Tổng quan luận án

Luận án tiến sĩ kỹ thuật "Nghiên cứu nâng cao chất lượng truyền thông và ứng dụng thuật toán học sâu tăng cường trong điều hướng tối ưu cho robot di động", chuyên ngành Kỹ thuật Điều khiển và Tự động hóa (mã số 9 52 02 16), do nghiên cứu sinh Nguyễn Thị Thanh Vân thực hiện dưới sự hướng dẫn của TS Ngô Mạnh Tiến và TS Nguyễn Công Lượng tại Học viện Khoa học và Công nghệ thuộc Viện Hàn lâm Khoa học và Công nghệ Việt Nam vào năm 2024.

Luận án xuất phát từ yêu cầu thực tiễn trong các nhà máy sản xuất hiện đại khi số lượng robot di động tự hành (AMR) và các thiết bị Internet vạn vật (IoT) gia tăng nhanh chóng, dẫn đến áp lực chia sẻ không gian hoạt động giữa robot, máy móc và con người. Do robot di động vận hành dựa trên nguồn pin rời gắn trên thân với dung lượng giới hạn, việc tối ưu hóa mức tiêu thụ năng lượng nhằm kéo dài thời gian làm việc là một bài toán then chốt. Giải pháp tích hợp truyền thông không dây giúp chuyển bớt các tác vụ tính toán phức tạp về trạm điều khiển trung tâm; tuy nhiên, môi trường công nghiệp lại tồn tại nhiều vật cản như máy móc, kết cấu nhà xưởng và hàng hóa gây ra hiện tượng che khuất tín hiệu trực tiếp (LoS), hình thành các vùng chết tín hiệu (dead zone). Mặt khác, việc bổ sung dày đặc các điểm truy cập mạng (AP) làm gia tăng chi phí phần cứng, mức tiêu thụ điện năng và gây nhiễu liên mạng nghiêm trọng. Từ thực tế này, tác giả xác định khoảng trống nghiên cứu chính là sự thiếu vắng các giải pháp kết hợp đồng thời giữa nâng cao chất lượng truyền thông không dây (khắc phục vùng chết bằng bề mặt thông minh) và bài toán tối ưu quỹ đạo di chuyển giảm tiêu hao năng lượng cho robot.

Mục tiêu nghiên cứu của luận án được xác định cụ thể qua bốn nội dung:

  1. Nghiên cứu mô hình và thuật toán tối ưu hệ thống mạng nâng cao chất lượng truyền thông phục vụ hoạt động của robot di động.
  2. Nghiên cứu, phát triển các thuật toán tối ưu quỹ đạo với mục tiêu tối thiểu năng lượng tiêu thụ cho robot di động hoạt động trong môi trường truyền thông lý tưởng.
  3. Nghiên cứu, phát triển các hệ thống điều hướng cho robot di động kết hợp tối ưu quỹ đạo với truyền thông không dây và tối thiểu năng lượng tiêu thụ của hệ thống.
  4. Mô phỏng kiểm chứng và đánh giá hiệu quả của các thuật toán và mô hình hệ thống đề xuất.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Hệ thống điều hướng và lập quỹ đạo cho robot di động.
  • Phạm vi nghiên cứu: Điều hướng tối ưu cho robot di động trong môi trường truyền thông không dây công nghiệp, xét trong không gian nhà xưởng có chướng ngại vật tĩnh và động, có sự hỗ trợ của bề mặt phản xạ thông minh (IRS) và bề mặt đồng thời truyền và phản xạ thông minh (STAR-IRS).

Tổng quan tài liệu và vị trí của luận án

Trong nước, bài toán lập quỹ đạo cho robot di động đã thu hút nhiều nhóm nghiên cứu. Các tác giả trong [26] đề xuất thuật toán $\eta^3$-spline bậc 7 để tạo quỹ đạo tối ưu cho robot Pioneer P3-DX vận chuyển kệ hàng. Tác giả trong [27] sử dụng cảm biến Lidar xây dựng bản đồ và áp dụng thuật toán $A^$ tránh vật cản cho robot 3 bánh. Nghiên cứu [28] kết hợp $A^$ lập quỹ đạo toàn cục với kỹ thuật dải đàn hồi thời gian (TEB) để lập quỹ đạo cục bộ tránh vật cản động. Nhóm tác giả trong [29] tiếp cận bài toán né vật cản trong nhà kho qua tính toán xác suất va chạm. Tác giả trong [30] phát triển hệ thống dải đàn hồi thời gian tích cực (PTEB) kết hợp TEB và mô hình vật cản vận tốc tương hỗ (HRVO), trong khi công trình [31] đề xuất mô hình cửa sổ động mở rộng (EDWA) kết hợp giữa DWA và HRVO. Bản thân tác giả luận án cũng đã công bố các kết quả nghiên cứu bước đầu về hệ thống SLAM và điều hướng trên hệ điều hành robot (ROS) tại hội nghị VCCA-2021 (công trình CT4) và ứng dụng học sâu tăng cường (DRL) cho điều hướng robot trên nền ROS xuất bản tại Springer năm 2021 (công trình CT5).

Trên thế giới, các thuật toán tìm đường cổ điển dựa trên việc rời rạc hóa không gian như Dijkstra (1959), $A^$ của Hart và cộng sự (1968) với hàm đánh giá $f(n) = g(n) + h(n)$, và $D^$ của Stentz (1994) cho môi trường động đòi hỏi dung lượng bộ nhớ lớn và đường đi tạo ra thiếu độ mượt. Các thuật toán tiến hóa như thuật toán di truyền (GA) của Holland (1975) và mạng nơ-ron nhân tạo (ANN) được sử dụng để tối ưu hóa đường đi nhưng dễ rơi vào cực trị địa phương. Về khía cạnh năng lượng, các giải pháp phần cứng tiêu thụ điện thấp [33], thiết kế nguồn pin DC chuyên dụng [34], hệ thống truyền điện không dây [35], và quản lý năng lượng động thời gian thực trên robot Pioneer 3DX [36] đã được đề xuất. Ở hướng tiếp cận thuật toán chuyển động, tối ưu hóa quỹ đạo có thể tiết kiệm từ 10% [37] đến 42% [38] năng lượng. Các công trình [39], [40], [41] đã tích hợp hàm tiêu thụ năng lượng vào thuật toán Newton hoặc biến thể $EA^*$, tuy nhiên chủ yếu dừng lại ở môi trường tĩnh. Đối với môi trường chưa biết trước bản đồ, các thuật toán DRL như Q-learning kết hợp điện thế nhân tạo QAPF [46], PPO kết hợp 2D-Lidar trong MuJoCo [47], và Double DQN với kiến trúc dueling trong ROS/Gazebo [48] đã chứng minh được hiệu quả né vật cản.

Về phương diện tích hợp truyền thông không dây cho robot (IoRT [49]), nghiên cứu [50] khảo sát lập quỹ đạo qua mạng 5G/B5G với mô hình vùng phủ tròn của trạm gốc (BS), tiết kiệm từ 22% đến gần 50% năng lượng. Công trình [52] giải bài toán quy hoạch tuyến tính nguyên hỗn hợp (MILP) để tối thiểu năng lượng di chuyển và truyền thông. Khi xét đến vật cản che khuất, bề mặt phản xạ thông minh (IRS) được xem là giải pháp then chốt cho tự động hóa nhà xưởng hướng tới công nghiệp 5.0 và mạng 6G [4]. Nghiên cứu [5] xem xét IRS hỗ trợ trạm điều khiển truyền tín hiệu đến thiết bị từ xa qua kênh phản xạ, song thiết bị được giả định đứng yên. Nghiên cứu [6] lần đầu tiên dùng IRS hỗ trợ điều hướng cho robot nhưng sử dụng bản đồ vô tuyến có sẵn kết hợp thuật toán Dijkstra; công trình [53] tối ưu đồng thời quỹ đạo robot và bộ tạo chùm tia tại AP thông qua bản đồ vô tuyến dựng trước; còn công trình [54] tối ưu bộ tạo chùm tia và độ dịch pha của IRS nhưng bỏ qua việc lập quỹ đạo. Bên cạnh đó, các nghiên cứu về hệ thống truyền thông thiết bị-tới-thiết bị (D2D) và mạng truyền thông tin kết hợp truyền năng lượng không dây (SWIPT) có IRS hỗ trợ [60], [63], [65], [66], [67], [68], [69], [70] đã nghiên cứu cân bằng thông lượng và năng lượng thu hoạch nhưng chưa áp dụng cho robot di động tự hành.

Khoảng trống luận án lựa chọn giải quyết: Luận án khắc phục hạn chế của các nghiên cứu trước bằng cách: (1) thiết lập mô hình mạng DED2D tích hợp truyền thông D2D và truyền năng lượng có IRS hỗ trợ nhằm giải quyết triệt để vấn đề nhiễu và vùng chết; (2) xây dựng thuật toán xấp xỉ lồi giải bài toán tối ưu quỹ đạo giảm tiêu hao năng lượng trong môi trường truyền thông lý tưởng có vật cản động; và (3) phát triển thuật toán học sâu tăng cường PPO phối hợp với bề mặt truyền và phản xạ thông minh STAR-IRS để điều hướng tối ưu năng lượng cho robot trong môi trường truyền thông chưa đảm bảo mà không phụ thuộc vào bản đồ vô tuyến dựng trước.

Cơ sở lý thuyết và phương pháp nghiên cứu

Luận án xây dựng trên các nền tảng lý thuyết và công cụ phân tích sau:

  • Khung lý thuyết tối ưu hóa toán học: Sử dụng lý thuyết tối ưu hóa lồi và kỹ thuật xấp xỉ lồi (Convex Approximation Algorithm - CAA) để chuyển đổi các bài toán tối ưu không lồi chứa các biến ghép phức tạp và ràng buộc phi tuyến về chuỗi bài toán lồi giải được bằng phần mềm CVX trên nền Matlab.
  • Lý thuyết bề mặt phản xạ thông minh: Mô hình hóa toán học các phần tử phản xạ thụ động của IRS với ràng buộc mô đun đơn vị (Unit-Modulus Constraint - UMC) $|\bar{\theta}n| = 1$, và mở rộng sang công nghệ STAR-IRS (Simultaneously Transmitting and Reflecting IRS) cho phép các phần tử đồng thời phản xạ và truyền qua sóng điện từ với hệ số phản xạ $\beta{l,n}^r$ và hệ số truyền qua $\beta_{l,n}^t$ nhằm mở rộng không gian phục vụ $360^\circ$.
  • Lý thuyết học máy tăng cường sâu (DRL): Mô hình hóa bài toán điều hướng dưới dạng Quy trình quyết định Markov (MDP) gồm không gian trạng thái $S$, không gian hành động $A$, hàm phần thưởng $R$, hàm giá trị trạng thái $V(s)$ và hàm giá trị hành động $Q(s, a)$. Áp dụng thuật toán Tối ưu hóa chính sách cận biên (Proximal Policy Optimization - PPO) kết hợp kiến trúc Actor-Critic để tối ưu hóa chính sách di chuyển liên tục của robot dưới các ràng buộc tín hiệu ngẫu nhiên.
  • Mô hình động học và năng lượng robot: Luận án sử dụng mô hình robot di động hai bánh chủ động vi sai, mô tả chuyển động qua véc-tơ tư thế $\hat{q} = [x, y, \phi]^T$, vận tốc dài $v$, vận tốc góc $\omega$, khối lượng $m$, mô-men quán tính $I$, công suất hệ thống mạch điện $P_s$, và bước thời gian $\tau$.
  • Phương pháp nghiên cứu: Kết hợp mô hình hóa toán học giải tích, thuật toán xấp xỉ lồi, học máy tăng cường và phương pháp mô phỏng số kiểm chứng trên máy tính.

Nguồn dữ liệu và tư liệu:

  • Dữ liệu khảo sát công nghiệp thực tế về các yêu cầu truyền thông vô tuyến trong tự động hóa nhà máy từ dự án KoI (năm 2016).
  • Dữ liệu khảo sát thiết kế và lắp đặt hệ thống mạng Wifi công nghiệp của công ty Netmarks tại nhà máy Sumitomo (SHI-V 1) thuộc Khu công nghiệp Thăng Long (năm 2019).
  • Các mô hình suy hao kênh truyền trực tiếp (LoS) và không trực tiếp (NLoS) trong nhà xưởng công nghiệp tại tần số sóng mang $f_c$, kênh fading Rayleigh/Rician, cùng các thông số phần cứng định mức của trạm gốc, cặp D2D và robot.
Tham số / Yêu cầu hệ thống Dữ liệu quy trình sản xuất (KoI) Dữ liệu xe tự hành AMR (KoI) Mạng Wifi SHI-V 1 (Netmarks)
Độ trễ truyền thông $< 10\text{ ms}$ $10 - 50\text{ ms}$ Giảm từ $15\text{ ms}$ xuống $\approx 4\text{ ms}$
Độ tin cậy mạng $1 - 10^{-9}$ $1 - 10^{-6}\text{ đến } 1 - 10^{-9}$ Kết nối ổn định qua AP công nghiệp
Kích thước dữ liệu truyền $< 50\text{ bytes}$ $< 300\text{ bytes}$ Truyền vị trí, nhiệm vụ, mức pin
Bán kính / Khoảng cách truyền $< 100\text{ m}$ $\approx 2\text{ m}$ Phủ sóng theo mặt bằng nhà máy
Thiết bị truyền phát Nút cảm biến / Cơ cấu chấp hành Robot tự hành / AGV Cisco Aironet 1602E nâng lên 2802E

Nội dung chính theo từng chương

Chương 1: Tổng quan về việc lập quỹ đạo cho robot di động trong nhà máy

Chương 1 hệ thống hóa cơ sở khoa học về cấu trúc hệ thống điều khiển robot tự hành gồm ba giai đoạn liên hoàn: định vị và lập quỹ đạo (toàn cục và cục bộ), điều khiển bám quỹ đạo, và điều khiển động cơ chấp hành. Phân tích số liệu từ Engineering Village cho thấy sự gia tăng liên tục của các nghiên cứu lập quỹ đạo từ giữa thập niên 1960 đến nay. Chương này tập trung làm rõ tính cấp thiết của việc tích hợp truyền thông không dây để giải phóng gánh nặng tính toán và lưu trữ trên robot, đồng thời chỉ ra rào cản từ các yêu cầu truyền thông công nghiệp khắt khe được lượng hóa qua dự án KoI (Bảng 1.1). Thông qua phân tích trường hợp thực tế tại nhà máy Sumitomo SHI-V 1, chương 1 minh chứng rằng việc tăng số lượng AP chỉ là giải pháp tình thế, gây tốn kém và không xử lý được triệt để các góc khuất do cấu trúc máy móc tạo ra. Từ đó, chương 1 đề xuất việc ứng dụng bề mặt phản xạ thông minh IRS nhằm tái cấu hình môi trường truyền sóng, đồng thời xác lập ba nhiệm vụ nghiên cứu tương ứng với ba chương nội dung tiếp theo của luận án.

Chương 2: Nâng cao chất lượng truyền thông trong nhà máy phục vụ hoạt động của robot di động

Chương 2 đề xuất mô hình hệ thống mạng truyền thông tích hợp dữ liệu và năng lượng kết hợp truyền thông D2D (mạng DED2D) có sự hỗ trợ của IRS. Cấu trúc mạng gồm một trạm gốc BS trang bị $\bar{M}$ ăng-ten, phục vụ nhóm $\mathcal{U}_I = {d_i}$ gồm $U_I$ robot di động nhận dữ liệu, nhóm $\mathcal{U}_E = {e_j}$ gồm $U_E$ thiết bị IoT thu hoạch năng lượng, một tập hợp $\mathcal{K} = {1, \dots, K}$ các cặp D2D chia sẻ cùng băng tần, và một tấm IRS gồm $N$ phần tử phản xạ có ma trận pha $\bar{\Theta} = \text{diag}(\bar{\theta}_1, \dots, \bar{\theta}_N)$ với $|\bar{\theta}_n| = 1$. Hệ thống hoạt động theo giao thức phân chia thời gian (TS) gồm khoảng thời gian truyền tin $\bar{t}_i$ và truyền năng lượng $\bar{t}_e$.

Tác giả thiết lập bài toán tối ưu hóa đa biến nhằm tối đa hóa thông lượng tối thiểu của các robot di động (max-min fairness): $$\max_{\bar{w}, \bar{v}, p, \bar{t}, \bar{\theta}} \min_{d_i \in \mathcal{U}_I} \bar{t}i R{\bar{t}_i, d_i}(\bar{w}, p, \bar{\theta})$$ dưới các ràng buộc khắt khe:

  • Ràng buộc biên độ phần tử IRS: $|\bar{\theta}_n| = 1, \forall n \in \mathcal{N}$.
  • Năng lượng thu hoạch tối thiểu tại mỗi thiết bị IoT: $\bar{t}e \rho E{\bar{t}e, e_j}(\bar{v}, p, \bar{\theta}) \ge e{\min}, \forall e_j \in \mathcal{U}_E$.
  • Ngưỡng tốc độ truyền dữ liệu của mỗi cặp D2D: $\bar{t}i R{\bar{t}_i, k}(\bar{w}, p, \bar{\theta}) + \bar{t}e R{\bar{t}e, k}(\bar{v}, p, \bar{\theta}) \ge R{k,\min}, \forall k \in \mathcal{K}$.
  • Công suất phát trung bình và định mức của BS: $\sum \bar{t}i |\bar{w}{d_i}|^2 + \sum \bar{t}e |\bar{v}{e_j}|^2 \le P_{B,\max}$, $|\bar{w}{d_i}|^2 \le P{B,\max}$, $|\bar{v}{e_j}|^2 \le P{B,\max}$.
  • Công suất phát của các cặp D2D: $p_k \le P_{k,\max}, \forall k \in \mathcal{K}$.

Tác giả phân tích và giải quyết bài toán qua hai kịch bản: kịch bản không phân bổ thời gian trực giao (N-OTA) và kịch bản phân bổ thời gian trực giao (OTA). Do bài toán gốc không lồi, tác giả sử dụng thuật toán xấp xỉ lồi kết hợp hàm phạt hệ số $\eta$ để đưa về dạng lồi khả thi. Kết quả mô phỏng số lượng hóa sự phụ thuộc của thông lượng hệ thống vào công suất $P_{B,\max}$, ngưỡng tốc độ $R_{k,\min}$, số lượng cặp D2D $K$, số ăng-ten trạm gốc $\bar{M}$, và số phần tử phản xạ $N$ của IRS.

Chương 3: Thuật toán tối ưu quỹ đạo cho robot di động trong môi trường truyền thông lý tưởng

Chương 3 giải quyết bài toán tối thiểu hóa năng lượng tiêu thụ của robot di động hai bánh chủ động khi giả định môi trường truyền thông luôn thỏa mãn ngưỡng tốc độ tại mọi điểm (môi trường lý tưởng). Tác giả mô hình hóa tổng năng lượng tiêu thụ của robot bao gồm công suất mạch điện điều khiển và cảm biến $P_s$, công cơ học để thắng ma sát và tạo gia tốc chuyển động dọc theo quỹ đạo rời rạc $Q = [q_1, q_2, \dots, q_L]$.

Chương này xây dựng thuật toán xấp xỉ lồi CAA (Convex Approximation Algorithm) dựa trên công cụ CVX để giải bài toán tối ưu quỹ đạo phi tuyến, so sánh trực tiếp với thuật toán tính toán thông thường CCA (Conventional Computing Algorithm). Tiếp đó, tác giả mở rộng bài toán sang hai kịch bản thực tế:

  • Thuật toán OSOW (Only Static Obstacles Workspace): Lập quỹ đạo tối ưu năng lượng trong môi trường chỉ có vật cản tĩnh (SO).
  • Thuật toán MSOW (Moving and Static Obstacles Workspace): Lập quỹ đạo tối ưu năng lượng trong môi trường có đồng thời vật cản tĩnh và các vật cản động (MO) di chuyển với quỹ đạo thay đổi.

Kết quả mô phỏng đánh giá chi tiết sự thay đổi của năng lượng tiêu thụ, thời gian di chuyển và quãng đường khi thay đổi vận tốc cực đại $v_{\max}$, khoảng cách an toàn $dr_{\max}$, và số lượng vật cản động (01 MO, 02 MOs). Thuật toán CAA thể hiện sự vượt trội về độ mịn của quỹ đạo và mức tiêu hao năng lượng so với CCA.

Chương 4: Thuật toán tối ưu quỹ đạo cho robot di động trong môi trường truyền thông có STAR-IRS hỗ trợ

Chương 4 nghiên cứu kịch bản môi trường truyền thông thực tế chưa đảm bảo chất lượng và khu vực làm việc không có sẵn bản đồ toàn cục. Tác giả đề xuất tích hợp bề mặt truyền và phản xạ thông minh STAR-IRS để khắc phục hạn chế của IRS thông thường, cho phép phục vụ robot ở cả hai phía không gian của tấm bề mặt.

Để giải quyết bài toán điều hướng trong môi trường động phức tạp, tác giả áp dụng kỹ thuật học sâu tăng cường (DRL), mô hình hóa bài toán theo quy trình quyết định Markov (MDP) và thiết kế thuật toán PPO tối ưu quỹ đạo (PPO-STAR-IRS). Không gian trạng thái tích hợp khoảng cách tới đích, vận tốc, thông tin quét chướng ngại vật từ cảm biến và chất lượng kênh truyền không dây; hàm thưởng phạt được thiết kế nhằm dẫn hướng robot về đích nhanh nhất, tránh va chạm và duy trì tốc độ truyền thông không dây trên ngưỡng yêu cầu $\bar{\gamma}$.

Kết quả mô phỏng so sánh thuật toán PPO-STAR-IRS với các thuật toán cơ sở: PPO-IRS (chỉ phản xạ), PPO-non-IRS (không có bề mặt hỗ trợ), và A2C-STAR-IRS (thuật toán Advantage Actor-Critic). Kết quả khẳng định:

  • STAR-IRS giúp robot duy trì kết nối truyền thông liên tục và tìm được quỹ đạo di chuyển tiêu tốn ít năng lượng hơn đáng kể so với IRS thông thường và hệ thống không có IRS.
  • Đánh giá định lượng tác động của số lượng bit lượng tử hóa pha ($b$), số phần tử phản xạ/truyền qua của STAR-IRS, và ngưỡng tốc độ truyền $\bar{\gamma}$ đến năng lượng truyền thông và năng lượng tiêu thụ của robot.
Kịch bản / Thuật toán Môi trường truyền thông Mô hình tối ưu hóa Xử lý vật cản Công cụ / Nền tảng
N-OTA / OTA (Chương 2) Mạng DED2D có IRS hỗ trợ Tối ưu hóa lồi xấp xỉ kết hợp hàm phạt $\eta$ Không xét chuyển động robot Phần mềm Matlab / Tối ưu hóa số
CAA / OSOW (Chương 3) Truyền thông lý tưởng Tối ưu lồi xấp xỉ giảm năng lượng tiêu thụ Vật cản tĩnh (SO) Công cụ CVX trên nền Matlab
MSOW (Chương 3) Truyền thông lý tưởng Tối ưu lồi xấp xỉ giảm năng lượng tiêu thụ Vật cản tĩnh (SO) và động (MO) Công cụ CVX trên nền Matlab
PPO-STAR-IRS (Chương 4) Truyền thông có STAR-IRS hỗ trợ Học sâu tăng cường PPO giải bài toán MDP Vật cản động và tĩnh chưa biết trước Học máy tăng cường Actor-Critic

Kết quả và những đóng góp mới

Các đóng góp mới về mặt lý luận và khoa học:

  1. Xây dựng mô hình hệ thống và bài toán tối ưu hóa tài nguyên cho mạng DED2D có IRS hỗ trợ. Đề xuất thuật toán xấp xỉ lồi giải quyết đồng thời việc phân bổ thời gian truyền dữ liệu/năng lượng, bộ tạo chùm tia tại trạm gốc, công suất phát D2D và ma trận pha của IRS dưới các ràng buộc phi lồi khắt khe.
  2. Xây dựng mô hình năng lượng hoàn chỉnh cho robot di động hai bánh chủ động kết hợp ràng buộc động học và tránh va chạm. Phát triển thành công thuật toán xấp xỉ lồi CAA giải bài toán lập quỹ đạo tối thiểu năng lượng tiêu thụ trong cả hai kịch bản môi trường có vật cản tĩnh (OSOW) và vật cản động (MSOW).
  3. Đề xuất mô hình điều hướng tích hợp bề mặt thông minh STAR-IRS mở rộng phạm vi phủ sóng $360^\circ$ và phát triển thuật toán học sâu tăng cường PPO-STAR-IRS, giải quyết trọn vẹn bài toán điều hướng tự hành tối ưu năng lượng và đảm bảo tốc độ truyền thông trong môi trường không biết trước bản đồ.

Các kiến nghị và giải pháp ứng dụng thực tiễn:

  • Khuyến nghị ứng dụng công nghệ IRS và STAR-IRS như một giải pháp thay thế việc lắp đặt dày đặc các trạm phát sóng hoặc điểm truy cập AP công nghiệp, giúp hạ giá thành đầu tư hạ tầng mạng và giảm ô nhiễm điện từ trường trong nhà xưởng.
  • Ứng dụng quy trình tối ưu hóa quỹ đạo bằng CAA và DRL vào hệ thống quản lý đội xe tự hành AMR trong các kho vận thông minh và nhà máy sản xuất tự động hóa để kéo dài tuổi thọ pin và tối ưu chi phí vận hành.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của luận án:

  • Mọi kết quả kiểm chứng hiệu năng của mô hình mạng DED2D, thuật toán tối ưu CAA và thuật toán điều hướng PPO-STAR-IRS đều được thực hiện thông qua mô phỏng số trên máy tính, chưa được triển khai thử nghiệm trực tiếp trên phần cứng robot thực tế trong môi trường sản xuất công nghiệp thực thụ.
  • Mô hình điều hướng trong Chương 4 mới chỉ xem xét bài toán cho một robot đơn lẻ hoạt động trong vùng phủ của một trạm gốc và một tấm STAR-IRS, chưa giải quyết bài toán điều phối hợp tác cho hệ thống đa robot di động (Multi-AMR).

Hướng nghiên cứu tiếp theo:

  • Hoàn thiện phần cứng và thử nghiệm thực nghiệm các thuật toán đề xuất trên mô hình robot AMR vật lý tại môi trường nhà xưởng thực tế.
  • Mở rộng thuật toán học sâu tăng cường đa tác nhân (Multi-Agent DRL) để giải quyết bài toán điều hướng và phân bổ tài nguyên truyền thông cho hệ thống nhiều robot di động cùng hoạt động đồng thời.

Giá trị tham khảo

Luận án là tài liệu tham khảo có giá trị chuyên môn đối với:

  • Nghiên cứu sinh, học viên cao học và giảng viên thuộc các chuyên ngành Kỹ thuật Điều khiển và Tự động hóa, Kỹ thuật Viễn thông, và Khoa học Máy tính. Phần tổng quan tài liệu (Chương 1) và cơ sở toán học về xấp xỉ lồi (Chương 2, Chương 3) là tài liệu tham khảo hữu ích cho các nghiên cứu về tối ưu hóa hệ thống.
  • Các kỹ sư thiết kế hệ thống robot công nghiệp và nhà quản trị mạng tự động hóa nhà máy: Mô hình bài toán DED2D và giải pháp triển khai bề mặt phản xạ STAR-IRS cung cấp cơ sở kỹ thuật để thiết kế mạng không dây nội bộ đạt chuẩn cho xe tự hành.
  • Các nhóm nghiên cứu ứng dụng trí tuệ nhân tạo trong điều khiển: Thiết lập mô hình MDP và thuật toán PPO trong Chương 4 cung cấp khung tham chiếu hoàn chỉnh cho bài toán điều hướng robot tự hành né vật cản động theo thời gian thực.

Câu hỏi thường gặp

  1. Nguyên nhân cốt lõi nào khiến công nghệ truyền thông không dây truyền thống khó đáp ứng cho tự động hóa nhà xưởng theo khảo sát của dự án KoI?
    Theo số liệu từ dự án KoI (2016) được tác giả dẫn chứng ở Bảng 1.1, các ứng dụng tự động hóa nhà xưởng đòi hỏi độ tin cậy cực cao (từ $1 - 10^{-6}$ đến $1 - 10^{-9}$) cùng độ trễ cực thấp (dưới $10\text{ ms}$ cho sản xuất, và thậm chí đạt $1\text{ ms}$ ở chuẩn 5G URLLC công nghiệp). Các công nghệ không dây thông thường không thể đảm bảo đồng thời hai tiêu chuẩn khắt khe này trong môi trường công nghiệp có nhiều kết cấu kim loại và vật cản gây nhiễu và che khuất tín hiệu.

  2. Bề mặt phản xạ thông minh IRS và STAR-IRS đóng vai trò kỹ thuật gì trong luận án?
    IRS là bề mặt phẳng nhân tạo gồm các phần tử thụ động có thể điều chỉnh độ lệch pha để phản xạ sóng điện từ, tạo ra kênh truyền trực tiếp ảo (LoS ảo) giúp truyền tín hiệu tới robot khi đường truyền thẳng bị máy móc che khuất, giải quyết vùng chết tín hiệu. STAR-IRS là bước phát triển tiếp theo, cho phép các phần tử đồng thời phản xạ và truyền qua sóng điện từ, giúp phủ sóng cả hai phía của bề mặt thay vì chỉ một phía như IRS truyền thống.

  3. Sự khác biệt căn bản giữa hai thuật toán CAA và CCA trong Chương 3 là gì?
    CCA là thuật toán tính toán thông thường giải bài toán tối ưu quỹ đạo theo các phương pháp rời rạc hóa truyền thống, trong khi CAA là thuật toán xấp xỉ lồi do tác giả phát triển, sử dụng kỹ thuật toán học để biến đổi các ràng buộc phi tuyến, phi lồi thành dạng lồi và giải bằng công cụ CVX. Kết quả mô phỏng cho thấy CAA tạo ra quỹ đạo mượt mà hơn và giúp robot tiêu hao ít năng lượng hơn so với CCA.

  4. Tại sao tác giả lại áp dụng thuật toán học sâu tăng cường PPO trong Chương 4 thay vì tiếp tục sử dụng thuật toán xấp xỉ lồi của Chương 3?
    Thuật toán xấp xỉ lồi trong Chương 3 hoạt động dựa trên giả định môi trường truyền thông lý tưởng và cần biết trước thông tin mô hình toán học của môi trường. Trong Chương 4, môi trường làm việc chứa nhiều vật cản động phức tạp, chất lượng kênh truyền thay đổi liên tục và không có bản đồ toàn cục dựng sẵn; do đó, tiếp cận không mô hình (model-free) của học sâu tăng cường PPO cho phép robot tự học chính sách điều khiển tối ưu thông qua tương tác trực tiếp với môi trường.

  5. Mô hình mạng DED2D trong Chương 2 giải quyết cùng lúc những luồng tín hiệu nào?
    Mạng DED2D giải quyết đồng thời ba luồng tín hiệu trong cùng một dải băng tần: (1) truyền dữ liệu từ trạm gốc BS xuống nhóm robot di động nhận tin ($U_I$); (2) truyền năng lượng vô tuyến từ trạm gốc BS đến các cảm biến IoT thu hoạch năng lượng ($U_E$); và (3) truyền dữ liệu trực tiếp giữa các cặp thiết bị D2D ($K$). Tấm IRS được điều khiển tối ưu để vừa tăng cường tín hiệu mong muốn vừa triệt tiêu nhiễu cùng kênh giữa các luồng này.

Kết luận

Luận án tiến sĩ của tác giả Nguyễn Thị Thanh Vân đã giải quyết bài toán điều hướng tối ưu năng lượng cho robot di động gắn liền với bài toán nâng cao chất lượng mạng truyền thông không dây công nghiệp. Bằng việc kết hợp các công cụ toán học tối ưu xấp xỉ lồi và thuật toán học sâu tăng cường PPO, công trình đã đề xuất thành công các mô hình mạng hỗ trợ bởi bề mặt thông minh IRS và STAR-IRS, giúp khắc phục vùng chết tín hiệu và đảm bảo truyền thông tin cậy cho robot. Các kết quả mô phỏng số đã chứng minh tính hiệu quả của các thuật toán đề xuất trong việc giảm tiêu hao năng lượng và duy trì thông lượng kết nối. Công trình cung cấp cơ sở khoa học và giải pháp kỹ thuật có giá trị tham khảo cao cho định hướng phát triển nhà máy thông minh và các hệ thống tự hành kết nối mạng trong tương lai.