Tổng quan về luận án

Luận án tiến sĩ kỹ thuật với đề tài "Nghiên cứu phương pháp tổng hợp cảm biến dùng cho kỹ thuật dẫn đường các robot di động" được thực hiện bởi nghiên cứu sinh Trần Thuận Hoàng, dưới sự hướng dẫn khoa học của PGS. TS. Trần Quang Vinh và TS. Bạch Gia Dương, bảo vệ tại Trường Đại học Công nghệ – Đại học Quốc gia Hà Nội (chuyên ngành Kỹ thuật Điện tử, mã số 62 52 70 01). Công trình giải quyết bài toán cốt lõi và phức tạp bậc nhất trong lĩnh vực robot tự trị (Autonomous Mobile Robots - AMRs): làm thế nào để robot xác định chính xác vị trí, xây dựng bản đồ môi trường và điều khiển chuyển động bám quỹ đạo ổn định trong điều kiện các cảm biến đơn lẻ luôn tồn tại sai số ngẫu nhiên, nhiễu vật lý và độ trôi tích lũy theo thời gian.

Trong khoa học robot, như trích dẫn nền tảng từ công trình của Leonard và Durant-Whyte, bài toán dẫn đường tự trị quy tụ về việc giải quyết ba câu hỏi mang tính bản thể luận: "Where am I? (robot đang ở đâu)", "Where am I going? (robot sẽ đi tới đâu)", và "How should I get there? (robot sẽ đi tới đó như thế nào)". Để giải quyết ba câu hỏi này, robot phải thu thập dữ liệu từ môi trường qua các bộ cảm nhận, xử lý tại cơ cấu điều khiển và kích hoạt cơ cấu chấp hành. Tuy nhiên, văn bản luận án chỉ rõ một tiên đề thực nghiệm quan trọng: "Trong một hệ thống chứa nhiều yếu tố ngẫu nhiên chưa có loại cảm biến nào hoàn hảo để thực hiện nhiệm vụ này một cách thật chính xác". Cảm biến đo hành trình (odometry) dựa trên bộ lập mã quang (optical encoder) luôn chịu hiện tượng trượt bánh và sai số tích lũy tăng dần theo quãng đường; cảm biến từ-địa bàn (compass) dễ bị biến dạng từ trường bởi kết cấu thép và đường dây điện trong nhà; cảm biến siêu âm chịu hiện tượng "đọc chéo" (cross-talk) và góc mở chùm sóng rộng; camera thu hình thông thường nhạy cảm cực đoan với sự thay đổi cường độ ánh sáng; trong khi cảm biến đo xa laser 2D (LRF - Laser Range Finder) tiêu chuẩn lại hoàn toàn khiếm khuyết thông tin hình học theo phương thẳng đứng.

Khoảng trống nghiên cứu (research gap) mà luận án định vị là sự thiếu vắng một kiến trúc tổng hợp đa cảm biến khả thi về mặt tính toán thời gian thực, có khả năng tích hợp đồng thời các nguồn dữ liệu dị thể (heterogeneous sensor data) với chu kỳ lấy mẫu và độ trễ khác nhau, đồng thời kết nối chặt chẽ kết quả ước lượng trạng thái sau lọc với giải thuật điều khiển chuyển động phi tuyến nhằm triệt tiêu dao động cơ học.

Để giải quyết khoảng trống này, luận án xác lập hệ thống câu hỏi và giả thuyết nghiên cứu tường minh:

  • Câu hỏi nghiên cứu 1 (RQ1): Làm thế nào để mô hình hóa toán học và tổng hợp tối ưu dữ liệu từ các cảm biến có đặc tính động học và độ tin cậy phân tán (odometry, từ-địa bàn CMPS03, camera toàn phương omni-directional, cảm biến đo xa laser LRF) nhằm cực tiểu hóa sai số ước lượng tư thế robot?
  • Câu hỏi nghiên cứu 2 (RQ2): Bằng cấu trúc cơ khí và thuật toán nào có thể nâng cấp hệ đo xa laser 2D thành 3D với chi phí thấp, đồng thời nén dữ liệu điểm ảnh 3D thành bản đồ 2D phục vụ quy hoạch đường đi tối ưu trong không gian thực?
  • Câu hỏi nghiên cứu 3 (RQ3): Luật điều khiển phi tuyến nào đảm bảo hệ robot di động hai bánh vi sai chuyển động ổn định tiệm cận về trạng thái cân bằng theo tiêu chuẩn Lyapunov khi có sự tham gia của bộ lọc ước lượng trạng thái trong vòng phản hồi?

Hệ thống giả thuyết tương ứng:

  • Giả thuyết 1 (H1): Việc áp dụng bộ lọc Kalman mở rộng (Extended Kalman Filter - EKF) với việc mô hình hóa chính xác ma trận hiệp phương sai sai số đo lường $R_k$ và ma trận Jacobian phi tuyến sẽ triệt tiêu sai số tích lũy của odometry, duy trì sai số định vị trong giới hạn hội tụ.
  • Giả thuyết 2 (H2): Giải thuật ép ảnh và phát hiện vật cản IPaBD (Image Pressure and Barriers Detection) do tác giả đề xuất sẽ trích xuất thành công bản đồ dẫn đường 2D từ đám mây điểm 3D mà không làm mất các thông tin vật cản nhô ra ở các độ cao khác nhau (như mặt bàn, xà ngang).
  • Giả thuyết 3 (H3): Tích hợp trạng thái ước lượng từ bộ lọc Kalman vào vòng phản hồi của bộ điều khiển xây dựng theo hàm thế Lyapunov và nguyên lý bất biến LaSalle sẽ loại bỏ hiện tượng rung lắc vận tốc góc ($\omega$), đảm bảo quỹ đạo chuyển động mượt mà và tiệm cận đích an toàn.

Khung lý thuyết của công trình được xây dựng trên sự giao thoa của ba trụ cột: Lý thuyết suy luận xác suất thống kê Bayes, Lý thuyết ước lượng trạng thái tối ưu Kalman/EKF, và Lý thuyết ổn định động lực học phi tuyến Lyapunov. Phạm vi nghiên cứu bao gồm thiết kế chế tạo phần cứng robot di động hai bánh vi sai hoàn chỉnh sử dụng vi điều khiển chuyên dụng Microchip dsPIC30F4011 kết hợp các mô-đun Motion Mind, đo kiểm thực nghiệm trên các quỹ đạo chuẩn (chạy thẳng 7m, quay đa vận tốc, tránh vật cản động với vận tốc 0,3 m/s) trong môi trường trong nhà tại phòng thí nghiệm.

Literature Review và Positioning

Quá trình phát triển các kỹ thuật tổng hợp cảm biến cho robot di động trong y văn quốc tế được định hình qua ba dòng lý thuyết chính:

  1. Dòng suy luận xác suất Bayes và biểu diễn lưới chiếm giữ (Occupancy Grids): Tiên phong bởi Elfes (1989), Matthies & Elfes (1988), sau đó được mở rộng bởi Buchenberger (1993), Courtney & Jain (1994) và Yenilmez (2002). Hướng tiếp cận này gán xác suất chiếm giữ vật cản lên từng ô lưới trong không gian. Mặc dù phản ánh trực quan độ bất định, phương pháp này đòi hỏi chi phí tính toán và bộ nhớ tăng theo cấp số nhân khi mở rộng kích thước môi trường, đồng thời gặp khó khăn lớn tại vùng biên giới hạn của vật cản.

  2. Dòng xử lý không gian đo xa laser và thị giác 3D: Các công trình của Surmann (2003), Hähnel & Burgard (2003), Lacroix (1999) tập trung vào việc biến đổi máy quét 2D thành hệ thống quét 3D hoặc áp dụng thuật toán đạc tam giác động. Tuy nhiên, hầu hết các tác giả giai đoạn này chỉ tập trung vào việc lập bản đồ toàn cục tĩnh để tránh va chạm mà chưa giải quyết triệt để bài toán định vị chính xác vị trí thời gian thực của thân robot trong quá trình vận động.

  3. Dòng ước lượng trạng thái ngẫu nhiên bằng bộ lọc Kalman (KF/EKF): Các nghiên cứu của Leonard & Durrant-Whyte (1991), Arras & Vestli (1998), Arras & Tomatis (2000), Jensfelt (2001), Zhou Xiaowei (2008), và Panich & Afzulpurkar (2011). Điểm cốt lõi của EKF là tuyến tính hóa các mô hình động học và mô hình đo lường phi tuyến bằng khai triển chuỗi Taylor bậc một thông qua các ma trận đạo hàm riêng (Jacobian).

                            TIẾN TRÌNH PHÁT TRIỂN HỆ THỐNG DẪN ĐƯỜNG ROBOT
                                 
  [Lý thuyết Bayes & Lưới ô]         [Mô hình EKF 2 Cảm biến]          [Đo đạc 3D & Lập bản đồ]
  - Elfes (1989)                     - Arras & Tomatis (2000)          - Surmann (2003)
  - Buchenberger (1993)              - Jensfelt (2001)                 - Hähnel & Burgard (2003)
  - Nhược điểm: Bùng nổ bộ nhớ       - Nhược điểm: Giới hạn 2 nguồn    - Nhược điểm: Nặng tính toán
              │                                    │                               │
              └────────────────────────────────────┼───────────────────────────────┘
                                                   │
                                                   ▼
                           [LUẬN ÁN TRẦN THUẬN HOÀNG (2015)]
                           - Tổng hợp EKF 4 nguồn dị thể (Encoder + Compass + 3D LRF + Omni-Cam)
                           - Nâng cấp LRF 2D -> 3D bằng cơ cấu góc ngẩng + Thuật toán IPaBD
                           - Đồng bộ vòng điều khiển phản hồi ổn định Lyapunov - LaSalle

Trong y văn tồn tại hai cuộc tranh luận học thuật lớn. Thứ nhất là cuộc tranh luận giữa phương pháp làm khớp bản đồ dựa trên hình tượng (icon-based map matching) và làm khớp bản đồ dựa trên đặc trưng (feature-based map matching) (Shaffer et al., 1992; Cox, 1991). Phương pháp hình tượng dùng trực tiếp dữ liệu thô nên chính xác hơn nhưng tiêu tốn tài nguyên xử lý, trong khi phương pháp đặc trưng chạy nhanh hơn nhưng phụ thuộc vào việc trích xuất các đường thẳng hoặc cột mốc hình học. Thứ hai là sự đánh đổi giữa cấu hình cảm biến cạnh tranh (competitive), bổ sung (complementary) và cộng tác (collaborative) theo phân loại của Durant-Whyte (1988) và McKee (1996). Cấu hình cộng tác tuy tạo ra thông tin chiều sâu mới nhưng rất nhạy cảm với sai số thành phần, dễ gây bất ổn định cho hệ thống nếu không có cơ chế lọc thích nghi.

So sánh với các nghiên cứu quốc tế tiêu biểu:

  • Nghiên cứu của Arras & Tomatis (2000) sử dụng robot tự hành dọc hành lang kết hợp máy đo xa laser và camera để trích xuất cạnh tường thẳng đứng. Tuy nhiên, hệ thống này bị giới hạn ở không gian 2D phẳng và chỉ dung hợp hai cảm biến đơn lẻ.
  • Nghiên cứu của Panich & Afzulpurkar (2011) tích hợp con quay (gyroscope), la bàn và hệ thống CaPS (Camera Positioning System), nhưng hệ thống phần cứng cồng kềnh, độ trễ thị giác lớn và suy giảm độ chính xác nghiêm trọng khi môi trường thay đổi ánh sáng đột ngột.

Tại Việt Nam thời điểm 2015, các nghiên cứu dẫn đường đa số dừng lại ở việc ghép nối GPS/INS cho phương tiện ngoài trời với sai số cho phép lên tới hàng mét, hoặc sử dụng camera KINECT hay vòng cảm biến siêu âm đơn giản trong nhà mang tính chất định tính. Luận án của Trần Thuận Hoàng tạo bước định vị đột phá khi là công trình đầu tiên tại Việt Nam thiết kế chế tạo trọn vẹn phần cứng robot đa cảm biến tích hợp camera toàn phương (omni-camera), hệ quét laser 3D tự chế tạo, kết hợp giải thuật EKF đa mức và bảo đảm tính ổn định chuyển động toán học bằng hàm Lyapunov.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đã mở rộng khung lý thuyết ước lượng ngẫu nhiên phi tuyến trong kỹ thuật điều khiển tự động thông qua các đóng góp cụ thể:

  1. Mở rộng lý thuyết lọc Kalman phi tuyến (EKF) cho các luồng dữ liệu đa tốc độ (Multi-rate Heterogeneous Data): Công trình đã hình thành mô hình toán học giải quyết bài toán đồng bộ hóa dữ liệu có độ trễ không đồng nhất giữa cảm biến tần số cao (odometry $50\text{ Hz}$, địa bàn $20\text{ Hz}$) và cảm biến tần số thấp, nặng về tính toán (LRF $10\text{ Hz}$, camera toàn phương $5\text{ Hz}$). Luận án chứng minh rằng việc xử lý tuần tự các ma trận đo lường $H_k$ và ma trận hiệp phương sai nhiễu đo $R_k$ trong pha hiệu chỉnh EKF cho phép duy trì tính xác định dương của ma trận hiệp phương sai sai số $P_k$, ngăn chặn hiện tượng phân kỳ toán học.

  2. Hợp nhất lý thuyết ổn định Lyapunov với ước lượng ngẫu nhiên: Thay vì tách rời khâu ước lượng trạng thái và khâu điều khiển (nguyên lý tách biệt cổ điển trong hệ tuyến tính), luận án đã chứng minh sự ổn định tiệm cận của hệ phi tuyến kín thông qua hàm ứng viên Lyapunov: $$V(e) = \frac{1}{2} e_x^2 + \frac{1}{2} e_y^2 + \frac{1 - \cos(e_\theta)}{k_\theta}$$ Khi đưa trạng thái ước lượng sau lọc $\hat{x}_k = [\hat{x}, \hat{y}, \hat{\theta}]^T$ vào vòng phản hồi, hệ thống thỏa mãn nguyên lý bất biến LaSalle, triệt tiêu dao động tắt dần của biến điều khiển vận tốc góc $\omega$.

                    MÔ HÌNH TOÁN HỌC KHUNG PHÂN TÍCH TỔNG HỢP CẢM BIẾN EKF
                    
    Dự báo trạng thái (Odometry):
    ┌────────────────────────────────────────────────────────┐
    │  x̂⁻_k = f(x̂_{k-1}, u_{k-1}, 0)                         │
    │  P⁻_k = A_k P_{k-1} A_k^T + W_k Q_{k-1} W_k^T          │
    └──────────────────────────┬─────────────────────────────┘
                               │
            ┌──────────────────┴──────────────────┐
            ▼                                     ▼
   Cập nhật Địa bàn CMPS03               Cập nhật Đo xa LRF
   z_{k,1} = [ψ_m]                       z_{k,2} = [ρ_i, ψ_i]^T
   H_{k,1} = ∂h_1/∂x                     H_{k,2} = ∂h_2/∂x
   R_{k,1} = var(ψ_m)                    R_{k,2} = diag(var(ρ), var(ψ))
            │                                     │
            └──────────────────┬──────────────────┘
                               ▼
                   Cập nhật Omni-Camera (Hough)
                   z_{k,3} = [γ_k] (Góc hướng mốc)
                   H_{k,3} = ∂h_3/∂x ; R_{k,3} = var(γ_k)
                               │
                               ▼
    Hiệu chỉnh trạng thái hậu nghiệm tổng hợp:
    ┌────────────────────────────────────────────────────────┐
    │  K_k = P⁻_k H_k^T (H_k P⁻_k H_k^T + V_k R_k V_k^T)⁻¹   │
    │  x̂_k = x̂⁻_k + K_k [z_k - h(x̂⁻_k, 0)]                   │
    │  P_k = (I - K_k H_k) P⁻_k                              │
    └────────────────────────────────────────────────────────┘

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp ba lý thuyết nền tảng: Lý thuyết tập mờ và xác suất Bayes trong tiền xử lý độ bất định; Lý thuyết không gian trạng thái hiện đại của Kalman & Bucy (1960); và Lý thuyết động lực học giải tích không holonomic (non-holonomic mobile robotics).

Thuật ngữ định nghĩa cốt lõi trong luận án:

  • "Tổng hợp cảm biến chính là việc kết hợp số liệu ra từ nhiều nguồn dữ liệu khác nhau theo một cách nào đó để tạo nên được một bức tranh về thế giới quanh robot trung thực và mạch lạc hơn."
  • Thuật toán IPaBD (Image Pressure and Barriers Detection): Giải thuật ép ảnh 3D thành bản đồ 2D phẳng thông qua phép chiếu ma trận điểm ảnh $(\rho, \beta, \phi)$ lên mặt phẳng $Oxy$, sử dụng kỹ thuật lọc ngưỡng động để bảo toàn các đường biên của vật cản lơ lửng trong không gian quét.

Điều kiện biên lý thuyết (boundary conditions): Hệ thống giả định mô hình nhiễu hệ thống $w_k \sim \mathcal{N}(0, Q_k)$ và nhiễu đo lường $v_k \sim \mathcal{N}(0, R_k)$ là các quá trình ngẫu nhiên dừng, ồn trắng Gauss, độc lập thống kê $E[w_i v_j^T] = 0$, chuyển động trên mặt sàn phẳng không có hiện tượng trượt hoàn toàn ($v_R, v_L > 0$).

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu tuân thủ chặt chẽ thế giới quan thực chứng suy diễn (deductive positivism) kết hợp phương pháp luận kỹ thuật hệ thống (cybernetic systems engineering). Thiết kế nghiên cứu đa tầng kết hợp mô phỏng số trên MATLAB với kiểm chứng thực nghiệm trên mô hình vật lý thời gian thực.

Cấu trúc phân tầng hệ thống gồm 3 cấp:

  1. Cấp thấp (Hardware & Real-time Execution): Vi điều khiển dsPIC30F4011 thực thi các vòng lặp điều khiển PID vận tốc động cơ với tần số trích mẫu dòng quét kín, đọc xung lập mã encoder và kích xung PWM điều khiển góc ngẩng $\phi$ của cảm biến laser.
  2. Cấp trung (Algorithmic Sensor Fusion): Máy tính nhúng trên bo mạch thu nhận dữ liệu qua giao tiếp nối tiếp RS485/USB, thực thi thuật toán EKF, biến đổi Hough trích xuất đặc trưng đường thẳng từ camera toàn phương và điểm phản xạ LRF.
  3. Cấp cao (Path Planning & Global Guidance): Xây dựng bản đồ lưới bằng thuật toán IPaBD, vạch đường đi tối ưu thông qua giải thuật tìm kiếm $A^*$ và đồ thị Voronoi.
                      KIẾN TRÚC PHẦN CỨNG VÀ DÒNG DỮ LIỆU HỆ THỐNG
                      
    ┌────────────────────────────────────────────────────────────────────────┐
    │                         MÁY TÍNH XỬ LÝ TRUNG TÂM                       │
    │  - Thuật toán EKF tổng hợp đa cảm biến                                 │
    │  - Xử lý ảnh Omni-Cam (Biến đổi Hough trích xuất góc γ_k)              │
    │  - Xây dựng bản đồ IPaBD (Ép điểm 3D -> 2D)                            │
    │  - Vạch đường đi toàn cục (Thuật toán A* & Đồ thị Voronoi)             │
    │  - Bộ điều khiển chuyển động phi tuyến Lyapunov                        │
    └───────────────────────────────────▲────────────────────────────────────┘
                                        │ Giao tiếp USB ↔ RS485 (UART)
    ┌───────────────────────────────────▼────────────────────────────────────┐
    │                    KHỐI ĐIỀU KHIỂN ĐIỆN TỬ dsPIC30F4011                │
    │  - Đọc Encoder 2 bánh xe (Odometry) & Tính toán xung động học          │
    │  - Giao tiếp I2C đọc Cảm biến từ-địa bàn CMPS03                        │
    │  - Điều khiển góc ngẩng LRF (Servo motor quét dọc góc φ)               │
    │  - Phát xung PWM điều khiển tốc độ qua khối Motion Mind                │
    └───────────▲───────────────────────▲────────────────────────▲───────────┘
                │                       │                        │
    ┌───────────┴──────────┐ ┌──────────┴──────────┐ ┌───────────┴───────────┐
    │  Cơ cấu Chấp hành    │ │   Cảm biến Laser    │ │   Camera Toàn phương  │
    │  - Động cơ DC Servo  │ │  - LRF URG-04LX     │ │  - Gương cầu Parabol  │
    │  - Bánh xe vi sai    │ │  - Quét ngang 180°  │ │  - Trải ảnh 360°      │
    └──────────────────────┘ └─────────────────────┘ └───────────────────────┘

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu thực nghiệm được tiến hành qua các bước chuẩn hóa nghiêm ngặt:

  • Chế tạo cơ cấu quét 3D từ LRF 2D: Sử dụng cảm biến đo xa laser Hokuyo URG-04LX (quét góc ngang $180^\circ$, bước góc $0.36^\circ$) gắn trên một khung cơ khí quay điều khiển bởi động cơ servo tạo góc quét dọc $\phi$ từ $-15^\circ$ đến $+35^\circ$. Luận án thiết lập hai chế độ quét: thời gian quét dọc $T_v$ ngắn (nhận diện nhanh vật cản) và $T_v$ dài (lập bản đồ chi tiết môi trường).
  • Quy trình thu thập và đồng bộ dữ liệu: Thiết kế mạch chuyển đổi công nghiệp USB $\leftrightarrow$ RS485 cách ly quang, truyền thông tin trạng thái với tốc độ baudrate cao, đảm bảo không nghẽn dữ liệu giữa dsPIC và máy tính xử lý.
  • Quy chuẩn kiểm tra tính hợp lệ và độ tin cậy:
    • Độ tin cậy cảm biến: Khảo sát sai số định góc của camera toàn phương qua biến đổi Hough phát hiện đường thẳng đứng của cột mốc đỏ nhân tạo $(x_m, y_m)$, xác định sai số chuẩn độ góc $\gamma_k$.
    • Đo đạc kiểm chuẩn LRF: So sánh tọa độ đo đạc đám mây điểm 3D $(y, z)$ của vật thể hình tròn và người chuyển động với giá trị thực đo bằng thước laze chuẩn.
    • Độ tin cậy hệ động lực: Kiểm tra độ chính xác chuyển động robot khi chạy thẳng 7m không điều khiển và có điều khiển PID bù trượt trên mô-đun Motion Mind.

Data và phân tích

Mô hình trạng thái và các ma trận Jacobian được dẫn xuất chi tiết trong luận án: Véc-tơ trạng thái của robot tại thời điểm $k$: $$x_k = [x_k, y_k, \theta_k]^T$$ Véc-tơ điều khiển đầu vào từ vận tốc hai bánh xe phải và trái: $$u_k = [v_{R,k}, v_{L,k}]^T$$

Phương trình động học phi tuyến thời gian rời rạc: $$x_k = f(x_{k-1}, u_{k-1}, w_{k-1}) = \begin{bmatrix} x_{k-1} + \frac{\Delta s_k}{\Delta \theta_k} (\sin(\theta_{k-1} + \Delta \theta_k) - \sin\theta_{k-1}) \ y_{k-1} - \frac{\Delta s_k}{\Delta \theta_k} (\cos(\theta_{k-1} + \Delta \theta_k) - \cos\theta_{k-1}) \ \theta_{k-1} + \Delta \theta_k \end{bmatrix}$$ trong đó $\Delta s_k = \frac{\Delta s_R + \Delta s_L}{2}$, $\Delta \theta_k = \frac{\Delta s_R - \Delta s_L}{L}$ ($L$ là khoảng cách giữa hai bánh xe).

Ma trận Jacobian hệ thống $A_k = \frac{\partial f}{\partial x}\Big|{(\hat{x}{k-1}, u_{k-1}, 0)}$ và ma trận nhiễu $W_k = \frac{\partial f}{\partial w}\Big|{(\hat{x}{k-1}, u_{k-1}, 0)}$ được tính toán giải tích tại mỗi bước lặp.

Trong pha đo lường, đối với từng cảm biến:

  1. Địa bàn số CMPS03: Phương trình đo $z_1 = \theta_k + v_1 \Rightarrow H_1 = [0, 0, 1]$.
  2. Cảm biến LRF (trích chọn phân đoạn đường thẳng $\rho_i, \psi_i$): $$h_i(x_k) = \begin{bmatrix} \rho_i - x_k \cos\psi_i - y_k \sin\psi_i \ \psi_i - \theta_k \end{bmatrix} \Rightarrow H_{2,i} = \begin{bmatrix} -\cos\psi_i & -\sin\psi_i & 0 \ 0 & 0 & -1 \end{bmatrix}$$
  3. Camera toàn phương (góc nhìn mốc $\gamma_k$): $$h_3(x_k) = \arctan\left(\frac{y_m - y_k}{x_m - x_k}\right) - \theta_k \Rightarrow H_3 = \begin{bmatrix} \frac{y_m - y_k}{(x_m - x_k)^2 + (y_m - y_k)^2} & \frac{-(x_m - x_k)}{(x_m - x_k)^2 + (y_m - y_k)^2} & -1 \end{bmatrix}$$

Chỉ số sai số căn quân phương (Root Mean Square Error - RMSE) được tính toán định lượng: $$\text{RMSE} = \sqrt{\frac{1}{N}\sum_{k=1}^N \left[(x_k^{\text{est}} - x_k^{\text{true}})^2 + (y_k^{\text{est}} - y_k^{\text{true}})^2\right]}$$

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Triệt tiêu hiện tượng trôi vị trí tích lũy (Dead-reckoning Drift Elimination): Thực nghiệm trên quãng đường di chuyển và quay phức tạp cho thấy, sai số định vị thuần túy bằng Odometry tăng lũy tiến không giới hạn (độ lệch quỹ đạo $> 0.8\text{ m}$ sau 7m di chuyển do trượt cơ học). Khi áp dụng EKF tích hợp Odometry + Địa bàn CMPS03 + LRF + Omni-camera, quỹ đạo ước lượng bám sát quỹ đạo thực với sai số RMSE giảm xuống dưới $0.04\text{ m}$, cải thiện độ chính xác hơn $95%$.

  2. Khắc phục điểm mù hình học bằng giải thuật IPaBD: Trong các thử nghiệm vật cản phức tạp có cấu trúc nhô ngang (như mặt bàn, người đi bộ với chân và thân có tiết diện khác nhau), cảm biến 2D LRF thông thường hoàn toàn bỏ sót phần mặt bàn nhô ra, dẫn đến va chạm. Giải thuật IPaBD ép toàn bộ đám mây điểm 3D thu được từ cơ cấu quét ngẩng lên mặt phẳng $Oxy$ đã tái tạo trung thực $100%$ biên dạng bao phủ của vật cản, cho phép thuật toán $A^*$ và lược đồ Voronoi vạch ra đường đi an toàn tuyệt đối qua các nút không gian.

  3. Hiện tượng bù trừ can nhiễu chéo giữa các phương thức cảm biến: Luận án phát hiện hiện tượng bất ngờ mang tính thực nghiệm cao: khi robot hoạt động gần các khung dầm thép gây méo từ trường địa bàn (sai số góc lệch $> 15^\circ$), hệ thống EKF nhờ có ma trận hiệp phương sai đo lường $R_k$ động đã tự động tăng trọng số lọc cho cảm biến camera toàn phương và phân đoạn đường thẳng của LRF, giúp triệt tiêu hoàn toàn sự đột biến của la bàn từ.

  4. Ổn định hóa vận tốc góc nhờ tích hợp Kalman vào vòng điều khiển Lyapunov: Kết quả thực nghiệm điều khiển chuyển động chứng minh rằng, việc đưa bộ lọc Kalman vào mạch phản hồi trạng thái đã loại bỏ hoàn toàn các dao động tần số cao (chattering) của vận tốc góc $\omega$. Đường cong vận tốc góc $\omega$ tiệm cận trơn tru về 0 khi robot tiến vào vùng lân cận điểm đích $(x_d, y_d, \theta_d)$, chứng minh tính đúng đắn của nguyên lý bất biến LaSalle trong điều kiện thực nghiệm có can nhiễu ngẫu nhiên.

                           SO SÁNH SAI SỐ ĐỊNH VỊ GIỮA CÁC CẤU HÌNH
                           
  Sai số vị trí (m)
   1.0 ┼                                                  • Odometry thuần túy (Trôi dạt)
       │                                             •
   0.8 ┼                                       •
       │                                 •
   0.6 ┼                           •
       │                     •
   0.4 ┼               •
       │         •  ▲ EKF: Odometry + La bàn CMPS03
   0.2 ┼   ▲   ▲   ▲   ▲   ▲   ▲   ▲   ▲   ▲   ▲   ▲   ▲
       │  ═══════════════════════════════════════════════ ■ EKF Đầy đủ (Odometry+La bàn+LRF+Omni)
   0.0 ┴───┬───┬───┬───┬───┬───┬───┬───┬───┬───┬───┬───► Thời gian / Quãng đường
           1   2   3   4   5   6   7   8   9  10  11  12 (m)

Implications đa chiều

  • Về mặt học thuật: Công trình chứng minh tính khả thi của việc kết hợp các cấu trúc điều khiển giải tích phi tuyến chặt chẽ (Lyapunov) với các giải thuật ước lượng ngẫu nhiên phân tán (EKF) trên nền tảng phần cứng xử lý số tín hiệu nhúng công suất thấp.
  • Về mặt phương pháp luận: Cung cấp phương pháp luận chuẩn tắc cho việc nâng cấp hệ đo quang học 2D thành 3D bằng cơ cấu chấp hành góc ngẩng 1 bậc tự do kết hợp thuật toán nén thông tin IPaBD, làm giảm độ phức tạp tính toán từ không gian ba chiều $O(N^3)$ về không gian hai chiều $O(N^2)$.
  • Về mặt ứng dụng thực tiễn: Tạo tiền đề kỹ thuật hoàn chỉnh cho việc nội địa hóa và thương mại hóa các hệ thống xe tự hành AGV trong nhà máy công nghiệp, robot phục vụ bệnh viện, robot lau sàn tự động và thiết bị hỗ trợ di chuyển cho người khuyết tật tại Việt Nam với chi phí phần cứng thấp.

Limitations và Future Research

Luận án thừa nhận một số giới hạn nghiên cứu mang tính biên:

  1. Giả định môi trường chuyển động phẳng (Planar Motion Assumption): Hệ thống giả định robot chỉ chuyển động trên mặt sàn phẳng hai chiều ($x, y, \theta$), chưa xét đến các hiệu ứng trượt ba chiều, dốc nghiêng hoặc rung lắc địa hình gồ ghề (6 bậc tự do roll-pitch-yaw).
  2. Đặc tính quang học của cảm biến LRF: Cảm biến đo xa laser Hokuyo URG-04LX bị "mù" quang học trước các bề mặt vật liệu trong suốt như kính hoặc bề mặt gương phản xạ cao, làm suy giảm ma trận đo lường $H_k$ trong các tòa nhà hiện đại.
  3. Độ trễ cơ khí của hệ quét 3D: Việc quét góc ngẩng $\phi$ bằng động cơ servo phụ thuộc vào chu kỳ quét $T_v$. Khi robot di chuyển với vận tốc cao ($> 0.5\text{ m/s}$), đám mây điểm 3D quét được có thể bị méo dạng hình học do hiệu ứng chuyển động tương đối.

Chương trình nghiên cứu tương lai (Future Agenda):

  • Phát triển các thuật toán EKF mờ thích nghi (Adaptive Fuzzy EKF) có khả năng tự động cập nhật trực tuyến hai ma trận hiệp phương sai $Q_k$ và $R_k$ theo thời gian thực khi điều kiện môi trường biến động mạnh.
  • Tích hợp mạng nơ-ron học sâu (Deep Neural Networks) vào camera toàn phương để nhận diện ngữ nghĩa môi trường (semantic landmarks), thay thế cho các cột mốc nhân tạo hoặc trích xuất cạnh Hough đơn giản.
  • Mở rộng kiến trúc tổng hợp đa cảm biến từ một robot đơn lẻ sang hệ thống đa robot cộng tác (multi-robot cooperative SLAM) thông qua mạng truyền thông không dây phân tán.

Tác động và ảnh hưởng

  • Tác động học thuật: Luận án là tài liệu tham khảo chuẩn mực trong đào tạo sau đại học ngành Kỹ thuật Điện tử, Tự động hóa và Cơ điện tử tại Việt Nam. Các bài báo khoa học trích xuất từ luận án được công bố trên các tạp chí và kỷ yếu hội nghị uy tín chuyên ngành (như Tạp chí Khoa học ĐHQGHN, Hội nghị Quốc gia về Điện tử, Truyền thông và Công nghệ Thông tin REV-ECIT).
  • Chuyển giao công nghệ công nghiệp: Mô hình xe tự hành chế tạo trong luận án đặt nền móng kỹ thuật trực tiếp cho các doanh nghiệp tự động hóa trong nước chế tạo các dòng AGV dẫn đường bằng laser/bản đồ số trong các dây chuyền lắp ráp công nghiệp thông minh.
  • Tác động xã hội: Góp phần đào tạo nguồn nhân lực chất lượng cao trình độ tiến sĩ, làm chủ công nghệ lõi trong thiết kế hệ thống nhúng và thuật toán robot thông minh trong bối cảnh cuộc Cách mạng Công nghiệp lần thứ tư.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và học viên cao học: Tiếp cận toàn bộ phương pháp luận toán học từ mô hình hóa không gian trạng thái, tuyến tính hóa Jacobian cho đến quy trình giải thuật EKF và hàm ổn định Lyapunov.
  • Kỹ sư R&D trong ngành Robot và Tự động hóa: Ứng dụng trực tiếp bản vẽ thiết kế phần cứng, mạch điều khiển dsPIC30F4011, mạch giao tiếp công nghiệp RS485 và thuật toán ép ảnh IPaBD vào sản phẩm thương mại.
  • Các nhà hoạch định chính sách khoa học công nghệ: Bằng chứng thực nghiệm khẳng định năng lực tự chủ nghiên cứu, thiết kế và chế tạo các hệ thống điều khiển tự trị tiên tiến trong nước mà không cần phụ thuộc vào việc nhập khẩu toàn bộ các hệ đo đắt tiền từ nước ngoài.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?

Đóng góp lý thuyết độc đáo nhất là việc mở rộng Lý thuyết lọc Kalman mở rộng (EKF) kết hợp với Lý thuyết ổn định Lyapunov phi tuyến cho hệ robot di động hai bánh vi sai. Luận án đã thiết lập thành công mô hình toán học giải tích tuyến tính hóa thông qua các ma trận Jacobian ($A_k, W_k, H_k, V_k$) cho luồng dữ liệu 4 cảm biến dị thể (Odometry, CMPS03, 3D LRF, Omni-camera), đồng thời giải quyết bài toán hội tụ vận tốc góc $\omega$ tiệm cận 0 bằng nguyên lý bất biến LaSalle khi có bộ lọc EKF xen vào vòng phản hồi.

2. Điểm cải tiến phương pháp luận của luận án so với ít nhất hai nghiên cứu quốc tế trước đó?

So với nghiên cứu của Arras & Tomatis (2000) (chỉ tổng hợp 2 nguồn cảm biến 2D LRF và camera cạnh thẳng đứng) và Panich & Afzulpurkar (2011) (tích hợp CaPS với la bàn nhưng phụ thuộc nặng vào chiếu sáng môi trường), luận án đã:

  • Tự thiết kế chế tạo hệ thống quét 3D từ LRF 2D bằng cơ cấu góc ngẩng $\phi$ điều khiển số.
  • Đề xuất giải thuật mới IPaBD giải quyết triệt để bài toán chiếu nén không gian 3D về 2D, phát hiện được các vật cản lơ lửng ở các độ cao khác nhau mà không làm quá tải năng lực tính toán nhúng.
  • Tích hợp đồng thời 4 cảm biến với cơ chế cập nhật ma trận hiệp phương sai sai số đo lường $R_k$ thích nghi.

3. Phát hiện bất ngờ nhất trong quá trình thực nghiệm có số liệu minh chứng là gì?

Phát hiện bất ngờ nhất là khả năng "tự phục hồi" và bù trừ sai số chéo của bộ lọc EKF khi đi qua vùng dị thường từ tính. Trong khi cảm biến địa bàn CMPS03 bị méo từ trường cục bộ làm sai lệch góc hướng robot tức thời lên tới hơn $15^\circ$, bộ lọc EKF dựa trên các điểm phân đoạn thẳng của LRF và góc $\gamma_k$ trích xuất từ camera toàn phương đã cô lập được sai số này, duy trì sai số ước lượng tổng hợp RMSE toàn quỹ đạo ổn định ở mức $< 0.04\text{ m}$.

4. Luận án có cung cấp đầy đủ quy trình và tham số để tái lập nghiên cứu (Replication Protocol) không?

Luận án cung cấp quy trình tái lập hoàn chỉnh từ sơ đồ nguyên lý mạch điện tử (vi điều khiển MCU dsPIC30F4011, mạch chuyển đổi USB $\leftrightarrow$ RS485), các tham số vật lý của robot (khoảng cách hai bánh $L$, bán kính bánh xe $R$), dải quét của LRF ($180^\circ$, bước quét $0.36^\circ$), cho đến hệ thống các phương trình toán học chi tiết để tính toán các phần tử ma trận $A_{ij}, W_{ij}, H_{ij}, V_{ij}$ và các lưu đồ thuật toán điều khiển.

5. Luận án đã phác thảo chương trình nghiên cứu 10 năm tiếp theo như thế nào?

Luận án định hướng lộ trình phát triển dài hạn tập trung vào ba trục chính: (1) Mở rộng hệ thống dẫn đường từ không gian 2D phẳng sang chuyển động 3D toàn phần (6-DOF SLAM) cho địa hình phức tạp; (2) Tích hợp trí tuệ nhân tạo và thị giác máy tính sâu để nhận dạng và phân loại ngữ nghĩa vật thể; (3) Mở rộng giải thuật tổng hợp cảm biến cho bài toán điều khiển bầy đàn đa robot tự trị (Multi-Agent Swarm Robotics) chia sẻ bản đồ phân tán.

Kết luận

  1. Luận án đã thiết kế và chế tạo thành công một mô hình robot di động đa cảm biến hai bánh vi sai hoàn chỉnh tại phòng thí nghiệm, làm chủ toàn bộ phần cứng điện tử từ khối vi điều khiển chuyên dụng dsPIC30F4011 đến các cơ cấu chấp hành công suất.
  2. Đã đề xuất và hiện thực hóa thành công giải pháp cơ - điện tử biến đổi cảm biến đo xa laser LRF 2D thành hệ thống quét 3D thông qua cơ cấu điều khiển góc ngẩng $\phi$ với giá thành thấp và độ tin cậy cao.
  3. Đã phát triển giải thuật mới IPaBD (Image Pressure and Barriers Detection) cho phép ép dữ liệu đám mây điểm 3D thành bản đồ dẫn đường 2D, giải quyết xuất sắc bài toán phát hiện vật cản có hình học phức tạp theo chiều dọc phục vụ vạch đường đi tối ưu bằng thuật toán $A^*$ và đồ thị Voronoi.
  4. Đã xây dựng và kiểm chứng thực nghiệm mô hình toán học tổng hợp dữ liệu đa cảm biến dị thể (Odometry, CMPS03, LRF, Omni-camera) dựa trên bộ lọc Kalman mở rộng (EKF), giảm thiểu sai số căn quân phương RMSE định vị xuống dưới $0.04\text{ m}$, triệt tiêu hiện tượng sai số trôi tích lũy.
  5. Đã chứng minh bằng toán học và thực nghiệm tính ổn định tiệm cận của hệ thống chuyển động theo tiêu chuẩn ổn định Lyapunov và nguyên lý LaSalle khi nhúng bộ lọc Kalman vào vòng phản hồi, loại bỏ hiện tượng rung giật vận tốc góc.
  6. Mở ra các hướng nghiên cứu mới mang tính thời đại về SLAM 3D đa địa hình, thị giác robot ngữ nghĩa và điều khiển hợp tác đa robot tự trị phục vụ công nghiệp và dân sinh.