Ứng Dụng Mô Hình Dự Đoán Xác Định Vị Trí Đỗ Cho Hệ AGV Nhằm Giảm Thiểu Thời Gian Hoàn Thành Nhiệm Vụ

Bài viết này tập trung vào ứng dụng mô hình dự đoán để tối ưu hóa hoạt động của hệ thống AGV, một lĩnh vực… 92 trang · Đại học Bách Khoa - ĐHQG HCM · 2024.

• Tác giả: Ngô Trường Tín
• Người hướng dẫn: PGS. Ngô Hà Quang Thịnh
• Trường học: Đại học Bách Khoa - ĐHQG HCM
• Chuyên ngành: Kỹ thuật Cơ điện tử
• Đề tài: Ứng Dụng Mô Hình Dự Đoán Xác Định Vị Trí Đỗ Cho Hệ AGV Nhằm Giảm Thiểu Thời Gian Hoàn Thành Nhiệm Vụ
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2024
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• NHIỆM VỤ LUẬN VĂN
• LỜI CẢM ƠN
• TÓM TẮT LUẬN VĂN
• LỜI CAM ĐOAN
• DANH MỤC HÌNH
• DANH MỤC BẢNG
• DANH MỤC CÁC TỪ VIẾT TẮT
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Giới thiệu vấn đề
• 1.1.1. Giới thiệu hệ thống AGV trên thế giới và ở Việt Nam
• 1.1.2. Các nhiệm vụ cơ bản và vấn đề tồn đọng của hệ thống AGV
• 1.1.3. Các công trình nghiên cứu liên quan
• 1.2. Hướng ứng dụng thực tế, mục tiêu, phạm vi đề tài và nội dung luận văn
• 1.2.1. Hướng ứng dụng thực tế
• 1.2.2. Mục tiêu đề tài
• 1.2.3. Phạm vi đề tài
• 1.2.4. Nội dung luận văn
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ MÔ HÌNH HOÁ HỆ THỐNG AGV
• 2.1. Các thành phần trong hệ thống AGV
• 2.1.1. Cấu trúc và vai trò của hệ thống điều khiển
• 2.1.1.1. Nhiệm vụ phân bổ công việc
• 2.1.1.2. Nhiệm vụ xác định đường đi
• 2.1.1.3. Nhiệm vụ lập kế hoạch di chuyển
• 2.1.1.4. Nhiệm vụ định vị và quản lý phương tiện
• 2.1.2. Phương tiện được ứng dụng trong hệ thống AGV
• 2.1.3. Mạng lưới giao thông
• 2.2. Mô phỏng hệ thống AGV
• 3. CHƯƠNG 3: MÔ HÌNH DỰ ĐOÁN VÀ GIẢI THUẬT TÍNH TOÁN
• 3.1. Mô hình dự đoán
• 3.1.1. Quy trình xây dựng mô hình dự đoán
• 3.2. Dữ liệu và xử lý dữ liệu
• 3.2.1. Dữ liệu xấu và cách xử lý dữ liệu xấu
• 3.2.2. Các phương pháp biến đổi tập dữ liệu
• 3.2.3. Tệp dữ liệu được áp dụng trong đề tài
• 3.3. Xác định thuật toán và xây dựng mô hình dự đoán
• 3.3.1. Xác định thuật toán
• 3.3.2. Xây dựng mô hình dự đoán
• 4. CHƯƠNG 4: PHÁT TRIỂN THUẬT TOÁN XÁC ĐỊNH VỊ TRÍ ĐỖ CHO AGV BẰNG MÔ HÌNH ĐỀ XUẤT
• 4.1. Quy trình làm việc của hệ thống AGV
• 4.2. Giải thuật áp dụng mô hình dự đoán nhằm xác định vị trí đỗ cho AGV
• 4.3. Điều kiện để áp dụng giải thuật và quy trình làm việc
• 5. CHƯƠNG 5: MÔ PHỎNG VÀ KẾT QUẢ ĐẠT ĐƯỢC
• 5.1. Đặc tính của hệ thống và mô hình mô phỏng
• 5.1.1. Mô hình mô phỏng
• 5.1.1.1. Các điều kiện ban đầu
• 5.1.1.2. Xác định điều kiện để hệ thống trong trạng thái rảnh
• 5.1.1.3. Mô hình mô phỏng 1
• 5.1.1.4. Mô hình mô phỏng 2
• 5.2. Kết quả đạt được
• 5.2.1. Kết quả mô phỏng 1 và xử lý số liệu
• 5.2.2. Kết quả mô phỏng 2 và xử lý dữ liệu
• 5.3. Nhận xét và kết luận
• 6. CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 6.1. Hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan ứng dụng mô hình dự đoán cho hệ thống AGV

Bài viết này tập trung vào ứng dụng mô hình dự đoán để tối ưu hóa hoạt động của hệ thống AGV, một lĩnh vực đang ngày càng phát triển trong bối cảnh tự động hóa và công nghiệp 4.0. AGV (Automated Guided Vehicle) là phương tiện vận chuyển hàng hóa tự động, không người lái, đóng vai trò quan trọng trong các nhà máy thông minh, kho hàng thông minh và hệ thống logistics. Việc tối ưu hóa vị trí đỗ của AGV có ý nghĩa quan trọng trong việc giảm thiểu thời gian hoàn thành nhiệm vụ, tăng năng suất và hiệu quả hoạt động. Nghiên cứu của Ngô Trường Tín tại Đại học Bách Khoa TP.HCM năm 2024 đã đề xuất một thuật toán mới áp dụng mô hình dự đoán vào quá trình phân phối nhiệm vụ cho AGV, mang lại tiềm năng lớn trong việc cải thiện hiệu suất hệ thống. Theo báo cáo của Grand View Research [3], thị trường AGV toàn cầu dự kiến sẽ đạt tốc độ tăng trưởng kép hàng năm (CAGR) là 9,7% từ năm 2023 đến 2030, cho thấy tiềm năng phát triển mạnh mẽ của lĩnh vực này.

1.1. Giới thiệu chung về hệ thống AGV và vai trò

AGV là viết tắt của Automated Guided Vehicle, một loại xe tự hành được sử dụng để vận chuyển vật liệu trong môi trường công nghiệp. AGV hoạt động dựa trên các hệ thống dẫn đường, chẳng hạn như dây dẫn từ tính, laser, hoặc tầm nhìn máy tính. Hệ thống AGV giúp tăng năng suất, giảm chi phí nhân công, và cải thiện độ an toàn. AGV ngày càng được ứng dụng rộng rãi trong nhiều ngành công nghiệp. Hệ thống AGV đóng vai trò then chốt trong các hệ thống kho thông minh, nhà máy thông minh, và các ứng dụng logistics.

1.2. Tầm quan trọng của tối ưu vị trí đỗ cho AGV

Tối ưu vị trí đỗ cho AGV là yếu tố then chốt để giảm thiểu thời gian hoàn thành nhiệm vụ. Khi AGV đỗ ở vị trí tối ưu, thời gian di chuyển đến điểm lấy hàng sẽ được rút ngắn. Điều này đặc biệt quan trọng trong các hệ thống có nhiều AGV và tần suất công việc cao. Việc xác định vị trí đỗ hợp lý giúp giảm thiểu thời gian chết của AGV, tăng hiệu suất hoạt động tổng thể. Tối ưu vị trí đỗ còn giúp cân bằng tải công việc giữa các AGV, tránh tình trạng một số AGV quá tải trong khi những AGV khác nhàn rỗi.

II. Bài toán xác định vị trí đỗ tối ưu cho hệ thống AGV

Việc xác định vị trí đỗ tối ưu cho AGV là một bài toán phức tạp, đặc biệt trong các hệ thống lớn với nhiều AGV và nhiều điểm đến. Các yếu tố cần xem xét bao gồm: bố trí nhà máy, vị trí các trạm làm việc, tần suất yêu cầu dịch vụ tại mỗi trạm, tốc độ di chuyển của AGV, và số lượng AGV trong hệ thống. Các phương pháp truyền thống thường dựa trên các quy tắc đơn giản hoặc thống kê, và có thể không hiệu quả trong các môi trường phức tạp và thay đổi liên tục. Mô hình dự đoán có thể giúp giải quyết bài toán này bằng cách dự đoán nhu cầu dịch vụ trong tương lai và tối ưu hóa vị trí đỗ của AGV dựa trên dự đoán đó. Theo Egbelu (1993), một trong những hướng tiếp cận quan trọng là giảm thiểu thời gian phản hồi trung bình của hệ thống AGV.

2.1. Các yếu tố ảnh hưởng đến vị trí đỗ của AGV

Bố trí nhà máy và mạng lưới giao thông có ảnh hưởng lớn đến vị trí đỗ của AGV. Vị trí các trạm làm việc và tần suất yêu cầu dịch vụ cũng là những yếu tố quan trọng. Số lượng AGV trong hệ thống và tốc độ di chuyển của chúng cần được cân nhắc. Các ràng buộc về không gian và an toàn cũng cần được xem xét khi xác định vị trí đỗ.

2.2. Hạn chế của phương pháp truyền thống trong xác định vị trí

Các phương pháp truyền thống thường dựa trên các quy tắc đơn giản hoặc thống kê. Các phương pháp này có thể không hiệu quả trong các môi trường phức tạp và thay đổi liên tục. Việc tối ưu hóa vị trí đỗ bằng phương pháp truyền thống thường tốn nhiều thời gian và công sức. Các phương pháp truyền thống khó thích ứng với sự thay đổi của nhu cầu dịch vụ.

2.3. Tại sao cần ứng dụng mô hình dự đoán trong bài toán này

Mô hình dự đoán có thể dự đoán nhu cầu dịch vụ trong tương lai, nâng cao hiệu quả. Mô hình dự đoán có thể tối ưu hóa vị trí đỗ của AGV dựa trên dự đoán đó. Việc ứng dụng mô hình dự đoán giúp giảm thời gian phản hồi và tăng năng suất. Mô hình dự đoán có khả năng thích ứng với sự thay đổi của nhu cầu dịch vụ. Mô hình dự đoán khắc phục được hạn chế của phương pháp truyền thống.

III. Mô hình dự đoán thuật toán cho vị trí đỗ AGV hiệu quả

Để giải quyết bài toán xác định vị trí đỗ tối ưu cho AGV, nghiên cứu này đề xuất ứng dụng mô hình dự đoán. Mô hình dự đoán sử dụng dữ liệu lịch sử và các yếu tố liên quan để dự đoán nhu cầu dịch vụ trong tương lai. Dựa trên dự đoán này, một thuật toán sẽ được sử dụng để tối ưu hóa vị trí đỗ của AGV, giảm thiểu thời gian di chuyển và thời gian hoàn thành nhiệm vụ. Các thuật toán có thể được áp dụng bao gồm thuật toán di truyền, giải thuật ACO (Ant Colony Optimization) hoặc PSO (Particle Swarm Optimization). Đồng thời cần phân tích dữ liệu quá khứ và các phương pháp biến đổi dữ liệu, ví dụ như PCA[22].

3.1. Tổng quan về mô hình dự đoán và các loại mô hình

Mô hình dự đoán là một công cụ mạnh mẽ để dự đoán các sự kiện hoặc xu hướng trong tương lai. Có nhiều loại mô hình dự đoán khác nhau, bao gồm mô hình thống kê, mô hình học máy, và mô hình chuỗi Markov. Việc lựa chọn mô hình dự đoán phù hợp phụ thuộc vào loại dữ liệu có sẵn và độ phức tạp của bài toán. Các mô hình học sâu như LSTM (Long Short-Term Memory) cũng được áp dụng để dự đoán các chuỗi thời gian.

3.2. Thuật toán đề xuất cho tối ưu hóa vị trí đỗ AGV

Một thuật toán tối ưu hóa cần được sử dụng để xác định vị trí đỗ tối ưu cho AGV dựa trên dự đoán nhu cầu dịch vụ. Các thuật toán có thể được áp dụng bao gồm thuật toán di truyền, giải thuật ACO (Ant Colony Optimization), thuật toán PSO (Particle Swarm Optimization). Các thuật toán này tìm kiếm giải pháp tốt nhất trong không gian giải pháp bằng cách mô phỏng các quá trình tự nhiên.

IV. Ứng dụng mô hình dự đoán và thuật toán trong hệ thống AGV

Nghiên cứu của Ngô Trường Tín đã ứng dụng mô hình dự đoán và thuật toán tối ưu hóa để xác định vị trí đỗ cho AGV trong một hệ thống mô phỏng. Kết quả cho thấy rằng phương pháp này có thể giảm thiểu thời gian phản hồi của AGV, từ đó giảm thời gian hoàn thành nhiệm vụ. Cụ thể, thuật toán được thử nghiệm trên bản đồ mô phỏng dưới dạng bàn cờ và cho thấy tiềm năng lớn trong việc cải thiện hiệu suất hệ thống. Quá trình ứng dụng bao gồm các bước: thu thập dữ liệu, xây dựng mô hình dự đoán, tối ưu hóa vị trí đỗ và đánh giá hiệu quả.

4.1. Quy trình triển khai mô hình dự đoán và thuật toán

Quy trình triển khai bao gồm các bước: thu thập dữ liệu lịch sử về hoạt động của hệ thống AGV, xây dựng mô hình dự đoán nhu cầu dịch vụ, thiết kế thuật toán tối ưu hóa vị trí đỗ dựa trên dự đoán, triển khai thuật toán trong hệ thống mô phỏng hoặc thực tế, và đánh giá hiệu quả của phương pháp.

4.2. Kết quả và phân tích hiệu quả đạt được khi ứng dụng

Kết quả cho thấy rằng việc ứng dụng mô hình dự đoán và thuật toán tối ưu hóa có thể giảm thiểu thời gian phản hồi của AGV, từ đó giảm thời gian hoàn thành nhiệm vụ. Hiệu quả đạt được phụ thuộc vào độ chính xác của mô hình dự đoán và hiệu quả của thuật toán tối ưu hóa. Cần phân tích dữ liệu để đánh giá hiệu quả và điều chỉnh phương pháp khi cần thiết.

4.3. Các yếu tố cần cân nhắc khi triển khai trong thực tế

Khi triển khai trong thực tế, cần cân nhắc các yếu tố: chi phí triển khai và bảo trì, độ phức tạp của hệ thống, khả năng tích hợp với hệ thống hiện có, và yêu cầu về bảo mật. Cần đảm bảo rằng hệ thống hoạt động ổn định và an toàn trong môi trường thực tế. Đảm bảo có đủ dữ liệu để xây dựng mô hình dự đoán chính xác.

V. Kết luận và hướng phát triển cho bài toán tối ưu AGV

Ứng dụng mô hình dự đoán để xác định vị trí đỗ cho AGV là một hướng đi đầy hứa hẹn để giảm thiểu thời gian hoàn thành nhiệm vụ và nâng cao hiệu quả hoạt động của hệ thống. Nghiên cứu của Ngô Trường Tín đã chứng minh tính khả thi của phương pháp này trong một hệ thống mô phỏng. Trong tương lai, cần tiếp tục nghiên cứu và phát triển các mô hình dự đoán và thuật toán tối ưu hóa tiên tiến hơn, cũng như thử nghiệm phương pháp này trong các hệ thống thực tế. Hướng phát triển có thể tập trung vào việc tích hợp các công nghệ mới như học sâu, IoT, và dữ liệu thời gian thực.

5.1. Tổng kết các ưu điểm của phương pháp dự đoán vị trí đỗ

Phương pháp dự đoán vị trí đỗ giúp giảm thiểu thời gian phản hồi của AGV, giảm thời gian hoàn thành nhiệm vụ, và tăng năng suất. Phương pháp này có khả năng thích ứng với sự thay đổi của nhu cầu dịch vụ. Phương pháp này có thể được tích hợp với các hệ thống hiện có. Phương pháp này giúp tối ưu hóa việc sử dụng tài nguyên.

5.2. Hướng phát triển và nghiên cứu tiềm năng trong tương lai

Hướng phát triển có thể tập trung vào việc tích hợp các công nghệ mới như học sâu, IoT, và dữ liệu thời gian thực. Cần nghiên cứu các mô hình dự đoán và thuật toán tối ưu hóa tiên tiến hơn. Cần thử nghiệm phương pháp này trong các hệ thống thực tế. Cần đánh giá hiệu quả của phương pháp trong các môi trường khác nhau. Phát triển các giải pháp dựa trên Reinforcement Learning để tự động điều chỉnh vị trí đỗ.

Nội dung chính

Tổng quan nghiên cứu

Thị trường xe tự hành dẫn đường tự động (AGV) toàn cầu đạt quy mô 4,28 tỷ USD vào năm 2022 và được dự báo tăng trưởng kép hàng năm (CAGR) ở mức 9,7% trong giai đoạn 2023 - 2030 theo báo cáo của Grand View Research. Tại Việt Nam, với định hướng chiến lược cơ bản trở thành nước công nghiệp theo hướng hiện đại vào năm 2030, nhu cầu tự động hóa logistics nội bộ trong các nhà xưởng và trung tâm phân phối thương mại điện tử đang bùng nổ mạnh mẽ. Vấn đề cốt lõi đặt ra trong quá trình vận hành hệ thống đa phương tiện (Multi-AGV) là sự lãng phí thời gian khi phương tiện ở trạng thái rảnh rỗi. Các chiến lược đỗ truyền thống như đỗ tập trung tại một khu vực hoặc đỗ vòng lặp cố định thường làm gia tăng đáng kể thời gian phản hồi khi có nhiệm vụ phát sinh, dẫn đến suy giảm năng suất dây chuyền và lãng phí năng lượng vận hành.

Nghiên cứu được hoàn thành vào tháng 1 năm 2024 tại Trường Đại học Bách Khoa – Đại học Quốc gia Thành phố Hồ Chí Minh, tập trung giải quyết bài toán xác định vị trí đỗ thông minh cho AGV nâng kệ trong không gian kho hàng dạng bàn cờ. Bằng việc ứng dụng các mô hình học máy và phân tích chuỗi thời gian, hệ thống có thể dự đoán trước kệ hàng có xác suất phát sinh nhu cầu cao nhất trong chu kỳ tiếp theo, từ đó chủ động điều hướng AGV rảnh rỗi đến đỗ trực tiếp dưới gầm kệ tương ứng. Mục tiêu cụ thể là giảm thiểu thời gian phản hồi của đội xe từ 20% đến 30%, qua đó rút ngắn thời gian hoàn thành nhiệm vụ và triệt tiêu nguy cơ tắc nghẽn giao thông cục bộ trong kho hàng hiện đại.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng lý thuyết điều khiển tự động hệ thống Multi-AGV kết hợp với các mô hình toán học dự báo chuỗi thời gian. Khung lý thuyết bao gồm ba trụ cột chính:

Thứ nhất, mô hình động học vi sai của phương tiện AGV nâng kệ gầm thấp với hai bánh dẫn động độc lập và các bánh xe đa hướng hỗ trợ, cho phép phương tiện xoay tại chỗ 90 độ hoặc 180 độ linh hoạt.

Thứ hai, lý thuyết biểu diễn mạng lưới giao thông dạng đồ thị không gian bàn cờ, trong đó mối quan hệ giữa các nút làm việc được số hóa thông qua ma trận kề nhị phân và ma trận góc định hướng chuyển động.

Thứ ba, mô hình dự đoán thống kê và học sâu bao gồm Chuỗi Markov nhiều trạng thái cùng mạng nơ-ron hồi quy bộ nhớ ngắn - dài (LSTM), cho phép nắm bắt các quy luật xuất nhập hàng mang tính chu kỳ hoặc theo mùa vụ.

Các khái niệm trọng tâm xuyên suốt nghiên cứu bao gồm:

• Chiến lược đỗ tại chỗ (Dwell-point Policy): Phương thức chỉ định AGV đỗ ngay tại vị trí trạm làm việc tiềm năng thay vì quay về bãi đỗ trung tâm.
• Thời gian phản hồi nhiệm vụ (Response Time): Khoảng thời gian từ lúc hệ thống phát sinh yêu cầu vận chuyển đến khi AGV tiếp cận vị trí lấy hàng.
• Ma trận kề và ma trận góc: Cấu trúc dữ liệu đại diện cho sơ đồ nút giao và hướng tiếp cận khả dĩ của robot.
• Thuật toán tìm đường Dijkstra mở rộng: Giải thuật tính toán đa lộ trình ngắn nhất tối ưu theo thời gian thực.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp mô phỏng số học trên nền tảng MATLAB, kết hợp kỹ thuật phân tích dữ liệu lịch sử đơn hàng. Nguồn dữ liệu huấn luyện được xây dựng từ tập dữ liệu mô phỏng chuỗi 96 trạng thái công việc với chuỗi 100 tác vụ liên tiếp, phản ánh chân thực tần suất xuất nhập hàng trong các nhà kho bán lẻ quy mô vừa.

Phương pháp chọn mẫu được áp dụng là chọn mẫu chuỗi thời gian đại diện (Time-series Sampling) với tần suất phát sinh trung bình 20 nhiệm vụ mỗi giờ trên 4 tệp dữ liệu thử nghiệm riêng biệt. Lý do lựa chọn mô hình mạng LSTM kết hợp chuỗi Markov là khả năng ghi nhớ dài hạn các đặc tính phụ thuộc thời gian và xử lý dữ liệu phi tuyến tính vượt trội hơn so với các mô hình quy hoạch tuyến tính cổ điển. Đồng thời, kỹ thuật phân tích thành phần chính (PCA) được tích hợp để giảm chiều dữ liệu và loại bỏ dữ liệu nhiễu, giúp giảm tải tài nguyên tính toán cho bộ điều khiển trung tâm. Timeline nghiên cứu được thực hiện xuyên suốt trong 16 tuần, từ ngày 04/09/2023 đến ngày 18/12/2023.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình mô phỏng thực nghiệm trên các sa bàn giao thông tiêu chuẩn đã ghi nhận 4 phát hiện mang tính đột phá:

• Rút ngắn thời gian phản hồi trung bình: Khi áp dụng thuật toán dự đoán vị trí đỗ, thời gian phản hồi trung bình của hệ thống AGV giảm từ 22,4% đến 31,8% trên cả 4 tệp dữ liệu thử nghiệm so với phương pháp đỗ ngẫu nhiên không áp dụng dự đoán.
• Cắt giảm thời gian phản hồi tối đa: Mức thời gian phản hồi đỉnh điểm giảm tới 28,5% ở cường độ làm việc 20 nhiệm vụ mỗi giờ, giúp triệt tiêu hiện tượng khách hàng hoặc dây chuyền phải chờ đợi quá lâu trong các khung giờ cao điểm.
• Tối ưu hóa hành trình di chuyển không tải: Quãng đường di chuyển khi không mang tải của AGV giảm trung bình 25,6%, nhờ việc robot đã đỗ sẵn ngay dưới chân kệ hàng chuẩn bị được yêu cầu xuất kho.
• Độ chính xác dự báo cao: Mô hình chuỗi Markov 96 trạng thái và mạng LSTM đạt tỷ lệ dự đoán chính xác vị trí phát sinh đơn hàng kế tiếp trên 85,2%, duy trì tính ổn định liên tục trong suốt quá trình vận hành mô phỏng.

Thảo luận kết quả

Nguyên nhân cốt lõi mang lại hiệu quả vượt bậc này là sự kết hợp giữa mô hình học máy chính xác và đặc tính cơ khí của AGV nâng kệ. Trong cấu trúc nhà kho dạng bàn cờ, AGV có thể chui lọt xuống gầm các giá để hàng, do đó việc đỗ tại chỗ không gây cản trở các luồng giao thông khác như những dòng xe kéo hay xe nâng truyền thống.

Khi so sánh với các công bố khoa học quốc tế gần đây, mức cải thiện hiệu suất 22,4% - 31,8% của đề tài hoàn toàn tương đồng với kết quả tối ưu 20% - 30% của một nghiên cứu học máy công bố năm 2020. Hơn nữa, phương pháp này vượt trội hơn các giải thuật di truyền truyền thống vốn có độ lệch tính toán dưới 2% nhưng lại đòi hỏi phần cứng tính toán rất nặng. Toàn bộ chuỗi dữ liệu phản hồi được biểu diễn trực quan qua biểu đồ đường biến thiên thời gian thực và bảng ma trận đối chiếu 4 kịch bản tải trọng, chứng minh hệ thống duy trì độ ổn định cao ngay cả khi mật độ nhiệm vụ biến động liên tục.

Đề xuất và khuyến nghị

Nhằm hiện thực hóa các kết quả nghiên cứu vào thực tiễn logistics và sản xuất thông minh, các khuyến nghị cụ thể được đề xuất như sau:

• Tích hợp mô hình dự đoán vào hệ thống WMS: Tiến hành lập trình nhúng thuật toán dự đoán vị trí đỗ vào phần mềm quản lý kho hàng trung tâm (WMS), đặt mục tiêu cắt giảm ít nhất 25% thời gian luân chuyển đơn hàng nội bộ trong lộ trình 6 tháng triển khai tại doanh nghiệp logistics. Chủ thể thực hiện là bộ phận R&D và kỹ sư phần mềm điều khiển.
• Chuẩn hóa hạ tầng điều hướng mã QR hai chiều: Nâng cấp và đồng bộ hóa sa bàn nhà xưởng theo dạng lưới bàn cờ với hệ thống mã QR chuẩn công nghiệp, nhằm hỗ trợ AGV đạt vận tốc di chuyển 1,5 m/s và giảm 15% thời gian xoay góc 90 độ. Thời gian thực hiện từ quý 1 đến quý 2 năm 2025, do đội ngũ kỹ sư cơ điện tử và bảo trì nhà máy phụ trách.
• Tự động hóa quy trình làm sạch dữ liệu đơn hàng bằng PCA: Triển khai module xử lý dữ liệu tự động nhằm loại bỏ dữ liệu rác và dữ liệu lặp, giúp giảm 40% dung lượng bộ nhớ máy chủ tính toán trong vòng 3 tháng vận hành thử nghiệm. Trách nhiệm thực thi thuộc về nhóm kỹ sư dữ liệu.
• Phát triển thuật toán điều khiển phân tán đa tác nhân: Mở rộng nghiên cứu sang cấu trúc điều khiển phi tập trung kết hợp tránh va chạm theo thời gian thực, đảm bảo vận hành đồng thời trên 50 AGV với tỷ lệ kẹt xe bằng 0% trong giai đoạn 2024 - 2025. Chủ thể chủ trì là các nhóm nghiên cứu viện trường và chuyên gia tự động hóa.

Đối tượng nên tham khảo luận văn

Luận văn mang lại giá trị học thuật và ứng dụng thực tiễn cao cho 4 nhóm đối tượng trọng tâm:

• Doanh nghiệp logistics và trung tâm thương mại điện tử: Cung cấp giải pháp tối ưu hóa vận hành kho thông minh quy mô lớn, giúp tiết kiệm 20% đến 30% chi phí năng lượng và chi phí khấu hao phương tiện vận chuyển.
• Kỹ sư Cơ điện tử, Robot và Tự động hóa: Là tài liệu tham khảo chi tiết về cách thiết lập mô hình động học vi sai, thiết kế cơ cấu nâng hạ và xây dựng thuật toán bám quỹ đạo dựa trên sai số tọa độ ba trục.
• Học viên cao học và nhà nghiên cứu học thuật: Cung cấp phương pháp luận kết hợp giữa học máy (LSTM, Markov) với các bài toán tối ưu hóa điều độ vận tải (AGV dispatching & routing) trên nền tảng MATLAB.
• Nhà quản lý chuỗi cung ứng và vận hành nhà xưởng: Cung cấp cơ sở dữ liệu định lượng và các chỉ số đo lường hiệu suất (KPIs) để ra quyết định đầu tư chuyển đổi số từ nhà kho thủ công sang hệ thống kho tự động hoàn toàn.

Câu hỏi thường gặp

Chiến lược đỗ tại chỗ kết hợp dự đoán có ưu thế gì so với đỗ tập trung truyền thống?
Chiến lược đỗ tại chỗ kết hợp dự đoán đưa AGV rảnh rỗi đến thẳng vị trí có xác suất phát sinh đơn hàng cao trên 85%, giúp giảm 22,4% đến 31,8% thời gian phản hồi trung bình, khắc phục hoàn toàn tình trạng các xe tập trung tại một điểm gây lãng phí quãng đường tiếp cận.

Làm cách nào giải quyết tình trạng tắc nghẽn khi AGV đỗ tại các nút làm việc?
Nghiên cứu ứng dụng loại AGV gầm thấp có khả năng chui lọt xuống bên dưới kệ hàng trên mạng lưới bàn cờ. Khi đỗ tại vị trí gầm kệ, phương tiện không chiếm dụng các tuyến đường di chuyển chính, triệt tiêu nguy cơ gây tắc nghẽn giao thông kho.

Tại sao mô hình mạng nơ-ron LSTM và chuỗi Markov lại được ưu tiên lựa chọn?
Chuỗi Markov 96 trạng thái và mạng LSTM có khả năng học sâu các quy luật phụ thuộc chuỗi thời gian từ lịch sử 100 tác vụ, mang lại độ chính xác dự báo cao trong các mô hình kho bán lẻ có tính biến động đơn hàng theo mùa vụ.

Thuật toán Dijkstra mở rộng hỗ trợ điều hướng AGV ra sao?
Khác với Dijkstra cổ điển chỉ trả về một đường đi duy nhất, Dijkstra mở rộng cung cấp đồng thời nhiều lộ trình ngắn nhất tương đương giữa hai điểm nút, tạo sự linh hoạt tối đa cho hệ thống trung tâm phân luồng tránh va chạm khi có hơn 20 nhiệm vụ mỗi giờ.

Điều kiện kỹ thuật để chuyển giao mô hình từ mô phỏng MATLAB sang thực tế là gì?
Nhà xưởng cần trang bị hệ thống mạng không dây công nghiệp ổn định, lưới mã QR định vị sàn đạt chuẩn và bộ điều khiển xe tích hợp cảm biến an toàn lidar, với thời gian hiệu chỉnh thuật toán thực nghiệm ước tính trong khoảng 3 đến 6 tháng.

Kết luận

• Đề tài đã giải quyết thành công bài toán tối ưu hóa vị trí đỗ cho hệ thống Multi-AGV trong nhà kho dạng bàn cờ bằng cách kết hợp mô hình dự đoán nhu cầu học máy.
• Thuật toán đề xuất giúp cắt giảm từ 22,4% đến 31,8% thời gian phản hồi trung bình và giảm 28,5% thời gian phản hồi đỉnh trên các bộ dữ liệu mô phỏng.
• Mô hình động học vi sai và giải thuật Dijkstra mở rộng chứng minh tính tương thích hoàn hảo với dòng AGV nâng kệ chui gầm, hạn chế tối đa xung đột giao thông.
• Bộ công cụ mô phỏng trên MATLAB và khung tiền xử lý dữ liệu PCA tạo tiền đề vững chắc cho việc triển khai vào các hệ thống quản lý kho WMS thực tế trong giai đoạn 2024 - 2025.
• Các kỹ sư, doanh nghiệp logistics và nhà nghiên cứu tự động hóa có thể ứng dụng trực tiếp các thuật toán trong luận văn để nâng cao năng lực cạnh tranh và đẩy nhanh tiến trình tự động hóa chuỗi cung ứng thông minh.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN 1.1 Giới thiệu vấn đề 1.1 Giới thiệu hệ thống AGV trên thế giới và ở Việt Nam AGV là viết tắt cho cụm từ Automated Guided Vehicle, một phương tiện vận chuyển hàng hoá không người lái. Tập hợp nhiều AGV được gọi là AGV và thuật ngữ này được giới thiệu lần đầu tiên vào năm 1955 [1]. Khi AGV hoạt động cùng với nhau thực hiện công việc vận chuyển hàng hoá từ địa điểm này đến địa điểm khác thông qua mạng lưới giao thông thì chúng là một phần của hệ thống AGV. Ngoài ra, hệ thống AGV còn có các thành phần khác như hệ thống điều khiển, hệ thống định vị, hệ thống sản xuất, lưu trữ,… [1].1: Hệ thống AGV của SWISSLOG[2] Báo cáo của Grand View Reseach [3] cho thấy thị trường AGV vào năm 2022 có giá trị 4,28 tỉ USD trên toàn thế giới và tỉ lệ tăng trưởng kép được kỳ vọng là 9,7% từ năm 2023 tới năm 2030.

Trong 3 năm từ 2021 đến 2023, đã có nhiều doanh nghiệp ở nhiều ngành đã áp dụng hệ thống AGV vào hệ thống của họ. Năm 2021, công ty AUDI AGV, một công ty sản xuất ô tô đã áp dụng AGV trong hệ thống sản xuất. Cùng năm đó, công ty OTSAW Digital Pte.Ltd phát triển AGV để phục vụ cho mục đích chăm sóc sức khoẻ các bệnh nhân. Vào năm 2022, một công ty bán lẻ tên là SAVE MART SUPER MARKET đã mở rộng khu vực giao hàng của mình khi sử dụng AGV của công ty Starship.

Trong thời gian gần đây, vào tháng 3 năm 2023, Swisslog Holding AGV đã giới thiệu phiên bản mới của hệ thống CarryPick, hệ thống di động lấy hàng và lưu trữ đến người với tính năng hướng dẫn xe chở hàng tự động. 1 Vào tháng 12 năm 2022, Daifuku Co. Ltd, một nhà sản xuất hàng đầu về giải pháp xử lý tự động, đã thông báo về việc xây dựng một nhà máy mới tại Hyderabad – Telangana - Ấn Độ, nhằm sản xuất các giải pháp kho tự động, băng tải, hệ thống xe hướng dẫn theo dõi đường ray, bộ sắp xếp, và nhiều hệ thống khác. Trong tháng 10 năm 2022, Seegrid Corporation đã tuyên bố mối quan hệ chiến lược với Koops Automation Systems, tạo điều kiện cho Koops để nâng cao danh mục sản phẩm dịch vụ doanh nghiệp của họ bằng cách tích hợp giải pháp doanh nghiệp Fleet CentralTM và robot di động tự động Seegrid PalionTM.

Bastian Solutions, Inc., công ty logistics thuộc sở hữu của Toyota, đã giới thiệu giải pháp chọn lựa tự động SmartPick tại sự kiện PACK EXPO International vào tháng 9 năm 2022. Trong tháng 9 năm 2022, JBT Corporation đã mua lại Bevcorp để phát triển một mô hình kinh doanh chắc chắn, với 60% doanh thu định kỳ. Cũng vào tháng 9 năm 2022, Toyota Material Handling Japan (YMHJ), một phần của TOYOTA INDUSTRIES CORPORATION, đã ra mắt công nghệ mới về xe nâng tự động sử dụng trí tuệ nhân tạo để tự động nhận diện vị trí và địa điểm của xe nâng, từ đó tạo ra tuyến đường di chuyển tự động cho quá trình xếp hàng. Trên đây chỉ là một vài ví dụ về ứng dụng của AGV trong các ngành khác nhau.

Hệ thống AGV được áp dụng rộng rãi trong nhiều ngành công nghiệp khác nhau như sản xuất, logistics, ô tô, chăm sóc sức khoẻ, thực phẩm vì khả năng nâng cao năng suất, giảm thiểu chi phí và khả năng thúc đẩy quy trình tự động hoá, công nghiệp hoá. Khi các doanh nghiệp nhận ra được quá trình công nghiệp hoá tự động hoá là xu hướng phát triển, nhu cầu phát triển các giải pháp xử lý vật liệu và vận chuyển sẽ tăng theo và đây chính là cơ hội phát triển của thị trường AGV.