Nghiên cứu phương pháp định vị robot tự hành sử dụng các giải thuật tìm kiếm bầy đàn sử dụng cảm biến 2d lidar

ĐẠI HỌC BÁCH KHOA HÀ NỘI TRƯỜNG CƠ KHÍ LUẬN VĂN THẠC SĨ Nghiên cứu phương pháp định vị robot tự hành sử dụng giải thuật tìm kiếm bầy đàn sử dụng cảm biến 2D Lidar HOÀNG NĂNG HÙNG Hung.hn211291M@sis.hust.edu.vn Ngành Kỹ thuật Cơ điện tử Giảng viên hướng dẫn: TS Tào Ngọc Linh Khoa: Cơ khí Chế tạo máy HÀ NỘI, 05/2023 Chữ ký GVHD CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc BẢN XÁC NHẬN CHỈNH SỬA LUẬN VĂN THẠC SĨ Họ tên tác giả luận văn: Hoàng Năng Hùng Đề tài luận văn: Nghiên cứu phương pháp định vị robot tự hành sử dụng giải thuật tìm kiếm bầy đàn sử dụng cảm biến 2D Lidar Chuyên ngành: Kĩ thuật Cơ điện tử Mã số HV: 20211291M Tác giả, Người hướng dẫn Hội đồng chấm luận văn xác nhận tác giả sửa chữa, bổ sung luận văn theo biên họp Hội đồng ngày … tháng 05 năm 2023 với nội dung sau: - Kiểm tra lại lỗi đánh máy, tả Chỉnh sửa công thức luận văn, đưa công thức vào dấu ngoặc đơn đánh số Làm rõ mơ hình thực nghiệm, thêm vào cơng thức tốn thực nghiệm Bổ sung phần kết luận chương, kết luận chung luận văn Ngày … tháng … năm 2023 Giảng viên hướng dẫn Tác giả luận văn TS Tào Ngọc Linh Hoàng Năng Hùng Chủ tịch hội đồng TS Nguyễn Ngọc Kiên ĐỀ TÀI LUẬN VĂN NGHIÊN CỨU PHƯƠNG PHÁP ĐỊNH VỊ ROBOT TỰ HÀNH SỬ DỤNG CÁC GIẢI THUẬT TÌM KIẾM BẦY ĐÀN SỬ DỤNG CẢM BIẾN 2D LIDAR Giảng viên hướng dẫn (Ký ghi rõ họ tên) LỜI CẢM ƠN Lời đầu tiên, Tác giả xin gửi lời cảm ơn sâu sắc tới thầy giáo, TS Tào Ngọc Linh, Khoa Cơ khí Chế tạo máy, Trường Cơ khí, Đại học Bách Khoa Hà Nội tận tình bảo hướng dẫn Tác giả hoàn thành luận văn Tiếp theo, Tác giả xin bày tỏ lòng biết ơn chân thành tới tồn thể thầy giáo Khoa Cơ khí Chế tạo máy, Trường Cơ khí, Đại học Bách Khoa Hà Nội nhiệt tình hướng dẫn, giải đáp thắc mắc Tác giả xin cảm ơn bạn học lớp Cao học Cơ điện tử 2021A, anh chị, bạn bè, đồng nghiệp có đóng góp giúp tác giả hồn chỉnh luận văn Trong trình làm luận văn Tác giả có nhiều cố gắng, nhiên, khơng thể tránh thiếu sót, mong nhận ý kiến đóng góp từ Thầy, Cơ, từ bạn đồng nghiệp để hoàn thiện kiến thức tiếp tục hướng nghiên cứu Tác giả xin chân thành cảm ơn! TÓM TẮT LUẬN VĂN THẠC SĨ Đề tài: Nghiên cứu phương pháp định vị robot tự hành sử dụng giải thuật tìm kiếm bầy đàn sử dụng cảm biến 2D Lidar Tác giả luận văn: Hồng Năng Hùng Khóa: CH2021A Người hướng dẫn: TS Tào Ngọc Linh Từ khóa (Keyword): DE, Differential Evolution, Localization Nội dung tóm tắt: Trong khn khổ luận văn với đề tài: Nghiên cứu phương pháp định vị robot tự hành sử dụng giải thuật tìm kiếm bầy đàn sử dụng cảm biế n 2D Lidar, Tác giả sâu vào việc nghiên cứu giải thuật tối ưu định vị Robot tự hành môi trường cách sử dụng thuật toán A Mục tiêu đề tài: Đưa giải pháp định vị vị trí Robot tự hành sử dụng giải thuật tìm kiếm bầy đàn sử dụng cảm biến 2D Lidar Áp dụng phương pháp định vị Robot tự hành Đánh giá, đưa hướng cải tiến đề tài B Nội dung nghiên cứu: Nghiên cứu phương pháp định vị Robot tự hành Nghiên cứu nguyên lý làm việc liệu thu thập từ c ảm biến 2D Lidar Nghiên cứu giải thuật tối ưu, giải thuật tìm kiếm dạng bầy đàn Áp dụng giải thuật bầy đàn vào việc định vị Robot tự hành sử dụng cảm biến 2D Lidar Khảo sát đánh giá ảnh hưởng số tham số đến khả hoạt đông hệ thống C Phương pháp nghiên cứu: Nghiên cứu phương pháp định vị Robot tự hành sử dụng loại liệu khác Các phương pháp định vị Robot tự hành sử dụng liệu từ thiết bị 2D Lidar Nghiên cứu sử dụng giải thuật tìm kiếm bầy đàn cho liệu từ cảm biến 2D Lidar D Ý nghĩa khoa học thực tiễn: Đề tài có mục tiêu xây dựng phương pháp định vị xe tự hành áp dụng giải thuật tìm kiếm bầy đàn sử dụng cảm biến 2D Lidar Áp dụng vào thực tiễn sản xuất cụ thể hỗ trợ giải toán định vị xe tự hành AGV nhà máy E Kết luận: Qua kết thực nghiệm, việc áp dụng giải thuật vào thực tiễn có sở mơ hình đơn giản dễ dàng triển khai, có khả định vị phạm vi lớn 40x40m, không bị ảnh hưởng sai số nhiễu từ liệu Lidar Tuy nhiên số hạn chế đồ có nhiều điểm tương đồng, tỉ lệ thành cơng chưa cao Hà Nội, ngày … tháng … năm 2023 Tác giả luận văn (Ký ghi rõ họ tên) MỤC LỤC MỤC LỤC 4 CHƯƠNG 1: TỔNG QUAN ĐỀ TÀI 9 1.1 Giới thiệu chung 9 1.2 Mơ hình tốn học số robot di động 10 1.1.1 Robot bánh 10 1.1.2 Robot bánh 12 1.3 Bài toán định vị Robot 13 1.4 Nguyên lý định vị 15 1.5 Một số phương pháp định vị Robot 16 1.5.1 Định vị Markov (Markov localization) 16 1.5.2 Định vị sử dụng lọc Kalman 18 1.5.3 Một số phương pháp định vị khác 20 1.6 Kết luận chương 21 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT GIẢI THUẬT ĐỊNH VỊ 23 2.1 Định vị dựa giải thuật tiến hóa 23 2.3 Họ giải thuật tiến hóa 24 2.3.1 Giải thuật di truyền (Genetic Algorithm - GA) 25 2.3.2 Chiến lược tiến hóa (Evolution Strategy - ES) 32 2.3.3 Lập trình tiến hóa (Evolutionary Programming - EP) 37 2.3.4 Lập trình di truyền (Genetic Programming - GP) 38 2.3.5 Giải thuật tiến hóa vi phân (Differential Evolution) 40 2.4 Kết luận chương 43 CHƯƠNG 3: GIẢI THUẬT TỐI ƯU TRONG ĐỊNH VỊ 44 3.1 Giải thuật tối ưu bày đàn tiến hóa vi phân 44 3.2 Hàm mục tiêu 50 3.2.1 Ý tưởng cho hàm mục tiêu đa phân giải (multi-resolution) 50 3.2.2 Bổ sung vào hàm mục tiêu ICP (Iterative Closest Point) 52 3.2.3 Hàm mục tiêu với khả loại bỏ nhiễu thích nghi 52 3.3 Giải thuật tối ưu bày đàn tiến hóa vi phân thích nghi 53 3.3.1 Adaptive Differential Evolution ISADE 53 3.3.2 Thích nghi hệ số tỷ lệ đột biến (scaling factor F) 54 3.3.3 Điều khiển tỉ lệ lai chéo (Crossover Rate) 57 3.4 Giải thuật tối ưu bày đàn tiến hóa vi phân thích nghi định vị 57 3.5 Kết luận chương 58 CHƯƠNG 4: THỰC NGHIỆM VÀ ĐÁNH GIÁ 60 4.1 Bố trí thí nghiệm 60 4.2 Kết thực nghiệm 61 4.2.1 Đánh giá khả tìm kiếm thuật toán 61 4.2.2 Đánh giá tìm kiếm với phạm vi khác 68 4.2.3 Đánh giá tìm kiếm có nhiễu phép đo lidar 71 4.3 Kết luận chương 74 CHƯƠNG 5: KẾT LUẬN 76 TÀI LIỆU THAM KHẢO 77 DANH MỤC HÌNH VẼ Hình Một số hình ảnh robot di dộng 9 Hình Hình ảnh loại LiDAR 2D 10 Hình Cấu trúc Robot bánh xe 11 Hình Cấu trúc Robot ràng buộc nonholonomic hệ tọa độ tồn cục 12 Hình Cấu trúc Robot bánh 12 Hình Sơ đồ giải thuật Markov localization 18 Hình Sơ đồ giải thuật Kalman filter 19 Hình Sơ đồ Giải thuật di truyền - GA 26 Hình Sơ đồ Chiến lược tiến hóa - ES 34 Hình 10 Sơ đồ Chiến lược tiến hóa (μ+λ) 35 Hình 11 Sơ đồ Chiến lược tiến hóa (μ, λ) 37 Hình 12 Sơ đồ Lập trình tiến hóa - EP 38 Hình 13 Sự khác khoảng cách theo góc nhìn 51 Hình 14 Độ sai số diện tích liệu 51 Hình 15 Thay đổi áp dụng ICP 52 Hình 16 Loại bỏ nhiễu thích nghi 53 Hình 17 Sơ đồ so sánh thích nghi hệ số tỷ lệ đột biết 55 Hình 18 Biểu đồ hệ số F 56 Hình 19 Giải thuật tối ưu bày đàn tiến hóa vi phân thích nghi định vị 58 Hình 20 Bản đồ Học viện Shibaura 60 Hình 21 Bản đồ từ thư viện MRPT 60 Hình 22 Trường hợp 1A 61 Hình 23 Trường hợp 1B 61 Hình 24 Trường hợp 2A 61 Hình 25 Trường hợp 2B 61 Hình 26 Trường hợp 3A 61 Hình 27 Trường hợp 3B 61 Hình 28 Sự hội tụ trường hợp 1A 62 Hình 29 Sự hội tụ trường hợp 1B 62 Hình 30 Sự hội tụ trường hợp 2A 62 Hình 31 Sự hội tụ trường hợp 2B 62 Hình 32 Sự hội tụ trường hợp 3A 63 Hình 33 Sự hội tụ trường hợp 3B 63 Hình 34 Đánh giá hàm mục tiêu 1A 64 Hình 35 Đánh giá hàm mục tiêu 1B 64 Hình 36 Đánh giá hàm mục tiêu 2A 64 x = 2.56713; y = 51676; θ = 0.3 x = -5.39328; y = -14.2066;θ =-0.550684 Hình 34 Đánh giá hàm mục tiêu 1A x = -13.806; y = -1.88837; θ = 1.58319 Hình 35 Đánh giá hàm mục tiêu 1B x = 10.769, y = 12.3578; θ = -2.7513 Hình 36 Đánh giá hàm mục tiêu 2A Hình 37 Đánh giá hàm mục tiêu 2B x = 7.57139; y = 4.8194; θ = 1.2 x = 6.58628; y = -10.4253; θ = -1.78319 Hình 38 Đánh giá hàm mục tiêu 3A Hình 39 Đánh giá hàm mục tiêu 3B Biểu đồ giá trị hàm mục tiêu cá thể tốt ghi nhận thời điểm kết thúc hệ thời gian định Từ biểu đồ cho thấy tốc độ tìm kiếm điểm cực thuật toán nhanh qua vài giây (khoảng đến giây), giá trị hàm mục tiêu cá thể tốt giảm đáng kể, tìm điểm cực trị, cá thể có xu hướng hội tụ vị trí tìm giải pháp tối ưu cho tốn Tại vị trí có tốc độ tìm kiếm nhanh vị trí x = 2.56713; y = 51676; θ = 0.3 đồ Intel, vị trí x = -5.39328; y = -14.2066; θ = -0.550684 64 x = 10.769; y = 12.3578; θ = -2.7513 đồ Shibaura, thời gian tìm kiếm khoảng đến giây, tốc độ phù hợp toán định vị toàn cục (chỉ sử dụng lidar) diện tích bố trí Tuy nhiên, nhìn vào biểu đồ vị trí x = -13.806; y = -1.88837; θ = 1.58319 đồ Intel, thời gian tìm kiếm 14 giây, nhiều đáng kể so với trường hợp Tại hai vị trí định vị sai, dựa vào biểu đồ thấy tốc độ tìm kiếm điểm cực không nhiều thời gian, nhiên vấn đề mắc kẹt cục nên thuật tốn khơng thể dừng, thuật tốn chạy tới hệ lớn (200 hệ) 25 giây Liên quan đến tốc độ trình định vị, nhiều yếu tố cần xem xét độ khó vị trí đồ (ví dụ hành lang), tham số thuật toán tối ưu x = 2.56713; y = 51676; θ = 0.3 x = -5.39328; y = -14.2066; θ = -0.550684 Hình 40 Giá trị hàm mục tiêu trường hợp 1A Hình 41 Giá trị hàm mục tiêu trường hợp 1B x = -13.806; y = -1.88837; θ = 1.58319 x = 10.769; y = 12.3578; θ = -2.7513 Hình 42 Giá trị hàm mục tiêu trường hợp 2A Hình 43 Giá trị hàm mục tiêu trường hợp 2B 65 x = 7.57139; y = 4.8194; θ = 1.2 x = 6.58628; y = -10.4253; θ = -1.78319 Hình 44 Giá trị hàm mục tiêu trường hợp 3A Hình 45 Giá trị hàm mục tiêu trường hợp 3B Từ biểu đồ giá trị cá thể có hàm mục tiêu thấp nhất, cao giá trị trung bình hàm mục tiêu cá thể hệ Tại vị trí x = 2.56713; y = 51676; θ = 0.3 đồ Intel, vị trí x = -5.39328; y = 14.2066; θ = -0.550684 x = 10.769; y = 12.3578; θ = -2.7513 đồ Shibaura, tương ứng với tốc độ tìm kiếm nhanh, thuật toán dừng qua 40 đến 45 hệ để đạt điều kiện dừng Tại vị trí này, giá trị trung bình hàm mục tiêu có xu hướng giảm dần theo giá trị hàm mục tiêu nhỏ nhất, cho thấy cá thể đồng thời hội tụ vị trí điểm cực, việc thuận lợi cho thuật toán lựa chọn cá thể có hàm mục tiêu nhỏ nhờ xu hướng hội tụ Thuật tốn dừng tìm cá thể có giá trị hàm mục tiêu nhỏ giá trị tối thiểu Tuy nhiên, vị trí x = -13.806; y = -1.88837; θ = 1.58319 đồ Intel, giá trị trung bình hàm mục tiêu khơng có xu hướng giảm đáng kể, điều giải thích cho việc cá thể không hội tụ tập trung điểm cự c mà giữ phân bố tương đối đều, điều khiến cho việc tìm kiếm trở nên thời gian hơn, ngược lại so với trường hợp có tốc độ tìm kiếm nhanh So với trường hợp định vị xác, giá trị trung bình hàm mục tiêu hai vị trí định vị khơng xác có xu hướng tiến nhanh tiệm cận với giá trị hàm mục tiêu nhỏ hệ cuối (từ hệ 160 trở đi) Điều cho thấy việc hội tụ cá với phân bố hoàn toàn tập trung giá trị điểm cực Tại trường hợp này, điều kiện độ xác tối thiểu chưa thể đạt để dừng thuật toán, nhiên tất cá thể hội tụ cục bộ, việc tiếp tục thuật tốn khơng có tác dụng mở rộng vùng tìm kiếm tới vị trí khác không gian tối ưu, đồng nghĩa với việc định vị thất bại 66 x = 2.56713; y = 51676; θ = 0.3 x = -5.39328; y = -14.2066; θ = -0.550684 Hình 46 Sai số bình phương trường hợp 1A Hình 47 Sai số bình phương trường hợp 1B x = -13.806; y = -1.88837; θ = 1.58319 x = 10.769; y = 12.3578; θ = -2.7513 Hình 48 Sai số bình phương trường hợp 2A x = 7.57139; y = 4.8194; θ = 1.2 Hình 49 Sai số bình phương trường hợp 2B x = 6.58628; y = -10.4253; θ = -1.78319 Hình 50 Sai số bình phương trường hợp 3A Hình 51 Sai số bình phương trường hợp 3B Biểu đồ sai số bình phương tối thiểu vị trí cá thể tốt hệ so với vị trí đặt thực tế giá trị tính theo cơng thức: error x best x actual 2 ybest  yactual Tbest   Tactual   Giá trị phản ánh thực tế hiệu thực tế thuật toán, Tại vị trí x = 2.56713; y = 51676; θ = 0.3 đồ Intel, vị trí x = -5.39328; y = -14.2066; 67 θ = -0.550684 x = 10.769; y = 12.3578; θ = -2.7513 đồ Shibaura Biên dạng tương đồng với biểu đồ giá trị nhỏ hàm mục tiêu, việc đánh giá hàm mục tiêu tương đối xác trường hợp Tuy nhiên hạn chế hàm mục tiêu thể vị trí x = -13.806; y = -1.88837; θ = 1.58319 đồ Intel, có vị trí có sai số nhỏ thuật tốn chưa đạt điều kiện dừng, hàm mục tiêu lúc khơng đánh giá xác sai số thực tế, dẫn tới việc thêm nhiều thời gian tìm kiếm 4.2.2 Đánh giá tìm kiếm với phạm vi khác Bài thực nghiệm cho robot thực định vị với phạm vi tìm kiếm khác với vị trí đồ Số lượng cá thể số hệ thuật toán tối ưu giữ giống tất trường hợp (số lượng thể chọn 500, số vòng lặp tối đa chọn 200) Nhiễu phép đo laser theo phân bố Gaussian áp dụng vào mô với độ lệch chuẩn 1% Sai lệch khoảng cách vị trí thực robot vị trí tính tốn theo thuật tốn sai số vị trí Sai lệch góc sai số hướng Tỷ lệ thành công thể cho tỷ lệ số lần thuật tốn thực thi thành cơng so với tổng số lần thuật toán thực thi Trong thực nghiệm này, thuật tốn thực thi thành cơng định nghĩa kết thuật tốn có sai số v ị trí nhỏ ngưỡng cố định Ở ngưỡng sai số lựa chọn 10cm Các số liệu sai số vị trí sai số hướng thống kê lần mà thuật tốn thực thi thành cơng Tại trường hợp (vị trí phạm vi tìm kiếm), thực chạy thuật toán cho kết 100 lần đạt điều kiện dừng (thực tối đa 200 vòng lặp, giá trị hàm mục tiêu nhỏ 0.002) để thống kê kết bảng dây Đối với đồ Intel, kết đưa với với phạm vi tìm kiếm 40x40m, 20x20m, 10x10m Bảng Kết với phạm vi tìm kiếm 40x40m đồ Intel Tỷ lệ thành cơng (%) Trung bình sai số vị trí (m) Phạm vi sai số vị trí [min; max (m)] Trung bình sai số hướng (rad) Phạm vi sai số hướng -13.806, -1.88837, 1.58319 41 0.037 0.003; 0.083 0.0105 0; 0.0445 2.56713, 1.51676, 0.3 25 0.036 0; 0.081 0.0034 0.0001; 0.0083 2.87542, 12.243, -2.78319 32 0.004 0; 0.045 0.0004 0; 0.0022 7.57139, 4.8194, 1.2 10 0.003 0; 0.018 0.0007 0; 0.004 -7.86209, -15.8808, -1.41681 24 0.02 0; 0.088 0.0019 0; 0.0118 Tư robot (m,m,rad) [min; max (rad)] 68 Bảng Kết với phạm vi tìm kiếm 20x20m đồ Intel Tỷ lệ thành cơng (%) Trung bình sai số vị trí (m) Phạm vi sai số vị trí [min; max (m)] Trung bình sai số hướng (rad) Phạm vi sai số hướng -13.806, -1.88837, 1.58319 78 0.036 0; 0.031 0.0098 0; 0.0311 Tư robot (m,m,rad) [min; max (rad)] 2.56713, 1.51676, 0.3 52 0.035 0; 0.081 0.0032 0; 0.0083 2.87542, 12.243, -2.78319 83 0.003 0; 0.019 0.0003 0; 0.0008 7.57139, 4.8194, 1.2 15 0.002 0; 0.013 0.0004 0; 0.0024 -7.86209, -15.8808, -1.41681 51 0.017 0; 0.097 0.0017 0; 0.0212 Bảng Kết với phạm vi tìm kiếm 10x10m đồ Intel Tỷ lệ thành cơng (%) Trung bình sai số vị trí (m) Phạm vi sai số vị trí [min; max (m)] Trung bình sai số hướng (rad) Phạm vi sai số hướng -13.806, -1.88837, 1.58319 84 0.039 0.002; 0.098 0.0099 0;0.0314 2.56713, 1.51676, 0.3 100 0.037 0.002;0.081 0.0033 0; 0.0082 2.87542, 12.243, -2.78319 98 0.003 0; 0.006 0.0002 0;0.0004 7.57139, 4.8194, 1.2 93 0.003 0; 0.013 0.0006 0; 0.0024 -7.86209, -15.8808, -1.41681 94 0.015 0; 0.091 0.0014 0; 0.0176 Tư robot (m,m,rad) [min; max (rad)] Các giá trị sai số vị trí hướng phạm vi tìm kiếm khác tương đối tương đồng đặc biệt giá trị trung bình sai số vị trí trung bình sai số hướng Tư có sai số lớn [-13.806, -1.88837, 1.58319] có giá trị trung bình sai số vị trí khoảng 3.6 cm, giá trị trung bình hướng khoảng 0.0311 rad Tư có sai số nhỏ [2.87542, 12.243, -2.78319] có giá trị trung bình sai số vị trí khoảng 0.3 cm, giá trị trung bình hướng khoảng 0.0003 rad Sai số thu từ thực nghiệm cho thấy độ xác thuật tốn tốt Điều giải thích lý thuật tốn tìm vùng tối ưu tồn cục việc hội tụ điểm cực khơng bị ảnh hưởng phạm vi tìm kiếm tham số khác giữ không đổi Ở giá trị tỷ lệ thành công cho thấy khác biệt tìm kiếm phạm vi khác Khi tìm kiếm phạm vi lớn 40x40 m, thuật tốn cho tỉ lệ thành cơng khơng thực tốt Trạng thái có tỉ lệ thành cơng cao [-13.806, -1.88837, 1.58319] đạt 41%, thấp [7.57139, 4.8194, 1.2] 10%, đó, thuật tốn khơng đủ tốt để tìm kiếm phạm vi lớn Khi tìm kiếm phạm vi nhỏ 20x20 m, tỉ lệ thành công hầu hết trạng thái tăng lên rõ rệt Trạng thái có tỉ lệ thành công cao [2.87542, 12.243, -2.78319] đạt 83% giá trị 32% phạm vi tìm kiếm rộng Tuy nhiên giá trị thấp trạng thái [7.57139, 4.8194, 1.2] tăng lên 15% không thực đáng kể, điều cho thấy thuật tốn chưa đủ độ tin cậy tìm kiếm với phạm vi 20x20m Thuật toán cho thấy kết tốt phạm vi tìm kiế m 10x10m, tỉ lệ thành công hầu hết trạng thái đạt giá trị lớn 90%, cao trạng thái [2.56713, 1.51676, 0.3] đạt tuyệt đố 100%, tăng gần gấp đôi so với trạng thái phạm 69 vi tìm kiếm 20x20m, đó, trạng thái có giá trị nhỏ [-13.806, -1.88837, 1.58319] đạt 84% Kết cho độ tin cậy tương đối cao với phạm vi tìm kiếm 10x10m Lý giải thích cho kết tìm kiếm phạm vi rộng bị hạn chế phạm vi tìm kiếm lớn, liệu quét lidar số vị trí khác so với vị trí thực tế có trùng lặp tương đối giống so với liệu quét lidar mà robot thu vị trí thực tế, ví dụ (hành lang, phịng giống nhau, …), dẫn đến việc sinh vùng tối ưu cục vùng tìm kiếm tối ưu (giá trị hàm mục tiêu có xu hướng giảm vùng vị trí tương tự), việc thu hẹp vùng tìm kiếm có ý nghĩa giảm khả tồn vùng tối ưu cục khơng gian tìm kiếm Điển hình thấy vị trí [2.56713, 1.51676, 0.3], robot nằm vị trí hành lang đồ, tỉ lệ thành công phạm vi 40x40m thấp 25%, nhiên với phạm vi tìm kiếm 10x10m tỉ lệ tăng lên tối đa 100% tránh vị trí có liệu quét lidar tương tự Tương tự với kết thu đồ Shibaura đưa với với phạm vi tìm kiếm 40x40m, 20x20m, 10x10m Bảng Kết với phạm vi tìm kiếm 40x40m đồ Shibaura Tỷ lệ thành công (%) Trung bình sai số vị trí (m) Phạm vi sai số vị trí [min; max (m)] Trung bình sai số hướng (rad) Phạm vi sai số hướng 4.56661, -3.59317, 0.8487 27 0.01 0.002;0.023 0.001 0; 0.0036 6.58628, -10.4253, -1.78319 21 0.031 0.010; 0.053 0.0036 0.0008; 0.0059 10.769, 12.3578, -2.7513 29 0.048 0.011; 0.096 0.0058 0.0004; 0.0128 -5.00662, 9.62, -2.8513 0; 0.001 0.0001 0; 0.0002 0.006 0.001; 0.011 0.0008 0.0006; 0.0016 Tư robot (m,m,rad) -5.39328, -14.2066, -0.550684 [min; max (rad)] Bảng Kết với phạm vi tìm kiếm 20x20m đồ Shibaura Trung bình sai số hướng (rad) Phạm vi sai số hướng 0.002;0.033 0.002 0; 0.0051 0.003; 0.052 0.0044 0; 0.0078 0.0066 0.0002; 0.0137 0; 0.022 0; 0.0002 0; 0.014 0.0012 0; 0.0022 Tỷ lệ thành cơng (%) Trung bình sai số vị trí (m) 4.56661, -3.59317, 0.8487 63 0.015 6.58628, -10.4253, -1.78319 65 0.032 10.769, 12.3578, -2.7513 65 0.053 0.005; 0.099 0.008 42 0.008 Tư robot (m,m,rad) -5.00662, 9.62, -2.8513 -5.39328, -14.2066, -0.550684 Phạm vi sai số vị trí [min; max (m)] [min; max (rad)] 70 Bảng Kết với phạm vi tìm kiếm 10x10m đồ Shibaura Tỷ lệ thành cơng (%) Trung bình sai số vị trí (m) Phạm vi sai số vị trí [min; max (m)] Trung bình sai số hướng (rad) Phạm vi sai số hướng 4.56661, -3.59317, 0.8487 74 0.012 0.001;0.038 0.0017 0; 0.0061 6.58628, -10.4253, -1.78319 80 0.03 0.003; 0.056 0.0038 0.0001; 0.0075 10.769, 12.3578, -2.7513 70 0.055 0.009; 0.099 0.0068 0.0002; 0.015 -5.00662, 9.62, -2.8513 0.003 0; 0.047 0.0033 0; 0.0076 -5.39328, -14.2066, -0.550684 66 0.008 0; 0.014 0.0013 0; 0.0022 Tư robot (m,m,rad) [min; max (rad)] So sánh tương đối kết phạm vi tìm kiếm đồ Shibaura thể đặc điểm tương tự với kết đồ Intel Trong đó, sai số có có kết tốt, sai số vị trí có giá trị trung bình nằm khoảng [0.3;5.5] cm sai số hướng nằm khoảng [0;0.0068] rad Tỷ lệ thành công tăng đáng kể giảm phạm vi tìm kiếm Tuy nhiên, kết tìm kiếm phạm vi nhỏ 10x10m có tỷ lệ thành cơng thấp 80% cho thấy việc tìm kiếm gặp khó khăn đồ chi tiết đồ Shibaura Lý đồ chi tiết đồ Shibaura sử dụng thực nghiệm có nhiều trạng thái robot có liệu quét lidar trùng lặp với dẫn đến khó khăn tìm kiếm Đặc biệt trạng thái [-5.00662, 9.62, -2.8513], tỉ lệ thành công tăng khơng đáng kể giảm phạm vi tìm kiếm Do đó, hàm mục tiêu có khả khuyếch đại sai số các trạng thái có liệu quét lidar tương đối giống khiến giá trị hàm mục tiêu trường hợp khơng giảm ngược lại, giá trị hàm mục tiêu vị trí thực tế robot có giá trị nhỏ rõ rệt so với giá trị khác khiến việc thực thuật tốn tối ưu có tỷ lệ thành cơng cao 4.2.3 Đánh giá tìm kiếm có nhiễu phép đo lidar Thực nghiệm thực với phạm vi tìm kiếm 10x10m, thực nghiệm này, phép đo khoảng lidar thêm giá trị nhiễu theo phân bố Gaussian với độ lệch chuẩn tăng dần để đánh giá khả làm việc thực tế thuật tốn có điều kiện mơi trường, đầu vào khác Thực nghiệm thực đồ Intel với hai trạng thái [2.56713,1.51676,0.3] vị trí hành lang [2.87542,12.243,-2.78319] vị trí phịng lớn 71 Nhiễu độ lệch chuẩn 2% Hình 52 Dữ liệu lidar trạng thái [2.56713,1.51676,0.3] Nhiễu độ lệch chuẩn 8% Hình 53 Dữ liệu lidar trạng thái [2.56713,1.51676,0.3] Nhiễu độ lệch chuẩn 64% Hình 54 Dữ liệu lidar trạng thái [2.56713,1.51676,0.3] Nhiễu độ lệch chuẩn 16% Hình 55 Dữ liệu lidar trạng thái [2.87542,12.243,-2.78319] 72 Nhiễu độ lệch chuẩn 32% Hình 56 Dữ liệu lidar trạng thái [2.87542,12.243,-2.78319] Nhiễu độ lệch chuẩn 80% Hình 57 Dữ liệu lidar trạng thái [2.87542,12.243,-2.78319] Bảng Kết trạng thái [2.56713,1.51676,0.3] Độ lệch chuẩn (%) Tỷ lệ thành cơng (%) Trung bình sai số vị trí (m) Phạm vi sai số vị trí [min; max (m)] Trung bình sai số hướng (rad) Phạm vi sai số hướng 100 0.036 0;0.086 0.0032 0; 0.0082 100 0.038 0; 0.085 0.0029 0; 0.0095 16 98 0.047 0.016; 0.094 0.0030 0; 0.0058 32 100 0.067 0.021; 0.097 0.0065 0.0002; 0.0114 64 100 0.086 0.022; 0.092 0.0068 0.0015; 0.0242 80 99 0.020 0.032;0.097 0.0068 0.0002;0.0068 100 92 0.048 0.007;0.055 0.0050 0.0016;0.0060 [min; max (rad)] 73 Bảng Kết trạng thái [2.87542,12.243,-2.78319] Độ lệch chuẩn (%) T ỷ lệ thành cơng (%) Trung bình sai số vị trí (m) Phạm vi sai số vị trí [min; max (m)] Trung bình sai số hướng (rad) 98 0.003 0;0.006 0.0002 0; 0.0008 98 0.002 0; 0.067 0.0004 0; 0.0089 16 97 0.001 0; 0.052 0.0001 0; 0.0006 32 97 0.003 0; 0.063 0.0002 0; 0.0019 64 96 0.002 0; 0.059 0.0006 0.0006; 0.0010 80 97 0.002 0;0.002 0.0001 0;0.0002 100 96 0.009 0.003;0.094 0.0006 0.0003;0.0093 Phạm vi sai số hướng [min; max (rad)] Kết thêm nhiễu vào phép đo lidar cho thấy kết tốt số tỉ lệ thành công hai trạng thái, tỉ lệ thành cơng trì mức lớn 97% hầu hết trường hợp Chỉ số giảm không đáng kể mức độ nhiễu với độ lệch chuẩn lên tới 100% tín hiệu đo Thống kê cho thấy khả làm việc thực tế thuật toán điều kiện liệu đầu vào không ổn định yếu tố môi trường, chất lượng Lidar dẫn đến sai lệch phép đo Bên cạnh tỷ lệ thành công thuật tốn, việc thêm yếu tố nhiễu có phần làm giảm độ xác thuật tốn độ lệch chuẩn nhiễu tăng lên Tại trạng thái [2.56713,1.51676,0.3], sai số vị trí trung bình mức 3.6cm với độ lệch chuẩn 2%, nhiên sai số tăng lên 8.6cm với độ lệch chuẩn 64%, sai số hướng 0.0032 rad 0.0068 rad hai trường hợp Tuy nhiên, trạng thái [2.87542,12.243,-2.78319] sai số khơng q l ớn có nhiễu 4.3 Kết luận chương Các đồ mô lấy từ Học viện Công nghệ Shibaura từ thư viện MRPT (Mobile Robot Programing Toolkit) – đồ phòng nghiên cứu Intel từ tác giả Dieter Fox Sau áp dụng giải thuật tối ưu bày đàn tiến hóa vi phân thích nghi để định vị Robot, Tác giả có đưa mục tiêu đánh giá so sánh đồ như: - Quá trình hội tụ quần thể - Hàm mục tiêu cá thể tốt ghi nhận thời điểm kết thúc hệ thời gian định - Sai số bình phương tối thiểu vị trí cá thể tốt hệ so với vị trí đặt thực tế - Đánh giá khả tìm kiếm thuật tốn, Tìm kiếm với phạm vi khác nhau, tìm kiếm có nhiễu phép đo Lidar Nhận thấy rằng, thuật toán hội tụ tốt số vị trí q trình lựa chọn cá thể tập trung điểm đặt (hàm mát có xu hướng nhỏ dần 74 tiến tới vị trí tối ưu), nhiên khả mở rộng vùng tìm kiếm ngồi điểm tối ưu tìm thấy chưa tốt, điều dẫn đến việc mắc kẹt vị trí tối ưu cục q trình định vị thất bại Tỷ lệ thành công tăng đáng kể giảm phạm vi tìm kiếm Tuy nhiên, kết tìm kiếm phạm vi nhỏ 10x10m có tỷ lệ thành công thấp 80% cho thấy việc tìm kiếm gặp khó khăn đồ chi tiết đồ Shibaura Lý đồ chi tiết đồ Shibaura sử dụng thực nghiệm có nhiều trạng thái robot có liệu quét lidar trùng lặp với dẫn đến khó khăn tìm kiếm Đặc biệt trạng thái [-5.00662, 9.62, -2.8513], tỉ lệ thành công tăng khơng đáng kể giảm phạm vi tìm kiếm Do đó, hàm mục tiêu có khả khuyếch đại sai số các trạng thái có liệu quét lidar tương đối giống khiến giá trị hàm mục tiêu trường hợp khơng giảm ngược lại, giá trị hàm mục tiêu vị trí thực tế robot có giá trị nhỏ rõ rệt so với giá trị khác khiến việc thực thuật tốn tối ưu có tỷ lệ thành cơng cao Ở phần đánh giá tìm kiếm có nhiễu, thống kê cho thấy khả làm việc thực tế thuật toán điều kiện liệu đầu vào không ổn định yếu tố môi trường, chất lượng Lidar dẫn đến sai lệch phép đo Bên cạnh tỷ lệ thành công thuật tốn, việc thêm yếu tố nhiễu có phần làm giảm độ xác thuật tốn độ lệch chuẩn nhiễu tăng lên Tại trạng thái [2.56713,1.51676,0.3], sai số vị trí trung bình mức 3.6cm với độ lệch chuẩn 2%, nhiên sai số tăng lên 8.6cm với độ lệch chuẩn 64%, sai số hướng 0.0032 rad 0.0068 rad hai trường hợp Tuy nhiên, trạng thái [2.87542,12.243,-2.78319] sai số khơng q lớn có nhiễu Từ kết thực nghiệm, nhận thấy tính khả thi việc áp dụng giải thuật ứng dụng toán định vị Robot mơi trường tồn cục: - Ưu điểm thuật toán: dựa theo nguyên tắc chọn lọc tự nhiên dễ dàng triển khai cho ứng dụng định vị tồn cục; việc sử dụng thuật tốn thích nghi làm giảm số lượng tham số phải điều chỉnh thuật toán - Nhược điểm: khả đột biến mở rộng vùng tìm kiếm chưa thực tốt, dẫn tới gặp vấn đề mắc kẹt điểm tối ưu cục khiến việc định vị thất bại 75 CHƯƠNG 5: KẾT LUẬN Trong luận văn này, với mục tiêu Robot tự hành có khả tự định vị đồ Tác giả trình bày Giải thuật tối ưu bày đàn tiến hóa vi phân thích nghi, áp dụng để thực nghiệm đánh giá tính khả thi thuật tốn mơi trường đồ mô phỏng, liệu Lidar 2D mô ứng với đồ Qua kết thực nghiệm thu được, việc áp dụng giải thuật vào thực tiễn có sở mơ hình đơn giản dễ dàng triển khai, có khả định vị phạm vi lớn 40x40m, không bị ảnh hưởng sai số nhiễu từ liệu Lidar Tuy nhiên số hạn chế đồ có nhiều điểm tương đồng, tỉ lệ thành công chưa cao Hướng phát triển luận văn: - Xây dựng hàm mục tiêu đánh giá xác thực tế sai số vị trí cá thể so với vị trí đặt thực tế robot - Cải thiện khả mở rộng vùng tìm kiếm thuật tốn để giải vấn đề nghiệm tối ưu cục - Cải thiện thời gian trả kết thuật toán - Cải thiện khả khả hoạt động đồ có nhiều điểm tương đồng 76 TÀI LIỆU THAM KHẢO [1] Brooks, R.A “A robust layered control system for a mobile robot” IEEE Journal of Robotics and Automation (1):14–23 [2] Y Cheng and G Y Wang, "Mobile robot navigation based on lidar," 2018 Chinese Control And Decision Conference (CCDC), Shenyang, China, 2018, pp 1243-1246 [3] T Bailey and H Durrant-Whyte, "Simultaneous localization and mapping (SLAM): part II," in IEEE Robotics & Automation Magazine, vol 13, no 3, pp 108-117, Sept 2006 [4] Moreno, L., Armingol, J.M., Garrido, S et al A Genetic Algorithm for Mobile Robot Localization Using Ultrasonic Sensors Journal of Intelligent and Robotic Systems 34, 135–154 (2002) [5] Tateno, Keisuke & Tombari, Federico & Laina, Iro & Navab, Nassir (2017) CNN-SLAM: Real-time dense monocular SLAM with learned depth prediction 10.1109/CVPR.2017.695 [6] N Ganganath and H Leung, "Mobile robot localization using odometry and kinect sensor," 2012 IEEE International Conference on Emerging Signal Processing Applications, Las Vegas, NV, USA, 2012, pp 91-94 [7] M Rekleitis "A Particle Filter Tutorial for Mobile Robot Localization” Centre for Intelligent Machines, McGill University, Tech Rep TR-CIM-0402 (2004) [8] Dieter Fox, Wolfram Burgard, Sebastian Thrun, “Active Markov localization for mobile robots” , Robotics and Autonomous Systems, Volume 25, Issues 3–4, 1998, Pages 195-207,ISSN 0921-8890 [9] H W Sorenson, "Kalman filtering techniques," in Advances in Control Systems, vol 3, C T Leondes Ed.: Elsevier, 1966, pp 219-292 [10] F Dellaert, D Fox, W Burgard and S Thrun, "Monte Carlo localization for mobile robots," Proceedings 1999 IEEE International Conference on Robotics and Automation (Cat No.99CH36288C), Detroit, MI, USA, 1999, pp 1322-1328 vol.2 [11] Pomerleau, Franỗois & Colas, Francis & Siegwart, Roland (2015) “A Review of Point Cloud Registration Algorithms for Mobile Robotics” Foundations and Trends® in Robotics 1-104 [12] R Marcello, D G Sorrenti and F M Marchese, "A robot localization method based on evidence accumulation and multi-resolution," IEEE/RSJ International Conference on Intelligent Robots and Systems, Lausanne, Switzerland, 2002, pp 415-420 vol.1 77 [13] Storn, R., Price, K Differential Evolution – A Simple and Efficient Heuristic for global Optimization over Continuous Spaces Journal of Global Optimization 11, 341–359 (1997) [14] Slowik, A., Kwasnicka, H Evolutionary algorithms and their applications to engineering problems Neural Comput & Applic 32, 12363–12379 (2020) [15] Wolfgang Banzhaf, Chapter 17 - Evolutionary Computation and Genetic Programming, Editor(s): Akhlesh Lakhtakia, Raúl J Martín-Palma, Engineered Biomimicry, Elsevier, 2013 [16] Storn, R., Price, K Differential Evolution – A Simple and Efficient Heuristic for global Optimization over Continuous Spaces Journal of Global Optimization 11, 341–359 (1997) [17] Claraco, Jose Luis Blanco, and Machine Perception "Development of scientific applications with the mobile robot programming toolkit." The MRPT reference book Machine Perception and Intelligent Robotics Laboratory, University of Málaga, Málaga, Spain 40 (2008) [18] Tam BUI, Hieu PHAM, Hiroshi HASEGAWA, Improve Self-Adaptive Control Parameters in Differential Evolution for Solving Constrained Engineering Optimization Problems, Journal of Computational Science and Technology, 2013 [19] Hasegawa, H., and Tooyama, S., Adaptive Plan System with Genetic Algorithm using the Variable Neighborhood range Control, Evolutionary Computation (CEC 2009), IEEE Congress, pp 846-853 (2009) 78