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 bốn cánh quạt (quadcopter), đã được nghiên cứu và ứng dụng trong nhiều lĩnh vực thực tế như giám sát an ninh trật tự, truyền hình quay phim, giao nhận hàng hóa, nông nghiệp và tìm kiếm cứu hộ cứu nạn. Xu hướng phát triển công nghệ tự hành đòi hỏi drone không chỉ dừng lại ở việc bay theo lộ trình vạch sẵn qua GPS hay điều khiển thủ công từ xa, mà phải có khả năng tự nhận biết môi trường, bám theo đối tượng di động và giữ khoảng cách an toàn trong thời gian thực.

Tại Việt Nam, phần lớn các đề tài nghiên cứu hoặc sản phẩm ứng dụng vẫn phụ thuộc vào việc mua linh kiện và module điều khiển sẵn của nước ngoài mà chưa làm chủ hoàn toàn các thuật toán lõi. Một số đơn vị công nghệ trong nước đã có những bước tiến như dự án giao hàng tự động của Drone Pro Vietnam (trình bày tại hội nghị ICAICTA 2022), nghiên cứu drone y tế và cứu hộ (hội nghị ICST 2021), các dòng drone giám sát TVS60 của Mismart, hay dòng drone HERA của RealTime Robotics Inc (RtR). Trên thế giới, các hãng công nghệ lớn như DJI đã thương mại hóa các dòng sản phẩm có khả năng tự động quan sát, tránh vật cản đa hướng bằng cảm biến quang học và radar như Phantom 4, Agras T40, T20P, Mavic 3 Classic, hay dòng Exo X7 Ranger Plus. Từ thực tiễn đó, đồ án tốt nghiệp ngành Công nghệ Kỹ thuật Cơ điện tử tại Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh đã lựa chọn đề tài "Nghiên cứu và điều khiển drone 4 cánh bám theo đối tượng".

Mục tiêu nghiên cứu của đồ án bao gồm ba nội dung chính:

  1. Nhận diện và theo dõi đối tượng người trong thời gian thực bằng camera gắn trên drone kết hợp trí tuệ nhân tạo.
  2. Duy trì khoảng cách và hướng bay ổn định, đảm bảo an toàn cho đối tượng và thiết bị bay.
  3. Tự động điều chỉnh hướng bay và tốc độ để theo sát đối tượng trong các điều kiện môi trường thực nghiệm.

Nhiệm vụ nghiên cứu cụ thể được xác lập gồm:

  1. Phát triển thuật toán nhận diện và bám theo đối tượng dựa trên thị giác máy tính và học sâu.
  2. Tích hợp và cấu hình hệ thống cảm biến (cảm biến khoảng cách, IMU, GPS) phục vụ việc định vị và ước lượng trạng thái bay.
  3. Huấn luyện mô hình học máy, học sâu để phục vụ tác vụ phát hiện đối tượng trên máy tính nhúng.
  4. Xây dựng mô hình thực nghiệm hoàn chỉnh, thử nghiệm bay mô phỏng và thực tế nhằm đánh giá chất lượng điều khiển bám.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Hệ thống máy bay không người lái 4 cánh quạt (quadcopter khung F450), bộ điều khiển bay Pixhawk 6C, máy tính nhúng xử lý trí tuệ nhân tạo NVIDIA Jetson Nano, thuật toán điều khiển PID/P-P và thuật toán học sâu phát hiện người.
  • Phạm vi không gian và thời gian: Nghiên cứu được thực hiện tại Khoa Cơ khí Chế tạo máy, Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh, hoàn thành vào tháng 7 năm 2024. Thực nghiệm giới hạn trong môi trường bay thử nghiệm có điều kiện thời tiết và tầm nhìn thuận lợi.

Cơ sở lý thuyết và phương pháp

Đồ án xây dựng cơ sở lý thuyết dựa trên mô hình toán học động lực học của vật thể rắn 6 bậc tự do (6-DOF) trong không gian ba chiều:

  • Hệ quy chiếu và phương trình động học: Chuyển đổi giữa hệ tọa độ gắn liền với thân drone (Body frame) và hệ tọa độ cố định trên Trái Đất (Earth frame) thông qua ma trận quay Euler với 3 góc: Roll ($\phi$ - quay quanh trục X), Pitch ($\theta$ - quay quanh trục Y), và Yaw ($\psi$ - quay quanh trục Z).
  • Mối quan hệ lực nâng, moment và xung PWM: Lực nâng tuyến tính $F(s)$ và moment xoắn $M(s)$ của động cơ không chổi than được mô hình hóa dưới dạng hàm truyền bậc nhất theo độ rộng xung điều khiển $u(\text{PWM})$: $F(s) = K_{th} \frac{1}{Ts+1} u(s)$ và $M(s) = K_d \frac{1}{Ts+1} u(s)$.
  • Ma trận phân bố điều khiển (Control Allocation): Thiết lập phương trình phân bố 4 tín hiệu điều khiển ($U_1$: lực đẩy tổng Throttle; $U_2$: moment góc Roll $\delta_{roll}$; $U_3$: moment góc Pitch $\delta_{pitch}$; $U_4$: moment góc Yaw $\delta_{yaw}$) đến 4 ngõ ra điều khiển tốc độ động cơ ($u_1, u_2, u_3, u_4$) theo cấu hình khung chữ X:

$$\begin{bmatrix} u_1 \ u_2 \ u_3 \ u_4 \end{bmatrix} = \begin{bmatrix} u_0 \ u_0 \ u_0 \ u_0 \end{bmatrix} + \begin{bmatrix} 1 & -1 & 1 & 1 \ 1 & 1 & -1 & 1 \ 1 & 1 & 1 & -1 \ 1 & -1 & -1 & -1 \end{bmatrix} \begin{bmatrix} \delta_{th} \ \delta_{roll} \ \delta_{pitch} \ \delta_{yaw} \end{bmatrix}$$

  • Cấu trúc điều khiển phân tầng:
    • Tầng điều khiển cấp cao (High-level control): Sử dụng cấu trúc P-P (vòng ngoài tỷ lệ vị trí P, vòng trong tỷ lệ vận tốc P/PID) để điều khiển độ cao $Z$ và vị trí mặt phẳng ngang $(X, Y)$, từ đó xuất tín hiệu góc đặt $(\phi_d, \theta_d)$ và lực nâng tổng $U_1$.
    • Tầng điều khiển cấp thấp (Low-level control): Sử dụng firmware PX4 Autopilot chạy trên bo mạch Pixhawk 6C để điều khiển bám các góc Roll, Pitch, Yaw thông qua các vòng lặp PID tốc độ góc và góc nghiêng, xuất tín hiệu điều chế độ rộng xung PWM đến các bộ điều tốc ESC.
  • Thị giác máy tính và học sâu: Sử dụng thư viện Jetson Inference của NVIDIA trên hệ điều hành nhúng Linux để chạy mô hình mạng nơ-ron tích chập (Deep Learning) phát hiện đối tượng người, xác định tọa độ tâm hộp bao (bounding box) theo thời gian thực.

Phương pháp nghiên cứu thực hiện qua các bước:

  1. Phân tích - tổng hợp lý thuyết: Xây dựng mô hình toán học, thiết lập hàm truyền Laplace cho các kênh điều khiển Roll, Pitch, Yaw và độ cao.
  2. Mô phỏng phần mềm trong vòng lặp (SITL): Kết nối thuật toán điều khiển với phần mềm mô phỏng Gazebo và mã nguồn mở PX4 để kiểm chứng khả năng bay và bám quỹ đạo trên không gian ảo.
  3. Mô phỏng phần cứng trong vòng lặp (HITL): Nối trực tiếp bo mạch phần cứng Pixhawk 6C vào máy tính mô phỏng để kiểm tra khả năng tương thích của hệ thống nhúng trước khi bay thực tế.
  4. Thực nghiệm thực tế: Lắp ráp mô hình vật lý, thu thập dữ liệu hình ảnh qua camera, tính toán độ lệch vị trí và ghi nhận các đồ thị đáp ứng chuyển động của drone theo thời gian.

Thiết kế và triển khai hệ thống

Hệ thống bám đối tượng được thiết kế và triển khai đồng bộ giữa hai khối chính: phần cứng cơ điện tử và phần mềm điều khiển thông minh.

Thành phần hệ thống Thiết bị / Công nghệ lựa chọn Thông số kỹ thuật / Đặc tính chức năng
Khung máy bay (Frame) Khung Quadcopter F450 Dạng chữ X, 4 cánh tay bằng nhựa ABS, 2 tấm trung tâm kim loại gia công cơ khí / cắt CNC.
Hệ thống động lực Động cơ DC không chổi than (BLDC) 4 động cơ (2 quay thuận CW, 2 quay nghịch CCW), kết hợp bộ cánh quạt đồng bộ.
Bộ điều tốc (ESC) Hobbywing SkyWalker 40A V2 UBEC Dòng tải 40A, tương thích pin 3S-4S, điều khiển tốc độ động cơ qua xung PWM.
Bộ điều khiển bay (FCU) Pixhawk 6C Vi xử lý STM32H743 (ARM Cortex-M7 480 MHz, 2MB Flash, 1MB RAM), chạy PX4 Autopilot, tích hợp IMU dự phòng Bosch & InvenSense, Barometer.
Máy tính xử lý AI NVIDIA Jetson Nano CPU ARM Cortex-A57 4 nhân, GPU 128 lõi Maxwell, RAM 4GB LPDDR4, chạy Linux/JetPack.
Cảm biến hình ảnh Camera IMX219 8MP Góc nhìn rộng 160 độ (160 Degree FoV), giao tiếp qua cổng MIPI CSI-2 của Jetson Nano.
Cảm biến khoảng cách Benawake TF-Luna Đo khoảng cách bằng công nghệ quang học/LiDAR tầm ngắn để hỗ trợ giữ độ cao và khoảng cách.
Định vị & La bàn Module GPS UBLOX M8N Tích hợp la bàn từ tính IST8310, baudrate 38400, hỗ trợ đa vệ tinh (GPS, GLONASS, Galileo, BeiDou).
Nguồn điện & Quản lý Pin LiPo (Lithium-Polymer) + BMS Cung cấp dòng xả lớn; mạch BMS giám sát cân bằng cell, chống quá nhiệt, quá áp, sụt áp; mạch hạ áp/BEC.
Truyền thông vô tuyến Bộ thu phát Tx/Rx 2.4 GHz Điều khiển chuyển đổi chế độ bay thủ công/tự động, truyền nhận tín hiệu điều khiển.
Phần mềm trạm mặt đất QGroundControl Cấu hình tham số bay, hiệu chuẩn cảm biến (IMU, la bàn, GPS, ESC), giám sát dữ liệu từ xa.

Quy trình xử lý tín hiệu bám đối tượng diễn ra tuần tự: Camera IMX219 thu nhận luồng video liên tục đưa vào Jetson Nano. Module Jetson Inference xử lý khung hình để xác định vị trí đối tượng người và tính toán sai số giữa tâm đối tượng với tâm khung hình camera (tương ứng với các trục X, Y và khoảng cách Z). Máy tính nhúng chuyển đổi sai số này thành lệnh vận tốc/vị trí mong muốn và truyền sang Pixhawk 6C qua giao tiếp nối tiếp (UART/MAVLink). Pixhawk 6C kết hợp dữ liệu IMU, GPS, cảm biến TF-Luna để tính toán thuật toán PID/P-P, điều chế xung PWM tới 4 ESC nhằm thay đổi lực nâng từng động cơ, giúp drone xoay góc Yaw và dịch chuyển tịnh tiến bám theo đối tượng.

Nội dung chính theo từng chương

Chương 1: Giới thiệu

Chương 1 trình bày tổng quan về phương tiện bay không người lái dạng quadcopter, nguyên lý hoạt động bằng 4 động cơ độc lập (2 thuận, 2 nghịch) và các phương pháp điều khiển (tự động theo chương trình, điều khiển từ xa, hoặc hỗn hợp). Tác giả tổng hợp tình hình nghiên cứu UAV trong nước (Drone Pro Vietnam, nghiên cứu drone y tế cứu hộ tại ICST 2021, Mismart với TVS60, RealTime Robotics với drone HERA) và thế giới (các dòng drone tránh vật cản của DJI gồm Phantom 4, Agras T40/T20P, Mavic 3 Classic và Exo X7 Ranger Plus). Chương này cũng xác định rõ tính cấp thiết, mục tiêu và nhiệm vụ kỹ thuật của đồ án nhằm hướng đến việc tự chủ công nghệ điều khiển bám đối tượng.

Chương 2: Cấu tạo và nguyên lý hoạt động

Chương 2 mô tả chi tiết nguyên lý cơ học và phân loại các dòng máy bay không người lái chính: Multicopter (với cơ chế bay "Fly-by-Wire" dựa vào máy tính điều khiển cân bằng các góc Roll, Pitch, Yaw), Fix-Wing (drone cánh bằng có ưu thế về tầm bay và thời gian bay nhưng hạn chế về không gian cất/hạ cánh), và VTOL (máy bay cất/hạ cánh thẳng đứng). Tiếp đó, chương đi sâu vào cấu tạo chi tiết của mô hình Quadcopter F450: khung hình chữ X bằng nhựa ABS và kim loại gia công cơ khí; động cơ không chổi than BLDC hoạt động trên nguyên lý từ trường quay không có ma sát chổi than; bộ điều tốc ESC chịu trách nhiệm đóng cắt mạch công suất MOSFET theo tín hiệu PWM; cánh quạt khí động học; bộ điều khiển bay Pixhawk 6C tích hợp vi xử lý STM32H743, hệ thống cảm biến IMU dự phòng, la bàn, khí áp kế; hệ thống định vị GPS UBLOX M8N; máy tính nhúng NVIDIA Jetson Nano; bộ điều khiển vô tuyến Tx/Rx và bộ pin LiPo kèm mạch BMS bảo vệ.

Chương 3: Cơ sở lý thuyết và hệ thống điều khiển

Nội dung chương 3 tập trung xây dựng toàn bộ mô hình toán học giải tích của drone 4 cánh:

  • Thiết lập phương trình gia tốc chuyển động tịnh tiến và phương trình moment động lượng theo định luật Newton-Euler trong không gian 3 chiều.
  • Xây dựng hàm truyền quan hệ giữa xung điều khiển PWM với lực nâng động cơ $F(s)$ và moment cản $M(s)$.
  • Xây dựng ma trận phân bố tín hiệu điều khiển (Control Allocation) giải quyết bài toán chuyển tiếp từ các đại lượng điều khiển tổng quát sang 4 kênh PWM của động cơ.
  • Trình bày sơ đồ khối hệ thống điều khiển hai tầng (tầng cao P-P tính toán vị trí/độ cao, tầng thấp PID điều khiển góc nghiêng và tốc độ góc).
  • Phân tích chi tiết hàm truyền vòng hở, vòng kín và quy luật điều khiển cho từng kênh riêng biệt: kênh Roll ($\phi$), kênh Pitch ($\theta$), kênh Yaw ($\psi$), và kênh độ cao ($h$).
  • Giới thiệu giải pháp tích hợp mạng học sâu thông qua thư viện Jetson Inference trên máy tính nhúng phục vụ tác vụ nhận diện mục tiêu.

Chương 4: Lựa chọn các thiết bị cho mô hình thực nghiệm

Chương 4 cung cấp căn cứ kỹ thuật cho việc tính toán, lựa chọn linh kiện phần cứng phù hợp với tải trọng và yêu cầu xử lý của hệ thống:

  • Lựa chọn khung F450, 4 bộ động cơ BLDC kèm 4 ESC Hobbywing SkyWalker 40A V2 UBEC.
  • Lựa chọn máy tính nhúng NVIDIA Jetson Nano (4GB RAM) kết hợp Camera IMX219 độ phân giải 8MP, góc nhìn rộng 160 độ để đảm bảo trường quan sát bám mục tiêu.
  • Trang bị cảm biến khoảng cách Benawake TF-Luna và module GPS M8N phục vụ ước lượng vị trí chính xác.
  • Quy trình lắp đặt phần cứng, đấu nối mạch điện lực, mạch tín hiệu và mạch biến áp.
  • Các bước kiểm tra chất lượng sau lắp ráp, cấu hình phần mềm QGroundControl (cân chỉnh cảm biến gia tốc, con quay hồi chuyển, la bàn số, định vị GPS, hiệu chuẩn hành trình tay ga ESC) và quy trình kiểm tra an toàn trước khi cất cánh.

Chương 5: Điều khiển mô phỏng và kết quả thực nghiệm

Chương 5 trình bày toàn bộ quá trình thử nghiệm từ mô phỏng đến hiện trường:

  • Thực hiện mô phỏng phần mềm trong vòng lặp (SITL) trên môi trường 3D Gazebo kết hợp phần mềm điều khiển bay PX4 để kiểm chứng thuật toán điều khiển ổn định vị trí và tư thế.
  • Triển khai mô phỏng phần cứng trong vòng lặp (HITL), kết nối trực tiếp Pixhawk 6C với máy tính mô phỏng để đánh giá độ trễ và khả năng đáp ứng thời gian thực của phần cứng.
  • Hoàn thiện mô hình thực nghiệm vật lý, thiết lập lưu đồ thuật toán thu thập - xử lý tín hiệu hình ảnh và tính toán sai số bám đối tượng trên Jetson Nano.
  • Ghi nhận và phân tích các đồ thị đáp ứng thực nghiệm theo thời gian: đồ thị đáp ứng vị trí trên trục X, trục Y, trục Z, và đồ thị đáp ứng góc xoay Yaw, tỷ lệ thay đổi góc Yaw. Các kết quả thực nghiệm chứng minh hệ thống có khả năng nhận diện người, tự động xoay hướng và điều chỉnh vị trí để bám theo đối tượng trong không gian thực tế.

Chương 6: Kết luận và hướng phát triển

Chương cuối tóm tắt lại toàn bộ khối lượng công việc đã hoàn thành, khẳng định kết quả chế tạo thành công mô hình drone 4 cánh có khả năng bám người tự động, đồng thời chỉ ra các điểm còn tồn tại và đề xuất hướng nghiên cứu tiếp theo cho đề tài.

Kết quả và đóng góp

Đồ án đã đạt được các kết quả kỹ thuật cụ thể theo đúng mục tiêu đặt ra:

  • Xây dựng hoàn chỉnh mô hình toán học và cấu trúc điều khiển: Thiết lập thành công hệ phương trình động lực học, ma trận phân bố tín hiệu điều khiển và các bộ điều khiển P-P/PID cho cả 4 kênh chuyển động (Roll, Pitch, Yaw, Độ cao).
  • Thiết kế và chế tạo thành công phần cứng thực nghiệm: Tích hợp đồng bộ khung F450, 4 động cơ BLDC, 4 bộ ESC Hobbywing 40A V2, bộ điều khiển bay Pixhawk 6C, cảm biến LiDAR TF-Luna, GPS M8N, camera IMX219 8MP góc rộng 160 độ và máy tính nhúng NVIDIA Jetson Nano.
  • Triển khai thành công chu trình mô phỏng hai cấp: Đã cấu hình và chạy thành công mô phỏng SITL trên Gazebo/PX4 và mô phỏng phần cứng HITL, giúp loại trừ các rủi ro va chạm trước khi bay thực tế.
  • Thực nghiệm nhận diện và bám đối tượng trong thời gian thực: Hệ thống nhúng xử lý tốt mô hình Deep Learning qua Jetson Inference, nhận diện chính xác đối tượng người và truyền lệnh điều khiển mượt mà tới Pixhawk 6C. Các đồ thị đáp ứng thực nghiệm (trên các trục X, Y, Z và góc Yaw) chứng minh hệ thống duy trì được độ ổn định và đáp ứng tốt quỹ đạo chuyển động của đối tượng trong điều kiện môi trường thuận lợi.

Về mặt giải pháp và đóng góp, đề tài góp phần làm sáng tỏ quy trình tích hợp giữa máy tính nhúng AI (NVIDIA Jetson) với bộ điều khiển bay mã nguồn mở (Pixhawk chạy PX4), giảm bớt sự phụ thuộc vào các giải pháp hộp đen thương mại khép kín, tạo tiền đề kỹ thuật cho các nghiên cứu tự hành hóa drone tại Việt Nam.

Hạn chế và hướng nghiên cứu tiếp

Dựa trên các nội dung được nhóm tác giả trình bày trong văn bản:

  • Hạn chế của đề tài:
    • Hệ thống mới được thử nghiệm và hoạt động ổn định trong các điều kiện môi trường thuận lợi (ánh sáng tốt, ít nhiễu gió, không gian ít vật cản phức tạp).
    • Thuật toán bám đối tượng dựa trên thị giác máy tính vẫn có nguy cơ mất dấu khi mục tiêu bị che khuất hoàn toàn hoặc thay đổi điều kiện ánh sáng đột ngột.
    • Khả năng né tránh chướng ngại vật động đa hướng ở tốc độ cao chưa được tối ưu hoàn chỉnh như các dòng drone chuyên dụng thương mại.
  • Hướng phát triển tiếp theo:
    • Bổ sung và tích hợp thêm các cảm biến phụ trợ như LiDAR quét đa tia, cảm biến siêu âm, radar sóng milimet để nâng cao khả năng phát hiện và chủ động né tránh vật cản trong môi trường đô thị hoặc không gian hẹp.
    • Tối ưu hóa mô hình học sâu và thuật toán bám (Object Tracking) để duy trì nhận diện khi đối tượng bị che khuất một phần hoặc thay đổi hình dạng chuyển động liên tục.
    • Nâng cấp thuật toán điều khiển tự thích nghi nhằm tăng cường khả năng chống nhiễu gió mạnh ngoài trời và cải thiện thời lượng pin của hệ thống bay.

Giá trị tham khảo

Báo cáo đồ án tốt nghiệp này là tài liệu tham khảo hữu ích cho:

  • Sinh viên và giảng viên các ngành: Công nghệ Kỹ thuật Cơ điện tử, Kỹ thuật Điều khiển và Tự động hóa, Kỹ thuật Robot, Công nghệ Thông tin (chuyên ngành Thị giác máy tính và Hệ thống nhúng).
  • Người làm nghiên cứu và phát triển UAV: Cung cấp tài liệu tham khảo thực tế về mô hình toán học động lực học 6-DOF của quadcopter, phương pháp thiết lập ma trận phân bố điều khiển lực/moment, và quy trình thiết kế bộ điều khiển phân tầng P-P/PID.
  • Phần giá trị nhất để tham khảo:
    • Chương 3 (mô hình hóa toán học chi tiết và quy luật phân bố tín hiệu điều khiển).
    • Chương 4 và Chương 5 (hướng dẫn thực tế về sơ đồ nối dây, cấu hình tham số trong QGroundControl, quy trình thiết lập mô phỏng SITL/HITL với Gazebo và PX4, cùng phương pháp ghép nối xử lý hình ảnh Deep Learning từ Jetson Nano sang Pixhawk 6C).

Câu hỏi thường gặp

1. Bộ điều khiển bay Pixhawk 6C trong đồ án sử dụng vi xử lý gì và có thông số kỹ thuật ra sao?
Pixhawk 6C sử dụng vi xử lý STM32H743 với lõi ARM Cortex-M7 hoạt động ở tần số xung nhịp lên đến 480 MHz, bộ nhớ Flash 2 MB và RAM 1 MB, được cài đặt sẵn firmware mã nguồn mở PX4 Autopilot.

2. Ma trận phân bố tín hiệu điều khiển (Control Allocation) trong đồ án có nhiệm vụ gì?
Ma trận phân bố điều khiển có nhiệm vụ chuyển đổi 4 tín hiệu điều khiển tổng quát gồm lực đẩy tổng Throttle ($U_1$), moment Roll ($U_2$), moment Pitch ($U_3$) và moment Yaw ($U_4$) thành 4 giá trị độ rộng xung PWM cụ thể cấp cho 4 bộ điều tốc ESC tương ứng với 4 động cơ theo cấu hình chữ X.

3. Nhiệm vụ của máy tính nhúng NVIDIA Jetson Nano trong mô hình drone là gì?
NVIDIA Jetson Nano (trang bị GPU 128 lõi Maxwell và RAM 4GB) đóng vai trò máy tính xử lý trung tâm cấp cao: nhận dữ liệu luồng video từ camera IMX219, chạy mạng nơ-ron học sâu qua Jetson Inference để phát hiện đối tượng người trong thời gian thực, tính toán tọa độ sai lệch và gửi lệnh điều khiển vị trí/hướng bay sang Pixhawk 6C.

4. Khác biệt giữa mô phỏng SITL và HITL được áp dụng trong đề tài là gì?
SITL (Software-in-the-loop) là mô phỏng thuần túy trên phần mềm, trong đó cả mô hình vật lý môi trường (Gazebo) và mã nguồn điều khiển bay (PX4) đều chạy trên máy tính. HITL (Hardware-in-the-loop) là mô phỏng có sự tham gia của phần cứng thực tế, trong đó bo mạch Pixhawk 6C được kết nối trực tiếp với máy tính mô phỏng để tiếp nhận dữ liệu cảm biến ảo và xuất tín hiệu điều khiển thực, giúp kiểm tra độ trễ và độ tin cậy của phần cứng trước khi bay thật.

5. Cấu trúc điều khiển P-P được áp dụng cho những kênh nào của hệ thống drone?
Cấu trúc điều khiển P-P (vòng ngoài là khâu tỷ lệ vị trí P, vòng trong là khâu tỷ lệ vận tốc P/PID) được nhóm tác giả áp dụng cho tầng điều khiển cấp cao nhằm kiểm soát độ cao $Z$ và vị trí mặt phẳng ngang trên hai trục $X, Y$ của drone.

Kết luận

Đồ án tốt nghiệp "Nghiên cứu và điều khiển drone 4 cánh bám theo đối tượng" của nhóm sinh viên Huỳnh Viết Triều Dương, Phan Ngọc Diện, Lê Huỳnh Vinh Quang (Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh) đã hoàn thành xuất sắc các mục tiêu thiết kế và tích hợp hệ thống cơ điện tử phức hợp. Nghiên cứu đã xây dựng thành công mô hình toán học động lực học 6 bậc tự do, thiết lập cấu trúc điều khiển phân tầng kết hợp giữa PX4 trên Pixhawk 6C và thuật toán học sâu Jetson Inference trên máy tính nhúng NVIDIA Jetson Nano. Kết quả kiểm chứng qua hai cấp mô phỏng SITL/HITL và bay thử nghiệm thực tế đã chứng minh tính khả thi, ổn định của hệ thống trong việc nhận diện và tự động bám theo đối tượng người trong thời gian thực. Đề tài đóng góp nguồn tài liệu tham khảo có giá trị cao về kỹ thuật tích hợp phần cứng và điều khiển thông minh cho các nghiên cứu phát triển phương tiện bay không người lái tự hành trong nước.