Tổng quan về luận án

Hệ thống cơ điện tử thiếu cơ cấu chấp hành (underactuated mechanical systems) là lớp đối tượng điều khiển phức tạp có số bậc tự do vật lý lớn hơn số lượng tín hiệu điều khiển độc lập ($m < n$). Trong lớp đối tượng này, xe hai bánh tự cân bằng (Two-Wheeled Mobile Robot - TWMR) đóng vai trò là mô hình thử nghiệm chuẩn mực (benchmark) nhưng ẩn chứa nhiều thách thức phi tuyến nghiêm trọng: điểm làm việc không ổn định kiểu con lắc ngược, chịu các ràng buộc động học phi holonomic không tích phân được, và động lực học khớp nối chéo giữa chuyển động tịnh tiến, chuyển động quay thân xe và chuyển động đổi hướng. Luận án tiến sĩ kỹ thuật chuyên ngành Kỹ thuật điều khiển và Tự động hóa (mã số 9520216) của nghiên cứu sinh Trần Gia Khánh thực hiện tại Đại học Bách khoa Hà Nội dưới sự hướng dẫn khoa học của PGS. Nguyễn Hoài Nam và GS.TS. Nguyễn Doãn Phước mang tựa đề: "Nghiên cứu ứng dụng điều khiển học tăng cường cho xe hai bánh tự cân bằng có mô hình bất định không dừng và nhiễu cơ cấu chấp hành".

                      +------------------------------------------------+
                      |         Non-Stationary Perturbations           |
                      |  [Delta_M(t) = +117.6%] + [d_i(t) Sin Dist.]   |
                      +-----------------------+------------------------+
                                              |
                                              v
+-------------------+      u(t)       +-------+-------+     x(t)       +----------------------+
|  Robust Adaptive  | --------------> |  TWMR System  | -------------> | Real-Time State      |
|  ADP Tracking     |                 |  Euler-Lagr.  |                | Observer / IMU       |
+-------------------+                 +-------+-------+                +----------+-----------+
          ^                                   |                                   |
          |           +-----------------------+                                   |
          |           | (x_k, z_k, A_d, B_d)                                      |
          |           v                                                           |
+---------+-----------+---------+                                                 |
| Real-Time Total Disturbance   | <-----------------------------------------------+
| Observer (TDO Algorithm)      |         State feedback & Error residual e_k
+-------------------------------+

Khoảng trống nghiên cứu (research gap) cốt lõi xuất phát từ thực tế: các thuật toán điều khiển phi tuyến kinh điển như tuyến tính hóa phản hồi chính xác (exact feedback linearization) hay điều khiển trượt (sliding mode control) thường đòi hỏi nhận dạng chính xác hàm truyền/ma trận động học, hoặc gây ra hiện tượng rung giật tần số cao (chattering). Khi TWMR hoạt động trong môi trường thực tế, các tham số như tải trọng hàng hóa $M(t)$, ma sát trục bánh $c_\alpha$, và lực cản môi trường biến thiên ngẫu nhiên theo thời gian tạo thành mô hình bất định không dừng (non-stationary uncertain model). Đồng thời, các nghiên cứu điều khiển tối ưu phi tuyến dựa trên phương trình Hamilton-Jacobi-Bellman (HJB) hay $H_\infty$ thích nghi trước đây như Chiu & Liu (2011) buộc phải xấp xỉ Taylor quanh điểm làm việc và giải lặp phương trình đại số Riccati (ARE) trực tuyến liên tục tại mỗi chu kỳ trích mẫu, gây nghẽn tài nguyên tính toán trên các vi điều khiển (MCU) nhúng.

Để giải quyết triệt để bài toán này, luận án tập trung kiểm chứng hệ thống giả thuyết khoa học:

  1. Giả thuyết H1: Toàn bộ thành phần phi tuyến bậc cao, sai số xấp xỉ Taylor $\Delta(x,u)$, biến thiên tham số $\Delta A, \Delta B$, và nhiễu đầu vào chưa biết $d_i(t)$ hoàn toàn có thể quy đổi tương đương vào không gian ảnh (image space) của ma trận đầu vào $B$ dưới dạng vector nhiễu tổng $d_c(t) = d_u + d_i$.
  2. Giả thuyết H2: Việc tích hợp bộ quan sát nhiễu tổng thời gian thực (Total Disturbance Observer - TDO) rời rạc hóa bậc nhất với luật điều khiển tối ưu thích nghi dữ liệu (Data-Driven Approximate Dynamic Programming - ADP) sẽ triệt tiêu hoàn toàn độ lệch tĩnh, bảo đảm tính ổn định đầu vào tới trạng thái (Input-to-State Stability - ISS) cho hệ kín mà không cần biết trước mô hình toán của hệ thống.

Khung lý thuyết tổng quát tích hợp ba trụ cột: Cơ học giải tích Euler-Lagrange phi holonomic, Lý thuyết ổn định Lyapunov-Sontag ISS, và Học tăng cường tối ưu Actor-Critic kết hợp thuật toán lặp chính sách (Policy Iteration). Phạm vi nghiên cứu thực nghiệm được định lượng chặt chẽ trên mẫu robot thực nghiệm phòng thí nghiệm với chu kỳ lấy mẫu $T_s = 0.001\text{ s}$ ($1\text{ kHz}$), tải trọng thay đổi đột ngột $\Delta M = 1.0\text{ kg}$ (tương đương biên độ bất định $+117.6%$ so với khối lượng danh định $M = 0.85\text{ kg}$), đáp ứng bám quỹ đạo phức tạp với sai số hội tụ về lân cận gốc 0 sau dưới $2.0\text{ s}$.

Literature Review và Positioning

Nghiên cứu về hệ thống thiếu cơ cấu chấp hành được khởi xướng mạnh mẽ bởi Spong (1998) với giải pháp phân rã hệ phi tuyến thành hai hệ con liên kết: hệ con đủ cơ cấu chấp hành và hệ con không có cơ cấu chấp hành. Tiếp đó, Seto & Baillieul (1994) đề xuất phân loại cấu trúc dòng điều khiển (Control Flow Diagram - CFD) thành ba dạng hình học: dạng cây (tree), dạng chuỗi (chain), và dạng điểm cách ly (isolated point), trong đó TWMR mang đặc tính con lắc ngược ghép nối phi tuyến với hệ truyền động vi sai. Saber (2001) tổng quát hóa hệ cơ học thiếu cơ cấu chấp hành dựa trên tính đối xứng động học và cấu trúc tích phân mô-men, quy đổi đối tượng về dạng phản hồi chặt (strict-feedback) hoặc chuỗi toàn phương phi tam giác. Thakar et al. (2013) phát triển hàm năng lượng Lyapunov tổng thể nhưng chỉ áp dụng cho lớp đối tượng có số bậc tự do bằng hai lần kích thước vector đầu vào ($n = 2m$), hoàn toàn không tương thích với TWMR có bậc tự do $n = 3$ và đầu vào $m = 2$.

                              EVOLUTION OF CONTROL PARADIGMS
========================================================================================
[Classical Nonlinear / Passivity]      --> Spong (1998), Saber (2001), Pathak (2005)
  * Limitations: Required exact mathematical models, failed under parametric shifts.
----------------------------------------------------------------------------------------
[Adaptive Sliding / Fuzzy Control]    --> Huang et al. (2010), Chiu & Liu (2011)
  * Limitations: Chattering effects, online Riccati computational burden, no direct TDO.
----------------------------------------------------------------------------------------
[Proposed Robust Adaptive ADP-TDO]    --> Tran Gia Khanh (2024)
  * Breakthrough: Equivalent linearization, image-space TDO, model-free Off-Policy ADP.
========================================================================================

Trong dòng nghiên cứu điều khiển TWMR, hai trường phái đối lập đã hình thành rõ nét:

  • Trường phái dựa trên mô hình (Model-based Control): Sử dụng điều khiển tối ưu LQR (Linear Quadratic Regulator), $H_\infty$, hoặc điều khiển dự báo mô hình (MPC) tuyến tính hóa cục bộ. Nghiên cứu tiêu biểu của Chiu & Liu (2011) thiết kế bộ điều khiển $H_\infty$ bền vững dựa trên khai triển Taylor, tuy nhiên việc giải phương trình đại số Riccati trực tuyến tại mỗi bước trích mẫu tạo áp lực tính toán khổng lồ. Hơn nữa, phương pháp này chỉ xử lý được sai số mô hình hóa nội tại mà bỏ qua nhiễu lực tác động từ cơ cấu chấp hành $d_i(t)$.
  • Trường phái không mô hình / Dựa trên dữ liệu (Model-free & Intelligent Control): Ứng dụng hệ suy luận mờ thích nghi Takagi-Sugeno-Kang (TSK) hoặc mạng nơ-ron Actor-Critic. Tiêu biểu là công trình của Huang et al. (2010) kết hợp điều khiển trượt thích nghi với logic mờ gián tiếp. Điểm yếu của phương pháp này là cấu trúc thuật toán quá nặng nề với nhiều phương trình vi phân tích phân cập nhật trọng số, làm giảm băng thông đáp ứng và không đưa ra được chứng minh giải tích tường minh về miền hội tụ ISS của sai số bám khi có nhiễu tuần hoàn tác động ở đầu vào.

Luận án của Trần Gia Khánh định vị đột phá tại giao điểm giữa điều khiển bền vững giải tích và học tăng cường dữ liệu. So với hai nghiên cứu quốc tế chuẩn mực là Chiu & Liu (2011) và Huang et al. (2010), phương pháp đề xuất không cần giải phương trình Riccati trực tuyến đắt đỏ, không gây rung giật mặt trượt, đồng thời thiết lập thuật toán bù nhiễu chỉ thông qua các phép nhân ma trận tĩnh đã tính toán trước $[(B_d^T B_d)^{-1} B_d^T]_{2 \times 6}$, giảm khối lượng tính toán hơn $75%$ trên phần cứng nhúng thời gian thực.

Đóng góp lý thuyết và khung phân tích

+---------------------------------------------------------------------------------------+
|                               EQUIVALENT LINEAR MODEL                                 |
|               \dot{x} = A x + B [ u + d_c(t) ],   where d_c(t) = d_u(t) + d_i(t)      |
+-------------------------------------------+-------------------------------------------+
                                            |
                    +-----------------------+-----------------------+
                    |                                               |
                    v                                               v
+---------------------------------------+       +---------------------------------------+
|     Lyapunov-Sontag ISS Stability     |       |       Data-Driven Off-Policy ADP      |
| V(x) = x^T P x, \dot{V} < 0 \forall x |       | (x \otimes x) vec(P_k) - 2 \int (...) |
| outside compact boundary region \Gamma|       |   Independent of matrices A and B     |
+---------------------------------------+       +---------------------------------------+

Đóng góp cho lý thuyết

Luận án đóng góp trực tiếp vào lý thuyết điều khiển học hiện đại thông qua ba cơ chế mở rộng:

  1. Mở rộng Định lý ổn định ISS (Input-to-State Stability) của Eduardo Sontag: Luận án thiết lập và chứng minh giải tích Bổ đề 3.1, khẳng định sai số bám quỹ đạo của hệ thống phi tuyến bậc cao bù nhiễu $e(t) = x(t) - x_d(t)$ luôn hội tụ tiệm cận về một miền compact bị chặn quanh gốc không $\Gamma$: $$\Gamma = \left{ x \in \mathbb{R}^6 ;\middle|; |x| \le \frac{2 |PB| |\gamma|}{\lambda_{\min}(Q)} \right}$$ trong đó $P$ là nghiệm đối xứng xác định dương duy nhất của phương trình Lyapunov $\hat{A}^T P + P \hat{A} = -Q$, với $\hat{A} = A - BK$ là ma trận Hurwitz, $\lambda_{\min}(Q)$ là giá trị riêng cực tiểu của ma trận trọng số trạng thái $Q$, và $\gamma(t)$ là sai số ước lượng nhiễu tổng bị chặn theo chuẩn vô cùng $L_\infty$.
  2. Khái quát hóa thuật toán lặp chính sách Kleinman (1968): Mở rộng từ điều khiển tối ưu tuyến tính biết trước mô hình sang thuật toán quy hoạch động xấp xỉ (ADP) không phụ thuộc mô hình hệ thống (Model-Free Policy Iteration), biến đổi phương trình tích phân vi sai Hamilton-Jacobi-Bellman phi tuyến thành hệ phương trình đại số tuyến tính có nghiệm đóng nhờ phép nhân Kronecker.

Khung phân tích độc đáo

Khung phân tích trung tâm dựa trên nguyên lý Tuyến tính hóa tương đương trong không gian ảnh (Image Space Equivalent Linearization). Hệ động lực học phi tuyến TWMR cấp 6 được mô tả bởi phương trình trạng thái phi tuyến: $$\dot{x}{13} = A_1 x + B_1 u, \quad \dot{x}{46} = A_2 x + B_2 u + \Delta(x,u)$$ với $x = [x, \theta, \psi, \dot{x}, \dot{\theta}, \dot{\psi}]^T \in \mathbb{R}^6$, $u = [\tau_L, \tau_R]^T \in \mathbb{R}^2$.

Do ma trận đầu vào $B_2 \in \mathbb{R}^{3 \times 2}$ thỏa mãn điều kiện đầy đủ hạng cột $\text{rank}(B_2) = 2$, ma trận nghịch đảo giả $(B_2^T B_2)^{-1}$ luôn tồn tại. Do đó, phần dư phi tuyến khai triển Taylor $\Delta(x,u)$, biến thiên tham số $\Delta A_2, \Delta B_2$, và nhiễu ngoài $d_i(t)$ được ánh xạ trực tiếp thành vector nhiễu tổng đầu vào $d_c(t)$: $$\dot{x} = A x + B [u + d_c(t)]$$ $$d_c(t) = d_u(t) + d_i(t) = (B^T B)^{-1} B^T [\Delta A x + \Delta B u + \Delta(x,u)] + d_i(t)$$

Điều kiện biên lý thuyết (Boundary Conditions) được xác định rõ:

  • Ma trận đầu vào $B$ phải có hạng đầy đủ $\text{rank}(B) = 2$;
  • Chu kỳ trích mẫu $T_s$ đủ nhỏ để sai số xấp xỉ Euler cục bộ thỏa mãn $\delta_k \sim \mathcal{O}(T_s^2)$;
  • Tín hiệu kích thích điều khiển (probing noise) $e_n(t)$ phải thỏa mãn điều kiện kích thích bền bỉ (Persistently Exciting - PE) trên ma trận dữ liệu thu thập $\text{rank}(\Theta_k) = \frac{n(n+1)}{2} + mn = 33$.

Phương pháp nghiên cứu tiên tiến

+------------------------------------------------------------------------------------+
|                             HARDWARE ARCHITECTURE                                  |
| [Two 24V DC Geared Motors] <---> [H-Bridge Drivers / PWM] <---> [MCU STM32 / DSP]  |
|                                                                    ^               |
| [Rotary Encoders (x, \dot{x}, \psi, \dot{\psi})] ------------------+               |
| [IMU 6-DOF Sensor MPU6050 (\theta, \dot{\theta})] + [Kalman Filter]                |
+------------------------------------------------------------------------------------+

Thiết kế nghiên cứu

Luận án tuân thủ triết lý nghiên cứu Thực chứng kỹ thuật (Positivism/Engineering Realism), kết hợp mô hình hóa giải tích cơ học cổ điển với phương pháp học máy tăng cường trực tiếp từ dữ liệu đo lường trạng thái.

Kiến trúc điều khiển đa tầng (Multi-level Control Architecture):

  • Tầng 0 (Chấp hành cơ sở): Mạch cầu H công suất lớn điều biến độ rộng xung (PWM) với bộ điều chỉnh dòng điện PI tối ưu biên độ (Magnitude Optimum - MO) triệt tiêu sức điện động ngược của động cơ DC.
  • Tầng 1 (Quan sát trạng thái và ước lượng nhiễu): Cảm biến IMU 6 bậc tự do (MPU6050) kết hợp thuật toán lọc Kalman loại bỏ nhiễu đo góc nghiêng $\theta$; bộ quan sát nhiễu tổng TDO ước lượng $d_c(t)$ tại tần số $1000\text{ Hz}$.
  • Tầng 2 (Điều khiển thích nghi tối ưu & bám quỹ đạo): Bộ điều khiển LQR / ADP Off-Policy tính toán vector lực mô-men bù trực tiếp: $$u(t) = -Ke - (BB^T)^{-1} B^T (A x_d - \dot{x}_d) - \hat{d}_c(t)$$
Ký hiệu Thông số vật lý robot TWMR Giá trị danh định Đơn vị đo
$M$ Khối lượng thân xe (không gồm bánh) $0.85$ $\text{kg}$
$m$ Khối lượng một bánh xe $0.03$ $\text{kg}$
$r$ Bán kính hình học bánh xe $0.033$ $\text{m}$
$d$ Khoảng cách tâm giữa hai bánh xe $0.17$ $\text{m}$
$l$ Khoảng cách từ trọng tâm thân tới trục bánh $0.04$ $\text{m}$
$c_\alpha$ Hệ số ma sát nhớt trục bánh xe $0.001$ $\text{N}\cdot\text{m}\cdot\text{s/rad}$
$g$ Gia tốc trọng trường $9.81$ $\text{m/s}^2$
$T_s$ Chu kỳ trích mẫu thời gian thực $0.001$ $\text{s}$ ($1\text{ ms}$)

Quy trình nghiên cứu rigorous

Quy trình ước lượng nhiễu tổng TDO được thiết lập chính xác qua mô hình tham chiếu: $$z_k = A_d z_{k-1} + B_d(u_k - \hat{d}{k-1}^c)$$ với $A_d = I + T_s A$, $B_d = T_s B$. Đặt $z{k-1} = x_{k-1}$, vector ước lượng nhiễu tối ưu đạt cực tiểu hàm chi phí sai số $J_k = \delta_k^T \delta_k \to \min$: $$\hat{d}k^c = (B_d^T B_d)^{-1} B_d^T [x_k - z_k] = (B_d^T B_d)^{-1} B_d^T [x_k - A_d x{k-1} - B_d(u_k - \hat{d}_{k-1}^c)]$$

Quy trình học chính sách không mô hình (Off-Policy ADP) áp dụng toán tử vector hóa Kronecker: $$(x^T \otimes x^T) \text{vec}(P_k) - 2 \int_{t}^{t+\delta t} [x^T \otimes (e_n^T R)] \text{vec}(K_{k+1}) d\tau = -\int_{t}^{t+\delta t} x^T Q_k x d\tau$$ Thu thập $l_k \ge 33$ mẫu dữ liệu dọc theo quỹ đạo trạng thái để giải hệ phương trình tuyến tính $\Theta_k \begin{bmatrix} \text{vec}(P_k) \ \text{vec}(K_{k+1}) \end{bmatrix} = \Xi_k$, bảo đảm tính đơn nhất và hội tụ đều về nghiệm Riccati tối ưu $P^$ và $K^$.

Data và phân tích kiểm chứng

Thiết lập ma trận trọng số hàm mục tiêu LQR: $$Q = \text{diag}(4.0, ; 3.0, ; 2.0, ; 3.0, ; 2.0, ; 1.0), \quad R = \text{diag}(0.1, ; 0.1)$$ Ma trận hệ số phản hồi trạng thái giải tích thu được từ phương trình Riccati: $$K = \begin{bmatrix} -4.0136 & 24.3211 & -3.1623 & -4.8967 & 3.2505 & -2.4831 \ -4.0136 & 24.3211 & 3.1623 & -4.8967 & 3.2505 & 2.4831 \end{bmatrix}$$

Chương trình kiểm chứng mô phỏng trên Matlab/Simulink và phần cứng nhúng khảo sát 4 kịch bản khắc nghiệt:

  • Kịch bản 1: Mô hình danh định, không có nhiễu ($d_i = 0$, $\Delta M = 0$).
  • Kịch bản 2: Mô hình danh định chịu nhiễu điều hòa đầu vào: $$d_i(t) = \begin{bmatrix} 0.2\sin(t) + 0.1\sin(2t) \ 0.3\sin(2t) + 0.1\sin(3t) \end{bmatrix} \text{ N}\cdot\text{m}$$
  • Kịch bản 3: Bất định tham số cực hạn $\Delta M = 1.0\text{ kg}$ (tăng $+117.6%$) kết hợp đồng thời vector nhiễu điều hòa $d_i(t)$ như Kịch bản 2.
  • Kịch bản 4: Bám quỹ đạo tròn động học trong không gian 2D: $x_{Cd}(t) = 4\sin(0.125t)$, $y_{Cd}(t) = 4\cos(0.125t)$, góc hướng mong muốn $\psi_d(t) = 0.125t$.

Phát hiện đột phá và implications

               COMPARISON OF TRACKING PERFORMANCE UNDER EXTREME DRIFT
========================================================================================
Performance Metric          Standard LQR Controller         Proposed Robust ADP-TDO
========================================================================================
Heading Angle \psi          DIVERGED / UNSTABLE             Accurate tracking (Error -> 0)
Tilt Angle Oscillation \theta Severe oscillation (> 0.15 rad) Rapidly damped (< 0.02 rad)
Convergence Time            Fails to stabilize              t_conv <= 2.0 seconds
Computational Overhead      Heavy (Online ARE)              Low (Static Matrix Mult.)
========================================================================================

Những phát hiện then chốt

  1. Sự sụp đổ của điều khiển LQR kinh điển khi có bất định không dừng: Khi chịu tải trọng gia tăng $\Delta M = 1.0\text{ kg}$ cùng nhiễu sin cơ cấu chấp hành (Kịch bản 3), bộ điều khiển LQR không có bộ quan sát nhiễu hoàn toàn mất khả năng duy trì quỹ đạo. Góc hướng $\psi(t)$ phân kỳ không giới hạn, thân xe dao động lắc lư mạnh quanh trục thẳng đứng ($\theta > 0.15\text{ rad}$), dẫn tới mất ổn định toàn hệ thống.
  2. Khả năng triệt tiêu nhiễu vượt trội của cấu trúc TDO: Bộ quan sát nhiễu tổng đề xuất bám sát chính xác các thành phần nhiễu ngoại vi $d_i(t)$ và bất định phi tuyến nội tại $\Delta(x,u)$. Trong điều kiện tải biến thiên cực hạn, bộ quan sát chỉ mất đúng $2.0\text{ s}$ để hội tụ sai số ước lượng về lân cận $\epsilon < 0.01\text{ N}\cdot\text{m}$.
  3. Bảo toàn tính năng bám quỹ đạo phức tạp: Dưới tác động đồng thời của bất định mô hình $+117.6%$ và nhiễu cơ cấu chấp hành, bộ điều khiển bám quỹ đạo đề xuất duy trì sai số bám vị trí $x(t)$, góc nghiêng $\theta(t)$ và góc hướng $\psi(t)$ tiệm cận 0 trên quỹ đạo tròn bán kính $R = 4\text{ m}$.
  4. Hội tụ đơn nhất của thuật toán Off-Policy ADP: Quá trình huấn luyện không mô hình thông qua dữ liệu trạng thái hội tụ chính xác về ma trận tối ưu $K^*$ chỉ sau 6 bước lặp chính sách, chứng minh tính khả thi của việc tối ưu hóa trực tiếp mà không cần nhận dạng ma trận hệ thống $A, B$.

Implications đa chiều

  • Về mặt lý thuyết: Chứng minh giải tích rằng việc gom toàn bộ bất định phi tuyến vào không gian ảnh của ma trận đầu vào là phương pháp tiếp cận hoàn toàn khả thi cho lớp hệ thống phi tuyến thiếu cơ cấu chấp hành có $\text{rank}(B) = m$.
  • Về mặt phương pháp luận: Mở ra quy trình thiết kế chuẩn hóa kết hợp giữa điều khiển thích nghi bù nhiễu giải tích và giải thuật học máy Actor-Critic trên dữ liệu đo rời rạc.
  • Về mặt thực tiễn kỹ thuật: Cung cấp thuật toán tối ưu có độ phức tạp tính toán thấp, dễ dàng nhúng trực tiếp vào các dòng vi điều khiển 32-bit kinh tế như STM32F4, DSP TMS320F28335 phục vụ xe tự hành công nghiệp (AGV), xe lăn thông minh tự cân bằng và robot phục vụ y tế.

Limitations và Future Research

Luận án thừa nhận khách quan 4 giới hạn kỹ thuật:

  1. Ràng buộc động học không trượt (No-slip Holonomic Assumption): Mô hình toán học hiện tại giả định bánh xe lăn không trượt tuyệt đối trên mặt phẳng. Khi xe di chuyển trên địa hình trơn trượt, bùn lầy hoặc dốc nghiêng lớn, ma sát tiếp xúc thay đổi đột ngột làm suy giảm độ chính xác của mô hình động học vi sai.
  2. Giả thiết hạng đầy đủ của ma trận đầu vào: Phương pháp quy đổi không gian ảnh đòi hỏi ma trận $B$ phải có hạng đầy đủ ($\text{rank}(B) = 2$). Nếu xảy ra sự cố hỏng hóc hoàn toàn một động cơ chấp hành ($\text{rank}(B) = 1$), cấu trúc bù nhiễu trực tiếp sẽ mất hiệu lực.
  3. Xấp xỉ đạo hàm Euler cấp 1: Sai số xấp xỉ rời rạc hóa tỷ lệ bậc hai với chu kỳ lấy mẫu $\delta_k \sim \mathcal{O}(T_s^2)$. Nếu chu kỳ lấy mẫu bị kéo dài do nghẽn bus truyền thông ($T_s > 0.01\text{ s}$), sai số ước lượng nhiễu sẽ tăng cao.
  4. Bỏ qua trễ mạng và lượng tử hóa tín hiệu: Chưa xét đến hiện tượng trễ truyền thông ngẫu nhiên khi tín hiệu điều khiển được truyền qua mạng không dây (CAN/Wireless Control).

Chương trình nghiên cứu tiếp theo (Future Research Agenda):

  • Phát triển bộ quan sát trượt thích nghi ước lượng đồng thời hệ số trượt dọc và trượt ngang của bánh xe trên địa hình không bằng phẳng.
  • Mở rộng thuật toán điều khiển dung lỗi (Fault-Tolerant Control - FTC) duy trì cân bằng khẩn cấp khi một động cơ chấp hành bị tê liệt hoàn toàn.
  • Tích hợp kỹ thuật học sâu tăng cường phân tán (Deep Reinforcement Learning) xử lý trễ thời gian mạng và hạn chế bão hòa điện áp cơ cấu chấp hành.

Tác động và ảnh hưởng

+------------------------------------------------------------------------------------+
|                         MULTI-DIMENSIONAL IMPACT MATRIX                            |
+------------------------------------+-----------------------------------------------+
| Academic & Scientific Community    | Mở rộng lý thuyết ISS cho hệ underactuated;   |
|                                    | Công bố trên các tạp chí/hội nghị uy tín.     |
+------------------------------------+-----------------------------------------------+
| Industrial Automation & Robotics   | Giải pháp AGV tự cân bằng tải trọng động;     |
|                                    | Giảm 75% chi phí chip xử lý nhúng.            |
+------------------------------------+-----------------------------------------------+
| Smart Transportation & Society     | Nền tảng an toàn cho phương tiện di chuyển cá |
|                                    | nhân thế hệ mới và robot y tế phục hồi chức   |
|                                    | năng.                                         |
+------------------------------------+-----------------------------------------------+

Nghiên cứu mang lại giá trị gia tăng rõ rệt cho cộng đồng khoa học và ứng dụng công nghiệp:

  • Tác động học thuật: Cung cấp khung lý thuyết hoàn chỉnh cho các nghiên cứu sinh chuyên ngành Tự động hóa tiếp tục khai thác hướng điều khiển học tăng cường bền vững trên các hệ thống cơ điện tử thiếu chấp hành phức tạp (drone quadrotor, tay máy robot mềm, tàu ngầm tự hành AUV).
  • Chuyển giao công nghệ công nghiệp: Giúp các doanh nghiệp chế tạo robot công nghiệp và phương tiện tự hành AGV tối ưu hóa chi phí phần cứng, vận hành ổn định trong môi trường nhà kho thông minh có tải trọng hàng hóa thay đổi liên tục mà không cần hiệu chỉnh lại thông số PID thủ công.
  • Lợi ích xã hội và giao thông thông minh: Tạo nền tảng an toàn cao cho các phương tiện di chuyển cá nhân đô thị thế hệ mới (Segway, Hoverboard, Smart Wheelchair), giảm thiểu rủi ro lật xe do rung chấn hoặc mất kiểm soát cơ cấu chấp hành.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Nhà khoa học chuyên ngành Điều khiển: Tiếp cận công thức giải tích chuẩn xác về chứng minh ổn định Lyapunov-ISS cho hệ phi tuyến có nhiễu tổng gộp, cùng mã nguồn thuật toán Off-Policy ADP tối ưu.
  • Kỹ sư R&D Robotics & Xe tự hành: Ứng dụng trực tiếp cấu trúc quan sát nhiễu TDO dạng đóng để nâng cao khả năng chống nhiễu cho các hệ thống robot vi sai thời gian thực.
  • Các nhà hoạch định tiêu chuẩn an toàn công nghiệp: Khai thác dữ liệu thực nghiệm để xây dựng bộ tiêu chuẩn đánh giá độ an toàn vận hành của xe tự hành khi đối mặt với sự cố trôi dạt tham số động lực học.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và mở rộng lý thuyết nào?

Đóng góp độc đáo nhất là việc xây dựng mô hình tuyến tính tương đương thông qua việc quy đổi toàn bộ phần dư Taylor phi tuyến $\Delta(x,u)$, bất định tham số $\Delta A, \Delta B$ và nhiễu cơ cấu chấp hành $d_i(t)$ về duy nhất một vector nhiễu tổng $d_c(t)$ nằm trong không gian ảnh của ma trận đầu vào $B$. Đóng góp này mở rộng trực tiếp lý thuyết ổn định Input-to-State Stability (ISS) của Sontag cho lớp hệ thống thiếu cơ cấu chấp hành có mô hình không dừng.

2. Điểm cải tiến phương pháp luận so với ít nhất hai nghiên cứu quốc tế tiền nhiệm?

So với nghiên cứu $H_\infty$ của Chiu & Liu (2011) đòi hỏi giải phương trình đại số Riccati trực tuyến liên tục tại mỗi chu kỳ trích mẫu, phương pháp của luận án tách rời khâu tính toán ma trận phản hồi tối ưu offline và chỉ bù nhiễu thời gian thực bằng phép nhân ma trận đại số tĩnh $[(B_d^T B_d)^{-1} B_d^T]$. So với điều khiển trượt mờ của Huang et al. (2010), phương pháp của luận án loại bỏ hoàn toàn hiện tượng rung giật chattering và không cần cập nhật hàng loạt tham số mờ phức tạp.

                              COMPUTATIONAL COMPLEXITY FLOW
Chiu & Liu (2011)   : [Sample State x_k] --> [Taylor Linearization] --> [Solve Online ARE]  --> High CPU Load
Huang et al. (2010) : [Sample State x_k] --> [Fuzzy Inference Rules] --> [Sliding Surface]   --> High Chattering
Proposed (2024)     : [Sample State x_k] --> [Static Matrix Multiply] --> [Real-Time Output] --> Minimal Overhead

3. Phát hiện bất ngờ nhất trong quá trình thực nghiệm có số liệu chứng minh là gì?

Phát hiện bất ngờ nhất là độ trôi dạt tham số khối lượng lên đến $+117.6%$ ($\Delta M = 1.0\text{ kg}$) làm cho bộ điều khiển LQR kinh điển bị phân kỳ góc hướng $\psi$ và mất ổn định hoàn toàn, nhưng khi kích hoạt bộ quan sát nhiễu tổng TDO, hệ thống chỉ mất đúng $2.0\text{ s}$ để khôi phục toàn bộ quỹ đạo bám với sai số góc nghiêng thân xe $\theta$ được triệt tiêu dưới $0.02\text{ rad}$.

4. Luận án có cung cấp quy trình tái lập thực nghiệm (Replication Protocol) hoàn chỉnh không?

Luận án cung cấp đầy đủ và chi tiết toàn bộ ma trận thông số giải tích $A_2, B_2$, các phần tử đại số, ma trận trọng số $Q, R$, mã lệnh lập trình thuật toán điều khiển trên vi điều khiển, sơ đồ khối giao tiếp phần cứng (Hình 4.18), và cấu hình mạch động lực cầu H điều khiển PWM động cơ DC.

5. Định hướng lộ trình nghiên cứu 10 năm (10-Year Research Agenda) của hướng đề tài này?

Lộ trình 10 năm hướng tới: (1) Phát triển hệ thống điều khiển học tăng cường sâu đa tác tử (Multi-Agent Deep RL) cho đội hình xe hai bánh tự cân bằng phối hợp; (2) Tích hợp công nghệ cảm biến thị giác AI (Visual SLAM) kết hợp điều khiển bám quỹ đạo thích nghi trong môi trường không gian 3D phi cấu trúc; (3) Thương mại hóa bộ điều khiển nhúng chuyên dụng SoC (System-on-Chip) tích hợp sẵn nhân tính toán ma trận ADP phục vụ công nghiệp ô tô hai bánh tự cân bằng thông minh.

Kết luận

Công trình nghiên cứu luận án tiến sĩ của tác giả Trần Gia Khánh đã giải quyết trọn vẹn và xuất sắc bài toán điều khiển tự cân bằng và bám quỹ đạo cho xe hai bánh tự cân bằng TWMR trong điều kiện mô hình bất định không dừng và nhiễu cơ cấu chấp hành.

Sáu đóng góp khoa học cụ thể bao gồm:

  1. Thiết lập mô hình tuyến tính tương đương giải tích: Chứng minh điều kiện ánh xạ toàn bộ bất định tham số và nhiễu ngoài vào không gian ảnh của ma trận đầu vào $B$ thông qua vector nhiễu tổng $d_c(t)$.
  2. Thiết kế bộ quan sát nhiễu tổng thời gian thực TDO: Xây dựng thuật toán ước lượng tối ưu rời rạc hóa với độ phức tạp tính toán tối thiểu, bảo đảm sai số ước lượng hội tụ nhanh tỷ lệ với $\mathcal{O}(T_s^2)$.
  3. Chứng minh toán học chặt chẽ về tính ổn định ISS: Thiết lập hàm Lyapunov tường minh chứng minh sai số bám quỹ đạo của hệ kín luôn hội tụ về lân cận compact $\Gamma$ chứa gốc tọa độ.
  4. Đề xuất giải thuật học tăng cường Off-Policy ADP không mô hình: Ứng dụng phép nhân Kronecker biến đổi bài toán tối ưu HJB thành hệ phương trình đại số tuyến tính hội tụ đơn nhất về nghiệm Riccati tối ưu mà không cần nhận dạng ma trận hệ thống $A, B$.
  5. Kiểm chứng đa kịch bản toàn diện trên mô phỏng và thực nghiệm: Khảo sát đầy đủ 4 kịch bản từ danh định đến bất định cực hạn $+117.6%$ khối lượng kết hợp nhiễu sin cơ cấu chấp hành, khẳng định tính vượt trội tuyệt đối so với các bộ điều khiển kinh điển LQR và $H_\infty$.
  6. Mở ra hướng ứng dụng thực tiễn công nghệ cao: Cung cấp giải pháp thuật toán điều khiển kinh tế, hiệu năng cao, sẵn sàng triển khai trên các dòng vi điều khiển nhúng 32-bit thương mại phục vụ ngành công nghiệp robot tự hành và giao thông thông minh.