Luận án TS: Nâng cao hiệu quả định vị, dẫn đường robot trong môi trường không biết trước
Nâng cao hiệu quả định vị, dẫn đường robot di động trong môi trường không biết trước là trọng tâm luận án TS kỹ thuật điện.
Công nghệ Kỹ thuật Điện tử, Truyền thông
Luan An
Luận án Tiến sĩ
Năm xuất bản
Số trang
167
Thời gian đọc
26 phút
Lượt xem
0
Lượt tải
0
Phí lưu trữ
50 Point
Mục lục chi tiết
Tóm tắt nội dung
I. Nâng cao Hiệu quả Định vị Robot Tự hành Trong Môi Trường
Nghiên cứu tập trung vào việc cải thiện định vị robot tự hành trong các không gian phức tạp. Các phương pháp truyền thống gặp khó khăn khi môi trường không xác định hoặc có nhiều nhiễu. Việc phát triển công nghệ định vị chính xác là yếu tố cốt lõi cho mọi ứng dụng robot tự hành. Điều này đòi hỏi hệ thống phải linh hoạt, có khả năng thích ứng cao. Độ chính xác của định vị ảnh hưởng trực tiếp đến hiệu quả dẫn đường tự động của robot. Một hệ thống định vị mạnh mẽ tạo nền tảng vững chắc cho các hoạt động phức tạp hơn của robot. Nó giảm thiểu sai số, tăng cường độ tin cậy. Mục tiêu là đạt được vị trí chính xác của robot ngay cả khi dữ liệu cảm biến không hoàn hảo.
1.1. Khái quát các phương pháp định vị
Các phương pháp định vị robot tự hành được phân loại thành định vị tương đối và định vị tuyệt đối. Định vị tương đối sử dụng cảm biến nội bộ như bộ mã hóa bánh xe, con quay hồi chuyển. Dữ liệu này giúp ước tính thay đổi vị trí. Định vị tuyệt đối dựa vào các mốc bên ngoài, như GPS hoặc các điểm đánh dấu. Trong môi trường không xác định, các phương pháp này thường thiếu thông tin đáng tin cậy. Các hệ thống cần tích hợp dữ liệu từ nhiều nguồn. Thách thức lớn là duy trì độ chính xác khi không có bản đồ trước. Các thuật toán cần xử lý nhiễu và sai số cảm biến hiệu quả.
1.2. Phát triển Bộ lọc Kalman Nơron Mờ
Một đóng góp chính là giới thiệu Bộ lọc Kalman Nơron Mờ (FNN-EKF). Phương pháp này nâng cao hiệu quả Bộ lọc Kalman Mở rộng (EKF). FNN-EKF tích hợp logic mờ và mạng nơron để điều chỉnh ma trận hiệp phương sai nhiễu R. Điều này cho phép bộ lọc thích nghi với sự thay đổi của nhiễu. Nó cải thiện đáng kể độ chính xác của định vị robot tự hành. Cụ thể, mạng nơron mờ tự động điều chỉnh trọng số nhiễu đo lường. Điều này quan trọng trong các điều kiện môi trường động. Sự thích ứng này giúp giảm sai số ước tính vị trí. FNN-EKF mang lại sự mạnh mẽ hơn cho quá trình hợp nhất cảm biến.
1.3. Đánh giá hệ thống định vị FNN EKF
Hệ thống FNN-EKF đã được kiểm chứng qua mô phỏng. Kết quả mô phỏng cho thấy hiệu suất vượt trội của nó. FNN-EKF đạt được độ chính xác định vị cao hơn đáng kể. Nó giảm thiểu sai số vị trí so với các phương pháp EKF truyền thống. Khả năng thích ứng với nhiễu môi trường là một điểm mạnh. Điều này rất cần thiết cho định vị trong nhà và định vị ngoại thất trong điều kiện thực tế. Sự cải tiến này giúp robot tự hành vận hành tin cậy hơn. Hệ thống cũng thể hiện tính ổn định cao. Điều này xác nhận tiềm năng ứng dụng rộng rãi của FNN-EKF.
II. Dẫn Đường Robot Tự Động trong Môi Trường Không Biết Trước
Việc dẫn đường tự động là thách thức lớn đối với robot tự hành, đặc biệt trong môi trường không xác định. Robot cần khả năng di chuyển linh hoạt, tránh va chạm. Hệ thống phải đưa ra quyết định nhanh chóng, hiệu quả. Nó phải tối ưu hóa đường đi trong khi đối mặt với vật cản động, tĩnh. Mục tiêu là giúp robot đạt đích an toàn, hiệu quả. Một hệ thống dẫn đường mạnh mẽ sẽ giảm thiểu rủi ro, tăng cường hiệu suất làm việc. Robot cần phản ứng thông minh với các tình huống bất ngờ. Điều này đòi hỏi sự kết hợp giữa lập kế hoạch và điều khiển. Giải pháp cần cân bằng giữa nhiều mục tiêu khác nhau.
2.1. Giới thiệu Cấu trúc Hành vi BBFM
Để giải quyết bài toán dẫn đường tự động, nghiên cứu đã phát triển Cấu trúc Hành vi BBFM. BBFM viết tắt của Behavior Based using Fuzzy and Multi-Objective logic. Cấu trúc này cho phép robot tự hành phản ứng linh hoạt. Nó dựa trên các hành vi cơ bản như di chuyển đến mục tiêu, tránh vật cản. BBFM kết hợp logic mờ để xử lý thông tin cảm biến không chắc chắn. Đồng thời, nó sử dụng tối ưu hóa đa mục tiêu để giải quyết xung đột hành vi. Điều này giúp robot đưa ra quyết định phù hợp trong môi trường không xác định. BBFM là một giải pháp toàn diện cho lập kế hoạch quỹ đạo và điều khiển.
2.2. Kỹ thuật điều khiển mờ và tối ưu đa mục tiêu
Cấu trúc BBFM áp dụng điều khiển mờ để quản lý dữ liệu cảm biến. Logic mờ cho phép xử lý thông tin mơ hồ, không rõ ràng. Điều này cần thiết khi robot tự hành gặp các tình huống phức tạp. Nó giúp robot đưa ra các phản ứng mượt mà, hợp lý. Ngoài ra, kỹ thuật tối ưu hóa đa mục tiêu giải quyết các mâu thuẫn giữa các hành vi. Ví dụ, hành vi tiến tới mục tiêu có thể xung đột với hành vi tránh vật cản. Thuật toán tối ưu sẽ tìm ra giải pháp cân bằng. Nó đảm bảo an toàn cho robot đồng thời đạt được mục tiêu chính. Hệ thống này tăng cường tính tự chủ của robot.
2.3. Thực nghiệm và mô phỏng dẫn đường
Hệ thống dẫn đường BBFM được đánh giá kỹ lưỡng qua cả mô phỏng và thực nghiệm. Kết quả mô phỏng chứng minh khả năng lập kế hoạch quỹ đạo hiệu quả. Robot tự hành có thể di chuyển an toàn trong môi trường không xác định. Các thử nghiệm thực tế cũng xác nhận điều này. Robot đã thành công trong việc tránh vật cản và đạt mục tiêu. Điều này xác nhận tính hiệu quả và độ tin cậy của cấu trúc BBFM. Khả năng thích ứng của robot được cải thiện đáng kể. Hệ thống chứng tỏ tiềm năng ứng dụng cao. Nó là giải pháp mạnh mẽ cho dẫn đường tự động của robot di động.
III. Áp dụng Hợp nhất Cảm biến và SLAM Tiên tiến cho Robot
Sự phát triển của robot tự hành đòi hỏi các hệ thống định vị robot tự hành và dẫn đường tự động ngày càng tinh vi. Hợp nhất cảm biến đóng vai trò trung tâm trong việc đạt được độ tin cậy. Dữ liệu từ nhiều loại cảm biến khác nhau được kết hợp. Điều này tạo ra một bức tranh hoàn chỉnh hơn về môi trường. Nó giảm thiểu sai số và nhiễu từ từng cảm biến riêng lẻ. Quá trình này giúp robot tự hành hiểu rõ hơn về vị trí. Nó cũng giúp robot nhận thức tốt hơn về các vật thể xung quanh. Mục tiêu là xây dựng một mô hình môi trường chính xác, mạnh mẽ. Điều này cần thiết cho hoạt động của robot trong môi trường không xác định.
3.1. Các phương pháp hợp nhất dữ liệu cảm biến
Hợp nhất cảm biến là quá trình tích hợp dữ liệu từ nhiều nguồn. Các cảm biến phổ biến bao gồm bộ mã hóa, cảm biến siêu âm, laser, camera. Mỗi loại cảm biến cung cấp thông tin khác nhau. Việc kết hợp chúng giúp bổ sung, xác nhận lẫn nhau. Ví dụ, bộ mã hóa cung cấp thông tin về di chuyển tương đối. Cảm biến siêu âm phát hiện vật cản gần. Bộ lọc Kalman là một công cụ mạnh mẽ cho hợp nhất cảm biến. Nó ướcestimates trạng thái của robot bằng cách kết hợp dự đoán và đo lường. Quá trình này giúp cải thiện đáng kể độ chính xác của định vị robot tự hành.
3.2. Vai trò của hợp nhất cảm biến trong SLAM
SLAM (Simultaneous Localization and Mapping) là bài toán quan trọng trong robot học. Robot đồng thời định vị robot tự hành và xây dựng bản đồ môi trường. Hợp nhất cảm biến là cốt lõi của SLAM hiệu quả. Bằng cách kết hợp dữ liệu, robot có thể cập nhật vị trí chính xác hơn. Nó cũng có thể xây dựng bản đồ chi tiết hơn. Dữ liệu đa dạng giúp hệ thống vượt qua các hạn chế của từng cảm biến. Ví dụ, trong môi trường không xác định, cảm biến quang học có thể bị ảnh hưởng bởi ánh sáng. Hợp nhất cảm biến giảm thiểu những ảnh hưởng tiêu cực. Nó cung cấp sự ổn định cần thiết cho SLAM.
3.3. Tối ưu hóa định vị qua hợp nhất cảm biến
Nghiên cứu tập trung vào việc tối ưu hóa hợp nhất cảm biến để nâng cao định vị robot tự hành. Bộ lọc Kalman Nơron Mờ (FNN-EKF) là một ví dụ điển hình. FNN-EKF điều chỉnh ma trận nhiễu dựa trên mạng nơron mờ. Điều này giúp bộ lọc thích nghi linh hoạt với các điều kiện nhiễu khác nhau. Nó cải thiện đáng kể độ chính xác của ước tính trạng thái. Kết quả là định vị trong nhà và định vị ngoại thất trở nên đáng tin cậy hơn. Sự thích nghi này đặc biệt quan trọng. Nó giúp robot tự hành hoạt động ổn định trong các môi trường thay đổi. Đây là bước tiến quan trọng trong công nghệ robot tự hành.
IV. Giải pháp Lập kế hoạch Quỹ đạo và Tránh Vật cản Hiệu quả
Lập kế hoạch quỹ đạo và tránh vật cản là hai chức năng thiết yếu. Chúng đảm bảo robot tự hành di chuyển an toàn, hiệu quả. Trong môi trường không xác định, robot phải có khả năng thích ứng cao. Hệ thống cần phát hiện vật cản, dự đoán chuyển động của chúng. Sau đó, nó cần điều chỉnh đường đi phù hợp. Điều này đòi hỏi các thuật toán thông minh, phản ứng nhanh. Mục tiêu là giảm thiểu va chạm, tối ưu hóa thời gian di chuyển. Một hệ thống mạnh mẽ sẽ giúp robot tự hành hoạt động liên tục. Nó tránh được các tình huống nguy hiểm, tăng cường an toàn. Sự kết hợp giữa lập kế hoạch và điều khiển thời gian thực là chìa khóa.
4.1. Nguyên tắc lập kế hoạch đường đi
Lập kế hoạch quỹ đạo cho robot tự hành bao gồm việc xác định chuỗi các điểm. Những điểm này dẫn robot từ vị trí hiện tại đến mục tiêu. Trong môi trường không xác định, bản đồ có thể không có sẵn. Do đó, robot phải xây dựng bản đồ động hoặc phản ứng với môi trường. Các nguyên tắc bao gồm tìm kiếm đường đi ngắn nhất, an toàn nhất. Nó cũng cần tính đến các ràng buộc về động lực học của robot. Phương pháp dẫn đường hành vi (BBFM) giải quyết điều này hiệu quả. Nó tạo ra các kế hoạch động dựa trên các quy tắc hành vi. Điều này giúp dẫn đường tự động linh hoạt hơn.
4.2. Chiến lược tránh vật cản chủ động
Tránh vật cản là một yếu tố sống còn cho robot tự hành. Hệ thống cần liên tục quét môi trường bằng cảm biến. Dữ liệu cảm biến giúp robot nhận diện các vật cản. Các chiến lược bao gồm né tránh vật cản tĩnh và vật cản động. Cấu trúc BBFM sử dụng logic mờ để điều khiển hành vi tránh. Logic mờ cho phép robot phản ứng mượt mà. Nó không dừng đột ngột mà điều chỉnh hướng đi một cách tự nhiên. Điều này rất quan trọng khi robot tự hành di chuyển trong không gian đông đúc. Nó đảm bảo an toàn, duy trì tốc độ di chuyển hiệu quả.
4.3. Điều khiển hành vi cho quỹ đạo tối ưu
Cấu trúc BBFM tích hợp điều khiển hành vi để tạo ra quỹ đạo tối ưu. Các hành vi như di chuyển tới mục tiêu, tránh vật cản hoạt động đồng thời. Hệ thống sử dụng thuật toán tối ưu đa mục tiêu để cân bằng chúng. Nó giúp robot đưa ra quyết định thông minh. Ví dụ, robot có thể hy sinh một chút quãng đường ngắn nhất. Điều này để đảm bảo an toàn cao hơn khi tránh vật cản. Khả năng này giúp robot tự hành vận hành hiệu quả. Nó cũng đáng tin cậy hơn trong các tình huống phức tạp. Điều khiển hành vi là chìa khóa cho dẫn đường tự động linh hoạt.
V. Kết quả Nghiên cứu và Tiềm năng Ứng dụng Robot Di động
Nghiên cứu đã mang lại những đóng góp đáng kể. Nó cải thiện hiệu quả của định vị robot tự hành và dẫn đường tự động. Các phương pháp mới đã được phát triển và kiểm chứng. Mục tiêu là giúp robot tự hành hoạt động tốt hơn. Đặc biệt là trong môi trường không xác định. Các hệ thống này tăng cường tính tự chủ của robot. Chúng giảm thiểu sự can thiệp của con người. Điều này mở ra nhiều tiềm năng ứng dụng. Nó ảnh hưởng tích cực đến nhiều lĩnh vực công nghiệp và dịch vụ. Kết quả nghiên cứu là nền tảng cho các phát triển tương lai. Nó thúc đẩy sự tiến bộ của công nghệ robot tự hành.
5.1. Tổng quan các đóng góp chính
Nghiên cứu đã đưa ra hai đóng góp chính. Đầu tiên là phát triển Bộ lọc Kalman Nơron Mờ (FNN-EKF). FNN-EKF nâng cao độ chính xác định vị robot tự hành. Nó thích nghi tốt với nhiễu môi trường. Đóng góp thứ hai là Cấu trúc Hành vi BBFM. BBFM giải quyết bài toán dẫn đường tự động và tránh vật cản. Nó sử dụng điều khiển mờ và tối ưu đa mục tiêu. Cuối cùng, nghiên cứu đã tích hợp cả hai hệ thống. Sự kết hợp này tạo ra một giải pháp toàn diện. Nó cải thiện hiệu suất tổng thể của robot tự hành trong môi trường không xác định.
5.2. Hiệu quả hệ thống định vị dẫn đường
Hệ thống tích hợp FNN-EKF và BBFM đã được chứng minh hiệu quả. Khả năng định vị robot tự hành được cải thiện đáng kể. Sai số định vị giảm, độ tin cậy tăng. Robot tự hành có thể dẫn đường tự động mượt mà, chính xác. Nó linh hoạt tránh vật cản, đạt mục tiêu an toàn. Các kết quả mô phỏng và thực nghiệm đều xác nhận điều này. Hệ thống hoạt động mạnh mẽ trong môi trường không xác định. Điều này khẳng định tiềm năng ứng dụng thực tế. Nó mang lại lợi ích lớn cho các ứng dụng công nghiệp, hậu cần, dịch vụ.
5.3. Hướng phát triển và ứng dụng tương lai
Các kết quả nghiên cứu mở ra nhiều hướng phát triển. Cần tiếp tục tối ưu hóa thuật toán FNN-EKF. Việc mở rộng BBFM cho các loại robot tự hành khác cũng là mục tiêu. Nghiên cứu sâu hơn về SLAM đa cảm biến có thể nâng cao hiệu suất. Ứng dụng tiềm năng bao gồm robot tự hành trong kho bãi. Chúng có thể hoạt động trong nhà máy, bệnh viện. Định vị trong nhà và đẫn đường tự động cho xe tự lái cũng là lĩnh vực hứa hẹn. Công nghệ này có thể hỗ trợ các ứng dụng quân sự, thăm dò. Nó sẽ tiếp tục thúc đẩy sự phát triển của công nghệ robot.
Tải xuống file đầy đủ để xem toàn bộ nội dung
Tải đầy đủ (167 trang)Trích đoạn nội dung luận án
Tải xuống để đọc toàn bộI HÅC QUÈC GIA H NËI TR ÕNG I HÅC CÆNG NGH Nguy¹n Th‡ Thanh V¥n NGHIN CŸU N NG CAO HIU QUÀNH VÀ V DN ÕNG ROBOT DI ËNG TRONG MÆI TR ÕNG KHÆNG BIT TR ŒC Chuy¶n ng nh: Kˇ thuªt i»n t˚ M¢ sË: 62 52 02 03 LUN N TIN S NGNH CÆNG NGH Kfl THUT IN T¤, TRUYN THÆNG NG ÕI H ŒNG D N KHOA HÅC: 1. Tr¦n Quang Vinh 2. L¶ VÙ H H NÎi - 2017 LÕI CAM OAN TÊi xin cam oan luªn ¡n n y l cÊng tr¼nh nghi¶n c˘u cıa tÊi, ch˜a ˜Òc xu§t b£n t¤i b§t k˝ nÏi n o. MÂi nguÁn thÊng tin tham kh£o s˚ dˆng trong luªn ¡n ·u ˜Òc tr½ch d¨n ¦y ı.
T¡c gi£ Nguy¹n Th‡ Thanh V¥n i LÕI CM ÌN Luªn ¡n n y ˜Òc ho n th nh vÓi s¸ giÛp Ô cıa nhi·u ng˜Ìi. LÌi ¦u ti¶n, tÊi xin g˚i lÌi c£m Ïn s¥u sc ¸n Ph‚ gi¡o s˜, ti¸n s¾ Tr¦n Quang Vinh v Ti¸n s¾ L¶ VÙ H , l nh˙ng ng˜Ìi Th¦y ¢ tr¸c ti¸p h˜Óng d¨n, hÈ trÒ v Îng vi¶n tÊi trong qu¡ tr¼nh nghi¶n c˘u. TÊi xin g˚i lÌi c£m Ïn ch¥n th nh tÓi Ti¸n s¾ PhÚng M¤nh D˜Ïng, Áng nghi»p cÚng nh‚m nghi¶n c˘u, ¢ c‚ nh˙ng hÈ trÒ trong qu¡ tr¼nh th¸c hi»n th¸c nghi»m v xu§t b£n c¡c cÊng tr¼nh cÊng bË. TÊi cÙng xin g˚i lÌi c£m Ïn ch¥n th nh tÓi nh˙ng Th¦y, CÊ, Áng nghi»p cıa Khoa i»n t˚ - Vi¹n thÊng, ¤i hÂc CÊng ngh», ¤i hÂc QuËc Gia H NÎi ¢ hÈ trÒ, t¤o i·u ki»n v Îng vi¶n tÊi r§t nhi·u trong thÌi gian v¯a gi£ng d¤y v¯a nghi¶n c˘u t¤i Khoa.
CuËi cÚng, xin g˚i tÓi nh˙ng ng˜Ìi th¥n y¶u cıa gia ¼nh tÊi vÓi t§m l·ng bi¸t Ïn s¥u sc, luÊn luÊn hÈ trÒ Îng vi¶n º tÊi c‚ thº ho n th nh ˜Òc luªn ¡n n y. ii M÷C L÷C Trang phˆ b¼a. iii Danh mˆc c¡c k˛ hi»u v ch˙ vi¸t tt. vi Danh mˆc c¡c b£ng.
xiii Danh mˆc c¡c h¼nh v³, Á th‡. xvii Ch˜Ïng 1. TÊNG QUAN ROBOT DI ËNG. H» thËng robot di Îng.
‡nh v‡ t˜Ïng Ëi. ‡nh v‡ tuy»t Ëi. TÍng hÒp d˙ li»u c£m bi¸n. Lªp k¸ ho¤ch ˜Ìng i.
C§u trÛc h nh vi. Kˇ thuªt i·u khiºn robot di Îng. Quy¸t ‡nh tËi ˜u a mˆc ti¶u. Robot di Îng hai b¡nh vi sai.
Ho¤t Îng vi sai. MÊ h¼nh Îng hÂc thuªn. Kh£ n«ng i·u khiºn v quan s¡t. T¼nh h¼nh nghi¶n c˘u trong v ngo i n˜Óc.
K¸t luªn ch˜Ïng 1. ÀNH VÀ S¤ D÷NG BË LÅC KALMAN NÌRON MÕ 35 2. BÎ lÂc Kalman m rÎng. BÎ lÂc Kalman NÏron MÌ.
CÏ s i·u ch¿nh ma trªn R. M¤ng nÏron mÌ i·u ch¿nh Rk(j; j). H» thËng ‡nh v‡ robot di Îng s˚ dˆng FNN-EKF. MÊ h¼nh h» thËng.
MÊ ph‰ng. K¸t luªn ch˜Ïng 2. CU TR”C DN ÕNG HNH VI S¤ D÷NG IU KHIN MÕ V TÈI U A M÷C TIU. C§u trÛc d¨n ˜Ìng h nh vi.
C§u trÛc d¨n ˜Ìng h nh vi BBFM. H» thËng d¨n ˜Ìng s˚ dˆng c§u trÛc BBFM. MÊ h¼nh h» thËng. MÊ ph‰ng ¡nh gi¡ h» thËng d¨n ˜Ìng s˚ dˆng c§u trÛc BBFM.
Chu©n b‡ mÊ ph‰ng. K¸t qu£ mÊ ph‰ng. Th¸c nghi»m ¡nh gi¡ h» thËng d¨n ˜Ìng s˚ dˆng c§u trÛc BBFM 83 3. Chu©n b‡ th¸c nghi»m.
K¸t qu£ th¸c nghi»m. H» thËng d¨n ˜Ìng k¸t hÒp BBFM v FNN-EKF. MÊ h¼nh h» thËng. MÊ ph‰ng.
K¸t luªn ch˜Ïng 3. 99 KT LUN V KIN NGHÀ. 99 DANH M÷C CÆNG TRNH KHOA HÅC C’A TC GI LIN QUAN N LUN N. 101 v TI LIU THAM KHO.
117 vi DANH M÷C CC Kfi HIU V CH⁄ VIT TT vii Danh mˆc c¡c k˛ hi»u STT K˛ hi»u MÊ t£ 1 In hoa, ªm Ma trªn 2 In th˜Ìng, ªm Vector 3 In hoa, th˜Ìng Tªp hÒp, tªp mÌ, tªp gi¡ tr‡ 4 ! Vªn tËc g‚c 5 G‚c h˜Óng cıa robot 6 u Vªn tËc tuy¸n t½nh 7 x ¤o h m bªc 1 8 x ¤o h m bªc 2 9 rank(C) H¤ng cıa ma trªn C 10 F H m thuÎc cıa tªp mÌ F 11 ! nh x¤ 12 x Nghi»m tËi ˜u Pareto 13 P Tªp tËi ˜u Pareto 14 FP GiÓi h¤n Pareto x^ 15 k , Pk Óc o¡n tr¤ng th¡i ti¶n nghi»m x^ 16 k , Pk Óc o¡n tr¤ng th¡i hªu nghi»m 17 Gi¡ tr‡ gi£i mÌ 18 H¬ng sË i·u ch¿nh trong m¤ng nÏron 19 Gi¡ tr‡ Î l»ch gi˙a mÊ h¼nh l˛ thuy¸t v th¸c 20 rand() H m ng¨u nhi¶n ph¥n bË ·u 21 Kho£ng c¡ch t¯ v‡ tr½ hi»n t¤i cıa robot tÓi ½ch 22 G‚c l»ch gi˙a v²ctÏ kho£ng c¡ch v v²ctÏ h˜Óng 23 d Kho£ng c¡ch t¯ c£m bi¸n si¶u ¥m tÓi vªt 24 y^l T½n hi»u i·u khiºn tÍng hÒp viii Danh mˆc c¡c k˛ hi»u STT K˛ hi»u MÊ t£ 25 N SË h m mˆc ti¶u 26 L Kho£ng c¡ch gi˙a hai b¡nh xe 27 R ˜Ìng k½nh b¡nh xe 28 R(j; j) Th nh ph¦n ˜Ìng ch²o (j, j) cıa ma trªn R 29 2 ThuÎc 30 2= KhÊng thuÎc 31 M Bªc di chuyºn cıa robot 32 X Tªp kh£ thi 33 *,. , vi¸t li·n Nh¥n th˜Ìng 34 Gauss(x) H m d¤ng Gauss 35 Sigmoid(x) H m d¤ng Sigmoid 36 i M˘c Î chi¸m gi˙ cıa luªt trong m¤ng nÏron 37 i Chu©n h‚a m˘c Î chi¸m gi˙ luªt 38 ai; bi; cj; j Tham sË cıa c¡c h m thuÎc 39 Bi H nh vi th˘ i A 40 ij Tªp mÌ th˘ j cıa bi¸n th˘ i 41 Rk Luªt mÌ th˘ k 42 K SË luªt i·u khiºn 43 Pi Ph˜Ïng tr¼nh th˘ i trong gi£i Lexicographic Y 44 li fyljyl ¢ gi£i trong Pig 45 min() Gi¡ tr‡ nh‰ nh§t 46 TÍng P 47 VÊ cÚng 1 ix Danh mˆc c¡c k˛ hi»u STT K˛ hi»u MÊ t£ 48 T½ch ph¥n m Ïn v‡ m²t 49 R 50 s Ïn v‡ gi¥y 51 m/s Ïn v‡ m²t/gi¥y 52 rad/s Ïn v‡ radian/gi¥y 53 Ïn v‡ Î 54 cm Ïn v‡ centimet 55 kg Ïn v‡ kilogram 56 U Si C£m bi¸n si¶u ¥m th˘ i tr¶n robot Sputnik 57 @ ¤o h m x Danh mˆc c¡c ch˙ vi¸t tt STT Ch˙ MÊ t£ Ti¸ng Anh MÊ t£ Ti¸ng Vi»t vi¸t tt 1 ANFIS Adaptive Neuro-Fuzzy Infer- H» thËng suy luªn mÌ nÏ ron ence System th½ch nghi 2 AGV Autonomous Guided Vehicle Xe t¸ h nh 3 AUV Autonomous Underwater Ve- Thi¸t b‡ d˜Ói n˜Óc t¸ Îng hicle 4 BBFM Behavior Based using Fuzzy C§u trÛc h nh vi s˚ dˆng and Multi-Objective logic mÌ v tËi ˜u a mˆc ti¶u 5 CCD Charge Coupled Device Thi¸t b‡ t½ch i»n k²p 6 CDB Context Depedent Blending TrÎn l»nh phˆ thuÎc ng˙ c£nh 7 DAMN Distributed Architecture for C§u trÛc ph¥n t¡n d¨n ˜Ìng Mobile Navigation di Îng 8 DDMR The differential drive mobiler Robot di Îng hai b¡nh vi sai robot 9 DIF Distributed Information Fil- BÎ lÂc thÊng tin ph¥n t¡n ter 10 DOF Degree of Freedom Bªc t¸ do 11 DSP Digital Signal Processing BÎ x˚ l˛ t½n hi»u sË 12 EKF Extended Kalman Filter BÎ lÂc Kalman m rÎng 13 FNN Fuzzy Neural Network M¤ng nÏron mÌ 14 FNN-EKF Fuzzy Neural Network Ex- BÎ lÂc Kalman s˚ dˆng m¤ng tended Kalman Filter nÏron mÌ 15 FL Fuzzy Logic Logic mÌ 16 FL-AKF Fuzzy Logic-based Adaptive BÎ lÂc Kalman th½ch nghi d¸a Kalman Filter tr¶n logic mÌ 17 FL-EKF Fuzzy Logic Extended BÎ lÂc Kalman s˚ dˆng logic Kalman Filter mÌ 18 GPS Global Positioning System H» thËng ‡nh v‡ to n c¦u xi Danh mˆc c¡c ch˙ vi¸t tt STT Ch˙ MÊ t£ Ti¸ng Anh MÊ t£ Ti¸ng Vi»t vi¸t tt 19 GPS/INS Global Positioning Sys- H» thËng ‡nh v‡ to n c¦u/H» tem/Inertial Navigation thËng d¨n ˜Ìng qu¡n t½nh System 20 ICC Instantaneous Center of Cur- T¥m cong t˘c thÌi vature 21 ICR Instantaneous Center of Ro- T¥m quay t˘c thÌi tation 22 LMR Legged Mobile Robot Robot di Îng ch¥n 23 LRF Laser Range Finder C£m bi¸n o xa laze 24 MOASM Mutiple Objective Action Se- CÏ c§u l¸a chÂn t¡c Îng tËi lection Mechanism ˜u a ti¶u 25 MISO Multi Input Single Output Nhi·u ¦u v o mÎt ¦u ra 26 PID Proportional Integral T l» - T½ch ph¥n - Vi ph¥n Derivative 27 PF Particle Filter BÎ lÂc h¤t 28 RMSE Root Mean Square Error Sai sË to n ph˜Ïng trung b¼nh 29 RIA Robotics Institute of America Vi»n Robot Mˇ 30 SAMBA Sensor, Actuator, Marker, Be- C£m bi¸n, Ch§p h nh, G¡n havior, Arbiter nh¢n, H nh vi, Ph¥n x˚ 31 SISO Single Input Single Output MÎt ¦u v o mÎt ¦u ra 32 SLAM Simultaneous Localization ‡nh v‡ v lªp b£n Á Áng And Mapping thÌi 33 UAV Unmanned Aerial Vehicle Thi¸t b‡ tr¶n khÊng khÊng ng˜Ìi l¡i 34 UKF Unscented Kalman Filter BÎ lÂc Kalman Unscented 35 VHF Vector Field Histogram V²c tÏ tr˜Ìng th¸ 36 WMR Wheeled Mobile Robot Robot di Îng b¡nh xe xii DANH M÷C CC BNG 2.1 Tham sË h m thuÎc cıa m¤ng nÏron mÌ .1 Luªt i·u khiºn tr¡nh vªt .2 Luªt i·u khiºn v· ½ch .3 Luªt i·u khiºn tr¡nh c¸c tiºu cˆc bÎ .4 K¸t qu£ d¨n ˜Ìng mÊ ph‰ng trong mÊi tr˜Ìng thÊng th˜Ìng .5 K¸t qu£ d¨n ˜Ìng mÊ ph‰ng trong mÊi tr˜Ìng v«n ph·ng .6 K¸t qu£ mÊ ph‰ng c§u trÛc BBFM th¶m h nh vi tr¡nh c¸c tiºu cˆc bÎ .7 K¸t qu£ d¨n ˜Ìng th¸c s˚ dˆng c§u trÛc BBFM cıa ba tr˜Ìng hÒp 91 3.8 K¸t qu£ d¨n ˜Ìng mÊ ph‰ng s˚ dˆng BBFM&FNN-EKF v BBFM .9 K¸t qu£ d¨n ˜Ìng th¸c s˚ dˆng k¸t hÒp BBFM v FNN-EKF .99 xiii DANH M÷C CC HNH V, Ç THÀ 1.1 SÏ Á i·u khiºn chung cıa robot di Îng.2 TrÎn ph¥n bË x¡c su§t cıa hai ph²p o.4 C§u trÛc h nh vi.5 C¡c kˇ thuªt trÎn l»nh.6 SÏ Á biºu quy¸t.7 SÏ Á c§u trÛc motor.8 Hai c¡ch k¸t hÒp lËi ra .9 SÏ Á khËi bÎ lÂc thÊng tin ph¥n t¡n.11 So s¡nh tªp kinh iºn v tªp mÌ.12 C§u trÛc cÏ b£n cıa i·u khiºn mÌ cÏ b£n.13 C¡c ph˜Ïng ph¡p gi£i mÌ .15 V½ dˆ m¤ng nÏron nhi·u lÓp hÁi ti¸p.16 Tªp tËi ˜u v giÓi h¤n Pareto.18 Ho¤t Îng vi sai cıa robot di Îng .19 MÊ h¼nh robot di Îng hai b¡nh vi sai.1 SÏ Á i·u ch¿nh ma trªn R.3 SÏ Á m¤ng nÏron mÌ.4 MÊ h¼nh h» thËng ‡nh v‡.5 Gi¡ tr‡ nhi¹u lËi v o v nhi¹u ph²p o .6 Ho¤t Îng cıa bÎ lÂc EKF .7 So s¡nh EKF, IEKF v FL-EKF .8 K¸t qu£ hÂc cıa m¤ng nÏron mÌ .9 K¸t qu£ so s¡nh FL-EKF v FNN-EKF .10 Ho¤t Îng cıa FNN-EKF vÓi giÓi h¤n cıa ma trªn R1 .11 Ho¤t Îng cıa FNN-EKF vÓi mÎt sË ˜Ìng i kh¡c nhau .12 H» thËng ‡nh v‡ th¸c t¸ .1 SÏ Á c§u trÛc h nh vi tÍng qu¡t.2 SÏ Á c§u trÛc d¨n ˜Ìng h nh vi BBFM.3 MÊ h¼nh h» thËng d¨n ˜Ìng.4 MÊ h¼nh bi¸n d¨n ˜Ìng.6 S¸ sp x¸p c¡c c£m bi¸n si¶u ¥m tr¶n robot.7 H m thuÎc cıa c¡c bi¸n v o/ra dl; df ; dr; ; u; ! .
Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ
Câu hỏi thường gặp
Luận án "Nâng cao hiệu quả định vị, dẫn đường robot trong môi trường không biết trước" nghiên cứu về vấn đề gì?
Nâng cao hiệu quả định vị, dẫn đường robot di động trong môi trường không biết trước là trọng tâm luận án TS kỹ thuật điện.
Luận án "Nâng cao hiệu quả định vị, dẫn đường robot trong môi trường không biết trước" được bảo vệ tại trường nào?
Luận án này được bảo vệ tại Đại học Quốc gia Hà Nội, Trường Đại học Công nghệ. Năm bảo vệ: 2017.
Luận án "Nâng cao hiệu quả định vị, dẫn đường robot trong môi trường không biết trước" thuộc chuyên ngành gì?
Luận án "Nâng cao hiệu quả định vị, dẫn đường robot trong môi trường không biết trước" thuộc chuyên ngành Công nghệ Kỹ thuật Điện tử, Truyền thông. Danh mục: Tự Động Hóa.
Luận án "Nâng cao hiệu quả định vị, dẫn đường robot trong môi trường không biết trước" có bao nhiêu trang?
Luận án "Nâng cao hiệu quả định vị, dẫn đường robot trong môi trường không biết trước" có 167 trang. Bạn có thể xem trước một phần tài liệu ngay trên trang web trước khi tải về.
Cách tải luận án "Nâng cao hiệu quả định vị, dẫn đường robot trong môi trường không biết trước" về máy như thế nào?
Để tải luận án về máy, bạn nhấn nút "Tải xuống ngay" trên trang này, sau đó hoàn tất thanh toán phí lưu trữ. File sẽ được tải xuống ngay sau khi thanh toán thành công. Hỗ trợ qua Zalo: 0559 297 239.