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

• Tác giả: Nguyễn Kim Suyên
• Người hướng dẫn: TS. Nguyễn Minh Tâm
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Kỹ thuật điện
• Đề tài: Ứng Dụng Mạng Nơron Trong Điều Khiển Robot Rắn
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2014
• Địa điểm: Tp. Hồ Chí Minh

• 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.

Tổng quan nghiên cứu

Robot rắn là một hướng nghiên cứu mới nổi trong lĩnh vực robot di động, đặc biệt được quan tâm trong những thập niên gần đây do khả năng thích nghi vượt trội với các môi trường phức tạp so với robot bánh xe hay robot chân. Theo báo cáo ngành, các robot di chuyển bằng bánh xe tuy hiệu quả trên mặt phẳng nhưng gặp khó khăn khi hoạt động trên địa hình gồ ghề, trong khi robot rắn với cấu trúc nhiều đoạn nối linh hoạt có thể “bò” và thích nghi tốt hơn. Đề tài nghiên cứu ứng dụng mạng nơron nhân tạo, cụ thể là mạng Nơron hàm cơ sở bán kính (RBFNN), kết hợp với bộ điều khiển PID nhằm tạo ra bộ điều khiển thích nghi cho robot rắn. Mục tiêu chính là phát triển bộ điều khiển RBFNN-PID nhằm tận dụng ưu điểm ổn định của PID và khả năng đáp ứng nhanh, thích nghi của mạng nơron, từ đó thiết kế và thi công mô hình robot rắn thực nghiệm để kiểm chứng hiệu quả điều khiển.

Phạm vi nghiên cứu tập trung vào robot rắn hoạt động trong không gian hai chiều trên địa hình bằng phẳng, không có chướng ngại vật, với thời gian thực hiện từ năm 2013 đến 2014 tại Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh. Ý nghĩa nghiên cứu thể hiện qua việc nâng cao hiệu quả điều khiển hệ thống phi tuyến, nhiều biến phức tạp như robot rắn, đồng thời mở rộng ứng dụng trong khảo sát, giám sát và thu thập dữ liệu trong các môi trường phức tạp. Kết quả mô phỏng và thực nghiệm cho thấy bộ điều khiển RBFNN-PID vượt trội hơn bộ PID thuần túy về thời gian đáp ứng, độ vọt lố và khả năng thích nghi khi thay đổi các thông số môi trường và robot.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai nền tảng lý thuyết chính: mô hình động lực học robot rắn và mạng nơron nhân tạo RBF.

1. Mô hình động lực học robot rắn: Robot rắn được mô hình hóa gồm n đoạn nối với (n-1) khớp, mỗi đoạn có khối lượng phân bố đều và chuyển động trong mặt phẳng hai chiều. Phương trình chuyển động bao gồm các lực ma sát nhớt (ma sát trượt) và moment xoắn tại các khớp, được biểu diễn qua hệ phương trình động lực học phi tuyến phức tạp. Đặc biệt, phương trình chuyển động được phân ly thành hai phần: điều khiển hình dạng (góc các khớp) và điều khiển vị trí, hướng của trọng tâm robot. Đường cong Serpenoid được sử dụng để mô phỏng hình dạng chuyển động của robot rắn, mô phỏng chuyển động sinh học của rắn thật với các tham số điều chỉnh tối ưu hóa hiệu suất.

2. Mạng nơron nhân tạo RBF (Radial Basis Function Neural Network): Mạng RBF là mạng nơron hồi qui với các hàm cơ sở Gaussian, có khả năng hội tụ nhanh và không tích lũy sai số, rất phù hợp cho bài toán điều khiển hệ thống phi tuyến. Mạng RBF được kết hợp với bộ điều khiển PID để tạo thành bộ điều khiển RBFNN-PID, tận dụng ưu điểm ổn định của PID và khả năng thích nghi, tự học của mạng nơron.

Các khái niệm chính bao gồm: lực ma sát nhớt, moment xoắn, phương trình chuyển động tịnh tiến và quay, hàm cơ sở Gaussian, bộ điều khiển PID, mạng nơron RBF, và đường cong Serpenoid.

Phương pháp nghiên cứu

Nguồn dữ liệu nghiên cứu bao gồm dữ liệu mô phỏng trên phần mềm Matlab và kết quả thực nghiệm từ mô hình robot rắn được thiết kế và thi công. Cỡ mẫu nghiên cứu là hệ thống robot rắn gồm nhiều đoạn nối, với các biến thể về chiều dài, khối lượng, hệ số ma sát và vận tốc để đánh giá khả năng thích nghi của bộ điều khiển.

Phương pháp phân tích sử dụng mô hình hóa toán học, phân tích động lực học, xây dựng thuật toán điều khiển RBFNN-PID, và mô phỏng so sánh với bộ điều khiển PID thuần túy. Timeline nghiên cứu kéo dài khoảng 8 tháng, bao gồm: 1 tháng nghiên cứu lý thuyết chuyển động robot rắn, 1 tháng lựa chọn phương pháp điều khiển, 1 tháng xây dựng hệ thống điều khiển, 1 tháng viết chương trình điều khiển, 1 tháng mô phỏng Matlab, 1 tháng so sánh kết quả mô phỏng, và 2 tháng thi công mô hình thực nghiệm.

Phương pháp chọn mẫu là lựa chọn các trường hợp biến đổi thông số robot và môi trường để kiểm tra tính thích nghi của bộ điều khiển. Phương pháp phân tích bao gồm so sánh các chỉ số thời gian đáp ứng, độ vọt lố, độ bám hướng và vận tốc giữa bộ điều khiển RBFNN-PID và PID thuần túy.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Bộ điều khiển RBFNN-PID có thời gian đáp ứng nhanh hơn: Mô phỏng trên Matlab cho thấy, trong điều kiện chuẩn với vận tốc mục tiêu 1 m/s và hướng 0 rad, thời gian đáp ứng của RBFNN-PID nhanh hơn bộ PID thuần túy khoảng 15-20%, giúp robot rắn đạt trạng thái ổn định nhanh hơn.

2. Giảm độ vọt lố và sai số ổn định: Kết quả mô phỏng khi thay đổi hệ số ma sát (từ 0 đến 1) cho thấy bộ điều khiển RBFNN-PID giảm độ vọt lố trung bình 25% so với PID, đồng thời triệt tiêu sai số xác lập hiệu quả hơn, đảm bảo độ chính xác cao trong điều khiển.

3. Khả năng thích nghi với thay đổi thông số robot: Khi thay đổi chiều dài đoạn robot từ 1m lên 2m và khối lượng từ 0kg lên 2kg, bộ điều khiển RBFNN-PID duy trì được độ ổn định và bám hướng tốt hơn, với sai số hướng giảm khoảng 30% so với PID.

4. Ổn định khi thay đổi vận tốc: Ở các mức vận tốc khác nhau, bộ điều khiển RBFNN-PID thể hiện khả năng thích nghi tốt, giữ được vận tốc và hướng ổn định, trong khi bộ PID thuần túy có hiện tượng dao động lớn hơn.

Thảo luận kết quả

Nguyên nhân chính của sự vượt trội này là do mạng nơron RBF có khả năng tự học và điều chỉnh trọng số liên kết theo đặc tính động của hệ thống phi tuyến, giúp bộ điều khiển thích nghi nhanh với các thay đổi môi trường và thông số robot. So với các nghiên cứu trước đây chỉ sử dụng PID hoặc mạng nơron BP với tốc độ hội tụ chậm, bộ điều khiển RBFNN-PID kết hợp ưu điểm của cả hai phương pháp, đảm bảo tính ổn định và đáp ứng nhanh.

Kết quả mô phỏng có thể được trình bày qua các biểu đồ so sánh thời gian đáp ứng, độ vọt lố và sai số hướng giữa hai bộ điều khiển dưới các điều kiện khác nhau, giúp minh họa rõ ràng hiệu quả của bộ điều khiển RBFNN-PID. Kết quả thực nghiệm từ mô hình robot rắn cũng xác nhận tính ổn định và thích nghi của hệ thống điều khiển, phù hợp với các ứng dụng thực tế trong môi trường phức tạp.

Đề xuất và khuyến nghị

1. Triển khai ứng dụng bộ điều khiển RBFNN-PID trong các hệ thống robot rắn đa đoạn nhằm nâng cao hiệu quả điều khiển trong môi trường công nghiệp và nghiên cứu, với mục tiêu giảm thời gian đáp ứng và sai số dưới 10% trong vòng 6 tháng, do các trung tâm nghiên cứu robot thực hiện.

2. Phát triển phần mềm mô phỏng và huấn luyện mạng nơron RBF chuyên biệt cho robot rắn, giúp tối ưu hóa tham số điều khiển theo từng đặc tính robot cụ thể, dự kiến hoàn thành trong 1 năm, do các nhóm nghiên cứu và doanh nghiệp công nghệ thực hiện.

3. Mở rộng nghiên cứu điều khiển robot rắn trong không gian ba chiều và địa hình phức tạp, kết hợp cảm biến và thuật toán học sâu để tăng khả năng thích nghi, với mục tiêu thử nghiệm thành công trong 2 năm, do các viện nghiên cứu và trường đại học chủ trì.

4. Tăng cường đào tạo và chuyển giao công nghệ về điều khiển robot rắn sử dụng mạng nơron cho các kỹ sư và sinh viên ngành kỹ thuật điện tử, nhằm nâng cao năng lực nghiên cứu và ứng dụng thực tế, tổ chức các khóa học và hội thảo định kỳ hàng năm.

Đối tượng nên tham khảo luận văn

1. Các nhà nghiên cứu và giảng viên ngành kỹ thuật điện tử, tự động hóa: Luận văn cung cấp cơ sở lý thuyết và phương pháp thực nghiệm về điều khiển robot rắn bằng mạng nơron, hỗ trợ phát triển các đề tài nghiên cứu mới.

2. Sinh viên cao học và nghiên cứu sinh chuyên ngành robot và điều khiển tự động: Tài liệu chi tiết về mô hình hóa, thiết kế bộ điều khiển RBFNN-PID và kết quả thực nghiệm giúp nâng cao kiến thức và kỹ năng thực hành.

3. Kỹ sư phát triển sản phẩm robot công nghiệp và robot khảo sát: Tham khảo để áp dụng bộ điều khiển thích nghi trong các sản phẩm robot di động đa đoạn, cải thiện hiệu suất và độ ổn định trong môi trường làm việc phức tạp.

4. Các trung tâm nghiên cứu và doanh nghiệp công nghệ robot: Tài liệu cung cấp hướng đi mới trong phát triển hệ thống điều khiển robot rắn, hỗ trợ nâng cao năng lực cạnh tranh và đổi mới công nghệ.

Câu hỏi thường gặp

1. Bộ điều khiển RBFNN-PID khác gì so với bộ PID truyền thống?
   Bộ điều khiển RBFNN-PID kết hợp ưu điểm ổn định của PID và khả năng tự học, thích nghi nhanh của mạng nơron RBF, giúp cải thiện thời gian đáp ứng và giảm sai số trong điều khiển hệ thống phi tuyến như robot rắn.

2. Tại sao chọn mạng nơron RBF thay vì mạng nơron BP?
   Mạng RBF có thời gian hội tụ nhanh hơn, không tích lũy sai số và đảm bảo hội tụ đến cực trị toàn cục của sai số trung bình phương, phù hợp hơn cho bài toán điều khiển thời gian thực và hệ thống phi tuyến.

3. Phạm vi ứng dụng của robot rắn được nghiên cứu trong luận văn là gì?
   Robot rắn được nghiên cứu hoạt động trong không gian hai chiều trên địa hình bằng phẳng, không có chướng ngại vật, thích hợp cho khảo sát, giám sát và thu thập dữ liệu trong môi trường phức tạp.

4. Kết quả mô phỏng và thực nghiệm có tương đồng không?
   Kết quả thực nghiệm từ mô hình robot rắn thiết kế cho thấy hệ thống hoạt động ổn định và thích nghi tốt, tương đồng với kết quả mô phỏng trên Matlab, xác nhận tính khả thi của bộ điều khiển RBFNN-PID.

5. Có thể mở rộng nghiên cứu này cho robot rắn trong không gian ba chiều không?
   Có thể, tuy nhiên cần phát triển thêm mô hình động lực học phức tạp hơn và tích hợp cảm biến, thuật toán học sâu để điều khiển hiệu quả trong môi trường ba chiều và địa hình phức tạp.

Kết luận

• Đã xây dựng thành công bộ điều khiển RBFNN-PID kết hợp ưu điểm của mạng nơron RBF và bộ điều khiển PID, thích nghi tốt với hệ thống robot rắn phi tuyến.
• Mô hình toán học và phương trình động lực học robot rắn được phát triển chi tiết, bao gồm phân ly động lực học và ứng dụng đường cong Serpenoid mô phỏng chuyển động.
• Kết quả mô phỏng và thực nghiệm cho thấy bộ điều khiển RBFNN-PID vượt trội hơn bộ PID thuần túy về thời gian đáp ứng, độ vọt lố và khả năng thích nghi với thay đổi môi trường và thông số robot.
• Luận văn mở ra hướng nghiên cứu mới trong điều khiển robot rắn, góp phần nâng cao hiệu quả giảng dạy, học tập và nghiên cứu trong lĩnh vực kỹ thuật điện tử và tự động hóa.
• Đề xuất các bước tiếp theo gồm mở rộng nghiên cứu không gian ba chiều, phát triển phần mềm huấn luyện mạng nơron chuyên biệt và đào tạo chuyển giao công nghệ cho cộng đồng kỹ thuật.

Quý độc giả và các nhà nghiên cứu được khuyến khích áp dụng và phát triển thêm các giải pháp điều khiển thích nghi dựa trên mạng nơron cho các hệ thống robot phức tạp trong tương lai.