Bộ điều khiển nhúng cho hệ robot 2 bánh tự cân bằng

ĐẠI HỌC QUỐC GIA TP.HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA _o0o _ LÂM QUỐC HƯNG ĐỀ TÀI BỘ ĐIỀU KHIỂN NHÚNG CHO HỆ ROBOT BÁNH TỰ CÂN BẰNG CHUN NGÀNH: TỰ ĐỘNG HĨA Niên khóa: 2008 LUẬN VĂN THẠC SĨ Tp Hồ Chí Minh, tháng 07 năm 2010 CƠNG TRÌNH ĐƯỢC HỒN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐẠI HỌC QUỐC GIA TP.HỒ CHÍ MINH Cán hướng dẫn khoa học: PGS.TS NGUYỄN THỊ PHƯƠNG HÀ (ghi rõ họ tên, học hàm, học vị chữ ký) Cán chấm nhận xét 1: (ghi rõ họ tên, học hàm, học vị chữ ký) Cán chấm nhận xét 2: (ghi rõ họ tên, học hàm, học vị chữ ký) Luận văn thạc sĩ bảo vệ HỘI ĐỒNG CHẤM BẢO VỆ LUẬN VĂN THẠC SĨ TRƯỜNG ĐẠI HỌC BÁCH KHOA, ngày ….tháng…năm 2010 TRƯỜNG ĐẠI HỌC BÁCH KHOA KHOA ĐIỆN – ĐIỆN TỬ CỘNG HOÀ XÃ HỘI CHỦ NGHIÃ VIỆT NAM Độc Lập - Tự Do - Hạnh Phúc -oOo Tp HCM, ngày tháng năm NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: LÂM QUỐC HƯNG …Phái: ……NAM……………… Ngày, tháng, năm sinh: 11-10-1984 Nơi sinh: Đồng Nai Chuyên ngành: TỰ ĐỘNG HÓA MSHV: 01508339 1- TÊN ĐỀ TÀI: BỘ ĐIỀU KHIỂN NHÚNG CHO HỆ ROBOT BÁNH TỰ CÂN BẰNG 2- NHIỆM VỤ LUẬN VĂN: • Mơ hình hóa hệ Robot bánh tự cân • Mơ hệ thống robot bánh tự cân dùng Matlab/Simulink sử dụng giải thuật: điều khiển LQR, điều khiển trượt, điều khiển PID tự chỉnh định, điều khiển bù tham chiếu sử dụng mạng truyền thẳng mạng hàm sở xuyên tâm So sánh kết điều khiển • Xây dựng lọc Kalman mơ hình biến trạng thái biến trạng thái để ước lượng giá trị góc nghiêng vận tốc góc nghiêng điều khiển thực đối tượng robot • Xây dựng điều khiển nhúng cho hệ robot bánh tự cân sử dụng vi điều khiển thời gian thực TMS320F28335 Texas Instrument với hai giải thuật điều khiển: điều khiển trượt bù tham chiếu sử dụng mạng thần kinh nhân tạo • Đánh giá kết dựa mơ hình thực nghiệm, so sánh kết hai điều khiển 3- NGÀY GIAO NHIỆM VỤ : 02-02-2010 4- NGÀY HOÀN THÀNH NHIỆM VỤ : 03-07-2010 5- HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN (Ghi đầy đủ học hàm, học vị ): PGS.TS NGUYỄN THỊ PHƯƠNG HÀ Nội dung đề cương Luận văn thạc sĩ Hội Đồng Chuyên Ngành thông qua CÁN BỘ HƯỚNG DẪN (Họ tên chữ ký) PGS.TS Nguyễn Thị Phương Hà CHỦ NHIỆM BỘ MÔN QUẢN LÝ CHUYÊN NGÀNH (Họ tên chữ ký) GVC.TS Nguyễn Đức Thành KHOA QL CHUYÊN NGÀNH (Họ tên chữ ký) PGS.TS Nguyễn Hữu Phúc Luận văn Thạc sĩ - Lâm Quốc Hưng LỜI CẢM ƠN Xin gởi lời cảm ơn chân thành tới PGS.TS Nguyễn Thị Phương Hà, người tận tình hướng dẫn, bảo giúp đỡ tác giả suốt thời gian thực luận văn Và quan trọng hết, PGS người gợi mở cho tác giả đề tài, hướng nghiên cứu mẻ, độc đáo, có tính ứng dụng cao, hoàn toàn phù hợp với lực tác giả Xin cảm ơn bố mẹ tác giả, người tạo điều kiện thuận lợi tối đa để tác giả nghiên cứu hồn thiện luận văn thời hạn Sự giúp đỡ khơng mang tính chun mơn góp phần quan trọng đến thành công luận văn Bên cạnh tác giả xin chân thành cảm ơn quý thầy cô môn Điều Khiển Tự Động trang bị cho tác giả kiến thức quý báu để hoàn thành tốt luận văn Lời cảm ơn cuối xin dành cho người thân, bạn bè hỗ trợ tác giả suốt thời gian thực luận văn Sự giúp đỡ bạn mặt chuyên môn nguồn động lực không nhỏ cho tác giả suốt thời gian qua LÂM QUỐC HƯNG TÓM TẮT LUẬN VĂN Hệ thống nhúng ngày ứng dụng nhiều lĩnh vực điều khiển, đặc biệt việc nhúng giải thuật điều khiển đại như: mờ, mạng thần kinh nhân tạo, giải thuật di truyền , để tạo nên điều khiển hoạt động độc lập mang lại hiệu cao Các vi điều khiển có tốc độ ngày cao, nhớ lớn, có nhiều ngoại vi tính mạnh mẽ Các chip vi điều khiển thời gian thực (32 bits - Real Time MCU) DSP Texas Instrument có khả xử lý dấu chấm động, giúp cải thiện khả tính tốn số thực Cùng với hỗ trợ Matlab, Simulink sử dụng làm môi trường lập trình để xây dựng điều khiển trượt điều khiển bù tham chiếu sử dụng mạng thần kinh nhân tạo Sau đó, nhúng giải thuật vào vi điều khiển TMS320F28335 để điều khiển đối tượng robot bánh giữ cân di chuyển mặt phẳng, địa hình gồ ghề hay địa hình có góc nghiêng nhỏ Dựa vào kết mơ phỏng, so sánh hai điều khiển với điều khiển tồn phương tuyền tính điều khiển PID tự chỉnh định cho thấy cải thiện đáng kể chất lượng điều khiển sử dụng giải thuật điều khiển Mặt trượt tích phân sử dụng điều khiển trượt làm giảm độ vọt lố, thời gian xác lập sai số xác lập cải thiện đáng kể Khâu bù tham chiếu sử dụng mạng hàm sở xun tâm đóng vai trị điều tiết hoạt động hai điều khiển PID góc nghiêng vị trí, giúp robot vừa giữ cân vừa di chuyển đến vị trí mong muốn Các thông số mạng thần kinh nhân tạo cập nhật online suốt trình huấn luyện giúp ổn định hệ robot trì Kết điều khiển thực trình bày minh chứng cho ưu điểm bật điều khiển ABSTRACT Today, embedded system is used widely in automatic control field, especially embedding the modern control algorithms such as: fuzzy logic, neural networks, genetic algorithm… to create controllers that can operate seperately with the high quality performance Furthermore, speed of microcontrollers is higher, memory is larger TI Real Time Microcontrollers and DSPs have the floating point unit supporting for real number calculation, decreasing the calculating time With the support of Matlab, Simulink was used as programming environment to build two controllers: sliding mode controller and reference compensation technique using neural networks controller TMS320F28335 was used as executing environment to embed algorithms and control the operation of two wheels auto balancing robot moving on a plane or a rugged terrain Basing on simulation results, comparison two controllers mentioned above with the linear quadritic regulator and auto- tuning PID, there’s an improvement about the performance when using the new algorithms PI sliding surface, mentioned in sliding mode controller , make the percent of overshoot decrease, the settling time and the error also decrease Reference compensation technique using neural networks plays the role regulating operation of two PID controller: tilt angle and position, make robot balance and move to a desired position The parameters of neural networks is updated online in each sampling cycle, to maintain the stable of robot system The results of experiment control showed the highlights advantages of two new algorithms Luận văn Thạc sĩ - Lâm Quốc Hưng MỤC LỤC Chương 1: Tổng quan Trang 1.1 Giới thiệu chung hệ Robot bánh tự cân 1.2 Một số kết nghiên cứu robot bánh tự cân giới 1.2.1 nBot 1.2.2 JOE – A mobile inverted pendulum 1.2.3 I-Swing – Toyota 1.3 Phương pháp điều khiển thực luận văn 1.4 Nội dung luận văn Thạc sỹ Chương 2: Đặt tính động lực học hệ Robot bánh tự cân 2.1 Giới thiệu 2.2 Phương trình động lực học hệ Robot bánh tự cân 2.3 Khảo sát ảnh hưởng đặc tính phi tuyến nhiễu lên đối tượng 12 2.3.1 Khảo sát ảnh hưởng đặc tính phi tuyến 12 2.3.2 Khảo sát ảnh hưởng nhiễu lên hệ robot 15 2.4 Kết luận đối tượng robot bánh tự cân 18 Chương 3: Cơ sở lý thuyết 3.1 Đặt vấn đề 19 3.2 Lý thuyết mạng thần kinh nhân tạo 19 3.2.1 Giới thiệu 19 3.2.2 Tế bào thần kinh 20 3.2.3 Phân loại mạng thần kinh nhân tạo 23 3.2.4 Các phương pháp huấn luyện mạng thần kinh nhân tạo 23 3.2.5 Mạng truyền thẳng lớp 26 3.2.6 Mạng truyền thẳng nhiều lớp 34 3.2.7 Cấu trúc mạng hàm sở xuyên tâm 41 3.3 Lý thuyết điều khiển trượt 44 Luận văn Thạc sĩ - Lâm Quốc Hưng 3.3.1 Thiết kế điều khiển 45 3.3.2 Sự tồn nghiệm vòng kín 47 3.3.3 Định lý 1: Sự tồn chế độ trượt 48 3.3.4 Định lý 48 3.3.5 Định lý 3: Chuyển động trượt 49 3.4 Cơ sở lý thuyết lọc Kalman 48 3.4.1 Giới thiệu lọc Kalman 50 3.4.2 Quá trình ước lượng 51 3.4.3 Bản chất xác suất lọc 53 3.4.4 Thuật toán Kalman rời rạc 53 Chương 4: Giải thuật điều khiển cho hệ Robot bánh tự cân 4.1 Đặt vấn đề 56 4.2 Giải thuật điều khiển toàn phương tuyến tính – LQR 56 4.3 Giải thuật điều khiển trượt 66 4.4 Giải thuật điều khiển PID tự chỉnh định 72 4.4.1 Giải thuật cập nhật cho thông số điều khiển PID 72 4.4.2 Điều kiện hội tụ luật cập nhật 74 4.5 Giải thuật điều khiển bù tham chiếu sử dụng mạng thần kinh nhân tạo 83 4.5.1 Bù tham chiếu sử dụng mạng truyền thẳng 84 4.5.2 Bù tham chiếu sử dụng mạng hàm sở xuyên tâm 96 4.6 Kết luận 103 Chương 5:Bộ điều khiển nhúng hệ Robot bánh tự cân 5.1 Đặt vấn đề 105 5.2 Thiết kế mơ hình robot bánh tự cân 105 5.2.1 Mơ hình khí 105 5.2.2 Mạch điều khiển 107 5.3 Bộ lọc Kalman 112 5.3.1 Thực lọc Kalman 112 Luận văn Thạc sĩ - Lâm Quốc Hưng 5.3.2 Kết thực nghiệm 117 5.4 Bộ điều khiển nhúng hệ Robot bánh tự cân 120 5.4.1 Giới thiệu điều khiển nhúng 120 5.4.2 Bộ điều khiển trượt 122 5.4.3 Bộ điều khiển bù tham chiếu sử dụng mạng RBF 128 5.5 Tóm lược chương 134 Chương 6: Kết đạt hướng phát triển 6.1 Kết đạt 136 6.2 Một số hạn chế 138 6.3 Hướng phát triển 139 Phụ lục Phụ lục 141 Phụ lục 144 Trang CHƯƠNG I: TỔNG QUAN 1.1 Giới thiệu chung hệ robot bánh tự cân bằng: Đề tài robot bánh tự cân xem cầu nối kinh nghiệm từ mơ hình thăng lắc ngược đến việc nghiên cứu chế tạo loại robot hai chân robot giống người (humanoid robot) tương lai Không giống xe scooter hay xe hai bánh thơng thường có hai bánh xe nằm trước sau, robot đề tài có hai bánh nằm song song với nhau, giúp trở nên gọn gàng để di chuyển hai bánh xe khoảng không gian chật hẹp Vấn đề giữ thăng cho robot bánh bậc tự (3 DOF) nghiên cứu nhiều năm qua trường đại học, phịng thí nghiệm robot tồn giới Tính tiện ích loại robot tạo lợi việc giải vấn đề công nghiệp sống Chẳng hạn xe lăn sử dụng công nghệ mang lại tiện lợi lớn cho người sử dụng di chuyển nhiều địa hình khác Những robot tự hành hầu hết robot di chuyển ba bốn bánh xe, với hai bánh dẫn động lắp ráp đồng trục, hai bánh tự bố trí phía trước sau, có nhiệm vụ giữ cho robot thăng Việc thiết kế ba hay bốn bánh làm cho robot thăng ổn định nhờ trọng lượng chia cho hai bánh dẫn động bánh tự do, hay khác để đỡ trọng lượng robot Nếu trọng lượng đặt nhiều vào bánh lái robot khơng ổn định dễ bị ngã, cịn đặt nhiều vào bánh hai bánh khả bám Nhiều thiết kế robot di chuyển tốt địa hình phẳng, khơng thể di chuyển lên xuống địa hình lồi lõm mặt phẳng nghiêng Khi di chuyển lên đồi, trọng lượng robot dồn vào đuôi xe làm bánh lái khả bám trượt ngã Hình 1.1 - Robot dạng bánh xe di chuyển địa hình phẳng, trọng lượng chia cho bánh lái bánh dẫn nhỏ Luận văn Thạc sĩ Trang 135 - - Bộ điều khiển trượt: có cấu trúc đơn giản điều khiển bù tham chiếu sử dụng mạng thần kinh nhân tạo, chất lượng điều khiển cho thấy sai số góc nghiêng giữ cân di chuyển tốt Bộ điều khiển bù tham chiếu sử dụng mạng RBF: có cấu trúc phức tạp hơn, khối lượng tính tốn lớn, nhiên ưu điểm lớn mạng thần kinh nhân tạo khả học thể rõ, thuật tốn cập nhật trọng số online robot làm việc, để đạt điều này, hệ số học phải chọn phù hợp Luận văn Thạc sĩ Trang 136 CHƯƠNG 6: KẾT QUẢ ĐẠT ĐƯỢC VÀ HƯỚNG PHÁT TRIỂN 6.1 Kết đạt được: Với đề tài nghiên cứu trên, tác giả hoàn thành số kết sau: Trong hai chương đầu luận văn, tác giả giới thiệu mơ hình tốn đối tượng robot bánh tự cân đem lại nhìn tổng quan đối tượng, nắm đặc tính động lực học đối tượng này, mục tiêu q trình điều khiển: robot di chuyển địa hình phẳng, địa hình gồ gề, hay địa hình có độ nghiêng nhỏ sử dụng bánh xe đặc đồng trục, nghĩa suốt trình di chuyển robot giữ cân Mơ hình phi tuyến hệ robot xây dựng Matlab Simulink, so sánh mô hình phi tuyến mơ hình tuyến tính hóa, thấy đối tượng robot bánh tự cân đối tượng có đặc tính phi tuyến cao, bên cạnh việc khảo sát ảnh hưởng nhiễu tác động lên robot mô phỏng, giúp lựa chọn công suất nhiễu phù hợp mô đối tượng robot Kết mô cho thấy đáp ứng tốt hệ robot giải thuật điều khiển khác Tác giả sử dụng bốn giải thuật điều khiển để điều khiển đối tượng robot: giải thuật điều khiển LQR, điều khiển trượt, điều khiển PID tự chỉnh định điều khiển bù tham chiếu sử dụng mạng thần kinh nhân tạo Dựa vào kết mô giải thuật điều khiển: LQR điều khiển trượt, cho thấy: - Hai điều khiển có cách tiếp cận giống nhau, phương pháp LQR xây dựng sở tuyến tính hóa hệ thống điểm làm việc, mà hệ robot bánh tự cân đối tượng có tính phi tuyến cao, mà sử dụng phương pháp điều khiển trượt, chất lượng điều khiển cải thiện đột vọt lố thời gian xác lập Đối với điều khiển bù tham chiếu so với điều khiển PID tự chỉnh định, kết mô cho thấy: - Cả hai điều khiển cho kết đáp ứng hệ thống tốt với nhiều tín hiệu đặt vị trí khác nhau: dạng xung vng, dạng sóng sin Tuy nhiên điều khiển PID tự chỉnh định, độ thay đổi thông số điều khiển nhỏ, đặc biệt khâu điều khiển vị trí, thay đổi lớn, tạo tín hiệu lớn, dễ làm cho hệ thống ổn định Đối với điều khiển bù tham chiếu sử dụng mạng thần kinh nhân tạo cho kết đáp ứng tốt sau mạng thần kinh nhân tạo huấn luyện, điều có ý nghĩa quan trọng, định độ ổn định hệ thống - Trong điều khiển bù tham chiếu, tác giả đề cập đến chất lượng điều khiển sử dụng hai cấu trúc mạng khác nhau: mạng truyền thẳng mạng Luận văn Thạc sĩ Trang 137 hàm sở xuyên tâm – sử dụng giải thuật học lan truyền ngược - với số lượng tế bào thần kinh khác Phân tích kết mơ nhận thấy, chất lượng điều khiển hai cấu trúc mạng không khác nhiều sai số xác lập, mạng RBF có thời gian xác lập nhỏ So sánh số lượng trọng số cần phải cập nhật chu kỳ lấy mẫu, sử dụng số tế bào thần kinh lớp vào – lớp ẩn – lớp 6-9-6 số lượng trọng số cần phải cập nhật chu kỳ lấy mẫu mạng truyền thẳng 126, cịn với mạng RBF 78, điều giải thích lý tính khả thi điều khiển sử dụng mạng RBF cho việc điều khiển đối tượng thực Tham khảo kết lý thuyết nghiên cứu giới hệ robot bánh tự cân bằng, tác giả hoàn thành việc xây dựng điều khiển nhúng cho đối tượng dựa hai thuật toán: điều khiển trượt điều khiển bù tham chiếu sử dụng mạng thần kinh nhân tạo So với trước đây, để điều khiển đối tượng robot thơng thường hay sử dụng vi điều khiển như: 8051, AVR, PIC… nhiên dòng vi điều khiển thơng dụng nhúng giải thuật điều khiển đơn giản, khơng địi hỏi tốc độ tính tốn cao, khối lượng nhớ lớn Và gặp tốn có độ phức tạp lớn hơn, cần trợ giúp máy tính, loại card điều khiển chuyên dụng với giá thành cao Và bên cạnh đó, mơi trường lập trình đóng vai trị quan trọng, loại vi điều khiển khác việc lập trình giải thuật điều khiển sử dụng ngơn ngữ lập trình C vấn đề đơn giản, thuật tốn địi hỏi khối lượng tính tốn lớn như: điều khiển trượt hay mạng thần kinh nhân tạo Câu trả lời cho việc nhúng giải thuật vào vi điều khiển, hoạt động độc lập, với tốc độ tính tốn nhanh, khối lượng nhớ lớn, quan trọng mơi trường lập trình trực quan, thân thiện dịng vi điều khiển C2000 Texas Instrument Các điều khiển thực mơi trường lập trình Matlab Simulink, sau nhờ vào Real- Time Workshop chương trình chuyển sang ngôn ngữ C đưa vào môi trường biên dịch Code Composer tạo mã thực thi chạy TMS320F28335 Đây là hướng giải cho việc nhúng giải thuật điều khiển, đặc biệt giải thuật điều khiển thơng minh, địi hỏi khối lượng tính tốn lớn, với tốc độ cao Ngồi hàm hỗ trợ sẵn Matlab, người sử dụng tự xây dựng khối hàm riêng dựa cở sở Embedded Matlab Function, C S-Function dành cho vi điều khiển Tác giả xây dựng lọc Kalman để kết hợp liệu từ hai loại cảm biến: cảm biến gia tốc để đo góc nghiêng cảm biển quay hồi chuyển để đo vận tốc góc nghiêng Nếu sử dụng thơng tin hai loại cảm biến cách riêng lẻ, giá trị đo lý thuyết tính toán thực tế bị sai lệch lớn robot di chuyển liên tục, cảm biến gia tốc cho giá trị đo xác tần số thấp cịn cảm biến quay hồi chuyển cho thơng tin xác tần số làm việc cao giá trị đo cịn bị trơi Để loại bỏ ảnh hưởng nhiễu, độ trôi phân cực cảm biến quay hồi chuyển, sử dụng lọc bổ phụ, lọc sớm pha, Luận văn Thạc sĩ Trang 138 nhiên kết thu khơng xác sử dụng lọc Kalman Trong đề tài, tác giả giới thiệu sở lý thuyết lọc Kalman, dựa vào để xây dựng mơ hình lọc với ngõ vào thơng tin từ cảm biến gia tốc cảm biến quay hồi chuyển ngõ giá trị ước lượng góc nghiêng sử dụng mơ hình lọc Kalman trạng thái, ngõ giá trị ước lượng góc nghiêng vận tốc góc nghiêng sử dụng mơ hình Kalman trạng thái Với kết mơ đáp ứng lọc, kết điều khiển thực, thấy giá trị ước lượng sử dụng lọc Kalman cải thiện đáng kể so với tín hiệu đo từ hai loại cảm biến trên, điều góp phần làm cho chất lượng điều khiển nâng lên nhiều Bên cạnh kết mô đạt được, đề tài thực mơ hình robot có chiều cao 0.25m, khối lượng 0.3kg, di chuyển với vận tốc trung bình 5cm / s Và để điều chỉnh hệ số học, thông số điều khiển, thu thập vẽ liệu hình máy tính, điều khiển di chuyển robot, tác giả xây dựng phần mềm điều khiển kết nối với robot thông qua giao tiếp Bluetooth Kết điều khiển thực cho thấy, điều khiển trượt, giữ cân sai số góc nghiêng ±1.17 độ ( tương đương ±0.02 rad) [ Hình 5.35 ], di chuyển với vận tốc 5cm / s , sai số góc nghiêng hệ robot di chuyển ≈ ±3 độ ( tương đương ±0.05 rad) [ Hình 5.36 ], di chuyển vượt qua chương ngại vật có độ dày 0.7cm sai số góc nghiêng khoảng ±5 độ ( tương đương ±0.08 rad) [ Hình 5.37 ] Đối với điều khiển bù tham chiếu sử dụng mạng RBF, giữ cân giá trị góc nghiêng dao động khoảng ± độ [ Hình 5.46 ]và robot di chuyển với vận tốc ±3cm / s sai lệch góc nghiêng khoảng ± độ [ Hình 5.47 ] Điều cho thấy kết điều khiển thực đạt tốt Với kết mô phong phú, kết điều khiển thực tốt, chứng tỏ hai điều khiển thực cho đối tượng robot bánh tự cân tác giả thực đáp ứng mục tiêu thiết kế đề Như vậy, đến tác giả hoàn thành nhiệm vụ giao luận văn Tuy nhiên trình thực luận văn, thời gian có giới hạn nên kết gặp số hạn chế 6.2 Một số hạn chế: - Vận tốc di chuyển robot 5cm / s cịn tương đối chậm để tăng tính linh hoạt cho hoạt động robot Và robot di chuyển mơi trường thực tế cẩn phải kiểm sốt dung lượng pin, để đảm bảo trình giữ cân di chuyển - Khi sử dụng Real – Time Workshop Matlab, mã chương trình tạo ngôn ngữ C chưa phải mã tối ưu, làm thời gian lấy mẫu trình điều khiển bị ảnh hưởng, làm giảm chất lượng điều khiển hệ robot bánh tự cân Luận văn Thạc sĩ Trang 139 - Robot thiếu khả hoạt động độc lập, di chuyển gặp chướng ngại vật, hệ robot khơng có khả nhận biết tự định xử lý tính giúp cho robot hoạt động linh hoạt hơn, khả ứng dụng cao - Luận văn chưa khảo sát cách đầy đủ tác động ảnh hưởng lên hệ robot robot di chuyển địa hình gồ gề, di chuyển địa hình dốc nghiêng Khi di chuyển mơi trương tự nhiên, địa hình di chuyển đa dạng, khảo sát đầy đủ ảnh hưởng địa hình giúp cho robot làm việc tốt phát triển thực thi nhiệm vụ cụ thể Để khắc phục khuyết điểm hạn chế trên, tác giả đưa hướng phát triển cho nhà nghiên cứu tiếp theo, ứng dụng nhiều lĩnh vực điều khiển tự động Việt Nam 6.3 Hướng phát triển: Mơ hình robot sử dụng động DC có tỉ số giảm tốc 10, tốc độ khơng tải động 100 vịng/phút, để cải thiện vận tốc di chuyển sử dụng động có tốc độ lớn hơn, tỉ số giảm tốc nhỏ Và xây dựng chương trình kiểm sốt dung lượng pin, dung lượng pin thấp tín hiệu điều khiển bù vào phù hợp để đảm bảo hệ robot hoạt động ổn định giới hạn cho phép Như đề cập phần trước, cách thực điều khiển nhúng sử dụng đề tài, mở hướng ứng dụng kết hợp Matlab Simulink vi điều khiển, dòng vi điều khiển C2000 TI cần xây dựng thêm thư viện chuyên biệt điều khiển, tối ưu hóa mã ngơn ngữ C thời gian thực thi như: thư viện điều khiển thích nghi, thư viện điều khiển mờ, mạng thần kinh nhân tạo Bên cạnh đó, vi điều khiển chưa có hỗ trợ Matlab Simulink, ứng nhiều PIC Microchip, AVR Atmel…cần xây dựng thư viện liên kết phần cứng, để sử dụng Matlab Simulink mơi trường lập trình, tận dụng hỗ trợ Matlab khả tính tốn, xử lý số học Khi di chuyển mơi trường tự nhiên, địa hình di chuyển đa dạng, cần khảo sát cách đầy đủ ảnh hưởng lên hệ robot, đặc biệt di chuyển lên dốc nghiêng vận tốc di chuyển moment bánh xe phải đủ lớn để thắng thành phần ngoại lực gây cản trở chuyển động như: trọng lực, lực qn tính,…Bên cạnh đó, robot lắp thêm cảm biển siêu âm hay hồng ngoại… để nhận biết khoảng cách đến vật cản, nhận biết môi trường di chuyển, cung cấp thêm giải thuật điều khiển để robot tự đưa định, giúp cho robot hoạt động độc lập hơn, có khả ứng dụng cao [30] Luận văn Thạc sĩ Trang 140 Trong luận văn, điều khiển trượt sử dụng mặt trượt tích phân, giúp cho hệ thống làm việc tin cậy, ổn định sai số xác lập giảm, nhiên, thực tế có nhiều yếu tố tác động lên hệ thống chưa mơ hình hóa, thơng số chưa xác như: độ rơ chi tiết khí, hay thay đổi khối lượng robot, ma sát bánh xe robot bề mặt di chuyển…, để giải điều giải thuật điều khiển trượt thay điều khiển trượt thích nghi sử dụng khâu mờ hay mạng thần kinh nhân tạo, để nhận dạng thành phần chưa mơ hình hóa, sai số ảnh hưởng lên hệ thống, giúp cho hệ thống đáp ứng thay đổi tác động môi trường bên [29] Đối với điều khiển sử dụng mạng thần kinh nhân tạo, luận văn sử dụng hai dạng mạng thần kinh: mạng truyền thẳng nhiều lớp, mạng RBF – dạng đặc biệt mạng truyền thẳng, với giải thuật học lan truyền ngược, trọng số cập nhật chu kỳ lấy mẫu, cần khảo sát thêm mạng thần kinh nhân tạo sử dụng thuật toán học cấu trúc, để hệ thống robot đáp ứng với tầm rộng thay đổi thông số hệ thống Bên cạnh, khảo sát điều khiển kết hợp mạng thần kinh nhân tạo với điều khiển mờ dạng ANFIS [27] cho đối tượng robot hai bánh tự cân Hoặc kết hợp thêm giải thuật giải toán hệ robot sở phi tuyến giải thuật chiếu đề cập tài liệu [28] Với hướng phát triển đề nghị, tác giả mong rằng, kết đạt đề tài sử dụng làm tiền đề cho nghiên cứu sâu lĩnh vực robot nói chung, robot tự cân nói riêng, ứng dụng hệ thống nhúng vào điều khiển, hỗ trợ xây dựng thuật toán điều khiển đa dạng, phức tạp Luận văn Thạc sĩ Trang 146 TÀI LIỆU THAM KHẢO [1] Ravn, O., Szymkat, M., Uhl, T., Betemps, M., Pjetursson, A., and Rod, J (1996) Mechatronic blockset for simulink, - concept and implementation In Proceedings of the 1996 IEEE Symposium on Computer Aided Control System Design CACSD’96, Dearborn, MI, USA [2] RTW (1998) Real-Time Workshop, User’s Guide The Mathworks Inc Version 2.2 [3] Salgado, M.E., Goodwin, G.C., and Middleton, R.H (1988) Modified least squares algorithm incorporating exponential resetting and forgetting International Journal of Control, 47(2):477–491 [4] Simulink (1998) SIMULINK, Using Simulink The MathWorks Inc Version 2.2 [5] Torp, S., Nørgaard, P.M., Christensen, A.C., and Ravn, O (1994) Implementational issues in CACSD In Proceedings of the 1994 IEEE Symposium on Computer Aided Control Sys- tem Design CACSD’94, Tucson, Arizona, USA [6] Wellstead, P and Zarrop, M.B (1991) Self-tuning Systems, Control and Signal Processing Wiley [7] S Haykin (1999): “Neural Networks: A Comprehensive Foundation”, 2ndedition, Prentice-Hall, New Jersey [8] H K., Khalil (2002): “Nonlinear Systems”, 2ndedition, Prentice-Hall, New Jersey [9] Yih-Guang Leu, Tsu-Tian Lee and Wei-Yen WangX: “Observer-Based Adaptive Fuzzy-Neural Control for Unknown Nonlinear Dynamical Systems”1999 [10] Jon Zumberge, Jeffrey T.Spooner and Kevin M.Passion: “Adaptive Fuzzy Control: Experiments and Comparative Analyses” –1997 [11] Ai Wu and Peter K.S.Tam: “Stable Fuzzy Neural Tracking Control of a Class of Unknown Nonlinear Systems Based on Fuzzy Hierarchy Error Approach” –2002 [12] Chin-Teng Lin, C.S.George Lee: “Neural fuzzy systems : A neural fuzzy synergism to Intelligent systems” – 1996 [13] Nawawi S.W, Ahmad M.N, Osman J.H.S: “Control of Two-wheels Inverted Pendulum Mobile Robot Using Full Order Sliding Mode Control” Proceedings of International Conference on Man-Machine Systems 2006 Luận văn Thạc sĩ Trang 146 [14] Felix Grasser, Aldo D’Arrigo, Silvio Colombi: “JOE: A Mobile, Inverted Pendulum” - IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS, VOL 49, NO 1, FEBRUARY 2002 [15] Nawawi S.W, Ahmad M.N, Osman J.H.S: “Real-Time Control of a TwoWheeled Inverted Pendulum Mobile Robot” – Proceedings of world academy of science, engineering and technology volume 29 May 2008 [16] Tsai-Jiun Ren, Tien-Chi Chen, Chun-Jung Chen: “Motion control for a two-wheeled vehicle using a self-tuning PID controller” - Control Engineering Practice 16 – 2008 [17] Nawawi S.W, Ahmad M.N, Osman J.H.S: “Controller Design for Twowheels Inverted Pendulum Vehicle Using PI Sliding Mode Control” - Proceedings of International Conference on Man-Machine Systems 2006 [18] Nawawi S.W, Ahmad M.N, Osman J.H.S: “Variable Structure Control of Two- Wheels Inverted Pendulum Mobile Robot” – Regional Pos tgradu ate Conference on Engineering and Science ( RPCES 2006), Johore, 26-27 July [19] Khaled M K Goher, M O Tokhi: “MODELLING, SIMULATION AND BALANCE CONTROL OF A TWO-WHEELED ROBOTIC MACHINEWITH STATIC VARIATION IN LOAD POSITION” – 2006 [20] Geun Hyeong Lee, Jin Seok Noh, and Seul Jung: “Implementation of Neural Network Controllers for Intelligent System Control Education ” – Intelligent Systems and Emotional Engineering(ISEE) Lab 2008 [21] Geun Hyeong Lee, Jin Seok Noh, and Seul Jung: “Position Control of a Mobile Inverted Pendulum System Using Radial Basis Function Network” – International Journal of Control, Automation, and Systems 2010 [22] Gary Bishop, Greg Welch: “An Introduction to the Kalman Filter” – 2001 [23] LEGO Mindstorms NXT : “NXTway-GS Model-Based Design - Control of self-balancing two-wheeled robot” – 2005 [24] Matlab Simulink User’s Guide: “Embedded Target for the TI TMS320C2000™ DSP Platform” – Version – 2003 [25] David P Anderson : “nBot Balancing Robot” – 2001 [26] Toyota- http://www2.toyota.co.jp/en/tech/p_mobility/i-swing/ : “ I – swing: personal Mobility ” [27] Wei-Song Lin, Member, IEEE, Glorious Tien, Chia-Hsiang Tu: “Adaptive Critic Neuro-Fuzzy Control of Two-Wheel Vehicle” - 2006 IEEE International Conference on Fuzzy Systems Luận văn Thạc sĩ Trang 146 [28] Xiaogang Ruan, Jianxian Cai: “Fuzzy Backstepping controllers for TwoWheeled Self-Balancing Robot” - 2009 International Asia Conference on Informatics in Control, Automation and Robotics [29] Ching-Chih Tsai, Senior Member, IEEE, Hsu-Chih Huang, Member, IEEE, and Shui-Chun Lin, Member, IEEE: “Adaptive Neural Network Control of a Self-Balancing Two-Wheeled Scooter” - IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS, VOL 57, NO 4, APRIL 2010 [30] Edward C Kern: “The Crunch Mobile Robot” - Honors Thesis submitted 2005-05-05, Department of Computer Science Brown University, Providence, RI [31] Nguyễn Thị Phương Hà : “Lý thuyết điều khiển đại”,Nhà xuất đại học Quốc gia Tp.HCM [32] Huỳnh Thái Hoàng: “Bài giảng mơ hình hóa nhận dạng mơ phỏng” [33] Huỳnh Thái Hồng: “Bài giảng Điều Khiển Thơng Minh” [34] Dương Hoài Nghĩa: “Điều khiển hệ thống đa biến” [35] Nguyễn Đức Thành: “Matlab ứng dụng điều khiển” Luận văn Thạc sĩ Trang 141 PHỤ LỤC A Phụ lục 1: Giải thuật cập nhật trọng số mạng truyền thẳng ( mục 4.5.1) Sử dụng thuật toán suy giảm độ dốc trình học lan truyền ngược sai số, biểu thức cập nhật trọng số mạng sau: ∂E + α∆w(t-1) ∂w w(t+1)=w(t) + ∆w(t) ∆w(t) = −η (A.1) Trong đó: α gọi hệ số xung lượng, để giảm tượng dao động hệ số học η lớn Tổng có trọng số tín hiệu vào tế bào thần kinh thứ q lớp ẩn là: netq = ∑ vqj x j + bvq (A.2) j =1 Tín hiệu tế bào thần kinh thứ q lớp ẩn là: zq = ah (netq ) = −1 − net 1+ e q (A.3) Tổng có trọng số tín hiệu vào tế bào thần kinh thứ i lớp là: 9   neti = ∑ wiq zq + bwi = ∑ wiq ah (netq ) + bwi = ∑ wiq  − 1 + bwi − netq  1+ e  q =1 q =1 q =1 (A.4) Tín hiệu tế bào thần kinh thứ i lớp là:   − 1 + bwi − netq  1+ e  ξi = ao (neti ) = neti = ∑ wiq  q =1 (A.5) Cập nhật trọng số lớp ra: ∆wiq (t) = −η ∂E + α∆wiq (t-1) ∂wiq wiq (t+1)=wiq (t) + ∆wiq (t) Ta có: ∂E  ∂E   ∂h   ∂ξ   ∂ξi   ∂neti  =     ∂wiq  ∂h   ∂ξ   ∂ξi   ∂neti   ∂wiq  Luận văn Thạc sĩ (A.6) Trang 142  ∂E   ∂h   ∂ξ   ∂ξi   ∂neti  =     = [ h ][ −1][ K i ][1]  zq  = − K i hzq    ∂h   ∂ξ   ∂ξi   ∂neti   ∂wiq  (A.7) Trong đó, Ki K pψ , K dψ , K iψ , Kiθ , Kdθ , K pθ Thay vào, ta được: wiq (t+1)=wiq (t) + ∆wiq (t) (A.8) ∆wiq (t) = η K i hzq + α∆wiq (t-1) bwi (t+1)=bwi (t) + ∆bwi (t) Và ∆bwi (t) = η K i h + α∆bwi (t-1) (A.9) Tương tự vậy, trọng số lớp ẩn cập nhật công thức sau: ∆vqj (t) = −η ∂E + α∆vqj (t-1) ∂vqj (A.10) vqj (t+1)=vqj (t) + ∆vqj (t) Ta có:  ∂ξ1 ∂ξ ∂E  ∂E   ∂h   ∂ξ  ∂ξ =    + K 2 + + K 6  = − h  K1 ∂vqj  ∂h   ∂ξ   ∂vqj  ∂vqj ∂vqj  ∂vqj    (A.11) Trong đó, Ki K pψ , K dψ , K iψ , Kiθ , Kdθ , K pθ  ∂ξ ∂ξ ∂E ∂ξ = −h  K1 + K 2 + + K 6  ∂vqj ∂vqj ∂vqj ∂vqj      ∂ξ ∂net6 ∂zq ∂ξ1 ∂net1 ∂zq ∂ξ ∂net2 ∂zq = −h  K1 + K2 + + K  ∂net ∂z ∂v ∂net2 ∂zq ∂vqj ∂net6 ∂zq ∂vqj q qj  (1 − ( net ) ) x ∑ K w = −h    q j i i =1 iq (A.12) Thay vào, ta được: vqj (t+1)=vqj (t) + ∆vqj (t) (1 − ( net ) ) x ∑ K w ∆v (t) = η h q qj j i =1 i iq + α∆vqj (t-1) Luận văn Thạc sĩ (A.13) Trang 143 Và bvq (t+1)=bvq (t) + ∆bvq (t) − ( net ) ) ( ∆b (t) = η h ∑K w q vq i =1 i iq + α∆bvq (t-1) • Sơ đồ mơ Simulink mạng truyền thẳng: Hình A.1– Cấu trúc điều khiển sư dụng mạng MLP Hình A.2– Mạng truyền thẳng 6-9-6 thực Simulink Luận văn Thạc sĩ (A.14) Trang 144 Hình A.3 – Một tế bào thần kinh lớp ẩn Hình A.4 – Một tế bào thần kinh lớp B Phụ lục 2: Giải thuật cập nhật trọng số mạng RBF ( mục 4.5.2) • Cập nhật trọng số w iq : ∂E + α∆w(t-1) ∂w w(t+1)=w(t) + ∆w(t) ∆w(t) = −η Luận văn Thạc sĩ (B.1) Trang 145 Trong đó: ∂E = − K i zq h ∂w (B.2) • Cập nhật trọng số bi : ∂E + α∆b(t-1) ∂b b(t+1)=b(t) + ∆b(t) ∆b(t) = −η Trong đó: (B.3) ∂E = − Kih ∂b (B.4) Trong đó: α gọi hệ số xung lượng, để giảm tượng dao động hệ số học η ln ã Cp nht trng s q : àq (t) = −η ∂E + α∆µq (t-1) ∂µq (B.5) µq (t+1)=µq (t) + ∆µq (t) - n n ∂zq ∂ξ ∂E = −h ∑ K i i = −h∑ Ki w iq ∂µq ∂µq ∂µq i =1 i =1 ∂zq ∂µq m = zq ∑ xi − µq (B.7) σ q2 i =1 ⇒ (B.6) m x −µ ∂E = −hzq ∑ i q ∂µq σq i =1 ∑( K w ) n i =1 i iq (B.8) • Cập nhật trọng số σ q : ∆σ q (t) = −η ∂E + α∆σ q (t-1) ∂σ q (B.9) σ q (t+1)=σ q (t) + ∆σ q (t) - n n ∂z ∂ξ ∂E = −h∑ Ki i = −h∑ Ki w iq q ∂σ q ∂σ q ∂σ q i =1 i =1 ∂zq ∂σ q m = zq ∑ i =1 (x − µ ) i (B.10) q (B.11) σ q3 Luận văn Thạc sĩ LÝ LỊCH TRÍCH NGANG Họ tên: Lâm Quốc Hưng Ngày sinh: 11/10/1984 Nơi sinh: Đồng Nai Địa liên lạc: 197/1B Trần Kế Xương, P7, Phú Nhuận, TPHCM Địa e-mail: quochung11@gmail.com Quá trình đào tạo: - 2002 - 2007: Sinh viên ngành điều khiển tự động – Khoa Điện - Điện tử – Trường Đại học Bách Khoa TpHCM - 2007: Tốt nghiệp Kỹ sư loại giỏi – Chương trình Kỹ sư Tài Năng – Ngành: Điều khiển tự động - 2008 - 2010: Học viên Cao học Trường Đại học Bách Khoa TpHCM - 2010: Tốt nghiệp Thạc sĩ loại giỏi – Chuyên ngành: Tự động hóa Q trình cơng tác: - 2007: Kỹ sư thiết kế Công ty vi mạch điện tử Việt Vmicro - 2008: Trưởng phịng nghiên cứu phát triển Cơng ty vi mạch điện tử Việt Vmicro - 2009: Giảng viên khoa Điện – Điện tử , trường Cao đẳng Kinh tế Công nghệ TpHCM ... 5.3 .2 Kết thực nghiệm 117 5.4 Bộ điều khiển nhúng hệ Robot bánh tự cân 120 5.4.1 Giới thiệu điều khiển nhúng 120 5.4 .2 Bộ điều khiển trượt 122 5.4.3 Bộ điều khiển. .. • Mơ hình hóa hệ Robot bánh tự cân • Mô hệ thống robot bánh tự cân dùng Matlab/Simulink sử dụng giải thuật: điều khiển LQR, điều khiển trượt, điều khiển PID tự chỉnh định, điều khiển bù tham... dạng robot bánh tự giữ cân Phương pháp điều khiển thực luận văn: Đối với hệ robot bánh tự cân trình điều khiển chia thành ba phần: điều khiển góc nghiêng hệ robot so với phương thẳng đứng, điều khiển