Tổng quan nghiên cứu

Định vị là một thành phần thiết yếu trong các ứng dụng robot tự hành và phương tiện tự lái, đặc biệt trong những môi trường mà tín hiệu GPS bị che khuất hoặc không ổn định. Theo ước tính, các hệ thống định vị quán tính (Inertial Navigation System - INS) sử dụng cảm biến IMU (Inertial Measurement Unit) ngày càng được ứng dụng rộng rãi nhờ khả năng cung cấp thông tin định vị cục bộ chính xác trong thời gian ngắn. Tuy nhiên, IMU dễ bị sai số tích lũy do nhiễu và độ lệch bias, làm giảm độ chính xác theo thời gian. Để khắc phục hạn chế này, việc tích hợp IMU với các cảm biến hỗ trợ như Lidar, Encoder được xem là giải pháp hiệu quả nhằm cải thiện độ chính xác và ổn định của hệ thống định vị.

Luận văn tập trung xây dựng thuật toán định vị tích hợp IMU và Lidar sử dụng bộ lọc Kalman lặp (Iterated Extended Kalman Filter - IEKF) nhằm giảm thiểu sai số tích lũy của IMU. Đồng thời, phát triển thêm thuật toán tích hợp IMU, Lidar và Encoder để nâng cao chất lượng định vị. Hệ thống được triển khai thực nghiệm tại khuôn viên Trường Đại học Bách Khoa TP. Hồ Chí Minh với tần số cập nhật 10Hz, mục tiêu sai số vị trí cuối cùng không vượt quá 5% tổng quãng đường di chuyển. Các kết quả thực nghiệm trong môi trường trong nhà và ngoài trời với nhiều quỹ đạo khác nhau đã chứng minh hiệu quả của thuật toán tích hợp.

Nghiên cứu có ý nghĩa quan trọng trong việc phát triển các hệ thống định vị quán tính chính xác, ổn định, phục vụ cho các ứng dụng robot tự hành, UAV và phương tiện tự lái trong điều kiện môi trường phức tạp, thiếu tín hiệu GPS.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình sau:

  • Cảm biến IMU và mô hình đo phi tuyến: IMU gồm cảm biến gia tốc và vận tốc góc, đo chuyển động của vật thể trong không gian ba chiều. Mô hình toán học mô tả quá trình tích phân dữ liệu IMU để ước lượng vị trí, vận tốc và góc hướng, đồng thời tính toán ma trận hiệp phương sai để biểu diễn độ không chắc chắn.

  • Lý thuyết Lie và nhóm Lie SO(3): Để xử lý các phép toán trên ma trận xoay trong không gian ba chiều, luận văn áp dụng lý thuyết Lie, đặc biệt là nhóm Lie ma trận SO(3) để biểu diễn và tính toán các phép cộng, trừ góc quay một cách chính xác và hiệu quả.

  • Bộ lọc Kalman lặp (IEKF): IEKF là phiên bản nâng cao của bộ lọc Kalman mở rộng (EKF), sử dụng phương pháp tối ưu Gauss-Newton để lặp lại bước cập nhật trạng thái nhằm đạt được ước lượng cực đại khả năng hậu nghiệm (MAP). IEKF giúp cải thiện độ chính xác trong các hệ thống phi tuyến như định vị tích hợp IMU/Lidar.

  • Thuật toán tích hợp IMU/Lidar/Encoder: Thuật toán mở rộng dựa trên IEKF, kết hợp dữ liệu vận tốc từ Encoder với dữ liệu IMU và Lidar để cải thiện độ chính xác định vị, đặc biệt trong các môi trường có đặc trưng hình học kém.

Phương pháp nghiên cứu

  • Nguồn dữ liệu: Dữ liệu thu thập từ hệ thống thực nghiệm gồm cảm biến IMU MEMS, Lidar dạng cơ và Encoder quang học, được triển khai tại khuôn viên Trường Đại học Bách Khoa TP. Hồ Chí Minh và một số môi trường thử nghiệm trong nhà và ngoài trời.

  • Phương pháp chọn mẫu và cỡ mẫu: Dữ liệu IMU được lấy mẫu liên tục với tần số cao, trong khi Lidar và Encoder lấy mẫu ở tần số 10Hz. Việc đồng bộ dữ liệu giữa các cảm biến được thực hiện bằng khối Sensor Synchronizer nhằm hiệu chỉnh thời gian lấy mẫu các điểm đặc trưng trong point cloud Lidar.

  • Phương pháp phân tích: Thuật toán IEKF được áp dụng để dự đoán và cập nhật trạng thái vị trí, vận tốc và góc hướng dựa trên mô hình phi tuyến của hệ thống. Các phép toán trong không gian trạng thái sử dụng lý thuyết Lie để xử lý ma trận xoay SO(3). Kết quả được đánh giá qua sai số vị trí so với tham chiếu RTK và so sánh với các thuật toán tích hợp IMU/Camera.

  • Timeline nghiên cứu: Nghiên cứu bắt đầu từ tháng 02/2023, hoàn thành xây dựng thuật toán và hệ thống thực nghiệm vào tháng 12/2023, tiến hành thu thập và phân tích dữ liệu trong cùng khoảng thời gian.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Cải thiện sai số tích lũy của IMU bằng IEKF tích hợp Lidar: Kết quả thực nghiệm cho thấy sai số vị trí cuối cùng của hệ thống IMU/Lidar không vượt quá 5% tổng quãng đường di chuyển, đạt mục tiêu đề ra. Ví dụ, trong tập dữ liệu di chuyển nhanh indoor, sai số vị trí đạt khoảng 0.44m trên tổng quãng đường 440m, tương đương 0.1%.

  2. Hiệu quả đồng bộ dữ liệu Lidar với IMU: Khối Sensor Synchronizer giúp hiệu chỉnh thời gian lấy mẫu các điểm đặc trưng trong point cloud Lidar, giảm thiểu sai lệch do chuyển động không đồng bộ. Điều này làm tăng độ chính xác cập nhật trạng thái trong bộ lọc IEKF.

  3. Thuật toán tích hợp IMU/Lidar/Encoder nâng cao độ chính xác: Khi bổ sung dữ liệu vận tốc từ Encoder, sai số vị trí giảm thêm khoảng 10-15% so với thuật toán chỉ tích hợp IMU/Lidar, đặc biệt trong môi trường có đặc trưng hình học kém hoặc quỹ đạo phức tạp.

  4. Tính ổn định và khả năng ứng dụng đa môi trường: Thuật toán được thử nghiệm trong nhiều môi trường indoor và outdoor với các quỹ đạo hình tròn, hình chữ nhật và di chuyển quanh khuôn viên trường, đều cho kết quả ổn định với sai số vị trí thấp và tần số cập nhật 10Hz.

Thảo luận kết quả

Nguyên nhân chính giúp cải thiện độ chính xác là việc sử dụng bộ lọc Kalman lặp IEKF, cho phép lặp lại bước cập nhật trạng thái nhằm tối ưu hóa ước lượng trong hệ thống phi tuyến. Việc đồng bộ dữ liệu Lidar với IMU khắc phục được vấn đề lệch thời gian lấy mẫu, vốn là nguyên nhân gây sai số lớn trong các hệ thống tích hợp cảm biến.

So sánh với các nghiên cứu trước đây sử dụng EKF hoặc phương pháp tích hợp lỏng, thuật toán IEKF tích hợp chặt chẽ dữ liệu thô từ Lidar và IMU cho kết quả vượt trội về độ chính xác và ổn định. Việc bổ sung Encoder giúp giảm sai số vận tốc, từ đó cải thiện ước lượng vị trí, nhất là trong các môi trường có ít đặc trưng hình học.

Dữ liệu có thể được trình bày qua các biểu đồ sai số vị trí theo thời gian, bảng so sánh sai số giữa các thuật toán và các quỹ đạo thử nghiệm, giúp minh họa rõ ràng hiệu quả của phương pháp đề xuất.

Đề xuất và khuyến nghị

  1. Triển khai thuật toán IEKF tích hợp IMU/Lidar/Encoder trong các hệ thống robot tự hành: Động từ hành động "triển khai" nhằm nâng cao độ chính xác định vị, mục tiêu giảm sai số vị trí dưới 5% tổng quãng đường, thực hiện trong vòng 6 tháng, chủ thể là các nhóm phát triển robot và phương tiện tự hành.

  2. Phát triển phần mềm đồng bộ dữ liệu cảm biến nâng cao: Tăng cường khối Sensor Synchronizer để xử lý đa dạng các loại cảm biến với tần số khác nhau, đảm bảo đồng bộ thời gian chính xác, hoàn thành trong 3 tháng, chủ thể là nhóm kỹ thuật phần mềm.

  3. Mở rộng tích hợp thêm các cảm biến hỗ trợ khác như Camera và Radar: Động từ "mở rộng" nhằm cải thiện độ tin cậy và khả năng hoạt động trong môi trường phức tạp, mục tiêu tăng độ chính xác định vị thêm 10%, thực hiện trong 12 tháng, chủ thể là nhóm nghiên cứu và phát triển.

  4. Tối ưu hóa thuật toán IEKF để giảm khối lượng tính toán: Động từ "tối ưu" nhằm nâng cao hiệu suất xử lý, đảm bảo tần số cập nhật trên 10Hz trong các hệ thống nhúng, hoàn thành trong 6 tháng, chủ thể là nhóm phát triển thuật toán.

Đối tượng nên tham khảo luận văn

  1. Nhà nghiên cứu và phát triển trong lĩnh vực robot tự hành: Luận văn cung cấp phương pháp tích hợp cảm biến tiên tiến giúp cải thiện độ chính xác định vị, hỗ trợ phát triển các hệ thống robot trong môi trường phức tạp.

  2. Kỹ sư phát triển hệ thống định vị và điều khiển phương tiện tự lái: Thuật toán IEKF và cách đồng bộ dữ liệu cảm biến là tài liệu tham khảo quý giá để nâng cao hiệu suất và độ tin cậy của hệ thống định vị.

  3. Sinh viên và học viên cao học chuyên ngành kỹ thuật điều khiển và tự động hóa: Nội dung luận văn giúp hiểu sâu về lý thuyết Lie, bộ lọc Kalman lặp và ứng dụng thực tế trong tích hợp cảm biến.

  4. Các công ty công nghệ phát triển cảm biến và hệ thống nhúng: Tham khảo để phát triển phần cứng và phần mềm tích hợp cảm biến IMU, Lidar, Encoder, tối ưu hóa thuật toán xử lý tín hiệu trong các sản phẩm mới.

Câu hỏi thường gặp

  1. Bộ lọc Kalman lặp (IEKF) khác gì so với bộ lọc Kalman mở rộng (EKF)?
    IEKF thực hiện lặp lại bước cập nhật trạng thái nhằm tối ưu hóa ước lượng, giúp giảm sai số trong hệ thống phi tuyến so với EKF chỉ cập nhật một lần. Ví dụ, IEKF cải thiện độ chính xác trong định vị tích hợp IMU/Lidar nhờ xử lý phi tuyến tốt hơn.

  2. Tại sao cần đồng bộ dữ liệu Lidar và IMU?
    Lidar quét điểm trong khoảng thời gian dài hơn IMU lấy mẫu liên tục, nên các điểm đặc trưng có thời gian lấy mẫu khác nhau gây lệch dữ liệu. Đồng bộ giúp hiệu chỉnh thời gian lấy mẫu, giảm sai số do chuyển động không đồng bộ, nâng cao độ chính xác định vị.

  3. Encoder đóng vai trò gì trong hệ thống định vị tích hợp?
    Encoder cung cấp dữ liệu vận tốc chính xác của bánh xe hoặc động cơ, giúp cải thiện ước lượng vận tốc và vị trí khi kết hợp với IMU và Lidar, đặc biệt hữu ích trong môi trường có ít đặc trưng hình học.

  4. Sai số vị trí cuối cùng của hệ thống là bao nhiêu?
    Theo kết quả thực nghiệm, sai số vị trí cuối cùng không vượt quá 5% tổng quãng đường di chuyển, ví dụ sai số 0.44m trên quãng đường 440m trong môi trường indoor di chuyển nhanh.

  5. Hệ thống có thể áp dụng trong môi trường nào?
    Hệ thống được thử nghiệm thành công trong cả môi trường trong nhà và ngoài trời với nhiều quỹ đạo khác nhau, phù hợp cho robot tự hành, UAV và phương tiện tự lái hoạt động trong điều kiện thiếu tín hiệu GPS.

Kết luận

  • Luận văn đã xây dựng thành công thuật toán định vị tích hợp IMU/Lidar sử dụng bộ lọc Kalman lặp IEKF, giảm thiểu sai số tích lũy của IMU.
  • Thuật toán tích hợp mở rộng với Encoder giúp cải thiện độ chính xác định vị trong các môi trường phức tạp.
  • Hệ thống thực nghiệm tại Trường Đại học Bách Khoa TP. Hồ Chí Minh đạt tần số cập nhật 10Hz và sai số vị trí cuối cùng dưới 5% tổng quãng đường.
  • Phương pháp đồng bộ dữ liệu cảm biến Lidar và IMU là yếu tố then chốt nâng cao hiệu quả thuật toán.
  • Đề xuất các hướng phát triển tiếp theo bao gồm mở rộng tích hợp cảm biến, tối ưu thuật toán và triển khai ứng dụng thực tế trong robot tự hành và phương tiện tự lái.

Để tiếp tục phát triển, các nhóm nghiên cứu và kỹ sư có thể áp dụng thuật toán này vào các dự án thực tế, đồng thời mở rộng tích hợp thêm các cảm biến khác nhằm nâng cao độ chính xác và khả năng ứng dụng trong nhiều môi trường đa dạng.