Tổng quan về luận án

Nghiên cứu điều khiển robot dựa trên thị giác máy tính (Visual Servoing) là một trong những trụ cột cốt lõi của kỹ thuật điều khiển và tự động hóa hiện đại. Luận án tiến sĩ kỹ thuật với đề tài "Nghiên cứu điều khiển rô bốt tay máy di động bám mục tiêu trên cơ sở sử dụng thông tin hình ảnh" do nghiên cứu sinh Lê Văn Chung thực hiện tại Học viện Khoa học và Công nghệ – Viện Hàn lâm Khoa học và Công nghệ Việt Nam (chuyên ngành Kỹ thuật điều khiển và tự động hóa, mã số 9.16), dưới sự hướng dẫn khoa học của PGS.TSKH Phạm Thượng Cát và TS. Phạm Minh Tuấn, đã giải quyết căn cơ các bài toán điều khiển phi tuyến phức tạp khi đối tượng di chuyển tự do trong không gian 3D.

Trong môi trường phi cấu trúc, các hệ thống điều khiển visual servoing truyền thống thường đối mặt với ba rào cản kỹ thuật lớn:

  1. Sự suy biến của ma trận Jacobian ảnh ($J_{imag}$) khi sử dụng hệ hai camera (Stereo Camera) dẫn đến xuất hiện các điểm kỳ dị (singularities) lúc tính toán giả nghịch đảo;
  2. Sự tồn tại tất yếu của các tham số bất định (uncertainties) trong mô hình động học, động lực học robot và ma trận biến đổi tọa độ ảnh;
  3. Khó khăn trong việc tích hợp điều khiển đồng thời động lực học của hệ phức hợp đa bậc tự do gồm tay máy Pan-Tilt và robot di động (Mobile Manipulator).

Nhằm lấp đầy khoảng trống nghiên cứu (research gap) này, luận án tập trung kiểm chứng hai giả thuyết khoa học trung tâm:

  • Giả thuyết H1: Việc thiết lập mô hình không gian 3D thông qua hệ camera ảo cho phép chuyển đổi ma trận Jacobian ảnh từ dạng không vuông ($3 \times 6$) sang ma trận vuông khả nghịch ($3 \times 3$), triệt tiêu hoàn toàn các điểm kỳ dị mà không làm mất mát thông tin hình học của mục tiêu.
  • Giả thuyết H2: Sự tích hợp mạng nơ-ron hàm cơ sở xuyên tâm (RBF - Radial Basis Function) với luật thích nghi học trực tuyến (online learning rule) có khả năng tự động bù sai lệch mô hình và triệt tiêu nhiễu ngoài ngay cả khi tham số cấu trúc hệ thống chỉ được nhận dạng chính xác ở mức 80%.

Phạm vi thực nghiệm và mô phỏng của công trình được định lượng trên nền tảng bệ Pan-Tilt công nghiệp PTU-D48E-Series (góc quay Pan từ $-188^\circ$ đến $+188^\circ$, góc Tilt từ $-90^\circ$ đến $+30^\circ$), phối hợp hệ cảm biến thị giác stereo EyeRIS 2.1 với độ phân giải $176 \times 144$ pixels (kích thước điểm ảnh $1\text{ pixel} = 35,\mu\text{m}$), gắn trên nền tảng robot di động vi sai 3 bánh (2 bánh chủ động).

Literature Review và Positioning

Lịch sử phát triển của hệ thống servo thị giác ghi nhận sự phân nhánh rõ rệt giữa hai trường phái: hệ thống đơn camera (Monocular Visual Servoing) và hệ thống đa camera (Stereo Visual Servoing). Các nghiên cứu đơn camera của Oscar et al. (2012), Ngô Mạnh Tiến và cộng sự (2013), Nguyễn Văn Tính và cộng sự (2014) chỉ trích xuất được thông tin góc hướng của mục tiêu trong mặt phẳng cố định 2D, buộc phải tích hợp thêm cảm biến khoảng cách rời rạc (như siêu âm hoặc laser) hoặc đặt ra các ràng buộc hình học khắt khe.

Để khắc phục nhược điểm này, trường phái stereo camera (Masaaki Shibata, Hideki Eto, Masahide Ito, 2008; Widodo Budiharto et al., 2011; Tae-Il Kim et al., 2013) sử dụng hai camera song song nhằm tái tạo tọa độ 3D đầy đủ gồm $(X, Y, Z)$ từ độ lệch pha ảnh (disparity). Tuy nhiên, khi kết hợp hệ stereo camera lên khâu tác động cuối của robot, ma trận Jacobian ảnh $J_{imag}(m)$ có kích thước $3 \times 6$:

$$J_{imag}(m) \in \mathbb{R}^{3 \times 6}$$

Khi nhân với ma trận Jacobian của robot Pan-Tilt $J_{robot}(q) \in \mathbb{R}^{6 \times 2}$, ma trận tổng hợp $J = J_{imag} J_{robot}$ trở thành ma trận $3 \times 2$. Phép nghịch đảo bắt buộc phải sử dụng dạng ma trận giả nghịch đảo Moore-Penrose:

$$\hat{J}^+ = (\hat{J}^T \hat{J})^{-1} \hat{J}^T$$

Điều này tạo ra các điểm kỳ dị toán học nghiêm trọng. Cụ thể, khi đối tượng cơ động phức tạp (như chuyển động tròn hay đổi hướng đột ngột), định thức suy biến dẫn đến tín hiệu điều khiển vận tốc khớp $q$ bùng nổ ra vô cùng, làm mất khả năng bám bắt.

[Thiếu thông tin Z]         [Cần cảm biến phụ]   [Tọa độ 3D đầy đủ]          [Jacobian không vuông 3x6]
                                                                     [Kỳ dị giả nghịch đảo Moore-Penrose]

Trong nghiên cứu của Cai, C. và cộng sự (IEEE/RSJ IROS, 2014), giải pháp ma trận Jacobian ảnh đầy đủ được đề xuất nhưng chỉ áp dụng tĩnh cho hệ camera cố định bắt điểm công nghiệp. Đối với hệ thống camera di động quay quét chủ động trên tay máy và robot tự hành, việc loại bỏ suy biến vẫn là bài toán chưa có lời giải triệt để.

Luận án của NCS. Lê Văn Chung đã định vị đột phá bằng cách thiết lập mô hình camera 3D ảo cho hệ quay quét, đồng thời giải quyết triệt để sự bất định động học và động lực học bằng mạng nơ-ron RBF kết hợp bộ điều khiển trượt tính mô-men (Computed Torque Controller - CTC) và tối ưu hóa tuyến tính bậc hai (LQR).

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đã tạo ra những bước tiến vững chắc bổ sung vào lý thuyết điều khiển tự động và robot học thông qua 4 đóng góp cốt lõi:

  1. Mở rộng định lý xấp xỉ phổ quát Stone-Weierstrass: Luận án áp dụng mạng nơ-ron RBF 3 lớp với thuật học cập nhật trọng số trực tuyến (online weight adaptation law) dạng: $$\dot{w}_i = \gamma \varepsilon_i \sigma(\varepsilon)$$ để xấp xỉ liên tục thành phần phi tuyến bất định tổng hợp $f(q, \dot{q}, d) \in \mathbb{R}^3$, loại bỏ hoàn toàn yêu cầu phải nhận dạng chính xác ma sát Coulomb, ma sát nhớt hay mô-men quán tính trục khớp.
  2. Chứng minh ổn định tiệm cận toàn cục theo chuẩn Lyapunov và Bổ đề Barbalat: Xây dựng hàm ứng tuyển Lyapunov mở rộng kết hợp vector sai lệch bám $\varepsilon = m - m_d$ và ma trận trọng số mạng nơ-ron $W$: $$V(\varepsilon, W) = \frac{1}{2}\varepsilon^T \varepsilon + \frac{1}{2\gamma}\sum_{i=1}^3 w_i^T w_i$$ Đạo hàm bậc nhất $\dot{V} \le -\varepsilon^T K \varepsilon \le 0$ chứng minh sai lệch bám hội tụ tiệm cận về 0 ($\lim_{t \to \infty} \varepsilon(t) = 0$).
  3. Thiết lập mô hình không gian trạng thái camera 3D ảo: Chuyển đổi không gian ảnh từ hai khung tọa độ phẳng rời rạc $O_L$ và $O_R$ về một hệ tọa độ quy chiếu ảo $O_v X_v Y_v Z_v$, chuẩn hóa ma trận Jacobian ảnh thành ma trận vuông bậc ba khả nghịch: $$\det(J_{imag}^{3D}) \neq 0, \quad \forall Z_c > 0$$
  4. Hợp nhất phương trình động lực học hệ phức hợp Mobile Manipulator 4 bậc tự do: Tích hợp mô hình động lực học của đế robot di động 2 bánh vi sai và bệ Pan-Tilt 2 khớp vào một phương trình vi phân phi tuyến duy nhất dạng Lagrange: $$M(q)\ddot{q} + C(q, \dot{q})\dot{q} + G(q) + d(t) = \tau$$

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp đa tầng ba lý thuyết nền tảng: Lý thuyết Thị giác máy tính hình học (Epipolar & Projective Geometry), Lý thuyết Mạng nơ-ron nhân tạo thích nghi (Adaptive Neural Networks), và Lý thuyết Điều khiển tối ưu phi tuyến (Optimal & Robust Control Theory).

                                  KHUNG PHÂN TÍCH ĐỘC ĐÁO CỦA LUẬN ÁN

Ranh giới biên (boundary conditions) được xác định rõ ràng: các thành phần nhiễu $d(t)$ và sai số xấp xỉ nơ-ron $\beta$ luôn bị chặn ($|\beta| \le \beta_0, |d(t)| \le d_0$), khoảng cách mục tiêu luôn nằm trong vùng thị trường chung của 2 camera ($Z_c \in [0.5\text{m}, 10\text{m}]$).

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Công trình áp dụng trường phái thực chứng định lượng (Quantitative Positivism) kết hợp phương pháp mô hình hóa toán học giải tích và mô phỏng số học bán thực (Hardware-in-the-loop validation).

Hệ thống điều khiển được thiết kế theo cấu trúc phân cấp đa tầng (Multi-level Architecture):

  • Cấp độ 1 (Image Processing Level): Trích xuất tọa độ điểm đặc trưng $m = [U_L, V_L, U_R]^T$ trong không gian ảnh với tần số lấy mẫu cao;
  • Cấp độ 2 (Kinematic & Neural Estimation Level): Mạng RBF ước lượng thành phần bất định $\hat{f}$ và tái tạo vận tốc đặt $v_d$;
  • Cấp độ 3 (Dynamic Execution Level): Bộ điều khiển CTC/LQR sinh mô-men $\tau = [\tau_R, \tau_L, \tau_{pan}, \tau_{tilt}]^T$ tác động trực tiếp lên các động cơ chấp hành.
                           SƠ ĐỒ CẤU TRÚC PHÂN CẤP ĐIỀU KHIỂN (MULTI-LEVEL)

Quy trình nghiên cứu

Quy trình nghiên cứu tuân thủ tính chặt chẽ học thuật:

  1. Thiết lập mô hình động học vi phân: Thiết lập ma trận biến đổi đồng nhất Denavit-Hartenberg (D-H) từ hệ tọa độ gốc $O_0 X_0 Y_0 Z_0$ qua các khớp $O_1$ đến hệ tọa độ camera $O_c X_c Y_c Z_c$: $$^0 R_C = , ^0 R_1 , ^1 R_C = \begin{bmatrix} C_1 C_2 & -C_1 S_2 & -S_1 & l_2 C_1 C_2 \ S_1 C_2 & -S_1 S_2 & C_1 & l_2 S_1 C_2 \ -S_2 & -C_2 & 0 & l_1 + l_2 S_2 \ 0 & 0 & 0 & 1 \end{bmatrix}$$
  2. Kỹ thuật Triangulation: Tính toán hình học không gian xác định tọa độ thực $Q(X, Y, Z)$ từ các cặp điểm ảnh: $$X = \frac{K \cdot V_L}{U_R - U_L}, \quad Y = \frac{f \cdot K}{U_R - U_L}, \quad Z = \frac{K (U_L + U_R)}{2 (U_R - U_L)}$$ với $K$ là khoảng cách trục giữa 2 camera và $f$ là tiêu cự thấu kính.
  3. Thiết kế thuật toán tối ưu thông số: Sử dụng thuật toán di truyền (Genetic Algorithm - GA) để tối ưu hóa vector trọng tâm $c_j$ và độ rộng $\sigma_j$ của hàm kích hoạt Gaussian trong lớp ẩn mạng RBF: $$\sigma_j(\varepsilon) = \exp\left(-\frac{|\varepsilon - c_j|^2}{2 \sigma_j^2}\right)$$

Phân tích và kiểm chứng mô hình

Quá trình kiểm chứng được lập trình và mô phỏng trên nền tảng MATLAB/Simulink. Luận án đưa ra kịch bản kiểm tra độ bền vững (Robustness Stress Testing) khắc nghiệt:

  • Tham số định danh ban đầu $\hat{J}$ chỉ phản ánh 80% giá trị thực của hệ thống ($\Delta J = 20%$).
  • Nhiễu đo lường ngẫu nhiên và nhiễu ngoại lực $d(t)$ được bơm trực tiếp vào kênh điều khiển.
  • Đánh giá định lượng thông qua chỉ số tích phân sai số tuyệt đối (IAE) và độ lệch chuẩn pixel sai lệch bám ảnh.

Phát hiện đột phá và implications

Những phát hiện then chốt

Kết quả mô phỏng và thực nghiệm đối chứng trong luận án đã khẳng định tính ưu việt vượt trội của các thuật toán đề xuất:

  1. Triệt tiêu hoàn toàn hiện tượng mất bám tại điểm kỳ dị: Khi mục tiêu cơ động theo quỹ đạo đường tròn không gian, hệ thống điều khiển thông thường không có camera ảo bị suy biến ma trận Jacobian, dẫn đến sai số bám vọt lố và mất dấu hoàn toàn tại tọa độ góc quay tới hạn. Ngược lại, thuật toán sử dụng ma trận Jacobian vuông 3D ảo duy trì bám bám trơn tru với sai số tiến về 0.
  2. Hiệu năng vượt trội của bộ bù nơ-ron RBF: Trong điều kiện mô hình bất định 20% và mục tiêu chuyển động thẳng thay đổi vận tốc, bộ điều khiển cổ điển (không có mạng nơ-ron bù, $u_1 = 0$) để lại sai số xác lập kéo dài từ $15$ đến $25\text{ pixels}$. Khi kích hoạt mạng nơ-ron RBF với thuật học on-line, sai số tọa độ ảnh $\varepsilon$ nhanh chóng triệt tiêu về $0\text{ pixel}$ chỉ sau thời gian quá độ ngắn ($t < 0.8\text{s}$).
  3. So sánh hai thuật toán điều khiển động lực học hệ phức hợp:
    • Bộ điều khiển trượt CTC (Sliding Mode Computed Torque Control) có khả năng kháng nhiễu mạnh nhưng tồn tại hiện tượng chattering nhẹ ở tín hiệu điều khiển mô-men.
    • Bộ điều khiển tối ưu theo chuẩn bình phương tối thiểu (LQR) cho đáp ứng tối ưu toàn diện hơn cả về độ chính xác bám quỹ đạo lẫn việc tiết kiệm năng lượng tiêu hao trên các động cơ bánh xe và khớp Pan-Tilt.
Chỉ số đánh giá Bộ điều khiển PD truyền thống Bộ điều khiển RBF Kinematic Bộ điều khiển Trượt CTC Bộ điều khiển Tối ưu LQR
Khả năng kháng bất định mô hình (20%) Kém (Sai số $> 20\text{ px}$) Tốt (Sai số $\to 0\text{ px}$) Rất tốt ($\to 0\text{ px}$) Tuyệt đối ($\to 0\text{ px}$)
Xử lý kỳ dị Jacobian Mất bám khi quay tròn Bị ảnh hưởng cục bộ Triệt tiêu (Dùng Virtual 3D) Triệt tiêu (Dùng Virtual 3D)
Năng lượng tiêu hao mô-men ($\int \tau^2 dt$) Cao Không xét động lực học Trung bình (có chattering) Tối ưu nhất (Thấp nhất)
Thời gian xác lập ($t_s$) $> 3.5\text{s}$ $1.2\text{s}$ $0.8\text{s}$ $0.5\text{s}$ 
                       ĐÁP ỨNG QUÁ ĐỘ SAI SỐ BÁM ẢNH (PIXELS) THEO THỜI GIAN
   Sai số (px)
      0      0.5     1.0     1.5     2.0     2.5     3.0

Trích dẫn dữ liệu minh chứng từ luận án

Dưới đây là 3 minh chứng trích dẫn trực tiếp từ văn bản luận án khẳng định tính chính xác của các phát hiện:

[!NOTE] "Xây dựng 1 phương pháp để thiết lập ma trận Jacobian ảnh vuông cho hệ stereo camera giúp hệ rô bốt – stereo camera theo dõi được các đối tượng có chuyển động phức tạp dễ dàng hơn." (Trích Chương 1, Mục Những điểm mới của luận án).

[!IMPORTANT] "Bộ điều khiển này hoạt động tốt ngay cả khi tham số mô hình chỉ chắc chắn được 80% và ngay cả khi có các yếu tố bên ngoài tác động vào." (Trích Chương 1, Mục Những điểm mới của luận án).

[!TIP] "Xây dựng mô hình động lực học cho hệ gồm rô bốt di động – hệ pan-tilt mang dụng 2 camera và 2 thuật toán điều khiển trong đó: 01 bộ điều khiển trượt và 01 bộ điều khiển tối ưu theo chuẩn tối ưu bình phương tối thiểu cho hệ kết hợp hai rô bốt gồm hệ pan-tilt stereo camera và rô bốt di động." (Trích Chương 1, Mục Những điểm mới của luận án).

Implications đa chiều

  • Về mặt lý thuyết: Cung cấp phương pháp luận mới trong việc giải quyết bài toán kỳ dị không gian ảnh cho hệ thị giác stereo di động, làm cầu nối giữa lý thuyết điều khiển phi tuyến và thị giác máy tính.
  • Về mặt kỹ thuật ứng dụng: Cho phép các kỹ sư robot thiết kế bộ điều khiển cho các cơ cấu tay máy - xe tự hành giá thành thấp, không đòi hỏi khâu gia công cơ khí chính xác tuyệt đối hoặc cảm biến đo lường đắt tiền nhờ khả năng bù thông minh của mạng nơ-ron RBF.
  • Về mặt chuyển giao công nghệ: Thuật toán có khả năng đóng gói thành các thư viện điều khiển thời gian thực tích hợp trực tiếp trên các hệ thống nhúng (như NVIDIA Jetson, Raspberry Pi kết hợp PLC/DSP).

Limitations và Future Research

Mặc dù đạt được những kết quả xuất sắc, luận án vẫn thẳng thắn chỉ ra các giới hạn nghiên cứu nội tại:

  1. Phạm vi xử lý ảnh: Nghiên cứu tập trung giải quyết bài toán điều khiển tự động dựa trên tọa độ đặc trưng điểm ảnh đầu vào ($U, V$), chưa tích hợp sâu các thuật toán học sâu (Deep Learning) nhận dạng phân đoạn ảnh thời gian thực khi nền ảnh bị nhiễu loạn thị giác mạnh hoặc mục tiêu bị che khuất một phần (occlusion).
  2. Ràng buộc động học tiếp xúc: Mô hình robot di động giả định bánh xe lăn không trượt (pure rolling without slipping), chưa tính đến hiện tượng trượt ngang (side slip) và trượt dọc khi robot cơ động ở vận tốc cao trên địa hình gồ ghề.
  3. Môi trường thử nghiệm: Các kiểm chứng phần lớn được thực hiện thông qua mô phỏng toán học chi tiết trên MATLAB/Simulink với các thông số vật lý thực của PTU-D48E và EyeRIS 2.1, cần mở rộng thử nghiệm thực địa đa dạng hơn.

Định hướng nghiên cứu phát triển tiếp theo:

  • Tích hợp mạng nơ-ron tích chập (CNN) kết hợp bộ lọc Kalman mở rộng (EKF) để tăng cường khả năng tự học nhận dạng đối tượng mục tiêu trong môi trường ánh sáng thay đổi.
  • Bổ sung mô hình trượt bánh xe phi tuyến vào hệ phương trình động lực học tổng thể của Mobile Manipulator.
  • Nghiên cứu phát triển thuật toán điều khiển cộng tác bám mục tiêu cho hệ đa robot di động (Multi-Agent Mobile Robots) sử dụng mạng stereo camera phân tán.

Tác động và ảnh hưởng

Luận án đã đóng góp 07 công trình khoa học công bố trên các tạp chí và kỷ yếu hội nghị chuyên ngành uy tín quốc tế và trong nước:

  • 01 bài báo trên International Journal of Imaging and Robotics (2018);
  • 01 công trình tại Hội nghị quốc tế IEEE Advanced Intelligent Mechatronics (AIM) tại Canada (2016);
  • 01 công trình tại Hội nghị quốc tế Springer ICTA (2016);
  • 02 bài báo trên Tạp chí Tin học và Điều khiển học và Tạp chí KH&CN - Đại học Thái Nguyên;
  • 02 công trình tại Hội nghị toàn quốc VCCA và VCM.

Về mặt công nghệ, công trình mở ra tiềm năng ứng dụng trực tiếp trong các ngành công nghiệp mũi nhọn:

  • An ninh - Quốc phòng: Hệ thống quang điện tử tự động phát hiện, bám bắt và theo dõi mục tiêu bay hoặc phương tiện cơ động mặt đất.
  • Y tế và Dịch vụ: Robot hỗ trợ phẫu thuật tự động định vị dụng cụ y tế; robot dịch vụ thông minh tự hành dẫn đường và vận chuyển hàng hóa trong bệnh viện, sân bay.
  • Nông nghiệp thông minh: Robot thu hoạch nông sản tự động nhận diện và vươn tay máy hái quả chính xác trong không gian 3D.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giảng viên ngành Điều khiển - Tự động hóa, Cơ điện tử: Tiếp cận phương pháp chứng minh tính ổn định Lyapunov chặt chẽ cho hệ thống điều khiển phi tuyến kết hợp mạng nơ-ron nhân tạo và kỹ thuật xử lý ma trận Jacobian ảnh.
  • Kỹ sư R&D Robot công nghiệp: Khai thác thuật toán camera 3D ảo và cấu trúc điều khiển trượt CTC/LQR để triển khai trên các cánh tay máy công nghiệp gắn camera (Eye-in-Hand hoặc Eye-to-Hand).
  • Các doanh nghiệp chế tạo thiết bị thông minh & xe tự hành (AGV/AMR): Ứng dụng giải pháp điều khiển bám mục tiêu chính xác cao với chi phí phần cứng tối ưu.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và nó mở rộng lý thuyết nào?

Đóng góp độc đáo nhất là việc xây dựng Mô hình Camera 3D Ảo để thiết lập ma trận Jacobian ảnh vuông ($3 \times 3$) khả nghịch cho hệ stereo camera gắn trên bệ Pan-Tilt quay quét. Công trình mở rộng lý thuyết Visual Servoing cổ điển (vốn dĩ ma trận ảnh là $3 \times 6$ dẫn đến suy biến ma trận $3 \times 2$ khi qua bệ Pan-Tilt), kết hợp định lý xấp xỉ Stone-Weierstrass để chứng minh ổn định tiệm cận toàn cục theo Lyapunov.

2. Sự đổi mới về phương pháp luận so với các nghiên cứu quốc tế tiền nhiệm?

So với nghiên cứu của Cai et al. (IROS 2014) chỉ áp dụng ma trận Jacobian vuông cho stereo camera cố định, và nghiên cứu của Widodo Budiharto et al. (2011) sử dụng camera cố định trên robot di động không có khớp quay quét chủ động, luận án đã giải quyết bài toán khó hơn gấp nhiều lần: thiết lập mô hình động lực học hợp nhất 4 bậc tự do cho hệ vừa di động vừa quay quét, triệt tiêu kỳ dị toán học và bù tham số bất định 20% bằng mạng RBF online.

3. Phát hiện bất ngờ nhất từ dữ liệu mô phỏng là gì?

Bộ điều khiển tối ưu LQR khi kết hợp với ma trận Jacobian ảnh vuông ảo không chỉ cho sai số bám ảnh tiệm cận $0\text{ pixel}$ nhanh nhất ($0.5\text{s}$) mà còn loại bỏ hoàn toàn hiện tượng rung lắc mô-men (chattering) vốn là nhược điểm cố hữu của phương pháp điều khiển trượt truyền thống, giúp tiết kiệm đáng kể năng lượng tiêu thụ trên cơ cấu chấp hành.

4. Giao thức tái lập (Replication Protocol) có được cung cấp đầy đủ không?

Luận án cung cấp tường minh toàn bộ hệ thống tham số vật lý của bệ Pan-Tilt PTU-D48E, thông số ống kính tiêu cự camera EyeRIS 2.1, các ma trận biến đổi tọa độ D-H, cấu trúc mạng nơ-ron RBF và các phương trình vi phân động lực học trong phụ lục, đảm bảo khả năng tái lập mô phỏng $100%$ trên môi trường MATLAB/Simulink.

5. Lộ trình phát triển nghiên cứu 10 năm tiếp theo được định hình như thế nào?

Lộ trình hướng tới việc chuyển đổi từ bài toán bám điểm đặc trưng hình học sang bài toán Semantic Visual Servoing (Điều khiển servo thị giác dựa trên ngữ nghĩa học sâu), tích hợp mạng học tăng cường sâu (Deep Reinforcement Learning) và mở rộng cho đội hình đa robot tự hành phối hợp (Swarm Robotics).

Kết luận

Luận án tiến sĩ của NCS. Lê Văn Chung là một công trình nghiên cứu khoa học công phu, chuẩn mực và mang tính đột phá cao trong lĩnh vực Kỹ thuật Điều khiển và Tự động hóa.

Năm đóng góp cốt lõi định hình giá trị của luận án bao gồm:

  1. Thiết lập thành công phương pháp xây dựng ma trận Jacobian ảnh vuông ($3 \times 3$) thông qua mô hình camera 3D ảo, loại bỏ triệt để điểm kỳ dị cho hệ Pan-Tilt Stereo Camera.
  2. Thiết kế bộ điều khiển mạng nơ-ron RBF với luật học on-line thích nghi, bù hoàn toàn các tham số bất định và nhiễu ngoài với độ tin cậy mô hình chỉ cần đạt 80%.
  3. Xây dựng mô hình toán học động lực học hợp nhất cho hệ phức hợp robot di động và bệ Pan-Tilt Stereo Camera (Mobile Manipulator 4 bậc tự do).
  4. Đề xuất và so sánh thành công hai thuật toán điều khiển động lực học tiên tiến: Bộ điều khiển thích nghi trượt CTC và Bộ điều khiển tối ưu theo chuẩn bình phương tối thiểu LQR.
  5. Chứng minh toán học chặt chẽ tính ổn định tiệm cận toàn cục bằng phương pháp Lyapunov và Bổ đề Barbalat, được kiểm chứng toàn diện qua 07 công trình công bố uy tín trong nước và quốc tế.