Q-Learning cho robot: Rời rạc hóa không gian trạng thái (khoảng cách vật cản từ LiDAR, góc lệch hướng mục tiêu) và không gian hành động (vận tốc dài, vận tốc góc); xây dựng hàm đánh giá khen thưởng (Reward Function); triển khai quá trình đào tạo và đánh giá đồ thị phần thưởng, số bước di chuyển trung bình.
  • Xây dựng lưu đồ thuật toán điều khiển hồi tiếp vị trí, lưu đồ giải thuật Q-Learning bám quỹ đạo tránh chướng ngại vật giữa hai điểm (point-to-point).
  • Thực nghiệm điều hướng mô phỏng và thực tế từ tọa độ ban đầu $(0, 0, \theta = 0^\circ)$ đến điểm đích $(150, -150, \theta = -90^\circ)$, ghi nhận đồ thị đáp ứng vị trí $(X, Y)$, góc hướng $\theta$, vận tốc dài và vận tốc góc theo thời gian.
  • Thiết kế giao diện và lưu đồ thuật toán ứng dụng điều khiển trên điện thoại (MIT App Inventor) giao tiếp qua Wi-Fi.

CHƯƠNG 7: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN

Chương 7 tổng kết toàn bộ kết quả đạt được về cơ khí, mạch điện và thuật toán điều khiển quỹ đạo, đồng thời nêu rõ các giới hạn còn tồn tại và vạch ra định hướng nâng cấp trong tương lai.

Kết quả và đóng góp

Kết quả kỹ thuật và thực nghiệm

  1. Chế tạo hoàn chỉnh phần cứng cơ - điện: Hoàn thiện mô hình Mobile Robot 4 bánh vi sai hoạt động ổn định trên khung nhôm 6061, chịu tải trọng tĩnh và động tối đa 10 kg, vận hành êm ái nhờ hệ truyền động đai đồng bộ.
  2. Hệ thống điều khiển vận tốc động cơ chính xác: Ứng dụng thành công thuật toán PI tích hợp khâu Anti-windup và đọc ngắt encoder rời x4 (đạt 2400 trạng thái xung/vòng) trên STM32F401CCU6, giúp đáp ứng tốc độ bám sát giá trị đặt, triệt tiêu hiện tượng vọt lố khi khởi động hoặc đảo chiều.
  3. Huấn luyện thuật toán Q-Learning hiệu quả: Thuật toán Q-Learning được thiết lập với không gian trạng thái rời rạc hóa từ dữ liệu LiDAR và góc lệch la bàn. Hàm phần thưởng huấn luyện hội tụ ổn định, thể hiện qua đồ thị giá trị phần thưởng tăng đều và số bước di chuyển trung bình đạt mức tối ưu.
  4. Thực thi thành công bài toán di chuyển điểm - điểm tránh vật cản: Trên thực nghiệm sa bàn, robot thực hiện di chuyển từ điểm gốc $(0, 0, 0^\circ)$ đến điểm đích $(150, -150, -90^\circ)$. Khi xuất hiện chướng ngại vật trên đường đi, hệ thống tự động nhận diện từ dữ liệu RPLidar A1M8, chuyển hướng né tránh an toàn và tiếp tục tái lập quỹ đạo tiến về đích với sai số vị trí và góc hướng nằm trong giới hạn cho phép.
  5. Giao diện điều khiển ứng dụng di động: Xây dựng hoàn chỉnh ứng dụng trên Android bằng MIT App Inventor, kết nối qua mạng không dây Wi-Fi, hỗ trợ cả hai chế độ: điều khiển bằng tay (Manual Remote) và thiết lập lộ trình tự động.

Đóng góp của đề tài

  • Hoàn thiện quy trình thiết kế liên ngành Cơ học - Điện tử - Công nghệ thông tin theo cấu trúc phân tầng vi điều khiển (Low-level STM32) và máy tính nhúng (High-level Raspberry Pi/ROS).
  • Ứng dụng phương pháp học tăng cường không mô hình (Model-free Q-Learning) vào việc giải quyết bài toán hoạch định quỹ đạo cục bộ và tránh vật cản thời gian thực cho robot di động tự hành.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của đề tài

  • Thuật toán Q-Learning thuần túy dựa trên bảng tra cứu (Q-Table) với không gian trạng thái rời rạc hóa, làm hạn chế độ mịn của quỹ đạo khi hoạt động trong môi trường có mật độ chướng ngại vật phức tạp hoặc liên tục thay đổi.
  • Hệ thống cơ khí và bộ nguồn Pin 3S 12V giới hạn thời gian vận hành liên tục và tải trọng mang vác của robot trong các ứng dụng công nghiệp nặng.
  • Chưa tích hợp thuật toán định vị và lập bản đồ đồng thời (SLAM) toàn diện để hoạt động trong các không gian nhà xưởng quy mô lớn.

Hướng nghiên cứu tiếp

  • Nâng cấp thuật toán học tăng cường từ Q-Learning truyền thống lên mạng học tăng cường sâu (Deep Q-Network - DQN) hoặc các giải thuật DDPG/PPO nhằm xử lý không gian trạng thái và hành động liên tục.
  • Triển khai các gói thuật toán SLAM hoàn chỉnh trên nền tảng ROS (Gmapping, Cartographer, Hector SLAM) kết hợp cảm biến LiDAR và IMU để xây dựng bản đồ 2D/3D chi tiết của môi trường.
  • Tối ưu hóa kích thước cơ khí, nâng cấp hệ thống pin dung lượng cao và tích hợp cơ chế tự động tìm về trạm sạc khi pin yếu.

Giá trị tham khảo

Đồ án tốt nghiệp cung cấp tài liệu tham khảo chi tiết cho sinh viên, giảng viên và kỹ sư thuộc các chuyên ngành Kỹ thuật Cơ Điện tử, Kỹ thuật Điều khiển & Tự động hóa, Kỹ thuật Robot và Hệ thống Nhúng. Cụ thể, các nội dung có giá trị ứng dụng cao gồm:

  • Quy trình mô hình hóa toán học động học thuận/nghịch cho robot vi sai và phương pháp thiết kế bộ điều khiển phi tuyến trong hệ tọa độ cực.
  • Thiết kế hệ thống điều khiển vận tốc vòng kín cho động cơ DC sử dụng vi điều khiển STM32, mạch cầu H BTS7960, giải mã encoder độ phân giải cao và kỹ thuật lập trình bộ điều khiển PI với khâu Anti-windup.
  • Phương pháp thiết lập kiến trúc truyền thông phân tầng Raspberry Pi - STM32 thông qua ROS và rosserial.
  • Phương pháp xây dựng không gian trạng thái, không gian hành động và hàm phần thưởng trong thuật toán học máy tăng cường Q-Learning phục vụ bài toán điều hướng tự hành.

Câu hỏi thường gặp

1. Tại sao nhóm nghiên cứu lại lựa chọn cơ cấu vi sai 4 bánh thay vì bánh xe đa hướng Omni Wheel?

Nhóm tác giả lựa chọn cơ cấu dẫn động vi sai 4 bánh (2 bánh chủ động phía sau, 2 bánh tự lựa đa hướng phía trước) nhằm tối ưu hóa độ bám đường, mô-men xoắn kéo, cấu trúc cơ khí đơn giản và độ bền cao trên mặt phẳng sàn trong nhà. So với bánh xe Omni, cơ cấu vi sai có giá thành chế tạo thấp hơn, dễ gia công thay thế và bảo đảm bán kính quay vòng tại chỗ bằng 0 ($R = 0$) mà không gặp hiện tượng trượt phức tạp của các con lăn nhỏ.

2. Vai trò của khâu Anti-windup trong bộ điều khiển PI tốc độ động cơ là gì?

Trong thực tế, tín hiệu điều khiển cấp cho động cơ bị giới hạn bởi điện áp bão hòa của mạch công suất. Nếu không có khâu Anti-windup, khi có sự chênh lệch lớn giữa giá trị đặt và giá trị thực, thành phần tích phân ($I$) sẽ liên tục tích lũy giá trị sai số rất lớn (hiện tượng windup). Khi hệ thống đạt đến tốc độ mong muốn, thành phần tích phân này cần nhiều thời gian để xả hết, dẫn đến hiện tượng vọt lố (overshoot) nghiêm trọng và hệ thống mất ổn định. Khâu Anti-windup với hệ số $K_B = \frac{1}{\tau}$ giúp đặt lại và chặn sự tích lũy thừa của khâu tích phân, đảm bảo đáp ứng nhanh và không bị vọt lố.

3. Hệ thống phân chia nhiệm vụ xử lý giữa Raspberry Pi 3B+ và STM32F401CCU6 như thế nào?

Hệ thống áp dụng kiến trúc phân tầng:

  • STM32F401CCU6 (Tầng dưới): Đảm nhiệm các tác vụ thời gian thực cứng (hard real-time) gồm ngắt đọc xung encoder 600 xung/vòng (x4), tính toán thuật toán PI vận tốc cho 2 động cơ, xuất xung PWM điều khiển mạch BTS7960 và truyền nhận dữ liệu qua rosserial.
  • Raspberry Pi 3B+ (Tầng trên): Đảm nhiệm các tác vụ tính toán cấp cao gồm chạy môi trường ROS Master, thu thập và tiền xử lý dữ liệu quét 360 độ từ cảm biến RPLidar A1M8, thực thi thuật toán học tăng cường Q-Learning để hoạch định quỹ đạo tránh vật cản, đồng thời duy trì kết nối Wi-Fi với ứng dụng di động.

4. Thuật toán Q-Learning xử lý việc tránh chướng ngại vật trong đồ án ra sao?

Thuật toán Q-Learning xem robot như một tác nhân (agent) tương tác với môi trường. Không gian trạng thái được rời rạc hóa dựa trên khoảng cách đo được từ LiDAR tới các chướng ngại vật xung quanh và góc lệch giữa hướng di chuyển hiện tại với mục tiêu. Trong quá trình học, hàm phần thưởng (Reward Function) gán giá trị thưởng dương khi robot tiến lại gần điểm đích an toàn và gán giá trị phạt âm rất lớn nếu robot tiến quá gần hoặc va chạm vào chướng ngại vật. Qua quá trình huấn luyện, bảng tra cứu Q-Table sẽ hội tụ các giá trị tối ưu, cho phép robot tự động lựa chọn hành động vận tốc dài và góc quay thích hợp để né tránh vật cản trên đường đi.

5. Ứng dụng di động được xây dựng bằng công cụ gì và kết nối với robot như thế nào?

Ứng dụng di động được nhóm tác giả phát triển trên nền tảng lập trình đồ họa khối lệnh MIT App Inventor dành cho hệ điều hành Android. Ứng dụng kết nối không dây với máy tính nhúng Raspberry Pi trên robot thông qua mạng Wi-Fi (giao thức TCP/IP), cung cấp giao diện trực quan cho phép người dùng điều khiển di chuyển thủ công hoặc gửi tọa độ đích $(X, Y, \theta)$ cho robot thực thi chế độ tự hành.

Kết luận

Đồ án "Nghiên cứu bài toán hoạch định quỹ đạo cho Mobile Robot" đã hoàn thành việc thiết kế, chế tạo và thử nghiệm thành công mô hình robot tự hành 4 bánh vi sai hoạt động trong môi trường trong nhà. Bằng việc kết hợp kiến trúc điều khiển nhúng phân tầng Raspberry Pi - STM32, bộ điều khiển PI có khâu Anti-windup và thuật toán học tăng cường Q-Learning xử lý dữ liệu laser LiDAR, nhóm nghiên cứu đã giải quyết hiệu quả bài toán bám quỹ đạo điểm - điểm và tự động tránh vật cản. Kết quả của đề tài là tài liệu tham khảo có giá trị học thuật và thực tiễn cao cho việc phát triển các hệ thống xe tự hành AGV trong các dây chuyền sản xuất và kho vận tự động.