Tình hình nghiên cứu trong nước

1 4 Tình hình nghiên cứu ngồi nước

142 Tình hình nghiên cứu trong nước

Tại Việt Nam, các nghiên cứu về robot tự hành cũng đã được các tổ chức, cá nhân tập trung nghiên cứu và phát triển từ nhiều năm nay Trong đó, các nghiên cứu đa số tập trung vào phát triển điều khiển bám quỹ đạo cho robot tự hành dạng phi holonom (Hai bánh chủ động sau hoặc trước, hoặc có bánh lái, hoặc bốn bánh chủ động) [3]

Các nghiên cứu về định vị và bản đồ hóa robot chủ yếu được xây dựng trên nền tảng thuật toán định vị dựa trên phối hợp cảm biến từ đó xây dựng luật điều khiển thích nghi phi tuyến điều khiển robot Có thể kể đến nhóm tác giả Trần Đình Hiệp [24] nghiên cứu thuật toán làm tăng khả năng định vị robot sử dụng cảm biến laser và camera với bước dự đốn của EKF được thực hiện bằng cách trích xuất các thơng số từ mơ hình động học và tín hiệu đầu vào của robot Bước hiệu chỉnh được tiến hành với việc thực hiện một thuật toán đối sánh đường và so sánh giữa các thông số của đường dẫn cục bộ và toàn cục Tuy nhiên việc sử dụng camera xác định hướng còn gặp phải sai lệch khá lớn trong mơi trường thực tế Nhóm tác giả Trần Thuận Hồng và cộng sự [2], [39], [40] xây dựng giải pháp tổng hợp cảm biến sử dụng bộ lọc Kalman thực thi một giải pháp tăng hiệu quả của khâu điều khiển chuyển dộng của robot vi sai bằng việc chia khâu này thành 2 quá trình với 2 hàm Lyapunov khác nhau và từ đó kết hợp với việc sử dụng kỹ thuật tổng hợp cảm biến bằng bộ lọc Kalman trong vịng điều khiển phản hồi cho kết quả đạt độ chính xác cao

Nhóm tác giả Nguyễn Thị Thanh Vân và cộng sự [62] đề xuất thuật toán mạng nơ-ron mờ dựa trên bộ lọc Kalman mở rộng để bản địa hóa cho robot di động Một bộ lọc tối ưu mới cụ thể là mạng nơ-ron mờ dựa trên bộ lọc Kalman mở rộng (FNN-EKF) được sử dụng để cải thiện vấn đề bản địa hóa của robot di động dạng 2 bánh vi sai trong môi trường không xác định và điều chỉnh trực tuyến phép đo tương quan của ma trận hiệp phương sai nhiễu quá trình Q và ma trận hiệp phương sai nhiễu R với mục đích khắc phục sự phân kỳ của EKF khi ma trận Q và R cố định hoặc bị sai lệch Kết quả

mơ phỏng cho thấy thuật tốn FNN-EKF hiệu quả hơn so với bộ lọc EKF thơng thường Nhóm tác giả Đặng Khánh Hịa [36], [37] đề xuất phương pháp dẫn đường cho robot trong môi trường không biết trước dựa trên việc xác định mặt phẳng đất (AMSD) được trang bị cảm biến RGB-D Thuật tốn tìm mặt đất tích hợp trong hệ robot đáp ứng được thời gian thực, giúp cho việc tìm phương hướng một cách chắc chắn và nhanh chóng Tuy nhiên vấn đề tránh vật cản còn chưa hiệu quả khi gặp nhiễu, mặt đất không phẳng hay nhiễu từ camera RGB-D trong môi trường thực tế

Nghiên cứu của tác giả Hà Thị Kim Duyên [1] xây dựng thuật toán điều khiển thích nghi mặt trượt động mờ nơ-ron bám quỹ đạo cho FWOMR có mơ hình bất định và chịu tác động bởi nhiễu

Gần đây, nghiên cứu của tác giả Đỗ Nam Thắng [5] về thuật toán phát hiện và bám sát nhiều đối tượng sử dụng kỹ thuật học sâu tăng cường DQN và A3C cho hệ thống điều hướng cho robot trong môi trường bất định Công bố của tác giả tập trung vào đi sâu phân tích giải quyết bài tốn phát hiện và tránh vật cản trên cơ sở xử lý thông tin đầu vào của đối tượng (bao gồm cả con người), các đóng góp mới của cơng tình tập trung vào các thuật tốn điều hướng, cơng trình chưa đề cập đến việc điều khiển bám quỹ đạo sau khi đã xây dựng các quỹ đạo, cũng như việc khép kín kết hợp giữa xây dựng quỹ đạo, điều hướng với điều khiển bám quỹ đạo cho robot

Nghiên cứu của tác giả Nguyễn Thị Lan Anh [11] đề xuất 3 thuật toán lập kế hoạch cục bộ mới trong hệ thống lập kế hoạch chuyển động cho robot di động tự động trong môi trường động bao gồm phương pháp tiếp cận cửa sổ động nâng cao (EDWA), phương pháp dải đàn hồi thời gian chủ động (PTEB) và dải đàn hồi thời gian mở rộng (ETEB) nhằm tăng khả năng chủ động tránh các chướng ngại vật động và điều hướng an toàn đến mục tiêu nhất định Thuật tốn đề xuất cịn thiếu việc khảo sát đề xuất thuật tốn bản địa hóa dựa trên PF trên nền tảng robot di động trong môi trường thực tế Tất cả các hệ thống dẫn đường được đề xuất trong luận án này nhằm kiểm chứng tính hiệu quả trong mơi trường thưa thớt và bán động Thuật toán PTEB được đề xuất chỉ được kiểm tra trong mơi trường mơ phỏng Cơng trình cũng chưa đề cập đến việc điều khiển bám quỹ đạo sau khi đã xây dựng các quỹ đạo, cũng như việc khép kín kết hợp giữa xây dựng quỹ đạo, điều hướng với điều khiển bám quỹ đạo cho robot

Qua đánh giá phân tích các nghiên cứu trong và ngồi nước có thể rút ra một số nhận xét như sau:

- Các thuật tốn bản đồ hóa mơi trường đồng thời định vị robot đang là bài toán được tập trung nghiên cứu với việc sử dụng trên nền tảng các vi xử lý hiệu năng cao và hệ điều hành robot là thế mạnh nhằm khai thác và trực quan hóa bái tốn điều khiển robot

- Kỹ thuật điều hướng cho robot chủ yếu áp dụng với các nền tảng robot dạng phi holonom vì vậy việc ứng dụng thuật tốn điều hướng chủ động trên nền tảng FWOMR còn hạn chế

- Trong phương án lập kế hoạch chuyển động sử dụng thuật toán TEB với tính chất tối ưu hóa đa mục tiêu áp dụng cho nhiều nền tảng robot vật lý nên việc xây dựng thuật toán điều hướng kết hợp bám quỹ đạo cục bộ tối ưu theo độ tác động nhanh và chính xác cịn là thách thức cần được giải quyết

- Các cơng trình thường đề cập riêng về xây dựng quỹ đạo thông minh, điều hướng thông minh và điều khiển bám quỹ đạo Tuy nhiên thực tế để robot hoạt động tự trị thì việc khép kín q trình kết hợp giữa xây dựng quỹ đạo, điều hướng và điều khiển bám quỹ đạo là rất quan trọng Đồng bộ hệ thống có thể giảm bớt tính tốn trùng lặp, tối ưu thời gian tính tốn và tăng hiệu quả cho hoạt động của robot trong môi trường làm việc

Định hướng nghiên cứu của luận án

Từ phân tích tổng quan ở trên, để góp phần giải quyết những vấn đề còn tồn tại, luận án tập trung vào giải quyết các bài tốn sau:

- Bài tốn định vị, bản đồ hóa mơi trường hoạt động cho robot đã có nhiều cơng bố, tuy nhiên việc sử dụng thông tin từ bản đồ mơi trường kết với các thuật tốn lập quỹ đạo, điều hướng chuyển động chính xác cịn gặp nhiều khó khăn Do đó, luận án nghiên cứu phương pháp sử dụng kết hợp thông tin bản đồ với lập kế hoạch di chuyển trên nền tảng hệ điều hành ROS nhằm nâng cao độ chính xác bản đồ trong mơi trường hoạt động của robot

- Điều hướng tránh vật cản tĩnh và động trong môi trường bất định là vấn đề quan trọng trong bài toán điều khiển robot, việc sử dụng thuật tốn điều hướng cục bộ TEB với tính chất tối ưu hóa đa mục tiêu áp dụng cho nhiều nền tảng robot có cấu

trúc vật lý khác nhau, vì vậy cần thiết lựa chọn kết hợp TEB với một bộ điều khiển dự báo MPC ngắn hạn nhằm giảm thời gian quá độ khi điều hướng cục bộ cho robot đáp ứng thời gian thực

- Các thuật toán điều khiển bám quỹ đạo cho FWOMR sử dụng các bộ điều khiển SMC, DSC [1] đã cho thấy chất lượng bám chính xác tuy nhiên thời gian xử lý trong mơi trường có bố trí vật cản động cịn gặp khó khăn, hạn chế vì vậy luận án đề xuất thuật tốn NMPC với u cầu tính tốn trong miền dự báo ngắn hạn đáp ứng chỉ tiêu bám nhanh theo quỹ đạo toàn cục là yêu cầu cần được nghiên cứu giải quyết

- Xây dựng hệ robot có khả năng hoạt động tự trị, thì việc khép kín và đồng bộ bài tốn xây dựng quỹ đạo thông minh với hệ thống điều khiển bám quỹ đạo, ngồi việc xây dựng quỹ đạo chuyển động thích ứng với mơi trường, các vật cản, thì việc điều khiển robot đáp ứng nhanh, mềm mại theo quỹ đạo sinh ra cần có sự đồng bộ Việc đồng bộ, kết hợp này ngồi về thuật tốn cũng cần chú ý đến việc thực thi trên các hệ vi xử lý nhúng để đảm bảo tính khả thi trong thực tế Luận án hướng đến mục tiêu là lập trình hệ thống trên hệ điều hành ROS và nhúng trên bộ xử lý hiệu năng cao Jetson TX2 của NVidia

Việc kết hợp bài tốn bản đồ hóa, điều hướng cuộc bộ và xây dựng bộ điều khiển có khả năng thay đổi hướng linh hoạt tránh vật cản tĩnh và động thời bám đạo đặt được đề xuất giải quyết trong luận án này, cũng là vấn để mà từ trước đến nay chưa được giải quyết triệt để

Trong chương một, luận án đã tập trung phân tích đặc điểm của robot tự hành để từ đó lựa chọn FWOMR là đối tượng nghiên cứu của luận án Nghiên cứu tổng quan về các kết quả đã đạt được trong nước và quốc tế trong lĩnh vực xây dựng đạo chuyển động, điều hướng và điều khiển bám cho FWOMR để từ đó định hướng nghiên cứu cho luận án đó là:

- Bản đồ hóa và xây dựng đạo chuyển động cho robot có vật cản tĩnh nằm trong tầm kiểm soát của camera

- Điều hướng cục bộ trong trường hợp có vật cản động và vật cản tĩnh khuất tầm quan sát ban đầu của camera khi robot di chuyển trên hành trình tới đích

- Lựa chọn giải pháp điều khiển phù hợp với đạo điều hướng và bám đạo toàn cục

- Xây dựng bộ điều khiển cho FWOMR có khả năng tránh vật cản tĩnh và động cũng như bám quỹ đạo tồn cục

Chương 2

THUẬT TỐN BẢN ĐỒ HĨA MƠI TRƯỜNG VÀ ĐỊNH VỊ ĐỒNG THỜI CHO FWOMR

Tính thơng minh trong những hệ thống robot tự hành phụ thuộc vào việc robot có thể tự tính tốn ra quỹ đạo phù hợp với mơi trường hoạt động Bởi vậy, những nhận thức về môi trường xung quanh, bao gồm cả những thông tin cố định hay sự thay đổi của môi trường là yếu tố tiên quyết, ảnh hưởng trực tiếp tới việc chuyển động của robot Do đó, một hệ thống nhận thức cung cấp những thông tin về mơi trường có vai trị quan trọng trong bài tốn điều khiển robot tự hành

Bản đồ hố mơi trường hoạt động và định vị vị trí đồng thời của robot trong môi trường (SLAM) là hai loại thông tin quan trọng nhất khi robot hoạt động trong môi trường không biết trước Các kỹ thuật xử lý vấn đề SLAM lấy giá trị thông tin đầu vào từ các cảm biến độ sâu, cảm biến khoảng cách, các điểm ảnh 3D và từ đó tính tốn ra các giá trị cho việc bản đồ hố và định vị robot Bên cạnh đó, các tín hiệu từ cảm biến thu về trong q trình di chuyển cũng được sử dụng để phát hiện những vật cản động, vật cản bất ngờ xuất hiện Trong phần này, luận án trình bày về việc thiết kế một hệ thống nhận thức cho FWOMR dựa trên kỹ thuật SLAM và nền tảng ROS

2 1 1 Phương pháp suy luận xác suất để nâng cao độ tin cậy cho bài toán địnhvị robot vị robot

Phương pháp suy luận xác xuất Bayesian [35], [69] là một thuật toán tổng hợp dữ liệu thống kê dựa trên định lý Bayes [13] với xác suất có điều kiện hay xác suất hậu nghiệm để ước tính Véc tơ trạng thái n-chiều ' X ' , sau khi đã được quan sát hoặc đo được hàm ' Z ' Thông tin ngẫu nhiên chứa trong Z và X được mô tả bởi một hàm mật độ xác suất P(Z / X) , được gọi là hàm khả năng, hoặc mơ hình cảm biến, đó là hàm mục tiêu phụ thuộc vào quan sát Hàm khả năng liên quan đến mức độ mà xác suất hậu nghiệm bị thay đổi và được đánh giá thơng qua các thí nghiệm độc lập hoặc bằng cách sử dụng các thơng tin sẵn có về vấn đề này Nếu thơng tin trạng thái X được thực hiện độc lập trước khi quan sát, sau đó hàm khả năng có thể được cải thiện

để đưa ra kết quả chính xác hơn Như một thông tin tiên nghiệm về X có thể được đóng gói như xác suất tiên nghiệm P(X = x) và được coi như là chủ quan bởi vì nó khơng dựa trên dữ liệu quan sát được Định lý Bayes đưa ra một phân bố có điều kiện hậu nghiệm là X x , với giá trị đo được Z z

P(X xΖ z) P(Ζ zX x)P(X = x)

 P(Ζ zX x)P(X = x)dx= P

( Ζ   z X   x) P ( X = x)

P(Ζ = z) (2 1)

Do mẫu số chỉ phụ thuộc vào giá trị đo (tổng được thực hiện trên tất cả các giá trị có thể của trạng thái), một cách tiếp cận trực quan để ước tính có thể được thực hiện bằng cách lấy cực đại phân bố hậu nghiệm, ví dụ, bằng cách lấy cực đại số phân tử của phương trình (2 1) Phương pháp này gọi là ước tính tối đa một hậu nghiệm MAP (Maximum a posteriori) và được tính bởi:

x MAP arg max P(Ζ z1, Ζ z2X x)

x (2 2)

Một phương pháp khác được gọi là hàm ước lượng sai số trung bình bình phương tối thiểu MMSE (Minimum Mean Square Error), nghĩa là giảm thiểu khoảng cách Euclide giữa trạng thái thật và ước tính sau khi quan sát đã được thực hiện Thực tế, để hợp nhất các giá trị đó từ hai cảm biến, phương trình (2 1) có thể viết lại:

P(X xΖ z1,z 2 )P ( Ζ   z   X  x) P ( Ζ   z X 2   x) P ( X   x)

P(Ζ z1,z 2 ) (2 3)

Phương pháp phối hợp cảm biến sử dụng kỹ thuật xác suất Bayes được mô tả như trong Hình 2 1

Sen sơ 1: Hiệu chỉnh/

Ước tính P(Z=z1 X=x) Sen sơ 2: Hiệu chỉnh/

Ước tính

Sen sơ n: Hiệu chỉnh/ Ước tính P(Z=z2 X=x) P(Z=zn X=x) Lý thuyết Bayes P(X=x Z=z1,z2, zn ) Mạch logic chọn: - MAP - MMSE

Hình 2 1 Phương pháp phối hợp đa cảm biến sử dụng kỹ thuật Bayesian

2 1 2 Phương pháp sử dụng bộ lọc Kalman cho bài toán định vị robot

Bộ lọc Kalman (Kalman Filter) rời rạc sử dụng mơ hình tốn học cho lọc các tín hiệu bằng cách sử dụng các phép đo với một số lượng đáng kể các sai số thống kê và có hệ thống được phát triển bởi Kalman và Bucy vào năm 1960 [47] Thông thường, một bộ lọc Kalman tổng hợp dữ liệu đo được trong một khoảng thời gian liên tiếp, cung cấp một ước tính khả năng xảy ra lớn nhất của một tham số Nó cũng có thể liên kết với các đầu vào của đa cảm biến thành một véc tơ của các trạng thái bên trong có chứa các tham số quan tâm, miễn là chúng chỉ phụ thuộc tuyến tính giữa các đầu vào và các trạng thái của hệ thống [91] Bộ lọc sử dụng thuật toán thời gian rời rạc để loại bỏ nhiễu từ các tín hiệu của cảm biến để tạo ra được dữ liệu tổng hợp, ví dụ ước tính các giá trị làm trơn của vị trí, vận tốc, và gia tốc tại một dãy các điểm trong quỹ đạo Mơ hình bộ lọc Kalman chuẩn được suy ra từ 2 phương trình tuyến tính Phương trình thứ nhất mơ tả động học của hệ thống:

xk Axk1 Buk1 wk1 (2 4) Trong đó:

xk là véc tơ trạng thái của hệ thống tại thời điểm k

A là ma trận trạng thái không suy biến

Véc tơ uk1 miêu tả đầu vào hệ thống tại thời điểm k - 1

Mối quan hệ véc tơ đầu vào uk1 và véc tơ trạng thái xk được xác định bằng ma

trận B , w k1 là một biến ngẫu nhiên biểu diễn cho nhiễu hệ thống Phương trình tuyến tính thứ 2 mơ tả quan sát nhiễu của hệ thống, với phép đo zm :

z k Hxk vk (2 5)

Trong mỗi phần tử của vec-tơ z k chứa một quan sát cảm biến tại thời điểm k Ma trận H liên quan tới các phép đo trạng thái bên trong, v k biểu diễn nhiễu đo

Các biến ngẫu nhiên wk và v k được giả định là nhiễu quá trình và nhiễu đo; độc lập với nhau, ồn trắng và có phân bố xác suất chuẩn: