Hoạch định chuyển động cho robot tự hành dựa trên phương pháp điều khiển nơron mờ

Đại Học Quốc Gia Tp.Hồ Chí Minh TRƯỜNG ĐẠI HỌC BÁCH KHOA LÊ TRUNG CAN ĐỀ TÀI HOẠCH ĐỊNH CHUYỂN ĐỘNG CHO ROBOT TỰ HÀNH DỰA TRÊN PHƯƠNG PHÁP ĐIỀU KHIỂN NƠRON - MỜ Chuyên ngành: CÔNG NGHỆ CHẾ TẠO MÁY Mã số ngành: 2.01.00 LUẬN VĂN THẠC SĨ TP HỒ CHÍ MINH, tháng 07 năm 2007 CƠNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH Cán hướng dẫn khoa học: (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 1: (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 07 Tháng 07 Năm 2007 TRƯỜNG ĐẠI HỌC BÁCH KHOA PHÒNG ĐÀO TẠO SAU ĐẠI HỌC CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM ĐỘC LẬP - TỰ DO - HẠNH PHÚC Tp.HCM, ngày 07 tháng 07 năm 2007 NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: Lê Trung Can Phái Nam Ngày, tháng, năm sinh: 12/02/1981 Nơi sinh: Bà rịa-Vũng tàu Chuyên ngành: Công Nghệ Chế Tạo Máy MSHV: 00405052 I TÊN ĐỀ TÀI: “HOẠCH ĐỊNH CHUYỂN ĐỘNG CHO ROBOT TỰ HÀNH DỰA TRÊN PHƯƠNG PHÁP ĐIỀU KHIỂN NƠRON-MỜ" II NHIỆM VỤ VÀ NỘI DUNG: + Nghiên cứu lý thuyết điều khiển mờ hệ thống nơron - mờ + Nghiên cứu phương pháp học củng cố điều khiển GARIC Phương pháp điều khiển theo hành vi + Xây dựng giải thuật điều khiển hành vi mờ mô kết thử nghiệm mơ hình Robot III NGÀY GIAO NHIỆM VỤ: IV NGÀY HOÀN THÀNH NHIỆM VỤ: V CÁN BỘ HƯỚNG DẪN: PGS TS LÊ HOÀI QUỐC CÁN BỘ HƯỚNG DẪN CHỦ NHIỆM NGÀNH CN BỘ MÔN QL CHUYÊN NGÀNH Nội dung đề cương luận văn thạc sĩ Hội đồng chuyên ngành thông qua Ngày 07 tháng 07 năm 2007 TRƯỞNG KHOA QL NGÀNH TRƯỞNG PHÒNG ĐT – SĐH 59 LỜI CẢM ƠN Đầu tiên xin gởi lời cảm ơn xâu sắc đến thầy PGS.TS Lê Hoài Quốc – PGĐ Sở KHCN TP.HCM, nguyên chủ nhiệm Bộ môn Kỹ Thuật Điều Khiển Tự Động, Khoa Cơ Khí Trường ĐHBK Tp.HCM Thầy tận tình hướng dẫn giúp đở nhiều học tập công việc để hoàn thành luận văn Em xin gởi đến thầy “em nhớ ơn thầy” Trải qua trình học tập nghiên cứu môn, xin gởi đến tất q thầy cô môn Kỹ Thuật Điều Khiển Tự Động lời cảm ơn chân thành Tôi xin gởi lời cảm ơn đến tất thầy cô Khoa Cơ Khí truyền đạt nhiều kiến thức bổ ích từ hai năm học tập Tôi xin gởi lời Cảm ơn tất bạn bè khoá, cảm ơn em Võ Phú Hậu Tôi xin gởi lời cảm ơn đến cha, mẹ tất người thân Cha mẹ động viên hổ trợ nhiều suốt trình học tập Con xin gởi lời biết ơn đến cha mẹ MỤC LỤC Lời cảm ơn Lời nói đầu Mục lục Danh mục hình, Danh mục bảng CHƯƠNG 1: TỔNG QUAN I Tổng quan Robot di động II Lịch sử phát triển tình hình nghiên cứu nước III Đặt vấn đề IV Mục tiêu nghiên cứu tân đề tài 17 Mục tiêu đề tài 17 Nội dung luận văn 18 CHƯƠNG 2: LÝ THUÊT ĐIỀU KHIỂN MỜ I Logíc Mờ 19 Mệnh đề mờ 19 Luật mờ 22 Kết hợp luật mờ 23 Các phương pháp suy diễn 23 II Bộ điều khiển mờ 28 Khâu mờ hóa 29 Hệ quy tắc mờ 31 Khâu giải mờ 32 CHƯƠNG 3: HỆ THỐNG NƠRON – MỜ Tổng quan mạng Nơron 33 Cấu trúc mạng Nơron 40 Phần tử tuyến tính thích nghi 42 Các phương pháp huấn luyện mạng 43 4.1 Học có giám sát (Supervised Learning) 43 4.2 Học có củng cố (Reinforcement Learning) 44 4.3 Học không giaùm saùt (Unsupervised Learning) 45 Hệ thống Nơron – Mờ 45 5.1 Toång quan 45 5.2 Cấu trúc hệ thống Nơron – mờ 47 5.3 Học củng cố 49 Bộ điều khiển GARIC 54 6.1 Toång quan 54 6.2 Mạng đánh giaù 55 6.3 Mạng lựa chọn hành vi (ASN) 57 6.4 Boä thay đổi hành vi ngẫu nhiên 60 6.5 Việc học mạng đánh giá 60 6.6 Việc học mạng thực thi 61 CHƯƠNG 4: ĐIỀU KHIỂN ROBOT ÁP DỤNG HỆ THỐNG NƠRON–MỜ DỰA THEO HÀNH VI 64 I Giới thiệu 64 1.1 Nguyên tắc điều khiển theo hành vi 66 1.2 Cấu trúc phân cấp hành vi 68 II Động học Robot di động 69 III Thieát keá hệ thống điều khiển 78 Thiết kế điều khiển mờ 79 1.1 Luật hành vi định hướng tổng quát Robot 84 Lựa chọn hành vi 89 2.1 Hành vi tránh vật cản (Avoid – Obstacle behavior) 89 2.2 Hành vi tìm mục tiêu (Goal Seeking behavior) 90 CHƯƠNG 5: KẾT QUẢ MÔ PHỎNG VÀ THỰC NGHIỆM TRÊN MÔ HÌNH ROBOT 91 I Kết mô 91 II Phần cứng Robot 91 CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ĐỀ TÀI 96 TÀI LIỆU THAM KHẢO PHỤ LỤC LỜI NÓI ĐẦU Vấn đề trình nghiên cứu Robot di động tự hành thiết kế phát triển phương pháp định hướng cho phép Robot vận động môi trường thực Trong nội dung luận văn tập trung vào vấn đề sau: thiết lập hệ phương pháp vào mô hình hệ thống điều khiển nhắm tối ưu luật hành vi sử dụng bảng tìm kiếm quy tắc mờ cho việc định hướng Robot tự hành Trong trường hợp không gian trạng thái ngõ vào lớn việc cài đặt tất luật mờ sở không cần thiết làm cho độ hội tụ hệ chậm đi, dựa vào bảng tìm kiếm làm giảm số luật hành vi mờ sở Tổng hợp hành vi chế chọn lựa cách ứng xử cho Robot sử dụng giải thuật thông tin thứ tự ưu tiên hành vi nội dung báo cáo Hơn toán đặt Robot di chuyển môi trường thực, ta dự đoán hết tất tình phức tạp từ môi trường Xuất phát từ thực tiễn Robot phải có khả học để bổ sung luật mờ luật mờ sở cài đặt trước Một phương pháp điều khiển đại giải toán hệ thống Nơron – mờ với giải thuật học củng cố từ phân tích nêu tác giả cố gắng thực phương án điều khiển Robot tự hành theo mô hình Nơron-mờ dựa theo hành vi Một số kết mô thực nghiệm thực Robot phục vụ công tác an ninh, hành vi tránh vật cản (Obstacle Avoidance) hành vi tìm mục tiêu (Goal Seeking) Tác giả Lê Trung Can LUẬN VĂN THẠC SĨ Chương CHƯƠNG I TỔNG QUAN I TỔNG QUAN VỀ ROBOT DI ĐỘNG Ngành điều khiển học giới phát triển mạnh mẽ nhờ vào thành tựu khoa học trình phát triển khoa học kỹ thuật Chính nhờ ngày hoàn thiện ngành góp phần không nhỏ vào việc phục vụ nhu cầu cho người nhiều lónh vực công nghiệp Vì thế, thành tựu góp phần làm tăng suất lao động, giảm giá thành sản phẩm, thay dần ảnh hưởng người nhiều môi trường nguy hiểm, độc hại, không an toàn… Một ứng dụng quan trọng ngành điều khiển học lónh vực Robot tự hành Kỹ thuật điều khiển Robot tự hành nhiều nhà khoa học giới nghiên cứu, ứng dụng cho đời công trình khoa học có giá trị Cùng với thành tựu đạt giới, nước ta công trình khoa học liên quan đến kỹ thuật điều khiển Robot tự hành đầu tư nghiên cứu phục vụ cho ứng dụng thực tiễn Tuy nhiên, nước lónh vực mẽ nên thành tựu đạt nhiều hạn chế, nhu cầu cấp thiết phải hoàn thiện kết nghiên cứu đạt thành công bước đầu Ngày robot di động trở thành mục tiêu phát triển quan trọng công công nghiệp chẳng hạn ngành hàng không giao thông vận tải, vận hành kiểm tra, công nghiệp đóng tàu đặc biệt ứng dụng vào mục đích quân tính hiệu khả linh hoạt mà mang lại Thêm vào robot di động sử dụng để can thiệp vào môi trường độc hại GVHD: PGS-TS Lê Hoài Quốc HVTH: Lê Trung Can LUẬN VĂN THẠC SĨ Chương không an toàn cho nhiệm vụ đặc biệt chẳng hạn như: tiếp cận vào khu vực có phóng xạ, khử nhiểm lượng hạt nhân, tháo gỡ bom mìn, thăm dò kiểm tra đường ống, thám hiểm bề mặt hành tinh mà người không đặt chân lên Trong ứng dụng Robot di động (Mobile Robot) bên cạnh mảng Robot tự hành (Autonomous Mobile Robot) ngày đạt thành tựu to lớn nước Các yêu cầu mức độ tự động hoá khả ứng xử thông minh Robot tự hành ngày cao hơn, quan trọng định hướng môi trường thực chưa biết trước thực thi nhờ thu nhận liệu từ cảm biến khả xử lý để tạo khả ứng xử tốt Nói chung, Robot hệ thống xây dựng từ: cấu dẫn động, loại cánh tay máy, hệ thống điều khiển, cảm biến, nguồn cung cấp, tất hệ thống để hoàn thiện hệ thống hoàn chỉnh Robot tự hành ngày đòi hỏi phải áp dụng phương pháp điều khiển thông minh tiên tiến nhờ vào giác quan nhân tạo dựa sở trang bị cho chúng loại cảm biến có khả thu nhận hiểu hình ảnh, xác định khoảng cách đến vật cản mục tiêu, nhận biết đối tượng tương tác thông qua tiếp xúc (xúc giác), nhận biết lệnh điều khiển thông qua tiếng nói,… để từ robot tự di chuyển thực thi môi trường phức tạp chưa biết trước Robot tự hành sử dụng nhiều nơi xa khó tiếp cận, làm việc điều kiện nguy hiểm độc hại không an toàn, nên toán phức tạp robot tự hành tự định hướng di chuyển môi trường địa hình phức tạp, chưa biết trước có khả tránh vật cản tình phức tạp, để đến vị trí đích Đồng thời Robot GVHD: PGS-TS Lê Hoài Quốc HVTH: Lê Trung Can LUẬN VĂN THẠC SĨ Chương phải có khả học từ thông tin môi trường để tạo nên hành vi ứng xử II LỊCH SỬ PHÁT TRIỂN, TÌNH HÌNH NGHIÊN CỨU Ở NƯỚC NGOÀI VÀ TRONG NƯỚC Vào năm 1948, Phòng Thí Nghiệm Quốc Gia Argonne, nhà nghiên cứu Goertz nghiên cứu chế tạo loại tay máy đôi điều khiển từ xa lần đầu tiên, năm hãng General Mills chế tạo tay máy gần tương tự sử dụng cấu tác động động điện kết hợp với cử hành trình Đến năm 1954, Goertz tiếp tục chế tạo dạng tay máy đôi sử dụng động servo nhận biết lực tác động lên khâu cuối Sử dụng thành đó, vào năm 1956 hãng General Mills cho đời tay máy hoạt động công việc khảo sát đáy biển Năm 1968 R.S Mosher, thuộc hãng General Electric, chế tạo thiết bị biết chân, có chiều dài mét, nặng 1400 kg, sử dụng động đốt có công suất gần 100 mã lực Mỗi chân dẫn động động servo điều khiển người lái Một bước tiến việc điều khiển Robot tự hành lập trình cho Robot để đáp ứng theo hiệu thu nhận từ cảm biến phản ánh thông tin từ môi trường hoạt động Hướng nghiên cứu cuối thập niên 40 phòng thí nghiệm trí tuệ nhân tạo Mục tiêu nghiên cứu Robot tự hành cung cấp cho Robot khả tự ứng xử tình chưa biết trước, quan trọng định hướng môi trường trước thực nhờ thông tin từ cảm biến thu thập trình di chuyển Trong vài thập kỷ qua, số GVHD: PGS-TS Lê Hoài Quốc HVTH: Lê Trung Can LUẬN VĂN THẠC SĨ Chương CHƯƠNG KẾT QUẢ MÔ PHỎNG VÀ THỰC NGHIỆM TRÊN MÔ HÌNH ROBOT I KẾT QUẢ MÔ PHỎNG Chương trình mô dựa matlab 6.5, chương trình chạy chưa tốt nên kết chưa trình bày nội dung chương Tác giả cố gắng tiếp tục thực trình bày buổi bảo vệ II CẤU HÌNH ROBOT Thực nghiệm thực mô hình Robot tự hành leo cầu thang (hình bên dưới) Robot di chuyển đai dẫn động từ động thông qua truyền xích Phần động lực gồm có động DC, nguồn gồm có hai bình ắcquy 12v, bo mạch gồm hai môđun: môđun điều khiển từ xa môđun tự hành Trong môđun điều khiển từ xa điều khiển thông qua thiết bị điều khiển từ xa RC Radio Môđun tự hành gồm bo mạch cảm biến siêu âm bố trí robot (hình5.: ), bo mạch gồm có: mạch động lực, bo mạch GVHD: PGS-TS Lê Hoài Quốc 92 HVTH: Lê Trung Can LUẬN VĂN THẠC SĨ Chương Hình 5.1: Mô hình robot leo cầu thang Hình 5.2: Môđun mạch điều khiển Robot tự hành GVHD: PGS-TS Lê Hoài Quốc 93 HVTH: Lê Trung Can LUẬN VĂN THẠC SĨ Chương II Cảm biến siêu âm Các cảm biến siêu âm bố trí mô hình bên dưới, cảm biến có ảnh hưởng trực tiếp đến giải thuật tránh vật cản Mô hình robot sử dụng cảm biến siêu âm loại SRF10 với tầm phát đối tượng lên đến 11m khoảng quét tầm 70độ Hình 5.3: Cảm biến siêu âm SRF10 Hình 5.4: Tầm quét cảm biến siêu âm SRF10 GVHD: PGS-TS Lê Hoài Quốc 94 HVTH: Lê Trung Can LUẬN VĂN THẠC SĨ Chương Hình 5.5: Cảm biến siêu âm SRF10 mạch giao tiếp Mạch giao tiếp cảm biến đươc điều khiển vi xử lý PIC, mạch giao tiếp có nhiệm vụ lấy liệu từ cảm biến sau gởi đến bo mạch xử lý thông tin đưa lệnh điều khiển cho cấu tác động Chu kỳ lấy mẫu cho cảm biến khoảng 100ms, 100ms cảm biến trả giá trị lúc Các cảm biến bố trí siêu âm cách 30 độ định vị giá đở Toàn bộ phận gắn phía trước Robot tạo điều kiện cho chúng phát vật cản dễ dàng GVHD: PGS-TS Lê Hoài Quốc 95 HVTH: Lê Trung Can LUẬN VĂN THẠC SĨ Chương Hình 5.6: Bố trí cảm biến lên mô hình GVHD: PGS-TS Lê Hoài Quốc 96 HVTH: Lê Trung Can LUẬN VĂN THẠC SĨ Chương CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ĐỀ TÀI GVHD: PGS-TS Lê Hoài Quốc HVTH: Lê Trung Can LUẬN VĂN THẠC SĨ Chương TÀI LIỆU THAM KHẢO [1] Shuzhi Sam Ge, Frank L Lewis “ AutonomousMobile Robots “, CRC Taylor & Francis [2] Harold Henry Chaput – The Constructivist Learning Architecture: “A Model of Cognitive Development for Robust Autonomous Robots” 2004 [3] PGS.TS Lê Hoài Quốc, ThS Ngô Bá Trí, “Một phương pháp điều khiển thích nghi q đạo robot di động dựa mô hình động học” Bài báo khoa học [4] Jean-Claude Latombe, “Robot Motion Planning” [5] JunYan, Michael Ryan, James Power; “Using fuzzy logic” [6] Siegwart, Nourbakhsh; “Autonomous Mobile Robots” [7] Lakhmi C.jain, Clarence W.de Silva, “Intelligent Adaptive Control” [8] Kevin M Passino, Stephen Yurkovich: “Fuzzy Control” [9] Luận văn thạc só – Võ Lâm Chương, 2004 [10] Luận văn thạc só – Trần Văn Tùng, 2003 [11] Madan M Gupta; Naresh K Sinha, “Intelligent Control systems” [12] J.G Hasperhoven, “A reinforcement based neuro-fuzzy logic controller for human stance control” [13] Damion Donyell Dunlap, “IMPLEMENTATION OF MULTI-VALUED FUZZY BEHAVIOR CONTROL FOR NAVIGATION IN CLUTTERED ENVIRONMENTS” [14] Max Bramer, University of Portsmouth, UK; Vladan Devedzic, University of Belgrade, Serbia and Montenegro, “ARTIFICIAL INTELLIGENCE APPLICATIONS AND INNOVATIONS” [15] Stuart J Russell and Peter Norvig, “Artificial Intelligence A Modern Approach” GVHD: PGS-TS Leâ Hoài Quốc HVTH: Lê Trung Can LUẬN VĂN THẠC SĨ [16] S.Parasuraman1 V.Ganapathy Chương and Bijan Shirinzadeh, “Behavior Coordination and Selection using Situation Context-Dependent Method for Behavior based Robot Navigation using AI Techniques for Real world Environments” [17] C Ye and N H C Yung, “Vehicle Navigation Strategy based on Behavior Fusion” [18] Nguyen Duc Thanh, “ matlab vaø ứng dụng điều khiển” [19] Huynh Thai Hoang, “ lý thuyết điều khiển mờ mạng nơron” [20] Ali Zilouchian Mo Jamshidi, “Intelligent Control Systems Using Soft Computing Methodologies” GVHD: PGS-TS Lê Hoài Quốc HVTH: Lê Trung Can PHỤ LỤC Phụ lục A: luật hành vi mờ sở: If S1 is Near and S2 is Near, Then ω is SN and v is SL If S1 is Near and S2 is Medium, Then ω is Z and v is MD If S1 is Near and S2 is Far, Then ω is z and v is MD If S1 is Medium and S2 is Near, Then ω is z and v is MD If S1 is Medium and S2 is Medium, Then ω is z and v is MD If S1 is Medium and S2 is Far, Then ω is z and v is MD If S1 is Far and S2 is Near, Then ω is z and v is MD If S1 is Far and S2 is Medium, Then ω is z and v is MD If S1 is Far and S2 is Far, Then ω is z and v is MD If S2 is Near and S3 is Near, Then ω is LN and v is SL 11 If S2 is Near and S3 is Medium, Then ω is SN and v is SL If S2 is Near and S3 is Far, Then ω is SN and v is SL If S2 is Medium and S3 is Near, Then ω is LN and v is SL If S2 is Medium and S3 is Medium, Then ω is SN and v is SL If S2 is Medium and S3 is Far, Then ω is SN and v is SL If S2 is Far and S3 is Near, Then ω is LN and v is SL If S2 is Far and S3 is Medium, Then ω is SN and v is SL If S2 is Far and S3 is Far, Then ω is Z and v is MD If S3 is Near and S4 is Near, Then ω is LP and v is SL If S3 is Near and S4 is Medium, Then ω is SP and v is SL If S3 is Near and S4 is Far, Then ω is SP and v is SL If S3 is Medium and S4 is Near, Then ω is LP and v is SL If S3 is Medium and S4 is Medium, Then ω is SP and v is SL If S3 is Medium and S4 is Far, Then ω is SP and v is SL If S3 is Far and S4 is Near, Then ω is LP and v is SL If S3 is Far and S4 is Medium, Then ω is SP and v is SL If S3 is Far and S4 is Far, Then ω is Z and v is MD If S4 is Near and S5 is Near, Then ω is SP and v is SL If S4 is Near and S5 is Medium, Then ω is Z and v is MD If S4 is Near and S5 is Far, Then ω is Z and v is MD If S4 is Medium and S5 is Near, Then ω is Z and v is MD If S4 is Medium and S5 is Medium, Then ω is Z and v is MD If S4 is Medium and S5 is Far, Then ω is Z and v is MD If S4 is Far and S5 is Near, Then ω is Z and v is MD If S4 is Far and S5 is Medium, Then ω is Z and v is MD If S4 is Far and S5 is Far, Then ω is Z and v is MD If S1 is Near and S3 is Near, Then ω is LN and v is SL If S1 is Near and S3 is Medium, Then ω is SN and v is MD If S1 is Near and S3 is Far, Then ω is SN and v is MD If S1 is Medium and S3 is Near, Then ω is LN and v is SL If S1 is Medium and S3 is Medium, Then ω is SN and v is MD If S1 is Medium and S3 is Far, Then ω is Z and v is MD If S1 is Far and S3 is Near, Then ω is LN and v is SL If S1 is Far and S3 is Medium, Then ω is SN and v is MD If S1 is Far and S3 is Far, Then ω is Z and v is MD If S3 is Near and S5 is Near, Then ω is LP and v is SL If S3 is Near and S5 is Medium, Then ω is LP and v is SL If S3 is Near and S5 is Far, Then ω is LP and v is SL If S3 is Medium and S5 is Near, Then ω is SP and v is SL If S3 is Medium and S5 is Medium, Then ω is SP and v is MD If S3 is Medium and S5 is Far, Then ω is SP and v is MD If S3 is Far and S5 is Near, Then ω is SP and v is MD If S3 is Far and S5 is Medium, Then ω is SP and v is MD If S3 is Far and S5 is Far, Then ω is Z and v is FS If S2 is Near and S4 is Near, Then ω is LP and v is SL If S2 is Near and S4 is Medium, Then ω is SN and v is SL If S2 is Near and S4 is Far, Then ω is SN and v is SL If S2 is Medium and S4 is Near, Then ω is SP and v is SL If S2 is Medium and S4 is Medium, Then ω is Z and v is MD If S2 is Medium and S4 is Far, Then ω is Z and v is MD If S2 is Far and S4 is Near, Then ω is SP and v is SL If S2 is Far and S4 is Medium, Then ω is Z and v is MD If S2 is Far and S4 is Far, Then ω is Z and v is FS If S1 is Near and S5 is Near, Then ω is Z and v is FS If S1 is Near and S5 is Medium, Then ω is Z and v is FS If S1 is Near and S5 is Far, Then ω is Z and v is FS If S1 is Medium and S5 is Near, Then ω is Z and v is FS If S1 is Medium and S5 is Medium, Then ω is Z and v is FS If S1is Medium and S5 is Far, Then ω is Z and v is FS If S1 is Far and S5 is Near, Then ω is Z and v is FS If S1 is Far and S5 is Medium, Then ω is Z and v is FS If S1 is Far and S5 is Far, Then ω is Z and v is FS If S2 is Near and S3 is Near S4 is Near, Then ω is LP and v is SL If S2 is Near and S3 is Medium S4 is Near, Then ω is LP and v is SL If S2 is Near and S3 is Far S4 is Near, Then ω is Z and v is MD If S2 is Medium and S3 is Near S4 is Near, Then ω is SP and v is SL If S2 is Medium and S3 is Medium S4 is Near, Then ω is SP and v is SL If S2 is Medium and S3 is Far S4 is Near, Then ω is SP and v is SL If S2 is Far and S3 is Near S4 is Near, Then ω is SP and v is SL If S2 is Far and S3 is Medium S4 is Near, Then ω is Z and v is MD If S2 is Far and S3 is Far S4 is Near, Then ω is Z and v is FS If S2 is Near and S3 is Near S4 is Medium, Then ω is SN and v is SL If S2 is Near and S3 is Medium S4 is Medium, Then ω is SN and v is SL If S2 is Near and S3 is Far S4 is Medium, Then ω is Z and v is MD If S2 is Medium and S3 is Near S4 is Medium, Then ω is SP and v is SL If S2 is Medium and S3 is Medium S4 is Medium, Then ω is Z and v is MD If S2 is Medium and S3 is Far S4 is Medium, Then ω is Z and v is MD If S2 is Far and S3 is Near S4 is Medium, Then ω is SP and v is SL If S2 is Far and S3 is Medium S4 is Medium, Then ω is SP and v is MD If S2 is Far and S3 is Far S4 is Medium, Then ω is SP and v is FS If S2 is Near and S3 is Near S4 is Far, Then ω is SN and v is SL If S2 is Near and S3 is Medium S4 is Far, Then ω is Z and v is MD If S2 is Near and S3 is Far S4 is Far, Then ω is Z and v is MD If S2 is Medium and S3 is Near S4 is Far, Then ω is SP and v is SL If S2 is Medium and S3 is Medium S4 is Far, Then ω is Z and v is MD If S2 is Medium and S3 is Far S4 is Far, Then ω is Z and v is MD If S2 is Far and S3 is Near S4 is Far, Then ω is LN and v is SL If S2 is Far and S3 is Medium S4 is Far, Then ω is SN and v is SL If S2 is Far and S3 is Far S4 is Far, Then ω is Z and v is FS If S1 is Near and S3 is Near S5 is Near, Then ω is SP and v is SL If S1 is Near and S3 is Medium S5 is Near, Then ω is Z and v is MD If S1 is Near and S3 is Far S5 is Near, Then ω is Z and v is MD If S1 is Medium and S3 is Near S5 is Near, Then ω is SP and v is SL If S1 is Medium and S3 is Medium S5 is Near, Then ω is Z and v is MD If S1 is Medium and S3 is Far S5 is Near, Then ω is Z and v is MD If S1 is Far and S3 is Near S5 is Near, Then ω is SP and v is SL If S1 is Far and S3 is Medium S5 is Near, Then ω is Z and v is MD If S1 is Far and S3 is Far S5 is Near, Then ω is Z and v is MD If S1 is Near and S3 is Near S5 is Medium, Then ω is SN and v is SL If S1 is Near and S3 is Medium S5 is Medium, Then ω is Z and v is MD If S1is Near and S3 is Far S5 is Medium, Then ω is Z and v is MD If S1 is Medium and S3 is Near S5 is Medium, Then ω is SP and v is SL If S1 is Medium and S3 is Medium S5 is Medium, Then ω is Z and v is MD If S1 is Medium and S3 is Far S5 is Medium, Then ω is Z and v is MD If S1 is Far and S3 is Near S5 is Medium, Then ω is SP and v is SL If S1 is Far and S3 is Medium S5 is Medium, Then ω is Z and v is MD If S1 is Far and S3 is Far S5 is Medium, Then ω is Z and v is FS If S1 is Near and S3 is Near S5 is Medium, Then ω is SN and v is SL If S1 is Near and S3 is Medium S5 is Medium, Then ω is Z and v is MD If S1is Near and S3 is Far S5 is Medium, Then ω is Z and v is FS If S1 is Medium and S3 is Near S5 is Medium, Then ω is SP and v is SL If S1 is Medium and S3 is Medium S5 is Medium, Then ω is Z and v is MD If S1 is Medium and S3 is Far S5 is Medium, Then ω is Z and v is FS If S1 is Far and S3 is Near S5 is Medium, Then ω is SP and v is SL If S1 is Far and S3 is Medium S5 is Medium, Then ω is Z and v is MD If S1 is Far and S3 is Far S5 is Medium, Then ω is Z and v is FS LÝ LỊCH TRÍCH NGANG Họ tên học viên: Lê Trung Can Phái Nam Ngày, tháng , năm , sinh: 12/02/1981 Nơi sinh: Bà Rịa – Vũng Tàu Địa liên lạc: 119/22 Nguyễn Văn Cừ, P2, Quận 5, Tp.HCM 0908.388.409 Điện thoại: QUÁ TRÌNH ĐÀO TẠO: - Từ năm 1998 – 2003 sinh viên Khoa Cơ Khí, trường Đại Học Bách Khoa Tp Hồ Chí Minh - Từ năm 2005 – 2007 học viên cao học trường Đại Học Bách Khoa Tp Hồ Chí Minh Q TRÌNH LÀM VIÊC: - Từ năm 2003 –2004 Nhân viên kỹ thuật Phân Viện Nghiên Cứu Cơ Khí Tp.HCM - Từ năm 01/2004 –04/2004 làm việc công ty sameser – Quận - Từ năm 04/2004 –2006 Là cộng tác viên nghiên cứu Bộ môn Kỹ Thuật Điều Khiển Tự Động, Khoa Cơ Khí ĐHBK Tp.HCM ... TÀI: “HOẠCH ĐỊNH CHUYỂN ĐỘNG CHO ROBOT TỰ HÀNH DỰA TRÊN PHƯƠNG PHÁP ĐIỀU KHIỂN NƠRON-MỜ" II NHIỆM VỤ VÀ NỘI DUNG: + Nghiên cứu lý thuyết điều khiển mờ hệ thống nơron - mờ + Nghiên cứu phương pháp. .. tức chưa cho trước đồ đường đi, đưa mô hình toán học xác cho điều khiển Do đó, để điều khiển robot di động tự hành với liệu đầu vào có phương pháp điều khiển thích hợp phương pháp điều khiển thông... Để điều khiển đối tượng có nhiều phương pháp khác nhau, với phương pháp điều khiển thông thường gồm có phương pháp điều khiển cổ điển, phương pháp PID, điều khiển thích nghi, phương pháp không