Tổng quan nghiên cứu

Hệ thống xe hai bánh tự cân bằng là một đối tượng điều khiển phi tuyến đa biến phức tạp (MIMO) với 2 ngõ vào điện áp điều khiển và 3 ngõ ra trạng thái chuyển động. Nghiên cứu tập trung giải quyết bài toán giữ cân bằng động kết hợp điều hướng di chuyển trên mặt phẳng của mô hình con lắc ngược di động. Vấn đề cốt lõi đặt ra là khắc phục nhược điểm mất bám và lật úp trên địa hình dốc của các dòng robot 3 bánh truyền thống, nơi trọng lực thường bị dồn về bánh sau khi xuống dốc hoặc bánh trước khi lên dốc.

Mục tiêu cụ thể của công trình bao gồm:

  1. Xây dựng mô hình toán học động lực học phi tuyến thông qua hệ phương trình Euler-Lagrange và tuyến tính hóa quanh điểm cân bằng.
  2. Thiết kế, chế tạo phần cứng hoàn chỉnh gồm khung cơ khí đối xứng, mạch cầu H công suất 10A, mạch vi xử lý DSP TMS320F28335 xung nhịp 150 MHz kết hợp khối tiền xử lý cảm biến Arduino Pro Mini 16 MHz.
  3. Ứng dụng bộ lọc Kalman nhằm khử nhiễu gia tốc và con quay hồi chuyển từ cảm biến MPU6050, đạt chu kỳ lấy mẫu thời gian thực 0,01 giây (tần số 100 Hz).
  4. Khảo sát, so sánh và kiểm chứng thực nghiệm hai giải thuật điều khiển tuyến tính kinh điển: Điều khiển vi tích phân tỉ lệ (PID) đa vòng và Điều khiển tối ưu tuyến tính toàn phương (LQR).

Nghiên cứu được triển khai tại phòng thí nghiệm chuyên ngành Cơ điện tử từ tháng 6 năm 2013 đến tháng 5 năm 2014. Đóng góp của luận văn mang ý nghĩa khoa học và thực tiễn cao, minh chứng rằng bộ điều khiển phân tách tín hiệu có thể duy trì sai số góc nghiêng thân xe trong phạm vi hẹp quanh điểm 0 rad, đồng thời giải mã encoder đạt độ phân giải góc quay 0,36 độ trên mỗi xung đếm.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng ba khung lý thuyết then chốt trong kỹ thuật điều khiển tự động:

  1. Lý thuyết động lực học giải tích Euler-Lagrange: Mô hình hóa toàn diện động năng tịnh tiến, động năng quay của phần ứng động cơ DC 12V và thế năng trọng trường của thân xe có khối lượng M và bánh xe khối lượng m. Hệ phương trình trạng thái mô tả tương quan giữa điện áp đặt vào hai động cơ với ba biến đầu ra: góc nghiêng thân xe (psi), góc quay tịnh tiến trung bình (theta) và góc xoay hướng (phi). Thông qua ma trận phân tách (Decoupling), điện áp tổng điều khiển góc tiến/lùi và góc nghiêng, trong khi điện áp hiệu điều khiển góc xoay bẻ lái.

  2. Lý thuyết điều khiển tối ưu LQR (Linear Quadratic Regulator): Dựa trên việc giải phương trình vi phân đại số Riccati liên tục và rời rạc để tìm ma trận hồi tiếp trạng thái K tối ưu, cực tiểu hóa hàm chỉ tiêu chất lượng năng lượng J với ma trận trọng số trạng thái Q kích thước 6x6 và ma trận trọng số điều khiển R kích thước 2x2.

  3. Lý thuyết ước lượng trạng thái Kalman (Kalman Filter): Tích hợp dữ liệu từ gia tốc kế 3 trục và con quay hồi chuyển 3 trục của cảm biến MPU6050, bù trôi tín hiệu và loại bỏ nhiễu rung cơ học trong dải tần số làm việc 100 Hz.

  4. Lý thuyết điều khiển phản hồi PID đa biến: Cấu hình 3 bộ điều khiển PID song song rời rạc hóa qua phép biến đổi Z, thực hiện chức năng cân bằng góc nghiêng, kiểm soát vị trí bánh xe và hiệu chỉnh hướng lái.

Phương pháp nghiên cứu

Nghiên cứu sử dụng 1 mô hình thực nghiệm duy nhất được chế tạo chuẩn hóa làm mẫu kiểm chứng kỹ thuật. Toàn bộ thông số vật lý như chiều cao H, khoảng cách trọng tâm L, bán kính bánh xe R và điện trở phần ứng động cơ Ra được đo đạc trực tiếp trên mẫu thử để lập mô hình không gian trạng thái.

Quy trình phân tích kết hợp mô phỏng Hardware-in-the-loop (HIL) và thực nghiệm:

  • Thu thập dữ liệu: Sử dụng bộ đếm quadrature encoder quang học 250 xung/vòng, thông qua mạch nhân 4 phần cứng tích hợp trên chip DSP TMS320F28335 để nâng độ phân giải lên 1000 xung/vòng. Tín hiệu góc nghiêng được Arduino Pro Mini đọc qua giao thức I2C và truyền về DSP qua giao tiếp UART SCI-B ở tốc độ baudrate 115200 bps.
  • Phương pháp phân tích: Mô hình phi tuyến được thiết lập trên môi trường Matlab/Simulink, liên kết trực tiếp với trình biên dịch Code Composer Studio (CCS) thông qua bộ công cụ Target Support Package. Việc lựa chọn phương pháp này giúp tự động hóa quá trình sinh mã C nhúng, loại bỏ sai số chuyển đổi thuật toán từ mô phỏng sang phần cứng thực tế.
  • Timeline thực hiện: Giai đoạn thiết kế cơ khí và mạch điện (tháng 6/2013 - tháng 10/2013); xây dựng thuật toán, mô phỏng Simulink và nhúng DSP (tháng 11/2013 - tháng 03/2014); hiệu chỉnh thông số thực nghiệm và hoàn thiện (tháng 04/2014 - tháng 05/2014).

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu năng của khối ước lượng góc nghiêng Kalman: Thuật toán lọc Kalman tích hợp trên vi điều khiển 8-bit ATmega328 xử lý dữ liệu cảm biến MPU6050 với chu kỳ ổn định 0,01 giây. Tín hiệu góc nghiêng thực tế sau khi lọc triệt tiêu hơn 85% nhiễu dao động cơ học từ động cơ sinh ra, cung cấp tín hiệu góc nghiêng tức thời chính xác cho DSP tính toán vector điều khiển.

  2. Khả năng tăng cường độ phân giải đo lường: Bộ giải mã xung tích hợp nhân 4 cạnh xung (cạnh lên và cạnh xuống của kênh A và B) trên DSP TMS320F28335 đã nhân 4 lần độ chính xác vị trí, chuyển đổi tín hiệu từ 250 xung/vòng lên 1000 xung/vòng, tương ứng độ phân giải góc đạt 0,36 độ. Điều này giúp đạo hàm vận tốc góc tịnh tiến giảm thiểu hiện tượng giật cục ở vận tốc thấp.

  3. Đáp ứng cân bằng và điều hướng của giải thuật PID: Trên mô hình thực nghiệm, cấu trúc 3 vòng điều khiển PID đã giúp xe đứng vững tại điểm cân bằng với điện áp trung bình cấp cho 2 động cơ DC dao động ổn định trong ngưỡng 0 đến 12V. Hệ thống thực hiện chính xác các lệnh rẽ trái, rẽ phải và di chuyển tới lui với thời gian phục hồi trạng thái cân bằng dưới 1,5 giây khi chịu lực đẩy tác động từ bên ngoài.

  4. Đặc tính đáp ứng của giải thuật LQR: Trong mô phỏng Simulink, bộ điều khiển LQR triệt tiêu đồng thời độ lệch của cả 6 biến trạng thái với độ vọt lố dưới 5% khi ma trận trọng số Q được ưu tiên đặt giá trị lớn cho thành phần góc nghiêng. Tuy nhiên, trên mô hình thực, LQR đòi hỏi các tham số ma trận hệ thống phải hoàn toàn chính xác, dẫn đến việc xuất hiện sai số xác lập nhỏ khi ma sát cơ khí thay đổi.

Thảo luận kết quả

Sự sai khác giữa kết quả mô phỏng và thực nghiệm xuất phát chủ yếu từ các yếu tố phi tuyến chưa được mô hình hóa đầy đủ: vùng chết điện áp (dead-zone) của mạch cầu H 4-MOSFET, hiện tượng trượt vi mô giữa bánh xe và sàn, cũng như sự phân bố khối lượng thực tế không đồng nhất tuyệt đối như giả định hình hộp chữ nhật.

Để trực quan hóa các kết quả này, dữ liệu vận hành được trích xuất thành:

  • Biểu đồ đáp ứng miền thời gian: Thể hiện đồ thị góc nghiêng (psi) hội tụ về 0 rad và đồ thị điện áp điều khiển 2 kênh động cơ dao động xung quanh giá trị cân bằng trong phạm vi điều chế độ rộng xung PWM lên đến 95%.
  • Bảng so sánh chỉ tiêu chất lượng: Thống kê định lượng thời gian xác lập (settling time), độ vọt lố cực đại (maximum overshoot) và sai số xác lập giữa giải thuật PID thử sai và LQR tối ưu toán học.

Kết quả khẳng định: PID vượt trội về tính linh hoạt khi không yêu cầu biết trước ma trận động lực học chính xác của xe, trong khi LQR mang lại khả năng tối ưu hóa công suất tiêu thụ của pin LiPo khi các tham số phần cứng được nhận dạng chuẩn xác.

Đề xuất và khuyến nghị

Nhằm hoàn thiện và nâng cao khả năng thương mại hóa cũng như độ bền bỉ của mô hình xe hai bánh tự cân bằng, các giải pháp kỹ thuật cụ thể được khuyến nghị triển khai:

  1. Nâng cấp giải thuật điều khiển thích nghi và phi tuyến: Nghiên cứu ứng dụng bộ điều khiển trượt thích nghi (Adaptive Sliding Mode Control) hoặc mờ - PID (Fuzzy-PID) nhằm tự động bù trừ ma sát phi tuyến và độ dốc mặt đường. Mục tiêu giảm sai số xác lập góc nghiêng xuống dưới 1% ngay cả khi tải trọng thay đổi đột ngột. Thời gian hoàn thành trong vòng 6 đến 12 tháng, do nhóm nghiên cứu sinh chuyên ngành Điều khiển tự động thực hiện.

  2. Hợp nhất kiến trúc xử lý tín hiệu phần cứng: Loại bỏ khối vi điều khiển trung gian bằng cách lập trình trực tiếp thuật toán lọc Kalman 6 trục vào lõi DSP TMS320F28335 tần số 150 MHz. Giải pháp này giúp cắt giảm độ trễ truyền thông nối tiếp SCI-B từ 10ms xuống dưới 1ms, nâng chu kỳ điều khiển toàn hệ thống lên 200 Hz. Thời gian thực hiện trong vòng 3 tháng, do kỹ sư lập trình hệ thống nhúng đảm trách.

  3. Cải tiến hệ thống truyền động và cơ cấu chấp hành: Thay thế động cơ DC chổi than hiện tại bằng động cơ đồng bộ không chổi than (BLDC) có tích hợp hộp số hành tinh độ rơ thấp, nâng mô-men xoắn định mức từ 2 Nm lên 4,5 Nm và cải thiện hiệu suất năng lượng của khối pin LiPo thêm 25%. Thời hạn triển khai 9 tháng, do nhóm kỹ sư thiết kế cơ điện tử chịu trách nhiệm.

  4. Tích hợp cảm biến môi trường phục vụ tự hành: Bổ sung cảm biến khoảng cách LiDAR 2D và mô-đun định vị siêu âm để xây dựng tính năng tự động tránh vật cản và lập bản đồ thời gian thực (SLAM). Thời gian nghiên cứu 18 tháng, do phòng thí nghiệm Robot thông minh chủ trì.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang giá trị thực tiễn và học thuật cao, là nguồn tư liệu hữu ích cho 4 nhóm đối tượng chính:

  1. Học viên cao học và sinh viên ngành Kỹ thuật Cơ điện tử, Tự động hóa: Tài liệu cung cấp toàn bộ quy trình từ thiết lập phương trình Euler-Lagrange, phân tách hệ MIMO đến kỹ thuật điều khiển LQR và PID trên mô hình con lắc ngược di động thực tế.

  2. Kỹ sư phát triển hệ thống nhúng và điều khiển động cơ: Tham khảo chi tiết phương pháp cấu hình vi xử lý DSP TMS320F28335 của Texas Instruments, cách kết nối Matlab/Simulink nhúng tự động sinh mã qua CCS, và thiết kế mạch cầu H điều khiển PWM công suất 10A.

  3. Giảng viên và nhà nghiên cứu tại các viện, trường đại học: Sử dụng làm giáo trình mẫu, bài tập lớn hoặc đề tài thí nghiệm thực hành cho các môn học như Điều khiển tối ưu, Robot học di động và Xử lý tín hiệu số thời gian thực.

  4. Doanh nghiệp và nhóm khởi nghiệp phát triển xe tự hành cá nhân (Personal Mobility Devices): Cung cấp các thông số kỹ thuật nền tảng về tính toán mô-men động cơ 12V, thuật toán lọc cảm biến góc nghiêng và giải pháp phân bổ tải trọng cho các dòng xe vận chuyển thông minh tương tự Segway hay AGV kho vận.

Câu hỏi thường gặp

Tại sao luận văn lại sử dụng kết hợp cả Arduino Pro Mini và DSP TMS320F28335? Arduino Pro Mini với vi điều khiển ATmega328 được dùng làm khối tiền xử lý chuyên trách đọc dữ liệu từ cảm biến MPU6050 qua I2C và thực thi bộ lọc Kalman 100 Hz nhờ thư viện nguồn mở tối ưu. Tín hiệu góc nghiêng sau xử lý được gửi qua UART tới DSP TMS320F28335 150 MHz, giúp giải phóng tài nguyên tính toán của DSP để tập trung hoàn toàn vào thuật toán điều khiển phản hồi tốc độ cao.

Sự khác biệt cốt lõi giữa thuật toán PID và LQR trên mô hình thực nghiệm là gì? Thuật toán PID hoạt động độc lập với mô hình toán học của xe, cho phép tinh chỉnh trực tiếp các hệ số Kp, Ki, Kd thông qua thử sai để cân bằng và rẽ hướng linh hoạt. Ngược lại, LQR phụ thuộc chặt chẽ vào ma trận trạng thái A, B tính từ thông số vật lý thực. Nếu các thông số như ma sát và khối lượng có sai lệch, LQR sẽ để lại sai số xác lập lớn hơn so với PID đa vòng.

Bộ lọc Kalman giải quyết vấn đề gì trong bài toán đo góc nghiêng thân xe? Cảm biến gia tốc phản ứng nhanh nhưng bị nhiễu nghiêm trọng bởi các dao động cơ học và rung động từ động cơ 12V, trong khi con quay hồi chuyển đo vận tốc góc rất mượt nhưng bị trôi dạt (drift) tích phân theo thời gian. Bộ lọc Kalman kết hợp tối ưu hai luồng dữ liệu này ở chu kỳ 0,01 giây, cho ra giá trị góc nghiêng chính xác, không bị trễ pha và triệt tiêu hơn 85% nhiễu biên độ.

Làm thế nào để bộ đọc encoder trên DSP đạt độ phân giải 1000 xung/vòng? Encoder vật lý gắn trên trục robot có độ phân giải gốc 250 xung/vòng với hai kênh vuông pha A và B. Khối giao tiếp quadrature encoder 32-bit bên trong chip TMS320F28335 đếm toàn bộ cả cạnh lên và cạnh xuống của cả hai kênh tín hiệu, tạo ra hệ số nhân 4 phần cứng. Nhờ đó, tổng số xung ghi nhận được tăng lên 1000 xung/vòng, tương ứng góc quay nhỏ nhất đo được là 0,36 độ.

Hạn chế vật lý lớn nhất của mô hình xe tự cân bằng trong nghiên cứu là gì? Mô hình giả định xe di chuyển trên mặt phẳng hoàn toàn với độ dốc bằng 0 và hệ số bám bánh xe lý tưởng không xảy ra hiện tượng trượt lết. Bên cạnh đó, hai động cơ DC 12V được coi là có đặc tính hoàn toàn đồng nhất, trong khi thực tế luôn tồn tại sai lệch nhỏ về ma sát ổ bi và điện trở phần ứng giữa hai bánh, đòi hỏi các vòng bù tín hiệu dòng điện trong các phiên bản cải tiến sau này.

Kết luận

  • Hoàn thành thiết kế và chế tạo trọn vẹn phần cứng mô hình xe hai bánh tự cân bằng với kết cấu cơ khí đối xứng, mạch công suất cầu H 10A và khối điều khiển trung tâm DSP TMS320F28335 150 MHz.
  • Tích hợp thành công cảm biến IMU MPU6050 cùng bộ lọc Kalman thời gian thực ở chu kỳ 0,01 giây, triệt tiêu nhiễu dao động và cung cấp góc nghiêng chính xác cho hệ thống.
  • Xây dựng mô hình toán học giải tích Euler-Lagrange và mô phỏng hoàn chỉnh các giải thuật điều khiển phi tuyến phân tách tín hiệu trên Matlab/Simulink liên kết Code Composer Studio.
  • Kiểm chứng thực nghiệm thành công giải thuật PID đa vòng, chứng minh xe có khả năng tự thăng bằng vững chắc, phục hồi nhanh dưới 1,5 giây khi bị tác động lực và bẻ lái linh hoạt.
  • Đánh giá định lượng ưu nhược điểm giữa phương pháp kinh nghiệm PID và điều khiển tối ưu LQR, làm tiền đề vững chắc cho việc phát triển các bộ điều khiển thích nghi thông minh.

Đóng góp lớn nhất của luận văn là làm chủ toàn bộ chuỗi công nghệ từ mô hình hóa toán học, thiết kế mạch điện tử đến lập trình nhúng điều khiển chuyển động cho hệ robot con lắc ngược MIMO tại Việt Nam. Lộ trình phát triển tiếp theo bao gồm việc hợp nhất mã nguồn Kalman lên DSP trong 3 tháng và tích hợp động cơ BLDC trong 9 tháng tới. Quý độc giả, nhà nghiên cứu và kỹ sư quan tâm có thể tiếp tục kế thừa khung mô hình toán học và cấu trúc phần cứng của luận văn để mở rộng cho các bài toán robot tự hành phức tạp hơn.