Xây dựng bộ điều khiển dự báo bám quỹ đạo cho xe tự hành

Tài liệu nghiên cứu Xây dựng bộ điều khiển dự báo bám quỹ đạo cho xe tự hành, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên sâu về kỹ thuật.

• Tác giả: Đinh Quang Vũ
• Người hướng dẫn: TS. Nguyễn Vĩnh Hảo
• Trường học: Đại học Bách Khoa - ĐHQG TP. HCM
• Chuyên ngành: Kỹ Thuật Điều Khiển và Tự Động Hóa
• Đề tài: Xây Dựng Bộ Điều Khiển Dự Báo Bám Quỹ Đạo Cho Xe Tự Hành
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2024
• Địa điểm: Thành phố Hồ Chí Minh

Tóm tắt

I. Tổng Quan về Điều Khiển Dự Báo Bám Quỹ Đạo Xe Tự Hành

Xe tự hành đang ngày càng trở nên quan trọng trong nhiều lĩnh vực, từ vận tải đến nông nghiệp. Việc điều khiển xe tự hành bám theo một quỹ đạo định trước là một yêu cầu thiết yếu. Luận văn này tập trung vào việc ứng dụng Điều khiển dự báo mô hình (MPC) để giải quyết bài toán bám quỹ đạo xe tự hành. MPC là một phương pháp điều khiển mạnh mẽ, cho phép dự đoán hành vi của hệ thống trong tương lai và tối ưu hóa các hành động điều khiển dựa trên dự đoán đó. Mục tiêu là xây dựng một bộ điều khiển hiệu quả, đảm bảo xe tự hành di chuyển chính xác theo quỹ đạo mong muốn, đồng thời đảm bảo tính ổn định và an toàn trong quá trình vận hành. Bài toán kiểm soát xe tự lái trở nên cấp thiết hơn bao giờ hết trong bối cảnh giao thông ngày càng phức tạp.

1.1. Tầm quan trọng của bám quỹ đạo xe tự hành trong thực tiễn

Việc bám quỹ đạo chính xác có vai trò quan trọng trong nhiều ứng dụng của xe tự hành. Trong lĩnh vực vận tải, nó cho phép xe tự hành di chuyển an toàn và hiệu quả trên đường, tránh chướng ngại vật và tuân thủ luật lệ giao thông. Trong nông nghiệp, nó giúp máy kéo tự hành thực hiện các công việc như cày xới, gieo trồng và thu hoạch một cách chính xác và tự động. Điều khiển bám quỹ đạo cũng cần độ tin cậy cao trong các ứng dụng công nghiệp, khai thác mỏ và vận chuyển hàng hóa, nơi xe tự hành hoạt động trong môi trường phức tạp và nguy hiểm.

1.2. Giới thiệu về phương pháp Điều khiển dự báo mô hình MPC

Điều khiển dự báo mô hình (MPC) là một phương pháp điều khiển tối ưu, sử dụng một mô hình toán học để dự đoán hành vi của hệ thống trong tương lai. Dựa trên dự đoán này, MPC tìm kiếm một chuỗi các hành động điều khiển tối ưu, nhằm đạt được mục tiêu điều khiển mong muốn, ví dụ như bám quỹ đạo. Ưu điểm của MPC là khả năng xử lý các ràng buộc về trạng thái và điều khiển, cho phép đạt được hiệu suất cao ngay cả trong các điều kiện vận hành khắc nghiệt. Luận văn này sẽ trình bày cách thức xây dựng và triển khai MPC cho bài toán điều khiển bám quỹ đạo xe tự hành.

II. Thách Thức Giải Pháp Điều Khiển Bám Quỹ Đạo Xe Tự Hành

Việc điều khiển bám quỹ đạo cho xe tự hành đối mặt với nhiều thách thức. Mô hình xe tự hành thường phức tạp, phi tuyến và chịu ảnh hưởng của nhiều yếu tố bên ngoài như gió, độ dốc địa hình và ma sát đường. Các thuật toán điều khiển cần phải đủ mạnh mẽ để xử lý những yếu tố này và đảm bảo bám quỹ đạo chính xác. Một thách thức khác là tính toán thời gian thực. Các thuật toán điều khiển cần phải đủ nhanh để có thể thực hiện các hành động điều khiển kịp thời. Các giải pháp thường bao gồm việc sử dụng các mô hình đơn giản hóa, các thuật toán tối ưu hóa hiệu quả và phần cứng mạnh mẽ.

2.1. Các yếu tố ảnh hưởng đến hiệu suất bám quỹ đạo

Nhiều yếu tố ảnh hưởng đến khả năng bám quỹ đạo của xe tự hành. Độ chính xác của mô hình xe là một yếu tố quan trọng. Mô hình càng chính xác, khả năng dự đoán hành vi của xe càng tốt, dẫn đến hiệu suất bám quỹ đạo cao hơn. Các yếu tố môi trường như gió, độ dốc địa hình và ma sát đường cũng có thể ảnh hưởng đến bám quỹ đạo. Cuối cùng, hiệu suất của các cảm biến như GPS và IMU cũng có thể ảnh hưởng đến bám quỹ đạo, vì chúng cung cấp thông tin về vị trí và hướng của xe.

2.2. Các phương pháp giải quyết thách thức trong điều khiển xe tự lái

Để giải quyết các thách thức trong điều khiển xe tự lái, nhiều phương pháp đã được phát triển. Các kỹ thuật lọc Kalman và ước lượng trạng thái được sử dụng để cải thiện độ chính xác của các cảm biến. Các thuật toán điều khiển thích nghi và điều khiển mạnh mẽ được sử dụng để xử lý các yếu tố môi trường và độ không chắc chắn của mô hình. Để tăng tốc độ tính toán, các thuật toán tối ưu hóa hiệu quả và phần cứng mạnh mẽ (ví dụ: GPU) được sử dụng. Các phương pháp như học tăng cường cũng đang được khám phá để tự động hóa quá trình điều chỉnh tham số của bộ điều khiển.

III. Phương Pháp Xây Dựng Bộ Điều Khiển MPC Cho Xe Tự Hành

Luận văn tập trung vào việc xây dựng một bộ điều khiển MPC cho xe tự hành. Quá trình này bao gồm việc xây dựng mô hình xe tự hành, thiết kế hàm chi phí và các ràng buộc, và giải bài toán tối ưu hóa. Mô hình xe tự hành cần phải đủ chính xác để dự đoán hành vi của xe, nhưng cũng cần phải đủ đơn giản để có thể tính toán nhanh chóng. Hàm chi phí thường bao gồm các thành phần liên quan đến sai số bám quỹ đạo và năng lượng điều khiển. Các ràng buộc thường bao gồm các giới hạn về tốc độ, gia tốc và góc lái. Việc giải bài toán tối ưu hóa có thể được thực hiện bằng nhiều phương pháp khác nhau, ví dụ như lập trình bậc hai (QP).

3.1. Xây dựng mô hình động học xe tự hành

Việc xây dựng một mô hình động học chính xác là rất quan trọng để thiết kế một bộ điều khiển MPC hiệu quả. Mô hình động học mô tả mối quan hệ giữa các biến trạng thái của xe (ví dụ: vị trí, hướng, tốc độ) và các hành động điều khiển (ví dụ: góc lái, gia tốc). Mô hình có thể được xây dựng dựa trên các định luật vật lý và các thực nghiệm. Để đơn giản hóa quá trình thiết kế, các giả định thường được thực hiện, ví dụ như bỏ qua sự trượt của bánh xe và coi xe là một vật thể cứng. Tuy nhiên, cần phải đảm bảo rằng các giả định này không ảnh hưởng đáng kể đến độ chính xác của mô hình. Tài liệu gốc đề cập đến việc xây dựng mô hình chuẩn cho xe tự hành bằng Matlab Simulink.

3.2. Thiết kế hàm chi phí và ràng buộc cho MPC xe tự hành

Hàm chi phí và các ràng buộc đóng vai trò quan trọng trong việc xác định hiệu suất của bộ điều khiển MPC. Hàm chi phí thường được thiết kế để giảm thiểu sai số bám quỹ đạo và năng lượng điều khiển. Sai số bám quỹ đạo thường được đo bằng khoảng cách giữa vị trí hiện tại của xe và vị trí mong muốn trên quỹ đạo. Năng lượng điều khiển thường được đo bằng bình phương của góc lái và gia tốc. Các ràng buộc thường được sử dụng để đảm bảo an toàn và tuân thủ các giới hạn vật lý của xe, ví dụ như giới hạn về tốc độ, gia tốc và góc lái. Việc lựa chọn các trọng số phù hợp cho các thành phần của hàm chi phí và các ràng buộc là rất quan trọng để đạt được hiệu suất bám quỹ đạo tốt.

3.3. Giải bài toán tối ưu hóa cho điều khiển dự báo

Việc giải bài toán tối ưu hóa là bước cuối cùng trong quá trình xây dựng bộ điều khiển MPC. Bài toán tối ưu hóa tìm kiếm một chuỗi các hành động điều khiển tối ưu, nhằm giảm thiểu hàm chi phí, đồng thời tuân thủ các ràng buộc. Bài toán tối ưu hóa có thể được giải bằng nhiều phương pháp khác nhau, ví dụ như lập trình bậc hai (QP), lập trình tuyến tính (LP) và các thuật toán tối ưu hóa phi tuyến. Việc lựa chọn phương pháp giải phụ thuộc vào độ phức tạp của mô hình và hàm chi phí. Đối với các hệ thống phức tạp, các thuật toán tối ưu hóa hiệu quả và phần cứng mạnh mẽ có thể được yêu cầu để đảm bảo tính toán thời gian thực.

IV. Kết Quả Mô Phỏng và Thực Nghiệm MPC bám quỹ đạo xe tự hành

Để đánh giá hiệu quả của bộ điều khiển MPC, các mô phỏng và thực nghiệm đã được thực hiện. Các mô phỏng được thực hiện trong môi trường Matlab Simulink, sử dụng mô hình xe tự hành đã được xây dựng. Các thực nghiệm được thực hiện trên một mô hình xe 4 bánh thực tế, được trang bị các cảm biến GPS và IMU. Kết quả cho thấy bộ điều khiển MPC có khả năng bám quỹ đạo chính xác, ngay cả trong các điều kiện vận hành khắc nghiệt. Bộ điều khiển cũng chứng tỏ khả năng xử lý các ràng buộc và đạt được hiệu suất cao.

4.1. Kết quả mô phỏng MPC xe tự hành trên Matlab Simulink

Các mô phỏng trong Matlab Simulink cho thấy bộ điều khiển MPC có khả năng bám quỹ đạo chính xác trên nhiều loại quỹ đạo khác nhau, bao gồm đường thẳng, đường tròn và quỹ đạo phức tạp. Kết quả cũng cho thấy bộ điều khiển có khả năng xử lý các ràng buộc về tốc độ và góc lái. Việc khảo sát tham số bộ điều khiển được thực hiện, các tham số Np, Q1, Q2, Q3 được tinh chỉnh để đạt được hiệu suất tối ưu. Tài liệu gốc có đề cập đến việc mô phỏng trên Matlab để kiểm tra tính khả thi và chất lượng bộ điều khiển.

4.2. Kết quả thực nghiệm điều khiển xe tự lái trên mô hình thực tế

Các thực nghiệm trên mô hình xe 4 bánh thực tế cho thấy bộ điều khiển MPC có khả năng bám quỹ đạo chính xác trong môi trường thực tế. Kết quả cũng cho thấy bộ điều khiển có khả năng xử lý các yếu tố môi trường như gió và độ dốc địa hình. Các cảm biến GPS và IMU cung cấp thông tin chính xác về vị trí và hướng của xe, cho phép bộ điều khiển thực hiện các hành động điều khiển kịp thời. So sánh với bộ điều khiển Stanley, MPC thể hiện sự vượt trội về khả năng bám quỹ đạo.

V. Ứng Dụng Thực Tế và Hướng Phát Triển của MPC Xe Tự Hành

Bộ điều khiển MPC có tiềm năng ứng dụng rộng rãi trong nhiều lĩnh vực. Trong nông nghiệp, nó có thể được sử dụng để điều khiển máy kéo tự hành thực hiện các công việc như cày xới, gieo trồng và thu hoạch. Trong vận tải, nó có thể được sử dụng để điều khiển xe tải tự hành vận chuyển hàng hóa trên đường cao tốc. Trong công nghiệp, nó có thể được sử dụng để điều khiển robot tự hành thực hiện các công việc như kiểm tra, bảo trì và lắp ráp. Hướng phát triển trong tương lai bao gồm việc cải thiện độ chính xác của mô hình xe, tăng tốc độ tính toán của thuật toán và tích hợp các cảm biến và hệ thống khác.

5.1. Ứng dụng MPC điều khiển xe tự lái trong nông nghiệp thông minh

Trong nông nghiệp thông minh, MPC có thể được sử dụng để điều khiển máy kéo tự hành thực hiện các công việc như cày xới, gieo trồng và thu hoạch một cách chính xác và tự động. Điều này có thể giúp tăng năng suất, giảm chi phí và cải thiện chất lượng sản phẩm. Máy kéo tự hành có thể được lập trình để di chuyển theo một quỹ đạo định trước, dựa trên thông tin về địa hình, loại cây trồng và các yếu tố môi trường khác. Bộ điều khiển MPC sẽ đảm bảo rằng máy kéo di chuyển chính xác theo quỹ đạo, ngay cả trong các điều kiện vận hành khắc nghiệt.

5.2. Hướng phát triển và nghiên cứu MPC trong tương lai

Hướng phát triển trong tương lai bao gồm việc cải thiện độ chính xác của mô hình xe, tăng tốc độ tính toán của thuật toán và tích hợp các cảm biến và hệ thống khác. Các mô hình học sâu có thể được sử dụng để học các đặc tính động học của xe từ dữ liệu thực tế. Các thuật toán tối ưu hóa phân tán có thể được sử dụng để giảm thời gian tính toán. Các cảm biến và hệ thống khác, ví dụ như radar và lidar, có thể được tích hợp để cung cấp thông tin về môi trường xung quanh xe. Tài liệu gốc đề cập đến việc phát triển giải thuật trên mô hình xe và thử nghiệm trên các quỹ đạo khác nhau.

VI. Kết Luận Triển Vọng của Điều Khiển MPC Xe Tự Hành

Luận văn đã trình bày một phương pháp xây dựng bộ điều khiển MPC cho xe tự hành. Kết quả mô phỏng và thực nghiệm cho thấy bộ điều khiển có khả năng bám quỹ đạo chính xác, ngay cả trong các điều kiện vận hành khắc nghiệt. Bộ điều khiển cũng chứng tỏ khả năng xử lý các ràng buộc và đạt được hiệu suất cao. Điều khiển MPC có tiềm năng ứng dụng rộng rãi trong nhiều lĩnh vực, từ nông nghiệp đến vận tải và công nghiệp. Nghiên cứu này mở ra nhiều hướng phát triển và nghiên cứu trong tương lai.

6.1. Tóm tắt các kết quả chính của nghiên cứu về MPC xe tự lái

Nghiên cứu đã thành công trong việc xây dựng và triển khai một bộ điều khiển MPC hiệu quả cho xe tự hành. Bộ điều khiển có khả năng bám quỹ đạo chính xác trong cả mô phỏng và thực nghiệm. Bộ điều khiển cũng chứng tỏ khả năng xử lý các ràng buộc và đạt được hiệu suất cao. Các kết quả này cho thấy MPC là một phương pháp tiềm năng để điều khiển xe tự hành trong nhiều ứng dụng khác nhau.

6.2. Đề xuất các hướng nghiên cứu tiếp theo về kiểm soát xe tự hành

Các hướng nghiên cứu tiếp theo có thể tập trung vào việc cải thiện độ chính xác của mô hình xe, tăng tốc độ tính toán của thuật toán và tích hợp các cảm biến và hệ thống khác. Nghiên cứu cũng có thể tập trung vào việc phát triển các thuật toán điều khiển thích nghi và điều khiển mạnh mẽ, để xử lý các yếu tố môi trường và độ không chắc chắn của mô hình. Ngoài ra, nghiên cứu có thể tập trung vào việc phát triển các phương pháp học tăng cường, để tự động hóa quá trình điều chỉnh tham số của bộ điều khiển.

Trích đoạn nội dung tài liệu

MỞ ĐẦU 1.1 Mục tiêu nghiên cứu Với sự phát triển nhanh chóng của nền kinh tế xã hội và ngành công nghiệp ô tô, mức độ phổ biến của ô tô ngày càng cao, kéo theo đó là vấn đề tai nạn giao thông thường xuyên. Theo số liệu của tổ chức y tế thế giới, mỗi năm có khoảng 1,24 triệu người chết vì tai nạn giao thông đường bộ [1]. Trong dữ liệu liên quan do Tổ chức Y tế Thế giới công bố, tai nạn giao thông đường bộ nằm trong số 10 nguyên nhân gây tử vong hàng đầu trên toàn thế giới [2]. Với tư cách là người điều khiển phương tiện, con người là yếu tố dễ gây ra hầu hết các vụ tai nạn giao thông.

Công nghệ an toàn chủ động của phương tiện hiện có dựa trên quyết định của người lái để hỗ trợ hoạt động điều khiển ổn định và không thể loại bỏ cơ bản khả năng xảy ra tai nạn giao thông. Bên cạnh đó, bối cảnh đất nước ta có truyến thống nông nghiệp lâu năm, chiếm tỉ trọng cao trong nền kinh tế. Chủ trương của nhà nước là phát triển nông nghiệp kết hợp với khoa học công nghệ giúp cải thiện năng suất và thu nhập cho người nông dân. Các nước phát triển trên thế giới có số lượng dân cư là nông dân rất thấp, nhưng sản lượng lại rất lớn.

Cụ thể nền nông nghiệp Mỹ, lao động làm nông nghiệp, lâm nghiệp, thủy sản chỉ chiếm có 0,7% trong tổng số 153,9 triệu lao động trên toàn nước Mỹ, vậy mà nông nghiệp Mỹ lại là một mô hình công nghiệp hóa, hiện đại hóa rất điển hình [9]. Để đạt được như vậy thì họ đã phải áp dụng phương tiện và kỹ thuật hiện đại trong sản xuất nông nghiệp. Các công ty lớn trên thế giới cũng đã phát triển nhiều loại máy kéo đa năng, kết hợp với chế độ tự động giúp nông dân không phải tốn sức ra ngoài đồng và có thể điều khiển từ nhà bằng việc thiết lập lộ trình sẵn có cho máy kéo. Máy kéo Case IH Magnum và New Holland T8 NHDrive của hãng CNH Industrial [17] Hình 1-2.

Chiếc máy cày tự hành do công ty John Deere sản xuất [18] Có thể thấy, các mô hình xe, máy kéo tự hành đóng vai trò hết sức quan trọng trong đời sống sản xuất của con người. Kiểm soát theo dõi đường dẫn là công nghệ chính của xe tự hành, vì vậy đề tài sẽ tập trung vào bộ điều khiển bám quỹ đạo mong muốn cho trước của xe tự hành. 2 Do kinh phí của đề tài bị giới hạn, vì thế việc kiểm chứng giải thuật sẽ không thể thực hiện trên mô hình xe, máy kéo thực tế như đề cập ở trên. Thay vào đó, 1 mô hình xe 4 bánh vừa và nhỏ sẽ được xây dựng và chạy thực nghiệm trong khuôn viên trường kết hợp với các cảm biến IMU, GPS có độ chính xác cao.2 Tổng quan đề tài Điều khiển bám quỹ đạo là một phần quan trọng của xe tự hành, việc kiểm soát theo dõi đường đi của xe tự hành dựa trên sự kiểm soát của hệ thống lái của phương tiện [5].

Điều khiển xe tự hành bao gồm việc điều khiển chiều ngang và chiều dọc, đây là hai yếu tố cốt lõi trong việc nghiên cứu xe tự hành. Điều khiển chiều ngang hướng tới điều khiển đối tượng bám vào quỹ đạo và hướng mong muốn, trong khi điều khiển chiều dọc đảm bảo đạt được tốc độ di chuyển long muốn của phương tiện [4]. Để giải quyết vấn đề này, hàng loạt các bộ điều khiển đã được phát triển dựa vào lý thuyết điều khiển cổ điển, hiện đại, nâng cao như PID, điều khiển tối ưu, điều khiển cuốn chiếu, điều khiển trượt,… [4] Điều khiển dự báo mô hình là việc kết hợp dự báo mô hình, tối ưu hóa, hiệu chỉnh phản hồi đã giải quyết được những giới hạn của một số bộ điều khiển nhờ vào việc xem xét ràng buộc đầu vào và trạng thái cho phép của mô hình [4]. Nghiên cứu gần đây cho thấy giải thuật MPC rất hữu ích để điều khiển động lực học của nhiều phương tiện khi xem xét các ràng buộc về an toàn và tính ổn định của các thuật toán này cũng đã được nghiên cứu kỹ lưỡng [4].

Sơ đồ điều khiển bám quỹ đạo xem xét độ lệch và ổn định ngang để tránh chướng ngại vật đã được đề xuất trong [4] bằng cách sử dụng hệ thống lái và phanh kết hợp, trong đó mô hình xe mười bậc và mô hình xe đạp đơn giản được sử dụng cho điều khiển dự báo mô hình phi tuyến tính (NMPC). Trong đề tài này, bộ điều khiển dự báo (MPC) sẽ được sử dụng để điều khiển bám quỹ đạo cho mô hình xe tự hành bằng việc tuyến tính hóa mô hình tại điểm tham chiếu ở mỗi chu kì điều khiển. Kiểm chứng giải thuật sẽ được thực hiện trên mô hình và thử nghiệm trên một số quỹ đạo khác nhau cho trước. 3 MÔ HÌNH VÀ HỆ THỐNG ĐIỀU KHIỂN 2.1 Xây dựng mô hình xe tự hành Mô hình xe tự hành sẽ được xây dựng dựa trên ý tưởng mô hình xe 4 bánh.

Phía trước là hệ thống bẻ lái phía được điều khiển bởi 1 động cơ gắn encoder, hệ thống lái có vai trò điều hướng xe trong quá trình di chuyển. Phía sau bao gồm 2 bánh xe có vai trò điều tốc, mỗi bánh sau được trang bị 1 động cơ gắn encoder để dễ dàng điều khiển độc lập để giải quyết vấn đề sai lệch, không đồng bộ giữa 2 động cơ dễ dàng hơn. Wifi GPS Motor-steering Steering angle Control L System vleft vright Motor-left Motor-right Hình 2-1. Mô hình xe 4 bánh được sử dụng trong luận văn Bảng 2-1.

Thông số mô hình xe tự hành Thông số Giá trị Kích thước (dài x rộng x cao) 1.4 (m) Khối lượng 20 kg Vật liệu Plastic Tốc độ Lên đến 2.5 (m/s) IMU, GPS, RF, 2 động cơ Thiết bị RS550 Encoder, 1 động cơ DC RS-365PW Encoder 4 2.1 Hệ thống phần cứng Hình 2-2. Sơ đồ thiết kế phần cứng Hệ thống điều khiển bao gồm một bảng điều khiển chính sử dụng máy tính nhúng và ba board phụ (PWM, cảm biến và Định vị) sử dụng ARM MCU. Máy tính nhúng được kết nối với các cảm biến bao gồm đơn vị đo quán tính (IMU) và hệ thống định vị toàn cầu (GPS), sau đó sẽ thu thập dữ liệu cảm biến và truyền lên trạm giám sát mặt đất. Board driver nhận lệnh từ MainBoard để điều khiển các motor.

Hệ thống USV có thể truy cập không dây: Wifi/RF để truyền/nhận lệnh giữa trạm mặt đất và máy tính nhúng để đưa ra lệnh điều khiển. DC Power PC IMU STM-Mainboard Hình 2-3. Hệ thống phần cứng điều khiển 5 2.2 Các thiết bị sử dụng trong mô hình 2. Chip STM32F407 Dòng ARM Cortex STM32F4 là một bộ xử lí thế hệ mới với một kiến trúc chuẩn cho nhu cầu đa dạng về công nghệ.

Dòng Cortex là một lõi xử lí hoàn thiện, dựa vào một chuẩn CPU và kiến trúc hệ thống chung.2 GPS GPS u-blox NEO M8P RTK là một mô-đun GPS RTK nhỏ, nhẹ và tiết kiệm năng lượng, dựa trên M8P u-blox. Sử dụng RTK, PX4 có thể nhận được vị trí của nó với độ chính xác tới mức cm, chính xác hơn nhiều so với GPS thông thường. Bộ cảm biến GPS-RTK Thông số cho cảm biến GPS: • Giao tiếp bằng UART, tốc độ baud rate 115200 • Thời gian cập nhật: 100ms (10 hz) • Bản tin từ cảm biến: $GPRMC Dữ liệu từ bản tin $GPRMC $GPRMC,083559.52,091202,,,A,V*57 6 Trong đó: • $GPRMC: mã bản tin.00: thời gan UTC. • A: trạng thái nhận.

A: dữ liệu hợp lê, V: dữ liệu không hợp lệ.11437: tọa độ vĩ độ (Lattitude), 2 số đầu dành cho độ, phần còn lại là phút. • N: chỉ thị Bắc.91522: tọa độ kinh độ (Longtitude), 2 số đầu dành cho độ, phần còn lại là phút. • E: chỉ thị Đông.004: tốc độ trên mặt đất.52: • 091202: ngày, tháng, năm. • A: mode chỉ thị.

• V: trạng thái chỉ thị định vị, V (thiết bị không cung cấp thông tin trạng thái điều hướng). Một hệ thống GPS-RTK bao gồm 2 thành phần: thành phần đứng yên gọi là Base và thành phần chuyển động gọi là Rover. Sơ đồ mô hình hoạt động của GPS-RTK [19] 7 Trạm GPS (base station) có tọa độ cố định và được xác định bằng các phương pháp đo đạc chính xác cao, thông thường được gọi là survey-in. Base sẽ dựa vào các thuật toán để ước lượng vị trí chính xác của nó và mất một khoảng thời gian để hoàn thành giai đoạn này.

Trong quá trình hoạt động, hệ thống định vị toàn cầu GNSS (Global Navigation Satellite System) được dùng để tính toán sai số vị trí tại vị trí của Base bằng cách so sánh với vị trí chính xác của Base(đã được ước lượng bằng survey-in trước đó). Sau khi sai số vị trí được xác định thì sẽ được gửi và cập nhật liên tục đến Rover bằng giao tiếp không dây. Rover sử dụng những hiệu chỉnh này để cải thiện vị trí được tính toán của nó từ GNSS và đạt được độ chính xác đến từng centimet. Trong một hệ thống nhiều Rover có thể sử dụng chung 1 Base.

Bộ GPS truyền thống thông thường có sai số lên tới 2-4 m. Nhưng việc kết hợp phương pháp RTK lại có thể đạt độ chính xác đến từng cm. Điều này rất có lợi trong các ứng dụng cần độ chính xác cao như xe tự hành, drone,… Hình 2-7. Sơ đồ kết nối của GPS-RTK NEO-M8P 8 2.3 IMU Cảm biến vận tốc góc và gia tốc: từ hãng Analog Devices, mã hiệu ADIS16480.

Cảm biến này có một số tính năng nổi trội so với các hãng khác như: tầm đo vận tốc góc lớn (4500/s), tầm đo gia tốc 8g, tần số cập nhật lớn (2460Hz), độ phân giải cao (32bit), độ trôi theo nhiệt độ thấp, độ trực giao của 3 trục lớn. Các thông số chính của ADIS16480: • Tầm đo vận tốc góc thiết lập: +/- 450°/sec. • Tầm đo gia tốc: -18g đến +18g • Thời gian khởi động: 120ms • Giao tiếp: SPI • Ngõ ra chuyển vị góc tương đối • Tích hợp cảm biến nhiệt độ • Lập trình thay đổi cấu hình làm việc: hiệu chỉnh bias auto/manual, băng • thông 50/330 Hz, tốc độ lấy mẫu 256/2048Hz, lọc FIR, digital I/O, alarm, • ngõ ra DAC. • Nguồn điện: +4,75V đến +5,25V.

• Gia tốc làm việc cho phép: <2000g. • Nhiệt độ làm việc: -40°C đến +105° Vi xử lý trung tâm: từ hãng STMicrochip, mã hiệu STM32F405. STM32F405 hoạt động ở xung nhịp 168MHz, có khả năng xử lý phép tính dấu chấm động chỉ trong 1 chu kỳ máy, và khả năng giao tiếp ngoại vi mạnh.