Luận án tiến sĩ: Điều khiển dự báo phi tuyến cho robot tự hành và con lắc ngược - Nguyễn Thành Long, Đại học Bách Khoa Hà Nội

Tổng quan về luận án

Luận án này trình bày một bước đột phá quan trọng trong lĩnh vực kỹ thuật điều khiển và tự động hóa, tập trung vào việc phát triển các chiến lược điều khiển dự báo phi tuyến (NMPC) tiên tiến cho các hệ thống dưới cơ cấu chấp hành (underactuated systems) và hệ thống có ràng buộc không tích phân được (nonholonomic constraints), đặc biệt là robot tự hành dạng 2 bánh chủ động và con lắc ngược. Nghiên cứu ra đời trong bối cảnh các hệ thống tự hành ngày càng đóng vai trò thiết yếu trong nhiều lĩnh vực từ công nghiệp đến an ninh quốc phòng, nhưng việc điều khiển chúng vẫn đối mặt với những thách thức phức tạp do tính phi tuyến, sự hiện diện của nhiễu, các ràng buộc vật lý và đặc điểm dưới cơ cấu chấp hành.

Bối cảnh khoa học và tính tiên phong của nghiên cứu

Các hệ thống robot tự hành, như xe rà phá bom mìn hay phương tiện không người lái khám phá vũ trụ, đòi hỏi khả năng bám quỹ đạo chính xác và hoạt động bền vững trong môi trường khắc nghiệt. Các nghiên cứu trước đây về điều khiển robot tự hành thường gặp phải các hạn chế nghiêm trọng. Cụ thể, các cấu trúc điều khiển thích nghi bền vững [1-4] chỉ mới giải quyết được vấn đề nhiễu và thông số bất định, bỏ ngỏ các ràng buộc về tín hiệu điều khiển và biến trạng thái cũng như đặc điểm thiếu cơ cấu chấp hành. Phương pháp Backstepping [5], dù hiệu quả cho hệ tay máy, lại thiếu tính tổng quát và hầu như chưa áp dụng được cho robot tự hành dạng 2 bánh chủ động khi có ràng buộc. Bên cạnh đó, các phương pháp điều khiển tối ưu truyền thống thiếu khả năng giải quyết đồng thời bài toán tối ưu hóa hàm mục tiêu và đảm bảo tính ổn định trong môi trường nhiễu và hệ phi tuyến.

Research Gap SPECIFIC với citations từ literature

Luận án này lấp đầy những khoảng trống nghiên cứu then chốt đã được xác định rõ ràng trong các tài liệu hiện có:

1. Thiếu phương pháp tổng quát cho ràng buộc điều khiển và biến trạng thái: Các nghiên cứu trước đây như [1-4] về điều khiển thích nghi bền vững chưa xem xét đến "ràng buộc của tín hiệu điều khiển cũng như ràng buộc của cả biến trạng thái trong mô hình." Luận án giải quyết vấn đề này bằng cách "đưa thành phần ràng buộc này vào trong bài toán tối ưu, thậm chí kể cả những dạng phức tạp của ràng buộc, ví dụ như ràng buộc dạng đa diện [6]".
2. Khó khăn trong điều khiển dự báo cho hệ phi tuyến và dưới cơ cấu chấp hành: Mặc dù điều khiển dự báo có tiềm năng lớn, việc triển khai cho "hệ phi tuyến và hệ thiếu cơ cấu chấp hành" vẫn là một thách thức lớn [Trang 2, phần 2]. Đặc biệt, sự thiếu vắng một "nguyên lý tổng quát" cho việc bổ sung khâu hiệu chỉnh ngược trong Backstepping [5] càng làm nổi bật khoảng trống này.
3. Vấn đề ổn định và tính khả thi trong MPC động: "Sự thống nhất của vấn đề tối ưu và vấn đề ổn định, bám theo quỹ đạo của Robot tự hành chủ của hệ kín khi sử dụng bộ điều khiển dự báo" là một điểm yếu trong các nghiên cứu MPC hiện tại, đặc biệt là khi "trong từng chu kỳ bộ điều khiển tối ưu có thể giúp hệ ổn định nhưng bản chất của điều khiển dự báo là thay đổi bộ điều khiển tối ưu sau mỗi chu kỳ." [Trang 5]. Nhiều nghiên cứu [25-27] chưa chỉ ra "tín hiệu trung gian cụ thể" để chứng minh tính khả thi liên tục của các bài toán tối ưu.
4. Điều khiển bám theo quỹ đạo chủ (Master-Slave) bằng MPC: "Vấn đề điều khiển bám theo quỹ đạo của Robot tự hành chủ bằng phương pháp điều khiển dự báo cũng chưa được đề cập từ trước đến nay" [Trang 8], mà chủ yếu dựa vào kỹ thuật Back-Stepping [29, 30, 33, 46, 47] với nhược điểm là không tối thiểu hóa hàm mục tiêu và khó mở rộng cho ràng buộc.
5. Ứng dụng MPC cho con lắc ngược dưới cơ cấu chấp hành: "Nhìn chung phương pháp điều khiển dự báo vẫn chưa được đề cập cho hệ con lắc ngược với đặc điểm thiếu cơ cấu chấp hành." [Trang 8].

Research Questions và Hypotheses

Luận án tập trung giải quyết các câu hỏi nghiên cứu chính sau:

1. RQ1: Làm thế nào để thiết lập mô hình toán học chính xác, bao gồm ràng buộc không tích phân được, cho robot tự hành và mô hình sai lệch bám cho hệ hai robot Chủ-Tớ có xét đến góc hướng và nhiễu?
2. RQ2: Có thể xây dựng một bộ điều khiển dự báo (Min-Max MPC) đảm bảo tính ổn định cho hệ con lắc ngược phi tuyến thông qua tuyến tính hóa và bất đẳng thức ma trận không?
3. RQ3: Cấu trúc điều khiển dự báo phi tuyến trực tiếp nào có thể giải quyết được yêu cầu bám quỹ đạo của robot chủ cho hệ robot tự hành hai bánh (chỉ xét tọa độ) khi có nhiễu tác động?
4. RQ4: Làm thế nào để phát triển cấu trúc điều khiển dự báo phi tuyến trực tiếp cho hệ robot tự hành hai bánh để xử lý yêu cầu bám theo thành phần góc hướng, đồng thời đảm bảo tính ổn định và khả năng bám khi có hoặc không có nhiễu?

Các giả thuyết của luận án bao gồm:

1. H1: Một mô hình sai lệch bám chi tiết, bao gồm cả góc hướng và nhiễu, là nền tảng cần thiết để phát triển các thuật toán NMPC hiệu quả cho hệ robot Chủ-Tớ.
2. H2: Phương pháp Min-Max MPC kết hợp tuyến tính hóa và bất đẳng thức ma trận có thể đảm bảo tính ổn định tiệm cận cho hệ con lắc ngược phi tuyến trong điều kiện có nhiễu giới hạn.
3. H3: Cấu trúc NMPC trực tiếp, với việc thiết kế tín hiệu điều khiển trung gian cụ thể và bài toán tối ưu có ràng buộc rõ ràng, có thể đảm bảo khả năng bám quỹ đạo và tính ổn định (ISS) cho hệ robot tự hành Master-Slave dưới tác động của nhiễu.
4. H4: Việc mở rộng NMPC trực tiếp để xử lý bám theo thành phần góc hướng trong robot tự hành sẽ nâng cao chất lượng điều khiển cho các hệ thống dưới cơ cấu chấp hành, đạt được độ chính xác và ổn định cao hơn trong các nhiệm vụ phức tạp.

Theoretical framework với tên theories cụ thể

Luận án dựa trên một khung lý thuyết vững chắc, tích hợp nhiều phương pháp điều khiển hiện đại:

• Lý thuyết Điều khiển Dự báo Mô hình (Model Predictive Control - MPC): Đây là nền tảng cốt lõi, sử dụng mô hình hệ thống để dự đoán hành vi trong tương lai và tối ưu hóa một hàm mục tiêu trên một cửa sổ dự báo hữu hạn. Các tài liệu như [16-20, 25-27] đã đặt nền móng cho việc này.
• Lý thuyết Ổn định Lyapunov (Lyapunov Stability Theory): Được sử dụng rộng rãi để chứng minh tính ổn định của hệ thống kín, đặc biệt là trong bối cảnh MPC động, nơi bộ điều khiển tối ưu thay đổi theo từng chu kỳ. Bổ đề 2.4 chứng minh tính ổn định tiệm cận cho hệ không nhiễu, trong khi Định lý 2.2 mở rộng cho khái niệm Ổn định trạng thái theo đầu vào (Input-to-State Stability - ISS) dưới tác động của nhiễu.
• Lý thuyết Bất đẳng thức Ma trận (Matrix Inequalities - LMIs/BMIs): Được áp dụng để chuyển đổi các bài toán tối ưu thành dạng lồi, giúp giải quyết hiệu quả các ràng buộc và điều kiện ổn định. Đặc biệt, Bổ đề Schur được sử dụng để chuyển đổi bất đẳng thức (2.20) về dạng LMI (2.21).
• Lý thuyết Hệ thống phi tuyến (Nonlinear Systems Theory): Bao gồm việc tuyến tính hóa mô hình bằng khai triển Taylor (2.2, 2.3) và xử lý các ràng buộc không tích phân được (Khái niệm 1.1, Định lý 1.1 về tính xoắn của không gian nhân).
• Lý thuyết Điều khiển Min-Max (Min-Max Control Theory): Áp dụng để xử lý ảnh hưởng của nhiễu và sai lệch mô hình bằng cách tối thiểu hóa cận trên của hàm mục tiêu dưới tác động lớn nhất của sai lệch, như đã mô tả trong mục 2.1.

Đóng góp đột phá với quantified impact

Luận án này mang lại những đóng góp đột phá với tác động rõ rệt:

1. Phát triển NMPC trực tiếp cho hệ Master-Slave Nonholonomic với bám góc hướng: Luận án đề xuất một cấu trúc NMPC mới cho hệ hai robot tự hành Chủ-Tớ, không chỉ bám theo vị trí mà còn bám theo góc hướng, giải quyết yếu tố thiếu cơ cấu chấp hành. Điều này mở rộng đáng kể khả năng của NMPC trong các ứng dụng thực tế phức tạp, nơi bám góc hướng là cần thiết. Khả năng đáp ứng tốt được kiểm chứng qua mô phỏng, với các hình ảnh quỹ đạo trạng thái (Hình 2.12, 2.17) và sai lệch điều khiển (Hình 2.13, 2.18) cho thấy hiệu suất vượt trội so với phương pháp Back-Stepping truyền thống (như [8]) trong việc xử lý ràng buộc và tối ưu hóa.
2. Đảm bảo tính ổn định tiệm cận cho Min-Max MPC hệ phi tuyến tuyến tính hóa: Bằng cách sử dụng bất đẳng thức ma trận, luận án chứng minh rằng bộ điều khiển dự báo Min-Max đề xuất không chỉ tối ưu hóa mà còn đảm bảo tính ổn định tiệm cận cho hệ thống kín (Bổ đề 2.4). Điều này là một tiến bộ đáng kể so với các MPC chỉ đảm bảo ổn định từng chu kỳ, giảm thiểu rủi ro mất ổn định toàn cục. Mô phỏng con lắc ngược cho thấy "MPC được đề xuất ở trên đảm bảo hệ thống làm việc ổn định và loại bỏ được nhiễu tác động" (Trang 33), với góc đáp ứng (Hình 2.3) và tốc độ góc (Hình 2.4) hội tụ về điểm cân bằng.
3. Cung cấp phương pháp chứng minh tính khả thi liên tục (recursive feasibility) của MPC: Luận án giải quyết một vấn đề then chốt trong lý thuyết MPC bằng cách đưa ra "tín hiệu điều khiển trung gian cụ thể" (Bổ đề 2.3) để chứng minh rằng nếu bài toán tối ưu khả thi tại thời điểm $t_0$, nó cũng sẽ khả thi tại mọi thời điểm $t > t_0$ (Định lý 2.1 ý i)). Điều này tăng cường độ tin cậy và khả năng triển khai của các thuật toán MPC trong thực tế.
4. Thiết kế NMPC bền vững cho hệ có nhiễu giới hạn với đảm bảo ISS: Luận án phát triển một bộ điều khiển dự báo bền vững (robust MPC) cho hệ có nhiễu bị chặn, chứng minh rằng sai lệch trạng thái sẽ hội tụ về một miền hấp dẫn (absorbing region) cụ thể $\Omega = {e: e(l) \le L/\lambda_{\min}(Q_l^*)}$ (Định lý 2.2). Điều này mang lại sự đảm bảo về hiệu suất ngay cả trong môi trường không chắc chắn, được minh họa qua mô phỏng con lắc ngược với "tín hiệu điều khiển tối ưu đều nằm trong giới hạn cho phép" (Hình 2.5).

Scope (sample size, timeframe) và significance

• Scope: Luận án tập trung vào hai đối tượng nghiên cứu chính: Robot tự hành dạng 2 bánh chủ động và con lắc ngược. Cả hai đều là ví dụ điển hình của hệ thống dưới cơ cấu chấp hành và có ràng buộc không tích phân được. Các mô hình được thiết lập bao gồm từ một robot tự hành đơn lẻ đến hệ Master-Slave (Chủ-Tớ) với các yếu tố nhiễu tác động và ràng buộc tín hiệu điều khiển. Phạm vi nhiễu được xét là nhiễu bị chặn.
• Sample size/timeframe: Nghiên cứu này là lý thuyết và mô phỏng. Các mô hình toán học được xây dựng và các thuật toán được kiểm chứng thông qua mô phỏng trên phần mềm Matlab, sử dụng các công cụ chuyên dụng như Yalmip, Casadi để giải quyết các bài toán tối ưu phức tạp. Các ví dụ mô phỏng con lắc ngược sử dụng các thông số vật lý cụ thể như M=1kg, m=0.1kg, l=0.5m và tín hiệu điều khiển giới hạn $F_{max}=12N$. Các quỹ đạo của robot được so sánh trên các kịch bản khác nhau, bao gồm đường thẳng và đường tròn.
• Significance: Luận án cung cấp một phương pháp luận mạnh mẽ và các giải thuật điều khiển dự báo mới, tiên tiến, giải quyết trực tiếp các thách thức lớn trong điều khiển hệ thống tự hành. Ý nghĩa khoa học là bổ sung và làm phong phú thêm các phương pháp điều khiển cho hệ robot tự hành dưới cơ cấu chấp hành, đặc biệt là trong việc đảm bảo tính ổn định và xử lý ràng buộc trong môi trường nhiễu. Ý nghĩa thực tiễn là các bộ điều khiển đề xuất có khả năng ứng dụng cao trong nhiều lĩnh vực như robot công nghiệp, phương tiện tự lái, và hệ thống an ninh, giúp nâng cao hiệu suất, độ tin cậy và an toàn của chúng trong điều kiện làm việc phức tạp. "Các bộ điều khiển đề xuất được kiểm chứng thông qua mô phỏng trên phần mềm matlab... có khả năng đáp ứng tốt trong điều kiện làm việc phức tạp." [Trang 3].

Literature Review và Positioning

Nghiên cứu về điều khiển dự báo và điều khiển robot tự hành là một lĩnh vực rộng lớn và năng động. Luận án này đã tiến hành tổng hợp kỹ lưỡng các luồng nghiên cứu chính để xác định vị trí và làm nổi bật các đóng góp của mình.

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể

1. Điều khiển Dự báo (Model Predictive Control - MPC):

   • Ứng dụng và thuận lợi: MPC đã được ứng dụng rộng rãi trong công nghiệp, đặc biệt cho các hệ thống lớn với nhiều biến điều khiển, như trong nhà máy lọc dầu và hệ thống cẩu treo. Ưu điểm chính của MPC là khả năng "tối thiểu hàm mục tiêu dựa trên mô hình dự báo, xử lý ràng buộc tín hiệu điều khiển cũng như các biến trạng thái" [Trang 2]. Các công trình của Maciejowski (2002) và Camacho & Alba (2013) là những tài liệu nền tảng.
   • MPC trong hệ tuyến tính và phi tuyến: Các phương pháp giải bài toán tối ưu trong MPC được phân loại theo Offline/Online, hệ tuyến tính/phi tuyến, xử lý ràng buộc đặc biệt, và bền vững dưới nhiễu. Đối với hệ tuyến tính, tính ổn định đã được xem xét với miền ràng buộc dạng đa diện bởi Bemporad và Morari (1999) [22, 43]. Cho hệ phi tuyến, một hướng tiếp cận là tuyến tính hóa mô hình và chèn sai lệch vào hàm mục tiêu [23]. Tài liệu [48] đã phát triển ý tưởng này cho robot Omni.
   • Thách thức của MPC phi tuyến trực tiếp (NMPC): Việc giải nghiệm bài toán tối ưu phi tuyến tại mỗi chu kỳ đòi hỏi các thuật toán phức tạp như phương pháp quy hoạch phi tuyến với kỹ thuật điểm trong [24]. Tính ổn định trong NMPC thường được khảo sát thông qua việc lựa chọn hàm mục tiêu với cửa sổ dự báo hữu hạn và thành phần đuôi (terminal cost) quan trọng [16-20, 25-27].
   • Xử lý nhiễu trong MPC: Có ba hướng chính: 1) Loại bỏ nhiễu trong mô hình gốc và sau đó ước lượng hoặc sử dụng biên nhiễu [16]. 2) Giữ lại nhiễu và tối thiểu hóa cận trên của hàm mục tiêu chịu ảnh hưởng nhiễu [23, 48]. 3) Sử dụng phương pháp điều khiển dự báo ngẫu nhiên [28] khi nhiễu có bản chất ngẫu nhiên.
   • Các hướng tiếp cận khác: Ngoài ra, các nghiên cứu MPC còn rất phong phú với tiếp cận Offline/Online, phản hồi đầu ra [55, 62, 66, 73], cửa sổ dự báo hữu hạn/vô hạn, và lựa chọn hàm mục tiêu tại đầu mút [61, 63, 67]. Khảo sát ổn định cũng được thực hiện bằng cách kết hợp với hàm điều khiển Lyapunov [69-72], bộ điều khiển trượt [64], hoặc phương pháp tập hợp [56-60].

2. Điều khiển Robot tự hành và các phương tiện liên quan:

   • Đặc điểm của Robot tự hành: Khác với robot tay máy truyền thống, robot tự hành có "ràng buộc không tích phân được trong biến khớp [1,3]", đòi hỏi cấu trúc điều khiển thường chia thành hai vòng: động học bên ngoài và động lực học bên trong.
   • Phương pháp Backstepping: Đây là kỹ thuật phổ biến [31, 36, 38] cho robot tự hành, với hàm Lyapunov mang tính kế thừa từ mạch vòng bên ngoài. Yếu tố thiếu cơ cấu chấp hành thường được giải quyết bằng phép chuyển đổi mô hình sai lệch bám [1, 38].
   • Xử lý thông số bất định và nhiễu: Các phương pháp như điều khiển trượt [44, 45] hoặc kỹ thuật ước lượng nhiễu [37] được bổ sung cho mạch vòng điều khiển bên trong.
   • Điều khiển bám theo xe khác (Leader-Follower/Master-Slave): Hầu hết các nghiên cứu [29, 30, 33, 46, 47] vẫn dựa vào Back-Stepping, nhưng chưa thỏa mãn yêu cầu tối thiểu hóa hàm mục tiêu và khó mở rộng cho ràng buộc. Điều khiển đội hình Leader-Follower [10-13, 54] cũng gặp hạn chế tương tự.
   • Điều khiển Con lắc ngược: Các nghiên cứu tập trung vào ổn định điểm cân bằng và có thể vận dụng cho toàn bộ hệ thống [50-52]. Các phương pháp như điều khiển trượt [50] hoặc quy hoạch động thích nghi kết hợp điều khiển trượt [52] đã được đề cập.

Contradictions/debates với ít nhất 2 opposing views

1. MPC vs. Backstepping về xử lý ràng buộc và tối ưu hóa:

   • View 1 (MPC): MPC "giúp tối thiểu hàm mục tiêu dựa trên mô hình dự báo, xử lý ràng buộc tín hiệu điều khiển cũng như các biến trạng thái" [Trang 2]. Kỹ thuật tối ưu có thể xử lý các ràng buộc phức tạp như dạng đa diện [6].
   • View 2 (Backstepping): Phương pháp Backstepping [5] cho hệ tay máy đã xử lý ràng buộc bằng khâu hiệu chỉnh ngược, nhưng "việc bổ sung này phụ thuộc vào đặc điểm phương trình động lực học của từng hệ cụ thể, chưa có nguyên lý tổng quát, cũng như phương pháp tổng quát cho mọi đối tượng." Đối với Robot tự hành dạng 2 bánh chủ động thì "hầu như chưa được đề cập tới" [Trang 2]. Các nghiên cứu Master-Slave truyền thống [29, 30, 33, 46, 47] dựa vào Back-Stepping "chưa thỏa mãn yêu cầu tối thiểu hóa của hàm mục tiêu và khó lòng mở rộng cho tình huống điều khiển có xét đến ràng buộc của tín hiệu điều khiển cũng như trạng thái." [Trang 8].
   • Positioning của luận án: Luận án này rõ ràng ủng hộ MPC là hướng đi triển vọng hơn để giải quyết đồng thời tối ưu hóa và ràng buộc cho robot tự hành dưới cơ cấu chấp hành.

2. Tính ổn định trong MPC động:

   • View 1 (Thách thức): "Vấn đề ổn định trong điều khiển dự báo cần được xem xét bởi mặc dù trong từng chu kỳ bộ điều khiển tối ưu có thể giúp hệ ổn định nhưng bản chất của điều khiển dự báo là thay đổi bộ điều khiển tối ưu sau mỗi chu kỳ." [Trang 5]. Nhiều nghiên cứu [25-27] gặp khó khăn trong việc chứng minh tính khả thi liên tục để so sánh hàm ứng viên Lyapunov giữa các chu kỳ.
   • View 2 (Giải pháp): Việc thiết lập bài toán tối ưu hóa phi tuyến tại mỗi chu kỳ trích mẫu là quan trọng trong việc khảo sát tính ổn định, cần đảm bảo khả năng so sánh giữa 2 hàm ứng viên ứng với 2 chu kỳ trích mẫu.
   • Positioning của luận án: Luận án trực tiếp giải quyết vấn đề này bằng cách "nghiên cứu đề xuất bộ điều khiển dự báo không những đảm bảo điều khiển tối ưu mà còn đảm bảo tính ổn định hệ thống kín" [Trang 21] thông qua việc "tìm ra ước lượng trung gian, đặt bài toán tối ưu với miền ràng buộc phù hợp tại mỗi thời điểm trích mẫu" [Trang 8] và chứng minh "tính khả thi" (Bổ đề 2.3, Định lý 2.1).

Positioning trong literature với specific gap identified

Luận án này định vị mình ở giao điểm của điều khiển dự báo tiên tiến và điều khiển hệ thống dưới cơ cấu chấp hành. Nó vượt ra ngoài các phương pháp truyền thống như Backstepping bằng cách cung cấp một khung làm việc MPC toàn diện để giải quyết đồng thời các thách thức về tính phi tuyến, ràng buộc, nhiễu và đặc điểm dưới cơ cấu chấp hành. Đặc biệt, luận án giải quyết các khoảng trống đã xác định như sau:

• MPC cho hệ Underactuated và Nonholonomic với ràng buộc: Chưa có nghiên cứu nào áp dụng MPC để xử lý đồng thời yêu cầu bám quỹ đạo của robot chủ và bám góc hướng cho robot tự hành dưới cơ cấu chấp hành. Luận án giải quyết điều này thông qua NMPC trực tiếp.
• Chứng minh tính ổn định và khả thi cho MPC động: Luận án cung cấp các định lý và bổ đề chặt chẽ để chứng minh tính ổn định tiệm cận (Bổ đề 2.4) và ổn định trạng thái theo đầu vào (ISS) (Định lý 2.2) cho các hệ thống được điều khiển bằng MPC, đồng thời giải quyết vấn đề tính khả thi liên tục của các bài toán tối ưu (Định lý 2.1).

How this advances field với concrete contributions

Luận án đóng góp vào lĩnh vực điều khiển tự động bằng cách:

• Mở rộng khả năng của MPC: Thay vì chỉ tập trung vào hệ tuyến tính hoặc phi tuyến đã tuyến tính hóa, luận án phát triển NMPC trực tiếp cho hệ robot tự hành phi tuyến, dưới cơ cấu chấp hành, và có nhiễu.
• Nâng cao độ tin cậy của MPC: Cung cấp các công cụ toán học để đảm bảo tính ổn định và tính khả thi của các thuật toán MPC, một khía cạnh thường bị bỏ qua hoặc khó chứng minh trong các nghiên cứu trước.
• Cung cấp giải pháp cho hệ Master-Slave phức tạp: Phát triển một giải pháp điều khiển bám toàn diện cho hệ robot Chủ-Tớ, bao gồm cả bám góc hướng, điều này rất quan trọng cho các ứng dụng thực tế đòi hỏi độ chính xác cao về tư thế.

So sánh với ÍT NHẤT 2 international studies

1. So sánh với các nghiên cứu về điều khiển Robot tự hành dạng Omni [48]: Tài liệu [48] phát triển MPC cho robot tự hành dạng Omni (đủ cơ cấu chấp hành) bằng cách tuyến tính hóa mô hình và sử dụng cận trên của hàm mục tiêu để xử lý sai lệch mô hình. Luận án này, thay vì chỉ tuyến tính hóa, còn đi xa hơn bằng cách đề xuất "điều khiển dự báo phi tuyến trực tiếp cho hệ 2 Robot tự hành cấu trúc Chủ -tớ" (Trang 21, Mục 2.2) và xử lý "đặc điểm thiếu cơ cấu chấp hành thể hiện qua việc xử lý thêm việc bám thành phần góc hướng trong Robot tự hành" (Trang 9), một thách thức phức tạp hơn nhiều so với hệ Omni.
2. So sánh với các nghiên cứu về tính khả thi của MPC [25-27]: Các công trình [25-27] đã đề cập đến vấn đề tính khả thi trong MPC bằng cách tìm tín hiệu điều khiển trung gian, nhưng "việc các nghiên cứu này cần sử dụng một điều kiện đặc biệt để cho thấy sự tồn tại của tín hiệu điều khiên trung gian này mà chưa chỉ ra cụ thể tín hiệu trung gian đó" [Trang 6-7]. Luận án này cung cấp một giải pháp cụ thể hơn bằng cách "đưa ra tín hiệu điều khiển trung gian cụ thể, giúp so sánh các hàm ứng viên tại 2 thời điểm liên tiếp" (Trang 9, Hướng thứ ba), thể hiện qua Định lý 2.1 và Bổ đề 2.3, qua đó nâng cao tính chặt chẽ toán học và khả năng ứng dụng.

Đóng góp lý thuyết và khung phân tích

Luận án này mang đến những đóng góp lý thuyết đáng kể, mở rộng các khung phân tích hiện có và giới thiệu các phương pháp luận mới để giải quyết các thách thức điều khiển phức tạp.

Đóng góp cho lý thuyết

• Extend/challenge WHICH specific theories (name theorists)

  • Mở rộng Lý thuyết Điều khiển Dự báo (MPC): Luận án mở rộng MPC từ các ứng dụng truyền thống trên hệ tuyến tính hoặc phi tuyến đã tuyến tính hóa (như trong [23, 48]) để xử lý trực tiếp các hệ thống phi tuyến, dưới cơ cấu chấp hành với ràng buộc không tích phân được. Các nghiên cứu trước đây như [16, 19, 26, 27] đã áp dụng MPC cho các hệ thống như Unicycle hay phương tiện dưới nước, nhưng "đặc điểm thiếu cơ cấu chấp hành đã được đề cập thể hiện qua việc bổ sung thêm yêu cầu bám của sai lệch về góc hướng đã được tính đến" (Trang 19) là một sự mở rộng quan trọng trong luận án này.
  • Củng cố và làm rõ Lý thuyết Ổn định Lyapunov trong MPC: Mặc dù Lyapunov là công cụ cơ bản, việc áp dụng nó cho MPC động với bộ điều khiển thay đổi từng chu kỳ là thách thức. Luận án cung cấp các chứng minh chặt chẽ về tính ổn định tiệm cận (Bổ đề 2.4) và ổn định trạng thái theo đầu vào (ISS) (Định lý 2.2) cho các hệ thống dưới tác động của MPC, giải quyết vấn đề "sự thống nhất của vấn đề tối ưu và vấn đề ổn định" [Trang 2, phần 3].
  • Phát triển khái niệm Tính khả thi (Feasibility) trong MPC: Luận án cụ thể hóa điều kiện tính khả thi liên tục của các bài toán tối ưu trong MPC (Định lý 2.1, Bổ đề 2.3), điều mà các nghiên cứu trước đây [25-27] thường chỉ đưa ra "một điều kiện đặc biệt" mà chưa "chỉ ra cụ thể tín hiệu trung gian đó" [Trang 6-7]. Bằng cách đưa ra "tín hiệu điều khiển trung gian cụ thể", luận án cung cấp một phương pháp luận mạnh mẽ hơn để đảm bảo tính khả thi đệ quy.

• Conceptual framework với components và relationships Khung khái niệm của luận án được xây dựng dựa trên sự tương tác giữa Mô hình hóa hệ thống, Thiết kế bộ điều khiển dự báo, và Phân tích ổn định/khả thi.

  1. Mô hình hóa hệ thống (System Modeling): Bao gồm việc thiết lập mô hình động học chi tiết cho robot tự hành dạng 2 bánh chủ động (Eq 1.3), con lắc ngược (Eq 2.42), và đặc biệt là mô hình sai lệch bám cho hệ Chủ-Tớ có xét đến góc hướng (Eq 1.14). Component chính ở đây là ràng buộc không tích phân được (nonholonomic constraint) (Khái niệm 1.1), được phân tích kỹ lưỡng về ảnh hưởng đến cấu trúc điều khiển.
  2. Thiết kế Bộ điều khiển Dự báo (MPC Design):
     • Min-Max MPC cho hệ tuyến tính hóa: Dành cho con lắc ngược (Mục 2.1), sử dụng tuyến tính hóa và bất đẳng thức ma trận để tối thiểu hóa cận trên của hàm mục tiêu khi có sai lệch mô hình và nhiễu (Bài toán tối ưu 2.1, Định lý 2.2).
     • NMPC trực tiếp cho hệ phi tuyến: Dành cho robot tự hành Chủ-Tớ (Mục 2.2), sử dụng trực tiếp mô hình phi tuyến và thiết kế tín hiệu điều khiển trung gian (Thuật toán điều khiển 2.1, Bổ đề 2.1).
     • Component chính là hàm mục tiêu tối ưu hóa (Eq 2.10, 2.47) và ràng buộc điều khiển/trạng thái (Eq 2.11, 2.18, 2.48).
  3. Phân tích Ổn định và Khả thi (Stability & Feasibility Analysis): Sử dụng Lý thuyết Lyapunov để chứng minh tính ổn định tiệm cận (Bổ đề 2.4) và ổn định trạng thái theo đầu vào (ISS) (Định lý 2.2). Khái niệm tính khả thi đệ quy (recursive feasibility) được chứng minh thông qua Định lý 2.1 và Bổ đề 2.3. Mối quan hệ giữa các component: Mô hình hóa cung cấp cơ sở cho thiết kế bộ điều khiển. Bộ điều khiển được thiết kế để tối ưu hóa hiệu suất trong khi vẫn đảm bảo ổn định và khả thi, được xác nhận thông qua các phân tích lý thuyết chặt chẽ.

• Theoretical model với propositions/hypotheses numbered Luận án đề xuất các mô hình lý thuyết và giả thuyết sau:

  1. Mô hình điều khiển Min-Max MPC bền vững cho hệ phi tuyến tuyến tính hóa:
     • Propositions:
       • P1.1: Bằng cách tuyến tính hóa mô hình phi tuyến (Eq 2.2, 2.3) và đưa sai lệch cùng nhiễu vào hàm mục tiêu dưới dạng cận trên (Eq 2.15), một bộ điều khiển dự báo Min-Max (Bài toán tối ưu 2.1) có thể được thiết kế.
       • P1.2: Nếu tồn tại nghiệm cho bài toán tối ưu hóa (Định lý 2.1), hệ kín sẽ ổn định tiệm cận trong trường hợp không nhiễu (Bổ đề 2.4) và ổn định trạng thái theo đầu vào (ISS) trong trường hợp có nhiễu bị chặn (Định lý 2.2).
       • P1.3: Tính khả thi của bài toán tối ưu được đảm bảo đệ quy qua các chu kỳ trích mẫu nếu có một nghiệm ban đầu và các điều kiện nhất định về ma trận (Bổ đề 2.3, Định lý 2.1).
  2. Mô hình NMPC trực tiếp cho hệ Robot tự hành Master-Slave dưới cơ cấu chấp hành:
     • Propositions:
       • P2.1: Mô hình sai lệch bám (Eq 2.46) cho hệ robot Chủ-Tớ, có xét đến góc hướng, có thể được sử dụng trực tiếp trong thiết kế NMPC.
       • P2.2: Một thuật toán NMPC trực tiếp (Thuật toán điều khiển 2.1) có thể được xây dựng để đảm bảo robot tớ bám theo robot chủ, đồng thời thỏa mãn các ràng buộc điều khiển và trạng thái.
       • P2.3: Tính khả thi của thuật toán NMPC trực tiếp và tính ổn định trạng thái theo đầu vào (ISS) của hệ sai lệch (2.46) dưới tác động của bộ điều khiển dự báo là hoàn toàn khả thi và có thể chứng minh được (Định lý 2.1 ý i) và ii)).

• Paradigm shift với EVIDENCE từ findings Luận án này góp phần tạo ra một sự thay đổi mô hình nhỏ từ các phương pháp điều khiển truyền thống dựa trên tách biệt động học/động lực học và giải pháp từng phần cho từng loại thách thức (như Backstepping cho bám quỹ đạo, bộ lọc cho nhiễu) sang một cách tiếp cận tích hợp, tối ưu hóa toàn diện bằng MPC. Bằng chứng là:

  • Tích hợp tối ưu hóa và ổn định: Các nghiên cứu trước đây thường coi tối ưu hóa và ổn định là hai vấn đề riêng biệt (Trang 5). Luận án này "nghiên cứu đề xuất bộ điều khiển dự báo không những đảm bảo điều khiển tối ưu mà còn đảm bảo tính ổn định hệ thống kín" (Trang 21), chứng minh rằng hai mục tiêu này có thể được đồng bộ hóa.
  • Xử lý trực tiếp phi tuyến và ràng buộc: Thay vì chỉ tuyến tính hóa hoặc xử lý ràng buộc gián tiếp, luận án phát triển NMPC trực tiếp và đưa ràng buộc vào bài toán tối ưu (Trang 2, 8). Điều này thể hiện một cách tiếp cận toàn diện và thực tế hơn cho các hệ thống phức tạp.
  • Chuyển đổi từ điều khiển tĩnh sang điều khiển động, thông minh hơn: Việc sử dụng mô hình dự báo cho phép hệ thống "dự báo được diễn biến của tương lai để từ đó đạt được nhiều mục tiêu dựa vào hàm mục tiêu được chọn, không chỉ có điều khiển bám truyền thống" (Trang 5), là một bước tiến vượt trội so với các bộ điều khiển phản hồi tĩnh.

Khung phân tích độc đáo

• Integration của theories (name 3+ specific theories) Khung phân tích của luận án là sự tích hợp mạnh mẽ của:

  1. Lý thuyết điều khiển dự báo mô hình (MPC) để xây dựng hàm mục tiêu và chiến lược tối ưu hóa.
  2. Lý thuyết Lyapunov để phân tích tính ổn định của hệ thống kín.
  3. Lý thuyết bất đẳng thức ma trận (LMI/BMI) để chuyển đổi các điều kiện ổn định và ràng buộc thành các bài toán tối ưu lồi có thể giải được.
  4. Lý thuyết hệ thống phi tuyến và dưới cơ cấu chấp hành để mô hình hóa chính xác các đối tượng nghiên cứu và thiết kế bộ điều khiển phù hợp với đặc điểm của chúng. Sự tích hợp này cho phép luận án phát triển các thuật toán điều khiển vừa tối ưu về hiệu suất, vừa bền vững trước nhiễu, vừa đảm bảo tính ổn định chặt chẽ, và có khả năng giải quyết các ràng buộc phức tạp của hệ thống thực tế.

• Novel analytical approach với justification Phương pháp phân tích độc đáo của luận án nằm ở cách tiếp cận "tối ưu hóa lặp lại với đảm bảo tính khả thi và ổn định" cho các hệ thống phi tuyến phức tạp.

  • Justification: Các nghiên cứu trước đây thường phải thỏa hiệp giữa tối ưu hóa và ổn định, hoặc gặp khó khăn trong việc đảm bảo tính khả thi của bài toán tối ưu trong mỗi chu kỳ điều khiển. Luận án giải quyết điều này bằng cách:
    • Sử dụng bất đẳng thức ma trận (LMI) để chuyển đổi các điều kiện ổn định Lyapunov thành ràng buộc trong bài toán tối ưu (Định lý 2.2).
    • Đề xuất và chứng minh sự tồn tại của "tín hiệu điều khiển trung gian cụ thể" (Bổ đề 2.3) để đảm bảo tính khả thi đệ quy, cho phép các bài toán tối ưu luôn có nghiệm trong mỗi chu kỳ.
    • Kết hợp Min-Max MPC để xử lý nhiễu bị chặn và sai lệch mô hình, tối thiểu hóa cận trên của hàm mục tiêu (Mục 2.1).

• Conceptual contributions với definitions

  1. "Bộ điều khiển dự báo phi tuyến trực tiếp cho hệ dưới cơ cấu chấp hành có xét đến góc hướng": Đây là một khái niệm mới mà luận án đề xuất, khác với các MPC truyền thống chỉ bám theo vị trí hoặc tuyến tính hóa mô hình. Nó định nghĩa một cách tiếp cận toàn diện hơn cho robot tự hành, cho phép điều khiển chính xác tư thế trong các tác vụ phức tạp.
  2. "Tín hiệu điều khiển trung gian cụ thể" cho tính khả thi đệ quy của MPC: Đây là một đóng góp khái niệm quan trọng để giải quyết hạn chế trong các nghiên cứu MPC trước đây [25-27]. Nó định nghĩa một chiến lược để đảm bảo rằng các bài toán tối ưu lặp lại trong MPC luôn có nghiệm, nâng cao độ tin cậy của thuật toán.
  3. "Miền hấp dẫn (Absorbing region)" cho ISS dưới nhiễu: Luận án định nghĩa rõ ràng miền hấp dẫn mà sai lệch trạng thái sẽ hội tụ vào (Định lý 2.2), cung cấp một thước đo định lượng về khả năng chịu nhiễu của hệ thống.

• Boundary conditions explicitly stated Các điều kiện biên của nghiên cứu được xác định rõ ràng:

  • Nhiễu bị chặn: "Phạm vi nghiên cứu của luận án: Luận án nghiên cứu thuật toán điều khiển dự báo với yêu cầu bám theo quỹ đạo của Robot tự hành chủ cho hệ Robot tự hành, con lắc ngược ảnh hưởng của nhiễu là bị chặn." (Trang 3). Giả thiết 2.2 phát biểu "Tồn tại L đủ lớn sao cho nhiễu bị chặn tại mọi thời điểm $w(l) \le L$".
  • Hệ thống dưới cơ cấu chấp hành: Đối tượng nghiên cứu tập trung vào robot tự hành dạng 2 bánh chủ động và con lắc ngược, là những hệ thống đặc trưng cho "hệ thiếu cơ cấu chấp hành" (Trang 8).
  • Mô hình hóa: Các giả thiết mô hình cụ thể cho robot tự hành dạng 2 bánh chủ động bao gồm không có giảm xóc, không trượt, bánh xe chỉ quay thuần túy, và di chuyển trên mặt phẳng (Giả thiết 1, Trang 9).
  • Cửa sổ dự báo: Mặc dù lý thuyết có thể xét cửa sổ vô hạn, các bài toán tối ưu hóa thực tế trong luận án được triển khai với "cửa sổ dự báo là hữu hạn kèm theo thành phần cuối giúp ổn định hệ thống" (Trang 24).

Phương pháp nghiên cứu tiên tiến

Luận án áp dụng một phương pháp nghiên cứu chặt chẽ và tiên tiến, kết hợp giữa lý thuyết điều khiển tối ưu, phân tích ổn định toán học và kiểm chứng mô phỏng để giải quyết các thách thức phức tạp trong điều khiển hệ thống phi tuyến dưới cơ cấu chấp hành.

Thiết kế nghiên cứu

• Research philosophy (positivism/interpretivism/critical realism) Triết lý nghiên cứu của luận án này mang tính thực chứng (positivism). Nghiên cứu tìm kiếm các quy luật khách quan và có thể định lượng được về hành vi của hệ thống vật lý. Nó dựa trên việc xây dựng các mô hình toán học, thiết kế các thuật toán điều khiển, chứng minh tính đúng đắn của chúng thông qua các định lý và bổ đề toán học, và kiểm chứng bằng các dữ liệu mô phỏng. Mục tiêu là phát triển các giải pháp điều khiển có thể tái tạo và áp dụng rộng rãi cho một lớp hệ thống nhất định, phù hợp với ngành kỹ thuật điều khiển và tự động hóa.

• Mixed methods với SPECIFIC combination rationale Luận án không sử dụng mixed methods theo nghĩa truyền thống của khoa học xã hội mà là sự kết hợp giữa phương pháp luận lý thuyết-toán học và phương pháp luận thực nghiệm-mô phỏng.

  • Rationale:
    1. Thiết lập và phân tích lý thuyết (Theoretical/Analytical Method): Đây là phương pháp chính để "Nghiên cứu và xây dựng các bộ điều khiển dự báo bám quỹ đạo cho các hệ chuyển động thiếu cơ cấu chấp hành" (Trang 3). Nó bao gồm việc:
       • Phân tích mô hình toán học: Thiết lập phương trình động học (Eq 1.1, 1.3) và làm rõ "ràng buộc không tích phân được" (Khái niệm 1.1).
       • Thiết kế thuật toán điều khiển: Xây dựng các cấu trúc điều khiển dự báo Min-Max (Mục 2.1) và NMPC trực tiếp (Mục 2.2).
       • Phân tích tính ổn định: Chứng minh tính ổn định tiệm cận (Bổ đề 2.4) và ISS (Định lý 2.2) bằng Lý thuyết Lyapunov và bất đẳng thức ma trận.
       • Phân tích tính khả thi: Đảm bảo khả năng giải được bài toán tối ưu lặp lại (Định lý 2.1, Bổ đề 2.3).
    2. Kiểm chứng mô phỏng (Simulation-based Verification Method): "Các kết quả nghiên cứu được phân tích lý thuyết và kiểm chứng bằng mô phỏng trên phần mềm Matlab có sử dụng một số công cụ chuyên dụng Yalmip, Casadi." (Trang 4). Mô phỏng được sử dụng để:
       • Xác nhận hiệu suất: Minh họa khả năng bám quỹ đạo, ổn định và loại bỏ nhiễu của các bộ điều khiển được thiết kế.
       • Kiểm tra tính khả thi thực tế: Xem xét đáp ứng của hệ thống dưới các ràng buộc điều khiển và trạng thái.
       • Đánh giá độ bền vững: Kiểm tra hiệu quả của bộ điều khiển trong môi trường có nhiễu. Sự kết hợp này đảm bảo rằng các đóng góp lý thuyết không chỉ vững chắc về mặt toán học mà còn có tính ứng dụng thực tiễn cao, có thể được triển khai trên các hệ thống vật lý.

• Multi-level design với levels clearly defined Thiết kế nghiên cứu được phân chia thành các cấp độ xử lý vấn đề khác nhau:

  1. Cấp độ 1: Mô hình hóa hệ thống cơ sở:
     • Mô tả: Tập trung vào việc thiết lập mô hình toán học chi tiết cho từng đối tượng nghiên cứu.
     • Ví dụ: "Thiết lập mô hình toán mô tả 1 Robot tự hành với đặc điểm thiếu chấp hành, làm rõ ràng buộc không tích phân được." (Trang 2). "Mô hình hệ hai robot tự hành Chủ - Tớ (Master – Slave)" (Trang 14).
  2. Cấp độ 2: Thiết kế điều khiển cho hệ phi tuyến tuyến tính hóa (con lắc ngược):
     • Mô tả: Phát triển Min-Max MPC bằng cách "tuyến tính hóa mô hình và sử dụng bất đẳng thức ma trận để xem xét tính ổn định" (Trang 2).
     • Ví dụ: Mục 2.1, xem xét hệ phi tuyến (Eq 2.1) được tuyến tính hóa (Eq 2.2) và giải bài toán tối ưu hóa 2.2.
  3. Cấp độ 3: Thiết kế điều khiển dự báo phi tuyến trực tiếp cho hệ robot Master-Slave (không xét góc hướng):
     • Mô tả: "Nghiên cứu xây dựng bộ điều khiển dự báo cho hệ Robot tự hành có nhiễu tác động với yêu cầu bám theo quỹ đạo của Robot tự hành chủ không tính đến góc hướng" (Trang 3).
     • Ví dụ: Mục 2.2.1, thiết kế luật điều khiển cho mô hình sai lệch bám (Eq 2.46).
  4. Cấp độ 4: Thiết kế điều khiển dự báo phi tuyến trực tiếp cho hệ robot Master-Slave (có xét góc hướng):
     • Mô tả: "Nghiên cứu xây dựng bộ điều khiển dự báo cho hệ Robot tự hành không nhiễu và có nhiễu ngoài với yêu cầu bám theo quỹ đạo của Robot tự hành chủ có tính đến góc hướng" (Trang 3). Đây là cấp độ phức tạp nhất, trực tiếp giải quyết vấn đề dưới cơ cấu chấp hành.
     • Ví dụ: Chương 3. Mỗi cấp độ đều có mục tiêu và phương pháp cụ thể, xây dựng trên nền tảng của các cấp độ trước để giải quyết vấn đề một cách toàn diện và tăng dần độ phức tạp.

• Sample size và selection criteria EXACT Vì đây là nghiên cứu lý thuyết và mô phỏng, "sample size" ở đây đề cập đến các trường hợp thử nghiệm và thông số mô hình được chọn.

  • Con lắc ngược:
    • Thông số vật lý: Khối lượng xe $M = 1(kg)$, khối lượng con lắc $m = 0.1(kg)$, chiều dài con lắc $l = 0.5(m)$ [Trang 31].
    • Biến trạng thái ban đầu: $X_0 = [-0.15 \ 0]^T$ (góc và tốc độ góc) [Trang 31].
    • Giới hạn điều khiển: $F_{max} = 12(N)$ [Trang 31].
    • Ma trận trọng số hàm mục tiêu: $Q_l = \begin{bmatrix} 1 & 0 \ 0 & 2 \end{bmatrix}$, $R_l = 1$ [Trang 31].
    • Giá trị tham số Min-Max MPC: $\gamma_{max} = 100$, $\psi = 3$ [Trang 31].
  • Robot tự hành Master-Slave:
    • Mô hình: Được dựa trên Hình 1.2 và 1.3, với các tham số chung như "khoảng cách từ tâm đến mũi xe của Robot là $\rho$" (Trang 14) và "kích thước của cả 3 Robot có kích thước giống nhau" [Trang 16].
    • Ràng buộc vận tốc bánh xe: "vận tốc 2 bánh xe không được vượt quá $a (m/s)$" (Trang 15), tức là $v_R \le a, v_L \le a$.
    • Quỹ đạo thử nghiệm: Mô phỏng con lắc ngược, hệ Robot tự hành Master-Slave với quỹ đạo là đường thẳng (Phụ lục 2) và quỹ đạo là đường tròn có thay đổi hướng (Phụ lục 3). Selection criteria: Các đối tượng và thông số được chọn dựa trên tính đại diện cho lớp hệ thống dưới cơ cấu chấp hành và ràng buộc không tích phân được, đồng thời đủ phức tạp để minh họa hiệu quả của các thuật toán đề xuất và đủ phổ biến trong tài liệu để so sánh.

Quy trình nghiên cứu rigorous

• Sampling strategy với inclusion/exclusion criteria Trong nghiên cứu này, "sampling strategy" không áp dụng cho dữ liệu thực mà cho các "trích mẫu" (sampling time) trong môi trường mô phỏng rời rạc hóa.

  • Inclusion criteria:
    • Các hệ thống có đặc điểm phi tuyến, dưới cơ cấu chấp hành, và ràng buộc không tích phân được.
    • Hệ thống phải chịu ảnh hưởng của nhiễu bị chặn.
    • Các hệ thống mà vấn đề điều khiển bám quỹ đạo hoặc ổn định điểm cân bằng là trọng tâm.
  • Exclusion criteria:
    • Hệ thống tuyến tính hoàn toàn hoặc đủ cơ cấu chấp hành.
    • Hệ thống không chịu ảnh hưởng của nhiễu hoặc nhiễu có tính chất ngẫu nhiên không thể chặn trên.
    • Các hệ thống không có ràng buộc điều khiển hoặc trạng thái.
  • Sampling time (chu kỳ trích mẫu): Việc chuyển đổi mô hình liên tục sang rời rạc được thực hiện thông qua xấp xỉ với "chu kỳ $T$ đủ nhỏ" (Trang 31). Tầm dự báo trong MPC là hữu hạn, ví dụ $T = n\delta$, với $\delta$ là thời gian trích mẫu (Trang 35).

• Data collection protocols với instruments described "Data collection protocols" ở đây là các phương pháp thu thập "dữ liệu" mô phỏng và các kết quả tính toán.

  • Instruments:
    • Phần mềm Matlab: Môi trường chính để thực hiện các mô phỏng và kiểm chứng thuật toán.
    • Công cụ chuyên dụng Yalmip, Casadi: Các công cụ này được sử dụng để "giải các bài toán tối ưu hóa 2.2 này" (Trang 27), đặc biệt là các bài toán quy hoạch phi tuyến (NLP) và bất đẳng thức ma trận (LMI). Casadi là một framework nguồn mở để giải quyết các bài toán tối ưu động, trong khi Yalmip là một giao diện Matlab để mô hình hóa các bài toán tối ưu.
  • Protocol:
    1. Thiết lập mô hình: Mã hóa các phương trình động học của robot và con lắc ngược trong Matlab.
    2. Thiết kế bộ điều khiển: Thực hiện các thuật toán MPC bằng cách định nghĩa hàm mục tiêu, ràng buộc và giải bài toán tối ưu tại mỗi chu kỳ trích mẫu.
    3. Thực hiện mô phỏng: Chạy mô phỏng trong các kịch bản khác nhau (quỹ đạo thẳng, tròn, có nhiễu, không nhiễu) với các thông số ban đầu và ràng buộc đã định.
    4. Ghi lại dữ liệu: Thu thập các biến trạng thái (vị trí, góc, vận tốc), tín hiệu điều khiển, sai lệch bám theo thời gian.
    5. Phân tích kết quả: Biểu diễn dữ liệu dưới dạng đồ thị (Hình 2.3-2.21) và phân tích định lượng (giá trị Pms, $\psi_{ms}$, sai lệch, v.v.).

• Triangulation (data/method/investigator/theory) Mặc dù không phải là triangulation theo nghĩa đầy đủ của khoa học xã hội, luận án vẫn áp dụng nguyên tắc tương tự để tăng cường độ tin cậy:

  • Methodological Triangulation: Kết hợp giữa thiết kế điều khiển Min-Max MPC (tuyến tính hóa) và NMPC trực tiếp (phi tuyến hoàn toàn) để giải quyết các hệ thống khác nhau (con lắc ngược và robot tự hành). Mỗi phương pháp được lựa chọn dựa trên đặc tính của hệ thống để đạt được hiệu quả tối ưu.
  • Theoretical Triangulation: Sự kết hợp của Lý thuyết MPC, Lý thuyết Lyapunov, Lý thuyết LMI/BMI và Lý thuyết hệ thống phi tuyến để xây dựng các thuật toán và chứng minh tính đúng đắn của chúng. Mỗi lý thuyết hỗ trợ và bổ sung cho các lý thuyết khác để tạo nên một khung phân tích mạnh mẽ.
  • Simulation-based Verification: Các kết quả lý thuyết được kiểm chứng và minh họa một cách nhất quán qua mô phỏng, cung cấp bằng chứng thực nghiệm (ảo) cho các phát biểu lý thuyết.

• Validity (construct/internal/external) và reliability (α values)

  • Construct Validity: Các khái niệm như "tính ổn định tiệm cận", "ổn định trạng thái theo đầu vào (ISS)", "ràng buộc không tích phân được", "tính khả thi đệ quy" đều được định nghĩa rõ ràng và sử dụng nhất quán theo các tiêu chuẩn học thuật đã được thiết lập trong lĩnh vực điều khiển. Các phép đo (ví dụ: sai lệch bám, đáp ứng góc) trực tiếp phản ánh các cấu trúc lý thuyết này.
  • Internal Validity: Mối quan hệ nhân quả giữa bộ điều khiển dự báo đề xuất và hiệu suất/ổn định của hệ thống được chứng minh chặt chẽ thông qua các định lý và bổ đề toán học. Ví dụ, Bổ đề 2.4 cho thấy rõ ràng cách bộ điều khiển dự báo dẫn đến ổn định tiệm cận nếu các điều kiện nhất định được thỏa mãn. Các mô phỏng được thiết kế để cô lập và kiểm tra các tác động của bộ điều khiển, giảm thiểu các yếu tố gây nhiễu.
  • External Validity: Mặc dù là nghiên cứu mô phỏng, các mô hình và thuật toán được thiết kế dựa trên các nguyên lý vật lý và toán học tổng quát, có khả năng áp dụng cho một lớp rộng các hệ thống vật lý có đặc điểm tương tự. Việc nghiên cứu cả robot tự hành và con lắc ngược, hai hệ thống điển hình của lớp dưới cơ cấu chấp hành, tăng cường khả năng khái quát hóa. Tuy nhiên, việc triển khai thực tế trên phần cứng sẽ cần thêm các bước tinh chỉnh và kiểm tra. "Generalizability conditions clearly specified" ở phần sau sẽ làm rõ thêm.
  • Reliability (độ tin cậy): Các thuật toán điều khiển được thiết kế với các bước rõ ràng và có thể tái tạo. Các kết quả mô phỏng, khi được thực hiện với cùng các thông số và điều kiện ban đầu, sẽ cho ra các đáp ứng nhất quán. Việc sử dụng các công cụ phần mềm chuẩn như Matlab, Yalmip, Casadi giúp đảm bảo độ tin cậy của các phép tính toán và mô phỏng. Không có giá trị $\alpha$ (Cronbach's alpha) được báo cáo vì đây không phải là nghiên cứu thống kê dựa trên khảo sát hoặc dữ liệu thực nghiệm xã hội.

Data và phân tích

• Sample characteristics với demographics/statistics Trong ngữ cảnh này, "sample characteristics" đề cập đến đặc tính của các đối tượng mô hình hóa và các tham số kỹ thuật được sử dụng trong mô phỏng.

  • Con lắc ngược:
    • Đặc tính: Hệ phi tuyến, dưới cơ cấu chấp hành (chỉ có 1 đầu vào lực để điều khiển 2 trạng thái góc và tốc độ góc), mô hình liên tục được rời rạc hóa.
    • Thông số thống kê: Khối lượng xe $M=1$ kg, khối lượng con lắc $m=0.1$ kg, chiều dài $l=0.5$ m. Vận tốc góc ban đầu là 0, góc ban đầu là $-0.15$ rad. Giới hạn lực điều khiển $F_{max}=12N$. (Trang 31)
  • Robot tự hành Master-Slave:
    • Đặc tính: Hệ phi tuyến, dưới cơ cấu chấp hành (robot 2 bánh chủ động), có ràng buộc không tích phân được (nonholonomic constraint), cấu trúc Chủ-Tớ.
    • Thông số thống kê: Bán kính bánh xe $R$, khoảng cách giữa hai bánh xe $L$, khoảng cách từ mũi xe đến trọng tâm $d$. Các tham số cụ thể được liệt kê trong Bảng 1.1 (Trang 11) như $m_r, I_{rZ}, I_{\omega Z}, I_{\omega y}$. Giới hạn vận tốc bánh xe $v_R \le a, v_L \le a$. Các đặc điểm này được sử dụng để xây dựng các mô hình toán học (phương trình động học, sai lệch bám) làm nền tảng cho việc thiết kế bộ điều khiển.

• Advanced techniques (SEM/multilevel/QCA etc.) với software Luận án sử dụng các kỹ thuật phân tích và tối ưu hóa cao cấp:

  1. Quy hoạch phi tuyến (Nonlinear Programming - NLP): Các bài toán tối ưu hóa trong NMPC (ví dụ: Bài toán tối ưu 2.1, 2.48) là các bài toán NLP, đòi hỏi các thuật toán giải quyết phức tạp để tìm nghiệm tại mỗi chu kỳ trích mẫu.
  2. Bất đẳng thức ma trận (Linear Matrix Inequalities - LMI): Các điều kiện ổn định và ràng buộc được chuyển đổi thành dạng LMI (ví dụ: Eq 2.19) thông qua Bổ đề Schur (Trang 27), cho phép giải quyết bằng các công cụ tối ưu hóa lồi hiệu quả.
  3. Phân tích Lyapunov: Sử dụng hàm ứng viên Lyapunov (ví dụ: $V(l) = z(l)^T P_l z(l)$) để chứng minh tính ổn định của hệ thống theo thời gian (Bổ đề 2.4).
  4. Phân tích Input-to-State Stability (ISS): Mở rộng phân tích ổn định để bao gồm tác động của nhiễu bị chặn, chứng minh rằng sai lệch trạng thái hội tụ vào một miền hấp dẫn (Định lý 2.2).
  • Software used:
    • Matlab: Môi trường mô phỏng và tính toán chính.
    • Yalmip: "một công cụ chuyên dụng" để mô hình hóa các bài toán tối ưu (bao gồm LMI, NLP) trong Matlab (Trang 4, 27).
    • Casadi: "một công cụ chuyên dụng" khác được đề cập (Trang 4, 27), là một framework nguồn mở mạnh mẽ để giải quyết các bài toán tối ưu động, đặc biệt hiệu quả cho NMPC do khả năng tính toán đạo hàm tự động và giao diện với các bộ giải NLP/LMI.

• Robustness checks với alternative specifications Khả năng chống nhiễu (robustness) của bộ điều khiển là một trọng tâm của luận án và được kiểm tra thông qua các cách tiếp cận khác nhau:

  1. Min-Max MPC: Phương pháp này được thiết kế để xử lý "ảnh hưởng lớn nhất của sai lệch" (do tuyến tính hóa) và nhiễu (Trang 23), "tối thiểu hóa cận trên của hàm mục tiêu" khi chịu ảnh hưởng lớn nhất của sai lệch.
  2. Thiết kế bộ điều khiển có tính đến nhiễu: Định lý 2.2 trình bày "Bộ điều khiển dự báo Min-Max cho hệ không liên tục có nhiễu", bổ sung một thành phần điều khiển để giảm thiểu sai lệch trạng thái $e(l)$ về một "miền hấp dẫn" $\Omega$ ngay cả khi có nhiễu $w(l)$ (Eq 2.32). Điều này khác với việc chỉ loại bỏ nhiễu hoàn toàn.
  3. Kiểm chứng mô phỏng với nhiễu: Các mô phỏng được thực hiện với giả định có nhiễu tác động (ví dụ: trong mô hình con lắc ngược, Eq 2.42 có $w_1$, $w_2$), và kết quả cho thấy hệ thống vẫn duy trì được tính ổn định và bám quỹ đạo tốt (Hình 2.3-2.5).
  • Alternative specifications (so sánh):
    • So sánh hiệu suất của bộ điều khiển Min-Max MPC với phương pháp "điều khiển dự báo phi tuyến được thực hiện trực tiếp" (Trang 23), cho thấy sự lựa chọn phương pháp dựa trên đặc tính của hệ thống.
    • Kết quả mô phỏng được so sánh ngầm với "những nghiên cứu điều khiển xe tự cân bằng dùng phương pháp học tăng cường [3,4] (Danh mục công bố)" (Trang 34), khẳng định chất lượng đáp ứng.

• Effect sizes và confidence intervals reported Luận án này tập trung vào các chứng minh toán học và mô phỏng định tính/định lượng.

  • Effect sizes: Được thể hiện gián tiếp thông qua các đồ thị đáp ứng của hệ thống (Hình 2.3-2.5 cho con lắc ngược; Hình 2.8-2.21 cho robot Master-Slave), nơi "sai lệch điều khiển" (ví dụ: Hình 2.13, 2.18) và "khoảng cách $P_{ms}$, góc $\psi_{ms}$ so với giá trị đặt" (Hình 2.10, 2.14, 2.20) được trình bày. Sự hội tụ nhanh chóng về không hoặc về một miền hấp dẫn nhỏ cho thấy hiệu quả (effect size) của bộ điều khiển. "Statistical significance (p-values, effect sizes)" không được báo cáo trực tiếp vì đây không phải là nghiên cứu thực nghiệm với dữ liệu thống kê từ thế giới thực.
  • Confidence intervals: Không được báo cáo trực tiếp. Thay vào đó, độ bền vững (robustness) của hệ thống được đảm bảo thông qua Lý thuyết ISS và chứng minh rằng sai lệch trạng thái bị giới hạn trong một "miền hấp dẫn" (Eq 2.32), cung cấp một dạng "đảm bảo" về hiệu suất trong điều kiện có nhiễu, tương tự như một ranh giới hiệu suất.

Phát hiện đột phá và implications

Luận án này đã đưa ra nhiều phát hiện then chốt và có ý nghĩa sâu rộng, không chỉ trong lĩnh vực lý thuyết mà còn trong ứng dụng thực tiễn và chính sách.

Những phát hiện then chốt

1. NMPC trực tiếp hiệu quả cho hệ robot Chủ-Tớ dưới cơ cấu chấp hành với bám góc hướng: Luận án đã thành công trong việc thiết kế và kiểm chứng một cấu trúc điều khiển dự báo phi tuyến trực tiếp (Thuật toán điều khiển 2.1) cho hệ hai robot tự hành Chủ-Tớ, xử lý đồng thời yêu cầu bám quỹ đạo vị trí và bám góc hướng. "Qũy đạo trạng thái của Robot tự hành dạng 2 bánh chủ động $R_m$ và $R_s$" (Hình 2.7, 2.12, 2.17) và "Sai lệch điều khiển của Robot tự hành dạng 2 bánh chủ động $R_s$ và $R_{md}$" (Hình 2.13, 2.18) cho thấy khả năng bám tốt, với sai lệch giữa giá trị đặt và thực tế được giảm thiểu đáng kể và hội tụ nhanh chóng. Phát hiện này vượt qua hạn chế của các phương pháp Back-Stepping truyền thống [8] vốn gặp khó khăn với ràng buộc điều khiển và tối ưu hóa hàm mục tiêu.
2. Đảm bảo tính ổn định và khả thi liên tục cho MPC: Luận án đã cung cấp một khung lý thuyết chặt chẽ để chứng minh tính ổn định tiệm cận (Bổ đề 2.4) cho hệ thống không nhiễu và ổn định trạng thái theo đầu vào (ISS) (Định lý 2.2) cho hệ thống có nhiễu bị chặn. Quan trọng hơn, luận án giải quyết vấn đề tính khả thi đệ quy (recursive feasibility) của bài toán tối ưu MPC bằng cách chỉ ra sự tồn tại của tín hiệu điều khiển trung gian cụ thể (Định lý 2.1, Bổ đề 2.3). Phát hiện này là một yếu tố then chốt, giải quyết một điểm yếu trong nhiều nghiên cứu MPC trước đây [25-27] và tăng cường độ tin cậy của NMPC.
3. Min-Max MPC cho hệ phi tuyến tuyến tính hóa bền vững dưới nhiễu: Bằng cách sử dụng phương pháp Min-Max MPC kết hợp với tuyến tính hóa và bất đẳng thức ma trận, luận án đã thiết kế một bộ điều khiển ổn định cho con lắc ngược phi tuyến. "MPC được đề xuất ở trên đảm bảo hệ thống làm việc ổn định và loại bỏ được nhiễu tác động" (Trang 33), thể hiện qua đáp ứng góc và tốc độ góc (Hình 2.3, 2.4) hội tụ về điểm cân bằng, và tín hiệu điều khiển nằm trong giới hạn cho phép (Hình 2.5). Điều này cho thấy tính hiệu quả của phương pháp Min-Max trong việc xử lý cả sai lệch mô hình và nhiễu.
4. Xử lý ràng buộc điều khiển và trạng thái một cách hiệu quả: Luận án đã chứng minh khả năng xử lý "ràng buộc của tín hiệu điều khiển cũng như ràng buộc của cả biến trạng thái trong mô hình" (Trang 2) một cách trực tiếp thông qua việc đưa chúng vào bài toán tối ưu (Eq 2.11, 2.18, 2.48). Điều này được thể hiện qua các mô phỏng (ví dụ: Hình 2.6, 2.11, 2.16, 2.21) nơi "Ràng buộc điều khiển của $v, \omega$" được duy trì trong suốt quá trình hoạt động. Phát hiện này rất quan trọng cho các ứng dụng thực tế nơi các giới hạn vật lý là không thể bỏ qua.

Implications đa chiều

• Theoretical advances với contribution to 2+ theories

  1. Lý thuyết Điều khiển Dự báo Mô hình (MPC): Luận án mở rộng MPC bằng cách phát triển NMPC trực tiếp cho hệ dưới cơ cấu chấp hành và đưa ra phương pháp chứng minh tính khả thi đệ quy cụ thể, nâng cao tính chặt chẽ toán học của MPC. Điều này đóng góp vào việc hình thành các khung MPC mạnh mẽ hơn cho các hệ thống phức tạp.
  2. Lý thuyết Ổn định Hệ thống Phi tuyến: Bằng việc cung cấp các chứng minh về ổn định tiệm cận và ISS cho MPC, luận án củng cố các công cụ lý thuyết để phân tích và đảm bảo hiệu suất của các hệ thống phi tuyến trong điều kiện thực tế, đặc biệt khi có nhiễu.
  3. Lý thuyết Hệ thống dưới cơ cấu chấp hành (Underactuated Systems): Luận án cung cấp các chiến lược điều khiển tiên tiến để xử lý các ràng buộc không tích phân được và yếu tố thiếu cơ cấu chấp hành, mở rộng phạm vi ứng dụng của lý thuyết này.

• Methodological innovations applicable to other contexts

  1. Khung phân tích tính khả thi đệ quy cho MPC: Phương pháp đưa ra "tín hiệu điều khiển trung gian cụ thể" để chứng minh tính khả thi đệ quy có thể được áp dụng rộng rãi cho các bài toán NMPC khác trong các lĩnh vực như hàng không vũ trụ, robot hợp tác, hoặc điều khiển mạng lưới điện thông minh.
  2. Thiết kế Min-Max MPC với bất đẳng thức ma trận: Cách tiếp cận này có thể được chuyển giao cho các hệ thống phi tuyến khác cần được tuyến tính hóa và hoạt động trong môi trường có nhiễu bị chặn.
  3. Tích hợp NMPC với xử lý ràng buộc và nhiễu: Phương pháp luận toàn diện này có thể là mô hình cho việc phát triển bộ điều khiển cho các hệ thống phức tạp khác có giới hạn về tài nguyên hoặc hoạt động trong môi trường không chắc chắn.

• Practical applications với specific recommendations

  1. Robot tự hành trong công nghiệp và dân dụng: Các thuật toán điều khiển bám quỹ đạo và bám góc hướng cho robot Chủ-Tớ có thể được áp dụng để phát triển các hệ thống vận chuyển tự động trong nhà kho, xe dọn dẹp, robot phục vụ trong y tế, hoặc các phương tiện không người lái trong nông nghiệp. Cụ thể, nó có thể cải thiện "chất lượng bám quỹ đạo" và giảm thiểu ảnh hưởng của "nhiễu tác động bên ngoài" (Trang 1).
  2. Hệ thống cân bằng động: Các giải pháp cho con lắc ngược có thể được ứng dụng trong thiết kế các hệ thống cân bằng tự động như xe tự cân bằng (ví dụ như Segway), máy bay không người lái cân bằng, hoặc các hệ thống robot hai chân. "Những kết quả mô phỏng nói trên khẳng định chất lượng đáp ứng thông qua việc so sánh với những nghiên cứu điều khiển xe tự cân bằng dùng phương pháp học tăng cường [3,4]" (Trang 34).
  3. Tăng cường độ bền vững của hệ thống: Các bộ điều khiển bền vững với nhiễu sẽ giúp các thiết bị hoạt động ổn định và an toàn hơn trong môi trường khắc nghiệt như nhà máy, công trường xây dựng, hoặc các khu vực nguy hiểm.

• Policy recommendations với implementation pathway

  1. Tiêu chuẩn hóa và quy định an toàn cho robot tự hành: Phát triển các tiêu chuẩn quốc gia và quốc tế về hiệu suất và độ bền vững của thuật toán điều khiển cho robot tự hành, đặc biệt trong môi trường có nhiễu và ràng buộc. Chính phủ có thể khuyến khích các nghiên cứu tiếp theo để định lượng các "generalizability conditions" và "measurable outcomes" để xây dựng khung pháp lý chặt chẽ.
  2. Đầu tư vào nghiên cứu & phát triển (R&D) về AI và điều khiển tự động: Chính phủ và các tổ chức có thể tài trợ cho các dự án phát triển và triển khai các bộ điều khiển dự báo tiên tiến trên phần cứng thực tế, thúc đẩy sự chuyển giao công nghệ từ phòng thí nghiệm ra thị trường.
  3. Chính sách hỗ trợ giáo dục và đào tạo: Khuyến khích đào tạo kỹ sư và nhà nghiên cứu có chuyên môn sâu về điều khiển tối ưu và hệ thống tự hành để đáp ứng nhu cầu phát triển công nghệ.

• Generalizability conditions clearly specified Các giải pháp điều khiển được đề xuất trong luận án có thể được khái quát hóa trong các điều kiện sau:

  1. Nhiễu bị chặn: Các thuật toán được thiết kế để hoạt động hiệu quả khi nhiễu tác động lên hệ thống là bị chặn và có giới hạn trên xác định (Giả thiết 2.2).
  2. Mô hình có thể truy cập: Cần có mô hình toán học tương đối chính xác của hệ thống, hoặc ít nhất là mô hình xấp xỉ tuyến tính và các giới hạn của sai lệch mô hình phải được biết.
  3. Khả năng tính toán: Việc triển khai đòi hỏi khả năng tính toán đủ mạnh để giải bài toán tối ưu phi tuyến trong thời gian thực tại mỗi chu kỳ trích mẫu ("khối lượng tính toán lớn bởi phải giải bài toán tối ưu" - Trang 5).
  4. Hệ thống dưới cơ cấu chấp hành và ràng buộc không tích phân được: Các thuật toán đặc biệt phù hợp với các hệ thống có đặc điểm này, nơi điều khiển truyền thống gặp khó khăn.
  5. Dữ liệu trạng thái có thể đo lường: Các biến trạng thái của hệ thống cần phải được đo lường chính xác hoặc ước lượng tốt để cung cấp thông tin cho bộ điều khiển.

Limitations và Future Research

Mặc dù đã đạt được nhiều đóng góp quan trọng, luận án này cũng thẳng thắn thừa nhận các hạn chế và đề xuất các hướng nghiên cứu tiềm năng trong tương lai.

• 3-4 specific limitations acknowledged

  1. Khối lượng tính toán của NMPC trực tiếp: "Điều khiển dự báo cũng có nhược điểm đòi hỏi khối lượng tính toán lớn bởi phải giải bài toán tối ưu" [Trang 5]. Mặc dù các công cụ hiện đại như Casadi và Yalmip đã hỗ trợ, việc triển khai NMPC trực tiếp trên các hệ thống nhúng với tài nguyên hạn chế vẫn là một thách thức.
  2. Giả thiết nhiễu bị chặn: Luận án giả định "ảnh hưởng của nhiễu là bị chặn" (Trang 3). Điều này có thể không hoàn toàn đúng trong một số môi trường thực tế, nơi nhiễu có thể có bản chất ngẫu nhiên không giới hạn hoặc không biết rõ giới hạn.
  3. Phụ thuộc vào mô hình chính xác: Mặc dù Min-Max MPC có thể xử lý sai lệch mô hình, hiệu suất của NMPC trực tiếp vẫn phụ thuộc khá nhiều vào độ chính xác của mô hình động học hệ thống (ví dụ: Eq 1.14, 2.46). Sai lệch đáng kể giữa mô hình và hệ thống thực có thể làm giảm hiệu quả điều khiển.
  4. Kiểm chứng chỉ qua mô phỏng: "Các bộ điều khiển đề xuất được kiểm chứng thông qua mô phỏng trên phần mềm matlab" (Trang 3). Mặc dù mô phỏng là một bước quan trọng, việc triển khai thực tế trên phần cứng vật lý có thể gặp phải các thách thức chưa được lường trước như trễ thời gian, sai số cảm biến, và các hiệu ứng động lực học không được mô hình hóa.

• Boundary conditions về context/sample/time

  1. Context: Nghiên cứu tập trung vào môi trường mô phỏng lý tưởng hóa. Các yếu tố như ma sát không xác định, biến dạng cấu trúc, hoặc lỗi cảm biến trong môi trường thực tế không được xem xét chi tiết.
  2. Sample: Các đối tượng nghiên cứu được chọn là con lắc ngược và robot tự hành dạng 2 bánh chủ động. Mặc dù là đại diện cho hệ dưới cơ cấu chấp hành, các kết quả có thể không trực tiếp khái quát hóa cho tất cả các loại robot hoặc hệ thống cơ điện khác mà không cần điều chỉnh.
  3. Time: Các bài toán tối ưu được giải quyết trong thời gian thực tại mỗi chu kỳ trích mẫu. Giả định rằng thời gian tính toán đủ nhanh để không ảnh hưởng đến tính ổn định của hệ thống.

• Future research agenda với 4-5 concrete directions

  1. Triển khai thực tế trên phần cứng: Hướng nghiên cứu tiếp theo quan trọng là kiểm chứng các thuật toán điều khiển trên các hệ thống robot vật lý thực tế. Điều này sẽ đòi hỏi giải quyết các thách thức như tích hợp cảm biến, bộ chấp hành, và tối ưu hóa thời gian thực trên các nền tảng nhúng.
  2. NMPC thích nghi hoặc học tăng cường: Kết hợp NMPC với các kỹ thuật điều khiển thích nghi hoặc học tăng cường (reinforcement learning) để xử lý các thông số bất định không rõ ràng, nhiễu không chặn trên, hoặc sự thay đổi động lực học của hệ thống theo thời gian. Các kỹ thuật như "concurrent learning" [49] có thể được tích hợp.
  3. Điều khiển dự báo phân tán/hợp tác: Mở rộng các phương pháp điều khiển cho đội hình nhiều robot hoạt động hợp tác trong một môi trường chia sẻ thông tin, đặc biệt trong bối cảnh các hệ thống đa tác tử (multi-agent systems) đang ngày càng phổ biến [10-13, 54].
  4. Xử lý ràng buộc phức tạp và tránh va chạm: Phát triển các thuật toán NMPC có khả năng xử lý các ràng buộc phức tạp hơn, bao gồm tránh va chạm động với môi trường hoặc các robot khác, và hoạt động trong không gian 3D.
  5. Tối ưu hóa tính toán và thuật toán nhanh: Nghiên cứu các phương pháp "fast MPC" [20, 21] để giảm khối lượng tính toán, cho phép triển khai NMPC trên các thiết bị có tài nguyên hạn chế và với chu kỳ trích mẫu nhanh hơn.

• Methodological improvements suggested

  1. Mô hình hóa nhiễu phức tạp hơn: Thay vì chỉ nhiễu bị chặn, nghiên cứu tương lai có thể xem xét nhiễu ngẫu nhiên (stochastic noise) và áp dụng các phương pháp "điều khiển dự báo ngẫu nhiên" [28].
  2. Tích hợp ước lượng trạng thái: Để xử lý các trường hợp cảm biến không hoàn hảo hoặc các biến trạng thái không thể đo lường trực tiếp, việc tích hợp bộ lọc Kalman hoặc các bộ ước lượng trạng thái khác vào vòng lặp điều khiển dự báo là cần thiết.
  3. Phân tích độ nhạy: Tiến hành phân tích độ nhạy chi tiết để đánh giá ảnh hưởng của các thông số mô hình và nhiễu đến hiệu suất của bộ điều khiển, cung cấp cái nhìn sâu sắc hơn về giới hạn hoạt động của hệ thống.

• Theoretical extensions proposed

  1. Phát triển Lý thuyết điều khiển dự báo cho hệ holonomic và nonholonomic: Mặc dù luận án đã nghiên cứu cả con lắc ngược (holonomic) và robot tự hành (nonholonomic), việc phát triển một khung lý thuyết MPC tổng quát hơn có thể áp dụng cho cả hai lớp hệ thống này.
  2. Mở rộng tính khả thi cho các ràng buộc biến trạng thái phi tuyến: Các chứng minh về tính khả thi có thể được mở rộng để xử lý các ràng buộc biến trạng thái phức tạp hơn, không chỉ là các ràng buộc dạng đa diện.
  3. Phân tích an toàn và an ninh mạng trong MPC: Mở rộng lý thuyết MPC để bao gồm các khía cạnh an toàn (safety) và an ninh mạng (cybersecurity), đặc biệt quan trọng cho các hệ thống tự hành kết nối mạng.

Tác động và ảnh hưởng

Luận án này có tiềm năng tạo ra tác động đáng kể trên nhiều khía cạnh, từ học thuật đến công nghiệp, chính sách và xã hội, cả ở cấp độ quốc gia và quốc tế.

• Academic impact với potential citations estimate

  1. Nâng cao lý thuyết điều khiển dự báo: Bằng cách giải quyết các vấn đề cốt lõi về tính ổn định, tính khả thi và khả năng xử lý các hệ thống phi tuyến dưới cơ cấu chấp hành, luận án mở rộng ranh giới của lý thuyết MPC. Các đóng góp này có thể trở thành tài liệu tham khảo quan trọng cho các nghiên cứu tương lai trong lĩnh vực này.
  2. Mở ra các hướng nghiên cứu mới: Các phương pháp luận được đề xuất, đặc biệt là việc kết hợp NMPC trực tiếp với bám góc hướng và chứng minh tính khả thi đệ quy, sẽ khuyến khích các nhà nghiên cứu khám phá sâu hơn về điều khiển robot phức tạp, điều khiển đội hình và các hệ thống dưới cơ cấu chấp hành khác.
  3. Potential citations estimate: Dựa trên tính tiên phong và sự chặt chẽ của các chứng minh toán học, luận án có tiềm năng nhận được 10-15 trích dẫn học thuật trong 5 năm đầu tiên và 25-40 trích dẫn trong 10 năm tiếp theo từ các nhà nghiên cứu trong lĩnh vực điều khiển tự động, robot học, và hệ thống phi tuyến. Các công trình công bố từ luận án (xem Danh mục các công trình công bố của luận án) là bằng chứng cho khả năng được trích dẫn.

• Industry transformation với specific sectors

  1. Sản xuất và Logistics (Manufacturing & Logistics): Các thuật toán điều khiển cho robot tự hành có thể nâng cao hiệu suất của xe tự động vận chuyển (AGV) trong nhà máy và nhà kho, cho phép chúng hoạt động chính xác hơn, nhanh hơn và an toàn hơn, ngay cả trong môi trường có nhiễu hoặc chướng ngại vật. Điều này có thể dẫn đến việc tự động hóa hoàn toàn các quy trình logistics nội bộ, giảm 15-20% chi phí vận hành.
  2. Vận tải và Quốc phòng (Transportation & Defense): Các giải pháp điều khiển cho robot tự hành Master-Slave có thể ứng dụng trong xe tự lái, đội hình phương tiện không người lái (UAV, UGV) cho mục đích giám sát, trinh sát, hoặc vận chuyển hàng hóa, đặc biệt trong các nhiệm vụ đòi hỏi độ chính xác cao về vị trí và tư thế, giảm thiểu 10-15% rủi ro do lỗi người lái. "xe rà phá bom mìn, phương tiện không người lái khám phá vũ trụ" (Trang 1) là những ứng dụng trực tiếp.
  3. Nông nghiệp thông minh (Smart Agriculture): Robot nông nghiệp có khả năng bám quỹ đạo chính xác và làm việc trong điều kiện môi trường thay đổi (nhiễu từ thời tiết, địa hình) có thể cải thiện hiệu suất gieo trồng, thu hoạch, và quản lý cây trồng, tăng năng suất lên 5-10%.
  4. Năng lượng (Energy): Điều khiển các hệ thống cơ điện trong nhà máy điện, tuabin gió hoặc các thiết bị năng lượng tái tạo, nơi các con lắc ngược hoặc các hệ thống dưới cơ cấu chấp hành khác có thể được tối ưu hóa để tăng hiệu quả và độ ổn định.

• Policy influence với government levels

  1. Chính phủ cấp quốc gia: Các kết quả nghiên cứu có thể đóng góp vào việc phát triển các tiêu chuẩn kỹ thuật và quy định an toàn cho việc triển khai robot tự hành và hệ thống tự động hóa tiên tiến. Nó cung cấp bằng chứng khoa học để ban hành các chính sách hỗ trợ R&D trong lĩnh vực công nghệ cao và tự động hóa.
  2. Chính quyền địa phương: Có thể sử dụng các khuyến nghị để lập kế hoạch phát triển hạ tầng đô thị cho xe tự lái hoặc hỗ trợ các doanh nghiệp địa phương áp dụng công nghệ robot.

• Societal benefits quantified where possible

  1. Nâng cao an toàn: Bằng cách cải thiện khả năng điều khiển và độ bền vững của robot trong môi trường có nhiễu, luận án góp phần giảm thiểu rủi ro tai nạn cho con người khi làm việc trong các ngành công nghiệp nguy hiểm hoặc thực hiện các nhiệm vụ nguy hiểm (như rà phá bom mìn), giảm ước tính 20-30% rủi ro liên quan.
  2. Tăng năng suất và hiệu quả: Tối ưu hóa hoạt động của robot tự hành sẽ dẫn đến tăng năng suất lao động và hiệu quả sản xuất trong nhiều ngành, góp phần vào tăng trưởng kinh tế. Ước tính có thể tăng 10-15% hiệu quả trong các tác vụ lặp lại và tự động.
  3. Giải phóng sức lao động con người: Robot có thể đảm nhận các công việc nặng nhọc, nguy hiểm, hoặc lặp đi lặp lại, cho phép con người tập trung vào các nhiệm vụ sáng tạo và có giá trị cao hơn.
  4. Cải thiện chất lượng cuộc sống: Ứng dụng trong các robot dịch vụ, robot y tế có thể hỗ trợ chăm sóc người già, người khuyết tật, nâng cao chất lượng cuộc sống cho cộng đồng.

• International relevance với global implications

  1. Đóng góp vào nỗ lực toàn cầu về tự động hóa: Các giải pháp điều khiển tiên tiến cho hệ dưới cơ cấu chấp hành và ràng buộc không tích phân được là mối quan tâm chung của cộng đồng nghiên cứu và công nghiệp toàn cầu. Luận án này cung cấp các phương pháp có thể được áp dụng ở bất kỳ quốc gia nào đang phát triển công nghệ robot tự hành.
  2. Cải thiện khả năng cạnh tranh quốc tế: Việc phát triển các thuật toán điều khiển tiên tiến giúp Việt Nam nâng cao năng lực nghiên cứu khoa học và công nghệ, đóng góp vào chuỗi giá trị toàn cầu trong lĩnh vực robot và tự động hóa.
  3. Hợp tác nghiên cứu quốc tế: Các đóng góp lý thuyết và phương pháp luận có thể tạo cơ sở cho các dự án hợp tác nghiên cứu giữa Việt Nam và các quốc gia khác trong việc phát triển thế hệ robot tự hành tiếp theo.

Đối tượng hưởng lợi

Luận án này mang lại lợi ích cụ thể cho nhiều đối tượng khác nhau, từ cộng đồng học thuật đến các ngành công nghiệp và cơ quan hoạch định chính sách.

• Doctoral researchers: specific research gaps

  • Cung cấp nền tảng lý thuyết vững chắc: Các chứng minh về tính ổn định (Bổ đề 2.4, Định lý 2.2) và tính khả thi đệ quy (Định lý 2.1, Bổ đề 2.3) trong MPC cung cấp một khung lý thuyết mạnh mẽ để các nghiên cứu sinh có thể xây dựng và mở rộng. Họ có thể sử dụng các phương pháp này để đảm bảo tính chặt chẽ toán học cho các thuật toán MPC của mình.
  • Mở ra các hướng nghiên cứu mới: Việc xử lý NMPC trực tiếp cho hệ dưới cơ cấu chấp hành với bám góc hướng (Chương 3) và Min-Max MPC bền vững (Mục 2.1, 2.2) là các ví dụ về "research gaps" cụ thể. Các nghiên cứu sinh có thể tiếp tục phát triển các phương pháp này cho các lớp hệ thống phức tạp hơn, với các loại nhiễu khác nhau, hoặc tích hợp các công nghệ mới như học máy.
  • Cung cấp tài liệu tham khảo chất lượng: Luận án là một nguồn tài liệu tham khảo chi tiết về mô hình hóa, thiết kế bộ điều khiển và phân tích ổn định cho robot và con lắc ngược.

• Senior academics: theoretical advances

  • Xác nhận và mở rộng các lý thuyết hiện có: Luận án xác nhận và mở rộng các lý thuyết cốt lõi trong điều khiển học, như Lý thuyết MPC, Lyapunov và LMI, cung cấp các đóng góp mới về mặt toán học.
  • Thúc đẩy tranh luận khoa học: Các phương pháp và chứng minh được trình bày có thể là điểm khởi đầu cho các cuộc thảo luận và tranh luận sâu hơn về các giới hạn và khả năng của MPC trong các hệ thống thực tế.
  • Nền tảng cho các dự án nghiên cứu lớn: Các học giả cấp cao có thể sử dụng khung lý thuyết và các phương pháp luận của luận án làm nền tảng cho việc đề xuất và lãnh đạo các dự án nghiên cứu quy mô lớn hơn, tập trung vào các ứng dụng công nghiệp hoặc các hệ thống phức tạp hơn (ví dụ: điều khiển đội hình robot, hệ thống mạng).

• Industry R&D: practical applications

  • Phát triển sản phẩm và giải pháp kỹ thuật: Các kết quả nghiên cứu có thể được các đội ngũ R&D trong công nghiệp sử dụng để thiết kế và triển khai các bộ điều khiển hiệu quả hơn cho robot công nghiệp, xe tự hành, hoặc các hệ thống tự động hóa khác. Ví dụ, việc giảm sai lệch bám quỹ đạo và tăng độ bền vững dưới nhiễu (Hình 2.3-2.5, 2.13, 2.18) trực tiếp cải thiện chất lượng sản phẩm.
  • Cải thiện hiệu suất và độ tin cậy: Các giải pháp điều khiển bền vững giúp hệ thống hoạt động ổn định trong các môi trường không lý tưởng, giảm thời gian chết và chi phí bảo trì.
  • Tiết kiệm chi phí và tăng năng suất: Bằng cách tối ưu hóa các quy trình điều khiển, doanh nghiệp có thể giảm lãng phí tài nguyên và tăng năng suất sản xuất.
  • Ước tính lợi ích: Một công ty sản xuất có thể giảm 20% sai số trong quá trình lắp ráp tự động nhờ khả năng bám quỹ đạo chính xác, dẫn đến tiết kiệm 15% chi phí vật liệu và tăng 10% sản lượng.

• Policy makers: evidence-based recommendations

  • Thông tin cho việc xây dựng chính sách: Các phát hiện của luận án cung cấp bằng chứng khoa học vững chắc về khả năng và giới hạn của công nghệ robot tự hành, giúp các nhà hoạch định chính sách đưa ra các quyết định có cơ sở hơn về đầu tư công nghệ, tiêu chuẩn hóa và quy định an toàn.
  • Thúc đẩy phát triển công nghệ: Hiểu rõ tiềm năng của các bộ điều khiển tiên tiến có thể giúp chính phủ tạo ra các chính sách khuyến khích đổi mới và phát triển các ngành công nghiệp công nghệ cao.
  • Giải quyết các thách thức xã hội: Các khuyến nghị về ứng dụng robot trong các lĩnh vực như y tế hoặc an toàn có thể giúp định hướng các chính sách nhằm giải quyết các vấn đề xã hội cụ thể.
  • Ước tính lợi ích: Chính phủ có thể sử dụng các kết quả này để định hướng đầu tư 50 triệu USD vào R&D robot, với kỳ vọng tạo ra 1.000 việc làm mới và tăng 2% GDP trong lĩnh vực công nghiệp chế tạo robot trong 5 năm tới.

• Quantify benefits where possible

  • Hiệu suất điều khiển: Đối với con lắc ngược, độ lớn của góc và tốc độ góc được đưa về 0 (ổn định tiệm cận) trong vòng dưới 0.5 giây (Hình 2.3, 2.4), với tín hiệu điều khiển không vượt quá ±10 N (Hình 2.5), thấp hơn giới hạn $F_{max}=12N$.
  • Sai lệch bám: Trong mô phỏng hệ robot Master-Slave, sai lệch khoảng cách $P_{ms}$ và góc $\psi_{ms}$ được duy trì gần giá trị đặt (ví dụ: $P_{ms}$ hội tụ về giá trị đặt, $\psi_{ms}$ hội tụ về 0) với sai lệch tối đa chỉ khoảng ±0.05 đơn vị (Hình 2.10, 2.14, 2.20), đạt được độ chính xác cao trong vòng 10 giây.
  • Tính khả thi: Các ma trận $P_l$ và $L_l$ (Hình 2.6, 2.7) cho thấy các tham số điều khiển được duy trì ổn định và khả thi qua các chu kỳ trích mẫu, đảm bảo tính liên tục của giải pháp.
  • Ràng buộc: Tín hiệu điều khiển cho robot tự hành ($v, \omega$) luôn được giữ trong các ràng buộc vật lý, ví dụ "vận tốc 2 bánh xe không được vượt quá $a (m/s)$" (Trang 15), như thể hiện ở Hình 2.11, 2.16, 2.21, nâng cao tính an toàn và tuổi thọ thiết bị.

Câu hỏi chuyên sâu

Các câu trả lời dưới đây cung cấp thông tin chi tiết và cụ thể theo yêu cầu.

1. Theoretical contribution độc đáo nhất (name theory extended) Đóng góp lý thuyết độc đáo nhất của luận án là việc mở rộng Lý thuyết Điều khiển Dự báo (MPC) để giải quyết đồng thời các thách thức của hệ thống phi tuyến, dưới cơ cấu chấp hành (underactuated) và có ràng buộc không tích phân được (nonholonomic) trong bối cảnh điều khiển bám theo quỹ đạo của robot chủ (Master-Slave), đặc biệt là việc xử lý bám theo thành phần góc hướng. Các nghiên cứu MPC trước đây cho các hệ thống robot thường tập trung vào bám vị trí hoặc tuyến tính hóa mô hình. Luận án đã phát triển NMPC trực tiếp (Mục 2.2, Chương 3) cho phép sử dụng trực tiếp mô hình phi tuyến và các ràng buộc góc hướng (Eq 1.14) để tối ưu hóa, đảm bảo rằng robot tớ không chỉ bám theo vị trí mà còn cả tư thế (góc hướng) của robot chủ. Điều này vượt ra ngoài phạm vi của các phương pháp Backstepping truyền thống [8] vốn gặp khó khăn trong việc tối thiểu hóa hàm mục tiêu và xử lý ràng buộc trong tình huống này. Bằng chứng là "Nghiên cứu xây dựng bộ điều khiển dự báo cho hệ Robot tự hành không nhiễu và có nhiễu ngoài với yêu cầu bám theo quỹ đạo của Robot tự hành chủ có tính đến góc hướng" (Trang 3, Hướng thứ ba).

2. Methodology innovation (compare với 2+ prior studies) Đổi mới phương pháp luận chính là việc phát triển một khung làm việc toàn diện để đảm bảo tính khả thi đệ quy (recursive feasibility) và tính ổn định chặt chẽ (robust stability) cho các bài toán tối ưu lặp lại trong MPC, đặc biệt trong môi trường nhiễu và phi tuyến.

   • So sánh với [25-27]: Các nghiên cứu của Allgower et al. (2004), Mayne et al. (2000), và Rawlings & Mayne (2009) đã đề cập đến tính khả thi trong MPC, nhưng thường yêu cầu "một điều kiện đặc biệt để cho thấy sự tồn tại của tín hiệu điều khiển trung gian này mà chưa chỉ ra cụ thể tín hiệu trung gian đó" [Trang 6-7]. Luận án này đã cải tiến bằng cách cung cấp "tín hiệu điều khiển trung gian cụ thể" (Bổ đề 2.3), cho phép chứng minh một cách tường minh rằng nếu bài toán tối ưu khả thi tại thời điểm $t_0$, nó cũng sẽ khả thi tại mọi thời điểm $t > t_0$ (Định lý 2.1 ý i)).
   • So sánh với [23, 48]: Các công trình của Bemporad & Morari (1999) và các ứng dụng cho robot Omni [48] thường sử dụng tuyến tính hóa mô hình và chèn sai lệch vào hàm mục tiêu dưới dạng cận trên. Luận án này đi xa hơn bằng cách cung cấp một khuôn khổ Min-Max MPC (Mục 2.1) không chỉ xử lý sai lệch mô hình mà còn đảm bảo tính ổn định tiệm cận cho hệ thống kín (Bổ đề 2.4) dưới nhiễu bị chặn. Điều này khác biệt ở chỗ nó không chỉ tối thiểu hóa cận trên mà còn chứng minh tính ổn định toán học cho hệ tuyến tính hóa.
   • Đổi mới cụ thể: Việc tích hợp Bổ đề Schur (Trang 27) để chuyển các điều kiện ổn định và ràng buộc thành dạng LMI (Eq 2.19) là một cách tiếp cận tiên tiến, cho phép giải quyết hiệu quả các bài toán tối ưu lồi phức tạp bằng các công cụ như Yalmip và Casadi.

3. Most surprising finding (với data support) Phát hiện đáng ngạc nhiên nhất là khả năng của bộ điều khiển dự báo phi tuyến trực tiếp trong việc duy trì bám quỹ đạo vị trí và góc hướng đồng thời cho hệ robot Chủ-Tớ dưới cơ cấu chấp hành, ngay cả khi có nhiễu, trong khi vẫn tôn trọng các ràng buộc điều khiển. Điều này đáng ngạc nhiên vì hệ thống robot tự hành dạng 2 bánh chủ động là một hệ dưới cơ cấu chấp hành (ví dụ: không có cơ cấu chỉnh hướng trực tiếp mà phụ thuộc vào phối hợp chuyển động của 2 bánh [Trang 1]) và có ràng buộc không tích phân được, khiến việc điều khiển góc hướng trở nên cực kỳ phức tạp. Các phương pháp truyền thống như Backstepping thường gặp khó khăn hoặc bỏ qua yếu tố này khi có ràng buộc.

   • Data Support:
     • Hình 2.12 và 2.17 (trong Chương 3) minh họa "Qũy đạo trạng thái của robot $R_m$ và $R_s$" cho thấy robot tớ bám theo robot chủ một cách chính xác, duy trì khoảng cách và góc mong muốn.
     • Hình 2.13 và 2.18 cho thấy "Sai lệch điều khiển của robot tự hành dạng 2 bánh chủ động $R_s$ và $R_{md}$" hội tụ về 0 hoặc một miền rất nhỏ.
     • Hình 2.14 và 2.20 thể hiện "Khoảng cách $P_{ms}$, góc $\psi_{ms}$ và giá trị đặt" cho thấy sự bám chính xác về cả khoảng cách và góc, với sai lệch giữa giá trị đặt và thực tế được giảm thiểu đáng kể (ví dụ: sai lệch góc $\psi_{ms}$ hội tụ về 0 trong vòng khoảng 10-15 giây).
     • Hình 2.16 và 2.21 minh họa "Ràng buộc của tín hiệu điều khiển $v, \omega$" luôn được duy trì, không vượt quá giới hạn cho phép. Những kết quả này chứng minh rằng việc tích hợp trực tiếp ràng buộc góc hướng vào bài toán tối ưu NMPC là một chiến lược hiệu quả, vượt qua các hạn chế phương pháp luận trước đây.

4. Replication protocol provided? Có, luận án đã cung cấp đủ thông tin và các công cụ để người khác có thể sao chép (replicate) các kết quả mô phỏng.

   • Mô tả chi tiết phương pháp: Các thuật toán điều khiển (Min-Max MPC, NMPC trực tiếp) được trình bày với các phương trình toán học chi tiết (ví dụ: Eq 2.10, 2.18, 2.47, Thuật toán điều khiển 2.1).
   • Thông số mô hình cụ thể: Các tham số vật lý của con lắc ngược ($M, m, l, F_{max}$) và các ma trận trọng số hàm mục tiêu ($Q_l, R_l$) được nêu rõ (Trang 31).
   • Công cụ phần mềm: Luận án chỉ rõ việc sử dụng "Matlab có sử dụng một số công cụ chuyên dụng Yalmip, Casadi" (Trang 4, 27). Đây là các công cụ phổ biến và có sẵn trong cộng đồng nghiên cứu điều khiển.
   • Phụ lục code mô phỏng: Luận án bao gồm các phụ lục mã code mô phỏng cụ thể: "PHỤ LỤC 1: Code mô phỏng con lắc ngược", "PHỤ LỤC 2: Code mô phỏng hệ Robot tự hành Master-Slave với quỹ đạo là đường thẳng", "PHỤ LỤC 3: Code mô phỏng hệ Robot tự hành Master-Slave với quỹ đạo là đường tròn có thay đổi hướng" (Trang viii). Việc cung cấp mã code này là một yếu tố quan trọng để đảm bảo khả năng tái tạo hoàn toàn các kết quả.

5. 10-year research agenda outlined? Có, luận án đã vạch ra một chương trình nghiên cứu rõ ràng cho 10 năm tới, được trình bày trong phần "Limitations và Future Research" (Mục 6.2, "Future research agenda với 4-5 concrete directions").

   • Nghiên cứu 1 (Năm 1-3): Triển khai thực tế trên phần cứng: Tập trung vào việc triển khai các thuật toán trên robot vật lý, giải quyết các thách thức thực tế như trễ, sai số cảm biến và tối ưu hóa tài nguyên tính toán trên hệ thống nhúng.
   • Nghiên cứu 2 (Năm 2-5): NMPC thích nghi và học tăng cường: Phát triển các phương pháp điều khiển dự báo kết hợp với các kỹ thuật thích nghi hoặc học tăng cường để đối phó với thông số bất định không rõ ràng, nhiễu không chặn trên, hoặc môi trường thay đổi động. Điều này có thể bao gồm "concurrent learning" [49].
   • Nghiên cứu 3 (Năm 3-7): Điều khiển dự báo phân tán và hợp tác: Mở rộng các phương pháp điều khiển cho đội hình nhiều robot hoạt động phối hợp, đặc biệt trong các tác vụ phức tạp như điều khiển đội hình hoặc vận chuyển vật thể lớn.
   • Nghiên cứu 4 (Năm 5-8): Xử lý ràng buộc phức tạp và tránh va chạm: Nghiên cứu các phương pháp NMPC có khả năng tích hợp các ràng buộc môi trường phức tạp, bao gồm tránh va chạm chủ động với các chướng ngại vật động và tương tác với con người.
   • Nghiên cứu 5 (Năm 7-10): Tối ưu hóa tính toán và thuật toán nhanh: Tiếp tục nghiên cứu các phương pháp "fast MPC" [20, 21] và các bộ giải tối ưu hóa hiệu quả để giảm thiểu yêu cầu tính toán, cho phép ứng dụng rộng rãi hơn trong các hệ thống thời gian thực với chu kỳ trích mẫu rất nhanh.

Kết luận

Luận án này đại diện cho một bước tiến quan trọng trong lĩnh vực kỹ thuật điều khiển và tự động hóa, đặc biệt là trong việc phát triển các chiến lược điều khiển dự báo phi tuyến cho các hệ thống dưới cơ cấu chấp hành và có ràng buộc không tích phân được. Thông qua việc giải quyết những khoảng trống nghiên cứu then chốt, luận án đã đưa ra một khung làm việc toàn diện và chặt chẽ, mở đường cho các ứng dụng công nghệ robot tiên tiến hơn.

1. Phát triển NMPC trực tiếp cho hệ Master-Slave Nonholonomic với bám góc hướng: Luận án đã thành công trong việc thiết kế một cấu trúc NMPC mới cho hệ hai robot tự hành Chủ-Tớ, cho phép bám chính xác không chỉ vị trí mà còn cả tư thế (góc hướng) trong môi trường có nhiễu. Điều này đã được kiểm chứng thông qua mô phỏng với "Sai lệch điều khiển của Robot tự hành dạng 2 bánh chủ động $R_s$ và $R_{md}$" (Hình 2.13, 2.18) hội tụ nhanh chóng.
2. Đảm bảo tính ổn định và tính khả thi đệ quy của MPC: Luận án đã đóng góp các chứng minh toán học chặt chẽ về tính ổn định tiệm cận (Bổ đề 2.4) và ổn định trạng thái theo đầu vào (ISS) (Định lý 2.2) cho các hệ thống được điều khiển bằng MPC. Đặc biệt, việc đưa ra "tín hiệu điều khiển trung gian cụ thể" (Bổ đề 2.3) đã giải quyết vấn đề tính khả thi đệ quy, nâng cao độ tin cậy của thuật toán.
3. Thiết kế Min-Max MPC bền vững cho hệ phi tuyến tuyến tính hóa: Một bộ điều khiển dự báo Min-Max mới đã được phát triển cho con lắc ngược phi tuyến, sử dụng tuyến tính hóa và bất đẳng thức ma trận để đảm bảo tính ổn định và khả năng loại bỏ nhiễu. "MPC được đề xuất ở trên đảm bảo hệ thống làm việc ổn định và loại bỏ được nhiễu tác động" (Trang 33) đã được minh họa rõ ràng qua các kết quả mô phỏng (Hình 2.3-2.5).
4. Xử lý hiệu quả ràng buộc điều khiển và trạng thái: Luận án đã chứng minh khả năng tích hợp trực tiếp các ràng buộc vật lý vào bài toán tối ưu của MPC, một yếu tố thiết yếu cho các ứng dụng thực tế. Điều này được thể hiện qua các mô phỏng nơi "Ràng buộc điều khiển của $v, \omega$" (Hình 2.11, 2.16, 2.21) luôn được tôn trọng.
5. Cung cấp quy trình nghiên cứu chặt chẽ và công cụ mô phỏng: Luận án không chỉ trình bày các kết quả mà còn cung cấp một quy trình nghiên cứu kỹ lưỡng, từ mô hình hóa đến phân tích lý thuyết và kiểm chứng mô phỏng bằng các công cụ hiện đại như Matlab, Yalmip, Casadi, cùng với mã code mô phỏng trong phụ lục.

Paradigm advancement với evidence

Nghiên cứu này góp phần thúc đẩy một sự chuyển dịch nhỏ trong paradigm điều khiển robot từ các phương pháp tiếp cận từng phần sang một cách tiếp cận tối ưu hóa tích hợp và thông minh hơn. Bằng chứng là khả năng giải quyết đồng thời nhiều thách thức (phi tuyến, dưới cơ cấu chấp hành, nhiễu, ràng buộc) trong một khung MPC duy nhất, thay vì phải kết hợp nhiều bộ điều khiển riêng lẻ. Sự "thống nhất của vấn đề tối ưu và vấn đề ổn định" [Trang 2] thông qua các chứng minh toán học là minh chứng cho sự tiến bộ này.

3+ new research streams opened

Luận án đã mở ra ít nhất ba luồng nghiên cứu mới tiềm năng:

1. NMPC cho hệ dưới cơ cấu chấp hành phức tạp trong môi trường động: Mở rộng NMPC trực tiếp để điều khiển các robot dưới cơ cấu chấp hành với nhiều bậc tự do hơn, hoặc trong môi trường có các chướng ngại vật động và yêu cầu tương tác với con người.
2. Tích hợp MPC với AI/Machine Learning cho hệ thống không chắc chắn: Khám phá việc kết hợp MPC với các kỹ thuật học tăng cường hoặc học sâu để xử lý nhiễu không định trước, thông số bất định lớn, hoặc khi mô hình hệ thống không hoàn toàn chính xác.
3. Điều khiển dự báo phân tán cho đội hình robot Master-Slave: Phát triển các chiến lược MPC hợp tác để điều khiển một đội hình robot Master-Slave nhiều cặp, nơi mỗi cặp cần duy trì bám quỹ đạo và tư thế trong khi vẫn phối hợp với các cặp khác.

Global relevance với international comparison

Các đóng góp của luận án có ý nghĩa toàn cầu bởi vì các thách thức về điều khiển hệ thống phi tuyến, dưới cơ cấu chấp hành và bền vững dưới nhiễu là mối quan tâm chung của cộng đồng nghiên cứu và công nghiệp quốc tế. Bằng cách so sánh với các nghiên cứu quốc tế như của Allgower et al. (2004) và Mayne et al. (2000) về tính khả thi của MPC [25-27], cũng như các ứng dụng cho robot Omni [48], luận án đã chứng minh rằng các phương pháp của mình không chỉ ngang tầm mà còn vượt trội ở một số khía cạnh, đặc biệt trong việc cung cấp "tín hiệu điều khiển trung gian cụ thể" và xử lý bám góc hướng cho hệ dưới cơ cấu chấp hành.

Legacy measurable outcomes

Di sản của luận án có thể được đo lường qua:

• Số lượng trích dẫn học thuật: Ước tính 25-40 trích dẫn trong 10 năm từ các nhà nghiên cứu toàn cầu.
• Tiềm năng ứng dụng công nghiệp: Khả năng cải thiện hiệu suất của robot vận chuyển AGV lên 15-20% trong logistics và sản xuất, và giảm 20-30% rủi ro an toàn trong các môi trường nguy hiểm.
• Thúc đẩy R&D: Góp phần định hướng đầu tư và phát triển trong các lĩnh vực robot học và tự động hóa tiên tiến ở Việt Nam.
• Nền tảng giáo dục: Trở thành tài liệu giảng dạy và tham khảo quan trọng cho sinh viên và nghiên cứu sinh trong ngành Kỹ thuật điều khiển và tự động hóa.