Giới thiệu dự án

Trong kỷ nguyên tự động hóa và robot di động (Mobile Robotics), các hệ thống xe tự hành hai bánh tự cân bằng (Two-Wheeled Self-Balancing Robot - TWSBR) đóng vai trò nền tảng trong nghiên cứu lý thuyết điều khiển tự động và phát triển các phương tiện giao thông cá nhân vi mô (Micro-mobility). Dựa trên nguyên lý con lắc ngược (Inverted Pendulum), hệ thống sở hữu cấu trúc phi tuyến mạnh, không ổn định vòng hở và thiếu cơ cấu chấp hành (Underactuated System). Mặc dù mô hình thương mại tiên phong như Segway PT đã chứng minh tính hữu dụng cao, chi phí sản xuất đắt đỏ từ các cảm biến quán tính chuyên dụng và bộ xử lý công nghiệp đã tạo ra rào cản lớn cho việc phổ biến trong giáo dục, nghiên cứu và ứng dụng công nghiệp nhẹ.

Đồ án tốt nghiệp "Robot hai bánh tự cân bằng sử dụng bộ điều khiển Fuzzy-PID" (thực hiện bởi nhóm tác giả Nguyễn Tấn An, Lê Minh Trí - Trường Đại học Sư phạm Kỹ thuật TP.HCM) giải quyết trực diện bài toán điều khiển bền vững hệ thống phi tuyến này bằng cách tích hợp thuật toán logic mờ (Fuzzy Logic) với bộ điều khiển vi tích phân tỉ lệ (Proportional-Integral-Derivative - PID) trên nền tảng vi điều khiển ARM Cortex-M4F giá thành thấp kết hợp cảm biến vi cơ điện tử (MEMS).

                  ┌──────────────────────────────┐
                  │   Góc nghiêng mong muốn      │
                  │        (θ_ref = 0°)          │
                  └──────────────┬───────────────┘
                                 │
                                 ▼
                     ┌───────────────────────┐
   ┌────────────────►│   Bộ trừ sai số (e)   │
   │                 └───────────┬───────────┘
   │                             │ e, de/dt
   │                             ▼
   │                 ┌───────────────────────┐
   │                 │ Bộ điều khiển         │
   │                 │ FUZZY - PID           │
   │                 │ (Tự chỉnh định Kp, Kd)│
   │                 └───────────┬───────────┘
   │                             │ Điện áp PWM (u)
   │                             ▼
   │                 ┌───────────────────────┐
   │                 │ Mạch công suất Cầu H  │
   │                 │ + Động cơ DC Geared   │
   │                 └───────────┬───────────┘
   │                             │ Moment lực (τ)
   │                             ▼
   │                 ┌───────────────────────┐
   │                 │ Khung cơ khí Robot    │
   │                 │ (Mô hình con lắc)     │
   │                 └───────────┬───────────┘
   │                             │ Góc nghiêng thực tế (θ)
   │                             ▼
   │                 ┌───────────────────────┐
   │                 │ Cảm biến GY-86        │
   │                 │ (MPU-6050 Accel/Gyro) │
   │                 └───────────┬───────────┘
   │                             │ Dữ liệu thô (I2C)
   │                             ▼
   │                 ┌───────────────────────┐
   └─────────────────┤  Bộ lọc Kalman rời rạc│
     Ước lượng θ, dθ └───────────────────────┘

Mục tiêu dự án

  1. Thiết kế và gia công cơ khí: Xây dựng khung robot 3 tầng bằng vật liệu mica với cơ cấu truyền động đai đồng bộ kết nối 2 động cơ DC 12V.
  2. Thu thập và lọc dữ liệu cảm biến: Xây dựng driver giao tiếp $I^2C$ tốc độ 400 kHz đọc dữ liệu từ IMU GY-86 (MPU-6050), áp dụng bộ lọc Kalman 1D để khử nhiễu gia tốc và trôi gyro (drift).
  3. Mô hình hóa và mô phỏng thuật toán: Thiết lập mô hình toán học hệ thống con lắc ngược hai bánh; xây dựng bộ điều khiển mờ lai Fuzzy-PID với luật suy luận Max-Min và giải mờ trọng tâm (Centroid) trên MATLAB/Simulink.
  4. Hiện thực hóa trên phần cứng nhúng: Lập trình nhúng toàn bộ giải thuật lọc Kalman và suy luận mờ trên vi điều khiển 32-bit ARM Cortex-M4F (Texas Instruments TM4C123G).
  5. Đánh giá thực nghiệm: Kiểm chứng độ ổn định động học, thời gian đáp ứng và khả năng kháng nhiễu ngoại vi trên mô hình thực.

Phạm vi và giới hạn

  • Hệ thống tập trung tối ưu hóa góc nghiêng thân xe (Pitch Angle Balancing) quanh điểm cân bằng thẳng đứng ($\theta = 0^\circ$).
  • Giới hạn góc nghiêng hoạt động ổn định: $\theta \in [-15^\circ, +15^\circ]$.
  • Tải trọng thử nghiệm: robot tự hành độc lập không người lái, trọng lượng bản thân dưới 3.5 kg.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Giải pháp Nbot (David Anderson) Balance Bot I (Sanghyuk - Hàn Quốc) Segway PT (Thương mại) Đề tài nghiên cứu (Fuzzy-PID)
Thuật toán điều khiển Không gian trạng thái (State-space LQR) LQR đa biến phân tán Phản hồi trạng thái nâng cao + DSP Fuzzy-PID tự chỉnh định
Phần cứng xử lý Vi điều khiển 8-bit đơn giản 3x Vi điều khiển Atmel AVR Mạch kép vi xử lý PC-grade 1x ARM Cortex-M4F (80 MHz)
Cảm biến góc Con quay cơ quang học Cảm biến Analog đa kênh 5x Silicon Gyroscope + Electrolyte GY-86 MEMS + Bộ lọc Kalman
Khả năng thích nghi Kém khi rời xa điểm làm việc Trung bình, nhạy cảm tham số Cao, chống rung chấn tốt Rất cao nhờ bảng luật mờ
Chi phí ước tính ~$150 (Tự chế thô sơ) ~$400 (Phần cứng cồng kềnh) >$3,000 (Thương mại cao cấp) <$85 (Tối ưu sản xuất)

Phân tích yêu cầu theo mô hình MoSCoW

  • Must have (Bắt buộc): Giữ cân bằng tĩnh tại vị trí thẳng đứng với sai số góc $|\theta| \le 0.5^\circ$; vòng quét điều khiển thời gian thực đạt tần số lấy mẫu $f_s = 100\text{ Hz}$ ($T_s = 10\text{ ms}$).
  • Should have (Nên có): Tự động hồi phục trạng thái cân bằng khi chịu xung lực tác động ngoại vi (xô đẩy nhẹ); lọc Kalman thời gian thực không làm trễ pha quá $5\text{ ms}$.
  • Could have (Có thể mở rộng): Nhận lệnh điều khiển di chuyển tiến/lùi, xoay hướng qua kết nối không dây Bluetooth/RF.
  • Won't have (Chưa thực hiện): Tích hợp cảm biến định vị tuyệt đối (Encoder/LIDAR) để bám quỹ đạo phức tạp hoặc tự động leo bậc thang dốc lớn.

Thiết kế hệ thống

Hệ thống được module hóa thành các khối chức năng chính nhằm giảm thiểu suy hao tín hiệu và đảm bảo tính cách ly công suất:

graph TD
    subgraph SENSING["Khối cảm biến & Đo lường"]
        GY86["GY-86 Module (MPU-6050)"] -->|I2C 400kHz| M4F["ARM Cortex-M4F TM4C123G"]
    end

    subgraph PROCESSING["Khối xử lý trung tâm (ARM Cortex-M4F @ 80MHz)"]
        M4F --> KALMAN["Bộ lọc Kalman 1D (State Estimation)"]
        KALMAN --> ERROR["Tính sai số e(t) & de(t)/dt"]
        ERROR --> FUZZY["Khâu mờ hóa & Max-Min Inference"]
        FUZZY --> DEFUZZ["Giải mờ Trọng tâm (Centroid)"]
        DEFUZZ --> PID["PID Parameter Adaptation (Kp, Kd)"]
        PID --> PWM_GEN["Bộ tạo xung PWM (Timer HW 20kHz)"]
    end

    subgraph ACTUATION["Khối công suất & Chấp hành"]
        PWM_GEN --> DRIVER["Driver Cầu H (MOSFET/L298N)"]
        DRIVER --> MOTOR["2x Động cơ DC 12V có hộp số"]
        MOTOR --> BELT["Bộ truyền đai tỉ số 1:2"]
        BELT --> WHEELS["Bánh xe cao su bám đường"]
    end

    subgraph POWER["Khối nguồn"]
        BATTERY["Pin Li-ion / Acquy 12V"] --> DRIVER
        BATTERY --> REG["IC Hạ áp Buck/LDO LD1085 (5V/3.3V)"]
        REG --> M4F
        REG --> GY86
    end

Ngăn xếp công nghệ (Technology Stack)

  • Vi điều khiển: Texas Instruments TM4C123GH6PM (ARM Cortex-M4F, core 80 MHz, 256 KB Flash, 32 KB SRAM, hỗ trợ phần cứng tính toán số thực FPU).
  • Môi trường lập trình: IAR Embedded Workbench for ARM v7.40, CMSIS Core v4.30.
  • Mô phỏng động học: MATLAB Simulink R2016a với Control System Toolbox và Fuzzy Logic Toolbox.
  • Chuẩn giao tiếp: $I^2C$ Master Fast-Mode ($400\text{ kbit/s}$), Timer Hardware PWM ($20\text{ kHz}$).
  • Nguồn điện: Module ổn áp tuyến tính LD1085 (Low Drop Voltage Regulator 5.0V/3A) cung cấp cho MCU và cảm biến, giảm gợn sóng điện áp $< 15\text{ mV}$.

Implementation và kết quả

Quy trình phát triển và thuật toán lõi

  Tuần 1 - 4: Khảo sát lý thuyết, thiết kế khung cơ khí & mạch nguồn LD1085
  Tuần 5 - 8: Xây dựng driver I2C, lập trình bộ lọc Kalman trên Cortex-M4F
  Tuần 9 - 12: Xây dựng mô hình Simulink, thiết kế tập mờ & mô phỏng Max-Min
  Tuần 13 - 16: Nhúng giải thuật thực tế, cân chỉnh online & nghiệm thu

1. Bộ lọc Kalman ước lượng góc nghiêng

Cảm biến MPU-6050 trả về vận tốc góc từ Gyroscope $\dot{\theta}{gyro}$ (bị trôi dạt theo thời gian) và góc nghiêng từ Accelerometer $\theta{acc}$ (chứa nhiễu động do rung chấn cơ khí). Bộ lọc Kalman tối ưu hóa trạng thái ước lượng $x_k = [\theta_k \quad \dot{\theta}_{bias,k}]^T$:

$$\hat{x}{k|k-1} = \begin{bmatrix} 1 & -\Delta t \ 0 & 1 \end{bmatrix} \hat{x}{k-1|k-1} + \begin{bmatrix} \Delta t \ 0 \end{bmatrix} \dot{\theta}_{gyro,k}$$

$$P_{k|k-1} = F_k P_{k-1|k-1} F_k^T + Q$$

$$K_k = P_{k|k-1} H^T (H P_{k|k-1} H^T + R)^{-1}$$

$$\hat{x}{k|k} = \hat{x}{k|k-1} + K_k \left( \theta_{acc,k} - H \hat{x}_{k|k-1} \right)$$

$$P_{k|k} = (I - K_k H) P_{k|k-1}$$

// Hiện thực hóa thuật toán Kalman Filter 1D trên ARM Cortex-M4F
typedef struct {
    float angle;      // Góc ước lượng (deg)
    float bias;       // Trôi góc con quay (deg/s)
    float rate;       // Vận tốc góc không lệch (deg/s)
    float P[2][2];    // Ma trận hiệp phương sai sai số
} Kalman_t;

Kalman_t Kalman_Pitch = {0.0f, 0.0f, 0.0f, {{0.0f, 0.0f}, {0.0f, 0.0f}}};
const float Q_angle = 0.001f;     // Phương sai nhiễu mô hình góc
const float Q_gyroBias = 0.003f;  // Phương sai nhiễu trôi gyro
const float R_measure = 0.03f;    // Phương sai nhiễu đo gia tốc kế

float Kalman_Update(Kalman_t *k, float newAngle, float newRate, float dt) {
    // Bước 1: Dự đoán trạng thái
    k->rate = newRate - k->bias;
    k->angle += dt * k->rate;

    // Bước 2: Dự đoán hiệp phương sai
    k->P[0][0] += dt * (dt * k->P[1][1] - k->P[0][1] - k->P[1][0] + Q_angle);
    k->P[0][1] -= dt * k->P[1][1];
    k->P[1][0] -= dt * k->P[1][1];
    k->P[1][1] += Q_gyroBias * dt;

    // Bước 3: Tính độ lợi Kalman (Kalman Gain)
    float S = k->P[0][0] + R_measure;
    float K[2];
    K[0] = k->P[0][0] / S;
    K[1] = k->P[1][0] / S;

    // Bước 4: Cập nhật trạng thái ước lượng với sai số đo
    float y = newAngle - k->angle;
    k->angle += K[0] * y;
    k->bias  += K[1] * y;

    // Bước 5: Cập nhật ma trận hiệp phương sai
    float P00_temp = k->P[0][0];
    float P01_temp = k->P[0][1];

    k->P[0][0] -= K[0] * P00_temp;
    k->P[0][1] -= K[0] * P01_temp;
    k->P[1][0] -= K[1] * P00_temp;
    k->P[1][1] -= K[1] * P01_temp;

    return k->angle;
}

2. Cấu trúc bộ điều khiển Fuzzy-PID

Bộ điều khiển nhận 2 tín hiệu ngõ vào: Sai số góc nghiêng $e(t) = \theta_{ref} - \theta(t)$ và đạo hàm sai số $\Delta e(t) = \dot{e}(t)$. Các biến ngôn ngữ đầu vào và đầu ra gồm 5 tập mờ: NB (Negative Big), NS (Negative Small), ZE (Zero), PS (Positive Small), PB (Positive Big).

         e(t) \ de/dt   |   NB   |   NS   |   ZE   |   PS   |   PB   |
        ----------------+--------+--------+--------+--------+--------+
              NB        |   PB   |   PB   |   PS   |   ZE   |   ZE   |
              NS        |   PB   |   PS   |   PS   |   ZE   |   NS   |
              ZE        |   PS   |   PS   |   ZE   |   NS   |   NS   |
              PS        |   PS   |   ZE   |   NS   |   NS   |   NB   |
              PB        |   ZE   |   ZE   |   NS   |   NB   |   NB   |
  • Hàm thuộc (Membership Functions): Sử dụng hàm tam giác (Triangular) và hình thang (Trapezoidal) trên miền xác định chuẩn hóa $[-1, 1]$.
  • Luật suy luận (Inference): Phương pháp tích cực tiểu Max-Min (Mamdani): $$\mu_{R_i}(u) = \min(\mu_{A_i}(e), \mu_{B_i}(\Delta e))$$
  • Giải mờ (Defuzzification): Phương pháp trọng tâm (Center of Gravity - COG): $$u_{fuzzy} = \frac{\sum_{i=1}^n \mu(u_i) \cdot u_i}{\sum_{i=1}^n \mu(u_i)}$$

Giá trị $u_{fuzzy}$ sẽ hiệu chỉnh hệ số $K_p, K_d$ tức thời: $$K_p(t) = K_{p,\min} + u_{fuzzy,P} \cdot (K_{p,\max} - K_{p,\min})$$ $$K_d(t) = K_{d,\min} + u_{fuzzy,D} \cdot (K_{d,\max} - K_{d,\min})$$

Kết quả thử nghiệm và kiểm chứng

Hệ thống được đo đạc thông qua giao thức UART gửi dữ liệu thời gian thực lên máy tính với chu kỳ $10\text{ ms}$:

     Đáp ứng góc nghiêng (Pitch Angle) khi có tác động lực (Impulse Disturbance)
  Angle (deg)
    +8 |          .-.
    +6 |         /   \  <-- PID cổ điển (Overshoot cao, dao động lâu)
    +4 |        /     \
    +2 |       /   /\  \     .-.
     0 +------/---/--\--\---/---\------------------- Điểm cân bằng mong muốn (0°)
    -2 |     /   /    \  '-'     \   _.-""""-._
    -4 |    /   /      '----------'-'          '-.
    -6 |   /   /  <-- FUZZY-PID (Xác lập nhanh, dập tắt dao động trong 0.8s)
       +--------------------------------------------------> Time (seconds)
       0.0    0.4    0.8    1.2    1.6    2.0    2.4
Chỉ số đánh giá Bộ điều khiển PID tiêu chuẩn Bộ điều khiển Fuzzy-PID (Đề tài) Mức độ cải thiện
Độ vọt lố (Overshoot - $M_p$) $24.6%$ ($7.2^\circ$) $6.1%$ ($1.8^\circ$) Giảm $75.2%$
Thời gian xác lập (Settling Time - $t_s$) $2.35\text{ s}$ $0.82\text{ s}$ Nhanh hơn $65.1%$
Sai số xác lập tĩnh ($e_{ss}$) $\pm 0.8^\circ$ $\pm 0.2^\circ$ Chính xác hơn $75.0%$
Tần số vòng lặp điều khiển $50\text{ Hz}$ ($20\text{ ms}$) $100\text{ Hz}$ ($10\text{ ms}$) Tăng $100%$ băng thông
Độ nhấp nhô tín hiệu điều khiển Lớn, gây nóng động cơ Mượt nhờ giải mờ trọng tâm Giảm $40%$ nhiệt độ MOSFET

Đổi mới và đóng góp kỹ thuật

  1. Thuật toán tự chỉnh định phi tuyến trên phần cứng giá rẻ: Thay vì sử dụng bảng tra cứu tĩnh (Look-up Table) hoặc vi xử lý đắt tiền, đề tài thực hiện tính toán luật hợp thành Max-Min mờ trực tiếp trong chu kỳ ngắt Timer $10\text{ ms}$ trên vi điều khiển ARM Cortex-M4F nhờ tận dụng đơn vị xử lý dấu phẩy động FPU.
  2. Khắc phục triệt để hiện tượng trôi pha quán tính: Việc kết hợp bộ lọc Kalman rời rạc với cảm biến quán tính 6 bậc tự do (6-DOF) GY-86 triệt tiêu hoàn toàn sai số tích phân từ vận tốc góc, cung cấp tín hiệu góc nghiêng với độ trễ $< 2\text{ ms}$.
  3. Mô hình hóa hoàn chỉnh cho mục đích giáo dục: Toàn bộ quá trình từ phương trình vi phân chuyển động Lagrange, mô hình mô phỏng Simulink đến mã nguồn nhúng C đều được cấu trúc rõ ràng, đóng vai trò như một bộ tài liệu tham khảo cho chuyên ngành Điều khiển - Tự động hóa.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng

  • Robot tự hành trong nhà kho thông minh (Automated Guided Vehicle - AGV): Kích thước bề ngang hẹp giúp robot dễ dàng xoay sở và chuyển hướng tại chỗ trong các hành lang hẹp ($< 0.6\text{ m}$) mà xe 4 bánh không làm được.
  • Xe lăn/Phương tiện cá nhân tự cân bằng: Nền tảng điều khiển có thể phóng to công suất để ứng dụng cho phương tiện vận chuyển cá nhân trong sân bay, bệnh viện, khu công nghiệp.
  • Robot tuần tra và giám sát: Tích hợp camera truyền hình ảnh không dây, đảm bảo góc quay ổn định ngay cả khi robot di chuyển qua mặt sàn mấp mô.
                  Lộ trình thương mại hóa và mở rộng sản phẩm
  [ Quý 1 ] ──► Hoàn thiện mạch tích hợp PCB 4 lớp chuẩn công nghiệp
  [ Quý 2 ] ──► Tích hợp Encoder quang học 1024 xung để điều khiển vị trí
  [ Quý 3 ] ──► Bổ sung cảm biến LIDAR 2D phục vụ điều hướng SLAM
  [ Quý 4 ] ──► Sản xuất thử nghiệm Pilot 50 kit phục vụ giảng dạy đại học

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Thiếu vòng lặp phản hồi vị trí (Position Loop): Hệ thống chỉ tập trung ổn định góc nghiêng $\theta$, chưa có cảm biến Encoder đo vận tốc bánh xe nên khi gặp lực đẩy duy trì liên tục, robot sẽ trôi tịnh tiến để duy trì thăng bằng.
  • Vùng chết động cơ (Deadband Non-linearity): Hộp giảm tốc và ma sát cơ khí tạo ra vùng trễ nhỏ khi đảo chiều quay của động cơ DC.

Hướng phát triển

  1. Bổ sung bộ điều khiển tầng (Cascade Control): Vòng trong cân bằng góc (Fuzzy-PID), vòng ngoài kiểm soát vị trí và vận tốc xe (PI Encoder Feedback).
  2. Ứng dụng mạng nơ-ron mờ thích nghi (ANFIS) để tự động học các trọng số luật mờ dựa trên dữ liệu vận hành thực tế.
  3. Nâng cấp chip xử lý lên dòng STM32F4/ESP32-S3 tích hợp WiFi/BLE cho phép cấu hình tham số mờ qua giao diện Web Dashboard.

Đối tượng hưởng lợi

  • Sinh viên ngành Tự động hóa & Cơ điện tử: Cung cấp tài liệu thực hành hoàn chỉnh từ toán học lý thuyết (Lagrange, Kalman, Fuzzy) đến thi công mạch và lập trình vi điều khiển ARM.
  • Kỹ sư phát triển nhúng (Embedded Developers): Mẫu mã nguồn C tối ưu hóa tính toán số thực, kỹ thuật giao tiếp $I^2C$ tốc độ cao và kiến trúc ngắt điều khiển thời gian thực.
  • Doanh nghiệp phát triển Robot dịch vụ: Giải pháp thiết kế tối ưu hóa BOM (Bill of Materials), giảm giá thành sản xuất khung gầm tự cân bằng xuống dưới $100.
  • Các nhà nghiên cứu: Dữ liệu thực nghiệm phong phú làm cơ sở so sánh với các phương pháp điều khiển hiện đại khác như Trượt (Sliding Mode Control) hay L1 Adaptive Control.

Câu hỏi thường gặp

1. Yêu cầu phần cứng tối thiểu để triển khai giải pháp này là gì?

Hệ thống yêu cầu tối thiểu một vi điều khiển có xung nhịp $\ge 72\text{ MHz}$ hỗ trợ tính toán số thực 32-bit (như ARM Cortex-M4F TM4C123G hoặc STM32F4), cảm biến 6-DOF IMU MPU-6050 kết nối $I^2C$, mạch công suất cầu H có dòng liên tục $\ge 3\text{ A}$ và động cơ DC có gắn hộp giảm tốc tỉ số truyền $\ge 1:30$.

2. Tại sao cần kết hợp Fuzzy với PID thay vì sử dụng PID độc lập?

Bộ điều khiển PID kinh điển với các tham số cố định $K_p, K_i, K_d$ chỉ làm việc tối ưu tại một điểm cân bằng tuyến tính hóa duy nhất. Khi góc nghiêng lệch lớn hoặc có ngoại lực xô đẩy, tính phi tuyến xuất hiện làm hệ thống mất ổn định. Fuzzy Logic đóng vai trò bộ điều chỉnh thích nghi, tự động tăng $K_p$ khi sai số lớn và tăng $K_d$ khi tốc độ biến thiên nhanh, giúp dập tắt dao động hiệu quả.

3. Bộ lọc Kalman đóng vai trò gì so với bộ lọc bù (Complementary Filter)?

Bộ lọc bù phân chia tần số cố định bằng bộ lọc thông cao và thông thấp dạng tĩnh. Trong khi đó, bộ lọc Kalman ước lượng trạng thái ngẫu nhiên tối ưu dựa trên ma trận hiệp phương sai sai số, tự động điều chỉnh độ lợi $K$ theo mức độ nhiễu thực tế, giúp loại bỏ nhiễu rung động cơ mà không gây trễ pha tín hiệu.

4. Quy trình hiệu chuẩn cảm biến IMU GY-86 diễn ra như thế nào?

Khi khởi động, robot phải đứng yên trong 2 giây đầu tiên để vi điều khiển đọc 500 mẫu dữ liệu từ MPU-6050, tính toán giá trị trung bình độ trôi (Zero-rate offset bias) của Gyroscope và trừ trực tiếp giá trị này trong các chu kỳ quét tiếp theo.

5. Chi phí gia công và thời gian hoàn vốn (ROI) khi thương mại hóa?

Tổng chi phí linh kiện phần cứng (BOM) khoảng 1.800.000 VNĐ (~$80 USD). Khi ứng dụng trong các bộ kit thực hành tại các trường đại học hoặc robot AGV nhà kho nhỏ, thời gian thu hồi vốn ước tính dưới 6 tháng so với việc nhập khẩu các thiết bị chuyên dụng đắt tiền từ nước ngoài.

Kết luận

Đồ án "Robot hai bánh tự cân bằng sử dụng bộ điều khiển Fuzzy-PID" đã giải quyết thành công bài toán giữ thăng bằng cho một hệ thống phi tuyến phức tạp bằng sự kết hợp chặt chẽ giữa lý thuyết điều khiển hiện đại và kỹ thuật nhúng tiên tiến. Bằng việc ứng dụng vi điều khiển ARM Cortex-M4F cùng cảm biến MEMS GY-86 và giải thuật lọc Kalman, đề tài không chỉ đạt được các chỉ tiêu kỹ thuật vượt trội (giảm $75%$ độ vọt lố, thời gian xác lập dưới $0.9\text{ s}$) mà còn mở ra hướng tiếp cận khả thi, chi phí thấp cho các ứng dụng robot di động tự hành trong thực tiễn.