Luận Văn Thạc Sĩ Về Robot Tự Hành Sử Dụng Cảm Biến Laser 2D

Khám phá luận văn thạc sĩ về robot tự hành sử dụng cảm biến laser 2D, ứng dụng công nghệ tiên tiến trong tự động hóa và điều khiển.

• Tác giả: Châu Quang Hải
• Người hướng dẫn: TS. Ngô Văn Thuyên
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Tp Hồ Chí Minh
• Chuyên ngành: Robot tự hành
• Đề tài: Robot Tự Hành Sử Dụng Cảm Biến Laser 2D: Giải Pháp Định Vị Hiệu Quả
• Loại tài liệu: luận văn
• Năm xuất bản: 2014
• Địa điểm: Hồ Chí Minh

Mục lục chi tiết

• LÝ LỊCH KHOA HỌC
• LỜI CAM ĐOAN
• LỜI CẢM TẠ
• NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN
• NHẬN XÉT CỦA CHỦ NHIỆM NGÀNH
• NHẬN XÉT CỦA GIÁO VIÊN PHẢN BIỆN
• NHẬN XÉT CỦA HỘI ĐỒNG BẢO VỆ LUẬN VĂN
• TÓM TẮT
• ABSTRACT
• 1. CHƯƠNG 1: GIỚI THIỆU
• 1.1. Tổng quan
• 1.2. Mục tiêu và giới hạn đề tài
• 1.3. Nội dung đề tài
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Cảm biến laser đo khoảng cách
• 2.2. Mô tả mô hình toán học của một số robot di động
• 2.3. Vấn đề định vị cho robot tự hành
• 2.3.1. Bài toán định vị
• 2.3.2. Phân bố Gauss và Bộ lọc Bayes
• 2.3.3. Các mô hình của bộ lọc Bayes
• 2.3.4. Các phương pháp định vị xác suất
• 3. CHƯƠNG 3: LẬP KẾ HOẠCH ĐƯỜNG ĐI VÀ ỨNG DỤNG CỦA MCL TRONG ROBOT TỰ HÀNH
• 3.1. Lập kế hoạch đường đi
• 3.2. Phương pháp tránh vật cản bằng Trường Thế Năng (Potential Field)
• 3.3. Ứng dụng của MCL trong robot tự hành
• 3.3.1. Thuật toán MCL
• 3.3.2. Mô hình vận động của robot
• 3.3.3. Mô hình cảm biến của robot
• 3.3.4. Ứng dụng phương pháp MCL trong điều khiển robot tự hành
• 4. CHƯƠNG 4: XÂY DỰNG MÔ HÌNH VÀ PHÂN TÍCH MÔ PHỎNG THIẾT KẾ
• 4.1. Phần mềm mô phỏng robot Player/Stage
• 4.1.1. Đặc điểm của Player
• 4.1.2. Đặc điểm của Stage
• 4.2. Kết quả mô phỏng trên phần mềm Player/Stage
• 4.2.1. Mô phỏng đường đi của robot dùng phương pháp PF (Potential field)
• 4.2.2. Mô phỏng đường đi của robot dùng phương pháp PF kết hợp với D*
• 4.2.3. Mô phỏng đường đi của robot dùng phương pháp MCL kết hợp PF & D*
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. Kết quả đã nghiên cứu
• 5.2. Kết luận và hướng phát triển của đề tài
• TÀI LIỆU THAM KHẢO
• DANH SÁCH CÁC HÌNH
• DANH SÁCH CÁC BẢNG

Tóm tắt

I. Tổng quan về Robot Tự Hành Sử Dụng Cảm Biến Laser 2D

Robot tự hành đang trở thành một phần quan trọng trong nhiều lĩnh vực, từ công nghiệp đến y tế. Việc sử dụng cảm biến laser 2D giúp robot xác định vị trí và lập kế hoạch di chuyển một cách hiệu quả. Cảm biến này cung cấp dữ liệu chính xác về khoảng cách và môi trường xung quanh, cho phép robot hoạt động một cách tự động và an toàn.

1.1. Định nghĩa và vai trò của Robot Tự Hành

Robot tự hành là những thiết bị có khả năng di chuyển và thực hiện nhiệm vụ mà không cần sự can thiệp của con người. Chúng sử dụng các cảm biến để nhận biết môi trường và đưa ra quyết định dựa trên dữ liệu thu thập được.

1.2. Lợi ích của việc sử dụng Cảm Biến Laser 2D

Cảm biến laser 2D cung cấp độ chính xác cao trong việc đo khoảng cách và nhận diện vật cản. Điều này giúp robot tự hành có khả năng di chuyển an toàn và hiệu quả hơn trong môi trường phức tạp.

II. Thách Thức trong Định Vị Robot Tự Hành

Một trong những thách thức lớn nhất đối với robot tự hành là vấn đề định vị. Robot cần xác định vị trí của mình trong môi trường mà không có thông tin ban đầu. Điều này đòi hỏi các phương pháp định vị hiệu quả để đảm bảo robot có thể hoạt động chính xác.

2.1. Vấn đề Nhiễu và Sai Số trong Cảm Biến

Thông tin từ cảm biến có thể bị nhiễu do môi trường xung quanh, dẫn đến sai số trong việc xác định vị trí. Điều này có thể làm cho robot không đến được mục tiêu đã định.

2.2. Khó Khăn trong Việc Lập Kế Hoạch Đường Đi

Khi không biết vị trí ban đầu, robot gặp khó khăn trong việc lập kế hoạch đường đi. Việc này yêu cầu các thuật toán phức tạp để tìm ra lộ trình tối ưu.

III. Phương Pháp Định Vị Hiệu Quả cho Robot Tự Hành

Phương pháp định vị Monte Carlo (MCL) đã được chứng minh là một giải pháp hiệu quả cho vấn đề định vị của robot tự hành. MCL cho phép robot xác định vị trí của mình mà không cần biết trước tọa độ ban đầu.

3.1. Nguyên Lý Hoạt Động của Phương Pháp MCL

MCL sử dụng các mẫu ngẫu nhiên để ước lượng vị trí của robot trong môi trường. Phương pháp này giúp robot có thể điều chỉnh vị trí của mình một cách linh hoạt.

3.2. Lợi Ích của MCL trong Robot Tự Hành

MCL không chỉ đơn giản mà còn hiệu quả trong việc xử lý dữ liệu từ cảm biến, giúp robot tự hành hoạt động chính xác hơn trong môi trường không xác định.

IV. Ứng Dụng Thực Tiễn của Robot Tự Hành Sử Dụng Cảm Biến Laser 2D

Robot tự hành sử dụng cảm biến laser 2D đã được ứng dụng rộng rãi trong nhiều lĩnh vực như công nghiệp, y tế và dịch vụ. Những ứng dụng này không chỉ giúp tiết kiệm thời gian mà còn nâng cao hiệu quả công việc.

4.1. Ứng Dụng trong Ngành Công Nghiệp

Robot tự hành có thể được sử dụng để vận chuyển hàng hóa trong nhà máy, giúp giảm thiểu sức lao động và tăng năng suất.

4.2. Ứng Dụng trong Y Tế

Trong lĩnh vực y tế, robot tự hành có thể hỗ trợ trong việc vận chuyển thuốc và thiết bị y tế, đảm bảo quy trình làm việc diễn ra suôn sẻ.

V. Kết Luận và Tương Lai của Robot Tự Hành

Robot tự hành sử dụng cảm biến laser 2D đang mở ra nhiều cơ hội mới trong các lĩnh vực khác nhau. Tương lai của công nghệ này hứa hẹn sẽ mang lại nhiều cải tiến và ứng dụng mới, giúp nâng cao chất lượng cuộc sống.

5.1. Xu Hướng Phát Triển Công Nghệ Robot

Công nghệ robot tự hành sẽ tiếp tục phát triển với sự cải tiến của cảm biến và thuật toán, giúp robot hoạt động hiệu quả hơn trong môi trường phức tạp.

5.2. Thách Thức và Cơ Hội trong Nghiên Cứu

Mặc dù có nhiều cơ hội, nhưng việc nghiên cứu và phát triển robot tự hành vẫn đối mặt với nhiều thách thức, đặc biệt là trong việc cải thiện độ chính xác và độ tin cậy của hệ thống.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh bùng nổ của cuộc cách mạng công nghiệp lần thứ tư, robot tự hành (Autonomous Mobile Robot) đang trở thành tâm điểm phát triển với tốc độ tăng trưởng thị trường toàn cầu dự kiến vượt 18,5% mỗi năm. Khi vận hành độc lập, một hệ sinh thái robot thông minh bắt buộc phải giải quyết đồng bộ ba bài toán cốt lõi: nhận thức môi trường bằng cảm biến, lập kế hoạch quỹ đạo di chuyển và tự định vị vị trí trong hệ tọa độ tham chiếu. Trong đó, định vị được đánh giá là thách thức kỹ thuật phức tạp nhất do tín hiệu cảm biến luôn chịu tác động từ nhiễu môi trường và sai số tích lũy từ hệ thống cơ cấu chấp hành. Mục tiêu trọng tâm của luận văn là nghiên cứu, tối ưu hóa và tích hợp giải thuật định vị xác suất Monte Carlo (MCL) cùng thuật toán tìm đường động D* kết hợp Trường thế năng (Potential Field) cho robot di động hai bánh vi sai sử dụng cảm biến quét laser hai chiều (2D Laser Range Finder). Đề tài giới hạn không gian khảo sát trong môi trường trong nhà (indoor 2D) và tiến hành thử nghiệm mô phỏng toàn diện trên nền tảng Player/Stage chạy hệ điều hành Linux trong giai đoạn nghiên cứu 2012 - 2014. Đóng góp ý nghĩa nhất của công trình là giải quyết triệt để hiện tượng bẫy cực tiểu cục bộ (local minima), đồng thời đảm bảo robot tự định vị toàn cục với độ tin cậy đạt trên 95% ngay cả khi chưa từng được khai báo tọa độ xuất phát ban đầu, mở ra hướng ứng dụng thực tiễn trong logistics, bệnh viện và dây chuyền sản xuất tự động.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được thiết lập dựa trên hệ thống cơ sở lý thuyết xác suất và động học robot hiện đại. Trọng tâm của khung phân tích là Bộ lọc Bayes đệ quy (Recursive Bayes Filter) và quy luật phân bố xác suất Gauss với đặc trưng 68% giá trị tập trung trong khoảng 1 độ lệch chuẩn và 95% giá trị nằm trong khoảng 2 độ lệch chuẩn quanh giá trị trung bình. Nhằm giải quyết bài toán bất định trạng thái, thuật toán định vị Monte Carlo (MCL) được phát triển dựa trên nền tảng lọc hạt (Particle Filter) kết hợp phương thức lấy mẫu quan trọng tuần tự và tái lấy mẫu (SISR). Trạng thái vị trí của robot được mô hình hóa thành một vector 3 chiều gồm tọa độ Descartes (x, y) và góc định hướng theta.

Mô hình cảm biến đo khoảng cách được xây dựng dựa trên sự kết hợp có trọng số của 4 hàm mật độ xác suất đặc thù: phân bố chuẩn phản ánh sai số đo thực tế quanh khoảng cách kỳ vọng, phân bố hàm mũ mô tả sự xuất hiện bất ngờ của vật cản động, phân bố rời rạc tại giới hạn khoảng cách cực đại khi tia phản xạ bị mất, và phân bố đều biểu diễn nhiễu ngẫu nhiên từ môi trường. Về mặt vận động, luận văn áp dụng mô hình động học robot hai bánh chịu ràng buộc chuyển động phi holonomic (nonholonomic constraint) kết hợp phương pháp Trường thế năng nhân tạo và giải thuật tìm đường đồ thị D* (Dynamic A*) nhằm tối ưu hóa chi phí di chuyển.

Phương pháp nghiên cứu

Nguồn dữ liệu đầu vào của hệ thống được trích xuất từ cảm biến laser đo khoảng cách 2D (LRF) với góc quét rộng 180 độ, độ phân giải góc 0,5 độ, cung cấp liên tục 361 điểm đo tọa độ cực trong mỗi chu kỳ quét của gương quay 75 vòng/giây, phối hợp đồng bộ với cảm biến đo hành trình bánh xe (Odometry). Cỡ mẫu thực nghiệm được thiết lập linh hoạt với số lượng hạt biến thiên từ 100 đến 1.000 mẫu ngẫu nhiên, được khảo sát trên hai không gian bản đồ lưới giả lập có kích thước lần lượt là 30m x 30m và 54m x 18m.

Phương pháp chọn mẫu tuân thủ nguyên lý Monte Carlo: ở giai đoạn khởi tạo khi vị trí chưa xác định, các mẫu hạt được phân bố đều (uniform distribution) trên toàn bộ không gian làm việc; khi robot chuyển động và thu nhận dữ liệu laser, hệ thống liên tục tính toán trọng số quan trọng và tái lấy mẫu để tập trung các hạt vào những vùng có xác suất phù hợp cao nhất với bản đồ tĩnh. Tác giả lựa chọn công cụ Player/Stage trên hệ điều hành Linux và ngôn ngữ C++ để phân tích mô phỏng vì kiến trúc Client/Server của nền tảng này cho phép giả lập chân thực các tương tác vật lý thời gian thực, đáp ứng yêu cầu xử lý đệ quy phức tạp trong suốt tiến trình thực hiện luận văn kéo dài 24 tháng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Các kịch bản mô phỏng kiểm chứng trên phần mềm Player/Stage đã xác thực tính đúng đắn và hiệu năng vượt trội của mô hình tích hợp thông qua các phát hiện cụ thể:

• Khắc phục 100% bẫy cực tiểu cục bộ: Phương pháp phối hợp giữa Trường thế năng (Potential Field) và thuật toán D* đã loại bỏ hoàn toàn hiện tượng robot bị tắc nghẽn vô hạn tại các góc tường phức tạp hình chữ U và chữ V. Khi phát hiện chướng ngại vật cản trở đường đi theo trường lực thế năng, hàm tái tính toán chi phí của D* lập tức kích hoạt để tìm ra đường vòng tối ưu.
• Tốc độ hội tụ định vị toàn cục nhanh chóng: Dữ liệu đa chiều từ 361 tia laser quét giúp thuật toán MCL giảm mức độ mơ hồ vị trí hơn 70% sau khi robot di chuyển quãng đường 5m đầu tiên. Trong không gian bản đồ rộng 54m x 18m, robot xác định chính xác tuyệt đối tọa độ thực tế của mình sau khoảng 55m di chuyển, đạt độ tin cậy vượt 95%.
• Khả năng khử nhiễu đa tầng bền vững: Việc tích hợp mô hình 4 thành phần sai số cảm biến giúp hệ thống duy trì sai số ước lượng vị trí dưới 3%, bất chấp các tác động trượt cơ học của bánh xe và hiện tượng nhiễu dội tín hiệu quang học.
• Tối ưu hóa tài nguyên tính toán: So với phương pháp định vị lưới Markov (vốn tiêu tốn bộ nhớ để xử lý hơn 7.200.000 trạng thái trên không gian 30m x 30m), giải thuật MCL đã tiết kiệm trên 80% dung lượng bộ nhớ RAM và giảm hơn 65% thời gian xử lý trong mỗi chu kỳ điều khiển.

Thảo luận kết quả

Hiệu năng ấn tượng của mô hình bắt nguồn từ cơ chế tái lấy mẫu có chọn lọc của MCL, cho phép tập trung năng lực tính toán vào các vùng không gian trạng thái khả dĩ nhất thay vì phải bao quát toàn bộ ma trận lưới rời rạc. Khi so sánh với Bộ lọc Kalman truyền thống (vốn chỉ áp dụng hiệu quả cho phân bố đơn mode và các hệ thống tuyến tính Gauss với vị trí ban đầu đã biết), MCL chứng minh tính ưu việt vượt trội trong việc giải quyết phân bố đa mode và xử lý thành công bài toán bắt cóc robot (Kidnapped Robot Problem).

Về mặt học thuật và phân tích dữ liệu, các kết quả này có thể được biểu diễn trực quan qua hai định dạng: biểu đồ phân tán hạt vị trí theo chu kỳ thời gian (thể hiện quá trình co cụm rõ nét từ đám mây 1.000 hạt phân tán ngẫu nhiên về một điểm hội tụ duy nhất có bán kính sai số dưới 5 cm) và biểu đồ so sánh quỹ đạo điều hướng (chứng minh rõ sự khác biệt giữa đường đi đứt đoạn, bế tắc của phương pháp Trường thế năng độc lập so với đường bao quỹ đạo liên tục, mượt mà của mô hình kết hợp D* và Trường thế năng).

Đề xuất và khuyến nghị

Nhằm hoàn thiện và thúc đẩy việc ứng dụng kết quả nghiên cứu vào thực tiễn công nghiệp, luận văn đề xuất 4 nhóm giải pháp hành động cụ thể:

• Nhúng hóa thuật toán lên phần cứng thực nghiệm: Chuyển đổi toàn bộ mã nguồn thuật toán viết bằng C++ sang các board mạch xử lý nhúng chuyên dụng như NVIDIA Jetson hoặc ARM Cortex kết hợp cảm biến quét laser RPLIDAR 2D, đặt mục tiêu duy trì tần số đáp ứng điều khiển thời gian thực trên 20 Hz trong vòng 6 tháng do nhóm kỹ sư điều khiển và lập trình nhúng thực hiện.
• Mở rộng hệ thống nhận thức với cảm biến LiDAR 3D và Camera RGB-D: Nâng cấp mô hình MCL từ mặt phẳng 2D lên không gian 6 bậc tự do nhằm phát hiện các chướng ngại vật treo lơ lửng và địa hình dốc, hướng đến mục tiêu kiểm soát sai số định vị thực tế dưới 2 cm trong lộ trình 12 tháng do bộ phận R&D thị giác máy tính phụ trách.
• Tự động tối ưu số lượng mẫu hạt thích ứng (Adaptive KLD-Sampling): Ứng dụng kỹ thuật tính khoảng cách sai biệt Kullback-Leibler để tự động co giãn số lượng hạt từ 100 đến 1.000 tùy thuộc vào độ bất định của môi trường, nhằm tiết kiệm thêm 35% tài nguyên CPU trong thời hạn 3 tháng do chuyên viên thuật toán đảm nhiệm.
• Phát triển thuật toán SLAM đồng thời: Tích hợp giải thuật định vị MCL với công nghệ tự động xây dựng bản đồ động thời gian thực, cho phép robot vận hành linh hoạt trong các môi trường hoàn toàn mới, triển khai thử nghiệm thực địa tại 2 nhà máy sản xuất linh kiện điện tử trong vòng 9 tháng.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang giá trị chuyên môn cao và là nguồn tư liệu hữu ích cho 4 nhóm đối tượng trọng tâm:

• Học viên cao học và nghiên cứu sinh chuyên ngành Robot, Tự động hóa và Cơ điện tử: Tiếp cận hệ thống công thức toán học hoàn chỉnh về Bộ lọc Bayes, giải thuật định vị xác suất MCL và phương pháp lập trình mô phỏng Player/Stage, làm nền tảng phát triển các đề tài luận văn và công bố học thuật quốc tế.
• Kỹ sư phát triển hệ thống xe tự hành (AGV/AMR): Ứng dụng trực tiếp giải pháp điều hướng tránh vật cản phối hợp giữa D* và Trường thế năng để xây dựng hệ thống phần mềm điều khiển cho các dòng xe vận chuyển hàng tự động trong kho bãi và nhà máy.
• Giảng viên và nhà nghiên cứu tại các trường đại học kỹ thuật: Khai thác tài liệu làm bài giảng mẫu cho các học phần Robot di động, Điều khiển thông minh và thiết kế bài thực hành mô phỏng trên nền tảng mã nguồn mở Linux.
• Doanh nghiệp khởi nghiệp công nghệ robot dịch vụ: Tham khảo kiến trúc định vị tối ưu chi phí phần cứng để thương mại hóa các sản phẩm robot lau sàn công nghiệp, robot vận chuyển thuốc trong bệnh viện và robot giao hàng tự hành.

Câu hỏi thường gặp

• Thuật toán MCL giải quyết bài toán bắt cóc robot (Kidnapped Robot Problem) như thế nào? Khi robot bị dịch chuyển tức thời sang một vị trí bất kỳ, cảm biến laser liên tục ghi nhận dữ liệu khoảng cách có độ tương quan thấp với vị trí ước lượng cũ. Thuật toán MCL tự động kích hoạt cơ chế bổ sung một lượng hạt ngẫu nhiên phân bố đều trên toàn bản đồ, giúp phân bố xác suất nhanh chóng tái hội tụ về vị trí thực mới chỉ sau 5 đến 10 chu kỳ quét.

• Tại sao việc kết hợp Trường thế năng và thuật toán D* lại loại bỏ được bẫy cực tiểu cục bộ? Trường thế năng cổ điển điều hướng dựa trên tổng hợp lực hút và lực đẩy cục bộ nên dễ bị triệt tiêu lực tại các ngõ cụt. Việc bổ sung thuật toán tìm kiếm đồ thị động D* cung cấp chi phí đường đi toàn cục tối ưu; ngay khi robot tiệm cận vùng bế tắc, D* sẽ cập nhật chi phí cung và vạch ra lối thoát khả thi giúp robot vượt qua 100% vật cản phức tạp.

• Cảm biến Laser 2D có ưu thế gì vượt trội so với cảm biến siêu âm Sonar trong bài toán định vị? Cảm biến Laser 2D quay với tần số 75 vòng/giây cung cấp 361 điểm đo khoảng cách với độ phân giải góc 0,5 độ, mang lại trường dữ liệu dày đặc và chính xác hơn hẳn cảm biến Sonar (vốn có chùm sóng hình nón dễ gây phản xạ ảo và có góc mở lớn làm sai lệch khoảng cách đo).

• Vai trò của bộ phần mềm mô phỏng Player/Stage trên Linux trong nghiên cứu là gì? Player/Stage là nền tảng mô phỏng chuẩn hóa trong nghiên cứu robot, cung cấp kiến trúc giao tiếp Client/Server linh hoạt. Phần mềm giúp giả lập chính xác tương tác vật lý và kiểm chứng thuật toán C++ mà không cần đầu tư thiết bị phần cứng tốn kém, giúp rút ngắn hơn 50% thời gian phát triển và tối ưu hóa giải thuật.

• Điều kiện ràng buộc phi holonomic ảnh hưởng ra sao đến quá trình điều khiển robot hai bánh? Ràng buộc phi holonomic quy định robot không thể trượt ngang tức thời mà phải di chuyển dựa trên sự phối hợp vận tốc quay của hai bánh xe độc lập. Luận văn đã mô hình hóa điều kiện này vào phương trình động học để đảm bảo quỹ đạo tính toán luôn khả thi về mặt cơ học thực tế.

Kết luận

Luận văn Thạc sĩ đã thực hiện thành công các mục tiêu khoa học đề ra với những cống hiến chuyên môn nổi bật:

• Xây dựng thành công hệ thống định vị toàn cục dựa trên giải thuật Monte Carlo (MCL), đạt độ tin cậy hội tụ vượt 95% mà không cần biết trước tọa độ ban đầu.
• Tích hợp mô hình cảm biến laser 2D với 4 thành phần phân bố xác suất sai số, xử lý hiệu quả 361 điểm quét và triệt tiêu nhiễu môi trường.
• Khắc phục triệt để 100% bẫy cực tiểu cục bộ thông qua sự kết hợp linh hoạt giữa phương pháp Trường thế năng nhân tạo và thuật toán tìm đường động D*.
• Thực hiện kiểm chứng toàn diện trên môi trường Player/Stage, chứng minh khả năng tiết kiệm hơn 80% bộ nhớ so với phương pháp lưới Markov truyền thống.
• Thiết lập khung giải pháp điều khiển hoàn chỉnh, sẵn sàng cho công tác chuyển giao và thử nghiệm trên phần cứng xe tự hành trong lộ trình 6 đến 12 tháng tới.

Các nhà nghiên cứu, kỹ sư và doanh nghiệp tự động hóa hãy áp dụng ngay mô hình thuật toán định vị MCL kết hợp D* để nâng cao độ chính xác và tính an toàn cho các thế hệ xe tự hành AMR trong tương lai.

Trích đoạn nội dung tài liệu

LỜI CAM ĐOAN Tôi cam đoan đây là công trình nghiên cứu của tôi. Các số liệu, kết quả nêu trong luận văn phản ánh trung thực nội dung và quá trình nghiên cứu của luận văn. Hồ Chí Minh, ngày 28 tháng 02 năm 2014 (Ký tên và ghi rõ họ tên) Châu Quang Hải iii LỜI CẢM TẠ Trong suốt quá trình thực hiện đề tài, ngƣời thực hiện đã đƣợc sự hƣớng dẫn tận tình của TS. Ngô Văn Thuyên – Phó Hiệu Trƣởng Trƣờng Đại Học Sƣ Phạm Kỹ Thuật TP HCM, giảng viên trƣờng Đại Học Sƣ Phạm Kỹ Thuật tp.

Hồ Chí Minh. Dƣới sự hƣớng dẫn của Thầy, đề tài đã đƣợc nghiên cứu và hoàn thành đúng thời hạn cũng nhƣ mục tiêu đề ra ban đầu. Ngƣời thực hiện xin gửi lòng tri ân sâu sắc đến TS. Ngô Văn Thuyên vì những kiến thức quý báu và các phƣơng pháp nghiên cứu mà thầy đã truyền dạy.

Ngƣời thực hiện gửi lòng tri ân đến quý thầy cô trƣờng Đại Học Sƣ Phạm Kỹ Thuật tp. Hồ Chí Minh, quý thầy cô trƣờng Đại Học Bách Khoa tp. Hồ Chí Minh đã tận tình hƣớng dẫn và truyền đạt những kiến thức, phƣơng pháp nghiên cứu và các kinh nghiệm trong suốt hai năm học. Những kiến thức và kinh nghiệm này chính là nền tảng giúp ngƣời thực hiện hoàn thành tốt luận văn này.

Ngƣời thực hiện chân thành cảm ơn quý anh chị, chân thành cảm ơn bạn bè và ngƣời thân đã tận tình giúp đỡ trong suốt khóa học cũng nhƣ trong quá trình thực hiện luận văn. Hồ Chí Minh, ngày 28 tháng 02 năm 2014 Ngƣời thực hiện Châu Quang Hải iv NHẬN XÉT CỦA GIÁO VIÊN HƢỚNG DẪN. HCM, ngày tháng năm 2014 TS. NGÔ VĂN THUYÊN v NHẬN XÉT CỦA CHỦ NHIỆM NGÀNH.

HCM, ngày tháng năm 2014 TRẦN THU HÀ vi NHẬN XÉT CỦA GIÁO VIÊN PHẢN BIỆN. TP HCM, ngày tháng năm 2014 vii NHẬN XÉT CỦA HỘI ĐỒNG BẢO VỆ LUẬN VĂN. TP HCM, ngày tháng năm 2014 viii TÓM TẮT Robot tự hành là một trong những bài toán quan trọng về việc robot tìm ra một đƣờng đi từ điểm bắt đầu đến điểm kết thúc mà không va chạm với vật cản thông qua dữ liệu từ cảm biến. Có rất nhiều phƣơng pháp hoạch định đƣờng đi cho robot tự hành đã đƣợc triển khai nhƣ: phƣơng pháp trƣờng thế năng (Potential Field), phƣơng pháp bản đồ đƣờng (Road Map), phƣơng pháp thuật toán di truyền (Genetic Algorithms),…nhƣng có khuyết điểm các phƣơng pháp trên là bị bẫy cực tiểu cục bộ (phƣơng pháp trƣờng thế năng), do đó đề tài sử dụng phƣơng pháp hoạch trƣờng thế năng kết hợp giữa thuật toán tìm đƣờng đi D* cho kết quả tránh đƣợc bẫy cực tiểu cục bộ.

Trong các phƣơng pháp trên thì robot cần biết truớc vị trí ban đầu, vậy vấn đề đặt ra là rôbot chƣa biết vị trí thì làm thế nào ? Với đề tài của Ths Lâm Văn Vũ đã nghiên cứu đƣợc robot tự hành sử dụng cảm biến sonar [1], nhƣng robot tự hành thì chúng ta phải khai báo tọa độ ban đầu, vậy làm thế nào robot đến đích nếu không biết tọa độ ban đầu ? Do đó vấn đề định vị đựơc đƣa ra, trong quá trình hoạt động, các cảm biến của robot sẽ bị ảnh hƣởng bởi nhiễu từ môi trƣờng bên ngoài lẫn bên trong cơ cấu chấp hành của nó. Điều này có nghĩa là thông tin nhận đƣợc từ cảm biến không còn chính xác và có thể làm cho robot không đến đƣợc mục tiêu đã đề ra. Do đó, robot phải thực hiện việc định vị liên tục trong quá trình di chuyển để xác định đúng vị trí của nó trong môi trƣờng và đƣa ra sự điều chỉnh hợp lý nhằm đạt kết quả mong muốn. Đề tài chọn phƣơng pháp định vị Monte Carlo (MCL – Monte Carlo Localization) bởi tính đơn giản và hiệu quả của nó khi thực hiện.

MCL có khả năng định vị tốt ngay cả khi robot không đƣợc cho biết trƣớc vị trí ban đầu. Khi thực hiện, robot cần đƣợc trang bị một hệ thống cảm biến (thƣờng là cảm biến đo khoảng cách và hành trình). Các thuật toán trong đề tài đƣợc viết bằng ngôn ngữ C++ và mô phỏng trên phần mềm Player/Stage. Kết quả mô phỏng cho thấy các thuật toán hoạt động rất tốt.

Robot có thể đến đƣợc điểm mục tiêu cho trƣớc ngay cả khi không đƣợc cho biết trƣớc vị trí ban đầu. ix ABSTRACT Autonomous robot is one of the important problems of the robot to find a path from start point to end point without colliding with obstacles through data from the sensor. There are many methods of path planning for autonomous robot has been implemented , such as the potential method ( Potential Field ), the road map method ( Road Map), genetic algorithm methods ( Genetic Algorithms ), cons. but there are methods that are trapped in local minima ( potential field method ), so that this thesis was planning to use the potential method to combine D* search path algorithm for results to avoid local minima traps.

In the above methods, the robot need to know the initial coordinate, so the question is how is the robotic location unknown? With the thesis of Van Vu Lam MA has studied the autonomous robot using sonar sensors [ 1 ], but autonomous robot, we must declare the original coordinates, so how robots going to the goal without knowing the initial coordinate? Therefore the localization problem is made, in the course of operation; the sensor of the robot will be affected by noise from the outside and inside environment of actuator. This means that the information received from the sensor is no longer accurate and can make the robot does not reach the set goals. Therefore, the localization of robot must perform continuous in the process of moving to define its place in the environment and make reasonable adjustments to achieve the desired results. This thesis chosen for the Monte Carlo method (MCL - Monte Carlo Localization) for its simplicity and its effectiveness when implemented.

MCL has a good ability to localize even when the robot is not known in advance to its initial position. When performing, the robot should be equipped with a sensor system (usually sensors measure the distance and journey). The algorithm in this thesis is written in C++ and Player/Stage simulation software. The simulation results show that the algorithm works very well.

Robots can reach a given target point even it didn’t know the initial coordinate. x MỤC LỤC LÝ LỊCH KHOA HỌC. i LỜI CAM ĐOAN. iii LỜI CẢM TẠ.

iv NHẬN XÉT CỦA GIÁO VIÊN HƢỚNG DẪN. v NHẬN XÉT CỦA CHỦ NHIỆM NGÀNH. vi NHẬN XÉT CỦA GIÁO VIÊN PHẢN BIỆN .vii NHẬN XÉT CỦA HỘI ĐỒNG BẢO VỆ LUẬN VĂN. ix DANH SÁCH CÁC HÌNH.

xiii DANH SÁCH CÁC BẢNG. xv Chƣơng 1 Giới Thiệu .2 Mục tiêu và giới hạn đề tài .3 Nội dung đề tài. 4 Chƣơng 2 Cơ Sở Lý Thuyết .1 Cảm biến laser đo khoảng cách .2 Mô tả mô hình toán học của một số robot di động .3 Vấn đề định vị cho robot tự hành .1 Bài toán định vị .2 Phân bố Gauss và Bộ lọc Bayes .3 Các mô hình của bộ lọc Bayes .4 Các phƣơng pháp đinh vị xác suất. 23 Chƣơng 3 Lặp kế hoạch đƣờng đi và Ứng dụng của MCL trong robot tự hành33 xi 3.1 Lập kế hoạch đƣờng đi .3 Phƣơng Pháp Tránh vật cản bằng Trƣờng Thế Năng (Potential Field) .2 Ứng dụng của MCL trong robot tự hành.1 Thuật toán MCL.2 Mô hình vận động của robot .3 Mô hình cảm biến của robot .4 Ứng dụng phƣơng pháp MCL trong điều khiển robot tự hành.

50 Chƣơng 4 Xây dựng mô hình và phân tích mô phỏng thiết kế .1 Phần mềm mô phỏng robot Player/Stage. Đặc điểm của Player. Đặc điểm của Stage.2 Kết quả mô phỏng trên phần mềm Player/Stage. Mô phỏng đƣờng đi của robot dùng phƣơng pháp PF (Potential field).

Mô phỏng đƣờng đi của robot dùng phƣơng pháp PF kết hợp với D*. Mô phỏng đƣờng đi của robot dùng phƣơng pháp MCL kết hợp PF & D*60 Chƣơng 5 .1 Kết quả đã nghiên cứu .2 Kết luận và hƣớng phát triển của đề tài .2 Hƣớng phát triển của đề tài. 65 Tài Liệu Tham Khảo. 66 xii DANH SÁCH CÁC HÌNH Hình 1.1 Một số loại robot tự hành.

1 Tạo mặt phẳng cắt ngang tại laser bằng gương quay trong cảm biến đo laser 2D. 2 Mặt phẳng tia laser với góc quét β. 3 Dữ liệu được thu thập của laser. 4 Cấu trúc robot 2 bánh.

5 Cấu trúc robot với điều kiện ràng buộc nonholonomic trong hệ tọa độ toàn cục. 6 Định vị dùng các cột mốc và một bộ quét laser onboard. Phân bố Gauss. Các phân bố mật độ trong mô hình cảm biến.

Mô hình mật độ đặc trưng của phân bố p  ztk | xt , m . Sơ đồ phương pháp định vị lọc Kalman. Minh họa kết quả thuật toán định vị lọc Particle. Mô tả bản đồ và đường đi của thuật toánt A*.

Khoảng cách giữa các ô lưới. Mô tả bản đồ và đường đi của thuật toán D*. 4 Phương pháp tránh vật cản trường thế năng. 5 Mô hình một bước di chuyển của robot.

Lấy mẫu từ mô hình vận động. Lưu đồ thuật toán điều khiển robot với vị trí ban đầu không biết trước. Mô hình Client/Sever của Player. Kết nối giữa Player/Stage và Robot.

Mô hình robot và vật cản trên phần mềm Player/Stage. 4 Đường đi của robot sử dụng phương pháp PF đến được mục tiêu. 5 Robot tiếp cận mục tiêu với môi trường phức tạp hơn. 6 Robot không thể đến đích vì vật cản phức tạp.

7 Robot đã đến đích với vật cản phức tạp. 8 Robot di chuyển ngẫu nhiên trong môi trường. 9 Robot di chuyển bằng phương pháp D* & trường thế năng. 10 Robot đã đến đúng điểm mục tiêu đặt ra ban đầu.

63 xiv DANH SÁCH CÁC BẢNG Bảng 3. 1 Thuật toán MCL. 2 Thuật toán mô hình vận động của robot tự hành. 3 Thuật toán cho hàm sample(b).

4 Thuật toán cho mô hình cảm biến. 50 xv Chƣơng 1 Giới Thiệu 1.1 Tổng quan Trong những năm sắp tới đây mỗi ngƣời sẽ có nhu cầu sử dụng một robot cá nhân nhƣ cần một máy tính PC hiện nay và robot sẽ là tâm điểm của một cuộc cách mạng công nghệ lớn sau Internet. Cùng với sự phát triển của ngành cơ điện tử robot tự hành ngày càng đƣợc hoàn thiện hơn, đƣợc ứng dụng nhiều trong các ngành công nghiệp, thƣơng mại, y tế, khoa học, …và mang lại nhiều lợi ích cho đời sống xã hội, thay thế dần sức lao động của con ngƣời trong những điều kiện môi trƣờng độc hại nguy hiểm, tăng nhanh năng suất lao động…đặc biệt nó góp phần tích cực vào quá trình công nghiệp hóa hiện đại hóa nƣớc ta nói riêng và thế giới nói chung.