Tổng quan về luận án

Luận án này trình bày một nghiên cứu tiên phong nhằm nâng cao chất lượng điều khiển bám quỹ đạo cho Phương tiện Chuyển động Ngầm Tự hành (AUV) 4 bậc tự do (DOF) hệ thiếu cơ cấu chấp hành. Bối cảnh khoa học của nghiên cứu được đặt trong thực tế rằng khoảng 70% bề mặt Trái đất được bao phủ bởi nước, với các vùng biển rộng lớn chưa được khám phá và mang ý nghĩa chiến lược quan trọng, đặc biệt đối với các quốc gia ven biển như Việt Nam với "vùng biển rộng hơn một triệu km2" [Luận án, tr. 1]. Sự phát triển của AUV là yếu tố then chốt để khai thác tiềm năng biển sâu cho cả mục đích dân sự (khảo sát địa hình, tìm kiếm cứu hộ, kinh tế biển) và quân sự (trinh sát, tác chiến ngầm), như Nghị quyết số 36/NQ-TW của Ban Chấp hành Trung ương đã khẳng định về "Chiến lược phát triển bền vững kinh tế biển Việt Nam đến năm 2030, tầm nhìn đến năm 2045" [Luận án, tr. 1]. Tính tiên phong của nghiên cứu thể hiện ở việc giải quyết thách thức điều khiển cho AUV thiếu cơ cấu chấp hành trong môi trường đầy nhiễu loạn và bất định, điều mà nhiều công trình trước đây tập trung vào AUV 6 DOF hoặc các hệ thống đủ cơ cấu chấp hành.

Research gap cụ thể được xác định là sự thiếu hụt các thuật toán điều khiển tiên tiến, mạnh mẽ, và hiệu quả cho các AUV 4 DOF dưới cơ cấu chấp hành. Mặc dù Fossen [16] đã thống kê khá đầy đủ các mô hình toán cho tàu nổi và tàu ngầm, và khuyến khích nghiên cứu các mô hình điều khiển nâng cao, đơn giản và hiệu quả hơn, nhưng các công trình về phương tiện ngầm 4 DOF thường chỉ hướng đến thuật toán điều khiển đủ cơ cấu chấp hành [Luận án, tr. 3]. Các hệ thống thiếu cơ cấu chấp hành (Underactuated Mechanical Systems - UMS) đặt ra bài toán điều khiển phức tạp hơn đáng kể do số lượng đầu vào điều khiển ít hơn số bậc tự do của hệ thống, dẫn đến việc không thể điều khiển trực tiếp tất cả các trạng thái. Hơn nữa, sự hiện diện của các thành phần bất định trong mô hình động học, nhiễu loạn môi trường như dòng chảy, và sự biến đổi đặc tính động học theo thời gian (ví dụ: nhiên liệu tiêu hao) làm giảm chất lượng bám quỹ đạo của các bộ điều khiển truyền thống. Luận án này nhắm vào khoảng trống này bằng cách tích hợp các kỹ thuật điều khiển phi tuyến và thông minh để đạt được khả năng bám quỹ đạo với sai số tối thiểu trong điều kiện mô hình bất định và nhiễu loạn.

Các câu hỏi nghiên cứu (Research Questions) và giả thuyết (Hypotheses) chính bao gồm:

  1. RQ1: Làm thế nào để thiết kế một bộ điều khiển Backstepping thích nghi sử dụng hệ logic mờ (Adaptive Fuzzy Backstepping - AFB) có thể đảm bảo bám quỹ đạo hiệu quả cho AUV 4 DOF thiếu cơ cấu chấp hành trong điều kiện mô hình có thành phần bất định dạng hàm số và chịu ảnh hưởng của nhiễu môi trường?
    • H1: Việc tích hợp hệ logic mờ vào cấu trúc Backstepping sẽ cung cấp khả năng thích nghi và ước lượng các bất định hàm số, cải thiện độ bền vững và giảm thời gian quá độ so với Backstepping truyền thống.
  2. RQ2: Làm thế nào để phát triển một bộ điều khiển trượt tầng thích nghi nơ-ron (Adaptive Neural Network Hierarchical Sliding Mode Controller - ANHSMC) để nâng cao tối ưu chất lượng điều khiển bám quỹ đạo cho AUV 4 DOF thiếu cơ cấu chấp hành, đặc biệt khi có các thành phần bất định phức tạp trong ma trận Coriolis và ma trận suy giảm thủy động?
    • H2: Mạng nơ-ron hướng tâm (RBF Neural Networks) hai lớp có khả năng xấp xỉ các hàm bất định phức tạp, kết hợp với điều khiển trượt tầng tầng (HSMC), sẽ tạo ra một bộ điều khiển mạnh mẽ hơn, đảm bảo bám quỹ đạo tối ưu và độ chính xác cao ngay cả trong điều kiện bất định đáng kể.
  3. RQ3: Việc so sánh giữa hai phương pháp điều khiển đề xuất (AFB và ANHSMC) sẽ chỉ ra những ưu điểm và nhược điểm nào của mỗi phương pháp trong việc xử lý các loại bất định và nhiễu khác nhau, từ đó xác định phương pháp tối ưu hơn cho các kịch bản cụ thể?
    • H3: ANHSMC, với khả năng xấp xỉ mạnh mẽ của mạng nơ-ron, sẽ đạt được hiệu suất bám quỹ đạo cao hơn và độ bền vững tốt hơn trong các trường hợp có nhiễu loạn môi trường và bất định mô hình phức tạp so với AFB.

Khung lý thuyết (Theoretical Framework) của luận án dựa trên sự tích hợp sâu rộng các lý thuyết điều khiển phi tuyến và thông minh. Các lý thuyết cụ thể được sử dụng bao gồm:

  • Lý thuyết Điều khiển Backstepping: Cung cấp một phương pháp thiết kế bộ điều khiển có hệ thống cho các hệ thống phi tuyến hồi quy được, cho phép từng bước xây dựng hàm Lyapunov để đảm bảo tính ổn định.
  • Lý thuyết Logic Mờ (Fuzzy Logic): Được sử dụng để xử lý các bất định và thông tin không chắc chắn thông qua các tập mờ và luật suy diễn, cung cấp cơ chế thích nghi cho bộ điều khiển Backstepping.
  • Lý thuyết Điều khiển Trượt (Sliding Mode Control - SMC): Nổi tiếng với khả năng chống lại nhiễu loạn và bất định mạnh mẽ, tạo ra một mặt phẳng trượt mà trạng thái hệ thống được buộc phải đi theo.
  • Mạng Nơ-ron Nhân tạo (Artificial Neural Networks - ANN), đặc biệt là Mạng Nơ-ron Hướng tâm (RBF Neural Networks): Được triển khai để xấp xỉ các hàm phi tuyến và bất định không biết trước, cung cấp khả năng học và thích nghi cho bộ điều khiển trượt tầng.
  • Lý thuyết Ổn định Lyapunov: Là công cụ toán học cơ bản để phân tích và chứng minh tính ổn định của tất cả các bộ điều khiển được đề xuất.

Đóng góp đột phá của luận án bao gồm:

  1. Phát triển bộ điều khiển Adaptive Fuzzy Backstepping (AFB) cho AUV 4 DOF thiếu cơ cấu chấp hành: Đã được kiểm chứng thông qua mô phỏng kỹ thuật số để "đảm bảo bám quỹ đạo cho AUV" [Luận án, tr. 5] với các thành phần bất định dạng hàm số, thể hiện khả năng "bền vững với nhiễu và thời gian quá độ giảm" [Luận án, tr. 6].
  2. Thiết kế bộ điều khiển Adaptive Neural Network Hierarchical Sliding Mode Controller (ANHSMC) tiên tiến: Sử dụng mạng nơ-ron hướng tâm hai lớp để xấp xỉ "các thành phần bất định về dạng hàm và xấp xỉ tạo thành bộ điều khiển thích nghi nơ-ron trượt tầng" [Luận án, tr. 5], nhằm tối ưu hóa chất lượng bám quỹ đạo của AUV 4 DOF.
  3. Đề xuất hai xu hướng điều khiển mới cho hệ thiếu cơ cấu chấp hành: Một là đưa về dạng đủ cơ cấu chấp hành để thiết kế bộ điều khiển (Backstepping và AFB), hai là thiết kế bộ điều khiển trực tiếp cho hệ thiếu cơ cấu chấp hành (HSMC và ANHSMC) [Luận án, tr. 4]. Cách tiếp cận này cung cấp một khung làm việc có giá trị cho nghiên cứu UMS.
  4. Mở ra hướng nghiên cứu mới về điều khiển trượt tầng thích nghi theo vector (trượt tầng suy rộng) cho hệ thiếu cơ cấu chấp hành: Đóng góp này mang tính khái niệm, đề xuất một phương pháp tổng quát hơn để xử lý sự tương tác phức tạp trong các hệ thống dưới cơ cấu chấp hành [Luận án, tr. 4].

Phạm vi nghiên cứu (Scope) của luận án tập trung vào AUV 4 DOF, xem xét các trạng thái vị trí tọa độ (x, y, z) và góc điều hướng (ψ) [Luận án, tr. 5]. Luận án không đi sâu vào vấn đề dẫn đường hay định vị, mà giả định rằng thông tin quỹ đạo mong muốn và vị trí AUV là có sẵn, tập trung vào việc tạo ra "tín hiệu điều khiển tức thời là các tín hiệu lực và mô men" [Luận án, tr. 3] để AUV bám quỹ đạo. Kích thước mẫu (sample size) ở đây là một mô hình AUV thực tế (được tham chiếu là AUV [17]) với các tham số cụ thể được sử dụng trong mô phỏng (ví dụ: các hệ số thủy động lực học, khối lượng). Khung thời gian (timeframe) của các mô phỏng được thực hiện trong thời gian hoạt động đủ dài để đánh giá hiệu suất bám quỹ đạo và tính ổn định của hệ thống. Tầm quan trọng (significance) của nghiên cứu nằm ở việc cung cấp các giải pháp điều khiển thực tiễn, mạnh mẽ cho AUV thiếu cơ cấu chấp hành, góp phần vào "đáp ứng nhu cầu phát triển và hiện đại hóa thiết bị ngầm tự hành AUV trong nước và trên thế giới" [Luận án, tr. 3].

Literature Review và Positioning

Phần tổng quan này tổng hợp các luồng nghiên cứu chính về điều khiển phương tiện ngầm tự hành và định vị luận án trong bối cảnh học thuật hiện có. Các nghiên cứu trước đây đã phân loại phương tiện chuyển động ngầm thành nhiều loại, bao gồm Phương tiện ngầm điều khiển từ xa (ROV), Phương tiện ngầm có người lái, và AUV [Luận án, tr. 8, Hình 1.1]. Mặc dù ROV (ví dụ: ứng dụng trong sự cố tràn dầu Vịnh Mexico 2010, phát hiện tàu Titanic [Luận án, tr. 9]) có độ tin cậy cao, nhược điểm về "phạm vi hoạt động nhỏ phụ thuộc vào tàu mẹ và chiều dài dây cáp, với chi phí vận hành cao" [Luận án, tr. 9] đã thúc đẩy sự phát triển của AUV.

Các công trình nghiên cứu về động học, dẫn đường và điều khiển cho phương tiện chuyển động ngầm rất đa dạng. Fossen [16] đã cung cấp một khung phân loại toàn diện về các mô hình điều khiển cho tàu nổi và tàu ngầm, gợi mở hướng nghiên cứu các bộ điều khiển nâng cao, đơn giản và hiệu quả. Tuy nhiên, phần lớn các nghiên cứu này tập trung vào mô hình 6 DOF [Luận án, tr. 3] hoặc các hệ thống đủ cơ cấu chấp hành, nơi số lượng bộ chấp hành (actuators) bằng hoặc lớn hơn số bậc tự do cần điều khiển. Ví dụ, các bộ điều khiển tối ưu toàn phương (LQR) hoặc kháng nhiễu (LQG) thường được áp dụng cho các hệ tuyến tính hoặc tuyến tính hóa, trong khi AUV lại là hệ phi tuyến phức tạp. Điều khiển phi tuyến như Backstepping hoặc Sliding Mode Control đã được nghiên cứu rộng rãi, nhưng việc ứng dụng chúng cho các hệ thiếu cơ cấu chấp hành, đặc biệt trong điều kiện bất định, vẫn còn nhiều thách thức.

Các mâu thuẫn/tranh luận chính trong lĩnh vực này xoay quanh sự cân bằng giữa độ phức tạp của mô hình, khả năng chống nhiễu, và chi phí tính toán. Một số nghiên cứu ưu tiên mô hình động học chính xác 6 DOF (ví dụ: các công trình về AUV của Mỹ và Trung Quốc [Luận án, tr. 12]) để đạt được độ chính xác cao nhất, trong khi các công trình khác lại tìm cách đơn giản hóa mô hình (như 4 DOF trong luận án này) để giảm độ phức tạp điều khiển, đặc biệt cho các phương tiện ngầm cỡ nhỏ. Hơn nữa, có sự tranh luận về việc sử dụng hoàn toàn điều khiển thông minh so với các hệ lai (hybrid systems). Điều khiển thông minh (mạng nơ-ron, mờ) có ưu điểm "tận dụng được kiến thức chuyên gia trong điều khiển, tính linh hoạt cao, có khả năng tự học và không cần biết mô hình toán học của hệ thống" [Luận án, tr. 2]. Tuy nhiên, "khó được bảo đảm bằng toán học, cấu trúc điều khiển phức tạp" là nhược điểm chính. Ngược lại, điều khiển phi tuyến đòi hỏi "nhiều công sức vào việc xây dựng mô hình toán cho đối tượng" [Luận án, tr. 2]. Luận án này giải quyết mâu thuẫn này bằng cách đề xuất các hệ lai, kết hợp ưu điểm của cả hai.

Luận án này định vị mình trong tài liệu hiện có bằng cách tập trung vào "mô hình phương tiện chuyển động ngầm AUV 4 bậc tự do hệ thiếu cơ cấu chấp hành" [Luận án, tr. 5]—một khoảng trống cụ thể mà nhiều nghiên cứu trước đó đã bỏ qua hoặc chỉ xem xét một cách hạn chế. Thay vì chỉ sử dụng một loại bộ điều khiển duy nhất, nghiên cứu đề xuất và so sánh hai bộ điều khiển lai tiên tiến (AFB và ANHSMC), mỗi bộ giải quyết các loại bất định theo cách riêng. Điều này đẩy mạnh lĩnh vực điều khiển AUV bằng cách cung cấp các giải pháp mạnh mẽ hơn cho các AUV thiếu cơ cấu chấp hành, một lớp hệ thống có ý nghĩa thực tiễn lớn trong việc giảm giá thành, trọng lượng và tiêu hao năng lượng.

So sánh với ít nhất 2 nghiên cứu quốc tế, có thể thấy:

  1. Nghiên cứu của Mỹ về AUV REMUS hoặc Bluefin: Các AUV thương mại như Bluefin 9 của Mỹ (nặng 60,5kg, dài 1,65m, rộng 0,24m, lặn sâu 200m, vận tốc tối đa 2m/s [Luận án, Bảng 1.1]) thường sử dụng các bộ điều khiển mạnh mẽ nhưng có thể tập trung vào các hệ thống 6 DOF và yêu cầu mô hình chính xác cao hoặc cấu trúc phần cứng phức tạp để đảm bảo đủ cơ cấu chấp hành. Luận án này, bằng cách tập trung vào 4 DOF thiếu cơ cấu chấp hành, cung cấp một phương án hiệu quả hơn về chi phí và tài nguyên cho các AUV cỡ nhỏ với yêu cầu nhiệm vụ tương tự, nơi việc lắp đặt nhiều bộ chấp hành có thể không khả thi.
  2. Nghiên cứu của Trung Quốc về AUV Wukong: Trung Quốc, hiện là quốc gia dẫn đầu về công bố khoa học trong lĩnh vực AUV [Luận án, tr. 12], đã phát triển AUV Wukong (dài 2m, rộng 1m, nặng 1,3 tấn, đạt độ sâu 7.709m [Luận án, Bảng 1.1]) với công nghệ điều khiển tiên tiến cho AUV lặn sâu. Tuy nhiên, các AUV kích thước lớn này thường có nguồn lực tính toán và năng lượng dồi dào, cho phép các bộ điều khiển phức tạp. Luận án này lại nhắm đến các AUV 4 DOF với tài nguyên hạn chế hơn, giải quyết vấn đề dưới góc độ tối ưu hóa thuật toán điều khiển để bù đắp cho sự thiếu hụt cơ cấu chấp hành, điều này có thể áp dụng cho các phiên bản AUV cỡ nhỏ và chi phí thấp hơn, hoặc các hệ thống bị lỗi bộ chấp hành.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này đưa ra những đóng góp đáng kể trong việc mở rộng và thách thức các lý thuyết điều khiển hiện có, đặc biệt trong bối cảnh điều khiển hệ thống thiếu cơ cấu chấp hành (Underactuated Mechanical Systems - UMS) dưới nước.

Đầu tiên, nghiên cứu mở rộng Lý thuyết Điều khiển Backstepping (xuất phát từ các công trình của Kokotovic, Kristic, Kanellakopoulos) bằng cách tích hợp Hệ thống Logic Mờ (Zadeh) để xử lý các bất định hàm số trong mô hình AUV 4 DOF. Cụ thể, bộ điều khiển Adaptive Fuzzy Backstepping (AFB) được phát triển để điều chỉnh tham số thích nghi, điều này thách thức giả định về việc biết trước hoàn toàn các bất định chức năng trong Backstepping truyền thống. AFB không chỉ kéo dài khả năng ứng dụng của Backstepping cho các hệ phi tuyến phức tạp với nhiễu môi trường mà còn cung cấp khả năng thích ứng linh hoạt hơn, điều mà Backstepping thuần túy có thể gặp khó khăn nếu không có các ước lượng chính xác về bất định.

Thứ hai, luận án đưa ra một đóng góp lý thuyết đột phá thông qua việc phát triển bộ điều khiển Adaptive Neural Network Hierarchical Sliding Mode Controller (ANHSMC). Phương pháp này thách thức giới hạn của Điều khiển Trượt (Sliding Mode Control - SMC) (Utkin) và Điều khiển Trượt Tầng (Hierarchical Sliding Mode Control - HSMC) truyền thống, vốn thường yêu cầu giới hạn trên của các bất định phải được biết trước. ANHSMC sử dụng Mạng Nơ-ron Hướng tâm (Radial Basis Function - RBF Neural Networks) để "tính gần đúng hàm chứa nhiều phần tử của ma trận bất định C, D" [Luận án, tr. 5]. Điều này mở rộng đáng kể khả năng của SMC trong việc đối phó với các bất định phức tạp, không biết trước hoàn toàn, và phi tuyến tính cao trong động lực học của AUV (như các hệ số Coriolis và suy giảm thủy động), mà không cần mô hình hóa chi tiết. Sự kết hợp giữa cấu trúc tầng của HSMC và khả năng học của mạng nơ-ron tạo ra một cơ chế điều khiển mạnh mẽ, bền vững và thích nghi hơn, đặc biệt quan trọng cho các AUV hoạt động trong môi trường biển sâu, nơi các thông số có thể thay đổi liên tục.

Khung phân tích khái niệm (Conceptual Framework) của luận án bao gồm các thành phần và mối quan hệ sau:

  • Đối tượng: AUV 4 DOF thiếu cơ cấu chấp hành (đại diện bởi vị trí x, y, z và góc hướng ψ).
  • Bất định và Nhiễu: Các yếu tố môi trường không biết trước (dòng chảy, mật độ nước thay đổi), thành phần bất định trong mô hình động học (ví dụ: các hệ số thủy động học biến đổi, nhiên liệu tiêu hao).
  • Mục tiêu điều khiển: Bám quỹ đạo mong muốn với sai số nhỏ nhất, độ bền vững cao, và thời gian quá độ giảm.
  • Các bộ điều khiển đề xuất: AFB (Backstepping + Fuzzy Logic) và ANHSMC (HSMC + RBF Neural Networks).

Mô hình lý thuyết (Theoretical Model) của luận án được trình bày dưới dạng các đề xuất/giả thuyết được đánh số:

  • P1: Việc áp dụng chiến lược điều khiển Backstepping (BCS) thông thường cho AUV 4 DOF thiếu cơ cấu chấp hành sẽ đạt được hiệu suất bám quỹ đạo cơ bản, nhưng sẽ bị ảnh hưởng đáng kể bởi các bất định hàm số và nhiễu môi trường.
  • P2: Bộ điều khiển Adaptive Fuzzy Backstepping (AFB), bằng cách sử dụng hệ logic mờ để thích nghi các tham số điều khiển, sẽ cải thiện đáng kể độ bền vững và khả năng bám quỹ đạo so với BCS truyền thống trong môi trường có các bất định chức năng.
  • P3: Bộ điều khiển Hierarchical Sliding Mode Controller (HSMC) cung cấp khả năng chống nhiễu mạnh mẽ hơn so với BCS, nhưng vẫn có thể bị giới hạn bởi yêu cầu biết giới hạn trên của các bất định.
  • P4: Bộ điều khiển Adaptive Neural Network Hierarchical Sliding Mode Controller (ANHSMC), với khả năng xấp xỉ mạnh mẽ của mạng nơ-ron RBF cho các bất định phức tạp trong ma trận C và D, sẽ đạt được hiệu suất bám quỹ đạo tối ưu nhất, độ chính xác cao và khả năng chống nhiễu vượt trội so với cả AFB và HSMC truyền thống.

Luận án đề xuất một dạng thay đổi mô hình (paradigm shift) nhỏ trong cách tiếp cận điều khiển UMS. Thay vì chỉ coi UMS là một hệ thống hạn chế cần được "khắc phục", luận án nhìn nhận nó như một cơ hội để phát triển các giải thuật điều khiển thông minh hơn, hiệu quả hơn. Bằng chứng từ các phát hiện (được trình bày ở phần sau) sẽ cho thấy các bộ điều khiển lai (AFB, ANHSMC) mang lại hiệu suất vượt trội so với các phương pháp truyền thống, đặc biệt trong việc xử lý các hệ thống thiếu cơ cấu chấp hành dưới tác động của nhiễu và bất định.

Khung phân tích độc đáo

Khung phân tích của luận án là độc đáo nhờ sự tích hợp sâu rộng của ba lý thuyết điều khiển chính: Lý thuyết Điều khiển Backstepping, Lý thuyết Logic Mờ, và Lý thuyết Điều khiển Trượt với Mạng Nơ-ron Nhân tạo. Việc tích hợp này không chỉ đơn thuần là kết hợp các phương pháp, mà là xây dựng một kiến trúc điều khiển mới, nơi mỗi lý thuyết bổ trợ cho những hạn chế của lý thuyết kia. Ví dụ, logic mờ bổ trợ cho Backstepping để xử lý bất định hàm số, trong khi mạng nơ-ron bổ trợ cho SMC để xấp xỉ các bất định phức tạp mà không cần biết giới hạn trên.

Cách tiếp cận phân tích mới lạ (Novel analytical approach) nằm ở việc luận án đề xuất hai con đường song song để giải quyết bài toán UMS:

  1. Chuyển đổi gián tiếp: Xem xét hệ UMS như một hệ đủ cơ cấu chấp hành ở một giai đoạn thiết kế ảo, sau đó áp dụng điều khiển cho hệ UMS ban đầu (áp dụng cho Backstepping và AFB).
  2. Điều khiển trực tiếp: Thiết kế bộ điều khiển thẳng cho hệ UMS, có tính đến các ràng buộc thiếu cơ cấu chấp hành ngay từ đầu (áp dụng cho HSMC và ANHSMC). Cách tiếp cận này cung cấp một cái nhìn tổng thể và so sánh có giá trị về hiệu quả của các chiến lược thiết kế khác nhau cho UMS.

Đóng góp khái niệm (Conceptual contributions) bao gồm các định nghĩa rõ ràng về "chất lượng điều khiển nâng cao" trong bối cảnh AUV thiếu cơ cấu chấp hành, được định lượng bằng các tiêu chí như sai số bám quỹ đạo trung bình (RMSE), thời gian quá độ, và độ bền vững trước nhiễu. Luận án cũng cung cấp một định nghĩa thực nghiệm về "thành phần bất định dạng hàm số" và "bất định trong ma trận C, D" được xử lý bởi các bộ điều khiển thông minh.

Các điều kiện biên (Boundary conditions) được nêu rõ ràng:

  • Nghiên cứu tập trung vào AUV 4 DOF (x, y, z, ψ), bỏ qua chuyển động lắc ngang (roll) và chúc ngóc (pitch) một cách độc lập trong mô hình điều khiển chính (tuy nhiên, các lực và mô men liên quan vẫn được xét trong động lực học tổng thể).
  • Không bao gồm các vấn đề dẫn đường và định vị; giả định thông tin vị trí và quỹ đạo mong muốn là lý tưởng.
  • Mô phỏng được thực hiện trong môi trường Matlab/Simulink, sử dụng một mô hình AUV cụ thể với các tham số từ tài liệu [17]. Hiệu suất thực tế có thể thay đổi tùy thuộc vào phần cứng AUV và sự chính xác của mô hình hóa.
  • Nhiễu môi trường được mô phỏng là dòng chảy, mật độ nước không được tính toán chính xác, và các bất định nội tại của mô hình, không bao gồm các yếu tố môi trường cực đoan khác như va chạm vật lý hay thay đổi đột ngột nhiệt độ/áp suất quá lớn.

Phương pháp nghiên cứu tiên tiến

Luận án này áp dụng một phương pháp nghiên cứu tiên tiến, kết hợp giữa mô hình hóa toán học sâu rộng và phát triển thuật toán điều khiển lai thông minh, được kiểm chứng bằng mô phỏng kỹ thuật số nghiêm ngặt.

Thiết kế nghiên cứu

Triết lý nghiên cứu (Research philosophy) của luận án này nằm trong khuôn khổ của Positivism. Nó tìm cách phát triển và kiểm chứng các thuật toán điều khiển khách quan, có thể đo lường được, thông qua mô hình toán học và phân tích định lượng. Mục tiêu là xác định các "định luật" điều khiển có tính tổng quát cho AUV thiếu cơ cấu chấp hành.

Thiết kế phương pháp hỗn hợp (Mixed methods) được áp dụng một cách gián tiếp thông qua sự kết hợp của các phương pháp điều khiển khác nhau, không phải là mixed-methods theo nghĩa nghiên cứu định tính/định lượng. Cụ thể, nó kết hợp:

  • Điều khiển phi tuyến: Backstepping và Sliding Mode Control (SMC), dựa trên các nguyên lý toán học chặt chẽ.
  • Điều khiển thông minh: Fuzzy Logic và RBF Neural Networks, sử dụng các heuristic và khả năng học từ dữ liệu để đối phó với bất định. Sự kết hợp này tạo ra một hệ thống điều khiển lai (hybrid control system) để tận dụng ưu điểm của cả hai loại, giải quyết những hạn chế của từng phương pháp khi đứng một mình. Ví dụ, AFB kết hợp Backstepping với Logic Mờ để tinh chỉnh các tham số điều khiển, trong khi ANHSMC kết hợp SMC với mạng nơ-ron để ước lượng bất định.

Thiết kế đa cấp (Multi-level design) được thể hiện rõ trong kiến trúc của Bộ điều khiển trượt tầng (Hierarchical Sliding Mode Controller - HSMC) và Adaptive Neural Network Hierarchical Sliding Mode Controller (ANHSMC). Các cấp độ được định nghĩa rõ ràng như sau:

  • Cấp độ 1 (Outer Loop): Điều khiển vị trí (x, y, z) và hướng (ψ) của AUV, tạo ra các tín hiệu điều khiển ảo.
  • Cấp độ 2 (Inner Loop): Điều khiển vận tốc và vận tốc góc của AUV, thực thi các tín hiệu điều khiển ảo từ vòng ngoài bằng các bộ chấp hành thực tế. Cấu trúc tầng này cho phép xử lý các động lực học ở các thang thời gian khác nhau và tăng cường tính bền vững của hệ thống.

Kích thước mẫu (Sample size) trong nghiên cứu này là mô hình toán học của một AUV 4 DOF. Mặc dù không phải là mẫu dữ liệu thực nghiệm theo nghĩa thống kê, các tham số của mô hình được lấy từ một "mô hình thiết bị AUV [17]" thực tế (tham số mô hình AUV từ Bảng 2.2 [Luận án, tr. 68]). Tiêu chí lựa chọn (selection criteria) cho mô hình AUV 4 DOF là để đơn giản hóa quá trình điều khiển nhưng vẫn đảm bảo "yêu cầu nhiệm vụ đặt ra" [Luận án, tr. 5], đặc biệt trong bối cảnh thiếu cơ cấu chấp hành.

Quy trình nghiên cứu rigorous

Chiến lược lấy mẫu (Sampling strategy) ở đây áp dụng cho các dữ liệu mô phỏng. Các tín hiệu đặt (quỹ đạo tham chiếu) bao gồm "bám quỹ đạo theo hằng số và quỹ hàm điều hòa trong không gian" [Luận án, tr. 3], được chọn để kiểm tra khả năng bám quỹ đạo trong cả điều kiện tĩnh và động. Tiêu chí bao gồm các kịch bản có nhiễu loạn môi trường (dòng chảy) và các thành phần bất định trong mô hình AUV để đánh giá độ bền vững.

Giao thức thu thập dữ liệu (Data collection protocols) liên quan đến việc ghi lại các biến trạng thái của AUV (vị trí x, y, z; góc hướng ψ; vận tốc dài và góc) và các tín hiệu điều khiển từ các bộ điều khiển được thiết kế trong môi trường Matlab/Simulink. Các công cụ được sử dụng là các khối mô phỏng (Simulink blocks) để tạo ra mô hình động học AUV và các bộ điều khiển, đồng thời thu thập dữ liệu bằng các khối Scope và To Workspace.

Tam giác hóa (Triangulation) được áp dụng ở một số mức độ:

  • Tam giác hóa phương pháp (Method Triangulation): Bằng cách so sánh hiệu suất của nhiều bộ điều khiển khác nhau (Backstepping truyền thống, AFB, HSMC, ANHSMC) để xác nhận tính ưu việt của các phương pháp đề xuất.
  • Tam giác hóa lý thuyết (Theory Triangulation): Các phát hiện được giải thích dựa trên nhiều lý thuyết điều khiển (phi tuyến, mờ, nơ-ron, trượt) để cung cấp một cái nhìn toàn diện hơn.

Tính hợp lệ (Validity) và độ tin cậy (Reliability) được đảm bảo thông qua:

  • Tính hợp lệ cấu trúc (Construct Validity): Các khái niệm như "chất lượng điều khiển" được định nghĩa rõ ràng bằng các đại lượng đo lường được (sai số bám quỹ đạo, thời gian quá độ).
  • Tính hợp lệ nội bộ (Internal Validity): Các mô phỏng được thực hiện trong môi trường kiểm soát (Matlab/Simulink) với các điều kiện đầu vào và nhiễu được xác định, cho phép kết luận về mối quan hệ nhân quả giữa bộ điều khiển và hiệu suất.
  • Tính hợp lệ bên ngoài (External Validity): Mặc dù là mô phỏng, việc sử dụng mô hình AUV thực tế [17] cho phép suy luận rằng các kết quả có thể khái quát hóa đến các AUV tương tự.
  • Độ tin cậy (Reliability): Các mô phỏng có thể được tái tạo với cùng các tham số đầu vào và điều kiện, đảm bảo tính nhất quán của kết quả. Mặc dù giá trị alpha (α values) không được báo cáo trực tiếp cho các tham số điều khiển, việc sử dụng các tham số điều khiển cố định (ví dụ: Bảng 2.3, 2.5, 3.1, 3.2) và luật thích nghi đảm bảo sự ổn định và đáng tin cậy của thuật toán.

Data và phân tích

Đặc điểm mẫu (Sample characteristics) của dữ liệu mô phỏng đến từ mô hình AUV 4 DOF với các thông số vật lý và thủy động học được định lượng từ "Tham số mô hình thiết bị AUV [17]" [Luận án, tr. 68, Bảng 2.2]. Các thông số này bao gồm khối lượng, ma trận quán tính, các hệ số khối nước kèm, hệ số lực cản, và các tham số bánh lái.

Các kỹ thuật phân tích tiên tiến (Advanced techniques) được sử dụng bao gồm:

  • Mô phỏng động học hệ thống phi tuyến: Dùng phần mềm Matlab/Simulink để giải các phương trình vi phân mô tả động lực học của AUV và các bộ điều khiển.
  • Phân tích thích nghi và học máy (Neural Networks): Các thuật toán thích nghi (Fuzzy Logic và RBF Neural Networks) được sử dụng để ước lượng và bù trừ các bất định trong thời gian thực.
  • Phân tích ổn định Lyapunov: Để chứng minh tính ổn định của hệ thống vòng kín với các bộ điều khiển đề xuất.

Phần mềm được sử dụng là Matlab/Simulink, một công cụ tiêu chuẩn trong kỹ thuật điều khiển và tự động hóa, cho phép mô hình hóa, mô phỏng và phân tích các hệ thống động học phức tạp.

Kiểm tra độ bền vững (Robustness checks) được thực hiện bằng cách đưa vào các nhiễu loạn môi trường (ví dụ: dòng chảy không biết trước, thay đổi mật độ nước) và các thành phần bất định trong mô hình AUV. Các bộ điều khiển được đánh giá dựa trên khả năng duy trì bám quỹ đạo chính xác và ổn định dưới các điều kiện này. Ví dụ, "Vị trí, độ sâu, góc điều hướng và nhiễu trường hợp 2 Backstepping" [Luận án, Hình 2.8] và so sánh kết quả giữa các bộ điều khiển cho thấy khả năng đối phó với nhiễu.

Các giá trị kích thước hiệu ứng (Effect sizes) và khoảng tin cậy (confidence intervals) được báo cáo gián tiếp thông qua các biểu đồ so sánh sai số bám quỹ đạo (ví dụ: "Sai số so với tín hiệu đặt trục x của 2 bộ điều khiển BCS và AFB" [Luận án, Hình 2.17a]) và các số liệu thống kê như sai số trung bình (ví dụ: "Sai số trung bình với tín hiệu đặt của 2 bộ điều khiển BCS và AFB" [Luận án, Hình 2.17d]). Mặc dù không có p-values trực tiếp được báo cáo (do tính chất của nghiên cứu mô phỏng kỹ thuật), sự khác biệt rõ rệt về hiệu suất giữa các bộ điều khiển (ví dụ: "So sánh đặc tính bộ điều khiển HSMC và ANHSMC" [Luận án, Bảng 3.3]) thể hiện ý nghĩa thực tiễn đáng kể.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được những phát hiện then chốt, cung cấp bằng chứng cụ thể về hiệu quả của các bộ điều khiển lai thông minh cho AUV 4 DOF thiếu cơ cấu chấp hành:

  1. Hiệu suất vượt trội của AFB so với Backstepping truyền thống: Mô phỏng cho thấy bộ điều khiển Adaptive Fuzzy Backstepping (AFB) đạt được chất lượng bám quỹ đạo "bền vững với nhiễu và thời gian quá độ giảm" [Luận án, tr. 6] so với Backstepping (BCS) thông thường. Cụ thể, trong "Sai số trung bình với tín hiệu đặt của 2 bộ điều khiển BCS và AFB" [Luận án, Hình 2.17d], AFB thể hiện sai số bám quỹ đạo thấp hơn đáng kể, đặc biệt trong điều kiện có nhiễu loạn môi trường (ví dụ, trục x của AUV với AFB ổn định hơn, và sai số dao động nhỏ hơn so với BCS). Điều này chứng tỏ khả năng thích nghi của hệ logic mờ trong việc xử lý các thành phần bất định dạng hàm số.
  2. Khả năng xử lý bất định phức tạp của ANHSMC bằng mạng nơ-ron RBF: Phát hiện đột phá là bộ điều khiển Adaptive Neural Network Hierarchical Sliding Mode Controller (ANHSMC) sử dụng mạng nơ-ron hướng tâm (RBF) đã xấp xỉ thành công các thành phần bất định trong ma trận Coriolis (C) và ma trận suy giảm thủy động (D), từ đó nâng cao chất lượng điều khiển bám quỹ đạo. "Bảng 3.3: So sánh đặc tính bộ điều khiển HSMC và ANHSMC" [Luận án, tr. 122] cho thấy ANHSMC đạt được sai số bám quỹ đạo thấp hơn và độ bền vững tốt hơn so với HSMC truyền thống, đặc biệt trong các trường hợp có nhiễu loạn mạnh (ví dụ, các đường đáp ứng của ANHSMC trên Hình 3.17a, 3.17b, 3.17c cho thấy độ mịn và chính xác cao hơn).
  3. Tối ưu hóa khả năng bám quỹ đạo AUV trong môi trường nhiễu loạn: Cả AFB và ANHSMC đều cho thấy khả năng duy trì bám quỹ đạo chính xác cho AUV 4 DOF, ngay cả khi đối mặt với "nhiễu bên ngoài không biết trước như dòng chảy, mật độ dòng chảy, lưu lượng nước" [Luận án, tr. 6]. Các biểu đồ quỹ đạo như "AUV bám theo quỹ đạo của bộ điều khiển ANHSMC lặn sâu 8m/10m" [Luận án, Hình 3.19, 3.20] minh họa rõ ràng khả năng theo dõi quỹ đạo cong hoặc thẳng với độ chính xác cao.
  4. Minh chứng hiệu quả của kiến trúc điều khiển lai: Luận án đã chứng minh rằng việc kết hợp các phương pháp điều khiển phi tuyến với các kỹ thuật thông minh (mờ, nơ-ron) là một chiến lược hiệu quả để giải quyết bài toán điều khiển cho hệ thiếu cơ cấu chấp hành và hệ thống bất định, vượt trội so với các phương pháp đơn lẻ.

So sánh với các nghiên cứu trước đây: Các phát hiện này cho thấy sự tiến bộ đáng kể so với các bộ điều khiển PID hoặc Backstepping/SMC truyền thống, vốn có thể gặp khó khăn trong việc xử lý các bất định hàm số và nhiễu loạn mạnh mà không cần thông tin chính xác về giới hạn trên của chúng. Luận án vượt qua các hạn chế của việc dựa vào mô hình chính xác hoàn toàn, mở ra khả năng ứng dụng cho các AUV có chi phí thấp hơn hoặc hoạt động trong các môi trường kém được khảo sát.

Implications đa chiều

Những phát hiện của luận án có những hàm ý sâu rộng:

  • Thúc đẩy lý thuyết (Theoretical advances):
    • Mở rộng lý thuyết Backstepping: Đã chứng minh cách logic mờ có thể tích hợp để xử lý bất định hàm số, cung cấp một khung lý thuyết mới cho điều khiển thích nghi.
    • Thúc đẩy lý thuyết Sliding Mode Control: Đã chỉ ra cách mạng nơ-ron RBF có thể được dùng để ước lượng các bất định phức tạp, nâng cao khả năng chống nhiễu của SMC lên một tầm cao mới, đặc biệt cho các hệ UMS.
    • Khung khái niệm cho UMS: Đề xuất hai xu hướng điều khiển (chuyển đổi gián tiếp và điều khiển trực tiếp) cho UMS là một đóng góp quan trọng cho các nhà lý thuyết điều khiển.
  • Đổi mới phương pháp luận (Methodological innovations):
    • Phương pháp tích hợp các bộ điều khiển phi tuyến và thông minh đã được chứng minh là hiệu quả và có thể áp dụng cho các hệ thống phức tạp khác ngoài AUV (ví dụ: UAV, robot di động, tàu vũ trụ), nơi tồn tại các bất định và hạn chế về cơ cấu chấp hành.
    • Cách tiếp cận sử dụng mạng nơ-ron để xấp xỉ trực tiếp các ma trận bất định C và D là một đổi mới trong việc xử lý các thành phần thủy động lực học phức tạp.
  • Ứng dụng thực tiễn (Practical applications):
    • AUV dân sự: Các thuật toán đề xuất có thể được triển khai trong các AUV cho khảo sát hải dương học (đo đạc dòng chảy, nhiệt độ, độ mặn), lập bản đồ đáy biển (ví dụ: Bluefin 9 của Mỹ cho thăm dò tài nguyên biển [Luận án, Bảng 1.1]), tìm kiếm cứu hộ dưới biển, và giám sát môi trường. Khả năng bám quỹ đạo chính xác giúp thu thập dữ liệu đáng tin cậy hơn.
    • AUV quân sự: Ứng dụng trong trinh sát, do thám, rà phá bom mìn dưới nước (tương tự chức năng của Wukong hoặc Vityaz-D [Luận án, Bảng 1.1]) và tác chiến ngầm, nơi độ chính xác và khả năng chống nhiễu là tối quan trọng để đảm bảo thành công nhiệm vụ và an toàn thiết bị. Các khuyến nghị cụ thể bao gồm tích hợp các bộ điều khiển này vào các hệ thống AUV thế hệ mới của Hải quân Việt Nam.
  • Khuyến nghị chính sách (Policy recommendations):
    • Khuyến nghị các cơ quan chính phủ (ví dụ: Bộ Giao thông Vận tải, Bộ Khoa học và Công nghệ, Bộ Quốc phòng Việt Nam) tăng cường đầu tư vào nghiên cứu và phát triển AUV thiếu cơ cấu chấp hành, đặc biệt là các công nghệ điều khiển thông minh để tăng cường khả năng tự chủ và hiệu quả hoạt động trong vùng biển Việt Nam.
    • Đề xuất thành lập các trung tâm R&D chuyên sâu về AUV, tận dụng các công nghệ điều khiển tiên tiến này để thúc đẩy ngành công nghiệp hàng hải và quốc phòng.
    • Khuyến nghị tích hợp các công nghệ AUV vào chiến lược "phát triển bền vững kinh tế biển Việt Nam đến năm 2030, tầm nhìn đến năm 2045" [Luận án, tr. 1] để nâng cao năng lực khảo sát và bảo vệ chủ quyền biển đảo.
  • Điều kiện khái quát hóa (Generalizability conditions):
    • Các thuật toán điều khiển được thiết kế dựa trên mô hình AUV 4 DOF, nhưng các nguyên lý cơ bản của AFB và ANHSMC có thể được mở rộng cho các hệ thống UMS phi tuyến khác với số bậc tự do khác nhau, miễn là động lực học của chúng có thể được mô tả bằng các mô hình toán học tương tự và có thể xác định được các thành phần bất định tương ứng.
    • Hiệu quả của các bộ điều khiển này có thể được duy trì trong các môi trường khác nhau, miễn là các đặc tính của nhiễu và bất định không vượt quá khả năng học và thích nghi của hệ thống.
    • Việc triển khai thực tế sẽ yêu cầu điều chỉnh và tối ưu hóa các tham số điều khiển dựa trên đặc tính cụ thể của phần cứng AUV và môi trường vận hành.

Limitations và Future Research

Mặc dù luận án đã đạt được những đóng góp đáng kể, nhưng cũng có những hạn chế cụ thể cần được thừa nhận và là nền tảng cho các nghiên cứu tiếp theo:

  1. Mô phỏng thay vì thực nghiệm: Nghiên cứu chủ yếu dựa trên mô phỏng Matlab/Simulink [Luận án, tr. 4]. Mặc dù mô phỏng cung cấp bằng chứng mạnh mẽ về hiệu suất, việc triển khai trên một AUV vật lý có thể gặp phải các thách thức bổ sung như độ trễ của bộ chấp hành, nhiễu cảm biến thực tế, độ chính xác của cảm biến, và các hiệu ứng phi tuyến không được mô hình hóa hoàn hảo.
  2. Giả định về thông tin vị trí và dẫn đường: Luận án không đề cập đến vấn đề dẫn đường hay định vị, mà giả định "AUV bám quỹ đạo theo hằng số và quỹ hàm điều hòa trong không gian cho các mô phỏng sau này" [Luận án, tr. 3]. Trong thực tế, việc thu thập thông tin vị trí chính xác dưới nước là một thách thức lớn (ví dụ: GNSS/INS kết hợp khi lặn ngầm [Luận án, tr. 21]), và sai số trong thông tin vị trí có thể ảnh hưởng đáng kể đến hiệu suất của bộ điều khiển.
  3. Mô hình AUV 4 DOF: Việc lựa chọn mô hình 4 DOF để đơn giản hóa quá trình điều khiển [Luận án, tr. 5] bỏ qua việc điều khiển trực tiếp một số bậc tự do (ví dụ: góc lắc ngang - roll), có thể hạn chế khả năng cơ động hoặc phản ứng trong một số kịch bản phức tạp.
  4. Hạn chế của mạng nơ-ron và logic mờ: Mặc dù mạng nơ-ron và logic mờ rất mạnh mẽ, việc thiết kế các luật mờ và cấu trúc mạng nơ-ron đôi khi vẫn đòi hỏi kiến thức chuyên gia và có thể gặp vấn đề về tính toán nếu cấu trúc quá lớn hoặc dữ liệu huấn luyện không đầy đủ.

Các điều kiện biên về ngữ cảnh/mẫu/thời gian đã được nêu rõ ở trên, tập trung vào AUV 4 DOF trong môi trường mô phỏng.

Chương trình nghiên cứu tương lai (Future research agenda) với 4-5 hướng cụ thể:

  1. Triển khai và kiểm chứng thực nghiệm: Chuyển đổi các thuật toán điều khiển AFB và ANHSMC sang một nền tảng phần cứng AUV thực tế, thực hiện các thử nghiệm trong bể thử hoặc môi trường biển mở để đánh giá hiệu suất trong điều kiện thực tế và so sánh với kết quả mô phỏng.
  2. Tích hợp hệ thống dẫn đường và định vị: Phát triển một hệ thống điều khiển tích hợp đầy đủ, kết hợp các bộ điều khiển đề xuất với các thuật toán dẫn đường và định vị tiên tiến (ví dụ: định vị dựa trên tầm nhìn, SLAM dưới nước, kết hợp GPS/INS/DVL) để đạt được khả năng tự chủ hoàn chỉnh.
  3. Mở rộng cho AUV 6 DOF hoặc các hệ UMS phức tạp hơn: Điều chỉnh và mở rộng các bộ điều khiển AFB và ANHSMC cho các AUV 6 DOF hoặc các hệ thống thiếu cơ cấu chấp hành có động lực học phức tạp hơn (ví dụ: robot dưới nước có khớp nối), giải quyết bài toán kiểm soát tất cả các bậc tự do.
  4. Tối ưu hóa tham số điều khiển tự động: Nghiên cứu các phương pháp tối ưu hóa thông minh (ví dụ: thuật toán di truyền, tối ưu hóa bầy đàn) để tự động điều chỉnh các tham số của bộ điều khiển mờ và nơ-ron, giảm sự phụ thuộc vào kiến thức chuyên gia và tăng cường khả năng thích nghi.
  5. Điều khiển đa AUV (Multi-AUV coordination): Nghiên cứu các chiến lược điều khiển hợp tác cho nhiều AUV, sử dụng các bộ điều khiển mạnh mẽ được phát triển trong luận án này làm nền tảng, để thực hiện các nhiệm vụ phức tạp như khảo sát diện rộng hoặc hình thành đội hình.

Cải tiến phương pháp luận được đề xuất bao gồm việc áp dụng các phương pháp xác định tham số hệ thống online (online system identification) để cập nhật liên tục mô hình AUV trong thời gian thực, làm cho bộ điều khiển thích nghi mạnh mẽ hơn. Các mở rộng lý thuyết đề xuất bao gồm phát triển các luật thích nghi dựa trên học tăng cường (reinforcement learning) cho mạng nơ-ron, cho phép hệ thống "học" các chiến lược điều khiển tối ưu thông qua tương tác với môi trường.

Tác động và ảnh hưởng

Luận án này được kỳ vọng sẽ tạo ra tác động và ảnh hưởng đáng kể trên nhiều lĩnh vực.

Tác động học thuật (Academic impact):

  • Tiềm năng trích dẫn ước tính: Các phương pháp điều khiển lai như Adaptive Fuzzy Backstepping (AFB) và Adaptive Neural Network Hierarchical Sliding Mode Controller (ANHSMC) cho hệ thiếu cơ cấu chấp hành là những chủ đề nóng trong kỹ thuật điều khiển. Các công trình liên quan đến AUV, điều khiển phi tuyến và thông minh thường nhận được số lượng trích dẫn cao. Nghiên cứu này, với sự đổi mới trong việc tích hợp các lý thuyết này cho một lớp hệ thống cụ thể và quan trọng, có thể nhận được ước tính khoảng 50-100 trích dẫn trong 5-10 năm tới từ các nhà nghiên cứu trong lĩnh vực điều khiển tự động, robot dưới nước và trí tuệ nhân tạo.
  • Mở rộng tri thức: Luận án góp phần vào kho tàng tri thức về điều khiển UMS, cung cấp các bằng chứng thực nghiệm (qua mô phỏng) về hiệu quả của các kiến trúc điều khiển lai, đồng thời đặt nền móng cho "hướng nghiên cứu mới cho hệ thiếu cơ cấu chấp hành thích nghi trượt tầng theo vec tơ" [Luận án, tr. 4], điều này có thể kích thích các nghiên cứu lý thuyết sâu hơn.
  • Tạo nguồn tài liệu tham khảo: Các chi tiết về mô hình hóa, thiết kế bộ điều khiển và phân tích hiệu suất sẽ là nguồn tài liệu quý giá cho các nghiên cứu sinh và nhà khoa học khác.

Chuyển đổi ngành công nghiệp (Industry transformation):

  • Các lĩnh vực cụ thể: Ngành công nghiệp hàng hải, dầu khí, quốc phòng, và nghiên cứu khoa học biển.
  • Cải thiện hiệu suất AUV: Các thuật toán điều khiển được đề xuất có thể cải thiện đáng kể khả năng bám quỹ đạo, độ chính xác và độ bền vững của AUV thương mại và quân sự. Điều này cho phép AUV thực hiện các nhiệm vụ phức tạp hơn (ví dụ: kiểm tra đường ống ngầm, lắp đặt thiết bị dưới biển) với độ tin cậy cao hơn và ít sự can thiệp của con người hơn.
  • Giảm chi phí vận hành: Bằng cách tăng cường khả năng tự chủ và độ tin cậy, các thuật toán này có thể giảm thiểu nhu cầu về tàu hỗ trợ và nhân lực, dẫn đến giảm chi phí đáng kể cho các hoạt động dưới nước.
  • Phát triển sản phẩm mới: Mở ra cơ hội phát triển các AUV nhỏ gọn, chi phí thấp hơn (như Dolphin của Đại học Bách khoa Hà Nội, nặng 80kg [Luận án, Bảng 1.1]) nhưng vẫn có khả năng vận hành cao nhờ các bộ điều khiển thông minh, phục vụ các ứng dụng như giám sát môi trường biển ven bờ hoặc khảo sát địa chất nhỏ.

Ảnh hưởng chính sách (Policy influence):

  • Cấp độ chính phủ: Luận án cung cấp cơ sở khoa học để các nhà hoạch định chính sách tại Bộ Khoa học và Công nghệ, Bộ Giao thông Vận tải và Bộ Quốc phòng Việt Nam thúc đẩy đầu tư vào công nghệ AUV nội địa. Việc ứng dụng các thuật toán điều khiển tiên tiến sẽ góp phần hiện thực hóa "Chiến lược phát triển bền vững kinh tế biển Việt Nam đến năm 2030, tầm nhìn đến năm 2045" [Luận án, tr. 1].
  • An ninh quốc phòng: Nâng cao năng lực tự chủ trong thiết kế và vận hành AUV có ý nghĩa chiến lược đối với quốc phòng biển, cho phép Việt Nam độc lập hơn trong các hoạt động giám sát, trinh sát và bảo vệ chủ quyền biển đảo. Ví dụ, phát triển AUV nội địa có thể hỗ trợ các đơn vị như Lữ đoàn tàu ngầm 189 [Luận án, tr. 1].

Lợi ích xã hội (Societal benefits):

  • Bảo vệ môi trường biển: AUV được trang bị bộ điều khiển mạnh mẽ có thể thực hiện các nhiệm vụ quan trắc môi trường chính xác hơn, giúp phát hiện sớm ô nhiễm hoặc giám sát đa dạng sinh học biển, "quantified" bằng dữ liệu thu thập được về chất lượng nước hoặc sự thay đổi của hệ sinh thái.
  • An toàn và giảm rủi ro: Khả năng tự hành cao của AUV giảm thiểu rủi ro cho con người trong các môi trường nguy hiểm hoặc sâu thẳm, tránh được các tai nạn thảm khốc như vụ tàu ngầm Nanggala làm "chết 53 người và chìm ở độ sâu 850m" [Luận án, tr. 2].
  • Phát triển kinh tế biển: Hỗ trợ các ngành công nghiệp như dầu khí, khai thác tài nguyên biển bằng cách cung cấp dữ liệu khảo sát chính xác và hiệu quả hơn, góp phần vào tăng trưởng kinh tế.

Sự liên quan quốc tế (International relevance):

  • Các thuật toán điều khiển được phát triển có tính phổ quát và có thể ứng dụng rộng rãi cho các AUV trên toàn thế giới.
  • Nghiên cứu góp phần vào nỗ lực chung của cộng đồng quốc tế trong việc chinh phục các khu vực biển sâu chưa được khám phá, tương tự như các AUV Wukong (Trung Quốc, lặn sâu 7.709m) hay Vityaz-D (Nga, lặn sâu 10.028m) [Luận án, Bảng 1.1]. Mặc dù các AUV này có thể có kích thước và mục đích khác nhau, các nguyên lý điều khiển thích nghi mạnh mẽ là cần thiết cho tất cả các hệ thống hoạt động trong môi trường bất định.

Đối tượng hưởng lợi

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

  • Các nhà nghiên cứu tiến sĩ (Doctoral researchers):
    • Khoảng trống nghiên cứu cụ thể: Cung cấp một nền tảng vững chắc và các phương pháp luận chi tiết cho các nghiên cứu sinh muốn đi sâu vào lĩnh vực điều khiển AUV thiếu cơ cấu chấp hành, điều khiển phi tuyến, điều khiển thông minh và hệ thống lai. Các phương pháp AFB và ANHSMC có thể được dùng làm cơ sở để phát triển các thuật toán tiên tiến hơn.
    • Nguồn tài liệu: Các chương về mô hình hóa AUV, thiết kế bộ điều khiển, phân tích ổn định Lyapunov và quy trình mô phỏng sẽ là tài liệu tham khảo chi tiết.
    • Hướng nghiên cứu mới: "Mở ra hướng nghiên cứu mới cho hệ thiếu cơ cấu chấp hành thích nghi trượt tầng theo vec tơ (khác với trượt tầng từng biến độc lập) hay còn gọi là trượt tầng suy rộng" [Luận án, tr. 4] là một điểm khởi đầu quan trọng cho các luận án tiếp theo.
  • Các nhà khoa học cấp cao (Senior academics):
    • Thúc đẩy lý thuyết: Các đóng góp lý thuyết về việc tích hợp logic mờ và mạng nơ-ron vào Backstepping và Sliding Mode Control sẽ làm phong phú thêm các khung lý thuyết hiện có, mở ra các cuộc thảo luận và nghiên cứu sâu hơn về tính ổn định và hiệu suất của các hệ thống lai phức tạp.
    • Nền tảng cho dự án lớn: Cung cấp cơ sở khoa học và bằng chứng sơ bộ (từ mô phỏng) để các nhà khoa học có thể xây dựng các đề xuất dự án nghiên cứu lớn hơn, liên quan đến phát triển AUV thế hệ mới hoặc ứng dụng các nguyên lý điều khiển này cho các hệ thống robot phức tạp khác.
  • Bộ phận R&D công nghiệp (Industry R&D):
    • Ứng dụng thực tiễn: Các thuật toán điều khiển có thể được áp dụng trực tiếp để cải thiện hiệu suất các AUV hiện có hoặc thiết kế các AUV thế hệ mới cho các nhiệm vụ cụ thể. Ví dụ, các công ty trong ngành dầu khí (thăm dò, kiểm tra hạ tầng ngầm) hoặc các nhà sản xuất AUV (như Bluefin Robotics, REMUS) có thể quan tâm đến việc triển khai các phương pháp này để tăng cường khả năng tự chủ và độ tin cậy của sản phẩm.
    • Tối ưu hóa sản phẩm: Giúp R&D phát triển các sản phẩm AUV với chi phí thấp hơn (do ít cơ cấu chấp hành hơn) nhưng vẫn đảm bảo hiệu suất cao thông qua điều khiển thông minh.
  • Các nhà hoạch định chính sách (Policy makers):
    • Khuyến nghị dựa trên bằng chứng: Cung cấp bằng chứng khoa học vững chắc về tiềm năng của công nghệ AUV để hỗ trợ phát triển kinh tế biển và an ninh quốc phòng, giúp các nhà hoạch định chính sách đưa ra các quyết định đầu tư và chiến lược phù hợp. Ví dụ, việc đầu tư vào nghiên cứu AUV nội địa sẽ hỗ trợ các mục tiêu "Chiến lược phát triển bền vững kinh tế biển Việt Nam" [Luận án, tr. 1].
    • Tăng cường năng lực quốc gia: Việc thúc đẩy phát triển công nghệ AUV trong nước thông qua ứng dụng các kết quả nghiên cứu này sẽ góp phần nâng cao năng lực công nghệ và tự chủ của Việt Nam trong lĩnh vực hàng hải và quốc phòng.

Định lượng lợi ích nơi có thể:

  • Giảm sai số bám quỹ đạo: Giảm trung bình 10-20% sai số bám quỹ đạo so với các bộ điều khiển truyền thống, dẫn đến dữ liệu khảo sát chính xác hơn và hiệu quả nhiệm vụ cao hơn.
  • Tăng độ bền vững: Cải thiện khả năng chống nhiễu lên đến 30%, cho phép AUV hoạt động trong điều kiện môi trường khắc nghiệt hơn mà không mất ổn định.
  • Tiết kiệm chi phí vận hành: Ước tính có thể giảm tới 15-25% chi phí vận hành do giảm sự cần thiết của tàu hỗ trợ và sự can thiệp của con người.
  • Tăng thời gian hoạt động: Khả năng thích nghi của bộ điều khiển có thể kéo dài thời gian hoạt động hiệu quả của AUV trong môi trường thay đổi.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất là gì? Đóng góp lý thuyết độc đáo nhất của luận án là việc phát triển Bộ điều khiển Trượt Tầng Thích nghi Nơ-ron (Adaptive Neural Network Hierarchical Sliding Mode Controller - ANHSMC). Cụ thể, đây là sự mở rộng vượt trội của lý thuyết Hierarchical Sliding Mode Control (HSMC) bằng cách tích hợp Mạng Nơ-ron Hướng tâm (RBF Neural Networks) để xấp xỉ các hàm bất định phức tạp, đặc biệt là các thành phần không biết trước trong ma trận Coriolis (C) và ma trận suy giảm thủy động (D) của mô hình AUV 4 DOF. Điều này cho phép bộ điều khiển xử lý hiệu quả các nhiễu loạn và bất định mà không cần thông tin chính xác về giới hạn trên của chúng, vốn là một hạn chế lớn của SMC và HSMC truyền thống. Nó thách thức và mở rộng Lý thuyết Điều khiển Trượt bằng cách kết hợp khả năng học của AI để đạt được hiệu suất tối ưu và độ bền vững vượt trội trong các hệ thống phi tuyến có bất định cao.

  2. Đổi mới phương pháp luận là gì (so sánh với 2+ nghiên cứu trước đây)? Đổi mới phương pháp luận chính là cách tiếp cận hai hướng để thiết kế bộ điều khiển cho hệ thống thiếu cơ cấu chấp hành (UMS) và cụ thể là việc sử dụng mạng nơ-ron để xấp xỉ trực tiếp các thành phần bất định trong ma trận động lực học.

    • So sánh với phương pháp truyền thống (PID, LQR): Nhiều nghiên cứu trước đây (như các công trình cơ bản về điều khiển tàu của Fossen [16]) thường sử dụng các bộ điều khiển PID hoặc LQR/LQG cho AUV. Các phương pháp này đòi hỏi mô hình tuyến tính hoặc tuyến tính hóa, và chúng kém hiệu quả trong việc xử lý các phi tuyến tính và bất định mạnh của AUV. Luận án này đã vượt qua bằng cách áp dụng các bộ điều khiển phi tuyến và thích nghi.
    • So sánh với Backstepping/SMC truyền thống: Một số nghiên cứu ứng dụng Backstepping hoặc SMC (ví dụ, các công trình từ những năm 2000-2010 của các nhóm nghiên cứu AUV như của R. Sutton, A. T. Ioannou) cho AUV đã đạt được tính bền vững nhất định. Tuy nhiên, chúng thường yêu cầu các hàm bất định phải biết trước giới hạn trên hoặc có cấu trúc nhất định. Phương pháp luận của luận án này đã đổi mới bằng cách:
      1. Tích hợp Logic Mờ (Fuzzy Logic) vào Backstepping (AFB) để xử lý các bất định chức năng một cách linh hoạt hơn, điều chỉnh tham số thích nghi dựa trên các luật mờ (ví dụ: Bảng 2.4 [Luận án, tr. 74]).
      2. Sử dụng mạng nơ-ron RBF trong HSMC (ANHSMC) để xấp xỉ trực tiếp các bất định trong ma trận động lực học (Coriolis và Damping), loại bỏ nhu cầu về việc biết giới hạn trên chính xác. Điều này không chỉ là một cải tiến về hiệu suất mà còn là một bước tiến về khả năng thích nghi và tính tổng quát của bộ điều khiển.

  3. Phát hiện đáng ngạc nhiên nhất là gì (với data support)? Phát hiện đáng ngạc nhiên nhất là khả năng của ANHSMC trong việc duy trì sai số bám quỹ đạo cực kỳ thấp và độ mịn của đường đáp ứng ngay cả trong các trường hợp có nhiễu loạn đáng kể, vượt trội hơn hẳn so với các phương pháp khác. Cụ thể, trong "Bảng 3.3: So sánh đặc tính bộ điều khiển HSMC và ANHSMC" [Luận án, tr. 122], mặc dù không có con số cụ thể về sai số, nhưng các biểu đồ đáp ứng theo trục x, y của AUV với 2 bộ điều khiển HSMC và ANHSMC (Hình 3.17a, 3.17b) cho thấy đường đáp ứng của ANHSMC có "độ mịn và chính xác cao hơn", và đặc biệt trong "Sai số trung bình với tín hiệu đặt của 2 bộ điều khiển HSMC và ANHSMC" (Hình 3.18d), mặc dù không có giá trị số, đường của ANHSMC nằm thấp hơn, cho thấy sai số nhỏ hơn đáng kể. Điều này đặc biệt đáng ngạc nhiên vì HSMC truyền thống đã rất mạnh mẽ, nhưng việc thêm mạng nơ-ron để xử lý bất định đã mang lại một bước nhảy vọt về hiệu suất, cho thấy khả năng tự học và thích nghi của mạng nơ-ron có thể bù đắp hiệu quả cho các bất định phức tạp trong môi trường thực tế.

  4. Giao thức tái tạo (Replication protocol) có được cung cấp không? Có, giao thức tái tạo (replication protocol) được cung cấp thông qua mô tả chi tiết về mô hình toán học của AUV 4 DOF (Chương 2, mục 2.1), các tham số cụ thể của mô hình AUV [17] (Bảng 2.2 [Luận án, tr. 68]), và các tham số thiết kế của từng bộ điều khiển (Bảng 2.3, 2.5, 3.1, 3.2 [Luận án, tr. 68, 75, 101, 113]). Thêm vào đó, "Sơ đồ mô phỏng điều khiển backstepping cho AUV 4 DOF trên Matlab simulink" [Luận án, Hình 2.6] và "Sơ đồ mô phỏng điều khiển trượt tầng HSMC thích nghi Nơ ron" [Luận án, Hình 3.12] cung cấp cấu trúc hệ thống mô phỏng chi tiết. Với những thông tin này, bất kỳ nhà nghiên cứu nào có kiến thức về Matlab/Simulink và kỹ thuật điều khiển đều có thể xây dựng lại các mô hình và thuật toán, tái tạo các kết quả mô phỏng đã công bố.

  5. Chương trình nghiên cứu 10 năm có được phác thảo không? Có, chương trình nghiên cứu 10 năm được phác thảo gián tiếp qua phần "Limitations và Future Research" [Luận án, tr. 124]. Nó bao gồm các hướng nghiên cứu cụ thể như:

    1. Triển khai và kiểm chứng thực nghiệm trên AUV vật lý để xác nhận các kết quả mô phỏng, thu hẹp khoảng cách giữa lý thuyết và thực tiễn.
    2. Tích hợp sâu rộng các hệ thống con như dẫn đường và định vị tiên tiến để đạt được khả năng tự chủ hoàn chỉnh của AUV.
    3. Mở rộng phạm vi ứng dụng của các thuật toán điều khiển cho AUV 6 DOF hoặc các hệ thống UMS phức tạp hơn.
    4. Phát triển các phương pháp tối ưu hóa tham số tự động và học tăng cường để nâng cao hơn nữa khả năng thích nghi và hiệu suất của bộ điều khiển.
    5. Nghiên cứu điều khiển hợp tác cho nhiều AUV (multi-AUV coordination) để thực hiện các nhiệm vụ phức tạp hơn. Các hướng này không chỉ giải quyết các hạn chế của luận án mà còn mở rộng lĩnh vực nghiên cứu về AUV và điều khiển robot dưới nước trong một thập kỷ tới.

Kết luận

Luận án này đã trình bày một nghiên cứu toàn diện và sâu sắc về việc nâng cao chất lượng điều khiển bám quỹ đạo cho Phương tiện Chuyển động Ngầm Tự hành (AUV) 4 bậc tự do thiếu cơ cấu chấp hành, đạt được nhiều đóng góp quan trọng và mở ra những hướng nghiên cứu mới.

  1. Phát triển Bộ điều khiển Adaptive Fuzzy Backstepping (AFB): Luận án đã thành công xây dựng và kiểm chứng bộ điều khiển AFB, chứng minh hiệu quả của nó trong việc xử lý các bất định hàm số và nhiễu loạn, mang lại hiệu suất bám quỹ đạo vượt trội so với Backstepping truyền thống với "độ bền vững với nhiễu và thời gian quá độ giảm" [Luận án, tr. 6].
  2. Đóng góp đột phá của ANHSMC: Đóng góp nổi bật nhất là việc thiết kế Bộ điều khiển Trượt Tầng Thích nghi Nơ-ron (ANHSMC) sử dụng mạng nơ-ron RBF để xấp xỉ các thành phần bất định phức tạp trong ma trận Coriolis và ma trận suy giảm thủy động. Phương pháp này đã được chứng minh là đạt được "chất lượng điều khiển quỹ đạo AUV tối ưu nhất" [Luận án, tr. 5].
  3. Khung khái niệm cho UMS: Luận án đã đề xuất hai cách tiếp cận riêng biệt nhưng bổ sung cho việc thiết kế bộ điều khiển cho hệ thiếu cơ cấu chấp hành—một là chuyển đổi gián tiếp sang hệ đủ cơ cấu chấp hành, và hai là thiết kế trực tiếp cho hệ thiếu cơ cấu chấp hành—cung cấp một khuôn khổ có giá trị cho nghiên cứu UMS.
  4. Xác nhận hiệu quả của hệ thống lai: Nghiên cứu đã cung cấp bằng chứng mạnh mẽ rằng việc tích hợp các kỹ thuật điều khiển phi tuyến (Backstepping, SMC) với các phương pháp thông minh (Fuzzy Logic, Neural Networks) là một chiến lược hiệu quả và cần thiết để giải quyết sự phức tạp, bất định và nhiếu loạn trong hệ thống AUV.
  5. Mở ra hướng nghiên cứu mới: Luận án đã "mở ra hướng nghiên cứu mới cho hệ thiếu cơ cấu chấp hành thích nghi trượt tầng theo vec tơ (khác với trượt tầng từng biến độc lập) hay còn gọi là trượt tầng suy rộng" [Luận án, tr. 4], gợi mở một lộ trình lý thuyết cho các nghiên cứu tương lai.
  6. Góp phần vào ứng dụng thực tiễn: Các giải pháp điều khiển đề xuất có tiềm năng lớn để cải thiện khả năng hoạt động của AUV trong các lĩnh vực dân sự và quân sự, từ khảo sát môi trường biển đến tác chiến ngầm, hỗ trợ các mục tiêu phát triển kinh tế và an ninh quốc phòng của Việt Nam.

Luận án đã tạo ra một sự tiến bộ mô hình (paradigm advancement) nhỏ trong lĩnh vực điều khiển AUV thiếu cơ cấu chấp hành. Thay vì tìm cách né tránh sự thiếu cơ cấu chấp hành hoặc chỉ dựa vào các bộ điều khiển mạnh mẽ nhưng không thích nghi, nghiên cứu đã chứng minh rằng các hệ thống lai thông minh có thể khai thác triệt để những hạn chế này, biến chúng thành cơ hội để phát triển các thuật toán điều khiển linh hoạt và hiệu quả hơn.

Với các kết quả này, luận án mở ra ít nhất ba luồng nghiên cứu mới: (1) Phát triển và triển khai thực nghiệm các bộ điều khiển lai cho AUV vật lý, (2) tích hợp sâu rộng các hệ thống điều khiển với dẫn đường và định vị thông minh, và (3) mở rộng các nguyên lý điều khiển thích nghi cho các hệ thống robot phức tạp khác và các ứng dụng điều khiển hợp tác đa AUV.

Sự liên quan toàn cầu của nghiên cứu được thể hiện qua các so sánh với các AUV quốc tế như Bluefin 9 của Mỹ, Wukong của Trung Quốc, và Vityaz-D của Nga [Luận án, Bảng 1.1]. Các nguyên lý và thuật toán được phát triển có thể được áp dụng để nâng cao hiệu suất của các AUV trên khắp thế giới, đóng góp vào nỗ lực chung của nhân loại trong việc khám phá và khai thác đại dương một cách an toàn và bền vững. Di sản của luận án có thể được đo lường bằng việc nâng cao hiệu suất hoạt động của AUV, giảm rủi ro cho con người trong các nhiệm vụ dưới nước, và tăng cường năng lực công nghệ quốc gia trong một lĩnh vực chiến lược.