Đang tải... (xem toàn văn)
Vận dụng một số phương pháp dạy học tích cực trong dạy học môn tiếng anh lớp 9 tại trường trung học cơ sở linh đông, quận thủ đức, thành phố hồ chí minh Vận dụng một số phương pháp dạy học tích cực trong dạy học môn tiếng anh lớp 9 tại trường trung học cơ sở linh đông, quận thủ đức, thành phố hồ chí minh Vận dụng một số phương pháp dạy học tích cực trong dạy học môn tiếng anh lớp 9 tại trường trung học cơ sở linh đông, quận thủ đức, thành phố hồ chí minh
TÓM TẮT Xe lăn tự hành lĩnh vực nghiên cứu Việt Nam Vấn đề định vị cho xe lăn tự hành việc cần thiết để giúp cho tự hành môi trường mà không cần can thiệp người, xác định vị trí xe lăn tự hành tìm đường đến vị trí u cầu thực cơng việc yêu cầu di chuyển khác Trong đề tài này, người thực trình bày giải thuật Kalman mở rộng định vị trí cho xe lăn tự hành dựa liệu thu từ cảm biến laser SICK LMS 291 Xe lăn sử dụng giải thuật Incremental để trích xuất điểm mốc từ liệu thu Giải thuật tìm đường D-star áp dụng để xe lăn tự tìm đường di chuyển tránh vật cản phương pháp Vector Field Histogram Quá trình thực nghiệm giải thuật thực mơ hình xe lăn tự hành Kết thực nghiệm cho thấy xe lăn có khả tìm đường xác, ước lượng vị trí giải thuật Kalman mở rộng xác so với dùng phương trình di chuyển thơng thường iv ABSTRACT Autonomous wheelchairs are a new field of research in Vietnam The localization is a necessary feature for the autonomous wheelchairs to be selfpropelled without human intervention When the wheelchairs identify their positions, they can navigate to the required position or perform other moving tasks This thesis presented "Extended Kalman Filter" in locate autonomous wheelchairs basing on data collected by the laser range finder SICK LMS 291 The Incremental algorithm was used to extract landmarks from the data collected The Dstar algorithm was also applied to wheelchairs in conjunction with the Vector Filed Histogram method in order to help them find the optimal path and avoid obstacles Experimental processes were tested on an autonomous wheelchair model The results show that the wheelchair has the ability to find the path correctly, and that the position estimation algorithm using Extended Kalman Filter is more accurate than using the motion model v MỤC LỤC Trang tựa TRANG LÝ LỊCH KHOA HỌC i LỜI CAM ĐOAN ii LỜI CẢM ƠN iii TÓM TẮT iv ABSTRACT .v MỤC LỤC vi DANH MỤC CÁC CHỮ VIẾT TẮT viii DANH MỤC CÁC HÌNH ix DANH MỤC CÁC BẢNG xiii Chương TỔNG QUAN 1.1 Tổng quan chung lĩnh vực nghiên cứu, kết nghiên cứu ngồi nước cơng bố 1.2 Mục tiêu đề tài 1.3 Giới hạn đề tài 1.4 Phương pháp nghiên cứu 1.5 Nội dung đề tài Chương CƠ SỞ LÝ THUYẾT VỀ ĐỊNH VỊ XE LĂN 2.1 Mơ hình động học xe lăn 2.2 Vấn đề định vị cho xe lăn 10 2.2.1 Những thông tin dùng cho việc định vị 10 2.2.2 Định vị vị trí tương đối 12 2.2.3 Định vị vị trí tuyệt đối 13 2.3 Thuật toán định vị 17 2.3.1 Bộ lọc Kalman 19 2.3.2 Bộ lọc hạt 23 vi Chương ĐỊNH VỊ CHO XE LĂN TỰ HÀNH SỬ DỤNG BỘ LỌC KALMAN MỞ RỘNG .26 3.1 Phương pháp xác định vật mốc 26 3.2 Triển khai thuật toán lọc Kalman mở rộng cho xe lăn 32 3.2.1 Bước dự đoán 32 3.2.2 Bước cập nhật 34 Chương QUY HOẠCH QUỸ ĐẠO DI CHUYỂN CHO XE LĂN 38 4.1 Tìm đường giải thuật D-star 38 4.2 Phương pháp tránh vật cản Vector Field Histogram 49 Chương CẤU TRÚC PHẦN CỨNG VÀ PHẦN MỀM CỦA XE LĂN 55 5.1 Cấu trúc phần cứng xe lăn 55 5.1.1 Các cảm biến dùng cho xe lăn 57 5.1.2 Cơ cấu chuyển động xe lăn 61 5.1.3 Mạch điều khiển trung tâm 61 5.2 Cấu trúc phần mềm xe lăn 62 Chương KẾT QUẢ THỰC NGHIỆM .64 6.1 Thực nghiệm thứ 64 6.2 Thực nghiệm thứ hai 73 6.3 Thực nghiệm thứ ba 78 Chương KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 81 7.1 Những kết đạt đề tài 81 7.2 Hướng phát triển đề tài 81 TÀI LIỆU THAM KHẢO 83 PHỤ LỤC 85 vii DANH MỤC CÁC CHỮ VIẾT TẮT VFH Vector Field Histogram SLAM Simultaneous Localization and Mapping EKF Extended Kalman Filter PF Particles Filter LMS Laser Measurement System R&D Research and Development RFID Radio Frequency Identification viii DANH MỤC CÁC HÌNH HÌNH TRANG Hình 1.1: Xe lăn tự hành tốn định vị .2 Hình 1.2: Xe lăn TinMan II Hình 1.3: Xe lăn tự hành Wheelesley Hình 1.4: Xe lăn tự hành UBIRO .5 Hình 2.1: Mơ hình động học xe lăn .9 Hình 2.2: Bản đồ mơi trường dạng hình học 11 Hình 2.3: Bản đồ môi trường dạng 11 Hình 2.4: Ví dụ vật mốc nhân tạo .15 Hình 2.5: Ví dụ vật mốc tự nhiên nhà 16 Hình 2.6: Minh họa thuật tốn Kalman, a) Độ tin cậy ban đầu b) Thực phép đo (in đậm) c) Độ tin cậy sau tích hợp phép đo cách dùng thuật toán lọc Kalman d) Độ tin cậy sau xe lăn tiếp tục di chuyển e) Thực phép đo f) Độ tin cậy kết 21 Hình 3.1: Biểu đồ liệu thô cảm biến .26 Hình 3.2: Biểu đồ liệu cảm biến sau xử lý 27 Hình 3.3: Vị trí điểm mốc 28 Hình 3.4: Dữ liệu laser thu 28 Hình 3.5: Các đường thẳng tìm theo chiều y 29 Hình 3.6: Các đường thẳng tìm theo chiều x 30 Hình 3.7: Mơ tả giải thuật Incremental 31 Hình 3.8: Các vật mốc tìm 32 Hình 3.9: Vị trí điểm mốc thực điểm mốc điểm mốc ước lượng so với vị trí xe lăn 36 Hình 3.10: Sơ đồ mơ tả hoạt động giải thuật Kalman mở rộng .37 Hình 4.1: Bản đồ đường xe lăn .40 Hình 4.2: Bản đồ đường dạng ma trận 40 ix Hình 4.3: Khởi đầu với điểm mục tiêu .41 Hình 4.4: Mở rộng điểm mục tiêu 41 Hình 4.5: Mở rộng nút .42 Hình 4.6: Mở rộng nút gặp điểm xuất phát 42 Hình 4.7: Tìm đường tối ưu 43 Hình 4.8: Đường tìm thể đồ 43 Hình 4.9: Phát vật cản .44 Hình 4.10: Lập danh sách Open list cho vật cản 44 Hình 4.11: Chọn có giá trị k thấp 45 Hình 4.12: Tính tốn (5,4) .45 Hình 4.13: Tính tốn cịn lại Open list 46 Hình 4.14: Xem xét ô xung quanh ô (3,2) 46 Hình 4.15: Tính tốn mở rộng từ (4,1) 47 Hình 4.16: Tính tốn hồn tất ô xuất phát 47 Hình 4.17: Tìm đường 48 Hình 4.18: Đường thay tìm .48 Hình 4.19: Bản đồ ô lưới 50 Hình 4.20: Gộp đồ tế bào hoạt động vào biểu đồ cực 50 Hình 4.21: Biểu đồ cực chiều 52 Hình 4.22: Dựa vào mức ngưỡng sơ đồ cực để chọn hướng di chuyển 53 Hình 4.23: Xác định vùng an toàn 53 Hình 4.24: Xác định vùng an tồn cho xe lăn ví dụ áp dụng D-star .54 Hình 5.1: Sơ khối cấu trúc phần cứng xe lăn 55 Hình 5.2: Mơ hình xe lăn tự hành 56 Hình 5.3: Sơ đồ kết nối phần cứng xe lăn 56 Hình 5.4: Nguyên tắc hoạt động cảm biến siêu âm 57 Hình 5.5: Các trường hợp không nhận dạng khoảng cách 58 Hình 5.6: Cảm biến laser SICK LMS 291 .59 Hình 5.7: Cách hoạt động cảm biến laser SICK LMS 59 x Hình 5.8: Cách hoạt động encoder 60 Hình 5.9: Bố trí encoder xe lăn 60 Hình 5.10: Các trường hợp điều khiển vận tốc cấu lái vi sai 61 Hình 5.11: Sơ đồ khối cấu trúc phần mềm xe lăn 63 Hình 5.12: Lưu đồ giải thuật chương trình 63 Hình 6.1: Bản đồ mơi trường thực nghiệm 64 Hình 6.2: Vị trí điểm đặt thứ xe lăn, điểm mục tiêu vật cản .65 Hình 6.3: Bản đồ đường dự kiến 65 Hình 6.4: Đường vị trí xe lăn 66 Hình 6.5: Xe lăn điều chỉnh đường gặp vật cản 66 Hình 6.6: Biểu đồ sai số vị trí theo phương x 67 Hình 6.7: Biểu đồ sai số vị trí theo phương y 67 Hình 6.8: Kết thực nghiệm từ giây đến giây 86 .68 Hình 6.9: Vị trí điểm đặt thứ hai xe lăn, điểm đích vật cản 69 Hình 6.10: Bản đồ đường dự kiến 69 Hình 6.11: Sơ đồ di chuyển xe lăn thực nghiệm 70 Hình 6.12: Xe lăn điều chỉnh đường gặp vật cản thứ 70 Hình 6.13: Xe lăn điều chỉnh đường gặp vật cản thứ 71 Hình 6.14: Biểu đồ sai số vị trí theo phương x 71 Hình 6.15: Biểu đồ sai số vị trí theo phương y 72 Hình 6.16: Kết thực nghiệm từ giây đến giây 115 72 Hình 6.17: Bản đồ thực nghiệm thứ hai 73 Hình 6.18: Vị trí xe lăn, điểm đích vật cản thực nghiệm hai .73 Hình 6.19: Đường dự kiến xe lăn 74 Hình 6.20: Sơ đồ di chuyển xe lăn thực nghiệm 74 Hình 6.21: Xe lăn điều chỉnh đường gặp vật cản thứ 75 Hình 6.22: Xe lăn điều chỉnh đường gặp vật cản thứ 75 Hình 6.23: Xe lăn điều chỉnh đường gặp vật cản thứ 76 Hình 6.24: Biểu đồ sai số vị trí theo phương x 76 xi Hình 6.25: Biểu đồ sai số vị trí theo phương y 77 Hình 6.26: Kết thực nghiệm từ giây đến giây 60 77 Hình 6.27: Bản đồ thực nghiệm thứ ba 78 Hình 6.28: Sơ đồ di chuyển xe lăn thực nghiệm 78 Hình 6.29: Biểu đồ sai số vị trí theo phương x 79 Hình 6.30: Biểu đồ sai số vị trí theo phương y 79 xii DANH MỤC CÁC BẢNG BẢNG TRANG Bảng 2.1: Thuật toán lọc Bayes 18 Bảng 2.2: Thuật toán lọc Kalman .19 Bảng 2.3: Thuật toán lọc EKF 22 Bảng 2.4: Sự khác thuật toán lọc KF EKF 22 Bảng 2.5: Thuật toán lọc hạt .24 Bảng 6.1: Bảng so sánh sai số vị trí q trình thực nghiệm 80 xiii Kết Quả Thực Nghiệm Hình 6.23: Xe lăn điều chỉnh đường gặp vật cản thứ Biểu đồ sai số vị trí ước lượng dùng Kalman vị trí ước lượng khơng dùng Kalman so với vị trí thực trình bày Hình 6.24 Hình 6.25 Hình 6.26 kết ảnh chụp từ video trình xe lăn di chuyển từ vị trí đặt đến vị trí mục tiêu Hình 6.24: Biểu đồ sai số vị trí theo phương x Trang 76 Kết Quả Thực Nghiệm Hình 6.25: Biểu đồ sai số vị trí theo phương y Hình 6.26: Kết thực nghiệm từ giây đến giây 60 Trang 77 Kết Quả Thực Nghiệm 6.3 Thực nghiệm thứ ba Trong thực nghiệm thứ ba người thực thay đổi đồ đồ xe lăn chạy theo vịng trịn, mục đích để kiểm tra hoạt động phương pháp định vị Kalman di chuyển quãng đường dài Hình 6.27 trình bày đồ thực nghiệm thứ ba Các giá trị tọa độ xe lăn sau: 𝑥 = 5000, 𝑦 = 3000, 𝜃 = 𝑃𝐼 , khơng có vật cản đường đi, xe lăn dừng lại qua điểm xuất phát lần Kết trình di chuyển xe lăn thực nghiệm biểu diễn Hình 6.28 Hình 6.27: Bản đồ thực nghiệm thứ ba Hình 6.28: Sơ đồ di chuyển xe lăn thực nghiệm Trang 78 Kết Quả Thực Nghiệm Biểu đồ sai số vị trí ước lượng dùng Kalman vị trí ước lượng khơng dùng Kalman so với vị trí thực trình bày Hình 6.29 Hình 6.30 Hình 6.29: Biểu đồ sai số vị trí theo phương x Hình 6.30: Biểu đồ sai số vị trí theo phương y Trang 79 Kết Quả Thực Nghiệm Sai số trung bình ba trình thực nghiệm trình bày Bảng 6.1 Quan sát Bảng 6.1 ta nhận thấy việc sử dụng lọc Kalman định vị mang lại kết tốt việc sử dụng phương trình di chuyển (2.3) Bảng 6.1: Bảng so sánh sai số vị trí q trình thực nghiệm Sai số trung bình trình di chuyển Sử dụng lọc Kalman Không sử dụng lọc mở rộng Kalman mở rộng Trục x Trục y Trục x Trục y 97,53 mm 60,98 mm 226,71 mm 304,32 mm 90,18 mm 109,17 mm 137,78 mm 161,24 mm Thực nghiệm thứ hai 78,21 mm 41,16 mm 137,16 mm 143,15 mm Thực nghiệm thứ ba 104,84 mm 135,63 mm 2135,9 mm 2091,7 mm Thực nghiệm thứ Vị trí đặt thứ Vị trí đặt thứ hai Trang 80 Kết Luận Và Hướng Phát Triển Chương KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 7.1 Những kết đạt đề tài Sau thực đề tài này, người thực đạt kết sau: - Xây dựng giải thuật định vị Kalman mở rộng cho xe lăn tự hành để điều chỉnh vị trí ước lượng xe lăn môi trường, hạn chế sai số xảy q trình hoạt động - Đề tài mang đến phương pháp ứng dụng giải thuật Incremental kỹ thuật least square để giúp trích xuất điểm mốc tự nhiên môi trường cho xe lăn sử dụng cảm biến laser - Cuối việc áp dụng giải thuật tìm đường D-star giúp xe lăn thay đổi đường gặp chướng ngại vật đường giải thuật Vector Field Histogram để xe lăn tính tốn góc lái tránh vật cản tốt - Kết thực nghiệm cho thấy việc kết hợp giải thuật lại với giúp xe lăn hoạt động độc lập từ khâu tìm đường đi, tránh vật cản đường, tìm đường gặp vật cản xác định vị trí xe lăn mơi trường xác Sai số dùng giải thuật EKF so với vị trí thực thấp rõ rệt việc sử dụng phương trình di chuyển Khi di chuyển xa vị trí xuất phát độ lệch vị trí khơng sử dụng EKF có xu hướng tăng lên sử dụng EKF độ lệch dao động xung quanh vị trí xe lăn 7.2 Hướng phát triển đề tài Những việc hoàn thành đề tài tập trung xây dựng xe lăn tự hành có khả tìm đường, tránh vật cản, tự xác định vị trí mơi trường Tuy nhiên xe lăn tồn số vấn đề phải cho biết vị trí điểm đặt ban đầu xe lăn, điểm mốc môi trường việc sử dụng cảm biến đo khoảng cách hạn Trang 81 Kết Luận Và Hướng Phát Triển chế khả cảm nhận môi trường xe lăn Vì người thực đưa hướng phát triển cho đề tài sau: - Áp dụng giải thuật khác để so sánh, giải vấn đề định vị tồn cục nhảy cóc vị trí cho xe lăn, ví dụ áp dụng lọc hạt - Kết hợp thêm camera vào xe lăn để tăng khả nhận diện vật mốc định vị vị trí - Có thể phát triển đề tài để giải vấn đề tự định vị lập đồ (SLAM) cho xe lăn đặt xe lăn mơi trường hồn tồn mà khơng cần khai báo đồ Trang 82 Tài Liệu Tham Khảo TÀI LIỆU THAM KHẢO [1] Bruno Siciliano (Eds) Oussama Khatib (Eds), Springer Handbook of Robotics, Springer, 2008 [2] Lê Hoàng Anh, Định Vị Cho Robot Di Động Sử Dụng Camera Và Vật Mốc, Trường Đại học Sư phạm Kỹ thuật TP.HCM, 2012 [3] Jenny A Baglivo, Mathematica Laboratories for Mathematical Statistics, Emphasizing Simulation and Computer Intensive Methods, 2005 [4] J Borenstein Y Koren, The Vector Field Histogram - Fast Obstacle Avoidance For Mobile Robots, University of Michigan, 6/1991 [5] Howie Choset, Robotic Motion Planning: A* and D* Search, Carnegie Mellon University, 2007 [6] Peter E.Hart, Nils J.Nilsson Bertram Raphael, A Formal Basis for the Heuristic Determination of Minimum Cost Paths, IEEE, trang 100–107, 1968 [7] Takashi Gomi Ann Griffith, Developing Intelligent Wheelchairs for the Handicapped, Springer, 31/5/2006 [8] Trần Thuận Hoàng cộng sự, Robot Di Động Đa Cảm Biến Và Định Vị Robot Bằng Phương Pháp Tổng Hợp Cảm Biến Với Bộ Lọc Kalman Mở Rộng, Hội thảo toàn quốc Điện tử -Truyền thơng –An tồn thơng tin-ATC/REV, 2012 [9] Shoudong Huang, Understanding Extended Kalman Filter, ARC Centre of Excellence for Autonomous Systems (CAS), Faculty of Engineering and Information Technology, University of Technology Sydney, 23/4/2010 [10] Rudolf Emil Kalman, A New Approach to Linear Filtering and Prediction Problems, Journal of Basic Engineering 82, 1960 [11] Del Moral, Non Linear Filtering: Interacting Particle Solution, trang 550 - 580, 1996 [12] Nguyễn Đặng Phúc Nguyên, Định Vị Trí Cho Robot Tự Hành, Trường Đại học Sư phạm Kỹ thuật TP.HCM, 2011 Trang 83 Tài Liệu Tham Khảo [13] Viet Nguyen cộng sự, A Comparison of Line Extraction Algorithms using 2D Laser Rangefinder for Indoor Mobile Robotics, IEEE, trang 1929 - 1934, 8/2005 [14] Sunhong Park Shuji Hashimoto, Indoor localization for autonomous mobile robot based on passive RFID, IEEE, 02/2009 [15] Paulo Pinheiro Eleri Cardozo, Kalman Filter for Mobile Robot Localization, University Estadual de Campinas, 2014 [16] Elmar A Ruckert, Simultaneous Localisation And Mapping For Mobile Robots With Recent Sensor Technologies, Graz University of Technology, Austria, 12/2009 [17] Anthony Stentz, Optimal and Efficient Path Planning for Unknown and Dynamic Environments, Carnegle Mellon, 8/1993 [18] Sebastian Thrun, Wolfram Burgard Dieter Fox, Probabilistic Robotics, 2000 Trang 84 Phụ Lục PHỤ LỤC Chương trình lọc Kalman mở rộng: //========================Định nghĩa biến============================ double R_t [3][3] = {{25,0,0},{0,25,0},{0,0,1}}; double I_upda [3][3]= {{1,0,0},{0,1,0},{0,0,1}}; double current_theta = laser_direction; double delta_theta = stepmove_turn*Dt; double delta_s = stepmove_speed*Dt; double a_vt = 0.5*cos(current_theta + delta_theta*0.5) (delta_s/(4*b_wc))*sin(current_theta + delta_theta*0.5); double b_vt = 0.5*sin(current_theta + delta_theta*0.5) (delta_s/(4*b_wc))*cos(current_theta + delta_theta*0.5); double c_vt = 0.5*cos(current_theta + delta_theta*0.5) (delta_s/(4*b_wc))*sin(current_theta + delta_theta*0.5); double d_vt = 0.5*sin(current_theta + delta_theta*0.5) (delta_s/(4*b_wc))*cos(current_theta + delta_theta*0.5); + + - double V_t[3][2] = {{a_vt,c_vt},{b_vt,d_vt},{1/(2*b_wc),-1/(2*b_wc)}}; double V_t_t[2][3] = {{a_vt,b_vt,1/(2*b_wc)},{c_vt,d_vt,-1/(2*b_wc)}}; double G_t[3][3] = {{1,0,-delta_s*sin(current_theta + delta_theta*0.5)},{0,1,delta_s*cos(current_theta + delta_theta*0.5)},{0,0,1}}; double G_t_t[3][3] = {{1,0,0},{0,1,0},{-delta_s*sin(current_theta + delta_theta*0.5),delta_s*cos(current_theta + delta_theta*0.5),1}}; double delta_t[2][2] = {{0.1*abs(delta_s),0},{0,0.1*abs(delta_theta)}}; double G_t_pred_1[3][3]={0}, G_t_pred_2[3][3]={0}, V_t_delta_1[3][2]={0}, V_t_delta_2[3][3]={0}; //==============Tính tốn ma trận hiệp phương sai ước lượng=============== for (int i=0;i
