Tổng quan về luận án

Bối cảnh khoa học của điều khiển học và trí tuệ nhân tạo đương đại đòi hỏi các hệ thống robot di động tự hành (Autonomous Mobile Robots - AMR) phải hoạt động tin cậy trong môi trường động, phi cấu trúc và chưa biết trước (unknown and dynamic environments). Luận án tiến sĩ kỹ thuật điện tử của NCS. Nguyễn Thị Thanh Vân (Mã số: 62 52 02 03), dưới sự hướng dẫn của PGS. TS. Trần Quang Vinh và TS. Lê Vũ Hà tại Trường Đại học Công nghệ – Đại học Quốc gia Hà Nội (2017), mang tính tiên phong khi giải quyết đồng thời hai bài toán cốt lõi: định vị chính xác cao và dẫn đường hành vi thích nghi. Định vị và dẫn đường là tiền đề để trả lời ba câu hỏi nền tảng của robot học: "Tôi đang ở đâu?", "Tôi sẽ làm gì tiếp theo?", và "Tôi làm như thế nào để đạt được điều đó?" (Leonard & Durrant-Whyte, 1991).

Khoảng trống nghiên cứu (research gap) cốt lõi xuất phát từ thực tế: bộ lọc Kalman mở rộng (Extended Kalman Filter - EKF) kinh điển thường giả định ma trận hiệp phương sai nhiễu đo $R_k$ cố định dựa trên tham số ngoại tuyến (off-line), dẫn đến hiện tượng phân kỳ (filter divergence) hoặc sai số lớn khi cảm biến bị trôi hay nhiễu đột biến (Smith et al., 1990). Đồng thời, các cấu trúc dẫn đường hành vi truyền thống như kiến trúc xếp gộp Subsumption (Brooks, 1986) hay trộn lệnh phụ thuộc ngữ cảnh CDB (Saffiotti, 1995) thường gặp xung đột giữa các hành vi cạnh tranh (ví dụ: tránh vật cản đối đầu với bám đích), dễ rơi vào bẫy cực tiểu cục bộ (local minima).

Luận án thiết lập hệ thống câu hỏi nghiên cứu và giả thuyết khoa học:

  • Câu hỏi 1 (RQ1): Làm thế nào để tự động vi chỉnh ma trận hiệp phương sai nhiễu đo $R_k$ trong bộ lọc EKF trực tuyến mà không làm bùng nổ khối lượng tính toán?
    • Giả thuyết 1 ($H_1$): Mạng nơ-ron mờ thích nghi (Fuzzy Neural Network - FNN) có khả năng ánh xạ độ lệch đổi mới (innovation) để tái cấu trúc $R_k$, giảm chỉ số RMSE định vị xuống trên 30% so với EKF và FL-EKF.
  • Câu hỏi 2 (RQ2): Làm thế nào để dung hòa tối ưu các hành vi di chuyển độc lập mà không làm mất tính phản xạ thời gian thực của robot?
    • Giả thuyết 2 ($H_2$): Tích hợp suy luận logic mờ Mamdani với tối ưu đa mục tiêu Pareto (Lexicographic / MOASM) sẽ triệt tiêu hoàn toàn xung đột lệnh, tối ưu hóa quãng đường và thời gian tới đích.

Khung lý thuyết của công trình kết hợp lý thuyết lọc phi tuyến Kalman, hệ suy luận thích nghi mờ - nơ-ron (ANFIS/FNN của Jang, 1993; Takagi-Sugeno, 1985), và lý thuyết tập tối ưu Pareto. Đóng góp đột phá được định lượng: giảm sai số vị trí trung bình RMSE từ mức 0.15–0.25 m xuống dưới 0.04 m trong mô phỏng và thực nghiệm trên hệ robot hai bánh vi sai DDMR (Sputnik), rút ngắn 18.5% quãng đường di chuyển trong các kịch bản hành lang văn phòng phức tạp. Phạm vi nghiên cứu bao quát các chuỗi thử nghiệm động lực học vi sai trong không gian phòng thí nghiệm ($4 \times 4\text{ m}$ đến $10 \times 10\text{ m}$) trang bị mảng cảm biến siêu âm SRF05 và bộ mã hóa góc quang học (optical incremental encoder).

Literature Review và Positioning

Tổng quan y văn quốc tế ghi nhận sự tiến hóa của hai dòng nghiên cứu lớn: dòng định vị ước lượng trạng thái và dòng cấu trúc điều khiển dẫn đường.

Dòng nghiên cứu định vị chia thành ba nhóm: định vị tương đối (Odometry, Dead-reckoning), định vị tuyệt đối (GPS, Landmark, Beacon) và tổng hợp dữ liệu cảm biến đa phương thức (Sensor Data Fusion). Borenstein & Feng (1996) đề xuất quy trình chuẩn UMBmark nhằm bù trừ sai số hệ thống do bất đối xứng cơ khí $E_b$ và sai lệch đường kính bánh $E_d$, tuy nhiên phương pháp này bất lực trước sai số ngẫu nhiên do trượt bánh. Smith et al. (1990) và Bar-Shalom et al. (2001) đặt nền móng cho EKF trong dung hợp dữ liệu, nhưng gặp bế tắc khi ma trận $Q_k$ và $R_k$ phi định tĩnh. Julier & Uhlmann (2004) phát triển Unscented Kalman Filter (UKF), và Thrun et al. (2005) hoàn thiện Particle Filter (PF) cho SLAM. Tuy nhiên, UKF và PF đòi hỏi tài nguyên tính toán lớn ($O(N)$ hạt mẫu), khó thực thi trên vi điều khiển nhúng DSP/ARM thời gian thực của robot giá thành thấp.

Dòng nghiên cứu dẫn đường ghi nhận cuộc tranh luận kéo dài giữa hai trường phái:

  • Trường phái phản xạ phân cấp/xếp chồng (Subsumption Architecture) do Brooks (1986) khởi xướng, ưu tiên phản xạ tức thời qua cơ chế ức chế/thay thế tín hiệu nhưng triệt tiêu tính tối ưu toàn cục.
  • Trường phái trộn lệnh hòa hoãn (Command Fusion) gồm kiến trúc DAMN (Rosenblatt, 1997) dùng cơ chế bỏ phiếu có trọng số (Distributed Voting), SAMBA (Lu et al., 1997), và trường thế nhân tạo APF (Khatib, 1986). Hạn chế lớn nhất của APF là bẫy cực tiểu cục bộ và dao động khi qua khe hẹp. Saffiotti (1995) phát triển Context Dependent Blending (CDB) dựa trên siêu luật mờ, song việc giải mờ cục bộ trước khi hòa trộn dẫn đến mất mát thông tin tối ưu (defuzzification loss).

Vị trí học thuật của luận án được xác lập tại điểm giao thoa: khắc phục hạn chế tính toán của UKF/PF bằng giải pháp lai FNN-EKF có độ phức tạp thấp, đồng thời thay thế cơ chế giải mờ tuyến tính của CDB bằng tối ưu hóa đa mục tiêu Pareto (Multi-Objective Optimization) trong cấu trúc BBFM (Behavior-Based using Fuzzy and Multi-Objective logic).

So sánh đối chiếu với các công trình quốc tế tiêu biểu:

  1. So với nghiên cứu của Jetto et al. (1999) và Sasiadek et al. (2000) về Adaptive Fuzzy Kalman Filter (FL-AKF): FL-AKF chỉ dùng các luật mờ chuyên gia tĩnh, thiếu khả năng tự chỉnh trọng số nơ-ron thích nghi như mô hình FNN 4 lớp của luận án.
  2. So với nghiên cứu của Pirjanian (2000) và Yen & Pfluger (1995) về Multiple Objective Action Selection Mechanism (MOASM): MOASM thuần túy đòi hỏi mô hình giải tích toán học hàm mục tiêu khắt khe; luận án khắc phục điều này bằng cách lượng hóa trực tiếp các hàm thuộc mờ thành hàm mục tiêu thành phần $O_i(u, \omega)$.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án tạo bước phát triển lý thuyết khi mở rộng lý thuyết ước lượng trạng thái Kalman và lý thuyết ra quyết định mờ đa mục tiêu:

  1. Mở rộng lý thuyết lọc EKF phi tuyến: Bổ sung cơ chế điều chỉnh trực tuyến phần tử đường chéo $R_k(j,j)$ của ma trận hiệp phương sai nhiễu đo. Bằng cách định nghĩa độ lệch chuẩn hóa giữa phần dư thực tế (residual/innovation) và hiệp phương sai lý thuyết $\epsilon_k = (z_k - h(\hat{x}_k^-))^T (H_k P_k^- H_k^T + R_k)^{-1} (z_k - h(\hat{x}_k^-))$, mạng nơ-ron mờ thích nghi sẽ tự động nhân ma trận $R_k$ với hệ số $\gamma_k > 1$ khi độ bất định tăng cao, ngăn chặn hiện tượng bão hòa độ lợi Kalman $K_k$.
  2. Thiết lập mô hình hình thức cho cấu trúc dẫn đường BBFM: Đưa ra mệnh đề lý thuyết chứng minh rằng việc kết hợp các hàm thuộc mờ của từng hành vi riêng biệt $B_i$ ($i \in {\text{Tránh vật cản (OA)}, \text{Về đích (GR)}, \text{Tránh cực tiểu (MA)}}$) dưới dạng không gian mục tiêu Pareto: $$\hat{y} = \arg\max_{y \in Y} \left[ \mu_{B_1}(y), \mu_{B_2}(y), \dots, \mu_{B_N}(y) \right]$$ giúp loại bỏ hoàn toàn các nghiệm xung đột triệt tiêu, vốn là nhược điểm chí mạng của phương pháp cộng vector trường thế $F_{\text{art}} = F_{\text{att}} + F_{\text{rep}}$.
+-------------------------------------------------------------------------+
|                  KHUNG PHÂN TÍCH TỔNG THỂ HỆ THỐNG                     |
+-------------------------------------------------------------------------+
                                    |
      [ Tầng 1: Cảm biến & Cơ cấu chấp hành (DDMR Sputnik / SRF05) ]
                                    | (Tín hiệu thô: Encoder + Siêu âm)
                                    v
     +-------------------------------------------------------------+
     |   TẦNG ƯỚC LƯỢNG TRẠNG THÁI THÍCH NGHI (FNN-EKF)            |
     |   - Dự báo trạng thái tiền nghiệm (Kinematics Prediction)   |
     |   - Mạng FNN 4 lớp giám sát Innovation -> Chỉnh định Rk    |
     |   - Cập nhật hậu nghiệm vị trí & góc hướng [x, y, theta]   |
     +-------------------------------------------------------------+
                                    | (Trạng thái tối ưu x_hat)
                                    v
     +-------------------------------------------------------------+
     |   TẦNG ĐIỀU KHIỂN DẪN ĐƯỜNG HÀNH VI (BBFM)                  |
     |   - Hành vi 1: Tránh vật cản (Obstacle Avoidance - OA)      |
     |   - Hành vi 2: Hướng về đích (Goal Reaching - GR)          |
     |   - Hành vi 3: Tránh bẫy cực tiểu (Local Minima Escape)    |
     |   - Cơ chế trộn lệnh: Tối ưu đa mục tiêu Pareto/Lexicographic|
     +-------------------------------------------------------------+
                                    | (Tín hiệu điều khiển u, omega)
                                    v
      [ Cơ cấu chấp hành động cơ vi sai bánh xe (PWM / Motor Driver) ]

Khung phân tích độc đáo

Khung phân tích độc đáo của luận án tích hợp ba trụ cột lý thuyết: (1) Động học phi tuyến vi sai (Differential Drive Kinematics), (2) Hệ suy luận mờ lai nơ-ron (Neuro-Fuzzy Inference System), và (3) Tối ưu hóa đa mục tiêu Lexicographic.

Cụ thể, luận án xây dựng cấu trúc mờ giải mờ kép không dùng phương pháp trọng tâm (Center of Gravity) thông thường. Thay vào đó, hàm liên thuộc của vận tốc tuyến tính $u$ và vận tốc góc $\omega$ được gán trực tiếp làm các hàm thành phần của quan hệ Pareto. Điều kiện biên (boundary conditions) được xác định rõ: thuật toán giả định nhiễu hệ thống $Q_k$ có phân bố chuẩn Gauss thuần nhất; các vật cản trong không gian thử nghiệm là vật thể phản xạ sóng âm tin cậy; vận tốc dịch chuyển của robot không vượt quá giới hạn bão hòa trượt động học ($u_{\max} = 0.5\text{ m/s}, \omega_{\max} = 1.2\text{ rad/s}$).

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ chặt chẽ thế giới quan thực chứng (positivism) kết hợp phương pháp luận thực nghiệm định lượng (quantitative experimental methodology). Thiết kế nghiên cứu đa tầng (multi-level design) gồm hai pha đan kết chặt chẽ:

  1. Pha 1 - Mô phỏng toán học chuyên sâu: Xây dựng mô hình hình thức trong môi trường MATLAB/Simulink mô phỏng động học và động lực học của robot di động hai bánh vi sai (DDMR) với ma trận trạng thái thực $X = [x, y, \theta]^T$, chịu tác động của nhiễu đo Gauss trắng tích lũy và các chướng ngại vật tĩnh/động.
  2. Pha 2 - Kiểm chứng thực nghiệm phần cứng: Triển khai thuật toán đã đóng gói lên nền tảng robot thực nghiệm Sputnik được thiết kế chuyên biệt tại Đại học Quốc gia Hà Nội.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu kiểm soát sai số theo các tiêu chuẩn kỹ thuật khắt khe:

+-------------------------------------------------------------------------+
|                  QUY TRÌNH THỰC NGHIỆM VÀ KIỂM ĐỊNH                    |
+-------------------------------------------------------------------------+
                                    |
     [ Hiệu chuẩn cơ khí & Cảm biến (UMBmark Calib: Eb = 0.98, Ed = 1.01) ]
                                    |
                                    v
     [ Thu thập dữ liệu cảm biến đa kênh (Sampling time Ts = 50 ms) ]
     | - Bộ mã hóa góc Encoder (Quãng đường SL, SR)
     | - Mảng 5 cảm biến siêu âm SRF05 (Khoảng cách dl, df, dr)
                                    |
                                    v
     [ Xử lý trực tuyến thích nghi (FNN-EKF & BBFM Core Algorithm) ]
     | - FNN: Huấn luyện offline qua lan truyền ngược, thực thi online
     | - BBFM: Lọc giải pháp Pareto không bị chi phối (Non-dominated)
                                    |
                                    v
     [ Đánh giá thống kê & Robustness Verification ]
     | - So sánh quỹ đạo thực tế vs Ground Truth (Laser/Visual Marker)
     | - Tính toán RMSE vị trí, độ lệch góc, thời gian hồi quy
+-------------------------------------------------------------------------+

Độ tin cậy (reliability) và giá trị cấu trúc (construct validity) được đảm bảo thông qua tam giác đạc dữ liệu (data triangulation): đối sánh kết quả đo từ Dead-reckoning thuần túy, bộ lọc EKF kinh điển, bộ lọc FL-EKF và bộ lọc đề xuất FNN-EKF trong cùng một tập điều kiện biên.

Data và phân tích

Thông số thực nghiệm và tập dữ liệu phân tích:

  • Cấu hình phần cứng: Robot Sputnik gồm 2 bánh dẫn động độc lập (đường kính $R = 0.08\text{ m}$, khoảng cách hai bánh $L = 0.26\text{ m}$), khối lượng $m = 4.5\text{ kg}$; trang bị 5 cảm biến siêu âm SRF05 bố trí theo cung tròn góc quét $180^\circ$ phía trước; vi xử lý trung tâm 32-bit DSP/ARM; tần số lấy mẫu $f_s = 20\text{ Hz}$ ($\Delta t = 0.05\text{ s}$).
  • Cấu trúc mạng FNN: Mạng nơ-ron mờ 4 lớp (Lớp 1: Nút vào nhận giá trị phần dư sai lệch; Lớp 2: Hàm thuộc Gauss $\mu(x) = \exp(-(x-c)^2/2\sigma^2)$; Lớp 3: Nút luật quy tắc mờ T-norm; Lớp 4: Nút ra tổng hợp hệ số $\gamma_k$). Số lượng luật mờ tối ưu hóa: 9 luật cho tránh vật cản, 9 luật cho bám đích và 5 luật giải bẫy cực tiểu.
  • Kỹ thuật xử lý: Toàn bộ thuật toán được tối ưu hóa mã nguồn C/MATLAB MEX, kiểm tra độ nhạy (sensitivity analysis) với các mức phương sai nhiễu đầu vào biến thiên từ $\sigma_v^2 = 0.01$ đến $0.25\text{ m}^2$.

Phát hiện đột phá và implications

Những phát hiện then chốt

Các phát hiện then chốt được chứng minh bằng cứ liệu thực nghiệm:

BẢNG SO SÁNH HIỆU SUẤT ĐỊNH VỊ VÀ DẪN ĐƯỜNG GIỮA CÁC PHƯƠNG PHÁP
+----------------------+--------------------+--------------------+--------------------+
| Tiêu chí đánh giá    | EKF Cổ điển       | FL-EKF (Logic Mờ)  | FNN-EKF & BBFM     |
+----------------------+--------------------+--------------------+--------------------+
| RMSE Vị trí (m)      | 0.182 +/- 0.035    | 0.094 +/- 0.018    | 0.038 +/- 0.007    |
| Sai số góc Theta (rad)| 0.125 +/- 0.021   | 0.078 +/- 0.012    | 0.029 +/- 0.005    |
| Tỉ lệ thoát bẫy cục bộ| 45.0%             | 70.0%              | 96.7%              |
| Độ mượt quỹ đạo (Jerk)| Cao (gập ghềnh)   | Trung bình         | Rất cao (liên tục) |
| Quãng đường di chuyển| 12.45 m            | 11.20 m            | 10.15 m            |
+----------------------+--------------------+--------------------+--------------------+
  1. Triệt tiêu hiện tượng phân kỳ của EKF: FNN-EKF tự động điều chỉnh ma trận $R_k$ theo thời gian thực khi cảm biến siêu âm gặp hiện tượng phản xạ gương (specular reflection), giảm sai số toàn phương trung bình RMSE vị trí từ $0.182\text{ m}$ (EKF kinh điển) xuống $0.038\text{ m}$, tương đương mức cải thiện độ chính xác $79.1%$.
  2. Hóa giải xung đột hành vi bằng tối ưu Pareto: Cấu trúc BBFM giải quyết triệt để xung đột giữa hành vi tránh vật cản (OA) và bám đích (GR). Khi khoảng cách tới vật cản $d < 0.3\text{ m}$, BBFM chuyển trọng số ưu tiên cho OA mà không làm mất liên tục vector vận tốc, giúp quỹ đạo robot đạt độ trơn tuyệt đối.
  3. Phát hiện hiện tượng giải bẫy phi đối xứng (Asymmetric Escape): Khi robot rơi vào ngõ cụt dạng chữ U (U-shaped obstacle), việc bổ sung hành vi phát hiện cực tiểu cục bộ kết hợp quy tắc Lexicographic giúp robot thoát bẫy thành công với tỉ lệ $96.7%$, trong khi phương pháp trường thế APF truyền thống bị kẹt $100%$.
  4. Khả năng đáp ứng thời gian thực vượt trội so với PF và UKF: Thời gian tính toán cho một chu kỳ ước lượng và ra quyết định của FNN-EKF & BBFM chỉ mất trung bình $4.2\text{ ms}$ trên phần cứng nhúng, thấp hơn 8.5 lần so với bộ lọc hạt Particle Filter ($35.8\text{ ms}$ với 200 hạt).

Implications đa chiều

  • Về mặt lý thuyết: Chứng minh khả năng dung hợp thành công giữa lý thuyết điều khiển mờ phi cấu trúc và phương pháp ước lượng tối ưu giải tích, mở ra hướng tiếp cận mới cho bài toán SLAM thích nghi trong môi trường biến động liên tục.
  • Về phương pháp luận: Cung cấp quy trình hoàn chỉnh từ mô phỏng tham số hóa đến thử nghiệm nhúng trên phần cứng thực, thiết lập chuẩn so sánh đối chuẩn cho các nghiên cứu robot tự hành tại Việt Nam.
  • Về ứng dụng thực tiễn: Cung cấp giải pháp phần mềm lõi có thể tích hợp trực tiếp vào các hệ thống xe tự hành AGV trong nhà xưởng công nghiệp, robot lau dọn thông minh, robot hỗ trợ vận chuyển y tế và robot tuần tra an ninh.
  • Về chính sách và công nghệ: Thúc đẩy tiến trình tự chủ công nghệ điều khiển robot di động thông minh trong nước, giảm phụ thuộc vào các gói điều khiển đóng gói độc quyền nước ngoài.

Limitations và Future Research

Luận án thừa nhận các giới hạn học thuật khách quan:

  • Giới hạn môi trường cảm nhận: Hệ thống thực nghiệm chủ yếu dựa trên cảm biến siêu âm SRF05 và Encoder quang. Cảm biến siêu âm có góc mở lớn ($15^\circ$) và dễ bị nhiễu chéo (cross-talk) hoặc suy hao mạnh khi gặp bề mặt vật liệu hấp thụ âm thanh.
  • Giới hạn không gian hai chiều (2D): Thuật toán định vị và mô hình động học mới chỉ xét trên mặt phẳng sàn phẳng nằm ngang, chưa tính đến ảnh hưởng của độ dốc địa hình 3D, hiện tượng trượt trôi bánh xe khi gia tốc lớn hoặc nền trơn trượt.
  • Không gian trạng thái tối ưu Pareto: Việc tăng số lượng hành vi con lên trên 5 hành vi có thể làm bùng nổ số lượng luật mờ và tăng độ phức tạp tính toán của tập biên Pareto.

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

  1. Tích hợp cảm biến đo xa Laser (2D/3D LiDAR) và Camera chiều sâu (RGB-D Sensor) vào mô hình FNN-EKF để thực thi bài toán 3D-SLAM thời gian thực.
  2. Ứng dụng lý thuyết học tăng cường sâu (Deep Reinforcement Learning - DRL) kết hợp cấu trúc mờ thích nghi để tự động tối ưu hóa các hàm thuộc mờ trong môi trường động có người đi lại.
  3. Mở rộng cấu trúc BBFM cho hệ thống đa robot tự hành phối hợp (Multi-Robot Swarm Navigation).

Tác động và ảnh hưởng

Luận án của NCS. Nguyễn Thị Thanh Vân tạo ra những dấu ấn học thuật và ứng dụng rõ nét:

  • Tác động học thuật (Academic Impact): Các công trình trích xuất từ luận án được công bố trên các tạp chí và kỷ yếu hội nghị chuyên ngành uy tín thuộc danh mục Scopus/IEEE (như IEEE-CCIS, KSE, RIVF), ước tính đóng góp tích cực vào chỉ số trích dẫn trong lĩnh vực kỹ thuật điều khiển và tự động hóa.
  • Chuyển đổi công nghiệp (Industry Transformation): Đặt nền tảng thuật toán cho việc thương mại hóa các dòng xe tự hành AGV vận chuyển pallet tự động trong các kho hàng thông minh (Smart Warehouse) và nhà máy bán dẫn tại Việt Nam.
  • Lợi ích kinh tế - xã hội: Cắt giảm chi phí đầu tư phần cứng đắt tiền (như hệ thống định vị quang học đắt đỏ) nhờ tận dụng tối đa năng lực xử lý thuật toán thông minh trên các cảm biến tầm trung, thúc đẩy chuyển đổi số trong sản xuất công nghiệp 4.0.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Giảng viên ngành Kỹ thuật Điện tử / Tự động hóa: Tiếp cận một khung mẫu chuẩn mực về tích hợp Neuro-Fuzzy với bộ lọc Kalman và tối ưu hóa Pareto; kế thừa mã nguồn và quy trình thực nghiệm.
  • Kỹ sư R&D Robot học & Xe tự hành: Ứng dụng trực tiếp cấu trúc BBFM để xây dựng hệ thống dẫn đường chống va chạm cho robot dịch vụ và xe AGV công nghiệp.
  • Các doanh nghiệp sản xuất thiết bị thông minh: Rút ngắn chu kỳ nghiên cứu phát triển sản phẩm robot nội địa hóa với độ chính xác cao và giá thành cạnh tranh.
  • Nhà hoạch định chính sách KH&CN: Sở hữu cứ liệu khoa học thực chứng để xây dựng các chương trình tài trợ nghiên cứu trọng điểm quốc gia về công nghệ tự hành và AI nhúng.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất của luận án là gì? Đó là việc mở rộng thành công bộ lọc Kalman mở rộng thông qua mạng nơ-ron mờ trực tuyến (FNN-EKF), biến đổi ma trận hiệp phương sai nhiễu đo $R_k$ từ một đại lượng tĩnh bất biến thành một toán tử thích nghi linh hoạt bám sát giá trị đổi mới sai lệch (innovation).
  2. Đột phá phương pháp luận so với các nghiên cứu trước đây? So với kiến trúc CDB của Saffiotti (1995) và DAMN của Rosenblatt (1997), luận án không sử dụng phương pháp cộng dồn trọng số tuyến tính đơn giản mà thiết lập không gian tối ưu Pareto phi tuyến đa biến, bảo toàn tối đa mục tiêu của từng hành vi độc lập.
  3. Phát hiện bất ngờ nhất có dữ liệu thực nghiệm chứng minh? Hiện tượng cấu trúc BBFM giúp robot tự động bẻ góc mượt mà qua các hành lang chữ L và chữ T mà không hề xuất hiện hiện tượng dao động lắc đầu (hunting/oscillations) thường gặp ở thuật toán Vector Field Histogram (VHF).
  4. Quy trình tái lập (Replication Protocol) có được cung cấp đầy đủ? Luận án cung cấp đầy đủ: thông số kích thước cơ khí robot Sputnik, sơ đồ nguyên lý ghép nối phần cứng DSP-SRF05, bảng luật mờ 23 luật chi tiết và công thức cập nhật trọng số mạng FNN, cho phép các phòng thí nghiệm khác tái tạo hoàn toàn kết quả nghiên cứu.
  5. Chương trình nghiên cứu 10 năm được định hình ra sao? Lộ trình mở rộng từ hệ thống đơn robot 2D sang hệ thống đa robot tự hành cộng tác trong không gian 3D phức hợp, kết hợp trí tuệ nhân tạo biên (Edge AI) và mạng truyền thông không dây công nghiệp 5G/6G.

Kết luận

  1. Đã giải quyết triệt để bài toán nâng cao độ chính xác định vị cho robot di động hai bánh vi sai thông qua việc đề xuất thành công bộ lọc cải tiến FNN-EKF.
  2. Đã phát triển thành công cấu trúc điều khiển dẫn đường hành vi thích nghi BBFM, kết hợp nhuần nhuyễn giữa suy luận mờ phân tán và tối ưu hóa đa mục tiêu Pareto.
  3. Đã chế tạo và tích hợp hoàn chỉnh hệ thống thực nghiệm trên robot thực Sputnik, chứng minh tính khả thi và độ tin cậy của thuật toán trong môi trường thực tế.
  4. Đạt mức cải thiện $79.1%$ độ chính xác định vị và nâng tỉ lệ thoát bẫy cực tiểu cục bộ lên $96.7%$.
  5. Mở ra 3 hướng nghiên cứu mới: 3D Visual-LiDAR FNN-SLAM, điều khiển bầy đàn đa tác tử thích nghi, và học sâu tăng cường cho robot tự hành.
  6. Thiết lập một chuẩn mực học thuật cao cho các công trình nghiên cứu tiến sĩ trong lĩnh vực Kỹ thuật Điện tử - Viễn thông tại Việt Nam, mang giá trị ứng dụng thực tiễn lâu dài cho nền công nghiệp tự động hóa.