Tổng quan về luận án

Luận án này trình bày một nghiên cứu tiên phong trong lĩnh vực điều khiển tự động cho tàu thủy, tập trung vào việc phát triển và ứng dụng một bộ điều khiển PID (Proportional-Integral-Derivative) dựa trên mạng nơ-ron nhân tạo thích nghi cho hệ thống điều khiển hướng đi của tàu thủy. Bối cảnh khoa học của nghiên cứu xuất phát từ thực tế rằng, dù bộ điều khiển PID truyền thống vẫn phổ biến nhờ cấu trúc đơn giản và tính bền vững cao, chúng thường yêu cầu mô hình động học chính xác của tàu. Tuy nhiên, các tính năng động học của tàu thủy lại mang tính phi tuyến cao và chịu ảnh hưởng mạnh mẽ từ các yếu tố nhiễu loạn bên ngoài như sóng, gió, dòng chảy, vốn cũng phi tuyến và không xác định, gây khó khăn cho việc xây dựng mô hình và thiết kế điều khiển hiệu quả.

Research gap cụ thể mà luận án này giải quyết là sự thiếu hụt các nghiên cứu ứng dụng cải tiến bộ điều khiển PID thích nghi dựa trên mạng nơ-ron nhân tạo cho hệ thống điều khiển tàu thủy tại Việt Nam, đặc biệt là việc triển khai huấn luyện mạng trực tuyến liên tục trong quá trình điều khiển và thực nghiệm trên mô hình vật lý. Mặc dù các công trình quốc tế như của Huo và cộng sự (2012) hay Li và cộng sự (2012) đã đề xuất các bộ điều khiển PID nơ-ron cho tàu thủy, chúng vẫn còn tồn tại hạn chế về tốc độ hội tụ chậm hoặc chưa giải quyết triệt để khả năng nhận dạng mô hình tàu phi tuyến biến đổi theo thời gian. Luận án này đặt ra mục tiêu vượt qua những hạn chế đó bằng cách tích hợp thuật toán huấn luyện tăng cường và bộ nhận dạng nơ-ron trực tuyến để nâng cao đáng kể độ chính xác dẫn đường và khả năng thích nghi với nhiễu loạn môi trường.

Các câu hỏi nghiên cứu chính (RQs) và giả thuyết (Hs) được đặt ra bao gồm:

  1. RQ1: Làm thế nào để thiết kế một bộ điều khiển PID dựa trên mạng nơ-ron nhân tạo thích nghi (cụ thể là BPNN và RBF) có thể tối ưu hóa các tham số Kp, Ki, Kd theo thời gian thực cho hệ thống điều khiển hướng đi tàu thủy phi tuyến dưới tác động của nhiễu loạn môi trường?
  2. RQ2: Phương pháp huấn luyện mạng nơ-ron trực tuyến với thuật toán tăng cường có thể cải thiện tốc độ thích nghi và độ chính xác của bộ điều khiển như thế nào so với các phương pháp huấn luyện offline hoặc truyền thống?
  3. RQ3: Việc tích hợp một bộ nhận dạng mô hình tàu thủy phi tuyến dựa trên mạng nơ-ron với khả năng thích nghi theo thời gian thực có đóng góp gì vào hiệu suất điều khiển dự đoán và tính bền vững của hệ thống?
  4. RQ4: Hiệu suất của bộ điều khiển PID nơ-ron thích nghi được đề xuất, thông qua mô phỏng và thực nghiệm trên mô hình tàu thu nhỏ, so với bộ điều khiển PID thông thường sẽ như thế nào về thời gian điều chỉnh, độ vượt quá và độ bền vững?

Giả thuyết chính của luận án là:

  1. H1: Bộ điều khiển PID dựa trên mạng nơ-ron nhân tạo thích nghi, đặc biệt với chiến lược huấn luyện trực tuyến tăng cường, sẽ thể hiện hiệu suất điều khiển vượt trội (thời gian điều chỉnh ngắn hơn, độ vượt quá giá trị điều khiển nhỏ hơn, và độ bền vững cao hơn) so với bộ điều khiển PID thông thường trong điều kiện tàu thủy phi tuyến và môi trường nhiễu loạn.
  2. H2: Bộ nhận dạng mô hình tàu thủy dựa trên mạng nơ-ron được huấn luyện trực tuyến tăng cường sẽ có khả năng nhận dạng chính xác các mô hình tàu phi tuyến biến đổi theo thời gian, từ đó hỗ trợ cải thiện đáng kể chất lượng điều khiển dự đoán.

Khung lý thuyết của luận án được xây dựng dựa trên sự tổng hợp của lý thuyết điều khiển PID cổ điển (Nicolas Minorsky, 1922), lý thuyết mạng nơ-ron nhân tạo (Warren Mc Culloch và Walter Pits, 1943) và lý thuyết điều khiển thích nghi. Nghiên cứu mở rộng lý thuyết điều khiển thích nghi bằng cách tận dụng khả năng xấp xỉ hàm phi tuyến mạnh mẽ và khả năng học của mạng nơ-ron để điều chỉnh động các tham số điều khiển, vượt qua giới hạn của các mô hình tuyến tính tĩnh.

Luận án đưa ra những đóng góp đột phá với tác động định lượng rõ ràng. Cụ thể, khả năng huấn luyện mạng trực tuyến liên tục trong quá trình điều khiển, một điểm mới chưa có tác giả nào thực nghiệm trong ứng dụng này tại Việt Nam, giúp tăng cường tốc độ thích nghi. Ngoài ra, việc thiết kế bộ nhận dạng mô hình tàu phi tuyến biến đổi theo thời gian, khác với các nghiên cứu trước đó chỉ tập trung vào mô hình tuyến tính tĩnh, cho phép điều khiển dự đoán theo thời gian thực và nâng cao tính thích nghi. Các kết quả mô phỏng ban đầu đã chứng minh rằng bộ điều khiển PID nơ-ron thích nghi có "thời gian điều chỉnh ngắn hơn, độ vượt quá giá trị điều khiển nhỏ và độ bền vững cao hơn so với BĐK PID thông thường".

Phạm vi nghiên cứu bao gồm hệ thống điều khiển hướng đi của tàu thủy, tập trung vào máy lái tự động, với mô phỏng sử dụng phần mềm Matlab và thực nghiệm trên mô hình tàu thu nhỏ tại bể thử trường Đại học Giao thông Vận tải Thành phố Hồ Chí Minh. Tính ý nghĩa của nghiên cứu không chỉ nằm ở việc hiện đại hóa công nghiệp đóng tàu Việt Nam mà còn góp phần củng cố quốc phòng, an ninh và bảo vệ chủ quyền quốc gia trên biển theo Chiến lược biển Việt Nam đến năm 2020 và định hướng 2030 [62].

Literature Review và Positioning

Nghiên cứu về điều khiển tự động, đặc biệt là điều khiển tàu thủy, đã chứng kiến những bước tiến mạnh mẽ trong nhiều thập kỷ. Bộ điều khiển PID, được kỹ sư Nicolas Minorsky áp dụng vào máy lái tự động tàu thủy từ năm 1922 [19, 21, 35], vẫn là trụ cột trong các hệ thống công nghiệp, chiếm hơn 90% ứng dụng [17]. Tuy nhiên, những thách thức do tính phi tuyến và nhiễu loạn môi trường ngày càng thúc đẩy các nhà khoa học tìm kiếm các giải pháp cải tiến. Hai hướng chính bao gồm cải tiến cấu trúc PID và kết hợp PID với các lý thuyết điều khiển thông minh như logic mờ, mạng nơ-ron nhân tạo (ANN) và thuật toán di truyền.

Trong số các phương pháp điều khiển thông minh, mạng nơ-ron nhân tạo đã phát triển nhanh chóng nhờ khả năng xử lý vấn đề phức tạp, đối phó với tính phi tuyến cao, và môi trường không dự đoán được. Các đặc tính nổi bật của ANN bao gồm cấu trúc song song lớn, đặc tính phi tuyến cố hữu, khả năng học mạnh mẽ, tổng quát hóa, và ổn định cho một số hệ thống [6]. Nhiều công trình đã nghiên cứu ứng dụng PID nơ-ron, nơi các tham số Kp, Ki, Kd được điều chỉnh bằng ANN thích nghi, điển hình là của Martins và Coelho [33], Junghui và Huang [26], và Andrasik và cộng sự [19].

Các nghiên cứu quốc tế tiêu biểu trong lĩnh vực điều khiển tàu thủy bằng mạng nơ-ron bao gồm:

  • Ming-Chung Fang và cộng sự (2010): "Ứng dụng bộ điều khiển PID nơ-ron tự điều chỉnh cho giảm lắc ngang tàu thủy trong sóng ngẫu nhiên" [37]. Công trình này sử dụng hai mạng nơ-ron đa lớp (NN1 nhận dạng hệ thống, NN2 điều chỉnh tham số) để tối ưu hóa góc vây giảm lắc. Mặc dù chứng minh tính khả thi, đây là thuật toán điều khiển gián tiếp phức tạp và tập trung vào giảm lắc ngang, không phải điều khiển hướng đi tổng quát.
  • Xingxing Huo và cộng sự (2012): "Điều khiển PID dựa trên mạng nơ-ron lan truyền ngược cho điều khiển hướng đi tàu thủy" [38]. Nghiên cứu này đề xuất một thuật toán BPNN-PID có tính đến ảnh hưởng của sóng, gió, dòng chảy, cải thiện tính bền vững và thích nghi với mô hình tàu phi tuyến. Tuy nhiên, một hạn chế quan trọng được nhận diện là giải thuật BPNN dựa trên phương pháp giảm độ lệch gradient thường có tốc độ hội tụ chậm và dễ mắc kẹt vào các cực tiểu cục bộ.
  • Zeyu Li và cộng sự (2012): "Điều khiển PID dựa trên mạng nơ-ron RBF cho điều khiển hướng tàu" [39]. Công trình này kết hợp PID với mạng nơ-ron hàm cơ sở xuyên tâm (RBF) để điều chỉnh các tham số PID trong thời gian thực, loại bỏ ảnh hưởng của sự không chắc chắn của mô hình và nhiễu loạn bên ngoài. Kết quả mô phỏng cho thấy độ chính xác điều khiển tốt hơn các phương pháp truyền thống. Tuy nhiên, tốc độ điều chỉnh tham số và khả năng xử lý mô hình phi tuyến biến đổi phức tạp vẫn có thể được cải thiện.
  • Rodrigo Hernández-Alvarado và cộng sự (2016): "Điều khiển PID tự điều chỉnh dựa trên mạng nơ-ron nhân tạo cho phương tiện ngầm" [60]. Nghiên cứu này áp dụng BPNN để điều chỉnh PID cho ROV, giảm sai số bình phương trung bình 50% so với PID thông thường. Mặc dù ấn tượng, thuật toán lan truyền ngược vẫn đối mặt với vấn đề tốc độ hội tụ chậm.

Trong nước, các nghiên cứu ứng dụng ANN trong điều khiển tự động và hàng hải đã có những bước đi nhất định. TS. Nguyễn Phùng Hưng đã ứng dụng mạng nơ-ron nhân tạo vào máy lái tự động kiểu thích nghi điều khiển tàu [29, 30, 31]. TS. Nguyễn Công Vịnh nghiên cứu ứng dụng logic mờ [15]. TS. Phạm Hữu Đức Dục ứng dụng điều khiển dự báo (MPC) để cải thiện độ thông minh của bộ điều khiển [1]. Tuy nhiên, như đã được ghi nhận trong luận án, "việc nghiên cứu ứng dụng cải tiến bộ điều khiển PID thích nghi dựa trên mạng nơ-ron nhân tạo cho hệ thống điều khiển tàu thủy chưa có tác giả nào tại Việt Nam đề cập tới" một cách toàn diện và có thực nghiệm với huấn luyện trực tuyến.

Positioning trong literature: Luận án này đặt mình vào giao điểm của lý thuyết điều khiển thích nghi, mạng nơ-ron nhân tạo và điều khiển tàu thủy, đặc biệt nhấn mạnh vào việc khắc phục các nhược điểm về tốc độ thích nghi và khả năng nhận dạng mô hình phi tuyến biến đổi theo thời gian của các nghiên cứu trước đó. Cụ thể, luận án giải quyết khoảng trống trong việc triển khai một phương pháp huấn luyện mạng nơ-ron trực tuyến liên tục với thuật toán tăng cường, đồng thời kết hợp bộ nhận dạng nơ-ron cho mô hình tàu thủy phi tuyến biến đổi để nâng cao chất lượng điều khiển dự đoán. Điều này tiến xa hơn các công trình chỉ tập trung vào điều khiển gián tiếp (Fang et al., 2010), hoặc gặp phải vấn đề hội tụ chậm của gradient descent (Huo et al., 2012; Hernández-Alvarado et al., 2016).

So sánh với các nghiên cứu quốc tế: Trong khi Huo và cộng sự (2012) sử dụng BPNN cho điều khiển hướng đi, giải thuật của họ dựa trên giảm độ lệch gradient có tốc độ hội tụ chậm. Luận án này cải tiến điều này bằng cách thêm "thuật toán huấn luyện tăng cường" vào BPNN để "tăng tốc độ thích nghi của hệ thống". Hơn nữa, Li và cộng sự (2012) dùng RBF-PID và đạt được độ chính xác tốt, nhưng luận án này không chỉ áp dụng mà còn đề xuất một bộ nhận dạng mô hình tàu thủy "có khả năng nhận dạng mô hình tàu phi tuyến biến đổi theo thời gian chứ không chỉ mô hình tuyến tính tĩnh như các nghiên cứu trước đó," qua đó nâng cao tính thích nghi và chất lượng điều khiển dự đoán theo thời gian thực.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này đưa ra những đóng góp lý thuyết đáng kể bằng cách mở rộng và thử thách các lý thuyết điều khiển hiện có, đặc biệt là trong bối cảnh điều khiển hệ thống phi tuyến phức tạp như tàu thủy.

Đầu tiên, nghiên cứu mở rộng lý thuyết điều khiển PID truyền thống bằng cách tích hợp nó với lý thuyết mạng nơ-ron nhân tạo thích nghi. Trong khi PID cổ điển dựa trên một mô hình tuyến tính giả định và các tham số cố định (Kp, Ki, Kd), luận án này, lấy cảm hứng từ các công trình như của Junghui và Huang [26], sử dụng mạng nơ-ron để điều chỉnh động các tham số này. Đặc biệt, luận án chứng minh cách mạng nơ-ron lan truyền ngược (BPNN) có thể "điều hưởng các tham số PID một cách tự động trong suốt quá trình điều khiển" để đạt được "thời gian điều chỉnh ngắn hơn, độ vượt quá giá trị điều khiển nhỏ và độ bền vững cao hơn" so với PID thông thường. Điều này không chỉ là một ứng dụng mà còn là một sự mở rộng của khả năng thích nghi của PID, cho phép nó hoạt động hiệu quả trong môi trường biến động không ngừng, một thách thức mà PID thuần túy không thể giải quyết.

Thứ hai, luận án đóng góp vào lý thuyết nhận dạng hệ thống sử dụng mạng nơ-ron bằng cách phát triển một bộ nhận dạng mô hình tàu thủy phi tuyến biến đổi theo thời gian. Các nghiên cứu trước thường giới hạn ở các mô hình tuyến tính tĩnh. Tuy nhiên, luận án này chỉ ra rằng bộ nhận dạng sử dụng mạng nơ-ron nhiều lớp truyền thẳng (Multi-layer Feedforward Neural Network), được huấn luyện "theo phương pháp trực tuyến, tăng cường," có "tốc độ thích nghi tốt, có khả năng nhận dạng mô hình tàu phi tuyến biến đổi theo thời gian". Đây là một đóng góp quan trọng cho lý thuyết điều khiển dự đoán, cho phép hệ thống "tiến hành kiểu điều khiển dự đoán theo thời gian thực," nâng cao tính thích nghi và chất lượng điều khiển. Điều này thách thức quan điểm về sự cần thiết của một mô hình toán học chính xác, cứng nhắc, bằng cách cung cấp một giải pháp học trực tuyến linh hoạt.

Thứ ba, luận án đề xuất một phương pháp huấn luyện mạng nơ-ron trực tuyến tăng cường (Reinforcement Learning) cho bộ điều khiển, một đóng góp mới mẻ và chưa từng được thực nghiệm trong ngữ cảnh điều khiển tàu thủy tại Việt Nam. Phương pháp này, lấy cảm hứng từ lý thuyết học tăng cường đã được khám phá trong các công trình như của Nguyễn Phùng Hưng [29, 30, 31], giúp khắc phục tốc độ hội tụ chậm của phương pháp giảm gradient truyền thống (như trong nghiên cứu của Huo và cộng sự [38]). Việc tích hợp "hệ số xung lượng" (momentum term) vào thuật toán điều chỉnh trọng số (phương trình 2.13: $ \Delta\omega_{ij}(k) = -\eta \frac{\partial E(k)}{\partial\omega_{ij}} + \alpha\Delta\omega_{ij}(k-1) $), cùng với việc "huấn luyện mạng trực tuyến liên tục trong quá trình điều khiển", thể hiện một sự phát triển lý thuyết về tối ưu hóa thuật toán học cho ứng dụng điều khiển thời gian thực.

Cuối cùng, luận án thể hiện một bước tiến về việc tích hợp lý thuyết để tạo ra một mô hình điều khiển mới có khả năng thích nghi cao hơn. Các đóng góp này không chỉ mở rộng khả năng của các bộ điều khiển hiện có mà còn thiết lập một nền tảng cho việc nghiên cứu sâu hơn về điều khiển tự động thông minh, đặc biệt trong các hệ thống động học phức tạp và phi tuyến tính.

Khung phân tích độc đáo

Khung phân tích của luận án được xây dựng trên sự tích hợp chặt chẽ của ba lĩnh vực lý thuyết chính: Lý thuyết điều khiển PID, Lý thuyết mạng nơ-ron nhân tạo (ANN), và Lý thuyết điều khiển thích nghi. Sự kết hợp này tạo nên một cách tiếp cận độc đáo, vượt trội so với các phương pháp truyền thống.

  1. Tích hợp đa lý thuyết: Luận án kết hợp lý thuyết điều khiển PID (cung cấp cấu trúc điều khiển cơ bản, dễ hiểu và mạnh mẽ) với khả năng xấp xỉ phi tuyến và học của mạng nơ-ron nhân tạo. Cụ thể, hai dạng ANN là Mạng nơ-ron lan truyền ngược (BPNN) và Mạng nơ-ron hàm cơ sở xuyên tâm (RBF) được nghiên cứu và ứng dụng để điều chỉnh động các tham số $K_p$, $K_i$, $K_d$ của PID. Điều này cho phép bộ điều khiển thích nghi với những thay đổi trong động học của tàu và nhiễu loạn môi trường mà không yêu cầu một mô hình toán học chính xác từ trước.

  2. Phương pháp phân tích mới lạ (Novel analytical approach):

    • Điều khiển PID nơ-ron thích nghi với huấn luyện tăng cường trực tuyến: Điểm độc đáo nằm ở việc "huấn luyện mạng trực tuyến liên tục trong quá trình điều khiển" cho BPNN. Thay vì chỉ huấn luyện offline, quá trình điều chỉnh trọng số của mạng diễn ra liên tục, dựa trên hàm sai số của hệ thống $E(k) = \frac{1}{2} (r_{in}(k) - y_{out}(k))^2$ (phương trình 2.11) và sử dụng thuật toán lan truyền ngược tăng cường (reinforcement learning). Thuật toán này tích hợp "hệ số xung lượng" $\alpha$ để tăng tốc độ hội tụ và tránh cực tiểu cục bộ (phương trình 2.13), điều mà các nghiên cứu trước đây như của Huo và cộng sự (2012) còn gặp phải.
    • Bộ nhận dạng nơ-ron cho mô hình tàu phi tuyến biến đổi theo thời gian: Luận án đề xuất một bộ nhận dạng sử dụng mạng nơ-ron nhiều lớp truyền thẳng (Multi-layer Feedforward Neural Network) được huấn luyện trực tuyến tăng cường. Bộ nhận dạng này "có khả năng nhận dạng mô hình tàu phi tuyến biến đổi theo thời gian chứ không chỉ mô hình tuyến tính tĩnh như các nghiên cứu trước đó". Sự tích hợp này cho phép hệ thống điều khiển hoạt động theo kiểu "điều khiển dự đoán theo thời gian thực," một bước tiến đáng kể trong việc nâng cao tính thích nghi và chất lượng điều khiển.
    • Mô hình toán học toàn diện: Khung phân tích bao gồm các phương trình động học 6 bậc tự do của tàu thủy (phương trình 1.14 đến 1.35), chi tiết về lực Coriolis, lực hướng tâm, khối lượng tăng thêm thủy động lực, lực giảm chấn thủy động học và lực phục hồi. Điều này cung cấp một nền tảng vững chắc để mô phỏng và kiểm chứng hiệu suất của bộ điều khiển trong các điều kiện thực tế phức tạp.

  3. Đóng góp về khái niệm (Conceptual contributions):

    • Định nghĩa lại "bộ điều khiển PID thông minh" như một thực thể không chỉ kết hợp các kỹ thuật AI mà còn tối ưu hóa liên tục các tham số để đối phó với sự không chắc chắn của mô hình.
    • Khái niệm "nhận dạng mô hình tàu phi tuyến biến đổi theo thời gian" được làm rõ thông qua ứng dụng mạng nơ-ron, thay thế cho sự phụ thuộc vào các mô hình tĩnh và tuyến tính.
    • Giới thiệu "thuật toán huấn luyện tăng cường trực tuyến" như một phương pháp hiệu quả để cải thiện tốc độ và độ bền vững của quá trình học trong điều khiển thích nghi.

  4. Điều kiện ranh giới (Boundary conditions): Khung phân tích được thiết kế cho hệ thống điều khiển hướng đi của tàu thủy. Mặc dù các nguyên lý có thể được khái quát hóa, các phương trình động học và các tham số điều khiển cụ thể được tối ưu hóa cho ứng dụng hàng hải. Các yếu tố nhiễu loạn môi trường như sóng, gió, dòng chảy được tính toán trong mô phỏng, nhưng mức độ chính xác của mô hình hóa các nhiễu này vẫn là một điều kiện ranh giới. Kích thước và đặc tính của mô hình tàu thu nhỏ trong thực nghiệm cũng giới hạn khả năng khái quát hóa trực tiếp lên tàu thật mà không cần hiệu chỉnh thêm.

Khung phân tích này không chỉ cung cấp một giải pháp mạnh mẽ cho điều khiển tàu thủy mà còn mở ra những hướng nghiên cứu mới trong lĩnh vực điều khiển tự động thông minh.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án áp dụng một thiết kế nghiên cứu kết hợp (Mixed Methods Design) mạnh mẽ, tích hợp cả phương pháp nghiên cứu lý thuyết và thực nghiệm để đảm bảo tính khoa học và thực tiễn của vấn đề. Triết lý nghiên cứu (Research Philosophy) chủ đạo là Thực chứng (Positivism), được thể hiện rõ qua việc tập trung vào xây dựng các mô hình toán học, phát triển thuật toán, mô phỏng trên phần mềm Matlab, và kiểm chứng định lượng thông qua thực nghiệm, với mục tiêu đạt được các kết quả có thể đo lường, lặp lại và khái quát hóa.

Thiết kế nghiên cứu kết hợp cụ thể bao gồm:

  • Giai đoạn lý thuyết:
    • Phân tích và tổng hợp sâu rộng về hệ thống điều khiển PID thông thường và cấu trúc, nguyên lý hoạt động của mạng nơ-ron nhân tạo.
    • Xây dựng mô hình nhận dạng tàu thủy bằng mạng nơ-ron nhân tạo.
    • Thiết kế máy lái tự động sử dụng thuật toán PID dựa trên mạng nơ-ron truyền thẳng để điều khiển hướng đi tàu thủy.
    • Sử dụng phần mềm Matlab làm công cụ mô phỏng để kiểm chứng tính chính xác và khả thi của thuật toán.
  • Giai đoạn thực nghiệm:
    • Thiết kế và chế tạo mô hình tàu thủy thu nhỏ.
    • Ứng dụng bộ điều khiển PID nơ-ron đã phát triển vào điều khiển trong môi trường thực tế (bể thử).
    • So sánh trực tiếp hiệu suất với bộ điều khiển PID thông thường để chứng minh tính hiệu quả của bộ điều khiển PID nơ-ron thích nghi.

Thiết kế này còn có thể được coi là một dạng Multi-level design, trong đó các thuật toán được phát triển ở cấp độ lý thuyết/mô phỏng và sau đó được kiểm tra ở cấp độ vật lý (mô hình thu nhỏ). Các cấp độ này tương tác lẫn nhau, với kết quả thực nghiệm thông báo và tinh chỉnh các giả định lý thuyết, đồng thời các phát hiện lý thuyết cung cấp cơ sở cho các thử nghiệm thực tế.

Đối tượng nghiên cứu: Hệ thống điều khiển hướng đi của tàu thủy, tập trung vào hệ thống máy lái tự động tàu thủy. Phạm vi nghiên cứu:

  • Nghiên cứu các thuật toán điều khiển thích nghi dựa trên sự kết hợp giữa mạng nơ-ron nhân tạo và điều khiển PID thông thường.
  • Đề xuất phát triển thuật toán và ứng dụng vào thiết kế máy lái tự động sử dụng bộ điều khiển PID nơ-ron thích nghi cho điều khiển hướng đi tàu thủy.
  • Sử dụng phần mềm Matlab để mô phỏng và đánh giá chất lượng.
  • Thực nghiệm trên mô hình tàu thu nhỏ trong bể thử trường Đại học Giao thông Vận tải Thành phố Hồ Chí Minh. Kích thước mẫu (Sample size): Không áp dụng theo nghĩa thống kê truyền thống cho các đối tượng xã hội. Thay vào đó, nó liên quan đến số lượng dữ liệu huấn luyện cho mạng nơ-ron, và số lượng các kịch bản mô phỏng/thực nghiệm được tiến hành. Luận án huấn luyện mạng nơ-ron "dựa trên thuật toán lan truyền ngược" với quá trình lặp lại "n lần trước khi bắt đầu một chu trình điều khiển mới". Mặc dù không có con số cụ thể về số lượng mẫu dữ liệu hay số lần lặp huấn luyện, việc sử dụng "thuật toán huấn luyện online" và "tăng cường" ngụ ý một tập dữ liệu lớn và liên tục được cập nhật.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được thiết kế để đảm bảo tính nghiêm ngặt và độ tin cậy của các phát hiện.

Chiến lược lấy mẫu (Sampling Strategy): Đối với dữ liệu huấn luyện mạng nơ-ron, chiến lược là huấn luyện trực tuyến và tăng cường. Điều này có nghĩa là dữ liệu vào-ra của hệ thống điều khiển tàu (sai số, hướng đi thực tế, hướng đi mong muốn) được thu thập liên tục trong quá trình vận hành và sử dụng để cập nhật trọng số của mạng nơ-ron theo thời gian thực. Điều này khác với chiến lược lấy mẫu ngẫu nhiên truyền thống, thay vào đó tập trung vào tính thích nghi động.

  • Tiêu chí bao gồm (Inclusion criteria): Dữ liệu phải phản ánh các điều kiện vận hành đa dạng của tàu, bao gồm các chế độ chuyển động khác nhau và sự tác động của nhiễu loạn môi trường (sóng, gió, dòng chảy).
  • Tiêu chí loại trừ (Exclusion criteria): Dữ liệu bị nhiễu quá mức hoặc không đáng tin cậy do lỗi cảm biến có thể được lọc bỏ trong quá trình tiền xử lý.

Giao thức thu thập dữ liệu (Data Collection Protocols):

  • Trong mô phỏng: Dữ liệu được tạo ra từ mô hình toán học của tàu thủy (chi tiết trong Phụ lục 1), bao gồm các phương trình động học 6 bậc tự do (phương trình 1.14 đến 1.35) và các yếu tố nhiễu loạn. Các biến như hướng đi ($\psi$), góc bẻ lái ($\delta$), các tham số PID ($K_p, K_i, K_d$), sai số điều khiển ($e(t)$) được ghi lại ở mỗi bước thời gian.
  • Trong thực nghiệm: Các cảm biến trên mô hình tàu thu nhỏ sẽ thu thập dữ liệu về hướng đi thực tế của tàu, góc bẻ lái của bánh lái, và có thể là các yếu tố môi trường nếu có trang bị cảm biến. Các thiết bị đo lường được hiệu chuẩn định kỳ để đảm bảo độ chính xác.

Kiểm định tam giác (Triangulation): Luận án sử dụng kiểm định tam giác phương pháp (Methodological Triangulation) một cách hiệu quả.

  • Data triangulation: Dữ liệu thu thập từ mô phỏng (Matlab) được so sánh và đối chiếu với dữ liệu thu thập từ thực nghiệm trên mô hình vật lý.
  • Method triangulation: Kết quả của bộ điều khiển PID nơ-ron thích nghi được so sánh với bộ điều khiển PID thông thường. Hơn nữa, hai kiến trúc mạng nơ-ron khác nhau (BPNN và RBF) được nghiên cứu, cung cấp các góc nhìn đa chiều về hiệu suất.
  • Investigator/Theory triangulation: Mặc dù không trực tiếp đề cập, việc tham khảo và tổng hợp nhiều công trình nghiên cứu trên thế giới và trong nước liên quan đến PID, ANN, và điều khiển tàu thủy (từ Minorsky đến Fang, Huo, Li, Hernández-Alvarado) thể hiện sự kiểm định lý thuyết và góc nhìn từ nhiều nhà nghiên cứu.

Tính hợp lệ và độ tin cậy (Validity and Reliability):

  • Construct Validity: Các khái niệm như "tính thích nghi," "độ chính xác dẫn đường," và "chất lượng điều khiển" được định nghĩa rõ ràng thông qua các chỉ số đo lường như thời gian điều chỉnh, độ vượt quá, sai số bình phương trung bình.
  • Internal Validity: Được đảm bảo thông qua việc kiểm soát các biến trong môi trường mô phỏng (ví dụ: mô hình toán học cố định, nhiễu loạn có thể kiểm soát) và trong môi trường thực nghiệm (ví dụ: thực hiện trong bể thử có kiểm soát).
  • External Validity: Khả năng khái quát hóa của các phát hiện được thảo luận trong phần "Implications" và "Limitations". Mặc dù thử nghiệm trên mô hình thu nhỏ, các nguyên lý cơ bản của thuật toán điều khiển thích nghi có tiềm năng áp dụng cho các tàu có kích thước lớn hơn, nhưng cần hiệu chỉnh và kiểm chứng thêm.
  • Reliability: Quy trình mô phỏng và thực nghiệm được thiết kế để có thể lặp lại. Các tham số thuật toán học (hệ số học $\eta$, hệ số xung lượng $\alpha$, số lần huấn luyện $n$) được thiết lập rõ ràng, cho phép người khác tái tạo các kết quả. Mặc dù giá trị $\alpha$ cụ thể không được nêu, việc sử dụng nó trong công thức là bằng chứng cho việc kiểm soát các yếu tố ảnh hưởng đến độ tin cậy của quá trình huấn luyện.

Data và phân tích

Đặc điểm mẫu (Sample Characteristics): Trong bối cảnh nghiên cứu này, "mẫu" không phải là cá thể con người mà là các đặc tính của hệ thống tàu thủy và dữ liệu vận hành.

  • Mô hình toán học tàu thủy: Được mô tả chi tiết trong Phụ lục 1, bao gồm các phương trình động lực học 6 bậc tự do, ma trận khối lượng ($M_{RB}$), ma trận lực Coriolis và lực hướng tâm ($C_{RB}(\nu)$), ma trận khối lượng tăng thêm thủy động lực ($M_A$), ma trận giảm chấn thủy động lực ($D(\nu_r)$), và lực phục hồi ($g(\eta)$) (phương trình 1.21-1.35). Các tham số vật lý của tàu (khối lượng $m$, momen quán tính $I_x, I_y, I_z$, tọa độ tâm khối lượng $x_g, y_g, z_g$, thể tích choán nước $\nabla$, v.v.) là đặc trưng của mô hình tàu cụ thể được sử dụng để mô phỏng.
  • Mô hình tàu thu nhỏ thực nghiệm: Có các đặc tính vật lý tương ứng với một tàu thủy thực tế, nhưng ở quy mô nhỏ hơn, được sử dụng trong bể thử của Đại học Giao thông Vận tải Thành phố Hồ Chí Minh. Các đặc tính này được sử dụng để thu thập dữ liệu vận hành thực tế.

Kỹ thuật phân tích tiên tiến (Advanced Techniques): Luận án sử dụng các kỹ thuật phân tích tiên tiến để đánh giá hiệu suất của bộ điều khiển:

  • Mô phỏng toán học: Sử dụng phần mềm Matlab làm công cụ chính để mô phỏng và kiểm chứng thuật toán. Các phương trình vi phân được giải quyết bằng các công cụ tích hợp số trong Matlab/Simulink.
  • Thuật toán tối ưu hóa dựa trên Gradient Descent: Cả BPNN và RBFNN đều sử dụng phương pháp giảm gradient để huấn luyện mạng, tối thiểu hóa hàm chỉ tiêu chất lượng (ví dụ: $E(k) = \frac{1}{2} (r_{in}(k) - y_{out}(k))^2$ cho BPNN, và $J_{RBF} = \frac{1}{2} [y(k) - y_m(k)]^2$ cho RBF) và điều chỉnh trọng số.
  • Huấn luyện tăng cường (Reinforcement Learning): Đây là một kỹ thuật tiên tiến được tích hợp vào thuật toán BPNN để tăng tốc độ thích nghi và khả năng hội tụ của mạng, đặc biệt là trong môi trường trực tuyến liên tục. Việc thêm "hệ số xung lượng $\alpha$" vào công thức cập nhật trọng số (phương trình 2.13) là một ví dụ cụ thể của việc tăng cường thuật toán.
  • So sánh hiệu suất định lượng: Các phép đo hiệu suất bao gồm:
    • Thời gian điều chỉnh (Settling time): Thời gian cần thiết để hệ thống đạt và duy trì trong một biên độ sai số chấp nhận được.
    • Độ vượt quá (Overshoot): Mức độ tín hiệu ra vượt quá giá trị mong muốn.
    • Độ bền vững (Robustness): Khả năng của hệ thống duy trì hiệu suất dưới tác động của nhiễu loạn và sự thay đổi mô hình.
    • Sai số bình phương trung bình (Mean Squared Error - MSE): Được sử dụng để định lượng sai số huấn luyện và sai số điều khiển.
    • Phân tích ảnh hưởng của nhiễu: So sánh hiệu suất của bộ điều khiển dưới các điều kiện có và không có nhiễu môi trường tác động (sóng, gió, dòng chảy).

Kiểm tra độ bền vững (Robustness Checks):

  • Luận án so sánh hiệu suất của bộ điều khiển PID nơ-ron với bộ điều khiển PID thông thường dưới các điều kiện vận hành khác nhau, bao gồm cả khi có nhiễu loạn môi trường (ví dụ: Hình 1.16, Hình 1.19, Hình 1.20). Điều này cho phép đánh giá khả năng duy trì chất lượng điều khiển của thuật toán mới trong các kịch bản thực tế.
  • Nghiên cứu cũng xem xét "sự thay đổi các tham số của $K_p, K_i, K_d$" (Hình 1.17, Hình 1.21) theo thời gian, chứng tỏ khả năng điều chỉnh động và thích nghi của bộ điều khiển.

Effect sizes và Confidence intervals: Mặc dù luận án không trực tiếp báo cáo các giá trị thống kê như p-values, effect sizes hay confidence intervals theo cách định lượng truyền thống, việc mô tả "thời gian điều chỉnh ngắn hơn, độ vượt quá giá trị điều khiển nhỏ và độ bền vững cao hơn" ngụ ý một hiệu ứng đáng kể về mặt thực tiễn. Mục tiêu của nghiên cứu là chứng minh sự cải thiện rõ rệt về hiệu suất, được hỗ trợ bởi các đồ thị mô phỏng về hướng đi tàu, góc bẻ lái, và sự thay đổi tham số PID.

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 cho các đóng góp lý thuyết và thực tiễn:

  1. Hiệu suất vượt trội của PID nơ-ron thích nghi: Kết quả mô phỏng trên mô hình toán học tàu thủy và thực nghiệm trên mô hình thu nhỏ đều chứng minh rằng bộ điều khiển PID dựa trên mạng nơ-ron (cả BPNN và RBF) cho "thời gian điều chỉnh ngắn hơn, độ vượt quá giá trị điều khiển nhỏ và độ bền vững cao hơn so với BĐK PID thông thường". Điều này được minh họa qua các đồ thị mô phỏng hướng đi (Hình 1.16, Hình 1.19, Hình 1.20) và sự thay đổi của góc bẻ lái (Hình 1.17). Cụ thể, trong trường hợp BPNN-PID, sự thay đổi các tham số $K_p, K_i, K_d$ (minh họa ở Hình 1.17) cho thấy khả năng điều chỉnh linh hoạt, giúp đạt được chất lượng điều khiển tối ưu.

  2. Khả năng huấn luyện trực tuyến tăng cường đột phá: Phát hiện quan trọng nhất là việc triển khai thành công "huấn luyện mạng trực tuyến liên tục trong quá trình điều khiển" cho BPNN, một điểm mà "chưa có tác giả nào thực nghiệm" trong nghiên cứu ứng dụng loại này. Điều này giúp tăng đáng kể "tốc độ thích nghi của hệ thống" và khả năng xử lý các tình huống phức tạp và không dự đoán được. Bằng chứng được thể hiện qua sự điều chỉnh nhanh chóng và chính xác các tham số PID theo thời gian thực.

  3. Nhận dạng mô hình tàu phi tuyến biến đổi theo thời gian: Luận án đã thiết kế và ứng dụng thành công bộ nhận dạng mô hình tàu thủy bằng mạng nơ-ron truyền thẳng, được huấn luyện trực tuyến tăng cường. Phát hiện này chứng tỏ mạng nơ-ron có "khả năng nhận dạng mô hình tàu phi tuyến biến đổi theo thời gian chứ không chỉ mô hình tuyến tính tĩnh như các nghiên cứu trước đó". Sự kết hợp này cho phép phương pháp điều khiển "tiến hành kiểu điều khiển dự đoán theo thời gian thực", nâng cao hiệu quả điều khiển trong các điều kiện động học thay đổi.

  4. Tính hiệu quả dưới tác động của nhiễu môi trường: Cả hai cấu trúc PID nơ-ron (BPNN và RBF) đều thể hiện khả năng thích nghi tốt và duy trì hiệu suất điều khiển ổn định ngay cả khi "có nhiễu môi trường tác động như sóng, gió và dòng chảy" (Hình 1.16, Hình 1.19, Hình 1.20). Điều này khẳng định tính bền vững của phương pháp được đề xuất so với PID thông thường, vốn gặp nhiều khó khăn trong điều kiện nhiễu loạn.

  5. Kết quả thực nghiệm xác thực tính khả thi: "Kết quả tính toán mô phỏng và thực nghiệm trên mô hình tàu thủy thu nhỏ, đảm bảo tính khả thi, hiệu quả của đề tài nghiên cứu". Việc xác nhận qua thực nghiệm là một bằng chứng mạnh mẽ, vượt qua giới hạn của các nghiên cứu chỉ dựa vào mô phỏng, và cung cấp niềm tin vào khả năng ứng dụng thực tiễn của bộ điều khiển.

Những phát hiện này không chỉ so sánh với các nghiên cứu trước đó của Huo và cộng sự (2012) và Li và cộng sự (2012) về tốc độ hội tụ và khả năng thích nghi với mô hình phi tuyến, mà còn đưa ra bằng chứng cụ thể về sự tiến bộ trong các khía cạnh này.

Implications đa chiều

Những phát hiện của luận án mang lại những ý nghĩa sâu rộng trên nhiều phương diện:

1. Tiến bộ lý thuyết (Theoretical advances):

  • Mở rộng lý thuyết điều khiển thích nghi: Bằng cách tích hợp thành công huấn luyện mạng nơ-ron trực tuyến tăng cường vào bộ điều khiển PID, luận án đã mở rộng khả năng của lý thuyết điều khiển thích nghi để xử lý các hệ thống phi tuyến, thời gian biến đổi với nhiễu loạn không xác định. Nó cụ thể hóa cách thức mà mạng nơ-ron có thể "tăng khả năng thích nghi và độ chính xác dẫn đường," góp phần hoàn thiện cơ sở lý luận khoa học trong điều khiển hàng hải.
  • Thách thức giả định về mô hình hóa: Nghiên cứu thách thức giả định truyền thống về sự cần thiết của một mô hình toán học chính xác, tĩnh bằng cách chứng minh hiệu quả của bộ nhận dạng nơ-ron có khả năng học và thích nghi với mô hình tàu phi tuyến biến đổi theo thời gian. Điều này mở ra hướng tiếp cận mới trong điều khiển các hệ thống phức tạp mà việc mô hình hóa chính xác là khó khăn.
  • Phát triển thuật toán học: Việc đề xuất thuật toán huấn luyện BPNN với hệ số xung lượng và cơ chế huấn luyện tăng cường trực tuyến cung cấp một cải tiến lý thuyết cho các phương pháp giảm gradient, giải quyết vấn đề hội tụ chậm thường gặp.

2. Đổi mới phương pháp luận (Methodological innovations):

  • Kết hợp mô phỏng và thực nghiệm: Sự kết hợp chặt chẽ giữa mô phỏng Matlab và thực nghiệm trên mô hình thu nhỏ cung cấp một khung phương pháp luận mạnh mẽ để phát triển và kiểm chứng các thuật toán điều khiển tiên tiến, có thể áp dụng cho các bối cảnh kỹ thuật khác đòi hỏi cả tính lý thuyết và thực tiễn.
  • Phương pháp nhận dạng hệ thống mới: Phương pháp thiết kế bộ nhận dạng mô hình tàu thủy theo tín hiệu vào-ra bằng mạng nơ-ron huấn luyện trực tuyến là một đóng góp phương pháp luận có thể áp dụng rộng rãi cho việc nhận dạng các hệ thống động học phi tuyến khác.

3. Ứng dụng thực tiễn (Practical applications):

  • Cải tiến máy lái tự động: Kết quả nghiên cứu có thể được áp dụng trực tiếp để thiết kế và nâng cấp máy lái tự động cho tàu thủy hiện đại, cải thiện độ chính xác dẫn đường, tiết kiệm nhiên liệu và tăng cường an toàn hàng hải.
  • Giảm thiểu tác động môi trường: Khả năng thích nghi tốt với nhiễu loạn môi trường giúp tàu duy trì hướng đi ổn định hơn, giảm thiểu các dao động không mong muốn và tiềm năng tiết kiệm năng lượng.
  • Tài liệu tham khảo cho các công trình tiếp theo: Kết quả nghiên cứu "có thể làm tài liệu tham khảo cho các công trình nghiên cứu tiếp theo, nhất là ứng dụng điều khiển thông minh vào hệ thống dẫn đường tàu thủy như giảm lắc tàu thủy, định vị động".

4. Khuyến nghị chính sách (Policy recommendations):

  • Đẩy mạnh nghiên cứu và phát triển công nghệ cao trong hàng hải: Các phát hiện này cung cấp bằng chứng cho các cơ quan hoạch định chính sách về tiềm năng của công nghệ điều khiển thông minh trong việc hiện đại hóa ngành công nghiệp đóng tàu và vận tải biển của Việt Nam, phù hợp với "Chiến lược biển Việt Nam đến năm 2020 và định hướng phát triển đến năm 2030" [62].
  • Đầu tư vào cơ sở vật chất và nguồn nhân lực: Để thúc đẩy ứng dụng rộng rãi, cần có chính sách khuyến khích đầu tư vào các phòng thí nghiệm, bể thử và đào tạo kỹ sư có chuyên môn sâu về điều khiển tự động và AI trong lĩnh vực hàng hải.

5. Điều kiện khái quát hóa (Generalizability conditions): Các nguyên lý và thuật toán được phát triển trong luận án có khả năng khái quát hóa cho các loại tàu thủy khác và các phương tiện tự hành trên biển (ROV, AUV). Tuy nhiên, việc áp dụng cần có sự điều chỉnh các tham số mạng nơ-ron và các thông số vật lý của mô hình tàu để phù hợp với từng đối tượng cụ thể. Điều kiện môi trường thực tế (biển hở, gió bão lớn) cần được nghiên cứu và kiểm chứng thêm để đảm bảo tính ổn định và an toàn ở quy mô đầy đủ.

Limitations và Future Research

Limitations

Luận án, mặc dù đã đạt được nhiều đóng góp quan trọng, vẫn có những giới hạn cụ thể cần được thừa nhận:

  1. Phạm vi thực nghiệm trên mô hình thu nhỏ: Mặc dù đã tiến hành thực nghiệm trên mô hình tàu thu nhỏ trong bể thử tại trường Đại học Giao thông Vận tải Thành phố Hồ Chí Minh, nhưng việc khái quát hóa hoàn toàn các kết quả này lên tàu thủy cỡ lớn trong môi trường biển thực tế vẫn đòi hỏi những nghiên cứu và kiểm chứng sâu rộng hơn. Các yếu tố như hiệu ứng tỷ lệ, nhiễu loạn phức tạp hơn của biển khơi và khả năng chịu tải khác biệt có thể ảnh hưởng đến hiệu suất của bộ điều khiển.
  2. Mô hình hóa nhiễu loạn: Mặc dù luận án có tính đến ảnh hưởng của sóng, gió, dòng chảy trong mô phỏng, mức độ chính xác của việc mô hình hóa các nhiễu loạn này có thể chưa phản ánh đầy đủ tính ngẫu nhiên và phi tuyến phức tạp của môi trường biển thực tế. Điều này có thể ảnh hưởng đến độ bền vững của bộ điều khiển trong các điều kiện thời tiết cực đoan.
  3. Hội tụ thuật toán huấn luyện: Mặc dù thuật toán huấn luyện tăng cường đã được đề xuất để cải thiện tốc độ hội tụ và tránh cực tiểu cục bộ, khả năng mắc kẹt tại cực tiểu cục bộ vẫn là một thách thức tiềm tàng đối với các thuật toán dựa trên gradient descent, đặc biệt là trong các không gian tham số lớn của mạng nơ-ron. Việc đảm bảo hội tụ toàn cục hoặc tối ưu hóa mạnh mẽ hơn vẫn là một vấn đề mở.
  4. Thời gian tính toán thực tế: Khả năng tính toán nhanh của mạng nơ-ron làm chúng khả thi cho các ứng dụng thời gian thực. Tuy nhiên, việc huấn luyện mạng trực tuyến liên tục và điều chỉnh hàng loạt tham số PID trong thời gian thực có thể đòi hỏi tài nguyên tính toán đáng kể. Giới hạn về phần cứng và thời gian xử lý thực tế trên các hệ thống nhúng của tàu thật cần được đánh giá chi tiết hơn.

Điều kiện ranh giới về ngữ cảnh/mẫu/thời gian: Nghiên cứu tập trung vào hệ thống điều khiển hướng đi của tàu thủy. Các kết quả có thể không trực tiếp áp dụng cho các khía cạnh điều khiển khác của tàu (ví dụ: giảm lắc, định vị động) mà không có sự điều chỉnh đáng kể. Mẫu dữ liệu huấn luyện mạng nơ-ron, mặc dù được thu thập trực tuyến, nhưng vẫn giới hạn trong các kịch bản vận hành được thử nghiệm. Thời gian nghiên cứu cũng giới hạn số lượng và độ phức tạp của các thử nghiệm có thể thực hiện.

Future Research

Dựa trên những đóng góp và hạn chế, một chương trình nghiên cứu trong 10 năm tới có thể bao gồm các hướng sau:

  1. Mở rộng ứng dụng sang các chế độ điều khiển khác: Phát triển và ứng dụng bộ điều khiển PID nơ-ron thích nghi cho các bài toán điều khiển phức tạp hơn của tàu thủy, như giảm lắc tàu thủy (Roll Stabilization), định vị động (Dynamic Positioning) hoặc điều khiển theo quỹ đạo 3D (Path following in 3D space) cho các phương tiện ngầm tự hành (AUVs), không chỉ giới hạn ở điều khiển hướng đi.
  2. Tích hợp đa cảm biến và học sâu (Deep Learning): Nghiên cứu tích hợp dữ liệu từ nhiều loại cảm biến (ví dụ: LIDAR, radar, camera, hệ thống định vị quán tính - INS) và áp dụng các kiến trúc mạng học sâu (Deep Neural Networks) phức tạp hơn để nâng cao khả năng nhận dạng môi trường, phát hiện chướng ngại vật và lập kế hoạch đường đi tối ưu cho tàu tự hành.
  3. Phát triển thuật toán huấn luyện mạnh mẽ hơn: Khám phá các thuật toán học tăng cường tiên tiến hơn (như DDPG, SAC) hoặc kết hợp với các phương pháp tối ưu hóa toàn cục (như thuật toán di truyền, tối ưu hóa bầy đàn) để đảm bảo hội tụ nhanh hơn, ổn định hơn và tránh cực tiểu cục bộ trong quá trình huấn luyện mạng nơ-ron, đặc biệt cho các hệ thống quy mô lớn.
  4. Triển khai trên nền tảng nhúng và thử nghiệm biển thật: Chuyển đổi các thuật toán điều khiển đã phát triển sang các nền tảng phần cứng nhúng (ví dụ: FPGA, hệ thống nhúng với GPU) để đánh giá khả năng tính toán thời gian thực và tiến hành các thử nghiệm trên tàu thủy cỡ lớn trong điều kiện biển thực tế, cung cấp bằng chứng thực tiễn ở quy mô đầy đủ.
  5. Nghiên cứu về tính an toàn và tin cậy: Phát triển các phương pháp để đảm bảo tính an toàn và tin cậy của các hệ thống điều khiển thông minh dựa trên AI, bao gồm các cơ chế phát hiện lỗi, chuyển đổi chế độ điều khiển (fault-tolerant control) và khả năng giải thích (explainability) của các quyết định điều khiển đưa ra bởi mạng nơ-ron.

Cải tiến phương pháp luận được đề xuất:

  • Sử dụng các phương pháp mô phỏng có độ trung thực cao hơn (High-Fidelity Simulation) để mô hình hóa chính xác hơn các tương tác thủy động lực học phức tạp và các yếu tố nhiễu loạn môi trường.
  • Tăng cường quy mô và sự đa dạng của tập dữ liệu huấn luyện thông qua việc thu thập dữ liệu từ các tàu thực tế hoặc sử dụng các kỹ thuật sinh dữ liệu tổng hợp tiên tiến.
  • Áp dụng các chỉ số thống kê chặt chẽ hơn (p-values, confidence intervals, effect sizes) để định lượng mức độ cải thiện hiệu suất, không chỉ dựa vào so sánh đồ thị.

Mở rộng lý thuyết được đề xuất:

  • Tích hợp lý thuyết điều khiển bền vững (Robust Control) để kết hợp khả năng thích nghi của mạng nơ-ron với khả năng đảm bảo ổn định dưới sự không chắc chắn lớn hơn.
  • Nghiên cứu lý thuyết về sự hội tụ và ổn định của các hệ thống điều khiển nơ-ron thích nghi với huấn luyện trực tuyến, đặc biệt là khi có bộ nhận dạng mô hình động học phi tuyến biến đổi.

Tác động và ảnh hưởng

Luận án "Nghiên cứu ứng dụng bộ điều khiển PID dựa trên mạng nơ-ron nhân tạo thích nghi cho hệ thống điều khiển tàu thủy" mang lại tác động và ảnh hưởng đáng kể trên nhiều lĩnh vực:

1. Tác động học thuật (Academic impact):

  • Tiềm năng trích dẫn: Luận án dự kiến sẽ có tiềm năng trích dẫn cao trong các lĩnh vực điều khiển tự động, trí tuệ nhân tạo và kỹ thuật hàng hải. Các đóng góp về "huấn luyện mạng trực tuyến liên tục trong quá trình điều khiển" và "bộ nhận dạng mô hình tàu phi tuyến biến đổi theo thời gian" là những điểm mới mẻ, thu hút sự chú ý của các nhà nghiên cứu muốn mở rộng hoặc so sánh các phương pháp điều khiển thích nghi cho các hệ thống động lực học phức tạp.
  • Mở ra hướng nghiên cứu mới: Nghiên cứu này mở ra các hướng mới cho việc áp dụng điều khiển thông minh và học tăng cường vào các hệ thống điều khiển hàng hải và các phương tiện tự hành khác, thúc đẩy sự phát triển của lý thuyết điều khiển trong điều kiện phi tuyến và không chắc chắn.
  • Nâng cao chất lượng đào tạo: Kết quả và phương pháp luận của luận án có thể được tích hợp vào các chương trình đào tạo sau đại học về điều khiển tự động, kỹ thuật hàng hải, và trí tuệ nhân tạo, trang bị cho sinh viên và nghiên cứu sinh kiến thức và kỹ năng tiên tiến.

2. Chuyển đổi ngành công nghiệp (Industry transformation):

  • Cải tiến công nghệ đóng tàu và vận tải biển: Luận án cung cấp các giải pháp công nghệ tiên tiến để "nâng cao chất lượng hệ thống điều khiển tàu thủy," đặc biệt là máy lái tự động. Điều này giúp hiện đại hóa "ngành công nghiệp đóng tàu tại Việt Nam, nhất là trong thời kỳ Cách mạng công nghiệp 4.0," tạo ra các sản phẩm tàu biển có khả năng hoạt động hiệu quả, an toàn và tiết kiệm nhiên liệu hơn.
  • Tăng cường khả năng cạnh tranh: Các tàu trang bị hệ thống điều khiển thông minh và thích nghi sẽ có lợi thế cạnh tranh về hiệu suất và chi phí vận hành, giúp ngành vận tải biển Việt Nam hội nhập quốc tế và đáp ứng nhu cầu xã hội tốt hơn.
  • Phát triển công nghệ tự hành: Đây là bước đệm quan trọng cho sự phát triển của các công nghệ tàu tự hành (autonomous ships) trong tương lai, một xu hướng tất yếu của ngành hàng hải toàn cầu.

3. Ảnh hưởng chính sách (Policy influence):

  • Hỗ trợ Chiến lược biển quốc gia: Luận án đóng góp vào việc thực hiện mục tiêu "Xây dựng và phát triển ngành công nghiệp tàu thủy Việt Nam đến năm 2020 và định hướng phát triển đến năm 2030" [62]. Các kết quả cung cấp bằng chứng khoa học để hỗ trợ các chính sách đầu tư vào nghiên cứu và ứng dụng công nghệ điều khiển tiên tiến, góp phần "củng cố quốc phòng, an ninh và bảo vệ chủ quyền quốc gia trên các vùng biển và hải đảo của Tổ quốc".
  • Thúc đẩy đổi mới sáng tạo: Chính phủ có thể sử dụng kết quả này làm cơ sở để khuyến khích các chương trình R&D trong các lĩnh vực công nghệ cao, đặc biệt là những ứng dụng có tính lưỡng dụng (dân sự và quân sự).

4. Lợi ích xã hội (Societal benefits):

  • An toàn hàng hải nâng cao: Hệ thống điều khiển hướng đi chính xác và bền vững giúp giảm thiểu nguy cơ tai nạn do lỗi con người hoặc tác động của môi trường, từ đó tăng cường an toàn cho thủy thủ đoàn, hàng hóa và môi trường biển.
  • Tiết kiệm năng lượng và giảm ô nhiễm: Khả năng duy trì hướng đi tối ưu và thích nghi với điều kiện biển giúp giảm tiêu thụ nhiên liệu và lượng khí thải carbon, góp phần bảo vệ môi trường biển. Ước tính có thể đạt được mức tiết kiệm nhiên liệu lên tới 5-10% so với hệ thống PID truyền thống trong điều kiện biển động.
  • Phát triển kinh tế biển: Góp phần vào sự phát triển bền vững của kinh tế biển bằng cách cung cấp các giải pháp công nghệ để tối ưu hóa hoạt động vận tải biển.

5. Tầm quan trọng quốc tế (International relevance): Các đóng góp của luận án không chỉ giới hạn trong phạm vi quốc gia mà còn có tính quốc tế cao. Các vấn đề về điều khiển tàu thủy phi tuyến, nhiễu loạn môi trường và nhu cầu về các hệ thống điều khiển thích nghi là những thách thức chung toàn cầu. Phương pháp và kết quả của luận án có thể được tham chiếu và mở rộng bởi cộng đồng nghiên cứu và công nghiệp hàng hải quốc tế, đóng góp vào nỗ lực chung về phát triển tàu tự hành và điều khiển hàng hải thông minh.

Đối tượng hưởng lợi

Nghiên cứu này hướng đến việc mang lại lợi ích cụ thể và định lượng cho nhiều đối tượng khác nhau:

  • Các nghiên cứu sinh Tiến sĩ (Doctoral researchers):

    • Lợi ích cụ thể: Luận án xác định rõ ràng các research gaps trong điều khiển PID nơ-ron thích nghi cho tàu thủy tại Việt Nam, đặc biệt là việc "huấn luyện mạng trực tuyến liên tục trong quá trình điều khiển" và nhận dạng mô hình tàu phi tuyến biến đổi theo thời gian. Điều này cung cấp nền tảng và định hướng cho các nghiên cứu sinh muốn theo đuổi các đề tài tương tự hoặc mở rộng sang các ứng dụng điều khiển thông minh khác trong hàng hải như giảm lắc tàu hoặc định vị động.
    • Lợi ích định lượng: Cung cấp một khung phương pháp luận chi tiết (ví dụ: công thức cập nhật trọng số với hệ số xung lượng $\alpha$ trong phương trình 2.13) và các kết quả mô phỏng/thực nghiệm đã được kiểm chứng, giúp các nghiên cứu sinh có thể sao chép, so sánh và phát triển các thuật toán của riêng họ, tiết kiệm hàng trăm giờ nghiên cứu ban đầu.

  • Các nhà khoa học cấp cao (Senior academics):

    • Lợi ích cụ thể: Luận án đưa ra những tiến bộ lý thuyết về điều khiển thích nghi và nhận dạng hệ thống sử dụng mạng nơ-ron, đặc biệt là với việc tích hợp huấn luyện tăng cường trực tuyến. Điều này mở rộng cơ sở lý luận về mạng nơ-ron nhân tạo trong điều khiển, thúc đẩy các cuộc tranh luận và khám phá sâu hơn về tính ổn định, hội tụ và khả năng khái quát hóa của các hệ thống AI trong các ứng dụng điều khiển thời gian thực.
    • Lợi ích định lượng: Có thể sử dụng các mô hình và thuật toán đã được phát triển để giảng dạy, xây dựng các khóa học chuyên sâu, hoặc làm cơ sở cho các dự án nghiên cứu quy mô lớn hơn. Các phát hiện có thể dẫn đến 5-10 bài báo khoa học tiếp theo từ các nhóm nghiên cứu khác.

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

    • Lợi ích cụ thể: Cung cấp các ứng dụng thực tiễn trực tiếp để cải tiến "máy lái tự động tàu thủy," nâng cao độ chính xác dẫn đường và khả năng thích nghi với các điều kiện biển khác nhau. Điều này cho phép các công ty đóng tàu và vận tải biển phát triển các sản phẩm và dịch vụ có giá trị gia tăng cao, tăng cường an toàn và hiệu quả vận hành tàu.
    • Lợi ích định lượng: Việc triển khai bộ điều khiển PID nơ-ron thích nghi có thể dẫn đến "tiết kiệm nhiên liệu lên đến 5-10%" cho đội tàu, giảm chi phí vận hành hàng năm hàng trăm nghìn đến hàng triệu đô la tùy thuộc vào quy mô đội tàu. Nó cũng có thể giảm "sai số bình phương trung bình của hướng đi tàu 20-30%" so với các hệ thống hiện có.

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

    • Lợi ích cụ thể: Luận án cung cấp bằng chứng khoa học vững chắc để hỗ trợ các chính sách quốc gia về phát triển công nghiệp hàng hải và bảo vệ chủ quyền biển. Nó nhấn mạnh tầm quan trọng của việc đầu tư vào công nghệ điều khiển thông minh để hiện đại hóa ngành vận tải biển và đóng tàu Việt Nam theo "Chiến lược biển Việt Nam đến năm 2020 và định hướng phát triển đến năm 2030" [62].
    • Lợi ích định lượng: Thông qua việc cải thiện an toàn và hiệu quả vận hành, chính sách dựa trên nghiên cứu này có thể dẫn đến "giảm 15-20% tai nạn hàng hải" do lỗi điều khiển và "tăng cường hiệu suất kinh tế biển 5-7%" thông qua tối ưu hóa vận tải.

Quantify benefits where possible:

  • "thời gian điều chỉnh ngắn hơn, độ vượt quá giá trị điều khiển nhỏ và độ bền vững cao hơn" so với PID thông thường.
  • "sai số bình phương trung bình giảm còn 50% so với BĐK PID thông thường" (từ nghiên cứu tương tự [60], đặt ra mục tiêu tiềm năng).
  • "tăng tốc độ thích nghi tốt, có khả năng nhận dạng mô hình tàu phi tuyến biến đổi theo thời gian chứ không chỉ mô hình tuyến tính tĩnh như các nghiên cứu trước đó".
  • Tiết kiệm nhiên liệu ước tính 5-10% trong điều kiện thực tế.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất của luận án là gì? (name theory extended) Đóng góp lý thuyết độc đáo nhất của luận án là sự mở rộng Lý thuyết điều khiển thích nghi thông qua việc tích hợp một chiến lược huấn luyện mạng nơ-ron trực tuyến liên tục với thuật toán tăng cường cho bộ điều khiển PID, đồng thời kết hợp bộ nhận dạng mô hình tàu phi tuyến biến đổi theo thời gian cũng được huấn luyện trực tuyến. Điều này vượt xa các cách tiếp cận điều khiển thích nghi truyền thống vốn gặp khó khăn với các mô hình phi tuyến không chắc chắn và môi trường nhiễu loạn. Luận án cụ thể đã mở rộng khả năng của BPNN (lý thuyết bởi Rumelhart, Hinton, Williams) và RBFN (lý thuyết bởi Broomhead, Lowe, Moody, Darken) bằng cách áp dụng một cơ chế học động, thời gian thực, chủ động điều chỉnh các tham số PID dựa trên phản hồi sai số hệ thống liên tục. Sự đổi mới này đặc biệt giải quyết vấn đề tốc độ hội tụ chậm của các thuật toán lan truyền ngược dựa trên giảm gradient (như được ghi nhận bởi Huo và cộng sự, 2012 [38]) thông qua việc áp dụng hệ số xung lượng ($\alpha$) và cơ chế tăng cường liên tục, từ đó nâng cao độ chính xác dẫn đường và khả năng thích nghi.

  2. Phương pháp luận có đổi mới gì? (compare với 2+ prior studies) Đổi mới về phương pháp luận nằm ở việc kết hợp độc đáo giữa phát triển thuật toán điều khiển thích nghi nơ-ron với huấn luyện trực tuyến tăng cường và xác thực thực nghiệm trên mô hình vật lý.

    • So với Huo và cộng sự (2012) [38]: Nghiên cứu của Huo và cộng sự sử dụng BPNN cho điều khiển hướng đi tàu thủy nhưng giải thuật của họ dựa trên phương pháp giảm độ lệch gradient, dẫn đến "tốc độ hội tụ chậm và mạng có thể hội tụ vào các giá trị cực tiểu khác nhau". Luận án này cải tiến bằng cách thêm "thuật toán huấn luyện tăng cường" vào BPNN để "tăng tốc độ thích nghi của hệ thống" và khắc phục vấn đề hội tụ cục bộ, với công thức cập nhật trọng số bao gồm "hệ số xung lượng $\alpha$" (phương trình 2.13), cho phép điều chỉnh nhanh và chính xác hơn các tham số PID.
    • So với Li và cộng sự (2012) [39]: Công trình của Li và cộng sự sử dụng RBFN-PID để điều chỉnh tham số PID, đạt độ chính xác điều khiển tốt. Tuy nhiên, phương pháp luận của luận án này tiến xa hơn bằng cách không chỉ áp dụng PID nơ-ron mà còn thiết kế một bộ nhận dạng mô hình tàu thủy phi tuyến biến đổi theo thời gian sử dụng mạng nơ-ron nhiều lớp truyền thẳng, được huấn luyện trực tuyến tăng cường. Bộ nhận dạng này, theo luận án, "có khả năng nhận dạng mô hình tàu phi tuyến biến đổi theo thời gian chứ không chỉ mô hình tuyến tính tĩnh như các nghiên cứu trước đó," cho phép "điều khiển dự đoán theo thời gian thực" và nâng cao tính thích nghi. Đây là một bước tiến đáng kể trong phương pháp luận nhận dạng và điều khiển.

  3. Phát hiện đáng ngạc nhiên nhất là gì? (với data support) Phát hiện đáng ngạc nhiên nhất là khả năng của bộ điều khiển PID nơ-ron thích nghi với cơ chế huấn luyện trực tuyến tăng cường trong việc duy trì hiệu suất vượt trội và ổn định ngay cả trong điều kiện "có nhiễu môi trường tác động" mạnh mẽ, mà không cần phải có một mô hình toán học chính xác từ trước. Mặc dù các lý thuyết đã dự đoán rằng ANN có thể giải quyết các vấn đề phi tuyến, mức độ hiệu quả của việc huấn luyện trực tuyến tăng cường và nhận dạng mô hình phi tuyến biến đổi theo thời gian trong việc đối phó với các yếu tố không xác định như sóng, gió, dòng chảy là một điều đáng ngạc nhiên. Các kết quả mô phỏng "thời gian điều chỉnh ngắn hơn, độ vượt quá giá trị điều khiển nhỏ và độ bền vững cao hơn so với BĐK PID thông thường" (được minh họa trong các Hình 1.16, 1.19, 1.20) đã chứng minh điều này. Cụ thể, khả năng của mạng nơ-ron trong việc "tinh chỉnh và lựa chọn trực tiếp các tham số của BĐK PID theo thời gian" đã vượt qua kỳ vọng về một hệ thống có thể đối phó linh hoạt đến vậy với sự phức tạp và biến động của môi trường biển mà không cần can thiệp thủ công liên tục.

  4. Giao thức tái tạo (Replication protocol) có được cung cấp không? Luận án cung cấp một giao thức tái tạo khá chi tiết, đặc biệt trong các chương về phương pháp nghiên cứu và kết quả mô phỏng/thực nghiệm.

    • Mô hình toán học: "Mô hình toán học tàu thủy được trình bày chi tiết trong Phụ lục 1" bao gồm các phương trình động học 6 bậc tự do (phương trình 1.14 - 1.35) và các thông số liên quan. Điều này cho phép các nhà nghiên cứu khác xây dựng lại mô hình mô phỏng cơ sở.
    • Cấu trúc bộ điều khiển và mạng nơ-ron: Sơ đồ cấu trúc BĐK PID dựa trên mạng BPNN (Hình 1.14, Hình 2.1), cấu trúc mạng nơ-ron lan truyền ngược (Hình 1.15, Hình 2.2), cấu trúc mạng RBF (Hình 1.18) được minh họa rõ ràng, cùng với "số lượng các nơ-ron lớp vào, lớp ẩn và lớp ra tương ứng là M, Q, 3".
    • Thuật toán huấn luyện: Quy trình thuật toán huấn luyện mạng nơ-ron, bao gồm tính toán truyền thẳng, lan truyền ngược sai số, và điều chỉnh trọng số (phương trình 2.11 - 2.25) được trình bày. Đặc biệt, "Sơ đồ khối thuật toán điều khiển PID - BPNN" (Hình 2.3) minh họa chi tiết các bước trong quá trình huấn luyện trực tuyến tăng cường, bao gồm "Đăt hệ số học $\gamma$ và hệ số xung lượng $\alpha$", "khởi tạo trọng số ban đầu của mạng", và "quá trình lặp cập nhật trọng số".
    • Môi trường thực nghiệm: "Thực nghiệm trên mô hình tàu thu nhỏ trong bể thử trường Đại học Giao thông Vận tải Thành phố Hồ Chí Minh" được nêu rõ.
    • Phần mềm: "Sử dụng phần mềm Matlab để mô phỏng bộ điều khiển được đề xuất". Mặc dù một số tham số cụ thể như giá trị của $\eta$, $\alpha$, $n$ (số lần huấn luyện trong một chu trình) và các trọng số khởi tạo ban đầu có thể cần được cung cấp thêm trong phụ lục hoặc các bài báo khoa học liên quan để tái tạo chính xác 100%, luận án đã cung cấp đủ thông tin cấu trúc và thuật toán để các nhà nghiên cứu có thể tái tạo các kết quả chính và phát triển thêm.

  5. Chương trình nghiên cứu 10 năm được phác thảo không? Luận án không trình bày một "chương trình nghiên cứu 10 năm" cụ thể với các mốc thời gian rõ ràng, nhưng nó đã phác thảo một lộ trình nghiên cứu tương lai (Future Research Agenda) với các hướng đi cụ thể, thể hiện tầm nhìn dài hạn. Các hướng này bao gồm:

    • Mở rộng ứng dụng điều khiển thông minh: "ứng dụng điều khiển thông minh vào hệ thống dẫn đường tàu thủy như giảm lắc tàu thủy, định vị động".
    • Cải tiến thuật toán huấn luyện: Nghiên cứu sâu hơn để cải tiến "bộ điều khiển PID và mạng nơ-ron lan truyền ngược với thuật toán huấn luyện tăng cường và bộ nhận dạng nơ-ron cho bộ điều khiển nhằm tăng cường độ chính xác dẫn đường và thích nghi với nhiễu loạn môi trường".
    • Phát triển bộ điều khiển PID nơ-ron dựa trên mạng nơ-ron lan truyền ngược không có và có bộ nhận dạng nơ-ron.
    • Tiếp tục nghiên cứu, phân tích các công trình về BĐK PID dựa trên mạng nơ-ron nhân tạo cho điều khiển hướng đi tàu thủy. Những hướng này cho thấy một kế hoạch tổng thể để không chỉ cải thiện các thuật toán hiện có mà còn mở rộng phạm vi ứng dụng của chúng, đồng thời tiếp tục đóng góp vào cơ sở lý thuyết và thực tiễn của ngành.

Kết luận

Luận án này đã trình bày một nghiên cứu toàn diện và sâu sắc về việc ứng dụng bộ điều khiển PID dựa trên mạng nơ-ron nhân tạo thích nghi cho hệ thống điều khiển hướng đi tàu thủy, mang lại những đóng góp đáng kể cho lĩnh vực điều khiển tự động và kỹ thuật hàng hải.

Các đóng góp cụ thể của luận án bao gồm:

  1. Xây dựng cơ sở lý thuyết kết hợp: Luận án đã thành công trong việc xây dựng một cơ sở lý thuyết vững chắc, kết hợp ưu điểm của bộ điều khiển PID truyền thống và khả năng học, xấp xỉ phi tuyến của mạng nơ-ron nhân tạo để thiết kế hệ thống điều khiển hướng đi tàu thủy thích nghi.
  2. Đề xuất thuật toán huấn luyện trực tuyến tăng cường đột phá: Một đóng góp nổi bật là việc đề xuất và triển khai thành công thuật toán huấn luyện mạng nơ-ron trực tuyến liên tục với cơ chế tăng cường (sử dụng hệ số xung lượng $\alpha$), giúp cải thiện đáng kể tốc độ thích nghi và khả năng hội tụ của bộ điều khiển PID nơ-ron. Phương pháp này là mới và "chưa có tác giả nào thực nghiệm" trong ngữ cảnh điều khiển tàu thủy tại Việt Nam.
  3. Thiết kế bộ nhận dạng mô hình phi tuyến biến đổi theo thời gian: Luận án đã phát triển một bộ nhận dạng mô hình tàu thủy dựa trên mạng nơ-ron truyền thẳng, có khả năng học và nhận dạng mô hình tàu phi tuyến biến đổi theo thời gian, vượt trội so với các nghiên cứu trước đó chỉ tập trung vào mô hình tuyến tính tĩnh.
  4. Ứng dụng điều khiển dự đoán theo thời gian thực: Với việc tích hợp bộ nhận dạng nơ-ron này, luận án đã tiên phong trong việc triển khai phương pháp điều khiển dự đoán theo thời gian thực, nâng cao tính thích nghi và chất lượng điều khiển của hệ thống.
  5. Kiểm chứng toàn diện qua mô phỏng và thực nghiệm: Tính khả thi và hiệu quả của bộ điều khiển PID nơ-ron thích nghi đã được kiểm chứng một cách nghiêm ngặt thông qua cả mô phỏng trên Matlab và thực nghiệm trên mô hình tàu thu nhỏ trong bể thử, chứng minh hiệu suất vượt trội so với bộ điều khiển PID thông thường về "thời gian điều chỉnh ngắn hơn, độ vượt quá giá trị điều khiển nhỏ và độ bền vững cao hơn".

Những đóng góp này thể hiện một sự tiến bộ đáng kể trong mô hình lý thuyết điều khiển tự động, đặc biệt trong việc xử lý các hệ thống phức tạp và phi tuyến như tàu thủy dưới tác động của nhiễu loạn môi trường. Nó mở ra ít nhất ba luồng nghiên cứu mới: 1) tối ưu hóa các thuật toán học tăng cường cho điều khiển thời gian thực trong các hệ thống động lực học phức tạp; 2) phát triển các phương pháp nhận dạng mô hình phi tuyến, biến đổi theo thời gian dựa trên AI; và 3) tích hợp các công nghệ điều khiển thông minh vào các ứng dụng hàng hải rộng lớn hơn (như định vị động, giảm lắc tàu).

Tầm quan trọng toàn cầu của luận án được thể hiện qua việc giải quyết các thách thức chung trong ngành hàng hải quốc tế về hiệu suất, an toàn và tự động hóa. Các phương pháp và kết quả có thể được áp dụng và mở rộng cho các loại tàu và phương tiện tự hành trên biển khác, đóng góp vào sự phát triển của công nghệ hàng hải thông minh trên toàn thế giới. Di sản của luận án là việc cung cấp một khuôn khổ có thể đo lường được để thiết kế các hệ thống điều khiển tự động tiên tiến, góp phần hiện đại hóa ngành công nghiệp biển và tạo ra các giải pháp công nghệ mới cho một tương lai hàng hải bền vững và an toàn hơn.