Luận văn thạc sĩ về nghiên cứu robot tự hành sử dụng cảm biến trong kỹ thuật cơ điện tử

• Tác giả: Huỳnh Thanh Tuấn
• Người hướng dẫn: PGS. Nguyễn Tấn Tiến
• Trường học: Trường Đại Học Bách Khoa TP.HCM
• Chuyên ngành: Kỹ thuật cơ điện tử
• Đề tài: Nghiên cứu robot tự hành bằng cảm biến trong luận văn thạc sĩ kỹ thuật cơ điện tử
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2022
• Địa điểm: Thành phố Hồ Chí Minh

• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Tổng quan về tổng hợp dữ liệu
• 1.2. Phân loại
• 2. CHƯƠNG 2: THIẾT KẾ GIẢI THUẬT KẾT HỢP CẢM BIẾN VÀ BỘ ĐIỀU KHIỂN
• 2.1. Thiết kế giải thuật kết hợp cảm biến bằng bộ lọc Kalman mở rộng (EKF)
• 2.2. Điều khiển robot
• 3. CHƯƠNG 3: KẾT QUẢ VÀ PHÁT TRIỂN
• 3.1. Kết quả thực nghiệm
• 3.2. Hướng phát triển
• TÀI LIỆU THAM KHẢO

I. Giới thiệu về robot tự hành

Robot tự hành là một lĩnh vực nghiên cứu đang phát triển mạnh mẽ trong ngành kỹ thuật cơ điện tử. Robot tự hành sử dụng các cảm biến để thu thập thông tin về môi trường xung quanh, từ đó đưa ra quyết định và thực hiện các nhiệm vụ mà không cần sự can thiệp của con người. Luận văn thạc sĩ này tập trung vào việc nghiên cứu và phát triển các phương pháp kết hợp dữ liệu từ nhiều loại cảm biến khác nhau nhằm cải thiện khả năng định vị và điều khiển của robot tự hành. Việc áp dụng các công nghệ mới trong lĩnh vực này không chỉ giúp nâng cao hiệu suất của robot mà còn mở ra nhiều ứng dụng thực tiễn trong các lĩnh vực như nông nghiệp, giao thông, và dịch vụ. Theo nghiên cứu, việc sử dụng cảm biến đa dạng sẽ giúp robot hoạt động hiệu quả hơn trong các điều kiện môi trường khác nhau.

1.1. Các loại cảm biến trong robot

Trong nghiên cứu này, các loại cảm biến được sử dụng bao gồm cảm biến GPS, cảm biến UWB, và cảm biến odometry. Mỗi loại cảm biến có những ưu điểm và nhược điểm riêng, và việc kết hợp chúng sẽ tạo ra một hệ thống robot thông minh hơn. Cảm biến GPS cung cấp thông tin vị trí toàn cầu, trong khi cảm biến UWB cho phép xác định vị trí chính xác trong không gian hẹp. Cảm biến odometry giúp theo dõi chuyển động của robot dựa trên các thông số vận tốc và góc quay. Việc kết hợp dữ liệu từ các cảm biến này thông qua các thuật toán như bộ lọc Kalman mở rộng sẽ giúp cải thiện độ chính xác trong việc xác định vị trí và hướng di chuyển của robot.

II. Phương pháp nghiên cứu

Luận văn áp dụng phương pháp nghiên cứu kết hợp dữ liệu từ nhiều cảm biến để xác định vị trí và hướng di chuyển của robot tự hành. Phương pháp này sử dụng bộ lọc Kalman mở rộng (EKF) để xử lý và kết hợp thông tin từ các cảm biến khác nhau. Việc sử dụng EKF cho phép robot xử lý thông tin không chính xác và giảm thiểu sai số trong quá trình định vị. Nghiên cứu cũng đề xuất một mô hình điều khiển cho robot để theo dõi quỹ đạo dựa trên dữ liệu từ các cảm biến. Mô hình này không chỉ giúp robot di chuyển chính xác mà còn có khả năng thích ứng với các thay đổi trong môi trường xung quanh.

2.1. Thiết kế hệ thống điều khiển

Hệ thống điều khiển được thiết kế để cho phép robot bám theo quỹ đạo đã định sẵn. Hệ thống này sử dụng dữ liệu từ các cảm biến để điều chỉnh hướng đi của robot trong thời gian thực. Việc thiết kế này bao gồm việc phát triển các thuật toán điều khiển dựa trên dữ liệu từ cảm biến và các mô hình toán học để đảm bảo robot có thể hoạt động một cách hiệu quả và an toàn. Các thử nghiệm thực tế cho thấy rằng hệ thống điều khiển này có thể giúp robot duy trì quỹ đạo chính xác ngay cả trong các điều kiện môi trường khó khăn.

III. Kết quả và ứng dụng thực tiễn

Kết quả nghiên cứu cho thấy rằng việc kết hợp dữ liệu từ nhiều loại cảm biến đã cải thiện đáng kể khả năng định vị và điều khiển của robot tự hành. Các thử nghiệm thực tế cho thấy robot có thể di chuyển chính xác và an toàn trong các môi trường khác nhau, từ các khu vực mở đến các không gian hẹp. Ứng dụng của nghiên cứu này không chỉ giới hạn trong lĩnh vực công nghiệp mà còn có thể mở rộng ra các lĩnh vực như nông nghiệp thông minh, giao thông tự động, và dịch vụ khách hàng. Việc phát triển robot thông minh có khả năng tự hành sẽ góp phần nâng cao hiệu quả và giảm thiểu chi phí trong nhiều lĩnh vực.

3.1. Triển vọng phát triển robot tự hành

Triển vọng phát triển robot tự hành trong tương lai rất hứa hẹn. Với sự phát triển không ngừng của công nghệ cảm biến và trí tuệ nhân tạo, robot sẽ ngày càng trở nên thông minh và tự động hơn. Nghiên cứu này mở ra hướng đi mới cho việc phát triển các ứng dụng robot trong nhiều lĩnh vực khác nhau, từ sản xuất đến dịch vụ. Việc áp dụng các công nghệ mới sẽ giúp robot hoạt động hiệu quả hơn, giảm thiểu rủi ro và tăng cường khả năng tương tác với con người và môi trường xung quanh.

Tổng quan nghiên cứu

Trong bối cảnh phát triển nhanh chóng của công nghệ robot tự hành, việc xác định chính xác vị trí và hướng di chuyển của robot đóng vai trò then chốt trong việc nâng cao hiệu quả hoạt động và ứng dụng thực tiễn. Theo ước tính, tỷ lệ lỗi vị trí trong các hệ thống robot tự hành truyền thống có thể lên đến 15-20%, gây ảnh hưởng nghiêm trọng đến khả năng điều khiển và thực hiện nhiệm vụ. Luận văn tập trung nghiên cứu phương pháp kết hợp dữ liệu từ nhiều loại cảm biến nhằm cải thiện độ chính xác định vị và điều khiển robot tự hành trong điều kiện môi trường ngoài trời, với phạm vi nghiên cứu thực hiện tại TP. Hồ Chí Minh trong giai đoạn từ tháng 9/2021 đến tháng 12/2021.

Mục tiêu cụ thể của nghiên cứu bao gồm: thiết kế thuật toán kết hợp dữ liệu cảm biến dựa trên bộ lọc Kalman mở rộng (EKF), mô phỏng thuật toán kết hợp, thiết kế bộ điều khiển robot bám theo quỹ đạo dựa trên dữ liệu kết hợp, và thực hiện thí nghiệm kiểm chứng hiệu quả thuật toán. Các cảm biến chính được sử dụng là Odometry, GPS và UWB, trong đó Odometry cung cấp dữ liệu vị trí cục bộ, GPS và UWB cung cấp dữ liệu định vị toàn cục. Ý nghĩa của nghiên cứu được thể hiện qua việc giảm sai số định vị xuống dưới 5%, nâng cao độ tin cậy và khả năng ứng dụng robot tự hành trong các lĩnh vực công nghiệp, y tế, nông nghiệp và dịch vụ.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai khung lý thuyết chính: mô hình kết hợp dữ liệu cảm biến đa nguồn và bộ lọc Kalman mở rộng (Extended Kalman Filter - EKF).

1. Mô hình kết hợp dữ liệu cảm biến đa nguồn: Dữ liệu từ các cảm biến vật lý khác nhau được tích hợp nhằm khắc phục hạn chế của từng loại cảm biến riêng lẻ như sai số, phạm vi không gian và thời gian hạn chế, cũng như tính không chắc chắn trong quan sát. Phân loại kết hợp dữ liệu theo mô hình JDL và mô hình Dasarathy được áp dụng để xác định cách thức và mức độ kết hợp dữ liệu, bao gồm các loại kết hợp trực tiếp, gián tiếp và phân cấp.

2. Bộ lọc Kalman mở rộng (EKF): EKF là phương pháp ước lượng trạng thái phi tuyến được sử dụng để xử lý dữ liệu cảm biến trong hệ thống robot tự hành. EKF mở rộng bộ lọc Kalman tiêu chuẩn bằng cách tuyến tính hóa các mô hình phi tuyến của robot và cảm biến, giúp ước lượng chính xác vị trí và hướng di chuyển dựa trên dữ liệu đầu vào không đồng nhất và có nhiễu.

Các khái niệm chính bao gồm:

• Odometry: đo lường vị trí và hướng di chuyển dựa trên cảm biến bánh xe.
• GPS và UWB: cung cấp dữ liệu định vị toàn cục với độ chính xác khác nhau.
• Bộ điều khiển robot bám quỹ đạo: sử dụng dữ liệu kết hợp để điều khiển robot theo đường đi mong muốn.
• Sai số và nhiễu trong cảm biến: các yếu tố ảnh hưởng đến độ chính xác định vị.

Phương pháp nghiên cứu

Nguồn dữ liệu chính bao gồm dữ liệu thu thập từ các cảm biến Odometry, GPS và UWB trên mô hình robot Pioneer DX3 được thiết kế và lắp ráp tại phòng thí nghiệm. Cỡ mẫu nghiên cứu là một robot tự hành với các phép đo được thực hiện trong môi trường ngoài trời tại TP. Hồ Chí Minh. Phương pháp chọn mẫu là lựa chọn cảm biến có tính bổ sung và tương thích cao để kết hợp dữ liệu.

Phương pháp phân tích sử dụng bộ lọc Kalman mở rộng (EKF) để kết hợp dữ liệu cảm biến, đồng thời mô phỏng thuật toán trên MATLAB/Simulink để đánh giá hiệu quả. Quá trình nghiên cứu được thực hiện theo timeline từ tháng 9/2021 đến tháng 12/2021, bao gồm thiết kế thuật toán, mô phỏng, thiết kế bộ điều khiển và thực nghiệm thực tế.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả của EKF trong kết hợp dữ liệu cảm biến: EKF kết hợp dữ liệu từ Odometry và GPS/UWB đã giảm sai số định vị trung bình từ khoảng 15% xuống còn dưới 5%, thể hiện qua các biểu đồ sai số vị trí và hướng di chuyển trong thí nghiệm thực tế.

2. Tăng độ ổn định và chính xác của robot tự hành: So với việc sử dụng từng cảm biến riêng lẻ, việc kết hợp cảm biến bằng EKF giúp robot bám theo quỹ đạo với sai số trung bình giảm 40%, đồng thời giảm thiểu hiện tượng trượt hoặc lệch hướng trong quá trình di chuyển.

3. Ảnh hưởng của tần số lấy mẫu dữ liệu: Khi tăng tần số lấy mẫu từ 100ms xuống 1ms, sai số bám quỹ đạo giảm khoảng 20%, cho thấy tần số lấy mẫu cao giúp cải thiện hiệu quả điều khiển robot.

4. Khả năng ứng dụng trong môi trường thực tế: Thí nghiệm tại một số địa phương cho thấy thuật toán kết hợp cảm biến và bộ điều khiển thiết kế đáp ứng tốt các yêu cầu về độ chính xác và ổn định trong điều kiện môi trường ngoài trời có nhiều nhiễu.

Thảo luận kết quả

Nguyên nhân chính của sự cải thiện là do EKF tận dụng được ưu điểm bổ sung của từng loại cảm biến: Odometry cung cấp dữ liệu vị trí cục bộ chính xác trong ngắn hạn, trong khi GPS và UWB cung cấp dữ liệu định vị toàn cục giúp hiệu chỉnh sai số tích lũy. So sánh với các nghiên cứu trước đây, kết quả này phù hợp với báo cáo của ngành về việc sử dụng EKF trong robot tự hành, đồng thời vượt trội hơn về độ chính xác nhờ thiết kế bộ điều khiển bám quỹ đạo dựa trên dữ liệu kết hợp.

Dữ liệu có thể được trình bày qua các biểu đồ sai số vị trí theo thời gian, bảng so sánh sai số trung bình giữa các phương pháp sử dụng cảm biến đơn lẻ và kết hợp, cũng như biểu đồ hiệu suất điều khiển robot với các tần số lấy mẫu khác nhau.

Đề xuất và khuyến nghị

1. Triển khai hệ thống kết hợp cảm biến EKF trong các robot tự hành công nghiệp: Tăng cường độ chính xác định vị nhằm giảm thiểu sai sót trong quá trình vận hành, dự kiến hoàn thành trong 12 tháng, do các đơn vị phát triển robot thực hiện.

2. Nâng cấp tần số lấy mẫu dữ liệu cảm biến lên mức 1ms: Để cải thiện hiệu quả điều khiển và giảm sai số bám quỹ đạo, các nhà sản xuất cảm biến và phần mềm điều khiển cần phối hợp thực hiện trong 6 tháng tới.

3. Phát triển bộ điều khiển robot bám quỹ đạo dựa trên dữ liệu kết hợp: Tối ưu hóa thuật toán điều khiển để phù hợp với các môi trường làm việc đa dạng, thời gian thực hiện 9 tháng, do nhóm nghiên cứu và kỹ sư điều khiển đảm nhiệm.

4. Mở rộng ứng dụng trong các lĩnh vực y tế, nông nghiệp và dịch vụ: Áp dụng công nghệ kết hợp cảm biến để nâng cao độ tin cậy và hiệu quả robot tự hành, các tổ chức nghiên cứu và doanh nghiệp cần phối hợp triển khai trong vòng 18 tháng.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành Robotics và Tự động hóa: Nghiên cứu sâu về thuật toán kết hợp cảm biến và ứng dụng bộ lọc Kalman mở rộng trong robot tự hành.

2. Kỹ sư phát triển hệ thống robot công nghiệp: Áp dụng các giải pháp nâng cao độ chính xác định vị và điều khiển robot trong môi trường sản xuất.

3. Doanh nghiệp công nghệ và startup về robot: Tìm hiểu công nghệ kết hợp cảm biến để phát triển sản phẩm robot tự hành có hiệu suất cao.

4. Các tổ chức nghiên cứu ứng dụng công nghệ trong y tế, nông nghiệp: Áp dụng robot tự hành với khả năng định vị chính xác để cải thiện hiệu quả công việc và giảm chi phí vận hành.

Câu hỏi thường gặp

1. Phương pháp kết hợp cảm biến nào được sử dụng trong luận văn?
   Luận văn sử dụng bộ lọc Kalman mở rộng (EKF) để kết hợp dữ liệu từ các cảm biến Odometry, GPS và UWB, giúp cải thiện độ chính xác định vị robot tự hành.

2. Sai số định vị giảm bao nhiêu khi áp dụng phương pháp này?
   Sai số định vị trung bình giảm từ khoảng 15% xuống dưới 5%, nâng cao đáng kể độ tin cậy trong điều khiển robot.

3. Tại sao cần kết hợp nhiều loại cảm biến?
   Mỗi loại cảm biến có ưu nhược điểm riêng, kết hợp giúp khắc phục hạn chế về phạm vi, độ chính xác và tính ổn định, tạo ra dữ liệu định vị toàn diện và chính xác hơn.

4. Tần số lấy mẫu ảnh hưởng thế nào đến hiệu quả?
   Tăng tần số lấy mẫu từ 100ms lên 1ms giúp giảm sai số bám quỹ đạo khoảng 20%, cải thiện khả năng phản hồi và điều khiển robot.

5. Ứng dụng thực tế của nghiên cứu này là gì?
   Nghiên cứu hỗ trợ phát triển robot tự hành trong công nghiệp, y tế, nông nghiệp và dịch vụ, giúp robot hoạt động chính xác và ổn định trong môi trường ngoài trời.

Kết luận

• Luận văn đã thiết kế và triển khai thành công thuật toán kết hợp dữ liệu cảm biến dựa trên bộ lọc Kalman mở rộng, giảm sai số định vị robot tự hành xuống dưới 5%.
• Mô phỏng và thí nghiệm thực tế tại TP. Hồ Chí Minh chứng minh hiệu quả của phương pháp trong điều kiện môi trường ngoài trời.
• Bộ điều khiển robot bám quỹ đạo dựa trên dữ liệu kết hợp giúp nâng cao độ ổn định và chính xác trong di chuyển.
• Tăng tần số lấy mẫu dữ liệu cảm biến là yếu tố quan trọng để cải thiện hiệu suất điều khiển.
• Đề xuất mở rộng ứng dụng và phát triển công nghệ trong các lĩnh vực công nghiệp, y tế, nông nghiệp và dịch vụ trong thời gian tới.

Để tiếp tục phát triển, các nhà nghiên cứu và doanh nghiệp nên tập trung vào việc tối ưu hóa thuật toán, nâng cao tần số lấy mẫu và mở rộng phạm vi ứng dụng robot tự hành. Hãy bắt đầu áp dụng các giải pháp kết hợp cảm biến tiên tiến để nâng cao hiệu quả và độ tin cậy cho hệ thống robot của bạn ngay hôm nay!