Tổng quan nghiên cứu

Trong những năm gần đây, máy bay không người lái (UAV) loại quadrotor đã trở thành một công nghệ phổ biến và được ứng dụng rộng rãi trong nhiều lĩnh vực như dân dụng, an ninh, nông nghiệp và cứu hộ. Tại Việt Nam, mô hình máy bay bốn cánh quạt được sử dụng nhiều nhờ tính cơ động cao và khả năng thu thập dữ liệu hình ảnh, cảm biến hiệu quả. Tuy nhiên, việc phát triển hệ thống điều khiển bám vật thể chuyển động trong thời gian thực vẫn còn nhiều thách thức do ảnh hưởng của rung động, nhiễu môi trường và độ trễ truyền tín hiệu.

Mục tiêu nghiên cứu của luận văn là thiết kế và hiện thực một hệ thống điều khiển bám vật thể dựa trên thông tin hình ảnh, kết hợp bộ ổn định hình ảnh tích hợp cho máy bay quadrotor. Nghiên cứu tập trung vào xây dựng thuật toán phát hiện và theo dõi đối tượng chuyển động, đồng thời phát triển bộ ổn định tín hiệu hình ảnh dựa trên bộ lọc Kalman đa tốc độ (Multirate Kalman Filter) để giảm rung động và cải thiện chất lượng hình ảnh trong điều kiện thực tế. Phạm vi nghiên cứu được thực hiện từ tháng 02/2021 đến tháng 06/2022, với mô hình thực nghiệm tại Trường Đại học Bách Khoa – ĐHQG TP. Hồ Chí Minh.

Ý nghĩa của nghiên cứu thể hiện qua việc nâng cao độ chính xác và ổn định của hệ thống điều khiển quadrotor trong việc bám theo vật thể, góp phần phát triển các ứng dụng UAV trong thực tế như giám sát, trinh sát, và khảo sát nông nghiệp. Các chỉ số hiệu quả được đánh giá bao gồm sai số vị trí, thời gian xác lập và độ ổn định hình ảnh, với khả năng ứng dụng trong môi trường ngoài trời có nhiều nhiễu và biến động.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết và mô hình nghiên cứu chính:

  1. Bộ lọc Kalman (Kalman Filter): Được phát triển từ năm 1960, đây là thuật toán ước lượng trạng thái tối ưu cho các hệ thống tuyến tính có nhiễu Gaussian. Bộ lọc Kalman cho phép kết hợp thông tin từ nhiều cảm biến khác nhau để ước lượng chính xác trạng thái của hệ thống, giảm thiểu sai số do nhiễu và biến động. Trong nghiên cứu, bộ lọc Kalman đa tốc độ được sử dụng để tích hợp dữ liệu từ cảm biến hình ảnh (Optical Flow) và cảm biến IMU của quadrotor.

  2. Giải thuật phát hiện và theo dõi đối tượng OpenTLD: Thuật toán này kết hợp ba thành phần chính là Tracking (theo dõi), Learning (học trực tuyến) và Detection (phát hiện). OpenTLD có khả năng tự học và cập nhật mô hình đối tượng trong quá trình vận hành, giúp tăng độ chính xác và khả năng thích ứng với các thay đổi của môi trường và đối tượng.

Các khái niệm chuyên ngành quan trọng bao gồm:

  • Optical Flow: Phương pháp đo vận tốc dịch chuyển điểm ảnh giữa các khung hình liên tiếp, sử dụng thuật toán Lucas-Kanade để xác định độ dời tương đối của đối tượng trên mặt phẳng ảnh 2D.
  • Image Based Visual Servoing (IBVS): Phương pháp điều khiển dựa trên thông tin hình ảnh để điều chỉnh vị trí và hướng của quadrotor nhằm giữ đối tượng luôn nằm trong tầm quan sát.
  • Động lực học quadrotor: Mô hình toán học mô tả chuyển động 6 bậc tự do của máy bay bốn cánh quạt, bao gồm các góc quay Euler (roll, pitch, yaw) và vận tốc tịnh tiến trong không gian 3 chiều.

Phương pháp nghiên cứu

Nguồn dữ liệu chính bao gồm tín hiệu hình ảnh thu được từ camera Intel RealSense D455 gắn trên quadrotor, dữ liệu cảm biến IMU, gyroscope và barometer từ bộ điều khiển mã nguồn mở Ardupilot, cùng các thông số trạng thái ước lượng của máy bay. Hệ thống xử lý được triển khai trên nền tảng phần cứng Nvidia Jetson TX2 với khả năng xử lý GPU mạnh mẽ, giúp thực hiện các thuật toán phức tạp trong thời gian thực.

Phương pháp phân tích gồm:

  • Xây dựng mô hình động lực học quadrotor và mô hình hóa trạng thái chuyển động của đối tượng.
  • Thiết kế và hiện thực thuật toán ổn định hình ảnh tích hợp dựa trên bộ lọc Kalman đa tốc độ, kết hợp dữ liệu Optical Flow và cảm biến IMU.
  • Phát triển giải thuật phát hiện và theo dõi đối tượng sử dụng OpenTLD, tích hợp với bộ điều khiển Image Based Visual Servoing để điều khiển quadrotor bám theo vật thể.
  • Mô phỏng và thực nghiệm trên mô hình máy bay bốn cánh quạt thực tế, đánh giá hiệu quả qua các chỉ số sai số vị trí, thời gian phản hồi và độ ổn định hình ảnh.

Quá trình nghiên cứu kéo dài từ tháng 02/2021 đến tháng 06/2022, bao gồm các giai đoạn thiết kế, mô phỏng, hiện thực thuật toán và thử nghiệm thực tế.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả của bộ ổn định hình ảnh tích hợp: Bộ lọc Kalman đa tốc độ đã giảm đáng kể rung động trên hình ảnh đầu ra, với độ lệch dịch chuyển trục $dx$ và $dy$ giảm khoảng 40% so với tín hiệu gốc. Điều này giúp cải thiện chất lượng hình ảnh khi phóng đại lớn, giảm biến dạng và mờ do rung động.

  2. Khả năng phát hiện và theo dõi đối tượng: Hệ thống sử dụng giải thuật OpenTLD trên nền tảng Jetson TX2 có thể theo dõi đa dạng các vật thể chuyển động trong môi trường ngoài trời với độ chính xác vị trí sai số dưới 5% và thời gian phản hồi trung bình dưới 0.2 giây.

  3. Độ ổn định điều khiển quadrotor: Bộ điều khiển Image Based Visual Servoing tích hợp với Ardupilot đã duy trì quỹ đạo bay ổn định, sai số vị trí trung bình dưới 0.15 m trong các thử nghiệm bay thực tế, ngay cả khi có sự che khuất tạm thời của vật thể và ảnh hưởng của gió.

  4. Tích hợp dữ liệu đa cảm biến: Việc kết hợp dữ liệu từ Optical Flow (20 Hz) và cảm biến IMU (200 Hz) qua bộ lọc Kalman multirate giúp hệ thống có khả năng dự đoán và điều chỉnh trạng thái nhanh chóng, giảm thiểu độ trễ và sai số trong điều khiển.

Thảo luận kết quả

Nguyên nhân chính của sự cải thiện hiệu quả điều khiển và ổn định hình ảnh là do việc tích hợp thông tin đa nguồn cảm biến và áp dụng bộ lọc Kalman đa tốc độ, giúp giảm nhiễu và sai số đo đạc. So với các nghiên cứu trước đây chỉ sử dụng một nguồn dữ liệu hoặc bộ lọc Kalman đơn giản, hệ thống này cho phép xử lý tín hiệu nhanh hơn và chính xác hơn trong điều kiện thực tế có nhiều nhiễu và biến động.

Kết quả cũng phù hợp với các nghiên cứu quốc tế về ứng dụng Kalman Filter trong ổn định hình ảnh và điều khiển UAV, đồng thời mở rộng khả năng ứng dụng cho các mô hình quadrotor giá thành thấp nhưng vẫn đảm bảo hiệu suất cao. Việc sử dụng OpenTLD giúp hệ thống có khả năng tự học và thích nghi với các thay đổi của môi trường và đối tượng, nâng cao tính linh hoạt trong thực tế.

Dữ liệu kết quả có thể được trình bày qua các biểu đồ so sánh độ lệch dịch chuyển hình ảnh trước và sau lọc, biểu đồ sai số vị trí của quadrotor trong các thử nghiệm bay, và bảng thống kê thời gian phản hồi của hệ thống theo dõi đối tượng.

Đề xuất và khuyến nghị

  1. Tăng cường tích hợp cảm biến đa dạng: Mở rộng sử dụng thêm các cảm biến như LiDAR hoặc camera độ sâu để cải thiện ước lượng khoảng cách và vị trí đối tượng, giúp nâng cao độ chính xác điều khiển quadrotor.

  2. Phát triển thuật toán ổn định hình ảnh nâng cao: Áp dụng các kỹ thuật học sâu (deep learning) kết hợp với bộ lọc Kalman để xử lý rung động phức tạp và biến dạng hình ảnh trong môi trường nhiều nhiễu, nhằm cải thiện chất lượng video truyền về trạm điều khiển.

  3. Tối ưu hóa thuật toán điều khiển: Nghiên cứu và triển khai các bộ điều khiển thích nghi (adaptive control) hoặc điều khiển dự đoán (model predictive control) để nâng cao khả năng phản ứng nhanh và ổn định trong điều kiện thay đổi môi trường và đối tượng.

  4. Mở rộng thử nghiệm thực tế: Thực hiện các thử nghiệm bay ngoài trời với điều kiện gió mạnh, nhiều vật thể cùng xuất hiện và thay đổi ánh sáng để đánh giá toàn diện hiệu quả hệ thống, đồng thời thu thập dữ liệu để cải tiến thuật toán.

Các giải pháp trên nên được triển khai trong vòng 12-18 tháng tới, với sự phối hợp giữa nhóm nghiên cứu, các đơn vị phát triển phần cứng và đối tác ứng dụng thực tế.

Đối tượng nên tham khảo luận văn

  1. Nhà nghiên cứu và sinh viên ngành Kỹ thuật điều khiển và Tự động hóa: Luận văn cung cấp cơ sở lý thuyết và thực nghiệm về bộ lọc Kalman, thuật toán phát hiện đối tượng và điều khiển quadrotor, hỗ trợ phát triển các đề tài nghiên cứu liên quan.

  2. Kỹ sư phát triển UAV và robot tự hành: Các kỹ sư có thể áp dụng các giải pháp ổn định hình ảnh và điều khiển bám vật thể trong thiết kế sản phẩm UAV thương mại hoặc nghiên cứu ứng dụng.

  3. Doanh nghiệp công nghệ và startup UAV: Tham khảo để phát triển các hệ thống quadrotor giá thành thấp nhưng có hiệu suất cao, phục vụ các ứng dụng giám sát, nông nghiệp, cứu hộ và an ninh.

  4. Cơ quan quản lý và đào tạo: Sử dụng làm tài liệu tham khảo trong đào tạo kỹ thuật UAV, đồng thời hỗ trợ xây dựng các tiêu chuẩn kỹ thuật và quy trình thử nghiệm cho UAV trong nước.

Câu hỏi thường gặp

  1. Bộ lọc Kalman hoạt động như thế nào trong hệ thống này?
    Bộ lọc Kalman kết hợp dữ liệu từ cảm biến hình ảnh và IMU để ước lượng trạng thái chuyển động của quadrotor, giảm nhiễu và sai số, giúp ổn định hình ảnh và cải thiện điều khiển bám vật thể.

  2. Tại sao chọn giải thuật OpenTLD cho phát hiện đối tượng?
    OpenTLD có khả năng học trực tuyến, tự cập nhật mô hình đối tượng trong quá trình vận hành, phù hợp với môi trường thay đổi và không cần dữ liệu huấn luyện trước, giúp tăng độ chính xác theo dõi.

  3. Hệ thống có thể hoạt động trong điều kiện môi trường phức tạp không?
    Thí nghiệm cho thấy hệ thống hoạt động ổn định trong môi trường ngoài trời có gió và che khuất tạm thời, tuy nhiên cần mở rộng thử nghiệm để đánh giá toàn diện hơn.

  4. Phần cứng nào được sử dụng để xử lý thuật toán?
    Nvidia Jetson TX2 được sử dụng để xử lý thuật toán nhờ khả năng GPU mạnh mẽ, giúp thực hiện các thuật toán phức tạp trong thời gian thực và giảm độ trễ truyền tín hiệu.

  5. Hệ thống có thể áp dụng cho các loại UAV khác không?
    Mô hình và thuật toán có thể được điều chỉnh để áp dụng cho các loại UAV khác, đặc biệt là các quadrotor có cấu hình tương tự, với khả năng mở rộng và tùy biến cao.

Kết luận

  • Đã thiết kế và hiện thực thành công hệ thống điều khiển bám vật thể thời gian thực và bộ ổn định hình ảnh tích hợp cho máy bay quadrotor.
  • Bộ lọc Kalman đa tốc độ kết hợp Optical Flow và cảm biến IMU giúp giảm rung động hình ảnh khoảng 40%, nâng cao chất lượng video.
  • Giải thuật OpenTLD và Image Based Visual Servoing đảm bảo sai số vị trí quadrotor dưới 0.15 m trong điều kiện bay thực tế.
  • Hệ thống được triển khai trên nền tảng Jetson TX2 và Ardupilot, phù hợp với các ứng dụng UAV dân dụng và nghiên cứu.
  • Đề xuất mở rộng tích hợp cảm biến, tối ưu thuật toán và thử nghiệm thực tế để nâng cao hiệu quả và ứng dụng trong tương lai.

Hướng phát triển tiếp theo là hoàn thiện thuật toán điều khiển thích nghi, tích hợp thêm cảm biến độ sâu và mở rộng thử nghiệm ngoài trời. Độc giả và các nhà nghiên cứu được khuyến khích áp dụng và phát triển các giải pháp từ luận văn để nâng cao hiệu quả ứng dụng UAV trong thực tế.