Nhu cҫu thӵc tiӉn cӫDÿӅ tài
Ĉһt vҩQÿӅ
Robot tӵ hành có nhiӅX ÿyQJ JyS WURQJ Vҧn xuҩt công nghiӋp, khoa hӑc y tӃ, khoa hӑc xã hӝi, nông nghiӋp, giáo dөF WUz FKѫL QJKLrQ FӭX YNJ WUө YY ĈLӅu Kѭӟng là mӝWEjLWRiQNKyÿӕi vӟLURERWGLÿӝng tӵ ÿӝQJĈӇ thӵc hiӋQÿLӅXKѭӟng, robot sӁ trҧi qua cáFJLDLÿRҥQNKiFQKDXQKѭQKұn thӭFÿӏnh vӏ, nhұn thӭFYjÿLӅu khiӇn chuyӇQÿӝQJ7URQJJLDLÿRҥn nhұn thӭc, robot trích xuҩt dӳ liӋXFyêQJKƭD bҵng cách phân tích các cҧm biӃn cӫa nó Trong Eѭӟc ÿӏnh vӏURERWѭӟc tính vӏ trí hiӋn tҥi cӫa nó trong môi WUѭӡng làm viӋc bҵng cách sӱ dөng thông tin tӯ các cҧm biӃn bên ngoài Ĉӏnh vӏ là mӝt vҩQÿӅ NK{QJÿѫQJLҧQÿӕi vӟi robot tӵ hành ÿһc biӋt là khi robot phҧi hoҥW ÿӝQJ WURQJ FiF P{L WUѭӡng bҩt әQ QKѭ P{L WUѭӡng ngoài trӡi Khi hoҥt ÿӝng ӣ FiFP{LWUѭӡQJQKѭ thӃFiFSKѭѫQJSKiSÿӏnh vӏ cөc bӝ khó có thӇ ÿҧm bҧo tớnh chớnh xỏc và phҧi cҫQÿӃQFiFSKѭѫQJSKiSÿӏnh vӏ toàn cөFQKѭ*36 ô7X\ nhiên bҧn thân các cҧm biӃn toàn cөFFNJQJFyQKӳQJQKѭӧFÿLӇPULrQJ'RÿySKiW sinh nhu cҫu kӃt hӧp các loҥi cҧm biӃn có ѭX QKѭӧF ÿLӇm bә khuyӃW FKR QKDX ÿӇ tăQJFѭӡng khҧ QăQJÿӏnh vӏ cӫDURERWWURQJP{LWUѭӡng bҩt әn.
NhӳQJѭXÿLӇm và hҥn chӃ cӫa viӋc kӃt hӧp cҧm biӃn
Các hình thức sống đều có một số cách để giao tiếp với nhau, bao gồm cả những tín hiệu có mặt ở cả các loài giao tiếp bằng âm thanh và không giao tiếp bằng âm thanh Những hình thức giao tiếp không giao tiếp bằng âm thanh này thực hiện các chức năng sau: Vấn đề giao tiếp: Một số hình thức giao tiếp không giao tiếp bằng âm thanh tạo ra một kích thích nhất định với mục đích tạo ra một hành động hoặc phản hồi mong muốn Phạm vi không gian hạn chế: Một số tín hiệu giao tiếp không giao tiếp bằng âm thanh chỉ có phạm vi riêng và giới hạn trong một khu vực cụ thể.
2 x Phҥm vi thӡi gian hҥn chӃ: Mӝt sӕ cҧm biӃn cҫn mӝt thӡi gian thiӃt lұp cө thӇ ÿӇ thӵc hiӋn và truyӅn mӝWSKpSÿRGRÿyJLӟi hҥn tҫn sӕ ÿRWӕLÿD x Tính không chính xác: &iFSKpSÿRWӯ các cҧm biӃn riêng lҿ ÿѭӧc giӟi hҥn ӣ ÿӝ chính xác cӫa phҫn tӱ cҧm biӃQÿѭӧc sӱ dөng x Sӵ không chҳc chҳn: Sӵ không chҳc chҳn, khác vӟi sӵ không chính xác, phө thuӝFYjRÿӕLWѭӧQJÿѭӧFTXDQViWKѫQOjWKLӃt bӏ quan sát
Mӝt giҧi pháp cho các vҩQÿӅ này là kӃt hӧp cҧm biӃn Trong hӋ thӕng kӃt hӧp cҧm biӃn có thӇ chӕng lҥi viӋc mҩt cҧm biӃn bҵng cách sӱ dөng các cҧm biӃn có cùng phҥm vi cҧm nhұn cӫDÿӕLWѭӧng mong muӕQĈLӅu này có thӇ áp dөng vӟi các cҧm biӃn cùng loҥLFNJQJQKѭYӟi mӝt bӝ cҧm biӃQNK{QJÿӗng nhҩt
Nhӳng lӧi thӃ sau có thӇ Fyÿѭӧc tӯ sӵ kӃt hӧp dӳ liӋu cҧm biӃn tӯ mӝt tұp hӧp các cҧm biӃQNK{QJÿӗng nhҩt hoһFÿӗng nhҩt [1]: x ӘQÿӏQKYjÿiQJWLQFұ\KѫQ NhiӅu bӝ cҧm biӃn có khҧ QăQJGӵ phòng cӕ hӳu cho phép hӋ thӕng cung cҩp thông tin ngay cҧ WURQJ WUѭӡng hӧp hӓng hóc mӝt phҫn x Mӣ rӝng phҥm vi không gian và thӡi gian: Thêm cҧm biӃn thì có thӇ bӕ trí cҧm biӃn có thӇ TXDQViWYjRQѫLPjQKӳng cҧm biӃn khác không thӇ WѭѫQJ ӭng có thӇ thӵc hiӋQSKpSÿRWURQJNKLQKӳng cҧm biӃn khác không thӇ x 7ăQJÿӝ tin cұy: 3KpSÿRFӫa mӝt cҧm biӃQÿѭӧc xác nhұn bҵng các phép ÿRFӫa các cҧm biӃn khác trên cùng mӝt miӅn x Giҧm sӵ Pѫ Kӗ và không chҳc chҳn: Thông tin chung làm giҧm tұp hӧp các cách diӉn giҧi không rõ ràng vӅ giá trӏ ÿROѭӡng x Chӕng nhiӉu mҥnh mӁ KѫQ Bҵng cách WăQJNtFKWKѭӟc cӫDNK{QJJLDQÿR
(ví dөÿRÿҥLOѭӧng mong muӕn bҵng cҧm biӃn quang hӑc và cҧm biӃn siêu âm), hӋ thӕng trӣ nên ít bӏ ҧQKKѭӣng bӣi nhiӉXKѫQ
3 x Cҧi thiӋQÿӝ phân giҧi: Khi nhiӅXSKpSÿRÿӝc lұp cӫa cùng mӝt thuӝc tính ÿѭӧc hӧp nhҩWÿӝ phân giҧi cӫa giá trӏ kӃt quҧ sӁ tӕWKѫQVRYӟLSKpSÿRFӫa mӝt cҧm biӃQÿѫQOҿ
MӝWѭXÿLӇm nӳa cӫa sӵ kӃt hӧp cҧm biӃn là khҧ QăQJJLҧPÿӝ phӭc tҥp cӫa hӋ thӕng Trong mӝt hӋ thӕQJÿѭӧc thiӃt kӃ truyӅn thӕQJFiFSKpSÿRFҧm biӃQÿѭӧc ÿѭDYjRӭng dөng, hӋ thӕng này phҧLÿӕi phó vӟi mӝt sӕ Oѭӧng lӟn các luӗng dӳ liӋXNK{QJFKtQK[iFNK{QJU}UjQJYjNK{QJÿҫ\ÿӫ Trong mӝt hӋ thӕng mà dӳ liӋu cҧm biӃQÿѭӧc xӱ OêWUѭӟc bҵQJSKѭѫQJSKiSKӧp nhҩWÿҫu vào cho ӭng dөng ÿLӅu khiӇn có thӇ ÿѭӧc tiêu chuҭQKyDÿӝc lұp vӟi các loҥi cҧm biӃQÿѭӧc sӱ dөng, GRÿyWҥRÿLӅu kiӋn thuұn lӧi cho viӋc triӇn khai ӭng dөng và cung cҩp khҧ QăQJVӱa ÿәi trong hӋ thӕng cҧm biӃn vӅ sӕ Oѭӧng và loҥi cҧm biӃQÿѭӧc sӱ dөng mà không sӱDÿәi cӫa phҫn mӅm ӭng dөng
Việc khai thác dữ liệu cho phép chuyển đổi một tập hợp dữ liệu thành thông tin có giá trị Tuy nhiên, đó không phải là một quá trình đơn giản, đòi hỏi phải trích xuất chính xác và đánh giá dữ liệu một cách cẩn thận Các nhà phân tích dữ liệu làm điều này bằng cách thực hiện nhiều phép tính và tạo ra các khoảng thời gian cụ thể.
KӇ tӯ NKL ÿLӅX Qj\ ÿѭӧc công bӕ, nhiӅX QJѭӡL ÿm Fӕ gҳng chӭQJ PLQK ÿLӅu QJѭӧc lҥi Nahin và Pokoski [29@ÿmWUuQKEj\Pӝt bҵng chӭng lý thuyӃt rҵng viӋc bә sung các cҧm biӃn sӁ cҧi thiӋn hiӋu suҩWWURQJFiFWUѭӡng hӧp cө thӇ ÿӕi vӟLÿD sӕ ý kiӃn tán thành và lý thuyӃt khҧ QăQJ[ҧy ra tӕLÿDWURQJkӃt hӧSWK{QJWLQÿӇ ra quyӃWÿӏnh HiӋu suҩW ÿѭӧFÿӏQK QJKƭDOj[iFVXҩWÿѭDUDTX\ӃWÿӏQKÿ~QJÿҳn mà NK{QJOLrQTXDQÿӃn nӛ lӵc vӅ khҧ QăQJ[ӱ lý và giao tiӃp
Có thӇ kӃt luұn tӯ kiӃn thӭc hiӋn có vӅ hiӋu suҩt fusing sensors rҵng mһc dù tiӅm QăQJWROӟn cӫa fusing VHQVRUVQKѭQJYүn có chút hoài nghi vӅ SKѭѫQJSKiSNӃt hӧp ³KRjQKҧR´KRһF³WӕLѭX´
Mөc tiêu cӫDÿӅ tài
Mục tiêu của dự án này là nghiên cứu, phát triển và mô phỏng một giải thuật kết hợp nhiều cảm biến ứng dụng trong robot di động Giải thuật này kết hợp thông tin từ nhiều cảm biến để cải thiện khả năng di chuyển và định vị của robot, giúp robot hoạt động hiệu quả trong các môi trường phức tạp Dự án bao gồm các bước thiết kế giải thuật, mô phỏng giải thuật và thiết kế hệ thống điều khiển robot di động dựa trên giải thuật kết hợp nhiều cảm biến.
Tәng quan vӅ tәng hӧp dӳ liӋu
Phân loҥLFiFSKѭѫQJSKiSNӃt hӧp dӳ liӋu
Tәng hӧp dӳ liӋu là mӝWOƭQKYӵFÿDQJjQKOLrQTXDQÿӃn mӝt sӕ OƭQKYӵc khác và rҩWNKyÿӇ thiӃt lұp mӝt phân loҥi rõ ràng và chһt chӁ&iFSKѭѫQJSKiSYjNӻ thuұt ÿѭӧc sӱ dөng có thӇ ÿѭӧc phân chia theo các tiêu chí sau: x Xem xét các mӕi quan hӋ giӳa các nguӗn dӳ liӋXÿҫXYjRQKѭÿӅ xuҩt cӫa Durrant-Whyte [16] Các quan hӋ này có thӇ ÿѭӧFÿӏQKQJKƭDOjDEә sung, EGѭWKӯa, hoһc (3) hӧp tác dӳ liӋu x Theo các kiӇu dӳ liӋX ÿҫXYjR ÿҫu ra và bҧn chҩt cӫDFK~QJ QKѭÿӅ xuҩt cӫa Dasarathy [5] x Theo mӭFÿӝ trӯXWѭӧng cӫa dӳ liӋXÿѭӧc sӱ dөQJDSKpSÿRWK{EWtQ hiӋXYjFÿһFÿLӇm hoһc quyӃWÿӏnh x Dӵa trên các mӭc tәng hӧp dӳ liӋXNKiFQKDXÿѭӧF[iFÿӏnh bӣi JDL x Tùy thuӝc vào kiӇu kiӃn trúc: (a) tұp trung, (b) phi tұp trung, hoһc (c) phân tán
2.1.1.1 Phân loҥi dӵa trên mӕi quan hӋ giӳa nguӗn dӳ liӋu:
Dӵa trên mӕi quan hӋ cӫa các nguӗn (xem Hình 1), Durant-Whyte [16@ÿӅ xuҩt các tiêu chí phân loҥi sau: x Bә sung FKR QKDX FRPSOHPHQWDU\ NKL WK{QJ WLQ ÿѭӧc cung cҩp bӣi các nguӗQÿҫXYjRÿҥi diӋn cho các phҫn khác nhau cӫa hiӋQWUѭӡQJYjGRÿyFy thӇ ÿѭӧc sӱ dөQJÿӇ WKXÿѭӧc thông tin toàn cөFÿҫ\ÿӫ KѫQ9tGө, trong WUѭӡng hӧp cӫa mҥng cҧm biӃn thӏ giác, thông tin vӅ cùng mӝt mөc tiêu ÿѭӧc cung cҩp bӣi hai máy ҧQK Fy WUѭӡQJ QKuQ NKiF QKDX ÿѭӧc coi là bә sung x 'ѭWKӯa (redundant): khi hai hoһc nhiӅu nguӗQÿҫu vào cung cҩp thông tin vӅ cùng mӝt mөFWLrXYjGRÿyFyWKӇ ÿѭӧc hӧp nhҩWÿӇ WăQJWKrPêQJKƭD
Ví dө, dӳ liӋX ÿӃn tӯ các khu vӵc chӗng chéo trong mҥng cҧm biӃn trӵc TXDQÿѭӧFFRLOjGѭWKӯa
8 x HӧS WiF FRRSHUDWLYH NKL WK{QJ WLQ ÿѭӧc cung cҩS ÿѭӧc kӃt hӧp thành thông tin mӟLWKѭӡng phӭc tҥSKѫQWK{QJWLQEDQÿҫu Ví dө: kӃt hӧp dӳ liӋu ÿDSKѭѫQJWKӭc (âm thanh YjYLGHRÿѭӧc coi là hӧp tác
Hình 2 Ki͋u phân lo̩i cͯa Durant-Whyte da trên m͙i quan h cͯa ngu͛n vào
2.1.1.2 Phân loҥi theo kiӇu cӫa Dasarathy
Mӝt trong nhӳng hӋ thӕng phân loҥi tәng hӧp dӳ liӋu nәi tiӃng nhҩWÿѭӧc cung cҩp bӣi Dasarathy [5] và bao gӗPQăPORҥi sau (xem Hình 2): x Data in-data out (DAI-DAO): loҥLQj\OjSKѭѫQJSKiSWәng hӧp dӳ liӋXFѫ bҧn nhҩWÿѭӧc xem xét trong phân loҥi Loҥi quy trình kӃt hӧp dӳ liӋu này ÿҫXYjRYjÿҫXUDÿӅu là dӳ liӋu thô, kӃt quҧ WKѭӡQJÿiQJtin cұy hoһc chính [iFKѫQ4XiWUuQKWәng hӧp dӳ liӋu ӣ cҩSÿӝ Qj\ÿѭӧc tiӃn hành ngay sau khi dӳ liӋX ÿѭӧc thu thұp tӯ các cҧm biӃn Các thuұW WRiQ ÿѭӧc sӱ dөng ӣ cҩSÿӝ này dӵa trên các thuұt toán xӱ lý tín hiӋu và hình ҧnh
- Dữ liệu vào, dữ liệu ra (DAI-FEO): Trong phương pháp này, quá trình tổng hợp dữ liệu sử dụng dữ liệu thô từ các nguồn phụ trợ để trích xuất thông tin mô tả của đối tượng nghiên cứu.- Tính năng vào, tính năng ra (FEI-FEO): Trong phương pháp này, quá trình tổng hợp dữ liệu tập trung vào dữ liệu gốc và xây dựng một tập hợp các tính năng giới thiệu, tinh chỉnh hoặc thay đổi thông tin gốc, thường được gọi là tập hợp các đặc trưng, tập hợp các ký hiệu, tập hợp các thông tin hoặc tập hợp các đối tượng trung gian.- Tính năng vào, quyết định ra (FEI-DEO): Phương pháp này đưa vào một tập hợp các tính năng và đưa ra một tập hợp các quy tắc được sử dụng để đưa ra quyết định.- Quyết định vào, quyết định ra (DEI-DEO): Trong phương pháp này, quá trình tổng hợp dữ liệu được gọi là tổng hợp quy tắc Nó kết hợp các quy tắc đã học để tạo thành các quy tắc mới được sử dụng để đưa ra quyết định về các trường hợp mục tiêu hoặc để cung cấp một khuôn khổ để phân biệt giữa các trường hợp khác nhau.
2.1.1.3 Phân loҥi theo cҩSÿӝ trӯXWѭӧng:
Luo và cӝng sӵ [31] cung cҩp bӕn mӭc trӯXWѭӧng sau: x Tín hiӋu: giҧi quyӃt trӵc tiӃp các tín hiӋu tKXÿѭӧc tӯ các cҧm biӃn x Pixel: hoҥWÿӝng ӣ mӭc hình ҧnh và có thӇ ÿѭӧc sӱ dөQJÿӇ cҧi thiӋn các tác vө xӱ lý hình ҧnh x Ĉһc tính: sӱ dөQJFiFWtQKQăQJÿѭӧc trích xuҩt tӯ hình ҧnh hoһc tín hiӋu (tӭc là hình dҥng hoһc vұn tӕc) x Ký hiӋu: ӣ cҩSÿӝ này, WK{QJWLQÿѭӧc biӇu diӉQGѭӟi dҥng ký hiӋu, mӭc này FzQÿѭӧc gӑi là mӭc quyӃWÿӏnh
Sӵ tәng hӧSWK{QJWLQWKѭӡQJÿӅ cұSÿӃn ba cҩSÿӝ trӯXWѭӧQJSKpSÿR ÿһFÿLӇm và (3) quyӃWÿӏnh Các cách phân loҥi khác có thӇ có cӫa tәng hӧp dӳ liӋu dӵa trên các mӭc trӯXWѭӧQJQKѭVDX x Tәng hӧp mӭc thҩp: dӳ liӋX WK{ ÿѭӧc cung cҩp trӵc tiӃS QKѭ PӝW ÿҫu vào cho quá trình tәng hӧp dӳ liӋu, cung cҩp dӳ liӋXFKtQK[iFKѫQWӹ lӋ tín hiӋu trên nhiӉu thҩSKѫQVRYӟi các nguӗn riêng lҿ x Tәng hӧp mӭF ÿӝ trung EuQK FiF ÿһF ÿLӇm hoһF WtQK QăQJ KuQK Gҥng, kӃt cҩu và vӏ WUtÿѭӧc hӧp nhҩWÿӇ FyÿѭӧFFiFÿһFÿLӇm có thӇ ÿѭӧc sӱ dөng cho các nhiӋm vө khác MӭFQj\FzQÿѭӧc gӑi là mӭFÿһFWUѭQJKRһc mӭc ÿһFWUѭQJ x Tәng hӧp ӣ cҩp cao: cҩS ÿӝ Qj\ FzQ ÿѭӧc gӑi là hӧp nhҩt quyӃW ÿӏnh, lҩy các biӇu diӉQ WѭӧQJ WUѭQJ OjP QJXӗn và kӃt hӧS FK~QJ ÿӇ WKX ÿѭӧc quyӃt ÿӏQK[iFKѫQ&iFSKѭѫQJSKiSFӫD%D\HVLDQWKѭӡQJÿѭӧc sӱ dөng ӣ cҩSÿӝ này x KӃt hӧp nhiӅu mӭc: mӭc này giҧi quyӃt dӳ liӋX ÿѭӧc cung cҩp tӯ các mӭc trӯX Wѭӧng khác nhau (tӭc là khi mӝW SKpS ÿR ÿѭӧc kӃt hӧp vӟi mӝt tính QăQJÿӇ Fyÿѭӧc quyӃWÿӏnh)
Mô hình Khái niệm Phổ biến nhất trong Kiến trúc Tích hợp Dữ liệu được phát triển bởi JDL và Bộ Quốc phòng Hoa Kỳ (DoD) Mô hình này chia quá trình tích hợp dữ liệu thành các mức trừu tượng khác nhau, bao gồm dữ liệu liên quan và ngữ nghĩa cung cấp thông tin kết nối Quá trình tích hợp dữ liệu có thể được nhóm thành hai loại: tích hợp cấp thấp và tích hợp cấp cao Các thành phần chính của tích hợp dữ liệu bao gồm: Nguồn: chịu trách nhiệm cung cấp dữ liệu đầu vào; Giao diện người dùng và máy tính (HCI): là giao diện giữa người dùng với hệ thống tích hợp và tạo ra kết quả; Hệ thống quản lý dữ liệu: lưu trữ dữ liệu được cung cấp và kết quả tích hợp.
1ăPFҩSÿӝ xӱ lý dӳ liӋXÿѭӧF[iFÿӏnKQKѭVDX x Mӭc 0 - tiӅn xӱ lý nguӗn: tiӅn xӱ lý nguӗn là mӭc thҩp nhҩt cӫa quá trình tәng hӧp dӳ liӋu và nó bao gӗm sӵ hӧp nhҩt ӣ mӭc tín hiӋu và pixel Trong WUѭӡng hӧp nguӗQ YăQ Eҧn, cҩS ÿӝ Qj\ FNJQJ EDR Jӗm quá trình trích xuҩt thông tin Mӭc này làm giҧPOѭӧng dӳ liӋu và duy trì thông tin hӳu ích cho các quá trình ӣ mӭc cao x Cҩp 1 - tái cҩXWU~FÿӕLWѭӧng: tái cҩXWU~FÿӕLWѭӧng sӱ dөng dӳ liӋXÿm[ӱ lý tӯ cҩS WUѭӟc Các thӫ tөc phә biӃn cӫa cҩS ÿӝ này bao gӗm liên kӃt không gian-thӡi gian, liên kӃW Wѭѫng quan, kӻ thuұt phân cөm hoһF QKyP ѭӟc Oѭӧng trҥng thái, loҥi bӓ kích hoҥt giҧ, hӧp nhҩt nhұn dҥng và kӃt hӧp các ÿһFÿLӇPÿѭӧc trích xuҩt tӯ hình ҧnh KӃt quҧ cӫDJLDLÿRҥn này là phân biӋt ÿӕLWѭӧng (phân loҥi và nhұn dҥQJYjWKHRG}LÿӕLWѭӧng (trҥng thái cӫDÿӕi
WѭӧQJYjKѭӟQJ*LDLÿRҥn này chuyӇQÿәLWK{QJWLQÿҫu vào thành các cҩu trúc dӳ liӋu nhҩt quán x CҩSÿӝ 2 - ÿiQKJLiWuQKKXӕng: cҩSÿӝ này tұp trung vào cҩSÿӝ suy luұn cao KѫQFҩSÿӝ ĈiQKJLiWuQKKXӕng nhҵP[iFÿӏnh các tình huӕng có thӇ xҧy ra vӟi các sӵ kiӋn quan sát và dӳ liӋXWKXÿѭӧc Nó thiӃt lұp các mӕi quan hӋ giӳDFiFÿӕLWѭӧng Các mӕi quan hӋ QJKƭDOjJҫQJNJLJLDRWLӃSÿѭӧFÿiQK JLiFDRÿӇ [iFÿӏnh mӭFÿӝ quan trӑng cӫa các thӵc thӇ hoһFÿӕLWѭӧng trong mӝWP{LWUѭӡng cө thӇ Mөc tiêu cӫa cҩSÿӝ này bao gӗm thӵc hiӋn các suy luұn cҩSFDRYj[iFÿӏnh các hoҥWÿӝng và sӵ kiӋn quan trӑng (các mүu nói FKXQJĈҫu ra là mӝt tұp hӧp các suy luұn cҩp cao x CҩS ÿӝ 3 - ÿiQK JLi WiF ÿӝng: cҩS ÿӝ Qj\ ÿiQK JLi WiF ÿӝng cӫa các hoҥt ÿӝQJÿѭӧc phát hiӋn ӣ cҩSÿӝ ÿӇ FyÿѭӧFTXDQÿLӇm phù hӧp Tình hình hiӋn tҥLÿѭӧFÿiQKJLiYjGӵ EiRWURQJWѭѫQJODLÿѭӧc thӵc hiӋQÿӇ [iFÿӏnh các rӫi ro có thӇ xҧ\UDFiFÿLӇm yӃXYjFiFFѫKӝi hoҥWÿӝng MӭFÿӝ bao gӗPÿiQKJLiUӫi ro hoһc mӕLÿe dӑa và (2) dӵ ÿRiQNӃt quҧ hӧp lý x CҩSÿӝ 4 - cҧi tiӃn quy trình: cҩSÿӝ này cҧi thiӋn quy trình tӯ cҩSÿӝ 0 lên cҩSÿӝ 3 và cung cҩp khҧ QăQJTXҧn lý tài nguyên và cҧm biӃn MөFÿtFKOj ÿӇ ÿҥWÿѭӧc quҧn lý tài nguyên hiӋu quҧ trong khi tính toán các ѭXWLrQQKLӋm vө, lұp kӃ hoҥch và kiӇm soát các nguӗn lӵc sҹn có
Hӧp nhҩt cҩSFDRWKѭӡng bҳWÿҫu ӣ cҩp 2 vì loҥi, localization, chuyӇQÿӝng và sӕ Oѭӧng cӫDFiFÿӕLWѭӧQJÿmÿѭӧc biӃt ӣ cҩSÿy0ӝt trong nhӳng hҥn chӃ cӫa JDL SKѭѫQJSKiSOjFiFKVӱ dөQJÿӝ NK{QJÿҧm bҧo vӅ các kӃt quҧ WUѭӟFÿyKRһc sau ÿyÿӇ WăQJFѭӡng quá trình hӧp nhҩt (vòng phҧn hӗi) Llinas và cӝng sӵ [20] ÿӅ xuҩt mӝt sӕ cҧi tiӃn và mӣ rӝng cho mô hình JDL Blasch và Plano [13@ ÿӅ xuҩt thêm mӝt cҩSÿӝ mӟLÿӇ hӛ trӧ QJѭӡi dùng là con ngѭӡi trong vòng lһp kӃt hӧp dӳ liӋu Mô hình -'/ÿҥi diӋn hiӋu quҧ ÿӇ cung cҩp mӝt mô hình chi tiӃt và mӝt thuұt ngӳ chung cho miӅn tәng hӧp dӳ liӋu Tuy nhiên, vì nguӗn gӕc cӫa chúng bҳt nguӗn tӯ OƭQKYӵc quân sӵFiFÿLӅu khoҧQÿѭӧc sӱ dөQJKѭӟQJÿӃn nhӳng rӫi ro WKѭӡng xҧy ra trong các tình huӕng này Mô hình Dasarathy khác vӟi mô hình JDL
13 vӅ thuұt ngӳ ÿѭӧc chҩp nhұn và cách tiӃp cұQ ÿѭӧc sӱ dөQJ 7UѭӟF ÿk\ Oj ÿӏnh Kѭӟng vӅ sӵ khác biӋt giӳa các kӃt quҧ ÿҫXYjRYjÿҫXUDÿӝc lұp vӟLSKѭѫQJSKiS tәng hӧp ÿѭӧc sӱ dөng Tóm lҥi, mô hình Dasarathy cung cҩp mӝWSKѭѫQJSKiSÿӇ hiӇu mӕi quan hӋ giӳa các nhiӋm vө tәng hӧp và dӳ liӋXÿѭӧc sӱ dөng, trong khi mô hình JDL trình bày mӝWTXDQÿLӇm tәng hӧp thích hӧSÿӇ thiӃt kӃ hӋ thӕng tәng hӧp dӳ liӋu
2.1.1.5 Phân loҥi dӵa trên loҥi cҩu trúc:
Mӝt trong nhӳng câu hӓi chính nҧy sinh khi thiӃt kӃ hӋ thӕng hӧp nhҩt dӳ liӋu là quá trình tәng hӧp dӳ liӋu sӁ ÿѭӧc thӵc hiӋn ӣ ÿkX'ӵa trên tiêu chí này, có thӇ xác ÿӏnh các loҥi kiӃn trúc sau: x Cҩu trúc tұp trung - Centralized architecture: trong cҩu trúc tұp trung, nút hӧp nhҩt nҵm trong bӝ xӱ lý trung tâm nhұn thông tin tӯ tҩt cҧ các nguӗQÿҫu YjR'RÿyWҩt cҧ các quá trình tәng hӧSÿѭӧc thӵc hiӋn trong mӝt bӝ xӱ lý trung tâm sӱ dөQJFiFSKpSÿRWK{ÿѭӧc cung cҩp tӯ các nguӗn Trong giҧn ÿӗ này, các nguӗn chӍ WKXÿѭӧF TXDQ ViWGѭӟi dҥQJFiF SKpSÿRYj WUX\Ӆn FK~QJÿӃn bӝ xӱ OêWUXQJWkPQѫLTXiWUuQKWәng hӧp dӳ liӋXÿѭӧc thӵc hiӋn NӃu chúng ta giҧ ÿӏnh rҵng viӋc liên kӃt dӳ liӋu và liên kӃt dӳ liӋXÿѭӧc thӵc hiӋn chính xác và thӡi gian cҫn thiӃWÿӇ truyӅn dӳ liӋXOjNK{QJÿiQJNӇ, thì Vѫÿӗ tұp trung vӅ mһt lý thuyӃt là tӕLѭX7X\QKLrQFiFJLҧ ÿӏQKWUѭӟFÿk\ WKѭӡng không phù hӧp vӟi các hӋ thӕng thӵF+ѫQQӳa, sӕ Oѭӧng lӟQEăQJ WK{QJÿѭӧc yêu cҫXÿӇ gӱi dӳ liӋu thô qua mҥng là mӝt bҩt lӧLNKiFÿӕi vӟi SKѭѫQJSKiSWLӃp cұn tұp trung VҩQÿӅ này trӣ thành mӝt nút thҳt cә chai khi loҥi kiӃn WU~FQj\ÿѭӧc sӱ dөQJÿӇ kӃt hӧp dӳ liӋu trong mҥng cҧm biӃn trӵc quan CuӕL FQJ ÿӝ trӉ vӅ thӡi gian khi chuyӇn thông tin giӳa các nguӗn khác nhau có thӇ WKD\ÿәi và ҧQKKѭӣQJÿӃn kӃt quҧ WURQJVѫÿӗ tұp trung ӣ mӭFÿӝ lӟQKѫQVRYӟLFiFFKѭѫQJWUuQKNKiF x Cҩu trúc phi tұp trung: mӝt kiӃn trúc phi tұp trung bao gӗm mӝt mҥQJOѭӟi
FiFQ~WWURQJÿyPӛi nút có khҧ QăQJ[ӱ lý riêng và không FyÿLӇm tәng hӧp dӳ liӋu duy nhҩW'RÿyPӛi nút kӃt hӧp thông tin cөc bӝ cӫa nó vӟi thông
14 tin nhұQ ÿѭӧc tӯ FiF Q~W WѭѫQJ ӭng Quá trình tәng hӧp dӳ liӋX ÿѭӧc thӵc hiӋn mӝWFiFKÿӝc lұp, vӟi mӛi nút tính theo thông tin cөc bӝ cӫa nó và thông tin nhұQÿѭӧc tӯ FiFQ~WWѭѫQJ ÿѭѫQJ &iFWKXұt toán tәng hӧp dӳ liӋu phi tұSWUXQJWKѭӡng truyӅQÿҥt thông tin bҵng cách sӱ dөQJFiFSKpSÿR)LVKHU và Shannon thay vì trҥng thái cӫDÿӕLWѭӧQJ1KѭӧFÿLӇm chính cӫa kiӃn trúc này là chi phí truyӅn thông, ӣ mӛLEѭӟc truyӅQWK{QJWURQJÿyVӕ Oѭӧng nút là bao nhiêu KiӇu kiӃn trúc này có thӇ gһp vҩQÿӅ vӅ khҧ QăQJPӣ rӝng khi sӕ OѭӧQJQ~WWăQJOrQ x Cҩu trúc phân tán: trong cҩu WU~FSKkQWiQFiFSKpSÿRWӯ mӛi nút nguӗn ÿѭӧc xӱ Oêÿӝc lұSWUѭӟFNKLWK{QJWLQÿѭӧc gӱLÿӃn nút hӧp nhҩt; nút hӧp nhҩt giҧi thích thông tin nhұQÿѭӧc tӯ các nút khác Nói cách khác, liên kӃt dӳ liӋX Yj ѭӟF Oѭӧng trҥQJ WKiL ÿѭӧc thӵc hiӋn trong nút nguӗQ WUѭӟc khi WK{QJ WLQ ÿѭӧc truyӅn tӟi nút hӧp nhҩW 'R ÿy Pӛi nút cung cҩp mӝW ѭӟc Oѭӧng vӅ trҥQJWKiLÿӕLWѭӧng chӍ dӵa trên các khung nhìn cөc bӝ cӫa chúng YjWK{QJWLQQj\Ojÿҫu vào cho quá trình hӧp nhҩt, cung cҩp mӝt chӃ ÿӝ xem toàn cөFÿѭӧc hӧp nhҩt Loҥi kiӃn trúc này cung cҩp các tùy chӑn và biӃn thӇ khác nhau tӯ chӍ mӝt nút hӧp nhҩWÿӃn mӝt sӕ nút hӧp nhҩt trung gian x Cҩu trúc phân cҩp: các kiӃn trúc khác bao gӗm sӵ kӃt hӧp cӫa các nút phân cҩp và phân tán, tҥRUDFiFOѭӧFÿӗ phân cҩSWURQJÿyTXiWUuQKWәng hӧp dӳ liӋXÿѭӧc thӵc hiӋn ӣ các cҩSÿӝ khác nhau trong hӋ thӕng phân cҩp
VӅ nguyên tҳc, mӝt hӋ thӕng tәng hӧp dӳ liӋu phi tұp trung khó triӇQNKDLKѫQYu các yêu cҫu vӅ tính toán và giao tiӃp Tuy nhiên, trong thӵc tӃ, không có kiӃn trúc tӕt nhҩt duy nhҩt và viӋc lӵa chӑn kiӃn trúc thích hӧp nhҩt cҫQÿѭӧc thӵc hiӋn tùy thuӝc vào yêu cҫu, nhu cҫu, mҥng hiӋn có, tính khҧ dөng cӫa dӳ liӋu, khҧ QăQJ[ӱ lý nút và tә chӭc cӫa hӋ thӕng tәng hӧp dӳ liӋu
Các kӻ thuұt kӃt hӧp dӳ liӋu
Mөc tiêu cӫa liên kӃt dӳ liӋu là thiӃt lұp tұp hӧp các quan sát hoһFSKpSÿRÿѭӧc tҥo ra bӣi cùng mӝt mөc tiêu theo thӡi gian Hall và Llinas [12@ ÿm ÿѭD UD ÿӏnh QJKƭDVDXYӅ liên kӃt dӳ liӋX³4XiWUuQKgán và tính toán trӑng sӕ OLrQTXDQÿӃn các quan sát hoһFÿѭӡQJÿLĈѭӡng có thӇ ÿѭӧFÿӏQKQJKƭDOjPӝt tұp hӧSFiFÿLӇm có thӭ tӵ theo mӝWÿѭӡng dүQYjÿѭӧc tҥo bӣi cùng mӝt mөc tiêu.) tӯ bӝ dӳ liӋu này ÿӃn viӋc quan sát các dҩu vӃt cӫa bӝ dӳ liӋu khác
Việc liên kết dữ liệu là quá trình kết nối các nguồn dữ liệu khác nhau để tạo ra một tập dữ liệu thống nhất, toàn diện hơn Quá trình này rất quan trọng đối với việc phân tích dữ liệu chính xác vì nó giúp tránh được sự không nhất quán và trùng lặp trong dữ liệu Liên kết dữ liệu có thể được thực hiện bằng nhiều cách khác nhau, tùy thuộc vào mục tiêu cụ thể của dự án.
Nearest neighbor (NN) là kӻ thuұt liên kӃt dӳ liӋXÿѫQJLҧn nhҩt NN là mӝt thuұt toán phân cөm nәi tiӃQJ ÿӇ chӑn hoһc nhóm các giá trӏ giӕng nhau nhҩt MӭF ÿӝ gҫn cӫDSKpSÿRQj\YӟLSKpSÿRNKiFSKө thuӝc vào sӕ liӋu khoҧQJFiFKÿѭӧc sӱ dөQJYjWKѭӡng phө thuӝFYjRQJѭӥQJÿѭӧc thiӃt lұp bӣi nhà thiӃt kӃ Nói chung, các tiêu FKtÿѭӧc tuyӇn dөng có thӇ dӵa trên: x Khoҧng cách tuyӋWÿӕi x Khoҧng cách Euclide x Mӝt hàm thӕng kê cӫa khoҧng cách
NN là mӝt thuұW WRiQ ÿѫQ JLҧn có thӇ tìm ra mӝt giҧi pháp khҧ thi (gҫQ ÿ~QJ trong mӝt khoҧng thӡi gian nhӓ Tuy nhiên, trong mӝW P{L WUѭӡng lӝn xӝn, nó có thӇ cung cҩp nhiӅu cһp có cùng xác suҩW Yj GR ÿy Fy WKӇ tҥo ra sӵ lan truyӅn lӛi không mong muӕn [15@ +ѫQ Qӳa, thuұt toán này có hiӋu suҩt kém trong các môi WUѭӡQJPjFiFSKpSÿRVDLWKѭӡng xuyên xҧ\UDWURQJFiFP{LWUѭӡQJFyÿӝ ӗn cao
Thuật toán K-Means là một cụm thuật toán phân cụm phi giám sát sử dụng để phân chia dữ liệu thành các cụm khác nhau Thuật toán tìm ra kết quả có khoảng cách nhỏ nhất giữa các trung tâm của các cụm dữ liệu Tuy nhiên, K-Means có một số hạn chế sau: Thuật toán không xác định được số lượng cụm tối ưu Số lượng cụm phải được chỉ định trước Thuật toán có thể gây nhạy cảm với dữ liệu đầu vào và có thể bị ảnh hưởng bởi sự thay đổi của dữ liệu.
Có mӝt sӕ FiFKÿӇ khҳc phөc nhӳng hҥn chӃ Qj\&iFKÿҫu tiên, có thӇ thӵc hiӋn thuұt toán nhiӅu lҫQYjWKXÿѭӧc giҧLSKiSFytWSKѭѫQJVDLKѫQ Cách thӭ hai, có thӇ bҳWÿҫu vӟi giá trӏ thҩp cӫa ܭ YjWăQJGҫn các giá trӏ cӫa ܭ FKRÿӃQNKLWKXÿѭӧc kӃt quҧ thích hӧp Cách thӭ ba là nhân dӳ liӋu vӟi nghӏFKÿҧo cӫa ma trұn hiӋSSKѭѫQJ sai
2.1.2.2 KӃt hӧp dӳ liӋu bҵng xác suҩt (Probabilistic Data Association):
Thuұt toán liên kӃt dӳ liӋu xác suҩW3'$ÿѭӧFÿӅ xuҩt bӣi Bar-Shalom và Tse [45] Thuұt toán này chӍ ÿӏnh mӝt xác suҩt liên kӃt cho mӛi giҧ thuyӃt tӯ mӝt phép ÿRKӧp lӋ cӫa mӝt mөc tiêu
Trong thuұWWRiQ3'$ѭӟc tính trҥng thái cӫa mөFWLrXÿѭӧc tính Gѭӟi dҥng tәng trӑng sӕ cӫa trҥQJWKiLѭӟc tính theo tҩt cҧ các giҧ thuyӃt Thuұt toán có thӇ liên kӃt FiFSKpSÿRNKiFQKDXYӟi mӝt mөc tiêu cө thӇ'RÿyVӵ liên kӃt cӫDFiFSKpSÿR khác nhau vӟi mӝt mөc tiêu cө thӇ JL~S 3'$ ѭӟc tính trҥng thái mөc tiêu và xác suҩt liên kӃW ÿѭӧc sӱ dөng làm trӑng sӕ NhӳQJ QKѭӧF ÿLӇm chính cӫa thuұt toán PDA là: x Mҩt dҩu vӃt: vì PDA bӓ qua sӵ can thiӋp cӫa các mөFWLrXNKiFQrQÿ{LNKL nó có thӇ phân loҥi sai các thông tin gҫn nhҩW'RÿyQyFyKLӋu suҩt kém khi các mөc tiêu gҫn nhau hoһc giao nhau x KӃt quҧ là xҩp xӍ: khi nguӗn thông tin không chҳc chҳn, PDA là xҩp xӍ Bayes tӕLѭXFKREjLWRiQOLrQNӃt x ChӍ có mӝt mөF WLrX 3'$ EDQ ÿҫX ÿѭӧc thiӃt kӃ ÿӇ kӃt hӧp mӝt mөc tiêu trong mӝWP{LWUѭӡng ít lӝn xӝn Sӕ Oѭӧng cҧQKEiRVDLWKѭӡQJÿѭӧc mô hình hóa vӟi phân phӕL 3RLVVRQ Yj FK~QJ ÿѭӧc giҧ ÿӏnh là phân bӕ ÿӗng nhҩt trong không gian PDA hoҥWÿӝng không chính xác khi có nhiӅu mөc tiêu do P{KuQKEiRÿӝng giҧ không hoҥWÿӝng tӕt
3'$ WKѭӡng tӕt khi theo dõi các mөc tiêu không tҥR UD FiF WKD\ ÿәL ÿӝt ngӝt trong kiӇu chuyӇQÿӝng cӫa chúng PDA rҩt có thӇ sӁ mҩt mөc tiêu nӃu nó thӵc hiӋn FiFWKD\ÿәLÿӝt ngӝt trong các kiӇu chuyӇQÿӝng cӫa nó
Joint Probabilistic Data Association (JPDA) là mӝWSKѭѫQJSKiSWLӃp cұn tӕLѭX ÿӇ theo dõi nhiӅu mөFWLrXWURQJP{LWUѭӡng lӝn xӝQ-3'$WѭѫQJWӵ QKѭ3'$Yӟi sӵ khác biӋt là xác suҩt liên kӃWÿѭӧc tính bҵng cách sӱ dөng tҩt cҧ các quan sát và tҩt cҧ các mөFWLrX'RÿyWUiLQJѭӧc vӟi PDA, JPDA xem xét các giҧ thuyӃt khác nhau vӟi nhau và kӃt hӧp chúng
3KѭѫQJSKiSQj\NӃt hӧp tҩt cҧ các quan sát (bên trong vùng lân cұn cӫa vӏ trí dӵ ÿRiQFӫa mөFWLrXÿӇ cұp nhұt vӏ WUtѭӟc tính bҵng cách sӱ dөng xác suҩt sau là tәng trӑng sӕ cӫa các phҫQGѭ
Các hҥn chӃ cӫa JPDA là: x MӝWSKpSÿRNK{QJWKӇ ÿӃn tӯ nhiӅXKѫQPӝt mөc tiêu x +DLSKpSÿRNK{QJWKӇ ÿѭӧc bҳt nguӗn bӣi cùng mӝt mөc tiêu (tҥi mӝt thӡi ÿLӇm tӭc thì) x Tәng tҩt cҧ các xác suҩt cӫDSKpSÿRÿѭӧc gán cho mӝt mөc tiêu phҧi là 1: ݉ (݇) ݅ = 0 ߚ݅ݐ (݇) = 1
NhӳQJQKѭӧFÿLӇm chính cӫa JPDA là: x Nó yêu cҫu mӝW Fѫ FKӃ U} UjQJ ÿӇ khӣi tҥR WKHR G}L 7ѭѫQJ Wӵ QKѭ 3'$ JPDA không thӇ khӣi tҥo các kӃt quҧ mӟi hoһc loҥi bӓ các kӃt quҧ nҵm ngoài vùng quan sát x JPDA là mӝt thuұt toán có khӕLOѭӧng tính toán lӟQNKLQyÿѭӧc áp dөng theo P{LWUѭӡng làm viӋc theo nhiӅu mөc tiêu vì sӕ Oѭӧng giҧ thuyӃWÿѭӧFWăQJOrQ theo cҩp sӕ nhân vӟi sӕ Oѭӧng mөc tiêu
Nói chung, JPDA thích hӧSKѫQ0+7WURQJFiFWuQKKXӕng mà mұWÿӝ các phép ÿRVDLFDRWӭc là các ӭng dөng sonar)
2.1.2.4 Multiple Hypothesis Test: éWѭӣQJFѫEҧn cӫa Multiple Hypothesis Test (MHT) dӵa trên viӋc sӱ dөQJKѫQ hai lҫn quan sát liên tiӃSÿӇ tҥo ra mӕi liên hӋ vӟi kӃt quҧ tӕW KѫQ &iFWKXұt toán khác chӍ sӱ dөng hai lҫn quan sát liên tiӃp có xác suҩt tҥo ra lӛLFDRKѫQ
1Jѭӧc lҥi vӟL3'$Yj-3'$0+7ѭӟc tính tҩt cҧ các giҧ thuyӃt có thӇ có và duy trì các giҧ thuyӃt mӟi trong mӛi lҫn lһp
0+7ÿѭӧc phát triӇQÿӇ theo dõi nhiӅu mөFWLrXWURQJP{LWUѭӡng lӝn xӝn, kӃt quҧ là nó kӃt hӧp vҩQ ÿӅ liên kӃt dӳ liӋu và theo dõi thành mӝt khuôn khә thӕng nhҩt, trӣ thành mӝt kӻ thuұWѭӟc tính Quy tҳc Bayes hoһc mҥQJ%D\HVWKѭӡQJÿѭӧc sӱ dөQJÿӇ tính toán giҧ thuyӃt MHT Nhìn chung, các nhà nghiên cӭXÿmWX\rQEӕ rҵng MHT hoҥWÿӝng tӕWKѫQ-3'$7X\QKLrQQKѭӧFÿLӇm chính cӫa MHT là chi phí tính toán khi sӕ Oѭӧng thông tin nhұQÿѭӧc hoһc các giҧ ÿӏQKWăQJOrQ
1KѭӧFÿLӇm chính cӫa thuұWWRiQQj\OjFKLSKtWtQKWRiQWăQJWKHRFҩp sӕ nhân cùng vӟi sӕ OѭӧQJÿѭӡQJÿLYjSKpSÿR'RÿyYLӋc triӇn khai thӵc tӃ cӫa thuұt toán này bӏ hҥn chӃ vì nó là cҩp sӕ nhân cҧ vӅ thӡi gian và bӝ nhӟ
2.1.2.5 Distributed Joint Probabilistic Data Association:
Distributed Joint Probabilistic Data Association (JPDA-' ÿѭӧc trình bày bӣi Chang và các cӝng sӵ [24] Trong kӻ thuұt này, trҥng thái ѭӟc tính cӫa mөc tiêu (sӱ dөng hai cҧm biӃn)
Giao tiếp đóng vai trò quan trọng trong cuộc sống hàng ngày Mỗi lần giao tiếp đều có những ý nghĩa và giá trị khác nhau Khi chúng ta giao tiếp nhiều, chúng ta sẽ học được nhiều hơn về bản thân và thế giới xung quanh.
'RÿyWKXұt toán này là mӝt mô hình lý thuyӃt có mӝt sӕ hҥn chӃ trong ӭng dөng thӵc tӃ
Distributed Multiple Hypothesis Test MHT (MHT-D) [43, 44] tuân theo cҩu trúc WѭѫQJWӵ QKѭWKXұt toán JPDA-D
Thuұt toán MHT-D bao gӗPFiFEѭӟc sau: x Hình thành giҧ thuyӃW ÿӕi vӟi mӛi cһp giҧ thuyӃt, có thӇ ÿѭӧc hӧp nhҩt, WURQJÿyPӛi cһSÿӃn tӯ mӝt nút và có thӇ xuҩt phát tӯ cùng mӝt mөc tiêu KӃt quҧ cuӕi cùng cӫDJLDLÿRҥn này là mӝt tұp hӧp các giҧ thuyӃt và các bҧn nhҥc hӧp nhҩt x ĈiQKJLiJLҧ thuyӃt: tronJJLDLÿRҥn này, xác suҩt kӃt hӧp cӫa mӛi giҧ thuyӃt và trҥQJ WKiL ѭӟc tính cӫa mӛL ÿѭӡng dүn hӧp nhҩW ÿѭӧF WKX ÿѭӧc Thuұt WRiQѭӟFOѭӧQJSKkQWiQÿѭӧc sӱ dөQJÿӇ tính toán khҧ QăQJFӫa các liên kӃt có thӇ FyYjFiFѭӟFWtQKWKXÿѭӧc tҥi mӛi liên kӃt cө thӇ
1KѭӧFÿLӇm chính cӫa MHT-D là khӕLOѭӧng tính toán rҩt cao
2.1.3 &iFSKѭѫQJSKiSѭӟc tính trҥng thái:
Bӝ lӑc Kalman
Tәng quan vӅ tính toán
Bӝ lӑc Kalman sӱ dөQJP{KuQKÿӝng lӵc hӑc cӫa hӋ thӕng (ví dө: các quy luұt vұt lý cӫa chuyӇQÿӝQJFiFÿҫXYjRÿLӅu khiӇQÿmELӃt cho hӋ thӕQJÿyYjQKLӅu SKpSÿRWXҫn tӵ (chҷng hҥQQKѭWӯ cҧm biӃQÿӇ tҥRUDѭӟc tính vӅ FiFÿҥLOѭӧng WKD\ÿәi cӫa hӋ thӕng (trҥng thái cӫa nó) tӕWKѫQVRYӟLѭӟFWtQKWKXÿѭӧc khi chӍ sӱ dөng mӝWSKpSÿR bҩt kǤ1KѭYұy, nó là mӝt thuұt toán tәng hӧp cҧm biӃn và kӃt hӧp dӳ liӋu phә biӃn
Dӳ liӋu cҧm biӃn nhiӉu, giá trӏ gҫQ ÿ~QJ WURQJ FiF SKѭѫQJ WUuQK P{ Wҧ sӵ phát triӇn cӫa hӋ thӕng và các yӃu tӕ ErQQJRjLNK{QJÿѭӧFWtQKÿӃn tҩt cҧ các giӟi hҥn vӅ khҧ QăQJ [iF ÿӏnh trҥng thái cӫa hӋ thӕng Bӝ lӑc Kalman xӱ lý hiӋu quҧ ÿӝ NK{QJÿҧm bҧo do dӳ liӋu cҧm biӃn nhiӉu và ӣ mӝt mӭFÿӝ QjRÿyFNJQJYӟi các yӃu tӕ ngүu nhiên bên ngoài
Bӝ lӑF.DOPDQÿѭDUDѭӟc tính vӅ trҥng thái cӫa hӋ thӕQJGѭӟi dҥng giá trӏ trung bình cӫa trҥQJ WKiL ÿѭӧc dӵ ÿRiQ Fӫa hӋ thӕng và cӫD SKpS ÿR Pӟi bҵng cách sӱ dөng giá trӏ trung bình có trӑng sӕ MөFÿtFKFӫa trӑng sӕ là các giá trӏ Fyÿӝ không ÿҧm bҧRÿRѭӟc tính tӕWKѫQWӭc là nhӓ KѫQÿѭӧF³WLQFұ\´KѫQ7Uӑng sӕ ÿѭӧc tính toán tӯ hiӋS SKѭѫQJ VDL PӝW SKpS ÿR ÿӝ NK{QJ ÿҧm bҧR ÿR ѭӟc tính cӫa dӵ ÿRiQYӅ trҥng thái cӫa hӋ thӕng
KӃt quҧ cӫa giá trӏ trung bình có trӑng sӕ là mӝWѭӟFOѭӧng trҥng thái mӟi nҵm giӳa trҥQJ WKiL ÿѭӧc dӵ ÿRiQ Yj ÿR OѭӡQJ Yj Fy ÿӝ NK{QJ ÿҧm bҧR ÿR ÿѭӧF ѭӟc tính tӕWKѫQPӝWWURQJKDL4XiWUuQKQj\ÿѭӧc lһp lҥi ӣ mӑLEѭӟc thӡi gian, vӟLѭӟc tính mӟi và hiӋSSKѭѫQJVDLFӫa nó thông báo cho dӵ ÿRiQÿѭӧc sӱ dөng trong lҫn lһS VDX ĈLӅX Qj\ Fy QJKƭD Oj Eӝ lӑc Kalman hoҥW ÿӝQJ ÿӋ quy và chӍ yêu cҫu
"phӓQJÿRiQWӕt nhҩt" cuӕi cùng, thay vì toàn bӝ lӏch sӱ, vӅ trҥng thái cӫa hӋ thӕng ÿӇ tính trҥng thái mӟi
Tính chҳc chҳQWѭѫQJÿӕi cӫDFiFSKpSÿRYjѭӟc tính trҥng thái hiӋn tҥi là mӝt yӃu tӕ quan trӑng cҫQ[HP[pWYjWK{QJWKѭӡQJQJѭӡi ta sӁ thҧo luұn vӅ phҧn ӭng cӫa bӝ lӑc vӅ ÿӝ lӧi cӫa bӝ lӑc Kalman HӋ sӕ Kalman là trӑng sӕ WѭѫQJÿӕLÿѭӧc cung cҩS FKR FiF SKpS ÿR Yj ѭӟc tính trҥng thái hiӋn tҥi, và có thӇ ÿѭӧF ³ÿLӅu chӍQK´ÿӇ ÿҥWÿѭӧc hiӋu suҩt cө thӇ Vӟi mӭc hӋ sӕ Kalman cao, bӝ lӑFÿһt nhiӅu trӑng sӕ KѫQYjRFiFSKpSÿRJҫQÿk\QKҩWYjGRÿyWKHRG}LFK~QJPӝt cách phҧn hӗLKѫQ9ӟi hӋ sӕ Kalman thҩp, bӝ lӑc theo sát các dӵ ÿRiQFӫDP{KuQKKѫQӢ các cӵc trӏ ÿӝ lӧi cao gҫn bҵng mӝt sӁ dүQ ÿӃn quӻ ÿҥR ѭӟc tính nhҧy vӑW KѫQ trong khi hӋ sӕ Kalman gҫn bҵng 0 sӁ làm dӏu nhiӉXQKѭQJOjPJLҧm khҧ QăQJSKҧn hӗi
Khi thӵc hiӋn các tính toán thӵc tӃ cho bӝ lӑFѭӟc tính trҥng thái và hiӋSSKѭѫQJ VDLÿѭӧc thӇ hiӋn thành ma trұQÿӇ xӱ lý nhiӅu thӭ nguyên trong khӕLOѭӧng trong mӝt tұp hӧSWtQKWRiQĈLӅu này cho phép biӇu diӉn các mӕi quan hӋ tuyӃn tính giӳa các biӃn trҥng thái khác nhau (chҷng hҥQQKѭYӏ trí, vұn tӕc và gia tӕc) trong bҩt kǤ mô hình chuyӇQÿәi hoһc hiӋSSKѭѫQJVDLQjR
Mô hình bӝ lӑc Kalman tiêu chuҭn
Các bӝ lӑc Kalman dӵa trên hӋ thӕQJ ÿӝng lӵc hӑc tuyӃn tính trong miӅn thӡi JLDQ&K~QJÿѭӧc mô hình hóa trên mӝt chuӛL0DUNRYÿѭӧc xây dӵng trên các toán tӱ tuyӃn tính bӏ xáo trӝn bӣi các error có thӇ bao gӗm nhiӉu Gaussian Trҥng thái cӫa hӋ thӕQJÿѭӧc biӇu diӉQGѭӟi dҥng vector các sӕ thӵc Tҥi mӛi khoҧng tăQJWKӡi gian rӡi rҥc, mӝt toán tӱ tuyӃQWtQKÿѭӧc áp dөng cho trҥQJWKiLÿӇ tҥo ra trҥng thái mӟi, vӟi mӝt sӕ nhiӉXÿѭӧc trӝn vào và tùy chӑn mӝt sӕ thông tin tӯ FiFÿLӅu khiӇn trên hӋ thӕng nӃX FK~QJ ÿѭӧc biӃW ÿӃQ 6DX ÿy Pӝt toán tӱ tuyӃQ WtQK NKiF ÿѭӧc trӝn vӟi nhiӅu nhiӉXKѫQWҥo ra các kӃt quҧ ÿҫXUDTXDQViWÿѭӧc tӯ trҥng thái thӵc ³ҭQ´ %ӝ lӑc Kalman có thӇ ÿѭӧF FRL Oj WѭѫQJ Wӵ vӟi mô hình Markov ҭn, vӟi ÿLӇm khác biӋt chính là các biӃn trҥng thái ҭn nhұn giá trӏ trong mӝt không gian liên tөc (triLQJѭӧc vӟi mӝt không gian trҥng thái rӡi rҥFQKѭWURQJP{KuQK0DUNRYҭn)
Có mӝt sӵ ÿӕi ngүu mҥnh mӁ giӳD FiF SKѭѫQJ WUuQK Fӫa Bӝ lӑc Kalman và các
SKѭѫQJ WUuQK Fӫa mô hình Markov ҭQ ĈiQK JLi YӅ mô hình này và các mô hình NKiF ÿѭӧF ÿѭD UD WURQJ 5RZHLV và Ghahramani (1999), [32] và Hamilton (1994),
Để hiểu rõ diễn biến bên trong một quá trình chạy thử, chúng ta phải lập mô hình quá trình phù hợp với khuôn khổ của mình Dựa vào đó, chúng ta có thể xác định các ma trận sau:
Mô hình chuyển trạng thái Fk, phản ánh trạng thái của hệ thống; mô hình quan sát Hk, quan sát các quá trình; Qk, tập hợp các tập hợp trạng thái của nhiều quá trình; Rk, tập hợp các tập hợp trạng thái của tiếng ồn hệ thống; và Pk, luật điều khiển, cho phép tính toán hành động điều khiển tại mỗi thời điểm, mô tả một hệ thống Ergodic.
Hình 4 Mô hình bên trong b͡ l͕c Kalman
Mô hình bӝ lӑc Kalman giҧ ÿӏnh trҥQJWKiLÿ~QJWҥi thӡLÿLӇPNÿѭӧc phát triӇn tӯ trҥng thái ӣ (k-1) theo:
F k là mô hình chuyӇn trҥQJWKiLÿѭӧc áp dөng cho trҥQJWKiLWUѭӟFÿyX Nౠ
B k OjP{KuQKÿҫXYjRÿLӅu khiӇQÿѭӧc áp dөQJFKRYHFWѫÿLӅu khiӇn u k
W k là nhiӉXTXiWUuQKÿѭӧc giҧ ÿӏnh rút ra tӯ phân phӕi chuҭQÿDELӃn trung bình bҵng 0 vӟi hiӋSSKѭѫQJVDLQ k
Tҥi thӡL ÿLӇm k, mӝt quan sát (hoһF SKpS ÿRz k cӫa trҥng thái thӵc X k ÿѭӧc thӵc hiӋn theo: z k = C k X k + v k (2)
WURQJÿyC k là mô hình quan sát ánh xҥ không gian trҥng thái thӵc vào không gian quan sát và v k là nhiӉX TXDQ ViW ÿѭӧc giҧ ÿӏnh là nhiӉu trҳng Gaussian trung bình bҵng 0 vӟi hiӋSSKѭѫQJVDLR k v k N (0; R k )
TrҥQJWKiLEDQÿҫXYjFiFYHFWѫQKLӉu ӣ mӛLEѭӟc {X 0 , w 1 ôw k , v 1 ôv k `ÿӅu ÿѭӧc giҧ ÿӏQKOjÿӝc lұp lүn nhau
Bӝ lӑF.DOPDQÿѭӧc áp dөng bҵng cách thӵc hiӋQFiFEѭӟc sau: Ӣ EѭӟFѭӟFOѭӧng tiên nghiӋm trҥng thái cӫa hӋ thӕng ӣ thӡLÿLӇPNÿѭӧc xác ÿӏQKQKѭVDX ܆ ାଵȁ = ܨ ܆ ȁ + ۰ ܝ (3) 6DXÿyWtQKWRiQPDWUұn hiӋSSKѭѫQJVDLVDLVӕ dӵ ÿRiQ3FKRWKӡLÿLӇm k + 1: ۾ ାଵȁ = ۴ ۾ ȁ ۴ ் + Q (4)
Cұp nhұt lҥi trҥng thái cӫa hӋ thӕng dӵa vào kӃt quҧ ÿROѭӡng: ܆ ାଵȁାଵ ൌ ܆ ାଵȁ ۹ ାଵ ൫ࢠ ାଵ െ ܆ ାଵȁ ൯ (6)
Ma trұn hiӋSSKѭѫQJVDLPӟLÿѭӧc cұp nhұt lҥLQKѭVDX
30 ۾ ାଵȁାଵ ൌ ሺࡵ െ ۹ ାଵ ሻ۾ ାଵȁ ሺࡵ െ ۹ ାଵ ሻ ் ۹ ାଵ ࡾ۹ ାଵ ࢀ (7) Vӟi ࡵ là ma trұQÿѫQYӏ
HoҥWÿӝng cӫa giҧi thuұt có thӇ ÿѭӧc trình bày trong Pseudocode sau:
Initialization: X 0 , P 0 for current time k do
%ѭӟc hiӋu chӍnh KF: ۹ ାଵ ൌ ۾ ାଵȁ ் ۾ ାଵȁ ் ࡾ ܆ ାଵȁାଵ ൌ ܆ ାଵȁ ۹ ାଵ ൫ܢ ାଵ െ ܆ ାଵȁ ൯ ۾ ାଵȁାଵ ൌ ሺࡵ െ ۹ ାଵ ሻ۾ ାଵȁ ሺࡵ െ ۹ ାଵ ሻ ் ۹ ାଵ ࡾ۹ ାଵ ࢀ end
&KѭѫQJ THIӂT Kӂ GIҦI THUҰT KӂT HӦP CҦM BIӂN VÀ BӜ Ĉ,ӄU KHIӆN:
ThiӃt kӃ giҧi thuұt kӃt hӧp cҧm biӃn bҵng bӝ lӑc Kalman mӣ rӝng (EKF)
Ĉӏnh vӏ robot bҵng EKF
Do chuyển động của robot không phải là tuyến tính nên không thể áp dụng trực tiếp bộ lọc Kalman vào việc định vị Chúng tôi đề xuất một bộ lọc Kalman mở rộng để giải quyết vấn đề này.
Vӟi mô hình cӫD[HKDLEiQKÿѭӧc trình bày WURQJ+uQK4XmQJÿѭӡQJÿLÿѭӧc cӫa mӛi bánh xe trái và phҧLÿѭӧF[iFÿӏQKQKѭVDX οܵ ǡோ ൌߨܦ ݊ܥ ܰ ǡோ (8)
Vӟi: ܦ Ojÿѭӡng kính bánh xe ܥ Ojÿӝ phân giҧi cӫa encoder n là tӹ sӕ truyӅn giӳDÿӝQJFѫYjEiQK[H
N là sӕ [XQJWăQJÿѭӧc ghi nhұn bӣi encoder
Hình 5 Ĉ͡ d͓ch chuy͋n cͯa robot d̩ng 2 bánh
Vӟi khoҧng thӡi gian lҩy mүu cӫa bӝ mã hóa là T, vұn tӕc tuyӃn tính và vұn tӕc góc cӫa robot có thӇ ÿѭӧFWtQKQKѭVDX ݝ = οௌ ೃ ାοௌ ಽ ଶ் (9) Ȧ οௌ ೃ ିοௌ ಽ ் (10)
Vӟi b là khoҧng cách cӫa hai odometry encoder
NӃu chu kǤ lҩy mүu rҩt nhӓ, Yj ÿһt trҥng thái cӫa robot là
X(t)=ሾሺሻ ሺሻ Ʌሺሻሿ ் WKu P{ KuQK ÿӝng hӑc cӫa robot có thӇ ÿѭӧc mô tҧ bҵQJFiFSKѭѫQJWUuQKVDX ܆ሶሺሻ ൌ ݔሶሺݐሻ ݕሶሺݐሻ ߠሶሺݐሻ ൌ ݒሺݐሻܿݏɅሺݐሻ ݒሺݐሻݏ݅݊ߠሺݐሻ ߱ሺݐሻ (11) ĈӃQÿk\SKѭѫQJWUuQKWUҥng thái cӫa robot:
Vӟi control input u(t)=ሾሺሻ ɘሺሻሿ ் , có thӇ viӃt lҥLP{KuQKÿӝng hӑc vӟi dҥng SKѭѫQJWUuQKYLSKkQQKѭVDX ܺሺݐሻ ൌ ݂൫ࢄሺݐሻǡ ࢛ሺݐሻ൯ (13)
Giҧ ÿӏnh rҵng trong thӡi gian lҩy mүu này, vұn tӕc tuyӃn tính và vұn tӕc góc NK{QJÿәLYj[HÿDQJÿLWKHRÿѭӡQJYzQJFXQJNKLÿy:
NӃX[pWEѭӟc bҳWÿҫu là k gLDLÿRҥn cұp nhұt:
Vӟi: ࢄ ൌ ሾݔ ݕ ߠ ሿ ் ÿѭӧF[iFÿӏQKQKѭVDX ൌ ۏ ێ ێ ێ ێ ێ ۍ߲݃ ௫ ߲ݔ ߲݃ ௫ ߲ݕ ߲݃ ௫ ߲ߠ ߲݃ ௬ ߲ݔ ߲݃ ௬ ߲ݕ ߲݃ ௬ ߲ߠ ߲݃ ఏ ߲ݔ ߲݃ ఏ ߲ݕ ߲݃ ఏ ߲ߠ ے ۑ ۑ ۑ ۑ ۑ ې ൌ ۏ ێ ێێ ۍܶܿݏ ൬ߠ ȟߠ ʹ ൰ Ͳ ܶݏ݅݊ ൬ߠ ȟߠ ʹ ൰ Ͳ Ͳ ͳے ۑ ۑۑ ې
7KHRQKѭ:DQJ&0>10] thì ma trұn nhiӉu quá trình khi tuyӃQWtQKKyDÿѭӧc [iFÿӏQKQKѭVDX ࡽ ൌ ሾࡽ ࡽ ࡽ ሿ (18) ࡽ ൌ ܳ ଵଵ ܶ ܳ ଷଷ ሺܶ ଷ Ȁ͵ሻݒ ଶ ݏ݅݊ ଶ ߠ െܳ ଷଷ ሺܶ ଷ Ȁ͵ሻݒ ଶ ߠ ߠ െܳ ଷଷ ሺܶ ଶ Ȁʹሻݒ ߠ (19) ࡽ ൌ െܳ ଷଷ ሺܶ ଷ Ȁ͵ሻݒ ଶ ߠ ߠ ܳ ଶଶ ܶ ܳ ଷଷ ሺܶ ଷ Ȁ͵ሻݒ ଶ ܿݏ ଶ ߠ ܳ ଷଷ ሺܶ ଶ Ȁʹሻݒ ߠ (20)
Vӟi Q11=ߪ ௫ ଶ , Q22=ߪ ௬ ଶ , Q33=ߪ ఏ ଶ Oj ÿѭӡng chéo các phҫn tӱ cӫa ma trұn hiӋp SKѭѫQJVDLQ (t) cӫa wWWURQJSKѭѫQJWUuQK Ӣ gLDLÿRҥn hiӋu chӍnh: ۹ ୩ାଵ ൌ ۾ ୩ାଵ ି ۱ ୩ାଵ ൣ۱ ୩ାଵ ۾ ୩ାଵ ି ۱ ୩ାଵ ܀ ୩ାଵ ൧ ିଵ (22) ܆ ୩ାଵ ൌ ܆ ୩ାଵ ି ۹ ୩ାଵ ሾࢠ ୩ାଵ െ ۱ ୩ାଵ ܆ ୩ାଵ ି ሿ (23) ࡼ ାଵ ൌ ሾ۷ െ ࡷ ାଵ ାଵ ሿࡼ ାଵ ି (24) 7URQJÿy
Ma trұn nhiӉXÿROѭӡng: ࡾ ൌ ߪ ௫ ଶ Ͳ Ͳ Ͳ ߪ ௬ ଶ Ͳ Ͳ Ͳ ߪ ఏ ଶ (25)
Vector giá trӏ ÿROѭӡng: ݖ ାଵ = ݔ ݕ ߠ ൩ (26) ݔ , ݕ , ߠ lҫQOѭӧt là giá trӏ ÿROѭӡng cӫa x, y, ߠ thông qua các cҧm biӃn
Ma trұn I là ma trұQÿѫQYӏ:
HoҥWÿӝng cӫa giҧi thuұt có thӇ ÿѭӧc trình bày trong Pseudocode sau:
Algorithm 2: Ĉӏnh vӏ robot bҵng EKF
Initialization: X 0 , P 0 for current time k do
%ѭӟc hiӋu chӍnh EKF: ۹ ୩ାଵ ൌ ۾ ୩ାଵ ି ۱ ୩ାଵ ൣ۱ ୩ାଵ ۾ ୩ାଵ ି ۱ ୩ାଵ ܀ ୩ାଵ ൧ ିଵ ܆ ୩ାଵ ൌ ܆ ୩ାଵ ି ۹ ୩ାଵ ሾܢ ୩ାଵ െ ۱ ୩ାଵ ܆ ୩ାଵ ି ሿ ࡼ ାଵ ൌ ሾ۷ െ ࡷ ାଵ ାଵ ሿࡼ ାଵ ି ѬӟFOѭӧng vӏ WUtGQJSKѭѫQJWUuQK(14) Ѭӟc tính ma trұn hiӋSSKѭѫQJVDLGQJSKѭѫQJWUuQK end
KӃt hӧp cҧm biӃQWURQJÿӏnh vӏ robot bҵng EKF
KӃt hӧp nhiӅu cҧm biӃQWURQJÿӏnh vӏ robot bҵng EKF khác biӋt vӟLÿӏnh vӏ robot bҵng EKF dùng mӝt cҧm biӃn ӣ chӛ lӵa chӑn ma trұn quan sát C sao cho phù hӧp vӟLYHFWRUÿROѭӡng z
4.1.2.1 ;iFÿӏnh mô hình quan sát khi kӃt hӧp cҧm biӃn ± ma trұn C: Ĉӕi vӟi mô hình quan sát không có kӃt hӧp dӳ liӋu thì ma trұn C sӁ là ma trұn vuông nxn vӟi n là NtFKWKѭӟc theo hàng cӫDYHFWRUÿROѭӡng z
Khi kӃt hӧp cҧm biӃn, ӣ Eѭӟc hiӋu chӍnh trҥng thái cӫa robot, kӃt quҧ quan sát: ܢ ୩ାଵ െ ۱ ୩ାଵ ܆ ୩ାଵ ି (29)
Vӟi: ݔ ௦ଵ ôݔ ௦ là tӑDÿӝ WKHRSKѭѫQJ[ÿѭӧc ghi nhұn theo cỏc cҧm biӃn sӕ ÿӃn thӭ i ݕ ௦ଵ ôݕ ௦ là tӑDÿӝ WKHRSKѭѫQJ\ÿѭӧc ghi nhұn theo cỏc cҧm biӃn sӕ ÿӃn thӭ j ߠ ௦ଵ ôߠ ௦ OjKѭӟng cӫDURERWÿѭӧc ghi nhұn theo cỏc cҧm biӃn sӕ ÿӃn thӭ n ܆ ୩ାଵ ି = ୩ାଵ ି ୩ାଵ ି ߠ ୩ାଵ ି ൩
(31) ĈӇ thӵc hiӋQÿѭӧFSKѭѫQJWUuQKWKuNtFKWKѭӟc cӫa ma trұn C phҧi là (mx3) vӟi m= i+j+n
Mһt khác các phҫn tӱ bên trong ma trұn C:
.KLÿySKѭѫQJWUuQKVӁ có kӃt quҧ: ܢ ୩ାଵ െ ۱ ୩ାଵ ܆ ୩ାଵ ି ൌ ۏ ێ ێ ێ ێ ێ ێ ێ ۍݔ ௦ଵ ǥ ݔ ௦ ݕ ௦ଵ ǥ ݕ ௦ ߠ ௦ଵ ǥ ߠ ௦ ے ۑ ۑ ۑ ۑ ۑ ۑ ۑ ې െ ۏ ێ ێ ێ ێ ێ ێ ێ ۍͳ Ͳ Ͳ ǥ Ͳ Ͳ ͳ Ͳ Ͳ Ͳ ͳ Ͳ Ͳ ǥ Ͳ Ͳ ͳ Ͳ Ͳ Ͳ ͳ Ͳ Ͳ ǥ Ͳ Ͳ ͳے ۑ ۑ ۑ ۑ ۑ ۑ ۑ ې ଷ Ǥ ୩ାଵ ି ୩ାଵ ି ߠ ୩ାଵ ି ൩ ۏ ێ ێ ێ ێ ێ ێ ێ ۍݔ ௦ଵ െ ୩ାଵ ି ǥ ݔ ௦ െ ୩ାଵ ି ݕ ௦ଵ െ ୩ାଵ ି ǥ ݕ ௦ െ ୩ାଵ ି ߠ ௦ଵ െ ߠ ୩ାଵ ି ǥ ߠ ௦ െ ߠ ୩ାଵ ି ے ۑ ۑ ۑ ۑ ۑ ۑ ۑ ې ௫ଵ
Vӟi ma trұn C vӯDÿѭӧF[iFÿӏnh thì ma trұn hӋ sӕ DOPDQÿѭӧF[iFÿӏnh ӣ SKѭѫQJ trình (22) trӣ thành:
Trong luұQ YăQ kӃt hӧp hai cҧm biӃn là encoder và mӝt cҧm biӃQ ÿӏnh vӏ toàn cөc: GPS trong mô phӓng và UWB trong kiӇm tra thӵc nghiӋm
.KLÿyPDWUұn z là: ࢠሺݐሻ ൌ ۏ ێێ ێ ۍݔ̴ܩܲܵ ݔ̴݀ ݕ̴ܩܲܵ ݕ̴݀ ߠ ےۑۑۑ ې
'RÿyPDWUұn quan sát C là: ൌ ۏ ێێ ێ ۍͳ Ͳ Ͳ ͳ Ͳ Ͳ Ͳ ͳ Ͳ Ͳ ͳ Ͳ Ͳ Ͳ ͳے ۑۑ ۑ ې
Ma trұn sai sӕ ÿROѭӡQJ5ÿѭӧF[iFÿӏQKQKѭVDX ࡾ ൌ ۏ ێ ێ ێ ێ ۍߪ ௫̴ீௌ ଶ Ͳ Ͳ Ͳ Ͳ Ͳ ߪ ௫̴ௗ ଶ Ͳ Ͳ Ͳ Ͳ Ͳ ߪ ௬̴ீௌ ଶ Ͳ Ͳ Ͳ Ͳ Ͳ ߪ ௬̴ௗ ଶ Ͳ Ͳ Ͳ Ͳ Ͳ ߪ ఏ ଶ ے ۑ ۑ ۑ ۑ ې
7X\QKLrQÿӕi vӟi encoder thì sai sӕ bӏ cӝng dӗn theo tӯng chu kǤ nên hӋ sӕ sai sӕ trong ma trұn R cӫDHQFRGHUFNJQJVӁ ÿѭӧc cӝng dӗn
4.1.2.3 3KѭѫQJÿҫ\ÿӫ cӫa giҧi thuұt kӃt hӧp cҧm biӃn bҵng EKF:
HoҥWÿӝng cӫa giҧi thuұt có thӇ ÿѭӧc trình bày trong Pseudocode sau:
Algorithm 2: KӃt hӧp cҧm biӃQNKLÿӏnh vӏ robot bҵng EKF
Initialization: X 0 , P 0 for current time k do
%ѭӟc hiӋu chӍnh EKF: ۹ ୩ାଵ ൌ ۾ ୩ାଵ ି ۱ ୩ାଵ ൣ۱ ୩ାଵ ۾ ୩ାଵ ି ۱ ୩ାଵ ܀ ୩ାଵ ൧ ିଵ ܆ ୩ାଵ ൌ ܆ ୩ାଵ ି ۹ ୩ାଵ ሾܢ ୩ାଵ െ ۱ ୩ାଵ ܆ ୩ାଵ ି ሿ ࡼ ାଵ ൌ ሾ۷ െ ࡷ ାଵ ାଵ ሿࡼ ାଵ ି ѬӟFOѭӧng vӏ WUtGQJSKѭѫQJWUuQK Ѭӟc tính ma trұn hiӋSSKѭѫQJVDLGQJSKѭѫQJWUuQK end
Mô phӓng kӃt hӧp cҧm biӃQWURQJÿӏnh vӏ robot bҵng EKF vӟi tín hiӋu giҧ lұp
Các loҥi cҧm biӃQÿѭӧc dùng trong quá trình mô phӓng là cҧm biӃn RTK-GPS và Encoder
Cҧm biӃQ*36ÿѭӧc giҧ sӱ là cҧm biӃn RTK-GPS vӟi sai sӕ WKHRSKѭѫQJ[Yj.
Vӟi: xGPS, yGPS là tӑDÿӝ giҧ lұp cӫa cҧm biӃn GPS exGPS, eyGPS lҫQOѭӧt là sai sӕ WKHRSKѭѫQJ[Yj\Fӫa cҧm biӃn GPS exGPS =eyGPS = 0.15
Cҧm biӃn Odometry: xodo(i)=xodo(i-1) + ݔሶ(i)+rand*exodo; yodo(i)=yodo(i-1) + ݕሶ(i)+rand*eyodo;
Vӟi: xodo, yodo là tӑDÿӝ giҧ lұp cӫa Odometry exodo, eyodo lҫQOѭӧt là sai sӕ WKHRSKѭѫQJ[Yj\Fӫa Odometry exodo =eyodo = 0.001
KӃt quҧ mô phӓng tín hiӋu cҧm biӃn GPS và Odometry khi robot di chuyӇn theo biên dҥng zigzag:
Hình 6 Mô ph͗ng tín hi u gi̫ l̵p c̫m bi͇n GPS và Odometry
So sánh kӃt quҧ áp dөng kӃt hӧp cҧm biӃn GPS và Odometry bҵng EKF và chӍ lӑc tín hiӋu GPS bҵng EKF:
7KHRQKѭNӃt quҧ mô phӓng ӣ Hình 7, Hình 8, Hình 9 thì viӋc kӃt hӧp cҧm biӃn GPS và Odometry cho ra kӃt quҧ ѭӟFOѭӧng vӏ trí cӫa robot phҷng và mӏQKѫQVR vӟi viӋc chӍ dùng EKF lӑc tín hiӋX*367X\QKLrQÿӕi vӟi các góc rӁ thì chӍ dùng EKF lӑc tín hiӋu GPS lҥLEiPViWÿѭӡQJWUXHKѫQ
43 Hình 7: Mô ph͗ng k͇t hͫp c̫m bi͇n GPS và Odometry b̹ng EKF và ch͑ l͕c tín hi u GPS b̹ng
Hình 8 Mô ph͗ng k͇t hͫp c̫m bi͇n GPS và Odometry b̹ng EKF và ch͑ l͕c tín hi u GPS b̹ng EKF - ͧ ÿR̩n th̻ng
44 Hình 9 Mô ph͗ng k͇t hͫp c̫m bi͇n GPS và Odometry b̹ng EKF và ch͑ l͕c tín hi u GPS b̹ng EKF - ͧ góc rͅ.
KiӇm chӭng giҧi thuұt kӃt hӧp cҧm biӃn vӟi dӳ liӋu cҧm biӃn thӵc
ĈӇ kiӇm chӭng khҧ QăQJ[iFÿӏnh vӏ WUtYj Kѭӟng cӫa robot trong quá trình di chuyӇn thӵc tӃ thì trong luұQYăQFyWKӵc hiӋn mӝt thӵc nghiӋPQKѭVDX
Khi di chuyển, áp dụng kỹ thuật kết hợp tầm nhìn xa và gần để quan sát kết quả, nhằm theo dõi một quá trình cụ thể, từ đó đưa ra phán đoán và hành động phù hợp.
So sánh kӃt quҧ áp dөng giҧi thuұt kӃt hӧp cҧm biӃn bҵng EKF vӟi tín hiӋu cӫa 2GRPHWU\8:%FNJQJQKѭVRViQKWtQKKLӋu quҧ cӫDQyÿӕi vӟi kӃt quҧ chӍ dùng bӝ lӑF(.)ÿӇ lӑc tín hiӋu UWB
4.1.4.1 Thông sӕ cҧm biӃn: a) Cҧm biӃn UWB (DWM1000): là modul thu phát không dây theo tiêu chuҭn IEEE802.15.4-2011, UWB dӵa trên IC DW1000 cӫa Decawave Modul này cho SKpS [iF ÿӏnh vӏ trí cӫD FiF ÿӕL Wѭӧng trong hӋ thӕQJ ÿӏnh vӏ thӡi gian thӵc
(RTLS) vӟLÿӝ chính xác 10 cm trong nhà, truyӅn thông tӕFÿӝ dӳ liӋu cao lên ÿӃn 6,8 Mb/s và phҥm vi hoҥWÿӝng 300m
Thông sӕ kӻ thuұt: x Sӱ dөng chip DWM1000 cӫa hãng DecaWave Giao thӭc: IR-UWB x Hӛ trӧ: 110 Kbps, 850 Kbps & amp; 6.8 Mbps data rate x Có 6 dãy tҫn sӕ: tӯ *K]ÿӃn 6.5 Ghz x ĂQJWHQÿѭӧc tích hӧp trên module x 1ăQJOѭӧng truyӅn tҧi có thӇ thiӃt lұp tӯ -G%P0+]ÿӃn -62 dBm/MHz x Hӛ trӧ GXQJOѭӧng gói tin lên tӟi 1023 byte x Nguӗn hoҥWÿӝng: 2.8V - 3.6V b) Nguyên lý hoҥW ÿӝng cӫa cҧm biӃn UWB - Ĉӏnh vӏ bҵQJ SKѭѫQJ SKiS 8OWUD- wideband:
HӋ thӕQJÿӏnh vӏ UWB bao gӗm 1 thҿ tDJGLÿӝQJÿѭӧc cӕ ÿӏnh trên thân AGV và ÿLӇm neo aQFKRUÿѭӧFÿһWGѭӟi sàn vӟi vӏ trí cӕ ÿӏnh
Theo nguyên tắc của phép đo thời gian bay (TOF), khi biết thời gian truyền (TOF) của các xung ánh sáng giữa các thiết bị tag và anchor (xem nguyên lý truyền sóng băng tần ánh sáng), có thể tính được khoảng cách giữa các thiết bị tag và anchor.
Hình 11 Thӡi gian truyӅn (TOF) trong SKѭѫQJSKiSWZRဨZD\UDQJLQJ Thҿ tag gӣi tín hiӋu yêu cҫXÿӃQÿLӇm neo anchor và ghi lҥi thӡi gian hiӋn tҥi
Tt1 ĈLӇm neo ngay lұp tӭc trҧ lҥi tín hiӋu phҧn hӗi sau khi nhұQ ÿѭӧc tín hiӋXVDXÿyJKLOҥi thӡLÿLӇm Ta1 khi tín hiӋXÿѭӧc nhұn và thӡLÿLӇm Ta2 khi tín hiӋu phҧn hӗLÿѭӧc gӣL ÿL7Kҿ tDJFNJQJ JKLOҥi thӡi gian nhұQ ÿѭӧc tín hiӋu phҧn hӗi Tt26DXÿyQyWtQKWRiQFKrQKOӋch thӡi gian giӳa Tt1 - Tt2 giӳa lúc gӣi tính hiӋu và nhұn tín hiӋu cӫa thҿ tDJFNJQJQKѭWKӡi gian phҧn hӗi Ta1
- Ta2 cӫDÿLӇm neo Tính Time of Flight (TOF) theo công thӭc: ܶ ௧ ൌሺܶ ௧ଵ െ ܶ ௧ଶ ሻ െ ሺܶ ଵ െ ܶ ଶ ሻ ʹ BӣLYu8:%OjVyQJÿLӋn tӯ nên có thӇ xem tӕFÿӝ truyӅn bҵng vӟi tӕF ÿӝ ánh sáng Tӯ ÿyWD WtQKÿѭӧc khoҧng cách tӯ thҿ WDJÿӃQFiFÿLӇm neo:
- ThuұWWRiQÿӏnh vӏ trilateral centroid: 6DXNKLÿRÿѭӧc khoҧng cách giӳa các giӳa thҿ WDJYjFiFÿLӇm neo anchor, áp dөng thuұWWRiQÿӏnh vӏ trilateral
FHQWURLGÿӇ [iFÿӏnh vӏ trí cӫa thҿ tag 7URQJWUѭӡng hӧSOêWѭӣng, kӃt quҧ ÿR khoҧng cách là chính xác, ӭng vӟLYzQJWUzQWURQJÿyWkPOjPӛLÿLӇm neo và bán kính là khoҧng cách tӯ ÿLӇPQHRÿӃn thҿ tag, phҧi giao nhau tҥi vӏ trí cӫa thҿ Tuy nhiên, sӁ luôn có sai sӕ trong thӵc tӃ, dүQ ÿӃn ba vòng trong không giao nhau tҥi cùng mӝWÿLӇPQKѭHình 12
Hình 12 ThuұWWRiQÿӏnh vӏ Trilateral centroid 7DFyFiFSKѭѫQJWUuQKKuQKWUzQ
Giao giӳa hình tròn tâm A và hình tròn tâm B: ൜ሺݔ െ ݔ ଵ ሻ ଶ ሺݕ െ ݕ ଵ ሻ ଶ ൌ ܵ ଵ ଶ ሺݔ െ ݔ ଶ ሻ ଶ ሺݕ െ ݕ ଶ ሻ ଶ ൌ ܵ ଶ ଶ
Giao giӳa hình tròn tâm A và hình tròn tâm C: ൜ሺݔ െ ݔ ଵ ሻ ଶ ሺݕ െ ݕ ଵ ሻ ଶ ൌ ܵ ଵ ଶ ሺݔ െ ݔ ଷ ሻ ଶ ሺݕ െ ݕ ଷ ሻ ଶ ൌ ܵ ଷ ଶ
Giao giӳa hình tròn tâm B và hình tròn tâm C: ൜ሺݔ െ ݔ ଶ ሻ ଶ ሺݕ െ ݕ ଶ ሻ ଶ ൌ ܵ ଶ ଶ ሺݔ െ ݔ ଷ ሻ ଶ ሺݕ െ ݕ ଷ ሻ ଶ ൌ ܵ ଷ ଶ 7URQJÿyWDFyWӑDÿӝ cӫDWkPÿѭӡQJWUzQWѭѫQJӭng là vӏ trí cӫDFiFÿLӇm neo A(ݔ ଵ ǡ ݕ ଵ ), B(ݔ ଶ ǡ ݕ ଶ ), C(ݔ ଷ ǡ ݕ ଷ ) vӟi bán kính các ÿѭӡng tròn S1, S2, S3, ÿѭӧc tính toán ӣ thuұt toán phía trên
Tӯ ÿyWDJLҧLÿѭӧFFiFSKѭѫQJWUuQKYjWuPÿѭӧFÿLӇPJLDRWѭѫQJӭng cӫa tӯng cһS ÿѭӡng tròn vӟi nhau: (xab, yab), (xac, yac), (xbc, ybc) Ta tính toán trӑng tâm cӫa tam giác tҥo tӯ ÿLӇm này sӁ WuPÿѭӧc tӑDÿӝ cӫa thҿ tag:
KhӕLOѭӧng xe 9 kg
Gia tӕc lӟn nhҩt ʹȀ ଶ ĈӝQJFѫ PITTMAN GM9236
Robot di chuyӇn theo quӻ ÿҥo hình zigzag, các khoҧng di chuyӇQWKHRSKѭѫQJ[ là 0.6m, các khoҧng di chuyӇQ WKHR SKѭѫQJ \ Oj P 9ұn tӕc khi di chuyӇn là 0.02 m/s TӕFÿӝ góc là 0.3142 rad/s khi robot rӁ tҥi các góc
Hình 14 QuͿ ÿ̩o di chuy͋n cͯa robot
4.1.4.4 KӃt quҧ áp dөng giҧi thuұt kӃt hӧp cҧm biӃn:
Hình 13 cho thҩ\U}ÿһFWUѭQJFӫa tín hiӋu cҧm biӃn UWB và Encoder Hai loҥi cҧm biӃn này thӇ hiӋQ ÿҫ\ ÿӫ tính chҩt cӫD KDL SKѭѫQJ SKiS ÿӏnh vӏ cөc bӝ 2GRPHWU\Yjÿӏnh vӏ toàn cөc Tín hiӋQHQFRGHUWUѫQPӏQtWGDRÿӝQJKѫQQKLӅu so vӟi tín hiӋu cҧm biӃn UWB tuy nhiên bӏ sai sӕ cӝng dӗQYjFjQJQJj\FjQJWăQJ Tín hiӋX8:%WKuQJѭӧc lҥi không bӏ ҧQKKѭӣng nhiӅu bӣi sai sӕ cӝng dӗQQKѭng lҥLGDRÿӝng lӟn
5}UjQJKDLSKѭѫQJiQÿӏnh vӏ này mang nhӳQJѭXQKѭӧFÿLӇm có thӇ bù trӯ cho nhau
7KHRQKѭNӃt quҧ ÿѭӧc thӇ hiӋn trong Hình 17 viӋc áp dөng giҧi thuұt kӃt hӧp cҧm biӃn bҵQJ (.) ÿm FKR UD TXӻ ÿҥR PDQJ ÿѭӧF KDL ѭX ÿLӇm cӫa odometry và UWB là mӏQKѫQtWELӃQÿӝQJKѫQVRYӟL8:%FNJQJQKѭtWEӏ WiFÿӝng cӫa sai sӕ cӝng dӝn cӫa Odometry
50 ĈӇ kiӇm tra tính hiӋu quҧ cӫa giҧi thuұt kӃt hӧp cҧm biӃn bҵng EKF, ta chӍ áp dөng bӝ lӑF (.) ÿӕi vӟi tín hiӋu UWB xem thӱ kӃt quҧ hiӋu quҧ ra sao KӃt quҧ quá trình này thӇ hiӋn trong Hình 16
Hình 15: Tín hi u thc t͇ cͯa c̫m bi͇n UWB và Odometry
51 Hình 16 K͇t qu̫ l͕c nhi͍u tín hi u UWB b̹ng EKF
Hình 17 K͇t qu̫ IXVLQJVHQVRUÿ͙i vͣi UWB và Odometry
52 Hình 18 So sánh k͇t qu̫ fusing sensor giͷa UWB vͣi Odometry b̹ng EKF và k͇t qu̫ ch͑ l͕c UWB b̹ng EKF
Xét tín hiӋu thӵc tӃ cӫa cҧm biӃQ8:%ÿѭӧc thӇ hiӋn trong Hình 15 có thӇ tín hiӋu này rҩt xҩu so vӟi mô phӓng Lý do gây ra vҩQÿӅ này là thӡi gian lҩy mүu cӫa cҧm biӃn UWB hiӋn tҥi là 100 ms lӟQKѫQUҩt nhiӅu so vӟi cҧm biӃn mô phӓng là 1ms
NӃu tұp trung vào xét tính hiӋu quҧ cӫa giҧi thuұt kӃt hӧp cҧm biӃn thì có thӇ thҩy trong Hình 17 kӃt quҧ fusing sensor giӳa UWB vӟi Odometry bҵng EKF có khҧ QăQJÿӏnh vӏ robot tӕWKѫQYLӋc chӍ sӱ dөng UWB hay Odometry Tín hiӋu kӃt hӧSPѭӧt KѫQWtQKLӋu UWB, ít sai lӋFKKѫQVRYӟi Odometry
Khi so sánh kӃt quҧ fusing sensor giӳa UWB vӟi Odometry bҵng EKF và kӃt quҧ chӍ lӑc UWB bҵng EKF trong Hình 18 ta có thӇ nhұn thҩy kӃt quҧ fusion tӕt KѫQPѭӧWKѫQ
ThiӃt kӃ bӝ ÿLӅu khiӇn
ThiӃt kӃ bӝ ÿLӅu khiӇn
VҩQÿӅ theo dõi quӻ ÿҥo mong muӕn có thӇ hiӇu là:
VӟL ÿѭӡng reference ࢘ (t) = [ݔ ሺݐሻݕ ሺݐሻߠ ሺݐሻ] T và vұn tӕc reference ࢠ ࢘ ൌ ሾ࢜ ࢘ ࣓ ࢘ ሿ T VҩQ ÿӅ bám quӻ ÿҥo là tìm luұW ÿLӅu khiӇn vұn tӕc: ࢠ ࢊ ൌ ݂ ௗ ሺࢋǡ ࢜ ࢘ ǡ ሻ sao cho ௧՜ஶሺ࢚ሻ ൌ ࢘ ሺ࢚ሻ Vӟi e, z r và C lҫQOѭӧt là sai sӕ vӏ trí, vұn tӕc reference
Bӝ ÿLӅu khiӇQÿѭӧc thiӃt kӃ ÿӇ ÿҥWÿѭӧFHĺNKLWĺQyLFiFKNKiFÿLӇm P EiPWKHRÿLӇm tham chiӃu R vӟi vұn tӕc mong muӕn
Chӑn hàm Lyapunov: ܸ ଵ ൌͳ ʹሺ݁ ଵ ଶ ݁ ଶ ଶ ሻ ͳ ܥ ଶ ሺͳ െ ݁ ଷ ሻ Ͳ (57) ĈҥRKjP9WDÿѭӧc: ܸሶ ଵ ൌ ݁ ଵ ݁ሶ ଵ ݁ ଶ ݁ሶ ଶ ͳ ܥ ଶ ݁ሶ ଷ ݁ ଷ ൌ ݁ ଵ ሺെߥ ߥ ݁ ଷ ሻ ͳ ܥ ଶ ݁ ଷ ሺ߱ െ ߱ ܥ ଶ ݁ ଶ ߥ ሻ (58)
Chӑn luұWÿLӅu khiӇn: ࢛ ࢊ ൌ ቂߥ ߱ቃ ൌ ߥ ݁ ଷ ܥ ଵ ݁ ଵ ߱ ܥ ଶ ߥ ݁ ଶ ܥ ଷ ݁ ଷ ൨ (59) Vӟi ܥ ଵ , ܥ ଶ , ܥ ଷ là các hҵng sӕ GѭѫQJ
Vì vӟi ܥ ଵ , ܥ ଶ , ܥ ଷ là các hኾng sዎ ዛዓǡ ݁ ଵ , ݁ ଶ , ݁ ଷ bҩt kǤ ܸሶ ଵ luôn nhӓ KѫQ hoһc bҵQJ GR ÿy ݁ ଵ , ݁ ଶ , ݁ ଷ sӁ tiӃn vӅ 0 khi ݐ ĺ theo tiêu chuҭn әQ ÿӏnh Lyapunov.
KӃt quҧ mô phӓQJÿLӅu khiӇn robot bám quӻ ÿҥo khi kӃt hӧp cҧm biӃn bҵng EKF
Mô phӓQJÿLӅu khiӇn robot bám quӻ ÿҥo khi kӃt hӧp cҧm biӃn bҵng EKF vӟi các thông sӕ QKѭVDX
Khoҧng cách cҧm biӃn và trөc bánh xe: d=0.0 m
Sai sӕ WKHRSKѭѫQJ[Fӫa GPS: e_xGPS0/1000;
Sai sӕ WKHRSKѭѫQJ[Fӫa Encoder: e_xodo=3/1000;
Sai sӕ WKHRSKѭѫQJ\Fӫa GPS: e_yGPS0/1000;
Sai sӕ WKHRSKѭѫQJ\Fӫa Encoder: e_yodo=3/1000;
Vұn tӕc dài ref cӫa robot là: v_ref = 1m/s;
Hình 21 Tín hi u c̫m bi͇n mô ph͗ng trong quá trình bám quͿ ÿ̩o cͯa robot vͣi thͥi gian ḽy m̳u
Tín hiӋu cҧm biӃn giҧ lұp: xGPS(i) = x(i) + rand exGPS yGPS(i) = y(i) + rand eyGPS (61) xodo(i)=xodo(i-1) + ݔሶ(i)+rand exodo yodo(i)=yodo(i-1) + ݕሶ(i)+rand eyodo
Vӟi kӃt quҧ mô phӓng kӃt hӧp cҧm biӃn vӟi tín hiӋu cҧm biӃn UWB và Odometry thӵc tӃ ӣ phҫQ WURQJ FKѭѫQJ NKL WKӡi gian lҩy mүu thҩp ҧnh Kѭӣng nhiӅXÿӃn chҩWOѭӧng cӫa giҧi thuұt kӃt hӧS'RÿyWURQJSKҫn mô phӓng ÿLӅu khiӇn bám quӻ ÿҥo này tiӃn hành mô phӓng cҧm biӃn GPS và Odometry vӟi
57 thӡi gian lҩy mүu là 100ms, kӃt quҧ mô phӓng tín hiӋu cҧm biӃn thӇ hiӋn ӣ Hình
Hình 22: K͇t qu̫ mô ph͗QJÿL͉u khi͋n robot bám quͿ ÿ̩o khi k͇t hͫp c̫m bi͇n b̹ng EKF vͣi thͥi gian ḽy m̳u 100ms
T í n h i Ӌ u m ô p h ӓ n g cҧm biӃn GPS biӃQÿӝng lӟQQKѭQJGDRÿӝng quanh quӻ ÿҥo, còn Odometry thì PѭӧWKѫQQKѭQJGRҧQKKѭӣng cӫa viӋc sai sӕ cӝng dӗn nên sai lӋFKWăQJGҫn Sau khi áp dөng luұWÿLӅu khiӇQÿӝng hӑc robot ӣ SKѭѫQJWUuQKYjÿӏnh vӏ bҵng giҧi thuұt kӃt hӧp cҧm biӃn EKF thì nhұQÿѭӧc kӃt quҧ bám quӻ ÿҥRQKѭ+uQK
22 Tuy vүn còn sai lӋch nhiӅu do ҧQKKѭӣng cӫa viӋc thӡi gian lҩy mүu cӫa cҧm biӃn lӟQPVQKѭQJURERWYүQEiPÿѭӧc quӻ ÿҥo vӟi sai sӕ tracking thӇ hiӋn ӣ Hình 23 %LrQÿӝ GDRÿӝng cӫa sai sӕ vӅ vӏ trí là xҩp xӍ 0.1 m ĈӇ ÿiQKJLiVӵ ҧQKKѭӣng cӫa chҩWOѭӧng cҧm biӃQFNJQJQKѭWKӡi gian lҩy mүu ÿӃn kӃt quҧ ÿLӅu khiӇn bám quӻ ÿҥo thì ta tiӃn hành mô phӓQJÿLӅu khiӇn bám quӻ ÿҥo vӟi cҧm biӃn GPS và Encoder vӟi thӡi gian lҩy mүu 1 ms Ta nhұQÿѭӧc kӃt quҧ mô phӓng tín hiӋu cҧm biӃn giҧ lұp ӣ Hình 24 Vӟi thӡi gian lҩy mүXWăQJOrQ
Hình 23: Tracking error vͣi thͥi gian ḽy m̳u 100ms
59 thì tín hiӋX*36GDRÿӝQJGj\KѫQFzQÿӕi vӟi Odometry thì càng sai lӋch lӟQKѫQ do cӝng dӗn nhiӅu lҫQKѫQ
Hình 24 Tín hi u c̫m bi͇n mô ph͗ng trong quá trình bám quͿ ÿ̩o cͯa robot vͣi thͥi gian ḽy m̳u 100ms
Vӟi thӡi gian lҩy mүXQKѭWKӃ Qj\JL~SFKRTXiWUuQKѭӟc Oѭӧng cӫa giҧi thuұt kӃt hӧp cҧm biӃn trӣ lên tӕWKѫQYjNpRWKHRÿyNӃt quҧ ÿLӅu khiӇn bám quӻ ÿҥRFNJQJ ÿѭӧc cҧi thiӋQÿiQJNӇ KӃt quҧ Qj\ÿѭӧc thӇ hiӋn ӣ Hình 25 Robot bám quӻ ÿҥo khá tӕt mһc dù vүQFzQGDRÿӝng ӣ mӭc nhӓ, khi phóng to lên ta nhұn thҩy U}KѫQ ӣ Hình 26 Vì kӃt quҧ ÿLӅu khiӇn bám quӻ ÿҥo tӕWKѫQQrQGүQÿӃn sai sӕ tracking FNJQJ WӕW KѫQ QKLӅu, sai sӕ tӕL ÿD WKҩS KѫQ QJѭӥng 0.01 m, giҧm 10 lҫn so vӟi WUѭӡng hӧp thӡi gian lҩy mүu cҧm biӃn là 100ms thӇ hiӋn ӣ Hình 27 và Hình 28
60 Hình 25 K͇t qu̫ mô ph͗QJÿL͉u khi͋n robot bám quͿ ÿ̩o khi k͇t hͫp c̫m bi͇n b̹ng EKF vͣi thͥi gian ḽy m̳u 1ms
Hình 26 K͇t qu̫ mô ph͗QJÿL͉u khi͋n robot bám quͿ ÿ̩o khi k͇t hͫp c̫m bi͇n b̹ng EKF vͣi thͥi gian ḽy m̳u 1ms ± phóng to
61 Hình 27 Tracking error vͣi thͥi gian ḽy m̳u 1ms
Hình 28 Tracking error vͣi thͥi gian ḽy m̳u 1ms ± phóng to
&KѭѫQJ KӂT LUҰ19ơ+ѬӞNG PHÁT TRIӆN:
KӃt luұn
VӟLEjLWRiQÿһt ra là thiӃt kӃ giҧi thuұt kӃt hӧp dӳ liӋu nhiӅu cҧm biӃn trong vҩn ÿӅ [iFÿӏnh vӏ WUtYjKѭӟng cӫa robot tӵ hành, LuұQYăQÿmQJKLrQFӭu, tìm hiӇu các SKѭѫQJSKiSNKҧ thi liên quan nhҵm ӭng dөng giҧi quyӃt bài toán Tӯ ÿyOӵa chӑn SKѭѫQJiQNӃt hӧp dӳ liӋu cҧm biӃn bҵng bӝ lӑc Kalman mӣ rӝQJÿӇ áp dөng cho viӋc tӵ KjQKURERW&iFÿyQJJySFӫa luұQYăQJӗm: x Thӭ nhҩt, tәng hӧp, phân loҥL Yj ÿiQK JLi ѭX QKѭӧF ÿLӇm cӫD FiF SKѭѫQJ pháp kӃt hӧp dӳ liӋu x Thӭ hai, xây dӵng mô hình tәng quát cho viӋc kӃt hӧp dӳ liӋu cӫa nhiӅu loҥi cҧm biӃQNKL[iFÿӏnh vӏ WUtYjKѭӟng cӫa robot tӵ hành x Thӭ ba, thiӃt kӃ giҧi thuұWÿLӅu khiӇn robot tӵ hành dӵa vào kӃt hӧp dӵ liӋu cӫa nhiӅu loҥi cҧm biӃn x Thӭ WѭWLӃn hành lұp trình giҧi thuұt và mô phӓng giҧi thuұWÿmÿӅ xuҩt trên nӅn tҧng Matlab
Nhìn chung luұQYăQFKӍ mӟi dӯng lҥi ӣ mӭc áp dөQJFiFSKѭѫQJSKiSNӃt hӧp dӳ liӋXÿm ÿѭӧc nghiên cӭu thành công nên có nhӳQJÿLӇm cҫn tiӃp tөc phát triӇn WKrPWURQJWѭѫQJODL
Nghiên cӭu thêm các giҧLSKiSÿӇ cҧi thiӋn các thuұt toán kӃt hӧp dӳ liӋu nhҵm WăQJNKҧ QăQJKӝi tө cӫa các dӵ ÿRiQFNJQJQKѭJLҧm khӕLOѭӧng tính toán cӫa giҧi thuұt
[1] A Bosse, J Roy, and D Grenier, ³Data Fusion Concepts Applied to a Suite of Dissimilar Sensors,´ Canadian Conference on Electrical and Computer Engineering, Calgary, AB, Canada, May 1996, pp 692±695
[2] A M Santana, ³Localization of a Mobile Robot based in Odometry and Natural Landmarks using Extended Kalman Filter´, in Proc the Fifth International Conference on Informatics in Control, Automation and Robotics, Robotics and Automation 2, Funchal, Madeira, Portugal, May 11-15, 2008
[3] A Schwaighofer, M Grigoras, V Tresp, and C Hoffmann ³GPPS: A Gaussian Process Positioning System for Cellular Networks´ presented at NIPS, 2003
[4] %&/XRDQG0*.D\³'DWDIXVLRQDQGVHQVRULQWHJUDWLRQVWDWH-of-the-art V´presented at Data Fusion in Robotics and Machine Intelligence, pp 7±
[5] B V Dasarathy, ³6HQVRUIXVLRQSRWHQWLDOH[SORLWDWLRQ-innovative architectures DQGLOOXVWUDWLYHDSSOLFDWLRQV´, in IEEE, vol 85, no 1, pp 24±38, 1997
[6] B Ferris, D Fox, and N D Lawrence ³WiFi-SLAM Using Gaussian Process Latent Variable Models,´ in IJCAI, vol 7, pp 2480±2485, 2007
[7] B Ferris, D Haehnel, and D Fox ³Gaussian processes for signal strength- based location estimation,´ in Proc of robotics science and systems, 2006 DOI:10.15607/RSS.2006.II.039
[8] C Brown, H Durrant-:K\WH - /HRQDUG % 5DR DQG % 6WHHU ³'LVWULEXWHG GDWDIXVLRQXVLQJ.DOPDQILOWHULQJDURERWLFVDSSOLFDWLRQ´in Data, Fusion in
Robotics and Machine Intelligence, pp 267±309, 1992
[9] C Edwards, and S Spurgeon, Sliding Mode Control: Theory and Applications London: Taylor & Francis, 1998
[10] C M Wang ³Location estimation and uncertainty analysis for mobile robots,´ in Proc IEEE International Conference on Robotics and Automation, 1988, pp 1230-1235 DOI:10.1109/ROBOT.1988.12229
[11] '&ULVDQDQG$'RXFHW³$VXUYH\RIFRQYHUJHQFHUHVXOWVRQSDUWLFOHILOWHULQJ methods for practitioners,´IEEE Transactions on Signal Processing, vol 50, no 3, pp 736±746, 2002
[12] '/+DOODQG-/OLQDV³$QLQWURGXFWLRQWRPXOWLVHQVRUGDWDIXVLRQ´, in Proc
[13] (3%ODVFKDQG63ODQR³-'/OHYHOIXVLRQPRGHO³XVHUUHILQHPHQW´LVVXHV and applications in group tracking,´ in Proc Signal Processing, Sensor Fusion, and Target Recognition XI, pp 270±279, April 2002
[14] G T McKee, ³What can be fused? Multisensor Fusion for Computer Vision, Nato Advanced Studies Institute Series F´, 99:71±84, 1993
[15] H F Durrant-:K\WH DQG 0 6WHYHQV ³'DWD IXVLRQ LQ GHFHQWUDOL]HG VHQVLQJ QHWZRUNV´ LQ 3URF the 4th International Conference on Information Fusion, pp 302±307, Montreal, Canada, 2001
[16] H F Durrant-:K\WH ³6HQVRU PRGHOV DQG PXOWLVHQVRU LQWHJUDWLRQ´
International Journal of Robotics Research, vol 7, no 6, pp 97±113, 1988
[17] H K Khalil, Nonlinear Systems, 3rd ed Prentice Hall, 1996
[19] -.8KOPDQQ³&RYDULDQFHFRQVLVWHQF\PHWKRGVIRUIDXOW tolerant distributed GDWDIXVLRQ´Information Fusion, vol 4, no 3, pp 201±215, 2003
[20] J Llinas, C Bowman, G Rogova, A Steinberg, E Waltz, and F White, ³5HYLVLWLQJWKH-'/GDWDIXVLRQPRGHO,,´Technical Report, DTIC Document,
[21] J Manyika and H Durrant-Whyte, Data Fusion and Sensor Management: A Decentralized Information-Theoretic Approach NJ, USA: Upper Saddle River,
[22] J J E Slotine, Aplied Nonlinear Control Prentine Hall, 1996
[23] J F E White, ³Data Fusion Lexicon.´ Technical Panel For C3, San Diego, Calif, USA, 1991
[24] K C Chang, C Y Chong, and Y Bar-6KDORP ³-RLQW SUREDELOLVWLF GDWD DVVRFLDWLRQ LQ GLVWULEXWHG VHQVRU QHWZRUNV´IEEE Transactions on Automatic Control, vol 31, no 10, pp 889±897,1986
[25] 0 &RDWHV ³'LVWULEXWHG SDUWLFOH ILOWHUV IRU VHQVRU QHWZRUNV´ LQ 3URF the 3rd
International symposium on Information Processing in Sensor Networks (ACM ảpp 99±107, New York, NY, USA, 2004
[26] 0 0DQ]R 7 5RRVWD DQG 6 6DVWU\ ³7LPH V\QFKURQL]DWLRQ LQ QHWZRUNV´ LQ Proc the 3rd ACM Workshop on Security of Ad Hoc and Sensor Networks 6$61ả, pp 107±116, November 2005
[27] 0 2UWRQ DQG $ 0DUUV ³$ %D\HVLDQ DSSURDFK WR PXOWL-target tracking and data fusion with Out-of-6HTXHQFH 0HDVXUHPHQWV´IEE Colloquium, no 174, pp 15/1±15/5, 2001
[28] Mohinder S Grewal and Angus P Andrews, Kalman filtering: theory and practice using MATLAB New York: John Wiley and Sons, 2001
[29] P J Nahin and J L Pokoski ³NCTR Plus Sensor Fusion Equals IFFN or Can Two Plus Two Equal Five´IEEE Transactions on Aerospace and Electronic Systems, vol 16, iss 3, pp 320±337, May, 1980
>@5&/XRDQG0*.D\³'DWDIXVLRQDQGVHQVRULQWHJUDWLRQVWDWH-of-the-art V´ LQData Fusion in Robotics and Machine Intelligence, pp 7±135,
[31] R C Luo, C.-&