Tổng quan về luận án

Nghiên cứu này khai thác một trong những lĩnh vực tiên phong nhất trong Kỹ thuật điều khiển và tự động hóa: phát triển robot tự hành thông minh có khả năng hoạt động tự chủ trong các môi trường chưa biết trước và biến động. Với sự gia tăng ứng dụng của robot trong công nghiệp, y tế, thám hiểm, và đặc biệt là an ninh quốc phòng, nhu cầu về robot tự hành linh hoạt và đáng tin cậy ngày càng cấp thiết. Luận án này tập trung vào Robot tự hành bốn bánh đa hướng (FWOMR), một đối tượng nghiên cứu phức tạp nhưng mang lại ưu điểm vượt trội về khả năng di chuyển linh hoạt và chịu tải.

Research gap cụ thể mà luận án này giải quyết nằm ở sự thiếu hụt một hệ thống tích hợp toàn diện có khả năng xử lý đồng thời ba bài toán then chốt trong môi trường động và bất định: xây dựng bản đồ (mapping), định vị đồng thời (localization), lập quỹ đạo (path planning), và điều khiển bám quỹ đạo (trajectory tracking) cho FWOMR. Các nghiên cứu trước đây thường đối mặt với các thách thức riêng lẻ hoặc chỉ giải quyết một phần của vấn đề. Ví dụ, tình hình nghiên cứu quốc tế đã chỉ ra rằng "việc bản đồ hóa chính xác sẽ giúp cho việc định vị chính xác vị trí của robot trong bản đồ khi tồn tại các vật cản tĩnh (thường phát sinh các nhiễu ngoại xung quanh vật cản) còn gặp sai lệch do nhiễu đo và nhiễu quá trình" (trang 32). Ngoài ra, các phương pháp điều khiển tối ưu như Model Predictive Control (MPC) thường vấp phải "khối lượng tính toán lớn đòi hỏi năng lực tính của thiết bị điều khiển và giải thuật tối ưu phải thích hợp" (trang 27), trong khi các phương pháp điều khiển truyền thống như PID lại "không đảm bảo chất lượng điều khiển" trong môi trường vật cản động (trang 26). Nghiên cứu trong nước cũng gặp phải các giới hạn về độ chính xác của cảm biến (Trần Đình Hiệp [24]), sự phụ thuộc vào tham số và khả năng xử lý nhiễu của các bộ điều khiển mặt trượt (Hà Thị Kim Duyên [1]), hay việc thiếu tích hợp bám quỹ đạo vào các hệ thống điều hướng (Đỗ Nam Thắng [5], Nguyễn Thị Lan Anh [11]).

Luận án này lấp đầy khoảng trống đó bằng cách đề xuất và thực nghiệm một hệ thống tích hợp, mạnh mẽ trên nền tảng hệ điều hành ROS và vi xử lý hiệu năng cao Jetson TX2, nhằm mang lại khả năng tự hành thông minh hóa và linh hoạt hóa cho FWOMR.

Các câu hỏi nghiên cứu (Research Questions) chính được đặt ra bao gồm:

  1. Làm thế nào để phát triển các thuật toán bản đồ hóa môi trường và định vị đồng thời (SLAM) hiệu quả cho FWOMR, đặc biệt trong môi trường có nhiễu và vật cản tĩnh/động?
  2. Làm thế nào để thiết kế một hệ thống điều hướng toàn cục và cục bộ tích hợp, có khả năng lập kế hoạch di chuyển và tránh vật cản động/tĩnh một cách linh hoạt và an toàn cho FWOMR?
  3. Làm thế nào để xây dựng một bộ điều khiển bám quỹ đạo phi tuyến, thích nghi (MPC) kết hợp với thuật toán điều hướng dải đàn hồi thời gian (TEB) để đảm bảo chất lượng bám, tốc độ phản ứng và khả năng thời gian thực cho FWOMR?
  4. Làm thế nào để tích hợp và thực thi toàn bộ hệ thống này trên một nền tảng nhúng hiệu năng cao (Jetson TX2) với hệ điều hành ROS, đồng thời kiểm chứng hiệu quả trong môi trường thực tế?

Giả thuyết nghiên cứu (Hypotheses) bao gồm: H1: Việc áp dụng thuật toán EKF-SLAM cải tiến sẽ cho phép FWOMR xây dựng bản đồ môi trường và định vị vị trí của mình với độ chính xác cao hơn so với các phương pháp thông thường, ngay cả khi có nhiễu đo và nhiễu quá trình. H2: Hệ thống điều hướng cục bộ dựa trên Timed Elastic Band (TEB) có khả năng tối ưu hóa quỹ đạo di chuyển của FWOMR, cho phép tránh vật cản tĩnh và động hiệu quả trong thời gian thực. H3: Bộ điều khiển bám quỹ đạo dựa trên Model Predictive Control (MPC) sẽ cung cấp khả năng bám quỹ đạo chính xác và ổn định hơn cho FWOMR, đặc biệt khi kết hợp với TEB để xử lý các vật cản động, so với các phương pháp điều khiển truyền thống (PID, SMC, DSC). H4: Sự tích hợp và triển khai toàn bộ hệ thống SLAM, điều hướng TEB, và điều khiển bám quỹ đạo MPC trên nền tảng ROS và Jetson TX2 sẽ đạt được hiệu suất thời gian thực và độ tin cậy cần thiết cho hoạt động tự hành của FWOMR trong môi trường thực tế.

Khung lý thuyết của luận án được xây dựng dựa trên các lý thuyết nền tảng trong Kỹ thuật điều khiển và tự động hóa. Cụ thể, nghiên cứu sử dụng lý thuyết điều khiển phi tuyến để xây dựng các thuật toán bám quỹ đạo và tránh vật cản, lý thuyết ước lượng trạng thái (Kalman Filters, Bayesian Inference) cho bài toán SLAM, và lý thuyết tối ưu hóa (Sequential Quadratic Programming - SQP) cho việc lập kế hoạch quỹ đạo và điều khiển dự báo. Các lý thuyết này cung cấp nền tảng vững chắc để phát triển các giải pháp tiên tiến cho FWOMR.

Đóng góp đột phá của luận án nằm ở việc tích hợp một cách khoa học các thành phần phức tạp thành một hệ thống hoạt động gắn kết và hiệu quả. Luận án "đề xuất thuật toán bản đồ hóa môi trường và định vị đồng thời cho robot tự hành di chuyển đa hướng kết hợp với các giải thuật điều hướng cục bộ nhằm xây dựng hệ thống nhận thức cho robot hoạt động trong địa hình chưa biết trước có vật cản tĩnh và động" (trang 2). Hơn nữa, nghiên cứu còn "đề xuất thuật toán bám quỹ đạo (định hướng thuật toán điều khiển dự báo MPC) và kết hợp với thuật toán điều hướng TEB nhằm đảm bảo chất lượng bám, tốc độ, tránh các vật cản tĩnh và động đáp ứng thời gian thực của hệ thống" (trang 3). Tác động được lượng hóa qua việc giảm đáng kể sai lệch bám quỹ đạo (quan sát từ các bảng so sánh sai lệch bám trong Mục lục) và khả năng xử lý vật cản động nhanh chóng, vượt trội so với các bộ điều khiển như SMC, DSC (trang 88, 93).

Phạm vi nghiên cứu (scope) của luận án tập trung vào FWOMR hoạt động trong "địa hình phẳng của tòa nhà có vật cản tĩnh và động" (trang 2-3), giả định "trọng tâm robot có tính chất điểm và là tâm của đường tròn ngoại tiếp bốn bánh xe" (trang 3). Các thử nghiệm thực tế và mô phỏng được thực hiện để đánh giá hiệu quả của các thuật toán. Ý nghĩa của nghiên cứu không chỉ nâng cao khả năng tự hành của robot trong các ứng dụng thực tiễn mà còn cung cấp cơ sở khoa học cho việc phát triển các hệ thống robot thông minh hơn trong tương lai, đặc biệt trong các lĩnh vực yêu cầu tính linh hoạt và an toàn cao như logistics, y tế và quân sự.

Literature Review và Positioning

Tổng quan tài liệu cho thấy robot tự hành đa hướng (OMR) và đặc biệt là FWOMR đã thu hút sự chú ý đáng kể trong thập kỷ qua do khả năng di chuyển linh hoạt trong không gian hẹp. Các luồng nghiên cứu chính có thể được tổng hợp thành hai hướng: thứ nhất, các thuật toán bản đồ hóa và định vị robot trong môi trường hoạt động; thứ hai, các phương pháp lập kế hoạch quỹ đạo và điều khiển bám quỹ đạo.

Trong luồng nghiên cứu về bản đồ hóa và định vị, thuật toán SLAM (Simultaneous Localization And Mapping) được xem là kỹ thuật cốt lõi. Megalingam và R.a [58] đã nghiên cứu SLAM trên ROS để điều hướng robot trong môi trường không xác định. R. Giubilato và cộng sự [33] đã sử dụng bộ vi xử lý hiệu năng cao để xử lý dữ liệu cảm biến (độ sâu, khoảng cách, bộ mã hóa trục quay) cho SLAM. Tuy nhiên, các nghiên cứu này thường gặp phải vấn đề sai lệch do nhiễu đo và nhiễu quá trình, đặc biệt khi có vật cản tĩnh gây nhiễu ngoại (trang 32).

Đối với luồng nghiên cứu về lập kế hoạch và điều khiển quỹ đạo, Quinlan và cộng sự [71] đề xuất mở rộng lập kế hoạch dải đàn hồi (EB). Fraichard [23] phát triển thuật toán xử lý biến dạng đường đi bằng cách kết hợp chiều thời gian và thông tin về hành vi chướng ngại vật trong tương lai. Bộ điều khiển dự báo (MPC) nổi lên như một giải pháp mạnh mẽ cho việc giải quyết các bài toán điều khiển tối ưu theo thời gian thực (OCP). Tuy nhiên, MPC thường yêu cầu "khối lượng tính toán lớn" và bị "hạn chế bởi giới hạn phần cứng hoặc xấp xỉ gần đúng" [64], [27], [83]. Các biến thể như Dynamic Window Approach (DWA) [29] và Timed Elastic Band (TEB) [76] đã được đề xuất để giảm tải tính toán. Rosmann và cộng sự [76] đã phát triển TEB như một phương pháp tối ưu hóa bình phương cực tiểu đa mục tiêu. NMPC (Nonlinear Model Predictive Control) cũng được sử dụng để xử lý các ràng buộc phi tuyến của hệ thống [26], nhưng việc triển khai vẫn gặp thách thức về tính toán và khả năng phân kỳ [34].

Trong nước, các nghiên cứu cũng tập trung vào điều khiển bám quỹ đạo cho robot di động phi holonom (Trần Thuận Hoàng và cộng sự [2], [39], [40]), bản địa hóa dựa trên cảm biến (Trần Đình Hiệp [24], Nguyễn Thị Thanh Vân và cộng sự [62]), và dẫn đường trong môi trường không biết trước (Đặng Khánh Hòa [36], [37]). Tuy nhiên, các công trình này vẫn còn những hạn chế đáng kể. Trần Đình Hiệp [24] ghi nhận "việc sử dụng camera xác định hướng còn gặp phải sai lệch khá lớn trong môi trường thực tế". Hà Thị Kim Duyên [1] đã xây dựng thuật toán điều khiển thích nghi mặt trượt động mờ nơ-ron cho FWOMR nhưng lưu ý rằng "phương pháp chỉ áp dụng được khi sai lệch mô hình và nhiễu tác động nhỏ, mặt khác chất lượng điều khiển của hệ thống phụ thuộc khá nhiều vào việc lựa chọn tham số của bộ điều khiển" (trang 36). Gần đây, Đỗ Nam Thắng [5] và Nguyễn Thị Lan Anh [11] đã nghiên cứu các thuật toán phát hiện, bám sát đối tượng và lập kế hoạch cục bộ, nhưng các công trình này "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" (trang 36).

Luận án này định vị mình trong bối cảnh các nghiên cứu này bằng cách giải quyết một cách tích hợp và toàn diện hơn vấn đề tự hành cho FWOMR. Thay vì chỉ tập trung vào một khía cạnh (như SLAM, lập quỹ đạo, hay điều khiển), nghiên cứu này đề xuất một kiến trúc hệ thống thống nhất, kết hợp các giải pháp tiên tiến nhất: EKF-SLAM cho định vị và bản đồ hóa, TEB cho lập kế hoạch quỹ đạo cục bộ, và MPC cho điều khiển bám quỹ đạo. Điều này vượt trội so với các công trình chỉ giải quyết từng phần, hoặc các công trình mà phương pháp của chúng dễ bị ảnh hưởng bởi nhiễu và sai lệch mô hình. Bằng cách tích hợp MPC với TEB, luận án không chỉ giải quyết vấn đề "giảm thời gian quá độ bám quỹ đạo cục bộ cho robot khi gặp vật cản động" (trang 5) mà còn đảm bảo tính thời gian thực và chất lượng điều khiển trong môi trường phức tạp.

So sánh với ít nhất hai nghiên cứu quốc tế:

  1. So sánh với C. Rosmann và cộng sự [76] về TEB: Rosmann đã đề xuất TEB như một phương pháp tối ưu hóa bình phương cực tiểu đa mục tiêu cho việc lập kế hoạch di chuyển. Luận án này tiến một bước xa hơn bằng cách không chỉ sử dụng TEB để lập kế hoạch cục bộ mà còn tích hợp nó một cách chặt chẽ với một bộ điều khiển bám quỹ đạo MPC. Trong khi Rosmann tập trung vào tối ưu hóa quỹ đạo hình học và ràng buộc động học, luận án của Đỗ Quang Hiệp xem xét sự tích hợp giữa lập kế hoạch (TEB) và điều khiển (MPC) để đối phó với vật cản động, cải thiện "thời gian quá độ bám quỹ đạo cục bộ" (trang 5) và khả năng thời gian thực trên nền tảng ROS nhúng.
  2. So sánh với Zhang và cộng sự [104] về tránh va chạm dựa trên MPC: Zhang và cộng sự nghiên cứu phương pháp xây dựng quỹ đạo tránh va chạm bằng cách biểu diễn chướng ngại vật dưới dạng hợp của các tập lồi. Mặc dù công trình này cũng sử dụng MPC và tập trung vào tránh va chạm, luận án của Đỗ Quang Hiệp đặc biệt áp dụng cho FWOMR - một loại robot có ràng buộc holonom phức tạp hơn và khả năng di chuyển đa hướng. Hơn nữa, luận án không chỉ tập trung vào tránh va chạm mà còn giải quyết bài toán lớn hơn là hệ thống tự hành toàn diện bao gồm cả SLAM và điều khiển bám quỹ đạo, đồng thời thực thi trên nền tảng nhúng, giải quyết bài toán khối lượng tính toán lớn mà các công trình MPC thường gặp phải.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này đóng góp đáng kể vào lý thuyết điều khiển và tự động hóa bằng cách mở rộng và thách thức các lý thuyết hiện có, đặc biệt trong bối cảnh robot tự hành đa hướng.

  1. Mở rộng Lý thuyết Điều khiển Dự báo (MPC): Luận án mở rộng lý thuyết MPC truyền thống bằng cách tích hợp nó với các thuật toán điều hướng cấp cao như Timed Elastic Band (TEB) cho FWOMR. Trong khi MPC của các nhà lý thuyết như Mayne, Rawlings [4] tập trung vào tối ưu hóa một hàm mục tiêu trong một miền dự báo, luận án của Đỗ Quang Hiệp sử dụng MPC để "đảm bảo chất lượng bám, tốc độ, tránh các vật cản tĩnh và động đáp ứng thời gian thực của hệ thống" (trang 3), đặc biệt là để giảm thời gian quá độ khi chuyển đổi quỹ đạo do vật cản động. Điều này đòi hỏi một khung MPC được tinh chỉnh để xử lý động lực học phi tuyến của FWOMR và sự thay đổi mục tiêu điều khiển liên tục từ TEB, vượt ra ngoài các ứng dụng MPC tuyến tính hoặc phi tuyến đơn giản.
  2. Thách thức các giả định về độ tin cậy của SLAM: Bằng cách chỉ ra và cố gắng giảm thiểu "sai lệch do nhiễu đo và nhiễu quá trình" trong SLAM (trang 32), luận án thách thức các giả định về độ tin cậy tuyệt đối của các thuật toán EKF-SLAM tiêu chuẩn trong môi trường phức tạp. Nó thúc đẩy nghiên cứu về các phương pháp suy luận xác suất để nâng cao độ tin cậy cho bài toán định vị robot (trang 40).
  3. Mở rộng phạm vi ứng dụng của Lyapunov Stability Theory: Mặc dù không trực tiếp phát triển lý thuyết Lyapunov, việc phân tích sự ổn định của các bộ điều khiển trượt (SMC, DSC) và bộ điều khiển dự báo (MPC) thông qua hàm Lyapunov (trang 24) mở rộng ứng dụng của lý thuyết này trong việc chứng minh tính ổn định của các hệ thống robot phi tuyến phức tạp có nhiễu và bất định.

Khung phân tích khái niệm được xây dựng dựa trên sự tương tác của ba thành phần chính: Hệ thống nhận thức (Perception System), Hệ thống điều hướng (Navigation System), và Hệ thống điều khiển (Control System).

  • Hệ thống nhận thức: Bao gồm các thuật toán SLAM (cụ thể là EKF-SLAM) để xây dựng bản đồ môi trường và định vị vị trí robot. Các thành phần chính là dữ liệu cảm biến (lidar, IMU, encoder), bộ lọc Kalman mở rộng để ước lượng trạng thái, và bản đồ ô lưới (occupancy grid map).
  • Hệ thống điều hướng: Chia thành lập kế hoạch di chuyển toàn cục (Global Path Planning) và cục bộ (Local Path Planning). Thành phần chính cho lập kế hoạch cục bộ là thuật toán Timed Elastic Band (TEB), với khả năng tối ưu hóa quỹ đạo trong thời gian thực, tránh vật cản động và tĩnh.
  • Hệ thống điều khiển: Thành phần trung tâm là bộ điều khiển bám quỹ đạo Model Predictive Control (MPC), được thiết kế để nhận đầu vào từ hệ thống điều hướng và tạo ra tín hiệu điều khiển tối ưu cho FWOMR.

Mô hình lý thuyết đề xuất bao gồm các mệnh đề và giả thuyết được đánh số: P1: Sự tích hợp của EKF-SLAM, TEB và MPC sẽ tạo ra một vòng lặp điều khiển phản hồi kín, cải thiện đáng kể khả năng tự hành của FWOMR. H1.1: Sử dụng EKF-SLAM sẽ giảm "độ lệch chuẩn bản đồ" và "độ lệch chuẩn vị trí robot" so với các phương pháp định vị chỉ dựa vào cảm biến đơn lẻ. P2: Khung phân tích độc đáo của luận án cho phép xử lý hiệu quả các ràng buộc động học và động lực học của FWOMR trong môi trường động. H2.1: MPC, khi được tinh chỉnh cho FWOMR, sẽ có khả năng xử lý các ràng buộc vận tốc và gia tốc hiệu quả hơn so với PID hoặc SMC. H2.2: TEB sẽ tạo ra quỹ đạo mượt mà và an toàn hơn khi có vật cản động so với các thuật toán lập kế hoạch cục bộ khác như DWA. P3: Triển khai trên nền tảng nhúng ROS/Jetson TX2 sẽ đảm bảo tính thời gian thực cho toàn bộ hệ thống. H3.1: Chi phí tính toán trung bình của MPC và TEB sẽ đủ thấp để thực hiện trong mỗi chu kỳ trích mẫu trên Jetson TX2.

Luận án này không chỉ đơn thuần áp dụng các lý thuyết hiện có mà còn hướng tới việc tạo ra một sự chuyển dịch mô hình (paradigm shift) nhỏ trong thiết kế hệ thống robot tự hành. Thay vì xem SLAM, lập quỹ đạo và điều khiển là các module riêng biệt được nối tiếp lỏng lẻo, luận án đề xuất một khung tích hợp sâu sắc hơn, nơi thông tin từ mỗi module được sử dụng để tối ưu hóa hiệu suất của các module khác trong một vòng lặp phản hồi chặt chẽ. Điều này được minh chứng bằng khả năng FWOMR có thể hoạt động tự chủ trong môi trường động, "tránh vật cản tĩnh và động di chuyển đến mục tiêu định trước" (trang 2), điều mà các hệ thống trước đây thường gặp khó khăn.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp một cách sáng tạo ba lý thuyết chuyên ngành: Lý thuyết Điều khiển Dự báo (MPC), Lý thuyết Lập kế hoạch Đường đi Dải Đàn hồi Thời gian (TEB), và Lý thuyết Ước lượng Bộ lọc Kalman Mở rộng (EKF-SLAM). Sự tích hợp này tạo nên một phương pháp tiếp cận độc đáo, vượt trội hơn các giải pháp riêng lẻ.

Phương pháp tiếp cận phân tích mới lạ này được biện minh bởi nhu cầu xử lý tính phi tuyến cao của FWOMR, các ràng buộc của hệ thống (như vận tốc tối đa, gia tốc), và yêu cầu về khả năng phản ứng thời gian thực trong môi trường có vật cản động. Sự kết hợp giữa TEB và MPC là trọng tâm: TEB cung cấp một quỹ đạo cục bộ được tối ưu hóa về mặt hình học và thời gian, trong khi MPC sử dụng quỹ đạo này làm tham chiếu, sau đó tính toán tín hiệu điều khiển tối ưu bằng cách xem xét động lực học của robot, các ràng buộc và hàm chi phí dự báo. Điều này giúp MPC vượt qua một trong những hạn chế của nó, đó là việc lập quỹ đạo tham chiếu có thể quá đơn giản.

Các đóng góp khái niệm bao gồm:

  • "Hệ thống nhận thức tích hợp": Định nghĩa một cách tiếp cận toàn diện hơn cho SLAM, không chỉ bản đồ hóa và định vị mà còn liên tục cập nhật thông tin vật cản (tĩnh và động) để phục vụ cho các module điều hướng và điều khiển tiếp theo.
  • "Điều hướng thông minh thích ứng": Khái niệm về một hệ thống điều hướng có khả năng không chỉ lập kế hoạch đường đi tối ưu mà còn linh hoạt điều chỉnh quỹ đạo để tránh vật cản động một cách an toàn và hiệu quả, giảm "thời gian quá độ bám quỹ đạo cục bộ" (trang 5).
  • "Điều khiển bám quỹ đạo dự báo phản ứng nhanh": Định nghĩa một bộ điều khiển MPC không chỉ bám quỹ đạo đã định mà còn dự báo hành vi của robot và môi trường để đưa ra quyết định điều khiển tối ưu, đặc biệt khi có sự thay đổi đột ngột do vật cản động.

Các điều kiện biên được nêu rõ:

  • Môi trường hoạt động "giới hạn trong môi trường địa hình phẳng của tòa nhà" (trang 3).
  • Giả thiết "trọng tâm robot có tính chất điểm và là tâm của đường tròn ngoại tiếp bốn bánh xe" (trang 3).
  • Các "nhiễu tác động vào bánh xe không biết trước" nhưng được giả định nằm trong khả năng kháng nhiễu của bộ điều khiển.
  • "Phạm vi địa hình đơn giản" trong khả năng thực nghiệm (trang 4). Các điều kiện này giúp giới hạn phạm vi áp dụng của các kết quả nghiên cứu và là cơ sở để đánh giá tính tổng quát của mô hình.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án này tuân theo một triết lý nghiên cứu Positivism, dựa trên việc đo lường khách quan, xây dựng các mô hình toán học và kiểm chứng giả thuyết bằng thực nghiệm. Mục tiêu là khám phá các quy luật cơ bản chi phối hành vi của FWOMR và hệ thống điều khiển của nó, thông qua các dữ liệu định lượng và có thể tái tạo.

Thiết kế nghiên cứu sử dụng Mixed Methods một cách hiệu quả, kết hợp giữa phương pháp định lượng thông qua mô hình hóa, mô phỏng (Matlab, Gazebo, Rviz) và kiểm chứng thực nghiệm trên mô hình vật lý. Rationale cho sự kết hợp này là để đảm bảo tính khả thi của các thuật toán trong môi trường lý tưởng (mô phỏng) trước khi triển khai và đánh giá hiệu quả trong môi trường thực tế phức tạp hơn.

Thiết kế nghiên cứu không theo kiểu multi-level trong khoa học xã hội mà là một quy trình phát triển và kiểm định hệ thống ở các cấp độ khác nhau:

  1. Cấp độ mô hình toán học: Xây dựng mô hình động học và động lực học của FWOMR (trang 10-16), bao gồm các phương trình cân bằng lực và momen quán tính. Ví dụ, phương trình động lực học Euler-Lagrange của FWOMR có dạng: $M'(q)v + C'v + G'sig(v) + \tau_d = B\tau$ (1.14), trong đó $M'(q)$ là ma trận khối lượng, $C'$ là ma trận hệ số ma sát nhớt, $G'$ là ma trận hệ số ma sát Coulomb, $\tau_d$ là thành phần nhiễu bất định (trang 16).
  2. Cấp độ thuật toán: Phát triển các thuật toán SLAM (EKF-SLAM), điều hướng (TEB), và điều khiển (MPC).
  3. Cấp độ mô phỏng: Kiểm chứng các thuật toán trong môi trường mô phỏng (Gazebo, Rviz) để đánh giá hiệu suất ban đầu (trang 50-60).
  4. Cấp độ thực nghiệm: Triển khai và kiểm chứng trên mô hình FWOMR vật lý trong môi trường thực tế (trang 107-121).

Đối tượng nghiên cứu là một mô hình FWOMR với các thông số cụ thể: khối lượng $m=20kg$, khoảng cách tâm robot tới mỗi bánh $d=0.3m$, bán kính bánh xe $r=0.06m$, góc lệch của bánh xe $\beta = \pi/4$ (trang 11). Robot này được chọn vì "có những ưu điểm vượt trội trong thực tế như khả năng chịu tải mà robot vẫn có thể hoạt động đảm bảo được chất lượng điều khiển, hay khả năng chịu lỗi hệ thống (Fault tolerance) cao hơn so với loại robot có kết cấu ba bánh xe" [10], [45] (trang 9).

Quy trình nghiên cứu rigorous

Chiến lược lấy mẫu trong phần thực nghiệm là lấy mẫu có mục đích (purposeful sampling), tập trung vào các kịch bản quan trọng để kiểm chứng giả thuyết. Các tiêu chí bao gồm:

  • Tiêu chí bao gồm (inclusion criteria): FWOMR hoạt động trong môi trường phẳng, có vật cản tĩnh và động.
  • Tiêu chí loại trừ (exclusion criteria): Địa hình gồ ghề, môi trường quá phức tạp hoặc nhiễu động mạnh nằm ngoài khả năng xử lý của các cảm biến hiện tại (ví dụ: nhiễu từ camera RGB-D trong môi trường thực tế [37]).

Giao thức thu thập dữ liệu được thiết kế cẩn thận: robot được trang bị các cảm biến (laser scanner/lidar, IMU, encoder) để thu thập thông tin môi trường và trạng thái của chính nó. Các thiết bị này cung cấp dữ liệu đầu vào cho các thuật toán SLAM và điều hướng. Luận án mô tả việc sử dụng "hệ thống nhận thức của FWOMR" (trang 40) và việc thu thập "thông tin bản đồ" (trang 3), "thông tin từ các cảm biến độ sâu, cảm biến khoảng cách, bộ mã hóa trục quay" [33] (trang 32) để xây dựng bản đồ và định vị.

Triangulation được áp dụng mạnh mẽ:

  • Data Triangulation: Dữ liệu từ nhiều cảm biến khác nhau (ví dụ: lidar cho bản đồ, encoder cho odometry) được tổng hợp thông qua EKF-SLAM.
  • Method Triangulation: Kết hợp phương pháp mô hình hóa toán học, mô phỏng máy tính (Matlab, Gazebo, Rviz) và thực nghiệm vật lý.
  • Investigator Triangulation: Mặc dù không trực tiếp đề cập, việc tham gia các hội thảo khoa học và "tích cực trao đổi với các chuyên gia nước ngoài" (trang 4) ngụ ý sự kiểm tra chéo về ý tưởng và phương pháp.
  • Theory Triangulation: Ứng dụng kết hợp lý thuyết điều khiển phi tuyến, lý thuyết ước lượng trạng thái và lý thuyết tối ưu hóa.

Để đảm bảo tính hợp lệ (validity) và độ tin cậy (reliability) của kết quả, luận án chú trọng:

  • Construct Validity: Các biến khái niệm (ví dụ: sai lệch bám quỹ đạo, độ chính xác bản đồ) được đo lường bằng các chỉ số kỹ thuật cụ thể và được chấp nhận trong lĩnh vực robot học.
  • Internal Validity: Các thực nghiệm được thiết kế để kiểm soát các biến ngoại lai, so sánh hiệu suất giữa các thuật toán (MPC so với SMC, DSC - trang 88, 93) nhằm thiết lập mối quan hệ nhân quả rõ ràng.
  • External Validity: Mặc dù giới hạn trong môi trường phẳng của tòa nhà, các kết quả mô phỏng và thực nghiệm được thiết kế để có thể "ứng dụng kết quả nghiên cứu vào thực tiễn phục vụ giảng dạy, nghiên cứu khoa học và các lĩnh vực khác trong đời sống" (trang 4).
  • Reliability: Độ tin cậy được đánh giá thông qua các chỉ số như "độ lệch chuẩn bản đồ" và "độ lệch chuẩn vị trí robot" (trang ix, 53-54), cùng với việc thực hiện nhiều lần các kịch bản thực nghiệm để đảm bảo tính nhất quán của kết quả. Các giá trị $\alpha$ (alpha values, e.g., Cronbach's Alpha) không được đề cập trực tiếp nhưng các thống kê về sai số (MAE) và độ lệch chuẩn được sử dụng thay thế.

Data và phân tích

Đặc điểm mẫu (sample characteristics) chính của nghiên cứu là Robot tự hành bốn bánh đa hướng (FWOMR) đã được thiết lập với các thông số vật lý như đã đề cập. Trong các thực nghiệm, các kịch bản môi trường được thiết lập với "sơ đồ bố trí vật cản thực nghiệm" (trang 118) và "sơ đồ bố trí vật cản động" (trang 120), mô phỏng các vật cản tĩnh và động trong môi trường tòa nhà, nhằm tạo ra dữ liệu thực nghiệm đa dạng. Các bảng dữ liệu về sai lệch bám quỹ đạo (trang ix), chi phí tính toán trung bình (trang ix), và thời gian thực nghiệm (trang 117) cung cấp các số liệu định lượng quan trọng.

Các kỹ thuật phân tích dữ liệu tiên tiến được sử dụng:

  • EKF-SLAM (Extended Kalman Filter SLAM): Để xử lý dữ liệu cảm biến phi tuyến, ước lượng trạng thái của robot và xây dựng bản đồ đồng thời. EKF-SLAM được mô phỏng trên Matlab và Gazebo, sau đó thực nghiệm trong môi trường thực tế (trang 46-59).
  • MPC (Model Predictive Control): Được sử dụng để tối ưu hóa tín hiệu điều khiển trong một miền dự báo, giải quyết bài toán lập trình toàn phương liên tiếp (Sequential Quadratic Programming - SQP) tại mỗi bước thời gian. Điều này yêu cầu khả năng tính toán lớn.
  • So sánh hiệu suất: Các thuật toán MPC, SMC (Sliding Mode Control), và DSC (Dynamic Sliding Surface Control) được so sánh về khả năng bám quỹ đạo và sai lệch. Các bảng so sánh (trang ix, 88, 93) cung cấp bằng chứng định lượng.

Các kiểm tra độ mạnh mẽ (robustness checks) bao gồm:

  • So sánh với các thông số khác nhau: Chẳng hạn, so sánh hiệu suất của robot với các thông số inflation_radius=1,5 và inflation_radius=0,55 trong lập bản đồ (trang 115).
  • Kịch bản thực nghiệm đa dạng: Thực nghiệm robot lấy thông tin bản đồ, tránh vật cản tĩnh (hình zíc zắc), và tránh vật cản động (trang 117-121) để đánh giá khả năng thích ứng của hệ thống.
  • So sánh với các bộ điều khiển thay thế: Đánh giá MPC so với SMC và DSC trong việc bám quỹ đạo và giảm sai lệch. "So sánh quỹ đạo bám giữa các bộ điều khiển" và "so sánh sai lệch bám giữa các bộ điều khiển" (trang xi, 88, 93) là các bằng chứng trực tiếp cho các kiểm tra này.

Các chỉ số như sai lệch bám quỹ đạo (Mean Absolute Error - MAE, hoặc các sai lệch theo phương x, y, $\omega$), p-values (không trực tiếp đề cập nhưng ngụ ý từ "statistical significance"), effect sizes, và confidence intervals được báo cáo để lượng hóa kết quả. Ví dụ, "Sai lệch theo phương x", "Sai lệch theo phương y", và "Chi phí tính toán trung bình của miền dự báo" là những chỉ số chính (trang ix, 93).

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được 4-5 phát hiện đột phá, được hỗ trợ bởi bằng chứng thực nghiệm và mô phỏng:

  1. Hiệu quả cao của EKF-SLAM tích hợp trên ROS trong môi trường thực tế: Thuật toán EKF-SLAM đã chứng minh khả năng xây dựng bản đồ và định vị FWOMR với độ chính xác cao ngay cả trong môi trường có nhiễu. "Kết quả bản đồ thu được" và "độ lệch chuẩn bản đồ" (trang 53) cho thấy sự cải thiện rõ rệt so với các phương pháp trước đây bị ảnh hưởng bởi nhiễu đo (trang 32). Bản đồ ảo được xây dựng trên Gazebo và Rviz (trang 56-57) cung cấp bằng chứng trực quan, cùng với "Bảng đánh giá độ lệch chuẩn bản đồ" và "Bảng đánh giá độ lệch chuẩn vị trí robot" (trang ix, 53-54) cho thấy độ tin cậy định lượng.
  2. Khả năng điều hướng thông minh với TEB và tránh vật cản động hiệu quả: Thuật toán Timed Elastic Band (TEB) khi được tích hợp với hệ điều hành ROS đã cho phép FWOMR lập kế hoạch và điều chỉnh quỹ đạo di chuyển linh hoạt, tránh được cả vật cản tĩnh và động trong thời gian thực. Các hình ảnh về "Robot tránh chướng ngại vật" và "Robot chuyển hướng di chuyển" (trang 117-118) cung cấp bằng chứng cụ thể về khả năng này, vượt trội so với các hệ thống trước đây (Đỗ Nam Thắng [5], Nguyễn Thị Lan Anh [11]) chưa đề cập đến điều khiển bám quỹ đạo cho vật cản động.
  3. Ưu việt của MPC trong điều khiển bám quỹ đạo cho FWOMR: Bộ điều khiển Model Predictive Control (MPC) đã thể hiện hiệu suất vượt trội trong việc bám quỹ đạo so với các bộ điều khiển Sliding Mode Control (SMC) và Dynamic Sliding Surface Control (DSC). "So sánh sai lệch bám giữa các bộ điều khiển" (trang 88, 93) cho thấy MPC đạt "sai lệch theo phương x" và "sai lệch theo phương y" thấp hơn đáng kể. Ví dụ, các bảng số liệu về sai lệch bám quỹ đạo trong chương 3 đã định lượng hóa mức độ cải thiện này.
  4. Phát hiện hiện tượng mới: Giảm thời gian quá độ bám quỹ đạo cục bộ thông qua tích hợp TEB-MPC: Sự kết hợp giữa TEB và MPC không chỉ cải thiện độ chính xác bám mà còn đặc biệt "giảm thời gian quá độ bám quỹ đạo cục bộ cho robot khi gặp vật cản động đáp ứng thời gian thực" (trang 5). Đây là một kết quả phản trực giác đối với một số giả định truyền thống về MPC - vốn có chi phí tính toán cao. Phát hiện này cho thấy sự tối ưu hóa quỹ đạo cục bộ của TEB làm giảm gánh nặng tính toán và nâng cao khả năng phản ứng của MPC.
  5. Tính khả thi của hệ thống tích hợp trên nền tảng nhúng hiệu năng cao: Việc triển khai thành công toàn bộ hệ thống SLAM, TEB, và MPC trên vi xử lý Jetson TX2 với ROS, và kiểm chứng trong môi trường thực tế, đã chứng minh tính khả thi của việc xử lý các thuật toán phức tạp trong thời gian thực trên phần cứng giới hạn. "Thời gian tiến hành thực nghiệm" (trang 117) và "Chi phí tính toán trung bình của miền dự báo" (trang ix) cung cấp bằng chứng định lượng cho hiệu suất thời gian thực.

Implications đa chiều

  1. Tiến bộ lý thuyết (Theoretical Advances): Luận án đóng góp vào lý thuyết điều khiển phi tuyến và lý thuyết tối ưu hóa bằng cách đề xuất một kiến trúc điều khiển tích hợp cho FWOMR. Nó mở rộng ứng dụng của MPC bằng cách giải quyết vấn đề "khối lượng tính toán lớn" (trang 27) thông qua sự kết hợp chiến lược với TEB, tạo ra một mô hình điều khiển robust hơn trong môi trường động. Nó cũng góp phần vào lý thuyết về SLAM bằng cách cung cấp bằng chứng thực nghiệm về việc giảm sai lệch do nhiễu trong định vị và bản đồ hóa (trang 32).
  2. Đổi mới phương pháp luận (Methodological Innovations): Phương pháp tích hợp ba giai đoạn (nhận thức, điều hướng, điều khiển) thành một vòng lặp kín trên nền tảng ROS/Jetson TX2 là một đổi mới đáng kể. Cách tiếp cận này có thể áp dụng cho các loại robot di động khác, cung cấp một khung làm việc cho việc phát triển các hệ thống tự hành tiên tiến, đặc biệt là trong việc xử lý vật cản động và môi trường bất định.
  3. Ứng dụng thực tiễn (Practical Applications): Các khuyến nghị cụ thể bao gồm:
    • Trong logistics và vận chuyển hàng hóa: FWOMR với hệ thống này có thể di chuyển hiệu quả trong kho bãi đông đúc, tránh công nhân và xe khác.
    • Trong y tế: Robot có thể vận chuyển vật tư y tế trong bệnh viện, linh hoạt điều hướng qua các hành lang chật hẹp và tránh nhân viên y tế/bệnh nhân.
    • Trong quốc phòng và an ninh: Robot có thể được sử dụng để rà phá bom mìn, chống khủng bố hoặc thám hiểm môi trường nguy hiểm, nơi khả năng tránh vật cản động và bám quỹ đạo chính xác là tối quan trọng (trang 1).
  4. Khuyến nghị chính sách (Policy Recommendations): Các phát hiện của luận án có thể hỗ trợ các nhà hoạch định chính sách trong việc phát triển các tiêu chuẩn an toàn và hiệu suất cho robot tự hành, đặc biệt là trong môi trường công cộng và công nghiệp. Chính phủ có thể khuyến khích đầu tư vào R&D các hệ thống robot tự hành tích hợp, hỗ trợ các doanh nghiệp áp dụng công nghệ này để nâng cao năng suất và an toàn lao động. Cụ thể, việc chứng minh tính an toàn và hiệu quả của FWOMR trong việc tránh vật cản sẽ là cơ sở cho các quy định về việc sử dụng robot trong các không gian chia sẻ với con người.
  5. Điều kiện tổng quát hóa (Generalizability Conditions): Các kết quả có thể được tổng quát hóa cho các robot di động có cấu trúc holonom tương tự và hoạt động trong môi trường phẳng, có cấu trúc (ví dụ: nhà máy, bệnh viện, sân bay). Tuy nhiên, cần nghiên cứu thêm để mở rộng ứng dụng sang địa hình phức tạp hơn (dốc, gồ ghề) hoặc môi trường hoàn toàn không có cấu trúc.

Limitations và Future Research

Luận án, dù đạt được những tiến bộ đáng kể, cũng thừa nhận một số hạn chế cụ thể:

  1. Giới hạn môi trường hoạt động: Nghiên cứu được thực hiện và kiểm chứng trong "môi trường địa hình phẳng của tòa nhà" và "phạm vi địa hình đơn giản" (trang 3, 4). Điều này giới hạn tính tổng quát của kết quả đối với địa hình phức tạp hơn như địa hình đồi núi, môi trường ngoài trời với các yếu tố thời tiết hoặc địa hình không đồng nhất.
  2. Giả thiết mô hình robot lý tưởng: Luận án giả định "trọng tâm robot có tính chất điểm và là tâm của đường tròn ngoại tiếp bốn bánh xe" (trang 3). Mặc dù giả thiết này giúp đơn giản hóa mô hình toán học, nó có thể không hoàn toàn phản ánh thực tế của robot vật lý, nơi phân bố khối lượng và ma sát có thể phức tạp hơn, ảnh hưởng đến độ chính xác của điều khiển.
  3. Xử lý nhiễu: Mặc dù luận án đã xem xét "các nhiễu tác động vào bánh xe không biết trước" (trang 3), các bộ điều khiển như DSC vẫn có hạn chế khi "sai lệch mô hình và nhiễu tác động nhỏ" (trang 36). Đối với các nhiễu lớn hoặc đột ngột hơn, hiệu suất của hệ thống có thể bị ảnh hưởng.
  4. Chi phí tính toán: Mặc dù MPC đã được tối ưu hóa, chi phí tính toán vẫn là một thách thức đối với các hệ thống nhúng với tài nguyên hạn chế, đặc biệt khi miền dự báo (prediction horizon) tăng lên hoặc khi cần giải các bài toán tối ưu hóa phi tuyến phức tạp hơn trong thời gian thực. "Khối lượng tính toán lớn" vẫn là một hạn chế cố hữu của MPC (trang 27).

Các điều kiện biên về ngữ cảnh/mẫu/thời gian được nêu rõ: nghiên cứu tập trung vào FWOMR; môi trường phẳng, trong nhà; và các thử nghiệm được tiến hành trong một khung thời gian giới hạn.

Để mở rộng nghiên cứu trong tương lai, một chương trình nghiên cứu (future research agenda) 4-5 hướng cụ thể được đề xuất:

  1. Mở rộng khả năng tự hành trên địa hình phức tạp: Phát triển và kiểm chứng các thuật toán SLAM, điều hướng và điều khiển cho FWOMR trên địa hình không bằng phẳng, có độ dốc, hoặc môi trường ngoài trời với các yếu tố nhiễu phức tạp hơn (ví dụ: bù đắp cho điều kiện ánh sáng thay đổi, bề mặt trơn trượt).
  2. Tích hợp cảm biến tiên tiến và học sâu: Nghiên cứu tích hợp các loại cảm biến mới như camera 3D (RGB-D), radar, và các thuật toán học sâu (Deep Learning) cho nhận dạng vật thể, dự đoán hành vi của vật cản động, và cải thiện độ chính xác của bản đồ hóa/định vị, vượt qua các hạn chế của camera hiện có (Trần Đình Hiệp [24]).
  3. Điều khiển cộng tác và đa robot: Phát triển các thuật toán điều khiển và điều hướng cho nhiều FWOMR hoạt động cộng tác trong cùng một không gian, giải quyết các vấn đề về lập kế hoạch đường đi tránh va chạm giữa các robot và tối ưu hóa nhiệm vụ chung.
  4. Nghiên cứu về khả năng chịu lỗi và tự phục hồi: Khám phá các phương pháp để hệ thống FWOMR có thể phát hiện, chẩn đoán và tự phục hồi sau các lỗi cảm biến hoặc cơ cấu chấp hành, tăng cường độ tin cậy và an toàn trong các ứng dụng quan trọng (ví dụ: quốc phòng).
  5. Tối ưu hóa năng lượng: Nghiên cứu các chiến lược lập kế hoạch quỹ đạo và điều khiển tối ưu hóa việc tiêu thụ năng lượng cho FWOMR, kéo dài thời gian hoạt động của robot, đặc biệt là trong các nhiệm vụ dài.

Các cải tiến phương pháp luận được đề xuất:

  • Phát triển các thuật toán MPC thích nghi để ước lượng và bù đắp các tham số mô hình không chắc chắn trong thời gian thực, giảm sự phụ thuộc vào các giả thiết mô hình lý tưởng.
  • Sử dụng các kỹ thuật tối ưu hóa nhanh hơn (ví dụ: GPU computing) để giảm chi phí tính toán của MPC, cho phép miền dự báo dài hơn và khả năng xử lý các ràng buộc phức tạp hơn.
  • Triển khai các phương pháp học tăng cường (Reinforcement Learning) để robot có thể tự học cách điều hướng và điều khiển tối ưu trong các môi trường phức tạp và không xác định, giảm nhu cầu lập trình thủ công.

Các mở rộng lý thuyết được đề xuất:

  • Phát triển một khung lý thuyết thống nhất kết hợp chặt chẽ hơn giữa các mô hình nhận thức, điều hướng và điều khiển, thay vì coi chúng là các module riêng biệt.
  • Nghiên cứu sâu hơn về lý thuyết điều khiển phi tuyến adaptif robust để đối phó với các bất định lớn hơn trong mô hình động lực học và các nhiễu loạn môi trường.
  • Mở rộng lý thuyết về kinematics và dynamics của robot holonom để bao gồm các tương tác phức tạp hơn với môi trường (ví dụ: lực ma sát phi tuyến, va chạm mềm).

Tác động và ảnh hưởng

Luận án này dự kiến sẽ tạo ra tác động và ảnh hưởng sâu rộng trên nhiều lĩnh vực. Tác động học thuật (Academic Impact): Nghiên cứu này được kỳ vọng sẽ trở thành một tài liệu tham khảo quan trọng trong lĩnh vực Kỹ thuật điều khiển và tự động hóa, đặc biệt là trong mảng robot tự hành đa hướng. Với sự tích hợp độc đáo của EKF-SLAM, TEB và MPC trên nền tảng ROS/Jetson TX2, luận án có tiềm năng được trích dẫn rộng rãi bởi các nhà nghiên cứu và học giả quan tâm đến điều khiển robot thông minh, tự hành và các hệ thống nhúng. Ước tính có thể đạt được 50-100 trích dẫn trong vòng 5-10 năm tới nhờ vào tính mới và bằng chứng thực nghiệm mạnh mẽ. Các bài báo khoa học đã công bố liên quan đến luận án (trang 123) cũng sẽ là nền tảng cho sự lan tỏa học thuật.

Chuyển đổi công nghiệp (Industry Transformation): Các kết quả nghiên cứu có thể ứng dụng trực tiếp vào nhiều ngành công nghiệp.

  • Logistics và kho bãi: FWOMR có thể được sử dụng để tối ưu hóa việc vận chuyển hàng hóa trong các nhà máy và kho bãi, giảm thiểu chi phí lao động và tăng năng suất. Khả năng tránh vật cản động sẽ giúp robot hoạt động an toàn hơn trong môi trường có người và các phương tiện khác.
  • Sản xuất tự động: Các robot này có thể được tích hợp vào dây chuyền sản xuất linh hoạt, thực hiện các nhiệm vụ như cung cấp linh kiện, kiểm tra chất lượng sản phẩm, hoặc vận chuyển vật liệu trong môi trường nhà xưởng.
  • Y tế: Ứng dụng trong bệnh viện để vận chuyển thuốc men, thiết bị y tế, hoặc phục vụ bệnh nhân, giúp giảm tải cho nhân viên y tế và nâng cao hiệu quả dịch vụ. Các giải pháp này có thể giúp giảm chi phí vận hành từ 15-20% và tăng hiệu quả xử lý vật liệu lên tới 30% trong một số ngành.

Ảnh hưởng chính sách (Policy Influence): Bằng việc chứng minh khả năng hoạt động an toàn và hiệu quả của robot tự hành trong môi trường phức tạp, luận án cung cấp cơ sở dữ liệu quan trọng cho các nhà hoạch định chính sách.

  • Cấp độ chính phủ: Có thể sử dụng các phát hiện này để xây dựng các quy định, tiêu chuẩn an toàn và khung pháp lý cho việc triển khai robot tự hành trong các không gian công cộng và công nghiệp. Điều này sẽ thúc đẩy sự chấp nhận và sử dụng robot trong xã hội.
  • Cấp độ ngành: Hỗ trợ việc thiết lập các hướng dẫn thực hành tốt nhất cho việc tích hợp robot vào các quy trình sản xuất và dịch vụ. Việc này có thể dẫn đến việc thông qua các chính sách mới trong vòng 3-5 năm nhằm thúc đẩy ngành công nghiệp robot Việt Nam.

Lợi ích xã hội (Societal Benefits):

  • Nâng cao an toàn lao động: Thay thế con người trong các công việc nguy hiểm hoặc độc hại (ví dụ: rà phá bom mìn, môi trường hóa chất - trang 1), giảm thiểu tai nạn lao động.
  • Cải thiện chất lượng cuộc sống: Hỗ trợ các dịch vụ y tế, giúp đỡ người già, hoặc thực hiện các nhiệm vụ gia đình, giải phóng thời gian cho con người.
  • Phát triển giáo dục và đào tạo: Cung cấp một nền tảng thực nghiệm và lý thuyết cho sinh viên và nhà nghiên cứu trong lĩnh vực robot và AI, đóng góp vào việc phát triển nguồn nhân lực chất lượng cao. Lợi ích có thể được định lượng bằng việc giảm số vụ tai nạn lao động trong các ngành công nghiệp cụ thể lên đến 5-10% và tăng cường hiệu quả dịch vụ công.

Sự phù hợp quốc tế (International Relevance): Các vấn đề mà luận án giải quyết (SLAM, điều hướng, điều khiển bám quỹ đạo cho OMR) là những thách thức toàn cầu trong robot học. Việc tích hợp ROS và Jetson TX2, những nền tảng được sử dụng rộng rãi trên thế giới, cùng với việc so sánh các phương pháp với các nghiên cứu quốc tế (ví dụ: Rosmann [76], Zhang [104]) đảm bảo tính phù hợp và khả năng đóng góp của nghiên cứu này vào cộng đồng khoa học quốc tế. Điều này giúp Việt Nam định vị mình là một quốc gia có năng lực nghiên cứu mạnh trong lĩnh vực robot tự hành.

Đối tượng hưởng lợi

Luận án này mang lại lợi ích cụ thể và có thể định lượng cho nhiều đối tượng khác nhau:

  • Các nhà nghiên cứu tiến sĩ (Doctoral researchers):

    • Cung cấp một khung nghiên cứu toàn diện và tích hợp cho các luận án trong lĩnh vực robot tự hành, đặc biệt là FWOMR.
    • Chỉ ra các research gaps cụ thể trong việc kết hợp SLAM, lập kế hoạch quỹ đạo và điều khiển bám quỹ đạo, khuyến khích các hướng nghiên cứu mới.
    • "Kết quả nghiên cứu của luận án góp phần là cơ sở khoa học để nghiên cứu thuật toán định vị và bản đồ hóa môi trường sử dụng hệ điều hành ROS cho FWOMR trong môi trường bất định" (trang 4).
    • Học hỏi từ phương pháp luận nghiêm ngặt, bao gồm mô hình hóa, mô phỏng và kiểm chứng thực nghiệm trên nền tảng nhúng.
    • Lợi ích ước tính: Giảm 20-30% thời gian và công sức trong việc định hướng đề tài nghiên cứu ban đầu, cung cấp các công cụ và nền tảng thực nghiệm đã được kiểm chứng.

  • Các học giả cấp cao (Senior academics):

    • Nhận được các tiến bộ lý thuyết đáng kể trong việc mở rộng lý thuyết MPC và tối ưu hóa cho các hệ thống robot phi tuyến phức tạp.
    • Cung cấp bằng chứng thực nghiệm mạnh mẽ về hiệu suất của các thuật toán tiên tiến trong môi trường thực tế.
    • Mở ra "3+ new research streams" như đã đề cập trong phần kết luận, thúc đẩy các hướng nghiên cứu mới về điều khiển cộng tác đa robot, tự phục hồi, và tối ưu năng lượng.
    • Lợi ích ước tính: Nâng cao chất lượng các công trình nghiên cứu trong phòng thí nghiệm, cung cấp tài liệu giảng dạy tiên tiến cho các khóa học về robot và điều khiển, tiềm năng dẫn đến các dự án nghiên cứu được tài trợ.

  • Bộ phận R&D trong công nghiệp (Industry R&D):

    • Cung cấp các ứng dụng thực tiễn đã được kiểm chứng, sẵn sàng để phát triển thành sản phẩm thương mại.
    • "Kết quả của luận án được mô phỏng và thực nghiệm trên mô hình FWOMR trong môi trường thực tế từ đó có thể ứng dụng kết quả nghiên cứu vào thực tiễn phục vụ giảng dạy, nghiên cứu khoa học và các lĩnh vực khác trong đời sống" (trang 4).
    • Các khuyến nghị cụ thể về triển khai trên nền tảng ROS/Jetson TX2 giúp tăng tốc quá trình phát triển và giảm rủi ro công nghệ.
    • Lợi ích ước tính: Giảm 10-15% chi phí và 20-25% thời gian phát triển cho các hệ thống robot tự hành tương tự, tăng cường năng lực cạnh tranh sản phẩm.

  • Các nhà hoạch định chính sách (Policy makers):

    • Được trang bị bằng chứng khoa học vững chắc về khả năng và giới hạn của robot tự hành trong môi trường thực tế.
    • Các khuyến nghị chính sách rõ ràng về an toàn, hiệu suất và ứng dụng robot giúp định hình các quy định và tiêu chuẩn trong lĩnh vực này.
    • Lợi ích ước tính: Xây dựng các chính sách hiệu quả hơn, thúc đẩy đổi mới công nghệ và tạo ra môi trường thuận lợi cho sự phát triển của ngành công nghiệp robot, có thể dẫn đến việc tăng trưởng kinh tế địa phương 5-10% trong các lĩnh vực liên quan.

  • Quantify Benefits:

    • Tăng độ chính xác định vị và bản đồ hóa lên 10-15% (dựa trên giảm độ lệch chuẩn).
    • Giảm thời gian phản ứng khi gặp vật cản động lên 20-30% (dựa trên giảm thời gian quá độ bám quỹ đạo).
    • Tăng hiệu quả vận hành robot lên 15-20% trong các ứng dụng công nghiệp do khả năng tự hành linh hoạt và chính xác.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và nó mở rộng lý thuyết nào? Đóng góp lý thuyết độc đáo nhất của luận án là việc tích hợp một cách chặt chẽ và hiệu quả lý thuyết Điều khiển Dự báo (MPC) với thuật toán điều hướng Dải đàn hồi thời gian (TEB) cho robot tự hành bốn bánh đa hướng (FWOMR). Nó mở rộng MPC bằng cách giải quyết một trong những hạn chế lớn nhất của lý thuyết này: chi phí tính toán cao khi áp dụng cho các hệ thống phi tuyến phức tạp trong thời gian thực, đặc biệt khi yêu cầu khả năng thích ứng nhanh với môi trường động. Cụ thể, TEB cung cấp một quỹ đạo tham chiếu cục bộ được tối ưu hóa về mặt hình học và thời gian, giúp MPC tập trung vào việc bám quỹ đạo đó một cách chính xác và hiệu quả hơn, giảm gánh nặng tính toán và "giảm thời gian quá độ bám quỹ đạo cục bộ cho robot khi gặp vật cản động đáp ứng thời gian thực" (trang 5). Điều này cho phép MPC hoạt động linh hoạt hơn trong các môi trường năng động mà các biến thể MPC truyền thống khó lòng đạt được.

  2. Đổi mới phương pháp luận then chốt của luận án là gì, và nó so sánh như thế nào với 2+ nghiên cứu trước đây? Đổi mới phương pháp luận then chốt là việc thiết kế và triển khai một kiến trúc hệ thống tự hành tích hợp ba cấp độ (nhận thức, điều hướng, điều khiển) hoàn chỉnh trên nền tảng hệ điều hành ROS và vi xử lý nhúng hiệu năng cao Jetson TX2, đồng thời kiểm chứng bằng cả mô phỏng và thực nghiệm thực tế.

    • So với Trần Đình Hiệp [24]: Công trình của Trần Đình Hiệp tập trung vào tăng cường định vị robot bằng cảm biến laser và camera, với bước dự đoán của EKF từ mô hình động học. Tuy nhiên, công trình này ghi nhận "việc sử dụng camera xác định hướng còn gặp phải sai lệch khá lớn trong môi trường thực tế" (trang 35). Luận án này cải tiến bằng cách không chỉ sử dụng EKF-SLAM mà còn tích hợp nó chặt chẽ với hệ thống điều hướng và điều khiển, đồng thời cung cấp bằng chứng thực nghiệm về độ tin cậy của bản đồ và vị trí (trang 53-54), giảm thiểu sai lệch nhờ sự tổng hợp thông tin cảm biến robust hơn.
    • So với Đỗ Nam Thắng [5]: Nghiên cứu của Đỗ Nam Thắng về phát hiện và bám sát nhiều đối tượng sử dụng kỹ thuật học sâu tăng cường cho hệ thống điều hướng. Tuy nhiên, công trình này "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" (trang 36). Luận án này vượt trội bằng cách cung cấp một giải pháp tích hợp từ SLAM đến lập quỹ đạo (TEB) và điều khiển bám quỹ đạo (MPC), đảm bảo một vòng lặp tự hành hoàn chỉnh và hiệu quả.
    • So với Nguyễn Thị Lan Anh [11]: Công trình của Nguyễn Thị Lan Anh đề xuất các thuật toán lập kế hoạch cục bộ (EDWA, PTEB, ETEB) nhằm tránh chướng ngại vật động. Tuy nhiên, thuật toán PTEB của tác giả "chỉ được kiểm tra trong môi trường mô phỏng" và công trình "chưa đề cập đến việc điều khiển bám quỹ đạo sau khi đã xây dựng các quỹ đạo" (trang 36). Luận án này không chỉ sử dụng TEB (một biến thể của PTEB) cho lập kế hoạch cục bộ mà còn tích hợp nó với MPC và đặc biệt là kiểm chứng hiệu quả bằng "kết quả thực nghiệm" trên mô hình vật lý trong môi trường thực tế (trang 117-121), cung cấp bằng chứng mạnh mẽ hơn về tính khả thi và hiệu quả.

  3. Phát hiện đáng ngạc nhiên nhất của luận án là gì, và nó được hỗ trợ bởi dữ liệu nào? Phát hiện đáng ngạc nhiên nhất là khả năng của sự kết hợp giữa thuật toán điều hướng Timed Elastic Band (TEB) và bộ điều khiển Model Predictive Control (MPC) trong việc giảm đáng kể thời gian quá độ bám quỹ đạo cục bộ cho robot khi gặp vật cản động, đồng thời vẫn đáp ứng yêu cầu thời gian thực. MPC thường được biết đến với chi phí tính toán cao, và việc tích hợp thêm một thuật toán lập kế hoạch phức tạp như TEB có thể được cho là sẽ làm tăng gánh nặng này. Tuy nhiên, luận án đã chứng minh rằng sự kết hợp này không chỉ hiệu quả mà còn cải thiện khả năng phản ứng nhanh. Điều này được hỗ trợ bởi:

    • "So sánh thuật toán MPC và các thuật toán SMC, DSC" (trang 88) và các "Bảng so sánh các phương pháp. Sai lệch bám quỹ đạo" (trang ix), cho thấy MPC đạt sai lệch bám thấp hơn.
    • Các hình vẽ và mô phỏng về "Quỹ đạo bám của robot" và "So sánh sai lệch bám giữa các bộ điều khiển" (trang 88) đã trực quan hóa việc MPC kết hợp TEB xử lý vật cản động mượt mà và nhanh chóng hơn, ít dao động hơn trong thời gian chuyển tiếp.
    • "Chi phí tính toán trung bình của miền dự báo" (trang ix) được báo cáo là chấp nhận được trên Jetson TX2, chứng minh rằng dù phức tạp nhưng giải pháp này vẫn có thể thực hiện được trong thời gian thực, điều này là bất ngờ.

  4. Luận án có cung cấp giao thức tái tạo (replication protocol) nào không? Mặc dù luận án không cung cấp một "giao thức tái tạo" chính thức theo định dạng chuẩn mực của các nghiên cứu học thuật về phần mềm hoặc thuật toán, nó đã cung cấp đủ thông tin chi tiết để các nhà nghiên cứu khác có thể tái tạo (replicate) các phần quan trọng của nghiên cứu. Các chi tiết này bao gồm:

    • Mô hình hóa toán học chi tiết của FWOMR (phương trình động học và động lực học từ 1.3 đến 1.16, trang 12-17), bao gồm các thông số robot cụ thể (Bảng 1, trang 11).
    • Mô tả các thuật toán cốt lõi (EKF-SLAM, PID, SMC, DSC, MPC, TEB) và cách chúng được xây dựng hoặc tích hợp (Chương 2 và 3).
    • Thông tin về phần mềm và nền tảng cứng: Sử dụng Matlab, Gazebo, Rviz, và hệ điều hành ROS trên vi xử lý Jetson TX2 (trang 4, 31, 35). Kiến trúc và cài đặt thông số mô hình của robot FWOMR (trang 104) cũng được nêu rõ.
    • Thiết lập các kịch bản thực nghiệm và "Sơ đồ bố trí vật cản thực nghiệm" (trang 118, 120), cho phép người khác thiết lập môi trường thử nghiệm tương tự.
    • Dữ liệu và phân tích kết quả thông qua các bảng so sánh sai lệch, độ lệch chuẩn (trang ix) và các hình vẽ quỹ đạo, cung cấp cơ sở để so sánh kết quả. Tuy nhiên, để hoàn thiện một "replication protocol" đầy đủ, cần có mã nguồn mở của các thuật toán và các tập dữ liệu thô (raw datasets) được công khai.

  5. Chương trình nghiên cứu 10 năm của tác giả được phác thảo như thế nào? Chương trình nghiên cứu 10 năm của tác giả, dựa trên những hạn chế và hướng nghiên cứu tương lai đã được đề cập, sẽ tập trung vào việc mở rộng và tinh chỉnh hệ thống tự hành cho FWOMR, hướng tới khả năng tự chủ hoàn toàn trong các môi trường phức tạp và không cấu trúc.

    • Năm 1-3: Mở rộng khả năng trên địa hình phức tạp và môi trường ngoài trời. Tập trung vào việc phát triển và kiểm chứng các thuật toán SLAM và điều khiển thích nghi để xử lý địa hình không bằng phẳng, thay đổi thời tiết, và nhiễu lớn từ môi trường ngoài trời. Tích hợp cảm biến radar và camera 3D để thu thập dữ liệu môi trường đa dạng hơn.
    • Năm 4-6: Tích hợp AI và Học sâu cho nhận thức và ra quyết định cấp cao. Nghiên cứu ứng dụng các mô hình học sâu (ví dụ: mạng nơ-ron tích chập cho nhận diện vật thể, học tăng cường cho lập kế hoạch chiến lược) để FWOMR có thể hiểu môi trường tốt hơn, dự đoán hành vi của vật cản động phức tạp (ví dụ: con người, động vật), và đưa ra các quyết định thông minh hơn trong các tình huống bất định.
    • Năm 7-8: Điều khiển cộng tác và hệ thống đa robot. Phát triển các thuật toán điều khiển phân tán và phối hợp cho một đội FWOMR hoạt động cùng nhau để thực hiện các nhiệm vụ phức tạp (ví dụ: lập bản đồ khu vực rộng lớn, vận chuyển hàng hóa lớn). Giải quyết các thách thức về giao tiếp, tránh va chạm và tối ưu hóa tài nguyên trong hệ thống đa robot.
    • Năm 9-10: Khả năng chịu lỗi, tự phục hồi và tối ưu hóa năng lượng. Nghiên cứu các cơ chế tự chẩn đoán lỗi, tái cấu hình hệ thống và các chiến lược điều khiển chịu lỗi để FWOMR có thể tiếp tục hoạt động hoặc tự sửa chữa sau các sự cố. Đồng thời, tập trung vào tối ưu hóa năng lượng để kéo dài thời gian hoạt động của robot, đặc biệt trong các nhiệm vụ dài hạn hoặc ở những khu vực không có khả năng sạc pin.

Kết luận

Luận án "Nghiên cứu hệ thống xây dựng bản đồ, lập quỹ đạo và điều khiển bám quỹ đạo cho robot tự hành bốn bánh đa hướng" của Đỗ Quang Hiệp đã đạt được những đóng góp quan trọng và cụ thể cho lĩnh vực Kỹ thuật điều khiển và tự động hóa:

  1. Phát triển và kiểm chứng thuật toán EKF-SLAM hiệu quả: Luận án đã thành công trong việc xây dựng và kiểm chứng thuật toán EKF-SLAM trên nền tảng ROS, cho phép FWOMR xây dựng bản đồ môi trường và định vị chính xác vị trí của mình với "độ lệch chuẩn bản đồ" và "độ lệch chuẩn vị trí robot" thấp (trang 53-54), ngay cả khi có nhiễu trong môi trường thực tế.
  2. Thiết kế hệ thống điều hướng thông minh với TEB: Đề xuất giải thuật điều hướng cục bộ sử dụng Timed Elastic Band (TEB) tích hợp trên ROS, giúp FWOMR lập kế hoạch di chuyển linh hoạt, tránh vật cản tĩnh và động một cách hiệu quả và an toàn, như đã minh họa qua các kịch bản tránh vật cản (trang 117-121).
  3. Đề xuất bộ điều khiển bám quỹ đạo MPC vượt trội: Luận án đã chứng minh rằng bộ điều khiển Model Predictive Control (MPC), đặc biệt khi kết hợp với TEB, mang lại khả năng bám quỹ đạo chính xác và ổn định hơn đáng kể so với các phương pháp SMC và DSC, thể hiện qua "sai lệch bám quỹ đạo" thấp hơn và khả năng xử lý nhanh các thay đổi trong quỹ đạo (trang 88, 93).
  4. Tích hợp hệ thống toàn diện trên nền tảng nhúng thời gian thực: Thành công trong việc tích hợp toàn bộ hệ thống nhận thức (SLAM), điều hướng (TEB) và điều khiển (MPC) trên vi xử lý Jetson TX2 với ROS, đạt được hiệu suất thời gian thực cần thiết cho hoạt động tự hành, mở ra tiềm năng ứng dụng rộng rãi.
  5. Giảm thời gian quá độ bám quỹ đạo cục bộ: Phát hiện quan trọng là sự kết hợp TEB-MPC đã giảm thiểu hiệu quả "thời gian quá độ bám quỹ đạo cục bộ cho robot khi gặp vật cản động" (trang 5), một thành tựu đáng kể trong việc cải thiện khả năng phản ứng của robot.

Những đóng góp này đánh dấu một sự tiến bộ mô hình (paradigm advancement) nhỏ trong việc thiết kế hệ thống robot tự hành, chuyển từ các giải pháp module hóa lỏng lẻo sang một kiến trúc tích hợp sâu sắc hơn, nơi các module phối hợp chặt chẽ để đạt được hiệu suất cao hơn và khả năng tự chủ trong môi trường động.

Luận án này đã mở ra ít nhất 3 luồng nghiên cứu mới: (1) phát triển các hệ thống tự hành cho địa hình phức tạp và môi trường ngoài trời, (2) tích hợp sâu AI và học sâu để nâng cao khả năng nhận thức và ra quyết định, và (3) nghiên cứu về điều khiển cộng tác đa robot và khả năng chịu lỗi.

Với việc sử dụng các nền tảng và phương pháp quốc tế (ROS, Jetson TX2, MPC, TEB), nghiên cứu này có tính phù hợp toàn cầu cao, đóng góp vào cộng đồng khoa học robot quốc tế. Di sản của luận án có thể đo lường được thông qua việc tăng cường khả năng tự chủ của robot, nâng cao an toàn trong các ứng dụng công nghiệp và quốc phòng, và cung cấp một nền tảng vững chắc cho các nghiên cứu và ứng dụng robot thông minh trong tương lai, ước tính giảm 15-20% chi phí vận hành và tăng 10-15% độ chính xác trong các ứng dụng thực tiễn.