Tổng quan nghiên cứu

Hệ thống robot tự hành truyền thống với 3 hoặc 4 bánh xe cố định chiếm khoảng 85% các ứng dụng công nghiệp nhưng bộc lộ nhược điểm lớn khi di chuyển trên địa hình gồ ghề, hẹp hoặc mặt phẳng nghiêng trên 15 độ do dễ bị lật và mất lực bám. Robot tự cân bằng trên một quả bóng (Ballbot) đại diện cho bước đột phá trong kỹ thuật điều khiển học, kế thừa và phát triển từ mô hình con lắc ngược kinh điển sang không gian 3 chiều với duy nhất một điểm tiếp xúc mặt đất. Đề tài tập trung giải quyết bài toán cân bằng phi tuyến phức tạp của hệ cơ điện tử dưới kích hoạt (underactuated system), nơi số bậc tự do chuyển động lớn hơn số lượng cơ cấu chấp hành.

Mục tiêu cụ thể của nghiên cứu là xây dựng mô hình toán học động lực học 2D trên các mặt phẳng tọa độ, thiết kế bộ điều khiển tối ưu toàn phương tuyến tính LQR kết hợp bộ lọc ước lượng trạng thái Kalman (bộ điều khiển LQG), và thi công hoàn thiện mô hình thực nghiệm với chiều cao 0,80 m, tổng khối lượng 7,135 kg. Nghiên cứu được triển khai thực nghiệm tại thành phố Hồ Chí Minh trong giai đoạn 2014–2016. Kết quả nghiên cứu mang lại ý nghĩa học thuật và ứng dụng to lớn khi giúp robot duy trì góc nghiêng ổn định trong phạm vi sai số dưới 1,5 độ, giảm thời gian đáp ứng xác lập xuống dưới 1,2 giây và mở ra khả năng chuyển động toàn hướng 360 độ linh hoạt mà không cần bán kính quay vòng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng cơ học giải tích và lý thuyết điều khiển tự động hiện đại, bao gồm hai lý thuyết trọng tâm:

  1. Lý thuyết động lực học Euler-Lagrange: Ứng dụng phương trình vi phân phi tuyến bậc hai để mô tả sự tương quan giữa động năng, thế năng và moment ngoại lực tác động lên thân robot cùng quả bóng trên các mặt phẳng tọa độ Descartes $yz, xz$ và $xy$.
  2. Lý thuyết điều khiển tối ưu toàn phương tuyến tính (LQR): Giải phương trình đại số Riccati vô hạn $PA + A^T P + Q - PBR^{-1}B^T P = 0$ nhằm tìm vector độ lợi phản hồi trạng thái $K$, cực tiểu hóa chỉ tiêu chất lượng toàn phương $J$ dựa trên ma trận trọng số trạng thái $Q$ và ma trận trọng số ngõ vào $R$.

Các khái niệm chính được sử dụng bao gồm: Ma trận giải ngẫu lực (Decoupling Matrix) nhằm chuyển đổi lực xoắn từ hệ trục tọa độ giả định sang hệ 3 bánh xe Omni thực tế; Bộ lọc Kalman rời rạc (Discrete Kalman Filter) nhằm ước lượng tối ưu biến trạng thái từ tín hiệu ngẫu nhiên; Bộ lọc bù tần số (Complementary Filter); và Góc Euler biểu diễn tư thế không gian 3 chiều của robot.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm được thu thập từ cụm cảm biến quán tính IMU 6-DOF (kết hợp gia tốc kế 3 trục ADXL345 độ phân giải 13-bit, dải đo $\pm 16g$ và con quay hồi chuyển ITG3200 16-bit, dải đo $\pm 2000^\circ/s$) cùng hệ thống 3 encoder quang học độ phân giải 1000 xung/vòng gắn trên 3 động cơ DC Servo Tamagawa 24V-60W.

Cỡ mẫu nghiên cứu bao gồm 5.000 khung dữ liệu đo lường liên tục được ghi nhận ở tần số lấy mẫu 100 Hz (chu kỳ 10 ms). Phương pháp chọn mẫu là chọn mẫu ngẫu nhiên phân tầng theo các trạng thái vận hành của robot: trạng thái đứng cân bằng tĩnh, trạng thái chịu ngoại lực tác động tức thời và trạng thái di chuyển tịnh tiến.

Lý do lựa chọn phương pháp phân tích động lực học kết hợp giải thuật LQR và lọc Kalman xuất phát từ tính chất hệ thống đa biến (MIMO) có độ ghép kênh cao. Phương pháp tuyến tính hóa quanh điểm cân bằng kết hợp ma trận Riccati cho phép xử lý đồng thời nhiều biến trạng thái (vị trí bóng, vận tốc bóng, góc nghiêng thân, vận tốc góc thân) tốt hơn hẳn các phương pháp điều khiển đơn biến cổ điển. Quá trình nghiên cứu và khảo nghiệm được tiến hành liên tục trong thời gian 18 tháng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình mô phỏng trên Matlab Simulink và thử nghiệm thực tế trên mô hình phần cứng đã mang lại 4 phát hiện quan trọng:

  1. Hiệu quả khử nhiễu của bộ lọc Kalman: Tín hiệu góc nghiêng đo từ cảm biến sau khi qua bộ lọc Kalman giảm độ lệch chuẩn dao động từ $\pm 3,2^\circ$ xuống còn $\pm 0,35^\circ$ (giảm 89% biên độ nhiễu trắng do rung động cơ học). So với bộ lọc bù có hệ số $\alpha = 0,98$, bộ lọc Kalman triệt tiêu độ trễ pha tốt hơn khoảng 15 ms, cung cấp dữ liệu chính xác cho khâu hồi tiếp.
  2. Khả năng ổn định vượt trội của bộ điều khiển LQR: Dưới tác động của xung lực moment nhiễu $\tau_x = 0,08$ Nm, bộ điều khiển LQR đưa góc nghiêng thân robot về trạng thái cân bằng trong 1,2 giây với độ vọt lố cực đại chỉ 1,8 độ. Trong khi đó, bộ điều khiển PID kinh điển mất 2,1 giây (chậm hơn 42,8%) và độ vọt lố lên tới 6,5 độ.
  3. Độ chính xác của ma trận giải ngẫu (Decoupling): Ma trận chuyển vị lực quay 3 trục phân bổ chính xác 100% moment lực từ 3 bánh Omni bố trí nghiêng 45 độ xung quanh quả bóng rổ bán kính 0,115 m, đảm bảo chuyển động không bị trượt và không sinh moment xoắn ký sinh quanh trục thẳng đứng $z$.
  4. Hiệu suất năng lượng và thời gian hoạt động: Hệ thống nguồn pin Li-Po 24V dung lượng 2200 mAh duy trì hoạt động ổn định của robot trong 35 phút liên tục, với dòng điện tiêu thụ trung bình ở trạng thái cân bằng tĩnh là 3,8 A và dòng đỉnh khi chịu xung lực tác động đạt 8,5 A.

Thảo luận kết quả

Nguyên nhân chính giúp thuật toán LQR đạt hiệu năng vượt trội là khả năng tối ưu hóa đồng thời ma trận sai số góc nghiêng thân robot và sai số vị trí quả bóng thông qua ma trận trọng số $Q = \text{diag}([10, 1, 100, 10])$, giúp phân bổ năng lượng điều khiển hợp lý cho 3 động cơ chấp hành mà không làm bão hòa dòng điện của mạch Driver công suất 700W.

So với các công trình quốc tế như mô hình Ballbot của Đại học Carnegie Mellon (sử dụng 5 động cơ phức tạp) hay mô hình Rezero của Đại học Zurich (đạt vận tốc 2 m/s), mô hình của nghiên cứu đạt độ cân bằng tương đương trong không gian phòng thí nghiệm nhưng giảm được hơn 60% chi phí chế tạo phần cứng nhờ việc tối ưu hóa vi điều khiển Arduino Mega 2560 kết hợp vi xử lý ARM trên mạch driver.

Dữ liệu thực nghiệm được trực quan hóa qua biểu đồ đáp ứng thời gian (Time-Response Plot) thể hiện sự suy giảm biên độ dao động của góc nghiêng $\psi_x$ và vận tốc góc $\dot{\psi}_x$, kết hợp bảng so sánh chỉ số sai số toàn phương trung bình (RMSE) giữa giải thuật PID (RMSE = 0,142 rad) và giải thuật LQR-Kalman (RMSE = 0,028 rad), chứng minh tính ổn định vững chắc của mô hình toán học đã thiết lập.

Đề xuất và khuyến nghị

Dựa trên kết quả đạt được, 4 giải pháp cụ thể được đề xuất nhằm nâng cấp hệ thống:

  1. Nâng cấp vi điều khiển trung tâm: Đơn vị nghiên cứu cần thay thế bo mạch vi điều khiển 8-bit bằng dòng vi điều khiển 32-bit kiến trúc ARM Cortex-M4 tốc độ 168 MHz trong thời gian 6 tháng tới, nhằm tăng tần số lấy mẫu từ 100 Hz lên 1000 Hz, giúp giảm thời gian trễ xử lý lệnh điều khiển.
  2. Triển khai giải thuật điều khiển phi tuyến bền vững: Nhóm kỹ sư điều khiển tự động cần ứng dụng thuật toán điều khiển trượt (Sliding Mode Control) hoặc điều khiển dự báo mô hình (MPC) trong lộ trình 9 tháng, đặt mục tiêu nâng dải góc nghiêng tự phục hồi từ $\pm 10^\circ$ lên $\pm 25^\circ$.
  3. Cải tiến cơ cấu cơ khí và vật liệu bánh xe: Xưởng cơ khí chế tạo cần gia công lại các con lăn trên bánh xe Omni bằng vật liệu cao su silicon có độ nhám cao trong vòng 3 tháng, hướng tới mục tiêu tăng hệ số ma sát tiếp xúc với bóng lên thêm 25%, triệt tiêu hiện tượng trượt vi mô.
  4. Tích hợp hệ thống cảm biến định vị không gian: Bộ phận phát triển phần mềm cần tích hợp cảm biến LiDAR 2D và thuật toán SLAM trong vòng 12 tháng nhằm giúp robot tự định vị vị trí trong nhà với độ chính xác sai số dưới 0,05 m.

Đối tượng nên tham khảo luận văn

Nội dung luận văn mang lại giá trị thực tiễn cho 4 nhóm đối tượng chính:

  1. Học viên cao học và sinh viên ngành Kỹ thuật Điều khiển - Tự động hóa: Sử dụng luận văn làm tài liệu học thuật mẫu về phương pháp xây dựng phương trình Euler-Lagrange cho hệ phi tuyến và kỹ thuật lập trình bộ lọc Kalman rời rạc trên vi điều khiển.
  2. Kỹ sư R&D trong lĩnh vực Robot di động (Mobile Robotics): Khai thác thiết kế cơ khí 3 bánh Omni bố trí góc 45 độ và thuật toán ma trận giải ngẫu lực để phát triển các thế hệ robot dịch vụ di chuyển đa hướng trong không gian hẹp như bệnh viện, sân bay.
  3. Giảng viên và nhà nghiên cứu học thuật: Tham khảo dữ liệu thực nghiệm, mô hình mô phỏng Simulink và các phép toán Riccati để phục vụ công tác giảng dạy các học phần Điều khiển tối ưu, Điều khiển thông minh và Xử lý tín hiệu số.
  4. Kỹ sư thiết kế phần cứng và hệ thống nhúng: Tham khảo sơ đồ nguyên lý mạch điện, giải pháp kết nối truyền thông công nghiệp UART/Bluetooth tốc độ cao và kỹ thuật điều khiển động cơ DC Servo công suất lớn bằng thuật toán PID tích hợp trên vi xử lý ARM.

Câu hỏi thường gặp

1. Robot tự cân bằng trên một quả bóng có ưu điểm gì vượt trội so với xe tự cân bằng hai bánh? Robot trên một quả bóng có khả năng di chuyển tức thời theo mọi hướng trong mặt phẳng 360 độ mà không cần thực hiện thao tác quay thân để đổi hướng. Nhờ duy nhất một điểm tiếp xúc với mặt đất, robot có thể giữ thăng bằng linh hoạt trên địa hình dốc nghiêng hoặc mấp mô mà không bị lật.

2. Tại sao bộ lọc Kalman lại cần thiết cho hệ thống cảm biến IMU trong đề tài? Cảm biến gia tốc ADXL345 rất nhạy với rung động cơ học tần số cao, trong khi con quay hồi chuyển ITG3200 bị hiện tượng trôi dạt góc tĩnh theo thời gian. Bộ lọc Kalman kết hợp tối ưu hai luồng tín hiệu này, loại bỏ 89% nhiễu đo lường và cung cấp giá trị góc nghiêng chính xác tức thời.

3. Tại sao giải thuật LQR lại phù hợp hơn giải thuật PID đối với mô hình này? Mô hình Ballbot là hệ thống đa biến liên kết chặt chẽ giữa vị trí lăn của bóng và góc nghiêng thân. Bộ điều khiển PID chỉ xử lý đơn biến độc lập nên dễ gây mất ổn định chéo, trong khi LQR tính toán tối ưu đồng thời toàn bộ vector 4 biến trạng thái, giúp rút ngắn 42% thời gian xác lập.

4. Bánh xe Omni bố trí góc nghiêng 45 độ mang lại lợi ích cơ học gì? Góc bố trí 45 độ tính từ đỉnh quả bóng rổ Size 7 tạo ra lực ép pháp tuyến tối ưu giữa các con lăn bánh xe và bề mặt bóng. Cấu trúc này tối đa hóa lực ma sát truyền động, phân bố đều lực xoắn từ 3 động cơ Servo và ngăn ngừa hiện tượng bóng bị trượt khỏi khung đỡ.

5. Các ma trận trọng số Q và R trong thuật toán LQR được lựa chọn như thế nào? Ma trận $Q$ và $R$ được xác định thông qua phương pháp thử sai kết hợp mô phỏng số. Giá trị trọng số của góc nghiêng thân trong ma trận $Q$ được đặt cao hơn 10 lần so với biến vị trí bóng để ưu tiên nhiệm vụ giữ thăng bằng trước khi điều khiển bám vị trí.

Kết luận

  • Luận văn đã thiết lập thành công mô hình toán học động lực học 2D cho hệ thống Robot tự cân bằng trên một quả bóng bằng phương pháp Euler-Lagrange.
  • Thiết kế hoàn chỉnh thuật toán điều khiển LQR kết hợp bộ lọc Kalman, chứng minh hiệu quả giảm thời gian xác lập xuống 1,2 giây và sai số góc dưới 1,5 độ.
  • Chế tạo thành công mô hình phần cứng thực nghiệm cao 0,80 m, khối lượng 7,135 kg với hệ thống truyền động 3 bánh Omni góc 45 độ hoạt động tin cậy.
  • Xây dựng ma trận giải ngẫu lực chính xác, cho phép chuyển đổi mượt mà giữa không gian điều khiển ảo và hệ thống chấp hành thực tế.
  • Lộ trình phát triển tiếp theo trong 12 tháng tới sẽ tập trung nâng cấp vi điều khiển lên kiến trúc ARM 32-bit và tích hợp thuật toán định vị SLAM tự hành.

Quý độc giả, nhà nghiên cứu và kỹ sư quan tâm có thể khai thác toàn bộ mô hình toán học, sơ đồ mạch và mã nguồn giải thuật trong luận văn để ứng dụng vào các dự án phát triển robot tự cân bằng hiện đại.