Khóa luận tốt nghiệp Kỹ thuật máy tính: Ứng dụng bộ lọc Kalman mở rộng và xây dựng các tầng cao hơn của CAN cho hệ thống điều khiển xe tự hành dựa trên định vị GPS

Nguyên lý hoạt động của hệ thống điều khiển xe tự động dựa 23 2.7.2 _ Công thức Haversine va ứng dụng trong tính toán khoảng cách 24 2.7.3 Tính toán góc và hướng điều khiển dựa trên vị t

ĐẠI HOC QUOC GIA TP HO CHÍ MINH TRUONG DAI HOC CONG NGHE THONG TIN

KHOA KY THUAT MAY TINH

DANG ANH KHOA - 20520217

KHOA LUAN TOT NGHIEP

UNG DUNG BO LOC KALMAN MO RONG VA XAY

DUNG CAC TANG CAO HON CUA MANG DIEU KHIEN

KHU VUC CHO HE THONG DIEU KHIEN XE TU HANH

DUA TREN DINH VI GPS

APPLICATION OF EXTENDED KALMAN FILTER AND DESIGN HIGHER LAYERS OF CONTROLLER AREA NETWORK FOR GPS-BASED AUTONOMOUS VEHICLE

CONTROL SYSTEM

CU NHAN KY THUAT MAY TINH

GIANG VIEN HUONG DAN

ThS Pham Minh Quan

ThS Tạ Tri Đức

TP HÒ CHÍ MINH, 2024

THONG TIN HỘI DONG CHAM KHÓA LUẬN TỐT NGHIỆP

Hội đồng chấm khóa luận tốt nghiệp, thành lập theo Quyết định số 659/QD-DHCNTT

ngày 05 thang 07 năm 2024 của Hiệu trưởng Trường Dai học Công nghệ Thông tin.

LỜI CẢM ƠN

Đầu tiên, em xin gửi lời cảm ơn đến quý thầy cô giáo trường Đại Học Công Nghệ

Thông Tin Trong quá trình học tập và rèn luyện tại trường, với sự dạy dỗ, chỉ bảo tận

tình của các quý thầy cô giáo đã trang bị cho em những kiến thức về chuyên môn cũng

như kỹ năng mềm, tạo cho em hành trang vững chắc trong cuộc sống cũng như công

VIỆC sau này.

Tiếp theo, em xin cảm ơn khoa Kỹ Thuật Máy Tính vì đã luôn tạo mọi điều kiện thuận

lợi cho em được học tập và phát triển.

Đặc biệt, để hoàn thành khóa luận tốt nghiệp này, em xin gửi lời cảm ơn sâu sắc đến

Thay Phạm Minh Quân va Thay Tạ Trí Đức đã tận tình chỉ bảo, hướng dan và hỗ trợtrang thiết bị cho em trong suốt thời gian thực hiện đề tài Đồng thời, em cũng xin gửilời cảm ơn đến sinh viên Trịnh Hoàng Minh, Nguyễn Nhã Khanh, Bùi Đăng Huy, Đỗ

Minh Khôi và các bạn thành viên trong câu lạc bộ CEEC đã hổ trợ trong việc hiện

thực phần cứng và trong việc thu thập dữ liệu của đề tài

Em cũng muốn cảm ơn tất cả các công ty và nhà phát triển cung cấp các dịch vụ miễnphí cũng như các thư viện và dự án mã nguồn mở Không có những công cụ và thưviện này khoá luận của em sẽ không thể hoàn thành được như bây giờ Cuối cùng, em

xin cảm ơn đến gia đình, những người luôn dành những sự động viên đến em trong

suốt quá trình thực hiện khóa luận

MỤC LỤC

TỔNG QUAN ĐỀ TÀI 1

111 Lýdochonđềtài 1

1.12 Tinh hình nghiên cứu trong và ngoài nước 1

1.1.2.1 Nghiên cứu trong nước 1

1.1.2.2 Nghincứungoànước 2

1.1.3 Tính thực tiễn của đềtài 4

1.2 Mục tiêu, đối tượng và phạm vi nghiêncứu 4

121 MuctổlỦ2/ đ A\A 4

122 Đối tượngnghiêncứu 6

123 Phạmvinghincứu 6

CƠ SỞ LÝ THUYET 8 2.1 Bộ điều khiển điện tử(ECU) §

211 KhánệmvềECU 8

2.1.2 Cấu Trúc Và Hoạt Động Cia ECU 8

2.1.2.1 CauTricCiaECU 8

2.1.2.2 HoatDongCuaECU 9

2.1.3 Giao Tiếp Và Mạng Lưới Trong Hệ Thống ECU 9

2.1.4 ThiếtKếẾECU 9

2.2 Mô hình Mạng Điều khiển Khu vực (Controller Area Network) 10

2.2.1 Kiến trúc của MạngCAN 10

2.2.2 _ Giao thức truyền thông của Mạng CAN 11

2.2.3 Thách thức va Giải pháp trong Thiết kế Mạng CAN 12

223.1 Tháchthức 12

2.4

2.5

2.6

2.7

2.23.2 Gidiphdp 0 eee eee ee

Mô hình Tham chiếu Kết nối Hệ thông Mở (OSI) và Ung dung trong

2.3.1 Tổng quan về Mô hìnhhOSI

2.3.2 Ung dụng Mô hình OSI trong Mạng CAN

Bộ lọc Kalmanmởrộng

-2.4.1 Nguyên lý cơ bản của Bộ lọc Kalman mở rộng

2.4.2 Thuật toán của Bộ loc Kalmanmởrộng

2.4.3 Ứng dụng của Bộ lọc Kalman mở rộng trong hệ thống định 2.4.4 So sánh Bộ loc Kalman mở rộng với các phương pháp khác Mô hình toán học củaxe Ặ

2.5.1 Giới thiệu về Mô hình Động lực học Xeđạp

2.5.2 _ Đặc điểm của Mô hình Động lực học Xedap

2.5.3 Phương trình Toán học của Mô hình Động lực hoc Xe đạp 2.5.3.1 Phương trình Chính của Mô hình Động lực học 2.5.4 _ Tích hợp Mô hình Động lực hoc Xe đạp với Bộ lọc Kalman momongwmm Ấm Me đ `

2.5.5 Hạn chế của Mô hình Động lực hoc Xeđạp

Bộ điều khểnPID

2.6.1.1 Nguyên lýhoạtđộng

2.6.2 _ Phương pháp điều chỉnh thông số choPID

Hệ thống điều khiển xe tự động dựa trênGPS_

2.7.1 Nguyên lý hoạt động của hệ thống điều khiển xe tự động dựa 23 2.7.2 _ Công thức Haversine va ứng dụng trong tính toán khoảng cách 24 2.7.3 Tính toán góc và hướng điều khiển dựa trên vị trí GPS

PHAN TÍCH THIET KE VÀ HIEN THỰC HỆ THONG 3.1 Tổng quan thiétké

-24

25

25

3.2 Thiết kế hệ thống phằncứng 26

3.2.1 NodeCảmbiếnIMU 26

3.2.2 Node thu thập tínhiệuGPS 27

3.2.3 Node điều khiểnđộngcd 29

3.2.4 Node điều khiển góclá 30

3.2.5 Node xử lý dữliệu ẶẶẶ 32

3.2.6 STM32F103C8T6 BoardBluePll 33

3.2.7 CANtransceiver 2.2 eee 34 3.2.8 Hiện thực hệ thống phần cứng 34

3.3 Thiết kế hệ thống phằnmềm 35

3.3.1 Xây dựng chương trình điều khiển trên Node Thu Thập Dữ Liệu GPS Q ee 35 3.3.2 Xây dựng chương trình điều khiển trên Node Điều Khiển Động Cơ <a ft P7 NWn, 38

3.3.3 Xây dựng chương trình điều khiển trên Node Cảm BiếnIMU_ 41 3.3.4 Xây dựng chương trình điều khiển trên Node xử lý dữ liệu 42

3.3.5 Xây dựng chương trình điều khiển trên Node điều khiển góc lái 43 3.3.6 Xây dựng thuật toán bộ lọc Kalman mở rộng 44

3.3.6.1 BướcDựĐoán 44

33.62 BướcCậpnhật 50

3.3.7 Xây dựng mạng CAN dựa trên mô hìnhOSI 53

3.3.7.1 LépVatLy 20048 54 3.3.7.2 Lớp LiênKếtDữLiệu 54

3.3.7.3 LớpMạng Ặ.Ặ.Ặ 56 33.74 LópỨngDụng - 61

3.3.8 Thiết kế thuật toán điều hướng GPS dựa trên lập kế hoạch dutngdi 2 .Ặ Q Q Q Q Q Q Q ee 61 4 ĐÁNH GIÁ KET QUA THỰC NGHIEM 65 4.1 Hệ thống phần cứng vaméhinhxe 65

4.2 Đánh giá mạng CAN dựa trên mô hnhOSI 65

4.3 Bộ lọc Kalman mở rộng trong ứng dụng định vị trên xe 70

4.3.1 Đánh giá Bộ loc Kalman mở rộng đối với vậntốc

4.3.2 _ Đánh giá Bộ loc Kalman mở rộng đối với góc hướng

4.3.3 Đánh giá Bộ lọc Kalman mở rộng đối với vị trí

5 KET LUẬN VÀ HƯỚNG PHÁT TRIỂN 51 KétLuan .ẶGẶ.a a a dda 5.1.1 Kếtquảđạtđược

5.1.2 Kếtquả chưa đạtđược

513 Hướng pháttriển

TÀI LIỆU THAMKHẢO

1.2

1.3

2.1

2.2

2.3

2.4

2.5

3.1

3.2

3.3

3.4

3.5

3.6

3.7

3.8

3.9

3.10

3.11

3.12

3.13

3.14

3.15

3.16

3.17

DANH MỤC HÌNH VẼ

Hệ thống định vị trên xeVF9 2

Hệ thốngADAS 3

Hệ thống Auto Pilot của Teslla - 3

Bộ điều khiển điện tử trên xeôtô §

Kiến trúc phần cứng và phần mềmở các lớp dựa trên mô hình OSI 10

Khung dữ liệu mạng CAN 12

MôhìnhOSI Q.0 ee ee 13 Mô hình động lực học xeđạp 20

Hệ thống kết nối các Node 26

Module BNO055 cảm biến định hướng tuyệt đối 9 trục 27

Mach Dinh VỊ Waveshare LC76G Multi GNSS Module 28

Anten GPS BDS GNSS Active Ceramic 30

Động Cơ mm l2v Ặ Ặ ẶẶẶ 31 Động Cơ RC ServoMG996R 31

BTS7960 Module Điều Khiển Động CơDC 31

ESP32 DevKit VI dùng module ESP-WROOM-32 32

STM32F103C8T6 Board Blue PiI 34

CAN transceiverMPC255I 35

Mach cua Node xử lý dữ liệu 36

Mạch Cảm biến 36

Mạch cơ câu chấp hành 37

Máy trạng thái của Node thu thập dữ lệuGPS 38

Máy trạng thái của Node điều khiển độngcơ 39

May trạng thái của Node Điều Khién ĐộngCơ_ 40 Máy trạng thái của Node Cảm BiếnIMU 4I

3.19

3.20

3.21

3.22

3.23

3.24

3.25

3.26

3.27

3.28

4.1

4.2

4.3

44

4.5

4.6

4.7

4.8

4.9

4.10

4.11

4.12

4.13

4.14

4.15

4.16

4.17

4.18

4.19

Chương trình xử lý trong Node xử lý dữ liệu 42

Máy trạng thái trên Node điều khiển góclái 44

Thuật toán EKF 2 QẶ Q Q2 54 Hệ thống kết nối mạng CAN 55

Tín hiệu CAN tốc dé cao 55

Khung CAN theo chuẩn CAN2.0A_ 55

Sơ đồ khối RX và bộ lọc chấp nhận 56

Gói dữ liệu ở lớp Mạng 58

Dữ liệu truyền của CAN (a Trường hợp không có lỗi, b Trường hợp lỗi gói tin, c Trường hợp lỗi khung 60

Xác định góc lệch hiện tạicủaxe 62

Thuật toán xe tự hành dựa trên lập kế hoạch đường đi 64

Mô hình xe thựctẾ 66

Sai số trong khoảng lÚms 68

Sai số trong khoảng20ms 69

Sai số trong khoảng 30ms 69

Giao diện quan sát dữ liệu 70

Vận tốc so với dữ liệu Gia tốc khi xe không dichuyén 71

Vận tốc sau khi đi NHONĐO lỌc đ f 72

Vận tốc khi xe di chuyển khi đi qua bộ lọc - 72

Dữ liệu góc hướng thu thập từ Node cảm biến IMU 73

Góc hướng sau khi xe di chuyển đã đi quabộlọc 74

So sánh vĩ độ trước khi lọc, sau khilọc 76

So sánh kinh độ trước khi lọc, sau khilọc 76

Tọa độ được thu thập khi xe không di chuyển 77

So sánh vĩ độ trước khi loc, sau khi loc và thựctế 77

So sánh kinh độ trước khi lọc, sau khi lọc va thựctẾ 78

So sánh kinh độ trước khi loc, sau khi lọc và thuc té 79

So sánh vĩ độ trước khi lọc, sau khi lọc và thựctế 79

Tọa độ được lấy mẫu khi xe đứng yên 80

So sánh kinh độ trước khi lọc, sau khi loc và thc tẾ 81

4.20 So sánh vĩ độ trước khi loc, sau khi lọc và thực tế

1.2

3.1

3.2

3.3

3.4

41

4.2

4.3

44

DANH MỤC BANG

Mục tiêu giảm sai số sau khi áp dụng bộ lọc Kalmanmởrộng 5

Mục tiêu cho Mạng CAN Ặ eee 5 Định nghĩa giá trị của lIDNodegửi 59

Định dạng củaIDcủaNode 60

Ý nghĩa của loại tinnhắn - 61

Dinh nghĩa giá tricualoaikhung 61

Giao tiếp CAN giữa 2 node bat kì trong hệthống 67

Giao tiếp CAN trong toàn bộ hệ thống 68

Sai số giữa trung bình giữa vĩ độ và kinh độ trước khi lọc 74

So sánh sai số tuyệt đối giữa dữ liệu đã lọc và dữ liệu thô 75

DANH MỤC TỪ VIẾT TẮT

ECU Electronic Control Unit

CAN Controller Area Network

OSI Open Systems Interconnection

PWM Pulse Width Modulation

EKF Extended Kalman Filter

GPS Global Positioning System

UDS Unified Diagnostic Services

IMU Inertial Measurement Unit

KF Linear Kalman Filter

PF Particle Filter

NN Neural Network

TÓM TẮT KHÓA LUẬN

Đề tài nghiên cứu này nhằm phát triển một hệ thống định vị trên xe với chỉ phí thấp,

qua việc phân chia các chức năng chính trong hệ thống điều khiển thành nhiều node

độc lập Các node này được kết nối với nhau thông qua mạng truyền thông ControllerArea Network (CAN), một tiêu chuẩn giao tiếp trong ngành công nghiệp ô tô, để tạo

điều kiện giao tiếp hiệu quả giữa chúng Bên cạnh việc tích hợp dif liệu từ cảm biến

vị trí toàn cầu (GPS) và cảm biến đo lường quán tính (IMU), hệ thống còn áp dung

thuật toán của bộ lọc Kalman mở rộng Thuật toán này có vai trò cải thiện độ chính

xác trong ước lượng vị trí của xe, qua việc kết hợp và phân tích hiệu quả dữ liệu từ

cảm biến

Để đảm bảo tính hiệu quả, an toàn và độ tin cậy trong xử lý dữ liệu trên xe, hệ

thống mạng CAN được xây dựng dựa trên mô hình tham chiếu kết nối các hệ thống

mở (OSI Model) Cụ thể, hệ thống mạng này bao gồm bốn tầng chính: tầng vật lý,

tầng liên kết dữ liệu, tầng mạng và tầng ứng dụng Mỗi tầng đóng một vai trò quan

trọng trong việc đảm bảo truyền dẫn thông tin được thực hiện một cách chuẩn xác và

an toàn Việc áp dụng mô hình OSI giúp rõ ràng hóa quá trình truyền thông giữa cácnode, qua đó nâng cao tính hiệu quả của hệ thống định vị trên xe

Chương 1 TỔNG QUAN ĐỀ TÀI

1.1 Giới thiệu dé tài

1.1.1 Lý do chọn đề tài

Trong bối cảnh hiện nay, nhu cầu về các phương tiện giao thông thông minh và tự

động hóa đang ngày càng tăng cao, đặc biệt là trong lĩnh vực ô tô Việc phát triển các

hệ thống định vị trên xe không chỉ hỗ trợ đáng kể cho lái xe trong việc điều hướng và

quản lý hành trình, mà còn là yếu tố quan trọng trong các công nghệ xe tự hành Tuynhiên, các hệ thống định vị và điều khiển hiện có thường có giá thành cao, làm cho

chúng không thực sự phù hợp với các nhóm nghiên cứu nhỏ hoặc các dự án có ngân

sách hạn chế Điều này hạn chế khả năng tiếp cận và ứng dụng rộng rãi của công nghệtrong các môi trường ít tài nguyên hơn Ngoài ra, nhu cầu và tiềm năng áp dụng các

hệ thống định vị không chỉ giới hạn trong lĩnh vực ô tô mà còn được mở rộng sang các

ngành công nghiệp khác như vũ trụ, hàng không, hàng hai, và logistics, nơi mà việc

định vị chính xác có thể cải thiện đáng kể hiệu quả hoạt động và an toàn Chính vì thế,

dé tài này được chọn để phát triển một hệ thống định vị trên xe với chi phí thấp, mở ra

khả năng triển khai rộng rãi hơn, đặc biệt là trong các nhóm nghiên cứu nhỏ và các tổ

chức không có nhiều nguồn lực

1.1.2 Tinh hình nghiên cứu trong và ngoài nước

1.1.2.1 Nghiên cứu trong nước

Hệ thống định vị trên xe ô tô ngày càng trở nên quan trọng, không chỉ hỗ trợ ghi

lại quá trình di chuyển và dẫn đường mà còn là cơ sở cho các hệ thống tự động lái

Tập đoàn Vinfast, một nhà sản xuất ô tô và xe máy điện hàng đầu tại Việt Nam, đang

nghiên cứu và phát triển mạnh mẽ các tính năng tự động lái và tự động giữ làn đường

trên các dòng xe cao cấp Các mẫu xe như VinFast Lux A2.0 và Lux SA2.0, gần đây

là trên các dòng xe VF8 và VF9 (Hình 1.1) đã được trang bị các công nghệ tiên tiếnnày, nhằm nâng cao trải nghiệm lái xe an toàn và thoải mái hơn cho người dùng Bên

tốt lành.,đé cudi.ndi cơm 24km L]

Thành phố Hồ Chí Minh

viết chữêm nhọconnhòn 55km |

TP Hồ Chí Minh

Levi's @ Vincom Plaza Dĩ An 150 km

017438, Phường Dĩ An, Dĩ A

N &

[1]

Hình 1.1: Hệ thống định vị trên xe VF9

cạnh Vinfast, nhiều nhóm nghiên cứu độc lập cũng đang tập trung vào việc cải thiện

độ chính xác của hệ thống định vị thông qua các kỹ thuật xử lý dữ liệu khác nhau Cácnghiên cứu này nhằm phát triển các giải pháp định vị chính xác hơn, thích ứng tốt vớiđiều kiện giao thông và môi trường phức tạp, từ đó đóng góp vào sự an toàn và hiệuquả của hệ thống tự động lái trong tương lai

1.1.2.2 Nghiên cứu ngoài nước

Trong những năm gần đây, các công ty công nghệ và ô tô lớn trên thế giới đã đạtđược những bước tiến đáng kể trong việc phát triển và triển khai các hệ thống định vị

dành cho xe tự lái ( Hình 1.2 ) Các hệ thống này không chỉ cải thiện khả năng điều

hướng và an toàn cho xe mà còn mở ra hướng đi mới cho tương lai của vận tải tự động.

Một trong những ví dụ tiêu biểu nhất về sự phát triển này là công ty Tesla, Inc., dẫnđầu bởi CEO Elon Musk Tesla đã phát triển các hệ thống tự lái ( Hình 1.3 ) tiên tiến

sử dụng kết hợp giữa GPS và các công nghệ cảm biến như radar, lidar, và camera đểcung cấp một giải pháp điều hướng toàn diện Các phương tiện của Tesla có khả năngcập nhật phần mềm qua mạng, cho phép họ liên tục cải tiến và tối ưu hóa chức năng

tự lái dựa trên dữ liệu thu thập được từ hàng triệu dặm lái xe.

[2]

[3]

Hình 1.3: Hệ thống Auto Pilot của Tesla

Ngoài ra, các tập đoàn ô tô lớn khác như Alphabet thông qua dự án Waymo, và

General Motors với Cruise Automation, cũng đã đầu tư đáng kể vào nghiên cứu vàphát triển các hệ thống tự lái Waymo, ví dụ, đã phát triển một hệ thống điều hướng

tự động hoàn toàn có khả năng hoạt động mà không cần sự can thiệp của con ngườitrong nhiều tình huống khác nhau Hệ thống của Waymo sử dụng một bộ phận GPSkết hợp với cảm biến và thuật toán học máy để phân tích và đưa ra quyết định điều

hướng.

1.1.3 Tinh thực tiễn của đề tài

Đề tài nghiên cứu hệ thống định vị trên xe với chi phí thấp không chỉ là một đề tàimang tính học thuật mà còn có giá trị thực tiễn cao, đặc biệt trong bối cảnh hiện nay

Việc phát triển các giải pháp định vị hiệu quả sẽ đóng một vai trò quan trọng trongviệc thúc đẩy công nghệ xe tự hành và giao thông thông minh, giúp làm giảm chi phí

sản xuất và tăng khả năng tiếp cận của công nghệ cho rộng rãi người dùng Góp phần

cải thiện công nghệ giao thông hiện đại, tăng cường an toàn và bền vững, đồng thời

mở rộng phạm vi ứng dụng của công nghệ định vị trong nhiều lĩnh vực khác của đời

sông và sản xuât.

1.2 Mục tiêu, đối tượng và phạm vi nghiên cứu

1.2.1 Mục tiêu

Đề tài này được nghiên cứu với mục đích phát triển một hệ thống định vị trên xe

có chi phí thấp, hiệu quả, đáp ứng nhu cầu tăng cường công nghệ hỗ trợ kha năng tựhành của các phương tiện dựa trên định vị GPS Các mục tiêu cụ thể của dé tài bao

gôm

* Chia các chức năng trong hệ thống thành năm node như sau :

- Node Cảm Biến IMU: Node có nhiệm vụ thu thập đữ liệu từ cảm biến

BNO, sau đó gửi dữ liệu lên mạng CAN đến Node Xử Lý Dữ Liệu

- Node Điều Khién Động Cơ: Node có nhiệm vụ nhận tín hiệu xử lý từ

Node XửLý Dữ Liệu để điều khiển động cơ phù hợp với yêu cầu về tốc độ

của hệ thong, bên cạnh đó Node còn thu thập dữ liệu từ bộ mã hóa quay

để điều khiển tốc độ động cơ một cách chính xác

- Node Điểu Khién Góc Lái: Node có nhiệm vụ nhận tín hiệu từ mạng

CAN, sau đó xử lý dữ liệu để điều khiển hướng di chuyển của xe

- Node Thu Thập Dữ Liệu GPS: Node có nhiệm vụ thu thập dữ liệu từ

module GPS sau đó gửi lên mạng CAN đến Node Xử Lý Dữ Liệu

— Node Xử Lý Dữ Liệu: Node có nhiệm vụ nhận dữ liệu từ mạng CAN từ

các Node còn lại, xử lý dữ liệu và gửi tín hiệu điều khiến đến các Node

còn lại trong hệ thống

* Xây dựng được bộ lọc Kalman mở rộng với mục tiêu là giảm sai số tổng hợp từ

dif liệu GPS và IMU cụ thể được thể hiện qua (Bảng 1.1):

Bảng 1.1: Mục tiêu giảm sai số sau khi áp dụng bộ lọc Kalman mở rộng

Thông sô | Sai Sô Trung Bình Hiện Tại | Mục tiêu Sai sô Sau Khi Lọc

Bảng 1.2: Mục tiêu cho Mạng CAN

Mục Tiêu Giá Trị Tối Thiểu | Giá Trị Toi Da Don Vi

Toc độ truyền gói tin 20 40 gói tin/giây

Độ dài gói tin 10 52 bytes

Tỉ lệ thành công 65% 95% phan trăm (%)

- Tốc độ truyền gói tin: Mục tiêu là đạt được tốc độ truyền dữ liệu từ 20

đến 40 gói tin mỗi giây Điều này đảm bảo rằng mạng có thể xử lý một

lượng giao dịch dữ liệu nhất định trong một khoảng thời gian cụ thể, phùhợp với nhu cầu truyền thông trong các hệ thống thời gian thực

— Độ dài gói tin: Gói tin trong mạng này có thể có độ dài từ 10 đến 52 bytes

Điều này cho phép mạng linh hoạt trong việc xử lý các loại dữ liệu khácnhau, từ những thông tin nhỏ nhất cho đến các gói tin chứa dữ liệu lớn hơn

— Tỉ lệ thành công: Mục tiêu tỉ lệ thành công trong việc truyền gói tin từ

65% đến 95% Điều này chỉ ra mức độ đáng tin cậy của mạng, với mục

tiêu là phần lớn các gói tin được gửi đến điểm đích thành công mà không

bị mat mát hoặc hư hại trong quá trình truyền

1.2.2 Đối tượng nghiên cứu

Đề tài nghiên cứu này tập trung vào việc phát triển một hệ thống định vị trên xe cóchi phí thấp, nhằm đáp ứng nhu cầu ngày càng tăng về công nghệ hỗ trợ lái xe và xe

tự hành trong các dự án có quy mô vừa và nhỏ Đối tượng nghiên cứu bao gồm:

1 Các dự án vừa và nhỏ trong lĩnh vực ô tô: Hệ thống định vị được thiết kế

để phù hợp với ngân sách và kỹ thuật của các nhóm nghiên cứu nhỏ hoặc các

start-up mới trong lĩnh vực 6 tô, nơi mà việc tiếp cận với công nghệ tiên tiến

van còn hạn chế do chi phí cao của các giải pháp hiện có

2 Ứng dụng trong xe tự lái: Hệ thống định vị sẽ được tối ưu hóa để hỗ trợ cho

việc phát triển xe tự lái, đặc biệt là trong việc cải thiện khả năng điều hướng và

an toàn dựa trên công nghệ định vị GPS Băng cách xử lý và phân tích dữ liệu

định vị để đưa ra các quyết định điều hướng chính xác trong thời gian thực

3 Các ứng dụng liên quan đến IoT và giám sát từ xa: Ngoài việc sử dụng trong

xe, hệ thống cũng có thể có tiềm năng được áp dụng trong các lĩnh vực khác

như giám sát từ xa và Internet vạn vật (IoT) Theo dõi vị trí và quản lý hiệu qua

các phương tiên giao thông.

1.2.3 Pham vi nghiên cứu

» Mang CAN được sử dung trong hệ thống không bao gồm các lớp bảo mật phức

tạp do dé tài không tập trung vào khía cạnh bảo mật mạng

* Mặc dù mục tiêu là đạt được độ chính xác trong khoảng từ 70% đến 90% trong

định vị và truyền nhận dữ liệu, độ chính xác thực tế có thể bị ảnh hưởng bởi chấtlượng của cảm biến và điều kiện thử nghiệm trong một hệ thống có chi phí thấp

» Hệ thống chủ yếu tập trung vào các chức năng định vị và điều hướng tự động

mà không bao gồm các chức năng tự lái phức tạp khác như nhận diện vật cản

hay phản ứng với các biển báo giao thông.

» Hệ thống được thiết kế sử dụng vi xử lý STM32F103C8T6 và ESP32, nhấn

mạnh vào việc giữ giá thành thấp và không yêu cầu phần cứng cao cấp

6

«- Đề tài tập trung vào việc sử dụng GPS và cảm biến IMU 9 trục như là các nguồn

dữ liệu chính, không sử dụng các cảm biến có giá thành cao khác như camera

hay lidar.

¢ Kịch bản cụ thể

— Mô hình xe di chuyển từ tọa độ này sang tọa độ kế tiếp trên mặt đường

bằng phẳng, đoạn đường thang.

— Các Node trên xe giao tiếp với nhau thông qua mạng CAN với tốc độ 500

kHz.

Chương 2 CƠ SỞ LÝ THUYET

2.1 Bộ điều khiển điện tử (ECU)

2.1.1 Khái niệm về ECU

Bộ điều khiển điện tử (ECU) là một thành phần quan trọng trong hệ thống điềukhiển của các phương tiện và thiết bị điện tử hiện đại như trong (Hình 2.1) Được thiết

kế để kiểm soát và quản lý các chức năng điện tử khác nhau, ECU thường được sửdụng trong các ngành công nghiệp như ô tô, hàng không, công nghiệp, và nhiều ứng

dụng khác.

2.1.2 Cấu Trúc Và Hoạt Động Của ECU

2.1.2.1 Cấu Trúc Của ECU

* Vi điều khiển (Microcontroller): Sẽ là thành phần chủ đạo của ECU, vi điều

khiển chứa bộ xử lý và các phần cứng điều khiển trên cùng một chip, giúp tối

ưu hóa hiệu suất và tiêu thụ điện năng

* Giao diện ngoại vi: ECU sẽ kết nối với các cảm biến và thiết bị khác trên xe

như cảm biến IMU, GPS và các phần cứng điều khiển

* Mạch điều khiển nguồn điện: Đảm bảo cung cấp nguồn điện ổn định và an

toàn cho ECU và các thiết bị liên quan

2.1.2.2 Hoạt Động Cua ECU

* Thu thập dữ liệu: ECU liên tục thu thập dif liệu từ các cảm biến trên xe như

vận tốc, vị trí và các thông số khác

» Xử lý dữ liệu: Dữ liệu được chuyển đến vi điều khiển để phân tích, xử lý và đưa

ra quyết định Các thuật toán tính toán thông số như vận tốc, vị trí và hướng di

chuyển.

« Điều khiển chức năng: Dựa trên kết quả xử ly, ECU gửi tín hiệu điều khiển

đến các thiết bị khác trên xe như động cơ, servo để điều chỉnh hoạt động

2.1.3 Giao Tiếp Va Mang Lưới Trong Hệ Thong ECU

Trong cấu trúc hệ thông ECU, giao tiếp và mạng lưới đóng vai trò quan trọng trongquá trình kết nối các ECU với nhau và với các thiết bị khác trên xe Mặc dù có nhiềuchuẩn giao tiếp hiện đại như CAN-ED [5], Ethernet [6], tuy nhiên, việc triển khaichúng cho các hệ thống máy tính với nguồn tài nguyên hạn chế thường gặp phải nhiềuthách thức do sự phức tạp và dung lượng lớn của chúng Vì lý do này, nhóm quyếtđịnh sử dụng mạng CAN, một chuẩn giao tiếp phổ biến trong ngành công nghiệp ô

tô Mạng CAN cho phép truyền thông nhanh chóng và đồng bộ giữa các ECU trên xe,

đồng thời đảm bảo tính ổn định và tin cậy của hệ thống

2.1.4 Thiết Kế ECU

Sau khi đã xác định được các chức năng cần thiết cho hệ thống định vị trên xe,nhóm sẽ tiến hành thiết kế từng ECU riêng biệt cho mỗi chức năng đó Tuy nhiên sovới thực tế, các ECU được thiết kế rất phức tạp và tốn nhiều chi phí để thiết kế vì thé

nó có để đáp ứng được các tác vụ mạnh mẽ trong công nghiệp vì vậy nhóm sẽ thiết kế

đơn giản hơn tuy nhiên vẫn có thể đáp ứng được các tác vụ mà hệ thống yêu cầu trên

xe Cụ thể, các ECU sẽ được thiết kế để thực hiện các nhiệm vụ như kiểm soát tốc độđộng cơ, điều khiển hướng di chuyển của xe, thu thập dữ liệu từ các cảm biến, cũngnhư tiền hành tính toán và điều khiển luồng dữ liệu trên xe

2.2 Mô hình Mạng Điều khiển Khu vực (Controller Area Network)

2.2.1 Kién trúc của Mạng CAN

Mạng CAN (Controller Area Network) là một chuẩn giao tiếp được thiết kế đặc

biệt cho các ứng dụng trong ngành ô tô có tốc độ truyền cao và độ tin cậy cao Nhómxây dựng kiến trúc mạng CAN ở phần mềm và phần cứng như Hình 2.2 cụ thể như

Hình 2.2: Kiến trúc phan cứng va phần mềm ở các lớp dựa trên mô hình OSI

- Kiến trúc phan cứng: Mỗi thiết bị trên mạng CAN được kết nối thông qua một

trình điều khiển CAN (CAN controller) và một trình cung cấp điện áp CAN

(CAN transceiver) Trình điều khiển CAN quản lý việc truyền và nhận dữ liệutrên mạng, trong khi trình cung cấp điện áp CAN điều chỉnh mức điện áp trêndây truyền để đảm bảo tín hiệu truyền dẫn đúng cách Nhóm cũng trang bị điệntrở 1200 để điều chỉnh sự cân bằng của tín hiệu trên mạng và đảm bảo hiệu suất

10

truyền dẫn dữ liệu giảm thiểu hiện tượng phản xạ tín hiệu và đảm bảo rằng tínhiệu truyền dẫn trên mạng không bị giảm độ mạnh trên quãng đường dài.

- Kiến trúc phần mềm: Kiến trúc của mạng CAN truyền thống chỉ bao gồm hai

lớp là Lớp Vật Lý và Lớp Liên Kết Dữ Liệu, không phù hợp với yêu cầu truyềntải khối lượng dữ liệu lớn hơn 8 bytes cũng như không đảm bảo khả năng xử lý

lỗi khi có nhiều gói dữ liệu được gửi cùng một lúc Dé giải quyết van dé này,

nhóm đã đề xuất một mô hình kiến trúc mới cho mạng CAN, dựa trên mô hìnhkết nối hệ thống mở (OSD), và bao gồm bồn lớp dữ liệu Cu thể, mỗi lớp trong

mô hình nay sẽ được xây dựng dựa trên một đơn vi giao thức rõ ràng như sau.

— Lớp Vật Lý: Bits

— Lớp Liên Kết Dữ Liệu: Frame

— Lớp Mang: Packet.

- Lớp Ung Dung: Data.

2.2.2 Giao thức truyền thông của Mang CAN

Mạng CAN (Controller Area Network) sử dụng một giao thức truyền thông đặcbiệt để đảm bảo việc truyền dữ liệu giữa các thiết bị trên mạng diễn ra một cách đồng

bộ và đáng tin cậy Giao thức này bao gồm các đặc điểm sau:

- Kiểu truyền dẫn: Mạng CAN sử dụng phương pháp truyền dẫn chéo

(differen-tial transmission) để giảm nhiễu và tăng độ tin cậy của tín hiệu truyền

¢ Khung tin nhan (Message Frame): Dữ liệu trên mang CAN được truyền trong

các khung tin nhắn có cấu trúc cô định Mỗi khung tin nhắn bao gồm trường dữ

liệu (Data Field), trường kiểm tra lỗi (CRC), và các trường điều khiển khác như

hình 2.3.

* Phát hiện và khắc phục lỗi: Giao thức CAN có khả năng phát hiện và khắc

phục lỗi trong quá trình truyền dữ liệu Việc sử dụng mã kiểm tra lỗi (CRC) chophép thiết bị nhận kiểm tra tính chính xác của dữ liệu nhận được và đảm bảotính toàn vẹn của thông tin truyền

11

Arbitration-Field Control-Field Data-Field Check-Field ACK-Field

[7]

Hình 2.3: Khung dữ liệu mạng CAN

* Độ ổn định: Mang CAN được thiết kế để hoạt động ổn định trong môi trường

nhiễu và có khả năng chịu được sự mất mát dữ liệu nhất định

* Quan lý ưu tiên: Mỗi tin nhắn trên mang CAN được gắn kèm với một mức độ

ưu tiên (priority), cho phép các thiết bị có khả năng truy cập mạng theo ưu tiêndựa trên cấp độ quan trọng của thông điệp

* Tầng Ứng dụng: Cung cấp các dịch vụ cho các ứng dụng sử dụng mạng, như

định dạng dữ liệu và giao thức truyền thông Trong hệ thống định vị, tầng nàyđảm bảo dữ liệu từ các cảm biến được xử lý và hiển thị một cách dễ hiểu cho

truyền thông tin là rất quan trọng Tuy nhiên, do đặc tính chia sẻ bus của mạng CAN,việc có nhiều nút tham gia truyền thông có thể gây ra độ trễ đáng kể, ảnh hưởng đến

độ chính xác của hệ thống định vị

2.2.3.2 Giải pháp

Để giải quyết các thách thức trên, một số giải pháp được nhóm được đề xuất và áp

dụng trong thiết kế mạng CAN cho hệ thống định vị trên xe như sau:

12

» Sử dụng kỹ thuật điều khiển độ trễ: Nhóm sử dụng thuật toán điều khiển luồng

(flow control) có thể được sử dụng để giảm thiểu độ trễ và đảm bảo truyền thông

tin theo thời gian thực.

« Triển khai cơ chế phát hiện và xử lý lỗi: Các cơ chế như CRC (Cyclic

Redun-dancy Check), ACK (Acknowledgement) và retransmission được nhóm sử dụng

để phát hiện và sửa lỗi trong quá trình truyền thông, đảm bảo tính toàn vẹn của

dữ liệu.

2.3 Mô hình Tham chiếu Kết noi Hệ thông Mở (OSI) và Ung dụng trong

Mạng CAN

2.3.1 Tổng quan về Mô hình OSI

Mô hình OSI (Open Systems Interconnection) [8], hay còn gọi là mô hình tham

chiếu kết nối các hệ thống mở, là một khung khái niệm được phát triển bởi Tổ chứcTiêu chuẩn hóa Quốc tế (ISO) Mô hình này chia các chức năng truyền thông mạngthành bảy tầng riêng biệt, mỗi tầng có trách nhiệm thực hiện một tập hợp các nhiệm

vụ cụ thể Bảy tầng của mô hình OSI, từ tầng thấp nhất đến tầng cao nhất như Hình2.4, bao gồm:

The OSI Model

13

° Tầng Vật lý: Chịu trách nhiệm truyền các bit dữ liệu thô qua môi trường truyền

dẫn vật lý.

* Tầng Liên kết Dữ liệu: Dam bảo việc truyền dữ liệu đáng tin cậy giữa hai nút

mạng liền kể, bao gồm việc phát hiện và sửa lỗi.

° Tầng Mạng: Chịu trách nhiệm định tuyến các gói dữ liệu giữa các mạng khác

nhau.

* Tầng Giao vận: Đảm bảo việc truyền dữ liệu đáng tin cậy từ đầu cuối này đến

đầu cuối khác, bao gồm việc kiểm soát luồng và kiểm soát lỗi.

° Tầng Phiên: Quản lý các phiên làm việc giữa các ứng dụng, bao gồm việc thiết

lập, duy trì và kết thúc phiên

° Tầng Trình diễn: Chịu trách nhiệm định dạng và mã hóa dữ liệu để đảm bảo

tính tương thích giữa các hệ thống khác nhau

° Tầng Ứng dụng: Cung cấp các dịch vụ cho các ứng dụng người dùng, như

email, duyệt web và truyền tệp và một số ứng dụng khác

2.3.2 Ung dụng Mô hình OSI trong Mạng CAN

Mac dù mô hình OSI cung cấp một khung lý thuyết toàn diện, việc triển khai toàn

bộ bay tầng này trong thực tế gặp nhiều thách thức vì độ phức tạp của mỗi tang dữ,đặc biệt là trong hệ thống mạng CAN (Controller Area Network) được sử dụng trong

để tài nghiên cứu này

Nhận thấy sự phức tạp và tính đặc thù của từng tầng trong mô hình OSI, nhóm đãquyết định áp dụng một cách tiếp cận đơn giản hơn, tập trung vào bốn tầng dữ liệu cốtlõi của mô hình OSI để xây dựng mô hình mang CAN tinh gon, bao gồm: Tầng Vật

lý, Tầng Liên kết Dữ liệu, Tầng Mạng và Tầng Ứng dụng Giúp tối ưu hóa hiệu suất và

giảm thiểu độ phức tạp của hệ thống mạng CAN trong khi vẫn đảm bảo tính hiệu quả

và khả năng đáp ứng yêu cầu của đề tài

14

2.4 Bộ lọc Kalman mở rộng

2.4.1 Nguyên lý cơ bản của Bộ lọc Kalman mở rộng

Bộ lọc Kalman mở rộng (Extended Kalman Filter - EKF) là một biến thể của bộlọc Kalman tiêu chuẩn, được thiết kế để xử lý các hệ thống phi tuyến Trong khi bộlọc Kalman truyền thống chỉ áp dụng cho các mô hình tuyến tính, EKF sử dụng linearhóa (tuyến tính hóa) để xấp xỉ các mô hình phi tuyến tại mỗi bước thời gian, cho phép

nó ước lượng trạng thái của hệ thống một cách hiệu quả

* Dự đoán (Predict): EKF sử dụng mô hình hệ thống phi tuyến để dự đoán trang

thái tiếp theo của hệ thống và ma trận hiệp phương sai của nó Quá trình sẽ tính

toán giá trị trung bình và phương sai của trạng thái dự đoán.

* Cập nhật (Update): EKF kết hợp các phép đo mới (thường là nhiễu) với trạng

thái dự đoán để tạo ra một ước lượng trạng thái cập nhật bằng cách tính toán

Kalman gain, một hệ số phản ánh mức độ tin cậy của dự đoán và phép đo

* Linear hóa (Linearization): EKF tuyến tính hóa mô hình hệ thống phi tuyến

xung quanh trạng thái ước lượng hiện tại Điều này cho phép nó áp dụng cácphương trình cập nhật Kalman tiêu chuẩn, vốn được thiết kế cho các mô hìnhtuyến tính

2.4.2 Thuật toán của Bộ lọc Kalman mở rộng

Thuật toán của bộ lọc Kalman mở rộng (EKF) bao gồm hai bước chính: dự đoán

và cập nhật Các bước cụ thể như sau:

1 Bước dự đoán:

* Trạng thái của hệ thống tại thời điểm k

ÊgIg~i = f (Le-1e-1, Un) (2.1)

Trong đó :

15

— #zIig_1 là trạng thai dự đoán tại thời điểm k dựa trên thông tin tai thời

điểm k — 1

— f là hàm chuyển đổi trạng thái phi tuyến của hệ thống

— #z_i;—¡ là trạng thái ước lượng tại thời điểm k — 1.

— ux là tín hiệu điều khiển tại thời điểm k

» Ma trận hiệp phương sai của trạng thái dự đoán

Py = Vạ,P (V} + Vip QeV 7, (2.2)

Trong đó :

— Vy, ma trận Jacobian của hàm chuyển đổi trạng thái ƒ đối với nhiễu

quá trình w;

— V¿, ma trận Jacobian của hàm chuyển đổi trạng thái ƒ tại trạng thái

ước lượng hiện tại (Ê¿_Is—1)

— P,_¡ ma trận hiệp phương sai của ước lượng trạng thái tai thời điểm

k— 1.

— Q¿ ma trận hiệp phương sai của nhiều quá trình tại thời điểm k

Ma trận Jacobian [10] đóng vai trò quan trọng trong Bộ loc Kalman Mở rộng

(EKF), đặc biệt khi xử lý các hệ thống không tuyến tính EKF là một phương

pháp tiên tiến để ước lượng trạng thái của một hệ thống động theo thời gian, dựa

trên các phép đo có nhiễu.

‹ Tuyến tính hóa các Hàm không tuyến tính

— EKF giải quyết van dé của bộ lọc Kalman thông thường khi phải làm

việc với các mô hình không tuyến tính Trong khi bộ lọc Kalman chỉ

có thể xử lý các mô hình tuyến tinh, EKF áp dụng một phương pháp

tuyến tính hóa để xử lý các hệ thống không tuyến tính

— Hàm trạng thái: ƒ (z, u) biến đổi trạng thái hiện tai z và đầu vào điều

khiển u thành trạng thái tiếp theo Ma trận Jacobian ` của ham này

được tính bằng cách lấy đạo hàm riêng theo từng phần tử của trạng

thái x.

16

— Ham đo lường: h(x) chuyển đối trạng thái ẩn x thành các giá trị do

được Ma trận Jacobian H của hàm do lường này được tính bằng cách

lấy đạo hàm riêng theo từng phần tử của trạng thái z

« Cập nhật Ước lượng va Phương sai

- Dự đoán Phương sai: Trong bước dự báo, EKF sử dụng ma trận

Jacobian #' để cập nhật phương sai (covariance) của ước lượng trạng

thái Điều này cho phép EKF tính toán ảnh hưởng của mỗi thành phantrạng thái đến các thành phần khác thông qua quá trình tuyến tính hóa

— Cập nhật Phương sai: Trong bước cập nhật, ma trận Jacobian H

được sử dụng để điều chỉnh phương sai dựa trên sự khác biệt giữa cácquan sát thực tế và dự đoán từ mô hình

° Tính toán Gain của Kalman

— Ma trận gain của Kalman, thường được ký hiệu là K, là một phần

quan trộng của EKF, cho phép tính toán cách mà các bản cập nhật từ

dữ liệu mới nên ảnh hưởng đến ước lượng hiện tại Ma trận này tính

toán dựa trên các ma trận Jacobian đã tuyến tính hóa, đảm bảo rằng

việc tích hợp thông tin mới vào ước lượng trạng thái là tối ưu

2 Bước cập nhật:

¢ Tính toán Kalman Gain:

Ky = Papi V i (Vie Pee-1V i, + Vin R Vị.) 1 (2.3)

Trong đó:

— l{¿ là Kalman gain tại thời điểm k.

— Vp, là ma trận Jacobian của hàm quan sát ƒ tại Ê¿|y_¡.

— R, là ma trận hiệp phương sai của nhiễu đo lường.

— P, ma trận hiệp phương sai của ước lượng trạng thái tại thời điểm k

— Vạ„ Ma trận Jacobian của ham quan sát ƒ đối với nhiễu đo lường 0,

17

¢ Cập nhật trạng thái:

Paik = Êkle~t + g(# — h(ÊxIg—1)) (2.4)

Trong đó :

—_?;¿j¿ là trạng thái ước lượng tại thời điểm k

—_z¿ là phép đo tại thời điểm k

— hla hàm quan sát phi tuyến của hệ thống

¢ Cập nhật ma trận hiệp phương sai:

Hai bước trên được lặp lại liên tục theo thời gian Tại mỗi bước thời gian, EKE

sử dụng trạng thái ước lượng hiện tại và tín hiệu điều khiển để dự đoán trạngthái tiếp theo Sau đó, nó kết hợp phép đo mới để cập nhật ước lượng trạng thái.Quá trình này tiếp tục lặp lại, cho phép EKF theo dõi trạng thái của hệ thống

một cách liên tục và chính xác.

2.4.3 Ứng dụng của Bộ lọc Kalman mở rộng trong hệ thông định vị xe

Bộ lọc Kalman mở rộng (EKF) [1 |] đóng vai trò quan trọng trong việc cải thiện độ

chính xác và độ tin cậy của hệ thống định vị xe, đặc biệt trong môi trường thực tế vớinhiều yếu tổ nhiễu và phi tuyến Hệ thống định vị trên xe được nhóm thiết kế sé bao

gồm các cảm biến như GPS va IMU EKF sẽ kết hợp dữ liệu GPS (độ chính xác cao

về vị trí tuyệt đối nhưng dé bị nhiễu) với dữ liệu IMU (độ chính xác cao về gia tốc và

vận tốc góc nhưng dễ bị trôi dạt) để cung cấp ước lượng vị trí liên tục và chính xác

Chuyển động của xe là một quá trình phi tuyến do sự thay đổi của vận tốc, gia tốc,

18

và góc lái EKF có khả năng xử lý các mô hình chuyển động phi tuyến này bằng cáchtuyến tính hóa chúng tại mỗi bước thời gian, cho phép ước lượng trạng thái xe chínhxác hơn so với các phương pháp tuyến tính khác.

2.4.4 So sánh Bộ lọc Kalman mở rộng với các phương pháp khác

EKF là phương pháp mạnh mẽ trong định vi xe, xử lý tốt mô hình phi tuyến va

dif liệu nhiễu, nhưng đòi hỏi tính toán phức tạp Các phương pháp khác như KF [12],

PF [13], NN [14] và Sensor Fusion cũng có ưu nhược điểm riêng, phù hợp với từng

yêu cầu cụ thể về độ chính xác, khả năng xử lý phi tuyến, và tài nguyên tính toán

Đối với dé tài nghiên cứu của nhóm Việc sử dụng EKF phụ hợp với mô hình xe,tài nguyên tính toán và vẫn đảm bảo sự chính xác của hệ thống định vị

Trong dé tài nghiên cứu này, nhóm áp dụng bộ lọc Kalman mở rộng vì EKF chophép xử lý hiệu quả các đặc tính phi tuyến trong mô hình động học của xe Mặc dù

EKF đòi hỏi khả năng tính toán cao hơn so với các phương pháp tuyến tính, nhưngđảm bảo độ chính xác và độ tin cậy của hệ thống định vị trong điều kiện thực tế

2.5 Mô hình toán học của xe

2.5.1 Giới thiệu về Mô hình Động lực học Xe dap

Mô hình Động lực học Xe đạp [1 5],là một phương pháp mô tả chuyển động của xe

trong các tình huống lái xe thông thường Mô hình này giả định rằng chỉ bánh trước

mới có khả năng điều khiển hướng đi, trong khi bánh sau sẽ theo dõi đường đi do bánhtrước định hướng Mô hình tập trung vào việc phân tích các biến thể của trạng thái xe

như vị trí và góc lái, và mô tả mối quan hệ giữa vận tốc của xe và sự thay đổi góc lái

thông qua các phép tính toán đơn giản như trong Hình 2.5.

2.5.2 Đặc điểm của Mô hình Động lực học Xe đạp

* Đơn giản và hiệu quả: Mô hình tập trung vào việc mô phỏng chuyển động

tuyến tính của xe, giả định rằng chỉ bánh trước mới có khả năng điều khiển

hướng di.

19

* Dễ tích hợp: Mô hình cho phép tích hợp dé dàng vào các hệ thống mô phỏng

động lực học phức tạp hơn hoặc vào các nghiên cứu về ổn định và điều khiển

xe.

- Ung dụng thực tế: Phù hợp với các tình huống lái xe thực tế, giúp nghiên cứu

và phân tích hiệu quả hành vi lái và ổn định của xe.

Qua những đặc điểm trên nhóm sẽ tiến hành nghiên cứu và áp dụng mô hình để tínhtoán chỉ tiết các thông số kỹ thuật của xe Mục tiêu là cải thiện và tối ưu hóa hệ thốngđịnh vị, nhằm nâng cao độ chính xác và hiệu quả trong quá trình vận hành của phương

tiện.

2.5.3 Phương trình Toán học của Mô hình Động lực hoc Xe dap

Mô hình Động lực học Xe đạp sử dụng một tập hợp các phương trình toán học để

mô phỏng chuyển động của xe Những phương trình này tính toán vị trí và hướng của

xe dựa trên góc lái và vận tôc của xe.

20

2.5.3.1 Phương trình Chính của Mô hình Động lực học Xe dap

Vị trí đặt trọng tâm xe ảnh hưởng đến phương trình mô phỏng chuyển động Trong

dé tai này, nhóm sẽ đặt điểm trong tâm xe nằm chính giữa thân xe để đơn giản hóa mô hình Mô hình chuyển động của xe được mô tả bằng các phương trình (2.6), (2.7) và

¢ @ là góc hướng hiện tai của xe.

¢ 6 là góc hiệu dụng của lái.

¢ I là chiều dai cơ sở của xe

2.5.4 Tích hợp Mô hình Dong lực học Xe đạp với Bộ lọc Kalman mở rộng

Để tích hợp mô hình động lực học xe đạp với EKF, nhóm sẽ thực hiện theo các

bước sau:

1 Tuyến tính hóa mô hình: Tuyến tính hóa các phương trình trạng thái của mô

hình động lực học xe đạp xung quanh trạng thái ước lượng hiện tại.

21

2 Thiết kế EKF: Thiết kế bộ loc Kalman mở rộng dựa trên mô hình tuyến tính

hóa.

3 Cập nhật trạng thái: Sử dụng các phép đo từ cảm biến (GPS, IMU) để cập

nhật trạng thái ước lượng của EKF.

2.5.5 Hạn chế của Mô hình Động lực học Xe đạp

Mô hình động lực học xe đạp, tuy đơn giản và hiệu quả, vẫn có những hạn chế Môhình này bỏ qua các yêu tố như ma sát, trượt bánh, và chỉ mô tả chuyển động ngangcủa xe Giả định của mô hình bao gồm bánh xe không trượt ngang, góc nghiêng xe

không đổi và trung tâm khối lượng xe cố định Do đó, mô hình này phù hợp cho các

tình huống đơn giản và có thể không chính xác trong điều kiện vận hành phức tạp

2.6 Bộ điều khiển PID

2.6.1 Tổng quan về Bộ điều khiển PID

Bộ điều khiển PID (Proportional - Integral - Derivative) là một cơ chế điều khiểnphản hồi được sử dụng rộng rãi trong các hệ thông tự động hóa công nghiệp Nó hoạtđộng dựa trên việc tính toán và kết hợp ba thành phần chính:

» P: Phản ứng nhanh với sai số hiện tại, nhưng không loại bỏ được sai số tĩnh

¢ I: Loại bỏ sai số tĩnh, nhưng có thể gây vượt quá nếu I quá lớn

» D: Phan ứng nhanh với thay đổi đột ngột, nhưng có thể gây dao động nếu quá

lớn.

2.6.1.1 Nguyên lý hoạt động

* Do lường: Hệ thống đo lường giá trị hiện tại của quá trình (góc lái, tốc độ) và

so sánh với giá trị mong muốn (setpoint) để xác định sai số

* Tính toán: Bộ điều khiển PID tính toán tác động điều khiển u(t) dựa trên sai

số e(t), sử dụng các hệ số K,, (hệ số tỷ lệ), K; (hệ số tích phân) và Kg (hệ số

22

đạo hàm) theo công thức (2.9):

2.6.2 Phương pháp điều chỉnh thông số cho PID

Điều chỉnh thông số PID là quá trình tinh chỉnh các hệ số Kp (tỷ lệ), Ki (tích phân)

và Kd (vi phân) để đạt được hiệu suất điều khiển mong muốn Nhằm làm giảm thiểu

sai số, tăng tốc độ đáp ứng và đảm bảo độ ổn định cho hệ thống Có nhiều phương

pháp để điều chỉnh thông số cho PID như Ziegler-Nichols, Cohen-Coon, Model-Based

Tuning, Tuy nhiên nhóm sẽ lựa chọn phương pháp điều chỉnh thông số PID bằngphương pháp thủ công Nhóm sẽ thực nghiệm và quan sát phan ứng của hệ thông vớitừng thay đổi của các thông số Kp, Ki và Kd Quá trình này sẽ được lặp lại cho đếnkhi tìm ra bộ thông số tối ưu, đáp ứng tốt nhất các yêu cầu về hiệu suất của hệ thống

2.7 Hệ thông điều khiển xe tự động dựa trên GPS

2.7.1 Nguyên lý hoạt động của hệ thông điều khiển xe tự động dựa trên

GPS

Hệ thống này sử dụng tín hiệu từ vệ tinh GPS để xác định vị trí của xe và so sánh

nó với tọa độ mong muốn Dựa trên sự chênh lệch giữa vị trí thực tế và vị trí mongmuốn, hệ thống sẽ tính toán góc lái cần thiết và điều khiển động cơ để đưa xe đi theo

đúng hướng.

» Thu thập dữ liệu GPS: Hệ thống nhận tín hiệu từ các vệ tinh GPS để xác định

vĩ độ, kinh độ và độ cao của xe.

» Tính toán khoảng cách và góc: Sử dụng công thức Haversine để tính toán

khoảng cách giữa vị trí hiện tại của xe và điểm đến tiếp theo trong lộ trình Sau

đó, dựa trên tọa độ GPS của hai điểm, hệ thống tính toán góc giữa hướng hiệntại của xe và hướng cần di chuyển để đến điểm tiếp theo

23

2.7.2 Công thức Haversine và ứng dụng trong tính toán khoảng cách

Công thức Haversine được sử dụng để tính khoảng cách giữa hai điểm trên bề mặtTrái Dat dựa trên vi độ và kinh độ của chúng Được biểu diễn trong công thức (2.10)

lat2 — lat1 lon2 — lon1

d = 2r arcsin (= —= + cos(latl) cos(lat2) sin? 6m)

(2.10) Trong đó:

» dla khoảng cách giữa hai điểm

» r là bán kính Trái Dat

* lat1, lon1 là vĩ độ và kinh độ của điểm thứ nhất

* lat2, lon2 là vĩ độ và kinh độ của điểm thứ hai

2.7.3 Tính toán góc và hướng điều khiển dựa trên vi tri GPS

Góc giữa hướng hiện tại của xe và hướng cần di chuyển được tính toán bằng cách

sử dụng hàm arctan2 trong công thức (2.11) với các tọa độ GPS của hai điểm

Trong đó:

» y: là tọa độ y của điểm.

» x: là tọa độ x của điểm

24

Chương 3 PHAN TÍCH THIẾT KE VÀ HIỆN THUC HỆ THONG

3.1 Tổng quan thiết kế

Hệ thống định vị trên xe không chỉ bao gồm dữ liệu vị trí từ GPS mà còn yêu cầu

đến vận tốc, góc lái và hướng di chuyển của xe Vì thế để dé dàng quản lý và cũng

nhằm đảm bảo khả năng đáp ứng và hiệu suất hoạt động Hệ thống được chia ra thành

năm Node chức năng Mỗi Node sẽ có một nhiệm vụ khác nhau và được trang bị một

vi điều khiển để thực hiện các tác vụ xử lý và điều khiển riêng biệt Việc chia nhỏ

hệ thống thành các node giúp đơn giản hóa thiết kế, dễ dàng bảo trì và nâng cấp Hệthống thiết kế được thể hiện thông qua (Hình 3.1)

Hệ thống bao gồm các node sau:

» Node Cảm biến IMU: Thu thập dữ liệu từ cảm biến BNO055, cung cấp thông

tin về góc xoay và gia tốc của xe

* Node Điều khiển Động cơ: Nhận tín hiệu điều khiển từ node xử ly dif liệu va

điều khiển động cơ DC để xe di chuyển với tốc độ mong muốn

* Node Điều khiển Góc Lái: Nhận tín hiệu điều khiển từ node xử lý dữ liệu và

điều khiển động cơ servo để thay đổi góc lái của xe

¢ Node Thu thập Dữ Liệu GPS: Thu thập dữ liệu vị trí từ module GPS Cung

cấp thông tin về vị trí của xe

° Node Xử lý Dữ Liệu: Đây là node trung tâm, nhận dif liệu từ các node khác,

xử lý dữ liệu bằng bộ lọc Kalman mở rộng, tính toán tín hiệu điều khiển và gửi

đến các node điều khiển

Bên cạnh việc thiết kế phần cứng, nhóm cũng xây dựng chương trình điều khiển ở

mỗi node theo mô hình trạng thái FSM (Finite State Machine) Mô hình này cho phép

chương trình chuyển đổi giữa các trạng thái khác nhau một cách tuần tự, giúp dễ dàngquản lý và xử lý các sự kiện xảy ra trong quá trình hoạt động của hệ thống

25

(BNO058) BNO data Yaw/Acceleration Data

| Encoder : - H-Bright — Motor |X ị Timer

~~ Velocity Data Velocity Data

7 CAN

lA ` GPS Data

/ \ GPS data processed

CAN | ae _data GPS Node P processing

VET DART CAN Node

SteeringNode PWM

Signal Control

CAN CAN

Hình 3.1: Hệ thống kết nối các Node

3.2 Thiết kế hệ thông phần cứng

3.2.1 Node Cảm biến IMU

Module BNO055 (Hình 3.2) là một thành phan quan trong, đóng vai trò cung cấp

dữ liệu về định hướng, chuyển động và gia tốc của xe Module này tích hợp nhiều loại

cảm biến khác nhau, bao gồm:

* Gia tốc kế 3 trục: Do lường gia tốc tuyến tính của xe theo ba phương.

¢ Con quay hồi chuyển 3 trục: Do lường tốc độ góc quay của xe quanh ba trục.

° Từ kế 3 trục: Do lường cường độ và hướng của từ trường xung quanh xe.

Module BNO055 có khả năng tính toán và cung cấp các thông tin quan trọng vềđịnh hướng của xe, bao gồm góc xoay (roll, pitch, yaw) và gia tốc tuyến tính Các

thông tin này được sử dụng trong bộ lọc Kalman mở rộng để ước lượng trạng thái của

xe một cách chính xác.

Ưu điểm của module BNO055:

* Tích hợp đa cảm biến: Giúp giảm thiểu số lượng linh kiện và tiết kiệm không

gian trên bo mạch.

26

” BNO055

INHIINMf

[17]

Hình 3.2: Module BNO055 cảm biến định hướng tuyệt đối 9 trục

» Khả năng tính toán định hướng tích hợp: Giảm tải cho bộ vi xử lý chính,

giúp tăng tốc độ xử lý và giảm tiêu thụ năng lượng

* Giao tiếp I2C hoặc UART: Dé dàng kết nối va giao tiếp với các thiết bị khác

trong hệ thống

* Độ chính xác cao: Cung cấp dữ liệu định hướng chính xác và ổn định

Ứng dụng của module BNO055 trong đề tài nghiên cứu:

* Ước lượng trạng thái: Cung cấp dữ liệu góc hướng và gia tốc cho bộ lọc

Kalman mở rộng.

« Điều khiển xe: Giúp xác định hướng của xe di chuyển theo quỹ đạo mong

muôn.

3.2.2 Node thu thập tín hiệu GPS

Mạch định vị Waveshare LC76G Multi GNSS Module (Hình 3.3) có vai trò cung

cấp dữ liệu vị trí cho xe Module này hỗ trợ đa hệ thống vệ tinh định vị toàn cầu(GNSS), bao gồm GPS, BeiDou, GLONASS, Galileo và QZSS, cho phép xác định vitrí một cách đáng tin cậy và chính xác trong nhiều điều kiện môi trường khác nhau

27