Bộ điều khiển Sai số PID PID-Neural x 0.0034 8.8343e-05 y 0.0179 0.0170 theta 0.0481 0.0444 Nhận xét trường hợp 3:
Ở Hình 3.16 Robot đang di chuyển theo quỹ đạo hình số 8, với điều kiện có nhiễu và khối lượng thay đổi, bộ điều khiển PID-Neural tỏ ra thích nghi hơn, và nó cho kết quả bám quỹ đạo tốt hơn bộ điều khiển PID.
Qua các Hình 3.17 đến Hình 3.19, lúc khối lượng robot thay đổi, bộ điều khiển PID chưa thích ứng được, nên chất lượng bám theo trục x, trục y bị giảm đi rõ rệch. Hình 3.20 và Hình 3.21 thể hiện sai số bám của robot và momen cấp vào robot của bộ điều khiển PID-Neural. Ở đây ta thấy sai số bám tiến về không, và momen cấp vào động cơ ổn định, không có hiện tượng đảo chiều động cơ liên tục, giúp cho robot hoạt động ổn định.
Hình 3.22 mô tả ước lượng của bộ điều khiển PID-Neural, tuy nhiên việc ước lượng chưa chính xác hoàn toàn. Chất lượng của bộ điều khiển được thể hiện qua bảng 3.5, ta thấy rằng PID-Neural có chất lượng tốt hơn bộ điều khiển PID.
3.3.2.3 Trường hợp 4
Robot bám quỹ đạo đường cong rhodonea, có tâm quỹ đạo tại O(6,6), vị trí xuất phát của robot tại C(6,6), ta có hệ phương trình quỹ đạo như sau:
t xd = 6+r.cos( ).cos( ); 2 4 t yd = 6+r.cos( ).sin( ); 2 4 t t ( 3-31)
Lưu ý ở đây ta cho nhiễu tác động lên trục x,y như sau:
0.1* ;0.1* ;0
td sin t cos t
Robot di chuyển theo quỹ đạo bình thường đến giây thứ 6, ta tăng khối lượng robot từ 2kg lên 5kg để xem đáp ứng của hai bộ điều khiển.
Hình 3.23 Robot bám quỹ đạo trường hợp 4
Hình 3.25 Đáp ứng theo trục y của robot khi bám quỹ đạo trường hợp 4
Hình 3.27 Sai số bám theo x, y, theta của robot ở trường hợp 4
Hình 3.28 Momen điều khiển robot khi robot di chuyển theo trường hợp 4 Bảng 3.6 MSE của quá trình robot di chuyển theo trường hợp 4 Bảng 3.6 MSE của quá trình robot di chuyển theo trường hợp 4
Bộ điều khiển Sai số PID PID-Neural x 0.0313 0.0173 y 0.0176 6.0786 x 10-4 theta 0.0481 0.0430
Nhận xét trường hợp 4:
Ở Hình 3.23 Robot đang di chuyển theo quỹ đạo đường cong, với điều kiện có nhiễu và khối lượng thay đổi, ta có thể thấy rõ ràng bộ điều khiển PID bám theo quỹ đạo không tốt, bộ điều khiển PID-Neural bám quỹ đạo tốt hơn, cụ thể được thể hiện qua các hình tiếp theo. Hình 3.24 đến Hình 3.25 là đáp ứng của robot với trục x và y, ta nhận thấy khi khối lượng robot thay đổi, đáp ứng của bộ điều khiển PID trở nên không tốt, sai số bám lớn, còn bộ điều khiển PID-Neural thì thích ứng được với điều kiện thay đổi này.
Hình 3.26 cho thấy đáp ứng của robot với góc theta của hai bộ điều khiển tương đối tốt. Hình 3.27 và Hình 3.28 thể hiện sai số bám và momen cấp vào động cơ cho robot khi sử dụng bộ điều khiển PID-Neural. Ở đây ta thấy momen cấp vào động cơ không có hiện tượng đảo chiều động cơ liên tục, giúp cho robot hoạt động ổn định, tránh tình trạng hư hỏng thiết bị.
Qua bảng 3.6 ta có thể thấy bộ điều khiển PID-Neural thích ứng với điều kiện nhiễu và khối lượng thay đổi đột ngột của robot hơn bộ điều khiển PID truyền thống.
3.4 Kết luận mô phỏng
Trong điều kiện không nhiễu, ta thấy bộ điều khiển PID và PID-Neural đều đáp ứng tốt. Tuy nhiên sai số của bộ điều khiển PID-Neural vẫn nhỏ hơn.
Trong điều kiện có nhiễu và khối lượng đột ngột thay đổi, bộ điều khiển PID-Neural tỏ ra thích ứng tốt hơn.
Bộ điều khiển PID-Neural đã thể hiện được tính thích nghi của nó với các thành phần nhiễu và yếu tố bất định của mô hình. Tuy nhiên việc nhận dạng nhiễu và các thông số không chắc chắn của mô hình còn chưa tốt, cần được cải tiến.
CHƯƠNG 4 MÔ HÌNH THỰC NGHIỆM 4.1 Sơ đồ khối toàn bộ hệ thống robot
Các thiết bị được dùng để xây dụng hệ thống Omni robot 3 bánh được trình bày ở Hình 4.1
Hình 4.1 Sơ đồ khối phần cứng của hệ thống robot
Chức năng của từng thiết bị trong sơ đồ khối Hình 4.1
Camera: thu ảnh màu.
Máy tính: lấy hình ảnh từ camera thu về, xử lý hình ảnh.
Module RF: truyền dữ liệu không dây
Vi điều khiển: Xử lý dữ liệu và xuất tín hiệu điều khiên động cơ.
Mạch khuếch đại: điều khiển động cơ.
Nguồn 12v, 5v: cung cấp điện cho các thiết bị.
Mạch chuyển DC: giúp chuyển điện áp 12v sang 5v.
Quy trình hoạt động của các thành phần được thực hiện như sau:
Máy tính:
Mở cổng COM.
Xử lý ảnh: nhận dạng màu, lọc nhiễu, tìm tọa độ tâm của màu, chuyển đổi tọa độ pixel ra tọa độ thực tế (centimet). Lưu ý: tâm của màu cũng chính là tâm của robot.
Gửi tọa độ này cho robot thông qua module RF (giao tiếp UART). Robot:
Nhận tọa độ từ máy tính gửi xuống vi điều khiển.
Tính ra sai số giữa tọa độ đặt và tọa độ thực.
Đưa sai số này vào bộ điều khiển.
Bộ điều khiển xuất tín hiệu điều khiển đến mạch khuếch đại để điều khiển động cơ.
4.2 Mô hình thực tế trong phòng thí nghiệm
Hình 4.2 Khu vực chạy thử robot
Ở Hình 4.2 mô tả khu vực robot chạy thử nghiệm được lắp đặt trong phòng thí nghiệm của trường SaigonTech, ta có thể nhìn thấy robot đang được đặt trong một
sân có nền đen. Phía trên có một camera Logitech c270, robot sẽ di chuyển trong sân này, và camera phía trên sẽ định vị tọa độ robot trong sân.
Hình 4.3 Robot Omni 3 bánh thực tế
Trong hình 4.3 ta thấy đây là một Omni robot 3 bánh, phía trên robot được dán màu đỏ và màu xanh lá. Mục định của việc này là để định vị robot trong không gian.
4.3 Kết quả thực nghiệm:
Hình 4.4 là giao diện trên Matlab, cho ta thấy được tọa độ robot trong không gian, ở đây có hình tròn màu xanh dương, là quỹ đạo định trước mà robot phải bám theo. Nhờ giao diện này mà ta có thể quan sát quỹ đạo robot hoạt động một cách dễ dàng hơn.
Để kiểm nghiệm thuật toán PID-Neural vừa được thiết kế ở phần trên, ta tiến hành làm thực tế.
4.3.1 Thực nghiệm 1
Cho robot di chuyển theo đường tròn tâm O (100,75) với bán kính là 45cm. Trong trường hợp này có để vật nặng 2kg lên robot. Ta xét 15 giây đầu tiên cho robot di chuyển với thuật toán PID, sau 15 giây robot di chuyển với thuật toán PID-Neural, việc này giúp ta có thể so sánh được đáp ứng của hai bộ điều khiển.
Kết quả thực nghiệm như sau:
Trong hình 4.5 miêu tả robot bám theo quỹ đạo định trước, đường màu đen là quỹ đạo đặt, đường màu xanh dương là quỹ đạo di chuyển của robot khi sử dụng bộ điều khiển PID-Neural, còn đường màu đỏ là quỹ đạo di chuyển của robot khi sử dụng bộ điều khiển PID. Ta có thể nhận thấy quỹ đạo của robot khi sử dụng thuật toán PID-Neural bám tốt hơn.
Ta quan sát đáp ứng của robot theo trục x và y trong Hình 4.6 và Hình 4.7. Ở 15 giây đầu tiên, ta thấy quỹ đạo đặt (màu đen) và quỹ đạo di chuyển thực tế (màu đỏ) của robot còn cách một đoạn nhỏ, tuy nhiên qua giây thứ 15 trở đi, ta thấy quỹ đạo bám của robot tốt hơn, điều này cho ta thấy được bộ điều khiển PID-Neural đang hoạt động có hiệu quả. Để cụ thể hơn ta quan sát sai số theo trục x, y qua hình 4.8.
Hình 4.7 Đáp ứng của robot theo trục y
Trong hình 4.9 trình bày về sai số theo trục x (màu đen) và sai số theo trục y (màu đỏ). Ta quan sát ở 15s đầu tiên, tương ứng với điểm 4611 trở về trước, sai số của robot nằm trong khoảng 15cm, tuy nhiên từ giây thứ 15 trở đi, sai số của robot giảm đi đáng kế, nằm trong khoảng8cm.
Hình 4.8 Sai số bám theo trục x,y
S a i số (c m )
Quan sát Hình 4.9, ta thấy 15 giây đầu tiên, chỉ có bộ điều khiển PID hoạt động, cho nên xung PWM [0-255] để điều khiển robot ở đây là từ bộ điều khiển PID xuất ra. Còn sau 15s, xung PWM điều khiển robot có sự tác động của thành phần mạng neural, fx là thành phần bù của mạng neural xuất ra. Hình 4.9 mô tả momen điều khiển theo trục x, tương tự như thế với Hình 4.10, mô tả momen điều khiển theo trục y.
Hình 4.9 Momen điều khiển robot theo trục x
Hình 4.10 Momen điều khiển robot theo trục y
T ín h iệ u đi ều k h iể n x u n g P W M T ín h iệ u đi ều k h iể n x u n g P W M
Bảng 4.1 MSE của quá trình robot di chuyển theo thực nghiệm 1 Bộ điều khiển Bộ điều khiển Sai số PID PID-Neural x 0.0088 0.0016 y 0.0087 0.0016 4.3.2 Thực nghiệm 2
Cho robot di chuyển theo đường tròn tâm O (100,75) với bán kính là 45cm. Trong trường hợp này không để vật nặng. Ta xét 15 giây đầu tiên cho robot di chuyển với thuật toán PID, sau 15 giây robot di chuyển với thuật toán PID-Neural, việc này giúp ta có thể so sánh được đáp ứng của hai bộ điều khiển.
Kết quả thực nghiệm như sau:
Hình 4.11 mô tả quỹ đạo robot di chuyển theo đường tròn, ta nhận thấy cả hai bộ điều khiển đều hoạt động tốt ở thí nghiệm này. Tuy nhiên để quan sát kĩ hơn ta xem Hình 4.12, hình này cho ta thấy sai số của robot theo trục x, y. Ở 15 giây đầu tiên, robot sử dụng bộ điều khiển PID, ta thấy sai số nằm trong khoảng 14cm, sau 15 giây trở đi, sai số giảm còn 6cm. Qua đó ta nhận thấy rằng, bộ điều khiển PID- Neural đáp ứng tốt hơn, giúp robot bám quỹ đạo chính xác hơn.
Hình 4.12 Sai số bám theo trục x,y
Sau đây, ta quan sát tín hiệu xung điều khiển của robot ở Hình 4.13 và Hình 4.14. Trong 15 giây đầu tiên, robot hoạt động chỉ có bộ điều khiển PID, nên ta thấy fx trong hình bằng không. Qua giây thứ 15, bộ điều khiển có thêm thành phần bù, trong Hình 4.13 cho ta thấy màu đen chính là đầu ra của mạng neural, bù tín hiệu momen điều khiển cho robot. Để rõ hơn ta xem Hình 4.14 momen điều khiển sau giây thứ 15 là kết hợp giữa đầu ra của bộ điều khiển PID và đầu ra của mạng neural. Điều này là nguyên nhân giúp robot bám quỹ đạo tốt hơn.
S a i số (c m )
Hình 4.13 Tín hiệu PWM điều khiển theo trục x
Hình 4.14 Tín hiệu PWM điều khiển theo trục y
T ín h iệ u đi ều k h iể n x u n g P W M T ín h iệ u đi ều k h iể n x u n g P W M
Bảng 4.2 ta thấy sai số trong quá trình robot di chuyển theo thực nghiệm 2 của hai bộ điều khiển PID và PID-Neural.
Bảng 4.2 MSE của quá trình robot di chuyển theo thực nghiệm 2
Bộ điều khiển Sai số PID PID-Neural X 0.007 0.0012 Y 0.008 0.0014 4.3.3 Kết luận thực nghiệm
Qua hai thực nghiệm trên, thực nghiệm thứ 1 robot di chuyển theo đường tròn, khi bỏ vật nặng lên robot và thực nghiệm 2 tương tự như thực nghiệm 1 nhưng ở đây không bỏ vật nặng lên robot.
Kết quả cho ta thấy ở thực nghiệm 2, robot bám quỹ đạo tốt khi sử dụng bộ điều khiển PID hoặc PID-Neural, tuy nhiên khi robot sử dụng bộ điều khiển PID-Neural thì cho đáp ứng tốt hơn.
Còn ở thực nghiệm 1, nếu chỉ sử dụng bộ điều khiển PID thì robot chưa đáp ứng được tốt, dẫn đến sai số bám lớn. Lúc này bộ điều khiển PID-Neural tỏ ra có hiệu quả hơn nhiều.
Thực nghiệm giúp ta kiểm chứng lại lý thuyết, cho ta thấy việc thiết kế bộ điều khiển PID-Neural là cần thiết khi muốn đạt chất lượng điều khiển tốt.
KẾT LUẬN VÀ KIẾN NGHỊ
1. Kết luận
Đã xây dựng thành công bộ điều khiển PID-Neural và cho robot chạy thử nghiệm trên mô phỏng Matlab Simulink, kết quả cho thấy rằng bộ điều khiển PID-Neural hoạt động tốt hơn bộ điều khiển PID truyền thống. Qua quá trình thử nghiệm mô hình thực tế ta nhận thấy robot chạy ổn định.
Ưu điểm của bộ điều khiển PID-Neural là có khả năng thích ứng linh hoạt, cho chất lượng điều khiển tốt cả khi giá trị đặt thay đổi và ngay cả khi hệ thống chịu ảnh hưởng của nhiễu.
Tuy nhiên còn có một số hạn chế như sau: muốn thiết kế bộ điều khiển PID-Neural tốt ta cần tối ưu hóa cấu trúc của mạng neural, chọn các thông số đầu vào, độ rộng và tâm của hàm Gaussian.
Robot di chuyển trong phạm vi nhất định với điều kiện nhất định, định vị robot trong không gian là một hạn chế, rất dễ bị nhiễu từ môi trường ngoài, đặt biệt khi dùng xử lý ảnh để nhận dạng màu thì ánh sáng là một yếu tố quan trọng.
2. Kiến nghị
Để nâng cao chất lượng của bộ điều khiển, không những ta cập nhập online các trọng số của mạng, mà ta còn phải cập nhập các tham số như là tâm và độ rộng của hàm Gaussian. Ngoài ra ta cũng có thể sử dụng các thuật toán để ước lượng các tham số tâm, độ rộng, các trọng số của mạng RBF trước khi robot hoạt động, giúp robot khởi động một cách ổn định hơn. Cải tiến định vị robot trong không gian.
TÀI LIỆU THAM KHẢO
[1] S. G. Tzafestas. Introduction to mobile robot control. First edition. Amsterdam: Elsevier, 2014.
[2] Yong Liu et al. “Omni-directional mobile robot controller design by trajectory linearization,” in Proceedings of the 2003 American Control Conference.
2003, pp. 3423–3428.
[3] Y. Liu et al. “Omni-directional mobile robot controller based on trajectory linearization,” Robot. Auton. Syst. Vol. 56, no. 5, pp. 461–479, May 2008. [4] M. A. Sharbafi et al. “Motion Control of Omni-Directional Three-Wheel
Robots by Brain-Emotional-Learning-Based Intelligent Controller,” IEEE
Trans. Syst. Man Cybern. Part C Appl. Rev. Vol. 40, no. 6, pp. 630–638, Nov.
2010.
[5] H.-C. Huang and C.-C. Tsai. “Adaptive Trajectory Tracking and Stabilization for Omnidirectional Mobile Robot with Dynamic Effect and Uncertainties,”
IFAC Proc. Vol. 41, no. 2, pp. 5383–5388, 2008.
[6] V. H. Duy et al. “Online Training the Radial Basis Function Neural Network Based on Quasi-Newton Algorithm for Omni-directional Mobile Robot Control,” in AETA 2017 - Recent Advances in Electrical Engineering and
Related Sciences: Theory and Application. Vol. 465, pp. 557-998, 2018.
[7] S.-H. Chen et al. “Backstepping Control with Sum of Squares Design for Omni-directional Mobile Robots,” presented at ICROS-SICE International
Joint Conference, Japan, 2009
[8] M. DaneshPanah et al. “Comprehensive Omni-Directional Soccer Player Robots,” in Robotic Soccer, P. Lima, Ed. I-Tech Education and Publishing, 2007.
[9] J. A. Vazquez and M. Velasco-Villa. “Computed-Torque Control of an Omnidirectional Mobile Robot,” in 2007 4th International Conference on
Electrical and Electronics Engineering, Mexico City, Mexico, 2007, pp. 274– 277.
[10] C.-H. Liu et al. “Design of Integral Fuzzy Terminal Sliding-Mode Controller for Omni-directional Mobile Robots,” in 2013 Second International
Conference on Robot, Vision and Signal Processing, Kitakyushu, Japan, 2013,
pp. 190–195.
[11] Đỗ Bùi Đình Thiên. “Điều khiển bám quỹ đạo mong muốn của Robot di động đa hướng sử dụng bộ điều khiển Trượt,” Luận văn thạc sĩ, Đại học Kỹ thuật Công Nghệ, Hồ Chí Minh, 2012.
[12] A. Sheikhlar et al. “Fuzzy adaptive PI control of omni-directional mobile