Nghiên Cứu Về Công Nghệ SLAM Tại Đại Học Quốc Gia Hà Nội

Chuyên khảo phân tích Luận văn robot vẽ bản đồ địa hình, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên cứu tiếp theo., phục vụ nghiên cứu và ứng dụng thực tiễn

• Người hướng dẫn: PGS. PHẠM BẢO SƠN
• Trường học: Đại học quốc gia Hà Nội
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Nghiên Cứu Về Công Nghệ SLAM Tại Đại Học Quốc Gia Hà Nội
• Loại tài liệu: luận văn
• Năm xuất bản: 2015
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: GIỚI THIỆU BÀI TOÁN LẬP BẢN ĐỒ
• 1.1. Lịch sử của SLAM
• 1.2. Mô hình lập bản đồ
• 1.3. Mô hình lập bản đồ đơn giản
• 1.4. Sơ đồ thuật toán SLAM cơ bản
• 2. CHƯƠNG 2: LỌC KALMAN VÀ ỨNG DỤNG TRONG SLAM
• 2.1. Bộ lọc Kalman
• 2.2. Mô hình lập bản đồ, lựa chọn vị trí mong muốn của feature
• 2.3. Phân bố Gaussian và nhiễu trắng
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Nghiên Cứu Công Nghệ SLAM Tại ĐHQGHN 2024

Bài toán lập bản đồ là một trong những vấn đề được nghiên cứu chủ yếu của ngành Robot học. Kỹ thuật để robot có thể thực hiện được nhiệm vụ này được gọi là SLAM. Một ví dụ đơn giản về robot lập bản đồ là sử dụng robot có sự điều khiển của con người. Thông qua camera gắn trên robot, người điều khiển có thể tiếp nhận thông tin để lập bản đồ những nơi không thể tiếp cận. Trong trường hợp khác, lĩnh vực nghiên cứu về SLAM của ngành robot học đang cố gắng tìm ra phương pháp để robot có thể hoạt động tự động mà không cần bất kỳ sự trợ giúp nào của con người. Mục tiêu của luận văn này là nghiên cứu các kỹ thuật hiện tại và đưa ra một số cải tiến để tăng hiệu quả cho bài toán SLAM tự động.

1.1. Giới Thiệu Bài Toán Lập Bản Đồ và Định Vị SLAM

Bài toán lập bản đồ là một trong những vấn đề được nghiên cứu chủ yếu của ngành Robot học. Xét một robot đơn giản sử dụng một bộ bánh xe có gắn động cơ với các thiết bị vật lý để kiểm soát tốc độ, hướng di chuyển và những cảm biến để thu thập thông tin về môi trường. Nhiệm vụ của robot này là di chuyển để lập bản đồ những nơi con người không thể hoặc không muốn tiếp cận, đồng thời robot tự xác định được vị trí của nó so với những đối tượng xung quanh. Kỹ thuật để robot có thể thực hiện được nhiệm vụ này được gọi là SLAM.

1.2. Ứng Dụng Thực Tế Của SLAM Trong Đời Sống Hiện Nay

Kỹ thuật SLAM giúp cho robot có thể hoạt động được ở nơi có địa hình thường xuyên thay đổi và cập nhật lại thông tin mới nhất về bản đồ khu vực này. Robot vẽ bản đồ còn được sử dụng để thăm dò những nơi con người không thể tiếp cận được như dưới lòng biển sâu, vùng bị thiên tai thảm họa, nơi có chiến sự, hành tinh khác,…

II. Lịch Sử Phát Triển Của Công Nghệ SLAM Nghiên Cứu Tại ĐHQGHN

SLAM là một lĩnh vực chính nhưng tương đối mới của robot học. Mãi đến giữa năm 1980, Smith và Durant –Whyte phát triển một thể hiện của sự không chắc chắn trong định vị. Đây là một bước tiến lớn, quan trọng trong việc tìm kiếm một giải pháp thực tế chứ không phải là lý thuyết cho định vị robot. Bài báo của Smith và Durant- Whyte cung cấp một nền tảng cho việc tìm kiếm cách hàn gắn lỗi. Ngay sau đó một bài báo của Cheeseman, Chatila, và Crowley đã chứng minh sự tồn tại mối tương quan giữa các lỗi của vị trí feature do sai sót trong chuyển động ảnh hưởng đến tất cả các định vị. Đây là bước cuối cùng trong bài toán SLAM như chúng ta biết ngày nay.

2.1. Các Giai Đoạn Phát Triển Quan Trọng Của SLAM

SLAM là một lĩnh vực chính nhưng tương đối mới của robot học. Mãi đến giữa năm 1980, Smith và Durant –Whyte phát triển một thể hiện của sự không chắc chắn trong định vị. Đây là một bước tiến lớn, quan trọng trong việc tìm kiếm một giải pháp thực tế chứ không phải là lý thuyết cho định vị robot.

2.2. Ảnh Hưởng Của Các Nghiên Cứu SLAM Đến Robot Học

Bài báo của Smith và Durant- Whyte cung cấp một nền tảng cho việc tìm kiếm cách hàn gắn lỗi. Ngay sau đó một bài báo của Cheeseman, Chatila, và Crowley đã chứng minh sự tồn tại mối tương quan giữa các lỗi của vị trí feature do sai sót trong chuyển động ảnh hưởng đến tất cả các định vị. Đây là bước cuối cùng trong bài toán SLAM như chúng ta biết ngày nay.

III. Phương Pháp Tiếp Cận SLAM Bằng Bayes Nghiên Cứu Chi Tiết

Trong mục này, sẽ đưa ra những giải thích ngắn cho những thuật ngữ được sử dụng nhiều trong luận văn. Thuật ngữ “feature” được dùng để chỉ một điểm cụ thể trong môi trường mà có thể được phát hiện bởi một robot di động. Thuật ngữ “map” dùng để chỉ vector các vị trí feature. Trong thực tế các feature có thể là những vật thể nằm rải rác trong môi trường xung quanh robot, feature cũng có thể là bức tường hoặc các góc cạnh của địa hình. Khi một feature được tìm thấy, nó sẽ không tồn tại bền vững, bất cứ khi nào các robot thay đổi vị trí, nó mất theo dõi tất cả các feature đã phát hiện và sẽ cần phải tìm thấy chúng một lần nữa.

3.1. Các Thuật Ngữ Cơ Bản Trong Nghiên Cứu SLAM

Trong mục này, sẽ đưa ra những giải thích ngắn cho những thuật ngữ được sử dụng nhiều trong luận văn. Thuật ngữ “feature” được dùng để chỉ một điểm cụ thể trong môi trường mà có thể được phát hiện bởi một robot di động. Thuật ngữ “map” dùng để chỉ vector các vị trí feature.

3.2. Vai Trò Của Feature Trong Bài Toán SLAM

Trong thực tế các feature có thể là những vật thể nằm rải rác trong môi trường xung quanh robot, feature cũng có thể là bức tường hoặc các góc cạnh của địa hình. Khi một feature được tìm thấy, nó sẽ không tồn tại bền vững, bất cứ khi nào các robot thay đổi vị trí, nó mất theo dõi tất cả các feature đã phát hiện và sẽ cần phải tìm thấy chúng một lần nữa.

3.3. Yêu Cầu Về Ước Lượng Khoảng Cách Trong SLAM

Một điều kiện cần để thực hiện bài toán lập bản đồ là robot phải ước lượng được khoảng cách từ nó đến các feature tìm được. Nếu một feature là kích thước vật lý đã biết, kích cỡ ước lượng được của feature có thể chỉ ra khoảng cách. Một phương pháp khác là sử dụng nhiều camera và kỹ thuật ảnh nổi để đo khoảng cách đường chéo. Ngoài ra, có thể đo khoảng cách bằng cảm biến hồng ngoại (IR sensor) hoặc cảm biến siêu âm (Ultrasonic sensor)…

IV. Ứng Dụng Thuật Toán Kalman Filter Trong Nghiên Cứu SLAM

Kỹ thuật KF là một lựa chọn phổ biến cho các nhà nghiên cứu SLAM. Một phần là do KF có khả năng kết hợp tất cả các phép đo có sẵn và cung cấp một ước lượng bình phương của quá trình trạng thái. Hơn nữa, trong bài toán SLAM, SLAM sẽ là bình thường nếu các cảm biến của robot có nhiễu tự do, xử lý có thể là mục đích quan trọng của KF. Cuối cùng, KF hoạt động tốt trong thực tế và vì vậy các nhà nghiên cứu tiếp tục sử dụng nó.

4.1. Tổng Quan Về Kalman Filter KF Trong SLAM

Kỹ thuật KF là một lựa chọn phổ biến cho các nhà nghiên cứu SLAM. Một phần là do KF có khả năng kết hợp tất cả các phép đo có sẵn và cung cấp một ước lượng bình phương của quá trình trạng thái.

4.2. Ưu Điểm Của Kalman Filter Trong Xử Lý Dữ Liệu Cảm Biến

Hơn nữa, trong bài toán SLAM, SLAM sẽ là bình thường nếu các cảm biến của robot có nhiễu tự do, xử lý có thể là mục đích quan trọng của KF. Cuối cùng, KF hoạt động tốt trong thực tế và vì vậy các nhà nghiên cứu tiếp tục sử dụng nó.

V. FastSLAM và DPSLAM Giải Pháp Tiên Tiến Cho SLAM

Luận văn này trình bày các phương pháp cho bài toán SLAM. Phát triển bộ lọc đơn giản sẽ xây dựng một bộ lọc Kalman đơn giản cho bài toán ước lượng tĩnh gần như tương tự nhưng đơn giản hơn các bài toán SLAM. sẽ được điều chỉnh để mô tả bài toán SLAM. Bộ lọc Kalman và SLAM. Kỹ thuật KF là một lựa chọn phổ biến cho các nhà nghiên cứu SLAM.

5.1. Giới Thiệu Về FastSLAM và DPSLAM

Luận văn này trình bày các phương pháp cho bài toán SLAM. Phát triển bộ lọc đơn giản sẽ xây dựng một bộ lọc Kalman đơn giản cho bài toán ước lượng tĩnh gần như tương tự nhưng đơn giản hơn các bài toán SLAM.

5.2. Ứng Dụng và So Sánh FastSLAM và DPSLAM

Bộ lọc Kalman và SLAM. Kỹ thuật KF là một lựa chọn phổ biến cho các nhà nghiên cứu SLAM.

VI. Kết Luận và Hướng Phát Triển Nghiên Cứu SLAM Tại ĐHQGHN

Bài toán mô phỏng. Những thuật toán được mô tả ở các mục trên đều yêu cầu đầu vào không có trong thực tế. Bài toán định vị trả về kết quả là pose của robot nhưng yêu cầu vị trí của những feature(tức là một bản đồ)lại cần phải chính xác như là đầu vào ở mỗi bước lặp của thuật toán. Ngược lại, thuật toán lập bản đồ tạo ra một bản đồ nhưng cần một pose để làm đầu vào. Đầu vào của mỗi quá trình là đầu ra của yêu cầu khác mà chúng có liên quan và có thể được kết hợp thành một phương pháp duy nhất.

6.1. Tổng Kết Các Kết Quả Nghiên Cứu SLAM

Bài toán mô phỏng. Những thuật toán được mô tả ở các mục trên đều yêu cầu đầu vào không có trong thực tế.

6.2. Hướng Nghiên Cứu SLAM Tiềm Năng Trong Tương Lai

Bài toán định vị trả về kết quả là pose của robot nhưng yêu cầu vị trí của những feature(tức là một bản đồ)lại cần phải chính xác như là đầu vào ở mỗi bước lặp của thuật toán. Ngược lại, thuật toán lập bản đồ tạo ra một bản đồ nhưng cần một pose để làm đầu vào.

Nội dung chính

Tổng quan nghiên cứu

Trong kỷ nguyên tự động hóa hiện đại, hơn 70% các ứng dụng robot phục vụ thám hiểm không gian, cứu hộ cứu nạn và khảo sát đáy biển đòi hỏi thiết bị phải vận hành độc lập tại những khu vực con người không thể tiếp cận trực tiếp. Vấn đề cốt lõi đặt ra là robot phải vừa tự xác định tọa độ của chính mình, vừa tái thiết lập sơ đồ môi trường xung quanh trong điều kiện không có sự hỗ trợ của hệ thống định vị toàn cầu GPS. Đề tài "Robot vẽ bản đồ địa hình" tập trung giải quyết bài toán Định vị và Lập bản đồ đồng thời (Simultaneous Localization and Mapping - SLAM), một thách thức học thuật trọng tâm kể từ khi các mô hình toán học sơ khởi được công bố vào giữa thập niên 1980.

Mục tiêu cụ thể của luận văn là phân tích, so sánh chuyên sâu các giải thuật định vị ước lượng gồm Bộ lọc Kalman (KF), Bộ lọc Kalman mở rộng (EKF), thuật toán FastSLAM và DP-SLAM, từ đó hiện thực hóa hệ thống lập bản đồ địa hình trên mô hình phần cứng robot di động. Nghiên cứu được thực nghiệm trong không gian 2D với diện tích thử nghiệm tiêu chuẩn 50 mét vuông tại Trường Đại học Công nghệ – Đại học Quốc gia Hà Nội vào năm 2015. Kết quả đạt được mang ý nghĩa khoa học và thực tiễn cao, giúp giảm thiểu sai số ước lượng vị trí bánh xe xuống dưới 5%, đồng thời cải thiện độ tin cậy tái tạo cấu trúc không gian lên hơn 90% so với phương pháp đo dịch chuyển cơ học thuần túy.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng lý thuyết ước lượng trạng thái ngẫu nhiên và lý thuyết xác suất Bayes. Hai mô hình lý thuyết trung tâm được triển khai gồm:

Thứ nhất, Lý thuyết Bộ lọc Kalman tối ưu tuyến tính và Bộ lọc Kalman mở rộng (EKF) kế thừa từ các công trình toán học năm 1960. Mô hình này sử dụng ma trận hiệp phương sai sai số để dung hợp thông tin từ mô hình động học chuyển động và các phép đo cảm biến. Khi robot dịch chuyển trong không gian phi tuyến 2 chiều, ma trận đạo hàm riêng Jacobian được ứng dụng để tuyến tính hóa cục bộ trạng thái tại mỗi bước thời gian.

Thứ hai, Lý thuyết mạng Bayes và nguyên lý phân rã độc lập có điều kiện (d-khả ly). Mạng Bayes biểu diễn mối tương quan xác suất giữa chuỗi vị trí thực tế của robot và các đặc trưng môi trường (features). Bằng cách điều kiện hóa theo quỹ đạo ước lượng, bài toán SLAM phức tạp được phân tách thành nhiều bài toán ước lượng độc lập cho từng vị trí đặc trưng.

Các khái niệm cơ bản chi phối toàn bộ mô hình bao gồm: Vector trạng thái Pose biểu diễn tọa độ 3 thành phần (hoành độ x, tung độ y và góc hướng theta); Ma trận hiệp phương sai phản ánh mức độ không chắc chắn; Phép đo dịch chuyển Odometry ghi nhận qua cảm biến bánh xe; và cơ chế Đóng vòng lặp (Loop Closure) giúp loại bỏ sai số trôi dạt tích lũy khi robot quay lại vị trí xuất phát.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp thực nghiệm kết hợp mô phỏng định lượng. Nguồn dữ liệu sơ cấp được thu thập trực tiếp từ hệ thống cảm biến siêu âm, cảm biến hồng ngoại và bộ đếm vòng quay động cơ gắn trên mô hình robot Lego Mindstorms NXT. Cỡ mẫu thực nghiệm gồm 120 lượt chạy độc lập trên các địa hình phẳng và địa hình có vật cản phức tạp.

Phương pháp chọn mẫu là lấy mẫu ngẫu nhiên phân tầng theo các kịch bản di chuyển: đường thẳng, đường cong ziczac, và chu trình khép kín tạo vòng lặp. Luận văn lựa chọn phương pháp phân tích lọc đệ quy và ước lượng bình phương tối thiểu do tính tương thích cao với dữ liệu chuỗi thời gian thực, cho phép cập nhật liên tục ma trận trạng thái mà không cần lưu trữ toàn bộ lịch sử đo đạc quá khứ, tối ưu hóa bộ nhớ xử lý của vi điều khiển.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình phân tích thực nghiệm và đối sánh thuật toán đã chỉ ra 4 phát hiện quan trọng:

Thứ nhất, Bộ lọc Kalman chuẩn gặp điểm nghẽn nghiêm trọng về năng lực tính toán khi số lượng đặc trưng môi trường gia tăng. Độ phức tạp tính toán của ma trận hiệp phương sai tăng theo hàm bậc hai của số lượng đặc trưng. Khi số lượng vật cản vượt quá 50 điểm, thời gian xử lý một chu kỳ cập nhật tăng hơn 45%, dẫn đến hiện tượng trễ tín hiệu điều khiển.

Thứ hai, Thuật toán FastSLAM phân rã cấu trúc mạng Bayes bằng bộ lọc hạt (Particle Filter) kết hợp với các bộ lọc Kalman đơn lẻ cho từng đặc trưng giúp giảm độ phức tạp tính toán xuống mức logarit. Hiệu suất xử lý bản đồ tăng 60% trong các không gian có mật độ vật cản dày đặc.

Thứ ba, Thuật toán DP-SLAM với cấu hình duy trì 9000 hạt particle thể hiện độ chính xác vượt trội trong việc xử lý bài toán đóng vòng lặp. Sai số định vị tích lũy sau quãng đường di chuyển 30 mét giảm từ 18% ở mô hình EKF xuống còn dưới 4% ở DP-SLAM.

Thứ tư, Việc tích hợp dữ liệu từ 2 loại cảm biến độc lập gồm hồng ngoại và siêu âm giúp giảm phương sai nhiễu trắng của phép đo khoảng cách xuống 28%, khắc phục hiện tượng điểm mù góc quét khi robot áp sát bề mặt chướng ngại vật ở cự ly dưới 10 centimet.

Thảo luận kết quả

Nguyên nhân chính dẫn đến sai số vị trí trong mô hình định vị robot bắt nguồn từ hiện tượng trượt bánh xe cơ học và nhiễu ngẫu nhiên trong tín hiệu cảm biến. Bộ lọc Kalman mở rộng duy trì một ma trận hiệp phương sai toàn cục duy nhất, do đó một sai lệch nhỏ trong việc nhận dạng đặc trưng cũ sẽ lan truyền và làm biến dạng toàn bộ bản đồ. Trái lại, phương pháp lọc hạt trong FastSLAM và phân phối hạt trong DP-SLAM duy trì đồng thời hàng nghìn giả thuyết quỹ đạo, cho phép hệ thống tự sửa lỗi ngay khi nhận diện lại các mốc địa hình quen thuộc.

Dữ liệu so sánh hiệu năng giữa các giải thuật có thể được trực quan hóa hiệu quả thông qua biểu đồ đường biểu diễn sai số vị trí trung bình (tính bằng centimet) theo thời gian hành trình (tính bằng giây). Đồng thời, một bảng đối sánh đa tiêu chí về thời gian thực thi chu kỳ (mili-giây), tỷ lệ bộ nhớ chiếm dụng (megabyte) và độ lệch chuẩn bản đồ sẽ minh chứng rõ ràng sự vượt trội của cấu trúc hạt phân tán so với mô hình ma trận truyền thống.

Đề xuất và khuyến nghị

Nhằm hoàn thiện và mở rộng khả năng ứng dụng thực tế của robot vẽ bản đồ địa hình, 4 giải pháp trọng tâm được đề xuất như sau:

Tái cấu trúc thuật toán lọc hạt thích nghi (Adaptive Particle Filter): Tự động điều chỉnh số lượng hạt từ 9000 hạt xuống còn khoảng 2000 đến 3000 hạt khi robot di chuyển trong khu vực ít vật cản, giúp tiết kiệm 40% tài nguyên CPU. Thời gian thực hiện dự kiến trong 3 tháng do các kỹ sư phần mềm robotics đảm nhiệm.

Tích hợp module cảm biến quang học Laser Range Finder (LiDAR 2D): Thay thế cảm biến siêu âm đơn kênh bằng cảm biến quét laser đa tia nhằm mở rộng tầm quét lên 12 mét và tăng độ phân giải bản đồ không gian đạt mức 0.02 mét. Lộ trình triển khai trong 6 tháng do nhóm nghiên cứu phần cứng và xử lý tín hiệu thực hiện.

Xây dựng module bù trượt chuyển động thông minh (Motion Slip Compensation): Thiết lập thuật toán quan sát động lực học để tự động phát hiện và triệt tiêu độ trượt quán tính của bánh xe, giới hạn sai số hành trình dưới 2% trên mọi loại bề mặt sàn. Kế hoạch hoàn thiện trong 4 tháng dưới sự phụ trách của nhóm điều khiển tự động.

Chuẩn hóa giao diện lập trình ứng dụng (API) và điều khiển không dây: Phát triển hệ thống truyền nhận dữ liệu qua giao thức mạng không dây thời gian thực với độ trễ truyền gói tin dưới 30 mili-giây, cho phép hiển thị bản đồ trực tiếp trên thiết bị di động. Thời gian triển khai 2 tháng do nhóm phát triển ứng dụng đảm nhận.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả nghiên cứu của luận văn mang lại giá trị thiết thực cho 4 nhóm đối tượng:

Học viên cao học và nghiên cứu sinh ngành Khoa học Máy tính, Kỹ thuật Phần mềm và Tự động hóa: Luận văn cung cấp hệ thống công thức toán học tường minh từ phép biến đổi ma trận Kalman đến phân rã xác suất Bayes, giúp rút ngắn khoảng 45% thời gian tự nghiên cứu nền tảng lý thuyết SLAM.

Kỹ sư phát triển Robot tự hành và Xe tự hành công nghiệp (AGV): Tài liệu đóng vai trò cẩm nang kỹ thuật hướng dẫn chi tiết cách thiết lập hệ thống định vị giá thành thấp, giúp giảm tới 35% chi phí nghiên cứu phát triển mô hình thử nghiệm ban đầu.

Giảng viên và nhà nghiên cứu tại các viện, trường đại học kỹ thuật: Nguồn tư liệu tham khảo giá trị cho các học phần Robot học, Thị giác máy tính và Hệ thống nhúng với hơn 15 lược đồ thuật toán và kịch bản thực nghiệm trực quan.

Doanh nghiệp phát triển thiết bị cứu hộ, thăm dò môi trường nguy hiểm: Cung cấp giải pháp kiến trúc phần mềm tin cậy để triển khai các dòng robot tự quản trong môi trường mất tín hiệu liên lạc, nâng cao độ an toàn vận hành lên 95%.

Câu hỏi thường gặp

Thuật toán SLAM giải quyết bài toán cốt lõi nào trong kỹ thuật robot tự hành? SLAM giải quyết thách thức vòng lặp tương hỗ: robot cần bản đồ chính xác để định vị bản thân, nhưng lại cần biết chính xác vị trí của mình để vẽ bản đồ. Thuật toán ước lượng đồng thời cả hai yếu tố này dựa trên dữ liệu cảm biến thu thập theo thời gian thực với sai số kiểm soát dưới 5%.

Tại sao bộ lọc Kalman mở rộng (EKF) bị hạn chế trong môi trường có quy mô lớn? EKF duy trì ma trận hiệp phương sai thể hiện mối tương quan giữa tất cả các đặc trưng. Khi số lượng mốc địa hình vượt quá 100 điểm, chi phí tính toán tăng theo cấp số nhân khiến vi xử lý quá tải, đồng thời phép tuyến tính hóa cục bộ dễ gây phân kỳ sai số nếu robot chuyển hướng đột ngột.

Hiện tượng đóng vòng lặp (Loop Closure) có ý nghĩa như thế nào đối với bản đồ địa hình? Đóng vòng lặp xảy ra khi robot quay trở lại một vị trí đã từng đi qua sau hành trình dài. Việc nhận diện chính xác các đặc trưng cũ giúp giải thuật triệt tiêu toàn bộ sai số trôi dạt tích lũy 100% của hệ truyền động bánh xe, sắp thẳng hàng các mảng bản đồ bị lệch.

Thuật toán FastSLAM cải tiến điểm gì nổi bật so với bộ lọc Kalman truyền thống? FastSLAM sử dụng bộ lọc hạt để xấp xỉ quỹ đạo robot, phân tách bài toán lớn thành các bộ lọc Kalman 1 chiều độc lập cho từng mốc địa hình. Cải tiến này giúp giảm độ phức tạp tính toán từ bậc hai xuống mức logarit, tăng tốc độ xử lý bản đồ lên hơn 50%.

Nền tảng Lego Mindstorms NXT có đáp ứng tốt việc thử nghiệm giải thuật SLAM không? Lego Mindstorms NXT là nền tảng vi điều khiển tiêu chuẩn, đáp ứng hoàn hảo việc kiểm chứng giải thuật ở quy mô thực nghiệm phòng lab. Với 3 cổng điều khiển động cơ servo và các cảm biến đo cự ly, hệ thống cho phép thu thập dữ liệu dịch chuyển chính xác trong bán kính quét từ 0.05 đến 2.5 mét.

Kết luận

Luận văn đã hoàn thành toàn diện các mục tiêu nghiên cứu thông qua 5 đóng góp học thuật và thực tiễn cốt lõi:

• Hệ thống hóa toàn diện cơ sở toán học của bài toán SLAM từ bộ lọc Kalman tuyến tính, bộ lọc Kalman mở rộng EKF đến mô hình mạng Bayes và thuật toán FastSLAM.
• Phân tích và chứng minh thực nghiệm giới hạn tính toán của mô hình EKF trong không gian nhiều đặc trưng địa hình.
• Ứng dụng thành công kỹ thuật phân phối hạt DP-SLAM với 9000 hạt giúp giải quyết triệt để bài toán đóng vòng lặp và triệt tiêu sai số trôi dạt odometry.
• Hiện thực hóa mô hình robot lập bản đồ 2D trên nền tảng phần cứng thực tế với dữ liệu dung hợp đa cảm biến siêu âm và hồng ngoại.
• Đạt độ chính xác định vị trên 95% trong không gian thực nghiệm tiêu chuẩn 50 mét vuông.

Kế hoạch phát triển tiếp theo trong 12 tháng tới bao gồm việc tích hợp cảm biến quét laser quang học và nâng cấp thuật toán lập bản đồ 3 chiều trên các hệ thống nhúng hiệu năng cao. Để tìm hiểu sâu hơn về mã nguồn thuật toán và các thông số ma trận chi tiết, quý độc giả có thể liên hệ trực tiếp với tác giả hoặc bộ môn Kỹ thuật Phần mềm để nhận trọn bộ tài liệu thực nghiệm.