Tổng quan về luận án

Luận án tiến sĩ này khai thác sâu sắc 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 di động đa hướng Mecanum (Four Mecanum Wheeled Robot - FMWR), một loại robot có tính ứng dụng cao trong Cách mạng Công nghiệp 4.0. Nghiên cứu này mang tính tiên phong khi giải quyết một thách thức quan trọng mà các nghiên cứu trước đây chưa thực sự tập trung: khả năng điều khiển bám quỹ đạo chính xác và ổn định cho FMWR trong điều kiện trọng tâm thay đổi và chịu ảnh hưởng của nhiễu ngoại lực.

Bối cảnh khoa học và tính tiên phong của nghiên cứu

Robot di động đa hướng, đặc biệt là loại sử dụng bánh xe Mecanum, nổi bật với khả năng chuyển động linh hoạt theo mọi hướng mà không cần thay đổi góc hướng, lý tưởng cho các môi trường hạn chế như nhà kho, bệnh viện hay khu vực sản xuất công nghiệp. Tuy nhiên, tính linh hoạt này đi kèm với sự phức tạp trong điều khiển, đặc biệt khi robot vận chuyển tải trọng không đồng đều hoặc di chuyển trên địa hình không bằng phẳng, dẫn đến sự thay đổi liên tục của vị trí trọng tâm (Center of Mass - CoM). Sự biến động của trọng tâm ảnh hưởng nghiêm trọng đến động lực học, khả năng ổn định và độ chính xác bám quỹ đạo của robot. Luận án này đặt ra một hướng nghiên cứu cấp thiết, góp phần giải quyết bài toán cốt lõi trong việc triển khai robot di động thông minh trong các ứng dụng thực tế.

Research gap SPECIFIC với citations từ literature

Dựa trên phân tích sâu rộng tình hình nghiên cứu trong và ngoài nước, luận án xác định một khoảng trống nghiên cứu rõ ràng: mặc dù đã có nhiều nghiên cứu về điều khiển bám quỹ đạo cho robot di động đa hướng sử dụng các thuật toán truyền thống (PID, SMC, Backstepping) cũng như các phương pháp tiên tiến hơn (MPC, LQR, học máy), nhưng "vấn đề về ảnh hưởng của thay đổi khối lượng cũng như độ lệch trọng tâm của robot chưa có nhiều nghiên cứu đề cập đến" (PL-23). Hầu hết các nghiên cứu hiện tại giả định rằng trọng tâm robot là cố định hoặc không đáng kể, điều này không phản ánh đúng thực tế vận hành khi robot tương tác với tải trọng biến đổi. Cụ thể, trong "Tình hình nghiên cứu trong nước", tác giả nhận định "Nhưng đa số các nghiên cứu thường chưa xét đến ảnh hưởng của độ lệch trọng tâm robot. Khi robot làm việc, trọng lượng của robot thay đổi đẫn đến trọng tâm sẽ thay đổi theo điều đó làm cho robot mất đi tính ổn định" (PL-21). Khoảng trống này tạo cơ sở cho luận án phát triển các thuật toán điều khiển thích nghi và học tăng cường mới, nhằm bù đắp cho các thành phần bất định và duy trì hiệu suất điều khiển tối ưu trong điều kiện trọng tâm biến đổi và nhiễu ngoại.

Research questions và hypotheses

Luận án tập trung giải quyết các câu hỏi nghiên cứu chính sau:

  1. Làm thế nào để xây dựng mô hình toán học cho FMWR có xét đến ảnh hưởng của độ lệch trọng tâm và khối lượng thay đổi?
  2. Những thuật toán điều khiển thích nghi nào có thể được phát triển để nâng cao chất lượng điều khiển bám quỹ đạo cho FMWR chịu ảnh hưởng của trọng tâm thay đổi và nhiễu ngoại?
  3. Làm thế nào để ứng dụng thuật toán học tăng cường cấu trúc Actor-Critic để giải quyết bài toán điều khiển bám quỹ đạo tối ưu cho FMWR với các tham số bất định và nhiễu ngoại?
  4. Tính hiệu quả và khả năng ứng dụng thực tiễn của các thuật toán đề xuất được kiểm chứng như thế nào trên mô hình robot vật lý?

Các giả thuyết nghiên cứu chính bao gồm: H1: Thuật toán điều khiển mặt trượt động chỉnh định thích nghi mờ (Fuzzy-DSC) sẽ cung cấp khả năng bám quỹ đạo vượt trội và ổn định hơn so với các phương pháp điều khiển truyền thống (PID, SMC, Backstepping-SMC) khi FMWR chịu ảnh hưởng của sự thay đổi trọng tâm và nhiễu ngoại. H2: Thuật toán học tăng cường cấu trúc Actor-Critic (RL-AC), sử dụng mạng nơ-ron để xấp xỉ nghiệm phương trình Hamilton-Jacobi-Bellman (HJB), sẽ đạt được hiệu suất điều khiển bám quỹ đạo tối ưu, ổn định và có khả năng thích ứng cao với các thành phần bất định của mô hình và nhiễu ngoại lực. H3: Các thuật toán đề xuất (Fuzzy-DSC và RL-AC) có thể được triển khai thành công trên một mô hình FMWR thực tế, chứng minh tính khả thi và ứng dụng trong môi trường làm việc phức tạp.

Theoretical framework với tên theories cụ thể

Nghiên cứu này được xây dựng trên một khung lý thuyết đa diện, tích hợp các nền tảng vững chắc trong điều khiển học và trí tuệ nhân tạo:

  • Lý thuyết Động lực học Robot: Dựa trên phương trình Euler-Lagrange, luận án xây dựng mô hình động lực học chi tiết cho FMWR, có tính đến các tham số thay đổi như khối lượng và độ lệch trọng tâm (d1, d2). Khung này là cơ sở để hiểu các tương tác lực và mômen trong hệ thống.
  • Lý thuyết Điều khiển Phi tuyến: Các phương pháp như Điều khiển Mặt trượt (Sliding Mode Control - SMC) [60, 61] và Backstepping [85, 86] được sử dụng để thiết kế các bộ điều khiển mạnh mẽ, có khả năng xử lý tính phi tuyến và các bất định của mô hình. Điều khiển Mặt trượt Động (Dynamic Surface Control - DSC) [87, 88, 89] được sử dụng để giảm thiểu hiện tượng "chattering" của SMC thông qua việc tích hợp các bộ lọc thông thấp.
  • Lý thuyết Điều khiển Thích nghi và Logic Mờ: Để đối phó với các tham số bất định và thay đổi trọng tâm, luận án tích hợp Logic Mờ (Fuzzy Logic) [30] vào thuật toán DSC, tạo ra một cơ chế chỉnh định thích nghi trực tuyến các tham số điều khiển (K1, K2).
  • Lý thuyết Học Tăng cường (Reinforcement Learning - RL): Là trọng tâm của đóng góp thứ hai, RL được áp dụng để giải bài toán điều khiển tối ưu. Cụ thể, cấu trúc Actor-Critic dựa trên mạng nơ-ron được sử dụng để xấp xỉ nghiệm của phương trình Hamilton-Jacobi-Bellman (HJB) [74], một phương trình vi phân và đạo hàm riêng cốt lõi trong quy hoạch động tối ưu [72, 73].
  • Lý thuyết Ổn định Lyapunov: Tất cả các thuật toán điều khiển đề xuất, đặc biệt là thuật toán học tăng cường, được chứng minh tính ổn định bằng cách sử dụng các hàm Lyapunov, đảm bảo rằng sai lệch của hệ thống sẽ hội tụ về không hoặc bị chặn tới hạn đều (Uniformly Ultimate Bounded - UUB).

Đóng góp đột phá với quantified impact

Luận án mang đến hai đóng góp đột phá chính, cùng với một đóng góp thực tiễn quan trọng:

  1. Thuật toán Điều khiển Mặt trượt Động chỉnh định thích nghi mờ (Fuzzy-DSC) cho FMWR có trọng tâm thay đổi: Đây là một sự phát triển đáng kể, mở rộng ứng dụng của DSC bằng cách tích hợp logic mờ để điều chỉnh trực tuyến các tham số điều khiển (K1, K2) dựa trên sai lệch vị trí và vận tốc. Sự đổi mới này cho phép robot "bám quỹ đạo tốt hơn ngay cả khi thay đổi khối lượng và độ lệch tâm, thời gian robot tiến đến quỹ đạo nhanh và sai lệch bám cũng nhỏ hơn" (PL-4). Trong các kết quả mô phỏng, Fuzzy-DSC đã thể hiện sai lệch quỹ đạo giảm đáng kể (ví dụ, sai lệch tĩnh nhỏ hơn so với PID và SMC, và hiện tượng chattering giảm mạnh), giúp giảm thời gian robot đạt được quỹ đạo mong muốn xuống dưới 4 giây ngay cả với trọng tâm thay đổi.
  2. Thuật toán Học Tăng cường cấu trúc Actor-Critic (RL-AC) điều khiển bám quỹ đạo tối ưu: Luận án đề xuất một phương pháp mới để giải quyết phương trình HJB cho bài toán điều khiển bám quỹ đạo thông qua việc sử dụng hai mạng nơ-ron (Actor-NNs và Critic-NNs) trong cấu trúc Actor-Critic. Actor xấp xỉ luật điều khiển tối ưu, trong khi Critic xấp xỉ hàm Bellman. Việc này cho phép hệ thống tự học và tối ưu hóa luật điều khiển mà không yêu cầu mô hình động lực học hoàn chỉnh. "Thuật toán được chứng minh tính ổn định theo tiêu chuẩn hàm Lyapunov" và các kết quả mô phỏng "cho thấy khả năng bám quỹ đạo và ổn định ngay cả khi trọng tâm của robot thay đổi, chịu được ảnh hưởng của các nhiễu ngoại lực tác động với sai lệch nhỏ" (PL-4). Đây là một bước tiến quan trọng trong việc ứng dụng học tăng cường vào điều khiển robot vật lý trong môi trường động.
  3. Kiểm chứng thực nghiệm trên mô hình robot vật lý: Bên cạnh các mô phỏng lý thuyết và bằng phần mềm (Matlab/Simulink, Gazebo), luận án còn "thiết kế và chế tạo mô hình robot di động bốn bánh xe mecanum" để kiểm chứng thực nghiệm. Việc này cung cấp bằng chứng cụ thể về tính khả thi và hiệu quả của các thuật toán đề xuất trong điều kiện thực tế, bao gồm thử nghiệm với "tải trọng 5kg và đặt lệch trọng tâm trên robot" (PL-103), một bước quan trọng để chuyển giao công nghệ từ phòng thí nghiệm ra ứng dụng công nghiệp.

Scope (sample size, timeframe) và significance

Phạm vi nghiên cứu tập trung vào một mô hình FMWR cụ thể với bốn bánh xe Mecanum được dẫn động độc lập. Các thông số robot được xác định chi tiết như khối lượng robot mb = 30 kg, khối lượng bánh xe mwi = 0.05 N, và độ lệch trọng tâm tối đa được giới hạn (d1 < g/2, d2 < h/2) để đảm bảo ổn định. Khung thời gian mô phỏng điển hình là T = 15 giây cho mỗi kịch bản, đủ để quan sát quá trình hội tụ và trạng thái xác lập của hệ thống.

Ý nghĩa của nghiên cứu là rất lớn. Về mặt khoa học, luận án mở rộng khung lý thuyết về điều khiển thích nghi và học tăng cường, đặc biệt trong bối cảnh các hệ thống phi tuyến với tham số bất định. Về mặt thực tiễn, các thuật toán đề xuất cung cấp giải pháp mạnh mẽ cho việc triển khai FMWR trong các môi trường công nghiệp và logistics, nơi yêu cầu độ chính xác, ổn định cao và khả năng thích ứng với điều kiện làm việc thay đổi. Điều này giúp tối ưu hóa quy trình làm việc, tăng hiệu suất và giảm thiểu rủi ro, đóng góp trực tiếp vào mục tiêu tự động hóa của Công nghiệp 4.0.

Literature Review và Positioning

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể

Nghiên cứu về robot di động đa hướng đã phát triển mạnh mẽ theo nhiều hướng khác nhau. Một dòng nghiên cứu lớn tập trung vào việc áp dụng các thuật toán điều khiển truyền thống. Ví dụ, bộ điều khiển PID được sử dụng rộng rãi, như trong các công trình của [64, 81-83] cho FMWR dựa trên mô hình động học. Điều khiển mặt trượt (SMC) đã được [60, 61] áp dụng để xử lý các hệ thống phức tạp và không chắc chắn, trong khi [18] trình bày SMC kết hợp backstepping cho robot di động bánh xe (WMR). Điều khiển mặt trượt động (DSC) được trình bày trong [87, 88, 89], tập trung vào việc giảm "chattering" và xử lý các thành phần bất định.

Một dòng nghiên cứu khác tích hợp trí tuệ nhân tạo và các phương pháp thích nghi. Các công trình của [19, 20] đã khám phá điều khiển logic mờ cho robot bám quỹ đạo. Gần đây, các thuật toán điều khiển tiên tiến như MPC (Model Predictive Control), LQR (Linear Quadratic Regulator) và học máy (Machine Learning) đã được áp dụng, chứng minh tính hiệu quả. Đặc biệt, học tăng cường (Reinforcement Learning - RL) đã nhận được sự quan tâm lớn [72, 73] nhờ khả năng giải quyết các bài toán điều khiển tối ưu, thường thông qua phương trình Hamilton-Jacobi-Bellman (HJB). [74] đã đề xuất giải pháp tối ưu cho hệ thống phi tuyến bằng cấu trúc actor-critic dựa trên mạng nơ-ron. Các nghiên cứu khác như [75-77] đã khám phá cấu trúc actor-critic-identifier khi mô hình động lực học chưa biết rõ. [78] đã chuyển bài toán bám quỹ đạo cho robot bánh xe omni thành bài toán điều khiển tối ưu thời gian bằng RL-AC online.

Contradictions/debates với ít nhất 2 opposing views

Trong lĩnh vực điều khiển robot di động, một trong những tranh luận chính xoay quanh sự đánh đổi giữa sự đơn giản của mô hình và tính mạnh mẽ của bộ điều khiển.

  • View 1 (PID và điều khiển dựa trên mô hình động học đơn giản): Các phương pháp như PID ([64, 81-83]) thường dựa trên mô hình động học đơn giản, bỏ qua nhiều yếu tố phi tuyến và bất định. Ưu điểm là dễ triển khai, nhưng nhược điểm là hiệu suất kém khi mô hình robot là phi tuyến hoặc có tham số bất định. Ví dụ, trong mô phỏng của luận án, "bộ điều khiển PID gặp phải hiện tượng dao động và dần mất ổn định trên quỹ đạo" khi có nhiễu ngoại (PL-32), đặc biệt khi không tính đến thay đổi trọng tâm.
  • View 2 (Điều khiển phi tuyến mạnh mẽ): Các phương pháp như SMC hay Backstepping ([18, 60, 61]) cung cấp khả năng mạnh mẽ hơn đối với các bất định và nhiễu. Tuy nhiên, SMC có nhược điểm là hiện tượng rung "chattering" ([60, 61]) có thể gây hại cho hệ thống vật lý. Các biến thể như DSC ([87, 88, 89]) cố gắng giảm thiểu "chattering" bằng bộ lọc thông thấp, nhưng vẫn yêu cầu thông tin mô hình tương đối chính xác.
  • View 3 (Học Tăng cường và điều khiển thích nghi dựa trên dữ liệu): Các phương pháp như RL-AC ([74, 78]) đại diện cho một hướng tiếp cận dựa trên dữ liệu, có thể học luật điều khiển tối ưu mà không cần mô hình động lực học chính xác. Tuy nhiên, thách thức là yêu cầu dữ liệu lớn, thời gian huấn luyện dài và đảm bảo tính ổn định trong quá trình học, đặc biệt là trong các ứng dụng an toàn cao. Luận án đã giải quyết điều này bằng cách chứng minh tính ổn định qua Lyapunov cho RL-AC.

Positioning trong literature với specific gap identified

Luận án tự định vị mình tại giao điểm của điều khiển phi tuyến mạnh mẽ, điều khiển thích nghi mờ và học tăng cường cho robot di động. Cụ thể, nó giải quyết khoảng trống trong việc điều khiển FMWR khi có sự thay đổi trọng tâm, một vấn đề mà "chưa có nhiều nghiên cứu đề cập đến" ([79, 80] có đề cập nhưng thường cho các loại robot khác hoặc chỉ là một phần nhỏ). Các nghiên cứu trong nước của [21-23] đã áp dụng DSC kết hợp mờ và mạng nơ-ron cho robot bánh xe omni hoặc robot có mô hình bất định và chịu tác động của nhiễu, nhưng lại "áp dụng cho đối tượng robot có khối lượng và trọng tâm không đổi" (PL-21). Luận án này mở rộng các kỹ thuật đó để giải quyết trực tiếp vấn đề trọng tâm biến đổi và các tham số bất định trong mô hình FMWR, một đối tượng phức tạp hơn và có ứng dụng công nghiệp lớn.

How this advances field với concrete contributions

Nghiên cứu này tiến bộ lĩnh vực điều khiển robot di động bằng cách:

  1. Cung cấp giải pháp toàn diện cho bài toán trọng tâm biến đổi: Đề xuất thuật toán Fuzzy-DSC và RL-AC, cả hai đều được thiết kế để xử lý hiệu quả sự thay đổi trọng tâm, mang lại "khả năng bám quỹ đạo và ổn định ngay cả khi trọng tâm của robot thay đổi" (PL-4).
  2. Giảm thiểu sự phụ thuộc vào mô hình chính xác: Đặc biệt là RL-AC, cho phép điều khiển tối ưu ngay cả khi mô hình động lực học chưa biết rõ, một ưu điểm quan trọng trong môi trường thực tế với nhiều bất định.
  3. Kết hợp giữa lý thuyết và thực tiễn: Luận án không chỉ dừng lại ở mô phỏng mà còn thực nghiệm trên mô hình robot vật lý, cung cấp bằng chứng cụ thể về tính hiệu quả, góp phần thu hẹp khoảng cách giữa nghiên cứu lý thuyết và ứng dụng công nghiệp.

So sánh với ÍT NHẤT 2 international studies

  1. So sánh với nghiên cứu của [79]: Tác giả trong [79] đã xét đối tượng robot di động đa hướng 3 bánh xe omni có trọng tâm không trùng với tâm hình học. Nghiên cứu này thiết kế bộ điều khiển dựa trên hệ thống vòng kín sử dụng hàm Lyapunov, tập trung vào phương trình giới hạn. Luận án này khác biệt ở chỗ đối tượng nghiên cứu là FMWR, một loại robot phức tạp hơn với 4 bánh Mecanum. Đồng thời, luận án không chỉ giải quyết sự lệch trọng tâm mà còn cả sự thay đổi khối lượng và nhiễu ngoại, sử dụng hai phương pháp điều khiển tiên tiến hơn (Fuzzy-DSC và RL-AC) thay vì chỉ một phương pháp điều khiển vòng kín cơ bản.
  2. So sánh với nghiên cứu của [80]: Tác giả [80] đề xuất bộ điều khiển truyền dẫn cho xe đẩy đa hướng lệch trọng tâm, xác định khối lượng và quán tính ảo bằng các tham số động. Nghiên cứu này cũng đã được thử nghiệm trên mô hình nguyên mẫu. Điểm khác biệt của luận án là việc đề xuất các thuật toán điều khiển thích nghi sử dụng logic mờ và học tăng cường cấu trúc Actor-Critic. Các phương pháp này có khả năng tự điều chỉnh và học hỏi tốt hơn trong môi trường động và bất định, thay vì chỉ dựa vào các tham số động được xác định trước. Đặc biệt, việc áp dụng RL-AC để giải phương trình HJB là một hướng tiếp cận tối ưu vượt trội so với các phương pháp điều khiển truyền dẫn.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này đóng góp đáng kể vào cơ sở lý thuyết của kỹ thuật điều khiển và robot học thông qua việc mở rộng và thách thức các lý thuyết hiện có:

  • Extend/challenge WHICH specific theories (name theorists)

    • Lý thuyết Điều khiển Mặt trượt Động (DSC) của Krstic et al. [87] và Chen et al. [88]: Luận án mở rộng DSC bằng cách tích hợp hệ thống logic mờ (Fuzzy Logic) để chỉnh định tham số điều khiển K1, K2 một cách thích nghi. Thay vì các tham số cố định hoặc được điều chỉnh thủ công, Fuzzy-DSC của luận án cho phép các tham số này được điều chỉnh "trực tuyến" dựa trên sai lệch vị trí và vận tốc, tăng cường khả năng thích nghi với các biến động của hệ thống (ví dụ: thay đổi trọng tâm, nhiễu ngoại). Điều này thách thức giới hạn của DSC truyền thống trong việc xử lý các bất định lớn mà không cần thông tin chính xác về đạo hàm của các bất định.
    • Lý thuyết Học Tăng cường (Reinforcement Learning - RL) và Quy hoạch Động Thích nghi (Adaptive Dynamic Programming - ADP) của Werbos [72] và Prokhorov & Neumann [73]: Luận án ứng dụng cấu trúc Actor-Critic để xấp xỉ nghiệm phương trình Hamilton-Jacobi-Bellman (HJB), một phương pháp nền tảng trong điều khiển tối ưu. Khác với các phương pháp giải HJB truyền thống yêu cầu mô hình chính xác, giải pháp của luận án cho phép Actor và Critic (sử dụng mạng nơ-ron) học luật điều khiển và hàm Bellman một cách tự động thông qua giải thuật lặp PI (Policy-Iteration), ngay cả khi mô hình động lực học FMWR không hoàn toàn biết trước hoặc có các tham số bất định. Điều này không chỉ mở rộng ứng dụng của RL vào điều khiển bám quỹ đạo FMWR mà còn cung cấp một phương pháp mạnh mẽ để đối phó với sự phức tạp và bất định của các hệ thống robot phi tuyến.
    • Lý thuyết Ổn định Lyapunov: Luận án không chỉ áp dụng mà còn mở rộng cách phân tích ổn định Lyapunov cho các hệ thống điều khiển kết hợp (Fuzzy-DSC) và các hệ thống học (RL-AC). Việc chứng minh tính ổn định UUB (Uniformly Ultimate Bounded) cho RL-AC khi có nhiễu và thay đổi trọng tâm là một đóng góp lý thuyết quan trọng, đảm bảo tính tin cậy của thuật toán trong các ứng dụng thực tế.

  • Conceptual framework với components và relationships Khung khái niệm của luận án xoay quanh mối quan hệ giữa (1) Hệ thống Robot vật lý (FMWR với CoM biến đổi và nhiễu), (2) Các thuật toán điều khiển tiên tiến (Fuzzy-DSC, RL-AC), và (3) Mục tiêu Điều khiển (Bám quỹ đạo chính xác và Ổn định).

    • FMWR: Được mô hình hóa chi tiết bằng phương trình Euler-Lagrange, có tính đến các tham số vật lý (mb, mwi, Jb, Jwi), hình học (r, l, h, g, α), và đặc biệt là độ lệch trọng tâm (d1, d2) cùng các yếu tố bất định (ma sát ζi, nhiễu ngoại Gaus).
    • Fuzzy-DSC: Bao gồm khối Điều khiển Mặt trượt Động xử lý tính phi tuyến, kết hợp với một bộ chỉnh định logic mờ (Sugenop) điều chỉnh trực tuyến các tham số K1, K2 dựa trên sai lệch vị trí và vận tốc. Mối quan hệ là mờ điều chỉnh DSC để thích nghi.
    • RL-AC: Bao gồm hai mạng nơ-ron (Actor-NNs và Critic-NNs) tương tác để học luật điều khiển tối ưu. Critic ước lượng hàm giá trị (hàm Bellman), cung cấp thông tin cho Actor để cập nhật luật điều khiển tối ưu. Mối quan hệ là Actor tạo tín hiệu điều khiển, Critic đánh giá tín hiệu đó và cung cấp phản hồi học tập.
    • Mục tiêu Điều khiển: Các thuật toán này đều hướng tới việc giảm thiểu sai lệch quỹ đạo e = η - ηd và duy trì tính ổn định của robot, đặc biệt khi d1, d2 thay đổi hoặc có nhiễu.

  • Theoretical model với propositions/hypotheses numbered Luận án xây dựng các mô hình toán học và lý thuyết cho từng thuật toán:

    • Mô hình FMWR-ME:
      • Phương trình động học: ηR = H()η (1.8)
      • Phương trình động lực học: M(η)η + C(η, η)η + Dδ = Dτ (1.14), trong đó d1, d2 thể hiện độ lệch trọng tâm.
    • Mô hình Fuzzy-DSC:
      • Proposition 1: Việc chỉnh định thích nghi các tham số K1, K2 của DSC bằng hệ logic mờ (Sugenop) sẽ cải thiện đáng kể khả năng bám quỹ đạo và giảm sai lệch so với DSC truyền thống, đặc biệt trong điều kiện trọng tâm thay đổi.
      • Hypothesis 1.1: Sử dụng tập mờ của biến đầu vào (e1, e2) và tập mờ đầu ra để xác định luật cơ sở suy diễn (Bảng 2-1 đến 2-4) sẽ cho phép điều chỉnh K1, K2 một cách hiệu quả.
      • Hypothesis 1.2: Mô phỏng chứng minh rằng Fuzzy-DSC giảm sai lệch quỹ đạo (ví dụ: Bảng 2-5, 2-6) so với PID và SMC.
    • Mô hình RL-AC:
      • Proposition 2: Việc xấp xỉ nghiệm phương trình HJB bằng cấu trúc Actor-Critic dựa trên mạng nơ-ron có thể cung cấp luật điều khiển tối ưu cho FMWR với trọng tâm thay đổi và nhiễu ngoại.
      • Hypothesis 2.1: Giải thuật lặp PI (Policy-Iteration) được sử dụng để xấp xỉ nghiệm HJB.
      • Hypothesis 2.2: Mạng Actor (Wa) xấp xỉ luật điều khiển tối ưu, mạng Critic (Wc) xấp xỉ hàm Bellman V*(x).
      • Hypothesis 2.3: Tính ổn định của hệ thống được chứng minh bằng hàm Lyapunov.

  • Paradigm shift với EVIDENCE từ findings Nghiên cứu này thúc đẩy một sự chuyển dịch mô hình (paradigm shift) từ điều khiển dựa trên mô hình chính xác sang điều khiển thông minh, thích nghi và dựa trên dữ liệu cho các hệ thống phức tạp. Bằng chứng là:

    • Từ điều khiển cứng nhắc sang thích nghi: Sự chuyển đổi từ PID (đòi hỏi tinh chỉnh thủ công) sang Fuzzy-DSC (tự động điều chỉnh K1, K2) cho thấy khả năng thích ứng cao hơn với các điều kiện vận hành thay đổi. Kết quả mô phỏng Fuzzy-DSC với quỹ đạo hình số 8 cho thấy sự chỉnh định K1, K2 theo thời gian (Hình 2.29), một minh chứng cụ thể về khả năng thích nghi.
    • Từ điều khiển dựa trên mô hình đầy đủ sang học tăng cường: RL-AC cho phép điều khiển tối ưu mà không cần thông tin mô hình động lực học chi tiết, mà học hỏi thông qua tương tác. Điều này mở ra khả năng triển khai robot trong các môi trường chưa biết hoặc thay đổi liên tục. Sự hội tụ của trọng số mạng nơ-ron Actor-Critic (Hình 3.14) cung cấp bằng chứng về quá trình học thành công và độc lập với mô hình.
    • Từ môi trường lý tưởng sang thực tế: Việc kiểm chứng trên mô hình robot vật lý, có tính đến các nhiễu và độ lệch trọng tâm trong "thực nghiệm với tải trọng 5kg và đặt lệch trọng tâm trên robot" (PL-103), thể hiện một sự chuyển dịch từ các giả định lý tưởng sang giải quyết các thách thức kỹ thuật thực tế.

Khung phân tích độc đáo

  • Integration của theories (name 3+ specific theories) Khung phân tích của luận án là sự tích hợp mạnh mẽ của (1) Lý thuyết Điều khiển Mặt trượt Động (DSC), (2) Lý thuyết Logic Mờ (Fuzzy Logic) và (3) Lý thuyết Học Tăng cường (Reinforcement Learning - RL) với cấu trúc Actor-Critic. DSC cung cấp một cấu trúc điều khiển phi tuyến mạnh mẽ để xử lý các bất định của mô hình. Logic Mờ được tích hợp để tạo ra một lớp thích nghi thông minh, cho phép hệ thống tự động điều chỉnh các tham số quan trọng của DSC (K1, K2) dựa trên thông tin sai lệch thực tế, tối ưu hóa hiệu suất bám quỹ đạo. RL-AC cung cấp một cách tiếp cận hoàn toàn khác, học luật điều khiển tối ưu thông qua tương tác với môi trường, sử dụng mạng nơ-ron để giải xấp xỉ phương trình HJB. Sự tích hợp này cho phép luận án phát triển các thuật toán đa năng, vừa có khả năng thích nghi mạnh mẽ với các bất định theo cách truyền thống (Fuzzy-DSC), vừa có khả năng học hỏi và tối ưu hóa luật điều khiển mà không cần mô hình chi tiết (RL-AC).

  • Novel analytical approach với justification Phương pháp phân tích độc đáo nằm ở việc so sánh đối chứng nghiêm ngặt giữa các thuật toán truyền thống (PID, SMC, Backstepping-SMC) với hai thuật toán đề xuất (Fuzzy-DSC và RL-AC) dưới cùng các điều kiện thử nghiệm khắc nghiệt:

    1. Mô phỏng đa kịch bản: Các kịch bản mô phỏng không chỉ bao gồm quỹ đạo đơn giản (tròn) mà còn quỹ đạo phức tạp (hình số 8) và các điều kiện bất lợi (trọng tâm thay đổi, nhiễu ngoại lực Gaussian). Điều này được minh họa qua các hình 2.7, 2.8, 2.9, 2.10 cho thấy sự suy giảm hiệu suất của các thuật toán truyền thống khi trọng tâm thay đổi, làm nổi bật nhu cầu về các phương pháp mới.
    2. Phân tích định lượng hiệu suất: Sai lệch quỹ đạo (e_x, e_y, e_phi), thời gian đáp ứng, và hiện tượng "chattering" được phân tích định lượng, cung cấp bằng chứng rõ ràng về ưu thế của các thuật toán đề xuất. Ví dụ, Bảng 2-5 và Bảng 2-6 cung cấp so sánh sai lệch quỹ đạo của DSC và Fuzzy-DSC, định lượng cải thiện.
    3. Kiểm chứng vật lý: Việc thiết kế và chế tạo một mô hình FMWR vật lý và thực hiện các thí nghiệm trong thế giới thực là một bước kiểm chứng quan trọng, khác biệt với nhiều nghiên cứu chỉ dừng lại ở mô phỏng. Điều này đảm bảo tính thực tiễn của các phát hiện.

  • Conceptual contributions với definitions

    • Robot di động đa hướng Mecanum có trọng tâm thay đổi (FMWR-ME): Một mô hình động lực học được xây dựng chi tiết, tích hợp các tham số (d1, d2) biểu diễn độ lệch trọng tâm thực tế so với tâm hình học, cùng với sự thay đổi khối lượng (Δm). Mô hình này là trọng tâm của nghiên cứu, định nghĩa rõ ràng bài toán cần giải quyết.
    • Điều khiển Mặt trượt Động chỉnh định thích nghi mờ (Fuzzy-DSC): Một thuật toán lai ghép, kết hợp nguyên lý điều khiển bề mặt trượt động với một bộ điều khiển mờ Sugeno để tự động điều chỉnh các hệ số tăng cường K1, K2 của bộ điều khiển DSC, thích nghi với các biến động của hệ thống.
    • Học Tăng cường cấu trúc Actor-Critic (RL-AC) dựa trên HJB: Một phương pháp điều khiển tối ưu tự học, sử dụng hai mạng nơ-ron riêng biệt (Actor để tạo hành động, Critic để đánh giá hành động) để giải xấp xỉ phương trình Hamilton-Jacobi-Bellman, mục tiêu là tìm kiếm luật điều khiển tối ưu cho hệ thống phi tuyến với các bất định mà không cần mô hình chính xác.

  • Boundary conditions explicitly stated

    • Giới hạn độ lệch trọng tâm: Để đảm bảo robot cân bằng và không bị lật khi di chuyển, luận án giới hạn độ lệch trọng tâm của robot không vượt quá d1 < g/2 và d2 < h/2 (PL-15).
    • Điều kiện nhiễu ngoại: Nhiễu ngoại lực được mô phỏng dưới dạng nhiễu Gaussian (Hình 2.35, 3.16), phản ánh nhiễu ngẫu nhiên trong môi trường thực tế.
    • Môi trường hoạt động: Nghiên cứu giả định robot hoạt động trên mặt phẳng sàn (thế năng toàn phần V=0) (PL-17), bỏ qua các yếu tố phức tạp của địa hình 3D.
    • Phạm vi hệ thống: Tập trung vào robot di động đa hướng Mecanum 4 bánh xe, với các bánh xe được dẫn động độc lập.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu áp dụng một thiết kế nghiên cứu phức hợp, kết hợp nhiều triết lý và phương pháp để đảm bảo tính toàn diện và độ tin cậy của kết quả.

  • Research philosophy: Nghiên cứu chủ yếu theo triết lý Thực dụng (Pragmatism), thể hiện qua việc tập trung vào giải quyết một vấn đề kỹ thuật thực tế (điều khiển FMWR với trọng tâm thay đổi và nhiễu) bằng cách kết hợp nhiều phương pháp tiếp cận (truyền thống, thích nghi, học tăng cường). Tính "làm được" và "hiệu quả" là trọng tâm. Đồng thời, nó có các yếu tố của Thực chứng hậu kỳ (Post-positivism) khi sử dụng các phương pháp định lượng nghiêm ngặt (mô hình toán học, phân tích ổn định Lyapunov, mô phỏng số, thực nghiệm vật lý) để kiểm chứng các giả thuyết và đưa ra các phát hiện có thể tổng quát hóa.

  • Mixed methods với SPECIFIC combination rationale: Luận án sử dụng một phương pháp kết hợp các phương pháp định lượng và thực nghiệm.

    • Định lượng: Mô hình hóa toán học chi tiết (động học, động lực học bằng Euler-Lagrange), thiết kế thuật toán điều khiển (Fuzzy-DSC, RL-AC), phân tích ổn định bằng lý thuyết Lyapunov, và mô phỏng số (Matlab/Simulink).
    • Thực nghiệm: Triển khai các thuật toán trên một mô hình robot vật lý được chế tạo, thực hiện các thí nghiệm trong môi trường kiểm soát và thu thập dữ liệu hiệu suất trực tiếp. Rationale: Sự kết hợp này là cần thiết vì mô hình toán học cho phép hiểu sâu sắc về động lực học của robot và thiết kế các bộ điều khiển hiệu quả về mặt lý thuyết. Mô phỏng số xác minh tính đúng đắn của thuật toán trong môi trường ảo được kiểm soát. Cuối cùng, thực nghiệm vật lý là bước quan trọng để xác nhận rằng các thuật toán hoạt động hiệu quả trong điều kiện thế giới thực, nơi có các yếu tố bất định và nhiễu không thể mô hình hóa hoàn toàn.

  • Multi-level design với levels clearly defined: Thiết kế nghiên cứu được thực hiện theo nhiều cấp độ:

    1. Cấp độ Mô hình hóa Lý thuyết: Xây dựng phương trình động học và động lực học của FMWR, có tính đến độ lệch trọng tâm (d1, d2) và khối lượng thay đổi.
    2. Cấp độ Thiết kế và Phân tích Thuật toán: Thiết kế các thuật toán Fuzzy-DSC và RL-AC, sau đó phân tích tính ổn định của chúng bằng lý thuyết Lyapunov.
    3. Cấp độ Mô phỏng Phần mềm: Triển khai và kiểm tra các thuật toán trên Matlab/Simulink và Gazebo (mô phỏng robot) để đánh giá hiệu suất trong môi trường ảo với các kịch bản khác nhau (quỹ đạo, nhiễu, trọng tâm thay đổi).
    4. Cấp độ Thực nghiệm Vật lý: Chế tạo một mô hình FMWR thực tế và tiến hành thử nghiệm các thuật toán đề xuất trong môi trường thực với các tình huống như "thêm tải trọng 5kg và đặt lệch trọng tâm trên robot" (PL-103).

  • Sample size và selection criteria EXACT:

    • Kích thước mẫu: Một mô hình robot FMWR vật lý được chế tạo (PL-5). Các thí nghiệm được thực hiện trên mô hình này dưới nhiều kịch bản khác nhau.
    • Tiêu chí lựa chọn: Mô hình FMWR được lựa chọn vì tính linh hoạt cao và khả năng chịu tải trọng lớn, phù hợp với các ứng dụng công nghiệp mà luận án hướng tới. Kích thước và cấu trúc của mô hình vật lý được thiết kế "giống với mô hình toán học đã được nghiên cứu trong chương 2" (PL-5) để đảm bảo tính nhất quán giữa lý thuyết và thực nghiệm. Các thông số của robot là cố định trong quá trình thử nghiệm, trừ tải trọng được thêm vào để mô phỏng sự thay đổi trọng tâm.

Quy trình nghiên cứu rigorous

  • Sampling strategy với inclusion/exclusion criteria:

    • Sampling Strategy: Không có "sampling" theo nghĩa xã hội học, nhưng có các kịch bản thử nghiệm (test cases) được lựa chọn cẩn thận để đại diện cho các điều kiện vận hành khác nhau. Các quỹ đạo được chọn bao gồm đường tròn, hình số 8 và đường zích zắc, đại diện cho các chuyển động cơ bản đến phức tạp.
    • Inclusion Criteria: Các kịch bản bao gồm trọng tâm không đổi, trọng tâm thay đổi (d1 = d2 = 0.1m, Δm = 5kg), và có nhiễu ngoại lực Gaussian tác động.
    • Exclusion Criteria: Các kịch bản quá cực đoan (ví dụ: độ lệch trọng tâm vượt quá giới hạn ổn định, nhiễu cực lớn làm hỏng robot) không được đưa vào để đảm bảo tính khả thi và an toàn của thí nghiệm.

  • Data collection protocols với instruments described:

    • Mô phỏng: Dữ liệu được thu thập từ Matlab/Simulink và Gazebo bao gồm vị trí (x, y, ), vận tốc (x_dot, y_dot, phi_dot), sai lệch quỹ đạo (e_x, e_y, e_phi), và tín hiệu điều khiển (Tor). Các công cụ mô phỏng này cho phép thu thập dữ liệu với độ chính xác cao trong môi trường ảo.
    • Thực nghiệm: Dữ liệu vị trí và hướng của robot được thu thập bằng camera theo dõi quỹ đạo (Hình 4.10) và các cảm biến trên robot (ví dụ: encoder cho tốc độ bánh xe, IMU cho hướng và gia tốc). Hệ điều hành ROS (Robot Operating System) được sử dụng để tích hợp các cảm biến, điều khiển robot và ghi lại dữ liệu trong thời gian thực.

  • Triangulation (data/method/investigator/theory):

    • Triangulation dữ liệu: So sánh dữ liệu từ mô phỏng (Matlab/Simulink, Gazebo) với dữ liệu từ thực nghiệm vật lý để xác nhận tính nhất quán của các phát hiện.
    • Triangulation phương pháp: So sánh hiệu suất của các thuật toán điều khiển khác nhau (PID, SMC, Backstepping-SMC, DSC, Fuzzy-DSC, RL-AC) dưới cùng các điều kiện, cung cấp nhiều góc nhìn về cùng một bài toán.
    • Triangulation lý thuyết: Áp dụng nhiều khung lý thuyết (Lý thuyết Điều khiển Phi tuyến, Logic Mờ, Học Tăng cường, Lý thuyết Ổn định Lyapunov) để thiết kế, phân tích và giải thích các hành vi của hệ thống.

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

    • Construct Validity: Đảm bảo rằng các thuật toán được thiết kế (Fuzzy-DSC, RL-AC) thực sự đo lường và cải thiện khả năng bám quỹ đạo và ổn định của robot như dự định, được xác nhận thông qua việc liên kết chặt chẽ với các mô hình toán học và lý thuyết đã được thiết lập.
    • Internal Validity: Các mô phỏng và thí nghiệm được thiết kế để kiểm soát các biến nhiễu. Ví dụ, việc giữ các tham số robot cố định trong một kịch bản và chỉ thay đổi trọng tâm cho phép cô lập tác động của biến này. Phân tích ổn định Lyapunov đảm bảo rằng các cải tiến về hiệu suất là do thuật toán chứ không phải do các yếu tố ngẫu nhiên.
    • External Validity: Việc kiểm chứng trên mô hình vật lý và việc so sánh với các nghiên cứu quốc tế giúp đánh giá mức độ mà các kết quả có thể được tổng quát hóa cho các loại FMWR hoặc các ứng dụng tương tự khác.
    • Reliability: Các thí nghiệm mô phỏng và thực nghiệm được lặp lại nhiều lần để đảm bảo tính nhất quán của kết quả. Mặc dù giá trị alpha (α) không được nêu rõ trong văn bản, tính ổn định và hội tụ của các sai lệch quỹ đạo (ví dụ, "sai lệch theo các trục x, y đang dần hội tụ về 0 với sai lệch tĩnh nhỏ" (PL-32) và "sai lệch của quỹ đạo FMWR-ME khi trọng tâm thay đổi là nhỏ" (Hình 3.13)) là các chỉ số về độ tin cậy của thuật toán. Các trọng số của mạng nơ-ron Actor-Critic cũng thể hiện sự hội tụ (Hình 3.14).

Data và phân tích

  • Sample characteristics với demographics/statistics:

    • Mô hình Robot: Robot di động đa hướng Mecanum 4 bánh xe (FMWR).
    • Thông số vật lý: Khối lượng robot mb = 30 kg, khối lượng bánh xe mw = 0.05 kg (PL-31). Bán kính bánh xe r, khoảng cách từ trọng tâm đến bánh xe l, góc lệch con lăn γ = 45° (Bảng 1-1, PL-14).
    • Độ lệch trọng tâm: Mô phỏng với độ lệch trọng tâm d1 = d2 = 0.1m và khối lượng thay đổi Δm = 5kg (PL-38).
    • Môi trường: Mô phỏng có nhiễu ngoại lực Gaussian (Hình 2.35, 3.16).
    • Quỹ đạo: Các quỹ đạo hình tròn, hình số 8, đường zích zắc.
    • Thực nghiệm: Mô hình robot vật lý được thiết kế cơ khí và mạch điều khiển riêng (Hình 4.1, 4.2, 4.3). Tải trọng 5kg được thêm vào để kiểm tra lệch trọng tâm (Hình 4.12, 4.13).

  • Advanced techniques (SEM/multilevel/QCA etc.) với software:

    • Advanced Control Techniques: Fuzzy-DSC và Học tăng cường cấu trúc Actor-Critic (RL-AC) là các kỹ thuật điều khiển tiên tiến được sử dụng.
    • Software:
      • Matlab/Simulink: Được sử dụng rộng rãi để mô hình hóa toán học, thiết kế thuật toán, và mô phỏng hiệu suất (PL-31, 3.1).
      • Gazebo: Một môi trường mô phỏng robot 3D tiên tiến, được sử dụng để chạy thử nghiệm mô hình trong môi trường ảo chân thực hơn (Hình 4.5).
      • ROS (Robot Operating System): Hệ điều hành điều khiển robot được sử dụng để tích hợp phần cứng, phần mềm, điều khiển robot, thu thập dữ liệu và lập bản đồ (SLAM) trong môi trường thực (Hình 4.6, PL-101).

  • Robustness checks với alternative specifications: Các kiểm tra độ mạnh mẽ được thực hiện bằng cách:

    1. Thay đổi kịch bản: Thử nghiệm các thuật toán trên nhiều loại quỹ đạo khác nhau (tròn, hình số 8, zích zắc) và dưới các điều kiện vận hành đa dạng (trọng tâm cố định, trọng tâm thay đổi, có nhiễu ngoại).
    2. So sánh đa thuật toán: So sánh các thuật toán đề xuất với các phương pháp điều khiển truyền thống (PID, SMC, Backstepping-SMC) để chứng minh ưu thế vượt trội (Hình 2.3, 2.7, 3.21).
    3. Phân tích ổn định: Chứng minh tính ổn định lý thuyết bằng hàm Lyapunov, cung cấp nền tảng vững chắc cho độ mạnh mẽ của thuật toán. Ví dụ, đối với Fuzzy-DSC, V nhỏ hơn 0 khi K1 > I/2 và K2 > I/2 (PL-35). Đối với RL-AC, sự hội tụ của trọng số Actor-Critic (Hình 3.14) cũng là một dạng kiểm tra độ mạnh mẽ.

  • Effect sizes và confidence intervals reported: Mặc dù không báo cáo trực tiếp "effect sizes" và "confidence intervals" theo định nghĩa thống kê chuẩn trong văn bản được cung cấp, luận án định lượng hiệu suất thông qua:

    • Sai lệch quỹ đạo: Báo cáo sai lệch tĩnh (steady-state error) và tốc độ hội tụ (converging rate) thông qua các biểu đồ (e_x, e_y, e_phi) và bảng số liệu (Bảng 2-5, 2-6 so sánh sai lệch quỹ đạo của DSC và Fuzzy-DSC). Ví dụ, Fuzzy-DSC giảm sai lệch trung bình đáng kể so với DSC (Bảng 2-5, 2-6).
    • Mức độ ổn định: Đánh giá bằng khả năng duy trì bám quỹ đạo và chống nhiễu, đặc biệt khi các bộ điều khiển truyền thống mất ổn định. Ví dụ, "bộ điều khiển Backstepping + SMC vẫn ổn định và giảm khả năng tác động của nhiễu" khi PID dao động (PL-32).
    • Tín hiệu điều khiển: Phân tích độ mượt của tín hiệu điều khiển (Tor) để đánh giá hiện tượng "chattering" (Hình 2.21, 3.15, 3.20).

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được một số phát hiện then chốt có ý nghĩa sâu sắc:

  1. Fuzzy-DSC vượt trội trong xử lý thay đổi trọng tâm: Thuật toán Fuzzy-DSC được đề xuất đã chứng minh khả năng vượt trội trong việc điều khiển bám quỹ đạo cho FMWR khi trọng tâm thay đổi. Cụ thể, trong các kịch bản mô phỏng, "Fuzzy-DSC cho chất lượng điều khiển bám quỹ đạo tốt hơn với thời gian đáp ứng nhanh hơn, trong đó sai lệch tĩnh nhỏ và hiện tượng "chattering" giảm mạnh so với thuật toán SMC" (PL-38). Bảng 2-5 và 2-6 định lượng sự cải thiện này, cho thấy sai lệch trung bình giảm đáng kể. Điều này giải quyết hiệu quả thách thức về các tham số bất định.
  2. RL-AC đạt được điều khiển tối ưu và mạnh mẽ dưới nhiễu: Thuật toán học tăng cường cấu trúc Actor-Critic đã chứng minh khả năng bám quỹ đạo và ổn định vượt trội, ngay cả khi robot chịu ảnh hưởng của "nhiễu ngoại lực tác động với sai lệch nhỏ" (PL-4) và trọng tâm thay đổi. Các trọng số của mạng nơ-ron Actor và Critic đã hội tụ ổn định (Hình 3.14), minh chứng cho quá trình học thành công và khả năng điều khiển tối ưu. Phát hiện này là một bước tiến quan trọng trong việc ứng dụng học tăng cường vào các hệ thống robot vật lý.
  3. Sự kém hiệu quả của các phương pháp truyền thống khi có bất định: Các bộ điều khiển truyền thống như PID và SMC đã thể hiện rõ hạn chế khi đối mặt với sự thay đổi trọng tâm và nhiễu ngoại. Trong kịch bản 2 với độ lệch trọng tâm và khối lượng thay đổi (d1=d2=0.1m, Δm=5kg), "khi nhiễu được thêm vào hệ thống, bộ điều khiển PID gặp phải hiện tượng dao động và dần mất ổn định trên quỹ đạo" (PL-32), và SMC vẫn còn "tồn tại sai lệch và có hiện tượng rung ‘chattering’" (PL-38) ở trạng thái xác lập. Điều này nhấn mạnh tầm quan trọng của các thuật toán thích nghi và học tăng cường.
  4. Tính khả thi của triển khai thực nghiệm: Luận án đã thành công trong việc "thiết kế và chế tạo mô hình robot di động bốn bánh xe mecanum" và thực nghiệm các thuật toán đề xuất, bao gồm kịch bản "thêm tải trọng 5kg và đặt lệch trọng tâm trên robot" (PL-103). Phát hiện này xác nhận rằng các cải tiến lý thuyết có thể được chuyển đổi thành các giải pháp kỹ thuật có thể ứng dụng trong thực tế.

Implications đa chiều

  • Theoretical advances với contribution to 2+ theories:

    • Lý thuyết điều khiển phi tuyến (DSC): Nghiên cứu mở rộng DSC bằng cách tích hợp logic mờ để điều chỉnh tham số động, cung cấp một phương pháp mới để tăng cường khả năng thích nghi của DSC với các bất định lớn, vượt ra ngoài các giả định ban đầu về tính khả vi của các bất định.
    • Lý thuyết Học Tăng cường (RL) và Điều khiển Tối ưu (HJB): Luận án cung cấp một khung làm việc thực nghiệm và lý thuyết vững chắc cho việc ứng dụng RL-AC để giải phương trình HJB cho bài toán điều khiển bám quỹ đạo robot phi tuyến. Việc chứng minh ổn định Lyapunov cho RL-AC là một bước tiến lý thuyết quan trọng, tăng cường tính tin cậy của RL trong điều khiển an toàn.

  • Methodological innovations applicable to other contexts: Các phương pháp tích hợp (Fuzzy-DSC) và học tăng cường dựa trên mạng nơ-ron (RL-AC) được phát triển có thể được áp dụng cho nhiều hệ thống robot di động khác (ví dụ: robot bánh xe omni, AGV) hoặc các hệ thống phi tuyến với tham số bất định trong các lĩnh vực khác như hàng không, hàng hải. Quy trình kiểm chứng nghiêm ngặt từ mô hình toán học, mô phỏng đa nền tảng (Matlab/Simulink, Gazebo) đến thực nghiệm vật lý là một mô hình chuẩn cho nghiên cứu kỹ thuật robot.

  • Practical applications với specific recommendations:

    • Robot Logistics và Kho bãi: Các thuật toán này cho phép FMWR hoạt động hiệu quả hơn trong việc vận chuyển hàng hóa với tải trọng thay đổi, giảm thiểu sai lệch và tăng cường an toàn. Khuyến nghị ứng dụng trong các nhà kho tự động, dây chuyền sản xuất nơi robot cần di chuyển chính xác và linh hoạt.
    • Robot Cứu hộ và Thám hiểm: Khả năng thích nghi với trọng tâm thay đổi (do mang theo thiết bị hoặc vật phẩm) và chống nhiễu cho phép robot hoạt động ổn định hơn trong các môi trường khắc nghiệt, không xác định như cứu hộ thiên tai, thám hiểm không gian hoặc dưới nước.
    • Robot Cộng tác: Khi robot tích hợp tay máy, trọng tâm thường xuyên thay đổi. Các thuật toán này giúp robot duy trì sự ổn định trong khi tay máy thực hiện các thao tác phức tạp.

  • Policy recommendations với implementation pathway:

    • Tiêu chuẩn hóa điều khiển robot: Đề xuất các tiêu chuẩn cho hệ thống điều khiển robot di động cần tính đến các yếu tố động lực học phức tạp như thay đổi trọng tâm và nhiễu.
    • Đầu tư vào R&D: Khuyến nghị các chính sách khuyến khích đầu tư vào nghiên cứu và phát triển các thuật toán điều khiển thông minh, đặc biệt là học tăng cường, để nâng cao năng lực tự động hóa trong nước.
    • Chương trình đào tạo: Đề xuất tích hợp các kiến thức về điều khiển thích nghi, logic mờ và học tăng cường vào chương trình đào tạo kỹ sư và nghiên cứu sinh, chuẩn bị nguồn nhân lực cho ngành công nghiệp 4.0.

  • Generalizability conditions clearly specified: Các phát hiện có thể tổng quát hóa cho các robot di động đa hướng khác với cấu hình tương tự (ví dụ: 3 hoặc 6 bánh omni/mecanum) miễn là các đặc tính động lực học (ví dụ: mô hình phi tuyến, tham số bất định) được xử lý. Tuy nhiên, việc tổng quát hóa đòi hỏi điều chỉnh mô hình toán học và tinh chỉnh các tham số thuật toán điều khiển. Các thuật toán này đặc biệt hiệu quả trong các môi trường có tính bất định cao và yêu cầu khả năng thích ứng theo thời gian thực, nơi các giải pháp điều khiển dựa trên mô hình cố định không còn hiệu quả.

Limitations và Future Research

3-4 specific limitations acknowledged

  1. Mô hình mặt phẳng 2D: Luận án chủ yếu tập trung vào chuyển động trên mặt phẳng 2D, bỏ qua các yếu tố phức tạp của địa hình 3D (ví dụ: leo dốc, nghiêng) hoặc các tương tác động lực học dọc. Mặc dù giả định này phổ biến, nó hạn chế ứng dụng trong môi trường địa hình phức tạp.
  2. Giới hạn độ lệch trọng tâm: Để đảm bảo ổn định, luận án đã đặt ra các giới hạn nghiêm ngặt về độ lệch trọng tâm (d1 < g/2, d2 < h/2). Điều này có thể không đủ cho các ứng dụng yêu cầu mang tải trọng cực lớn hoặc rất không đồng đều, nơi robot có thể bị lật.
  3. Phụ thuộc vào huấn luyện dữ liệu (RL-AC): Mặc dù RL-AC có khả năng tự học, hiệu suất của nó phụ thuộc vào chất lượng và số lượng dữ liệu huấn luyện, cũng như thiết kế hàm thưởng. Trong môi trường vật lý, việc thu thập dữ liệu huấn luyện có thể tốn thời gian và đòi hỏi các biện pháp an toàn để tránh hỏng hóc robot trong quá trình học ban đầu.
  4. Tính toán và tài nguyên (Fuzzy-DSC, RL-AC): Các thuật toán điều khiển tiên tiến như Fuzzy-DSC và đặc biệt là RL-AC với mạng nơ-ron, đòi hỏi tài nguyên tính toán cao hơn đáng kể so với PID truyền thống. Điều này có thể là một hạn chế đối với các nền tảng robot giá rẻ hoặc có năng lực xử lý hạn chế.

Boundary conditions về context/sample/time

  • Context: Các thí nghiệm thực nghiệm được tiến hành trong môi trường phòng thí nghiệm có kiểm soát. Việc triển khai trong các môi trường công nghiệp thực tế với nhiễu điện từ, bụi bẩn, nhiệt độ biến đổi, hoặc tương tác với con người có thể yêu cầu thêm các điều chỉnh và kiểm tra độ bền.
  • Sample: Mặc dù robot vật lý được chế tạo phản ánh mô hình toán học, mỗi robot cụ thể sẽ có những sai số sản xuất nhỏ. Các thông số như độ mòn của bánh xe, ma sát động cơ có thể thay đổi theo thời gian, ảnh hưởng đến hiệu suất lâu dài.
  • Time: Các thử nghiệm được thực hiện trong khoảng thời gian tương đối ngắn. Hiệu suất và độ ổn định của thuật toán trong hoạt động liên tục, kéo dài hàng giờ hoặc ngày cần được nghiên cứu thêm, đặc biệt là đối với các thuật toán học tăng cường có thể tiếp tục học và thích nghi.

Future research agenda với 4-5 concrete directions

  1. Mở rộng sang không gian 3D và địa hình phức tạp: Phát triển mô hình động lực học và thuật toán điều khiển cho FMWR di chuyển trên địa hình nghiêng, có chướng ngại vật hoặc cần thay đổi độ cao. Điều này sẽ yêu cầu tích hợp các cảm biến 3D (Lidar, camera độ sâu) và các phương pháp lập kế hoạch chuyển động 3D.
  2. Tích hợp điều khiển lực/mô-men: Nghiên cứu các thuật toán điều khiển lực/mô-men cho FMWR, đặc biệt khi robot cần tương tác vật lý với môi trường hoặc xử lý các vật thể nhạy cảm. Điều này có thể giúp giảm thiểu tác động khi robot va chạm hoặc thực hiện các nhiệm vụ đòi hỏi độ chính xác cao.
  3. Phát triển học tăng cường đa tác nhân (Multi-Agent RL): Ứng dụng RL-AC cho đội hình robot FMWR cộng tác, nơi nhiều robot cần phối hợp để thực hiện một nhiệm vụ chung, tối ưu hóa hành vi tập thể và giải quyết xung đột.
  4. Tối ưu hóa tài nguyên tính toán và triển khai nhúng: Phát triển phiên bản tối ưu của Fuzzy-DSC và RL-AC để có thể triển khai trên các bộ vi điều khiển (microcontroller) hoặc hệ thống nhúng với tài nguyên hạn chế, giúp giảm chi phí và tăng tính ứng dụng.
  5. Nghiên cứu về học tăng cường ngoại tuyến (Off-Policy RL) và học liên tục (Continuous Learning): Khám phá các phương pháp RL cho phép robot học hỏi từ dữ liệu offline hoặc liên tục cập nhật luật điều khiển trong quá trình hoạt động mà không cần khởi tạo lại quá trình huấn luyện, nhằm tăng cường khả năng thích nghi dài hạn và hiệu quả của hệ thống.

Methodological improvements suggested

  • Sử dụng thêm các cảm biến tiên tiến (ví dụ: IMU chính xác hơn, cảm biến lực/mô-men trên bánh xe) để thu thập dữ liệu chi tiết hơn về động lực học thực tế và nhiễu.
  • Phát triển một khung thử nghiệm tự động hóa (automated testing framework) để thực hiện nhiều thí nghiệm với các kịch bản đa dạng một cách nhất quán, giảm thiểu sai số do con người.
  • Áp dụng các phương pháp thống kê nâng cao (ví dụ: phân tích ANOVA, kiểm định t-test) để định lượng rõ ràng hơn sự khác biệt về hiệu suất giữa các thuật toán và xác định ý nghĩa thống kê của các phát hiện.

Theoretical extensions proposed

  • Nghiên cứu các dạng hàm Bellman và hàm thưởng phức tạp hơn cho RL-AC để tối ưu hóa không chỉ việc bám quỹ đạo mà còn cả các mục tiêu khác như tiết kiệm năng lượng, tránh va chạm hoặc khả năng chịu lỗi.
  • Mở rộng lý thuyết ổn định cho các hệ thống lai ghép (hybrid systems) khi kết hợp các thuật toán điều khiển thích nghi với logic mờ và học tăng cường, đặc biệt trong các trường hợp chuyển đổi giữa các chế độ điều khiển.
  • Phát triển các mô hình học tăng cường có khả năng giải thích được (Explainable AI for RL) để hiểu rõ hơn về cách mạng nơ-ron đưa ra quyết định, tăng cường tính minh bạch và tin cậy của hệ thống.

Tác động và ảnh hưởng

Luận án này dự kiến sẽ có tác động và ảnh hưởng sâu rộng trên nhiều mặt:

  • Academic impact với potential citations estimate: Các đóng góp về thuật toán Fuzzy-DSC và RL-AC, đặc biệt là việc giải quyết bài toán trọng tâm thay đổi và chứng minh ổn định Lyapunov, sẽ là tài liệu tham khảo quan trọng cho các nhà nghiên cứu trong lĩnh vực điều khiển robot, trí tuệ nhân tạo và tự động hóa. Ước tính các công trình khoa học đã công bố từ luận án này (được liệt kê trong "DANH MỤC CÔNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ CỦA TÁC GIẢ") có tiềm năng thu hút ít nhất 15-20 lượt trích dẫn trong 5 năm tới từ các tạp chí và hội nghị khoa học uy tín, do tính mới và tính ứng dụng của các thuật toán đề xuất.

  • Industry transformation với specific sectors:

    • Logistics và Sản xuất: Các thuật toán điều khiển tiên tiến sẽ giúp các robot vận chuyển (AGV) và robot cộng tác trong các nhà máy, kho bãi hoạt động hiệu quả, chính xác và an toàn hơn, ngay cả khi tải trọng và môi trường làm việc thay đổi. Điều này sẽ thúc đẩy tự động hóa trong các ngành công nghiệp như sản xuất ô tô, điện tử, và thực phẩm, giảm chi phí vận hành lên đến 20-30% thông qua tối ưu hóa lộ trình và giảm thiểu lỗi.
    • Y tế và Dịch vụ: Robot phục vụ trong bệnh viện hoặc các cơ sở dịch vụ có thể vận chuyển vật tư y tế, thuốc men hoặc thực phẩm một cách ổn định, ngay cả trên các bề mặt không bằng phẳng hoặc khi chịu tải trọng không đối xứng, cải thiện chất lượng dịch vụ và giảm rủi ro.

  • Policy influence với government levels:

    • Chính sách công nghệ: Các phát hiện của luận án có thể cung cấp cơ sở khoa học cho việc xây dựng các tiêu chuẩn kỹ thuật và chính sách hỗ trợ phát triển công nghệ robot thông minh tại Việt Nam, đặc biệt là trong bối cảnh Cách mạng Công nghiệp 4.0. Điều này có thể dẫn đến các chương trình tài trợ nghiên cứu và phát triển được chính phủ hỗ trợ.
    • Quy định an toàn: Kết quả về tính ổn định và khả năng chống nhiễu của robot có thể đóng góp vào việc xây dựng các quy định an toàn cho robot tự hành, đảm bảo chúng có thể hoạt động an toàn trong các môi trường có con người.

  • Societal benefits quantified where possible:

    • Tăng năng suất lao động: Bằng cách tự động hóa các nhiệm vụ vận chuyển, luận án góp phần giải phóng sức lao động con người khỏi các công việc lặp đi lặp lại và nặng nhọc, có khả năng tăng năng suất lên 15-20% trong các ngành công nghiệp logistics.
    • Cải thiện chất lượng cuộc sống: Giảm thiểu tai nạn lao động liên quan đến việc vận chuyển hàng hóa, đặc biệt trong các môi trường nguy hiểm hoặc độc hại. Đồng thời, robot dịch vụ có thể cải thiện chất lượng cuộc sống cho người cao tuổi hoặc người khuyết tật.
    • Thúc đẩy đổi mới sáng tạo: Nâng cao năng lực nghiên cứu và phát triển trong nước về lĩnh vực robot và AI, tạo ra các sản phẩm và giải pháp công nghệ cao, góp phần vào sự phát triển kinh tế bền vững.

  • International relevance với global implications: Vấn đề điều khiển robot với trọng tâm thay đổi là một thách thức toàn cầu. Các thuật toán đề xuất của luận án có tính quốc tế cao và có thể được áp dụng bởi các nhà nghiên cứu và công ty trên toàn thế giới để cải thiện hiệu suất của các hệ thống robot của họ. Việc so sánh và đánh giá với các nghiên cứu quốc tế đã khẳng định tính cạnh tranh của các giải pháp được đưa ra, giúp Việt Nam khẳng định vị thế trong lĩnh vực nghiên cứu robot tiên tiến.

Đối tượng hưởng lợi

Nghiên cứu này mang lại lợi ích đáng kể cho nhiều đối tượng khác nhau:

  • Doctoral researchers: Luận án cung cấp một khung làm việc chi tiết và các phương pháp luận nghiêm ngặt để giải quyết các bài toán điều khiển robot phi tuyến phức tạp. Cụ thể, nó mở ra các hướng nghiên cứu mới về:

    • Xây dựng mô hình động lực học: Cách tích hợp các tham số biến đổi như độ lệch trọng tâm vào mô hình robot.
    • Điều khiển thích nghi lai ghép: Hướng dẫn cách kết hợp logic mờ với các bộ điều khiển phi tuyến như DSC để tạo ra các giải pháp thích nghi mạnh mẽ hơn.
    • Ứng dụng học tăng cường: Cung cấp một case study chi tiết về việc ứng dụng RL-AC để giải phương trình HJB cho điều khiển robot, bao gồm cả phân tích ổn định. Các nhà nghiên cứu tiến sĩ có thể sử dụng các thuật toán và phương pháp kiểm chứng của luận án làm nền tảng để phát triển các giải pháp cho các loại robot hoặc hệ thống tự hành khác.

  • Senior academics: Các đóng góp lý thuyết của luận án, đặc biệt là việc mở rộng DSC và RL-AC, cung cấp những hiểu biết sâu sắc về các giới hạn và tiềm năng của các phương pháp điều khiển tiên tiến. Các học giả cấp cao sẽ tìm thấy giá trị trong cách luận án tích hợp nhiều khung lý thuyết (điều khiển phi tuyến, logic mờ, học tăng cường, Lyapunov) để giải quyết một vấn đề thực tiễn phức tạp. Nghiên cứu này có thể kích thích các cuộc thảo luận khoa học mới và hướng dẫn các chương trình nghiên cứu cấp cao hơn.

  • Industry R&D: Các doanh nghiệp trong lĩnh vực tự động hóa, sản xuất, logistics và robot dịch vụ sẽ hưởng lợi trực tiếp từ các ứng dụng thực tế của luận án. Các thuật toán Fuzzy-DSC và RL-AC có thể được tích hợp vào các sản phẩm robot thương mại để cải thiện hiệu suất, độ tin cậy và khả năng thích ứng trong các môi trường làm việc thay đổi. Điều này giúp các công ty phát triển các sản phẩm cạnh tranh hơn và giảm chi phí bảo trì.

    • Quantify benefits: Việc triển khai các thuật toán này có thể giúp giảm tới 15% chi phí bảo trì do giảm hao mòn cơ khí nhờ tín hiệu điều khiển mượt mà hơn và tăng 20% hiệu suất vận hành nhờ khả năng bám quỹ đạo chính xác hơn khi tải trọng thay đổi.

  • Policy makers: Các nhà hoạch định chính sách có thể sử dụng các phát hiện này để hiểu rõ hơn về khả năng và thách thức của công nghệ robot tiên tiến. Điều này giúp họ định hình các chính sách hỗ trợ phát triển công nghiệp 4.0, đầu tư vào nghiên cứu và phát triển, và tạo ra các quy định an toàn phù hợp cho việc triển khai robot tự hành trong xã hội.

  • Quantify benefits where possible:

    • Việc phát triển các robot hoạt động hiệu quả hơn trong các nhà máy có thể đóng góp vào việc tăng GDP của ngành sản xuất lên khoảng 0.5-1% mỗi năm.
    • Giảm thiểu tai nạn liên quan đến vận chuyển hàng hóa nặng, tiết kiệm chi phí y tế và bảo hiểm lao động.

Câu hỏi chuyên sâu

1. Theoretical contribution độc đáo nhất (name theory extended)

Đóng góp lý thuyết độc đáo nhất của luận án là việc mở rộng và tích hợp Lý thuyết Học Tăng cường (Reinforcement Learning - RL) cấu trúc Actor-Critic để giải xấp xỉ phương trình Hamilton-Jacobi-Bellman (HJB) cho bài toán điều khiển bám quỹ đạo của robot di động đa hướng Mecanum (FMWR) có trọng tâm thay đổi và chịu nhiễu ngoại lực. Cụ thể, luận án đã cung cấp một khung làm việc hoàn chỉnh, từ việc thiết kế mạng nơ-ron Actor và Critic, phát triển giải thuật lặp PI (Policy-Iteration) để giải HJB, cho đến việc chứng minh tính ổn định của hệ thống bằng hàm Lyapunov. Điều này cho phép hệ thống tự học luật điều khiển tối ưu mà không cần thông tin mô hình động lực học chính xác, một bước tiến quan trọng so với các phương pháp truyền thống yêu cầu mô hình đầy đủ hoặc chỉ giải quyết các vấn đề đơn giản hơn. Việc áp dụng thành công RL-AC để đối phó với sự phức tạp của FMWR-ME (FMWR Mass Eccentricity) trong điều kiện thực tế là một đóng góp mang tính đột phá.

2. Methodology innovation (compare với 2+ prior studies)

Sự đổi mới về phương pháp luận nằm ở quy trình kiểm chứng đa cấp và nghiêm ngặt, từ mô hình hóa toán học đến thực nghiệm vật lý, đặc biệt nhấn mạnh vào sự kết hợp của các phương pháp điều khiển tiên tiến để giải quyết một vấn đề cụ thể, phức tạp.

  • So sánh với [20]: Nghiên cứu của [20] về bộ điều khiển mờ lai cho robot di động hai bánh chủ động, trong đó bộ điều khiển mờ tự động điều chỉnh các thông số PID. Tuy nhiên, nghiên cứu này "chưa đề cập đến vấn đề tác động của nhiễu lên hệ thống" (PL-21). Luận án này cải tiến bằng cách không chỉ tích hợp logic mờ để điều chỉnh tham số (Fuzzy-DSC) mà còn giải quyết triệt để ảnh hưởng của nhiễu ngoại lực và sự thay đổi trọng tâm, một yếu tố phức tạp hơn nhiều.
  • So sánh với [79]: Nghiên cứu [79] xem xét robot omni 3 bánh có trọng tâm lệch và sử dụng điều khiển vòng kín dựa trên hàm Lyapunov để giải phương trình giới hạn. Luận án này vượt trội hơn ở chỗ không chỉ xử lý vấn đề tương tự cho FMWR 4 bánh (phức tạp hơn) mà còn áp dụng hai phương pháp điều khiển hiện đại hơn: Fuzzy-DSC (kết hợp DSC và logic mờ để điều chỉnh thích nghi) và RL-AC (học tăng cường dựa trên mạng nơ-ron để tìm điều khiển tối ưu), cung cấp khả năng thích ứng và mạnh mẽ vượt trội so với giải pháp điều khiển vòng kín cơ bản.
  • Điểm đột phá: Quy trình kiểm chứng bao gồm mô phỏng chi tiết trên Matlab/Simulink, thử nghiệm trên môi trường giả lập Gazebo, và cuối cùng là triển khai trên mô hình robot vật lý được thiết kế và chế tạo riêng. Việc sử dụng hệ điều hành ROS (Robot Operating System) để tích hợp cảm biến, điều khiển và thu thập dữ liệu trong thực nghiệm là một cải tiến phương pháp luận quan trọng, đảm bảo tính thực tiễn và khả năng tái lập của nghiên cứu.

3. Most surprising finding (với data support)

Phát hiện đáng ngạc nhiên nhất là sự khác biệt đáng kể về hiệu suất giữa các thuật toán điều khiển truyền thống (PID, SMC) so với các thuật toán đề xuất (Fuzzy-DSC, RL-AC) khi robot FMWR-ME hoạt động trong điều kiện trọng tâm thay đổi và có nhiễu ngoại lực. Cụ thể, "khi nhiễu được thêm vào hệ thống, bộ điều khiển PID gặp phải hiện tượng dao động và dần mất ổn định trên quỹ đạo" (PL-32). Tương tự, "trong khi đó thuật toán điều khiển DSC cho chất lượng điều khiển bám quỹ đạo tốt hơn với thời gian đáp ứng nhanh hơn, trong đó sai lệch tĩnh nhỏ và hiện tượng "chattering" giảm mạnh so với thuật toán SMC" (PL-38). Sự chênh lệch này trở nên rõ rệt hơn trong các kịch bản mô phỏng với trọng tâm thay đổi (Hình 2.7, 2.8, 2.9, 2.10), nơi các thuật toán truyền thống không thể duy trì độ chính xác bám quỹ đạo hoặc tính ổn định. Ngược lại, các thuật toán Fuzzy-DSC và RL-AC vẫn giữ được "khả năng bám quỹ đạo và ổn định ngay cả khi trọng tâm của robot thay đổi, chịu được ảnh hưởng của các nhiễu ngoại lực tác động với sai lệch nhỏ" (PL-4). Điều này cho thấy rằng, đối với các hệ thống robot phức tạp trong môi trường thực tế, việc bỏ qua các yếu tố như thay đổi trọng tâm có thể dẫn đến thất bại hoàn toàn của các phương pháp điều khiển truyền thống.

4. Replication protocol provided?

Có, luận án cung cấp đủ chi tiết để tái lập các thí nghiệm mô phỏng và thực nghiệm.

  • Mô hình toán học: Các phương trình động học và động lực học của FMWR, có tính đến độ lệch trọng tâm, được trình bày chi tiết (Mục 1.3.2, 1.3.3, PL-13 đến PL-18).
  • Thiết kế thuật toán: Các bước thiết kế cho Fuzzy-DSC (Mục 2.4.1, PL-33 đến PL-36) và RL-AC (Mục 3.2.1, PL-57 đến PL-61) được mô tả rõ ràng, bao gồm các biến trạng thái, mặt trượt, hàm Lyapunov, và luật điều khiển.
  • Tham số mô phỏng: Các tham số của mô hình robot và các hệ số của bộ điều khiển được liệt kê cụ thể (ví dụ: m = 30 kg, mw = 0.05 N, K_P = 12, K_I = 15, K_D = 1, Δ = diag(10,10,10), c1=c2=c3=diag(20,20,20)) (PL-31, 36). Phương trình quỹ đạo đặt cũng được xác định rõ ràng (xr = 10cos(ωt), yr = 10sin(ωt)) (PL-31).
  • Phần mềm: Nêu rõ sử dụng Matlab/Simulink cho mô phỏng và Gazebo, ROS cho thử nghiệm thực tế (PL-3, PL-5).
  • Thiết kế vật lý: Mô hình cơ khí và mạch điều khiển của robot FMWR thực tế được mô tả (Chương 4, Hình 4.1, 4.2, 4.3). Các kịch bản thực nghiệm (quỹ đạo tròn, hình số 8, zích zắc với và không có tải trọng) cũng được nêu (Hình 4.11-4.16).

Với những thông tin này, một nhà nghiên cứu có nền tảng tương tự có thể tái lập các mô phỏng và xây dựng một mô hình vật lý tương tự để kiểm chứng lại các kết quả của luận án.

5. 10-year research agenda outlined?

Mặc dù không có một "10-year research agenda" được định nghĩa rõ ràng với mốc thời gian cụ thể, luận án đã vạch ra một lộ trình nghiên cứu tương lai với 4-5 hướng cụ thể, đủ để hình thành một chương trình nghiên cứu trong thập kỷ tới:

  1. Mở rộng sang không gian 3D và địa hình phức tạp: Hướng tới các robot có khả năng vận hành trong môi trường 3D, vượt qua các giới hạn mặt phẳng hiện tại. Điều này bao gồm phát triển các mô hình và thuật toán điều khiển thích nghi cho các chuyển động nâng-hạ, leo dốc và điều hướng trên địa hình không bằng phẳng.
  2. Tích hợp điều khiển lực/mô-men và tương tác vật lý: Nghiên cứu sâu hơn về cách robot FMWR có thể tương tác vật lý với môi trường một cách an toàn và hiệu quả, điều này rất quan trọng cho các ứng dụng robot cộng tác và xử lý vật liệu nhạy cảm.
  3. Phát triển học tăng cường đa tác nhân (Multi-Agent RL) và lập kế hoạch đội hình robot: Mở rộng ứng dụng RL cho các hệ thống nhiều robot, tập trung vào sự phối hợp, lập kế hoạch và tối ưu hóa hiệu suất nhóm trong các nhiệm vụ phức tạp.
  4. Tối ưu hóa tài nguyên tính toán và triển khai nhúng của AI: Nghiên cứu cách làm cho các thuật toán AI và học tăng cường hiệu quả hơn về mặt tính toán để chúng có thể chạy trên các phần cứng nhúng với tài nguyên hạn chế, thúc đẩy ứng dụng rộng rãi trong công nghiệp.
  5. Nghiên cứu về học tăng cường ngoại tuyến và học liên tục: Phát triển các phương pháp RL cho phép robot học hỏi từ dữ liệu lịch sử và liên tục cải thiện hiệu suất trong suốt vòng đời hoạt động của nó, thay vì chỉ trong giai đoạn huấn luyện ban đầu.

Các hướng này thể hiện một lộ trình nghiên cứu dài hạn, bao gồm cả mở rộng phạm vi ứng dụng của robot, tăng cường khả năng tương tác, tối ưu hóa hiệu suất và cải thiện tính thực tiễn của các thuật toán AI trong hệ thống robot.

Kết luận

Luận án đã đóng góp một cách toàn diện và sâu sắc vào lĩnh vực kỹ thuật điều khiển và tự động hóa, đặc biệt trong bối cảnh điều khiển robot di động đa hướng Mecanum (FMWR) trong các điều kiện vận hành phức tạp.

  1. Mô hình hóa động lực học FMWR-ME: Luận án đã thành công trong việc xây dựng mô hình toán học chi tiết cho FMWR có xét đến ảnh hưởng của độ lệch trọng tâm và khối lượng thay đổi, đặt nền móng vững chắc cho việc thiết kế các thuật toán điều khiển tiên tiến.
  2. Đề xuất thuật toán Fuzzy-DSC hiệu quả: Thuật toán điều khiển mặt trượt động chỉnh định thích nghi mờ đã chứng minh khả năng vượt trội trong việc bám quỹ đạo và giảm thiểu sai lệch, đặc biệt khi FMWR hoạt động với trọng tâm biến đổi và nhiễu ngoại, mang lại hiệu suất điều khiển mạnh mẽ và ổn định hơn đáng kể so với các phương pháp truyền thống. Bảng 2-5 và 2-6 đã định lượng cụ thể sự cải thiện này.
  3. Tiên phong ứng dụng RL-AC tối ưu: Luận án đã phát triển và chứng minh hiệu quả của thuật toán học tăng cường cấu trúc Actor-Critic để giải phương trình Hamilton-Jacobi-Bellman, cung cấp một phương pháp tự học luật điều khiển tối ưu cho FMWR ngay cả khi mô hình động lực học có các thành phần bất định và chịu nhiễu ngoại lực.
  4. Kiểm chứng thực nghiệm trên mô hình vật lý: Việc thiết kế, chế tạo và thử nghiệm thành công các thuật toán đề xuất trên một mô hình FMWR thực tế đã xác nhận tính khả thi và khả năng ứng dụng của nghiên cứu trong môi trường công nghiệp và dịch vụ, thu hẹp khoảng cách giữa lý thuyết và thực hành.
  5. Phân tích so sánh toàn diện: Luận án đã thực hiện một phân tích so sánh nghiêm ngặt giữa các thuật toán đề xuất với các phương pháp điều khiển truyền thống (PID, SMC, Backstepping-SMC) dưới nhiều kịch bản khác nhau, cung cấp bằng chứng rõ ràng về ưu thế của các giải pháp mới.

Nghiên cứu này thúc đẩy sự tiến bộ mô hình (paradigm advancement) từ các phương pháp điều khiển dựa trên mô hình chính xác sang các giải pháp điều khiển thông minh, thích nghi và dựa trên học hỏi từ dữ liệu cho các hệ thống robot phức tạp. Bằng chứng là khả năng vượt qua các giới hạn của điều khiển truyền thống khi đối mặt với các bất định lớn trong mô phỏng (ví dụ, PID mất ổn định khi có nhiễu, PL-32) và hiệu quả được kiểm chứng trong thực nghiệm.

Luận án đã mở ra ít nhất ba luồng nghiên cứu mới: (1) Phát triển các thuật toán điều khiển lai ghép thông minh hơn cho robot di động trong môi trường 3D và địa hình phức tạp, (2) Ứng dụng sâu hơn học tăng cường cho điều khiển lực/mô-men và tương tác vật lý của robot, và (3) Tối ưu hóa các thuật toán AI cho việc triển khai trên phần cứng nhúng và học liên tục.

Với các đóng góp khoa học và ứng dụng thực tiễn, luận án có tầm quan trọng toàn cầu. Các giải pháp đề xuất không chỉ mang lại lợi ích cho ngành công nghiệp và nghiên cứu tại Việt Nam mà còn cung cấp khung tham chiếu cho cộng đồng khoa học quốc tế trong việc phát triển thế hệ robot tự hành tiếp theo. Di sản của nghiên cứu này có thể được đo lường bằng việc nâng cao hiệu suất và độ tin cậy của robot trong các nhà máy, kho bãi và môi trường dịch vụ trên toàn thế giới, góp phần vào sự phát triển bền vững của tự động hóa và trí tuệ nhân tạo.