Luận văn thạc sĩ Kỹ thuật cơ điện tử: Ứng dụng mô hình dự đoán xác định vị trí đỗ cho hệ AGV nhằm giảm thiểu thời gian hoàn thành nhiệm vụ

ĐẠI HỌC QUỐC GIA TP HCM

TRƯỜNG ĐẠI HỌC BÁCH KHOA

NGÔ TRƯỜNG TÍN

ỨNG DỤNG MÔ HÌNH DỰ ĐOÁN XÁC ĐỊNH VỊ TRÍ ĐỖ CHO HỆ AGV NHẰM GIẢM THIỂU THỜI GIAN HOÀN

THÀNH NHIỆM VỤ

APPLICATION OF PREDICTION MODEL TO DETERMINE PARKING POSITONS FOR AGV SYSTEM TO

MINIMIZE TASK COMPLETION TIME

Chuyên ngành: Kỹ thuật Cơ điện tử Mã số: 8520114

LUẬN VĂN THẠC SĨ

TP HỒ CHÍ MINH, tháng 1 năm 2024

Công trình được hoàn thành tại: Trường Đại học Bách Khoa – ĐHQG-HCM

Cán bộ hướng dẫn khoa học: PGS.TS Ngô Hà Quang Thịnh

2 Thư ký: TS Dương Văn Tú

3 Phản biện 1: PGS.TS Đỗ Xuân Phú

4 Phản biện 2: TS Lê Ngọc Bích

5 Uỷ viên: TS Phùng Thanh Huy

Xác nhận của Chủ tịch Hội đồng đánh giá LV và Trưởng Khoa quản lý chuyên ngành sau khi luận văn đã được sửa chữa (nếu có) CHỦ TỊCH HỘI ĐỒNG TRƯỞNG KHOA CƠ KHÍ PGS.TS Võ Tường Quân

ĐẠI HỌC QUỐC GIA TP.HCM

TRƯỜNG ĐẠI HỌC BÁCH KHOA

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự do - Hạnh phúc

NHIỆM VỤ LUẬN VĂN THẠC SĨ

Họ tên học viên: NGÔ TRƯỜNG TÍN MSHV: 2171038 Ngày, tháng, năm sinh: 30-04-1999 Nơi sinh: Bình Định Chuyên ngành: Kỹ thuật Cơ Điện Tử Mã số : 8520114

I TÊN ĐỀ TÀI: Ứng dụng mô hình dự đoán xác định vị trí đỗ cho hệ agv nhằm giảm

thiểu thời gian hoàn thành nhiệm vụ.( Application of prediction model to determine parking positons for agv system to minimize task completion time)

II NHIỆM VỤ VÀ NỘI DUNG: Tìm hiểu về hệ thống AGV và mô hình dự đoán

Mô phỏng hệ thống và huấn luyện mô hình dự đoán Đề xuất thuật toán nhằm xác định vị trí đỗ cho AGV ứng dụng mô hình dự đoán

III NGÀY GIAO NHIỆM VỤ : (Ghi theo trong QĐ giao đề tài) 04/09/2023 IV NGÀY HOÀN THÀNH NHIỆM VỤ: (Ghi theo trong QĐ giao đề tài)

18/12/2023

V CÁN BỘ HƯỚNG DẪN (Ghi rõ học hàm, học vị, họ, tên): PGS.TS Ngô Hà

Quang Thịnh

LỜI CẢM ƠN

Mở đầu thuyết minh luận văn, tôi muốn bày tỏ lòng biết ơn sâu sắc và chân thành đến những người đã đồng hành và hỗ trợ tôi suốt hành trình làm luận văn này Lời đầu tiên, tôi xin gửi lời tri ân đặc biệt tới PGS.TS Ngô Hà Quang Thịnh, người đã là nguồn động viên, hướng dẫn và hỗ trợ tận tình Sự hiểu biết và kiến thức sâu rộng của thầy đã là điểm động viên quan trọng, giúp tôi vượt qua những khó khăn và hoàn thiện luận văn một cách xuất sắc

Tôi cũng muốn bày tỏ lòng biết ơn đặc biệt đến anh Lê Thế Cường, người đã chia sẻ sự tư vấn và hỗ trợ trong quá trình lựa chọn hướng đi cho luận văn Sự sáng tạo và cái nhìn chiến lược từ anh đã là nguồn động viên lớn, giúp tôi xác định đúng hướng và mục tiêu của công trình

Gia đình tôi là nguồn động viên không ngừng Tôi muốn bày tỏ lòng biết ơn sâu sắc đến cha mẹ và anh chị em, người đã luôn ủng hộ, động viên và tạo điều kiện thuận lợi cho tôi để có thể hoàn thành luận văn này Sự hiểu biết và lòng tin tưởng của gia đình là nguồn động lực mạnh mẽ, là động lực lớn nhất đưa tôi vượt qua mọi thách thức Không thể không nhắc đến bạn bè và người yêu, đặc biệt là Minh Châu, người đã đồng hành và giúp tôi vượt qua những khó khăn Sự hỗ trợ và ủng hộ to lớn của bạn là một phần quan trọng giúp tôi tiến bộ và hoàn thiện công trình

Cuối cùng, tôi xin bày tỏ lòng biết ơn đến nhà trường và bộ môn Cơ điện tử - khoa Cơ khí, đã tạo điều kiện thuận lợi và hỗ trợ đề tài trong suốt quá trình nghiên cứu và làm việc Xin chân thành cảm ơn!

Ngô Trường Tín

TÓM TẮT LUẬN VĂN

Sự tiến bộ của các ngành công nghiệp đóng vai trò quan trọng trong việc tạo ra nhu cầu ngày càng tăng về việc sử dụng hệ thống Multi-AGV (Automated Guided Vehicle) trong tương lai Do đó, việc liên tục cải tiến các hệ thống Multi-AGV là điều cần thiết để tối ưu hóa hiệu suất và mở rộng khả năng ứng dụng của chúng Đề tài này đề xuất một thuật toán mới áp dụng mô hình dự đoán vào quá trình phân phối nhiệm vụ cho AGV, được thử nghiệm trên một bản đồ mô phỏng dưới dạng bàn cờ Thuật toán này giúp giảm thiểu thời gian phản hồi của các AGV, qua đó làm giảm thời gian hoàn thành nhiệm vụ một cách gián tiếp

ABSTRACT

The development of industries serves as a precursor to the rapidly increasing demand for the application of Multi-AGV (Automated Guided Vehicle) systems in the coming years Consequently, continuous improvement of Multi-AGV systems is essential to optimize performance and enhance scalability This study proposes a new algorithm applying predictive modeling to the task allocation process for AGVs, tested on a simulated map resembling a chessboard layout The algorithm helps minimize response time for AGVs, thereby indirectly reducing task completion time

LỜI CAM ĐOAN

Luận văn này là công trình nghiên cứu của cá nhân tôi, được thực hiện dưới sự hướng dẫn của PGS TS Ngô Hà Quang Thịnh Luận văn của tôi có tham khảo các tài liệu, bài báo, trang web như được trình bày ở mục tài liệu tham khảo và ở mỗi tham khảo tôi đều trích dẫn nguồn gốc Tôi xin cam đoan rằng ngoài những trích dẫn từ các tham khảo trên, toàn bộ nội dung trong báo cáo là do tôi tự soạn thảo từ những kết quả nghiên cứu của riêng cá nhân tôi, không sao chép từ bất kì tài liệu nào khác

Tôi sẽ hoàn toàn chịu xử lí theo quy định nếu có bất cứ sai phạm nào so với lời cam đoan

Học viên

Ngô Trường Tín

1.1.1 Giới thiệu hệ thống AGV trên thế giới và ở Việt Nam 1

1.1.2 Các nhiệm vụ cơ bản và vấn đề tồn đọng của hệ thống AGV 3

1.2 Các công trình nghiên cứu liên quan 5

1.3 Hướng ứng dụng thực tế, mục tiêu, phạm vi đề tài và nội dung luận văn 12

1.3.1 Hướng ứng dụng thực tế 12

1.3.2 Mục tiêu đề tài 14

1.3.3 Phạm vi đề tài 14

1.3.4 Nội dung luận văn 15

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ MÔ HÌNH HOÁ HỆ THỐNG AGV 16

2.1 Các thành phần trong hệ thống AGV 16

2.2 Cấu trúc và vai trò của hệ thống điều khiển 16

2.2.1 Nhiệm vụ phân bổ công việc 18

2.2.2 Nhiệm vụ xác định đường đi 19

2.2.3 Nhiệm vụ lập kế hoạch di chuyển 22

2.2.4 Nhiệm vụ định vị và quản lý phương tiện 24

2.3 Phương tiện được ứng dụng trong hệ thống AGV 25

2.4 Mạng lưới giao thông 28

3.2.1 Dữ liệu xấu và cách xử lý dữ liệu xấu 34

3.2.2 Các phương pháp biến đổi tập dữ liệu 35

3.2.3 Tệp dữ liệu được áp dụng trong đề tài 36

3.3 Xác định thuật toán và xây dựng mô hình dự đoán 40

3.3.1 Xác định thuật toán 40

3.3.2 Xây dựng mô hình dự đoán 44

CHƯƠNG 4: PHÁT TRIỂN THUẬT TOÁN XÁC ĐỊNH VỊ TRÍ ĐỖ CHO AGV BẰNG MÔ HÌNH ĐỀ XUẤT 48

4.1 Quy trình làm việc của hệ thống AGV 48

4.2 Giải thuật áp dụng mô hình dự đoán nhằm xác định vị trí đỗ cho AGV 53

4.3 Điều kiện để áp dụng giải thuật và quy trình làm việc 55

CHƯƠNG 5: MÔ PHỎNG VÀ KẾT QUẢ ĐẠT ĐƯỢC 59

5.1 Đặc tính của hệ thống và mô hình mô phỏng 59

5.2 Mô hình mô phỏng 59

5.2.1 Các điều kiện ban đầu 59

5.2.2 Xác định điều kiện để hệ thống trong trạng thái rảnh 60

5.2.3 Mô hình mô phỏng 1 61

5.2.4 Mô hình mô phỏng 2 62

5.3 Kết quả đạt được 63

5.3.1 Kết quả mô phỏng 1 và xử lý số liệu 63

5.3.2 Kết quả mô phỏng 2 và xử lý dữ liệu 67

DANH MỤC HÌNH

Hình 1.1: Hệ thống AGV của SWISSLOG[2] 1

Hình 1.2: AGV của Starship[4] 2

Hình 1.3: ESATECH AGV và IDEA AGV[6] [7] 3

Hình 1.4: Quy trình làm việc chung của hệ thống AGV[8] 4

Hình 1.5: Một hệ thống AGV với bố cục vòng lặp[10] 5

Hình 1.6: Bố cục ngẫu nhiên(a) và bố cục tròn tương đương(b)[10] 6

Hình 1.7: Vị trí các điểm đỗ và trạm làm việc được[12] 7

Hình 1.8: Mạng lưới giao thông được chia thành các khu vực nhỏ hơn[13] 8

Hình 1.9: Hệ thống giao thông dạng lưới 6×7 (30 trạm) và 5×7 (35 trạm)[14] 9

Hình 1.10:Ví dụ về mức thời gian phản hồi của khu vực m và k[15] 10

Hình 1.11:Quy trình giải quyết vấn đề của giải thuật[15] 11

Hình 1.12: 2 trong 4 sa bàn được áp dụng để kiểm chứng giải thuật 11

Hình 2.1: Cấu trúc tập trung (trái) và cấu trúc phi tập trung (phải)[8] 17

Hình 2.2: Quy trình làm việc của thuật toán Dijkstra mở rộng.[18] 21

Hình 2.3: Quãng đường ngắn nhất giữa 20 và 15 có 4 đường 22

Hình 2.4: AGV nâng kệ hàng trong mạng lưới giao thông dạng bàn cờ 25

Hình 2.5: Mô hình hoá phương tiện vận chuyển 26

Hình 2.6: Ma trận kề giữa các node A,B,C,D,E 28

Hình 2.7: Mối quan hệ giữa các node A,B,C,D,E 28

Hình 3.1:Hình ảnh ví dụ về bộ dữ liệu Cell Segment đã được áp dụng PCA[22] 35

Hình 3.2: Biểu đồ phân bố các loại hàng tệp dữ liệu Online Retail[27] 37

Hình 3.3: Ví dụ về sự thay đổi giữa các trạng thái của chuỗi Markov.[28] 38

Hình 3.4: Mô hình chuỗi Markov tạo bởi MATLAB với 96 trạng thái 39

Hình 3.5: Phân bố các công việc được tạo bởi chuỗi Markov 96 trạng thái 39

Hình 3.6: Cấu trúc của mạng Neuron 41

Hình 3.7:Cấu trúc của học giám sát 41

Hình 3.8: Cấu trúc của học không giám sát 42

Hình 3.9: Cấu trúc của Long Short – Term Memory[30] 43

Hình 3.10: 3 giai đoạn hoạt động của khối LSTM[30] 43

Hình 3.11:Cấu trúc mạng LSTM được áp dụng bởi Dong Li[16] 44

Hình 3.12: Cấu trúc mạng RNNs được xây dựng trong đề tài 46

Hình 4.1: Cấu trúc hệ thống nhà kho[34] 48

Hình 4.2: Quy trình làm việc của hệ thống AGV trong [34] 49

Hình 4.3: Sơ đồ mạng lưới giao thông của nhà kho 51

Hình 4.4: Quy trình làm việc được áp dụng trong đề tài 52

Hình 4.5: Các mốc thời gian trong một nhiệm vụ 54

Hình 4.6: Các mốc thời gian trong một nhiệm vụ khi áp dụng mô hình dự đoán 54

Hình 4.7: Quy trình làm việc của hệ thống AGV khi áp dụng giải thuật 58

Hình 5.1:Thời gian phản hồi trước khi áp dụng giải thuật (20task/h,tệp 1) 65

Hình 5.2:Thời gian phản hồi của AGV sau khi áp dụng giải thuật (20task/h,tệp 1) 66

Hình 5.3: Tỉ lệ thời gian phản ứng tối đa sau khi áp dụng giải thuật của các tệp dữ liệu từ 1 tới 4 67

DANH MỤC BẢNG

Bảng 1.1: Các nhóm công việc được phân chia khi áp dụng giải thuật[12] 7

Bảng 2.1: So sánh cấu trúc tập trung và phi tập trung[8] 17

Bảng 2.2: Tổng quan các giải thuật tránh va chạm 23

Bảng 3.1: Phân loại các kiểu dữ liệu xấu[24] 34

Bảng 3.2: Chuỗi Markov 96 trạng thái với 100 công việc trong quá khứ 45

Bảng 5.1: Chuỗi delay_task của các tệp 1, 2, 3, 4 61

Bảng 5.2: Bố trí mô hình mô phỏng 1 62

Bảng 5.3: Bố trí mô phỏng 2 63

Bảng 5.4: Thời gian phản hồi trung bình khi không áp dụng giải thuật 64

Bảng 5.5: Thời gian phản hồi trung bình khi áp dụng giải thuật 64

Bảng 5.6: Tỉ lệ thời gian phản hồi trung bình sau và trước khi áp dụng giải thuật 65

Bảng 5.7: Tỉ lệ thời gian phản hồi tối đa 66

Bảng 5.8: Thời gian phản hồi trung bình của AGV khi chưa áp dụng giải thuật 67

Bảng 5.9: Thời gian phản hồi trung bình khi áp dụng giải thuật 68

Bảng 5.10: Tỉ lệ thời gian phản hồi trung bình của AGV 68

𝑛 Tổng số Workstation 𝑨 Tập hợp các đoạn đường 𝑎𝑖

𝑎𝑖 Đoạn đường được hình thành từ 2 điểm liền kề nhau trên sa bàn m Tổng số đoạn đường

Adj_plot Ma trận thể hiện tính liền kề giữa các node

Adj Ma trận thể hiện khoảng cách giữa các node liền kề 𝑘𝑖

Biểu diễn sự liền kề của 2 điểm Workstation thông qua giá trị: 1 là liền kề, 0 là không liền kề

Φ Ma trận góc mô tả hướng của AGV khi di chuyển giữa các Workstation

𝑣𝑖 Ma trận biểu diễn các trạng thái, thông số của AGV thứ i 𝑝𝑖 Vị trí của AGV

𝜑𝑖 Góc tuyệt đối của AGV so với sa bàn

𝑚𝑖 Nhiệm vụ của AGV mà hệ thống đang giao, trong đó có quỹ đạo mà AGV phải di chuyển

𝐴𝑠𝑡𝑡𝑖 Trạng thái vận chuyển của AGV, bao gồm: rảnh rỗi, đang di chuyển, đang nâng kiện hàng, đang hạ kiện hàng

𝐺𝑠𝑡𝑡𝑖 Trạng thái mang hàng của AGV, bao gồm: đang có tải và không có tải 𝑂𝑥𝐼𝑦𝐼 Hệ trục toạ độ gắn với mặt đất

𝑂𝑥𝑟𝑦𝑟 Hệ trục toạ độ gắn với AGV

𝜃 Góc lệch giữa 2 hệ toạ độ gắn với mặt đất và gắn với AGV A Tâm đường nối giữa 2 bánh xe truyền động

R Bán kính mỗi bánh xe

L Khoảng cách giữa tâm 2 bên bánh xe

𝑣 Vận tốc tịnh tiến của AGV trong hệ trục tọa độ gắn liền với robot 𝜔 Vận tốc góc của AGV trong hệ trục tọa độ gắn liền với robot

𝑣𝑅 Vận tốc tịnh tiến của tâm bánh xe bên phải của AGV trong hệ trục tọa độ gắn liền với robot

𝑣𝐿 Vận tốc tịnh tiến của tâm bánh xe bên trái của AGV trong hệ trục tọa độ gắn liền với robot

P Điểm tham chiếu mà AGV phải bám theo 𝑃𝑡 Vị trí của điểm tham chiếu

𝑉𝑡 Vận tốc của điểm tham chiếu 𝑡90 Thời gian AGV xoay tại chỗ 90° 𝑡180Thời gian AGV xoay tại chỗ 180° 𝑙𝐴𝐺𝑉 Chiều dài AGV

𝑟𝐴𝐺𝑉 Chiều rộng AGV

CHƯƠNG 1: TỔNG QUAN

1.1 Giới thiệu vấn đề

1.1.1 Giới thiệu hệ thống AGV trên thế giới và ở Việt Nam

AGV là viết tắt cho cụm từ Automated Guided Vehicle, một phương tiện vận chuyển hàng hoá không người lái Tập hợp nhiều AGV được gọi là AGV và thuật ngữ này được giới thiệu lần đầu tiên vào năm 1955 [1] Khi AGV hoạt động cùng với nhau thực hiện công việc vận chuyển hàng hoá từ địa điểm này đến địa điểm khác thông qua mạng lưới giao thông thì chúng là một phần của hệ thống AGV Ngoài ra, hệ thống AGV còn có các thành phần khác như hệ thống điều khiển, hệ thống định vị, hệ thống sản xuất, lưu trữ,… [1]

Hình 1.1: Hệ thống AGV của SWISSLOG[2]

Báo cáo của Grand View Reseach [3] cho thấy thị trường AGV vào năm 2022 có giá trị 4,28 tỉ USD trên toàn thế giới và tỉ lệ tăng trưởng kép được kỳ vọng là 9,7% từ năm 2023 tới năm 2030 Trong 3 năm từ 2021 đến 2023, đã có nhiều doanh nghiệp ở nhiều ngành đã áp dụng hệ thống AGV vào hệ thống của họ Năm 2021, công ty AUDI AGV, một công ty sản xuất ô tô đã áp dụng AGV trong hệ thống sản xuất Cùng năm đó, công ty OTSAW Digital Pte.Ltd phát triển AGV để phục vụ cho mục đích chăm sóc sức khoẻ các bệnh nhân Vào năm 2022, một công ty bán lẻ tên là SAVE MART SUPER MARKET đã mở rộng khu vực giao hàng của mình khi sử dụng AGV của công ty Starship Trong thời gian gần đây, vào tháng 3 năm 2023, Swisslog Holding AGV đã giới thiệu phiên bản mới của hệ thống CarryPick, hệ thống di động lấy hàng và lưu trữ đến người với tính năng hướng dẫn xe chở hàng tự động

Vào tháng 12 năm 2022, Daifuku Co Ltd, một nhà sản xuất hàng đầu về giải pháp xử lý tự động, đã thông báo về việc xây dựng một nhà máy mới tại Hyderabad – Telangana - Ấn Độ, nhằm sản xuất các giải pháp kho tự động, băng tải, hệ thống xe hướng dẫn theo dõi đường ray, bộ sắp xếp, và nhiều hệ thống khác Trong tháng 10 năm 2022, Seegrid Corporation đã tuyên bố mối quan hệ chiến lược với Koops Automation Systems, tạo điều kiện cho Koops để nâng cao danh mục sản phẩm dịch vụ doanh nghiệp của họ bằng cách tích hợp giải pháp doanh nghiệp Fleet CentralTM và robot di động tự động Seegrid PalionTM Bastian Solutions, Inc., công ty logistics thuộc sở hữu của Toyota, đã giới thiệu giải pháp chọn lựa tự động SmartPick tại sự kiện PACK EXPO International vào tháng 9 năm 2022 Trong tháng 9 năm 2022, JBT Corporation đã mua lại Bevcorp để phát triển một mô hình kinh doanh chắc chắn, với 60% doanh thu định kỳ Cũng vào tháng 9 năm 2022, Toyota Material Handling Japan (YMHJ), một phần của TOYOTA INDUSTRIES CORPORATION, đã ra mắt công nghệ mới về xe nâng tự động sử dụng trí tuệ nhân tạo để tự động nhận diện vị trí và địa điểm của xe nâng, từ đó tạo ra tuyến đường di chuyển tự động cho quá trình xếp hàng

Trên đây chỉ là một vài ví dụ về ứng dụng của AGV trong các ngành khác nhau Hệ thống AGV được áp dụng rộng rãi trong nhiều ngành công nghiệp khác nhau như sản xuất, logistics, ô tô, chăm sóc sức khoẻ, thực phẩm vì khả năng nâng cao năng suất, giảm thiểu chi phí và khả năng thúc đẩy quy trình tự động hoá, công nghiệp hoá Khi các doanh nghiệp nhận ra được quá trình công nghiệp hoá tự động hoá là xu hướng phát triển, nhu cầu phát triển các giải pháp xử lý vật liệu và vận chuyển sẽ tăng theo và đây chính là cơ hội phát triển của thị trường AGV

Hình 1.2: AGV của Starship[4]

Việt Nam thuộc khu vực châu Á – Thái Bình Dương, đây là khu vực có tốc độ phát triển thị trường lớn nhất[3] Nhưng thị trường AGV ở Việt Nam không phát triển vì nền công nghiệp ở đây còn non trẻ Nền công nghiệp của Việt Nam đang gặp rất nhiều thách thức, phụ thuộc vào vốn đầu tư nước ngoài, công nghệ kém, sản phẩm kém chất lượng và năng suất lao động thấp[5]

Mặc dù gặp nhiều thách thức và khó khăn nhưng Việt Nam định hướng phát triển theo hướng công nghiệp hoá, hiện đại hoá, mục tiêu tới năm 2030 cơ bản trở thành nước công nghiệp theo hướng hiện đại[5] Xu hướng tự động hoá, hiện đại hoá sẽ kéo theo sự phát triển các giáp pháp vận chuyển và xử lý vật liệu Vậy nên đây sẽ là một cơ hội để phát triển thị trường AGV ở Việt Nam Tại đây đã có một số công ty bắt đầu nghiên cứu phát triển AGV như IDEA group, INTECH group, ESATECH,… Các công ty này đã có các sản phẩm AGV và các hệ thống AGV hoàn thiện, góp phần phát triển thị trường ở Việt Nam

Hình 1.3: ESATECH AGV và IDEA AGV[6] [7]

Từ những lý do trên, có thể thấy thị trường AGV ở Việt Nam có tiềm năng phát triển theo xu hướng tự động hoá, hiện đại hoá của đất nước Góp phần hỗ trợ quá trình nâng cấp từ quy trình sản xuất thủ công sang bán tự động và tự động Vì thế hướng nghiên cứu hệ thống AGV được lựa chọn

1.1.2 Các nhiệm vụ cơ bản và vấn đề tồn đọng của hệ thống AGV

Trong hệ thống AGV sẽ bao gồm 5 nhiệm vụ chính[8]: phân phối công việc, xác định đường đi, lập kế hoạch di chuyển, định vị và quản lý phương tiện Các công việc sẽ được hệ thống điều khiển phân phối cho các AGV trong trạng thái rảnh rỗi, sau đó chọn ra một con đường để vận chuyển hàng hoá

Trong quá trình vận chuyển, để tránh va chạm và kẹt cứng thì hệ thống cần phải hoàn thành tốt nhiệm vụ lập kế hoạch chuyển động cho tới khi AGV hoàn thành công việc được giao Trong lúc AGV đang vận hành thì các thành phần khác nhau trong hệ thống sẽ đảm nhiệm nhiệm vụ định vị và quản lý phương tiện

Hình 1.4: Quy trình làm việc chung của hệ thống AGV[8]

Dựa theo quy trình làm việc chung của hệ thống AGV được trình bày ở [8], sau khi AGV hoàn thành công việc, nó sẽ tiếp tục nhận công việc mới và lặp lại quy trình Trong trường hợp AGV không có được hệ thống điều khiển giao nhiệm vụ ngay tức khắc thì AGV sẽ chuyển về trạng thái rảnh[1] Lúc này, hệ thống điều khiển ra lệnh cho AGV đến một vị trí để đỗ và chờ công việc tiếp theo được phân phối Để giảm thời gian hàng hoá đợi AGV di chuyển từ vị trí đỗ tới địa điểm lấy hàng, vị trí đỗ của AGV cần được lựa chọn cân nhắc

Với lý do trên, đã có nhiều nghiên cứu và tiêu chí đánh giá để lựa chọn một vị trí bãi đỗ AGV hợp lý, nhằm giảm thiểu thời gian phản hồi của các AGV qua đó gián tiếp giảm thời gian hoàn thành nhiệm vụ Những cách giải quyết tiếp cận theo phương diện thống kê, tạo ra các chương trình linh hoạt hoặc dùng mô hình chuỗi Markov Các phương pháp trên khi ứng dụng cho các hệ có số lượng AGV cố định thì có thể xử lý được nhưng khi hệ thống AGV trở nên lớn và phức tạp thì cần có những giải thuật hiệu quả hơn để xử lý vấn đề[1]

Bên cạnh đó, theo dòng lịch sử, con người đã phát minh ra nhiều loại công cụ để xử lý các công việc đơn giản hơn Những công cụ này giúp con người thoả mãn các nhu cầu trong đời sống, bao gồm di chuyển, các ngành công nghiệp và tính toán Máy học là một trong số chúng[9] Đã có những nghiên cứu ứng dụng máy học để xác định vị trí đỗ AGV nhằm giảm thời gian hoàn thành nhiệm vụ

1.2 Các công trình nghiên cứu liên quan

Vào năm 1993, Egbelu đã chỉ ra rằng có rất nhiều nghiên cứu tập trung vào vấn đề thiết kế và điều khiển nhưng vấn đề xác định vị trí đỗ cho AGV lại được ít chú ý hơn so với các hướng nghiên cứu khác Trong nghiên cứu này, ông đã chỉ ra 3 hướng tiếp cận để giải quyết vấn đề: giảm thiểu thời gian phản hồi lớn nhất của hệ AGV, giảm thiểu thời gian phản hồi trung bình của hệ AGV và phân phối vị trí đỗ của các AGV đều trên khu vực hoạt động[10] Ngoài ra, có 3 nguyên tắc đỗ được nhắc đến đó là: nguyên tắc đỗ tập trung, nguyên tắc đỗ vòng lặp và nguyên tắc đỗ tại chỗ[10] Hình 1.5 mô tả một hệ thống AGV với bố cục vòng lặp, trong hệ thống này bao gồm một đường đi khép kín qua các trạm làm việc được đánh số từ 1 tới 10

Hình 1.5: Một hệ thống AGV với bố cục vòng lặp[10]

Khi áp dụng nguyên tắc đỗ tập trung, một khu vực sẽ được chọn để các AGV rảnh quay về Khi chọn nguyên tắc này, không quan trọng AGV đang ở đâu, AGV chuyển trạng thái từ làm việc sang rảnh rỗi sẽ quay về khu vực tập trung Trong trường hợp hệ thống AGV áp dụng nguyên tắc đỗ vòng lặp, trong hệ thống sẽ có một hoặc nhiều vòng lặp được xác định, khi AGV đổi trạng thái sẽ quay về một trong các vòng lặp này đợi tới khi được giao nhiệm vụ mới Còn khi áp dụng nguyên tắc đỗ tại chỗ, các AGV sau khi hoàn thành công việc sẽ đỗ ngay tại vị trí giao hàng và đợi tới khi nhận nhiệm vụ mới, nhưng có thể gây ra tình trạng kẹt cứng vì AGV rảnh chặn đường đi của AGV khác[1], [10]

Egbelu[10] nghiên cứu quy tắc đỗ vòng lặp Trong nghiên cứu này ông xem mọi vòng lặp đều tương đương với một bố cục hình tròn Khi tiếp cận theo hướng này, khoảng cách giữa các trạm làm việc không còn tính theo khoảng cách mà tính theo độ lớn của cung tròn Có 4 mô hình được giới thiệu, trong đó có hai mô hình đơn phương tiện, xem xét AGV di chuyển theo một hướng và hai hướng, hai mô hình còn lại xem xét trường hợp đa phương tiện và các phương tiện này di chuyển theo một chiều và hai chiều Nguyên lý cơ bản của các giải thuật được đề ra trong nghiên cứu này dựa trên mô hình toán, tính toán khoảng cách giữa các trạm theo độ lớn của cung tròn, chọn khoảng cách cung lớn nhất và chọn vị trí đỗ hợp lý sao cho giảm đi thời gian phản ứng tối đa của các phương tiện Hình 1.6 mô tả cách Egbelu xem xét đường đi khép kín ngẫu nhiên (a) tương đương với một đường tròn (b) Độ dài đường đi ở bố cục (a) bằng với chu vi đường tròn bán kính r ở bố cục (b)

Hình 1.6: Bố cục ngẫu nhiên(a) và bố cục tròn tương đương(b)[10]

Kim[11] nghiên cứu về vị trí đỗ dựa trên nguyên tắc đỗ vòng lặp, mục tiêu hướng tới đó là giảm thời gian phản hồi trung bình của hệ AGV Nguyên tắc cốt lõi mà Kim dùng tương tự với Egbelu, phân tích một vòng lặp thành bố cục đường tròn, được mô tả như trong hình 1.6 Sự khác biệt mà Kim mang tới đó là Kim xác lập công thức cho thời gian phản hồi trung bình từ một trạm làm việc tới các trạm làm việc khác Sau đó kiểm tra các giá trị thời gian phản hồi trung bình khi thay đổi vị trí đỗ Lúc này, thời gian phản hồi trung bình nhỏ nhất sẽ được chọn

Với cách tiếp cận tương tự như Kim, Lee và Ventura[12] nghiên cứu một mô hình động nhằm quy hoạch chỗ đỗ và hướng tới giảm thời gian phản hồi trung bình Ở đây, Lee và Ventura phát triển một thuật toán lập trình động để xác định các điểm dừng cho AGV trong vòng lặp đơn hướng và đa hướng, đồng thời giảm thiểu thời gian phản hồi trung bình có trọng số Thuật toán này phân chia các trạm làm việc thành các nhóm nhỏ hơn sao cho một AGV duy nhất phục vụ tất cả các trạm trong nhóm Dưới đây là ví dụ khi áp dụng thuật toán này Hình 1.7 mô tả bố cục làm việc của hệ thống AGV được áp dụng trong [12] Đây là một bố cục khép kín gồm 8 trạm làm việc Các công việc được chia vào 4 nhóm A, B,C,D với tính chất khác nhau Mỗi nhóm công việc được xác định một điểm đỗ trên đường đi sao cho thời gian phản hồi trung bình thấp nhất Mỗi AGV chỉ phục vụ một số trạm nhất định

Hình 1.7: Vị trí các điểm đỗ và trạm làm việc được[12]

Bảng 1.1: Các nhóm công việc được phân chia khi áp dụng giải thuật[12] LOẠI CÔNG VIỆC CÔNG VIỆC/GIỜ ĐƯỜNG ĐI

Montoya-Torres[13] và các cộng sự đề xuất một công thức quy hoạch tuyến tính theo số nguyên để xử lý vấn đề thay vì sử dụng phương pháp tương tự hoá các vòng lặp thành bố cục hình tròn Mạng lưới giao thông được chia thành các khu vực và một số lượng AGV được sắp xếp vào trong các khu vực đó nhằm tối ưu thời gian phản hồi của hệ thống AGV Các thông tin về nhu cầu vận chuyển trong khu vực và cũng như hành vi của AGV được tổng hợp lại và dùng quy hoạch tuyến tính theo số nguyên để xử lý Mục tiêu của cách tiếp cận này là giảm thời gian phản hồi lớn nhất của AGV Trong đề tài của mình, Montoya – Torres và các cộng sự đã giới thiệu một bố cục nhà xưởng như hình 1.8 Nhà xưởng có kích thước 150×40(m2), được chia thành 5 vùng từ vùng 1 tới vùng 5 Mỗi vùng có một số lượng AGV nhất định hoạt động trong vùng đó Tuỳ thuộc vào tình trạng và nhu cầu công việc của mỗi vùng mà số lượng AGV được sắp xếp trong mỗi vùng được chọn sao cho phù hợp nhất

Hình 1.8: Mạng lưới giao thông được chia thành các khu vực nhỏ hơn[13]

Các công trình nghiên cứu trên có điểm chung là nhắm tới giảm thiểu thời gian phản hồi tối đa hoặc là giảm thiểu thời gian phản hồi trung bình của hệ thống AGV Từ những nghiên cứu từ ngày đầu của Egbelu và Kim [10], [11] xem xét các vòng lặp như những bố cục hình tròn, Ventura[12] ứng dụng giải thuật động nhằm chọn vị trí đỗ AGV sao cho hợp lý tới Montoya-Torres[13] dùng phương pháp quy hoạch tuyến tính với số nguyên, đã có một sự phát triển trong các công cụ được ứng dụng để giải quyết vấn đề và những vấn đề không còn chỉ xem xét ở các mặt bằng vòng lặp đơn giản mà đã mở rộng ra đến những mạng lưới giao thông phức tạp trong ngành sản xuất Mặc dù vậy nhưng hướng tiếp cận này vẫn có những yếu điểm khi ứng dụng vào những mạng lưới giao thông phức tạp hơn, và số lượng AGV tăng lên sẽ dẫn tới gánh nặng về phần cứng Vậy nên cần hướng tiếp cận mới để giảm tải công việc cho phần cứng

Ventura[14] tìm hướng giải quyết vấn đề cho một mạng lưới giao thông phổ thông Công cụ được áp dụng đó là quy hoạch tuyến tính với hỗn hợp số nguyên cho 3 hướng tiếp cận: giảm thiểu thời gian phản hồi trung bình, giảm thiểu thời gian phản hồi tối đa, và giảm thiểu thời gian phản hồi tối đa khi có ràng buộc về thời gian phản hồi của xe Để hỗ trợ cho việc tính toán khi mạng lưới giao thông càng phức tạp thêm và tăng thêm số lượng xe thì Ventura đã đề xuất một thuật toán di truyền có thể áp dụng vào 3 hướng tiếp cận trên

○: Trạm giao/nhận hàng hoá □: Giao điểm của các đường đi

Hình 1.9: Hệ thống giao thông dạng lưới 6×7 (30 trạm) và 5×7 (35 trạm)[14]

Ventura có thiết kế mô phỏng trên mạng giao thông có dạng lưới, di chuyển hai chiều, mục tiêu là giảm thiểu thời gian phản hồi trung bình và thời gian phản hồi tối đa của hệ thống AGV Kết quả công bố cho thấy thuật toán di truyền có độ sai lệch so với tính toán thông thường dưới 2% và cho thấy tiềm năng của giải thuật này Mạng giao thông dạng lưới được mô tả như hình 1.9, bao gồm hai trường hợp là 30 trạm (trái) và 35 trạm (phải)

Hình 1.10:Ví dụ về mức thời gian phản hồi của khu vực m và k[15]

Ngoài thuật toán di truyền, công cụ máy học được áp dụng trong [15] Các tác giả giới thiệu một mô hình dự đoán để áp dụng vào một hệ thống xử lý vật liệu để xác định vị trí đỗ hợp lý Môi trường sản xuất được chia thành nhiều khu vực, mỗi khu vực có một nhu cầu vận chuyển khác nhau, nhu cầu vận chuyển này sẽ được dự đoán mỗi 15 phút Các tác giả nhắm tới một mô hình dự đoán chính xác nhằm loại bỏ các hiệu ứng phụ ảnh hưởng tới hiệu suất của hệ thống Từ yêu cầu trên, giải thuật máy học -phân loại đa nhiệm vụ - chuỗi tạo chuỗi được lựa chọn để xác định vị trí đỗ cho các phương tiện

Áp dụng giải thuật này, dữ liệu đo đạc nhu cầu vận chuyển trong các khu vực được thu thập, sau đó được xử lý dữ liệu Dữ liệu được xử lý này được phân thành nhóm, tiếp theo đó được dùng để dự đoán và điều chỉnh hành vi các phương tiện Hình 1.10 thể hiện về quy trình xử lý Trong hình 1.10, phân tích hai khu vực m và k trong toàn bộ bố cục Mỗi khu vực có thời gian chuyển giao chậm trễ trong 3 tuần được thống kê lại Đây là bước đầu tiên trong quy trình giải quyết được trình bày ở hình 1.11 Sau đó các dữ liệu này được xử lý, áp dụng hàm log để giảm thiểu sự sai lệch giữa các dữ liệu Những dữ liệu được xử lý này sẽ được phân loại bằng giải thuật K – mean Bước cuối cùng sẽ là dự đoán số lượng yêu cầu dỡ hàng ở các khu vực

Hình 1.11:Quy trình giải quyết vấn đề của giải thuật[15]

Một nghiên cứu khác ứng dụng công cụ máy học vào có thể kể tới nghiên cứu của Dong Li và cộng sự[16] giới thiệu một mô hình dự đoán nhu cầu vận chuyển tương lai, xác định vị trí để đưa AGV tới để giảm thời gian phản hồi Trong nghiên cứu này Dong Li đã dùng một mạng RNN để dự đoán nhiệm vụ trong tương lai dựa trên các dữ liệu đã thu thâp từ trước Giải thuật này được chứng minh sự đúng đắn trên 4 mạng lưới giao thông khác nhau trong hình 1.13 và hiệu suất được cải thiện tới 20-30%

Hình 1.12: 2 trong 4 sa bàn được áp dụng để kiểm chứng giải thuật

Từ năm 1993 khi Egbelu[10] nghiên cứu về vấn đề vị trí đỗ của các phương tiện trong hệ thống AGV tới nay, đã có một sự thay đổi về mục tiêu tiếp cận, các đối tượng và các công cụ để giải quyết vấn đề Các mục tiêu tiếp cận ban đầu là hạn chế thời gian phản hồi trung bình, thời gian phản hồi tối đa và phân bố đều AGV trong mạng lưới giao thông [10] Qua thời gian phát triển, các mục tiêu được xác định trong các trường hợp cụ thể và có thêm điều kiện ràng buộc như ở [13] Mặt khác, các đối tượng trong các nghiên cứu cũng có sự khác biệt Mạng lưới giao thông không còn là dạng bố cục vòng lặp[10], [11], [12], [17] mà ngày càng phức tạp và đa dạng [14], [15], [16] Các công cụ dùng để tiếp cận và xử lý vấn đề ngày càng tân tiến, những công cụ ban đầu sử dụng các công cụ toán, xem xét bố cục vòng lặp như một đường tròn [10], [11], [12], [17]

Khi mạng lưới giao thông ngày càng phát triển, các công trình nghiên cứu áp dụng các phương pháp tiếp cận mạnh mẽ hơn như quy hoạch động[12], [13] để xác định vị trí đỗ phù hợp với sự biến thiên của nhu cầu vận chuyển Nhưng các công cụ toán học vẫn có nhược điểm đó là khi các hệ thống càng phức tạp, mạng lưới giao thông càng lớn, số lượng phương tiện tăng lên dẫn đến khối lượng tính toán càng nhiều Vì thế nên các công cụ mới như máy học, thuật toán di truyền được áp dụng để giải quyết các vấn đề này[14], [15], [16]

1.3 Hướng ứng dụng thực tế, mục tiêu, phạm vi đề tài và nội dung luận văn

1.3.1 Hướng ứng dụng thực tế

Hệ thống AGV được ứng dụng vào rất nhiều mảng trong đời sống, từ sản xuất cho đến y tế, từ lưu trữ cho đến chuỗi cung ứng và các mảng xử lý vật liệu cũng như là quy trình vận hành[1] Khi áp dụng hệ thống AGV, không thể nào không tính đến một chiến lược đỗ và quy hoạch khu vực đỗ cho các AGV Trung tâm điều khiển của hệ thống AGV thông qua các giải thuật để ra quyết định vài giải quyết vấn đề này Mặt khác, khi số lượng công việc tăng lên và hệ thống ngày càng phức tạp thì các chiến lược đỗ cần phải linh hoạt hơn để phù hợp với hệ thống Đề tài tập trung vào chiến lược đỗ tại chỗ, kết hợp với máy học để hỗ trợ trung tâm điều khiển xác định vị trí phù hợp cho AGV

Đề tài có thể được áp dụng vào lĩnh vực sản xuất, trong dây chuyền sản xuất gồm nhiều công đoạn, mỗi công đoạn cần các vật liệu và các chi tiết Hệ thống AGV làm công việc vận chuyển sản phẩm giữa các giai đoạn và cung cấp vật liệu cần thiết Áp dụng máy học, hệ thống trung tâm điều khiển dự đoán được mặt hàng, vật liệu cần xử lý trong công đoạn tiếp theo hoặc dự đoán thời gian xử lý công đoạn tiếp theo Thông qua đó trung tâm điều khiển xác định được vị trí đỗ hợp lý cho AGV Thông qua cách xử lý như trên, đề tài vận dụng công cụ máy học để giảm thời gian phản hồi của AGV, từ đó gián tiếp giảm thời gian chết giữa các công đoạn trong dây chuyền sản xuất

Một lĩnh vực khác cũng áp dụng hệ thống AGV rất là nhiều đó là hệ thống kho bãi, vận tải và chuỗi cung ứng Trong lĩnh vực này, có nhiều trạm vận tải và trung chuyển hàng hoá khác nhau, và hệ thống AGV đóng vai trò vận chuyển hàng hoá giữa các trạm này Khi áp dụng máy học, người dùng có thể xem xét xu hướng của hàng hoá trong hệ thống lưu trữ hoặc là nhu cầu hàng hoá của các trạm trung chuyển và vận chuyển Thông qua những dữ liệu đã được phân tích và xử lý bởi máy học, trung tâm điều khiển sẽ ra quyết định để có một chiến lược đỗ phù hợp

Trên đây là hai trong số các ứng dụng của đề tài Đề tài tập trung vào việc giảm thiểu thời gian giữa các khâu trong quy trình hoạt động Bằng cách sử dụng máy học nhằm cung cấp thêm thông tin cho trung tâm điều khiển, thông qua đó sẽ ra quyết định xác định vị trí và chiến lược đỗ hợp lý cho các AGV

Đề tài cân nhắc một trong hai hướng ứng dụng thực tế được nêu trên và xác định hướng ứng dụng trong lĩnh vực Logistic để áp dụng Trong lĩnh vực Logistic, ngoài loại hình giao thương truyền thống, thương mại điện tử đã được giới thiệu[18] và đi kèm theo đó là sự phát triển của các nhà kho bán lẻ Đề tài xem xét các thông tin về kho vận của nhà bán lẻ lớn trên thế giới là Amazon[19] và xem xét giải pháp dành cho nhà kho bán lẻ của Swisslog[20] để xem xét các mô hình hình nhà kho bán lẻ đã và đang ứng dụng trong thực tế Ngoài ra, đề tài tham khảo về mô hình nhà kho trong các nghiên cứu [21], [22], [23], [24] Thông qua các ví dụ thực tế và các nghiên cứu liên quan, đề tài xác định nhà kho được áp dụng là dạng bàn cờ

1.3.2 Mục tiêu đề tài

Đề tài chọn hướng nghiên cứu về hệ thống AGV vì tiềm năng của hệ thống AGV trong thời kỳ công nghiệp hoá hiện đại hoá ở Việt Nam cũng như trên thế giới, được nêu trong mục 1.1.1 Mặt khác, khi xem xét tổng quan hệ thống AGV, nhận ra được tầm quan trọng của việc xác định vị trí đỗ trong quy trình vận hành, ảnh hưởng tới thời gian hoàn thành nhiệm vụ ở mục 1.1.2 và các công trình nghiên cứu liên quan trong mục 1.2

Thông qua các nghiên cứu liên quan ở mục 1.2, tác giả nhận thấy rằng quy tắc đỗ tại chỗ có những điểm mạnh riêng so với quy tắt đỗ tập trung và đỗ vòng lặp Điểm yếu của quy tắc này là khi AGV dừng đỗ một chỗ thì có khả năng gây ra ùn tắc[1] Một mặt khác khi xem xét các hướng ứng dụng thực tế được trình bày như mục 1.3.1, và mô hình nhà kho được áp dụng là dạng bàn cờ thì tác giả nhận thấy rằng nhược điểm của quy tắc đỗ tại chỗ có thể được xử lý nếu chọn loại phương tiện hợp lý, sẽ được trình bày trong mục 2.3 Ngoài ra, nhận thấy rằng các nhà kho bán lẻ có tính mùa vụ và có thể dự đoán được mặt hàng được buôn bán dựa theo các dữ liệu đã lưu [16] Bởi vì các lý do trên tác giả định nghĩa xác định vị trí đỗ cho AGV là xem xét với từng AGV, sử dụng mô hình đưa ra kết quả dự đoán kệ hàng hoá được vận chuyển trong tương lai, sau đó cho AGV áp dụng quy tắc đỗ tại chỗ tại vị trí của nút chứa kệ hàng đó

Thông qua những nghiên cứu tổng quan trên, đề tài xác định mục tiêu như sau: - Xem xét tổng quát lý thuyết của hệ thống AGV, cách vận hành và mô phỏng hệ

- Đối tượng nghiên cứu của đề tài là hệ thống AGV trong mạng lưới giao thông dạng bàn cờ trước và sau khi áp dụng giải thuật xác định vị trí đỗ

- Đề tài nghiên cứu trong môi trường mô phỏng của MATLAB

- Đề tài xem xét các yếu tố có thể ảnh hưởng tới quá trình vận hành hệ thống AGV và đánh giá mức độ ảnh hưởng của chúng lên hệ thống trước và sau khi áp dụng giải thuật

1.3.4 Nội dung luận văn

Để phù hợp với mục tiêu và phạm vi của đề tài, nội dung của luận văn sẽ được chia như sau:

- Chương 1: TỔNG QUAN trình bày về vấn đề, các công trình nghiên cứu liên quan cũng như mục tiêu, phạm vi của đề tài.dsx

- Chương 2: CƠ SỞ LÝ THUYẾT VÀ MÔ HÌNH HOÁ HỆ THỐNG AGV sẽ trình bày về cấu trúc của hệ thống AGV Sau đó xác định những thành phần nào sẽ được tập trung chú ý đến trong đề tài Tiếp theo đó là trình bày về cách mô phỏng hệ thống AGV trong môi trường MATLAB

- Chương 3: MÔ HÌNH DỰ ĐOÁN VÀ GIẢI THUẬT TÍNH TOÁN trình bày về các giải thuật và phân loại mô hình dự đoán Tầm quan trọng của dữ liệu và cách xử lý dữ liệu cũng được trình bày ở đây Bước tiếp theo là xác định loại mô hình dự đoán được áp dụng trong đề tài và huấn luyện mô hình dự đoán

- Chương 4: PHÁT TRIỂN THUẬT TOÁN XÁC ĐỊNH VỊ TRÍ ĐỖ CHO AGV BẰNG MÔ HÌNH ĐỀ XUẤT xem xét tổng quan quy trình làm việc của toàn bộ hệ thống AGV Xem xét quy trình làm việc của hệ thống AGV trong môi trường mô phỏng MATLAB Đề xuất thuật toán, và xác định quy trình làm việc của hệ thống AGV trong môi trường MATLAB sau khi áp dụng thuật toán

- Chương 5: MÔ PHỎNG VÀ KẾT QUẢ ĐẠT ĐƯỢC trình bày về cách thức mô phỏng tìm ra sự ảnh hưởng của giải thuật, số lượng nhiệm vụ và số lượng AGV ảnh hưởng tới quá trình vận hành của hệ thống Thông qua kết quả đạt được này để xem xét mức độ ảnh hưởng của mô hình dự đoán lên quá trình vận hành của hệ thống AGV

- Chương 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN tổng kết những gì đề tài đã đạt được và hướng phát triển

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ MÔ HÌNH HOÁ HỆ THỐNG AGV

2.1 Các thành phần trong hệ thống AGV

Hệ thống AGV bao gồm nhiều thành phần kết hợp với nhau và có nhiều thuật toán, quy tắc được áp dụng để đảm bảo quy trình làm việc được mượt mà Khi thết kế hệ thống AGV cần đảm bảo những yếu tố và các vấn đề vận hành[1] như: mạng lưới giao thông, quản lý giao thông (dự đoán và tránh va chạm cũng như kẹt cứng), số lượng và vị trí các điểm giao – nhận, yêu cầu về phương tiện, phân bổ nhiệm vụ, xác định tuyến đường di chuyển, lên kế hoạch di chuyển, vị trí đỗ, quản lý năng lượng và quản lý các lỗi

Mặt khác, thay vì tiếp cận hệ thống AGV theo các vấn đề cần giải quyết như trên thì có thể phân chia hệ thống AGV thành các thành phần nhỏ hơn như phương tiện, hệ thống vận chuyển, giao diện vật lý giữa hệ thống sản xuất/lưu trữ và hệ thống điều khiển[1] Mỗi thành phần đều có chức năng riêng của chúng và ảnh hưởng tới vận hành hệ thống AGV

Khi phân chia hệ thống AGV thành các thành phần nhỏ hơn, bao gồm cả phần mềm và phần cứng sẽ có rất nhiều yếu tố ảnh hưởng Do đó để giảm thiểu khối lượng tính toán và vẫn giữ được tính tổng quát, ta xem xét hệ thống AGV bao gồm hệ thống điều khiển, các thành phần thực thi nhiệm vụ ở đây là AGV và các đối tượng không thể thiếu đó là đường dẫn các trạm giao nhận thuộc mạng lưới giao thông

Để thực hiện được mục tiêu đề ra ở mục 1.3.2, đề tài nghiên cứu cấu trúc của hệ thống AGV, các đặc tính và chức năng của các thành phần này nhằm làm cơ sở cho mô hình hoá và mô phỏng hợp lý.Các mục phía sau sẽ đi sâu vào hệ thống điều khiển, phương tiện và mạng lưới giao thông của hệ thống AGV Sau khi tìm hiểu về các thành phần trong hệ thống AGV, tác giả sẽ xem xét những điều kế thừa và những điều khác biệt khi áp dụng vào đề tài

2.2 Cấu trúc và vai trò của hệ thống điều khiển

Theo [8] có hai cách điều khiển hệ thống AGV, đó là điều khiển tập trung và phi tập trung Điều khiển phi tập trung được cho là xu hướng phát triển của hệ thống AGV khi khoả lấp được những hạn chế của điều khiển tập trung trong hệ thống sản xuất linh hoạt Nhưng điều khiển phi tập trung không hoàn toàn tốt hơn điều khiển tập trung ở mọi trường hợp, trong các hệ thống nhỏ hệ thống điều khiển tập trung sẽ tối ưu hơn, đây là lý

do chính để áp dụng cấu trúc điều khiển tập trung vào mô hình hệ thống AGV nhằm chứng minh tính đúng đắn của giả thuyết Hình 2.1 mô tả hai cách tiếp cận và bảng 2.1 so sánh hai cấu trúc điều khiển [8]

Hình 2.1: Cấu trúc tập trung (trái) và cấu trúc phi tập trung (phải)[8] Bảng 2.1: So sánh cấu trúc tập trung và phi tập trung[8]

CẤU TRÚC TẬP TRUNG CẤU TRÚC PHI TẬP TRUNG

Ứng dụng lâu đời trong công nghiệp Khó thực hiện trong công nghiệp Có các thuật toán nổi tiếng Có các thuật toán nổi tiếng Truy cập được vào thông tin toàn cầu Truy cập vào thông tin nội bộ

2.2.1 Nhiệm vụ phân bổ công việc

Phân bổ công việc là một trong những nhiệm vụ khó khăn nhất khi vận hành một hệ thống AGV Khi thực hiện nhiệm vụ này, mục tiêu của hệ thống điều khiển là phân bổ công việc cho các AGV sao cho tổng chi phí vận hành thấp nhất có thể Với các hệ thống AGV ngày càng lớn và phức tạp, số lượng công việc và số lượng AGV tăng lên đồng nghĩa với các phương án giải quyết nhiệm vụ phân bổ công việc cũng tăng lên và không có một thuật toán hiệu quả nào phân bổ công việc một cách tối ưu hoàn toàn Nhưng dù vậy vẫn có một số phương án tiếp cận nhằm giải quyết vấn đề này một cách ổn thoả[8]

Đối với nhiệm vụ phân bổ công việc, hai đặc tính căn bản nhất cần được thoả mãn đó chính là toàn thể nhiệm vụ cần được phân chia đồng đều và hệ thống điều khiển cần hoàn thành nhiệm vụ phân chia công việc này một cách chính xác bất kể các vấn đề đang phải đối mặt Sau khi giải quyết được hai vấn đề này thì có thể cân nhắc tới những đặc tính khác như khả năng mở rộng hệ thống mà không xảy ra bất kì vấn đề gì, nhiệm vụ phân bổ công việc vẫn vận hành tốt; khả năng linh hoạt của hệ thống điều khiển khi hệ thống AGV thay đổi nhưng vẫn thích nghi được Để thoả mãn được những đặc tính như vậy, cần xem xét đến các phân loại và đặc tính của nhiệm vụ, các hạn chế của công việc, những đối tượng cần tối ưu, và các mô hình để giải quyết nhiệm vụ này

Công việc vận chuyển hàng hoá đối với một hệ thống AGV có thể xem xét hai cách tiếp cận là tìm hiểu đặc tính của công việc, phương tiện vận chuyển và xem xét chiến lược phân công công việc Công việc có thể chia thành công việc chỉ cần một phương tiện hoàn thành, hoặc cần nhiều hơn một phương tiện để hoàn thành Có các công việc độc lập với nhau, không cần phải lập kế hoạch để phân bổ công việc cho chúng và cũng có các công việc phụ thuộc vào nhau, theo trình tự, có thể lên kế hoạch trong tương lai Về phía các phương tiện cũng được chia thành các phương tiện có thể thực hiện nhiều nhiệm vụ trong một lần và phương tiện chỉ thực hiện đơn nhiệm vụ Từ các đặc tính của nhiệm vụ và phương tiện, ta hiểu rõ hơn về tính chất của hệ thống AGV, thông qua đó để chọn một chiến lược phân phối nhiệm vụ hợp lý Đối với chiến lược phân bố công việc tĩnh, một hay nhiều công việc được phân cho AGV và công việc không thể phân bổ lại cho tới khi AGV hoàn thành việc được giao Cách còn lại có thể phân bổ lại công việc cho AGV nếu như có một AGV phù hợp hơn AGV ban đầu

Hiểu rõ được tính chất của công việc và phương tiện là bước đầu tiên để tiếp cận các hướng giải quyết cho nhiệm vụ phân bổ công việc Trong thực tế, không phải lúc nào công việc chỉ có những ràng buộc về tính chất của nhiệm vụ và phương tiện [8] đề cập tới những ràng buộc về thời gian, ràng buộc về quyền ưu tiên, một số ràng buộc ảnh hưởng tới tính chất linh hoạt của hệ thống và giới hạn về nguồn lực Những giới hạn này ảnh hưởng tới vấn đề vận hành và phân bổ nhiệm vụ của trung tâm điều khiển

Để có cái nhìn tổng thể về công việc, phương tiện, và các ràng buộc liên quan, việc hiểu rõ các đặc tính của nhiệm vụ là quan trọng Điều này cho phép tối ưu hóa nhiệm vụ và đồng thời hiểu rõ về các đối tượng có thể ảnh hưởng và cách xử lý chúng Một trong những đối tượng quan trọng là giá thành và lợi nhuận, vì hệ thống điều khiển sẽ phân phối công việc cho các phương tiện sao cho tổng giá thành là thấp nhất hoặc tổng lợi nhuận là cao nhất Ngoài ra, các yếu tố khác cũng được xem xét, như mức độ ưu tiên của công việc, phần thưởng khi hoàn thành nhiệm vụ, và chất lượng khi hoàn thành một công việc

Thông qua những đặc tính trên mà [8] thống kê về các giải thuật phân phối công việc, và các ưu và nhược điểm của chúng Nhiệm vụ phân bổ công việc không những cần xác định rõ tính chất của công việc cũng như phương tiện mà còn phải xác định rõ quy tắc phân bổ công việc và mục tiêu tối ưu trong nhiệm vụ Một số nguyên tắc phổ biến được đề cập tới ở [1] như quy tắc phân bổ nhiệm vụ ngẫu nhiên, quy tắc phân bổ nhiệm vụ cho AGV gần nhất, quy tắc phân bổ nhiệm vụ cho AGV xa nhất, quy tắc phân bổ nhiệm vụ cho AGV rảnh nhất và quy tắc phân bổ nhiệm vụ cho AGV ít dùng nhất Các yếu tố này cũng cần được cân nhắc vì chúng là thước đo để xem xét mức độ hiệu quả của hệ thống điều khiển khi thực hiện nhiệm vụ phân bổ công việc

2.2.2 Nhiệm vụ xác định đường đi

Sau khi AGV được phân bổ nhiệm vụ, hệ thống điều khiển phải xác định một lộ trình cho AGV Đây là là nhiệm vụ xác định đường đi, một trong những nhiệm vụ quan trọng của hệ AGV[8] Theo Vis[1] thì lựa chọn lộ trình cho phương tiện vận chuyển ảnh hưởng đến hiệu suất của hệ thống Để hoàn thành nhiệm vụ thì hệ thống điều khiển cần biểu diễn lại mạng lưới giao thông mà hệ thống AGV cần di chuyển và sử dụng thuật toán để tìm được đường đi

Có hai hướng tiếp cận để giải quyết nhiệm vụ này, bao gồm các thuật toán động và tĩnh Trong trường hợp của các thuật toán tĩnh, đường đi giữa các điểm giao nhận được xác định trước, và sau đó được tái sử dụng khi có yêu cầu vận chuyển hàng hóa Tuy nhiên, các thuật toán tĩnh không linh hoạt đối với sự biến động trong hệ thống và điều kiện giao thông Ngược lại, các giải thuật động được lựa chọn dựa trên thông tin thời gian thực của hệ thống, tạo ra nhiều lựa chọn đường đi cho việc vận chuyển hàng hóa

Có nhiều giải thuật để xác định đường đi, nguyên lý của chúng dựa trên hai hướng tiếp cận đó là các thuật toán đại diện môi trường và thuật toán tìm đường trong sa bàn Thuật toán lập kế hoạch đường đi tính toán đường đi ngắn nhất Đầu tiên, cần một biểu diễn về các trạng thái có thể đạt được của AGV trên bản đồ môi trường Các hệ thống AGV công nghiệp thường có đường di chuyển được xác định trước bằng mạng lưới nút và đoạn đường Nếu không có mạng lưới sẵn, cần một thuật toán tạo ra biểu diễn về không gian cấu hình để tạo ra các đường đi Hướng còn lại là các thuật toán tìm kiếm đồ thị Một số thuật toán động đáng chú ý là Dijkstra cổ điển và Dijkstra mở rộng

Thuật toán Dijkstra cổ điển là một thuật toán tìm đường tĩnh Khi áp dụng thuật toán này, kết quả chỉ trả về một con đường ngắn nhất nối hai điểm Cách hoạt động của thuật toán này là xác định vị trí đầu, xác định giá trị các điểm xung quanh và đánh dấu lại điểm có giá trị thấp nhất, từ đó lặp đi lặp lại cho tới khi điểm cuối cùng được đánh dấu Giải thuật này mang đặc tính của một giải thuật tĩnh, thích hợp để dùng lập lộ trình toàn cục Nhược điểm của Dijkstra cổ điển đó là chỉ tìm ra được một đường đi cực tiểu nhỏ nhất, và khối lượng tính toán rất lớn vì thuật toán này không có bỏ qua một điểm nào

Giải thuật Dijkstra cổ điển có điểm mạnh nhưng để áp dụng vào môi trường sản xuất ngày càng linh động, khổng lồ và phức tạp thì không thích hợp Vậy nên các thuật toán động được ưu tiên và thuật toán Dijkstra cổ điển được nâng cấp thành thuật toán Dijkstra mở rộng Guo Quing [25] xây dựng thuật toán Dijkstra mở rộng, trả về nhiều lộ trình ngắn nhất đi từ hai điểm đã cho Thuận tiện cho việc áp dụng vào một hệ thống phức tạp và năng động

Hình 2.2: Quy trình làm việc của thuật toán Dijkstra mở rộng.[25]

Hình 2.3: Quãng đường ngắn nhất giữa 20 và 15 có 4 đường 2.2.3 Nhiệm vụ lập kế hoạch di chuyển

Khi xác định lộ trình, hệ thống điều khiển còn phải hoàn thành một nhiệm vụ nữa là lập kế hoạch di chuyển nhằm tránh va chạm và kẹt cứng Trong hệ thống AGV, nhiệm vụ xác định lộ trình ở mục 2.2.2 nhằm chọn ra một con đường đi ngắn nhất và tránh các vật cản tĩnh, nhưng trong thực tế có nhiều trường hợp xảy ra khi vận hành Trên con đường vận chuyển hàng hoá, các phương tiện có thể gặp các phương tiện khác, người hoặc là các vật cản Vậy nên ngay lúc này, hệ thống điều khiển phải làm tốt nhiệm vụ lập kế hoạch di chuyển này để tránh va chạm, kẹt cứng để phương tiện hoàn thành tốt nhiệm vụ

Khi tránh va chạm, một trong những cách đơn giản nhất là có hệ thống cảm biến, máy quét trên phương tiện nhằm nhận diện vật cản Khi xác định vật cản có thể va chạm với AGV, các AGV đi chậm lại và dừng hẳn Sau đó AGV chờ tới khi hết bị cản thì tiếp tục hành trình Đây là một trong những cách xử lý cơ bản nhất khi vận hành hệ thống AGV Không chỉ vậy, để xử lý các trường hợp va chạm, có hai cách xử lý là tập trung và phi tập trung Trong giải pháp phi tập trung, AGV phản ứng dựa trên thông tin cục bộ và tương tác với các AGV lân cận để tránh va chạm Mặc dù cách tiếp cận này có ưu điểm trong việc mở rộng số lượng AGV, nhưng nó đối mặt với các hạn chế đặc biệt trong việc tránh va chạm và kẹt cứng Ngược lại, trong giải pháp tập trung hoá, máy tính trung tâm thu thập và xử lý toàn bộ dữ liệu từ các AGV, bao gồm vị trí và mục tiêu Sau đó, nó lập kế hoạch tổng thể để đảm bảo không có va chạm giữa các AGV và tối ưu hóa hiệu suất của hệ thống Phương pháp này mang lại sự quản lý thuận lợi hơn cho hệ thống AGV

Bảng 2.2: Tổng quan các giải thuật tránh va chạm Các phương pháp tránh va chạm

Phương pháp Ưu điểm Nhược điểm Phương pháp tránh va chạm tập trung

Tổng quan Tối ưu cho các đội AGV nhỏ

Thiếu sự vững chãi, hiệu suất, khả năng mở rộng và sự linh hoạt cho các

đội AGV lớn

Phương pháp tránh va chạm phi tập trung

Cảm biến phía trước Đơn giản, ổn định, tốt khi chọn đây là bước

kiểm tra cuối cùng

Không có

Xác định lại đường đi dựa trên giải thuật A* và D*

Đơn giản, nhanh Cần có bản đồ khu vực

Độ lệch cục bộ so với đường đi

Quy trình vượt an toàn Không có phù hợp với những trường hợp tránh va chạm phức tạp Biểu đồ trường

vector

Đơn giản, hiệu quả Nhiều hơn cho việc điều hướng tự do, khó phù hợp với các đối tượng ở xa

nhỏ Cách tiếp cận cửa

sổ động

Đơn giản, hiệu quả Nhiều hơn cho việc điều hướng tự do

ORCA Đơn giản, hiệu quả Nhiều hơn cho việc điều hướng tự do Mô hình dự đoán Hiệu suất tốt trong

trường hợp dày đặc

Quá phức tạp cho các trường hợp tránh va chạm đơn giản/có thể dự đoán được Tốn nhiều thời gian để

huấn luyện

Kẹt cứng là một vấn đề cần phải cân nhắc đến khi điều khiển hệ thống Để tránh kẹt cứng, có nhiều cách tiếp cận và xử lý vấn đề này Có thể giải quyết vấn đề kẹt cứng bằng cách thiết kế mặt bằng, hoặc bằng các cách tiếp cận chiến lược Đề tài này chỉ xét đến các chiến lược trong điều khiển hệ thống AGV để giải quyết vấn đề Xét về mặt điều khiển, có thể tránh kẹt cứng bằng điều khiển tập trung, phi tập trung, và quản lý số lượng AGV trong một khu vực nhất định[8]

2.2.4 Nhiệm vụ định vị và quản lý phương tiện

Có hai phương pháp để định vị AGV trong hệ thống là định vị vật lý và định vị ảo[8] Trong định vị vật lý, các đường đi trong hệ thống được xác định thông qua một đường dẫn trên sàn, có thể là các đường dẫn được dán bằng băng keo hoặc các dây dẫn chôn dưới mặt sàn Công nghệ trên AGV sẽ đảm bảo rằng nó luôn di chuyển trên đường dẫn Tuy nhiên, trong phương pháp này, AGV không thực sự biết được vị trí cụ thể của nó trên bản đồ Công nghệ sử dụng cảm ứng điện từ, băng dính từ và quang học được phân loại vào định vị vật lý

Một phương pháp khác hiện nay là sử dụng phương pháp định vị ảo Các phương tiện này sử dụng các điểm từ tính, tia laser, GPS và thị giác máy tính để định vị AGV Với phương pháp này, các đường đi được tạo ra ảo bên trong bản đồ cục bộ được duy trì bởi AGV hoặc trong bản đồ toàn cầu của đơn vị trung tâm Tính linh hoạt và khả năng mở rộng của phương pháp này được đánh giá cao Tuy nhiên, việc định vị ảo phức tạp hơn vì AGV cần biết vị trí chính xác của mình trong một bản đồ 2D Điều này khác biệt so với việc định vị đường đi vật lý, nơi AGV chỉ cần biết vị trí của mình trên một mạch 1D Bằng cách biết vị trí trên bản đồ 2D, sự lệch hướng từ đường đi ảo có thể được tính toán

Quản lý phương tiện là nhiệm vụ cốt lõi đơn giản nhất của AGV vì nó không đòi hỏi các thuật toán hoặc kỹ thuật phức tạp Nó giám sát trạng thái pin, trạng thái lỗi và trạng thái bảo dưỡng Trạng thái này sẽ tạo ra ràng buộc đối với khả năng thực hiện các nhiệm vụ và do đó cần được xem xét ở mức độ phân bổ nhiệm vụ Sử dụng một hệ thống điều khiển trung tâm, bộ điều khiển trung tâm xem xét tất cả các trạng thái quản lý phương tiện

Ví dụ rằng nếu nó biết tuổi thọ pin của một phương tiện không đủ để thực hiện một nhiệm vụ cụ thể, nó sẽ giao cho phương tiện một nhiệm vụ ít yêu cầu năng lượng hơn hoặc gửi AGV đến trạm sạc Khi đơn vị trung tâm nhận được các trạng thái lỗi từ một AGV, nó sẽ không liên quan AGV vào việc tối ưu hóa phân bổ nhiệm vụ nữa Thay vào đó, nó sẽ gửi AGV đến bảo dưỡng Sử dụng một hệ thống điều khiển phân tán, AGV giám sát các thông số của chính mình Nếu nó thấy rằng dung lượng pin của mình thấp, nó sẽ, trong một phương pháp dựa trên thị trường ví dụ, không đặt giá trị trên một nhiệm vụ tốn năng lượng mà sẽ trực tiếp đến một trạm sạc

2.3 Phương tiện được ứng dụng trong hệ thống AGV

Theo báo báo thị trường AGV của Grand View Research [3], có rất nhiều dạng AGV được sản xuất và ứng dụng hiện nay Phân loại theo dạng phương tiện thì có các phương tiện dạng kéo, chuyên chở hàng hoá, phương tiện kéo pallet, phương tiện nâng hay là các phương tiện hỗn hợp,… Phân loại theo công nghệ điều hướng thì có các phương tiện điều hướng, di chuyển bằng laser, bằng từ tính, dùng công nghệ thị giác,… Những loại AGV này được ứng dụng trong nhiều mảng và nhiều ngành khác nhau nhằm phục vụ nhu cầu vận chuyển hàng hoá

Phương tiện được dùng trong đề tài này là AGV nâng kệ hàng Ưu điểm của loại AGV này được nhắc tới ở [23] Nhờ vào khả năng linh hoạt, kích thước nhỏ, dễ dàng điều khiển là lý do được các công ty như Amazon, Alibaba,… áp dụng Đặc điểm và tính năng của loại AGV này là nâng theo phương thẳng đứng, sử dụng phương pháp điều hướng bằng mã QR trên mạng lưới giao thông dạng bàn cờ, giao tiếp không dây với hệ thống điều khiển Nhờ vào đặc tính nhỏ gọn mà phương tiện có thể chạy bên dưới các kệ hàng, khắc phục nhược điểm của quy tắc đỗ tại chỗ

Hình 2.4: AGV nâng kệ hàng trong mạng lưới giao thông dạng bàn cờ

Hệ thống cơ khí của AGV nâng hàng được nhắc tới trong [26] bao gồm phần khung và cơ cấu nâng Loại AGV này gồm 2 bánh đặt hai bên phần khung, chịu trách nhiệm di chuyển cho AGV Phía trước và phía sau được trang bị bánh xe đa hướng để trợ lực và không ảnh hưởng tới khả năng di chuyển của AGV

Hình 2.5: Mô hình hoá phương tiện vận chuyển

Các thông số của AGV bao gồm: 𝑂𝑥𝐼𝑦𝐼 là hệ trục toạ độ gắn với mặt đất, 𝑂𝑥𝑟𝑦𝑟là hệ trục toạ độ gắn với AGV, 𝜃 diễn tả góc lệch giữa 2 hệ toạ độ này, A là tâm đường nối giữa 2 bánh xe truyền động, C là khối tâm AGV, R là bán kính mỗi bánh xe và L là khoảng cách giữa tâm 2 bên bánh xe

Vận tốc tịnh tiến của AGV trong hệ trục tọa độ gắn liền với robot là tốc độ trung bình của vận tốc dài của hai bánh xe