Tổng quan nghiên cứu

Tai nạn giao thông đường bộ đang là một trong mười nguyên nhân gây tử vong hàng đầu trên toàn cầu, cướp đi sinh mạng của khoảng 1,24 triệu người mỗi năm theo thống kê từ Tổ chức Y tế Thế giới. Phần lớn các vụ tai nạn xuất phát từ sai sót chủ quan của người điều khiển phương tiện. Bên cạnh giao thông đô thị, lĩnh vực nông nghiệp công nghệ cao cũng đặt ra nhu cầu cấp thiết về tự động hóa phương tiện. Điển hình tại Mỹ, lực lượng lao động nông nghiệp chỉ chiếm khoảng 0,7% trong tổng số 153,9 triệu người lao động nhưng đạt năng suất vượt bậc nhờ cơ giới hóa tự hành như các dòng máy kéo John Deere hay New Holland T8. Tại Việt Nam, phát triển nông nghiệp thông minh gắn liền công nghệ điều khiển tự động là chủ trương trọng điểm nhằm nâng cao hiệu quả kinh tế và giải phóng sức lao động.

Vấn đề cốt lõi của xe tự hành là bài toán điều khiển bám quỹ đạo mong muốn một cách chính xác trong điều kiện chịu nhiều ràng buộc vật lý về góc bẻ lái và vận tốc. Mục tiêu cụ thể của luận văn Thạc sĩ chuyên ngành Kỹ thuật Điều khiển và Tự động hóa do học viên Đinh Quang Vũ thực hiện dưới sự hướng dẫn của Tiến sĩ Nguyễn Vĩnh Hảo là thiết kế, mô phỏng và thực nghiệm thành công bộ điều khiển dự báo mô hình (Model Predictive Control - MPC) bám quỹ đạo cho mô hình xe tự hành 4 bánh, đồng thời đối sánh với giải thuật truyền thống Stanley.

Nghiên cứu được triển khai thực nghiệm toàn diện trong khuôn viên Trường Đại học Bách Khoa – ĐHQG TP.HCM từ tháng 02/2023 đến tháng 12/2023 và bảo vệ thành công vào tháng 01/2024. Đề tài mang ý nghĩa thực tiễn lớn khi xây dựng hoàn chỉnh từ thuật toán tối ưu hóa, hệ thống phần cứng nhúng đến trạm giám sát mặt đất, kiểm soát sai số bám quỹ đạo ở cấp độ centimet với chu kỳ lấy mẫu 0,1 giây ở dải vận tốc lên tới 2,5 m/s.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên mô hình động học xe đạp hai bậc tự do (2-DOF Kinematic Bicycle Model) với vector trạng thái gồm 4 thông số: tọa độ vị trí trung điểm trục sau (x, y), góc hướng di chuyển (theta) và góc bẻ lái bánh trước (phi). Hệ phương trình vi phân phi tuyến bậc nhất mô tả chuyển động của xe được biểu diễn qua hai tín hiệu điều khiển đầu vào là vận tốc tịnh tiến và vận tốc góc bẻ lái.

Lý thuyết điều khiển dự báo mô hình (MPC) là nền tảng trung tâm của đề tài. Tại mỗi chu kỳ điều khiển, mô hình phi tuyến được tuyến tính hóa xấp xỉ bằng khai triển chuỗi Taylor quanh điểm quỹ đạo tham chiếu tức thời và rời rạc hóa với chu kỳ trích mẫu 100 mili-giây. Giải thuật MPC chuyển bài toán điều khiển bám về bài toán tối ưu hóa toàn phương (Quadratic Programming - QP) trực tuyến trong chuỗi hữu hạn nhằm cực tiểu hóa hàm mục tiêu có xét đến các ma trận trọng số sai số trạng thái Q và trọng số tín hiệu điều khiển R.

Khung lý thuyết tích hợp 5 khái niệm cốt lõi: miền dự báo đầu ra (Prediction Horizon - Np), miền điều khiển đầu vào (Control Horizon - Nu), ràng buộc cứng góc bẻ lái giới hạn nghiêm ngặt trong khoảng âm 30 độ đến dương 30 độ (tương đương âm pi/6 đến dương pi/6 radian), thuật toán bám đường hình học Stanley và bộ điều khiển hồi tiếp vòng kín PID cho động cơ chấp hành.

Phương pháp nghiên cứu

Phương pháp nghiên cứu kết hợp chặt chẽ giữa mô phỏng số trên phần mềm MATLAB/Simulink và kiểm chứng thực nghiệm trên mô hình xe 4 bánh vật lý với kích thước chiều dài 1,4 mét, chiều dài cơ sở giữa hai trục 0,65 mét và khối lượng 20 kg. Cỡ mẫu thực nghiệm bao gồm 4 kịch bản quỹ đạo chuẩn hóa: quỹ đạo chuyển làn đường đơn, quỹ đạo kết hợp đường thẳng với đường tròn bán kính cong 11 mét, quỹ đạo ngắt đường thẳng (cut-off line) và quỹ đạo hình số 8 với dải vận tốc từ 1,0 m/s đến 2,0 m/s.

Phương pháp chọn mẫu dựa trên các kịch bản chuyển động điển hình trong nông nghiệp và giao thông nhằm khảo sát toàn diện tính ổn định của hệ thống. Dữ liệu thực nghiệm được thu thập từ cảm biến định vị vệ tinh GPS-RTK u-blox NEO-M8P tần số 10 Hz với độ chính xác định vị tới từng centimet qua bản tin chuẩn NMEA GPRMC, kết hợp khối đo quán tính công nghiệp IMU ADIS16480 dải đo vận tốc góc lên đến 450 độ/giây và tần số lấy mẫu 2460 Hz.

Lý do lựa chọn phương pháp tối ưu hóa QP cho MPC là khả năng xử lý bài toán tối ưu lồi với đầy đủ ràng buộc bất đẳng thức về giới hạn góc lái và tốc độ bẻ lái trong thời gian thực dưới 50 mili-giây. Toàn bộ mã nguồn thuật toán được biên dịch bằng ngôn ngữ C++ nhúng trên nền tảng Robot Operating System (ROS) chạy trên hệ điều hành Linux Ubuntu, phối hợp vi điều khiển ARM Cortex-M4 STM32F405 và STM32F407 hoạt động ở xung nhịp 168 MHz.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình mô phỏng và thực nghiệm đã đem lại nhiều phát hiện quan trọng về động thái làm việc của bộ điều khiển MPC:

Thứ nhất, khảo sát số bước dự báo trong khoảng Np từ 5 đến 20 chỉ ra rằng dải giá trị Np từ 5 đến 10 (tối ưu nhất tại Np = 7) mang lại chất lượng bám quỹ đạo chuyển làn tốt nhất. Khi Np vượt quá 10, sai số bám tăng lên hơn 35% do xe có xu hướng bẻ lái quá sớm trước khi đến giao điểm quỹ đạo, đồng thời làm giảm tính linh hoạt của cơ cấu lái. Khi Np nhỏ hơn 5, hệ thống phản hồi chậm và dễ xuất hiện hiện tượng vọt lố.

Thứ hai, tham số trọng số góc hướng Q3 trong ma trận Q đóng vai trò quyết định đến độ ổn định chuyển động. Khi giữ Q1 = 10, Q2 = 10 và cho Q3 = 0, sai số vị trí tiệm cận về 0 nhanh chóng nhưng góc bẻ lái bị dao động dữ dội với tốc độ biến thiên chạm ngưỡng 60 độ/giây, dễ gây mất lái trong thực tế. Ngược lại, khi tăng Q3 lên mức 30, góc hướng bám sát tiếp tuyến quỹ đạo, giảm thiểu hơn 40% hiện tượng rung lắc tay lái.

Thứ ba, với bộ thông số tối ưu gồm Np = 7, Q = đường chéo (10, 10, 30, 1) và R = 0,01, thuật toán MPC cho thấy sự vượt trội toàn diện so với thuật toán Stanley. Tại vận tốc 2,0 m/s trên quỹ đạo chuyển làn và quỹ đạo cong bán kính 11 mét, sai số hiệu dụng căn quân phương (RMS) của MPC giảm từ 25% đến 45% so với Stanley, loại bỏ hoàn toàn hiện tượng lệch đuôi khi vào cua gấp.

Thứ tư, bộ điều khiển vòng kín PID cho động cơ bẻ lái RS-365PW và động cơ vận tốc RS550 đáp ứng chính xác tín hiệu đặt từ MPC với thời gian xác lập dưới 0,3 giây, triệt tiêu sai số tĩnh xuống dưới 1,5 độ ở đáp ứng góc lái dạng sóng vuông.

Thảo luận kết quả

Sự vượt trội của MPC bắt nguồn từ cơ chế dự báo hành vi của xe trong một khoảng thời gian hữu hạn phía trước và liên tục giải bài toán tối ưu có ràng buộc tại mỗi chu kỳ 0,1 giây. Trong khi thuật toán hình học Stanley chỉ tính toán góc lái tức thời dựa trên khoảng cách lệch ngang và góc lệch hướng tại thời điểm hiện tại, MPC chủ động điều chỉnh góc lái mượt mà từ trước khi xe tiếp cận khúc cua. Điều này giải thích tại sao Stanley bị dao động mạnh và tăng sai số rõ rệt khi tốc độ xe tăng từ 1,0 m/s lên 2,0 m/s.

Dữ liệu nghiên cứu được trình bày trực quan và khoa học thông qua các đồ thị so sánh quỹ đạo thực tế với quỹ đạo tham chiếu, đồ thị sai số bám theo thời gian và bảng tổng hợp sai số hiệu dụng RMS chi tiết cho từng kịch bản thử nghiệm. Các biểu đồ miền thời gian phản ánh rõ ràng tính ổn định của góc xoay thân xe và biên độ góc bẻ lái luôn nằm trong giới hạn cho phép từ âm 30 độ đến dương 30 độ.

Kết quả này hoàn toàn tương đồng với các công bố quốc tế gần đây về xe tự hành nông nghiệp, khẳng định việc tuyến tính hóa từng bước mô hình động học xe kết hợp thuật toán quy hoạch toàn phương QP là giải pháp tối ưu, cân bằng giữa độ chính xác điều khiển và tài nguyên tính toán của phần cứng nhúng.

Đề xuất và khuyến nghị

Dựa trên các kết quả đạt được từ luận văn, bốn giải pháp trọng tâm được đề xuất nhằm nâng cao hiệu năng và đưa công nghệ vào ứng dụng thực tiễn:

Thứ nhất, nâng cấp thuật toán giải bài toán tối ưu QP sang dạng thuật toán nhúng thời gian thực chuyên dụng (như qpOASES hoặc OSQP) trên bộ xử lý đồ họa nhúng GPU hoặc vi xử lý đa nhân. Mục tiêu là rút ngắn chu kỳ điều khiển từ 100 mili-giây xuống dưới 20 mili-giây, tăng tốc độ đáp ứng của xe tự hành lên mức trên 5,0 m/s (khoảng 18 km/h). Giải pháp này do nhóm kỹ sư phần mềm điều khiển triển khai trong lộ trình 6 tháng.

Thứ hai, tích hợp thêm hệ thống cảm biến đa phương thức gồm LiDAR 3D và Camera thị giác máy tính kết hợp thuật toán lọc Kalman mở rộng (EKF). Cải tiến này giúp nâng tỷ lệ định vị chính xác lên 99,5% trong các điều kiện môi trường nông trường bị che khuất sóng vệ tinh GPS-RTK bởi tán cây rậm rạp. Thời gian thực hiện dự kiến trong 9 tháng dưới sự phụ trách của nhóm nghiên cứu cảm biến và xử lý tín hiệu.

Thứ three, mở rộng mô hình điều khiển từ mô hình động học xe đạp 2 bậc tự do sang mô hình động lực học 4 bánh phi tuyến (Non-linear Dynamic Model) có tính đến độ trượt ngang của lốp xe và lực ma sát mặt đường. Đề xuất này do các nghiên cứu sinh chuyên ngành Tự động hóa đảm nhiệm trong thời gian 12 tháng nhằm đảm bảo an toàn tuyệt đối khi xe vận hành trên địa hình đồi dốc hoặc nền đất trơn trượt.

Thứ tư, hoàn thiện phần mềm trạm giám sát mặt đất Qt GUI tích hợp nền tảng bản đồ số GIS đám mây và kết nối vô tuyến 4G/5G tầm xa. Mục tiêu là cho phép một kỹ thuật viên có thể giám sát và điều phối đồng thời biên đội từ 5 đến 10 máy kéo tự hành cùng lúc trên cánh đồng lớn. Hoạt động này cần sự phối hợp giữa viện nghiên cứu và doanh nghiệp nông nghiệp công nghệ cao trong giai đoạn 2024 – 2025.

Đối tượng nên tham khảo luận văn

Nội dung luận văn mang tính học thuật cao và giàu giá trị ứng dụng thực tiễn, đặc biệt hữu ích cho 4 nhóm đối tượng sau:

Nhóm thứ nhất là các kỹ sư R&D trong lĩnh vực xe tự hành, robot di động tự hành (AGV/AMR) và máy nông nghiệp thông minh. Luận văn cung cấp toàn bộ quy trình thiết kế từ mô hình hóa toán học, xây dựng ma trận trạng thái, giải bài toán tối ưu QP đến cách xử lý dữ liệu cảm biến định vị GPS-RTK và IMU trong môi trường thực tế.

Nhóm thứ hai là học viên cao học, nghiên cứu sinh và sinh viên chuyên ngành Kỹ thuật Điều khiển và Tự động hóa, Cơ điện tử, Kỹ thuật Ô tô. Đây là tài liệu tham khảo chuẩn mực về ứng dụng lý thuyết điều khiển nâng cao MPC, phương pháp tuyến tính hóa hệ phi tuyến và kỹ thuật lập trình nhúng thời gian thực trên nền tảng ROS kết hợp vi điều khiển STM32.

Nhóm thứ ba là các doanh nghiệp chế tạo thiết bị cơ giới hóa nông nghiệp và phát triển giải pháp nông nghiệp thông minh. Doanh nghiệp có thể khai thác kiến trúc hệ thống để phát triển các dòng máy cày, máy phun thuốc, máy kéo tự hành hoạt động chính xác theo lộ trình thiết lập sẵn, giúp tiết kiệm hơn 70% chi phí nhân công và tối ưu hóa diện tích canh tác.

Nhóm thứ tư là các lập trình viên phần mềm nhúng và giao diện điều khiển công nghiệp. Tài liệu chia sẻ chi tiết phương pháp xây dựng phần mềm giám sát trạm mặt đất bằng Qt C++, kỹ thuật truyền nhận dữ liệu qua giao thức UART/Rosserial và cơ chế đa luồng xử lý thông tin định vị thời gian thực.

Câu hỏi thường gặp

Thuật toán điều khiển dự báo mô hình MPC có điểm gì vượt trội hơn so với thuật toán Stanley truyền thống? Thuật toán MPC vượt trội nhờ khả năng tối ưu hóa chuỗi tín hiệu điều khiển trong tương lai và xử lý trực tiếp các ràng buộc vật lý như góc bẻ lái giới hạn từ âm 30 độ đến dương 30 độ và tốc độ lái 60 độ/giây. Trong khi đó, Stanley chỉ xử lý sai số tức thời nên dễ gây hiện tượng vọt lố và dao động mạnh khi vận tốc xe vượt quá 1,5 m/s.

Công nghệ định vị GPS-RTK đóng vai trò như thế nào trong sự thành công của đề tài? Hệ thống GPS-RTK u-blox NEO-M8P cấu hình Base - Rover giúp triệt tiêu sai số định vị từ mức 2 đến 4 mét của GPS thông thường xuống chỉ còn mức centimet với tần số cập nhật 10 Hz. Dữ liệu tọa độ chính xác cao là điều kiện tiên quyết để thuật toán MPC tính toán độ lệch quỹ đạo và đưa ra góc bẻ lái chuẩn xác.

Làm thế nào để lựa chọn số bước dự báo Np tối ưu cho xe tự hành? Qua khảo sát thực nghiệm từ Np = 5 đến Np = 20, giá trị Np tối ưu nằm trong khoảng từ 5 đến 10 (cụ thể chọn Np = 7). Nếu Np quá nhỏ, xe phản ứng chậm với độ cong quỹ đạo; nếu Np quá lớn, xe sẽ bẻ lái quá sớm khiến sai số lệch ngang tăng hơn 35% và làm giảm tính linh hoạt của hệ thống lái.

Kiến trúc phần cứng nhúng của xe tự hành được phân tầng như thế nào? Hệ thống chia làm hai tầng xử lý rõ rệt: Tầng cao sử dụng máy tính nhúng chạy hệ điều hành Linux Ubuntu và ROS đảm nhiệm thu nhận dữ liệu cảm biến GPS/IMU và giải thuật toán MPC. Tầng thấp sử dụng vi điều khiển STM32F405 xung nhịp 168 MHz thực thi vòng lặp kín PID điều khiển trực tiếp góc bẻ lái và vận tốc động cơ qua cầu H.

Mô hình nghiên cứu trong luận văn có thể chuyển giao cho các phương tiện thực tế kích thước lớn không? Mô hình toán học và cấu trúc điều khiển MPC hoàn toàn tương thích để chuyển giao cho các phương tiện thực tế như máy kéo nông nghiệp hoặc xe điện. Khi áp dụng lên xe thực, chỉ cần cập nhật lại các thông số kích thước cơ sở l, giới hạn công suất động cơ và tinh chỉnh lại ma trận trọng số Q, R mà không cần thay đổi cấu trúc thuật toán.

Kết luận

Luận văn thạc sĩ đã giải quyết trọn vẹn bài toán điều khiển tự động bám quỹ đạo cho phương tiện không người lái thông qua 5 đóng góp nổi bật:

  • Xây dựng và chuẩn hóa thành công mô hình động học xe đạp 2 bậc tự do có xét đầy đủ các ràng buộc vật lý khắt khe về góc bẻ lái trong phạm vi âm 30 độ đến dương 30 độ.
  • Thiết kế và triển khai xuất sắc bộ điều khiển dự báo mô hình MPC dựa trên tuyến tính hóa từng bước và tối ưu hóa quy hoạch toàn phương QP với chu kỳ 100 mili-giây.
  • Chế tạo hoàn chỉnh mô hình thực nghiệm xe 4 bánh nặng 20 kg tích hợp cảm biến chính xác cao gồm GPS-RTK độ chính xác centimet và IMU ADIS16480.
  • Phát triển trạm giám sát mặt đất chuyên nghiệp bằng nền tảng Qt C++ kết nối liền mạch với hệ điều hành robot ROS thông qua mạng truyền thông không dây.
  • Kiểm chứng thực nghiệm thành công trên 4 kịch bản quỹ đạo phức tạp, chứng minh MPC giúp giảm sai số bám RMS từ 25% đến 45% so với thuật toán Stanley ở tốc độ 2,0 m/s.

Đóng góp lớn nhất của công trình là cung cấp một giải pháp tự hành hoàn chỉnh, tin cậy, có khả năng ứng dụng trực tiếp vào lĩnh vực cơ giới hóa nông nghiệp thông minh tại Việt Nam. Kế hoạch tiếp theo trong giai đoạn 2024 – 2025 là nâng cấp giải thuật lên MPC phi tuyến (NMPC), tích hợp cảm biến thị giác máy tính và thử nghiệm trên máy kéo nông nghiệp quy mô thực tế ngoài đồng ruộng. Các nhà nghiên cứu và doanh nghiệp quan tâm có thể tiếp cận khai thác toàn bộ kiến trúc điều khiển này để đẩy nhanh tiến trình thương mại hóa các phương tiện tự hành nội địa.