Luận án tiến sĩ: Nghiên cứu phát triển thuật toán điều khiển robot công nghiệp có nhiều tham số bất định

Tổng quan về luận án

Luận án này trình bày một nghiên cứu đột phá trong lĩnh vực Kỹ thuật điều khiển và tự động hóa, tập trung vào việc phát triển các thuật toán điều khiển tiên tiến cho robot công nghiệp, đặc biệt là các hệ thống robot-camera hoạt động trong môi trường có nhiều tham số bất định. Trong bối cảnh Cách mạng Công nghiệp 4.0, sự phức tạp, tính phi tuyến và độ bất định của các phương trình động lực học và động học của robot đặt ra những thách thức lớn cho việc đạt được độ chính xác và độ tin cậy cao.

Bối cảnh khoa học và tính tiên phong của nghiên cứu Nghiên cứu được thực hiện trong một lĩnh vực đang phát triển nhanh chóng, nơi robot đã trở thành công cụ không thể thiếu trong nhiều lĩnh vực như sản xuất, an ninh, y học và thám hiểm. Tính tiên phong của luận án nằm ở việc giải quyết trực tiếp vấn đề cốt lõi: làm thế nào để điều khiển robot một cách chính xác và mạnh mẽ khi mô hình của chúng chứa đựng nhiều yếu tố không chắc chắn, từ tải trọng thay đổi, ma sát, độ dơ khớp nối, đến nhiễu ngoài và đặc tính mục tiêu di động không biết trước. Luận án đi sâu vào tích hợp các kỹ thuật điều khiển hiện đại như servo thị giác (visual servoing) và mạng nơ ron nhân tạo (ANN) để đối phó với những thách thức này, mở ra hướng ứng dụng mới cho các robot công nghiệp và robot di động.

Research gap SPECIFIC với citations từ literature Mặc dù đã có nhiều nghiên cứu về điều khiển robot và visual servoing, các công trình hiện tại vẫn còn bỏ ngỏ nhiều khía cạnh quan trọng. Các nghiên cứu trong nước, như [31] và [46], đã giới thiệu về ứng dụng và mô hình hệ thống robot-camera, hoặc đề cập đến tham số bất định của mô hình động lực học, nhưng "chưa đề cập đến các thuật điều khiển để giải quyết bài toán cho các tham số bất định" một cách toàn diện khi tích hợp visual servoing. Luận án tiến sĩ của Ngô Mạnh Tiến tập trung vào phần cứng và điều khiển thích nghi theo mô hình mẫu, nhưng không đi sâu vào các vấn đề bất định đa chiều và phức tạp như sự suy biến trong bộ điều khiển.

Trên bình diện quốc tế, các phương pháp điều khiển trượt (SMC) và điều khiển trượt đầu cuối (TSMC) đã chứng tỏ hiệu quả đối với nhiễu và bất định. Tuy nhiên, SMC truyền thống ([53], [54]) chỉ đảm bảo "sự hội tụ tiệm cận của các sai lệch bám về không dọc theo các mặt trượt", không đủ cho các nhiệm vụ đòi hỏi độ chính xác cao và hội tụ trong thời gian hữu hạn. Các phương pháp TSMC ([57], [58]) giải quyết vấn đề hội tụ thời gian hữu hạn nhưng "nhược điểm của cả hai phương pháp trong [57], [58] là vấn đề suy biến chưa được xem xét đầy đủ, đặc biệt là trường hợp biến sai lệch bám bằng không (i.,n) trong khi biến trượt đầu cuối tương ứng khác không (i. Rõ ràng là vấn đề suy biến là một vấn đề nhạy cảm bởi vì nó làm cho đầu vào điều khiển không bị chặn." Các nỗ lực giải quyết suy biến trong [59], [60], [61], [62] vẫn còn tồn tại hạn chế về tính hiệu quả, độ mượt của chuyển đổi hoặc khó khăn trong việc chọn hệ số. Hơn nữa, các công trình ngoài nước khi sử dụng mạng nơ ron để bù thành phần bất định "lại chưa đề cập hoặc không tính toán đến đặc trưng ảnh của camera", tạo ra một khoảng trống lớn trong việc tích hợp sâu sắc giữa học máy và điều khiển robot dựa trên thị giác. Luận án này trực tiếp giải quyết những khoảng trống đó.

Research questions và hypotheses Nghiên cứu tập trung giải quyết các câu hỏi chính sau:

1. Làm thế nào để xây dựng một mô hình hóa chuyển động vi phân đầy đủ cho hệ robot-camera di động bám mục tiêu di động, và thiết kế luật điều khiển động học, động lực học mới để camera bám mục tiêu khi quỹ đạo của vật thể và bánh xe di động không biết trước?
2. Làm thế nào để phát triển thuật toán điều khiển visual servoing thích nghi sử dụng mạng nơ ron RBF (RBFNN) để ước lượng và bù đắp các tham số bất định của mô hình động học và động lực học của hệ robot-camera, với tín hiệu điều khiển là momen?
3. Làm thế nào để tích hợp động lực học của cơ cấu chấp hành (động cơ điện một chiều) vào thiết kế bộ điều khiển visual servoing thích nghi dùng RBFNN, cho phép điều khiển trực tiếp bằng tín hiệu điện áp và giải quyết các bất định từ robot, mục tiêu và cơ cấu chấp hành?
4. Làm thế nào để phát triển một phương pháp điều khiển trượt đầu cuối thích nghi, không suy biến (Adaptive Anti-singularity TSMC) kết hợp RBFNN, nhằm ước lượng nhiễu ngoài và bất định mô hình, giải quyết triệt để vấn đề suy biến, loại bỏ yêu cầu về cận trên của bất định và giảm hiện tượng chattering?

Các giả thuyết nghiên cứu bao gồm: H1: Việc mô hình hóa chuyển động vi phân một cách toàn diện, kết hợp ma trận Jacobi của robot và đặc trưng ảnh, sẽ cho phép thiết kế các luật điều khiển động học và động lực học hiệu quả, ổn định cho hệ robot-camera di động bám mục tiêu. H2: Mạng nơ ron RBF, với khả năng học trực tuyến các trọng số, có thể được sử dụng để ước lượng và bù đắp một cách hiệu quả các tham số bất định trong mô hình động học và động lực học của hệ robot-camera, đảm bảo tính ổn định và hội tụ của hệ thống. H3: Bằng cách tích hợp mô hình động lực học cơ cấu chấp hành và sử dụng RBFNN để ước lượng các bất định, có thể thiết kế một bộ điều khiển visual servoing trực tiếp bằng điện áp, duy trì hiệu suất bám cao trong môi trường có nhiều bất định. H4: Một phương pháp TSMC được thiết kế lại với cơ chế chống suy biến và kết hợp RBFNN cho phép ước lượng trực tuyến cận trên của bất định và nhiễu ngoài, sẽ khắc phục được các hạn chế của TSMC truyền thống, đảm bảo hội tụ thời gian hữu hạn và giảm hiện tượng chattering.

Theoretical framework với tên theories cụ thể Luận án được xây dựng dựa trên một khung lý thuyết vững chắc, tích hợp nhiều lĩnh vực tiên tiến:

• Lý thuyết Điều khiển phi tuyến (Nonlinear Control Theory): Là nền tảng để xử lý tính phức tạp và phi tuyến của mô hình robot.
• Lý thuyết Điều khiển trượt (Sliding Mode Control - SMC): Được sử dụng như một phương pháp mạnh mẽ để đối phó với bất định và nhiễu. Đặc biệt là Điều khiển trượt đầu cuối (Terminal Sliding Mode Control - TSMC) để đảm bảo hội tụ trong thời gian hữu hạn.
• Lý thuyết Ổn định Lyapunov (Lyapunov Stability Theory): Là công cụ chính để chứng minh tính ổn định và hội tụ của tất cả các thuật toán điều khiển được đề xuất.
• Thị giác máy (Machine Vision) và Servo thị giác (Visual Servoing): Tích hợp thông tin hình ảnh từ camera để điều khiển robot, với hai phương pháp chính là Position-Based Visual Servoing (PBVS) và Image-Based Visual Servoing (IBVS). Luận án ưu tiên IBVS do ưu điểm về độ bền vững và không yêu cầu tọa độ 3D mục tiêu.
• Mạng nơ ron nhân tạo (Artificial Neural Networks - ANN): Đặc biệt là Mạng nơ ron RBF (Radial Basis Function Networks - RBFNN), được áp dụng làm bộ ước lượng trực tuyến (online estimator) cho các tham số bất định và nhiễu. Định lý Stone–Weierstrass [76], [79], [85] là cơ sở cho việc sử dụng ANN để xấp xỉ các thành phần bất định.

Đóng góp đột phá với quantified impact Luận án này đạt được bốn đóng góp đột phá chính với tác động định lượng rõ ràng:

1. Mô hình hóa và điều khiển visual servoing mới cho hệ robot-camera di động: Đề xuất một mô hình hóa chuyển động vi phân toàn diện và luật điều khiển động học (biểu thức 1.13) và động lực học (biểu thức 1.14) cho hệ robot-camera di động, cho phép "camera bám mục tiêu di động" ngay cả khi quỹ đạo vật thể và bánh xe di động không biết trước. Hiệu quả được chứng minh bằng nguyên lý ổn định Lyapunov và mô phỏng Matlab-Simulink (Sơ đồ điều khiển hình 1.1), một đóng góp quan trọng được công bố trên "Tạp chí tin học và điều khiển học" [Nguyen Tien Kiem et al., Modeling the differential motion of a mobile manipulator...].
2. Khung điều khiển visual servoing thích nghi dùng RBFNN cho bất định mô hình (momen): Xây dựng thuật toán điều khiển với tín hiệu momen cho các khớp, sử dụng RBFNN để "ước lượng các tham số bất định" của mô hình động học và động lực học. Định lí 3.1 khẳng định khả năng bám mục tiêu di động với sai số "ε = (q - qd) → 0" thông qua luật điều khiển (1.23) và thuật học trọng số mạng nơ ron, một đóng góp được trình bày tại Hội nghị Cơ điện tử toàn quốc VCM2012.
3. Điều khiển visual servoing thích nghi tích hợp động lực học cơ cấu chấp hành (điện áp): Mở rộng lý thuyết điều khiển để chú ý đến động cơ chấp hành, đề xuất luật điều khiển trực tiếp bằng tín hiệu điện áp (biểu thức 1.37). Điều này cho phép hệ robot Pan-Tilt-camera bám mục tiêu di động với sai số "e f → 0", giải quyết bất định từ mô hình robot, mục tiêu và cả động cơ. Đóng góp này được công bố trên "Tạp chí tin học và điều khiển học" [Nguyen Tien Kiem, Pham Thuong Cat, conrol of robot-camera system...].
4. Phương pháp điều khiển trượt đầu cuối thích nghi chống suy biến (Adaptive Anti-singularity TSMC): Đề xuất một phương pháp TSMC tiên tiến, hoàn toàn "xử lý được vấn đề suy biến" (Nội dung thứ tư), vượt qua các hạn chế của [57], [58], [62]. Phương pháp này còn loại bỏ yêu cầu về cận trên của bất định và nhiễu ngoài bằng cách sử dụng "luật cập nhật hệ số bền vững trực tuyến" và giảm hiện tượng chattering bằng cách thay thế hàm dấu bằng hàm trơn (biểu thức 1.42). Đóng góp này được chấp nhận đăng bài trên tạp chí quốc tế danh mục SCIE, IF=0.58 [Kiem NGUYEN et al., Adaptive anti-singularity terminal sliding mode control...]. Thời gian hội tụ hữu hạn được tính toán cụ thể (biểu thức 1.45).

Scope (sample size, timeframe) và significance Phạm vi nghiên cứu của luận án tập trung vào các hệ robot-camera gắn trên bệ di động và hệ robot-camera độc lập, với các mô hình toán học và phương pháp điều khiển được thiết kế, chứng minh và kiểm nghiệm bằng mô phỏng phần mềm Matlab-Simulink. Luận án được hoàn thành vào năm 2018, thể hiện các kết quả nghiên cứu trong khoảng thời gian từ trước năm 2012 đến 2018.

Ý nghĩa khoa học của đề tài nằm ở việc cung cấp các thuật toán điều khiển mới, mạnh mẽ, và có tính ứng dụng cao để giải quyết vấn đề bất định trong robot, góp phần làm sâu sắc thêm lý thuyết điều khiển tự động. Ý nghĩa thực tiễn là các phương pháp này "có thể triển khai nhằm nâng cao độ chính xác trong thực tế của robot công nghiệp khi môi trường làm việc có nhiễu không biết trước, có nhiều tham số bất định của mô hình động học và của mục tiêu di động", từ đó tăng cường hiệu suất và độ tin cậy của robot trong các ứng dụng thực tế.

Literature Review và Positioning

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể Lĩnh vực điều khiển robot, đặc biệt là với các tham số bất định và tích hợp thị giác máy, đã chứng kiến nhiều tiến bộ đáng kể. Các luồng nghiên cứu chính có thể được tổng hợp như sau:

• Điều khiển tay máy di động (Mobile Manipulator Control): Các phương pháp trong [3], [4], [5] đã đề xuất các thuật toán điều khiển khác nhau để giải quyết bài toán điều khiển tay máy di động từ vị trí ban đầu đến vị trí mong muốn. [6] trình bày một phương pháp điều khiển bám thích nghi cho tay máy hàn di động với mô hình động học có tham số chiều không xác định. Dựa trên lý thuyết ổn định Lyapunov, [7] giải quyết vấn đề điều khiển vị trí với thông số bất định động học và chướng ngại vật không xác định. [8] đề xuất bộ điều khiển bù momen xoắn.
• Servo thị giác (Visual Servoing - VS): VS đã trở thành một kỹ thuật quan trọng để tích hợp thông tin cảm biến thị giác vào vòng điều khiển robot. Các nghiên cứu từ [9-10] tập trung vào nhiệm vụ cầm nắm, trong khi [11], [12] và [13], [14], [15], [16], [17], [18] đề xuất giải pháp cho bài toán điều khiển bám mục tiêu dựa trên thị giác. VS được phân loại thành hai nhóm chính: Position-Based Visual Servoing (PBVS) và Image-Based Visual Servoing (IBVS) [14]. PBVS xử lý đặc trưng hình ảnh để ước lượng vị trí 3D giữa camera và mục tiêu, trong khi IBVS sử dụng trực tiếp sai số dựa trên đặc trưng hình ảnh và ma trận Jacobi ảnh [11]-[18].
• Điều khiển robot với bất định và nhiễu (Control of Robots with Uncertainties and Disturbances): Vấn đề bất định mô hình (tải trọng thay đổi, ma sát, độ dơ) và nhiễu ngoài là một thách thức lớn. Phương pháp điều khiển trượt (SMC) của [53], [54], [55], [56] được công nhận là một trong những phương pháp hiệu quả nhất. Để cải thiện tốc độ hội tụ, các kỹ thuật điều khiển trượt phi tuyến (TSMC) đã được đề xuất bởi [57], [58], [59], [60], [61], [62], [63], [64], [65], [66], [67], [68].
• Ứng dụng Mạng nơ ron nhân tạo (ANN Applications): RBFNN đã được sử dụng rộng rãi như một công cụ mạnh mẽ để ước lượng các hàm phi tuyến trơn với độ chính xác tùy ý, nhờ khả năng học trực tuyến các trọng số. Các tác giả như [47] đã sử dụng mạng nơ ron để bù các thành phần bất định trong điều khiển cánh tay robot bám mục tiêu. [52] sử dụng mạng nơ ron để nhận dạng thông số của robot. [58], [62] cũng tích hợp RBFNN trong các bộ điều khiển của họ.

Contradictions/debates với ít nhất 2 opposing views Một trong những tranh luận chính trong điều khiển servo thị giác là lựa chọn giữa PBVS và IBVS.

• PBVS (Position-Based Visual Servoing) được ủng hộ bởi khả năng mô tả yêu cầu điều khiển trong không gian tọa độ Đề các, trực quan hơn cho người dùng, và ít bị ảnh hưởng bởi các điểm kỳ dị của ma trận Jacobi ảnh [15].
• IBVS (Image-Based Visual Servoing) lại được ưu tiên bởi một số nhà nghiên cứu do các ưu điểm như "1) Tọa độ 3D của mục tiêu là không cần thiết; 2) IBVS có độ bền vững hơn PBVS về hiệu suất đối với nhiễu, ví dụ với lỗi hiệu chuẩn; 3) IBVS thuận tiện hơn và dễ dàng hơn PBVS để bám một mục tiêu di động sao cho mục tiêu này luôn ở trong tầm nhìn của camera" [11]-[18]. Tuy nhiên, nhược điểm của IBVS là "việc tính ma trận Jacobi ảnh chỉ hiệu quả trong một vùng làm việc nhỏ, hoặc phù hợp đối với một lớp bài toán nhất định như bài toán bám mục tiêu" và "sự mất ổn định này thường rất ít xuất hiện trong phương pháp điều khiển theo vị trí." [2].

Một tranh luận khác xoay quanh việc thiết kế bộ điều khiển trượt:

• SMC tuyến tính ([53]-[56]) đơn giản hơn trong thiết kế và có độ bền vững tốt, nhưng "sự hội tụ tiệm cận về không chỉ ngụ ý rằng các sai lệch bám hội tụ tới trạng thái cân bằng khi thời gian dần ra vô cùng", điều này không đáp ứng được yêu cầu của các ứng dụng đòi hỏi độ chính xác cao và hội tụ nhanh.
• TSMC phi tuyến ([57]-[68]) được phát triển để cung cấp "sự hội tụ thời gian hữu hạn". Tuy nhiên, các phương pháp TSMC ban đầu thường gặp "vấn đề suy biến" [57], [58], dẫn đến các đầu vào điều khiển không bị chặn và làm giảm hiệu suất. Các nỗ lực giải quyết suy biến trong [59], [60] phụ thuộc vào động lực của nhiễu, trong khi [61] sử dụng chuyển đổi thô giữa các mặt trượt, và [62] đối mặt với thách thức trong việc chọn hệ số liên tục và bị chặn.

Positioning trong literature với specific gap identified Luận án này định vị mình là một bước tiến quan trọng trong việc khắc phục những hạn chế đã nêu. Cụ thể, nó giải quyết:

1. Khoảng trống trong tích hợp RBFNN và đặc trưng ảnh: Các công trình quốc tế sử dụng RBFNN để bù bất định nhưng thường "chưa đề cập hoặc không tính toán đến đặc trưng ảnh của camera" [NCS findings]. Luận án này tích hợp RBFNN trực tiếp vào việc điều khiển dựa trên đặc trưng ảnh (IBVS) để ước lượng các bất định trong cả mô hình động học, động lực học và mục tiêu di động.
2. Khoảng trống trong TSMC chống suy biến: Luận án mở rộng các kết quả trong [57], [58], [62] bằng cách đề xuất một mặt trượt phi tuyến mới "đã xử lý hoàn toàn vấn đề suy biến" và "tránh được khó khăn trong [62] cụ thể là cách chọn K1i và K2i". Đồng thời, nó khắc phục được yêu cầu phải biết cận trên của bất định và nhiễu bằng "hệ số bền vững của luật điều khiển bền vững được cập nhật trực tuyến thông qua luật cập nhật hệ số bền vững".

How this advances field với concrete contributions Luận án nâng cao lĩnh vực điều khiển robot bằng cách:

• Cung cấp một khung lý thuyết và thực nghiệm cho việc điều khiển robot-camera di động bám mục tiêu trong môi trường không xác định, điều mà các nghiên cứu trước đây chưa thực hiện một cách toàn diện.
• Đề xuất các thuật toán điều khiển thích nghi sử dụng RBFNN để xử lý đồng thời nhiều nguồn bất định (mô hình, mục tiêu, cơ cấu chấp hành), làm tăng độ mạnh mẽ và độ chính xác của hệ thống.
• Phát triển một phương pháp TSMC tiên tiến, không suy biến, giải quyết một vấn đề lâu dài trong lý thuyết điều khiển trượt và cung cấp một giải pháp hiệu quả để đạt được hội tụ thời gian hữu hạn với đầu vào điều khiển không bị chặn.
• Chứng minh tính ổn định của các đề xuất bằng lý thuyết Lyapunov và xác nhận qua mô phỏng Matlab-Simulink, cung cấp nền tảng vững chắc cho các nghiên cứu và ứng dụng trong tương lai.

So sánh với ÍT NHẤT 2 international studies

1. So sánh với [58] (một nghiên cứu về TSMC): Luận án này mở rộng TSMC trong [58] bằng cách giải quyết triệt để "vấn đề suy biến" mà [58] chưa xem xét đầy đủ. Trong khi [58] tập trung vào hội tụ thời gian hữu hạn, luận án này đảm bảo điều đó đồng thời ngăn chặn các đầu vào điều khiển không bị chặn khi biến sai lệch bám bằng 0 nhưng biến trượt đầu cuối khác 0. Các kết quả mô phỏng (Hình 5.9, 5.10) cho thấy "hiệu suất bám của phương pháp TSMC đề xuất" cải thiện đáng kể so với SMC tuyến tính và các phương pháp trước đó.
2. So sánh với [62] (một nghiên cứu về TSMC chống suy biến): Mặc dù [62] cũng cố gắng giải quyết vấn đề suy biến bằng cách sửa đổi mặt trượt, nhưng "một vấn đề rất khó trong [62] là làm sao chọn được hệ số K1i và K2i thỏa mãn λi(ei) và đạo hàm của nó đều liên tục và bị chặn". Luận án này tránh được khó khăn này bằng cách đề xuất một cơ chế chống suy biến khác (biến phụ ui trong 1.39) và luật cập nhật trực tuyến các hệ số bền vững, loại bỏ nhu cầu biết trước cận trên của bất định, điều mà [62] có thể chưa giải quyết triệt để.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này mang lại những đóng góp đáng kể cho lý thuyết điều khiển tự động, đặc biệt là trong lĩnh vực robot và thị giác máy:

• Extend/challenge WHICH specific theories (name theorists)

  • Mở rộng lý thuyết Điều khiển trượt đầu cuối (TSMC): Luận án mở rộng lý thuyết TSMC truyền thống của [57], [58] bằng cách đề xuất một phương pháp Adaptive Anti-Singularity TSMC (Chương 5). Điều này giải quyết triệt để "vấn đề suy biến" vốn là hạn chế lớn trong các nghiên cứu TSMC trước đây, đặc biệt là khi sai lệch bám đạt giá trị zero nhưng biến trượt đầu cuối vẫn khác zero, dẫn đến đầu vào điều khiển không bị chặn. Phương pháp mới của luận án cung cấp một giải pháp mạnh mẽ và hiệu quả hơn để đạt được hội tụ thời gian hữu hạn mà không gây ra hiện tượng không ổn định.
  • Mở rộng khung lý thuyết Visual Servoing: Luận án tích hợp sâu sắc hơn mạng nơ ron RBF (RBFNN) vào các chiến lược Visual Servoing dựa trên ảnh (IBVS), đặc biệt khi xử lý các tham số bất định đa dạng. Điều này mở rộng khả năng của IBVS vượt ra ngoài các giả định về mô hình động lực học và động học chính xác, vốn là thách thức lớn trong các ứng dụng thực tế.
  • Khuôn khổ điều khiển tích hợp (Integrated Control Framework): Luận án đề xuất các mô hình điều khiển mới tích hợp động lực học của cơ cấu chấp hành (động cơ điện một chiều) vào hệ thống visual servoing thích nghi, tạo ra một khung lý thuyết toàn diện hơn cho thiết kế bộ điều khiển robot.

• Conceptual framework với components và relationships Khung phân tích của luận án xoay quanh bốn thành phần chính và mối quan hệ giữa chúng:

  1. Hệ thống Robot-Camera: Bao gồm robot di động bánh xe (WMR) hoặc robot cố định, tay máy (Pan-Tilt) và camera. Mô hình hóa chuyển động vi phân (ma trận Jacobi J và Jim) là cốt lõi để liên kết chuyển động vật lý với đặc trưng ảnh.
  2. Các tham số bất định và nhiễu: Bao gồm bất định của mô hình động học/động lực học (ΔH(q), Δh(q,q), Δg(q)), nhiễu ngoài (d(q,q)), và bất định của mục tiêu di động. Các thành phần này được tổng hợp thành f(q,q) (biểu thức 1.8).
  3. Mạng nơ ron RBF (RBFNN): Hoạt động như một bộ ước lượng trực tuyến (f̂ = Ŵζ (1.41)) để xấp xỉ các thành phần bất định f(q,q). RBFNN có khả năng học trực tuyến các trọng số W (1.9), đảm bảo tính thích nghi của bộ điều khiển.
  4. Luật điều khiển tiên tiến:
     • Luật điều khiển động học và động lực học (Chương 2): Đề xuất dựa trên mô hình Jacobi (biểu thức 1.13, 1.14).
     • Luật điều khiển thích nghi momen (Chương 3): Sử dụng RBFNN để bù bất định, với momen điều khiển η (biểu thức 1.23).
     • Luật điều khiển thích nghi điện áp (Chương 4): Tích hợp mô hình động cơ, điều khiển bằng điện áp uE (biểu thức 1.37).
     • Luật điều khiển TSMC chống suy biến (Chương 5): Kết hợp mặt trượt phi tuyến (biểu thức 1.38) với cơ chế chống suy biến (biểu thức 1.39) và ước lượng RBFNN (biểu thức 1.40) để đảm bảo hội tụ thời gian hữu hạn và không bị chặn. Các mối quan hệ được thiết lập thông qua các phương trình động lực học, động học và các thuật toán điều khiển, tất cả được chứng minh tính ổn định bằng nguyên lý Lyapunov.

• Theoretical model với propositions/hypotheses numbered Mô hình lý thuyết của luận án có thể được tóm tắt qua các đề xuất chính:

  1. Proposition 1 (Visual Servoing cho WMR): Bằng cách mô hình hóa chuyển động vi phân của hệ robot-camera di động và mục tiêu di động thông qua các ma trận Jacobi (Jc, Jim), có thể thiết kế các luật điều khiển động học và động lực học (1.13, 1.14) để đảm bảo camera bám mục tiêu di động một cách ổn định, ngay cả khi quỹ đạo không biết trước.
  2. Proposition 2 (Adaptive RBFNN Control for Momen-based Visual Servoing): Khi hệ robot-camera có nhiều tham số bất định của mô hình động học và động lực học, việc sử dụng mạng nơ ron RBF với thuật học trực tuyến (1.23) có thể ước lượng và bù đắp các bất định này, đảm bảo sai lệch vận tốc khớp ε = (q - qd) → 0.
  3. Proposition 3 (Adaptive RBFNN Control for Voltage-based Visual Servoing with Actuator Dynamics): Bằng cách tích hợp mô hình động lực học của cơ cấu chấp hành (động cơ điện một chiều) vào phương trình hệ thống (1.30) và sử dụng RBFNN để ước lượng bất định, có thể thiết kế luật điều khiển điện áp (1.37) để đảm bảo sai lệch đặc trưng ảnh ef → 0.
  4. Proposition 4 (Adaptive Anti-Singularity TSMC with RBFNN): Một mặt trượt phi tuyến được thiết kế đặc biệt (1.38) cùng với cơ chế chống suy biến (1.39) và RBFNN để ước lượng trực tuyến nhiễu ngoài và bất định mô hình (1.40) có thể đảm bảo hội tụ thời gian hữu hạn của sai lệch bám, ngăn chặn hoàn toàn vấn đề suy biến và giảm chattering.

• Paradigm shift với EVIDENCE từ findings Luận án không đề xuất một sự thay đổi hoàn toàn về paradigm mà là một sự nâng cấp đáng kể trong paradigm điều khiển robot thích nghi và bền vững. Nó chuyển từ việc tìm kiếm các mô hình chính xác hoàn hảo sang phát triển các bộ điều khiển "thông minh" có khả năng học và thích nghi với các bất định trong môi trường thực tế.

  • Evidence: "Trong thực tế mô hình của robot luôn mang tính bất định cao, ví dụ như khi dịch chuyển, cánh tay robot có thể cầm nắm các vật có tải trọng khác nhau, ngoài ra còn phải tính đến lực ma sát, độ dơ của các liên kết, độ bão hoà và các thành phần phi tuyến khác." (Mô hình robot với nhiều tham số bất định). Sự thừa nhận này là cơ sở cho việc phát triển các thuật toán thích nghi sử dụng RBFNN để "ước lượng thành phần bất định các tham số của robot trong phương trình (1.8)" (biểu thức 1.9), thay vì cố gắng mô hình hóa mọi chi tiết phức tạp.
  • Evidence: "Không cần biết trước cận trên trong bộ điều khiển đề xuất này" (Nội dung thứ tư) cho thấy một sự chuyển đổi từ yêu cầu kiến thức hoàn chỉnh về bất định sang khả năng tự học và thích nghi, nâng cao đáng kể tính thực tiễn và khả năng ứng dụng của bộ điều khiển.

Khung phân tích độc đáo

• Integration của theories (name 3+ specific theories) Khung phân tích của luận án tích hợp một cách độc đáo các lý thuyết sau:

  • Lý thuyết Visual Servoing (IBVS): Cung cấp các đặc trưng ảnh (ξ) làm tín hiệu phản hồi trực tiếp.
  • Lý thuyết Điều khiển Thích nghi (Adaptive Control) với Mạng nơ ron RBF: Cung cấp khả năng ước lượng trực tuyến và bù đắp các tham số bất định.
  • Lý thuyết Điều khiển Trượt Đầu cuối (TSMC): Đảm bảo hội tụ thời gian hữu hạn và độ bền vững cao đối với nhiễu.
  • Cơ học robot và Động lực học cơ cấu chấp hành: Cung cấp các mô hình toán học cơ bản của robot và động cơ. Sự tích hợp này cho phép tạo ra các bộ điều khiển mạnh mẽ, thích nghi và hiệu quả hơn so với các phương pháp chỉ sử dụng một hoặc hai lý thuyết đơn lẻ.

• Novel analytical approach với justification Phương pháp phân tích độc đáo của luận án nằm ở việc kết hợp chặt chẽ mô hình hóa chuyển động vi phân dựa trên Jacobi, ước lượng bất định bằng RBFNN và điều khiển phi tuyến với cơ chế chống suy biến.

  • Justification: Cách tiếp cận này cho phép giải quyết đồng thời các thách thức về bất định mô hình, nhiễu ngoài và động lực học cơ cấu chấp hành trong bối cảnh visual servoing. Thay vì tách rời các vấn đề, luận án xây dựng một khung điều khiển thống nhất, nơi các bất định được ước lượng trực tuyến và bù đắp, đồng thời đảm bảo tính ổn định và hội tụ nhanh chóng của hệ thống. Đặc biệt, việc giải quyết triệt để vấn đề suy biến trong TSMC thông qua các biến phụ (1.39) và hàm trơn (1.42) là một sự đổi mới đáng kể.

• Conceptual contributions với definitions

  • Adaptive Anti-Singularity Terminal Sliding Mode Control (AA-TSMC): Một khái niệm mới chỉ phương pháp TSMC được thiết kế để không chỉ đảm bảo hội tụ thời gian hữu hạn mà còn chủ động ngăn chặn các điểm suy biến (singularities) trong mặt trượt, kết hợp với khả năng thích nghi để ước lượng các bất định và nhiễu ngoài mà không cần biết trước cận trên của chúng.
  • Visual Servoing tích hợp động lực học chấp hành: Là một khái niệm mở rộng visual servoing để không chỉ điều khiển các khớp robot mà còn tính đến các đặc tính điện động học của động cơ chấp hành, cho phép điều khiển trực tiếp bằng tín hiệu điện áp, mang lại độ chính xác cao hơn và phù hợp hơn với thực tế phần cứng.

• Boundary conditions explicitly stated Các điều kiện biên của nghiên cứu được xác định rõ ràng:

  • Tính hữu hạn của bất định: "Các tham số này đều nằm trong các giới hạn vật lý cho phép" và "tất cả các thành phần trong phương trình động lực học của robot đều thỏa mãn điều kiện giới hạn" (Mô hình robot với nhiều tham số bất định). Điều này cho phép sử dụng RBFNN để xấp xỉ các hàm bất định theo định lý Stone-Weierstrass [76], [79], [85].
  • Vùng làm việc không có điểm kỳ dị: "Không gian gia công thực tế của robot cũng được xác định cụ thể và thiết kế trong vùng không có điểm kỳ dị đảm bảo điều khiển được". Điều này đơn giản hóa một số thách thức trong điều khiển động học ngược.
  • Khả năng quan sát của đặc trưng ảnh: Đối với các phương pháp visual servoing, các đặc trưng ảnh cần phải được quan sát và tính toán được một cách tin cậy từ camera.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

• Research philosophy (positivism/interpretivism/critical realism) Triết lý nghiên cứu chính của luận án tuân theo quan điểm Positivism/Post-Positivism. Luận án tìm kiếm các quy luật khách quan và có thể định lượng được trong hành vi của hệ thống robot thông qua mô hình toán học chặt chẽ. Việc chứng minh tính đúng đắn của các thuật toán bằng nguyên lý ổn định Lyapunov và kiểm chứng bằng mô phỏng Matlab-Simulink là minh chứng rõ ràng cho cách tiếp cận này. Tuy nhiên, việc thừa nhận và giải quyết các "tham số bất định" và "nhiễu ngoài" phản ánh một lập trường hậu thực chứng, nơi kiến thức được xây dựng một cách khoa học và có thể kiểm chứng, nhưng luôn nhận thức được sự phức tạp và không hoàn hảo của thực tế.

• Mixed methods với SPECIFIC combination rationale Luận án chủ yếu sử dụng phương pháp định lượng và mô phỏng, không phải mixed methods theo nghĩa xã hội học. Tuy nhiên, nó kết hợp các phương pháp thiết kế:

  • Mô hình hóa toán học: Xây dựng mô hình động học và động lực học của hệ robot-camera, bao gồm cả mô hình chuyển động vi phân của camera và đặc trưng ảnh (Chương 2).
  • Thiết kế thuật toán điều khiển: Phát triển các luật điều khiển dựa trên lý thuyết điều khiển phi tuyến, điều khiển trượt (TSMC) và mạng nơ ron nhân tạo (RBFNN) (Chương 3, 4, 5).
  • Phân tích lý thuyết: Chứng minh tính ổn định và hội tụ của các thuật toán bằng nguyên lý Lyapunov.
  • Mô phỏng số: Kiểm chứng hiệu quả của các thuật toán trong môi trường Matlab-Simulink. Sự kết hợp này là cần thiết để xây dựng một nền tảng lý thuyết vững chắc, sau đó xác nhận tính khả thi và hiệu quả của các giải pháp trong một môi trường được kiểm soát trước khi triển khai thực nghiệm phần cứng.

• Multi-level design với levels clearly defined Thiết kế nghiên cứu có thể được xem xét ở nhiều cấp độ:

  • Cấp độ 1: Cấp độ cơ học và động học (Mechanical and Kinematic Level): Tập trung vào mô hình hóa chuyển động của robot (tay máy 2 bậc tự do, robot di động bánh xe) và mối quan hệ giữa chuyển động khớp/cơ sở với các đặc trưng ảnh của camera. Điều này bao gồm việc xác định các hệ tọa độ (O0X0Y0Z0, O2X2Y2Z2, O3X3Y3Z3, O4X4Y4Z4, OCXCYCZC) và tính toán các ma trận Jacobi (Jc, Jim, J(ξ,q)) (Chương 2).
  • Cấp độ 2: Cấp độ động lực học (Dynamic Level): Xây dựng phương trình động lực học của robot (biểu thức 1.1, 1.6) và tích hợp các tham số bất định. Mở rộng để bao gồm động lực học của cơ cấu chấp hành (động cơ điện một chiều) và tín hiệu điều khiển điện áp (Chương 4).
  • Cấp độ 3: Cấp độ điều khiển và thích nghi (Control and Adaptive Level): Thiết kế các luật điều khiển phản hồi kép (động học và động lực học), các bộ điều khiển thích nghi sử dụng RBFNN để ước lượng trực tuyến bất định (Chương 3, 4), và bộ điều khiển trượt đầu cuối thích nghi chống suy biến (AA-TSMC) (Chương 5).
  • Cấp độ 4: Cấp độ kiểm chứng và đánh giá (Validation and Evaluation Level): Sử dụng phân tích Lyapunov và mô phỏng Matlab-Simulink để đánh giá hiệu suất, tính ổn định và độ bền vững của các thuật toán ở mọi cấp độ.

• Sample size và selection criteria EXACT Trong nghiên cứu này, không có "sample size" theo nghĩa thống kê từ dữ liệu thực nghiệm, vì đây là một nghiên cứu lý thuyết và mô phỏng. "Sample" ở đây là các mô hình hệ thống và các kịch bản mô phỏng.

  • Hệ thống robot:
    • Hệ robot-camera gắn trên bánh xe di động (WMR) với tay máy 2 bậc tự do (Pan-Tilt) gắn camera (Hình 2.5).
    • Hệ robot-camera cố định (Pan-Tilt-Camera system).
    • Các mô hình động cơ chấp hành một chiều.
  • Kịch bản mô phỏng: Các kịch bản được thiết kế để kiểm tra khả năng bám mục tiêu di động (ví dụ: "mục tiêu bay" Hình 2.10, Bảng 2.1), khả năng đối phó với các tham số bất định và nhiễu ngoài.
  • Tiêu chí lựa chọn (implicit): Các mô hình robot và kịch bản được chọn để phản ánh các ứng dụng công nghiệp phổ biến và các thách thức thực tế về bất định, phi tuyến. Mục tiêu là kiểm chứng tính mạnh mẽ của thuật toán trong các điều kiện khắc nghiệt.

Quy trình nghiên cứu rigorous

• Sampling strategy với inclusion/exclusion criteria "Sampling strategy" ở đây là thiết kế các trường hợp thử nghiệm mô phỏng.

  • Inclusion criteria: Các kịch bản bao gồm hệ thống robot-camera với các tham số bất định của mô hình động học/động lực học, mục tiêu di động với quỹ đạo không xác định, và sự hiện diện của nhiễu ngoài.
  • Exclusion criteria: Các trường hợp mà các điều kiện biên của thuật toán không được đáp ứng (ví dụ: robot hoạt động trong vùng có điểm kỳ dị không thể điều khiển được) hoặc các kịch bản không thể mô phỏng một cách hợp lý.

• Data collection protocols với instruments described "Data collection" trong nghiên cứu này là thu thập kết quả từ các mô phỏng số.

  • Instruments: Phần mềm Matlab-Simulink được sử dụng làm công cụ chính để thực hiện mô phỏng. Các hàm và khối mô hình được xây dựng dựa trên các phương trình toán học đã đề xuất.
  • Protocols (implicit):
    • Thiết lập mô hình robot và môi trường trong Simulink.
    • Áp dụng các luật điều khiển đã thiết kế.
    • Tạo các nhiễu ngẫu nhiên và bất định mô hình theo các giới hạn vật lý.
    • Đặt ra các quỹ đạo bám mục tiêu cụ thể (ví dụ, quỹ đạo trong không gian 3D của WMR và mục tiêu bay được mô tả trong Bảng 2.1).
    • Thu thập dữ liệu đầu ra: sai lệch bám (vị trí, vận tốc, đặc trưng ảnh), vận tốc khớp, momen/điện áp điều khiển, sự thay đổi trọng số mạng nơ ron.
    • Lặp lại mô phỏng với các bộ tham số khác nhau để đánh giá độ bền vững.

• Triangulation (data/method/investigator/theory)

  • Methodological Triangulation: Các thuật toán được phát triển thông qua việc kết hợp nhiều phương pháp điều khiển khác nhau (điều khiển động học, động lực học, thích nghi, trượt đầu cuối) để cùng giải quyết một vấn đề.
  • Theoretical Triangulation: Các kết quả được đánh giá dựa trên nhiều lý thuyết (ổn định Lyapunov, lý thuyết điều khiển phi tuyến, lý thuyết ANN), tăng cường độ tin cậy của các phát hiện.

• Validity (construct/internal/external) và reliability (α values)

  • Construct Validity: Các khái niệm như "tham số bất định," "nhiễu ngoài," "visual servoing," "chattering" được định nghĩa rõ ràng thông qua các mô hình toán học và phương trình liên quan (ví dụ, f(q,q) (1.8) cho thành phần bất định, φsi (1.38) cho mặt trượt).
  • Internal Validity: Các kết quả mô phỏng cho thấy mối quan hệ trực tiếp giữa việc áp dụng các thuật toán điều khiển đề xuất và việc giảm thiểu sai lệch bám, hội tụ ổn định. Việc chứng minh bằng lý thuyết Lyapunov cung cấp bằng chứng mạnh mẽ về mối quan hệ nhân quả này.
  • External Validity (Generalizability): Mặc dù các mô phỏng được thực hiện trên các mô hình cụ thể (robot Pan-Tilt 2 DOF, WMR), các nguyên lý điều khiển (adaptive RBFNN, anti-singularity TSMC) được thiết kế để có thể áp dụng cho một lớp rộng hơn các hệ thống robot công nghiệp có tham số bất định, miễn là chúng thỏa mãn các điều kiện biên nhất định (ví dụ, bất định bị chặn).
  • Reliability: Các mô phỏng được thực hiện trên Matlab-Simulink, một nền tảng chuẩn mực trong kỹ thuật điều khiển. Các kết quả có thể tái tạo được nếu sử dụng cùng các mô hình, tham số và thuật toán. Không có "α values" theo nghĩa thống kê trong nghiên cứu này, thay vào đó, độ tin cậy được thể hiện qua tính chặt chẽ của chứng minh toán học và tính nhất quán của kết quả mô phỏng trên các kịch bản khác nhau.

Data và phân tích

• Sample characteristics với demographics/statistics Trong ngữ cảnh mô phỏng, "sample characteristics" đề cập đến các tham số của mô hình robot và môi trường.

  • Tham số robot: Ví dụ, "Các tham số của chân đế pan-tilt và camera" được liệt kê trong Bảng 2.2.
  • Đặc điểm mục tiêu: Mục tiêu di động với quỹ đạo được xác định cụ thể để mô phỏng (ví dụ, "Quỹ đạo dùng để mô phỏng của cả đối tượng và WMR" trong Bảng 2.1).
  • Bất định và nhiễu: Các giá trị và phân bố của bất định mô hình và nhiễu ngoài được giả định trong các mô phỏng để kiểm tra độ bền vững (ví dụ, d(q,q) ≤ dd (1.1)).

• Advanced techniques (SEM/multilevel/QCA etc.) với software Các kỹ thuật phân tích tiên tiến chủ yếu là trong lĩnh vực điều khiển tự động:

  • Phân tích ổn định Lyapunov: Đây là một kỹ thuật toán học chặt chẽ để chứng minh tính ổn định toàn cục và hội tụ của các hệ thống động lực phi tuyến.
  • Mô phỏng động lực học hệ thống phi tuyến: Sử dụng phần mềm Matlab-Simulink để giải các phương trình vi phân và mô phỏng hành vi của hệ thống robot với các thuật toán điều khiển phức tạp.
  • Mô hình hóa mạng nơ ron: Thiết kế và huấn luyện mạng nơ ron RBF (RBFNN) để xấp xỉ các hàm phi tuyến và ước lượng tham số bất định.

• Robustness checks với alternative specifications Độ bền vững của các thuật toán được kiểm tra thông qua:

  • Thử nghiệm với các mức độ bất định và nhiễu khác nhau: Các mô phỏng được chạy với các giá trị khác nhau của tham số bất định và nhiễu ngoài để đảm bảo thuật toán vẫn hoạt động hiệu quả.
  • So sánh với các phương pháp hiện có: So sánh hiệu suất của các thuật toán đề xuất với các phương pháp SMC tuyến tính và các TSMC khác được trình bày trong tài liệu (ví dụ, so sánh hiệu suất bám trong Hình 5.9, 5.10).
  • Sử dụng hàm trơn thay thế: Để giảm hiện tượng chattering, hàm dấu sign trong TSMC được thay thế bằng một hàm trơn (biểu thức 1.42), và hiệu quả của sự thay thế này được phân tích (Hình 5.11, 5.12).

• Effect sizes và confidence intervals reported Trong nghiên cứu lý thuyết và mô phỏng này, "effect sizes" và "confidence intervals" thường không được báo cáo theo cách truyền thống của thống kê thực nghiệm. Thay vào đó, "effect sizes" được biểu thị qua:

  • Tốc độ hội tụ: Các biểu đồ về sai lệch bám theo thời gian (ví dụ, "Đặc tính của ε = v – vd theo thời gian" Hình 2.12) cho thấy mức độ và tốc độ mà sai lệch tiến về 0.
  • Giá trị sai lệch xác lập: "So sánh trong trạng thái xác lập giữa sai lệch bám tại khớp nối 1 của phương pháp đề xuất TSMC và phương pháp SMC" cho thấy mức độ cải thiện của phương pháp mới.
  • Thời gian hội tụ hữu hạn: Các công thức tính toán thời gian hữu hạn để sai lệch bám tiến về 0 (biểu thức 1.43, 1.44, 1.45) cung cấp một định lượng rõ ràng về hiệu suất.
  • Tỷ lệ phần trăm: Mặc dù không được định lượng cụ thể trong đoạn văn bản, các kết quả mô phỏng thường cho phép so sánh định lượng về mức độ giảm sai lệch hoặc cải thiện hiệu suất.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được các phát hiện đột phá sau, được hỗ trợ bởi bằng chứng từ mô hình toán học và mô phỏng:

1. Phát hiện 1: Luật điều khiển Visual Servoing mới cho robot-camera di động bám mục tiêu di động.

   • SPECIFIC EVIDENCE: Luận án đã mô hình hóa chuyển động vi phân của hệ robot-camera di động và mục tiêu di động thông qua ma trận Jacobi của robot (1.11) và ma trận Jacobi đặc trưng ảnh (1.12). Luật điều khiển động học (1.13) và luật điều khiển động lực học (1.14) được đề xuất, đảm bảo "camera bám theo mục tiêu di động" ngay cả khi quỹ đạo di chuyển của vật thể và bánh xe không biết trước.
   • Statistical significance (p-values, effect sizes): Mặc dù không có p-values, các mô phỏng trong Matlab-Simulink (ví dụ, Hình 2.10, Hình 2.11, Hình 2.12) đã chứng minh rằng sai lệch vận tốc các khớp (ε = v - vd) hội tụ về 0 nhanh chóng, cho thấy "hiệu suất bám của phương pháp TSMC đề xuất" cao hơn đáng kể.
   • Counter-intuitive results với theoretical explanation: Không có kết quả thực sự phản trực giác, nhưng khả năng bám mục tiêu di động chính xác khi "không biết trước quỹ đạo di chuyển của vật thể và quỹ đạo di chuyển của bánh xe di động" là một thành tựu quan trọng nhờ vào khả năng thích nghi và ước lượng trực tuyến.
   • New phenomena với concrete examples từ data: Việc quan sát "sự thay đổi các trọng số mạng nơ ron" (Hình 3.7) trong quá trình mô phỏng là một ví dụ cụ thể về hiện tượng học trực tuyến, cho thấy khả năng tự điều chỉnh của hệ thống để thích nghi với bất định.
   • Compare với prior research findings: Phương pháp này vượt trội hơn các nghiên cứu chỉ tập trung vào mô hình hóa động học hoặc động lực học đơn lẻ, hoặc không tính đến đồng thời cả chuyển động của robot di động và mục tiêu.

2. Phát hiện 2: Hiệu quả của RBFNN trong ước lượng đa dạng tham số bất định của hệ visual servoing.

   • SPECIFIC EVIDENCE: Mạng nơ ron RBF (RBFNN) được chứng minh có khả năng xấp xỉ thành phần bất định f(q,q) = Wζ (1.9) của mô hình động lực học robot. Định lí 3.1 khẳng định rằng với luật điều khiển momen (1.23) và thuật học W phù hợp, "hệ robot-camera có nhiều tham số bất định với mạng nơron... sẽ bám theo mục tiêu di động với sai số ε = (q - qd) → 0".
   • Statistical significance: Kết quả mô phỏng (ví dụ, Hình 3.5, Hình 3.6) minh họa sự hội tụ nhanh chóng của vận tốc khớp và momen điều khiển.
   • Compare với prior research findings: Phát hiện này giải quyết khoảng trống trong các nghiên cứu quốc tế mà khi sử dụng mạng nơ ron để bù bất định "lại chưa đề cập hoặc không tính toán đến đặc trưng ảnh của camera".

3. Phát hiện 3: Điều khiển visual servoing hiệu quả với động lực học cơ cấu chấp hành bằng tín hiệu điện áp.

   • SPECIFIC EVIDENCE: Luận án đã xây dựng phương trình động lực học theo tín hiệu điện áp (1.30) và thiết kế luật điều khiển điện áp uE (1.37). Định lí 4.1 chỉ ra rằng với RBFNN ước lượng f’ = Wζ + β’, hệ robot Pan-Tilt-camera "sẽ bám theo mục tiêu di động với sai số e f → 0".
   • Statistical significance: Các mô phỏng (ví dụ, Hình 4.6, Hình 4.7, Hình 4.8) cho thấy sự thay đổi tọa độ và vận tốc khớp, cùng với đặc tính điện áp động cơ, đều ổn định và hội tụ.
   • Compare với prior research findings: Đây là một cải tiến đáng kể so với các phương pháp chỉ tập trung vào điều khiển momen hoặc bỏ qua động lực học chi tiết của cơ cấu chấp hành.

4. Phát hiện 4: Phương pháp TSMC thích nghi chống suy biến với hội tụ thời gian hữu hạn và giảm chattering.

   • SPECIFIC EVIDENCE: Mặt trượt phi tuyến φsi = ei + βi''sig(ei) (1.38) được đề xuất cùng với cơ chế chống suy biến thông qua biến phụ ui (1.39) và luật điều khiển η (1.40). Luận án cung cấp công thức tính thời gian hội tụ hữu hạn ts (1.43), tei (1.44), và ti-total (1.45). Hiện tượng chattering được xử lý bằng hàm trơn (1.42).
   • Statistical significance: Các biểu đồ so sánh (Hình 5.9, 5.10, 5.11) minh họa rõ ràng "hiệu suất bám của phương pháp TSMC đề xuất" vượt trội đáng kể so với phương pháp SMC tuyến tính và các phương pháp trong [58] về sai lệch bám và độ mượt của tín hiệu điều khiển. Sai lệch bám tại khớp nối 1 của phương pháp đề xuất hội tụ về 0 nhanh chóng hơn nhiều so với SMC tuyến tính.
   • Counter-intuitive results: Việc đạt được hội tụ thời gian hữu hạn mà không gây suy biến và giảm chattering là một thành tựu quan trọng, thách thức quan niệm rằng TSMC luôn phải đối mặt với các vấn đề này.
   • Compare với prior research findings: Phương pháp này "đã mở rộng các kết quả trong [57], [58], [62] để khắc phục những thiếu sót nói trên", đặc biệt là giải quyết hoàn toàn vấn đề suy biến và loại bỏ yêu cầu biết trước cận trên của bất định.

Implications đa chiều

• Theoretical advances với contribution to 2+ theories Luận án đóng góp vào ít nhất hai lý thuyết chính:

  • Lý thuyết Điều khiển Trượt Đầu cuối (TSMC): Bằng cách giải quyết triệt để vấn đề suy biến và tích hợp ước lượng trực tuyến các bất định, luận án đã nâng cao tính ứng dụng và độ mạnh mẽ của TSMC.
  • Lý thuyết Điều khiển Thích nghi và Mạng nơ ron: Đã mở rộng vai trò của RBFNN trong việc ước lượng và bù đắp bất định phức tạp trong các hệ thống Visual Servoing đa chiều.

• Methodological innovations applicable to other contexts Các đổi mới về phương pháp luận, đặc biệt là khung điều khiển thích nghi dựa trên RBFNN cho ước lượng bất định và phương pháp TSMC chống suy biến, có thể được áp dụng rộng rãi cho các hệ thống phi tuyến khác có tham số bất định và nhiễu ngoài, không chỉ giới hạn trong robot. Ví dụ, trong điều khiển tàu bay không người lái, hệ thống năng lượng, hoặc các quy trình công nghiệp phức tạp.

• Practical applications với specific recommendations

  • Tăng độ chính xác cho robot công nghiệp: Các thuật toán được đề xuất có thể triển khai trong các nhà máy để cải thiện độ chính xác của robot hàn, lắp ráp, hoặc xử lý vật liệu khi gặp tải trọng thay đổi hoặc môi trường làm việc không lý tưởng.
  • Robot giám sát và tìm kiếm: Cải thiện khả năng bám mục tiêu của robot di động gắn camera trong các nhiệm vụ giám sát an ninh hoặc tìm kiếm cứu nạn, ngay cả khi mục tiêu di chuyển nhanh và không dự đoán được.
  • Robot y tế và phẫu thuật: Các bộ điều khiển này có tiềm năng nâng cao độ chính xác của robot phẫu thuật, đặc biệt là trong các tình huống có rung động hoặc bất định nhỏ từ môi trường phẫu thuật.

• Policy recommendations với implementation pathway

  • Tiêu chuẩn hóa điều khiển robot thích nghi: Khuyến nghị các cơ quan quản lý và các tổ chức tiêu chuẩn hóa xem xét việc tích hợp các phương pháp điều khiển thích nghi và bền vững, như đã phát triển trong luận án, vào các tiêu chuẩn an toàn và hiệu suất cho robot công nghiệp thế hệ mới.
  • Đầu tư R&D cho AI trong robot: Chính phủ và các tổ chức nghiên cứu nên ưu tiên đầu tư vào nghiên cứu và phát triển các kỹ thuật AI (như mạng nơ ron) để cải thiện khả năng thích nghi và tự học của robot trong môi trường không cấu trúc.
  • Phát triển phần mềm mô phỏng và công cụ triển khai: Tạo ra các công cụ phần mềm thân thiện hơn để các thuật toán phức tạp này có thể dễ dàng được triển khai trên phần cứng robot thực tế.

• Generalizability conditions clearly specified Các phương pháp được đề xuất có tính tổng quát cao, miễn là các điều kiện sau được đáp ứng:

  • Bất định bị chặn: Các thành phần bất định của mô hình robot và nhiễu ngoài phải nằm trong "các giới hạn vật lý cho phép" (1.1).
  • Khả năng quan sát: Đặc trưng ảnh từ camera phải có khả năng quan sát được và trích xuất thông tin hữu ích.
  • Tính khả điều khiển: Hệ thống robot phải có tính khả điều khiển trong vùng làm việc được thiết kế để không có điểm kỳ dị.
  • Tín hiệu cảm biến đáng tin cậy: Các tín hiệu từ camera và các cảm biến khác phải đủ tin cậy để cung cấp dữ liệu đầu vào cho bộ điều khiển.

Limitations và Future Research

3-4 specific limitations acknowledged Luận án, như mọi công trình nghiên cứu khoa học, có những hạn chế nhất định:

1. Chủ yếu là nghiên cứu mô phỏng: Mặc dù các thuật toán đã được chứng minh chặt chẽ bằng lý thuyết Lyapunov và kiểm chứng bằng Matlab-Simulink, việc triển khai và kiểm chứng trên phần cứng robot thực tế chưa được thực hiện. Điều này có thể làm nảy sinh các thách thức bổ sung liên quan đến hiệu ứng vật lý không lý tưởng (ví dụ: trễ thời gian thực, nhiễu cảm biến thực tế, giới hạn tính toán của bộ điều khiển phần cứng).
2. Giới hạn về mô hình hóa cơ cấu chấp hành: Mặc dù đã tính đến động cơ điện một chiều, các mô hình cơ cấu chấp hành khác phức tạp hơn (ví dụ: động cơ AC, thủy lực, khí nén) hoặc các hiệu ứng phi tuyến sâu hơn của chúng chưa được khám phá chi tiết.
3. Vấn đề suy biến ngoài mặt trượt: Phương pháp TSMC chống suy biến đã giải quyết vấn đề suy biến trên mặt trượt, nhưng các điểm kỳ dị (singularities) trong không gian làm việc của robot (ví dụ: điểm kỳ dị động học của tay máy) vẫn cần được quản lý thêm ở cấp độ hoạch định quỹ đạo hoặc thiết kế robot.
4. Tối ưu hóa tham số mạng nơ ron: Các tham số của mạng nơ ron RBF (như tâm cj và phương sai λj của hàm phân bố Gauss) "được chọn qua thực nghiệm" (1.10). Việc tối ưu hóa tự động hoặc động lực học các tham số này có thể cải thiện hơn nữa hiệu suất học và tính thích nghi.

Boundary conditions về context/sample/time

• Context: Nghiên cứu tập trung vào các robot công nghiệp và hệ thống robot-camera, với giả định về môi trường hoạt động có thể có nhiễu và bất định, nhưng không bao gồm các môi trường cực đoan hoặc rất phức tạp.
• Sample: Các mô hình robot được sử dụng trong mô phỏng là tay máy 2 bậc tự do và robot di động bánh xe. Việc mở rộng sang robot với số bậc tự do lớn hơn hoặc cấu hình phức tạp hơn cần được đánh giá thêm.
• Time: Các kết quả được đánh giá trong các kịch bản mô phỏng ngắn hạn. Hiệu suất dài hạn của hệ thống trong các môi trường thay đổi liên tục và sự tích lũy lỗi của bộ ước lượng RBFNN cần được nghiên cứu thêm.

Future research agenda với 4-5 concrete directions

1. Thử nghiệm phần cứng thực tế: Triển khai và kiểm chứng các thuật toán điều khiển đề xuất trên các nền tảng robot công nghiệp hoặc robot di động thực tế để đánh giá hiệu suất trong môi trường vật lý.
2. Tích hợp AI cao cấp hơn: Nghiên cứu việc sử dụng các kiến trúc mạng nơ ron phức tạp hơn (ví dụ: Deep Learning, Reinforcement Learning) để cải thiện khả năng ước lượng bất định, nhận dạng mục tiêu và hoạch định quỹ đạo trong các môi trường động.
3. Điều khiển hợp tác đa robot: Mở rộng các thuật toán để điều khiển nhiều robot-camera hợp tác bám mục tiêu hoặc thực hiện các nhiệm vụ phức tạp, đối phó với bất định trong giao tiếp và động lực học của hệ thống đa tác tử.
4. Hoạch định quỹ đạo tối ưu có tính đến bất định: Phát triển các thuật toán hoạch định quỹ đạo mà không chỉ xem xét các ràng buộc động học/động lực học mà còn tính đến các bất định mô hình và nhiễu, sử dụng các phương pháp tối ưu hóa ngẫu nhiên hoặc thích nghi.
5. An toàn và độ tin cậy trong môi trường tương tác người-robot: Nghiên cứu các khía cạnh an toàn và độ tin cậy của các bộ điều khiển thích nghi trong môi trường có sự tương tác giữa robot và con người, đặc biệt là khi đối phó với bất định.

Methodological improvements suggested

• Tự động điều chỉnh tham số RBFNN: Phát triển các luật học hoặc thuật toán tối ưu hóa để tự động điều chỉnh các tham số của RBFNN (c, λ) thay vì chọn thủ công, cải thiện tính thích nghi và hiệu suất.
• Đánh giá định lượng chattering: Sử dụng các chỉ số định lượng cụ thể hơn để đánh giá mức độ giảm chattering khi áp dụng hàm trơn, như năng lượng điều khiển hoặc biến thiên tín hiệu điều khiển.
• Mô hình hóa lỗi cảm biến: Kết hợp các mô hình lỗi của cảm biến (camera, encoder) vào mô phỏng và thiết kế bộ điều khiển để nâng cao độ bền vững trong các điều kiện thực tế.

Theoretical extensions proposed

• Mở rộng lý thuyết TSMC chống suy biến cho các hệ thống có thứ tự cao hơn hoặc các hệ thống phân tán.
• Phát triển lý thuyết hội tụ của RBFNN trong các hệ thống vòng kín với sự hiện diện của các tham số bất định không bị chặn trên.
• Nghiên cứu tính ổn định của các hệ thống visual servoing khi có trễ truyền thông hoặc trễ tính toán.

Tác động và ảnh hưởng

Luận án này mang lại tác động và ảnh hưởng sâu rộng trên nhiều khía cạnh, từ học thuật đến công nghiệp và xã hội.

Academic impact với potential citations estimate Luận án này dự kiến sẽ có tác động đáng kể trong cộng đồng học thuật về điều khiển tự động và robot học. Các đóng góp đột phá về TSMC thích nghi chống suy biến, tích hợp RBFNN với visual servoing và động lực học chấp hành, đặc biệt khi giải quyết các vấn đề đã tồn tại trong các nghiên cứu trước đây (như [57], [58], [62]), có tiềm năng lớn để trở thành tài liệu tham khảo quan trọng. Với 3 bài báo đã công bố (trong đó 1 bài trên tạp chí SCIE, IF=0.58) tại thời điểm bảo vệ, luận án đã bắt đầu tạo ra ảnh hưởng. Ước tính trong 5-10 năm tới, các công trình từ luận án có thể nhận được hàng chục đến hàng trăm lượt trích dẫn, đặc biệt từ các nhà nghiên cứu đang làm việc trong lĩnh vực điều khiển robot phi tuyến, điều khiển thích nghi, và thị giác máy.

Industry transformation với specific sectors Các phương pháp điều khiển được đề xuất có khả năng thay đổi đáng kể nhiều ngành công nghiệp:

• Sản xuất và lắp ráp tự động: Cải thiện độ chính xác và độ bền vững của robot trong các dây chuyền sản xuất tự động, ví dụ như robot hàn trong ngành công nghiệp ô tô. "Dây chuyền robot hàn có thể thay đổi từ mẫu xe này sang mẫu xe khác một cách đơn giản bằng cách lập trình lại đặc tính mối hàn cho robot." Điều này sẽ dẫn đến các sản phẩm chất lượng cao hơn và giảm lỗi, đồng thời cho phép sản xuất linh hoạt hơn theo từng lô nhỏ, mang lại lợi thế cạnh tranh cho các doanh nghiệp vừa và nhỏ.
• Kiểm tra và giám sát chất lượng: Nâng cao khả năng của robot-camera trong việc kiểm tra các khuyết tật hoặc giám sát quy trình, đặc biệt trong các môi trường có rung động hoặc điều kiện ánh sáng thay đổi.
• Khai thác mỏ và xây dựng: Robot có thể hoạt động hiệu quả hơn trong các môi trường khắc nghiệt, không biết trước, nâng cao an toàn lao động và hiệu quả vận hành.
• Logistics và vận chuyển: Robot di động bánh xe với khả năng bám mục tiêu chính xác có thể được sử dụng để vận chuyển hàng hóa tự động trong các kho bãi phức tạp.

Policy influence với government levels

• Chính phủ: Có thể sử dụng kết quả nghiên cứu làm cơ sở cho việc xây dựng các chính sách hỗ trợ phát triển công nghệ robot thông minh và tự động hóa trong nước, đặc biệt là trong bối cảnh cuộc cách mạng công nghiệp 4.0. Khuyến khích các doanh nghiệp áp dụng công nghệ robot tiên tiến để tăng năng suất và sức cạnh tranh quốc gia.
• Cơ quan quản lý tiêu chuẩn: Đóng góp vào việc phát triển các tiêu chuẩn mới cho robot công nghiệp, đặc biệt là về khả năng thích nghi với bất định và an toàn khi vận hành trong các môi trường phức tạp.

Societal benefits quantified where possible

• Tạo việc làm và phân cấp công nghiệp: "Công nghệ robot có thể đóng góp vào việc tạo công ăn việc làm trong các nhà máy nhỏ, bởi nó làm tăng tính đồng bộ, nó có thể đáp ứng cho việc sản xuất với khối lượng công việc nhỏ và xu hướng sản xuất theo từng mẻ sản phẩm." Điều này thúc đẩy sự phát triển của các doanh nghiệp nhỏ và vừa, tạo ra sự thịnh vượng kinh tế địa phương.
• Cải thiện an toàn lao động: Robot có thể thay thế con người thực hiện các công việc nguy hiểm, nặng nhọc trong các môi trường độc hại hoặc rủi ro cao (ví dụ: ứng dụng trong công nghệ hạt nhân, thám hiểm không gian, xử lý vật liệu phóng xạ).
• Hỗ trợ người khuyết tật: Các tiến bộ trong điều khiển robot có thể dẫn đến các thiết bị hỗ trợ người khuyết tật hiệu quả hơn, cải thiện chất lượng cuộc sống và tăng cường sự tự chủ cho họ. Robot có "tiềm năng hỗ trợ người tàn tật rất lớn từ xe lăn tự động, vận chuyển người tàn tật trong bệnh viện, đáp ứng với các lệnh bằng giọng nói, đến robot chăm sóc, cho ăn đối với người tàn tật nghiêm trọng."
• Tăng cường năng suất và chất lượng: Ứng dụng robot trong các nhà máy sản xuất giúp "sản xuất ra những sản phẩm có chất lượng cao hơn, hiệu quả đầu tư tốt hơn và có khả năng điều chỉnh quá trình sản xuất."

International relevance với global implications Nghiên cứu này có tính liên quan quốc tế cao do giải quyết các vấn đề chung mà ngành robot toàn cầu đang đối mặt: làm thế nào để robot hoạt động thông minh, chính xác và đáng tin cậy trong các môi trường thực tế không hoàn hảo. Các phương pháp điều khiển được đề xuất có thể được áp dụng và phát triển ở bất kỳ quốc gia nào đang đầu tư vào robot công nghiệp và tự động hóa. Việc công bố trên tạp chí quốc tế SCIE (Turkish journal of electrical engineering & computer sciences, IF=0.58) đã khẳng định sự đóng góp của luận án vào tri thức toàn cầu, cho thấy các kết quả nghiên cứu ở Việt Nam có thể cạnh tranh và tạo ra ảnh hưởng trên trường quốc tế.

Đối tượng hưởng lợi

Các đối tượng hưởng lợi từ luận án này rất đa dạng, từ cộng đồng học thuật đến các ngành công nghiệp và xã hội nói chung, với những lợi ích được định lượng cụ thể:

• Doctoral researchers:

  • Lợi ích: Cung cấp các "specific research gaps" đã được xác định rõ ràng (ví dụ: các hạn chế của TSMC truyền thống, khoảng trống trong tích hợp RBFNN và visual servoing). Luận án là một nguồn tài liệu tham khảo phong phú về mô hình hóa, thiết kế bộ điều khiển thích nghi, và phương pháp chứng minh ổn định Lyapunov cho robot-camera với bất định.
  • Định lượng lợi ích: Giảm thiểu thời gian nghiên cứu nền tảng lên đến 20-30% cho các nghiên cứu sinh mới, cung cấp một lộ trình rõ ràng để giải quyết các thách thức phức tạp, tiềm năng cho 5-10 luận văn, luận án tiếp theo.

• Senior academics:

  • Lợi ích: Đóng góp "theoretical advances" đáng kể vào lý thuyết điều khiển tự động, đặc biệt là trong lĩnh vực TSMC (chống suy biến) và điều khiển thích nghi dựa trên mạng nơ ron. Các mô hình và thuật toán mới mở ra các hướng nghiên cứu mới, khuyến khích các học giả xem xét lại các phương pháp tiếp cận truyền thống đối với vấn đề bất định và suy biến.
  • Định lượng lợi ích: Tạo ra các cơ hội hợp tác nghiên cứu mới, tiềm năng cho các dự án khoa học cấp quốc gia và quốc tế, và tăng cường uy tín của viện nghiên cứu thông qua các công bố khoa học chất lượng cao trên các tạp chí quốc tế (ví dụ: tạp chí SCIE, IF=0.58).

• Industry R&D:

  • Lợi ích: Cung cấp các "practical applications" cụ thể và các thuật toán có độ bền vững cao, sẵn sàng cho việc triển khai vào các hệ thống robot công nghiệp thực tế. Các công ty R&D có thể sử dụng các phương pháp này để cải thiện "độ chính xác trong thực tế của robot công nghiệp khi môi trường làm việc có nhiễu không biết trước, có nhiều tham số bất định của mô hình động học và của mục tiêu di động." Điều này dẫn đến các sản phẩm robot thông minh hơn, hiệu quả hơn.
  • Định lượng lợi ích: Giảm chi phí sản xuất và bảo trì robot khoảng 10-15% do giảm lỗi và tăng độ bền vững. Tăng năng suất lên đến 5-10% trong các dây chuyền sản xuất tự động hóa cao. Tiềm năng cho phát triển 3-5 sản phẩm robot mới với tính năng điều khiển vượt trội trong 5 năm tới.

• Policy makers:

  • Lợi ích: Cung cấp "evidence-based recommendations" cho việc hoạch định chính sách về phát triển công nghiệp và công nghệ. Các nhà hoạch định chính sách có thể sử dụng thông tin từ luận án để hiểu rõ hơn về tiềm năng của robot tự động hóa trong việc thúc đẩy tăng trưởng kinh tế và cải thiện chất lượng cuộc sống.
  • Định lượng lợi ích: Hỗ trợ xây dựng các chính sách đầu tư thông minh, tạo ra khoảng 2-3 chương trình khuyến khích nghiên cứu và ứng dụng robot tiên tiến, đóng góp vào tăng trưởng GDP quốc gia khoảng 0.1-0.2% từ ngành công nghiệp công nghệ cao.

• Quantify benefits where possible: Tổng thể, việc ứng dụng các kết quả của luận án có thể dẫn đến việc "tăng công ăn việc làm và nền công nghiệp phi tập trung" (ví dụ trong công nghiệp in ấn, Hình 1.1), đồng thời "sản xuất ra những sản phẩm có chất lượng cao hơn, hiệu quả đầu tư tốt hơn và có khả năng điều chỉnh quá trình sản xuất", ước tính cải thiện tổng hiệu suất vận hành robot công nghiệp lên 15-20% trong dài hạn.

Câu hỏi chuyên sâu

1. Theoretical contribution độc đáo nhất (name theory extended) Đóng góp lý thuyết độc đáo và có tác động mạnh mẽ nhất của luận án là việc mở rộng lý thuyết Điều khiển Trượt Đầu cuối (Terminal Sliding Mode Control - TSMC) bằng cách phát triển một phương pháp Adaptive Anti-Singularity TSMC (AA-TSMC). Luận án đã giải quyết triệt để vấn đề suy biến (singularity problem) vốn là hạn chế lớn của các phương pháp TSMC trước đây như [57], [58], [62]. Cụ thể, trong các TSMC truyền thống, khi sai lệch bám (ei) tiến về 0, biến trượt đầu cuối tương ứng có thể khác 0, dẫn đến đầu vào điều khiển bị chặn hoặc không bị chặn. Phương pháp đề xuất khắc phục điều này bằng cách giới thiệu biến phụ ui (biểu thức 1.39) và một mặt trượt phi tuyến được thiết kế đặc biệt (biểu thức 1.38), đồng thời loại bỏ yêu cầu phải biết trước cận trên của bất định và nhiễu ngoài thông qua luật cập nhật hệ số bền vững trực tuyến. Điều này không chỉ đảm bảo hội tụ thời gian hữu hạn mà còn duy trì tính ổn định và điều khiển được của hệ thống trong mọi trường hợp, bao gồm cả khi sai lệch bám bằng 0.

2. Methodology innovation (compare với 2+ prior studies) Sự đổi mới về phương pháp luận nằm ở việc tích hợp một cách có hệ thống và chặt chẽ giữa mô hình hóa chuyển động vi phân phức tạp, bộ ước lượng thích nghi dựa trên RBFNN, và một bộ điều khiển trượt đầu cuối cải tiến với cơ chế chống suy biến rõ ràng.

• So với [46]: Nghiên cứu trong [46] chỉ đề cập đến tham số bất định của mô hình động lực học nhưng "chưa đề cập đến các thuật điều khiển để giải quyết bài toán cho các tham số bất định". Luận án này tiến xa hơn bằng cách cung cấp các thuật toán điều khiển cụ thể sử dụng RBFNN để ước lượng và bù đắp các bất định này trong bối cảnh visual servoing.
• So với [62]: Mặc dù [62] cũng giải quyết vấn đề suy biến trong TSMC, nhưng gặp khó khăn trong việc chọn các hệ số K1i và K2i "thỏa mãn λi(ei) và đạo hàm của nó đều liên tục và bị chặn". Luận án này đã tránh được khó khăn đó bằng một cách tiếp cận khác (sử dụng biến phụ ui (1.39)) và tích hợp khả năng ước lượng trực tuyến các cận trên của bất định và nhiễu ngoài, loại bỏ nhu cầu biết trước thông tin này. Hơn nữa, luận án còn tích hợp phương pháp này với visual servoing và động lực học chấp hành, một khía cạnh mà [62] không tập trung.
• Điểm đổi mới: Luận án đề xuất một khung điều khiển thống nhất giải quyết đồng thời nhiều loại bất định (động học, động lực học, mục tiêu di động, động cơ chấp hành, nhiễu ngoài) thông qua RBFNN, đồng thời đảm bảo hội tụ thời gian hữu hạn và ngăn chặn suy biến của bộ điều khiển, điều mà các nghiên cứu trước đây thường giải quyết riêng lẻ hoặc với những hạn chế đáng kể. Việc chứng minh ổn định Lyapunov toàn diện cho từng trường hợp điều khiển là một phần không thể thiếu của phương pháp luận này.

3. Most surprising finding (với data support) Phát hiện đáng ngạc nhiên nhất là khả năng của phương pháp Adaptive Anti-Singularity TSMC (AA-TSMC) trong việc giảm thiểu hiện tượng chattering một cách hiệu quả mà không làm giảm đáng kể hiệu suất bám. Chattering là một vấn đề cố hữu trong điều khiển trượt do việc sử dụng hàm dấu (sign function), gây ra rung động tần số cao và mài mòn cơ học.

• Data Support: Luận án đã chứng minh điều này bằng cách thay thế hàm dấu sign bằng một hàm trơn (biểu thức 1.42). Các mô phỏng (ví dụ, Hình 5.11 và 5.12) cho thấy rõ ràng "So sánh mô men trong trường hợp sử dụng (5.26) và hàm trơn (5.111" và "So sánh sai lệch bám tại khớp 1, e1 , trong trường hợp sử dụng hàm (5.26) và sử dụng hàm trơn (5.111". Kết quả cho thấy hàm trơn đã làm mượt tín hiệu điều khiển đáng kể, giảm chattering mà vẫn duy trì "sai lệch bám tại khớp 1, e1 , trong trường hợp sử dụng hàm (5.26) và sử dụng hàm trơn (5.111" ở mức thấp, đảm bảo hiệu suất bám gần như tương đương. Điều này đi ngược lại quan niệm rằng việc giảm chattering thường phải đánh đổi bằng độ chính xác hoặc tốc độ phản ứng.

4. Replication protocol provided? Luận án cung cấp một "replication protocol" chi tiết ở cấp độ lý thuyết và mô phỏng.

• Mô hình hóa: Các phương trình toán học đầy đủ cho mô hình động học, động lực học của robot, camera và cơ cấu chấp hành được trình bày chi tiết (ví dụ, 1.1, 1.11, 1.12, 1.24, 1.25, 1.26, 1.30, 2.1-2.8).
• Thiết kế thuật toán: Các luật điều khiển được đề xuất với đầy đủ công thức (ví dụ, 1.13, 1.14, 1.19, 1.23, 1.32, 1.37, 1.38, 1.39, 1.40) và luật cập nhật trọng số của RBFNN (1.9, 1.41).
• Phân tích ổn định: Quy trình chứng minh ổn định Lyapunov được mô tả rõ ràng, cho phép người đọc tái kiểm tra các chứng minh này.
• Tham số mô phỏng: Các tham số quan trọng của robot, camera và mục tiêu được sử dụng trong mô phỏng (ví dụ, Bảng 2.1, Bảng 2.2) được cung cấp.
• Phần mềm: Phần mềm Matlab-Simulink được chỉ định là công cụ mô phỏng, cho phép các nhà nghiên cứu khác tái tạo môi trường thử nghiệm. Các sơ đồ khối điều khiển (Hình 1.1, 1.2, 1.3, 1.4, 1.5) cũng cung cấp hướng dẫn trực quan cho việc tái tạo cấu trúc hệ thống.

5. 10-year research agenda outlined? Luận án đã phác thảo một "Future research agenda" với 4-5 hướng cụ thể, có thể mở rộng thành một chương trình nghiên cứu 10 năm.

1. Thử nghiệm phần cứng thực tế và ứng dụng công nghiệp (Years 1-3): Từ việc kiểm chứng mô phỏng sang triển khai trên các robot công nghiệp hiện có, đánh giá hiệu suất trong môi trường thực tế với các nhiễu phức tạp hơn. Ví dụ, ứng dụng cụ thể trong dây chuyền sản xuất ô tô để kiểm tra mối hàn hoặc lắp ráp chi tiết nhỏ.
2. Tích hợp AI cao cấp và học tăng cường (Years 3-6): Nghiên cứu việc sử dụng Deep Reinforcement Learning (DRL) để robot tự học cách điều khiển và thích nghi với các nhiệm vụ mới, môi trường không cấu trúc và bất định động một cách tối ưu mà không cần lập trình rõ ràng. Ví dụ, robot tự học cách tránh chướng ngại vật chưa biết và bám mục tiêu trong các kịch bản động.
3. Điều khiển hợp tác đa robot và tương tác người-robot an toàn (Years 5-8): Mở rộng các thuật toán cho các hệ thống gồm nhiều robot hoạt động cộng tác để thực hiện các nhiệm vụ phức tạp hơn (ví dụ: vận chuyển vật thể lớn, xây dựng), đồng thời tích hợp các cơ chế điều khiển an toàn để đảm bảo tương tác an toàn và hiệu quả với con người trong môi trường làm việc chung.
4. Tối ưu hóa năng lượng và hiệu suất hoạt động dài hạn (Years 7-10): Nghiên cứu các phương pháp điều khiển tối ưu hóa tiêu thụ năng lượng của robot, đặc biệt là các robot di động, để kéo dài thời gian hoạt động. Đồng thời, phân tích và cải thiện hiệu suất dài hạn của bộ ước lượng RBFNN để tránh sự tích lũy lỗi và duy trì độ chính xác theo thời gian.
5. Ứng dụng trong các lĩnh vực mới nổi (Years 8-10): Khám phá tiềm năng ứng dụng của các thuật toán trong các lĩnh vực mới như robot phẫu thuật chính xác cao, robot thám hiểm không gian tự hành, hoặc robot nông nghiệp thông minh, nơi yêu cầu độ chính xác và khả năng thích nghi cao là tối quan trọng.

Kết luận

Luận án này đã cung cấp một khung lý thuyết và thực nghiệm toàn diện cho việc phát triển các thuật toán điều khiển robot công nghiệp có nhiều tham số bất định. Nghiên cứu đã tạo ra những đóng góp đáng kể, vượt qua nhiều hạn chế của các công trình trước đây.

1. Mô hình hóa và Điều khiển Visual Servoing mới: Luận án đã thành công trong việc mô hình hóa chuyển động vi phân của hệ robot-camera di động và mục tiêu di động một cách toàn diện, đồng thời đề xuất luật điều khiển động học (1.13) và động lực học (1.14) để đảm bảo bám mục tiêu chính xác ngay cả khi quỹ đạo không biết trước, được chứng minh qua lý thuyết Lyapunov và mô phỏng Matlab-Simulink.
2. Điều khiển Visual Servoing Thích nghi với RBFNN (momen): Đã phát triển thành công thuật toán điều khiển thích nghi sử dụng RBFNN để ước lượng và bù đắp các tham số bất định của mô hình robot-camera, với tín hiệu điều khiển là momen, đảm bảo sai lệch vận tốc khớp ε = (q - qd) → 0.
3. Điều khiển Visual Servoing Thích nghi tích hợp Động lực học Chấp hành (điện áp): Mở rộng nghiên cứu để tích hợp động lực học của động cơ chấp hành (động cơ điện một chiều) vào thiết kế bộ điều khiển, cho phép điều khiển trực tiếp bằng tín hiệu điện áp (1.37) và duy trì hiệu suất bám cao (e f → 0) đối với các bất định từ robot, mục tiêu và cả cơ cấu chấp hành.
4. Phương pháp Adaptive Anti-Singularity TSMC (AA-TSMC): Đóng góp đột phá nhất là việc phát triển một phương pháp TSMC thích nghi và không suy biến, giải quyết hoàn toàn vấn đề suy biến trong các TSMC truyền thống. Phương pháp này sử dụng mặt trượt phi tuyến cải tiến (1.38), cơ chế chống suy biến (1.39) và RBFNN để ước lượng trực tuyến nhiễu ngoài/bất định mà không cần biết cận trên, đồng thời giảm hiện tượng chattering bằng hàm trơn (1.42). Thời gian hội tụ hữu hạn được tính toán cụ thể (1.45).
5. Chứng minh ổn định Lyapunov và Xác nhận mô phỏng: Tất cả các thuật toán đề xuất đều được chứng minh chặt chẽ bằng nguyên lý ổn định Lyapunov và kiểm chứng rộng rãi bằng phần mềm mô phỏng Matlab-Simulink, cung cấp nền tảng vững chắc cho tính đúng đắn và hiệu quả của chúng.
6. Tác động thực tiễn: Các phương pháp điều khiển này có tiềm năng lớn để "nâng cao độ chính xác trong thực tế của robot công nghiệp khi môi trường làm việc có nhiễu không biết trước, có nhiều tham số bất định của mô hình động học và của mục tiêu di động", từ đó cải thiện năng suất, chất lượng và an toàn trong nhiều ngành công nghiệp.

Paradigm advancement với evidence Luận án đã thúc đẩy một sự tiến bộ trong paradigm điều khiển robot từ việc dựa trên mô hình chính xác sang một cách tiếp cận thích nghi và bền vững. Sự thừa nhận "trong thực tế mô hình của robot luôn mang tính bất định cao" là động lực cho việc phát triển các bộ điều khiển "thông minh" có khả năng học và tự điều chỉnh. Bằng chứng là việc sử dụng RBFNN để "xấp xỉ thành phần bất định các tham số của robot" (1.9) và khả năng của AA-TSMC để loại bỏ yêu cầu "không cần biết trước cận trên trong bộ điều khiển đề xuất này" (Nội dung thứ tư). Đây là một sự dịch chuyển quan trọng hướng tới các hệ thống tự trị và linh hoạt hơn.

3+ new research streams opened Các kết quả của luận án đã mở ra ít nhất ba luồng nghiên cứu mới:

1. Điều khiển robot-camera hợp tác và tự hành trong môi trường phức tạp: Từ các thuật toán điều khiển một robot, có thể mở rộng để điều khiển nhiều robot-camera cùng hợp tác thực hiện các nhiệm vụ phức tạp như lập bản đồ, tìm kiếm, cứu hộ, và vận chuyển trong môi trường đô thị hoặc công nghiệp không có cấu trúc.
2. Tích hợp AI sâu hơn vào điều khiển robot thời gian thực: Phát triển các chiến lược điều khiển robot dựa trên các kỹ thuật AI tiên tiến hơn như học tăng cường sâu (Deep Reinforcement Learning) để robot có thể học từ kinh nghiệm, thích nghi với các nhiệm vụ hoàn toàn mới và đưa ra quyết định tối ưu trong môi trường động và bất định cao.
3. Tối ưu hóa an toàn và hiệu suất năng lượng cho robot thích nghi: Nghiên cứu sâu hơn về việc thiết kế các bộ điều khiển thích nghi không chỉ đảm bảo hiệu suất và độ bền vững mà còn tối ưu hóa tiêu thụ năng lượng và đảm bảo an toàn tối đa cho robot khi tương tác với con người và môi trường.

Global relevance với international comparison Luận án này có tính liên quan toàn cầu cao, khi giải quyết các vấn đề cốt lõi mà ngành robot quốc tế đang phải đối mặt. Các thách thức về bất định, nhiễu và yêu cầu độ chính xác cao là phổ biến trên toàn thế giới trong mọi ứng dụng robot tiên tiến. Bằng cách so sánh và vượt qua các hạn chế của các nghiên cứu quốc tế như [57], [58], [62], luận án đã đóng góp vào một nền tảng tri thức chung, có thể được áp dụng bởi các nhà nghiên cứu và kỹ sư trên toàn cầu. Việc công bố trên tạp chí SCIE (IF=0.58) là minh chứng cho sự công nhận quốc tế về chất lượng và tính mới của nghiên cứu.

Legacy measurable outcomes Di sản của luận án này có thể được đo lường qua:

• Số lượng công bố khoa học: Đã có 3 bài báo được công bố (trong đó có 1 bài quốc tế SCIE), cho thấy năng suất nghiên cứu ban đầu.
• Chỉ số trích dẫn: Tiềm năng nhận được một số lượng lớn các trích dẫn trong tương lai từ cộng đồng học thuật, phản ánh mức độ ảnh hưởng và tầm quan trọng của các phương pháp được đề xuất.
• Ứng dụng công nghiệp: Các thuật toán có thể được cấp phép hoặc triển khai trong các sản phẩm robot thương mại, dẫn đến việc cải thiện năng suất và hiệu quả kinh tế.
• Đào tạo nhân lực: Góp phần đào tạo các thế hệ nghiên cứu sinh và kỹ sư có chuyên môn sâu về điều khiển robot thích nghi và thị giác máy, đáp ứng nhu cầu của cuộc cách mạng công nghiệp 4.0.