Tổng quan nghiên cứu

Trong bối cảnh đô thị hóa nhanh chóng, ùn tắc giao thông và ô nhiễm môi trường tại các thành phố lớn đang trở thành vấn đề cấp bách. Theo ước tính, các phương tiện giao thông cá nhân chiếm phần lớn diện tích sử dụng và góp phần phát thải khí nhà kính. Do đó, việc nghiên cứu và phát triển các phương tiện di chuyển cá nhân nhỏ gọn, thân thiện với môi trường là rất cần thiết. Xe hai bánh tự cân bằng, dựa trên nguyên lý con lắc ngược, là một giải pháp tiềm năng giúp người dùng di chuyển linh hoạt, tiết kiệm không gian và giảm thiểu ô nhiễm.

Mục tiêu chính của luận văn là xây dựng mô hình xe hai bánh tự cân bằng có khả năng điều khiển từ xa qua Bluetooth, ứng dụng bộ điều khiển LQR và bộ lọc Kalman để đảm bảo sự ổn định và chính xác trong vận hành. Nghiên cứu tập trung vào việc mô hình hóa toán học, thiết kế thuật toán điều khiển, mô phỏng trên Matlab Simulink và thi công hệ thống thực tế với các linh kiện như Arduino Mega 2560, cảm biến MPU 6050, động cơ DC và module Bluetooth HC-05. Phạm vi nghiên cứu được thực hiện tại Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh trong năm 2018.

Ý nghĩa của đề tài không chỉ nằm ở việc phát triển một mô hình thí nghiệm phục vụ đào tạo và nghiên cứu khoa học mà còn mở ra hướng ứng dụng trong giao thông cá nhân thông minh, góp phần giảm thiểu ùn tắc và ô nhiễm môi trường đô thị. Mô hình cũng là nền tảng để phát triển các robot cân bằng hai bánh hoặc robot người trong tương lai.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính: lý thuyết con lắc ngược và lý thuyết điều khiển tối ưu LQR. Con lắc ngược là hệ thống phi tuyến không ổn định, đòi hỏi bộ điều khiển phản hồi để duy trì trạng thái cân bằng thẳng đứng. Mô hình toán học của xe hai bánh tự cân bằng được xây dựng dựa trên phương pháp Euler-Lagrange, mô tả động năng, thế năng và các phương trình trạng thái không gian của hệ thống.

Bộ lọc Kalman được áp dụng để xử lý tín hiệu cảm biến MPU 6050, giúp lọc nhiễu và ước lượng chính xác góc nghiêng của xe. Thuật toán Kalman là giải pháp hiệu quả cho các hệ thống có nhiễu Gaussian, cung cấp ước lượng trạng thái tối ưu dựa trên phản hồi liên tục.

Phương pháp điều khiển LQR (Linear Quadratic Regulator) được sử dụng để thiết kế bộ điều khiển tối ưu, nhằm giảm thiểu hàm chi phí toàn phương liên quan đến trạng thái và tín hiệu điều khiển. LQR cho phép tuyến tính hóa hệ thống phi tuyến quanh điểm cân bằng và tìm ma trận phản hồi K tối ưu bằng cách giải phương trình Riccati. Bộ điều khiển này giúp xe duy trì trạng thái cân bằng và thực hiện các thao tác di chuyển như tiến, lùi, rẽ trái, rẽ phải.

Các khái niệm chính bao gồm: con lắc ngược, mô hình toán học Euler-Lagrange, bộ lọc Kalman, lý thuyết điều khiển LQR, mô hình trạng thái không gian, và thuật toán điều khiển PWM.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là các thông số kỹ thuật của linh kiện (Arduino Mega 2560, MPU 6050, động cơ NF5475E), dữ liệu mô phỏng trên Matlab Simulink và kết quả thực nghiệm từ mô hình thi công. Cỡ mẫu nghiên cứu là một mô hình xe hai bánh tự cân bằng được xây dựng và thử nghiệm trong phòng thí nghiệm.

Phương pháp phân tích bao gồm: mô hình hóa toán học bằng phương pháp Euler-Lagrange, mô phỏng hệ thống và bộ điều khiển LQR trên Matlab Simulink, xử lý tín hiệu cảm biến bằng bộ lọc Kalman, lập trình điều khiển trên Arduino IDE, và thiết kế giao diện điều khiển qua Bluetooth sử dụng MIT App Inventor.

Timeline nghiên cứu kéo dài trong năm 2018, bắt đầu từ việc xây dựng mô hình toán học, thiết kế thuật toán, mô phỏng, thi công hệ thống phần cứng, lập trình và thử nghiệm thực tế. Quá trình nghiên cứu được hướng dẫn bởi PGS. Nguyễn Minh Tâm tại Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hoàn thiện mô hình toán học và mô phỏng: Mô hình xe hai bánh tự cân bằng được xây dựng chính xác với các phương trình động lực học, mô phỏng trên Matlab Simulink cho thấy các góc tới (θ), góc nghiêng (ψ) và góc xoay (φ) phản hồi tốt theo tín hiệu điều khiển. Đồ thị mô phỏng thể hiện xe có thể giữ thăng bằng và thực hiện các thao tác di chuyển với độ ổn định cao.

  2. Ứng dụng bộ lọc Kalman: Việc sử dụng bộ lọc Kalman giúp lọc nhiễu từ cảm biến MPU 6050, nâng cao độ chính xác của dữ liệu góc nghiêng. Kết quả thực tế cho thấy góc nghiêng ψ dao động trong phạm vi nhỏ, giúp xe duy trì trạng thái cân bằng ổn định.

  3. Hiệu quả bộ điều khiển LQR: Bộ điều khiển LQR được thiết kế và giải bằng phương trình Riccati trên Matlab, với ma trận phản hồi K thu được giúp xe tự cân bằng và điều khiển mượt mà. Kết quả thực nghiệm cho thấy xe có thể di chuyển tiến, lùi, rẽ trái, rẽ phải theo tín hiệu Bluetooth, với độ ổn định trên 90% trong các thử nghiệm.

  4. Thi công hệ thống thực tế: Mô hình thực tế sử dụng Arduino Mega 2560, cảm biến MPU 6050, động cơ NF5475E và module Bluetooth HC-05 hoạt động ổn định. Đồ thị PWM thể hiện tín hiệu điều khiển dao động quanh vị trí cân bằng, đảm bảo khả năng phản hồi nhanh và chính xác.

Thảo luận kết quả

Nguyên nhân thành công của mô hình là sự kết hợp hiệu quả giữa mô hình toán học chính xác, thuật toán điều khiển LQR tối ưu và bộ lọc Kalman xử lý tín hiệu nhiễu. So với các nghiên cứu trước đây chỉ tập trung vào mô hình đơn giản hoặc thử nghiệm cân bằng, đề tài đã phát triển thêm khả năng điều khiển từ xa qua Bluetooth, tăng tính ứng dụng thực tế.

Kết quả mô phỏng và thực nghiệm tương đồng, chứng tỏ mô hình toán học và thuật toán điều khiển phù hợp với điều kiện thực tế. Tuy nhiên, một số hạn chế như dao động mạnh khi tăng tải và chưa đồng bộ hoàn toàn dữ liệu giữa Matlab và vi điều khiển cho thấy cần cải tiến phần cứng và thuật toán trong các nghiên cứu tiếp theo.

Việc ứng dụng bộ lọc Kalman giúp giảm nhiễu tín hiệu cảm biến, nâng cao độ chính xác và ổn định của hệ thống, phù hợp với các nghiên cứu trong lĩnh vực robot tự cân bằng. Bộ điều khiển LQR thể hiện ưu điểm trong việc duy trì trạng thái cân bằng và điều khiển mượt mà, phù hợp với các hệ thống MIMO phức tạp.

Dữ liệu có thể được trình bày qua các biểu đồ góc θ, ψ, φ và tín hiệu PWM để minh họa sự ổn định và phản hồi của hệ thống trong các trạng thái vận hành khác nhau.

Đề xuất và khuyến nghị

  1. Cải tiến phần cứng: Nâng cấp vi điều khiển và cảm biến để tăng khả năng xử lý và đồng bộ dữ liệu, giảm dao động khi tăng tải. Thời gian thực hiện: 6-12 tháng, chủ thể: nhóm nghiên cứu và phòng thí nghiệm.

  2. Phát triển thuật toán điều khiển: Tích hợp thêm các thuật toán điều khiển phi tuyến hoặc điều khiển thích nghi để nâng cao khả năng ổn định trong điều kiện ngoại lực mạnh. Thời gian: 12 tháng, chủ thể: sinh viên nghiên cứu khoa học và giảng viên hướng dẫn.

  3. Mở rộng ứng dụng: Nghiên cứu phát triển robot hai bánh tự cân bằng cho các ứng dụng giao thông cá nhân hoặc robot dịch vụ, tận dụng công nghệ Bluetooth và cảm biến hiện có. Thời gian: 18-24 tháng, chủ thể: các nhóm nghiên cứu và doanh nghiệp công nghệ.

  4. Tăng cường đào tạo và nghiên cứu: Sử dụng mô hình làm tài liệu giảng dạy và thí nghiệm trong các khóa học kỹ thuật điều khiển và tự động hóa, đồng thời khuyến khích sinh viên phát triển các đề tài liên quan. Thời gian: liên tục, chủ thể: nhà trường và khoa Điện-Điện tử.

Đối tượng nên tham khảo luận văn

  1. Sinh viên ngành Công nghệ kỹ thuật điều khiển và tự động hóa: Nắm bắt kiến thức về mô hình toán học, thuật toán điều khiển LQR và bộ lọc Kalman, áp dụng vào thực hành và nghiên cứu khoa học.

  2. Giảng viên và nhà nghiên cứu trong lĩnh vực robot và điều khiển tự động: Tham khảo phương pháp thiết kế bộ điều khiển tối ưu cho hệ thống phi tuyến, phát triển các đề tài nghiên cứu mới.

  3. Kỹ sư phát triển sản phẩm robot và phương tiện giao thông thông minh: Áp dụng mô hình và thuật toán để thiết kế các sản phẩm robot cân bằng hai bánh hoặc xe tự hành nhỏ gọn.

  4. Doanh nghiệp công nghệ và startup trong lĩnh vực tự động hóa: Tìm hiểu công nghệ điều khiển và cảm biến để phát triển sản phẩm mới, nâng cao hiệu quả và tính cạnh tranh trên thị trường.

Câu hỏi thường gặp

  1. Xe hai bánh tự cân bằng hoạt động dựa trên nguyên lý nào?
    Xe sử dụng nguyên lý con lắc ngược, kết hợp cảm biến gia tốc và con quay hồi chuyển để đo góc nghiêng, sau đó bộ điều khiển LQR xử lý tín hiệu và điều khiển động cơ giữ xe cân bằng.

  2. Bộ lọc Kalman có vai trò gì trong hệ thống?
    Bộ lọc Kalman giúp lọc nhiễu từ cảm biến MPU 6050, cung cấp dữ liệu góc nghiêng chính xác và ổn định, từ đó nâng cao hiệu quả điều khiển và giảm sai số.

  3. Tại sao chọn bộ điều khiển LQR cho hệ thống này?
    LQR là phương pháp điều khiển tối ưu cho hệ thống tuyến tính hóa quanh điểm cân bằng, giúp giảm thiểu hàm chi phí toàn phương, đảm bảo sự ổn định và phản hồi mượt mà cho xe.

  4. Hệ thống có thể điều khiển từ xa như thế nào?
    Hệ thống sử dụng module Bluetooth HC-05 kết nối với ứng dụng trên điện thoại được lập trình bằng MIT App Inventor, cho phép điều khiển xe tiến, lùi, rẽ trái, rẽ phải từ xa.

  5. Những hạn chế hiện tại của mô hình là gì?
    Mô hình còn gặp dao động mạnh khi tăng tải, chưa đồng bộ hoàn toàn dữ liệu giữa Matlab và vi điều khiển, và điều khiển chưa thật sự mượt do giới hạn phần cứng.

Kết luận

  • Đã xây dựng thành công mô hình xe hai bánh tự cân bằng với khả năng điều khiển từ xa qua Bluetooth, ứng dụng bộ điều khiển LQR và bộ lọc Kalman.
  • Mô hình toán học và thuật toán điều khiển được mô phỏng chính xác trên Matlab Simulink, kết quả thực nghiệm phù hợp với mô phỏng.
  • Hệ thống thực tế sử dụng Arduino Mega 2560, cảm biến MPU 6050 và động cơ NF5475E hoạt động ổn định, đáp ứng yêu cầu cân bằng và di chuyển.
  • Đề tài góp phần nâng cao chất lượng đào tạo, tạo nền tảng nghiên cứu khoa học cho sinh viên và mở hướng phát triển robot cân bằng hai bánh trong tương lai.
  • Các bước tiếp theo bao gồm cải tiến phần cứng, phát triển thuật toán điều khiển nâng cao và mở rộng ứng dụng trong giao thông cá nhân và robot dịch vụ.

Mời quý độc giả và các nhà nghiên cứu tiếp tục khai thác và phát triển các hướng nghiên cứu mới dựa trên nền tảng này để đóng góp vào sự phát triển của khoa học công nghệ và xã hội.