Tổng quan về luận án

Luận án tiến sĩ của Nguyễn Thị Thanh Vân, được thực hiện tại Học viện Khoa học và Công nghệ (Viện Hàn lâm Khoa học và Công nghệ Việt Nam) và hoàn thành năm 2024, giải quyết một trong những thách thức cốt lõi của nền công nghiệp 4.0: tích hợp truyền thông không dây tin cậy với điều hướng tự hành tối ưu cho robot di động (AMR – Autonomous Mobile Robot) trong môi trường nhà máy phức tạp. Nghiên cứu mang mã số 9 52 02 16, thuộc chuyên ngành Kỹ thuật Điều khiển và Tự động hóa, được hướng dẫn bởi TS. Ngô Mạnh Tiến và TS. Nguyễn Công Lượng.

Research gap trung tâm được xác định qua phân tích tổng hợp hơn 300 công trình (Nguyen et al., 2023, [49]): phần lớn các nghiên cứu hiện có hoặc giải quyết bài toán lập quỹ đạo cho robot mà không xem xét ràng buộc truyền thông không dây, hoặc tối ưu hệ thống truyền thông mà không tích hợp bài toán điều hướng động. Cụ thể, công trình [6] – nghiên cứu đầu tiên đề xuất IRS hỗ trợ truyền thông cho robot di động – chỉ tối thiểu thời gian di chuyển và yêu cầu bản đồ môi trường có sẵn; công trình [53] tối ưu năng lượng di chuyển nhưng chưa xét đến môi trường chưa biết trước; trong khi đó, các công trình [50] và [52] chưa tính đến môi trường làm việc có vật cản động.

Ba câu hỏi nghiên cứu chính được đặt ra:

  • RQ1: Làm thế nào để tối ưu hệ thống mạng DED2D (tích hợp truyền thông tin và năng lượng kết hợp D2D) có IRS hỗ trợ nhằm nâng cao thông lượng tối thiểu cho các robot di động?
  • RQ2: Thuật toán nào có thể tối ưu quỹ đạo nhằm tối thiểu năng lượng tiêu thụ cho robot di động trong môi trường truyền thông lý tưởng, đồng thời xử lý cả vật cản tĩnh và động?
  • RQ3: Hệ thống điều hướng tích hợp STAR-IRS và Deep Reinforcement Learning (PPO) có thể đảm bảo ràng buộc tốc độ truyền thông đồng thời tối thiểu tổng năng lượng tiêu thụ trong môi trường chưa biết trước không?

Khung lý thuyết tích hợp ba trụ cột: lý thuyết tối ưu lồi (Convex Optimization), mô hình truyền thông IRS/STAR-IRS, và học sâu tăng cường DRL với mô hình quyết định Markov MDP. Phạm vi nghiên cứu bao gồm môi trường nhà máy công nghiệp trong nhà, với các kịch bản từ vật cản tĩnh đơn thuần đến hỗn hợp vật cản tĩnh-động, được kiểm chứng qua mô phỏng số trên nền tảng MATLAB (CVX toolbox) và Python.

Literature Review và Positioning

Luồng nghiên cứu 1 – Lập quỹ đạo cho robot di động: Từ những thuật toán kinh điển như Dijkstra (1959), A* (Hart et al., 1968, [17]), và D* (Stentz, 1994, [19]) phù hợp với môi trường biết trước bản đồ, đến thuật toán di truyền GA (Holland, 1975) có khả năng bao phủ không gian tìm kiếm lớn với bộ nhớ tối thiểu, cộng đồng nghiên cứu đã ghi nhận xu hướng chuyển dịch sang DRL trong thập kỷ vừa qua. Cụ thể, công bố [37] chứng minh tối ưu kế hoạch chuyển động tiết kiệm đến 10% điện năng, trong khi [38] đạt mức tiết kiệm lên đến 42% qua tối ưu quỹ đạo hiệu quả năng lượng – song cả hai đều giới hạn trong môi trường vật cản tĩnh.

Luồng nghiên cứu 2 – DRL cho điều hướng robot: Công trình [46] với thuật toán QAPF (Q-learning kết hợp Artificial Potential Field) cải thiện 18,83% độ dài đường đi, 169,75% độ mượt, và 74,84% thời gian huấn luyện so với phương pháp cổ điển trong môi trường chưa biết trước. Công trình [47] áp dụng PPO với môi trường huấn luyện MuJoCo, trong khi [48] sử dụng Double DQN với kiến trúc dueling trên nền Gazebo/ROS. Tuy nhiên, không công trình nào trong số này tích hợp ràng buộc tốc độ truyền thông không dây.

Luồng nghiên cứu 3 – IRS trong truyền thông nhà máy: Công bố [4] (2023) khẳng định IRS là yếu tố chính kích hoạt mạng 6G và đặc biệt quan trọng trong triển khai URLLC (ultra-reliable low-latency communication) với độ tin cậy 1−10⁻⁹ và độ trễ xuống đến 1 ms – yêu cầu được tổng hợp từ dự án KoI (2016, [11]). Công trình [5] chứng minh IRS cải thiện hiệu suất tuyến tính theo số lượng phần tử nhưng không xét tính di động của robot. Công trình [6] – mốc quan trọng nhất trong lĩnh vực này – là nghiên cứu đầu tiên đề xuất IRS hỗ trợ robot di động trong nhà máy, sử dụng bản đồ vô tuyến (radio map) và thuật toán Dijkstra.

Khoảng trống được lấp đầy: Không có công trình nào đồng thời (i) tối ưu mạng DED2D có IRS với D2D coexistence, (ii) phát triển thuật toán tối ưu quỹ đạo xét cả vật cản động trong môi trường truyền thông lý tưởng, và (iii) tích hợp STAR-IRS với PPO-DRL cho bài toán tối ưu tổng thể năng lượng tiêu thụ. So sánh quốc tế: trong khi nghiên cứu của Nguyen et al. (2024, [50]) tại bối cảnh quốc tế chỉ giả sử vùng phủ sóng hình tròn bán kính R và đạt tiết kiệm 50% năng lượng (mô hình 1) và 22% (mô hình 2), luận án này giải quyết bài toán thực tế hơn với kênh truyền LoS/NLoS chi tiết trong môi trường có vật cản.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Lý thuyết 1 – Mở rộng tối ưu lồi (Convex Optimization Theory): Luận án phát triển thuật toán xấp xỉ lồi CAA (Convex Approximation Algorithm) để giải bài toán tối ưu hóa không lồi phát sinh từ ràng buộc UMC (unit-modulus-constraint) của phần tử IRS và hàm mục tiêu minmax thông lượng. Đây là đóng góp kỹ thuật vượt ra ngoài các phương pháp relaxation ma trận hạng 1 truyền thống ([61]) bằng cách xây dựng hàm phạt chính xác tích hợp ràng buộc UMC vào hàm mục tiêu theo hướng của [63], đảm bảo hội tụ tại điểm tối ưu cục bộ với độ phức tạp tính toán thấp.

Lý thuyết 2 – Mở rộng lý thuyết MDP cho hệ thống tích hợp robot-truyền thông: Mô hình Markov Decision Process (MDP) được mở rộng để không gian trạng thái S bao gồm cả vị trí robot q̂ = [x, y, φ]ᵀ, tốc độ v, góc φ, và thông tin kênh truyền (SINR, tốc độ truyền thông Rˡc). Không gian hành động A tích hợp điều khiển động học robot (v, ω) với tối ưu ma trận pha STAR-IRS. Thiết kế hàm thưởng R phản ánh đồng thời: năng lượng di chuyển (dựa trên mô hình động học robot hai bánh chủ động với khối lượng m và momen quán tính I), năng lượng truyền thông, và ràng buộc tốc độ truyền γ̄.

Lý thuyết 3 – Tích hợp STAR-IRS vào điều hướng robot: Công trình này là một trong những nghiên cứu đầu tiên tích hợp STAR-IRS (Simultaneously Transmitting and Reflecting IRS) với hệ số phản xạ βˡ,ₙᵗ và hệ số truyền qua vào bài toán tối ưu điều hướng robot, vượt trội so với IRS truyền thống chỉ có phản xạ, mở rộng vùng phủ sóng hiệu quả hơn trong môi trường phức tạp.

Khung phân tích độc đáo

Khung phân tích tích hợp ba lý thuyết: (1) Lý thuyết tối ưu lồi cho Chương 2 và 3, (2) Lý thuyết học tăng cường (RL) nền tảng Bellman với thuật toán PPO (Proximal Policy Optimization) và A2C (Advantage Actor-Critic) cho Chương 4, và (3) Lý thuyết kênh truyền không dây LoS/NLoS với mất mát đường truyền PLLoS và PLNLoS theo tần số sóng mang fc. Thuật toán PPO được chọn thay cho DQN/DDQN vì xử lý được không gian hành động liên tục – yêu cầu thiết yếu khi tối ưu đồng thời vận tốc robot và ma trận pha IRS. Giới hạn áp dụng: khung phân tích giả định robot hai bánh chủ động, môi trường 2D, và kênh truyền quasi-static trong mỗi khe thời gian τ.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Triết lý nghiên cứu là positivism kết hợp phương pháp phân tích toán học và mô phỏng số (numerical simulation). Thiết kế nghiên cứu theo phương pháp hỗn hợp tuần tự: (i) mô hình hóa toán học hệ thống, (ii) phát triển và chứng minh hội tụ thuật toán, (iii) kiểm chứng qua mô phỏng Monte Carlo. Thiết kế đa tầng gồm ba cấp độ: tầng mạng (network layer – tối ưu hệ thống DED2D), tầng quỹ đạo (trajectory layer – tối ưu đường đi robot), và tầng học máy (DRL layer – tối ưu chính sách điều hướng).

Quy trình nghiên cứu rigorous

Chương 2 – Hệ thống DED2D có IRS hỗ trợ: Mô hình hệ thống gồm BS với M̄ ăng ten, N phần tử IRS, nhóm robot IU = {dᵢ, i=1,...,Uᴵ}, nhóm thiết bị IoT EU = {eⱼ, j=1,...,Uᴱ}, và K cặp D2D. Bài toán tối ưu (2.8) là bài toán max-min thông lượng robot không lồi với các biến tối ưu: bộ tạo chùm tia w̄, v̄, tỷ lệ thời gian t̄ = {t̄ᵢ, t̄ₑ}, công suất D2D p, và hệ số phản xạ IRS θ̄. Hai kịch bản được phát triển: N-OTA (Non Orthogonal Time Allocation) và OTA (Orthogonal Time Allocation). Phần mềm sử dụng: MATLAB với CVX toolbox (a Matlab-based modeling system for convex optimization). Tính hội tụ được xác nhận qua đánh giá đường cong hội tụ của các thuật toán.

Chương 3 – Tối ưu quỹ đạo trong môi trường lý tưởng: Hai thuật toán được phát triển: OSOW (Only Static Obstacles in Workspace) và MSOW (Moving and Static Obstacles in Workspace). Mô hình năng lượng tiêu thụ robot dựa trên động học robot hai bánh (vận tốc dài v, vận tốc góc ω, khối lượng m, momen quán tính I, công suất nguồn Ps). Ràng buộc tránh va chạm được xây dựng với kỹ thuật big-M (tham số M̂). Quỹ đạo rời rạc Q = [q₁, q₂, ..., qL] với L khe thời gian, điểm xuất phát qₛ và điểm đích qg. Vận tốc tối đa vmax và bán kính quay drmax là tham số thiết kế cụ thể.

Chương 4 – DRL với STAR-IRS: Thuật toán PPO-STAR-IRS sử dụng kiến trúc actor-critic với tham số mạng actor θ và mạng critic ω. Các so sánh đối chứng gồm: PPO-STAR-IRS, PPO-IRS, PPO-non-IRS, A2C-STAR-IRS. Môi trường mô phỏng được xây dựng với bản đồ nhà máy thực tế có vật cản. Ảnh hưởng của số bit lượng tử b đến hiệu suất hệ thống được phân tích chi tiết qua năng lượng truyền thông và năng lượng tổng.

Triangulation và validity

Triangulation phương pháp: kết quả tối ưu lồi (Chương 3) được đối chiếu với thuật toán CCA (Conventional Computing Algorithm) như baseline. Kết quả DRL (Chương 4) được so sánh đa chiều: PPO vs A2C, STAR-IRS vs IRS vs non-IRS. Tính hội tụ được kiểm chứng trực quan qua đường cong episode reward. Robustness checks bao gồm: thay đổi ngưỡng tốc độ truyền γ̄, số phần tử IRS N, số bit lượng tử b, số lượng vật cản động M.

Phát hiện đột phá và implications

Những phát hiện then chốt

Phát hiện 1 – Ưu thế của CAA so với CCA: Thuật toán xấp xỉ lồi CAA cho quỹ đạo mượt mà hơn và năng lượng tiêu thụ thấp hơn đáng kể so với CCA (hình 3.2 và 3.4 trong luận án), đặc biệt khi vmax thay đổi – chứng minh rằng kỹ thuật tối ưu lồi vượt trội so với tính toán thông thường trong bài toán tối ưu quỹ đạo phi lồi.

Phát hiện 2 – Tác động của vật cản động: Số lượng vật cản động M trong môi trường làm việc ảnh hưởng phi tuyến đến năng lượng tiêu thụ và quãng đường di chuyển của robot (hình 3.5). Thuật toán MSOW xử lý kịch bản 01 MO và 02 MOs, với quỹ đạo tối ưu thích nghi rõ ràng theo số lượng vật cản động.

Phát hiện 3 – Ưu thế vượt trội của PPO-STAR-IRS: Trong tất cả các kịch bản mô phỏng Chương 4, PPO-STAR-IRS đạt mức năng lượng tiêu thụ tổng thấp nhất so với PPO-IRS và PPO-non-IRS (hình 4.8). STAR-IRS với khả năng đồng thời truyền và phản xạ tín hiệu mở rộng vùng phủ sóng hiệu quả hơn IRS truyền thống, cho phép robot chọn quỹ đạo tối ưu năng lượng hơn thay vì phải di chuyển vào vùng có tín hiệu tốt.

Phát hiện 4 – Ảnh hưởng của ngưỡng tốc độ truyền thông: Tăng ngưỡng γ̄ dẫn đến tăng cả năng lượng truyền thông lẫn năng lượng di chuyển (hình 4.9 và 4.10) – phát hiện này có ý nghĩa thực tiễn quan trọng: trong thiết kế hệ thống, cần cân bằng yêu cầu QoS với ngân sách năng lượng pin của robot.

Phát hiện 5 – Ảnh hưởng của số bit lượng tử: Số bit lượng tử b ảnh hưởng đến cả năng lượng truyền thông và quỹ đạo robot (hình 4.11 và 4.12), gợi ý rằng thiết kế bộ lượng tử hóa là một biến thiết kế không thể bỏ qua trong các hệ thống robot-truyền thông tích hợp.

Implications đa chiều

Lý thuyết: Kết quả luận án mở rộng lý thuyết tối ưu lồi sang lớp bài toán robot-truyền thông tích hợp, đồng thời mở rộng lý thuyết MDP sang không gian trạng thái liên tục tích hợp thông tin kênh truyền. Hai lý thuyết này được kết nối qua STAR-IRS như cầu nối.

Phương pháp luận: Framework giải bài toán không lồi bằng tổ hợp xấp xỉ lồi + tối ưu luân phiên có thể áp dụng trực tiếp sang các bài toán tối ưu hệ thống IoRT (Internet of Robotic Things) khác. Việc so sánh đồng thời PPO và A2C tạo ra benchmark methodological cho cộng đồng nghiên cứu DRL trong robotics.

Thực tiễn: Kết quả Chương 2 cung cấp hướng dẫn thiết kế hệ thống mạng DED2D tối ưu cho nhà máy thông minh, bao gồm lựa chọn số phần tử IRS N, số ăng ten BS M̄, và phân bổ thời gian t̄. Kết quả Chương 4 có thể trực tiếp tích hợp vào firmware điều hướng AMR hiện đại.

Chính sách: Kết quả nghiên cứu hỗ trợ chính sách triển khai 5G/B5G trong công nghiệp tại Việt Nam, đặc biệt phù hợp với định hướng phát triển nhà máy thông minh và IIoT (Industrial IoT) theo Chiến lược phát triển công nghiệp Việt Nam đến 2030.

Limitations và Future Research

Hạn chế 1 – Mô phỏng số thuần túy: Toàn bộ kết quả được kiểm chứng qua mô phỏng số trên MATLAB/Python mà chưa có thực nghiệm phần cứng. Mô hình kênh truyền LoS/NLoS trong mô phỏng có thể không phản ánh đầy đủ sự phức tạp của môi trường nhà máy thực tế.

Hạn chế 2 – Mô hình robot 2D: Luận án giả định robot di động hai bánh chủ động hoạt động trong mặt phẳng 2D, chưa xét đến robot 3D hoặc các dạng cấu hình cơ học phức tạp hơn, và chưa tích hợp module định vị SLAM thực tế.

Hạn chế 3 – Kênh truyền quasi-static: Mô hình giả định kênh truyền thay đổi chậm trong mỗi khe thời gian τ, chưa xét đến hiệu ứng Doppler khi robot di chuyển với vận tốc cao và môi trường truyền thông thay đổi nhanh.

Hạn chế 4 – Đơn robot: Chương 3 và Chương 4 chỉ xét kịch bản một robot di động. Bài toán đa robot (multi-robot) với ràng buộc tránh va chạm giữa các robot và tài nguyên truyền thông chia sẻ vẫn là hướng mở.

Hướng nghiên cứu tương lai:

  1. Thực nghiệm phần cứng trên robot Pioneer P3-DX hoặc nền tảng AMR thương mại tích hợp module 5G
  2. Mở rộng sang bài toán đa robot bầy đàn (swarm robotics) với chia sẻ tài nguyên IRS
  3. Tích hợp module SLAM thực tế và học liên tục (continual learning) để cập nhật chính sách PPO theo thời gian thực
  4. Khảo sát ảnh hưởng của tấn công bảo mật kênh truyền và thiết kế thuật toán điều hướng an toàn (secure navigation)
  5. Mở rộng sang kênh truyền mmWave và THz phù hợp với hạ tầng 6G tương lai

Tác động và ảnh hưởng

Học thuật: Luận án công bố ít nhất 05 công trình (CT1–CT5), trong đó CT4 và CT5 là nghiên cứu ban đầu về định vị và điều hướng robot trong môi trường ROS dựa trên DRL. Với mức độ tích hợp lý thuyết cao và tính tiên phong trong chủ đề robot-IRS-DRL, các công bố có tiềm năng được trích dẫn đáng kể bởi cộng đồng IoRT và IIoT quốc tế – lĩnh vực đang tăng trưởng nhanh chóng theo thống kê Engineering Village [2].

Công nghiệp: Kết quả có thể áp dụng trực tiếp cho các nhà máy đang nâng cấp từ AGV (Automated Guided Vehicle) dẫn đường bằng QR code sang AMR tự hành – xu hướng đang diễn ra tại các khu công nghiệp Việt Nam như được minh họa qua case study nhà máy Sumitomo SHI-V 1 tại Khu công nghiệp Thăng Long (thiết kế bởi Netmarks, 2019). Giải pháp STAR-IRS giảm nhu cầu lắp đặt nhiều AP, qua đó giảm chi phí hạ tầng và tiêu thụ năng lượng hệ thống.

Chính sách và xã hội: Kết quả hỗ trợ chính sách phát triển nhà máy thông minh cấp quốc gia, đặc biệt trong bối cảnh Việt Nam đang thúc đẩy Chương trình chuyển đổi số quốc gia. Việc tối thiểu năng lượng tiêu thụ robot đóng góp vào mục tiêu phát triển bền vững và giảm phát thải carbon trong sản xuất công nghiệp.

Đối tượng hưởng lợi

Nghiên cứu sinh và nhà khoa học trẻ trong lĩnh vực điều khiển và tự động hóa, IoT công nghiệp, và truyền thông không dây sẽ tìm thấy trong luận án một framework đầy đủ: từ mô hình hóa toán học, phát triển thuật toán, đến kiểm chứng mô phỏng, phục vụ trực tiếp cho các hướng nghiên cứu về IoRT và robot thông minh.

Giảng viên và nhà khoa học cao cấp nhận được đóng góp lý thuyết cụ thể về mở rộng MDP tích hợp kênh truyền thông và về kỹ thuật giải bài toán tối ưu không lồi trong hệ thống robot-truyền thông.

Kỹ sư R&D trong công nghiệp nhận được thuật toán điều hướng PPO-STAR-IRS và các tham số thiết kế cụ thể (số phần tử IRS N, số bit lượng tử b, ngưỡng tốc độ γ̄) có thể tích hợp vào hệ thống AMR thực tế.

Nhà hoạch định chính sách nhận được cơ sở khoa học để đánh giá tiềm năng của STAR-IRS trong hạ tầng 5G/B5G nhà máy thông minh, hỗ trợ quyết định đầu tư hạ tầng IoT công nghiệp cấp quốc gia.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất? Tích hợp STAR-IRS vào bài toán MDP điều hướng robot là đóng góp chưa có tiền lệ trong literature. Cụ thể, hệ số phản xạ βˡ,ₙᵗ của STAR-IRS trở thành biến tối ưu trong không gian hành động của PPO, mở rộng lý thuyết MDP sang lớp bài toán tối ưu đồng thời tài nguyên vô tuyến và quỹ đạo robot.

2. Innovation phương pháp luận? So với [46] (Q-learning + APF) và [47] (PPO không xét truyền thông), luận án phát triển PPO-STAR-IRS với không gian trạng thái mở rộng tích hợp SINR và tốc độ truyền thông Rˡc, và hàm thưởng đa mục tiêu (năng lượng di chuyển + năng lượng truyền thông + penalty vi phạm ràng buộc truyền thông). So với [48] (môi trường Gazebo/ROS, vật cản tĩnh), luận án xử lý thêm môi trường STAR-IRS hỗ trợ và ràng buộc truyền thông định lượng.

3. Phát hiện đáng ngạc nhiên nhất? Số bit lượng tử b ảnh hưởng đến cả quỹ đạo robot (không chỉ chất lượng truyền thông) – hàm ý rằng thiết kế ADC/DAC trên robot và hệ thống STAR-IRS cần được đồng tối ưu với thiết kế thuật toán điều hướng, một insight hiếm gặp trong literature hiện tại.

4. Giao thức tái lập? Các tham số mô phỏng đầy đủ được cung cấp trong Bảng 2.1 (N-OTA/OTA), Bảng 3.2 (CAA/CCA), Bảng 3.3 (OSOW/MSOW), và Bảng 4.1 (PPO điều hướng tối ưu), đảm bảo khả năng tái lập kết quả mô phỏng.

5. Chương trình nghiên cứu 10 năm? Lộ trình đề xuất: (2025–2027) thực nghiệm phần cứng và tích hợp SLAM; (2027–2030) mở rộng sang đa robot và hạ tầng mmWave; (2030–2035) nghiên cứu 6G-native robot navigation với AI-native network slicing và digital twin nhà máy.

Kết luận

Luận án "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" tạo ra sáu đóng góp khoa học được phân định rõ ràng:

  1. Mô hình và thuật toán tối ưu mạng DED2D với IRS – giải quyết đồng thời bài toán nhiễu D2D, mất mát kênh truyền và vùng chết tín hiệu trong nhà máy qua hai kịch bản N-OTA và OTA, sử dụng CVX toolbox trên MATLAB.

  2. Thuật toán CAA tối ưu quỹ đạo trong môi trường vật cản tĩnh – chứng minh ưu thế so với CCA về cả chất lượng quỹ đạo lẫn năng lượng tiêu thụ.

  3. Thuật toán OSOW và MSOW xử lý vật cản động – đây là đóng góp quan trọng trong ngữ cảnh tối ưu năng lượng cho robot trong môi trường thực tế có cả vật cản tĩnh lẫn động.

  4. Mô hình hệ thống STAR-IRS hỗ trợ điều hướng robot – tích hợp STAR-IRS với bài toán tối ưu quỹ đạo, mở rộng khả năng phủ sóng vượt trội so với IRS truyền thống.

  5. Thuật toán PPO-STAR-IRS – áp dụng Proximal Policy Optimization cho bài toán tối ưu tổng năng lượng tiêu thụ (di chuyển + truyền thông) với ràng buộc tốc độ truyền trong môi trường chưa biết trước, chứng minh ưu thế so với PPO-IRS, PPO-non-IRS, và A2C-STAR-IRS.

  6. Framework tích hợp robot-truyền thông – khung phân tích tổng thể kết nối lý thuyết tối ưu lồi, lý thuyết MDP, và lý thuyết kênh truyền IRS/STAR-IRS, tạo nền tảng cho ba hướng nghiên cứu mới: (i) đa robot trong mạng STAR-IRS, (ii) 6G-native robot navigation, và (iii) joint optimization SLAM-truyền thông-điều hướng.

Với bối cảnh quốc tế là sự hội tụ của 5G/B5G, IIoT và AI trong sản xuất, và bối cảnh trong nước là xu hướng chuyển dịch từ AGV sang AMR tại các khu công nghiệp Việt Nam, nghiên cứu này định vị Việt Nam trong tiền tuyến của công nghệ nhà máy thông minh, đóng góp vào cả cộng đồng khoa học quốc tế lẫn năng lực công nghệ quốc gia.