Nghiên cứu khả năng hiệu chỉnh cấu trúc mạng nơ ron sử dụng giải thuật di truyền điều khiển mobile robot

Từ trước đến nay, cấu trúc mạng nơron vẫn được lựa chọn theo kinh nghiệm và tốn khá nhiều thời gian để tìm được một cấu trúc đáp ứng được yêu cầu của bài toán điều khiển. Khi tìm được cấu trúc mạng thỏa với yêu cầu bài toán, ta cũng chưa kết luận được đó là cấu trúc mạng tối ưu. Luận văn này nghiên cứu khả năng hiệu chỉnh cấu trúc mạng nơron hàm cơ sở xuyên tâm (RBF) sử dụng giải thuật di truyền điều khiển mobile robot. Nội dung của đề tài gồm ba phần chính: (1) xây dựng mô hình mobile robot dựa trên mô hình toán; (ii) xây dựng bộ điều khiển trượt thích nghi sử dụng hàm cơ sở xuyên tâm; (iii) hiệu chỉnh cấu trúc và các hệ số mạng nơron RBF sử dụng giải thuật di truyền.

TRUONG DAI HOC CAN THO KHOA CONG NGHE TRAN CHi CUGNG NGHIÊN CỨU KHẢ NĂNG HIỆU CHỈNH CAU TRÚC MẠNG NƠ-RON SỬ DỤNG GIẢI THUẬT DI TRUYỀN DIEU KHIEN MOBILE ROBOT LUAN VAN TOT NGHIEP CAO HOC NGANH KY THUAT DIEU KHIEN & TU DONG HOA 2017 TRUONG DAI HOC CAN THO KHOA CONG NGHE TRAN CHi CUGNG NGHIÊN CỨU KHẢ NĂNG HIỆU CHỈNH CẤU TRÚC MẠNG NO-RON SỬ DỤNG GIẢI THUẬT DI TRUYỀN DIEU KHIEN MOBILE ROBOT LUAN VAN TOT NGHIEP CAO HOC NGANH KY THUAT DIEU KHIEN & TU DONG HOA CAN BO HUGNG DAN PGs.TS NGUYÊN CHÍ NGÔN 2017 CHAP THUAN CUA HOI DONG Luận văn này, với đề tựa “Nghiên cứu khả hiệu chỉnh cấu trúc mạng nơ-ron sử dụng giải thuật di truyền điều khiển Mobile robot”, học viên Trần Chí Cường thực theo hướng dẫn PGs.TS Nguyễn Chí Ngôn Luận văn báo cáo Hội đồng chấm luận văn thông qua ngày Ủy viên Thư ký TS NGO QUANG HIẾU TS TRƯƠNG QUỐC BẢO Phản biện Phan biện TS NGUYEN MINH HOA TS NGUYEN QUỐC CHÍ Cán hướng dẫn Chủ tịch Hội đồng, PGs.TS NGUN CHÍ NGƠN TS TRAN THANH HUNG LOICAM TA Tơi xin tỏ lịng biếtơn sâu sắc dén PGs.TS Nguyễn Chí Ngơn, người thay hướng dẫn tận tình suốt thời gian học Đại học Cần Thơ Những gợi ý lúc quý báu ý kiến phản biện sâu sắc thầy giúp tơi nhận thức, định hướng hồn thiện nghiên cứu Xin chân thành cảm ơn thầy, Bộ mơn Tự động hóa trường Đại học Cần Thơ truyền đạt cho tơi kiến thức tảng vô quý báu thời gian học cao học trường Xin cảm ơn gia đình tơi chia sẻ ngày khó khăn vật chất tỉnh thần để tơi n tâm đề thực luận văn TOM TAT Từ trước đến nay, cấu trúc mạng nơ-ron lựa chon theo kinh nghiệm tốn nhiều thời gian để tìm cấu trúc đáp ứng yêu cầu toán điều khiển Khi tìm cấu trúc mạng thỏa với yêu cầu tốn, ta chưa kết luận cấu trúc mạng tối ưu Luận văn nghiên cứu khả hiệu chỉnh cấu trúc mạng nơ-ron hàm sở xuyên tâm (RBF) sử dụng giải thuật di truyền điều khiển mobile robot Nội dung đề tài gồm ba phần chính: (¡) xây dựng mơ hình mobile robot dựa mơ hình tốn; (ii) xây dựng điều khiển trượt thích nghỉ sử dụng hàm sở xuyên tâm; (iii) hiệu chỉnh cấu trúc hệ số mạng nơ-ron RBF sử dụng giải thuật di truyền Trong luận văn này, kết hợp lý thuyết điều khiển trượt mạng, nơ-ron để thiết kế điều khiển trượt thích nghỉ sử dụng mạng nơ-ron cho hệ thống phi tuyến Bộ điều khiển có đặc điểm: (¡) mạng nơ-ron dùng làm điều khiển trực tiếp; (ii) không cần nhận dạng trước thông số mô hình đối tượng, luật điều khiển suy trực tiếp q trình huấn luyện; (iii) có khả thích nghỉ trước thay đổi chặn thành phần bắt định Bộ điều khiên tối ưu cấu trúc hệ số mạng nơ-ron RBF dựa giải thuật di truyện Chúng tiến hành kiểm tra khả ứng dụng giải thuật di truyền việc hiệu chỉnh cấu trúc mạng nơ-ron RBEF điều khiễn trượt thích nghỉ cho mobile robot mô MATLAB° Kết mô đạt mục tiêu đề áp dung u khiễn trượt thích nghỉ giải di truyền việc điều khiển mobile robot Từ khóa: Giải thuật di truyền, Điều khiển trượt thích nghỉ, Mobile robot, hàm sở xuyên tâm (RBF), Mạng nơ-ron ABSTRACT From past to present, the structure of neural network has been selected empirically and takes quite a long time to find a satisfactory structure for the control problem When we find the network structure satisfies the problem requirements, we have not concluded that the network structure is optimal Our thesis focuses on finding the optimal structure for radial basis function (RBF) neural network using genetic algorithms to control mobile robot The thesis consists of three main parts: (i) building a mobile robot model based on mathematical model; (ii) building an adaptive sliding mode control using radial basis function; (iii) optimized structure and parameters of RBF neural network using genetic algorithms In this thesis, we combine sliding mode control theory and neural network to design adaptive sliding mode control using neural network for nonlinear systems The controller has following features: (i) Neural network is used as a direct controller; (ii) there is no need to pre-identify the object model parameters; control rules are inferred directly during the training: (iii) be able to adapt to changes in upper blocks of uncertainty The controller is optimized for structural and parameters of RBF neural network based on genetic algorithms To test the applicability of finding the optimal structure for RBF neural network based on genetic algorithms for mobile robot using adaptive sliding mode control that is simulated in MATLAB" Our experiment results showed that goals are always achieved by adopting adaptive sliding mode control and genetic algorithms to control mobile robot Keyword: Genetic algorithms, Adaptive sliding mode control, Mobile robot, Radial basis function (RBF), Neural network LOI CAM DOAN Các Tác giả xin cam đoan cơng trình nghiên cứu thân tác giả kết nghiên cứu kết luận l văn trung thực không chép từ bắt kỳ nguồn bắt kỳ hình thức Việc tham khảo nguồn tài liệu thực trích dẫn ghỉ nguồn tham khảo quy định Can Tho, thing Ký tên Trần Chí Cường tài liệu nam 2017 MUC LUC LOLCAM TA TOM TAT ABSTRACT LOI CAM BOAN DANH SÁCH HÌNH DANH MỤC BẢNG DANH MUC TU VIET TAT Chuong | GIGI THIEU 1.1 Téng 1.1.1 1.1.2 1.2 Mục 1.2.1 1.2.2 quan Cơ sở khoa học Lịch sử nghiên cứu tiêu nhiệm vụ nghiên cứu Mục tiêu nghiên cứu Nhiệm vụ nghiên cứu 1.3 Đối tượng, phạm vi phương pháp nghiên cứu 1.3.1 Đối tượng phạm vi nghiên cứu 1.3.2 Phương pháp nghiên cứu 1.4 Bố cục luận văn Chương2 CƠ SỞ LÝ THUYẾT 2.1 Điều khiển thích nghĩ 2.1.1 Mơ hình hồi quy tuyến tín] 2.1.2 Thuật tốn bình phương tối thiểu tuyến tính có trọng số đệ qui 2.2.1 2.2.2 2.2.3 2.2.4 Đối tượng điều khiển Luật điều khiên trượt kinh đi: Điều khiển trượt cho hệ thống MIMO Đặc điểm điều khiên trượt 2.3 Mạng nơ-ron RBF 2.4 Giải thuật di truyền 2.4.1 Các bước giải 2.4.2 Nguyên lý hoạt động thuật di truyền 2.4.3 So sánh giải thuật di truyền với thuậ Chương NỘI DỰNG NGHIÊN CỨU, 3.1 Mơ hình tốn mobile robot 3.2 Thiết kế điều khiên trượt thích nghỉ sử dụng mạng nơ-ron RBF 3.2.1 Thiết kế điều khiển trượt thích nghỉ 3.2.2 Khảo sát điều khién truot thich nghi 3.3 Hiệu chỉnh cầu trúc mạng sử dụng giải thuật di truyền 30 Chương KÉT QUÁ MÔ PHỊNG 37 Mã hóa nhiễm 3.3.2 Xây dựng thuật tốn di truyề: 31 3.3.3 Tính tốn hàm mục tiêu 32 mạng RBE 32 3.3.4 Các thông 3.3.5 Các bước xây dựng điều khiển RBE với thuật toán di truyền 33 3.3.6 Ứng dụng GA toán nhận dạng sử dụng mạng nơ-ron RBF35 4.1 Xây dựng mơ hình mơ thiết lập 4.2 Kết mô 4.2.1 Khảo sát di khiên tham số GA trượt thích nghỉ có nhiều 4.2.2 Kết tối ưu mạng nơ-ron RBF sử dụng GA Chương KẾT LUẬN VÀ HƯỚNG PHÁT TRIÊN 5.1 Kết luậi 5.2 Hướng phát triển MỘT SÓ CƠNG TRÌNH ĐÃ CƠNG BĨ TÀI LIỆU THAM KHẢO tác động 37 40 40 40 46 46 47 48 49 DANH SÁCH HÌNH Hình 2.1 Quan hệ vào đối tượng [23] Hình 2.2 Sơ đồ nhận dạng hệ thống [23] Hình 2.3 Mơ tượng chattering [25] Hình 2.5 Sơ đồ thuật tốn di truyền [27] Hình 3.1 Mơ hình thực tế mobile robot [30] Hình 3.2 Hệ tọa độ gắn cho mobile robot [32] Hình Hình Hình Hình Hình 3.3 3.4 3.5 3.6 3.7 Biểu đồ pha x Biểu đồ pha y Biểu đồ pha a Sơ đồ tối ưu cầu trúc mang RBF sir dung GA Lưu đồ tối ưu cầu trúc mang RBF sir dung GA Hình 3.8 Mơ hình xắp xi sử dụng mạng nơ-ron RBF [9] Hình 3.9 Đáp ứng tín hiệu nhận dạng sử dụng mạng nơ-ron RBF Hình 4.1 Mơ hình điều khiển trượt thích nghỉ sử dụng mạng RBF Hình 4.2 Đáp ứng quỹ đạo rose curve có nhiễu tác động Hình 4.3 Biểu đồ thể giá trị hàm mục tiêu có mức độ thích nghỉ trình tối ưu cấu trúc mạng RBE Hình 4.4 Biểu đồ thể giá trị hàm mục tiêu có mức độ thích nghỉ q trình tối ưu thơng số mạng RBE Hình 4.5 Đáp ứng ngõ x Hình 4.6 Đáp ứng ngõ y Hình 4.7 Đáp ứng ngõ -i Hình 4.8 Đáp ứng bám quỹ đạo đường trịn Hình Hình Hình Hình 4.9 Đáp ứng ngõ trục x 4.10 Đáp ứng ngõ trục 4.11 Đáp ứng ngõ -I 4.12 Đáp ứng bám quỹ đạo rose curve trúc mạng nơ-ron Phương pháp chọn lọc sử dụng bánh xe Roulette Đây phương pháp chọn lọc đơn giản nhất, cá thể quần thê chiếm khe vịng trịn Roulette có tỷ lệ với giá trị hàm mục tiêu Bảng 4.2 Các tham số giải thuật GA Tham số Số thê hệ Kích thước quần thể _Tần suất lai ghép Xác suất đột biển Chọn lọc Hàm mục tiêu Bảng Tổi ưu cầu trúc mang Tôi ưu thông số mang RBE RBF 15 15 20 07 30 07 0.01 —0.001 0.01 —0.001 Roulette rane Roulette OW iyo) pop 4.3 Thông số khởi tạo ngẫu nhiên cấu trúc tham số mạng RBE Ký hiệu b cy Ý nghĩa Ngưỡng kích hoạt Vée-to trung tâm Giá trị T 705 05 1í 1705 05 Z1 C05 05 đ1 705 05 17 1 1505 05 W Trọng số kết nỗi (05 0.5 0.5 05 0.5I W Trọng số kết nói 10.5 0.5 0.5 0.5 0.5) W Trọng số kết nối (0.5 0.5 j Số nơ-ron lớp ân 0.5 0.5 0.5) Các thông số khởi tạo cấu trúc mạng nơ-ron sử dụng q trình mơ trình bày Bảng 4.3, Bảng 4.4 lần lược xác định dựa hai phương pháp khởi tạo ngẫu nhiên xác định thuật toán GA Các tham số điều khiển trượt thích nghỉ trình bày Bảng 4.5 Bang 4.4 Cấu trúc tham số mạng RBE sử dụng thuật toán GA Ký hiệu b Sỹ 12.41 6047 ° 439 1.19 1.65 12.30 W 176 2.88 9.83 10357 13.91: 9.59 3.02 3.92 12.82: 220 3.98 13.67 7.07 5.15 2.06 2.69 10.11 13.58 4.00 10.88 13.90 11.98 3.92 W 989 625 4.81 W, [173 Giá trị 10.6022 11208 3.57 077 1124 0.87 090 01.86 (12.82 0148 2.38 [1/78 [2.24 01.16 i 14.50 C1101 442 158 U1 46: 12.41 02.00 02.45 4.18 1.77 Bang 4.5 Các tham số điều khiển trượt thích nghỉ Ý nghĩa Ký hiệu Thông số trượt K0 iOk 8.0 Giá trị 0 19 Of oO F kệ 0 19 0 oF 19- 25 0/ fo 25 oF t 10.0 58 Quỹ đạo tham chiếu ngõ vào điều khiển trượt thích nghỉ sử dụng mạng nơ-ron RBE: ÍX-10/3cos(271/ Hy 03sin 2200 [IITETII R 000020 ñ0.3cos[2Ftí cos[ [tí 0.3 y_:0.3cos/2'/Sin 02ít (4.1) (42) | 4.2 Kết mô 4.2.1 Khảo sát điều khiển trượt thích nghỉ có nhiễu tác động Bảng 4.6 Kết mơ điều khiển trượt thích nghỉ sử dụng mạng nơ-ron có nhiễu tác động Tham số Thời gian xác lập @) ANSMC 015 ANSMC (noise) Độ vọt 16 (%) 0.30.05 0.6 | 0.05 _Sai số xáclập(m) 000211040005 0.005 0.0005 Sai số đáp ứng quỹ rose curve (4.2) có nhiễu tác động Hình 4.2 với tín hiệu nhiễu 0.01 Quan sát hình vẽ cho thấy, sai số xác lập điều khiển trượt thích nghỉ có tác động nhiễu lớn 0.01 m so với khơng có nhiễu tác động 0.005 m Tuy nhiên thời gian xác lậ hai trường hợp 0.15 s (Bảng 4.6) Kết cho thấy biên độ tín hiệu điều khiển biến thiên theo biên độ nhiễu chất lượng tín hiệu ngõ thay đổi khơng đáng kể, cho thấy khả kháng nhiễu tốt điều khiên a 32 # Zo 02 | Faeatsignat Tracking signal (noise) |= Tracking signal [Ideal signal ‘Tracking signal noise) L- Trackina sianal | 3075 ~ 207 Ẹ 3.086 308 021 02 019 x(m) 018 Hình 4.2 Đáp ứng quỹ đạo rose curve có nhiễu tác động 4.2.2 Kết tối ưu mạng nơ-ron RBF sử dụng GA a Quá trình tối ưu GA “Trên biểu đồ (Hình 4.3), thể hội tụ qua 15 hệ, điểm hội tụ 0.0715 (giá trị nhỏ hàm mục tiêu) Khoảng cách trung bình cá thể mức độ thích nghỉ, qua hệ khoảng cách trung bình ngắn dân 8gL——————]Ì —————Ì 10 Generation ] 15 Hình 4.3 Biểu đồ thẻ giá trị hàm mục tiêu có mức độ thích nghỉ tốt q trình tối ưu cấu trúc mạng RBE 0018 0016 Best fitness 0014 tồi 0.008 ọ Generation Hình 4.4 Biểu đồ thể giá trị hảm mục tiêu có mức độ thích nghỉ tốt q trình tối ưu thơng số mạng RBE Trên biểu đồ (Hình 4.4), thể hội tụ qua 15 hệ, điểm hội tụ 0.0085 (giá trị nhỏ hàm mục tiêu) Khoảng cách trung bình cá thẻ mức độ thích nghỉ, qua thé hệ khoảng cách trung bình ngắn dần b Kết mơ điều khiền trượt thích nghỉ tối ưu cấu trúc mạng nơ-ron RBF GA Mô so sánh điều khiển trượt thích nghỉ sử dụng mạng RBEF cấu trúc mạng lựa chọn ngẫu nhiên so với cấu trúc mạng xác định giải thuật GA: 04 Quỹ đạo đường tròn (4.1) [—Weaissaai — Traekhasignal Tracking signal GA) 02 [CSeassnai ‘Tracking signal Tracking signal aa l 02 | 04 35 we Times! Hình 4.5 Đáp ứng ngõ x idea sional ~ Tracking sional |= Tracking sianalGA)) š + oan ' go; 0308 —+ x 02 1U Time(s) t H8 [CEeasana Trackina sianal L- Traekina sạnatGA) Ša2ss oe os 3s 0297 02% 02% 15 026 ' Times) Hình 4.6 Đáp ứng ngõ y [Canissna |-~-Tracking signal 02> {r= Tracking signal(GA)| 08 4a 3s Time(s) 01228 0.122885 1209 -0.122950123 15 -0.12308 Hình 4.7 Đáp ứng ngõ 328328 Time(s) §_—TƑam Sy Tracking signal 2405621957 Time(s) 31958 04 os - [Fideal signal Tracking signal {= Tracking sianal(GA)) oe 245 gor a 0.4 02 03 [= deal signal Tracking signal [= Tracking signal(GA) ! 03 02 01 024 31 x(m) 02 03 24 3285 | 048 xím) 017s 2485 Hình 4.8 Đáp ứng bám quỹ đạo đường trịn Mục đích điều khiển giữ ơn định khả bám theo quỹ đạo cho trước mặt phẳng x, y Mô thực MATLAB/Simulink Hình 4.5, Hình 4.6 Hình 4.7 lần lược kết trình điều khiển bám quỹ đạo theo trục x, y -' Hình 4.8 tổng hợp kết theo hai phương x, điều khiển điều k trượt thích nghỉ có mạng nơ-ron RBF cấu ycho thay quy đạo chuyên động mobile robot theo đường trịn, với chu trình điều khiển 1.5 s Các kết cho thầy khả hội tụ mạng chất lượng trúc thuật toán GA tốt Trong Bảng 4.7 trình bày, có chênh lệch rõ ràng mạng nơ-ron RBE khởi tạo ngẫu nhiên 0.001 m mạng nơ-ron RBEF cấu trúc øg GA 0.002 m Tuy nhiên, thời gian xác lập hai phương pháp gần khoảng thời gian 0.3 s Quy dao rose curve (4.2) a [= Isealsianat Tracking sianal [= Tracking signal(GAl} a ) %5 Time(s) 18 ^ x10? [= iseat signal “Tracking signal | Tracking signal(GA\) 0.029 0.03 2031 0.032 0.033 Time(s) Hình 4.9 Đáp ứng ngõ trục X ee [Fléeat sianar Tracking signa Tracking signalGA)] 02 poet 08% az° 5S [Csemsena ~Trackng signal *o0re 02 oore oa ) 08 Times) 1s > 015 218A Time(s} 01 347 Hình 4.10 Đáp ứng ngõ trục y gã [Esensana Tracking signa |= Tracking signal(GA) [eaismai Tracking signal |= Tracking signal(GA) | I 12 14 an + 1s > 088 Time(s) Hình 4.11 Đáp ứng ngõ a idea! sana Tracking signal L- raskng sgnatGA)| 32 07 0E 05 04 02 xím) 02 01 DORR 9.085 | am 3087 Time(s) 3083 [sea signa ~Treckna sianal Tracking signal) Hình 4.12 Đáp ứng bám quỳ đạo rose curve Ở quỹ đạo rose curve, Hình 4.9, Hình 4.10 Hình 4.11 kết đáp ứng ngõ của trục x, y - Cũng giống quỹ đạo đường trịn trình Hình 4.7 Chất lượng điều khiển bám quỹ đạo mạng nơ-ron RBF cấu trúc GA tốt với sai số xác lập 0.001 m so với mạng nơ-ron RBF thông thường 0.002 m Tuy nhiên, trường hợp điều khiển bám quy dao rose curve (Hình 4.12) thời gian xác lập nhanh quỹ đạo đường tròn 0.15 s Do điểm bắt đầu mobile robot xuất phát từ quỹ đạo rose curve, quỹ đạo đường tròn phải xuất phát từ tâm quỹ đạo Bang 4.7 Kết mô điều khiển trượt thích nghỉ sử dụng mạng nơ-ron RBF - Quỹ đạo đường tròn THRỜ S8 RBF Thời gian xác lập (s) Sai số lập (m) Dovotld (%) xác 03 0.002 00005 03-005 RBF-GA 03 0001 0.15 Quỹ đạo rose curve RBF 015 00005 0.002L.00005 0.001 0.0005 0.05 0.30.05 0.1511 0.05 Chuong KET LUAN VA HUGNG PHAT TRIEN 5.1 Kết luận Điều khiển đại ngày hướng tới nghiên cứu giải b; ¡ toán điều khiển hệ thống có tính phi tuyến cao, bắt định khơng rõ thơng số mơ hình Bài tốn dựa sở phương pháp điều khiển thông minh điều khiển mờ điều khiển dùng mạng nơ-ron Hướng nghiên cứu dựa kết hợp phương pháp điều khiển cổ điển điều khiển thông minh để tăng khả điều khiển xác, bền vừng phương pháp điều khiển cổ điển khả thích nghỉ phương pháp điều khiển thơng minh Các phương pháp sử dụng mạng nơ-ron hay nơ-ron mờ dé nhận dạng đối tượng sau áp dụng kết nhận dạng vào lý thuyết điều khiển ô điển dựa mơ hình khó có thê thực hệ thống có tính phi tuyến cao có nhiều thành phần bắt định Các điều khiễn dạng chất lượng điều khiển phụ thuộc chủ yếu vào sai số nhận dạng điều khiển thông minh Nguyên lý phương pháp điều khiên trượt dùng mạng nơ-ron trình bai tài liệu [11, 20, 21, 41, 42] cho phép thay thể thành phần điều khiển tương đương điều khiển trượt dùng mạng nơ-ron nói chung RBF nói riêng với luật cập nhật thích nghỉ đơn giản mà khơng cần nhận dạng trước hàm phi tuyến mô hình đối tượng Tuy nhiên điều khiển trượt thích nghỉ sử dụng mạng nơ-ron RBE, thành phần thích nghỉ điều khiển cò phụ thuộc lớn vào cấu trúc thông số khởi tạo mạng nơ- ron Hiện nay, việc xác định cầu trúc mạng nơ-ron chưa có phương pháp xác ngồi việc lựa chọn thủ công tốn nhiều thời gian kết không tối ưu Để giải toán tối ưu cấu trúc mạng nơ-ron RBE thuật tốn GA phương pháp đơn giản mang lại cao Thuật toán GA ln hoạt động tập hợp đình (điềm tối ưu), ưu điểm GA giúp tăng hội tối ưu toàn cục tránh hội tụ điểm cục địa phương Vì vậy, việc tối trúc thông số hiệu điều sớm khởi tạo mạng nơ-ron RBE thành phần điều khiển thích nghỉ có vai trị quan trọng việc rút ngắn thời gian hội tụ tiết kiệm nhớ mang lại hiệu cao q trình thích nghỉ Đóng góp khoa học luận văn Nghiên cứu nhằm khắc phục tồn hạn chế phương pháp điều khiển trượt thích nghỉ sử dụng mạng nơ-ron RBE, khả tối ưu cấu trúc mạng nơ-ron RBF đạt mục tiêu đề thông qua số kết cụ thể sau: Để mô tả phần robot, nghiên cứu sử dụng khối Matlab funetion để thê phương trình tốn học phức tạp thay cho việc sử dụng khối tính tốn Simulink truyền thống Mơ hình đối tượng công cụ hữu hiệu để khảo sát, phát triển nâng cao chất lượng c điều khiển mà khơng cần phải xây dựng mơ hình thực Luật điều khiên kiến nghị dựa tiêu chuẩn ôn định Lyapunov với hai tín hiệu hồi tiếp bao gồm tín hiệu mặt trượt đạo hàm chứng minh đáp ứng yêu cầu luật điều khiển trượt Mạng nơ-ron có khả huấn luyện trực tuyến trở thành điều khiển trượt thích nghỉ mà khơng cần phải nhận dạng trước đối tượng chặn thành phần bắt định có hệ thống Kha tối ưu cấu trúc thông số mạng RBF dựa giải thuật di truyền Đánh giá khả ảnh hưởng cấu trúc, thông số khởi tạo lên tốc độ hội tụ hiều suất huấn luyện mạng RBF Kết thí nghiệm cho thấy hiệu điều khiển trượt thích nghỉ sử dụng mạng nơ-ron RBE, đặc biệt khả tối ưu cấu trúc thông số khởi tạo mạng RBF mang lại hiệu cao Kết nghiên cứu chứng minh việc tối ưu hóa cấu trúc mạng nơ-ron nói chung mạng nơ- ron RBF nói riêng thực dựa thuật toán GA giải thuật tối ưu khác 5.2 Hướng phát triển Với phần mô đối tượng mobile robot mở triển vọng ứng dụng điều khiên trượt thích nghỉ sử dụng mạng nơ-ron RBF lên đối tượng, phi tuyến khác thực tiễn có độ phức tạp cao Sử dụng giải thuật di truyền đề tối ưu cấu trúc mạng nơ-ron mang lại hiệu cao trường hợp liệu đầu vào lớn, độ phức tạp ứng dụng i n cần lượng lớn số nơ-ron Kết nghiên ct phát triển cho mạng nơ-ron nhiều lớp, việc tối ưu cau trúc mạng số lớp số nơ-ron lớp ân để giải toán phức tạp MỘT SĨ CƠNG TRÌNH ĐÃ CƠNG BĨ [CBI] T.C Cuong, N D Tu, L H Dang, T Q Bao, and N C Ngon, "An application of movement direction control for the three wheeled mobile robots using visual information,” in proceeding of the IEEE 7th International Conference on Information Science and Technology [CB2] [CB3] (ICIST), pp 121-128, 2017, DOT: 10.1109/ICIST.2017.7926504 L.H Đăng, N Ð Tứ, T C Cường, P T Tùng, and N C Ngôn, "Điều khiển robot bánh đa hướng sử dụng điều khiên RBF-PD tự chỉnh," Hội Nghị Cơ Điện Tử Toàn Quốc lần thứ (VCM), pp 789-794, 2016, ISBN: 978-604-9 13-503-3 N.D Tit, T C Cudng, L H Đăng, P T Ting, and N C Ngơn, "Mơ hình hóa điều khiển robot ba bánh đa hướng," Hội Nghị Cơ Điện Tử Toàn Quốc lần thứ (VCM), pp 550-556, 2016, ISBN: 978-604-913503-3 [CB4] L.H Đăng, N Ð Tứ, T C Cường, P T Tùng, and N C Ngôn, "Thử nghiệm điều khiên RBF-PD mơ hình robot ba bánh đa hướng," Chuyên San Do Luong, Điều Khién Ty Dong Héa, vol 17, pp 51- [CB5] 55, 2016, ISSN: 1859-0551 N.D Tit, L H Ding, T C Cường, and N C Ngơn, "Điều khiên thích nghỉ theo mơ hình tham khảo dựa mạng nơ-ron RBF," Tạp Chí Khoa Học, Trường Đại Học Cần Thơ, pp 1-9, 2017 [CB6] P T Tung, L H Dang, N D Tu, T C Cuong, and N C Ngon, "Optimizing the structure of RBF neural network-based controller for omnidirectional robot," in proceeding of the IEEE 5th International Conference on System Science and Engineering (ICSSE), July 21-23, 2017, HCMC University of Technology and Education Ho Chi Minh city, Vietnam, TÀI LIỆU THAM KHẢO 0] M West and H Asada, "Design of a holonomic omnidirectional vehicle," in Proceedings of the [EEE International Conference on Robotics and Automation, pp 97-103, 1992 Bì M.-J Jung, H.-S Kim, S Kim, and J-H Kim, "Omnidirectional mobile base OK-II," in Proceedings ICRA‘(00 of the IEEE International Conference on Robotics and Automation, pp 3449-3454, 2000 BỊ F G Pin and S M Killough, "A new family of omnidirectional and holonomic wheeled platforms for mobile robots," IEEE Transactions on Robotics and Automation, vol 10, pp 480-489, 1994 4] T Kalmár-Nagy, R D’ Andrea, and P Ganguly, "Near-optimal dynamic trajectory generation and control of an omnidirectional vehicle," Robotics and Autonomous Systems, vol 46, pp 47-64, 2004 B] J.-S Choi and B K Kim, "Near minimum-time direct voltage control algorithms for wheeled mobile robots with current and voltage constraints," Robotica, vol 19, pp 29-39, 2001 [6] J Wu, "Dynamic path planning of an omni-directional robot in a 7] © Purwin and R D’Andrea, "Trajectory generation and control for four wheeled omnidirectional vehicles," Robotics and Autonomous Systems, vol 54, pp 13-22, 2006 L Wilson and J Lew, "Design and modeling of a redundant omnidirectional RoboCup goalie," in RoboCup 2001 International Symposium, Seattle, WA, 2001 [8] 9] dynamic environment," Ohio University, 2005, J Liu, Radial basis function (RBF) neural network control for mechanical systems, Springer, 2013 10] M.N T Shanta and N Z Azlan, "Adaptive sliding mode conrol with radial basis function neural network for time dependent disturbances and uncertainties," 2006 " M O Efe, O Kaynak, X Yu, and B M Wilamowski, 012] W Wu, "Neural network structure optimization based on improved genetic algorithm," in Proceedings of the IEEE Fifth International Conference on Advanced Computational Intelligence (ICACD), pp 893895, 2012 U3] "Sliding mode control of nonlinear systems using gaussian radial basis function neural networks," in Proceedings of the International Joint Conference on Neural Networks (IJCNNO1), pp 474-479, 2001 Y S Abu-Mostafa, "The Vapnik-Chervonenkis dimension: Information versus complexity in learning," Neural Computation, vol 1, pp 312-317, 1989, 04] 05] [I6] 07] I8] S Mizuta, T Sato, D Lao, M Ikeda, and T Shimizu, "Structure design of neural networks using genetic algorithms," Complex Systems, vol 13, pp 161-176, 2001 W Jia, D Zhao, T Shen, C Su, C Hu, and Y Zhao, "A new optimized GA-RBF neural network algorithm," Computational intelligence and neuroscience, vol 2014, p 44, 2014 A HoSovsky, "Genetic optimization of neural networks structure for modeling of biomass-fired boiler emissions," Journal of Applied Science in Thermodynamics and Fluid Mechanics, vol 9, pp 1-6, 2011 B U Islam, Z Baharudin, M Q Raza, and P Nallagownden, "Optimization of neural network architecture using genetic algorithm for load forecasting," in Proceedings of the 5th International Conference on Intelligent and Advanced Systems (ICIAS), pp 1-6, 2014 C H Nguyen, T N, T Nguyen, and P H, Nguyen, "Research on the application of genetic algorithm combined with the “cleft-overstep” algorithm for improving learning process of MLP neural network with 09) special error surface," in Proceedings of the Seventh International Conference on Natural Computation (ICNC), pp 222-227, 2011 P H K Khanh, N T Trung, P T Doan, and N Hung, "Trajectory tracking control of omnidirectional mobile robot using sliding mode controller," in Proceedings of the 13th International Conference on Control Automation and Systems (ICCAS), pp 1170-1175, 2013 [20] A Sabanovic, K Jezernik, and M Rodic, "Neural network application C-H Tsai, HY Chung, and F.-M Yu, "Neuro-sliding mode control with its applications to seesaw systems," IEEE Transactions on Neural Networks, vol 15, pp 124-134, 2004, [22] N H Dũng, in sliding mode control systems," in Proceedings of the IEEE International Workshop on Variable Structure Systems (VSS'96), pp 143-147, 1996, "Điều khién truot thich nghi phi tuyến dùng mạng nơ- ron hàm bán kính sở xuyên tâm," vol 15a, pp 263-272, 2010 [23] [24] N D Phước, "Lý thuyết điều khiển nâng cao," 2005 25] M Khodadadi, M Shahbazian, and M Aghajani, "A novel approach in design of model-free fuzzy sliding mode controller to siso chemical processes," Journal of Automation and Control, vol 3, pp 1-9, 2015 [26] N.Ð Thúc, "Trí tuệ nhân tạo lập trình tiến hố," Nhà xuất giáo dục, 2000 27] V Utkin, J Guldner, and J Shi, Sliding mode control in electromechanical systems vol 34: CRC press, 2009 T.K Huong, "Giai thuật di truyền (GAs) ứng dụng," Hội Nghị NCKH Khoa SP Toản Tin, pp pp 94-101, 2015 28] S Sivanandam and § Deepa, "Genetic algorithm optimization problems," in Introduction to Genetic Algorithms, ed: Springer, pp 165209, 2008 29] N Đức Minh, D Hoai Nghia, and N Die Thanh, "Diéu khién truot thich [30] 1] nghi dimg mang no-ron," Tap chi Khoa hgc va Céng nghé cae trudng đại học kỹ thuật, p 1, 2013 Y Liu, J J Zhu, R L Williams, and J Wu, "Omni-directional mobile robot controller based on trajectory linearization," Robotics and Autonomous Systems, vol 56, pp 461-479, 2008 K Watanabe, Y Shiraishi, S G Tzafestas, J Tang, and T Fukuda, "Feedback control of an omnidirectional autonomous platform for mobile service robots," Journal of Intelligent and Robotic Systems, vol 22, pp 315-330, 1998 1321 I3] K Watanabe, "Control of an omnidirectional mobile robot," in Proceedings of the Second International Conference on KnowledgeBased Intelligent Electronic Systems (KES'98), pp 51-60, 1998 J E M Salih,M Rizon, S Yaacob, A H Adom, and M R Mamat, "Designing omni-directional mobile robot with mecanum wheel," American Journal of Applied Sciences, vol 3, pp 1831-1835, 2006 [34] M Wada, A Takagi, and S Mori, "Caster drive mechanisms for holonomic and omnidirectional mobile platforms with no over constraint," in Proceedings of the IE International Conference on Robotics and Automation (ICRA‘00), pp 1531-1538, 2000 [35] M [36] West and H Asada, "Design of ball wheel mechanisms omnidirectional vehicles with full mobility and invariant kinemadi Journal of mechanical design, vol 119, pp 153-161, 1997 for J Wu, R L Williams, and J Lew, "Velocity and acceleration cones for kinematic and dynamic constraints on omni-directional mobile robots," Journal of dynamic systems measurement and control, vol 128, pp 788799, 2006 B7] M Iwatsuki, K Nakano, and T Ohuchi, "Target point tracking control 138] Instrument and Control Engineers, vol 27, pp 70-76, 1991 M Saito and T Tsumura, "Collision Avoidance among Multiple Mobile Robots," Transactions of the Institute of Systems Control and Information Engineers, vol 3, pp 252-260, 1990 139] of robot vehicle by fuzzy reasoning,” Transactions of the Society of K Watanabe, Y Shiraishi, J Tang, T Fukuda, and S Tzafestas, "Construction of the dynamic model for an omnidirectional mobile robot," in CESA'96 IMACS Multiconference: computational engineering in systems applications, pp 643-648, 1996 [40] [41] [42] Y.-C Yang and C.-C Cheng, "Robust adaptive trajectory control for an omnidirectional vehicle with parametric uncertainty," Transactions of the Canadian Society for Mechanical Engineering, vol 37, pp 405-413, 2013 L.-C Hung and H.-Y Chung, "Decoupled control using neural networkbased sliding-mode controller for nonlinear systems," Expert Systems with Applications, vol 32, pp 1168-1182, 2007 H Morioka, K Wada, A Sabanovic, and K Jezerik, "Neural network based chattering free sliding mode control," in Proceedings of the 34th SICE Annual Conference International Session Papers (SICE'95), pp 1303-1308, 1995,