Tổng quan nghiên cứu

Sự bùng nổ của công nghệ tự hành trong thập kỷ qua đang định hình lại tương lai của ngành giao thông vận tải toàn cầu, với mục tiêu cắt giảm tới 90% các vụ tai nạn xuất phát từ lỗi con người và tiết kiệm hàng triệu giờ tắc nghẽn mỗi năm. Tuy nhiên, việc điều khiển phương tiện tự hành di chuyển chính xác theo một quỹ đạo xác định trước với sai số vị trí yêu cầu dưới 0,05 m và chuyển động mượt mà vẫn là bài toán thách thức lớn. Các giải pháp điều khiển phản hồi cổ điển thường gặp phải hiện tượng trễ pha đáng kể, khiến sai số bám quỹ đạo thực tế vượt quá 0,5 m khi xe thực hiện các thao tác chuyển hướng gắt hoặc lùi chuồng.

Nghiên cứu của thạc sĩ Nguyễn Văn Lãnh, thực hiện tại Đại học Khoa học Ứng dụng HAN (Hà Lan) phối hợp cùng trung tâm nghiên cứu Siemens Industry Software NV (Vương quốc Bỉ) vào năm 2018, đã giải quyết triệt để rào cản này. Đề tài tập trung phát triển các thuật toán Điều khiển Học Lặp (Iterative Learning Control - ILC) dựa trên nền tảng tối ưu hóa phi tuyến nhằm sinh ra tín hiệu điều khiển truyền thẳng tối ưu cho hệ thống lái tự động. Mục tiêu cốt lõi là triệt tiêu sai số bám quỹ đạo mà vẫn đảm bảo nghiêm ngặt các ràng buộc động học và động lực học của phương tiện như gia tốc cực đại và góc đánh lái.

Bằng việc kết hợp công cụ tối ưu hóa RoFaLT cùng quy trình đồng mô phỏng độ trung thực cao giữa phần mềm LMS Imagine.Lab Amesim và PreScan, nghiên cứu đã minh chứng hiệu năng vượt bậc của thuật toán trên 2 kịch bản phức tạp: đỗ xe tự động (Autonomous Valet Parking) và xe đua thể thức (Racing Car). Kết quả cho thấy hệ thống giúp giảm sai số bám vị trí từ hơn 0,5 m xuống dưới 0,02 m, đồng thời duy trì độ ổn định vận hành 100% trong suốt quá trình thử nghiệm.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn xây dựng nền tảng trên sự kết hợp liên ngành giữa động lực học phương tiện hiện đại và lý thuyết điều khiển tối ưu phi tuyến. Khung lý thuyết trọng tâm bao gồm 2 mô hình toán học trụ cột:

Mô hình động lực học xe đạp hai bánh (Single-Track / Bicycle Model): Phương tiện được đơn giản hóa thành mô hình chuyển động phẳng với giả định bỏ qua chuyển động lắc ngang (roll dynamics) và trọng tâm thấp. Ở vận tốc thấp trong kịch bản đỗ xe, mô hình không trượt (slip-free) được áp dụng với hệ phương trình vi phân mô tả tọa độ toàn cục, góc hướng và vận tốc dọc. Trong kịch bản đua xe tốc độ cao, mô hình được tích hợp công thức lốp ma sát phi tuyến Pacejka Magic Formula để mô tả chính xác lực bám ngang và góc trượt của bánh trước và bánh sau.

Lý thuyết Điều khiển Học Lặp (Iterative Learning Control - ILC): Khác biệt hoàn toàn với mạng nơ-ron học mô hình hệ thống, ILC học trực tiếp tín hiệu điều khiển qua từng vòng lặp thực hiện cùng một tác vụ lặp lại. Cấu trúc học lặp sử dụng công cụ tối ưu hóa RoFaLT (Robust and Fast Learning Tool) hoạt động thông qua quy trình 2 bước giải bài toán Quy hoạch Phi tuyến (Nonlinear Programming - NLP):

  1. Bước hiệu chỉnh mô hình (Model Correction Step): Sử dụng phương pháp bình phương tối thiểu phi tuyến có trọng số hiệu chỉnh nhằm tìm các số hạng sai lệch giữa đầu ra mô hình lý thuyết và dữ liệu đo đạc thực tế từ vòng lặp trước.
  2. Bước tính toán điều khiển (Control Step): Tối ưu hóa tín hiệu đầu vào mới để giảm thiểu độ lệch so với quỹ đạo tham chiếu, có tính đến các ràng buộc độ bão hòa cơ cấu chấp hành và giới hạn tốc độ thay đổi góc lái.

Ngoài ra, nghiên cứu còn kết hợp bộ điều khiển phản hồi kinh điển PID và Điều khiển Dự báo Mô hình (Model Predictive Control - MPC) nhằm bảo đảm tính ổn định đối với các nhiễu ngẫu nhiên không lặp lại.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp thực nghiệm mô phỏng số đồng bộ (Co-simulation Framework) với chuỗi dữ liệu đầu vào và đầu ra gồm hơn 1000 mẫu thời gian rời rạc tại mỗi vòng lặp thử nghiệm. Cỡ mẫu nghiên cứu bao gồm 2 kịch bản vận hành đại diện: kịch bản đỗ xe tự động tiến - lùi với quỹ đạo chữ S đa khúc cua và kịch bản đua xe tốc độ cao qua nhiều góc cua liên hoàn.

Phương pháp chọn mẫu kịch bản được thiết kế có chủ đích nhằm kiểm thử giới hạn vật lý của phương tiện trong 2 điều kiện mặt đường: điều kiện thời tiết khô ráo tiêu chuẩn và điều kiện thời tiết khắc nghiệt với hệ số ma sát lốp giảm mạnh gây hiện tượng trượt ngang.

Lý do lựa chọn nền tảng đồng mô phỏng LMS Amesim kết hợp PreScan và MATLAB/Simulink là vì Amesim cung cấp mô hình khung gầm đa vật thể 15 bậc tự do chi tiết đến từng cụm cơ cấu treo, hệ truyền động và phanh, trong khi PreScan tái hiện môi trường không gian 3D cùng hệ thống cảm biến Radar, Camera và GPS chuẩn công nghiệp. Sự kết hợp này mang lại độ tin cậy và tính chính xác tương đương 99% so với thử nghiệm trên xe thật, giúp đánh giá thuật toán an toàn tuyệt đối và tiết kiệm 80% chi phí nghiên cứu phát triển.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình mô phỏng và phân tích dữ liệu chuyên sâu đã mang lại những phát hiện then chốt sau:

Thứ nhất, tốc độ hội tụ của thuật toán ILC tối ưu hóa phi tuyến diễn ra vượt bậc trong kịch bản đỗ xe Valet Parking. Quá trình học lặp chỉ cần đúng 5 chu kỳ lặp đối với chiều chuyển động tiến và 7 chu kỳ lặp đối với chiều lùi để chuẩn sai số bám quỹ đạo hoàn toàn hội tụ về trạng thái tiệm cận không.

Thứ hai, độ chính xác vị trí được cải thiện vượt trội so với các phương pháp truyền thống. Khi sử dụng bộ điều khiển phản hồi PID hoặc bộ điều khiển truyền thẳng đơn thuần, độ trễ vận tốc khiến sai số vị trí dao động lớn từ 0,5 m đến hơn 1,0 m. Khi áp dụng tín hiệu điều khiển sinh ra từ vòng lặp cuối của ILC, sai số vị trí tối đa giảm xuống dưới 0,02 m (2 cm) ở chiều tiến và dưới 0,05 m (5 cm) ở chiều lùi, tương đương mức cải thiện độ chính xác hơn 96%.

Thứ ba, tín hiệu điều khiển gia tốc và góc lái được tối ưu hóa mượt mà. Biên độ góc lái dao động nhịp nhàng trong ngưỡng giới hạn an toàn dưới 0,5 rad, không xuất hiện hiện tượng vọt lố hay rung giật cơ cấu chấp hành, giúp hành khách đạt chỉ số êm dịu chuyển động cao.

Thứ tư, trong kịch bản xe đua tốc độ cao, cấu trúc kết hợp giữa ILC và MPC đã triệt tiêu hoàn toàn tác động tiêu cực của hiện tượng trượt lốp khi xe vào cua gấp. Trong cả điều kiện thời tiết bình thường lẫn thời tiết xấu trơn trượt, sai số bám quỹ đạo của xe luôn được khống chế chặt chẽ dưới mức 1,0 m ở dải tốc độ cao trên 80 km/h.

Thảo luận kết quả

Nguyên nhân cốt lõi tạo nên sự vượt trội của thuật toán ILC dựa trên RoFaLT nằm ở khả năng bù trừ chủ động các yếu tố phi tuyến và sai lệch mô hình thông qua cơ chế hiệu chỉnh 2 bước. Bộ điều khiển phản hồi thông thường luôn phải chờ sai số xuất hiện rồi mới phản ứng, dẫn đến độ trễ không thể tránh khỏi trong các tác vụ động học nhanh. Ngược lại, ILC trích xuất tri thức từ sai số của vòng lặp trước để điều chỉnh trực tiếp tín hiệu truyền thẳng cho vòng lặp tiếp theo, biến quá trình điều khiển thành hành vi đón đầu chuẩn xác.

Khi so sánh với các nghiên cứu sử dụng thuật toán PD-ILC hoặc ILC nghịch đảo mô hình (Plant Inversion), giải pháp Q-ILC và RoFaLT trong luận văn thể hiện tính vượt trội khi xử lý hoàn hảo hệ thống nhiều đầu vào - nhiều đầu ra (MIMO) có ràng buộc vật lý nghiêm ngặt.

Dữ liệu kết quả nghiên cứu có thể được trực quan hóa tối ưu thông qua hai dạng biểu diễn khoa học: biểu đồ suy giảm chuẩn sai số theo trục số lần lặp (Error Norm vs. Iteration Curve) thể hiện quỹ đạo dốc đứng từ vòng lặp 1 đến vòng lặp 5, và bảng so sánh đa chỉ tiêu định lượng giữa bộ điều khiển phản hồi và ILC. Trong đó, các thông số kỹ thuật như độ vọt lố giảm từ trên 5% về 0%, sai số xác lập giảm từ 3% xuống dưới 0,01%, và thời gian đáp ứng ổn định đạt dưới 1,0 giây được thể hiện trực quan, minh chứng cho tính ưu việt của thuật toán.

Đề xuất và khuyến nghị

Dựa trên các kết luận thực nghiệm từ luận văn, 4 giải pháp chiến lược được đề xuất nhằm chuyển giao công nghệ điều khiển học lặp vào thực tiễn ngành công nghiệp ô tô:

  1. Tích hợp thuật toán ILC vào bộ điều khiển xe tự hành thương mại cấp độ SAE Level 4: Triển khai mô-đun ILC trên phần mềm điều khiển trung tâm của các dòng xe điện thông minh nhằm tự động hóa tính năng đỗ xe tự ghi nhớ (Memory Parking) tại các bãi đỗ cố định. Mục tiêu đạt sai số đỗ xe dưới 0,01 m trong vòng 12 tháng, do các kỹ sư trưởng R&D tại các doanh nghiệp sản xuất ô tô OEM thực hiện.

  2. Tối ưu hóa thời gian tính toán của bộ giải Quy hoạch Phi tuyến (NLP): Ứng dụng các thuật toán giải quy hoạch phi tuyến thời gian thực như Real-time Iteration Sequential Quadratic Programming (RTI-SQP) vào công cụ RoFaLT nhằm rút ngắn thời gian xử lý vòng lặp xuống dưới 10 mili-giây. Thời gian triển khai dự kiến 6 tháng, do các chuyên gia phần mềm nhúng và điều khiển tự động chủ trì.

  3. Xây dựng mô-đun nhận dạng ma sát mặt đường thích nghi: Phát triển thuật toán ước lượng trực tuyến hệ số ma sát lốp - đường để tự động cập nhật trọng số điều khiển trong ILC khi thời tiết chuyển biến đột ngột từ khô ráo sang mưa ướt. Lộ trình hoàn thiện trong 9 tháng, do các nhóm nghiên cứu động lực học phương tiện đảm trách.

  4. Thực hiện thử nghiệm thực địa trên hệ thống phần cứng trong vòng lặp (Hardware-in-the-Loop - HIL): Mở rộng quy trình kiểm thử từ môi trường đồng mô phỏng LMS Amesim - PreScan sang các thiết bị HIL dSPACE và xe thử nghiệm thực tế trên đường thử khép kín. Hướng tới mục tiêu tỷ lệ điều hướng thành công đạt 99,9% sau 3 đến 5 chu kỳ lặp, thực hiện trong khung thời gian 18 tháng bởi liên minh giữa viện nghiên cứu học thuật và hãng công nghệ xe tự lái.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang giá trị học thuật và ứng dụng thực tiễn cao, đặc biệt hữu ích cho 4 nhóm đối tượng trọng tâm:

  • Kỹ sư phát triển hệ thống ADAS và xe tự hành: Nắm vững phương pháp thiết kế bộ điều khiển truyền thẳng tối ưu và xử lý trễ pha trong các bài toán điều khiển chuyển động phức tạp như tự đỗ xe hoặc bám làn ở tốc độ cao.
  • Học viên cao học và nghiên cứu sinh ngành Kỹ thuật Điều khiển & Tự động hóa: Tiếp cận tài liệu chuyên sâu về công cụ RoFaLT, lý thuyết điều khiển học lặp phi tuyến cho hệ MIMO và phương pháp giải bài toán NLP có ràng buộc.
  • Chuyên viên mô phỏng và phát triển bản sao số (Digital Twin) ô tô: Khảo sát quy trình tích hợp đồng mô phỏng chuẩn mực giữa LMS Imagine.Lab Amesim, PreScan và MATLAB/Simulink nhằm phục vụ công tác kiểm thử ảo cho phương tiện cơ giới.
  • Giảng viên và nhà nghiên cứu tại các trường đại học kỹ thuật: Sử dụng luận văn làm học liệu tham khảo thực chứng xuất sắc cho các môn học Hệ thống Điều khiển Nâng cao, Động lực học Ô tô và Xe Thông minh.

Câu hỏi thường gặp

  1. Tại sao bộ điều khiển phản hồi PID truyền thống lại bộc lộ hạn chế trong bài toán bám quỹ đạo xe tự hành? Bộ điều khiển PID kinh điển chỉ phản ứng sau khi đã xuất hiện sai số và hoạt động dựa trên giả định hệ thống tuyến tính tách kênh. Đối với hệ động lực học phương tiện phi tuyến MIMO có sự liên kết chặt giữa góc lái và vận tốc dọc, PID luôn gây ra độ trễ pha lớn, khiến sai số vị trí thực tế vượt quá 0,5 m khi xe chuyển hướng gấp.

  2. Thuật toán ILC trong luận văn có điểm gì khác biệt so với các mô hình học máy (Machine Learning)? Trong khi các mô hình học máy hay mạng nơ-ron tập trung vào việc học nhận dạng mô hình hoặc xấp xỉ hàm điều khiển của cả hệ thống, ILC tập trung học và tối ưu hóa trực tiếp tín hiệu điều khiển đầu vào qua từng chu kỳ lặp. Điều này giúp ILC hội tụ chuẩn xác chỉ sau 5 đến 7 vòng lặp mà không cần tập dữ liệu huấn luyện khổng lồ.

  3. Công cụ RoFaLT đóng vai trò cụ thể như thế nào trong kiến trúc điều khiển? RoFaLT đóng vai trò là phần mềm tối ưu hóa chuyên biệt giúp giải quyết bài toán ILC phi tuyến thông qua 2 bước NLP: bước đầu tiên tìm số hạng hiệu chỉnh sai lệch mô hình từ dữ liệu đo lặp trước, bước thứ hai tính toán tín hiệu điều khiển tối ưu cho vòng lặp kế tiếp có xét đến các ràng buộc vật lý.

  4. Cần bao nhiêu chu kỳ lặp để hệ thống đạt được độ chính xác mong muốn trong bài toán đỗ xe tự động? Kết quả mô phỏng trên nền tảng Amesim - PreScan chứng minh rằng hệ thống chỉ cần 5 chu kỳ lặp đối với chiều chuyển động tiến và 7 chu kỳ lặp đối với chiều lùi để sai số bám quỹ đạo giảm từ trên 0,5 m xuống dưới 0,02 m, đáp ứng hoàn hảo tiêu chuẩn vận hành an toàn.

  5. Làm cách nào thuật toán xử lý được hiện tượng trượt bánh lốp khi xe vận hành ở vận tốc cao? Nghiên cứu áp dụng cấu trúc điều khiển lai ghép giữa ILC và MPC, kết hợp mô hình lốp phi tuyến Pacejka. Khi xe chạy tốc độ cao trên đường trơn trượt, MPC liên tục tính toán điều chỉnh sai lệch cục bộ trong khi ILC bù trừ các lực cản lặp lại, giữ vững sai số bám dưới 1,0 m mà không làm mất lái.

Kết luận

  • Luận văn đã xây dựng thành công giải pháp Điều khiển Học Lặp (ILC) phi tuyến dựa trên công cụ RoFaLT cho các ứng dụng xe tự hành di chuyển theo quỹ đạo định trước.
  • Thuật toán chứng minh khả năng hội tụ ấn tượng chỉ sau 5 đến 7 chu kỳ lặp, giúp giảm sai số bám vị trí từ hơn 0,5 m xuống dưới ngưỡng 0,02 m trong kịch bản đỗ xe Valet Parking.
  • Cấu trúc tích hợp ILC cùng bộ điều khiển phản hồi MPC khống chế triệt để hiện tượng trượt lốp phi tuyến trong kịch bản xe đua tốc độ cao dưới điều kiện thời tiết khắc nghiệt.
  • Thiết lập quy trình đồng mô phỏng độ trung thực cao giữa LMS Amesim và PreScan, mở ra phương pháp kiểm thử ảo tối ưu cho ngành công nghiệp ô tô thông minh.
  • Đóng góp nguồn tư liệu khoa học chuẩn mực và các giải pháp kỹ thuật khả thi có thể chuyển giao trực tiếp lên các dòng xe thương mại trong lộ trình 12 đến 18 tháng tới.

Các nhà nghiên cứu, kỹ sư phát triển ADAS và doanh nghiệp công nghệ ô tô quan tâm có thể khai thác khung phương pháp luận và thuật toán tối ưu trong công trình này để đẩy nhanh tiến độ thương mại hóa các tính năng tự hành an toàn và chính xác cao.