I. Tổng quan 3 1. Lịch sử phát triển 3 2. Tầm quan trọng của xe tự hành 4 3. Môi trường làm việc trong kho 5 3.1 Nhà kho di động 5 3.2 Nhà kho cố định 6 3.3 Kho lạnh 7 4. Các loại xe tự hành được sử dụng 7 4.1 Forklift AGV 8 4.2 Towing AGV 8 4.3 Underride AGV 9 5. Các dạng bánh xe sử dụng trong xe tự hành 12 5.1 Bánh tiêu chuẩn: 12 5.2 Bánh Castor: 12 5.3 Bánh xe bi cầu 12 5.4 Bánh mecanum: 13 6. Dẫn hướng trong AGV 13 6.1 Tri giác AGV 13 6.1.1 Cảm biến quang học 13 6.1.2 Camera 13 6.1.3 Từ tính 14 I. Tổng quan 3 1. Lịch sử phát triển 3 2. Tầm quan trọng của xe tự hành 4 3. Môi trường làm việc trong kho 5 3.1 Nhà kho di động 5 3.2 Nhà kho cố định 6 3.3 Kho lạnh 7 4. Các loại xe tự hành được sử dụng 7 4.1 Forklift AGV 8 4.2 Towing AGV 8 4.3 Underride AGV 9 5. Các dạng bánh xe sử dụng trong xe tự hành 12 5.1 Bánh tiêu chuẩn: 12 5.2 Bánh Castor: 12 5.3 Bánh xe bi cầu 12 5.4 Bánh mecanum: 13 6. Dẫn hướng trong AGV 13 6.1 Tri giác AGV 13 6.1.1 Cảm biến quang học 13 6.1.2 Camera 13 6.1.3 Từ tính 14
Mục lục I Tổng quan Lịch sử phát triển Tầm quan trọng xe tự hành Môi trường làm việc kho 5 3.1 Nhà kho di động 3.2 Nhà kho cố định 3.3 Kho lạnh Các loại xe tự hành sử dụng 4.1 Forklift AGV 4.2 Towing AGV 4.3 Underride AGV .9 Các dạng bánh xe sử dụng xe tự hành .12 5.1 Bánh tiêu chuẩn: 12 5.2 Bánh Castor: 12 5.3 Bánh xe bi cầu .12 5.4 Bánh mecanum: 13 Dẫn hướng AGV .13 6.1 Tri giác AGV .13 6.1.1 Cảm biến quang học .13 6.1.2 Camera 13 6.1.3 Từ tính 14 6.1.4 Encoders 14 6.1.5 So sánh phương pháp .14 6.2 Phương pháp tìm đường 15 Luật điều khiển 17 Mục tiêu thiết kế 18 II Lựa chọn phương án 18 Thiết kế khí 18 Thiết kế điện 18 Thiết kế thuật toán điều khiển 19 3.1 Thiết kế thuật toán .19 3.2 Thiết kế điều khiển 20 III Kế hoạch làm việc 20 Hình ảnh I Tổng quan Hình 1.1 AGV đời năm 1953 .4 Hình 3.1 Nhà kho sử dụng cho Kiva System Hình 3.2 Nhà kho sử dụng cho Scallog System Hình 3.3 Nhà kho Stellingen Hình 3.4 Kho lạnh .8 Hình 4.1 TOYOTA Autopilot forklift Hình 4.2 CarryBee AGVs Aichikikai Techno System 10 Hình 4.3 Amazon Kiva 11 Hình 4.4 SWISSLOG TransCar 11 Hình 4.5 SSI Schaefer AGV 12 Hình 4.6 Robotnik AGV 12 Hình 4.7 SWISSLOG Standard 13 Hình 6.1a Bộ lọc Kalman xác định vị trí tuyệt đối 17 Hình 6.1b Bộ lọc Kalman xác định vị trí tuyệt đối 18 Hình 6.1c Bộ lọc Kalman xác định vị trí tuyệt đối 18 II Lựa chọn phương án Hình 3.1 Semantic Segmentation nhận biết đường 20 Hình 3.2 Cấu trúc mạng VGG19 .21 I Tổng quan I Tổng quan Lịch sử phát triển Vào đầu năm 1950, nhà phát minh người Mỹ có ý tưởng thay trình điều khiển trailer máy kéo để vận chuyển hàng hóa cách sử dụng tự động hóa Ý tưởng thực Barrett-Cravens Northbrook, Illinois (tại Savant Automation Inc., Michigan) Hình 1.1 AGV đời năm 1953 Hệ thống xe có dẫn hướng tự động (AGVS) lắp đặt máy kéo vào năm 1954 Công ty Vận tải Mercury Columbia, South Carolina, để vận chuyển lô hàng đường dài Các phương tiện theo dõi theo dõi trước theo sau dẫn điện dải gắn sàn nhà Điều có nghĩa xe tự dẫn hướng dọc theo đường từ trường gây Môi trường hệ thống xe điều khiển tự động sử dụng nhà máy nhà kho lớn Ở nơi công nhân vận chuyển hàng hóa xe chun dụng họ tồn nhà xưởng sàn nhà kho, môi trường điều chỉnh giai đoạn để đáp ứng nhu cầu hệ thống khơng dựa vào yếu tố người Vật mốc, đường chuyên biệt, biện pháp bảo vệ an toàn đưa để giảm thiểu rủi ro cho người thiệt hại Tại thời điểm AGV có cản khí an tồn hướng dẫn đường đơn giản (dẫn hướng line từ) sàn cảm biến quang học Nhu cầu thị trường lớn, chủ yếu từ ngành công nghiệp ô tô, thúc đẩy phát triển công nghệ tiên tiến với tốc độ nhanh AGV có nhiều ưu điểm mà ngành cơng nghiệp cần có Nó giúp tiết kiệm chi phí, tăng hiệu quả, giảm tổn thất vật liệu vận chuyển, tăng tính linh hoạt, tăng cường sử dụng khơng gian tăng mức độ an tồn Một số công nghệ giai đoạn này: I Tổng quan Sự phát triển vi mạch làm cho tốc độ xử lý nhanh hơn, thiết bị thuật toán Camera, AI áp dụng tăng độ xác khả thích nghi Cơng nghệ dung lượng pin khơng có nhiều phát triển đáng kể công nghệ sạc nhanh sạc không dây phát triển làm tăng khả hoạt động AGV Các thuật toán phát triển giúp AGV hoạt động chung với người, từ tiết kiệm chi phí sở hạ tầng riêng cho AGV Truyền dẫn không dây, đặc biệt IoT mở tiềm lớn cho AGV hoạt động AGV giám sát lệnh qua internet, tạo sở cho việc phát triển Swarm Công nghệ phát triển nhiều AGVS đại có nhiều ưu điểm so với công nghệ Lundgren thấy AGVS phần xu hướng lớn ngành công nghiệp 4.0 nhiều nhà sản xuất ô tô Đức triển khai công nghệ Công nghệ lan rộng sang phân khúc thị trường thương mại hóa Một vài công ty đầu lĩnh vực sản xuất AGV: CREFORM Technik GmbH, Baunatal, Germany (CREFORM), DS Automotion GmbH, Linz, Austria (DS), E&K Automation GmbH, Rosengarten, Germany (E&K), Schabmüller GmbH, Berching, Germany(Schabmüller), Swisslog GmbH, Westerstede, Germany (Swisslog), … Vào năm 2012, công ty thương mại điện tử Amazon, nhà bán lẻ Internet lớn Hoa Kỳ mua lại nhà sản xuất hệ thống Kiva triển khai 15 000 AGV 10 nhà xưởng nhằm giảm thời gian giao hàng tăng mức dịch vụ khách hàng Lĩnh vực ứng dụng làm tăng tốc độ phát triển công nghệ Xe tự hành ứng dụng nhiều lĩnh vực khác Các dạng chủ yếu Forklift, Piggyback, Towing, Underride, … Trong tác giả chủ yếu phân tích loại Underride AGV Đây dạng xe có kích thước nhỏ gọn có ưu điểm di chuyển linh hoạt, chiếm diện tích Loại trang bị cấu nâng với hành trì ngắn vừa đủ nhấc vật lên di chuyển tới nơi khác Tầm quan trọng xe tự hành Để đáp ứng công nghiệp sôi nay, nhiều công việc cần thay máy móc để đáp ứng thời gian độ xác vận chuyển công việc Với phát triển công ty bán lẻ Amazon, tiki, taobao,… nhà kho khổng lồ xuất tất yếu Và đó, khả sức người hồn tồn khơng đáp ứng nhu cầu đề kèm với bùng nổ hệ thống vận chuyển tự động Với giúp đỡ AGV, nhiều vấn đề giải như: Rút gọn đáng kể thời gian vận chuyển hàng hóa kho I Tổng quan Giao tiếp AGV với hệ thống máy chủ giúp cho phối hợp hoạt động chúng gần khơng có thời gian chờ sai sót Bên cạnh đó, thơng tin hàng hóa kho ln xác gần tuyệt đối Chi phí đầu tư cao chi phí lâu dài thấp đáng kể so với thuê nhân công Tránh vấn đề tai nạn lao động kho Có thể làm việc Tránh sai sót dẫn đến thiệt hại, hư hỏng hàng hóa Nâng cao chất lượng, hình ảnh cơng ty Môi trường làm việc kho Sự đa dạng hàng hóa kéo theo đa dạng loại kho chứa Trong đó, chung chia nhà kho thành loại dựa khả lưu trữ vận chyển nhà kho “cố định” nhà kho “di động” Hai dạng có ưu nhược điểm riêng sử dụng rộng rãi Ngoải ra, dựa điều kiện làm việc riêng biệt chia loại khác kho lạnh 3.1 Nhà kho di động Hình 3.1 Nhà kho sử dụng cho Kiva System I Tổng quan Hình 3.2 Nhà kho sử dụng cho Scallog System Đây dạng nhà kho dùng để chứa hàng hóa xếp với chiều cao khơng lớn Hàng hóa để pallet chuyên dụng, kệ hàng dạng xe kéo di chuyển Đặc điểm dạng hàng hóa có kích thước khơng lớn loại giữ “tạm thời” để chờ đến lúc xử lí, vận chuyển nơi khác Điển hình cho nhà kho dạng nơi nhận hàng hóa nhà xưởng Nhược điểm dạng cần diện tích lớn nên quãng đường vận chuyển tăng lên 3.2 Nhà kho cố định Hình 3.3 Nhà kho Stellingen Đức I Tổng quan Đây dạng nhà kho xếp kệ hàng có độ cao lớn, gồm nhiều tầng hàng hóa xếp chồng lên Hàng hóa chủ yếu đặt pallet để vận chuyển xe nâng Vì tậng dụng chiều cao nhà kho nên số lượng hàng hóa lớn nhiều so với nhà kho dạng di động so sánh với loại diện tích mặt Dạng nhà kho thường sử dụng với xe chun dụng có kích thước lớn cấu treo để lấy hàng hóa 3.3 Kho lạnh Bên cạnh vấn đề hiệu suất, AGV giúp hạn chế thời gian lao động người mơi trường khắc nghiệt, mà kho lạnh ví dụ Nhu cầu lương thực thực phẩm ngày cao dẫn đến phát triển số lượng lẫn kích thước kho lạnh để bảo quản, môi trường cần đến AGV Tuy nhiên, vận hành kho lạnh gặp nhiều khó khăn so với mơi trường bên ngồi Đầu tiên khả hoạt động thiết bị điện tử, chúng hoạt động khoảng nhiệt độ định, phải có thiết bị dành riêng cho kho lạnh Ngồi ra, nhà đóng băng gây nhiều khó khăn q trình di chuyển trượt bánh, từ dẫn đến khó khăn việc xử lý tín hiệu trả Bên cạnh đó, nhiều cảm biến làm việc bị băng che phủ camera, laser, hồng ngoại,… Hình 3.4 Kho lạnh Các loại xe tự hành sử dụng Thiết kế AGV đa dạng phân loại dựa vào nhiều yếu tố như: Kích thước khả tải Nhà kho sử dụng I Tổng quan Khả phối hợp hoạt động Thiết bị, thuật toán dẫn hướng Một số dạng xư tự hành thường gặp môi trường nhà kho là: Forklift, Towing, underride, … Trong nội dung báo cáo tác giả tập trung tìm hiểu dạng Underride AGV 4.1 Forklift AGV Đây dạng xe thiết kế theo xe nâng, sử dụng nhà kho cố định để vận chuyển hàng hóa Pallet Xe thường có kích thước khối lượng lớn thường xuyên phải vận chuyển hàng hóa khối lượng lớn nằm cao Hình 4.1 TOYOTA Autopilot forklift Ưu điểm: - Trọng tâm xe đặt thấp, vị trí nâng nằm vùng bánh xe tránh khả bị lật vào đường cong cân nâng tải Nhược điểm: - Kích thước cồng kềnh cần phải có khơng gian trống rộng để di chuyển, quay hướng khác Dẫn động hệ thống Drive Unit khiến xe linh hoạt việc chuyển hướng, 4.2 Towing AGV Đây dạng xe tự hành dùng để kéo nhiều xe hàng nối với Thiết kế xe đa dạng thiết kế tùy theo nhu cầu khách hàng đặt Hình 4.2 CarryBee AGVs Aichikikai Techno System I Tổng quan Ưu điểm: - Vì xe dùng để kéo xe hàng khác, khơng cần phải nâng hàng hóa lên dạng forklift nên thời gian di chuyển nhanh Do không tác dụng lực nâng hàng mà tác dụng lực kéo nên khả tăng tốc cao Nhược điểm: - Thông thường Towing AGV dẫn hướng line từ mặt sàn nên cần khơng gian vùng an tồn lớn, khả linh hoạt hành trình khơng cao 4.3 Underride AGV Đây dạng xe tư hành thiết kế để nâng kệ hàng tự bên dưới, tâm cấu nâng trùng với trục trọng tâm hàng Dạng có khả di chuyển linh hoạt không gian nhỏ thường kết hợp nhiều xe hoạt động kho điều khiển hệ thống quản lí định vị dẫn hướng Ưu điểm: - Do xe nâng kệ hàng từ bên nên tiết kiệm khơng gian giảm diện tích vùng an tồn hoạt động Nhược điểm: - Vì nâng bên nên kệ hàng phải có khoảng trống bên phù hợp xe nâng tính tốn chiều cao để xe tăng tốc khơng bị ngã rơi rót hàng hóa Dưới thông số kỹ thuật số dạng Underride AGV: Kiva Amazon AGV I Tổng quan K Hình 4.3 Amazon Kiva Bảng 1.1: Thông số kỹ thuật Kiva AGV Kích thước Khối lượng khơng tải Tải trọng nâng Vận tốc tối đa Phương pháp dẫn đường Số bánh Barcode, camera, laser, sonar bánh dẫn động thường, bánh caster SWISSLOG TransCar AGV Hình 4.4 SWISSLOG TransCar Bảng 1.2: Thơng số kỹ thuật Swisslog TransCar Kích thước Khối lượng không tải Tải trọng nâng Vận tốc tối đa Phương pháp dẫn đường Số bánh RFID Barcode Reader bánh dẫn động thường, bánh caster I Tổng quan SSI Schaefer AGV Weasel Hình 4.5 SSI Schaefer AGV Bảng 1.3: Thông số kỹ thuật SSI Schaefer Kích thước Khối lượng khơng tải Tải trọng nâng Vận tốc tối đa Phương pháp dẫn đường Số bánh RFID-Tags bánh driving and steering, bánh caster Robotnik AGV Hình 4.6 Robotnik AGV Bảng 1.3: Thơng số kỹ thuật Robotnik AGV Kích thước Khối lượng không tải Tải trọng nâng Vận tốc tối đa Phương pháp dẫn đường Số bánh Laser SICK S3000 bánh driving and steering, bánh caster I Tổng quan SWISSLOG Standard AGV Hình 4.7 SWISSLOG Standard Bảng 1.3: Thơng số kỹ thuật SWISSLOG Standard Kích thước Khối lượng không tải Tải trọng nâng Vận tốc tối đa Phương pháp dẫn đường Số bánh Customized Laser bánh driving and steering, bánh caster Các dạng bánh xe sử dụng xe tự hành 5.1 Bánh tiêu chuẩn: Có bậc tư do, xoay xung quanh trục bánh xe Đây dạng phổ biến, có kết cấu đơn giản có ưu điểm chịu tải trọng nâng lớn mà đảm bảo khả di chuyển Vì đơn giản nên giá thành loại bánh thấp Nhược điểm lớn bánh xe khả linh hoạt khơng cao chạy theo hướng 5.2 Bánh Castor: Có bậc tự xoay quanh trục bánh xe quanh khớp lái (steering joint) Dạng bánh xe dùng phổ biến công nghiệp Dạng bánh khắc phục nhược điểm bánh xe tiêu chuẩn nên có ưu điểm khả di chuyển linh hoạt, thay đổi theo hướng 5.3 Bánh xe bi cầu Có bậc tự dựa vào kết cấu đặc biệt khối bi cầu Ưu điểm dạng bánh xe khả đáp ứng linh hoạt đổi hướng xe Nhưng dạng lại có nhiều nhược điểm tiếp xúc với mặt sàn điểm gây áp lức tác dụng lớn nên khả tải bánh xe khác Môi trường làm việc mặt sàn phải sạch, khơng có hạt cứng làm hư bề mặt bi cầu giảm hiệu suất hoạt động I Tổng quan 5.4 Bánh mecanum: Có bậc tư do: quay quanh trục bánh, trục lăn điểm tiếp xúc Bánh mecanum ngày sử dụng nhiều công nghiệp với ưu điểm so với bánh xe khả thay đổi hướng với thời gian đáp ứng nhanh mà không cần phải thay đổi phương xe giúp cho xe chạy tới nơi có khơng gian chật hẹp, khơng có khả quay xe lại Vì bánh xe cấu tạo từ nhiều lăn nên ưu điểm dạng bánh xe tải trọng thấp Do có nhiều ưu điểm cấu tạo phức tạp nên giá thành bánh cao Dẫn hướng AGV 6.1 Tri giác AGV 6.1.1 Cảm biến quang học Có nhiều cách để dẫn hướng AGV với hệ thống quang học, phải kể đến cảm biến hồng ngoại Một LED hồng ngoại gắn vào AGV để xác định vị trí tương đối của AGV so với đường dẫn có màu tương phản với màu sàn nhà Tuy nhiên phương pháp hạn chế khoảng cách cảm biến đến sàn nhà phải nhỏ , sai số tương đối lớn, khoảng đo phụ thuộc vào số lượng cảm biến, phát triển tính khác,… Một cảm biến quang học khác phổ biến Laser, dẫn hướng cách phát thu tia laser dựa vào thời gian để tính khoảng cách từ AGV đến vật xung quanh Có phương pháp áp dụng Thứ sử dụng cảm biến gắn với thiết bị quay, cách tiết kiệm chi phí cho cảm biến sai số giảm so với cảm biến cố định Cách thứ hai sử dụng đến cảm biến gắn xung quanh AGV, phương pháp có chi phí cao độ xác tăng đáng kể so với cách Sử dụng cảm biến Laser phương pháp tốt việc vẽ đồ kho hàng (SLAM) phát vật cản trình di chuyển 6.1.2 Camera Nhờ phát triển mạnh mẽ phần cứng, Camera dần trở thành thiết bị thiếu ngành công nghiệp tự động, đặc biệt mobile robot hay xe tự lái Sử dụng camera nhận biết đường đi, biển báo, vật cản,… cho AGV Sử dụng nhiều camera giúp tạo đồ độ sâu để xác định khoảng cách đến vật cản Tuy nhiên, tốc độ xử lý camera chậm so với loại cảm biến, nên thường dùng cho loại AGV có tốc độ thấp Sử dụng Camera phương pháp tốt để phát triển thêm tính cho AGV sau I Tổng quan 6.1.3 Từ tính Hiện nay, số AGV trang bị phương pháp dẫn hướng sử dụng từ trường Phương pháp sử dụng nam châm đường với khoảng cách Khi AGV qua, dựa vào trạng thái của cực nam châm (đầu bị hút, đầu bị đẩy) để tạo dải mã nhị phân, từ giúp AGV định hướng Thông thường, doanh nghiệp sử dụng băng keo từ tính làm đường cho AGV, phương pháp tương tự dẫn hướng cảm biến hồng ngoại, nhiên độ xác cao nhiều hạn chế nhiễu từ môi trường 6.1.4 Encoders Gắn encoder trục động để đo vận tốc bánh, từ tính quãng đường cách dẫn hướng sử dụng encoder Độ xác phương pháp phụ thuộc vào số lượng xung encoder vòng quay Tuy nhiên, encoder có sai số lớn xe trượt bánh, sai số bị cộng dồn dẫn đến độ xác quãng đường dài lớn không calib liên tục Do đó, phương pháp sử dụng độc lập 6.1.5 So sánh phương pháp - Cảm biến laser o Ưu điểm: Dễ dàng điều hướng nhiều AGV đồng thời Độ xác cao, xử lý nhanh, khoảng đo rộng Xác định vật cản vị trí tuyệt đối o Nhược điểm: Chi phí cao, lắp đặt phức tạp - Camera o Ưu điểm: Đa năng, dễ phát triển nhiều chức khác Có thể xác định vật cản vị trí tuyệt đối Tín hiệu trả dễ đánh giá cho người o Nhược điểm: Tốc độ xử lý chậm Ảnh hưởng nặng số môi trường (bụi, sương mù,…) - Cảm biến từ o Ưu điểm: Độ xác cao di truyển băng từ Ổn định điều kiện tự nhiên khắc nghiệt o Nhược điểm: Ảnh hưởng sóng điện từ cơng nghiệp Khơng xác định vị trí tuyệt đối I Tổng quan - Encoders o Ưu điểm: Dễ dàng triển khai, sử dụng Xử lý nhanh o Nhược điểm: Sai số cộng dồn Không quản lý nguyên nhân sai lệch (như trượt bánh) 6.2 Phương pháp tìm đường Mỗi thiết bị dẫn hướng có phương pháp tìm đường riêng, nhìn chung phương pháp tìm đường có cơng việc chính: Xác định vị trí tuyệt đối tìm đường ngắn Ngoài số thiết bị dẫn hướng có thêm chức khác thám hiểm, tránh vật cản,… Hiện nay, có nhiều phương pháp để tìm đường ngắn A *, Floyd–Warshall, BFS, DFS, Dijkstra’s,… Trong đó, phổ biến thuật tốn A * A* giải thuật Heuristic, tức dựa đốn, ước chừng, kinh nghiệm để tìm giải pháp gần tốt Từ trạng thái tại, A * xây dựng tất đường đi dùng hàm ước lược khoảng cách ( hàm Heuristic) để đánh giá đường tốt đi.Tùy theo dạng khác mà hàm Heuristic đánh giá khác A* ln tìm đường ngắn tồn đường A* lưu giữ tập đường qua đồ thị, từ đỉnh bắt đầu đến đỉnh kết thúc Tập đỉnh tiếp lưu tập Open Thứ tự ưu tiên cho đường đươc định hàm Heuristic đánh giá Trong đó, chi phí đường từ điểm xuất phát thời điểm tại, hàm ước lượng chi phí từ đỉnh đến đỉnh đích thường có giá trị thấp độ ưu tiên cao Bên cạnh A*, sử dụng học tăng cường phương pháp tìm đường Học tăng cường thuật tốn trí tuệ nhân tạo dựa chuỗi quy hoạch Markov, sau chuỗi hành động AGV, thuật toán dựa kết thực tế kết mong muốn để “thưởng” “phạt” chuỗi hành động trước Từ điều chỉnh hành vi cho lần xử lý Ưu điểm học tăng cường thời gian xử lý nhanh, tự phát triển để đáp ứng với mơi trường mới, sử dụng học tăng cường đa mục đích (tìm đường, tránh vật,…) thay sử dụng nhiều thuật tốn cho mục đích Nhưng nhược điểm học tăng cường dựa kết thực tế nên thời gian huấn luyện dài, đặc biệt điều kiện phần cứng hạn chế Bên cạnh đó, hành vi AGV dựa học tăng cường dự đốn người nên khó điều chỉnh kết không mong muốn I Tổng quan Đối với phương pháp xác định vị trí tuyệt đối, phổ biến hiệu sử dụng lọc Kalman Rất nhiều phương pháp khác sử dụng dựa nguyên lý lọc Kalman Kalman lọc sử dụng phân bố chuẩn nhiều chiều với liệu chiều trả từ cảm biến hay camera Khi có tín hiệu trả về, ta dựa vào phân phối loại sai số để tìm giá trị có xác suất cao Ví dụ, để xác định vị trí xe dựa vào vận tốc bánh, ta ước lượng vị trí xe (sau trừ hao loại sai số): Hình 6.1a Bộ lọc Kalman xác định vị trí tuyệt đối Nhưng sử dụng cảm biến laser, ta xác định vị trí khác xe I Tổng quan Hình 6.1b Bộ lọc Kalman xác định vị trí tuyệt đối Thay chọn hai, ta sử dụng lý thuyết xác suất để tìm vị trí có xác suất cao xe Hình 6.1c Bộ lọc Kalman xác định vị trí tuyệt đối Luật điều khiển Đối với hệ thống SISO, PID điều khiển phổ biến đơn giản Nhưng hệ MIMO, hệ điều khiển phân tán điều khiển PID không đáp ứng tốt I Tổng quan Để giải toán hệ thống MIMO, điều khiển phân tán AGV, giới phát triển nhiều lý thuyết điều khiển mà phổ biến kể đến Fuzzy Logic, Lyapunov Stability, Linear Quadratic Gaussian (LQG) ,Neural Network, Sliding mode,… Mạng Neural có tốc độ xử lý độ xác cao, đòi hỏi thời gian training lâu, tập liệu lớn đòi hỏi cấu hình máy tính cao (đặc biệt GPU) nên năm gần ý Đối với LQG, việc thiết lập sử dụng có ưu điểm đơn giản không đảm bảo bền vững Lyapunov sliding mode thuật toán điều khiển phức tạp, độ xác cao quan trọng đảm bảo bền vững Mục tiêu thiết kế - II Lựa chọn underride AGV Sử dụng cho nhà kho “khơng cố định” với tạp hóa quần áo, bánh kẹo, đồ điện tử,… Vận tốc tối đa: Tải trọng cho phép: Có khả tìm đường ngắn nhất, tránh vật cản, làm việc chung với người Có thể phát triển thêm khả nhận diện biển báo, nhận diện hàng hóa,… Lựa chọn phương án Thiết kế khí Kết cấu xe với bánh dẫn động trước bánh bị động sau chọn có mặt chân đế lớn, tránh tình trạng bị nghiêng lệch trọng tâm bánh Do tải trọng đặt nên thiết kế bánh với bánh dẫn động tối ưu khó khăn việc thiết kế đồng phẳng Do đó, thiết kế bánh chọn Khối lượng dự kiến , kích thước dự kiến , khả tải dự kiến Thiết kế điện Để đáp ứng nhu cầu tránh vật cản, nhận diện hàng hóa,… Camera ưu tiên sử dụng Do thuật toán Stereo phức tạp, độ xác khơng cao Camera di chuyển đặc biệt thời gian tính tốn lâu khơng phù hợp cho mobile robot dẫn đến nhu cầu lựa chọn cảm biến khác để xác định vật cản Do giá thành cảm biến laser cao nên cảm biến siêu âm JSN-SR04T-2.0 chọn Module JSN-SR04T-2.0 cảm biến đo khoảng cách siêu âm với khoảng cách từ , độ xác đạt , góc đo Bên cạnh đó, sử dụng thêm Module gia tốc góc MPU6050 để tăng độ xác xác định vị trí tuyệt đối II Lựa chọn phương án Về vi điều khiển, dòng PIC bit chọn để điều khiển động đọc cảm biến khơng u cầu tính toán cao Đối với Camera, Raspberry Pi chọn để đáp ứng tốc độ xử lý Ngoài ra, AGV sử dụng ESP8266 giao tiếp với máy tính thơng qua Wifi, dùng để nhận thông tin đường từ máy tính trả thơng tin vị trí tuyệt đối, hàng chở, vận tốc,… Hệ thống điều khiển có cấu trúc phân cấp Trong gồm slave với slave đọc cảm biến, slave2 xử lý ảnh, slave3 điều khiển động cơ, slave4, giao tiếp Wifi với máy tính master làm nhiệm vụ trung xử lý trung gian slave Sử dụng hệ thống phân cấp để đơn giản hóa q trình quản lý, debug, phát triển Bên cạnh đó, tốc độ xử lý hệ thống cải thiện tác vụ thực song song tránh rắc rối xử lý nhiều ngắt vi điều khiển 10 Thiết kế thuật toán điều khiển 10.1 Thiết kế thuật toán Bên cạnh xác định vật cản cảm biến siêu âm, thuật toán dẫn hướng sử dụng camera phân tách đường xác định vạch kẻ đường mạng neural network, từ xác định giới hạn phải – trái di chuyển Do đó, gặp vật cản có kích thước đủ nhỏ, AGV chuyển để tiếp thay đợi vật cản mang Một số mạng neural có kết tốt tốn xử lý ảnh kể đến vgg16, vgg19, ResNet,… Do khơng có sở lý thuyết để chọn mạng tối ưu nên phương pháp để chọn mạng phù hợp thử đánh giá Hình 3.1 Semantic Segmentation nhận biết đường II Lựa chọn phương án Hình 3.2 Cấu trúc mạng VGG19 Thuật tốn tìm đường ưu tiên chọn thuật tốn A * Bên cạnh đó, tìm đường phương pháp học tăng cường nghiên cứu Phương pháp xác định giá trị vị trí tuyệt đối sử dụng lọc Kalman Bên cạnh đó, khu vực hàng hóa có code riêng, AGV quét code để xác định lại vị trí tuyệt đối 10.2 Thiết kế điều khiển Do AGV hệ MIMO, nên điều khiển sử dụng Lyapunov chọn để xác định vận tốc tuyến tính vận tốc góc Bên cạnh sử dụng điều khiển PID để điều chỉnh khả đáp ứng bánh III Kế hoạch làm việc Vì thiết kế Cơ – điện tử thiết kế song song nên kế hoạch làm việc phân bố cho công việc thiết kế – điện – thuật toán hồn thành xen kẽ thay làm phần Cơng việc chia thành nhóm “quan trọng” “khơng quan trọng” Trong “quan trọng” cơng việc dở dang cần đầu tư thực hiên Còn “khơng quan trọng” cơng việc tương đối hồn thành, cần sửa chữa hồn thiện III Kế hoạch làm việc Dù thiết kế song song, để tránh xao nhãng công việc, số việc “quan trọng” tuần tối đa dừng số việc “không quan trọng” tối đa dừng Về mặt tổng quan, công việc phân chia từ đầu tháng đến tháng sau: Tháng 1: tập trung thiết kế khí số vấn đề thiết kế điện Tháng 2: bắt đầu thiết kế giải thuật hoàn thiện thiết kế điện Tháng 3: tập trung kế giải thuật hồn thiện vẽ để chuẩn bị gia cơng Tháng 4: hồn thiện giải thuật xây dựng mơ hình Tháng 5: báo cáo hồn thiện mơ hình Chi tiết kế hoạch làm việc theo biểu đồ Gantt: Tài liệu tham khảo [1] “Positioning and Docking of an AGV in a Clinical Enviroment” – David Andersson & Eric Mansson, Biomedical Engineering [2] “Automated Guided Vehicles for Commercial Aircraft Manufacturing Industry” – Albert Grau Calvo, Universitat Politecnica de Catalunya [3] “Mechanical development of an Automated Guided Vehicle” – Matthieu Lamy, SE-100 44 Stockholm [4] “How to Semantic Segmentation using Deep Learning” – James Le [5] https://thetalog.com/ [6] “Vision-based Automated Guided Vehicle for Navigation and Obstacle Avoidance” – Sulamai Sabikan, Marizan Sulamai, Sy Najib and M Fahmi Miskon, Falcuty of Electrical Engineering [7] “Deep Neural Network for Real-time Autonomous Indoor Navigation” – Dong Ki Kim, Tsuhan Chen, Cornell University [8] “CS231n: Convolutional Neural Network for Visual Regconition” – Stanford University [9] “MIT 6.S094: Deep Learning for Self-Driving Cars” – Massachuset Institute of Technology