Bối cảnh và vấn đề nghiên cứu
Khóa luận tốt nghiệp "Robot hai bánh tự cân bằng sử dụng bộ điều khiển Fuzzy PID" được thực hiện bởi sinh viên Nguyễn Tấn An và Lê Minh Trí, dưới sự hướng dẫn của ThS. Nguyễn Trần Minh Nguyệt tại Khoa Đào tạo Chất lượng cao, Trường Đại học Sư phạm Kỹ thuật TP.HCM (ngành Công nghệ Kỹ thuật Điều khiển - Tự động hóa, hoàn thành vào tháng 7 năm 2016).
Về bối cảnh thực tiễn, robot hai bánh tự cân bằng là mô hình tương đương với con lắc ngược – một đối tượng điều khiển có tính phi tuyến cao, bậc cao và vốn không tự ổn định. Trong thực tế, các phương tiện di chuyển tự cân bằng thương mại như Segway (do kỹ sư Dean Kamen phát minh năm 2001) đã chứng minh tính hiệu quả và linh hoạt trong không gian hẹp. Tuy nhiên, các hệ thống thương mại này sử dụng hệ cảm biến chuyên dụng với chi phí rất cao và cơ cấu cơ khí phức tạp. Do đó, nhu cầu nghiên cứu một mô hình phần cứng tinh gọn, kết hợp các cảm biến quán tính chi phí thấp với bộ vi điều khiển số hiện đại và thuật toán điều khiển thích nghi để giữ thăng bằng ổn định là bài toán kỹ thuật có ý nghĩa thực tiễn và học thuật rõ nét.
Mục tiêu chính của đề tài là thiết kế, chế tạo mô hình robot hai bánh tự cân bằng và xây dựng bộ điều khiển lai Fuzzy-PID (áp dụng luật suy luận Max-Min) nhằm ổn định đối tượng phi tuyến này sau khi chịu tác động từ môi trường. Thuật toán được kiểm nghiệm qua mô phỏng trên MATLAB/Simulink và thực thi trên phần cứng nhúng sử dụng vi điều khiển ARM Cortex-M4F.
Trong phạm vi và giới hạn 16 tuần thực hiện, tác giả xác định 07 nhiệm vụ nghiên cứu cụ thể:
- Thi công hệ thống robot hai bánh tự cân bằng hoàn chỉnh về cơ khí và phần cứng.
- Nghiên cứu kiến trúc và tập lệnh của vi điều khiển ARM Cortex-M4 (kit Tiva C).
- Nghiên cứu lập trình ngôn ngữ C cho ARM Cortex-M4 trong môi trường IAR Embedded Workbench.
- Nghiên cứu, thiết kế và thi công mạch điều khiển trung tâm và mạch công suất.
- Thiết kế và mô phỏng thuật toán điều khiển Fuzzy-PID trên phần mềm MATLAB/Simulink.
- Thu thập dữ liệu mô phỏng để đánh giá đáp ứng động học và tính ổn định của hệ thống.
- Chạy thực nghiệm trên phần cứng, phân tích đáp ứng thực tế và đối sánh với kết quả mô phỏng.
Cơ sở lý thuyết và phương pháp
Đề tài áp dụng các nền tảng lý thuyết điều khiển tự động, lý thuyết tập mờ và xử lý tín hiệu số:
- Lý thuyết con lắc ngược và động học xe tự cân bằng: Thân robot đóng vai trò như thanh quay của con lắc ngược quay quanh trục động cơ hai bánh xe. Khác với xe 3 bánh hay 4 bánh (thăng bằng nhờ đa giác chân đế), xe hai bánh đồng trục giữ thăng bằng bằng cách liên tục điều khiển động cơ di chuyển bánh xe về phía chiều nghiêng của thân xe, duy trì góc nghiêng quanh điểm cân bằng ($0^\circ$).
- Lý thuyết điều khiển PID kinh điển: Phân tích tác động của các khâu Tỉ lệ ($K_P$), Tích phân ($K_I$) và Vi phân ($K_D$) theo miền thời gian và hàm truyền $G_{PID}(s) = K_P + \frac{K_I}{s} + K_D s$, kết hợp phương pháp hiệu chỉnh Ziegler-Nichols dựa trên hệ số khuếch đại tới hạn $K_u$ và chu kỳ dao động tới hạn $P_u$.
- Lý thuyết điều khiển mờ (Fuzzy Logic Control): Định nghĩa tập mờ, các dạng hàm thuộc (Gaussian, Pi-shape, S-shape, Sigmoidal, Z-shape), các phép toán tập mờ (giao Min/Prod, hợp Max/Sum, bù), hệ quy tắc mờ (Mamdani, Sugeno), luật suy luận Max-Min và các phương pháp giải mờ (phương pháp Cực đại, phương pháp Trọng tâm).
- Bộ lọc Kalman tuyến tính rời rạc: Sử dụng thuật toán ước lượng trạng thái ngẫu nhiên 2 giai đoạn (Dự đoán - Cập nhật) để triệt tiêu nhiễu đo và hiện tượng trôi (drift), dung hợp dữ liệu góc nghiêng từ gia tốc kế và vận tốc góc từ con quay hồi chuyển trên cảm biến quán tính.
- Chuẩn giao tiếp I2C: Cơ chế truyền thông nối tiếp 2 dây (SDA, SCL) chế độ Master-Slave, địa chỉ 7-bit, tốc độ chuẩn 100 kbps, các điều kiện START/STOP và cơ chế phản hồi bit ACK/NACK.
Phương pháp nghiên cứu bao gồm:
- Phương pháp mô hình hóa toán học đối tượng phi tuyến.
- Phương pháp mô phỏng số trên MATLAB/Simulink để kiểm chứng bộ điều khiển.
- Phương pháp thực nghiệm phần cứng: chế tạo khung mica 3 tầng, thiết kế mạch nguồn xung, mạch cầu H điều khiển động cơ DC, lập trình nhúng trên ARM Cortex-M4F và thu thập dữ liệu phản hồi từ cảm biến GY-86 (MPU6050).
Thiết kế và triển khai hệ thống
Hệ thống kỹ thuật được cấu thành từ 3 phân hệ chính: cơ khí, phần cứng điện tử và giải thuật điều khiển nhúng.
1. Cấu trúc phần cứng và cơ khí
- Khung vỏ cơ khí: Kết cấu 3 tầng bằng bản lề mica cách điện, hai bánh xe đặt song song đồng trục, kết nối với 2 động cơ DC 12V thông qua bộ truyền động đai.
- Khối xử lý trung tâm: Vi điều khiển Tiva C Series (ARM Cortex-M4F của Texas Instruments), chịu trách nhiệm đọc dữ liệu cảm biến qua I2C, tính toán bộ lọc Kalman, thực thi luật mờ Fuzzy-PID và xuất xung PWM điều khiển động cơ.
- Khối cảm biến quán tính: Module GY-86 chứa cảm biến MPU6050 (tích hợp con quay hồi chuyển 3 trục Gyroscope và gia tốc kế 3 trục Accelerometer 16-bit).
- Khối công suất và mạch nguồn: Mạch công suất cầu H (H-bridge driver) nhận tín hiệu PWM để điều khiển chiều và tốc độ động cơ DC; mạch nguồn hạ áp sử dụng IC LD1085 tạo nguồn 5V ổn định cho vi điều khiển từ pack pin nguồn chính 12V.
2. Thuật toán xử lý tín hiệu và tính toán góc nghiêng
Dữ liệu thô 16-bit từ MPU6050 được chuyển đổi theo các công thức:
- Vận tốc góc: $\text{gyroRate} = \frac{\text{gyroRead}}{\text{LSB Sensitivity}}$
- Tích phân góc con quay hồi chuyển: $\text{gyroAngle}k = \text{gyroAngle}{k-1} + \text{gyroRate}_k \cdot \Delta t$
- Góc nghiêng từ gia tốc kế:
$$\text{Roll} = \text{atan2}(\text{accY}, \text{accZ}) \cdot \frac{180}{\pi}$$
$$\text{Pitch} = \text{atan}\left(\frac{-\text{accX}}{\sqrt{\text{accY}^2 + \text{accZ}^2}}\right) \cdot \frac{180}{\pi}$$
Thuật toán Kalman kết hợp hai đại lượng này qua các ma trận hiệp phương sai sai số $P$, ma trận nhiễu hệ thống $Q$ và ma trận nhiễu đo $R$ nhằm tính toán độ lợi Kalman $K_k$, đưa ra giá trị ước lượng góc nghiêng $\hat{x}_{k|k}$ sát với thực tế nhất.
3. Cấu trúc bộ điều khiển Fuzzy-PID
Bộ điều khiển sử dụng sai số góc nghiêng $e(t)$ và đạo hàm sai số $\dot{e}(t)$ làm hai biến ngôn ngữ đầu vào. Cấu trúc bộ điều khiển dùng logic mờ để hiệu chỉnh động các hệ số $K_P', K_I', K_D'$ đưa về dạng chuẩn hóa trong phạm vi giá trị cực tiểu và cực đại:
$$K_P' = \frac{K_P - K_{P\min}}{K_{P\max} - K_{P\min}}, \quad K_I' = \frac{K_I - K_{I\min}}{K_{I\max} - K_{I\min}}, \quad K_D' = \frac{K_D - K_{D\min}}{K_{D\max} - K_{D\min}}$$
Nội dung chính theo từng chương
Chương 1: Tổng quan
Chương 1 trình bày lịch sử phát triển của các hệ thống tự cân bằng và tổng quan các công trình nghiên cứu tiêu biểu trên thế giới. Tác giả phân tích ưu, nhược điểm của các giải pháp trước đó:
- Nbot (David P. Anderson): Sử dụng không gian trạng thái tuyến tính hóa với luật điều khiển $U = K_1\theta + K_2\dot{\theta} + K_3 x + K_4\dot{x}$. Hạn chế: khi xe lệch xa điểm làm việc, các ma trận trạng thái phải tính toán lại, đòi hỏi năng lực vi xử lý cao.
- Two-wheeled inverted pendulum (FPGA): Bộ điều khiển mờ nhúng trên chip FPGA cho tốc độ xử lý nhanh nhưng giá thành đắt và phụ thuộc hoàn toàn vào tập luật kinh nghiệm cố định.
- Balance bot I (Sanghyuk, Hàn Quốc): Khung nhôm cao 50 cm, sử dụng bộ điều khiển LQR và phân bổ xử lý trên 3 vi điều khiển Atmel. Hạn chế là xử lý tuyến tính hóa cục bộ.
- Segway (Dean Kamen, 2001): Hệ thống thương mại hoàn chỉnh với 5 cảm biến con quay hồi chuyển, 2 cảm biến nghiêng dung dịch điện phân, 10 bộ vi xử lý (tần số quét cảm biến 100 lần/giây), pin Ni-MH, vận tốc tối đa 20 km/h, quãng đường 28 km/lần sạc, tải trọng 110 kg người lái và 34 kg hàng hóa.
- Scooter HTV (Camosun College, Canada - 2004): Sử dụng cảm biến con quay hồi chuyển ADXR150EB kết hợp gia tốc kế MMA2260D và bộ điều khiển Fuzzy Logic.
Dưới đây là bảng tổng hợp so sánh các hệ thống tự cân bằng được tác giả phân tích trong chương:
| Hệ thống |
Cảm biến chính |
Nền tảng điều khiển |
Thuật toán điều khiển |
Đặc điểm & Hạn chế |
| Nbot |
Con quay hồi chuyển & Encoder |
Vi xử lý chuyên dụng |
Không gian trạng thái ($U = \sum K_i x_i$) |
Tuyến tính hóa quanh điểm cân bằng; sai số lớn khi lệch xa |
| Two-wheeled Inverted Pendulum |
Con quay hồi chuyển |
Chip FPGA |
Fuzzy Logic thuần túy |
Tốc độ đáp ứng cao; giá thành đắt, cấu hình cứng |
| Balance bot I |
Con quay hồi chuyển & Cảm biến Analog |
03 Vi điều khiển Atmel |
Bộ điều khiển LQR |
Khung nhôm 50 cm; cần bộ xử lý mạnh khi tính toán ma trận |
| Segway |
05 Gyro + 02 Cảm biến dung dịch |
10 Bảng mạch vi xử lý |
Drive-by-wire đa vi xử lý |
Tốc độ 20 km/h; độ tin cậy rất cao nhưng chi phí rất đắt |
| Scooter HTV |
Gyro ADXR150EB + Gia tốc kế MMA2260D |
Vi điều khiển |
Fuzzy Logic |
Sử dụng linh kiện Analog; lọc nhiễu tĩnh và động |
| Mô hình đề tài |
Module GY-86 (MPU6050) |
ARM Cortex-M4F (Tiva C) |
Fuzzy-PID kết hợp lọc Kalman |
Tối ưu chi phí, phần cứng linh hoạt, tự chỉnh định thông số |
Chương 1 cũng thiết lập mục tiêu, giới hạn 16 tuần và sơ đồ phương pháp nghiên cứu của đề tài.
Chương 2: Cơ sở lý thuyết
Chương 2 cung cấp toàn bộ nền tảng lý thuyết phục vụ thiết kế:
- Nguyên lý thăng bằng: So sánh trạng thái vận hành của xe 2 bánh với xe 3 bánh và 4 bánh. Xe 3 bánh khi leo dốc hoặc xuống dốc dễ bị dồn trọng tâm về bánh đuôi hoặc bánh trước, làm mất độ bám và dễ lật úp ở độ dốc $15^\circ - 20^\circ$. Ngược lại, xe 2 bánh tự cân bằng tự động nghiêng thân để giữ trọng tâm luôn nằm trên trục hai bánh xe dẫn động, giúp di chuyển an toàn trên địa hình nghiêng và gồ ghề.
- Thuật toán PID và phương pháp Ziegler-Nichols: Phân tích chi tiết phương pháp xác định tham số theo đáp ứng quá độ thực nghiệm:
| Dạng điều khiển |
Hệ số tỉ lệ ($K_P$) |
Thời gian tích phân ($T_i$) |
Thời gian vi phân ($T_d$) |
| P |
$0.5 K_u$ |
$-$ |
$-$ |
| PI |
$0.45 K_u$ |
$\frac{P_u}{1.2}$ |
$-$ |
| PID |
$0.6 K_u$ |
$0.5 P_u$ |
$0.125 P_u$ |
(Ghi chú: Theo bảng chuyển đổi của tài liệu, $K_P = K_u / 1.7$, $T_i = P_u / 2$, $T_d = P_u / 8$).
- Lý thuyết mờ và cấu trúc Fuzzy-PID: Trình bày chi tiết toán học tập mờ, các phép hợp thành (Max-Min, Max-Prod, Sum-Min, Sum-Prod), cấu trúc bộ điều khiển mờ (Mờ hóa $\rightarrow$ Luật hợp thành $\rightarrow$ Giải mờ). Phân tích cấu trúc lai Fuzzy-PID giúp khắc phục nhược điểm thiếu nguyên tắc chuẩn mực trong chỉnh định của bộ mờ thuần túy và tính phi tuyến của hệ thống.
- Giao tiếp I2C và Cảm biến GY-86: Trình bày chi tiết cấu trúc bus 2 dây, giản đồ xung START/STOP, truyền nhận 8-bit dữ liệu kèm xung ACK thứ 9, định dạng địa chỉ 7-bit kèm bit R/W ($0$: Ghi, $1$: Đọc).
- Bộ lọc Kalman và xử lý tín hiệu MPU6050: Thiết lập hệ phương trình trạng thái tuyến tính ngẫu nhiên:
$$x_k = F_k x_{k-1} + B_k u_k + w_k$$
$$z_k = H_k x_k + v_k$$
Cùng chu trình 7 phương trình dự đoán và cập nhật để triệt tiêu nhiễu đo $v_k \sim \mathcal{N}(0, R_k)$ và nhiễu hệ thống $w_k \sim \mathcal{N}(0, Q_k)$.
Chương 3: Thiết kế bộ điều khiển
Chương 3 tập trung mô hình hóa toán học và thiết kế bộ điều khiển Fuzzy-PID cho robot:
- Mô hình hóa hệ thống con lắc ngược: Xây dựng phương trình vi phân mô tả chuyển động của thân xe và hai bánh xe, biểu diễn mối liên hệ giữa mô-men động cơ, lực đẩy bánh xe và góc lệch con lắc.
- Thiết kế khối mờ:
- Biến ngôn ngữ đầu vào: Sai số góc $e$ (Error) và Đạo hàm sai số $\dot{e}$ (Derivative of Error).
- Tập giá trị ngôn ngữ: Bao gồm các mức như Âm lớn (NB), Âm nhỏ (NS), Không (ZE), Dương nhỏ (PS), Dương lớn (PB) hoặc Âm (NE), Không (ZE), Dương (PO).
- Thiết lập bảng luật suy luận mờ (Bảng 3.1) theo nguyên lý Max-Min và giải mờ bằng phương pháp trọng tâm (Centroid).
- Mô phỏng trên MATLAB/Simulink: Khảo sát và đối chiếu đáp ứng đầu ra của hệ thống dưới 4 cấu hình:
- Chỉ sử dụng khâu tỉ lệ $K_P$.
- Sử dụng hệ số $K_P$ kết hợp bộ mờ (Fuzzy).
- Sử dụng bộ điều khiển vi tích phân tỉ lệ PD kinh điển.
- Sử dụng bộ điều khiển PD kết hợp Fuzzy (PD-Fuzzy).
- Kết quả mô phỏng cho thấy bộ điều khiển kết hợp Fuzzy-PID (hoặc PD-Fuzzy) làm giảm độ quá điều chỉnh, rút ngắn thời gian xác lập và duy trì góc nghiêng ổn định tốt hơn đáng kể so với các bộ điều khiển kinh điển khi có tín hiệu tác động đầu vào.
Chương 4: Thi công thực nghiệm
Chương 4 trình bày việc hiện thực hóa mô hình thực tế:
- Xây dựng lưu đồ giải thuật điều khiển hệ thống, từ khâu khởi tạo ngoại vi, đọc dữ liệu I2C từ GY-86, đưa qua bộ lọc Kalman, tính toán sai số, định thời ngắt, thực thi giải thuật Fuzzy-PID và xuất tín hiệu PWM điều khiển mạch cầu H.
- Lựa chọn linh kiện và nguồn: Sử dụng 02 động cơ DC 12V truyền động đai, pack pin nguồn 12V, mạch nguồn hạ áp LD1085 cấp nguồn 5V ổn định cho kit ARM Cortex-M4F.
- Kết nối phần cứng và kiểm nghiệm thực nghiệm: Đấu nối cảm biến MPU6050 với vi điều khiển qua bus I2C, lắp ráp kết cấu cơ khí 3 tầng hoàn chỉnh và tiến hành thực nghiệm cân bằng tĩnh và động.
Kết quả và đóng góp
1. Kết quả chính đạt được
- Chế tạo thành công mô hình phần cứng: Hoàn thiện mô hình robot 2 bánh tự cân bằng 3 tầng bằng mica, kết nối cơ khí chắc chắn qua bộ truyền động đai, tích hợp đầy đủ mạch nguồn LD1085, mạch công suất cầu H và kit vi điều khiển ARM Cortex-M4F.
- Ứng dụng thành công bộ lọc Kalman: Đọc và xử lý thành công tín hiệu thô từ cảm biến quán tính GY-86 qua giao tiếp I2C, lọc bỏ nhiễu rung cơ khí và bù sai số trôi của con quay hồi chuyển, cung cấp góc nghiêng chính xác cho vi điều khiển.
- Thiết kế và mô phỏng hoàn chỉnh bộ điều khiển Fuzzy-PID: Xây dựng thành công tập luật mờ Max-Min và kiểm chứng trên MATLAB/Simulink, chứng minh đáp ứng vượt trội của bộ điều khiển mờ lai so với bộ PID/PD truyền thống về độ vọt lố và thời gian đáp ứng.
- Thực thi thuật toán nhúng: Biên dịch và nạp thành công chương trình điều khiển viết bằng C trên IAR Embedded Workbench xuống vi điều khiển ARM Cortex-M4F, điều khiển robot giữ thăng bằng tại chỗ trong thực nghiệm.
2. Giải pháp và kiến nghị của tác giả
- Sử dụng vi điều khiển ARM Cortex-M4F kết hợp cảm biến quán tính giá rẻ (GY-86/MPU6050) thay thế cho các cảm biến đắt tiền, mở ra hướng ứng dụng thương mại hóa các phương tiện cá nhân và robot phục vụ với giá thành thấp.
- Ứng dụng nguyên lý cân bằng 2 bánh cho các phương tiện vận chuyển nội bộ trong không gian hẹp (chung cư, văn phòng, nhà kho) hoặc làm bệ di chuyển cho robot dẫn đường, robot gắn camera.
3. Đóng góp của đề tài
- Làm chủ quy trình thiết kế, mô hình hóa và chế tạo hệ thống robot tự cân bằng từ lý thuyết con lắc ngược đến mô hình thực nghiệm.
- Xây dựng tài liệu kỹ thuật chi tiết về cách ứng dụng bộ lọc Kalman trong xử lý tín hiệu IMU qua giao tiếp I2C và giải thuật mờ Fuzzy-PID nhúng trên dòng vi điều khiển 32-bit ARM Cortex-M4F.
Hạn chế và hướng nghiên cứu tiếp
1. Hạn chế của đề tài
- Hệ thống cơ khí chế tạo thủ công bằng vật liệu mica nên độ chính xác cơ khí chưa thật sự hoàn hảo, vẫn tồn tại độ rơ nhất định ở bộ truyền đai và rung động khi động cơ đảo chiều nhanh.
- Tập luật mờ và các thông số bộ điều khiển Fuzzy-PID chủ yếu dựa trên kinh nghiệm và chỉnh định thực nghiệm, chưa có thuật toán tự tối ưu hóa thông số trực tuyến theo thời gian thực.
- Khả năng vận hành thực nghiệm mới dừng lại ở mức cân bằng cơ bản trên mặt phẳng, chưa được kiểm nghiệm trong điều kiện tải trọng thay đổi liên tục hoặc chịu xung lực va đập mạnh từ bên ngoài.
2. Hướng nghiên cứu tiếp
- Nâng cấp kết cấu cơ khí bằng vật liệu kim loại chịu lực cao hơn và gia công chính xác để giảm rung chấn cơ học.
- Nghiên cứu cơ cấu bánh xe và giải thuật nâng cao để giải quyết bài toán di chuyển vượt chướng ngại vật và leo bậc thang (khắc phục nhược điểm không thể leo bậc thang có chiều cao lớn hơn 1/2 bán kính bánh xe).
- Tích hợp thêm các cảm biến môi trường (camera, cảm biến siêu âm, laser dò đường) để phát triển thành robot tự hành, tránh vật cản và bám quỹ đạo phục vụ vận chuyển hàng hóa tự động trong nhà xưởng và văn phòng.
Giá trị tham khảo
Khóa luận là tài liệu tham khảo hữu ích cho sinh viên, giảng viên và kỹ sư thuộc các chuyên ngành:
- Kỹ thuật Điều khiển và Tự động hóa: Tham khảo phương pháp mô hình hóa hệ thống con lắc ngược phi tuyến, kỹ thuật thiết kế bộ điều khiển Fuzzy-PID trên MATLAB/Simulink và cách chỉnh định tham số.
- Kỹ thuật Cơ điện tử & Robot: Tham khảo quy trình thiết kế kết cấu cơ khí robot tự cân bằng, tính toán động cơ, bộ truyền đai và bố trí trọng tâm thân xe.
- Kỹ thuật Máy tính & Hệ thống nhúng: Tham khảo chi tiết thuật toán xử lý dữ liệu cảm biến quán tính (MPU6050), giải thuật bộ lọc Kalman rời rạc, giao tiếp I2C cấp thanh ghi và lập trình nhúng trên dòng vi điều khiển ARM Cortex-M4F bằng IAR Workbench.
Câu hỏi thường gặp
1. Tại sao nhóm tác giả lại lựa chọn vi điều khiển ARM Cortex-M4F thay vì các dòng vi điều khiển 8-bit phổ thông?
Vi điều khiển ARM Cortex-M4F (kit Tiva C) sở hữu lõi xử lý 32-bit tốc độ cao, tích hợp đơn vị tính toán dấu chấm động phần cứng (FPU - Floating Point Unit). Điều này cho phép thực thi các phép tính ma trận phức tạp của bộ lọc Kalman và giải thuật suy luận mờ Fuzzy-PID với chu kỳ lấy mẫu rất nhỏ, đáp ứng thời gian thực nhanh chóng mà các vi điều khiển 8-bit (như PIC, 8051 hay AVR cơ bản) khó đáp ứng kịp thời. Ngoài ra, Cortex-M4F có giá thành rẻ và tính linh hoạt cao khi thương mại hóa.
2. Vai trò cốt lõi của bộ lọc Kalman trong việc xử lý tín hiệu cảm biến MPU6050 là gì?
Khi robot hoạt động, gia tốc kế (Accelerometer) cho góc nghiêng tĩnh chính xác nhưng rất nhạy và bị nhiễu lớn bởi rung động cơ khí của động cơ; ngược lại, con quay hồi chuyển (Gyroscope) đo vận tốc góc rất nhạy và mượt ở các biến thiên nhanh nhưng khi tích phân lấy góc lại bị hiện tượng trôi (drift) tích lũy sai số theo thời gian. Bộ lọc Kalman đóng vai trò dung hợp dữ liệu từ cả hai cảm biến, loại bỏ nhiễu ngẫu nhiên Gauss và bù trôi, đưa ra ước lượng góc nghiêng thực chính xác và ổn định cho hệ thống.
3. Cấu trúc bộ điều khiển Fuzzy-PID trong khóa luận hoạt động theo nguyên lý nào?
Bộ điều khiển Fuzzy-PID là sự kết hợp giữa thuật toán PID kinh điển và logic mờ. Thay vì giữ cố định các hệ số $K_P, K_I, K_D$, khối logic mờ nhận tín hiệu sai số góc nghiêng $e(t)$ và đạo hàm sai số $\dot{e}(t)$, sau đó áp dụng hệ quy tắc mờ (luật suy luận Max-Min) và giải mờ theo phương pháp trọng tâm để liên tục tự động điều chỉnh tối ưu các hệ số $K_P, K_I, K_D$ theo từng trạng thái dao động của thân xe.
4. Tại sao xe hai bánh tự cân bằng lại có khả năng chống lật tốt hơn xe ba bánh trên địa hình dốc?
Đối với xe 3 bánh, khi lên hoặc xuống dốc, trọng tâm xe bị dồn cố định về phía sau hoặc phía trước mặt chân đế; nếu độ dốc đạt khoảng $15^\circ - 20^\circ$, trọng tâm rơi ra ngoài vùng đỡ của các bánh xe khiến xe bị mất lực bám và lật úp. Ngược lại, xe hai bánh tự cân bằng có trục bánh xe trùng nhau, khi lên dốc xe tự động nghiêng thân về phía trước và khi xuống dốc tự động nghiêng ra sau, giữ cho trọng tâm toàn phần luôn dồn đúng vào trục của hai bánh dẫn động chính, do đó không xảy ra hiện tượng rơi trọng tâm ra khỏi chân đế đỡ.
Kết luận
Đồ án tốt nghiệp của sinh viên Nguyễn Tấn An và Lê Minh Trí đã hoàn thành trọn vẹn mục tiêu thiết kế và hiện thực hóa mô hình robot hai bánh tự cân bằng sử dụng bộ điều khiển lai Fuzzy-PID trên nền tảng vi điều khiển ARM Cortex-M4F. Bằng việc kết hợp thành công bộ lọc Kalman để xử lý tín hiệu cảm biến MPU6050 giá rẻ và thuật toán suy luận mờ Max-Min, hệ thống đã kiểm soát ổn định trạng thái thăng bằng của con lắc ngược phi tuyến. Công trình là tài liệu kỹ thuật có giá trị thực tiễn cao, đóng góp một phương án thiết kế phần cứng và giải thuật điều khiển nhúng tin cậy, làm cơ sở để phát triển các phương tiện di chuyển thông minh và robot phục vụ trong tương lai.
