Báo cáo cuối kỳ các vấn Đề hiện Đại trong robot

Phương tiện tự hành trong các khu công nghiệp dần trở thành quen thuộc với các công nhân thường được gọi với các tên AGVs

Hệ thống phương tiện tự hành ứng dụng trong công nghiệp

Nguyễn Văn Dương MSV: 21020001 Khoa Điện tử Viễn thông, Trường Công nghệ

Tóm tắt – Phương tiện dẫn đường tự động được sử

dụng rộng rãi trong các nhà máy, khu công nghiệp để vận chuyển vật liệu Chúng được điều khiển một cách tập trung có khả năng cải thiện độ an toàn, an ninh và hiệu quả, giúp cải thiện tốc độ xử lý công việc và giảm mức tiêu hoa tài nguyên Ở báo cáo này trình bày những khái niệm cơ bản về phương tiện tự hành (AGV) đồng thời đưa ra hai chủ đề nghiên cứu là công nghệ cảm biến, điều hướng và thuật toán điều khiển và tối ưu hóa đồng thời đưa ra một số bài báo liên quan trong các chủ

đề này từ đó thấy được những thách thức và tiềm năng của hệ thống AGV.

Từ khóa – xe tự hành, automated guided vehicles (AGV)

I Giới thiệu Ngày nay các doanh nghiệp chạy đua trong việc giảm chi phí nhưng vẫn đảm bảo chất lượng tốt điều này yêu cầu các doanh nghiệp phải đầu tư máy móc hiện đại để thay thế dần cho con người trong các nhà máy, khu công nghiệp Một trong những hệ thống nổi bật là - hệ thống AGV được các nhà sản xuất lựa chọn rộng rãi để triển khai các hệ thống xử lý vật liệu thực sự linh

hoạt, thường cần thiết cho mô hình sản xuất tự động hóa cao ví

dụ như trong Hình 1 AGV được sử dụng cho các nhiệm vụ như

di chuyển sản phẩm trong kho, chức năng phân phối và lưu trữ hoặc vận chuyển các bộ phận phụ giữa các trạm lắp ráp khác nhau trong dây chuyền sản xuất

Hệ thống dẫn đường chính trong các phương tiện dẫn đường

tự động công nghiệp (AGV) thời kỳ đầu là những sợi dây được lắp dưới sàn Một tần số được tạo ra qua sợi dây để AGV có thể phát hiện và theo dõi nó, từ đó định hướng đi qua tuyến đường của nó Trí thông minh nằm ở bộ điều khiển sàn tạo ra các tín hiệu dọc theo dây dẫn Trong trường hợp này, AGV hoạt động như một loại thiết bị câm

Hình 1: AGVs trong nhà máy

Thế hệ tiếp theo của hệ thống AGV, được thúc đẩy bởi những tiến bộ và giảm chi phí trong vi điện tử và máy vi tính, đã làm cho AGV thông minh hơn và do đó chúng có thể lưu trữ hướng dẫn về tuyến đường, đưa ra quyết định và tham gia kiểm soát giao thông của toàn bộ hệ thống Ngoài ra, các hệ thống dẫn đường không dây mới, sử dụng tia laser hoặc hệ thống quán tính, cho phép AGV hoạt động mà không cần đường dẫn hướng vật lý [1], cụ thể là AGV phạm vi tự do [2], giúp việc lắp đặt các

hệ thống đó dễ dàng hơn và tạo điều kiện thuận lợi cho việc

sửa đổi đường dẫn hướng khi các trạm hoặc luồng mới đã được thêm vào

Việc phát triển hệ thống AGV đòi hỏi phải đáp ứng một số chủ

đề sau: điều hướng và hướng dẫn, định tuyến, quản lý giao thông, truyền tải và quản lý hệ thống Điều hướng và hướng dẫn cho phép xe đi theo một lộ trình Định tuyến [3] là khả năng của phương tiện đưa ra quyết định để chọn các tuyến đường tối ưu đến các điểm đến cụ thể Quản lý giao thông [4] là một hệ thống hoặc khả năng của phương tiện để tránh va chạm với các phương tiện khác Truyền tải là phương thức lấy và phân phối cho hệ thống AGV, có thể đơn giản hoặc tích hợp với các

hệ thống con khác Hệ thống quản lý [5] là phương pháp điều khiển hệ thống được sử dụng để ra lệnh vận hành hệ thống Các kỹ thuật điều hướng AGV điểm - điểm hiện tại có thể được chia thành hai nhóm, đường dẫn cố định và điều hướng đường dẫn mở [6] Ý tưởng cơ bản là AGV phải tuân theo một đường dẫn cố định Điều hướng đường dẫn cố định sử dụng ý tưởng ban đầu là dây nhúng trong sàn, mặc dù các kỹ thuật khác như băng từ hoặc băng phản chiếu trên bề mặt sàn cũng có thể được sử dụng Trong trường hợp này, các đường dẫn được cố định và do đó việc sửa đổi bố cục sẽ dẫn đến việc dừng toàn bộ

hệ thống và thay đổi các đường dẫn về mặt vật lý Mặt khác, nhiệm vụ điều hướng rất dễ dàng, chỉ cần một cảm biến để phát hiện hướng dẫn trên sàn Trong điều hướng đường dẫn mở,

ít nhất về mặt lý thuyết, AGV có thể sử dụng bất kỳ đường dẫn hướng nào để điều hướng giữa các điểm Vì vậy, để điều hướng trong môi trường này, AGV cần có bản đồ và phương pháp để biết vị trí của chính nó Trong các hệ thống thương mại hiện tại,

các tuyến vận chuyển tải được xác định trước trong quá trình thiết kế bố trí đường dẫn [1,2]

Ở báo cáo này sẽ được trình bày theo các phần sau Phần 2 các chủ đề nghiên cứu Phần 3 tập trung vào việc phân tích các nghiên cứu Phần 4 trình bày thách thức và tiềm năng của hệ thống AGV Cuối cùng, Phần 5 đưa ra một số kết luận

II Các chủ đề nghiên cứu

A Công nghệ cảm biến và điều hướng

Việc điều khiển vị trí hoặc chuyển động của phương tiện được dẫn hướng tự động (AGV) rất quan trọng cho các ứng dụng của

xe tự hành Để điều khiển một cách hiệu quả thì việc có những cảm biến hỗ trợ là vô cùng cần thiết kết hợp với các phần mềm điều phối từ đó giúp các AGV phối hợp và làm việc hiệu quả Một số loại cảm biến được dùng cho AGV điển hình như: cảm biến LiDAR, cảm biến quang và camera, cảm biến siêu âm, cảm biến hồng ngoại, cảm biến quán tính (IMU), Trong những năm gần đây, cảm biến LiDAR đã trở nên cực kỳ có giá trị trong các

phương tiện tự hành, xem Hình 2 Xe tự hành có thể sử dụng

LiDAR để phát hiện và tránh chướng ngại vật, nhận dạng và theo dõi đối tượng cũng như định vị và lập bản đồ đồng thời (SLAM) [7,8,9] Với sự tiến bộ của công nghệ tự lái, nhu cầu về LiDAR ngày càng tăng nhanh LiDAR là một trong những cảm biến quan trọng của công nghệ dẫn đường và điều hướng tiên tiến hiện nay

Có nhiều loại công nghệ điều hướng được sử dụng trong AGV

có thể kể đến một số loại như: điều hướng bằng laser, điều hướng tự nhiên, điều hướng từ tính, điều hướng điểm từ, điều

hướng dây cảm ứng, dẫn đường quang học, Hình 3.

Hình 2: Cảm biến LiDAR trong AGV

Hình 3: Các công nghệ điều hướng

B Thuật toán điều khiển và tối ưu hóa

Từ việc sử dụng cảm biến đến việc điều hướng cho AGV là các cộng việc rất phức tạp Tuy nhiên để dáp ứng nhu cầu trong thực tế hiện nay ta cần điều khiển các AGV một cách tối ưu nhất, các thuật toán áp dụng phải vừa đơn giản và hiệu quả để đáp ứng phản hồi một cách nhanh chóng Từ đó đặt ra các bài toán tối ưu trên thực tế như khắc phục thời gian tính toán lớn, tắc nghẽn, chậm trễ trong hệ thống cũng như phạm vi lập kế hoạch hữu hạn Các hệ thống AGV được sử dụng hiện tại và các

hệ thống hiện tại do các nhà sản xuất toàn cầu cung cấp hầu hết đều hoạt động dưới hình thức điều khiển tập trung: một bộ điều khiển trung tâm điều khiển toàn bộ đội xe AGV Xu hướng hướng tới các hệ thống phi tập trung trong đó AGV đưa ra các quyết định riêng lẻ có lợi cho tính linh hoạt, mạnh mẽ và khả năng mở rộng của giao thông vận tải Được thúc đẩy bởi sự thay đổi mô hình của Công nghiệp 4.0 và các yêu cầu trong tương lai Các thuật toán điều khiển điển hình được biết đến

như: điều khiển PID, điều khiển mờ, điều khiển trượt, điều khiển

mô hình dự đoán, cùng với đó là các thuật toán tối ưu như là: thuật toán di truyền, thuật toán tối ưu đàn kiến, thuật toán bầy chim, thuật toán Q-learning,

III Các nghiên cứu liên quan

A Nghiên cứu về cảm biến và điều hướng

1) Nghiên cứu: “Advance 3D navigation system for AGV in

complex smart factory environ-ment” nhóm tác giả đã đề xuất

một hệ thống điều hướng robot di động mới bao gồm điều khiển

cơ bản, định vị xây dựng bản đồ và các chức năng điều hướng

tự động Ban đầu, việc sử dụng thuật toán so sánh đám mây điểm đã tạo điều kiện thuận lợi cho việc xây dựng bản đồ đám mây điểm ba chiều trong môi trường trong nhà, sau đó được chuyển đổi thành bản đồ lưới hai chiều điều hướng Đồng thời, việc sử dụng thuật toán biến đổi phân phối chuẩn (NDT) đa luồng cho phép định vị robot chính xác trong cài đặt ba chiều

Hình 4: Khung hệ thống

Tận dụng bản đồ lưới và dữ liệu bản địa hóa vốn có của robot, thuật toán A* đã được sử dụng để lập kế hoạch đường đi toàn cầu Hơn nữa, dựa trên đường dẫn toàn cầu, thuật toán dải đàn hồi theo thời gian (TEB) đã được sử dụng để thiết lập mô hình động học, rất quan trọng cho việc lập kế hoạch tránh chướng

ngại vật cục bộ Nghiên cứu này đã chứng minh những phát hiện của mình thông qua các thí nghiệm mô phỏng và triển khai phương tiện thực tế: Robot di động quét dữ liệu môi trường thông qua radar laser và xây dựng các đám mây điểm và bản

đồ lưới Điều này tạo điều kiện thuận lợi cho việc định vị ở cấp

độ centimet và vượt qua thành công các chướng ngại vật tĩnh, đồng thời lập biểu đồ các đường dẫn tối ưu để vượt qua các chướng ngại vật động Hệ thống định vị được phát minh đã thể hiện khả năng điều hướng tự động đáng khen ngợi Bằng chứng thực nghiệm cho thấy độ chính xác thỏa đáng trong các ứng dụng thực tế, với sai số định vị là 3,6 cm dọc theo trục x, 3,3

cm dọc theo trục y và 4,3° theo hướng Sự đổi mới này giúp giảm đáng kể độ chính xác điều hướng thấp và tình trạng chậm chạp mà xe AGV gặp phải trong môi trường nhà máy thông minh phức tạp, hứa hẹn triển vọng thuận lợi cho các ứng dụng

thực tế Dưới đây là khung hệ thống Hình 4 [10].

2) Nghiên cứu: “A Review of Multi-Sensor Fusion SLAM

Systems Based on 3D LIDAR” nhóm tác giả đề xuất phát triển

SLAM tổng hợp đa cảm biến dựa trên LIDAR Bài viết này giới thiệu các nguyên tắc cơ bản và công việc gần đây của phản ứng tổng hợp đa cảm biến một cách chi tiết từ bốn khía cạnh dựa trên các loại cảm biến hợp nhất và phương pháp ghép dữ liệu Nhóm tác giả còn xem xét một số bộ dữ liệu SLAM và so sánh hiệu suất của năm thuật toán nguồn mở bằng cách sử dụng bộ dữ liệu UrbanNav Những đổi mới chính của bài báo được đề cập cùng nhau khi mô tả chi tiết về liên kết dữ liệu Điểm mạnh và điểm yếu của từng công việc đều dựa trên phân tích định tính về thành phần hệ thống

Hình 5: Khung SLAM hợp nhất dựa trên tính năng

Có nhiều công trình dựa trên deep learning hơn cho sự kết hợp đa cảm biến, chủ yếu được sử dụng trong nhận thức môi trường, phát hiện đối tượng và phân đoạn ngữ nghĩa Chúng có thể đóng vai trò phụ trợ trong hệ thống SLAM Sự kết hợp đa cảm biến là chìa khóa để xây dựng các hệ thống mạnh mẽ Các

hệ thống phức tạp dựa trên nhiều cảm biến cần phải nhẹ, chính xác, có thể mở rộng và linh hoạt cho SLAM Từ phần thử nghiệm, nhóm tác giả biết rằng môi trường động, sự tắc nghẽn đối tượng và môi trường hành lang dài là những thách thức chính đối với các phương pháp SLAM dựa trên tính năng Khung

SLAM dựa trên tính năng Hình 5 [11].

3) Virtual Diagnostic Sensors Design for an Automated

Guided Vehicle bài báo đề xuất một cách tiếp cận đầy hứa hẹn

hướng tới các cảm biến đáng tin cậy hơn là ứng dụng bổ sung các cảm biến ảo, có khả năng tạo ra các phép đo ảo bằng cách

sử dụng các nguồn thông tin khác như trạng thái bộ truyền động và các cảm biến hiện có cùng với các mô hình toán học thích hợp Trọng tâm của nghiên cứu được mô tả trong bài báo này là thiết kế các cảm biến ảo xác định lực và mômen xoắn tác dụng lên AGV Cách tiếp cận mới được đề xuất là sử dụng cách tiếp cận giới hạn bậc hai, cho phép bao gồm các nhiễu loạn giới hạn tác động lên AGV Một ưu điểm chính của phương pháp được trình bày là có thể tránh được việc sử dụng các mô

hình lốp phức tạp Thông tin từ cảm biến gia tốc và tốc độ lệch được xử lý để nhận ra cảm biến lực và mô-men xoắn ảo đáng tin cậy Thông tin về lực và mô-men xoắn thu được có thể được

sử dụng cho một số mục đích chẩn đoán như phát hiện lỗi hoặc ngăn ngừa lỗi Cách tiếp cận được trình bày được giải thích và xác minh trên cơ sở thiết kế sáng tạo của AGV Thiết kế sáng tạo này giải quyết một thách thức lớn khác đối với AGV, đó là khả năng cơ động hạn chế của nhiều thiết kế AGV Thiết kế sáng tạo cho phép khả năng vận động gần như không giới hạn nhưng đòi hỏi dữ liệu cảm biến đáng tin cậy Việc áp dụng phương pháp này trong AGV đã mang lại cái nhìn sâu sắc rằng các ước tính được tạo ra nhất quán với các lực dọc và mô men xoắn thu được từ mô hình tham chiếu đã được chứng minh [12]

B Nghiên cứu về thuật toán điều khiển và tối ưu hóa

1) Enhancing Path Planning Capabilities of Automated Guided

Vehicles in Dynamic Environ-ments: Multi-Objective PSO and Dynamic Window Approach nghiên cứu này đã giới thiệu một

cách tiếp cận tiên phong trong việc lập kế hoạch đường dẫn AGV, tích hợp PSO đa mục tiêu (MOSPO) và cách tiếp cận cửa

sổ động (DWA) để khắc phục những hạn chế của phương pháp điều hướng tự động truyền thống cho AGV di động Chiến lược sửa đổi của chúng tôi đã tạo điều kiện thuận lợi cho việc tính toán tốc độ và góc lái tối ưu, đảm bảo điều hướng an toàn Nhóm tác giả đã cân bằng một cách hiệu quả các mục tiêu xung đột và cải thiện hiệu suất tổng thể bằng cách lập mô hình toán học cho hàm đa mục tiêu bằng cách sử dụng đường đi ngắn nhất và các hàm mục tiêu có độ trơn tối đa Các yếu tố chính như chức năng heuristic, hướng tìm kiếm, độ an toàn của

đường dẫn và các nút đường dẫn dự phòng đã góp phần nâng cao hiệu quả, đường dẫn được tối ưu hóa và giảm sự kém hiệu quả Phương pháp cửa sổ động đã lựa chọn thành công quỹ đạo đạt điểm cao nhất, xem xét cả vận tốc tối ưu và các trở ngại môi trường Thông qua các mô phỏng và so sánh nghiêm ngặt với các phương pháp hiện có, nhóm tác giả đã xác nhận tính hiệu quả của phương pháp tiếp cận của mình, thể hiện các ưu điểm như thời gian lập kế hoạch ngắn hơn, giảm độ dài đường

đi, ít điểm rẽ hơn và tăng độ an toàn cho tuyến đường Hơn nữa, các đánh giá về số liệu hiệu suất đã cung cấp các thước đo định lượng về hiệu quả và hiệu suất của phương pháp tiếp cận, cho phép so sánh khách quan với các phương pháp lập kế hoạch đường đi AGV khác và giải quyết các thách thức liên quan đến hiệu suất, tính tối ưu, khả năng thích ứng và an toàn

Thuật toán được miêu tả dưới Hình 6 [13].

Hình 6: Sơ đồ của sơ đồ đề xuất để lập kế hoạch đường đi tối ưu

2) Path Planning Optimization of Automated Guided Vehicles

using Chaotic Marine Predators Algorithm bài viết này trình bày

phương pháp lập kế hoạch đường đi không va chạm cho

phương tiện dẫn đường tự động (AGV) trong môi trường nhà kho thông minh, được tối ưu hóa bằng các thuật toán siêu kinh nghiệm nổi tiếng gần đây Cách tiếp cận mới này là sự đánh giá

và khả năng lập kế hoạch đường đi và lập kế hoạch cho nhiều AGV để hoàn thành các nhiệm vụ nhất định trong khoảng cách

di chuyển tối thiểu với thời gian vận hành tối ưu Sáu thuật toán siêu dữ liệu khác nhau như PSO, MELGWO, GTO, SFS, MPA và MPA cải tiến hỗn loạn được so sánh về khả năng tối ưu hóa đường dẫn của AGV Để kiểm tra tính chắc chắn của các phương pháp được đề xuất, bốn kịch bản khác nhau được trình bày bao gồm tránh chướng ngại vật chung và ba nhiệm vụ trong các bản đồ đơn giản được coi là môi trường kho thông minh Trong mỗi kịch bản, các chướng ngại vật được đặt theo cách để tăng

độ phức tạp của đường đi tổng thể để AGV đến được đích mục tiêu Các giai đoạn thăm dò và khai thác trong thuật toán MPA được tăng cường đồng thời bằng cách thay thế ngẫu nhiên Gaussian thông thường bằng các toán tử hỗn loạn để đảm bảo tính hiệu quả của nó trong việc tối ưu hóa quy hoạch đường đi của AGV Thuật toán MPA hỗn loạn vượt trội hơn các thuật toán khác dựa trên kết quả phân tích thống kê với mức cải thiện tổng thể là 11,0171% so với phương pháp lập kế hoạch phương pháp

lộ trình xác suất không được tối ưu hóa (PRM) Tóm lại, thuật toán MPA hỗn loạn có thể được tối ưu hóa một cách hiệu quả việc lập kế hoạch đường đi của AGV trong tất cả các môi trường nói trên [14]

3) An Ant Colony Optimization Simulated An-nealing

Algorithm for Solving a Multiload AGVs Workshop Scheduling Problem with Limited Buffer Capacity trong bài báo này, nhóm