Bối cảnh và vấn đề nghiên cứu

Trong những năm gần đây, phương tiện bay không người lái (Unmanned Aerial Vehicle - UAV), đặc biệt là dòng máy bay đa cánh nâng (Multicopter/Quadcopter), đang phát triển mạnh mẽ và được ứng dụng rộng rãi trong nhiều lĩnh vực dân sự lẫn an ninh quốc phòng như khảo sát địa hình, cứu hộ thảm họa, giám sát nông nghiệp và vận chuyển hàng hóa. Tuy nhiên, một trong những thách thức kỹ thuật lớn nhất đối với việc tự hành của UAV là khả năng tự động định vị, điều hướng và phát hiện, tránh né chướng ngại vật trong các không gian hoạt động hạn chế tầm nhìn hoặc môi trường không có tín hiệu GPS (chẳng hạn như khu vực trong nhà, hang động, cơ sở hạ tầng ngầm).

Đồ án tốt nghiệp thực hiện việc nghiên cứu, xây dựng mô hình toán học, thiết kế hệ thống điều khiển và triển khai thuật toán tránh va chạm dựa trên kỹ thuật thị giác máy tính kết hợp cảm biến khoảng cách cho Quadcopter.

Mục tiêu nghiên cứu của đề tài bao gồm 4 nội dung cụ thể:

  1. Tính toán, thiết kế và lắp ráp hoàn chỉnh mô hình phần cứng Quadcopter 4 cánh.
  2. Hệ thống hóa các cơ sở lý thuyết, mô hình động học và động lực học liên quan đến phương tiện bay Quadcopter.
  3. Thiết kế cấu trúc bộ điều khiển vị trí và tư thế cho Quadcopter nhằm đảm bảo tính ổn định chuyển động.
  4. Xây dựng và thực nghiệm thuật toán phát hiện, tính toán quỹ đạo tránh né vật cản thời gian thực cho UAV.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Hệ thống cảm biến thu nhận dữ liệu không gian (Depth Camera Intel RealSense D435, Tracking Camera Intel RealSense T265, cảm biến LiDAR TF-Luna, khối đo lường quán tính IMU), các giải thuật xử lý ảnh nhận dạng vật cản và cấu trúc điều khiển chuyển động của UAV.
  • Phạm vi nghiên cứu: Mô hình Quadcopter 4 động cơ dạng khung chữ "X"; không gian thử nghiệm thực nghiệm giới hạn trong môi trường bay trong nhà (indoor environment); kịch bản tránh né tập trung vào việc xử lý vật cản đơn lẻ xuất hiện trên đường bay. Thời gian thực hiện đồ án: Học kỳ II năm học 2023 - 2024 (bảo vệ tháng 07/2024).

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và mô hình toán học

Hệ thống lý thuyết được xây dựng dựa trên việc mô hình hóa không gian 6 bậc tự do (6-DOF) của Quadcopter thông qua 3 hệ quy chiếu:

  • Hệ quy chiếu quán tính/Trái Đất (${E}$).
  • Hệ quy chiếu phương tiện (${V}$).
  • Hệ quy chiếu gắn liền thân máy bay (${B}$).

Mối quan hệ biến đổi hướng giữa các hệ quy chiếu được mô tả thông qua ma trận quay Euler với 3 góc quay độc lập: góc lắc ngang (Roll - $\phi$), góc chúc ngóc (Pitch - $\theta$), và góc quay hướng (Yaw - $\psi$).

Mô hình động học và động lực học chuyển động tịnh tiến được xác lập từ định luật II Newton kết hợp gia tốc Coriolis:

$$m \left(\frac{dv}{dt}\right)_e = m \left( \left(\frac{dv}{dt}\right)b + \omega{b/e} \times v \right)$$

Chuyển động quay quanh các trục thân xe được mô hình hóa theo phương trình Euler cho vật rắn:

$$\Sigma \tau = I \dot{\omega}_b + (\omega_b \times I \omega_b)$$

Trong đó $I = \text{diag}(I_x, I_y, I_z)$ là ma trận mô-men quán tính. Động lực học truyền động mô tả mối quan hệ phi tuyến giữa tín hiệu điều chế độ rộng xung (PWM), tốc độ quay của động cơ không chổi than ($\Omega$), lực đẩy ($F_i = b\Omega_i^2$) và mô-men cản khí động ($M_i = d\Omega_i^2$).

Cấu trúc điều khiển áp dụng giải thuật phân tầng (Cascade Control):

  • Bộ điều khiển bậc cao (High-Level Controller): Sử dụng vòng điều khiển tỷ lệ lồng nhau (P-P) để kiểm soát vị trí không gian ($x, y$) và độ cao ($z$).
  • Bộ điều khiển bậc thấp (Low-Level Controller): Sử dụng thuật toán PID để ổn định các góc tư thế ($\phi, \theta, \psi$) và vận tốc góc tương ứng ($p, q, r$).

Phương pháp nghiên cứu

Đề tài kết hợp phương pháp giải tích, mô phỏng số và thực nghiệm thực tế:

  • Phương pháp phân tích - tổng hợp: Thiết lập hệ phương trình vi phân mô tả hệ thống đẩy, mạch điện phần ứng động cơ và khí động học cánh quạt; xây dựng hàm truyền Laplace bậc nhất để biểu diễn mối quan hệ giữa xung PWM đầu vào và lực nâng/mô-men xoắn đầu ra.
  • Phương pháp mô phỏng (SITL): Kiểm chứng động học và thuật toán điều khiển trên môi trường mô phỏng không gian 3D Gazebo tích hợp hệ điều hành robot ROS và firmware PX4 Autopilot.
  • Phương pháp thực nghiệm (Experimental Method): Lắp ráp nguyên mẫu vật lý, tích hợp phần cứng máy tính nhúng, nạp cấu hình tham số bay, thu thập dữ liệu quỹ đạo bằng camera bám vết (VIO) và phân tích sai số chuyển động qua đồ thị đáp ứng thời gian.

Nguồn dữ liệu

Dữ liệu sử dụng trong nghiên cứu bao gồm:

  • Luồng ảnh màu (RGB) và ma trận bản đồ độ sâu (Depth Map) từ camera Intel RealSense D435 với tần số thu nhận thời gian thực.
  • Dữ liệu đo vận tốc, tư thế và vị trí 6-DOF từ camera tracking Intel RealSense T265 (kết hợp cảm biến quang học góc rộng và IMU nội vi).
  • Dữ liệu khoảng cách đơn tia từ cảm biến LiDAR TF-Luna.
  • Dữ liệu trạng thái phản hồi từ bộ điều khiển bay Pixhawk 6C thông qua giao thức MAVLink.

Thiết kế và triển khai hệ thống

Hệ thống Quadcopter được cấu trúc thành 3 khối chức năng chính: Khối chấp hành & nguồn lực, Khối điều khiển bay & định vị, và Khối xử lý trung tâm & thị giác máy tính.

Khối chức năng Phần cứng / Module tích hợp Vai trò kỹ thuật
Khung & Động lực - Khung F450 chữ "X" (Carbon/ABS)
- 4 Động cơ Sunnysky X2216 KV950
- 4 ESC Hobbywing SkyWalker 40A V2
- Cánh quạt MR 1047 Nylon
- Pin LiPo 3S/4S kèm mạch BMS		 Cung cấp lực nâng, phân phối công suất điện động lực, tạo lực và mô-men điều khiển hướng bay cho phương tiện.
Điều khiển bay & Đo lường - Bộ điều khiển bay Pixhawk 6C (CPU STM32H753 480 MHz, ARM Cortex-M7)
- Cảm biến IMU (ICM-42688-P, BMI055)
- La bàn điện tử IST8310, Khí áp kế		 Chạy firmware PX4 Autopilot, thực thi vòng lặp điều khiển phản hồi bậc thấp (PID góc nghiêng), quản lý tín hiệu PWM cấp tới các ESC.
Định vị & Tránh vật cản - Máy tính nhúng Raspberry Pi 4 / NVIDIA Jetson Nano
- Camera Tracking Intel RealSense T265
- Depth Camera Intel RealSense D435
- Cảm biến khoảng cách LiDAR TF-Luna		 Chạy hệ điều hành ROS/Linux; thực thi thuật toán VIO ước lượng vị trí $x, y, z$; xử lý ảnh phát hiện tâm và bán kính vật cản; đo cự ly cạnh sườn. 
               [ Intel RealSense D435 ] (Ảnh RGB + Depth)
               [ Intel RealSense T265 ] (Dữ liệu VIO Odometry)
               [ Cảm biến LiDAR TF-Luna ] (Đo cự ly sườn)

Quy trình thuật toán xử lý ảnh và tránh né vật cản

  1. Tiền xử lý ảnh: Hình ảnh màu từ camera D435 được đưa qua bộ lọc mờ Gaussian (Gaussian Blur) để triệt tiêu nhiễu môi trường.
  2. Nhị phân hóa: Áp dụng phương pháp phân ngưỡng màu (Color Thresholding) trên không gian màu để tách riêng vùng đặc trưng của vật cản, chuyển đổi về ảnh nhị phân.
  3. Lọc nhiễu hình học: Sử dụng thuật toán đo diện tích (Area Measurement Filtering) để loại bỏ các đốm nhiễu có diện tích nhỏ hơn ngưỡng giới hạn.
  4. Trích xuất thông số vật cản: Trích xuất đường bao (Contour) từ ảnh nhị phân, tính toán tọa độ trọng tâm hình học (Centroid $C_x, C_y$), xác định bán kính bao ngoài an toàn ($R_{safe}$) và trích xuất khoảng cách $d$ từ máy bay đến vật thể dựa trên ma trận chiều sâu tương ứng của camera D435.
  5. Thực thi né tránh: Bộ điều khiển tiếp nhận tọa độ vật thể, phát lệnh chuyển hướng bay lệch sang một bên theo khoảng cách đã bù trừ bán kính an toàn.
  6. Kiểm soát sườn: Trong suốt quá trình di chuyển vượt qua vật cản, cảm biến LiDAR TF-Luna hướng sang bên liên tục đo đạc và duy trì cự ly an toàn với bề mặt sườn của chướng ngại vật cho đến khi UAV vượt qua hoàn toàn và tái lập đường bay về điểm đích.

Nội dung chính theo từng chương

Chương I: Giới thiệu

Chương mở đầu tập trung làm rõ tính cấp thiết của việc phát triển công nghệ tự hành cho UAV trong bối cảnh ứng dụng thực tế đòi hỏi thiết bị hoạt động độc lập ở không gian hẹp. Tác giả trình bày chi tiết ý nghĩa khoa học và giá trị ứng dụng thực tiễn của đề tài, xác định rõ 4 mục tiêu nghiên cứu, phạm vi mô hình 4 cánh thử nghiệm trong nhà, đồng thời thiết lập phương pháp luận nghiên cứu gồm 6 bước logic từ thu thập tài liệu, mô hình hóa toán học, mô phỏng Gazebo đến kiểm thử bay thực tế.

Chương II: Tổng quan về UAV

Chương này tổng thuật lịch sử phát triển của ngành hàng không thế giới qua 7 giai đoạn (từ trước năm 1914 đến nay) và lịch sử nghiên cứu phương tiện bay không người lái từ năm 1900 đến các dòng flycam hiện đại.

Tác giả đi sâu phân tích nguyên lý cơ điện tử của từng cụm chi tiết trên Quadcopter: cấu trúc cơ khí khung F450; cấu tạo stator-rotor của động cơ không chổi than; mạch lực MOSFET và mạch chuyển đổi nguồn UBEC trên bộ điều tốc ESC 40A; hình học và bước cánh của cánh quạt MR 1045/1047; kiến trúc vi xử lý và hệ thống cảm biến trên Flight Controller Pixhawk 6C; nguyên lý vận hành của module GPS M8N, IMU (ICM-42688-P), la bàn (IST8310); cấu trúc hóa học và nguyên lý phóng nạp của pin LiPo cùng mạch quản lý pin (BMS); so sánh đặc tính truyền dẫn giữa camera Analog (Foxeer HS1177) và Digital (GoPro HERO10); phân tích các kênh truyền dữ liệu sóng RF (2.4 GHz, 5.8 GHz, 900 MHz, 1.3 GHz), Wi-Fi, 4G/5G, vệ tinh và phần mềm trạm mặt đất QGroundControl.

Chương III: Mô hình toán và thiết kế bộ điều khiển

Chương III là trọng tâm lý thuyết của đồ án, thiết lập hệ phương trình toán học toàn diện của Quadcopter:

  • Xác lập các phép biến đổi ma trận quay giữa hệ quy chiếu Vehicle ${V}$ và Body ${B}$ quanh các trục $Z, Y, X$.
  • Thiết lập phương trình vi phân chuyển động 6 bậc tự do dựa trên động học Euler và định luật Newton kết hợp lực Coriolis.
  • Xây dựng mô hình toán mạch điện phần ứng của động cơ thông qua định luật Kirchhoff ($v_a - v_R - v_L - v_{emf} = 0$) và cân bằng mô-men cơ khí ($T - Drag = J_m \ddot{\theta}_m$), biến đổi sang miền tần số Laplace để thu được hàm truyền giữa xung PWM đầu vào với lực đẩy $F(s)$ và mô-men quay $M(s)$.
  • Thiết kế hệ thống điều khiển tầng bậc: bộ điều khiển góc Roll ($\phi$), Pitch ($\theta$), Yaw ($\psi$) và các bộ điều khiển cấu trúc P-P cho kênh vị trí mặt phẳng ($x, y$) cũng như kênh độ cao ($z$).
  • Trình bày nguyên lý giải thuật xử lý ảnh nhận dạng mặt trước vật thể và lưu đồ giải thuật điều khiển né tránh chướng ngại vật.

Chương IV: Visual Inertial Odometry và Camera Tracking T265

Chương IV trình bày chuyên sâu về kỹ thuật định vị quán tính - thị giác (VIO) phục vụ việc bay tự hành không cần GPS trong nhà.

Tác giả làm rõ nguyên lý kết hợp luồng dữ liệu hình ảnh tần số thấp có độ chính xác vị trí cao với dữ liệu IMU tần số cao nhưng dễ trôi dạt tích lũy, phân tích Bảng 4.1 so sánh chi tiết ưu nhược điểm giữa Visual Odometry đơn thuần và IMU Odometry. Đánh giá chi tiết phần cứng Camera Tracking Intel RealSense T265 tích hợp hai cảm biến quang học mắt cá và cảm biến quán tính IMU chuyên dụng, chạy các thuật toán SLAM cục bộ trên chip xử lý nhúng VPU Movidius Myriad 2.

Tiêu chí so sánh Visual Odometry (VO) IMU Odometry Visual Inertial Odometry (VIO)
Nguyên lý đo Phân tích sự dịch chuyển của các điểm đặc trưng qua các khung hình liên tiếp. Tích phân hai lần gia tốc kế để tính vị trí, tích phân con quay hồi chuyển tính góc. Kết hợp thuật toán lọc (EKF/Optimization) dung hợp dữ liệu quang học và quán tính.
Tần số cập nhật Trung bình (30 - 60 Hz). Rất cao (200 - 1000 Hz). Tần số cao, đồng bộ theo thời gian thực.
Hiện tượng trôi (Drift) Thấp khi môi trường đủ ánh sáng và giàu kết cấu đặc trưng. Tích lũy sai số cực nhanh theo thời gian do trôi điểm không (Zero-bias drift). Triệt tiêu sai số trôi của IMU nhờ hiệu chỉnh quang học; bù chuyển động nhanh nhờ IMU.
Môi trường hoạt động Phụ thuộc ánh sáng, kém hiệu quả khi chuyển động quá nhanh làm nhòe ảnh. Không phụ thuộc ánh sáng môi trường. Hoạt động ổn định trong nhà, không cần tín hiệu vệ tinh GPS.

Chương V: Tính toán, lựa chọn thiết bị cho mô hình UAV

Nội dung chương mô tả chi tiết quá trình tính toán cơ - điện để chọn lựa linh kiện phần cứng phù hợp với yêu cầu tải trọng và thời gian bay:

  • So sánh hiệu năng, mức tiêu thụ công suất và khả năng mở rộng giữa máy tính nhúng Raspberry Pi 4 và NVIDIA Jetson Nano.
  • Lựa chọn động cơ không chổi than Sunnysky X2216 KV950 dựa trên bảng tính toán lực nâng và hiệu suất dòng điện.
  • Tính toán phối ghép cánh quạt MR 1047 Nylon và pin LiPo nhằm tối ưu hóa công suất nâng.
  • Quy chuẩn hóa việc lựa chọn ESC Hobbywing SkyWalker 40A V2 UBEC, bộ điều khiển bay Pixhawk 6C, hệ thống định vị VIO T265, Depth Camera D435 và cảm biến khoảng cách LiDAR TF-Luna.
  • Trình bày quy trình gia công phần cứng: hàn mạch phân phối nguồn (Power Distribution Board), bấm jack cắm tín hiệu, lắp đặt các giá đỡ cảm biến quang học đảm bảo góc nhìn không bị che khuất và sơ đồ nối dây tích hợp tổng thể.

Chương VI: Kết quả thực nghiệm

Chương VI công bố các dữ liệu thực nghiệm thu được từ hai giai đoạn kiểm thử:

  • Thực nghiệm mô phỏng trên Gazebo: Kiểm chứng đáp ứng điều khiển của mô hình 4 cánh, các đồ thị đáp ứng vị trí trên 3 trục $x, y, z$ cho thấy hệ thống bám sát giá trị đặt với độ ổn định cao, không xảy ra dao động vượt ngưỡng.
  • Thực nghiệm bay thực tế: Đánh giá khả năng giữ vị trí ổn định trong nhà thông qua hệ thống VIO T265.
  • Thực nghiệm thuật toán tránh vật cản: Đồ án ghi nhận ảnh chụp quá trình thuật toán nhận dạng vật cản trong môi trường thực; hệ thống phát hiện chính xác vật cản phía trước, tự động tính toán góc lệch và dịch chuyển ngang để né; cảm biến LiDAR TF-Luna duy trì khoảng cách bên an toàn liên tục cho đến khi vượt qua vật thể và đưa máy bay quay lại hành trình tiến về đích theo đúng đồ thị hành trình đã ghi nhận.

Chương VII: Kết luận và hướng phát triển

Chương tổng kết đánh giá mức độ hoàn thành các mục tiêu đề ra ban đầu, xác nhận hệ thống phần cứng và phần mềm hoạt động ăn khớp, thuật toán xử lý ảnh và né vật cản đơn đạt kết quả khả quan. Đồng thời, tác giả đề xuất các định hướng cải tiến công nghệ điều khiển và thuật toán thị giác trong tương lai.

Kết quả và đóng góp

Kết quả chính

  1. Hoàn thiện hệ thống phần cứng: Thiết kế và tích hợp thành công mô hình máy bay Quadcopter 4 cánh hoàn chỉnh sử dụng khung F450, động cơ X2216 KV950, ESC 40A, Flight Controller Pixhawk 6C kết hợp máy tính nhúng, Depth Camera D435, Tracking Camera T265 và cảm biến khoảng cách LiDAR TF-Luna.
  2. Xây dựng cấu trúc điều khiển phân tầng: Ứng dụng thành công cấu trúc điều khiển tầng P-P cho vị trí/độ cao và PID cho góc quay tư thế, kiểm chứng ổn định cả trong mô phỏng Gazebo lẫn bay thực tế trong nhà không dùng GPS.
  3. Phát triển thuật toán phát hiện và né tránh vật cản: Xây dựng hoàn chỉnh chuỗi thuật toán xử lý ảnh từ lọc nhiễu Gaussian, phân ngưỡng màu, lọc diện tích đến trích xuất tâm (Centroid) và bán kính an toàn. Kết hợp thành công dữ liệu ma trận chiều sâu của camera D435 và dữ liệu cự ly từ cảm biến LiDAR TF-Luna để điều hướng Quadcopter thực hiện thao tác vòng tránh và duy trì khoảng cách bên an toàn với vật cản.

Giải pháp và kiến nghị kỹ thuật

  • Kết hợp công nghệ định vị quán tính - thị giác (VIO qua camera T265) với bộ điều khiển bay Pixhawk để giải quyết triệt để bài toán giữ vị trí cho UAV trong môi trường kín, loại bỏ sự phụ thuộc vào sóng vệ tinh GPS.
  • Sử dụng cảm biến LiDAR một chiều (TF-Luna) đặt hướng ngang hông làm giải pháp phụ trợ kiểm soát khoảng cách sườn trong giai đoạn bay vượt qua chướng ngại vật, khắc phục điểm mù quang học khi vật cản đã nằm ngoài trường nhìn (FOV) của camera phía trước.

Đóng góp về mặt học thuật và kỹ thuật

  • Hệ thống hóa đầy đủ và chặt chẽ chuỗi mô hình toán học động lực học 6 bậc tự do cho Quadcopter từ mức vi mô (mạch điện phần ứng động cơ DC, biến đổi Laplace) đến mức vĩ mô (phương trình Euler, quán tính Coriolis).
  • Hiện thực hóa thành công việc tích hợp nhiều lớp cảm biến quang học - quán tính - khoảng cách trên nền tảng máy tính nhúng kết nối Pixhawk 6C, cung cấp quy trình công nghệ mẫu cho các bài toán phát triển UAV tự hành indoor.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế

  • Thuật toán tránh né hiện tại chỉ mới được thử nghiệm và hoạt động tin cậy đối với các kịch bản có vật cản đơn lẻ (Single Obstacles) có màu sắc tương phản rõ ràng với môi trường nền.
  • Quá trình phân ngưỡng màu trong xử lý ảnh mặt trước còn nhạy cảm với sự thay đổi của cường độ ánh sáng môi trường thực tế.
  • Bộ điều khiển vị trí áp dụng cấu trúc P-P cổ điển, chưa bù trừ tối ưu các tác động phi tuyến lớn hoặc nhiễu gió ngoại cảnh bất định.

Hướng nghiên cứu tiếp

  • Cải tiến và nâng cấp thuật toán điều khiển lên các giải pháp điều khiển nâng cao (Advanced Control Algorithms) như điều khiển trượt (Sliding Mode Control), điều khiển dự báo mô hình (MPC) hoặc điều khiển thích nghi để nâng cao độ bền vững của hệ thống.
  • Ứng dụng các mạng nơ-ron tích chập (CNN) hoặc các mô hình học sâu (Deep Learning) chuyên dụng vào khối xử lý ảnh nhằm nhận diện đa dạng các loại vật cản phức tạp, vật cản có hình dáng tự do và vật cản không đồng nhất về màu sắc.
  • Phát triển thuật toán lập quỹ đạo động 3D cho phép UAV tránh né nhiều vật cản đồng thời (Multi-obstacles) và các vật cản chuyển động (Dynamic obstacles) trong thời gian thực.

Giá trị tham khảo

Tài liệu đồ án tốt nghiệp này mang lại giá trị tham khảo thiết thực cho các nhóm độc giả:

  • Sinh viên và học viên chuyên ngành Cơ Điện tử, Kỹ thuật Điều khiển & Tự động hóa, Kỹ thuật Hàng không, Khoa học Robot: Cung cấp tài liệu tham khảo hoàn chỉnh về phương pháp mô hình hóa động học, động lực học phương tiện bay đa cánh và quy trình thiết kế bộ điều khiển vị trí/tư thế.
  • Người nghiên cứu và kỹ sư phát triển hệ thống UAV tự hành: Có thể tham khảo phương pháp tích hợp phần cứng thực tế giữa máy tính nhúng (Raspberry Pi/Jetson Nano) với bộ điều khiển bay mã nguồn mở Pixhawk 6C qua giao thức MAVLink.
  • Các đề tài nghiên cứu về thị giác máy tính trên Robot: Phần thiết kế thuật toán xử lý ảnh kết hợp Depth Camera Intel RealSense D435, Camera Tracking VIO T265 và cảm biến khoảng cách LiDAR TF-Luna tại Chương III, IV và V là tài liệu tham khảo trực tiếp cho bài toán điều hướng và tránh va chạm trong nhà.

Câu hỏi thường gặp

1. Quadcopter trong đồ án sử dụng giải pháp định vị nào khi bay trong nhà không có tín hiệu GPS?
Tác giả sử dụng kỹ thuật định vị quán tính - thị giác (Visual Inertial Odometry - VIO) thông qua thiết bị phần cứng chuyên dụng là Camera Tracking Intel RealSense T265. Thiết bị này tích hợp 2 camera mắt cá góc rộng kết hợp với cảm biến IMU nội vi, chạy thuật toán SLAM trên chip VPU Movidius Myriad 2 để ước lượng tư thế và vị trí 6 bậc tự do của máy bay liên tục theo thời gian thực.

2. Cấu trúc bộ điều khiển bay của hệ thống được thiết kế như thế nào?
Hệ thống sử dụng cấu trúc điều khiển phân tầng hai cấp: Bộ điều khiển bậc cao (High-Level Controller) sử dụng thuật toán điều khiển tỷ lệ lồng nhau (P-P) để điều khiển vị trí mặt phẳng ($x, y$) và độ cao ($z$); sau đó tính toán góc đặt truyền xuống bộ điều khiển bậc thấp (Low-Level Controller) chạy trên bộ điều khiển bay Pixhawk 6C sử dụng thuật toán PID để ổn định các góc Roll ($\phi$), Pitch ($\theta$), và Yaw ($\psi$).

3. Quy trình phát hiện vật cản từ camera D435 được thực hiện qua các bước xử lý ảnh nào?
Quy trình gồm 5 bước: (1) Thu nhận khung hình màu RGB và làm mờ Gaussian để khử nhiễu; (2) Phân ngưỡng màu đặc trưng của vật cản để tạo ảnh nhị phân; (3) Lọc diện tích (Area Filtering) loại bỏ các vùng nhiễu kích thước nhỏ; (4) Trích xuất đường bao (Contour) để tính toán tọa độ trọng tâm hình học (Centroid) và bán kính an toàn; (5) Truy xuất khoảng cách từ Quadcopter đến tâm vật cản dựa trên ma trận bản đồ độ sâu (Depth Map) từ camera D435.

4. Cảm biến khoảng cách LiDAR TF-Luna đóng vai trò gì trong giải thuật né chướng ngại vật?
Cảm biến LiDAR TF-Luna được lắp đặt để quét khoảng cách theo phương ngang bên sườn của UAV. Khi Quadcopter đã phát hiện vật cản phía trước và thực hiện thao tác chuyển hướng sang bên để vòng qua, vật cản sẽ ra khỏi trường nhìn của camera trước. Lúc này, cảm biến TF-Luna chịu trách nhiệm liên tục đo và duy trì cự ly an toàn với mặt bên của chướng ngại vật cho đến khi máy bay bay vượt qua hoàn toàn.

5. Cấu hình phần cứng động lực chính của mô hình Quadcopter gồm những linh kiện nào?
Mô hình sử dụng khung F450 chữ "X", 4 động cơ không chổi than Sunnysky X2216 KV950, 4 bộ điều tốc ESC Hobbywing SkyWalker 40A V2 UBEC, cánh quạt MR 1047 Nylon và nguồn cấp từ khối pin LiPo kèm mạch quản lý pin BMS.

Kết luận

Đồ án tốt nghiệp "Nghiên cứu thuật toán điều khiển tránh né vật cản cho UAV" đã hoàn thành việc xây dựng cơ sở lý thuyết động học, động lực học 6 bậc tự do và thiết kế cấu trúc điều khiển phân tầng P-P/PID cho phương tiện bay Quadcopter. Nhóm tác giả đã tích hợp thành công hệ thống phần cứng hoàn chỉnh gồm khung F450, bộ điều khiển bay Pixhawk 6C, máy tính nhúng và hệ thống cảm biến quang học - quán tính chuyên dụng (Intel RealSense T265, D435 cùng LiDAR TF-Luna). Kết quả mô phỏng trên môi trường Gazebo và thử nghiệm bay thực tế trong nhà đã kiểm chứng tính đúng đắn của giải thuật phát hiện, tính toán cự ly an toàn và né tránh chướng ngại vật đơn lẻ theo thời gian thực. Công trình tạo tiền đề kỹ thuật vững chắc cho việc tiếp tục nâng cấp các thuật toán điều khiển bền vững và mô hình học sâu phục vụ các nhiệm vụ bay tự hành phức tạp hơn trong tương lai.