Tổng quan nghiên cứu

Trong bối cảnh tự động hóa công nghiệp và cuộc cách mạng công nghiệp lần thứ tư, thị trường robot di động ghi nhận tốc độ tăng trưởng ấn tượng trên 15% mỗi năm. Trong số đó, mobile robot đa hướng (holonomic mobile robot) với cơ cấu 3 bánh xe bố trí lệch nhau góc 120 độ nổi bật nhờ khả năng tịnh tiến và xoay độc lập trong không gian làm việc hẹp. Tuy nhiên, bản chất vật lý của hệ thống này là một hệ phi tuyến nhiều ngõ vào, nhiều ngõ ra (MIMO) phức tạp, chịu nhiều tác động của ma sát nhớt, trượt bánh và mô-men quán tính biến thiên. Các thuật toán điều khiển kinh điển như PID hay điều khiển trượt cổ điển (SMC) thường gặp khó khăn nghiêm trọng do hiện tượng rung lắc tần số cao (chattering) và sự thiếu chính xác khi nhận dạng mô hình danh định.

Mạng nơ-ron hàm cơ sở xuyên tâm (RBF) là giải pháp hàng đầu để xấp xỉ các hàm phi tuyến bất định. Tuy nhiên, việc thiết lập cấu trúc mạng RBF từ trước đến nay chủ yếu dựa vào phương pháp thử - sai theo kinh nghiệm cá nhân, tiêu tốn từ nhiều giờ đến hàng tuần làm việc mà vẫn không đảm bảo tìm được cấu trúc tối ưu. Nhằm giải quyết triệt để vấn đề này, luận văn thạc sĩ chuyên ngành Kỹ thuật Điều khiển và Tự động hóa tại Đại học Cần Thơ đã tập trung nghiên cứu giải pháp tự động hóa hiệu chỉnh cấu trúc mạng RBF bằng giải thuật di truyền (GA) ứng dụng trên bộ điều khiển trượt thích nghi cho mobile robot có khối lượng danh định 9.4 kg.

Mục tiêu cốt lõi của nghiên cứu bao gồm: xây dựng mô hình toán học động học và động lực học chính xác của mobile robot; thiết kế bộ điều khiển trượt thích nghi sử dụng mạng nơ-ron RBF (ANSMC) không cần nhận dạng trước tham số đối tượng; và phát triển thuật toán GA nhằm tối ưu đồng thời số lượng nơ-ron lớp ẩn cùng các trọng số kết nối. Kết quả nghiên cứu mang ý nghĩa thực tiễn lớn khi giảm thiểu hơn 85% hiện tượng chattering, duy trì sai số bám quỹ đạo dưới 0.02 m và rút ngắn khoảng 30% thời gian hội tụ của hệ thống điều khiển.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng tích hợp của bốn trụ cột lý thuyết điều khiển hiện đại và trí tuệ nhân tạo:

  1. Lý thuyết điều khiển trượt thích nghi (Adaptive Sliding Mode Control - ASMC): Khung điều khiển phi tuyến vững chắc giúp hệ thống duy trì tính ổn định trước các thành phần bất định và nhiễu ngoài. Mặt trượt được thiết kế theo dạng vi phân Hurwitz $S = \dot{e} + k_e e$, đảm bảo sai số vị trí $e(t)$ triệt tiêu theo hàm mũ khi quỹ đạo trạng thái tiến về mặt trượt $S = 0$. Tiêu chuẩn ổn định Lyapunov $V = 0.5 \cdot S^T S \le 0$ được sử dụng để suy biến luật thích nghi trực tiếp trong quá trình vận hành mà không cần biết chặn trên của hàm phi tuyến.
  2. Lý thuyết mạng nơ-ron hàm cơ sở xuyên tâm (RBF Neural Network): Mạng RBF gồm 3 lớp (lớp vào, lớp ẩn và lớp ra) với hàm kích hoạt Gaussian có dạng $h_j(x) = \exp(-|x - c_j|^2 / 2b_j^2)$. Mạng được tích hợp trực tiếp vào bộ điều khiển để xấp xỉ thành phần tương đương của mô hình động lực học phi tuyến, thay thế thuật toán Gradient Descent truyền thống bằng cơ chế học thích nghi theo thời gian thực.
  3. Lý thuyết giải thuật di truyền (Genetic Algorithm - GA): Giải thuật tiến hóa phỏng sinh học mô phỏng các quy luật chọn lọc tự nhiên của Darwin, gồm các toán tử cốt lõi: khởi tạo quần thể, đánh giá hàm thích nghi (Fitness Function), chọn lọc cá thể, lai ghép chéo và đột biến gen.
  4. Mô hình động lực học Robot đa hướng 3 bánh: Xây dựng dựa trên định luật II Newton và cơ học giải tích Lagrange, mô tả quan hệ phi tuyến giữa lực kéo tại 3 bánh xe đặt lệch nhau 120 độ với chuyển động tịnh tiến và vận tốc góc của thân robot.

Phương pháp nghiên cứu

Nghiên cứu kết hợp chặt chẽ giữa phương pháp phân tích mô hình hóa toán học và thực nghiệm mô phỏng số trên nền tảng phần mềm MATLAB/Simulink với các thông số kỹ thuật chi tiết:

  • Nguồn dữ liệu và thông số mô hình: Mô hình mobile robot được thiết lập với khối lượng toàn phần $m = 9.4$ kg, mô-men quán tính trục quay $I_z = 11.25 \text{ kgm}^2$, bán kính bánh xe $r = 0.0245$ m, khoảng cách từ tâm robot đến tâm bánh xe $L = 0.178$ m, hệ số ma sát nhớt $c = 0.1889 \text{ kgm}^2/\text{s}$, mô-men quán tính bánh xe $I_w = 0.02108 \text{ kgm}^2$ và hệ số truyền động $k = 0.448$. Dữ liệu thử nghiệm bám quỹ đạo được ghi nhận liên tục qua 1000 mẫu thời gian với chu kỳ lấy mẫu $T_s = 0.001$ giây.
  • Cỡ mẫu và phương pháp chọn mẫu của GA: Cỡ mẫu quần thể ban đầu được thiết lập ở mức 20 cá thể cho bài toán tối ưu cấu trúc mạng (số nơ-ron lớp ẩn) và 30 cá thể cho bài toán tối ưu bộ thông số (trọng tâm $c$, độ rộng $b$ và trọng số $W$). Phương pháp chọn mẫu áp dụng cơ chế bánh xe Roulette (Roulette Wheel Selection), kết hợp hệ số xác suất lai ghép $p_c = 0.7$, xác suất đột biến $p_m = 0.001$ và duy trì quá trình tiến hóa liên tục qua 15 thế hệ.
  • Lý do lựa chọn phương pháp phân tích: Việc sử dụng GA kết hợp mô phỏng số trên môi trường Simulink giúp khắc phục nhược điểm rơi vào cực tiểu địa phương (local minima) của giải thuật Gradient Descent thuần túy. Đồng thời, phương pháp này cho phép đánh giá chính xác tính kháng nhiễu và độ bền vững của hệ thống điều khiển trong thời gian thực hiện nghiên cứu kéo dài 12 tháng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình mô phỏng thực nghiệm và xử lý số liệu đã mang lại 4 phát hiện khoa học quan trọng:

  1. Khả năng triệt tiêu hiện tượng Chattering vượt trội: Bộ điều khiển trượt thích nghi kết hợp mạng RBF tối ưu bằng GA (RBF-ANSMC) đã triệt tiêu hơn 85% biên độ dao động tần số cao xung quanh mặt trượt so với bộ điều khiển trượt cổ điển (SMC). Tín hiệu điều khiển đầu ra trở nên mượt mà, hạn chế tối đa nguy cơ quá nhiệt mạch công suất và mài mòn cơ khí.
  2. Tối ưu hóa cấu trúc mạng nơ-ron tự động: Giải thuật GA đã chứng minh tính hiệu quả vượt bậc khi tự động rút gọn cấu trúc mạng RBF từ cấu trúc khởi tạo ngẫu nhiên 5 nơ-ron lớp ẩn xuống cấu trúc tối ưu, giúp giảm hơn 40% giá trị hàm mục tiêu thích nghi mà vẫn đảm bảo độ chính xác bám quỹ đạo tuyệt đối.
  3. Độ chính xác bám quỹ đạo phức tạp cao: Khi kiểm thử trên hai quỹ đạo chuẩn gồm quỹ đạo đường tròn và quỹ đạo hình hoa hồng (rose curve), sai số xác lập vị trí trên hai trục tọa độ $x$ và $y$ đều hội tụ nhanh về mức tiệm cận 0, với sai lệch lớn nhất ghi nhận được dưới 0.02 m và thời gian đáp ứng xác lập chỉ trong khoảng 0.4 đến 0.5 giây.
  4. Tăng tốc độ hội tụ và giảm độ vọt lố: So sánh với mạng RBF cơ bản khởi tạo thông số ngẫu nhiên theo kinh nghiệm, mô hình RBF tối ưu bằng GA giúp tăng tốc độ hội tụ của thuật toán lên khoảng 30%, đồng thời giảm triệt để độ vọt lố từ mức 15% xuống dưới 1% ngay trong giai đoạn khởi động.

Thảo luận kết quả

Nguyên nhân cốt lõi giúp hệ thống đạt hiệu năng vượt trội bắt nguồn từ cơ chế phối hợp hai tầng: giải thuật GA đóng vai trò tối ưu hóa toàn cục để tìm ra cấu trúc số nơ-ron lớp ẩn và tập thông số thô tối ưu, trong khi luật điều khiển thích nghi Lyapunov liên tục hiệu chỉnh trực tuyến các trọng số theo sai số thực tế. Điều này loại bỏ hoàn toàn sự phụ thuộc vào mô hình toán học chính xác của đối tượng.

So sánh với các nghiên cứu trước đây trong cùng lĩnh vực, công trình của Wei Wu (2012) và Badar ul Islam (2013) từng gặp khó khăn về thời gian huấn luyện kéo dài và mức cải thiện chất lượng hạn chế. Tương tự, nghiên cứu của Pham Hung Kim (2014) về robot đa hướng vẫn còn tồn tại hiện tượng chattering đáng kể quanh mặt trượt. Giải pháp trong luận văn này đã giải quyết triệt để các tồn tại trên nhờ hàm mục tiêu kết hợp hài hòa giữa sai số huấn luyện và số lượng nơ-ron lớp ẩn.

Dữ liệu nghiên cứu được trực quan hóa rất rõ ràng thông qua hệ thống biểu đồ pha trạng thái $(x, \dot{x})$ và $(y, \dot{y})$, đồ thị đáp ứng thời gian thực và biểu đồ tiến hóa của hàm mục tiêu qua 15 thế hệ. Các bảng thông số so sánh định lượng giữa hai phương pháp khởi tạo ngẫu nhiên và tối ưu bằng GA minh chứng thuyết phục rằng giải thuật di truyền là công cụ hữu hiệu để nâng cao chất lượng điều khiển cho các hệ thống robot phi tuyến phức tạp.

Đề xuất và khuyến nghị

Dựa trên các kết quả đạt được, luận văn đưa ra 4 khuyến nghị và giải pháp hành động cụ thể cho các đơn vị liên quan:

  1. Triển khai nhúng thuật toán lên phần cứng vi xử lý thời gian thực: Đề xuất các kỹ sư tự động hóa tiến hành chuyển đổi mã nguồn thuật toán RBF-ANSMC tối ưu từ MATLAB sang ngôn ngữ C/C++ để nạp trực tiếp lên các dòng chip xử lý tín hiệu số DSP TMS320F28335 hoặc vi điều khiển STM32F4. Mục tiêu giảm chu kỳ tính toán vòng lặp điều khiển xuống dưới 5 mili-giây, thực hiện trong lộ trình 6 tháng.
  2. Ứng dụng công nghệ điều khiển vào hệ thống xe tự hành AGV nhà xưởng: Các doanh nghiệp chế tạo robot công nghiệp cần ứng dụng cấu trúc điều khiển trượt thích nghi RBF vào các dòng xe tự hành AGV vận chuyển hàng hóa, nhằm nâng cao độ chính xác bám vạch chỉ dẫn và khả năng chuyên chở linh hoạt với tải trọng biến thiên từ 10 kg đến 50 kg, hoàn thành trong vòng 9 tháng.
  3. Nghiên cứu phát triển thuật toán tối ưu lai ghép thế hệ mới: Các nhóm nghiên cứu tại các trường đại học kỹ thuật nên phối hợp giải thuật di truyền (GA) với thuật toán tối ưu bầy đàn (PSO) hoặc thuật toán bầy dơi (Bat Algorithm) để nâng cao tốc độ hội tụ trực tuyến thêm 15% đến 20%, triển khai thực hiện trong thời gian 12 tháng.
  4. Xây dựng tiêu chuẩn thử nghiệm độ bền vững trước nhiễu trượt bánh: Đề xuất các viện nghiên cứu tự động hóa xây dựng bộ kịch bản kiểm thử tiêu chuẩn mô phỏng điều kiện bề mặt trơn trượt (hệ số ma sát giảm từ 30% đến 50%) và chướng ngại vật bất định, nhằm chuẩn hóa quy trình đánh giá độ ổn định của robot di động trong thời gian 3 tháng.

Đối tượng nên tham khảo luận văn

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

  • Kỹ sư Nghiên cứu và Phát triển (R&D) Robot: Tiếp cận mô hình toán học động lực học 3 bánh đa hướng hoàn chỉnh và phương pháp thiết kế bộ điều khiển trượt thích nghi nhằm ứng dụng trực tiếp vào việc sản xuất robot di động AMR/AGV trong công nghiệp logistics.
  • Học viên cao học và Nghiên cứu sinh ngành Tự động hóa: Khai thác tài liệu tham khảo chất lượng về kỹ thuật xấp xỉ hàm phi tuyến bằng mạng RBF, phương pháp chứng minh độ ổn định tiệm cận theo tiêu chuẩn Lyapunov và cách thức lập trình giải thuật tối ưu GA trên Simulink.
  • Lập trình viên hệ thống nhúng và AI ứng dụng: Nắm bắt kỹ thuật mã hóa nhiễm sắc thể hỗn hợp (nhị phân và số thực) để tự động hóa việc tinh chỉnh siêu tham số và tối ưu kích thước mạng nơ-ron trên các thiết bị biên có dung lượng bộ nhớ hạn chế dưới 512 KB.
  • Giảng viên và Cán bộ nghiên cứu tại các trường đại học: Sử dụng các kết quả mô phỏng, biểu đồ pha và lưu đồ thuật toán làm học liệu giảng dạy sinh động cho các học phần Điều khiển phi tuyến, Điều khiển thông minh và Trí tuệ nhân tạo trong kỹ thuật.

Câu hỏi thường gặp

1. Tại sao cần kết hợp Giải thuật di truyền với Mạng nơ-ron RBF trong điều khiển robot?
Trong thực tế, việc chọn số lượng nơ-ron lớp ẩn và trọng số ban đầu của mạng RBF thường dựa vào cảm tính, dễ gây hiện tượng quá khớp (overfitting) hoặc tính toán chậm. Giải thuật GA giúp tự động hóa tìm kiếm cấu trúc tối ưu toàn cục, giảm hơn 40% giá trị sai số hàm mục tiêu và loại bỏ hoàn toàn sự can thiệp thủ công.

2. Hiện tượng Chattering trong điều khiển trượt là gì và luận văn đã khắc phục thế nào?
Hiện tượng Chattering là sự dao động tần số cao của tín hiệu điều khiển quanh mặt trượt do hàm dấu gây ra, làm nóng động cơ và mài mòn cơ cấu cơ khí. Luận văn đã sử dụng mạng nơ-ron RBF thích nghi để ước lượng các thành phần bất định, giúp triệt tiêu hơn 85% dao động chattering theo kết quả mô phỏng.

3. Mobile robot trong nghiên cứu có cấu tạo và thông số kỹ thuật ra sao?
Robot thuộc loại đa hướng holonomic với 3 bánh xe bố trí lệch nhau góc 120 độ, khối lượng toàn phần 9.4 kg, mô-men quán tính 11.25 $\text{kgm}^2$ và bán kính bánh 0.0245 m. Cơ cấu này cho phép robot vừa tịnh tiến vừa xoay linh hoạt trong không gian 2D với 3 bậc tự do độc lập.

4. Cơ chế mã hóa nhiễm sắc thể của giải thuật di truyền trong luận văn được thiết lập thế nào?
Nghiên cứu sử dụng phương pháp mã hóa kết hợp: chuỗi nhị phân đại diện cho sự tồn tại của các nơ-ron lớp ẩn (giá trị 0 hoặc 1), kết hợp với chuỗi số thực đại diện cho các trọng số kết nối $W$, véc-tơ tâm $c$ và ngưỡng kích hoạt $b$, giúp thuật toán tối ưu đồng thời cả cấu trúc lẫn tham số mạng.

5. Bộ điều khiển đề xuất có hoạt động ổn định khi có nhiễu ngoại cảnh tác động không?
Có, các thử nghiệm mô phỏng trên quỹ đạo hình hoa hồng phức tạp khi đưa thêm thành phần nhiễu bất định cho thấy bộ điều khiển RBF-ANSMC vẫn duy trì tính bền vững cao, sai số bám vị trí nhanh chóng hội tụ về 0 trong khoảng thời gian dưới 0.5 giây theo đúng tiêu chuẩn Lyapunov.

Kết luận

  • Xây dựng thành công mô hình toán học động học và động lực học chi tiết cho mobile robot đa hướng 3 bánh xe phi tuyến MIMO với khối lượng 9.4 kg.
  • Thiết kế hoàn chỉnh bộ điều khiển trượt thích nghi tích hợp mạng nơ-ron RBF (ANSMC), khắc phục triệt để sự phụ thuộc vào việc nhận dạng trước tham số đối tượng.
  • Ứng dụng xuất sắc giải thuật di truyền (GA) với xác suất lai ghép 0.7 và đột biến 0.001 để tự động tối ưu hóa cấu trúc số nơ-ron lớp ẩn và hệ số mạng RBF.
  • Triệt tiêu trên 85% hiện tượng rung lắc chattering, duy trì sai số bám quỹ đạo phức tạp dưới 0.02 m và rút ngắn khoảng 30% thời gian hội tụ hệ thống.
  • Chứng minh tính ổn định tiệm cận toàn cục của hệ thống kín dựa trên lý thuyết ổn định Lyapunov thông qua mô phỏng trực quan trên MATLAB/Simulink.

Đóng góp lớn nhất của luận văn là đã cung cấp một phương pháp luận khoa học và hoàn chỉnh trong việc kết hợp điều khiển hiện đại với trí tuệ nhân tạo phỏng sinh học để giải quyết bài toán điều khiển hệ phi tuyến bất định. Lộ trình phát triển tiếp theo tập trung vào việc thử nghiệm thực tế trên phần cứng nhúng và tích hợp thuật toán định vị nâng cao trong vòng 6 đến 12 tháng tới. Hãy tải ngay toàn văn luận văn thạc sĩ để khám phá chi tiết các phương trình toán học và áp dụng thuật toán tối ưu vào các dự án phát triển robot tự hành của bạn!