Tổng quan luận án

Tính cấp thiết và khoảng trống nghiên cứu

Khả năng di chuyển tự hành an toàn trong môi trường thực tế là một trong những bài toán cốt lõi của robot di động (Autonomous Mobile Robots). Một hệ thống điều hướng (navigation system) hoàn chỉnh bao gồm bốn khối chức năng chính:

  1. Thu nhận và xử lý thông tin cảm biến (Perception): Robot diễn giải và trích xuất thông tin hữu ích từ các cảm biến.
  2. Định vị (Localization): Robot xác định vị trí và hướng của mình trong môi trường ("Tôi đang ở đâu?").
  3. Lập kế hoạch chuyển động (Motion Planning): Bao gồm lập đường đi toàn cục (path planning) và tránh vật cản cục bộ (obstacle avoidance) để đạt được mục tiêu.
  4. Điều khiển động cơ (Motor Control): Robot điều chế tín hiệu đầu ra tới các động cơ để bám theo quỹ đạo mong muốn.

Theo tổng kết của tác giả, các nghiên cứu trong nước về robot di động (thuộc Viện Hàn lâm Khoa học và Công nghệ Việt Nam, Viện Công nghệ Thông tin, Đại học Bách khoa Hà Nội, Đại học Quốc gia Hà Nội, Học viện Kỹ thuật Quân sự, Trường Đại học Bách khoa - ĐHQG TP.HCM) phần lớn tập trung vào hệ thống bám quỹ đạo cho trước nhằm khắc phục bất định do tham số và nhiễu ngoại cảnh, một số ít nghiên cứu phát triển thuật toán lọc Kalman mở rộng (EKF) định vị trong môi trường chưa biết, điều khiển thích nghi bám mục tiêu di động qua camera hoặc lập quỹ đạo tĩnh. Các nghiên cứu chuyên sâu về hệ thống định vị và lập kế hoạch chuyển động đồng thời trong môi trường động chưa được khảo sát đầy đủ.

Trong thực tế, hệ thống định vị gặp nhiều thách thức từ nhiễu cảm biến, sai số hệ thống (kích thước bánh xe không đều, sai lệch khoảng cách trục bánh xe), sai số ngẫu nhiên (trượt bánh, thay đổi điểm tiếp xúc) và đặc biệt là hiện tượng tín hiệu cảm biến bị gián đoạn hoặc mất hoàn toàn trong môi trường khắc nghiệt. Trong khi đó, hệ thống lập kế hoạch chuyển động hiện hữu thường chia thành hai nhóm tiếp cận:

  • Dựa trên vị trí vật cản (Position-based): Các phương pháp như Social Force Model, Dynamic Window Approach (DWA) hay Timed Elastic Band (TEB) giả định vật cản chuyển động là đứng yên tại mỗi chu kỳ tính toán, dẫn đến việc không thể chủ động thực hiện thao tác né tránh từ xa đối với các vật cản di động.
  • Dựa trên vận tốc (Velocity-based): Các mô hình Velocity Obstacles (VO), Hybrid Reciprocal Velocity Obstacles (HRVO) tính toán vận tốc tránh va chạm nhưng bỏ qua các ràng buộc động học và động lực học của robot, khiến tín hiệu điều khiển vận tốc khó áp dụng trực tiếp lên phần cứng thực tế.

Khoảng trống nghiên cứu được luận án xác định là: Cần xây dựng một hệ thống điều hướng hiệu quả có khả năng định vị chính xác cả khi tín hiệu cảm biến đầy đủ lẫn khi bị gián đoạn, đồng thời phát triển các thuật toán lập kế hoạch chuyển động cục bộ có khả năng chủ động dự đoán va chạm với vật cản động và tích hợp đầy đủ ràng buộc động lực học của robot.

Mục tiêu nghiên cứu

Mục tiêu chính của luận án là phát triển một hệ thống điều hướng hiệu quả cho phép robot di động có bánh xe di chuyển tự hành, an toàn và chủ động trong môi trường động. Mục tiêu tổng quát được cụ thể hóa thành hai mục tiêu nhánh:

  1. Nâng cao độ chính xác của hệ thống định vị: Đề xuất các thuật toán định vị hợp nhất đa cảm biến cho robot di động trong môi trường động trong hai trường hợp: thông tin cảm biến đầy đủ và tín hiệu cảm biến bị gián đoạn.
  2. Nâng cao hiệu năng của hệ thống lập kế hoạch chuyển động: Đề xuất các thuật toán lập quỹ đạo cục bộ mới trong môi trường động, giúp robot chủ động tránh vật cản di động và các nguy cơ va chạm tiềm tàng.

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Robot di động bánh xe vi sai (differential-drive wheeled mobile robot), thuật toán lọc Bayes (EKF, Particle Filter) và các thuật toán lập kế hoạch chuyển động cục bộ (DWA, HRVO, TEB).
  • Phạm vi nghiên cứu: Môi trường hoạt động là môi trường động trên mặt sàn phẳng (flat floor), có sự xuất hiện của các chướng ngại vật tĩnh và chướng ngại vật động (người, phương tiện), điều kiện đo lường của cảm biến có tính bất định hoặc bị gián đoạn tín hiệu ngắt quãng.

Tổng quan tài liệu và vị trí của luận án

Các hướng nghiên cứu trước được điểm luận

Luận án đã tổng quan và phân loại các công trình nghiên cứu trong và ngoài nước liên quan đến hai trụ cột chính:

Trụ cột Nhóm phương pháp Công trình / Tác giả trích dẫn Đặc điểm và hạn chế chỉ ra
Hệ thống định vị Lọc xác suất (Bayesian Filtering) Siegwart & Nourbakhsh [1], Thrun et al. [11], Kalman [52], Gordon et al. [53], Arulampalam et al. [54], cùng các nghiên cứu [12]–[20]. Tăng độ chính xác ước lượng trạng thái qua hợp nhất dữ liệu cảm biến nhưng chủ yếu tập trung vào điều kiện thông tin quan sát đầy đủ; thiếu giải pháp khi tín hiệu bị mất hoặc ngắt quãng.
Lập kế hoạch chuyển động Dựa trên vị trí (Position-based) Social Force Model (Helbing & Molnar [28], Ferrer et al. [22], [23], [25]); DWA (Fox et al. [29]); TEB (Rosmann et al. [40], [41], [42]); [21], [24], [26], [27]. DWA xét động lực học nhưng dễ rơi vào cực tiểu cục bộ; TEB tối ưu thời gian và ràng buộc động học qua Levenberg-Marquardt và đa cấu trúc liên kết (H-Signature), nhưng cả hai đều xem vật cản động là tĩnh tại thời điểm xét, thiếu tính chủ động phòng ngừa va chạm.
Dựa trên vận tốc (Velocity-based) Velocity Obstacles (Fiorini & Shiller [34]); RVO (van den Berg et al. [30]); HRVO (Snape et al. [31], [61]); [32], [33]. Chọn vận tốc không va chạm trong không gian vận tốc 2D, giải quyết tốt va chạm đa tác tử nhưng không tích hợp ràng buộc động học/động lực học của robot vi sai, khó áp dụng lệnh điều khiển trực tiếp.
Không xét động lực học (Non-robot dynamics) Artificial Potential Field [35], Vector Field Histogram [36], Elastic Band [37], Bug algorithm [56], Bubble band [57], Curvature Velocity Method [58]. Độ phức tạp tính toán thấp nhưng tín hiệu điều khiển đầu ra không tương thích với các giới hạn gia tốc và động học phi holonomic của robot thực.

Vị trí và giải pháp của luận án

Luận án kết hợp các ưu điểm của phương pháp tối ưu hóa quỹ đạo có xét ràng buộc thời gian/động lực học (như TEB) với khả năng dự đoán va chạm trong không gian vận tốc (như HRVO), đồng thời mở rộng không gian tìm kiếm của DWA, từ đó xây dựng các thuật toán lập kế hoạch cục bộ cải tiến (EDWA, PTEB, ETEB) song song với các thuật toán định vị hợp nhất cảm biến thích ứng (EKF, PF).

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết và mô hình toán học

1. Mô hình động học robot bánh xe vi sai (Differential-Drive Kinematics)

Robot chuyển động trên mặt phẳng với hệ quy chiếu toàn cục $X_G O Y_G$ và hệ quy chiếu gắn trên robot $X_R O Y_R$. Trạng thái vị thế (pose) của robot được biểu diễn bởi vector: $$s = [x, y, \theta]^T$$

Trong đó $(x, y)$ là tọa độ tâm $P_0$ của khung vỏ robot và $\theta$ là góc hướng của robot so với trục $X_G$. Với khoảng cách giữa hai bánh xe chủ động là $L$, quãng đường di chuyển của bánh trái và bánh phải trong khoảng thời gian $\Delta t$ lần lượt là $\Delta s_l$ và $\Delta s_r$. Độ dịch chuyển dài $\Delta s$ và dịch chuyển góc $\Delta \theta$ được xác định theo: $$\Delta s = \frac{\Delta s_l + \Delta s_r}{2}, \quad \Delta \theta = \frac{\Delta s_r - \Delta s_l}{L}$$

Mô hình chuyển động vận tốc (velocity motion model) với vector điều khiển $u_k = [v_k, \omega_k]^T$ ($v_k$ là vận tốc dài, $\omega_k$ là vận tốc góc) tại bước thời gian $\Delta t$: $$\begin{bmatrix} x_k \ y_k \ \theta_k \end{bmatrix} = \begin{bmatrix} x_{k-1} \ y_{k-1} \ \theta_{k-1} \end{bmatrix} + \begin{bmatrix} v_{k-1}\Delta t \cos\left(\theta_{k-1} + \frac{\omega_{k-1}\Delta t}{2}\right) \ v_{k-1}\Delta t \sin\left(\theta_{k-1} + \frac{\omega_{k-1}\Delta t}{2}\right) \ \omega_{k-1}\Delta t \end{bmatrix}$$

2. Thuật toán lọc Kalman mở rộng (EKF)

Ước lượng trạng thái hệ phi tuyến: $$x_k = f(x_{k-1}, u_k, w_k), \quad z_k = h(x_k, v_k)$$ với $w_k \sim \mathcal{N}(0, Q_k)$ và $v_k \sim \mathcal{N}(0, R_k)$ là nhiễu quá trình và nhiễu đo lường.

  • Pha cập nhật thời gian (Time Update / Prediction): $$\hat{x}k^- = f(\hat{x}{k-1}, u_k)$$ $$P_k^- = F_k P_{k-1} F_k^T + W_k Q_{k-1} W_k^T$$
  • Pha cập nhật đo lường (Measurement Update / Correction): $$K_k = P_k^- H_k^T (H_k P_k^- H_k^T + V_k R_k V_k^T)^{-1}$$ $$\hat{x}_k = \hat{x}_k^- + K_k (z_k - h(\hat{x}_k^-, 0))$$ $$P_k = (I - K_k H_k) P_k^-$$ trong đó $F_k, H_k, W_k, V_k$ là các ma trận Jacobian đạo hàm riêng của hàm $f$ và $h$.

3. Thuật toán lọc hạt (Particle Filter - PF)

Dựa trên nguyên lý lấy mẫu quan trọng (Importance Sampling) và xấp xỉ phân bố xác suất hậu nghiệm bằng tập hợp $N$ hạt ${x_k^{[i]}, w_k^{[i]}}{i=1}^N$: $$p(x_k | z{1:k}) \approx \sum_{i=1}^N w_k^{[i]} \delta(x_k - x_k^{[i]})$$ Trọng số chưa chuẩn hóa $\tilde{w}k^{[i]} \propto \frac{p(z_k | x_k^{[i]}) p(x_k^{[i]} | x{k-1}^{[i]})}{q(x_k^{[i]} | x_{k-1}^{[i]}, z_k)}$. Kỹ thuật lấy mẫu lại (Resampling) được áp dụng để loại bỏ các hạt có trọng số thấp và sao chép các hạt có trọng số cao, khắc phục hiện tượng suy thoái hạt.

4. Kỹ thuật dải đàn hồi phụ thuộc thời gian (Timed Elastic Band - TEB)

Quỹ đạo rời rạc hóa được tham số hóa thành vector trạng thái và các khoảng thời gian chuyển tiếp: $$B = [s_1, \Delta T_1, s_2, \Delta T_2, \dots, s_{N-1}, \Delta T_{N-1}, s_N]^T$$ Bài toán quy về tối ưu hóa phi tuyến (NLP): $$\min_B \sum_{k=1}^{N-1} \Delta T_k^2$$ thỏa mãn các ràng buộc:

  • Ràng buộc động học phi holonomic: $h_k(s_{k+1}, s_k) = 0$
  • Khoảng cách an toàn với vật cản: $o_k(s_k) \ge 0$
  • Giới hạn vận tốc: $\nu_k(s_{k+1}, s_k, \Delta T_k) \ge 0$
  • Giới hạn gia tốc: $\alpha_k(s_{k+1}, s_k, s_{k-1}, \Delta T_k, \Delta T_{k-1}) \ge 0$

Hàm mục tiêu tổng quát kết hợp các hàm phạt bậc hai được giải bằng thuật toán Levenberg-Marquardt (LM). Kỹ thuật mở rộng thám hiểm đa cấu trúc topo phân biệt sử dụng thuật toán tìm kiếm theo chiều sâu (DFS) và chỉ số H-Signature để loại bỏ các đường đi trùng lặp trước khi tối ưu hóa song song.

Phương pháp nghiên cứu và công cụ thực nghiệm

Luận án kết hợp phương pháp nghiên cứu lý thuyết (mô hình hóa toán học, xác suất thống kê, tối ưu hóa phi tuyến) với mô phỏng và thực nghiệm trên phần cứng thực tế.

Hạng mục Chi tiết phần cứng / Phần mềm sử dụng
Nền tảng mô phỏng Máy tính để bàn Intel Core i7, Hệ điều hành Ubuntu Linux, Phần mềm MATLAB, Môi trường mô phỏng Stage Robot Simulator.
Thư viện và Framework Robot Operating System (ROS), Thư viện xử lý ảnh OpenCV, Thư viện đám mây điểm Point Cloud Library (PCL), ROS Toolbox trong MATLAB.
Nền tảng Robot Eddie Robot dẫn động vi sai 2 bánh, trang bị Lidar Hokuyo UTM-30LX-EW (tầm đo 30,0 m, góc quét $270^\circ$, đặt tại độ cao 0,4 m), bộ mã hóa vòng quay bánh xe (độ phân giải $2,5^\circ$), cảm biến IMU, máy tính nhúng NVIDIA Jetson AGX Xavier Developer Kit.
Nền tảng Robot QBot-2e Robot dẫn động vi sai 2 bánh kèm 2 bánh caster, Lidar RPLIDAR A3 (tầm đo 25,0 m, góc quét $360^\circ$, độ phân giải $0,33^\circ$, đặt tại độ cao 0,45 m), bộ mã hóa vòng quay (2578 xung/vòng), cảm biến IMU (sử dụng thành phần góc hướng), máy tính nhúng NVIDIA Jetson TX2.

Nội dung chính theo từng chương

Chương 1: Introduction

Chương 1 thiết lập khung nghiên cứu tổng quan cho hệ thống điều hướng robot di động tự hành. Tác giả phân tích cấu trúc 4 khối chức năng (Perception, Localization, Motion Planning, Motor Control), tổng thuật các nghiên cứu trong nước và quốc tế, chỉ rõ các khoảng trống khoa học đối với hệ thống định vị khi tín hiệu bị suy giảm/mất kết nối và hệ thống lập kế hoạch quỹ đạo trong môi trường động chứa vật cản di động. Chương này xác định mục tiêu nghiên cứu, phương pháp luận kết hợp lý thuyết - mô phỏng - thực nghiệm, tóm tắt các đóng góp mới của luận án và bố cục 5 chương.

Chương 2: Background

Chương 2 trình bày chi tiết các nền tảng toán học và mô hình kỹ thuật cơ sở được sử dụng xuyên suốt luận án:

  • Thiết lập mô hình động học của robot vi sai và các phương trình chuyển trạng thái theo odometry và vận tốc.
  • Giới thiệu thông số kỹ thuật chi tiết của hai nền tảng robot phần cứng thực nghiệm: Eddie Mobile Robot và QBot-2e Mobile Robot tại Phòng thí nghiệm The-More-Than-One Robot (MoreLab), Đại học Prince Edward Island (UPEI, Canada).
  • Trình bày nguyên lý bộ lọc Bayes, cấu trúc thuật toán lọc Kalman mở rộng (EKF) với các bước cập nhật thời gian và đo lường.
  • Trình bày cấu trúc thuật toán lọc hạt (Particle Filter) và quy trình 3 bước: Lấy mẫu hạt (Sampling) $\rightarrow$ Tính trọng số quan trọng (Importance Weighting) $\rightarrow$ Lấy mẫu lại (Resampling).
  • Phân tích 3 thuật toán tránh vật cản kinh điển:
    1. Dynamic Window Approach (DWA): Không gian vận tốc $V_r = V_s \cap V_a \cap V_d$ và hàm tối ưu hóa $G(v, \omega) = \alpha \cdot \text{head}(v, \omega) + \beta \cdot \text{dist}(v, \omega) + \gamma \cdot \text{vel}(v, \omega)$.
    2. Hybrid Reciprocal Velocity Obstacles (HRVO): Mô hình hình học vùng cấm vận tốc và nguyên tắc chọn vận tốc an toàn $v^{hrvo}r = \arg\min{v \notin HRVO_r} |v - v^{pref}_r|^2$.
    3. Timed Elastic Band (TEB): Biểu diễn quỹ đạo kèm mốc thời gian, thiết lập bài toán tối ưu hóa phi tuyến NLP có ràng buộc và giải bằng Levenberg-Marquardt, cùng cơ chế lập kế hoạch song song trong các topo không gian phân biệt dựa trên đồ thị thám hiểm và H-Signature.

Chương 3: Sensor Data Fusion-Based Localization Algorithms

Chương 3 tập trung giải quyết bài toán nâng cao độ chính xác định vị bằng các thuật toán hợp nhất dữ liệu đa cảm biến (Lidar, IMU, Wheel Encoders):

  • Thuật toán định vị dựa trên EKF: Xây dựng cấu trúc hợp nhất dữ liệu dòng từ các cảm biến vào bộ lọc EKF trong trường hợp thông tin đo lường đầy đủ. Kết quả kiểm chứng qua các quỹ đạo mô phỏng (quỹ đạo hình sin - sinusoidal trajectory, quỹ đạo tròn - circular trajectory) và so sánh sai số vị trí (sai số trung bình - Mean Error, sai số toàn phương trung bình - Mean Square Error) giữa phương pháp đề xuất và các phương pháp hiện hữu.
  • Thuật toán định vị dựa trên Particle Filter (PF): Xây dựng thuật toán lọc hạt ứng dụng cho trường hợp tín hiệu cảm biến quan sát bị gián đoạn hoặc suy giảm nghiêm trọng. Kết quả mô phỏng cho thấy thuật toán duy trì được ước lượng vị thế của robot trong suốt giai đoạn mất tín hiệu.

Chương 4: Developing Efficient Motion Planning Systems

Chương 4 đề xuất ba thuật toán lập kế hoạch chuyển động cục bộ cải tiến và hệ thống điều hướng tích hợp:

  • Thuật toán EDWA (Enhanced Dynamic Window Approach): Cải tiến không gian tìm kiếm và hàm mục tiêu của DWA truyền thống nhằm xử lý các kịch bản môi trường động có 2 vật cản di động cắt ngang hoặc đi cùng chiều. Đánh giá qua khoảng cách vượt qua tối thiểu (minimum passing distance), vận tốc trung bình của robot và kiểm chứng thực nghiệm trên robot Eddie trang bị kit NVIDIA Xavier.
  • Thuật toán PTEB (Proactive Timed Elastic Band): Mở rộng kỹ thuật TEB bằng việc chủ động đưa thông tin dự đoán chuyển động của vật cản vào quá trình tối ưu hóa. Đánh giá trong kịch bản môi trường xã hội (social environment) với 3 vật cản động ($o_1, o_2$ cắt ngang, $o_3$ đi ngược hướng) và kịch bản hành lang (hallway scenario). So sánh chỉ số va chạm (collision index) giữa TEB truyền thống và PTEB.
  • Thuật toán ETEB (Extended Timed Elastic Band): Nâng cấp thuật toán PTEB nhằm tối ưu hóa đường đi và nâng cao tính trơn tru của quỹ đạo trong môi trường động phức tạp. So sánh chỉ số va chạm giữa PTEB và ETEB.
  • Hệ thống điều hướng tích hợp (Completed Navigation Framework): Tích hợp thuật toán định vị EKF với thuật toán tránh vật cản ETEB, kết hợp giải thuật lập đường đi toàn cục $A^*$ và mô-đun phát hiện, theo dõi người (Human detection and tracking). Hệ thống được cài đặt hoàn chỉnh và kiểm chứng thực nghiệm trên nền tảng robot QBot-2e trong môi trường thực tế.

Chương 5: Conclusions and Future Works

Chương 5 tổng kết các kết quả đạt được của luận án đối với hệ thống định vị và lập kế hoạch chuyển động, đồng thời nêu các định hướng nghiên cứu tiếp theo nhằm hoàn thiện hệ thống điều hướng tự hành cho robot di động trong môi trường phức tạp hơn.

Kết quả và những đóng góp mới

Các đóng góp mới của luận án

Theo công bố trong văn bản luận án, các đóng góp mới bao gồm:

  1. Đề xuất hai thuật toán định vị dựa trên hợp nhất dữ liệu đa cảm biến:
    • Thuật toán định vị dựa trên EKF giúp robot ước lượng vị trí với độ chính xác cao hơn so với các hệ thống định vị thông thường trong điều kiện thông tin cảm biến đầy đủ.
    • Thuật toán định vị dựa trên bộ lọc hạt (PF) cho phép robot xác định vị trí ổn định trong cả hai tình huống: môi trường có thông tin đo lường đầy đủ và tình huống tín hiệu cảm biến bị gián đoạn.
  2. Đề xuất ba thuật toán lập kế hoạch quỹ đạo cục bộ mới trong hệ thống lập kế hoạch chuyển động:
    • Thuật toán EDWA (Enhanced Dynamic Window Approach).
    • Thuật toán PTEB (Proactive Timed Elastic Band).
    • Thuật toán ETEB (Extended Timed Elastic Band). Các thuật toán này cho phép robot di động chủ động tránh các vật cản động, phòng ngừa va chạm tiềm tàng và di chuyển an toàn về đích mong muốn.
  3. Phát triển và thử nghiệm hệ thống điều hướng tích hợp hoàn chỉnh:
    • Kết hợp thuật toán định vị EKF với thuật toán tránh vật cản ETEB trên nền tảng phần cứng thực nghiệm (Eddie Robot và QBot-2e Robot kết hợp máy tính nhúng NVIDIA Xavier/TX2, Lidar, IMU, Encoders). Kết quả thực nghiệm khẳng định tính hiệu quả và tính khả thi của hệ thống trong môi trường động thực tế.
  4. Công bố khoa học:
    • Các kết quả nghiên cứu của luận án đã được công bố trong 5 công trình khoa học (gồm 2 bài báo hội nghị quốc tế, 2 bài báo tạp chí trong nước đã xuất bản và 1 bài báo tạp chí quốc tế thuộc danh mục ISI đã vượt qua vòng phản biện thứ 3).

Hạn chế và hướng nghiên cứu tiếp

Dựa trên phạm vi và nội dung được tác giả trình bày trong luận án, các hạn chế và định hướng phát triển gồm:

  • Phạm vi bề mặt di chuyển: Các mô hình động học và thuật toán hiện tại được xây dựng và kiểm chứng trên giả định mặt sàn phẳng (flat floor) trong môi trường trong nhà (indoor). Hướng nghiên cứu tiếp theo cần mở rộng cho các bề mặt gồ ghề hoặc địa hình 3D phức tạp.
  • Giả định về cảm nhận môi trường: Thuật toán bám vết và nhận dạng người/vật cản chủ yếu sử dụng dữ liệu từ Lidar quét 2D kết hợp PCL/OpenCV. Việc mở rộng tích hợp cảm biến thị giác 3D (3D Vision/RGB-D) và các mạng nơ-ron học sâu để nhận dạng phân loại chi tiết hành vi của vật thể động là hướng phát triển cần thiết.
  • Thời gian gián đoạn tín hiệu: Bộ lọc hạt (PF) đã cải thiện khả năng định vị khi mất tín hiệu tạm thời, tuy nhiên trong trường hợp tín hiệu cảm biến ngoài bị mất hoàn toàn trong khoảng thời gian rất dài, hiện tượng trôi vị trí do tích lũy sai số odometry vẫn cần các cơ chế tái định vị toàn cục (Global Relocalization) mạnh mẽ hơn.

Giá trị tham khảo

Luận án là tài liệu tham khảo chuyên môn cho các nhóm đối tượng:

  • Nghiên cứu sinh, học viên cao học, giảng viên chuyên ngành Kỹ thuật Điều khiển và Tự động hóa, Cơ điện tử, Khoa học Máy tính và Robot học: Tham khảo phương pháp xây dựng mô hình toán học động học robot vi sai, kỹ thuật tuyến tính hóa Jacobian trong EKF, cấu trúc giải thuật lọc hạt (PF), và kỹ thuật tối ưu hóa phi tuyến giải bằng Levenberg-Marquardt trong không gian liên kết TEB/H-Signature.
  • Kỹ sư nghiên cứu và phát triển (R&D) hệ thống Robot tự hành (AGV/AMR): Tham khảo kiến trúc phần mềm tích hợp trên nền tảng Robot Operating System (ROS), quy trình giao tiếp giữa ROS Toolbox trong MATLAB và máy tính nhúng NVIDIA Jetson (TX2, AGX Xavier), kỹ thuật hợp nhất dữ liệu từ Lidar, Encoders, IMU và thuật toán tránh vật cản chủ động trong nhà xưởng hoặc môi trường dịch vụ có người qua lại.

Câu hỏi thường gặp

1. Hai nền tảng robot thực nghiệm được sử dụng trong luận án có cấu hình phần cứng như thế nào?

Luận án sử dụng hai nền tảng robot bánh xe vi sai tại Phòng thí nghiệm The-More-Than-One Robot (MoreLab, Đại học Prince Edward Island, Canada):

  • Eddie Mobile Robot: Trang bị Lidar Hokuyo UTM-30LX-EW (tầm đo 30 m, góc mở $270^\circ$, độ cao 0,4 m), hai bộ mã hóa bánh xe độ phân giải $2,5^\circ$, cảm biến IMU, máy tính nhúng NVIDIA Jetson AGX Xavier Developer Kit, kết nối máy tính qua Wi-Fi router bằng ROS Toolbox trong MATLAB.
  • QBot-2e Mobile Robot: Gồm 2 bánh chủ động và 2 bánh caster, bộ mã hóa độ phân giải 2578 xung/vòng, cảm biến IMU (lấy thành phần góc hướng), Lidar RPLIDAR A3 (tầm đo 25 m, góc mở $360^\circ$, độ phân giải $0,33^\circ$, độ cao 0,45 m), máy tính nhúng NVIDIA Jetson TX2 Developer Kit.

2. Sự khác biệt cốt lõi giữa thuật toán DWA truyền thống và thuật toán EDWA đề xuất là gì?

Thuật toán DWA truyền thống tính toán không gian vận tốc cho phép $V_r = V_s \cap V_a \cap V_d$ và tối ưu hóa hàm mục tiêu dựa trên khoảng cách tới vật cản gần nhất nhưng giả định vật cản là tĩnh và chỉ xét chuyển động tiến, dẫn đến việc dễ rơi vào cực tiểu cục bộ và không chủ động phòng tránh va chạm từ xa. Thuật toán EDWA cải tiến cấu trúc tìm kiếm không gian vận tốc và hàm đánh giá nhằm tính toán trước chuyển động của vật cản động, nâng cao khoảng cách vượt an toàn tối thiểu và duy trì vận tốc ổn định cho robot trong môi trường có chướng ngại vật di chuyển cắt ngang hoặc cùng chiều.

3. Thuật toán PTEB và ETEB giải quyết hạn chế nào của kỹ thuật TEB song song truyền thống?

Kỹ thuật TEB song song của Rosmann et al. tối ưu hóa quỹ đạo có xét ràng buộc động lực học và thời gian trong các cấu trúc topo phân biệt (dựa trên H-Signature), nhưng chỉ sử dụng vị trí tĩnh của vật cản tại mỗi chu kỳ mà không tích hợp khả năng dự đoán va chạm tiềm tàng trong không gian vận tốc. PTEB (Proactive TEB) và ETEB (Extended TEB) bổ sung cơ chế dự đoán va chạm chủ động với vật cản động vào hàm mục tiêu tối ưu hóa, giúp robot chuyển đổi quỹ đạo mượt mà và giảm thiểu chỉ số va chạm (collision index) trong các môi trường phức tạp (như không gian xã hội có nhiều người đi lại hoặc hành lang hẹp).

4. Luận án sử dụng những công cụ phần mềm và thư viện lập trình nào để xây dựng và kiểm chứng hệ thống?

Hệ thống được lập trình bằng ngôn ngữ C/C++ và môi trường tính toán MATLAB trên hệ điều hành Ubuntu Linux. Khung phần mềm trung gian cốt lõi là Robot Operating System (ROS) kết hợp ROS Toolbox trong MATLAB. Các công cụ mô phỏng và xử lý dữ liệu gồm có Stage Robot Simulator, Thư viện thị giác máy tính OpenCV và Thư viện xử lý đám mây điểm Point Cloud Library (PCL).

Kết luận

Luận án tiến sĩ của tác giả Nguyễn Thị Lan Anh đã giải quyết đồng thời hai bài toán trọng tâm trong điều hướng robot di động bánh xe vi sai: nâng cao độ chính xác định vị bằng hợp nhất đa cảm biến (ngay cả khi tín hiệu bị ngắt quãng) và phát triển các thuật toán lập kế hoạch chuyển động cục bộ chủ động tránh va chạm trong môi trường động (EDWA, PTEB, ETEB). Toàn bộ hệ thống điều hướng tích hợp (EKF kết hợp ETEB) đã được triển khai hoàn chỉnh trên nền tảng phần mềm ROS và kiểm chứng thực nghiệm thành công trên các phần cứng robot thực tế (Eddie và QBot-2e). Các kết quả nghiên cứu đã được công bố trên 5 bài báo khoa học chuyên ngành trong nước và quốc tế.