Tổng quan nghiên cứu

Trong những năm gần đây, hệ thống hỗ trợ lái xe tiên tiến (ADAS) đã trở thành một trọng tâm nghiên cứu và phát triển toàn cầu, thu hút sự quan tâm sâu sắc từ các quốc gia, tập đoàn công nghệ và tổ chức giáo dục. ADAS, với khả năng giảm đáng kể các vụ tai nạn do lỗi con người, đóng vai trò then chốt trong việc nâng cao an toàn giao thông tổng thể, đồng thời giảm tiêu thụ năng lượng và ô nhiễm không khí, cải thiện sự thoải mái cho hành khách. Một trong những thách thức trung tâm trong phát triển xe tự hành là khả năng điều khiển theo dõi quỹ đạo và xử lý ổn định của xe, đặc biệt trong điều kiện môi trường có nhiễu loạn không xác định và các ràng buộc hệ thống động học.

Luận văn này đi sâu vào việc nghiên cứu các hoạt động theo dõi và đổi làn của xe tự hành khi đối mặt với những nhiễu loạn không biết, có tính đến các trạng thái động học và giới hạn đầu vào của hệ thống. Mục tiêu chính là phát triển một sơ đồ điều khiển tiên tiến nhằm nâng cao độ chính xác theo dõi và ổn định của hệ thống khi điều hướng trong các điều kiện vận hành khắt khe. Phạm vi nghiên cứu tập trung vào mô hình xe D-Class Sedan với khối lượng 1600 kg, sử dụng môi trường đồng mô phỏng CarSim-Simulink để đánh giá hiệu quả qua ba kịch bản lái xe khác nhau, bao gồm đường ướt (hệ số ma sát 0.5), đường khô (hệ số ma sát 0.9) và đường băng (hệ số ma sát 0.3) cùng với các điều kiện vận tốc thay đổi và ngoại lực gió. Nghiên cứu này mang ý nghĩa quan trọng trong việc đảm bảo xe tự hành không chỉ vận hành an toàn mà còn tối ưu hóa hiệu suất, góp phần vào sự phát triển bền vững của ngành công nghiệp ô tô.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu này dựa trên một nền tảng lý thuyết vững chắc, kết hợp nhiều mô hình và khái niệm tiên tiến trong lĩnh vực điều khiển tự động. Đầu tiên, lý thuyết Lyapunov là công cụ trung tâm để chứng minh tính ổn định của hệ thống điều khiển vòng kín, đảm bảo rằng tất cả các tín hiệu lỗi hội tụ và các ràng buộc hệ thống được thỏa mãn. Lý thuyết này cung cấp một khuôn khổ toán học để phân tích sự ổn định của các hệ thống phi tuyến phức tạp, điều cần thiết cho động lực học của xe tự hành.

Thứ hai, mạng nơ-ron hàm cơ sở xuyên tâm (Radial Basis Function Neural Network - RBFNN) được áp dụng để ước tính các nhiễu gộp không xác định. Những nhiễu này có thể phát sinh từ các bất định tham số, nhiễu bên ngoài như gió hoặc bề mặt đường không đồng đều, và các động lực học không được mô hình hóa. RBFNN nổi bật với khả năng xấp xỉ các hàm phi tuyến bất kỳ trên một tập hợp nhỏ gọn, mang lại độ chính xác cao trong việc bù nhiễu.

Thứ ba, sơ đồ điều khiển Lyapunov rào cản tích phân bất đối xứng thay đổi theo thời gian thích ứng (adaptive asymmetric time-varying integral barrier Lyapunov control scheme) là đóng góp cốt lõi của luận văn. Phương pháp này được thiết kế để xử lý các ràng buộc phức tạp của trạng thái hệ thống và tín hiệu điều khiển, một cải tiến so với các phương pháp Lyapunov rào cản truyền thống thường chỉ áp dụng cho các ràng buộc đối xứng. Điều này cho phép các trạng thái như góc lái (giới hạn từ -12° đến 12°) và tốc độ góc lái (giới hạn từ -25 °/s đến 25 °/s) luôn nằm trong giới hạn cho phép.

Cuối cùng, các khái niệm về điều khiển bề mặt động (dynamic surface control) và hệ thống bộ lọc lệnh (command filter system) được tích hợp để giải quyết hiện tượng "explosion of terms" thường gặp trong các thiết kế điều khiển backstepping. Bộ lọc lệnh giúp tránh việc tính toán đạo hàm lặp đi lặp lại của các tín hiệu điều khiển ảo, làm đơn giản hóa đáng kể quá trình thiết kế mà vẫn duy trì tính ổn định của hệ thống. Các khái niệm chính khác bao gồm điều khiển lái chủ động bánh trước (AFS) và điều khiển mô-men quay trực tiếp (DYC), đây là các phương pháp chủ động để cải thiện độ ổn định và khả năng theo dõi quỹ đạo của xe trong các điều kiện lái xe khó khăn.

Phương pháp nghiên cứu

Nghiên cứu này sử dụng phương pháp mô phỏng kết hợp kiểm chứng định lượng và định tính để đánh giá hiệu quả của sơ đồ điều khiển đề xuất.

Nguồn dữ liệu: Dữ liệu được tạo ra từ môi trường đồng mô phỏng CarSim-Simulink, một công cụ đáng tin cậy và được sử dụng rộng rãi trong ngành công nghiệp ô tô. CarSim cung cấp mô hình động lực học xe toàn diện với độ trung thực cao, trong khi Matlab/Simulink được sử dụng để triển khai bộ điều khiển. Phương tiện được mô phỏng là một xe điện bốn động cơ đặt trong bánh xe (four in-wheel motors electric vehicle) thuộc phân khúc D-Class Sedan, với các thông số vật lý cụ thể như khối lượng 1600 kg và mô-men quán tính quanh trục quay 2800 kg·m².

Phương pháp phân tích:

  • Phân tích định tính: Bao gồm việc trực quan hóa các quỹ đạo, sai số theo dõi, và tín hiệu điều khiển thông qua biểu đồ thời gian. Điều này cho phép đánh giá trực quan về độ mượt mà, khả năng hội tụ và tuân thủ ràng buộc của hệ thống.
  • Phân tích định lượng: Sử dụng các chỉ số lỗi tích phân chuẩn hóa như Integral Squared Errors (ISE), Integral Absolute Errors (IAE) và Integral Time-multiplied Absolute Errors (ITAE) để so sánh hiệu suất giữa phương pháp đề xuất và các phương pháp điều khiển SMC truyền thống (có và không có DYC). Giá trị thấp hơn của các chỉ số này cho thấy hiệu suất điều khiển tốt hơn.

Cỡ mẫu và Phương pháp chọn mẫu: Nghiên cứu được thực hiện trên ba kịch bản lái xe khác nhau, mỗi kịch bản được thiết kế để đại diện cho các điều kiện vận hành đa dạng và khắc nghiệt mà một xe tự hành có thể gặp phải:

  1. Kịch bản 1: Đổi làn kép trên đường ướt (hệ số ma sát µ = 0.5) với vận tốc dọc không đổi 80 km/h (tương đương 22.3 m/s), chịu ảnh hưởng của lực gió mạnh từ hai phía.
  2. Kịch bản 2: Đổi làn kép trên đường khô (µ = 0.9) với vận tốc dọc thay đổi (tăng từ 80 km/h lên 92 km/h rồi giảm xuống 65 km/h).
  3. Kịch bản 3: Rẽ chữ J ở tốc độ thấp (vx = 11 m/s) trên đường băng (µ = 0.3). Các kịch bản này được chọn để kiểm tra độ mạnh mẽ và hiệu quả của bộ điều khiển dưới nhiều điều kiện ma sát, tốc độ và nhiễu loạn khác nhau, đảm bảo tính tổng quát và khả năng ứng dụng của phương pháp.

Lý do lựa chọn phương pháp phân tích:

  • Lý thuyết Lyapunov: Là nền tảng toán học tiêu chuẩn và mạnh mẽ nhất để chứng minh tính ổn định của hệ thống điều khiển phi tuyến, đảm bảo rằng các lỗi hệ thống sẽ bị giới hạn hoặc hội tụ về không.
  • RBFNN: Được lựa chọn vì khả năng xấp xỉ các hàm phi tuyến tùy ý, làm cho nó trở thành một công cụ lý tưởng để ước tính các nhiễu gộp không xác định, điều mà các phương pháp truyền thống khó xử lý hiệu quả.
  • Hệ thống bộ lọc lệnh: Giải quyết vấn đề "explosion of terms" cố hữu trong các thiết kế điều khiển backstepping, giảm gánh nặng tính toán và đơn giản hóa việc triển khai mà không ảnh hưởng đến hiệu suất ổn định.
  • Tối ưu hóa (PSO - Particle Swarm Optimization): Được sử dụng để tinh chỉnh các tham số điều khiển (ví dụ: K1y = 0.8, K2y = 0.5, K1x = 0.7, K1γ = 0.6), giúp hệ thống đạt được hiệu suất tối ưu nhất trong các kịch bản khác nhau. PSO là thuật toán hiệu quả trong việc tìm kiếm các giá trị tham số tối ưu.
  • CarSim-Simulink: Được chọn vì đây là môi trường mô phỏng tiêu chuẩn ngành, cung cấp một mô hình xe toàn diện và khả năng đồng mô phỏng linh hoạt, cho phép đánh giá hiệu quả bộ điều khiển trong điều kiện gần với thực tế mà không cần kiểm thử vật lý tốn kém.

Quá trình nghiên cứu được tiến hành trong một giai đoạn nhất định, bao gồm phát triển lý thuyết, thiết kế bộ điều khiển, triển khai mô phỏng và phân tích kết quả, nhằm đảm bảo tính toàn diện và độ tin cậy của các phát hiện.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Nghiên cứu đã thu được nhiều phát hiện quan trọng, khẳng định hiệu quả và tính ưu việt của phương pháp điều khiển đề xuất cho xe tự hành.

  1. Hiệu quả vượt trội trong việc tuân thủ ràng buộc và độ chính xác theo dõi: Phương pháp điều khiển Lyapunov rào cản tích phân bất đối xứng thay đổi theo thời gian đã chứng minh khả năng mạnh mẽ trong việc giới hạn các sai số theo dõi ngang (ey) và tốc độ góc lái (δ̇) trong các ràng buộc đã định. Cụ thể, trong kịch bản đổi làn kép trên đường ướt (Scenario 1), chỉ số ISE cho sai số ngang (ey) của phương pháp đề xuất là 0.08, thấp hơn đáng kể so với 0.78 của phương pháp SMC truyền thống. Điều này cho thấy phương pháp mới đảm bảo các trạng thái và tín hiệu điều khiển như góc lái nằm trong khoảng an toàn -12° đến 12°, và tốc độ góc lái không vượt quá -25 °/s đến 25 °/s, ngay cả trong điều kiện lái xe khắc nghiệt.

  2. Vai trò then chốt của điều khiển mô-men quay trực tiếp (DYC) và phân bổ mô-men xoắn tối ưu: Việc tích hợp DYC và thuật toán phân bổ mô-men xoắn dựa trên tối ưu hóa đã nâng cao đáng kể độ ổn định góc quay (yaw rate) và độ chính xác theo dõi quỹ đạo. Trên đường băng (µ = 0.3) với kịch bản rẽ chữ J (Scenario 3), ISE cho sai số tốc độ góc quay (eγ) của phương pháp đề xuất là 0.45, so với 3.51 của SMC không có DYC. Điều này minh chứng DYC giúp duy trì sự thẳng hàng của góc lái với giá trị mục tiêu, đặc biệt quan trọng trong các tình huống đường trơn trượt hoặc khi đổi làn tốc độ cao, nơi xe dễ mất ổn định.

  3. Cải thiện độ vững chắc nhờ RBFNN và bộ lọc lệnh: Mạng nơ-ron RBFNN đã chứng tỏ hiệu quả trong việc ước tính và bù đắp các nhiễu gộp (lumped disturbances) do các bất định tham số và nhiễu bên ngoài. Điều này cải thiện độ chính xác theo dõi vận tốc dọc (ex) và giảm thiểu sai số, tăng cường độ vững chắc của hệ thống. Trong kịch bản đổi làn kép với vận tốc thay đổi (Scenario 2), ISE cho sai số vận tốc dọc (ex) của phương pháp đề xuất là 0.02, thấp hơn so với 0.08 của SMC. Hệ thống bộ lọc lệnh cũng góp phần tránh hiện tượng "explosion of terms", làm cho quá trình thiết kế và triển khai điều khiển trở nên thực tế và hiệu quả hơn.

  4. Hiệu suất tổng thể vượt trội trong các kịch bản đa dạng: Phương pháp đề xuất đạt hiệu suất cao nhất trên tất cả các chỉ số (ISE, IAE, ITAE) trong cả ba kịch bản lái xe mô phỏng, chứng tỏ tính mạnh mẽ và chính xác vượt trội so với các phương pháp SMC truyền thống. Ví dụ, chỉ số ITAE cho sai số ngang (ey) trong Scenario 2 là 0.03 cho phương pháp đề xuất, trong khi SMC đạt 0.36. Điều này khẳng định khả năng của hệ thống trong việc duy trì hiệu suất ổn định và an toàn trong một loạt các điều kiện vận hành khó khăn.

Thảo luận kết quả

Các kết quả nghiên cứu chỉ ra rằng phương pháp điều khiển Lyapunov rào cản tích phân bất đối xứng thay đổi theo thời gian thích ứng vượt trội hơn hẳn so với các phương pháp điều khiển SMC truyền thống. Sự vượt trội này có thể được giải thích bởi một số yếu tố cốt lõi. Đầu tiên, khả năng xử lý đồng thời các ràng buộc của trạng thái và tín hiệu điều khiển một cách bất đối xứng và thay đổi theo thời gian là một lợi thế quan trọng. Các phương pháp SMC truyền thống thường bỏ qua các ràng buộc này hoặc chỉ xử lý chúng một cách đối xứng, dẫn đến hiệu suất suy giảm hoặc thậm chí gây mất ổn định hệ thống khi các giới hạn bị vi phạm. Trong khi đó, phương pháp đề xuất đảm bảo rằng các thông số quan trọng như góc lái và tốc độ góc lái luôn nằm trong giới hạn an toàn, cải thiện cả sự thoải mái cho hành khách và tuổi thọ của bộ truyền động.

Thứ hai, việc tích hợp mạng nơ-ron RBFNN để ước tính và bù đắp các nhiễu gộp là yếu tố then chốt giúp tăng cường độ vững chắc của hệ thống. Các nhiễu loạn như gió mạnh (kịch bản 1) hoặc thay đổi đột ngột về hệ số ma sát đường (kịch bản 3) thường gây ra sự biến động lớn trong động lực học xe. RBFNN giúp hệ thống thích ứng với những thay đổi này, duy trì độ chính xác theo dõi cao cho vận tốc dọc và góc quay, ngay cả trong điều kiện bất định. Điều này khắc phục hạn chế của SMC, vốn thường gặp hiện tượng "chattering" (dao động tần số cao) khi phản ứng với nhiễu.

Thứ ba, việc sử dụng hệ thống bộ lọc lệnh đã giải quyết hiệu quả vấn đề "explosion of terms" trong quá trình thiết kế điều khiển dựa trên backstepping. Điều này giúp đơn giản hóa quá trình tính toán, giảm gánh nặng tính toán và làm cho việc triển khai bộ điều khiển trong các hệ thống thực tế trở nên khả thi hơn. Các phương pháp điều khiển dựa trên Mô hình dự đoán (MPC), mặc dù có khả năng xử lý ràng buộc tốt, thường phải đối mặt với gánh nặng tính toán đáng kể do quá trình tối ưu hóa phi tuyến phức tạp ở mỗi bước, khiến chúng khó áp dụng trong các hệ thống tài nguyên hạn chế. Phương pháp đề xuất khắc phục được nhược điểm này bằng cách duy trì hiệu suất mạnh mẽ với chi phí tính toán thấp hơn.

Ý nghĩa của những kết quả này là rất lớn. Luận văn cung cấp một giải pháp điều khiển mạnh mẽ và hiệu quả để nâng cao an toàn, sự thoải mái và hiệu suất tổng thể của xe tự hành. Khả năng duy trì sự ổn định trên các bề mặt đường có ma sát thấp (ví dụ: đường băng với µ = 0.3) hoặc trong các tình huống đổi làn tốc độ cao (kịch bản 2) là cực kỳ quan trọng cho việc triển khai xe tự hành trong thế giới thực. Hơn nữa, việc đảm bảo các ràng buộc hệ thống luôn được thỏa mãn sẽ mở rộng phạm vi ứng dụng của công nghệ điều khiển này, cho phép xe tự hành hoạt động an toàn và hiệu quả trong nhiều điều kiện môi trường đa dạng hơn.

Các dữ liệu thu được từ mô phỏng có thể được trình bày một cách rõ ràng và trực quan thông qua nhiều hình thức. Các biểu đồ đường thời gian (time-series plots) là lý tưởng để minh họa sự phát triển của sai số ngang (ey), sai số vận tốc dọc (ex), sai số tốc độ góc quay (eγ), góc lái (δ) và tốc độ góc lái (δ̇) theo thời gian. Những biểu đồ này có thể so sánh hiệu suất của phương pháp đề xuất với các phương pháp SMC truyền thống trong từng kịch bản, làm nổi bật sự khác biệt về khả năng hội tụ và tuân thủ ràng buộc. Ngoài ra, các bảng so sánh tổng hợp các chỉ số định lượng như ISE, IAE, và ITAE (như Bảng 5.1 trong nghiên cứu) sẽ cung cấp cái nhìn tổng quan chi tiết về hiệu suất vượt trội của phương pháp đề xuất trên tất cả các kịch bản và metrics.

Đề xuất và khuyến nghị

Dựa trên những đóng góp và kết quả nghiên cứu đã đạt được, luận văn này đề xuất các hướng phát triển và khuyến nghị cụ thể nhằm tối ưu hóa và mở rộng ứng dụng của sơ đồ điều khiển:

  1. Triển khai và kiểm thử thực nghiệm trên nền tảng xe tự hành vật lý:

    • Động từ hành động: Thực hiện, Kiểm chứng.
    • Giải pháp: Chuyển đổi sơ đồ điều khiển từ môi trường mô phỏng CarSim-Simulink sang nền tảng phần cứng của một xe tự hành thực tế. Thiết kế và thực hiện các thử nghiệm trên đường thử trong điều kiện được kiểm soát chặt chẽ, bao gồm các kịch bản đổi làn và rẽ chữ J, để xác nhận hiệu suất và độ vững chắc của bộ điều khiển trong môi trường vật lý.
    • Target metric: Đạt độ chính xác theo dõi quỹ đạo trong môi trường thực tế ít nhất 90% so với kết quả mô phỏng; đảm bảo tất cả các ràng buộc hệ thống (như góc lái, tốc độ góc lái) được tuân thủ 100% trong các thử nghiệm thực tế.
    • Timeline: Trong vòng 2-3 năm tới.
    • Chủ thể thực hiện: Các nhóm nghiên cứu và phát triển tại các viện nghiên cứu chuyên sâu về ô tô hoặc các công ty công nghệ xe tự hành.

  2. Tích hợp với các hệ thống cảm biến tiên tiến và thuật toán nhận thức môi trường:

    • Động từ hành động: Tích hợp, Nâng cao.
    • Giải pháp: Kết nối sơ đồ điều khiển với dữ liệu từ các cảm biến hiện đại như LiDAR, radar, camera và hệ thống định vị toàn cầu (GPS) để cải thiện khả năng nhận thức môi trường và dự đoán quỹ đạo. Phát triển các thuật toán fusion cảm biến để cung cấp thông tin trạng thái xe và môi trường chính xác hơn cho bộ điều khiển, đặc biệt trong điều kiện tầm nhìn hạn chế hoặc nhiễu loạn cao.
    • Target metric: Giảm sai số theo dõi trung bình xuống dưới 0.1 mét trong các kịch bản lái xe phức tạp trên đường công cộng; cải thiện khả năng phát hiện và phản ứng với các chướng ngại vật bất ngờ thêm 15% so với hiện tại.
    • Timeline: Giai đoạn tiếp theo của quá trình phát triển sản phẩm, khoảng 3-4 năm.
    • Chủ thể thực hiện: Các kỹ sư hệ thống, nhà phát triển phần mềm AI và các chuyên gia về thị giác máy tính trong lĩnh vực xe tự hành.

  3. Mở rộng nghiên cứu để xử lý các ràng buộc phức tạp hơn và kịch bản lái xe khẩn cấp:

    • Động từ hành động: Mở rộng, Nghiên cứu sâu.
    • Giải pháp: Phát triển mô hình điều khiển để xử lý các ràng buộc động học bổ sung như góc trượt bên (sideslip angle) và các giới hạn liên quan đến lực ma sát lốp xe. Đồng thời, nghiên cứu khả năng thích ứng của sơ đồ điều khiển trong các kịch bản lái xe khẩn cấp như tránh va chạm đột ngột hoặc phanh gấp trên bề mặt đường không đồng nhất.
    • Target metric: Khả năng duy trì ổn định xe (ví dụ: góc trượt bên dưới 3 độ) trong ít nhất 2 kịch bản tránh va chạm khẩn cấp; giảm 20% thời gian phản ứng trong các tình huống nguy hiểm.
    • Timeline: 3-5 năm tới, trong khuôn khổ các dự án nghiên cứu dài hạn.
    • Chủ thể thực hiện: Cộng đồng học thuật, các nhóm nghiên cứu tiên tiến về điều khiển và robot.

  4. Đánh giá toàn diện và so sánh với các phương pháp điều khiển tiên tiến khác:

    • Động từ hành động: Đánh giá, So sánh.
    • Giải pháp: Thực hiện một nghiên cứu so sánh chi tiết giữa phương pháp đề xuất và các phương pháp điều khiển hiện đại khác như Model Predictive Control (MPC) về hiệu suất theo dõi, khả năng xử lý ràng buộc, và đặc biệt là gánh nặng tính toán. Phân tích rõ ràng ưu nhược điểm của từng phương pháp để xác định các lĩnh vực mà sơ đồ điều khiển này có thể được tối ưu hóa hơn nữa hoặc kết hợp với các kỹ thuật khác.
    • Target metric: Xác định các kịch bản cụ thể mà phương pháp đề xuất vượt trội hoặc kém hơn MPC ít nhất 10% về hiệu suất hoặc 20% về hiệu quả tính toán, với báo cáo chi tiết trong vòng 1-2 năm tới.
    • Chủ thể thực hiện: Các nhà khoa học dữ liệu, kỹ sư điều khiển và các nhà phân tích hệ thống.

  5. Phát triển kỹ thuật ước tính trạng thái xe tiên tiến:

    • Động từ hành động: Phát triển, Nâng cao.
    • Giải pháp: Nghiên cứu và triển khai các bộ quan sát trạng thái (state observers) như bộ lọc Kalman mở rộng (Extended Kalman Filter) hoặc bộ quan sát dựa trên mạng nơ-ron để ước tính chính xác các trạng thái xe không thể đo lường trực tiếp, bao gồm vận tốc và tốc độ góc quay, trong điều kiện nhiễu loạn và thiếu thông tin.
    • Target metric: Giảm sai số ước tính vận tốc và tốc độ góc quay xuống dưới 2% trong các điều kiện thực tế, đảm bảo cung cấp dữ liệu đầu vào chất lượng cao cho bộ điều khiển.
    • Timeline: Trong vòng 1-2 năm tới.
    • Chủ thể thực hiện: Các nhà nghiên cứu và phát triển thuật toán ước tính.

Đối tượng nên tham khảo luận văn

Luận văn "Điều khiển theo dõi thích ứng cho xe tự hành có ràng buộc hệ thống" là một tài liệu học thuật giá trị, hướng đến nhiều nhóm đối tượng khác nhau trong lĩnh vực kỹ thuật và công nghệ:

  1. Kỹ sư Điều khiển và Tự động hóa trong ngành Ô tô:

    • Lợi ích cụ thể: Các kỹ sư làm việc trong lĩnh vực phát triển hệ thống hỗ trợ lái xe tiên tiến (ADAS) và xe tự hành sẽ tìm thấy kiến thức chuyên sâu về thiết kế bộ điều khiển phi tuyến có khả năng xử lý các ràng buộc động học và tín hiệu điều khiển. Luận văn cung cấp một khung lý thuyết và thực tiễn để nâng cao độ chính xác theo dõi quỹ đạo và độ ổn định của xe.
    • Use case: Áp dụng trực tiếp các sơ đồ điều khiển Lyapunov rào cản tích phân bất đối xứng và phương pháp bù nhiễu bằng RBFNN vào việc cải thiện hiệu suất các module điều khiển hiện có, hoặc trong quá trình thiết kế các hệ thống điều khiển mới cho xe điện và xe tự lái.

  2. Sinh viên và Nghiên cứu sinh trong lĩnh vực Kỹ thuật Điều khiển, Robotics và Xe tự hành:

    • Lợi ích cụ thể: Đây là nguồn tài liệu tham khảo quý giá cho những ai đang theo học hoặc thực hiện nghiên cứu về lý thuyết điều khiển phi tuyến, điều khiển thích ứng, mạng nơ-ron và các ứng dụng trong lĩnh vực xe tự hành. Luận văn cung cấp ví dụ chi tiết về cách giải quyết các vấn đề phức tạp như ràng buộc hệ thống và nhiễu loạn.
    • Use case: Làm tài liệu tham khảo cho các khóa học sau đại học về điều khiển tiên tiến, các đề tài luận văn thạc sĩ hoặc tiến sĩ, hoặc là nguồn cảm hứng cho các dự án nghiên cứu mới liên quan đến ổn định xe và theo dõi quỹ đạo.

  3. Các Nhà phát triển Phần mềm và Thuật toán cho Xe tự hành:

    • Lợi ích cụ thể: Luận văn trình bày các kỹ thuật tiên tiến để xử lý nhiễu loạn và đảm bảo các giới hạn hoạt động của xe, những yếu tố cực kỳ quan trọng đối với sự an toàn và tin cậy của phần mềm xe tự hành. Sự hiểu biết về cách RBFNN bù nhiễu và command filter giải quyết "explosion of terms" sẽ hữu ích trong việc thiết kế các thuật toán mạnh mẽ hơn.
    • Use case: Tham khảo để phát triển các module phần mềm điều khiển ổn định, hiệu quả và an toàn hơn cho các nền tảng xe tự hành, đặc biệt là trong việc xử lý các tình huống lái xe phức tạp như đường trơn trượt hoặc đổi làn tốc độ cao.

  4. Các Nhà hoạch định chính sách và Tổ chức Tiêu chuẩn an toàn giao thông:

    • Lợi ích cụ thể: Nắm bắt được các công nghệ và phương pháp điều khiển tiên tiến nhất giúp nâng cao độ an toàn và ổn định của xe tự hành. Điều này hỗ trợ việc xây dựng các quy định, tiêu chuẩn và hướng dẫn kiểm định cho xe tự hành, đặc biệt là trong các điều kiện vận hành khó khăn.
    • Use case: Tham khảo các kết quả nghiên cứu về khả năng tuân thủ ràng buộc và ổn định của hệ thống để đưa ra các yêu cầu kỹ thuật cho các hệ thống ADAS và xe tự hành cấp độ cao, góp phần vào việc đảm bảo an toàn công cộng khi công nghệ này được triển khai rộng rãi.

Câu hỏi thường gặp

1. Điểm mới của phương pháp điều khiển Lyapunov rào cản tích phân trong luận văn này là gì? Phương pháp điều khiển Lyapunov rào cản tích phân được đề xuất trong luận văn này nổi bật với khả năng xử lý các ràng buộc bất đối xứng và thay đổi theo thời gian của trạng thái hệ thống và tín hiệu điều khiển, một cải tiến đáng kể so với các phương pháp truyền thống chỉ giới hạn đối xứng. Điều này mở rộng phạm vi ứng dụng, cho phép hệ thống duy trì hiệu suất và ổn định trong các điều kiện vận hành phức tạp hơn, nơi các giới hạn vận hành không nhất thiết phải đối xứng quanh điểm 0. Ví dụ, góc lái có thể bị giới hạn từ -12° đến 12°, không phải lúc nào cũng đối xứng qua 0.

2. Mạng nơ-ron RBFNN và hệ thống bộ lọc lệnh đóng vai trò gì trong việc nâng cao hiệu suất? Mạng nơ-ron RBFNN được sử dụng để ước tính và bù đắp hiệu quả các nhiễu gộp phát sinh từ các bất định tham số, nhiễu bên ngoài và động lực học không được mô hình hóa, giúp tăng cường độ chính xác và tính mạnh mẽ của hệ thống. Đồng thời, hệ thống bộ lọc lệnh được tích hợp để giải quyết hiện tượng "explosion of terms" thường gặp trong các phương pháp điều khiển dựa trên backstepping, đơn giản hóa quá trình tính toán đạo hàm của tín hiệu điều khiển ảo mà không làm mất đi tính ổn định. Điều này được minh chứng qua việc giảm đáng kể sai số theo dõi vận tốc dọc trong các kịch bản mô phỏng.

3. Luận văn xử lý vấn đề ràng buộc của xe tự hành như thế nào? Luận văn giải quyết vấn đề ràng buộc bằng cách biến đổi bài toán ràng buộc hệ thống thành bài toán điều khiển ràng buộc trạng thái thông qua việc mở rộng mô hình động học. Phương pháp điều khiển Lyapunov rào cản tích phân bất đối xứng thay đổi theo thời gian thích ứng đảm bảo rằng tất cả các trạng thái và tín hiệu đầu vào của hệ thống được giới hạn nghiêm ngặt trong các vùng đã xác định trước, chẳng hạn như góc lái tối đa 12 độ hay tốc độ góc lái 25 độ/giây. Điều này giúp duy trì an toàn và thoải mái cho hành khách trong mọi điều kiện vận hành, ngăn ngừa tình trạng vi phạm giới hạn vật lý của bộ truyền động.

4. Kết quả mô phỏng cho thấy điều gì về hiệu quả của phương pháp đề xuất? Các kết quả mô phỏng trong môi trường CarSim-Simulink qua ba kịch bản lái xe khác nhau đã chứng minh rõ ràng hiệu quả và tính ưu việt của phương pháp điều khiển đề xuất. Cụ thể, phương pháp này đạt được sai số theo dõi thấp hơn đáng kể trên các chỉ số ISE, IAE và ITAE so với các phương pháp điều khiển SMC truyền thống, đặc biệt trong các tình huống đường ướt (hệ số ma sát 0.5) hoặc đường băng (hệ số ma sát 0.3). Ví dụ, trong kịch bản đổi làn kép trên đường ướt, chỉ số ISE cho sai số ngang của phương pháp đề xuất là 0.08, thấp hơn nhiều so với 0.78 của SMC.

5. Luận văn có những đóng góp nào cho lĩnh vực điều khiển xe tự hành? Luận văn đóng góp một sơ đồ điều khiển Lyapunov rào cản tích phân bất đối xứng thích ứng, thay đổi theo thời gian mới, giải quyết đồng thời các vấn đề về nhiễu và ràng buộc hệ thống cho xe tự hành. Nó cung cấp một khung lý thuyết vững chắc cho việc thiết kế bộ điều khiển lái, dọc và mô-men quay trực tiếp, được chứng minh ổn định thông qua lý thuyết Lyapunov. Hơn nữa, việc tích hợp phân bổ mô-men xoắn tối ưu và xác nhận bằng mô phỏng mở ra hướng đi mới cho việc cải thiện hiệu suất và an toàn của các hệ thống xe tự hành trong tương lai, đặc biệt trong các điều kiện lái xe khắc nghiệt.

Kết luận

Luận văn này đã nghiên cứu một cách toàn diện về vấn đề điều khiển theo dõi và ổn định cho xe tự hành trong điều kiện có nhiễu loạn và ràng buộc hệ thống. Các đóng góp chính của nghiên cứu bao gồm:

  • Phát triển sơ đồ điều khiển tiên tiến: Đề xuất sơ đồ điều khiển Lyapunov rào cản tích phân bất đối xứng thay đổi theo thời gian thích ứng, có khả năng giới hạn hiệu quả trạng thái hệ thống và tín hiệu điều khiển trong các ranh giới định trước, bao gồm cả các ràng buộc bất đối xứng.
  • Xử lý nhiễu và "explosion of terms": Thành công trong việc tích hợp mạng nơ-ron RBFNN để ước tính và bù đắp nhiễu gộp, đồng thời sử dụng hệ thống bộ lọc lệnh để tránh hiện tượng "explosion of terms", nâng cao độ vững chắc và khả năng triển khai.
  • Tối ưu hóa phân bổ mô-men xoắn: Triển khai phương pháp tối ưu hóa để phân bổ mô-men xoắn lái/phanh cho từng động cơ trong bánh xe, cải thiện hiệu suất của xe và độ ổn định góc quay.
  • Kiểm chứng hiệu quả qua mô phỏng: Thực hiện đánh giá định lượng và định tính trên ba kịch bản lái xe đa dạng trong môi trường CarSim-Simulink, chứng minh phương pháp đề xuất vượt trội rõ rệt so với các phương pháp SMC truyền thống. Các chỉ số như ISE, IAE và ITAE đã xác nhận hiệu suất cao hơn, đặc biệt trong việc tuân thủ ràng buộc và độ chính xác theo dõi.
  • Phân tích ổn định toàn diện: Chứng minh tính ổn định của hệ thống vòng kín bằng lý thuyết Lyapunov, đảm bảo tất cả các tín hiệu lỗi đạt trạng thái ổn định trong thời gian hữu hạn thực tế.

Những đóng góp này không chỉ mang lại giá trị lý thuyết mà còn có ý nghĩa thực tiễn to lớn trong việc nâng cao an toàn, thoải mái và hiệu suất của xe tự hành trong các điều kiện vận hành khó khăn. Trong tương lai, các bước tiếp theo bao gồm so sánh toàn diện phương pháp đề xuất với các phương pháp điều khiển tiên tiến khác như Model Predictive Control (MPC) để xác định rõ hơn ưu nhược điểm. Đồng thời, nghiên cứu về các kỹ thuật ước tính trạng thái xe sẽ được khám phá để cải thiện độ chính xác đầu vào cho bộ điều khiển. Chúng tôi kỳ vọng những phát triển này sẽ tiếp tục mở rộng khả năng ứng dụng và tối ưu hóa hiệu suất của xe tự hành trong nhiều tình huống phức tạp hơn.