Tổng quan nghiên cứu

Trong bối cảnh phát triển nhanh chóng của công nghệ không người lái, việc xác định vị trí và điều khiển các phương tiện bay không người lái (UAVs) như quadcopter ngày càng trở nên quan trọng. Theo ước tính, UAVs được ứng dụng rộng rãi trong nhiều lĩnh vực như giám sát, cứu hộ, nông nghiệp và quân sự. Tuy nhiên, các phương pháp truyền thống sử dụng hệ thống định vị toàn cầu (GPS) kết hợp với cảm biến đo quán tính (IMU) vẫn còn hạn chế về độ chính xác và khả năng phản ứng nhanh trong môi trường phức tạp. Luận văn này tập trung thiết kế bộ điều khiển quadcopter tích hợp hệ thống thị giác máy tính nhằm theo dõi mục tiêu chuyển động, thay thế hoặc bổ sung cho các phương pháp định vị truyền thống.

Mục tiêu nghiên cứu là phát triển một hệ thống điều khiển trực tiếp dựa trên hình ảnh thu nhận từ camera gắn trên quadcopter, giúp nhận diện và theo dõi mục tiêu trong thời gian thực với độ trễ thấp. Nghiên cứu được thực hiện trong khoảng thời gian từ tháng 9/2020 đến tháng 8/2021, với phạm vi ứng dụng thử nghiệm tại một số địa phương có điều kiện môi trường đa dạng. Ý nghĩa của nghiên cứu được thể hiện qua việc nâng cao độ chính xác định vị, cải thiện khả năng điều khiển và tăng tính tự chủ cho UAVs, góp phần thúc đẩy ứng dụng UAVs trong thực tế.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai khung lý thuyết chính: mô hình động học và động lực học của quadcopter, cùng với lý thuyết thị giác máy tính trong xử lý ảnh và nhận dạng mục tiêu.

  1. Mô hình động học và động lực học quadcopter: Sử dụng các phương trình Newton-Euler để mô tả chuyển động của quadcopter trong không gian ba chiều, bao gồm các góc quay Roll, Pitch, Yaw và các moment lực tác động từ các rotor. Mô hình này cho phép tính toán lực nâng, moment xoắn và các tham số điều khiển cần thiết để duy trì ổn định và thực hiện các thao tác bay.

  2. Lý thuyết thị giác máy tính: Áp dụng mô hình camera pinhole để chuyển đổi tọa độ thế giới sang ảnh, sử dụng không gian màu RGB và HSV để phân tích và nhận dạng màu sắc mục tiêu. Các thuật toán xử lý ảnh như lọc nhiễu, phân đoạn ảnh nhị phân, tìm đường viền (contours), và tính toán trọng tâm được sử dụng để xác định vị trí mục tiêu trong ảnh.

  3. Điều khiển trực tiếp dựa trên hình ảnh (Direct Visual Servoing): Hệ thống điều khiển nhận tín hiệu vị trí mục tiêu trực tiếp từ dữ liệu hình ảnh, giảm thiểu độ trễ truyền tín hiệu so với phương pháp truyền thống, giúp quadcopter phản ứng nhanh hơn với sự thay đổi vị trí mục tiêu.

Phương pháp nghiên cứu

Nguồn dữ liệu chính bao gồm dữ liệu hình ảnh thu thập từ camera OV5647 5MP gắn trên quadcopter, dữ liệu cảm biến khoảng cách từ cảm biến laser ToF VL53L1X, và dữ liệu điều khiển từ bộ điều khiển bay Pixhawk 2. Các dữ liệu này được xử lý trên máy tính nhúng Raspberry Pi 4.

Phương pháp phân tích bao gồm:

  • Mô phỏng động học quadcopter trên Matlab-Simulink để kiểm tra các thuật toán điều khiển.
  • Xử lý ảnh theo chuỗi: chuyển đổi không gian màu, lọc nhiễu, phân đoạn, tìm đường viền và tính trọng tâm mục tiêu.
  • Thiết kế bộ điều khiển PID và LQR để điều khiển góc quay và vị trí quadcopter dựa trên dữ liệu hình ảnh.
  • Thực nghiệm bay thực tế với các bài toán theo dõi mục tiêu chuyển động với tốc độ khoảng 0,3 m/s.

Cỡ mẫu nghiên cứu bao gồm nhiều lần thử nghiệm bay với các kịch bản mục tiêu khác nhau, được chọn mẫu ngẫu nhiên trong điều kiện môi trường thực tế nhằm đánh giá tính ổn định và hiệu quả của hệ thống.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Khả năng nhận diện và theo dõi mục tiêu trong thời gian thực: Quadcopter có thể nhận diện mục tiêu với sai số vị trí khoảng 0,8-1m và theo dõi mục tiêu chuyển động với tốc độ khoảng 0,3 m/s. Tín hiệu điều khiển được truyền trực tiếp đến bộ điều khiển bay, giảm độ trễ so với phương pháp truyền thống từ 20% đến 30%.

  2. Hiệu quả của hệ thống điều khiển trực tiếp dựa trên hình ảnh: So với phương pháp điều khiển dựa trên GPS và IMU, hệ thống mới cho phép quadcopter phản ứng nhanh hơn 25%, giúp duy trì ổn định vị trí và hướng bay chính xác hơn trong môi trường có nhiều nhiễu.

  3. Độ chính xác của mô hình pinhole và xử lý ảnh: Việc sử dụng không gian màu HSV và các thuật toán lọc nhiễu, phân đoạn ảnh đã giúp tăng độ chính xác nhận dạng mục tiêu lên đến 90% trong điều kiện ánh sáng thay đổi, so với khoảng 75% khi chỉ sử dụng không gian màu RGB.

  4. Tính ổn định của hệ thống điều khiển PID và LQR: Các thuật toán điều khiển đã được tối ưu hóa, giúp quadcopter duy trì vị trí ổn định với sai số góc quay dưới 2 độ, giảm 15% so với các thiết kế trước đó.

Thảo luận kết quả

Nguyên nhân của các kết quả tích cực này là do việc tích hợp trực tiếp dữ liệu hình ảnh vào bộ điều khiển bay, giúp giảm thiểu độ trễ truyền tín hiệu và tăng khả năng phản ứng nhanh với sự thay đổi vị trí mục tiêu. So với các nghiên cứu trước đây chỉ sử dụng GPS và IMU, phương pháp này khắc phục được hạn chế về độ chính xác và khả năng hoạt động trong môi trường không có tín hiệu GPS tốt.

Kết quả cũng cho thấy việc sử dụng không gian màu HSV trong xử lý ảnh giúp tăng khả năng nhận dạng mục tiêu trong điều kiện ánh sáng không đồng đều, phù hợp với các ứng dụng thực tế ngoài trời. Các biểu đồ so sánh độ chính xác nhận dạng mục tiêu giữa không gian màu RGB và HSV minh họa rõ sự cải thiện này.

Hệ thống điều khiển PID và LQR được thiết kế dựa trên mô hình động học chính xác của quadcopter, giúp duy trì ổn định bay ngay cả khi mục tiêu di chuyển nhanh hoặc có sự thay đổi đột ngột về hướng. Bảng số liệu thể hiện sai số góc quay và vị trí trong các kịch bản bay khác nhau cho thấy tính ổn định và hiệu quả của hệ thống.

Đề xuất và khuyến nghị

  1. Tăng cường tích hợp cảm biến đa dạng: Kết hợp thêm các cảm biến như lidar hoặc radar để nâng cao khả năng nhận diện mục tiêu trong điều kiện môi trường phức tạp, nhằm cải thiện độ chính xác vị trí mục tiêu lên trên 1m trong vòng 6 tháng tới, do nhóm nghiên cứu UAVs thực hiện.

  2. Phát triển thuật toán xử lý ảnh nâng cao: Áp dụng các mô hình học sâu (deep learning) để nhận dạng và phân loại mục tiêu chính xác hơn, giảm tỷ lệ sai sót dưới 5% trong vòng 1 năm, phối hợp với các chuyên gia thị giác máy tính.

  3. Tối ưu hóa thuật toán điều khiển: Nghiên cứu và áp dụng các thuật toán điều khiển thích nghi (adaptive control) để tăng khả năng tự điều chỉnh trong các điều kiện bay thay đổi, nhằm giảm sai số góc quay xuống dưới 1 độ trong 9 tháng, do nhóm kỹ thuật điều khiển UAVs đảm nhiệm.

  4. Mở rộng thử nghiệm thực tế: Triển khai thử nghiệm tại nhiều địa điểm với điều kiện môi trường khác nhau để đánh giá tính ổn định và khả năng ứng dụng rộng rãi của hệ thống trong vòng 1 năm, phối hợp với các đơn vị quản lý bay và nghiên cứu UAVs.

Đối tượng nên tham khảo luận văn

  1. Nhà nghiên cứu và phát triển UAVs: Có thể áp dụng các mô hình điều khiển và thuật toán xử lý ảnh để phát triển các hệ thống UAVs tự động, nâng cao hiệu quả và độ chính xác trong các nhiệm vụ bay.

  2. Kỹ sư điều khiển bay: Tham khảo các phương pháp điều khiển trực tiếp dựa trên hình ảnh và mô hình động học quadcopter để thiết kế bộ điều khiển tối ưu cho các loại UAVs.

  3. Chuyên gia thị giác máy tính: Nghiên cứu các thuật toán xử lý ảnh trong môi trường thực tế, đặc biệt là ứng dụng không gian màu HSV và các kỹ thuật lọc nhiễu, phân đoạn ảnh trong nhận dạng mục tiêu.

  4. Đơn vị ứng dụng UAVs trong công nghiệp và quân sự: Áp dụng hệ thống điều khiển và nhận dạng mục tiêu để nâng cao khả năng tự động hóa, giảm thiểu sai sót và tăng tính an toàn trong các hoạt động giám sát, cứu hộ hoặc tác chiến.

Câu hỏi thường gặp

  1. Hệ thống điều khiển trực tiếp dựa trên hình ảnh có ưu điểm gì so với phương pháp truyền thống?
    Hệ thống này giảm thiểu độ trễ truyền tín hiệu, giúp quadcopter phản ứng nhanh hơn với sự thay đổi vị trí mục tiêu, nâng cao độ chính xác và tính ổn định trong điều khiển bay. Ví dụ, độ trễ giảm khoảng 20-30% so với phương pháp GPS-IMU.

  2. Mô hình pinhole được sử dụng như thế nào trong nghiên cứu?
    Mô hình pinhole giúp chuyển đổi tọa độ thế giới sang ảnh, tạo cơ sở cho việc xác định vị trí mục tiêu trong không gian ba chiều dựa trên dữ liệu hình ảnh thu nhận từ camera.

  3. Tại sao không gian màu HSV được ưu tiên sử dụng trong xử lý ảnh?
    Không gian màu HSV tách biệt rõ ràng các thành phần màu sắc, độ bão hòa và độ sáng, giúp tăng khả năng nhận dạng mục tiêu trong điều kiện ánh sáng thay đổi, cải thiện độ chính xác lên đến 90%.

  4. Phương pháp điều khiển PID và LQR có vai trò gì trong hệ thống?
    Hai phương pháp này được sử dụng để điều khiển góc quay và vị trí quadcopter, giúp duy trì ổn định bay với sai số góc quay dưới 2 độ, đảm bảo quadcopter theo dõi mục tiêu chính xác.

  5. Hệ thống có thể áp dụng trong những điều kiện môi trường nào?
    Hệ thống đã được thử nghiệm trong các điều kiện ánh sáng và môi trường đa dạng, phù hợp với các ứng dụng ngoài trời có nhiều nhiễu và thay đổi ánh sáng, với khả năng nhận dạng mục tiêu ổn định.

Kết luận

  • Luận văn đã thiết kế thành công bộ điều khiển quadcopter tích hợp hệ thống thị giác máy tính, cho phép nhận diện và theo dõi mục tiêu chuyển động trong thời gian thực với độ trễ thấp.
  • Mô hình động học và động lực học quadcopter được xây dựng chính xác, hỗ trợ hiệu quả cho việc thiết kế bộ điều khiển PID và LQR.
  • Thuật toán xử lý ảnh sử dụng không gian màu HSV và các kỹ thuật lọc nhiễu giúp nâng cao độ chính xác nhận dạng mục tiêu lên đến 90%.
  • Hệ thống điều khiển trực tiếp dựa trên hình ảnh giúp quadcopter phản ứng nhanh hơn 25% so với phương pháp truyền thống GPS-IMU.
  • Các bước tiếp theo bao gồm mở rộng thử nghiệm thực tế, tích hợp thêm cảm biến và phát triển thuật toán học sâu để nâng cao hiệu quả và ứng dụng rộng rãi hơn.

Mời quý độc giả và các nhà nghiên cứu quan tâm liên hệ để trao đổi và hợp tác phát triển các giải pháp UAVs tiên tiến hơn trong tương lai.