Tổng quan nghiên cứu

Robot tự cân bằng hai bánh là một hệ thống robot di chuyển có tính linh động cao, đặc biệt phù hợp với địa hình phức tạp và không gian hẹp. Theo ước tính, các loại robot ba hoặc bốn bánh truyền thống thường gặp khó khăn khi di chuyển trên địa hình lồi lõm hoặc mặt phẳng nghiêng do trọng lực phân bố không đồng đều, dẫn đến mất ổn định. Trong khi đó, robot hai bánh đồng trục giữ trọng lực luôn nằm trên trục bánh xe, giúp duy trì sự cân bằng trên mọi địa hình.

Vấn đề nghiên cứu tập trung vào việc phát triển các luật điều khiển hiện đại nhằm giữ cân bằng cho mô hình robot hai bánh dựa trên nguyên lý con lắc ngược. Mục tiêu cụ thể là khảo sát, mô phỏng, thiết kế và chế tạo một mô hình robot tự cân bằng hai bánh sử dụng các thuật toán điều khiển PID và LQR, đồng thời áp dụng bộ lọc Kalman để nâng cao độ chính xác trong đo lường góc nghiêng. Nghiên cứu được thực hiện trong phạm vi thiết kế mô hình robot tại Việt Nam, với các thử nghiệm thực tế và mô phỏng trên phần mềm Matlab-Simulink.

Ý nghĩa của nghiên cứu được thể hiện qua việc cải thiện khả năng tự cân bằng và di chuyển ổn định của robot trên địa hình đa dạng, góp phần thúc đẩy ứng dụng robot trong công nghiệp và đời sống. Các chỉ số hiệu quả như thời gian ổn định góc nghiêng dưới 0,5 giây và khả năng duy trì vị trí cân bằng với sai số nhỏ được sử dụng làm tiêu chuẩn đánh giá.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính: mô hình con lắc ngược và các luật điều khiển tự động hiện đại. Mô hình con lắc ngược được sử dụng để mô phỏng hệ robot hai bánh, trong đó robot được xem như một con lắc có trọng tâm nằm phía trên, cần phải tự cân bằng bằng cách điều khiển lực tác động lên bánh xe.

Luật điều khiển PID (Proportional-Integral-Derivative) là thuật toán điều khiển phản hồi phổ biến, gồm ba thành phần: tỉ lệ (KP), tích phân (KI) và đạo hàm (KD). PID giúp giảm sai lệch góc nghiêng bằng cách điều chỉnh lực tác động dựa trên sai số hiện tại, tích lũy và tốc độ thay đổi sai số.

Luật điều khiển LQR (Linear Quadratic Regulator) là phương pháp điều khiển tối ưu toàn phương, nhằm tối thiểu hóa hàm mục tiêu toàn phương của trạng thái và tín hiệu điều khiển. LQR sử dụng ma trận phản hồi trạng thái để đảm bảo hệ thống ổn định và đạt hiệu suất tối ưu.

Bộ lọc Kalman được áp dụng để xử lý tín hiệu đo từ cảm biến MPU6050, kết hợp dữ liệu từ gia tốc kế và con quay hồi chuyển nhằm loại bỏ nhiễu và sai số, nâng cao độ tin cậy của phép đo góc nghiêng.

Phương pháp nghiên cứu

Nguồn dữ liệu chính bao gồm các phép đo thực tế từ mô hình robot tự cân bằng hai bánh được chế tạo, cùng với dữ liệu mô phỏng trên phần mềm Matlab và Simulink. Cỡ mẫu nghiên cứu là một mô hình robot vật lý với các cảm biến và bộ điều khiển tích hợp.

Phương pháp phân tích bao gồm xây dựng mô hình toán học dựa trên phương trình trạng thái và hàm truyền của hệ thống con lắc ngược, sau đó áp dụng các thuật toán điều khiển PID và LQR để mô phỏng đáp ứng hệ thống. Bộ lọc Kalman được lập trình để xử lý tín hiệu cảm biến. Quá trình nghiên cứu được thực hiện theo timeline từ khảo sát lý thuyết, mô phỏng, thiết kế cơ khí, chế tạo mạch điện, lập trình điều khiển đến thử nghiệm thực tế.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả điều khiển PID: Mô phỏng đáp ứng xung góc nghiêng robot với hệ số PID Kp=100, Ki=1, Kd=20 cho thấy thời gian ổn định góc nghiêng dưới 0,5 giây, đáp ứng yêu cầu về độ ổn định. Tuy nhiên, vị trí robot có xu hướng dịch chuyển liên tục với vận tốc gần như không đổi, gây hạn chế trong việc giữ vị trí cố định.

  2. Hiệu quả điều khiển LQR: Khi sử dụng điều khiển LQR với ma trận Q và R được điều chỉnh, robot duy trì góc nghiêng gần bằng 0 và vị trí ổn định hơn so với PID. Ví dụ, với Q(1,1)=5000 và Q(3,3)=100, vị trí robot ổn định sau khoảng 1,5 giây, cải thiện đáng kể so với PID.

  3. Độ chính xác đo lường: Bộ lọc Kalman giúp giảm nhiễu và sai số trong tín hiệu góc nghiêng từ cảm biến MPU6050, cho phép tín hiệu đo sau lọc ổn định và chính xác hơn, hỗ trợ hiệu quả cho các thuật toán điều khiển.

  4. Thiết kế cơ khí và mạch điều khiển: Mô hình robot có kích thước 30x30x10 cm, khối lượng bánh xe 0,4 kg, khung robot 0,8 kg, sử dụng động cơ DC 24V với hệ thống bánh răng giảm tốc tỷ số 1/70.8. Mạch điều khiển trung tâm sử dụng chip DSPIC30F4013 với các module cảm biến và điều khiển động cơ L298, đảm bảo hoạt động ổn định và khả năng giao tiếp với PC.

Thảo luận kết quả

Nguyên nhân chính khiến robot điều khiển bằng PID có vị trí dịch chuyển liên tục là do thuật toán PID không trực tiếp điều chỉnh vị trí mà chỉ tập trung vào góc nghiêng, dẫn đến hiện tượng drift. Trong khi đó, LQR với phản hồi toàn trạng thái có khả năng điều chỉnh đồng thời góc nghiêng và vị trí, giúp robot giữ vị trí ổn định hơn.

So sánh với các nghiên cứu trong ngành, kết quả này phù hợp với xu hướng ứng dụng LQR trong các hệ thống robot tự cân bằng để đạt hiệu quả tối ưu. Việc sử dụng bộ lọc Kalman cũng là giải pháp phổ biến nhằm nâng cao độ chính xác đo lường trong các hệ thống điều khiển tự động.

Dữ liệu có thể được trình bày qua biểu đồ đáp ứng xung góc nghiêng và vị trí robot theo thời gian, minh họa sự khác biệt rõ rệt giữa các phương pháp điều khiển PID và LQR. Bảng so sánh các thông số ổn định và sai số cũng giúp làm rõ hiệu quả từng phương pháp.

Đề xuất và khuyến nghị

  1. Tối ưu hóa thuật toán điều khiển: Áp dụng kết hợp PID và LQR hoặc phát triển thuật toán điều khiển thích nghi để vừa đảm bảo ổn định góc nghiêng, vừa giữ vị trí robot cố định, nhằm cải thiện hiệu suất tổng thể. Thời gian thực hiện: 6-12 tháng, chủ thể: nhóm nghiên cứu và kỹ sư điều khiển.

  2. Nâng cao chất lượng cảm biến: Sử dụng các cảm biến góc và vận tốc góc có độ chính xác cao hơn hoặc bổ sung cảm biến bổ trợ để giảm sai số đo lường, kết hợp với bộ lọc Kalman nâng cao. Thời gian thực hiện: 3-6 tháng, chủ thể: phòng thí nghiệm và nhà cung cấp thiết bị.

  3. Cải tiến thiết kế cơ khí: Tối ưu khung robot và hệ thống bánh xe giảm tốc để giảm trọng lượng và ma sát, tăng khả năng phản hồi nhanh của hệ thống. Thời gian thực hiện: 6 tháng, chủ thể: kỹ sư cơ khí và thiết kế.

  4. Phát triển giao diện điều khiển và giám sát: Hoàn thiện phần mềm giao tiếp giữa robot và PC để dễ dàng điều chỉnh tham số điều khiển và theo dõi trạng thái robot trong thời gian thực, hỗ trợ quá trình thử nghiệm và vận hành. Thời gian thực hiện: 3 tháng, chủ thể: nhóm phát triển phần mềm.

Đối tượng nên tham khảo luận văn

  1. Sinh viên và nghiên cứu sinh ngành Kỹ thuật Điện tử - Viễn thông: Có thể sử dụng luận văn làm tài liệu tham khảo về mô hình điều khiển robot tự cân bằng, các thuật toán PID, LQR và bộ lọc Kalman trong thực tế.

  2. Kỹ sư phát triển robot và tự động hóa: Áp dụng các phương pháp điều khiển và thiết kế mạch điều khiển trong việc phát triển các sản phẩm robot di động tự cân bằng, đặc biệt trong môi trường địa hình phức tạp.

  3. Giảng viên và nhà nghiên cứu trong lĩnh vực điều khiển tự động: Tham khảo các mô hình toán học, phương pháp mô phỏng và kết quả thực nghiệm để phát triển các nghiên cứu sâu hơn về điều khiển robot và hệ thống phi tuyến.

  4. Doanh nghiệp sản xuất thiết bị tự động và robot: Tận dụng kết quả nghiên cứu để cải tiến sản phẩm robot di chuyển, nâng cao tính ổn định và hiệu quả vận hành, đồng thời phát triển các giải pháp điều khiển tối ưu.

Câu hỏi thường gặp

  1. Robot tự cân bằng hai bánh hoạt động dựa trên nguyên lý nào?
    Robot dựa trên nguyên lý con lắc ngược, trong đó robot phải tự điều chỉnh lực tác động lên bánh xe để giữ góc nghiêng gần bằng 0, duy trì cân bằng trên hai bánh đồng trục.

  2. Tại sao cần sử dụng bộ lọc Kalman trong hệ thống điều khiển robot?
    Bộ lọc Kalman giúp kết hợp dữ liệu từ cảm biến gia tốc kế và con quay hồi chuyển, loại bỏ nhiễu và sai số, cung cấp tín hiệu góc nghiêng chính xác hơn cho thuật toán điều khiển.

  3. Ưu điểm của thuật toán điều khiển LQR so với PID là gì?
    LQR là phương pháp điều khiển tối ưu toàn trạng thái, có khả năng điều chỉnh đồng thời nhiều biến trạng thái như góc nghiêng và vị trí, giúp robot giữ vị trí ổn định hơn so với PID chỉ tập trung vào sai số góc nghiêng.

  4. Mô hình robot được thiết kế có kích thước và trọng lượng như thế nào?
    Robot có kích thước 30x30x10 cm, khối lượng bánh xe 0,4 kg và khung robot 0,8 kg, sử dụng động cơ DC 24V với hệ thống bánh răng giảm tốc tỷ số 1/70.8.

  5. Làm thế nào để điều chỉnh các thông số PID cho phù hợp với hệ thống?
    Có thể sử dụng phương pháp điều chỉnh kinh nghiệm Ziegler-Nichols hoặc phần mềm điều chỉnh tự động để xác định các hệ số KP, KI, KD tối ưu, đảm bảo hệ thống ổn định và đáp ứng nhanh.

Kết luận

  • Luận văn đã xây dựng thành công mô hình toán học và mô phỏng robot tự cân bằng hai bánh dựa trên nguyên lý con lắc ngược, áp dụng các luật điều khiển PID và LQR.
  • Kết quả mô phỏng và thực nghiệm cho thấy LQR vượt trội hơn PID trong việc giữ vị trí ổn định và giảm sai số góc nghiêng.
  • Bộ lọc Kalman được tích hợp hiệu quả giúp nâng cao độ chính xác đo lường góc nghiêng từ cảm biến MPU6050.
  • Thiết kế cơ khí và mạch điều khiển đáp ứng yêu cầu vận hành ổn định, linh hoạt trên địa hình đa dạng.
  • Các bước tiếp theo bao gồm tối ưu thuật toán điều khiển, nâng cấp cảm biến và cải tiến thiết kế để ứng dụng rộng rãi trong công nghiệp và đời sống.

Mời quý độc giả và các nhà nghiên cứu tiếp tục khám phá và phát triển các giải pháp robot tự cân bằng dựa trên nền tảng nghiên cứu này nhằm thúc đẩy ứng dụng công nghệ robot tại Việt Nam.