Ứng dụng mạng nơron trong điều khiển robot rắn tại HCMUTE

LỜI CAM ĐOAN

LỜI CẢM TẠ

1. CHƯƠNG 1: TỔNG QUAN

1.1. Tổng quan đề tài và các kết quả nghiên cứu đã công bố

1.1.1. Tổng quan về robot rắn

1.1.2. Các kết quả nghiên cứu đã công bố

1.1.2.1. Các bài báo nước ngoài

1.1.2.2. Các bài báo trong nước

1.1.2.3. Định hướng nghiên cứu

1.1.3. Lý do chọn đề tài

1.1.4. Giả thiết khoa học

1.1.5. Mục tiêu, khách thể và đối tượng nghiên cứu của đề tài

1.1.5.1. Mục tiêu đề tài

1.1.5.2. Khách thể nghiên cứu

1.1.5.3. Đối tượng nghiên cứu

1.1.6. Nhiệm vụ của đề tài và giới hạn đề tài

1.1.6.1. Nhiệm vụ đề tài

1.1.6.2. Giới hạn đề tài

1.1.7. Phương pháp nghiên cứu

1.1.7.1. Các phương pháp nghiên cứu lý thuyết

1.1.7.2. Các phương pháp nghiên cứu thực tiễn

1.1.8. Kế hoạch thực hiện

2. CHƯƠNG 2: NHỮNG CƠ SỞ LÝ THUYẾT ĐỂ XÂY DỰNG HỆ THỐNG ĐIỀU KHIỂN ROBOT RẮN

2.1. Mô hình hóa robot rắn

2.1.1. Lực ma sát của robot rắn

2.1.2. Phương trình chuyển động

2.1.3. Phân ly động lực học

2.2. Đường cong serpenoid

2.2.1. Sự di chuyển của Rắn theo đường cong Serpenoid

2.3. Mạng Nơron nhân tạo - những cơ sở lí thuyết liên quan

2.3.1. Mô hình Nơron nhân tạo

2.3.2. Những hàm tổng hợp

2.3.2.1. Hàm tổng hợp tuyến tính

2.3.2.2. Hàm tổng hợp phi tuyến bậc 2

2.3.2.3. Hàm hình cầu

2.3.3. Những hàm hoạt hóa

2.3.3.1. Hàm unipolar sigmoid

2.3.3.2. Hàm bipolar sigmoid

2.3.4. Mô hình mạng Nơron nhân tạo

2.3.5. Phân loại mạng Nơron

2.3.5.1. Theo kiểu liên kết Nơron

2.3.5.2. Theo số lớp Nơron

2.3.6. Các kỹ thuật học của mạng Nơron

2.3.6.1. Học tăng cường (Reinforced learning)

2.3.6.2. Học không có giám sát (Unsupervised learning)

2.4. Mạng Nơron RBF

2.4.1. Hàm cơ sở bán kính

2.4.2. Mô hình mạng RBF

2.4.3. Mô hình toán học

2.4.4. Mô hình mạng RBF Gaussian

3. CHƯƠNG 3: XÂY DỰNG HỆ THỐNG ĐIỀU KHIỂN

3.1. Xây dựng chương trình toán học trên Matlab

3.2. Xây dựng bộ điều khiển dùng PID

3.2.1. Bộ điều khiển địa phương

3.2.2. Bộ điều khiển vòng ngoài

3.2.2.1. Bộ điều khiển hướng

3.2.3. Bộ điều khiển vận tốc

3.3. Xây dựng bộ điều khiển trên Matlab

3.4. Kết quả mô phỏng

3.5. Xây dựng bộ điều khiển dùng RBFNN-PID

3.5.1. Bộ điều khiển địa phương

3.5.2. Bộ điều khiển vòng ngoài

3.5.2.1. Bộ điều khiển hướng

3.5.2.2. Bộ điều khiển vận tốc

3.5.3. Xây dựng bộ điều khiển trên Matlab

3.5.4. Kết quả mô phỏng

3.6. So sánh kết quả mô phỏng giữa hai bộ điều khiển PID và RBFNN-PID và kết luận

3.6.1. Kết quả mô phỏng giữa hai bộ điều khiển PID và RBFNN-PID theo các thông số ban đầu

3.6.2. Kết quả mô phỏng giữa hai bộ điều khiển PID và RBFNN-PID khi thay đổi môi trường

3.6.3. Kết quả mô phỏng giữa hai bộ điều khiển PID và RBFNN-PID khi thay đổi thông số robot

3.6.4. Kết quả mô phỏng giữa hai bộ điều khiển PID và RBFNN-PID khi thay đổi vận tốc

4. CHƯƠNG 4: THIẾT KẾ VÀ THI CÔNG MÔ HÌNH

4.1. Card giao tiếp

4.2. Nguyên tắc hoạt động

4.2.1. Lựa chọn động cơ

4.2.2. Các thông số kĩ thuật của động cơ Dynamixel AX-12A

4.3. Hệ thống cơ khí

4.3.1. Thiết kế cơ khí

4.3.2. Mô hình hệ thống

5. CHƯƠNG 5: KẾT LUẬN VÀ KHUYẾN NGHỊ

5.1. Những kết quả đạt được

5.2. Những mặt còn hạn chế

TÀI LIỆU THAM KHẢO

I. Tổng quan về ứng dụng mạng nơron trong điều khiển robot rắn

Trong những năm gần đây, mạng nơron đã trở thành một công cụ quan trọng trong việc điều khiển robot. Đặc biệt, robot rắn là một trong những ứng dụng nổi bật của công nghệ này. Robot rắn có khả năng di chuyển linh hoạt trong các môi trường phức tạp, điều này đòi hỏi các phương pháp điều khiển tiên tiến để đảm bảo tính ổn định và hiệu quả. Việc kết hợp giữa kỹ thuật điều khiển truyền thống như PID và mạng nơron đã mở ra hướng đi mới cho việc phát triển các hệ thống điều khiển thông minh. Theo nghiên cứu, việc áp dụng mạng nơron trong điều khiển robot không chỉ giúp cải thiện khả năng thích nghi mà còn nâng cao hiệu suất hoạt động của robot trong các tình huống thực tế.

1.1. Đặc điểm của robot rắn

Robot rắn có cấu trúc phi tuyến và nhiều biến, điều này tạo ra thách thức lớn trong việc điều khiển robot. Đặc điểm nổi bật của robot rắn là khả năng di chuyển linh hoạt và thích nghi với nhiều loại địa hình khác nhau. Các nghiên cứu đã chỉ ra rằng, robot rắn có thể hoạt động hiệu quả hơn so với các loại robot khác trong môi trường gồ ghề. Việc sử dụng mạng nơron để điều khiển robot rắn cho phép hệ thống tự động điều chỉnh theo các thay đổi trong môi trường, từ đó nâng cao khả năng hoạt động của robot. Điều này đặc biệt quan trọng trong các ứng dụng như khảo sát địa hình, cứu hộ và các nhiệm vụ trong không gian hạn chế.

1.2. Ứng dụng của mạng nơron trong điều khiển robot

Việc ứng dụng mạng nơron trong điều khiển robot rắn đã cho thấy nhiều lợi ích rõ rệt. Mạng nơron RBF (Radial Basis Function) được sử dụng để phát triển bộ điều khiển RBFNN-PID, kết hợp giữa tính ổn định của PID và khả năng học hỏi của mạng nơron. Kết quả mô phỏng cho thấy bộ điều khiển này có thời gian đáp ứng nhanh và độ chính xác cao hơn so với các phương pháp điều khiển truyền thống. Hệ thống này không chỉ giúp cải thiện hiệu suất điều khiển mà còn giảm thiểu sai số trong quá trình hoạt động. Nhờ vào khả năng tự học và thích nghi, robot rắn có thể hoạt động hiệu quả trong các điều kiện môi trường khác nhau, từ đó mở rộng khả năng ứng dụng trong thực tế.

II. Phương pháp nghiên cứu và kết quả đạt được

Nghiên cứu này áp dụng các phương pháp lý thuyết và thực tiễn để phát triển bộ điều khiển RBFNN-PID cho robot rắn. Các phương pháp mô phỏng trên phần mềm Matlab đã được sử dụng để kiểm tra hiệu quả của bộ điều khiển. Kết quả cho thấy, bộ điều khiển RBFNN-PID có khả năng thích nghi tốt hơn so với bộ điều khiển PID thuần túy trong các điều kiện thay đổi của môi trường và thông số robot. Việc so sánh giữa hai bộ điều khiển cho thấy RBFNN-PID có thời gian đáp ứng nhanh hơn, độ vọt lố thấp hơn và độ bám của hướng và vận tốc tốt hơn. Điều này chứng tỏ rằng việc ứng dụng mạng nơron trong điều khiển robot rắn không chỉ mang lại hiệu quả cao mà còn mở ra hướng nghiên cứu mới trong lĩnh vực khoa học máy tính và công nghệ robot.

2.1. Kết quả mô phỏng

Kết quả mô phỏng cho thấy bộ điều khiển RBFNN-PID hoạt động ổn định trong các điều kiện khác nhau. Khi thay đổi các thông số như chiều dài, khối lượng và vận tốc của robot, bộ điều khiển vẫn duy trì được hiệu suất cao. Các thông số đầu vào được điều chỉnh linh hoạt, cho phép robot thích nghi với các thay đổi trong môi trường. Điều này chứng tỏ rằng mạng nơron có khả năng học hỏi và điều chỉnh theo thời gian thực, từ đó nâng cao hiệu quả điều khiển. Kết quả này không chỉ có giá trị lý thuyết mà còn có ứng dụng thực tiễn trong việc phát triển các hệ thống robot thông minh.

2.2. Thiết kế và thi công mô hình thực tế

Sau khi hoàn thành mô phỏng, nghiên cứu đã tiến hành thiết kế và thi công mô hình robot rắn thực tế. Mô hình này được trang bị các cảm biến và động cơ phù hợp để thực hiện các nhiệm vụ điều khiển. Kết quả thực nghiệm cho thấy robot hoạt động ổn định và có khả năng thích nghi tốt với các điều kiện môi trường khác nhau. Việc áp dụng công nghệ thông tin và khoa học máy tính trong thiết kế đã giúp tối ưu hóa hiệu suất của robot. Mô hình thực tế này không chỉ chứng minh tính khả thi của bộ điều khiển RBFNN-PID mà còn mở ra hướng đi mới cho các nghiên cứu tiếp theo trong lĩnh vực robot rắn.

Luận văn thạc sĩ: Ứng dụng mạng nơron để điều khiển robot rắn tại HCMUTE