Tổng quan nghiên cứu

Thị trường xe tự hành phục vụ vận chuyển hàng hóa tự động (Automated Guided Vehicle - AGV) trên toàn cầu đạt quy mô định giá 4,28 tỷ USD vào năm 2022 và được dự báo duy trì tốc độ tăng trưởng kép hàng năm (CAGR) ở mức 9,7% trong giai đoạn từ năm 2023 đến năm 2030. Xu hướng tự động hóa và công nghiệp hóa hiện đại hóa đang thúc đẩy các trung tâm logistics, kho hàng bán lẻ và nhà máy sản xuất chuyển đổi sang hệ thống Multi-AGV nhằm tối ưu hóa năng lực vận hành. Tuy nhiên, một trong những thách thức cốt lõi ảnh hưởng trực tiếp đến hiệu suất của toàn hệ thống là độ trễ trong quá trình phản hồi nhiệm vụ, đặc biệt khi các phương tiện ở trạng thái rảnh rỗi chờ đơn hàng mới.

Các chiến lược đỗ truyền thống như đỗ tập trung tại một khu vực cố định hoặc đỗ tuần hoàn theo vòng lặp thường phát sinh quãng đường di chuyển không tải lớn, làm gia tăng thời gian chờ lấy hàng. Trong khi đó, chiến lược đỗ tại chỗ (dwell-point) tuy tiết kiệm năng lượng di chuyển nhưng lại tiềm ẩn nguy cơ gây ách tắc giao thông nếu không có giải pháp quy hoạch không gian phù hợp.

Mục tiêu trọng tâm của nghiên cứu là xây dựng và phát triển một thuật toán thông minh ứng dụng mô hình học máy dự đoán nhu cầu vận chuyển trong tương lai, từ đó xác định chính xác vị trí đỗ tối ưu cho từng AGV khi chuyển sang trạng thái rảnh rỗi. Nghiên cứu tập trung vào hệ thống AGV nâng kệ hàng hoạt động trong mạng lưới giao thông dạng bàn cờ điển hình của các kho hàng thương mại điện tử hiện đại.

Được thực hiện trong khoảng thời gian 16 tuần từ tháng 9 năm 2023 đến tháng 1 năm 2024 tại Trường Đại học Bách Khoa – ĐHQG TP.HCM, công trình đã chứng minh tính hiệu quả vượt trội khi cắt giảm từ 22,4% đến 31,8% thời gian phản hồi trung bình của hệ thống. Nghiên cứu mang lại giải pháp công nghệ có giá trị ứng dụng thực tiễn cao, hỗ trợ đắc lực cho tiến trình hiện đại hóa chuỗi cung ứng logistics tại Việt Nam hướng tới mục tiêu năm 2030.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên nền tảng tích hợp giữa lý thuyết điều khiển hệ thống Multi-AGV, mô hình động học phương tiện và các thuật toán học máy dự báo chuỗi thời gian:

  • Lý thuyết điều khiển hệ thống Multi-AGV: Hệ thống vận hành dựa trên cấu trúc điều khiển tập trung, đảm nhiệm 5 chức năng cốt lõi bao gồm phân bổ nhiệm vụ, xác định đường đi, lập kế hoạch di chuyển tránh va chạm, định vị không gian và quản lý trạng thái phương tiện. Cấu trúc tập trung cho phép máy tính chủ thu thập toàn bộ dữ liệu thời gian thực, điều phối tối ưu hoạt động của đội xe và triệt tiêu xung đột giao thông.
  • Mô hình động học AGV hai bánh chủ động vi sai: Phương tiện được trang bị cơ cấu nâng hạ kiện hàng theo phương thẳng đứng kết hợp 2 bánh truyền động vi sai và bánh xe đa hướng hỗ trợ. Phương trình động học mô tả mối quan hệ phi tuyến tính giữa vận tốc tịnh tiến, vận tốc góc và 3 thành phần sai số vị trí theo trục tọa độ không gian so với điểm tham chiếu mục tiêu. Thiết kế kích thước nhỏ gọn cho phép AGV di chuyển linh hoạt bên dưới gầm các kệ hàng, khắc phục hoàn toàn nhược điểm chặn đường của quy tắc đỗ tại chỗ.
  • Lý thuyết học sâu và mô hình chuỗi thời gian: Ứng dụng mạng nơ-ron hồi quy RNN với cấu trúc bộ nhớ ngắn hạn dài LSTM (Long Short-Term Memory) nhằm giải quyết bài toán phụ thuộc thời gian dài hạn.
  • Các khái niệm then chốt: Vị trí đỗ tại chỗ (Dwell-point), Mạng lưới giao thông dạng bàn cờ (Chessboard grid network), Thời gian phản hồi nhiệm vụ (Task response time), Ma trận kề (Adjacency matrix) và Ma trận góc hướng di chuyển.

Phương pháp nghiên cứu

  • Nguồn dữ liệu và môi trường thử nghiệm: Nghiên cứu sử dụng nguồn dữ liệu đơn hàng thương mại điện tử kết hợp mô hình chuỗi Markov 96 trạng thái để tạo lập tập dữ liệu mô phỏng nhu cầu vận chuyển kệ hàng theo chu kỳ thời gian thực. Toàn bộ thuật toán điều khiển và môi trường giao thông được lập trình, mô phỏng trên nền tảng phần mềm MATLAB.
  • Cỡ mẫu và phương pháp chọn mẫu: Tập dữ liệu nghiên cứu bao gồm 4 tệp mô phỏng độc lập với quy mô hơn 10.000 điểm dữ liệu nhiệm vụ. Phương pháp chọn mẫu phân tầng theo chuỗi thời gian được áp dụng với tần suất biến thiên từ 10 đến 40 công việc mỗi giờ, đại diện cho các mức tải trọng từ thấp, trung bình đến cao điểm trong nhà kho.
  • Phương pháp phân tích dữ liệu và lý do lựa chọn: Nghiên cứu áp dụng kỹ thuật phân tích thành phần chính (Principal Component Analysis - PCA) kết hợp chuẩn hóa dữ liệu (Centering và Scaling) nhằm loại bỏ các thông tin dư thừa, giảm chiều không gian và hạn chế tối đa độ trễ tính toán của hệ thống. Thuật toán mạng LSTM được lựa chọn nhờ khả năng học vượt trội các chuỗi quy luật biến động đơn hàng phi tuyến tính, giúp dự báo chính xác kệ hàng nào sẽ được yêu cầu vận chuyển tiếp theo. Thuật toán Dijkstra mở rộng được sử dụng để tối ưu hóa đồng thời nhiều lộ trình ngắn nhất trên sa bàn bàn cờ.
  • Timeline nghiên cứu: Triển khai liên tục qua các giai đoạn từ thu thập cơ sở lý thuyết, mô hình hóa động học, tiền xử lý dữ liệu, huấn luyện mạng dự đoán đến kiểm chứng kết quả mô phỏng trong 16 tuần.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình mô phỏng và kiểm chứng thuật toán xác định vị trí đỗ ứng dụng mô hình dự đoán đã mang lại các kết quả thực nghiệm nổi bật:

  • Cắt giảm mạnh thời gian phản hồi trung bình: Thuật toán mới giúp giảm thời gian phản hồi trung bình của hệ thống AGV từ 22,4% đến 31,8% trên cả 4 tệp dữ liệu thử nghiệm so với phương pháp vận hành truyền thống không áp dụng dự đoán.
  • Triệt tiêu đỉnh trễ của thời gian phản hồi tối đa: Thời gian phản hồi lớn nhất của phương tiện trong các khung giờ cao điểm giảm tới 28,5%, giúp hệ thống tránh được tình trạng đơn hàng bị ứ đọng cục bộ tại các trạm làm việc.
  • Hiệu quả tối ưu đạt đỉnh ở tần suất vận hành tiêu chuẩn: Tại mật độ vận hành 20 nhiệm vụ mỗi giờ, tỷ lệ cải thiện thời gian phản hồi trung bình trên tệp dữ liệu số 1 đạt mức cao nhất là 33,2%, chứng minh tính thích ứng hoàn hảo của thuật toán với nhịp độ làm việc thực tế của nhà kho logistics.
  • Độ chính xác dự báo vị trí vượt trội: Mô hình chuỗi Markov 96 trạng thái kết hợp mạng LSTM đạt độ chính xác dự báo vị trí kệ hàng phát sinh nhu cầu đạt trên 87,6%, giúp các AGV rảnh rỗi tự động di chuyển đón đầu chính xác vị trí mục tiêu trước khi đơn hàng chính thức được kích hoạt.

Thảo luận kết quả

Hiệu quả vượt trội của giải thuật bắt nguồn từ việc biến đổi trạng thái thụ động của AGV rảnh rỗi thành trạng thái chủ động có định hướng. Trong các hệ thống thông thường, AGV sau khi hoàn thành công việc sẽ đứng yên tại trạm giao hàng hoặc quay về bãi đỗ trung tâm, tạo ra khoảng cách di chuyển lớn khi có đơn hàng mới phát sinh ở khu vực xa. Với giải thuật đề xuất, hệ thống điều khiển trung tâm sử dụng mạng LSTM để phân tích dữ liệu đơn hàng trong quá khứ, dự báo trước nhu cầu vận chuyển kệ hàng tiếp theo và điều phối AGV di chuyển ngay đến vị trí nút chứa kệ hàng đó để đỗ chờ. Nhờ đặc tính cơ khí nâng gầm thấp, AGV có thể nằm gọn dưới đáy kệ hàng mà không cản trở làn đường của các phương tiện khác đang lưu thông.

Khi so sánh với các nghiên cứu quy hoạch tuyến tính số nguyên của các tác giả quốc tế trước đây, phương pháp học máy đề xuất cho thấy tốc độ xử lý nhanh hơn, giảm tải đáng kể áp lực tính toán cho phần cứng máy tính chủ. Mức cải thiện 22,4% đến 31,8% cũng tiệm cận và vượt qua mức tối ưu 20% đến 30% từng được ghi nhận trong các công trình nghiên cứu sử dụng mạng nơ-ron hồi quy trên sa bàn công nghiệp tiêu chuẩn.

Toàn bộ dữ liệu thực nghiệm có thể được biểu diễn trực quan qua biểu đồ đường so sánh thời gian phản hồi theo chuỗi thời gian thực giữa hai trạng thái trước và sau khi áp dụng thuật toán. Đồng thời, một bảng ma trận đối sánh 4 tệp dữ liệu với các cột thể hiện số lượng AGV, tần suất nhiệm vụ (từ 10 đến 40 task/h), thời gian phản hồi trung bình và tỷ lệ phần trăm cải thiện sẽ làm nổi bật tính ổn định của giải thuật dưới mọi điều kiện tải.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, 4 nhóm giải pháp chiến lược được đề xuất nhằm ứng dụng hiệu quả mô hình dự đoán vị trí đỗ cho hệ thống AGV:

  • Tích hợp thuật toán dự đoán LSTM vào hệ thống điều hành kho (WMS): Đội ngũ phát triển phần mềm và kỹ sư tự động hóa cần triển khai tích hợp khối thuật toán học máy vào phần mềm quản lý kho hiện hữu trong vòng 6 tháng tới. Mục tiêu cụ thể là nâng cao tốc độ xuất nhập hàng hóa thêm ít nhất 25% và giảm thiểu tối đa thời gian chờ của nhân công tại các trạm thao tác.
  • Chuẩn hóa mạng lưới giao thông mặt sàn theo cấu trúc lưới bàn cờ: Doanh nghiệp vận hành kho bãi cần thực hiện tái cấu trúc layout nhà xưởng theo định dạng lưới ô vuông với kích thước chuẩn 1m x 1m, đồng thời bố trí hệ thống mã định danh QR code tại các nút giao trong thời hạn 3 tháng. Giải pháp này nhằm đảm bảo độ chính xác định vị quang học của AGV đạt trên 98% và duy trì sai số bám quỹ đạo dưới 2%.
  • Thiết lập quy trình tự động làm sạch và tiền xử lý dữ liệu đơn hàng: Kỹ sư dữ liệu cần ứng dụng kỹ thuật PCA và các công cụ lọc nhiễu tự động để liên tục làm sạch dữ liệu nhật ký kho vận theo thời gian thực trong lộ trình 2 tháng. Mục tiêu là cắt giảm 40% khối lượng tính toán dư thừa, giúp mô hình dự đoán phản hồi kết quả trong thời gian dưới 1,5 giây cho mỗi chu kỳ điều phối.
  • Quy hoạch hệ thống giám sát năng lượng và phân bổ trạm sạc tự động: Ban quản lý kỹ thuật cần lắp đặt hệ thống cảm biến theo dõi dung lượng pin và liên kết trực tiếp với thuật toán phân bổ nhiệm vụ trong vòng 4 tháng. Mục tiêu duy trì tỷ lệ xe sẵn sàng hoạt động liên tục trên 95%, tự động định tuyến các AGV có mức năng lượng dưới 20% về trạm sạc trong các khoảng thời gian hệ thống ở trạng thái rảnh rỗi.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang lại giá trị học thuật và ứng dụng thực tiễn sâu rộng cho 4 nhóm đối tượng chính:

  • Nhà nghiên cứu và học viên cao học chuyên ngành Kỹ thuật Cơ điện tử, Tự động hóa và Robotics: Nắm bắt phương pháp luận mô hình hóa động học phi tuyến tính của phương tiện vi sai, kỹ thuật thiết lập ma trận kề không gian và quy trình xây dựng thuật toán điều khiển bám quỹ đạo dựa trên sai số hình học.
  • Kỹ sư phần mềm và chuyên gia phát triển thuật toán điều phối đội xe (Fleet Management): Tham khảo giải pháp kết hợp giữa thuật toán tìm đường Dijkstra mở rộng và mạng học sâu LSTM để tối ưu hóa bài toán phân bổ công việc động trong môi trường đa phương tiện phức tạp.
  • Giám đốc vận hành và chuyên viên quản lý chuỗi cung ứng logistics: Tiếp cận phương án tái cấu trúc layout kho hàng dạng bàn cờ và giải pháp công nghệ giúp cắt giảm thời gian xử lý đơn hàng từ 20% đến 30%, tối ưu hóa chi phí vận hành kho thương mại điện tử.
  • Doanh nghiệp sản xuất, chế tạo máy và tích hợp hệ thống tự động hóa: Khai thác tài liệu kỹ thuật hoàn chỉnh để định hướng phát triển các dòng sản phẩm AGV nâng gầm nội địa hóa tại Việt Nam, đáp ứng tiêu chuẩn công nghiệp 4.0 với mức chi phí đầu tư hợp lý.

Câu hỏi thường gặp

  • Giải thuật đề xuất giải quyết triệt để vấn đề gì trong vận hành hệ thống AGV? Giải thuật giải quyết trực tiếp bài toán lãng phí thời gian phản hồi khi AGV rảnh rỗi bằng cách dự báo nhu cầu đơn hàng tiếp theo và điều phối xe đỗ sẵn tại vị trí kệ hàng tương ứng. Kết quả thực nghiệm chứng minh thời gian phản hồi trung bình của toàn hệ thống được cắt giảm từ 22,4% đến 31,8%, nâng cao đáng kể hiệu suất lưu chuyển hàng hóa.
  • Tại sao mạng LSTM được lựa chọn thay vì các thuật toán học máy truyền thống? Mạng LSTM sở hữu kiến trúc các cổng thông tin đặc biệt, cho phép ghi nhớ các mối liên hệ phụ thuộc thời gian dài hạn và tính chu kỳ phức tạp của luồng đơn hàng kho vận. So với các mô hình thống kê cổ điển, LSTM đạt độ chính xác dự báo vị trí kệ hàng trên 87,6% và xử lý mượt mà dữ liệu chuỗi thời gian phi tuyến tính.
  • Quy tắc đỗ tại chỗ có gây cản trở giao thông trên mạng lưới bàn cờ không? Hiện tượng tắc nghẽn được triệt tiêu hoàn toàn nhờ việc ứng dụng loại AGV nâng gầm có kích thước nhỏ gọn. Khi hoàn thành lệnh điều phối đỗ, phương tiện sẽ chui xuống và đỗ gọn gàng bên dưới kệ hàng, giải phóng 100% không gian lối đi cho các AGV khác đang thực hiện nhiệm vụ vận chuyển.
  • Mô hình dự đoán có thể mở rộng cho các dạng layout nhà kho khác không? Thuật toán hoàn toàn có khả năng mở rộng cho các dạng mặt bằng đường tròn, mạng lưới phân vùng hoặc kho hàng đa tầng. Chỉ cần cập nhật lại ma trận kề biểu diễn tọa độ các nút giao và tái huấn luyện mô hình LSTM với dữ liệu đơn hàng tương ứng, hệ thống sẽ tự động tối ưu hóa vị trí đỗ phù hợp.
  • Những yếu tố nào quyết định trực tiếp đến độ chính xác của thuật toán? Độ chính xác của hệ thống phụ thuộc vào chất lượng dữ liệu nhật ký đơn hàng đầu vào, cấu hình số lượng nút trạng thái trong mô hình và việc triệt tiêu dữ liệu nhiễu bằng phương pháp PCA. Việc duy trì dữ liệu sạch giúp thuật toán giảm thiểu sai số dự đoán và phản hồi lệnh điều phối chỉ trong khoảng 1,5 giây.

Kết luận

  • Xây dựng thành công mô hình động học chính xác cho AGV hai bánh chủ động vi sai nâng kệ và thiết lập mạng lưới giao thông mô phỏng dạng bàn cờ trên phần mềm MATLAB.
  • Phát triển giải thuật xác định vị trí đỗ thông minh kết hợp mạng học sâu LSTM và chuỗi Markov 96 trạng thái, chuyển đổi phương thức vận hành từ phản ứng thụ động sang dự báo chủ động.
  • Minh chứng hiệu quả cắt giảm thời gian phản hồi trung bình từ 22,4% đến 31,8% và giảm thời gian phản hồi cực đại tới 28,5% trên các kịch bản thử nghiệm tải trọng đa dạng.
  • Giải quyết trọn vẹn điểm nghẽn giao thông của chiến lược đỗ tại chỗ nhờ thiết kế phương tiện nâng gầm nhỏ gọn di chuyển ẩn dưới đáy kệ hàng.
  • Đóng góp nguồn tài liệu học thuật và kỹ thuật giá trị, thúc đẩy sự phát triển của các giải pháp tự động hóa kho vận thông minh Make in Vietnam.

Về định hướng tiếp theo, nghiên cứu cần được triển khai thử nghiệm thực địa trên hệ thống phần cứng AGV thực tế trong vòng 12 tháng tới để đánh giá thêm các tác động vật lý như hao mòn cơ khí và suy hao tín hiệu mạng không dây. Các tổ chức, viện nghiên cứu và doanh nghiệp quan tâm có thể khai thác, trích dẫn chi tiết công trình này để ứng dụng vào việc nâng cấp giải pháp kho thông minh 4.0.