Tổng quan nghiên cứu

Robot tự hành ngày càng đóng vai trò quan trọng trong nhiều lĩnh vực như sản xuất công nghiệp, y tế, nông nghiệp, giáo dục và nghiên cứu khoa học. Theo ước tính, việc định vị chính xác robot trong môi trường bất ổn, đặc biệt là ngoài trời, vẫn là một thách thức lớn do các cảm biến đơn lẻ thường gặp phải các vấn đề như mất tín hiệu, phạm vi hạn chế và độ chính xác thấp. Để khắc phục, việc kết hợp nhiều loại cảm biến với ưu nhược điểm bổ sung cho nhau được xem là giải pháp hiệu quả nhằm nâng cao độ tin cậy và chính xác trong định vị robot. Mục tiêu nghiên cứu của luận văn là thiết kế và mô phỏng giải thuật kết hợp nhiều cảm biến dựa trên bộ lọc Kalman mở rộng (EKF) để định vị robot tự hành, đồng thời thiết kế bộ điều khiển robot bám quỹ đạo dựa trên sự kết hợp này. Nghiên cứu tập trung trong phạm vi thời gian từ tháng 9 đến tháng 12 năm 2021, tại Trường Đại học Bách Khoa, Đại học Quốc gia TP. Hồ Chí Minh. Kết quả nghiên cứu có ý nghĩa quan trọng trong việc nâng cao hiệu suất định vị và điều khiển robot tự hành, góp phần phát triển các ứng dụng robot trong môi trường thực tế với độ chính xác và ổn định cao hơn.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình sau:

  • Bộ lọc Kalman mở rộng (Extended Kalman Filter - EKF): Phương pháp ước lượng trạng thái phi tuyến, mở rộng từ bộ lọc Kalman tiêu chuẩn, phù hợp với mô hình động học phi tuyến của robot hai bánh. EKF cho phép kết hợp dữ liệu từ nhiều cảm biến khác nhau để cải thiện độ chính xác định vị.
  • Mô hình động học robot hai bánh: Mô hình mô tả chuyển động của robot với trạng thái gồm vị trí tọa độ (x, y) và góc hướng θ, vận tốc tuyến tính và vận tốc góc.
  • Phân loại và kỹ thuật kết hợp dữ liệu cảm biến: Dựa trên các phân loại của Durant-Whyte và Dasarathy, luận văn áp dụng phương pháp kết hợp dữ liệu ở cấp độ đo lường thô (Data in-Data out) và sử dụng kiến thức về mối quan hệ bổ sung giữa các cảm biến (Odometry và GPS/UWB).
  • Khái niệm về ma trận quan sát và ma trận sai số đo lường: Xác định ma trận quan sát C phù hợp với vector đo lường kết hợp từ nhiều cảm biến, đồng thời xây dựng ma trận R biểu diễn sai số đo lường của từng cảm biến.

Các khái niệm chính bao gồm: định vị cục bộ (Odometry), định vị toàn cục (GPS, UWB), bộ lọc Kalman mở rộng, ma trận quan sát, ma trận sai số đo lường, và mô hình động học robot.

Phương pháp nghiên cứu

Nguồn dữ liệu sử dụng trong nghiên cứu bao gồm dữ liệu mô phỏng và dữ liệu thực nghiệm thu thập từ cảm biến Odometry, GPS giả lập và cảm biến UWB thực tế. Cỡ mẫu nghiên cứu được xác định dựa trên số lần chạy mô phỏng và số lần thực nghiệm với robot mẫu. Phương pháp chọn mẫu là chọn các chuỗi dữ liệu di chuyển của robot trong các điều kiện khác nhau nhằm đánh giá hiệu quả của giải thuật kết hợp cảm biến.

Phương pháp phân tích chính là áp dụng bộ lọc Kalman mở rộng để kết hợp dữ liệu cảm biến, xác định ma trận quan sát và ma trận sai số đo lường phù hợp, sau đó mô phỏng và kiểm chứng trên mô hình robot hai bánh. Timeline nghiên cứu kéo dài từ tháng 9 đến tháng 12 năm 2021, bao gồm các bước: thiết kế giải thuật, mô phỏng trên Matlab, thiết kế bộ điều khiển bám quỹ đạo, và thực nghiệm kiểm chứng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả của bộ lọc Kalman mở rộng trong kết hợp cảm biến: Kết quả mô phỏng cho thấy EKF kết hợp dữ liệu từ Odometry và GPS giả lập giúp giảm sai số định vị trung bình xuống khoảng 30% so với sử dụng từng cảm biến riêng lẻ. Khi sử dụng cảm biến UWB thực tế thay cho GPS, sai số định vị cũng giảm đáng kể, thể hiện qua độ lệch vị trí trung bình giảm khoảng 25%.

  2. Thiết kế ma trận quan sát C phù hợp với vector đo lường đa cảm biến: Việc xác định ma trận C kích thước (mx3) với m là tổng số đo lường từ các cảm biến giúp EKF hiệu chỉnh trạng thái robot chính xác hơn, đặc biệt khi kết hợp hai loại cảm biến có đặc tính khác nhau.

  3. Bộ điều khiển robot bám quỹ đạo dựa trên EKF: Mô phỏng điều khiển robot với thời gian lấy mẫu 100ms và 1ms cho thấy tracking error trung bình giảm lần lượt 15% và 22% khi sử dụng giải thuật kết hợp cảm biến so với điều khiển dựa trên một cảm biến duy nhất.

  4. Khả năng chống nhiễu và ổn định của hệ thống: Kết quả thực nghiệm với cảm biến UWB và Odometry cho thấy hệ thống có khả năng lọc nhiễu hiệu quả, giảm sai số đo lường và duy trì ổn định trong quá trình di chuyển robot.

Thảo luận kết quả

Nguyên nhân chính của sự cải thiện hiệu suất định vị và điều khiển là do EKF tận dụng được ưu điểm bổ sung của các cảm biến: Odometry cung cấp thông tin định vị cục bộ chính xác trong ngắn hạn, trong khi GPS/UWB cung cấp định vị toàn cục ổn định trong môi trường ngoài trời. Việc xác định chính xác ma trận quan sát C và ma trận sai số R giúp bộ lọc Kalman mở rộng hiệu chỉnh trạng thái robot một cách chính xác và nhanh chóng.

So sánh với các nghiên cứu trước đây, kết quả của luận văn phù hợp với các báo cáo ngành về việc sử dụng EKF trong robot tự hành, đồng thời bổ sung chi tiết về cách xác định ma trận quan sát khi kết hợp nhiều cảm biến. Việc mô phỏng với các tần số lấy mẫu khác nhau cũng cho thấy tầm quan trọng của việc lựa chọn thời gian lấy mẫu phù hợp để cân bằng giữa độ chính xác và chi phí tính toán.

Dữ liệu có thể được trình bày qua các biểu đồ sai số định vị theo thời gian, bảng so sánh sai số trung bình giữa các phương pháp, và đồ thị tracking error trong quá trình bám quỹ đạo, giúp minh họa rõ ràng hiệu quả của giải thuật.

Đề xuất và khuyến nghị

  1. Triển khai thực nghiệm ngoài trời với cảm biến RTK-GPS: Để nâng cao tính ứng dụng thực tế, cần tiến hành thử nghiệm ngoài trời sử dụng RTK-GPS nhằm kiểm chứng hiệu quả của giải thuật trong môi trường thực tế, dự kiến trong vòng 6 tháng tới, do nhóm nghiên cứu và đối tác công nghiệp thực hiện.

  2. Phát triển bộ điều khiển thích nghi với nhiều loại cảm biến: Thiết kế bộ điều khiển có khả năng tự động điều chỉnh trọng số cảm biến dựa trên độ tin cậy và điều kiện môi trường nhằm tối ưu hóa hiệu suất định vị và điều khiển, hướng đến mục tiêu giảm sai số tracking error dưới 5% trong 1 năm.

  3. Tối ưu hóa thuật toán EKF để giảm chi phí tính toán: Nghiên cứu và áp dụng các kỹ thuật tối ưu hóa như lọc Kalman phân tán hoặc bộ lọc hạt để giảm tải tính toán, phù hợp với các hệ thống robot có tài nguyên hạn chế, dự kiến hoàn thành trong 9 tháng.

  4. Mở rộng kết hợp cảm biến đa dạng: Khuyến nghị tích hợp thêm các loại cảm biến khác như cảm biến quang học, lidar để tăng cường khả năng nhận diện môi trường và cải thiện độ chính xác định vị, với kế hoạch thử nghiệm trong vòng 1 năm.

Đối tượng nên tham khảo luận văn

  1. Nhà nghiên cứu và sinh viên ngành Cơ điện tử và Robot: Luận văn cung cấp kiến thức chuyên sâu về phương pháp kết hợp cảm biến và bộ lọc Kalman mở rộng, hỗ trợ phát triển các đề tài nghiên cứu liên quan đến định vị và điều khiển robot.

  2. Kỹ sư phát triển hệ thống robot tự hành: Các kỹ sư có thể áp dụng giải thuật và mô hình thiết kế bộ điều khiển trong việc phát triển robot tự hành cho các ứng dụng công nghiệp, nông nghiệp hoặc dịch vụ.

  3. Doanh nghiệp công nghệ và startup về robot: Luận văn cung cấp cơ sở khoa học và kỹ thuật để cải tiến sản phẩm robot tự hành, nâng cao độ chính xác và ổn định trong điều kiện môi trường phức tạp.

  4. Cơ quan đào tạo và giảng dạy: Giảng viên có thể sử dụng luận văn làm tài liệu tham khảo trong các khóa học về robot, cảm biến và xử lý tín hiệu, giúp sinh viên tiếp cận các phương pháp hiện đại trong lĩnh vực.

Câu hỏi thường gặp

  1. Bộ lọc Kalman mở rộng (EKF) là gì và tại sao được sử dụng trong định vị robot?
    EKF là phiên bản mở rộng của bộ lọc Kalman, xử lý các mô hình phi tuyến bằng cách tuyến tính hóa tại điểm ước lượng hiện tại. Nó được sử dụng vì mô hình động học robot thường phi tuyến, và EKF giúp kết hợp dữ liệu cảm biến hiệu quả để ước lượng trạng thái robot chính xác hơn.

  2. Tại sao cần kết hợp nhiều cảm biến thay vì dùng một cảm biến duy nhất?
    Mỗi loại cảm biến có ưu và nhược điểm riêng, ví dụ Odometry chính xác trong ngắn hạn nhưng sai số cộng dồn, GPS ổn định ngoài trời nhưng có thể bị nhiễu. Kết hợp nhiều cảm biến giúp bù trừ nhược điểm, tăng độ tin cậy và chính xác định vị.

  3. Ma trận quan sát C được xác định như thế nào khi kết hợp nhiều cảm biến?
    Ma trận C được xây dựng với kích thước phù hợp với tổng số đo lường từ các cảm biến, trong đó mỗi hàng tương ứng với một phép đo và cột tương ứng với biến trạng thái (x, y, θ). Các phần tử trong ma trận là 0 hoặc 1 để ánh xạ đúng các phép đo vào trạng thái.

  4. Giải thuật kết hợp cảm biến có thể áp dụng cho các loại robot khác không?
    Có, nguyên lý EKF và kết hợp cảm biến có thể áp dụng cho nhiều loại robot khác nhau, miễn là mô hình động học và đặc tính cảm biến được xác định phù hợp với từng loại robot.

  5. Làm thế nào để giảm chi phí tính toán khi sử dụng EKF trong hệ thống thực tế?
    Có thể áp dụng các kỹ thuật tối ưu hóa như bộ lọc Kalman phân tán, giảm tần số lấy mẫu, hoặc sử dụng bộ lọc hạt với số lượng hạt tối ưu để cân bằng giữa độ chính xác và chi phí tính toán.

Kết luận

  • Luận văn đã thiết kế và mô phỏng thành công giải thuật kết hợp nhiều cảm biến dựa trên bộ lọc Kalman mở rộng để định vị robot tự hành với độ chính xác cao hơn so với cảm biến đơn lẻ.
  • Thiết kế bộ điều khiển robot bám quỹ đạo dựa trên sự kết hợp cảm biến giúp giảm sai số tracking error đáng kể.
  • Việc xác định ma trận quan sát và ma trận sai số đo lường phù hợp là yếu tố then chốt để nâng cao hiệu quả của EKF trong kết hợp cảm biến.
  • Kết quả thực nghiệm với cảm biến UWB và Odometry chứng minh tính khả thi và ổn định của giải thuật trong môi trường thực tế.
  • Đề xuất các hướng phát triển tiếp theo bao gồm thử nghiệm ngoài trời với RTK-GPS, tối ưu hóa thuật toán và mở rộng tích hợp cảm biến đa dạng.

Next steps: Tiến hành thử nghiệm thực tế ngoài trời, phát triển bộ điều khiển thích nghi và tối ưu hóa thuật toán để ứng dụng rộng rãi trong các hệ thống robot tự hành.

Các nhà nghiên cứu và kỹ sư trong lĩnh vực robot tự hành nên áp dụng và phát triển thêm các giải pháp kết hợp cảm biến dựa trên EKF để nâng cao hiệu quả định vị và điều khiển trong môi trường phức tạp.