Nghiên cứu thuật toán tối ưu bầy ong trong hoạch định đường đi và phân cụm động cho hệ robot

Luận án tiến sĩ: Tối ưu bầy ong trong hoạch định đường đi và phân cụm hệ robot - ĐH Công nghệ

• Tác giả: Trương Xuân Hùng
• Người hướng dẫn: PGS.TS. Phạm Mạnh Thắng
• Trường học: Đại học Quốc gia Hà Nội, Trường Đại học Công nghệ
• Chuyên ngành: Cơ kỹ thuật
• Đề tài: Nghiên cứu thuật toán tối ưu bầy ong trong hoạch định đường đi và phân cụm động cho hệ robot
• Loại tài liệu: Luận án tiến sĩ
• Năm xuất bản: 2026
• Địa điểm: Hà Nội

Tóm tắt

I. Tổng quan nghiên cứu tối ưu bầy ong hoạch định đường đi hệ robot

Hoạch định đường đi đóng vai trò cốt lõi trong vận hành hệ thống robot tự hành. Robot cần tự động xác định lộ trình di chuyển tối ưu từ điểm xuất phát đến đích. Lộ trình này phải đảm bảo tiêu chí ngắn nhất, an toàn và không xảy ra va chạm. Môi trường hoạt động của robot thường xuyên thay đổi với nhiều vật cản phức tạp. Các phương pháp cổ điển như đồ thị Voronoi hay trường thế nhân tạo bộc lộ nhiều điểm hạn chế khi số bậc tự do gia tăng. Thuật toán tối ưu bầy ong nhân tạo nổi lên như một công cụ giải toán vượt trội. Phương pháp này mô phỏng tập tính tìm kiếm nguồn mật thông minh của bầy ong tự nhiên. Quần thể ong chia thành ba nhóm chức năng gồm ong thợ, ong theo dõi và ong trinh sát. Sự phối hợp linh hoạt giữa các nhóm tạo nên khả năng tìm kiếm toàn cục mạnh mẽ. Thuật toán cân bằng tốt giữa việc khám phá vùng không gian mới và khai thác vùng nghiệm tiềm năng. Nhờ đó, phương pháp tránh được tình trạng mắc kẹt tại cực trị địa phương. Luận án tiến sĩ tại Trường Đại học Công nghệ năm 2026 đã kế thừa và phát triển nền tảng này nhằm nâng cao độ chính xác quỹ đạo cho hệ robot.

1.1. Khái niệm cơ bản về thuật toán tối ưu bầy ong

Thuật toán tối ưu bầy ong nhân tạo bắt nguồn từ cơ chế chia sẻ thông tin sinh học. Mỗi nguồn thức ăn đại diện cho một vị trí nghiệm khả dĩ trong không gian tìm kiếm. Lượng mật hoa tương ứng với giá trị thích nghi của hàm mục tiêu đề ra. Ba nhóm ong phối hợp nhịp nhàng theo chu kỳ lặp xác định. Ong thợ chịu trách nhiệm khai thác các vị trí lân cận và đánh giá chất lượng nguồn thức ăn. Ong theo dõi nhận thông tin thông qua điệu múa lắc bụng và chọn lọc nguồn mật giàu tiềm năng nhất. Khi một nguồn thức ăn cạn kiệt, ong trinh sát lập tức khởi tạo tìm kiếm ngẫu nhiên mới. Cơ chế này duy trì tính đa dạng quần thể và nâng cao hiệu suất hội tụ nghiệm.

1.2. Tầm quan trọng của hoạch định đường đi cho hệ robot

Hoạch định đường đi bảo đảm sự an toàn và tính kinh tế của toàn bộ hệ robot. Trong môi trường công nghiệp hiện đại, robot tự hành vận chuyển vật liệu liên tục. Đường đi ngắn giúp giảm thời gian chu kỳ làm việc và tiết kiệm năng lượng tiêu thụ. Lộ trình tối ưu còn làm giảm hao mòn cơ khí và nguy cơ hư hỏng động cơ do phanh gấp. Khi nhiều robot cùng hoạt động, nguy cơ tắc nghẽn và va chạm tăng vọt. Thuật toán hoạch định đóng vai trò điều phối luồng di chuyển nhịp nhàng giữa các thiết bị. Việc phân bổ đường đi chính xác giúp hệ thống vận hành bền bỉ và duy trì năng suất sản xuất liên tục ở mức tối đa.

II. Phân tích thách thức tối ưu bầy ong hoạch định đường đi hệ robot

Hoạch định đường đi cho hệ robot trong không gian thực tế đối mặt nhiều rào cản kỹ thuật nghiêm trọng. Không gian cấu hình phức tạp khiến số chiều tính toán bùng nổ theo cấp số nhân. Các thuật toán lấy mẫu ngẫu nhiên như PRM hay RRT thường tạo ra đường đi gấp khúc và thiếu độ mượt. Trong khi đó, phương pháp trường thế nhân tạo APF lại hay mắc kẹt tại các điểm cực tiểu cục bộ. Robot dễ bị tê liệt khi lực đẩy từ vật cản cân bằng hoàn toàn với lực hút mục tiêu. Khi áp dụng thuật toán tối ưu bầy ong truyền thống vào bài toán này, hạn chế mới lại xuất hiện. Thuật toán gốc có xu hướng hội tụ sớm khi xử lý không gian tìm kiếm rộng lớn. Quá trình sinh điểm mốc ngẫu nhiên tạo ra hiện tượng đường đi zíc zắc không mong muốn. Dạng đường đi này không tương thích với các ràng buộc động học của robot bánh vi sai hay cánh tay máy. Ngoài ra, việc phối hợp đồng thời nhiều robot đòi hỏi phân chia nhiệm vụ cân bằng. Sự xuất hiện của các chướng ngại vật động khiến quỹ đạo tính toán trước nhanh chóng trở nên mất an toàn.

2.1. Hạn chế của các phương pháp điều hướng cổ điển

Các giải pháp truyền thống như phân rã ô lưới và đồ thị Voronoi bộc lộ điểm yếu rõ rệt khi kích thước bản đồ tăng vọt. Khối lượng tính toán của thuật toán Dijkstra hay A-Star phình to nhanh chóng và làm cạn kiệt bộ nhớ điều khiển. Phương pháp trường thế nhân tạo APF giải quyết bài toán nhanh nhưng thiếu tính ổn định lâu dài. Robot dễ mắc kẹt trước các vật cản hình chữ U hoặc dao động dữ dội trong khe hẹp. Bên cạnh đó, kỹ thuật lấy mẫu PRM và RRT phụ thuộc nặng nề vào may rủi ngẫu nhiên. Lộ trình tạo ra thường gập ghềnh, đòi hỏi nhiều bước làm mịn tốn kém thời gian.

2.2. Vấn đề bùng nổ tính toán và cân bằng tải đa robot

Khi mở rộng quy mô hệ thống sang đa robot, độ phức tạp của bài toán tăng theo hàm mũ. Việc phân chia nhiệm vụ cho từng robot tương đương với bài toán người du lịch đa năng MTSP. Nếu chia việc không đều, một số robot sẽ bị quá tải trong khi số khác rơi vào trạng thái rảnh rỗi. Tình trạng này gây lãng phí nghiêm trọng nguồn lực pin và làm chậm tiến độ chung. Hơn nữa, việc tính toán đường đi song song dễ dẫn đến xung đột không gian. Các robot có thể đâm vào nhau tại các giao lộ hẹp nếu thuật toán thiếu cơ chế điều phối thời gian thực.

III. Giải pháp thuật toán tối ưu bầy ong hoạch định đường đi hệ robot

Nghiên cứu tại Đại học Công nghệ năm 2026 giới thiệu giải pháp ElasticABC kết hợp mô hình phân cụm động DCM. Thuật toán cải tiến tích hợp cơ chế co dãn với cặp toán tử đối ngẫu trong không gian tìm kiếm. Cặp toán tử này cho phép mở rộng linh hoạt phạm vi thăm dò hoặc co cụm nhanh chóng quanh vùng nghiệm hứa hẹn. Nhờ vậy, năng lực hội tụ của quần thể ong được cải thiện đáng kể so với phiên bản gốc. Quá trình biểu diễn đường đi sử dụng chuỗi nút mốc liên kết mềm dẻo. Bên cạnh đó, kỹ thuật DeZigzagPath được ứng dụng để tinh chỉnh triệt để quỹ đạo di chuyển. Kỹ thuật này tự động phát hiện và loại bỏ các điểm bẻ góc không cần thiết dọc theo hành trình. Kết quả tạo ra các cung đường mượt mà, phù hợp với đặc tính quán tính của robot. Đối với bài toán phân chia công việc đa robot, mô hình hỗn hợp Gauss (GMM) và thuật toán EM được tích hợp chặt chẽ. Cơ chế phân cụm động DCM phân bổ đều khối lượng nhiệm vụ dựa trên khoảng cách hình học và năng lực của từng thiết bị.

3.1. Thuật toán cải tiến ElasticABC và kỹ thuật DeZigzagPath

Thuật toán ElasticABC thiết lập một bước tiến vượt bậc trong xử lý quỹ đạo robot. Cặp toán tử đối ngẫu co dãn điều chỉnh bán kính tìm kiếm của ong thợ theo chất lượng giải pháp từng vòng lặp. Khi phát hiện vùng có mật độ chướng ngại vật cao, thuật toán tự động thu hẹp bước nhảy để dò tìm lối thoát an toàn. Ngược lại, tại các vùng không gian mở, bước nhảy được phóng đại nhằm tăng tốc độ di chuyển. Sau khi tìm thấy chuỗi điểm mốc, kỹ thuật DeZigzagPath tiến hành phân tích độ cong và triệt tiêu các góc nhọn dư thừa. Quỹ đạo sau làm mịn duy trì khoảng cách ly an toàn với chướng ngại vật và giảm hao phí động năng di chuyển.

3.2. Mô hình phân cụm động DCM và cân bằng tải hệ thống

Phương pháp phân cụm động DCM kết hợp mô hình hỗn hợp Gauss GMM và thuật toán kỳ vọng cực đại EM. Thay vì phân cụm cứng nhắc như K-means truyền thống, DCM tính toán xác suất một nhiệm vụ thuộc về từng cá thể robot. Hàm mục tiêu tích hợp trọng số khoảng cách và mức tiêu thụ năng lượng ước tính. Thuật toán phân rã bài toán người du lịch đa năng MTSP thành các bài toán đơn lẻ có tính cân bằng cao. Khi môi trường xuất hiện chướng ngại vật bất ngờ, tâm cụm được cập nhật tức thời theo cơ chế phân cụm động. Kết quả phân bổ giúp triệt tiêu tình trạng quá tải cục bộ và rút ngắn tổng thời gian hoàn thành nhiệm vụ của toàn bầy.

IV. Đánh giá ứng dụng tối ưu bầy ong hoạch định đường đi hệ robot

Các kết quả thử nghiệm số khẳng định tính ưu việt của mô hình ElasticABC và phân cụm DCM. So với các biến thể bầy ong tiêu chuẩn, thuật toán mới giảm đáng kể thời gian tính toán và độ dài quãng đường di chuyển. Đường đi tạo ra có độ cong liên tục, hạn chế gia tốc đột ngột và loại bỏ hoàn toàn các khúc cua gập ghềnh. Hệ số cân bằng tải giữa các robot đạt mức tối ưu, giảm thiểu thời gian chờ đợi tại các khu vực giao cắt. Độ an toàn của toàn hệ thống được duy trì vững chắc ngay cả trong không gian có mật độ vật cản dày đặc. Công trình mở ra tiềm năng ứng dụng thực tế to lớn trong kỷ nguyên tự động hóa thông minh. Hệ thống nhà kho logistics quy mô lớn có thể triển khai giải pháp để điều phối hàng trăm xe tự hành AGV. Các dây chuyền sản xuất công nghiệp linh hoạt cũng được hưởng lợi từ khả năng phân bổ trạm gia công tối ưu. Ngoài ra, thuật toán hoàn toàn thích hợp cho các nhiệm vụ cứu hộ khẩn cấp, thám hiểm không gian hoặc khảo sát môi trường độc hại. Luận án tiến sĩ năm 2026 tại Trường Đại học Công nghệ đóng góp một khung giải pháp toàn diện và thực tiễn cho bài toán điều khiển robot hiện đại.

4.1. Hiệu quả vận hành vượt trội qua các chỉ số thử nghiệm

Dữ liệu mô phỏng chứng minh thuật toán tối ưu bầy ong cải tiến vượt trội hơn hẳn các phương pháp truyền thống. Quãng đường di chuyển trung bình của robot giảm hơn 15% so với thuật toán ABC cơ bản và APF cải tiến. Thời gian hội tụ nghiệm giảm rõ rệt nhờ cơ chế toán tử đối ngẫu co dãn. Quỹ đạo sau xử lý loại bỏ hoàn toàn các dao động thừa, giúp giảm tải mô-men xoắn động cơ và nhiệt lượng sinh ra. Hệ số cân bằng tải trong bài toán đa robot được cải thiện hơn 20%, giúp tối đa hóa tuổi thọ pin của toàn hệ thống. Tỷ lệ tránh va chạm thành công đạt tuyệt đối trong mọi kịch bản mô phỏng kiểm tra.

4.2. Khả năng ứng dụng thực tế trong nhà kho thông minh và công nghiệp

Ứng dụng thực tiễn của nghiên cứu tập trung mạnh mẽ vào các nhà kho thông minh hiện đại. Hàng trăm phương tiện tự hành AGV có thể di chuyển nhịp nhàng mà không sợ xung đột hoặc nghẽn mạng giao thông. Kỹ thuật phân cụm động giúp kho hàng tự động gán đơn hàng cho robot gần nhất và sẵn sàng nhất. Thời gian xuất nhập kho được rút ngắn, tạo ưu thế cạnh tranh vượt trội cho các doanh nghiệp thương mại điện tử. Ngoài ra, trong các nhà máy chế tạo thông minh, thuật toán hỗ trợ cánh tay robot lắp ráp chính xác các chi tiết phức tạp. Nền tảng điều khiển này mở ra bước ngoặt mới cho tự động hóa sản xuất quy mô lớn.

Nội dung chính

Tổng quan luận án

Sự phát triển của robot di động thúc đẩy quá trình chuyển dịch từ các ứng dụng đơn lẻ sang hệ thống đa robot (Multi-Robot Systems - MRS) trong các lĩnh vực như hậu cần, nông nghiệp công nghệ cao và tìm kiếm cứu nạn. Khi số lượng robot vận hành trong cùng một không gian làm việc tăng lên, việc điều phối di chuyển an toàn và tối ưu trở thành bài toán phức tạp. Trong các hệ thống điều khiển tập trung, trạm trung tâm phải xử lý đồng thời yêu cầu hoạch định quỹ đạo cho từng cá thể và quản lý lưu lượng dữ liệu trao đổi trong mạng truyền thông.

Các phương pháp hoạch định đường đi cổ điển (như Dijkstra, A*, RRT, APF) gặp nhiều hạn chế khi môi trường có tính bất định cao hoặc quy mô phần tử mở rộng, do khối lượng tính toán lớn và nguy cơ mắc kẹt tại cực tiểu cục bộ. Thuật toán Tối ưu bầy ong (Artificial Bee Colony - ABC) là giải pháp phỏng đoán sinh học có khả năng tìm kiếm toàn cục tốt, nhưng bộc lộ nhược điểm là tốc độ hội tụ chậm ở giai đoạn sau và khả năng khai thác cục bộ hạn chế. Việc biểu diễn đường đi trong thuật toán ABC truyền thống sử dụng số lượng nút cố định, dẫn đến quỹ đạo tìm được thường bị gấp khúc, zíc-zắc và không thích nghi linh hoạt với độ phức tạp cục bộ của địa hình. Đồng thời, việc quản lý hệ thống đa robot quy mô lớn đòi hỏi giải pháp phân vùng không gian để giảm tải lưu lượng truyền thông. Các kỹ thuật phân vùng "cứng" hiện hành (như phương pháp phân rã ô CDM, biểu đồ Voronoi hay phân cụm K-means) phân chia không gian thành các ranh giới loại trừ lẫn nhau, không phản ánh chính xác sự chồng lấn không gian của các hành trình chuyển động thực tế và chưa đảm bảo cân bằng tải quản lý giữa các cụm.

Xuất phát từ các khoảng trống nghiên cứu trên, luận án tập trung vào hai mục đích chính:

1. Hoạch định đường đi dựa trên thuật toán ABC nhằm đảm bảo tính tối ưu toàn cục, đồng thời duy trì năng lực thích nghi để ứng phó với các biến đổi cục bộ của môi trường.
2. Xây dựng giải pháp phân vùng hỗ trợ quản lý hệ thống đa robot, chia nhỏ hệ thống thành các nhóm độc lập để giảm khối lượng dữ liệu vận hành cần trao đổi giữa robot và trạm điều khiển trung tâm.

Các mục tiêu cụ thể và đóng góp học thuật của luận án bao gồm:

• (i) Cải tiến thuật toán ABC truyền thống thông qua cơ chế tối ưu cấu trúc với cặp toán tử đối ngẫu Co và Dãn, xây dựng thuật toán ElasticABC cho bài toán hoạch định đường đi của hệ thống đa robot.
• (ii) Tích hợp chiến lược khởi tạo phỏng đoán dựa trên toán tử Dãn vào thuật toán ElasticABC nhằm thay thế cơ chế khởi tạo ngẫu nhiên; tích hợp kỹ thuật xử lý DeZigzagPath nhằm loại bỏ hiện tượng gấp khúc cục bộ trên hành trình, hoàn thiện chất lượng quỹ đạo di chuyển thực tế.
• (iii) Đạt được sự cân bằng giữa khả năng khám phá và khai thác trong không gian tìm kiếm, giúp đường đi của robot tự động thích nghi với độ phức tạp của môi trường thông qua điều chỉnh có chọn lọc số lượng điểm trung gian.
• (iv) Đề xuất phương pháp phân cụm động (Dynamic Clustering Method - DCM) theo hướng tiếp cận phân cụm mềm, sử dụng mô hình hỗn hợp Gauss (GMM) để mô hình hóa phân bố xác suất không gian của các phần tử robot dựa trên tập hợp điểm giao cắt hành trình, chấp nhận sự chồng lấn không gian linh hoạt giữa các cụm.
• (v) Đề xuất tham số chi phí $\delta_k$ đại diện cho độ phức tạp quản lý và mức tiêu thụ tài nguyên của từng cụm, kết hợp hàm mục tiêu bình phương tối thiểu $f_{obj}$ làm bộ lọc lựa chọn cấu hình phân cụm có số lượng phần tử cân bằng.
• (vi) Đề xuất hai giải pháp kỹ thuật phần cứng hỗ trợ nhận thức môi trường: xác định trạng thái chuyển động và điều chỉnh hướng phát hiện vật cản (được cấp Bằng độc quyền giải pháp hữu ích số 3615 và Bằng độc quyền sáng chế số 48666).

Đối tượng nghiên cứu của luận án là hệ thống đa robot với các phần tử có cấu tạo tương đồng hoạt động trong cùng không gian làm việc. Phạm vi nghiên cứu giới hạn ở kiến trúc điều khiển tập trung kết hợp phân tầng: trạm điều khiển trung tâm đảm nhiệm tính toán hoạch định đường đi toàn cục và phân cụm; các phần tử robot thực thi điều khiển bám quỹ đạo, ổn định tốc độ và tránh vật cản cục bộ. Thử nghiệm số đánh giá thuật toán ElasticABC được tiến hành trên hệ thống 10 robot trong môi trường không gian hai chiều chứa vật cản tĩnh và động; thử nghiệm phương pháp DCM được thực hiện trên hệ thống quy mô tối đa 50 phần tử với các cấu hình điểm giao cắt hành trình khác nhau.

Tổng quan tài liệu và vị trí của luận án

Tổng quan tài liệu của luận án hệ thống hóa các hướng nghiên cứu chính về hoạch định đường đi và phân cụm cho hệ thống đa robot:

Nhóm phương pháp hoạch định đường đi cổ điển bao gồm thuật toán tìm kiếm trên đồ thị như Dijkstra (1959), A* do Nilsson và cộng sự phát triển (1968), phương pháp trường thế năng nhân tạo (APF) của Khatib (1985), phương pháp phân rã ô (CDM) được Latombe tổng hợp (1991), cùng các kỹ thuật lấy mẫu xác suất như PRM (1996) và RRT. Khảo sát của Abdulsaheb và Kadhim (2022) giai đoạn 1970–2022 chỉ ra xu hướng dịch chuyển rõ rệt: các công trình về phương pháp phỏng đoán tăng từ 0% lên 95%, trong khi nghiên cứu về thuật toán cổ điển giảm từ 95% xuống 5% do hạn chế về chi phí tính toán trong môi trường phức tạp.

Nhóm thuật toán trí tuệ tập thể (Swarm Intelligence - SI) dựa trên các nguyên tắc phân tán do Bonabeau và cộng sự (1999) đúc kết. Các thuật toán tiêu biểu gồm: Tối ưu đàn kiến (ACO, Dorigo, 1991), Tối ưu bầy đàn phần tử (PSO, Kennedy và Eberhart, 1995), Tối ưu bầy ong (ABC, Karaboga, 2005), Tối ưu cỏ dại (IWO, Mehrabian và Lucas, 2006) và Tối ưu đàn châu chấu (GOA, Saremi và cộng sự, 2017).

Thuật toán	Tốc độ hội tụ	Khả năng mở rộng	Độ phức tạp	Mức độ phù hợp với môi trường động
PSO	Nhanh ở giai đoạn đầu, dễ kẹt ở cực tiểu cục bộ	Trung bình, hiệu suất giảm khi số chiều tăng	Thấp, dễ cài đặt	Trung bình, cần sửa đổi cho thời gian thực
ABC	Trung bình, phụ thuộc chiến lược tìm kiếm	Trung bình, thách thức ở cân bằng khám phá - khai thác	Trung bình đến cao	Cao, cấu trúc tìm kiếm linh hoạt
ACO	Cao, hiệu quả trong tìm kiếm toàn cục	Cao, thời gian tính toán tăng theo quy mô	Cao do phải duy trì vết pheromone	Rất phù hợp do cơ chế tự xúc tác
FA	Nhanh, tránh cực tiểu cục bộ tốt	Thấp đến trung bình	Cao, phù hợp triển khai song song	Trung bình, nhạy cảm với tham số
CS	Nhanh, hiệu quả tìm kiếm toàn cục và cục bộ	Thấp đến trung bình	Trung bình đến cao	Cao, phù hợp tối ưu hóa quy mô lớn
BA	Nhanh nhờ cơ chế định vị bằng tiếng vang	Trung bình, hiệu suất suy giảm theo kích thước bài toán	Trung bình, có cơ chế điều chỉnh tần số	Trung bình, cần tinh chỉnh độ ồn

Khảo sát chuyên sâu về thuật toán ABC trong hoạch định đường đi cho robot ghi nhận các hướng tiếp cận cải tiến:

• Kết hợp với Lập trình tiến hóa (EP): Faridi và cộng sự (2013) sử dụng ABC tìm điểm di chuyển cục bộ và EP tối ưu hóa toàn cục; Kumar và Sikander (2020, 2022) bổ sung tiêu chí khoảng cách an toàn tới vật cản và tích hợp khung PRM-EP trong môi trường công nghiệp.
• Lai ghép với thuật toán tối ưu khác: Li và cộng sự (2021) kết hợp ACO và ABC (IACO-IABC); Ye và cộng sự (2021) đề xuất HABC-GA cân bằng độ dài, độ an toàn và độ trơn; biến thể IABCBAS tích hợp tìm kiếm bọ cánh cứng sừng dài (2021).
• Tích hợp cơ chế học tập và cấu trúc liên kết: Cui và cộng sự (2022) phát triển ABCL kết hợp thuật toán dạy-học (TLBO); Ye và cộng sự (2020) đề xuất EABC với cơ chế tự học đa mục tiêu; Zhou và cộng sự (2020, 2022) đưa ra ABC-MNT sử dụng topo mạng lân cận và FLABC phát hiện đặc điểm nhẵn của không gian.
• Xử lý đường đi trên lưới: Yildirim và Akay (2020) đề xuất biến thể IABC tích hợp kỹ thuật tuyến tính hóa nhằm loại bỏ hiện tượng zíc-zắc; Promkaew và cộng sự (2023) triển khai ABC trên nền tảng robot AMR với hệ điều hành ROS 2.

Về phương pháp phân cụm và phân vùng cho hệ thống đa robot, các nghiên cứu hiện hữu chia thành ba nhóm:

1. Phân vùng không gian hình học: CDM với các biến thể ô chính xác, ô lưới quadtree (Debnath và cộng sự, 2020), ô hướng tâm và biểu đồ Voronoi (GVG, Voronoi Manhattan, Voronoi động cân bằng tải bằng lực ảo).
2. Phân cụm theo tương tác và hành vi: ứng dụng lý thuyết trò chơi thông qua giá trị Shapley (2020) hoặc cơ chế tự tổ chức lắng đọng token ảo (2020, 2021).
3. Phân cụm dữ liệu và tối ưu hóa phỏng đoán: phân cụm phân cấp cây cấu trúc của Arslan (2016, 2019), thuật toán đấu giá ngẫu nhiên SCA (2020), thuật toán K-means trong phân công nhiệm vụ đa robot (MTSP/MRTA) và so sánh giữa K-means, GMM, phân cụm phân cấp (2022).

Khoảng trống nghiên cứu được luận án xác định gồm:

• Các biến thể ABC chủ yếu cải tiến phương trình cập nhật nghiệm mà chưa giải quyết căn bản việc tối ưu hóa cấu trúc đường đi; việc cố định số lượng điểm nút khiến đường đi thừa nút ở vùng thông thoáng nhưng thiếu nút để lách qua vùng vật cản dày đặc.
• Khởi tạo ngẫu nhiên trong ABC làm lãng phí chu kỳ tính toán và dễ dẫn tới các khúc cua gắt.
• Các kỹ thuật phân vùng không gian hiện hữu áp dụng ranh giới cứng, chia cắt rời rạc không gian hoạt động, không xử lý tốt sự giao cắt và phân tán động của các hành trình chuyển động trong hệ thống đa robot.

Cơ sở lý thuyết và phương pháp nghiên cứu

Luận án dựa trên cơ sở cơ học kỹ thuật hệ nhiều vật và lý thuyết điều khiển tự động. Robot di động được xem xét là hệ cơ học phi toàn định (non-holonomic) chuyển động trong mặt phẳng hai chiều, chịu các ràng buộc động học về vận tốc, góc quay, gia tốc, ma sát bề mặt và mô-men quán tính. Khung cấu trúc, khối lượng và vị trí trọng tâm quyết định đến động lực học chuyển động. Hệ thống điều phối đa robot chịu sự tác động đồng thời của "trường lực cản" do môi trường vật cản tạo ra và "lực dẫn dắt" từ các nhiệm vụ di chuyển được phân công.

Mô hình hóa không gian cấu hình (C-space) quy ước mỗi robot là một điểm $(x, y, \theta)$ trong mặt phẳng làm việc 2D. Không gian tự do ($C_{free}$) là tập hợp tất cả các cấu hình không xảy ra va chạm với vật cản ($C_{obs}$). Bài toán hoạch định đường đi cho hệ đa robot gồm $N$ cá thể được mô hình hóa thành việc tìm tập hợp các quỹ đạo liên tục từ cấu hình ban đầu $(q_{1S}, \dots, q_{NS})$ đến cấu hình đích $(q_{1G}, \dots, q_{NG})$ nằm hoàn toàn trong $C_{free}$.

Hàm mục tiêu tổng quát được thiết lập dưới dạng tối ưu đa mục tiêu: $$J(x) = \sum_{i=1}^m \omega_i \cdot f_i(x)$$ với điều kiện chuẩn hóa các trọng số: $\sum_{i=1}^m \omega_i = 1, \omega_i \ge 0$. Các thành phần mục tiêu thành phần bao gồm:

• Tối thiểu hóa độ dài quãng đường di chuyển.
• Đảm bảo khoảng cách an toàn lớn nhất đối với các vật cản gần nhất.
• Nâng cao độ trơn quỹ đạo thông qua việc hạn chế góc đổi hướng đột ngột.

Phương pháp nghiên cứu thực tế gồm hai trục thuật toán chính:

• Thuật toán ElasticABC: Thiết kế lớp Co dãn cấu trúc đường đi với cặp toán tử đối ngẫu:
  • Toán tử Dãn: Bổ sung điểm trung gian vào các phân đoạn quỹ đạo có nguy cơ va chạm hoặc đi qua vùng cản phức tạp.
  • Toán tử Co: Loại bỏ các điểm trung gian dư thừa khi đoạn nối giữa hai điểm liền kề thỏa mãn điều kiện an toàn không va chạm.
  • Khởi tạo phỏng đoán: Thay vì phân bố ngẫu nhiên, thuật toán áp dụng toán tử Dãn từ đoạn thẳng nối điểm đầu và điểm cuối để tạo quần thể đường đi ban đầu.
  • Kỹ thuật DeZigzagPath: Thuật toán hậu xử lý hình học quét các nút kế tiếp để khử các điểm gấp khúc cục bộ, làm trơn quỹ đạo.
• Phương pháp phân cụm động (DCM):
  • Mô hình hóa dữ liệu: Dữ liệu đầu vào là tọa độ các điểm giao cắt tiềm năng giữa các hành trình di chuyển của $N$ robot được xác định qua thuật toán tìm ma trận điểm giao cắt.
  • Mô hình hỗn hợp Gauss (GMM) và thuật toán EM: Mô hình hóa mật độ không gian của các điểm giao cắt thành $K$ cụm phân phối chuẩn hai chiều. Thuật toán kỳ vọng tối đa (Expectation-Maximization - EM) được sử dụng để ước lượng lặp tham số kỳ vọng, ma trận hiệp phương sai và trọng số cụm.
  • Hàm mục tiêu cân bằng tải: Đề xuất tham số chi phí $\delta_k$ của từng cụm dựa trên số lượng phần tử và mức độ giao cắt, kết hợp với hàm mục tiêu bình phương tối thiểu: $$f_{obj} = \sum_{k=1}^K (\delta_k - \bar{\delta})^2$$ Hàm này đóng vai trò bộ lọc để tìm số cụm và cấu hình phân chia cân bằng nhất.

Nguồn dữ liệu kiểm chứng được xây dựng từ các chương trình mô phỏng số học trên máy tính với nhiều kịch bản không gian làm việc:

• Bản đồ thử nghiệm đường đi với các vị trí vật cản khác nhau, kiểm chứng các kịch bản từ TH #1 đến TH #5 và phân tích số liệu trên các bộ dữ liệu từ #A1 đến #A7.
• Bản đồ thử nghiệm phân cụm động kiểm chứng trên hệ thống robot mở rộng quy mô, phân tích dữ liệu thống kê từ #D1 đến #D12.

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 trình bày lịch sử phát triển của robot di động và hệ thống đa robot, từ các mẫu thực nghiệm ban đầu như Elsie, Elmer (1948–1949) và Shakey (1966–1972) đến các hệ cơ điện tử phân tầng hiện đại (cơ khí, truyền động, nhận thức, điều khiển). Chương phân tích bản chất cơ học của hệ thống đa robot như một hệ nhiều vật có ràng buộc hình học và động học, chịu tác động của trường lực cản môi trường và lực dẫn dắt tác vụ.

Chương khảo sát chi tiết các phương pháp hoạch định đường đi cho hệ đa robot (MRPP), phân tích các ưu nhược điểm của thuật toán cổ điển (A*, Dijkstra, CDM, APF, RRT, PRM) và thuật toán trí tuệ tập thể (PSO, ACO, ABC, IWO, GOA). Trọng tâm khảo sát đặt vào thuật toán Tối ưu bầy ong (ABC) của Karaboga (2005) cùng các biến thể lai ghép và cải tiến trong nước và quốc tế. Về bài toán phân nhóm, chương phân tích ba hướng tiếp cận phân cụm cứng: phân vùng không gian (phân rã ô hình thang, quadtree, biểu đồ Voronoi), phân cụm dựa trên hành vi/lý thuyết trò chơi (giá trị Shapley, token ảo), và phân cụm dữ liệu (K-means, phân cụm phân cấp). Kết quả phân tích xác lập cơ sở lý thuyết cho việc phát triển thuật toán ElasticABC và phương pháp phân cụm mềm DCM.

Chương 2: Tối ưu bầy ong trong hoạch định đường đi

Chương 2 tập trung xây dựng biến thể thuật toán ElasticABC nhằm khắc phục hạn chế về tính cố định cấu trúc của ABC truyền thống. Không gian làm việc được mô hình hóa trong không gian cấu hình 2D với các vùng cản đa giác và vùng tự do.

Nội dung trọng tâm của chương gồm:

• Thiết lập cơ chế co dãn dựa trên cặp toán tử đối ngẫu: Toán tử Dãn phát hiện phân đoạn va chạm và chèn thêm điểm nút mới theo hướng dịch chuyển an toàn; Toán tử Co kiểm tra khả năng nối trực tiếp giữa hai điểm không liền kề, loại bỏ các nút dư thừa để tối ưu độ dài quỹ đạo.
• Chiến lược khởi tạo phỏng đoán: Sử dụng toán tử Dãn tác động lên đường nối trực tiếp điểm xuất phát và đích đến, tạo ra tập hợp nghiệm hạt giống ban đầu có tính khả thi cao, giảm thời gian hội tụ so với khởi tạo ngẫu nhiên.
• Thiết lập hàm mục tiêu đa yếu tố phản ánh đồng thời độ dài quỹ đạo và độ an toàn khoảng cách tới chướng ngại vật.
• Quy trình vận hành ba giai đoạn của quần thể ong: ong thợ tìm kiếm giải pháp cải tiến xung quanh nguồn thức ăn hiện tại; ong quan sát lựa chọn nguồn thức ăn dựa trên xác suất thích nghi; ong trinh sát phát hiện và thay thế các nguồn thức ăn bị rơi vào cực tiểu địa phương khi vượt quá giới hạn thử nghiệm ($limit$).
• Đề xuất kỹ thuật DeZigzagPath hoạt động như một bộ lọc hậu xử lý hình học, quét liên tục ba điểm liền kề và loại bỏ các mấu gấp zíc-zắc, làm trơn quỹ đạo đường đi thực tế.

Chương 3: Phương pháp phân cụm động

Chương 3 đề xuất phương pháp phân cụm động (DCM) dựa trên dữ liệu phân bố không gian của các phần tử robot trong hệ thống. Khác với cách tiếp cận phân vùng không gian cố định, DCM lấy dữ liệu đầu vào là tọa độ các điểm giao cắt tiềm năng giữa các đường đi của robot được xác định thông qua thuật toán tìm ma trận điểm giao cắt.

Các nội dung cốt lõi gồm:

• Cơ sở toán học của mô hình hỗn hợp Gauss (GMM) biểu diễn mật độ điểm giao cắt bằng tổ hợp tuyến tính của các phân phối chuẩn đa biến. Thuật toán kỳ vọng tối đa (EM) thực hiện tính toán lặp hai bước E (kỳ vọng) và M (tối đa hóa) để xác định tham số trọng số cụm, véc-tơ kỳ vọng và ma trận hiệp phương sai.
• Thiết lập tham số chi phí $\delta_k$ cho từng cụm, phản ánh độ phức tạp quản lý dựa trên số lượng phần tử robot gán vào cụm và mức độ tập trung giao cắt.
• Xây dựng hàm mục tiêu cân bằng tải dạng bình phương tối thiểu $f_{obj}$, đánh giá phương sai chi phí giữa các cụm nhằm tìm cấu hình phân cụm sao cho khối lượng trao đổi dữ liệu và số lượng robot giữa các cụm đạt mức cân bằng tối đa.
• Tích hợp giải pháp kỹ thuật phần cứng hỗ trợ nhận thức môi trường: phân tích thiết kế trường nhìn tổng hợp, kết cấu 3D của 4 cụm cơ cấu cơ khí và phương pháp xác định trạng thái chuyển động của robot phục vụ thu thập dữ liệu đầu vào.

Chương 4: Thử nghiệm số và đánh giá hoạt động

Chương 4 trình bày các kết quả thử nghiệm mô phỏng số học nhằm kiểm chứng hoạt động của thuật toán ElasticABC và phương pháp DCM.

Thử nghiệm thuật toán ElasticABC được triển khai cho hệ thống 10 robot di chuyển đồng thời trong môi trường có chướng ngại vật phức tạp, khảo sát qua các kịch bản thử nghiệm từ TH #1 đến TH #5 và thu thập dữ liệu trên các bộ mẫu từ #A1 đến #A7:

• Kết quả đối chiếu với thuật toán ABC truyền thống cho thấy ElasticABC tối ưu hóa số lượng điểm trung gian linh hoạt theo hình học vật cản (giảm thiểu điểm trên đoạn thẳng thông thoáng, bổ sung điểm chính xác tại các góc hẹp).
• Kỹ thuật DeZigzagPath loại bỏ các góc gấp khúc cục bộ, rút ngắn chi phí độ dài đường đi thực tế so với đường đi zíc-zắc của ABC truyền thống (thể hiện rõ trên biểu đồ phân tán chi phí và biểu đồ hộp).

Thử nghiệm phương pháp DCM được thực hiện trên hệ thống robot quy mô mở rộng lên tới 50 phần tử, xử lý dữ liệu giao cắt hành trình qua các bộ dữ liệu từ #D1 đến #D12:

• DCM phân chia thành công hệ robot thành các cụm mềm chấp nhận sự chồng lấn không gian, phản ánh đúng đặc tính giao cắt thực tế của các hành trình chuyển động.
• Hàm mục tiêu $f_{obj}$ kết hợp tham số chi phí $\delta_k$ chứng minh khả năng cân bằng số lượng robot giữa các cụm, ngăn ngừa hiện tượng quá tải truyền thông tại một phân nhóm đơn lẻ.

Chương 4 tổng hợp các bảng đối chiếu đóng góp kỹ thuật:

Phương pháp / Kỹ thuật	Đối tượng đối chiếu	Nội dung cải tiến và đóng góp học thuật
Toán tử Co và Dãn	ABC truyền thống, cố định số nút	Tối ưu hóa cấu trúc đường đi động; co bớt điểm nút dư thừa trên đường thẳng và dãn thêm điểm nút tại vùng vật cản phức tạp
Kỹ thuật DeZigzagPath	Tuyến tính hóa trên lưới, làm trơn Spline	Khử triệt để các điểm gập góc zíc-zắc cục bộ phát sinh từ thuật toán bầy ong, hoàn thiện độ trơn quỹ đạo thực tế
ElasticABC	HABC-GA, IABC	Cân bằng khả năng khám phá và khai thác thông qua khởi tạo phỏng đoán và điều chỉnh số lượng điểm nút tự thích nghi
Phương pháp DCM	K-means, phân rã ô Voronoi	Tiếp cận phân cụm mềm dựa trên GMM/EM từ dữ liệu giao cắt thực tế, đảm bảo cân bằng tải quản lý thông qua hàm mục tiêu $f_{obj}$

Kết quả và những đóng góp mới

Luận án đạt được các kết quả và đóng góp mới sau:

1. Về mặt lý thuyết và thuật toán:

   • Xây dựng thành công thuật toán ElasticABC với cơ chế tối ưu cấu trúc đường đi thông qua cặp toán tử đối ngẫu Co và Dãn. Đây là đóng góp mới cho phép biểu diễn đường đi có số lượng điểm trung gian biến thiên, giúp cá thể tự thích ứng với độ phức tạp hình học của môi trường.
   • Xây dựng chiến lược khởi tạo phỏng đoán dựa trên toán tử Dãn và kỹ thuật DeZigzagPath tích hợp vào thuật toán ElasticABC, giải quyết triệt để khuyết tật đường đi gấp khúc zíc-zắc cục bộ vốn có của thuật toán ABC khi áp dụng vào không gian liên tục.
   • Đề xuất phương pháp phân cụm động (DCM) dựa trên tiếp cận phân cụm mềm sử dụng mô hình hỗn hợp Gauss (GMM) và thuật toán EM. Việc sử dụng dữ liệu đầu vào là tọa độ các điểm giao cắt hành trình giúp phản ánh bản chất tương tác không gian thực tế giữa các robot.
   • Đề xuất chỉ số chi phí $\delta_k$ và hàm mục tiêu bình phương tối thiểu $f_{obj}$ đóng vai trò bộ lọc định lượng, cho phép hệ thống lựa chọn cấu hình phân cụm tối ưu về mặt cân bằng tải quản lý và phân bổ tài nguyên truyền thông.

2. Về mặt kỹ thuật thực tiễn:

   • Đề xuất và chế tạo giải pháp kỹ thuật xác định trạng thái chuyển động và điều chỉnh hướng phát hiện vật cản cho các phần tử robot trong hệ thống đa robot. Các giải pháp này đã được Cục Sở hữu trí tuệ cấp Bằng độc quyền giải pháp hữu ích số 3615 và Bằng độc quyền sáng chế số 48666.

3. Kiến nghị và giải pháp đề xuất:

   • Luận án kiến nghị áp dụng mô hình phân cụm mềm DCM kết hợp thuật toán ElasticABC cho các hệ thống điều hành xe tự hành AGV/AMR trong các kho hàng thông minh quy mô lớn hoặc hệ thống máy bay không người lái (UAV) giám sát nông nghiệp. Việc chia nhóm độc lập dựa trên mật độ giao cắt hành trình giúp giảm đáng kể băng thông mạng truyền thông về trạm trung tâm và nâng cao tính an toàn vận hành.

Hạn chế và hướng nghiên cứu tiếp

Văn bản luận án nêu rõ các giới hạn phạm vi nghiên cứu:

• Các thử nghiệm đánh giá thuật toán ElasticABC và phương pháp DCM chủ yếu được thực hiện thông qua mô phỏng số học trên máy tính trong không gian hai chiều (2D), với quy mô tối đa 10 robot cho ElasticABC và 50 robot cho DCM.
• Luận án giả định kiến trúc điều khiển tập trung tại trạm điều khiển trung tâm với chất lượng đường truyền dữ liệu lý tưởng; chưa khảo sát sâu trường hợp mất gói tin hoặc trễ mạng truyền thông lớn giữa trạm trung tâm và các robot.
• Hai giải pháp kỹ thuật nhận thức môi trường đã được cấp bằng sáng chế và giải pháp hữu ích nhưng mới được kiểm chứng ở cấp độ cụm cơ cấu phần cứng riêng lẻ, chưa tích hợp toàn diện vào một đội hình thử nghiệm thực tế ngoài hiện trường.

Các hướng nghiên cứu tiếp theo được xác định:

• Mở rộng thuật toán ElasticABC sang không gian ba chiều (3D) nhằm phục vụ các đối tượng bay không người lái (UAV) hoặc robot lặn ngầm.
• Triển khai thử nghiệm thuật toán trên nền tảng phần cứng robot thực tế sử dụng hệ điều hành robot ROS 2 trong môi trường vật lý.
• Nghiên cứu hoàn thiện cơ chế điều khiển phi tập trung hoặc phân tán thích nghi khi trạm điều khiển trung tâm gặp sự cố gián đoạn truyền thông.

Giá trị tham khảo

Luận án là tài liệu tham khảo hữu ích cho các nhóm đối tượng:

• Nghiên cứu sinh, học viên cao học và sinh viên ngành Cơ kỹ thuật, Robot và Kỹ thuật điều khiển, Cơ điện tử, Khoa học máy tính: Tham khảo phương pháp luận kết hợp giữa mô hình hóa cơ học hệ nhiều vật với các thuật toán tối ưu phỏng đoán (ABC) và học máy thống kê (GMM, EM).
• Giảng viên và nhà nghiên cứu: Sử dụng Chương 1 như một tài liệu tổng quan hệ thống hóa cao về lịch sử phát triển robot di động, phân loại chi tiết các phương pháp MRPP và các biến thể thuật toán tối ưu bầy ong.
• Kỹ sư R&D và nhà phát triển hệ thống tự động hóa công nghiệp: Tham khảo cấu trúc thuật toán ElasticABC tại Chương 2 để lập trình điều hướng cho AGV/AMR; tham khảo thuật toán DCM tại Chương 3 để giải quyết bài toán cân bằng tải mạng điều hành kho bãi; khai thác 02 thiết kế cơ cấu phần cứng nhận thức môi trường đã được cấp bằng độc quyền sáng chế và giải pháp hữu ích.

Câu hỏi thường gặp

1. Cơ chế co dãn trong thuật toán ElasticABC hoạt động như thế nào?
Cơ chế co dãn sử dụng cặp toán tử đối ngẫu Co và Dãn để thay đổi linh hoạt số lượng điểm trung gian trên đường đi. Khi phát hiện phân đoạn đường đi cắt qua chướng ngại vật hoặc vùng không an toàn, toán tử Dãn sẽ chèn thêm điểm nút mới để bẻ hướng quỹ đạo tránh va chạm. Ngược lại, khi hai điểm nút cách nhau có thể nối trực tiếp bằng một đoạn thẳng nằm hoàn toàn trong vùng tự do ($C_{free}$), toán tử Co sẽ loại bỏ các điểm nút trung gian ở giữa để rút ngắn chiều dài đường đi.

2. Kỹ thuật DeZigzagPath giải quyết nhược điểm gì của thuật toán ABC truyền thống?
Do bản chất tìm kiếm phỏng đoán và cơ chế biểu diễn tọa độ nút rời rạc, đường đi do thuật toán ABC truyền thống tìm được thường tồn tại nhiều đoạn gấp khúc zíc-zắc cục bộ, gây khó khăn cho robot khi bám quỹ đạo thực tế. Kỹ thuật DeZigzagPath hoạt động như một bộ lọc hậu xử lý hình học, liên tục kiểm tra và nắn thẳng các đoạn gấp khúc không cần thiết, giúp làm trơn đường đi và giảm thiểu góc quay của robot.

3. Dữ liệu đầu vào của phương pháp phân cụm động (DCM) có điểm gì khác biệt so với các phương pháp phân cụm không gian truyền thống?
Các phương pháp phân vùng không gian truyền thống (như Voronoi hay phân rã ô) sử dụng tọa độ vị trí tức thời của robot hoặc ranh giới bản đồ vật lý để chia vùng cứng không chồng lấn. Phương pháp DCM sử dụng dữ liệu đầu vào là tập hợp các điểm giao cắt tiềm năng giữa các hành trình di chuyển của toàn bộ các robot trong hệ thống, từ đó áp dụng mô hình GMM để phân cụm mềm cho phép các cụm chồng lấn không gian linh hoạt theo thực tế vận hành.

4. Vai trò của tham số chi phí $\delta_k$ và hàm mục tiêu $f_{obj}$ trong DCM là gì?
Tham số chi phí $\delta_k$ là chỉ số định lượng đại diện cho độ phức tạp quản lý và mức độ tiêu thụ tài nguyên của cụm thứ $k$ (phụ thuộc vào số lượng robot và mật độ giao cắt trong cụm). Hàm mục tiêu $f_{obj}$ tính toán tổng bình phương sai lệch giữa chi phí của từng cụm với chi phí trung bình toàn hệ thống. Hàm này đóng vai trò như bộ lọc lựa chọn cấu hình phân cụm có tải trọng đồng đều nhất, tránh tình trạng dồn ứ robot vào một cụm duy nhất.

5. Luận án đã đạt được những văn bằng bảo hộ sở hữu trí tuệ nào?
Nghiên cứu sinh đã đề xuất hai giải pháp kỹ thuật phần cứng hỗ trợ nhận thức môi trường cho robot và được cơ quan chức năng cấp văn bằng bảo hộ độc quyền, gồm: Bằng độc quyền giải pháp hữu ích số 3615 và Bằng độc quyền sáng chế số 48666, liên quan đến kỹ thuật xác định trạng thái chuyển động và cơ cấu điều chỉnh hướng phát hiện vật cản.

Kết luận

Luận án tiến sĩ của nghiên cứu sinh Trương Xuân Hùng đã giải quyết bài toán điều phối di chuyển và quản lý hệ thống đa robot thông qua việc phát triển thuật toán hoạch định đường đi ElasticABC và phương pháp phân cụm động DCM. Các đề xuất thuật toán giải quyết được bài toán tối ưu cấu trúc đường đi tự thích nghi, loại bỏ hiện tượng gấp khúc cục bộ và thiết lập cơ chế phân cụm mềm cân bằng tải truyền thông. Các kết quả mô phỏng số học đa dạng cùng hai văn bằng bảo hộ sở hữu trí tuệ khẳng định giá trị khoa học và khả năng ứng dụng thực tế của công trình trong lĩnh vực Cơ kỹ thuật và Tự động hóa.

Trích đoạn nội dung tài liệu

Chương 1 trình bày tổng quan về những chủ đề nghiên cứu có liên quan, như robot di động, hệ thống đa robot, hoạch định đường đi cùng với phân vùng. Khảo sát công trình nghiên cứu đề cung cấp thông tin toàn diện và tương đối đầy đủ về tình hình nghiên cứu trong những chủ đề có liên quan, đặc biệt là hoạch định đường đi, tập trung vào nhóm phương pháp trí tuệ tập thể, và phương pháp phân cụm. Dựa trên đánh giá hạn chế hiện hữu, nghiên cứu sinh đề xuất định hướng nghiên cứu mới để đạt được hai mục tiêu nghiên cứu đã đặt ra về hoạch định đường đi dựa trên tối ưu 4 bầy ong (ABC) và phân cụm mềm. Đây là cơ sở căn bản để nghiên cứu sinh triển khai các nội dung nghiên cứu tiếp theo, được trình bày trong Chương 2 và Chương 3.

- Chương 2 tập trung phát triển giải pháp hoạch định đường đi cho hệ thống đa robot, đề xuất biến thể ElasticABC với cơ chế tối ưu cấu trúc kết hợp khởi tạo phỏng đoán, tìm kiếm đường đi thích nghi theo điều kiện môi trường. ElasticABC khắc phục hạn chế của thuật toán ABC truyền thống. Kỹ thuật xử lý hậu kỳ DeZigzagPath cũng được đề xuất để loại bỏ hiện tượng gấp khúc cục bộ. Các khung thuật toán cơ bản của ElasticABC được xây dựng làm cơ sở cho giai đoạn thử nghiệm tiếp theo.

- Chương 3 tập trung vào nghiên cứu giải pháp phân cụm dựa trên mô hình hỗn hợp Gauss và thuật toán EM; đề xuất phương pháp phân cụm động (DCM) với cơ chế cân bằng tải thông qua tham số chi phí và sử dụng hàm mục tiêu toàn phương. DCM được sử dụng nhằm tìm kiếm cấu hình phân cụm cân bằng. Các khung thuật toán cơ bản của DCM được xây dựng làm cơ sở cho giai đoạn thử nghiệm tiếp theo. - Chương 4 trình bày chi tiết về kiểm chứng thuật toán ElasticABC và phương pháp DCM thông qua chương trình mô phỏng số trên máy tính và thực thi trên nhiều kịch bản đa dạng.

ElasticABC thử nghiệm cho hệ robot có 10 phần tử, đánh giá hoạt động trong những cấu hình vật cản khác nhau, cũng như được so sánh với thuật toán ABC truyền thống. Tiếp theo, thử nghiệm DCM tiến hành với hệ robot có tối đa 50 phần tử, đánh giá hoạt động cũng như đặc điểm phân tán không gian thông qua những cấu hình điểm giao cắt hành trình khác nhau. Các phân tích và đánh giá về kết quả thử nghiệm số đã chỉ ra được hiệu quả hoạt động và chất lượng đường đi thực tế của ElasticABC cũng như chất lượng phân cụm của DCM. Cuối cùng, Luận án đã tổng hợp Danh mục các công trình khoa học có liên quan trực tiếp đến phạm vi nghiên cứu của luận án và những kết quả nghiên cứu khác mà nghiên cứu sinh đã đạt được thuộc lĩnh vực có liên quan trong giai đoạn thực hiện luận án cùng với Phụ lục bao gồm năm bảng số liệu mô phỏng số.

TỔNG QUAN Trong những thập kỷ gần đây, sự phát triển của robot di động đã thúc đẩy sự dịch chuyển từ ứng dụng đơn lẻ sang hệ thống đa robot phức tạp (MRS - multi-robot systems, multi-robots). Chúng đã và đang được ứng dụng phổ biến trong nhiều lĩnh vực như hậu cần, nông nghiệp công nghệ cao và tìm kiếm cứu nạn. Việc điều phối số lượng lớn phần tử robot di chuyển an toàn và hiệu quả trong cùng một không gian làm việc là thách thức lớn về mặt thuật toán và kỹ thuật. Trong đó, hai yếu tố rất được quan tâm là giải pháp hoạch định đường đi với hệ thống đa robot cùng với giải pháp phân vùng hoặc phân cụm khi quy mô về số lượng tăng lên, hỗ trợ cho hoạt động quản lý hệ thống.