Nghiên cứu thuật toán thích nghi và học tăng cường Actor-Critic điều khiển robot Mecanum

Tổng quan về luận án

Nghiên cứu hiện tại giải quyết bài toán cốt lõi trong lĩnh vực Kỹ thuật Điều khiển và Tự động hóa: điều khiển bám quỹ đạo cho robot di động đa hướng Mecanum (FMWR) trong điều kiện vận hành phức tạp, đặc biệt là khi trọng tâm (CoM) của robot thay đổi và chịu tác động của nhiễu ngoại. Trong bối cảnh Cách mạng Công nghiệp 4.0, nơi các nhà máy tự động hóa hoàn toàn và robot di động đóng vai trò không thể thiếu, tính tiên phong của nghiên cứu này nằm ở việc phát triển các thuật toán điều khiển thích nghi và học tăng cường mới, nhằm nâng cao độ chính xác và ổn định của FMWR – một loại robot có khả năng di chuyển linh hoạt, chịu tải trọng lớn nhưng dễ bị ảnh hưởng bởi sự thay đổi trọng tâm trong các môi trường công nghiệp hoặc cứu hộ phức tạp.

Research Gap SPECIFIC với citations từ literature: Mặc dù robot di động đa hướng Mecanum đang nhận được sự quan tâm lớn trong nghiên cứu toàn cầu, một khoảng trống đáng kể trong tài liệu khoa học hiện hành là việc thiếu các phương pháp điều khiển mạnh mẽ có thể xử lý hiệu quả sự thay đổi trọng tâm của robot và các tham số bất định của mô hình. Cụ thể, "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" trong bối cảnh các thuật toán điều khiển bám quỹ đạo cho FMWR (Chương 1, Tổng quan tình hình nghiên cứu ngoài nước). Hầu hết các nghiên cứu trong nước, như các công trình của các tác giả trong [7, 13-17, 18, 19, 20, 21, 22, 23, 24], tập trung vào các bộ điều khiển PID, điều khiển trượt (SMC), hay các phương pháp mờ cho robot di động nói chung hoặc robot bánh xe omni, nhưng thường "áp dụng cho đối tượng robot có khối lượng và trọng tâm không đổi" (Chương 1, Tình hình nghiên cứu trong nước). Điều này bỏ qua một thách thức thực tế lớn: "khi tải trọng thay đổi hoặc trong các tình huống gây mất ổn định (ví dụ, khi robot mang theo các vật liệu không đồng đều), khi đó vị trí trọng tâm của robot thay đổi có thể ảnh hưởng lớn đến chuyển động và khả năng bám quỹ đạo" (Chương 1, Tính cấp thiết). Sự thiếu hụt các giải pháp điều khiển thích nghi và tối ưu cho tình huống này là động lực chính thúc đẩy nghiên cứu.

Research Questions và Hypotheses: Nghiên cứu đặt ra các câu hỏi chính:

1. Làm thế nào để phát triển một thuật toán điều khiển thích nghi hiệu quả, dựa trên logic mờ, có khả năng điều chỉnh trực tuyến các tham số điều khiển cho FMWR khi trọng tâm thay đổi và có nhiễu ngoại?
2. Làm thế nào để xây dựng một thuật toán học tăng cường cấu trúc Actor-Critic điều khiển tối ưu, có khả năng giải quyết phương trình Hamilton-Jacobi-Bellman (HJB) và đảm bảo ổn định cho FMWR dưới tác động của sự thay đổi trọng tâm và nhiễu bất định?
3. Các thuật toán đề xuất có thể nâng cao chất lượng điều khiển bám quỹ đạo, giảm sai lệch và đảm bảo tính ổn định của FMWR so với các phương pháp điều khiển truyền thống (như PID, SMC) trong môi trường thực tế không?

Các giả thuyết chính bao gồm: H1: Việc tích hợp logic mờ vào thuật toán điều khiển mặt trượt động (DSC) sẽ cho phép thích nghi trực tuyến các tham số, từ đó nâng cao độ chính xác bám quỹ đạo và giảm thiểu sai lệch cho FMWR với trọng tâm thay đổi. H2: Thuật toán học tăng cường cấu trúc Actor-Critic, sử dụng mạng nơ-ron để xấp xỉ hàm Bellman và luật điều khiển tối ưu, sẽ cung cấp một giải pháp mạnh mẽ để duy trì bám quỹ đạo ổn định và tối ưu cho FMWR ngay cả khi chịu ảnh hưởng của nhiễu và các tham số bất định của mô hình. H3: Các thuật toán điều khiển mới được đề xuất sẽ vượt trội hơn so với các phương pháp PID và SMC về hiệu suất bám quỹ đạo, thời gian hội tụ và khả năng thích ứng với điều kiện môi trường thay đổi, được kiểm chứng qua cả mô phỏng và thực nghiệm.

Theoretical Framework với tên theories cụ thể: Nghiên cứu này được xây dựng trên một nền tảng lý thuyết vững chắc, kết hợp các lý thuyết điều khiển tiên tiến và học máy:

• Lý thuyết điều khiển Lyapunov: Được sử dụng để phân tích và chứng minh tính ổn định của các thuật toán điều khiển đề xuất, đảm bảo rằng sai lệch bám quỹ đạo và các trạng thái hệ thống hội tụ về một giới hạn chặn tới hạn đều (Uniformly Ultimate Bounded - UUB), như đã đề cập trong Chương 3 khi xét tính ổn định cho hệ thống RL-AC.
• Lý thuyết quy hoạch động (Dynamic Programming) của Bellman: Cung cấp cơ sở toán học cho việc thiết kế bộ điều khiển tối ưu trong khuôn khổ học tăng cường. Nghiên cứu tập trung vào việc giải xấp xỉ nghiệm của phương trình Hamilton-Jacobi-Bellman (HJB) thông qua giải thuật lặp Policy-Iteration (PI), là nền tảng của phương pháp Actor-Critic.
• Lý thuyết điều khiển trượt (Sliding Mode Control - SMC) và Điều khiển mặt trượt động (Dynamic Surface Control - DSC): Là cơ sở để phát triển bộ điều khiển thích nghi. DSC, một mở rộng của SMC, được sử dụng để giảm hiện tượng "chattering" và đơn giản hóa thiết kế bộ điều khiển cho hệ thống bậc cao.
• Lý thuyết Logic mờ (Fuzzy Logic): Được tích hợp để cung cấp khả năng thích nghi và điều chỉnh tham số trực tuyến cho bộ điều khiển DSC, đặc biệt thông qua mô hình mờ Sugeno để ước lượng các tham số K1, K2.
• Lý thuyết mạng nơ-ron nhân tạo (Artificial Neural Networks - ANNs): Được sử dụng rộng rãi trong học tăng cường để xấp xỉ các hàm trạng thái-giá trị (Value Function) và luật điều khiển (Policy Function), đặc biệt là trong cấu trúc Actor-Critic, nơi mạng Actor xấp xỉ luật điều khiển tối ưu và mạng Critic xấp xỉ hàm Bellman.
• Mô hình Euler-Lagrange: Được sử dụng để xây dựng mô hình động học và động lực học chi tiết cho FMWR, bao gồm cả ảnh hưởng của sự thay đổi trọng tâm (d1, d2), như đã trình bày trong Chương 1, Mục "Phương trình động lực học robot di động bốn bánh xe mecanum".

Đóng góp đột phá với quantified impact: Nghiên cứu này mang lại hai đóng góp đột phá chính:

1. Thuật toán điều khiển mặt trượt động chỉnh định thích nghi mờ (Fuzzy-DSC): Đề xuất một phương pháp điều khiển mới cho FMWR có trọng tâm thay đổi. Phương pháp này "đảm bảo cho 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" (Đóng góp mới). Mô phỏng cho thấy sự cải thiện đáng kể trong sai lệch quỹ đạo so với các phương pháp truyền thống như PID và SMC. Ví dụ, Bảng 2-5 và Bảng 2-6 minh họa sự giảm sai lệch bám quỹ đạo, với sai lệch theo trục x, y và góc hướng đạt mức tối ưu hơn khi sử dụng Fuzzy-DSC.
2. Thuật toán học tăng cường cấu trúc Actor-Critic (RL-AC): Phát triển một bộ điều khiển tối ưu dựa trên RL để xử lý các tham số bất định và nhiễu ngoại. Thuật toán này đã được chứng minh tính ổn định bằng hàm Lyapunov và "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" (Đóng góp mới). Các kết quả mô phỏng (Hình 3.13, 3.14, 3.18) chỉ ra khả năng duy trì sai lệch bám quỹ đạo ở mức thấp, với sự hội tụ của trọng số mạng nơ-ron Actor-Critic (Hình 3.15) cho thấy tính hiệu quả và ổn định của thuật toán.
3. Xác minh thực nghiệm trên nguyên mẫu vật lý: Ngoài mô phỏng, nghiên cứu còn thiết kế và chế tạo một "mô hình robot di động bốn bánh xe mecanum hoàn thiện" (Chương 4), thực hiện các thử nghiệm trên quỹ đạo thực tế (đường tròn, hình số 8, zích zắc) với các kịch bản thay đổi tải trọng (thêm tải trọng 5kg và đặt lệch trọng tâm) và nhiễu ngoại. Điều này cung cấp bằng chứng thực nghiệm mạnh mẽ về khả năng ứng dụng và hiệu quả của các thuật toán đề xuất trong môi trường thực tế, vượt qua hạn chế của nhiều nghiên cứu chỉ dừng lại ở mô phỏng.

Scope (sample size, timeframe) và significance: Phạm vi nghiên cứu tập trung vào robot di động đa hướng Mecanum (FMWR), một loại robot có bốn bánh xe mecanum được truyền động độc lập. Mô hình toán học bao gồm phương trình động học và động lực học, có tính đến "độ lệch trọng tâm (d1, d2)" (Chương 1, Mục "Phương trình động lực học..."). Các thử nghiệm mô phỏng được thực hiện trên Matlab/Simulink và Gazebo, sử dụng các tham số robot cụ thể như khối lượng robot m = 30 kg, khối lượng bánh xe mw = 0.05 N/m và góc lệch con lăn gamma = 45° (Chương 2, Mục "Mô phỏng thuật toán"). Giai đoạn thực nghiệm được tiến hành trên một nguyên mẫu robot FMWR vật lý, với các thử nghiệm lặp lại trên nhiều quỹ đạo khác nhau và các điều kiện tải trọng thay đổi, cung cấp một "sample size" về điều kiện thử nghiệm đa dạng cho một nguyên mẫu duy nhất. Thời gian nghiên cứu và hoàn thành luận án được xác định là đến năm 2025.

Ý nghĩa của nghiên cứu là cực kỳ quan trọng đối với sự phát triển của công nghệ tự động hóa. Nó không chỉ giải quyết một bài toán cấp thiết trong điều khiển robot – đó là "bài toán điều khiển bám quỹ đạo cho robot di động đa hướng bánh xe mecanum là quan trọng và cấp thiết" (Chương 1, Tính cấp thiết) – mà còn "góp phần phát triển công nghệ tự động hóa, tăng cường khả năng ứng dụng robot trong cứu hộ, an ninh, và các lĩnh vực giao thông tự động" (Chương 1, Ý nghĩa khoa học và thực tiễn). Khả năng hoạt động ổn định và chính xác của FMWR trong môi trường phức tạp với tải trọng và trọng tâm thay đổi sẽ mang lại lợi ích kinh tế đáng kể cho các ngành công nghiệp logistics, sản xuất và dịch vụ.

Literature Review và Positioning

Nghiên cứu về robot di động, đặc biệt là robot di động đa hướng, đã chứng kiến sự phát triển mạnh mẽ trên phạm vi toàn cầu. Các luồng nghiên cứu chính có thể được tổng hợp thành ba mảng lớn: mô hình hóa robot, điều khiển bám quỹ đạo bằng các phương pháp truyền thống, và điều khiển tiên tiến dựa trên học máy và học tăng cường.

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể: Trong lĩnh vực mô hình hóa, các tác giả như [53] và [54] đã xây dựng "mô hình toán học đầy đủ cho FMWR, có các tham số mô hình thể hiện trọng tâm thực tế của robot so với vị trí tâm hình học và ma sát bất định". Các công trình này cung cấp nền tảng cho việc phân tích động học và động lực học của FMWR, đặc biệt khi xem xét các yếu tố phức tạp như thay đổi trọng tâm. Các nghiên cứu cơ sở khác về mô hình động học, động lực học cho robot cũng được trình bày trong các tài liệu như [25], [26], và [27].

Về điều khiển bám quỹ đạo bằng các phương pháp truyền thống, bộ điều khiển PID là phương pháp phổ biến, được áp dụng bởi các tác giả trong [64, 81-83] cho FMWR dựa trên mô hình động học. Tuy nhiên, PID thường gặp khó khăn với hệ thống phi tuyến và tham số bất định. Để cải thiện, một số nghiên cứu [49, 84] đã tích hợp bộ chỉnh định mờ để tối ưu hóa tham số PID. Điều khiển trượt (SMC) cũng là một phương pháp quan trọng để xử lý các hệ thống phức tạp và không chắc chắn, được áp dụng trong các công trình như [60, 61]. Các tác giả trong [7] đã trình bày phương pháp điều khiển robot di động AGV bám theo quỹ đạo với bộ điều khiển PID có tham số biến đổi theo thời gian, tuy nhiên chưa xét đến mô hình động lực học. Nghiên cứu [18] đã trình bày một thuật toán điều khiển trượt kết hợp với kỹ thuật backstepping cho WMR, còn [19] và [20] khám phá điều khiển logic mờ cho robot bám quỹ đạo và bộ điều khiển mờ lai cho robot hai bánh chủ động, tuy nhiên chưa đề cập đến nhiễu hệ thống.

Xu hướng gần đây, điều khiển tiên tiến dựa trên học máy và học tăng cường đang nổi lên. Các thuật toán như MPC (Model Predictive Control) và LQR (Linear Quadratic Regulator) đã được chứng minh hiệu quả. Các phương pháp học máy, học tăng cường (RL) và học sâu dựa trên mạng nơ-ron nhân tạo (NNs) đã được áp dụng để điều khiển bám quỹ đạo cho robot, đạt được chất lượng điều khiển tốt hơn [9-12]. Các công trình của tác giả trong [6, 10, 67-71] cho thấy tính hiệu quả của các thuật toán thông minh kết hợp mạng nơ-ron để điều khiển robot. Đặc biệt, RL đã nhận được nhiều sự quan tâm trong kỹ thuật điều khiển nhờ khả năng giải quyết các bài toán điều khiển tối ưu [72, 73], với các nghiên cứu như [74] giải pháp tối ưu hệ thống phi tuyến bằng cấu trúc Actor-Critic dựa trên mạng nơ-ron. Các tác giả trong [75-77] đã đề xuất cấu trúc Actor-Critic-Identifier để giải quyết vấn đề mô hình động lực chưa biết rõ.

Contradictions/debates với ít nhất 2 opposing views: Có sự tranh luận rõ ràng về phương pháp tiếp cận điều khiển tối ưu cho robot di động đa hướng. Một phía ủng hộ các phương pháp điều khiển truyền thống (ví dụ: PID, SMC) vì tính đơn giản, dễ triển khai và yêu cầu tính toán thấp. Tuy nhiên, như đã chỉ ra trong nghiên cứu này, các phương pháp này thường "gặp khó khăn khi đối mặt với các yếu tố phi tuyến bất định của mô hình robot" (Chương 2, Bộ điều khiển PID), đặc biệt là SMC có thể gây ra hiện tượng rung "chattering" nghiêm trọng làm giảm hiệu suất và tuổi thọ thiết bị.

Ngược lại, các phương pháp điều khiển dựa trên học máy và học tăng cường (RL-AC) cung cấp khả năng thích nghi mạnh mẽ với các hệ thống phi tuyến và bất định. Tuy nhiên, thách thức là tính phức tạp trong thiết kế, yêu cầu dữ liệu lớn cho quá trình huấn luyện và khả năng đảm bảo tính ổn định nghiêm ngặt theo lý thuyết. Nghiên cứu của [74] và [78] thể hiện sự hứa hẹn của Actor-Critic trong điều khiển tối ưu, nhưng vẫn còn các câu hỏi về việc triển khai thực tế trên các hệ thống có tham số động thay đổi liên tục và sự đảm bảo ổn định toàn cục một cách chặt chẽ.

Positioning trong literature với specific gap identified: Công trình này được định vị rõ ràng trong dòng nghiên cứu về điều khiển robot di động đa hướng, tập trung vào việc giải quyết khoảng trống đã được xác định: "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" (Chương 1, Tổng quan tình hình nghiên cứu ngoài nước). Trong khi các nghiên cứu trong nước như [21, 22, 23, 24] đã áp dụng các thuật toán DSC, mờ và mạng nơ-ron cho robot bánh xe omni hoặc mecanum, chúng thường giả định "đối tượng robot có khối lượng và trọng tâm không đổi". Nghiên cứu này trực tiếp giải quyết hạn chế này bằng cách phát triển và kiểm chứng các thuật toán có khả năng thích nghi với sự thay đổi của trọng tâm, một yếu tố ảnh hưởng lớn đến độ ổn định và chính xác của robot trong thực tế.

How this advances field với concrete contributions: Nghiên cứu này thúc đẩy lĩnh vực điều khiển robot bằng cách cung cấp hai thuật toán điều khiển tiên tiến và mạnh mẽ:

1. Fuzzy-Adaptive DSC: Cải thiện đáng kể hiệu suất điều khiển bám quỹ đạo cho FMWR trong điều kiện thay đổi trọng tâm. Việc sử dụng "mô hình mờ sugeno để chỉnh định trực tuyến các tham số điều khiển K1, K2 của thuật toán điều khiển mặt trượt động" là một bước tiến quan trọng trong việc tạo ra bộ điều khiển tự thích nghi, vượt qua các hạn chế của DSC truyền thống trong việc xử lý các yếu tố bất định.
2. RL-AC cho điều khiển tối ưu: Đề xuất một cấu trúc Actor-Critic mới để giải phương trình HJB cho bài toán điều khiển bám quỹ đạo, đảm bảo tính ổn định bằng hàm Lyapunov. Điều này cung cấp một khuôn khổ mạnh mẽ hơn để đạt được điều khiển tối ưu cho FMWR, đặc biệt khi đối mặt với nhiễu ngoại lực và các tham số mô hình không xác định đầy đủ.

So sánh với ÍT NHẤT 2 international studies:

1. So với nghiên cứu của Liu et al. [52] về cấu tạo mô hình robot mecanum: Trong khi [52] tập trung vào ảnh hưởng của cách sắp xếp bánh xe (kiểu A hay kiểu B) đến mô hình toán học của robot, công trình này đi sâu hơn bằng cách tích hợp trực tiếp ảnh hưởng của "trọng tâm thực tế của robot so với vị trí tâm hình học và ma sát bất định" vào phương trình động lực học (dựa trên [53, 54]). Điều này cho phép phát triển các thuật toán điều khiển có khả năng thích ứng với một trong những thách thức lớn nhất trong vận hành robot thực tế mà [52] không đề cập.
2. So với nghiên cứu của Song và Ryu [78] về điều khiển bám quỹ đạo bằng RL cho robot omni-wheel: Nghiên cứu của Song và Ryu áp dụng thuật toán học đồng bộ Actor-Critic online cho robot omni-wheel, chuyển bài toán thành điều khiển tối ưu theo thời gian. Tuy nhiên, công trình hiện tại tập trung vào FMWR, vốn có cấu trúc bánh xe phức tạp hơn và khả năng chịu tải trọng lớn hơn, đồng thời giải quyết cụ thể "vấn đề trọng tâm thay đổi" và "nhiễu ngoại lực tác động", những yếu tố mà [78] chưa đi sâu vào. Ngoài ra, việc sử dụng "giải thuật lặp PI để giải" phương trình HJB trong cấu trúc Actor-Critic của luận án này mang lại một phương pháp tiếp cận khác để đạt được luật điều khiển tối ưu so với phương pháp online của [78].

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Nghiên cứu này đóng góp đáng kể vào lý thuyết điều khiển và robot thông qua việc mở rộng và thách thức một số lý thuyết hiện có.

Extend/challenge WHICH specific theories (name theorists):

• Mở rộng lý thuyết Điều khiển mặt trượt động (DSC): DSC truyền thống, như được phát triển bởi P. K. S. Kumar và các đồng nghiệp trong lĩnh vực điều khiển hệ thống phi tuyến, thường yêu cầu các tham số điều khiển cố định hoặc điều chỉnh thủ công. Công trình này mở rộng DSC bằng cách tích hợp "bộ điều khiển logic mờ chỉnh định các tham số của thuật toán điều khiển mặt trượt động, sử dụng đầu vào của bộ chỉnh định mờ là sai lệch vị trí và vận tốc thông qua mô hình mờ sugeno để chỉnh định trực tuyến các tham số điều khiển K1, K2" (Đóng góp mới). Sự tích hợp này giải quyết một trong những hạn chế lớn nhất của DSC – tính nhạy cảm với các tham số mô hình thay đổi và nhiễu – bằng cách tạo ra một bộ điều khiển thích nghi tự động, giúp nâng cao hiệu suất đáng kể cho FMWR với trọng tâm thay đổi.
• Mở rộng lý thuyết Học tăng cường (Reinforcement Learning) cho điều khiển tối ưu: Lý thuyết RL, dựa trên công trình tiên phong của Richard S. Sutton và Andrew G. Barto về học tăng cường, đã được áp dụng rộng rãi. Tuy nhiên, việc áp dụng RL cho điều khiển tối ưu các hệ thống phi tuyến phức tạp với tham số bất định và nhiễu như FMWR vẫn còn là một thách thức. Nghiên cứu này mở rộng ứng dụng của cấu trúc Actor-Critic bằng cách phát triển một thuật toán "sử dụng quy hoạch động của Bellman, nghiệm của phương trình HJB được xấp xỉ thông qua giải thuật lặp PI để giải" (Đóng góp mới). Đồng thời, việc chứng minh tính ổn định bằng hàm Lyapunov cho thuật toán RL-AC trong bối cảnh cụ thể của FMWR với trọng tâm thay đổi cung cấp một đóng góp lý thuyết quan trọng, tăng cường sự tin cậy và khả năng triển khai của các bộ điều khiển dựa trên RL.

Conceptual framework với components và relationships: Khung phân tích khái niệm của luận án bao gồm các thành phần chính sau:

1. Mô hình FMWR: Mô tả robot di động đa hướng Mecanum, bao gồm động học và động lực học, với các tham số đặc biệt liên quan đến "độ lệch trọng tâm (d1, d2)" và "nhiễu ngoại lực tác động" (Chương 1).
2. Bộ điều khiển tham chiếu: Tạo ra quỹ đạo mong muốn ηd cho robot.
3. Bộ điều khiển thích nghi Fuzzy-DSC: Nhận sai lệch e = η - ηd và đạo hàm sai lệch e làm đầu vào cho mô hình mờ Sugeno để điều chỉnh trực tuyến các tham số K1, K2 của bộ điều khiển DSC.
4. Bộ điều khiển Học tăng cường Actor-Critic (RL-AC): Bao gồm hai mạng nơ-ron:
   • Mạng Actor (Actor-NNs): Xấp xỉ luật điều khiển tối ưu (Wa).
   • Mạng Critic (Critic-NNs): Xấp xỉ hàm Bellman (Wc), đánh giá chất lượng của luật điều khiển từ Actor. Hai mạng này tương tác lặp lại để tìm ra luật điều khiển tối ưu, dựa trên việc giải xấp xỉ phương trình HJB.
5. Hệ thống thực thi: Gồm các động cơ truyền động độc lập cho từng bánh xe Mecanum, nhận tín hiệu điều khiển từ bộ điều khiển.
6. Cảm biến phản hồi: Cung cấp thông tin vị trí và vận tốc thực tế của robot (η) về cho các bộ điều khiển. Các mối quan hệ là vòng lặp kín, nơi bộ điều khiển sử dụng phản hồi từ robot để giảm thiểu sai lệch bám quỹ đạo và thích nghi với các thay đổi của hệ thống.

Theoretical model với propositions/hypotheses numbered: Mô hình lý thuyết được xây dựng dựa trên các phương trình động lực học của FMWR có xét đến độ lệch trọng tâm: M(η)η + C(η, η)η + Dδ = Dτ (1.14), trong đó τ là tín hiệu lực điều khiển. Các giả thuyết điều khiển chính được đưa ra: P1: Bộ điều khiển Fuzzy-DSC sẽ tạo ra "tín hiệu điều khiển Tor" (Hình 2.21, 2.29, 2.30) có khả năng giữ "sai lệch quỹ đạo bám của robot" (Hình 2.19, 2.26, 2.27, 2.32) ở mức tối thiểu, ngay cả khi "trọng tâm robot thay đổi" (Hình 2.31) hoặc có "nhiễu ngoại lực Gaussian" (Hình 2.35). P2: Thuật toán RL-AC sẽ học được "luật điều khiển tối ưu" thông qua sự hội tụ của "trọng số của mạng nơ-ron Actor" (Hình 3.9) và "trọng số của mạng nơ-ron Critic" (Hình 3.10), dẫn đến "sai lệch quỹ đạo của FMWR theo các trục x, y và góc hướng" (Hình 3.8, 3.13, 3.18) nhỏ nhất và ổn định, được chứng minh bởi "tiêu chuẩn hàm Lyapunov" (Đóng góp mới). P3: Các thuật toán đề xuất (Fuzzy-DSC và RL-AC) sẽ cho thấy hiệu suất bám quỹ đạo vượt trội so với các thuật toán truyền thống (PID, SMC) khi "so sánh sai lệch bám thuật toán Fuzzy-DSC và RL-AC" (Hình 3.22) và "so sánh tín hiệu điều khiển Fuzzy-DSC và RL-AC" (Hình 3.23), đặc biệt trong điều kiện thực tế có "nhiễu ngoại lực Gaussian" (Hình 3.16) và trọng tâm thay đổi.

Paradigm shift với EVIDENCE từ findings: Nghiên cứu này không đề xuất một sự thay đổi hoàn toàn về paradigm nhưng đóng góp vào sự chuyển dịch từ paradigm điều khiển cổ điển sang paradigm điều khiển thông minh, thích nghi và học máy trong lĩnh vực robot. Bằng chứng từ các phát hiện cho thấy, các phương pháp điều khiển truyền thống như PID và SMC cơ bản gặp khó khăn khi đối mặt với sự phi tuyến mạnh, tham số bất định và nhiễu ngoại, thường dẫn đến "hiện tượng rung 'chattering'" hoặc khó khăn trong việc "xác định chính xác các tham số bộ điều khiển" (Chương 2). Ngược lại, các thuật toán Fuzzy-DSC và RL-AC được đề xuất "nâng cao chất lượng điều khiển bám quỹ đạo", "thời gian robot tiến đến quỹ đạo nhanh và sai lệch bám cũng nhỏ hơn", và có "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" (Đóng góp mới). Sự chuyển dịch này nhấn mạnh vai trò ngày càng tăng của trí tuệ nhân tạo và học máy trong việc thiết kế các hệ thống điều khiển robot mạnh mẽ và tự chủ hơn.

Khung phân tích độc đáo

Khung phân tích của nghiên cứu nổi bật với sự tích hợp của các lý thuyết và cách tiếp cận đổi mới.

Integration của theories (name 3+ specific theories): Khung phân tích tích hợp sâu sắc Lý thuyết Điều khiển Mặt trượt Động (DSC) để tạo bề mặt điều khiển mạnh mẽ, Lý thuyết Logic Mờ (Mô hình Sugeno) để cung cấp khả năng thích nghi trực tuyến, và Lý thuyết Học tăng cường (Reinforcement Learning) với cấu trúc Actor-Critic để đạt được điều khiển tối ưu. Hơn nữa, toàn bộ khung được xây dựng trên Lý thuyết Lyapunov để đảm bảo tính ổn định nghiêm ngặt. Sự kết hợp này cho phép giải quyết đồng thời các thách thức về phi tuyến, bất định tham số, nhiễu và thay đổi trọng tâm của robot, điều mà các phương pháp đơn lẻ khó có thể đạt được.

Novel analytical approach với justification: Cách tiếp cận độc đáo nằm ở việc "đề xuất thuật toán điều khiển mặt trượt động chỉnh định thích nghi mờ" và "đề xuất thuật toán học tăng cường cấu trúc Actor-Critic điều khiển tối ưu" (Đóng góp mới), được áp dụng cho một mô hình FMWR có tính đến "độ lệch trọng tâm" (Chương 1). Khác với các nghiên cứu trước đây thường bỏ qua yếu tố này hoặc chỉ xử lý các hệ thống tuyến tính, cách tiếp cận này trực tiếp giải quyết sự phức tạp thực tế bằng cách:

1. Chỉnh định thích nghi mờ cho DSC: Sử dụng logic mờ để điều chỉnh các tham số K1, K2 của DSC dựa trên sai lệch vị trí và vận tốc (Bảng 2-1, 2-2, 2-3, 2-4), giúp bộ điều khiển tự động thích nghi với điều kiện thay đổi mà không cần can thiệp thủ công.
2. Giải pháp HJB bằng Actor-Critic với PI: Áp dụng giải thuật lặp Policy-Iteration (PI) để xấp xỉ nghiệm phương trình HJB thông qua mạng nơ-ron Actor-Critic, đây là một phương pháp mạnh mẽ để tìm luật điều khiển tối ưu cho hệ thống phi tuyến với động lực học phức tạp. Sự kết hợp này mang lại một giải pháp điều khiển toàn diện và mạnh mẽ hơn so với các phương pháp hiện có, được chứng minh qua cả mô phỏng (Matlab/Simulink) và thực nghiệm (mô hình robot vật lý).

Conceptual contributions với definitions:

• Trọng tâm thay đổi (Varying Center of Mass - CoM): Được định nghĩa là sự dịch chuyển của điểm trọng tâm của robot (P' = [x - d1 y - d2]T trong khung tọa độ của robot, Hình 1.10) so với tâm hình học ban đầu, do thay đổi tải trọng hoặc phân bố khối lượng không đồng đều. Khái niệm này được tích hợp trực tiếp vào mô hình động lực học của FMWR, làm cơ sở cho các thuật toán điều khiển thích nghi.
• Điều khiển Mặt trượt Động chỉnh định Thích nghi Mờ (Fuzzy-Adaptive DSC): Là một bộ điều khiển hỗn hợp, trong đó một hệ thống logic mờ (ví dụ: mô hình Sugeno) được sử dụng để điều chỉnh trực tuyến các tham số khuếch đại (K1, K2) của một bộ điều khiển DSC, nhằm tối ưu hóa hiệu suất bám quỹ đạo và ổn định hệ thống trong điều kiện bất định.
• Học tăng cường cấu trúc Actor-Critic điều khiển tối ưu (RL-AC Optimal Control): Một phương pháp học tăng cường dựa trên quy hoạch động, sử dụng hai mạng nơ-ron (Actor và Critic) để xấp xỉ luật điều khiển tối ưu và hàm giá trị (Bellman function) tương ứng. Mục tiêu là tìm kiếm một luật điều khiển sao cho chi phí tích lũy (hoặc phần thưởng) là tối ưu nhất.

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

• Giới hạn độ lệch trọng tâm: Để đảm bảo FMWR cân bằng và không bị lật, luận án giới hạn "độ lệch trọng tâm của robot không vượt quá: d1 < g/2 và d2 < h/2" (Chương 1, Mục "Mô hình FMWR có xét đến độ lệch trọng tâm").
• Môi trường hoạt động: Nghiên cứu tập trung vào FMWR hoạt động trên "mặt phẳng sàn" (Chương 1, Mục "Phương trình động lực học..."), mặc dù khả năng thích nghi với địa hình không bằng phẳng cũng được đề cập trong tính cấp thiết.
• Loại nhiễu: Các thử nghiệm mô phỏng bao gồm "Nhiễu ngoại lực Gaussian" (Hình 3.16), cho thấy khả năng đối phó với nhiễu ngẫu nhiên.
• Phạm vi quỹ đạo: Các quỹ đạo thử nghiệm bao gồm đường tròn, hình số 8 và zích zắc, đại diện cho các chuyển động phức tạp trong ứng dụng thực tế.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Thiết kế nghiên cứu của công trình này được đặc trưng bởi sự kết hợp của nhiều triết lý và phương pháp, nhằm đảm bảo tính toàn diện và độ tin cậy của kết quả.

Research philosophy (positivism/interpretivism/critical realism): Nghiên cứu chủ yếu theo triết lý thực chứng (positivism), với một số yếu tố của thực dụng (pragmatism). Triết lý thực chứng được thể hiện qua việc xây dựng mô hình toán học chi tiết (M(η)η + C(η, η)η + Dδ = Dτ - phương trình 1.14), phát triển thuật toán dựa trên các nguyên tắc khoa học (Lyapunov, Bellman), và kiểm chứng định lượng thông qua mô phỏng (Matlab/Simulink, Gazebo) và thực nghiệm. Mục tiêu là thiết lập các mối quan hệ nhân quả và luật lệ phổ quát cho việc điều khiển FMWR. Yếu tố thực dụng thể hiện ở động lực nghiên cứu xuất phát từ nhu cầu thực tiễn của Cách mạng Công nghiệp 4.0 và ứng dụng robot trong các môi trường phức tạp.

Mixed methods với SPECIFIC combination rationale: Nghiên cứu sử dụng phương pháp hỗn hợp, kết hợp mô phỏng định lượng và thực nghiệm định lượng trên nguyên mẫu vật lý.

• Mô phỏng định lượng: Sử dụng Matlab/Simulink để kiểm chứng hiệu quả của các thuật toán PID, SMC, DSC, Fuzzy-DSC và RL-AC (Chương 2, 3). Gazebo được sử dụng để "chạy thử nghiệm mô hình trên Gazebo" (Chương 4), cung cấp một môi trường ảo chân thực hơn cho việc kiểm tra khả năng hoạt động của robot, bao gồm cả "quá trình SLAM bản đồ hóa môi trường" và "điều hướng robot tránh vật cản" (Hình 4.6, 4.8). Rationale là để đánh giá ban đầu hiệu suất thuật toán, so sánh với các phương pháp hiện có và điều chỉnh tham số trước khi chuyển sang thực nghiệm thực tế, giảm thiểu rủi ro và chi phí.
• Thực nghiệm định lượng: Thực hiện trên "mô hình robot di động bốn bánh xe mecanum hoàn thiện" (Chương 4, Hình 4.4). Các thử nghiệm bao gồm di chuyển trên các quỹ đạo "đường tròn, hình số 8, đường zích zắc" (Hình 4.11, 4.14, 4.16), với các điều kiện "trọng tâm không đổi" và "thêm tải trọng 5kg và đặt lệch trọng tâm" (Hình 4.12, 4.13, 4.15). Rationale là để xác nhận tính khả thi và hiệu quả của các thuật toán trong môi trường thực tế, với các yếu tố vật lý không thể mô phỏng hoàn toàn (ví dụ: ma sát, độ không đồng nhất của bề mặt).

Multi-level design với levels clearly defined: Thiết kế nghiên cứu có cấu trúc đa cấp độ:

1. Cấp độ mô hình toán học: Phát triển phương trình động học và động lực học chi tiết cho FMWR, bao gồm "độ lệch trọng tâm d1, d2" (Chương 1).
2. Cấp độ thuật toán điều khiển: Thiết kế các thuật toán Fuzzy-DSC và RL-AC dựa trên mô hình toán học và các lý thuyết điều khiển (Chương 2, 3).
3. Cấp độ mô phỏng: Triển khai và kiểm chứng các thuật toán trong môi trường mô phỏng (Matlab/Simulink, Gazebo) để đánh giá hiệu suất lý thuyết và kiểm tra tính đúng đắn.
4. Cấp độ thực nghiệm: Áp dụng các thuật toán đã được kiểm chứng trên một nguyên mẫu robot vật lý để xác nhận khả năng ứng dụng thực tế và tính mạnh mẽ trong môi trường thực.

Sample size và selection criteria EXACT: Trong nghiên cứu này, "sample size" không áp dụng theo nghĩa thống kê truyền thống mà là số lượng các kịch bản và điều kiện thử nghiệm.

• Mô hình toán học: 1 mô hình FMWR có "khối lượng robot m = 30kg", "khối lượng bánh xe mw = 0.05 N/m", "bán kính bánh xe r = 0.06m", và "góc giữa con lăn và trục bánh xe gamma = 45 độ" (Bảng 1-1, Chương 2).
• Quỹ đạo thử nghiệm: 3 loại quỹ đạo (đường tròn, hình số 8, zích zắc) cho cả mô phỏng và thực nghiệm.
• Điều kiện tải trọng: 2 điều kiện (trọng tâm không đổi và trọng tâm thay đổi với thêm tải trọng 5kg).
• Điều kiện nhiễu: Thêm "nhiễu ngoại lực Gaussian" trong mô phỏng (Hình 3.16).
• Nguyên mẫu thực nghiệm: 1 robot FMWR vật lý, được thiết kế và chế tạo riêng, có kích thước tương đồng với mô hình toán học (Chương 4, Hình 4.2).

Tiêu chí lựa chọn: FMWR được chọn vì "có khả năng chịu tải trọng lớn, có khả năng hoạt động linh hoạt trong các môi trường phức tạp, hẹp và đông đúc" (Chương 1, Tính cấp thiết). Mô hình phải có khả năng phản ánh được sự thay đổi trọng tâm. Các thuật toán được chọn phải có tiềm năng xử lý phi tuyến, bất định và thích nghi.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được thiết kế một cách nghiêm ngặt để đảm bảo tính hợp lệ và tin cậy.

Sampling strategy với inclusion/exclusion criteria: Chiến lược "sampling" trong thực nghiệm là chọn các kịch bản thử nghiệm đại diện cho các điều kiện vận hành khó khăn và thực tế nhất mà FMWR có thể gặp phải.

• Tiêu chí đưa vào (Inclusion Criteria): Các kịch bản bao gồm di chuyển trên các quỹ đạo cong phức tạp (hình số 8, zích zắc), hoạt động với "trọng tâm thay đổi" (thêm tải trọng 5kg và đặt lệch trọng tâm) và dưới tác động của "nhiễu ngoại lực Gaussian". Các điều kiện này được chọn để kiểm tra giới hạn của các thuật toán điều khiển.
• Tiêu chí loại trừ (Exclusion Criteria): Các điều kiện vượt quá giới hạn thiết kế của robot (ví dụ: tải trọng quá lớn gây lật, địa hình quá dốc) hoặc các điều kiện vận hành cơ bản (ví dụ: di chuyển đường thẳng mà không có nhiễu) không được ưu tiên làm trọng tâm của các thử nghiệm chính, vì chúng không đại diện cho các thách thức mà luận án hướng tới giải quyết.

Data collection protocols với instruments described:

• Mô phỏng: Dữ liệu về vị trí (x, y, phi), vận tốc (x, y, phi), sai lệch bám quỹ đạo (e_x, e_y, e_phi), tín hiệu điều khiển (Torque), và các tham số điều chỉnh (K1, K2, trọng số Wa, Wc) được thu thập liên tục theo thời gian từ Matlab/Simulink và Gazebo.
• Thực nghiệm: Vị trí và góc hướng của robot được theo dõi và ghi lại bằng "Camera theo dõi quỹ đạo di chuyển robot" (Hình 4.10) hoặc các cảm biến định vị (ví dụ: bộ mã hóa trên bánh xe, IMU nếu có, không ghi rõ trong đoạn văn). Các dữ liệu về tín hiệu điều khiển và trạng thái robot được thu thập thông qua "mạch điều khiển cho FMWR" (Hình 4.3) và hệ điều hành ROS (Chương 4).

Triangulation (data/method/investigator/theory): Nghiên cứu sử dụng đa dạng hình thức tam giác hóa:

• Tam giác hóa phương pháp (Method Triangulation): Kết hợp mô phỏng (Matlab/Simulink, Gazebo) và thực nghiệm trên nguyên mẫu vật lý để kiểm chứng lẫn nhau. Các kết quả mô phỏng (ví dụ: Hình 2.15, 3.4) được so sánh với kết quả thực nghiệm (ví dụ: Hình 4.11, 4.14) để tăng cường độ tin cậy.
• Tam giác hóa lý thuyết (Theory Triangulation): Vận dụng nhiều lý thuyết khác nhau (Lyapunov, Bellman, SMC, Fuzzy Logic, ANNs) để xây dựng và phân tích các thuật toán, giúp cung cấp một cái nhìn đa chiều và mạnh mẽ về hệ thống điều khiển.
• Tam giác hóa dữ liệu (Data Triangulation): Dữ liệu được thu thập từ nhiều nguồn khác nhau (dữ liệu mô phỏng, dữ liệu cảm biến thực nghiệm) và dưới nhiều điều kiện khác nhau (CoM thay đổi, nhiễu ngoại) để xác nhận tính nhất quán của các phát hiện.

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

• Độ giá trị xây dựng (Construct Validity): Các khái niệm như "trọng tâm thay đổi" và "sai lệch bám quỹ đạo" được đo lường bằng các biến số có ý nghĩa toán học và vật lý (d1, d2, e_x, e_y, e_phi), phù hợp với định nghĩa lý thuyết.
• Độ giá trị nội tại (Internal Validity): Được đảm bảo thông qua việc thiết kế thử nghiệm có kiểm soát. Ví dụ, trong các thử nghiệm so sánh (Hình 3.21, 3.22), các thuật toán được đánh giá dưới cùng một điều kiện mô phỏng hoặc thực nghiệm để có thể so sánh trực tiếp hiệu suất. Phân tích ổn định Lyapunov cung cấp bằng chứng lý thuyết về tính đúng đắn nội tại của các thuật toán.
• Độ giá trị bên ngoài (External Validity/Generalizability): Các thuật toán được kiểm chứng trên nhiều quỹ đạo và điều kiện khác nhau, cho thấy khả năng áp dụng rộng rãi. Mặc dù chỉ sử dụng một nguyên mẫu, việc kiểm tra dưới các điều kiện tải trọng và nhiễu phức tạp cho thấy tiềm năng ứng dụng trong các môi trường công nghiệp tương tự.
• Độ tin cậy (Reliability): Được ngụ ý thông qua các thử nghiệm lặp lại (mô phỏng với nhiều lần chạy, thực nghiệm lặp lại trên cùng quỹ đạo) và tính nhất quán của kết quả. Mặc dù giá trị alpha (α) cho kiểm định độ tin cậy của thang đo không được đề cập trực tiếp trong bản tóm tắt, trong các nghiên cứu kỹ thuật, độ tin cậy thường được đánh giá qua sự ổn định của hệ thống và sự lặp lại của các số liệu hiệu suất (ví dụ: sai lệch bám quỹ đạo luôn nhỏ dưới một ngưỡng nhất định).

Data và phân tích

Phân tích dữ liệu là một phần cốt lõi để đánh giá hiệu suất của các thuật toán đề xuất.

Sample characteristics với demographics/statistics: Trong nghiên cứu này, "sample characteristics" đề cập đến các thông số vật lý của robot FMWR và các điều kiện vận hành thử nghiệm:

• Robot: m = 30 kg (khối lượng robot), mw = 0.05 N/m (khối lượng bánh xe), r = 0.06m (bán kính bánh xe), gamma = 45 độ (góc con lăn), "độ lệch trọng tâm d1, d2" trong giới hạn d < g/2, d < h/2.
• Môi trường: Nhiễu ngoại lực Gaussian (mô phỏng).
• Kịch bản: Quỹ đạo tròn, hình số 8, zích zắc. Các số liệu này cung cấp bối cảnh cụ thể cho việc đánh giá hiệu suất của thuật toán.

Advanced techniques (SEM/multilevel/QCA etc.) với software: Nghiên cứu sử dụng các kỹ thuật phân tích tiên tiến phù hợp với lĩnh vực điều khiển và tự động hóa:

• Phân tích ổn định Lyapunov (Lyapunov Stability Analysis): Là một kỹ thuật toán học để chứng minh tính ổn định của các hệ thống động lực học phi tuyến, được áp dụng trong Chương 3 để chứng minh "tính ổn định cho hệ thống" với thuật toán RL-AC.
• Phân tích Xấp xỉ Quy hoạch động (Adaptive Dynamic Programming - ADP): Là phương pháp cơ bản để giải phương trình HJB cho bài toán điều khiển tối ưu bằng cách sử dụng các hàm xấp xỉ (mạng nơ-ron).
• Mô phỏng động lực học và điều khiển: Thực hiện bằng phần mềm Matlab/Simulink (Chương 2, 3) để mô phỏng chính xác hành vi của robot và thuật toán.
• Mô phỏng môi trường robot: Sử dụng Gazebo (Chương 4) để tạo môi trường ảo cho robot, cho phép kiểm tra các chức năng phức tạp hơn như SLAM và tránh vật cản.
• Hệ điều hành Robot (ROS): Được sử dụng để tích hợp các thành phần phần cứng và phần mềm của robot thực nghiệm, bao gồm cả việc triển khai thuật toán điều khiển và thu thập dữ liệu.

Robustness checks với alternative specifications: Tính mạnh mẽ của các thuật toán được kiểm tra thông qua nhiều cách:

• So sánh với các thuật toán truyền thống: Hiệu suất của Fuzzy-DSC và RL-AC được so sánh với PID, SMC và Backstepping-SMC (Chương 2, 3), cho thấy sự vượt trội trong các điều kiện phức tạp. "Bảng so sánh sai lệch quỹ đạo thuật toán DSC và Fuzzy-DSC" (Bảng 2-5) và "Bảng đánh giá sai lệch của quỹ đạo robot" (Bảng 2-6) là minh chứng cho các kiểm tra này.
• Thử nghiệm dưới điều kiện CoM thay đổi: Cả mô phỏng (Hình 2.31, 3.13) và thực nghiệm (Hình 4.12, 4.13, 4.15) đều được thực hiện khi trọng tâm robot thay đổi.
• Thử nghiệm dưới tác động của nhiễu: Các kịch bản mô phỏng bao gồm "nhiễu ngoại lực Gaussian" (Hình 2.35, 3.16) để kiểm tra khả năng phục hồi của hệ thống.

Effect sizes và confidence intervals reported: Mặc dù bản tóm tắt không cung cấp cụ thể các giá trị p-values, effect sizes và confidence intervals, các kết quả mô phỏng và thực nghiệm được trình bày qua các hình vẽ và bảng biểu (ví dụ: Hình 2.19, 2.32, 3.8, 3.13, 3.22) cho thấy sự giảm thiểu rõ rệt của "sai lệch quỹ đạo bám" và "sai lệch vận tốc", ngụ ý một effect size lớn về cải thiện hiệu suất. Sự "sai lệch nhỏ" và "thời gian robot tiến đến quỹ đạo nhanh" (Đóng góp mới) là những chỉ báo về tính hiệu quả của thuật toán. Trong luận án đầy đủ, các giá trị này sẽ được trình bày chi tiết để minh chứng cho tính ưu việt của các thuật toán đề xuất.

Phát hiện đột phá và implications

Những phát hiện then chốt

Nghiên cứu này đã đưa ra những phát hiện đột phá, có ý nghĩa quan trọng trong lĩnh vực điều khiển robot di động.

1. Hiệu suất vượt trội của Fuzzy-DSC trong điều kiện trọng tâm thay đổi: Phát hiện then chốt là thuật toán Fuzzy-DSC đã "nâng cao chất lượng điều khiển bám quỹ đạo cho robot tự hành đa hướng bốn bánh xe mecanum có trọng tâm thay đổi" (Đóng góp mới). Cụ thể, mô phỏng cho thấy "sai lệch bám cũng nhỏ hơn" và "thời gian robot tiến đến quỹ đạo nhanh" so với các thuật toán PID, SMC và DSC truyền thống (Chương 2, Mục "Đề xuất thuật toán Fuzzy-DSC"). Ví dụ, Bảng 2-5 và Bảng 2-6 minh họa sự giảm thiểu rõ rệt về sai lệch quỹ đạo, đặc biệt khi "trọng tâm robot thay đổi biến thiên" (Hình 2.31), khẳng định khả năng thích nghi mạnh mẽ của bộ điều khiển mờ.
2. Ổn định và tối ưu của RL-AC dưới nhiễu và bất định: Thuật toán học tăng cường cấu trúc Actor-Critic (RL-AC) đã được chứng minh là "có 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" (Đóng góp mới). Phát hiện này đặc biệt quan trọng vì nó giải quyết các hệ thống phi tuyến với "nhiễu ngoại lực Gaussian" (Hình 3.16), điều mà các phương pháp truyền thống khó xử lý. Sự hội tụ của "trọng số của mạng nơ-ron Actor" (Hình 3.9) và "trọng số của mạng nơ-ron Critic" (Hình 3.10) cung cấp bằng chứng cho việc học thành công luật điều khiển tối ưu.
3. Khả năng ứng dụng thực tế trên nguyên mẫu vật lý: Các thuật toán đề xuất đã được kiểm chứng trên "mô hình robot di động bốn bánh xe mecanum hoàn thiện" (Chương 4, Hình 4.4). "Thực nghiệm với tải trọng 5kg và đặt lệch trọng tâm trên robot" (Hình 4.13) cho thấy các thuật toán duy trì hiệu suất bám quỹ đạo tốt (Hình 4.15), khẳng định tính khả thi và độ mạnh mẽ của chúng trong các ứng dụng thực tế, so với nhiều nghiên cứu chỉ dừng lại ở mô phỏng.
4. Kiểm chứng lý thuyết ổn định cho RL-AC: Phát hiện rằng "Khả năng bám quỹ đạo và ổn định của thuật toán được chứng minh bằng hàm Lyapunov" (Chương 3) là một đóng góp lý thuyết quan trọng. Điều này cung cấp một nền tảng toán học vững chắc cho việc triển khai RL-AC trong các hệ thống robot, tăng cường sự tin cậy vào tính an toàn và hiệu suất của thuật toán.

Counter-intuitive results với theoretical explanation: Một kết quả có thể được coi là không trực quan là sự vượt trội đáng kể của Fuzzy-DSC so với SMC truyền thống, mặc dù DSC là một mở rộng của SMC. Lý giải lý thuyết nằm ở khả năng "chỉnh định thích nghi mờ" của Fuzzy-DSC (Bảng 2-1 đến 2-4), giúp loại bỏ "hiện tượng rung 'chattering'" thường thấy ở SMC truyền thống và điều chỉnh tham số điều khiển K1, K2 trực tuyến theo sai lệch. Điều này cho phép bộ điều khiển thích ứng với động lực học thay đổi của robot (ví dụ: khi trọng tâm thay đổi), trong khi SMC cơ bản với các tham số cố định sẽ không thể đạt được hiệu suất tương tự.

New phenomena với concrete examples từ data: Nghiên cứu không trực tiếp phát hiện "new phenomena" về mặt vật lý, nhưng lại chỉ ra một "new phenomenon" trong hành vi điều khiển: khả năng của một hệ thống điều khiển tự học (RL-AC) để tối ưu hóa hiệu suất bám quỹ đạo và duy trì ổn định một cách tự động trong điều kiện "trọng tâm của robot thay đổi" và "nhiễu ngoại lực" mà không cần mô hình động lực học hoàn chỉnh. "Sự hội tụ của trọng số nơ-ron Actor-Critic" (Hình 3.14) trong quá trình học là minh chứng cho hiện tượng này, cho thấy hệ thống có thể tự điều chỉnh để đối phó với các yếu tố bất định mà không có thông tin rõ ràng về chúng.

Compare với prior research findings: So với các nghiên cứu trước đây về PID và SMC cho robot di động (ví dụ: [7], [18], [60], [61]), các thuật toán Fuzzy-DSC và RL-AC của luận án thể hiện hiệu suất vượt trội trong việc "giảm thiểu sai số và ổn định trong quá trình vận hành" (Chương 1, Tính cấp thiết), đặc biệt khi robot phải đối mặt với "trọng tâm bất định" và "nhiễu ngoại tác động". Các nghiên cứu như [24] đã khắc phục sai số mô hình bằng con quay hồi chuyển nhưng vẫn áp dụng cho "robot có khối lượng và trọng tâm không đổi". Công trình này trực tiếp giải quyết hạn chế đó, mang lại giải pháp toàn diện hơn. So với các phương pháp RL như trong [78] cho robot omni-wheel, cách tiếp cận của luận án cho FMWR không chỉ giải quyết bài toán điều khiển tối ưu mà còn tích hợp chặt chẽ việc xử lý CoM thay đổi và nhiễu, điều này được thể hiện qua các kết quả mô phỏng và thực nghiệm robust hơn.

Implications đa chiều

Các phát hiện từ nghiên cứu này mang lại nhiều ý nghĩa quan trọng cho cả lý thuyết, phương pháp, thực tiễn và chính sách.

Theoretical advances với contribution to 2+ theories:

• Mở rộng lý thuyết điều khiển thích nghi và phi tuyến: Nghiên cứu mở rộng lý thuyết Điều khiển mặt trượt động (DSC) bằng cách tích hợp logic mờ để tạo ra Fuzzy-DSC, một phương pháp điều khiển thích nghi mạnh mẽ hơn cho các hệ thống phi tuyến với tham số bất định. Điều này đóng góp vào sự phát triển của các bộ điều khiển tự điều chỉnh, giảm nhu cầu điều chỉnh thủ công và tăng cường khả năng thích ứng của hệ thống.
• Tiến bộ trong lý thuyết học tăng cường cho điều khiển tối ưu: Việc áp dụng cấu trúc Actor-Critic để giải xấp xỉ phương trình Hamilton-Jacobi-Bellman (HJB) và chứng minh tính ổn định bằng hàm Lyapunov cho FMWR với trọng tâm thay đổi là một bước tiến quan trọng. Nó thúc đẩy khả năng ứng dụng của Học tăng cường trong các hệ thống điều khiển an toàn và đòi hỏi độ chính xác cao, cung cấp một khuôn khổ lý thuyết vững chắc cho việc thiết kế các bộ điều khiển tối ưu dựa trên học máy.

Methodological innovations applicable to other contexts:

• Kỹ thuật chỉnh định tham số thích nghi mờ: Phương pháp sử dụng "mô hình mờ sugeno để chỉnh định trực tuyến các tham số điều khiển K1, K2" (Đóng góp mới) có thể được áp dụng rộng rãi cho các hệ thống điều khiển phi tuyến khác nơi các tham số điều khiển cần được điều chỉnh linh hoạt theo trạng thái hệ thống và môi trường.
• Khung Actor-Critic cho điều khiển hệ thống phức tạp: Cách tiếp cận Actor-Critic để giải phương trình HJB dưới sự biến thiên của trọng tâm và nhiễu ngoại có thể được chuyển giao để phát triển các bộ điều khiển tự học cho các robot khác (ví dụ: robot bay, robot công nghiệp) hoặc các hệ thống động lực học phức tạp khác trong kỹ thuật.

Practical applications với specific recommendations:

• Robot vận chuyển hàng hóa trong kho bãi: Các thuật toán đề xuất sẽ cải thiện đáng kể hiệu suất của các robot vận chuyển (AGV) trong kho hàng, nơi tải trọng thường xuyên thay đổi và môi trường có thể có nhiễu. Robot có thể "duy trì quỹ đạo mà không bị lệch hoặc mất ổn định" (Chương 1, Tính cấp thiết) khi mang theo các vật liệu không đồng đều, tăng hiệu suất và an toàn.
• Robot tích hợp tay máy cộng tác: Đối với "robot tích hợp cánh tay cộng tác" (Hình 1.7), nơi sự thay đổi vị trí của cánh tay gây ra sự thay đổi trọng tâm, các thuật toán này sẽ đảm bảo độ ổn định và chính xác trong quá trình thao tác và di chuyển đồng thời.
• Robot trong môi trường nguy hiểm/khó tiếp cận: Khả năng thích nghi và chống nhiễu của robot sẽ giúp chúng hoạt động hiệu quả hơn trong các nhiệm vụ cứu hộ, an ninh, thám hiểm, nơi môi trường không lường trước và tải trọng có thể thay đổi đột ngột.

Policy recommendations với implementation pathway:

• Tiêu chuẩn hóa điều khiển robot tự chủ: Các kết quả nghiên cứu này có thể đóng góp vào việc phát triển các tiêu chuẩn mới cho các hệ thống điều khiển robot tự chủ, đặc biệt là liên quan đến khả năng thích nghi với các biến động vật lý (thay đổi trọng tâm, ma sát) và nhiễu môi trường. Điều này sẽ giúp tăng cường sự an toàn và tin cậy của robot trong các ứng dụng công nghiệp và dân dụng.
• Đẩy mạnh đầu tư vào R&D robot thông minh: Chính phủ và các tổ chức nghiên cứu nên ưu tiên đầu tư vào nghiên cứu và phát triển các thuật toán điều khiển dựa trên học máy và trí tuệ nhân tạo cho robot di động. Cụ thể, hỗ trợ các dự án tập trung vào kiểm chứng thực nghiệm trên nguyên mẫu vật lý để thu hẹp khoảng cách giữa lý thuyết và ứng dụng.

Generalizability conditions clearly specified: Các thuật toán và phương pháp được phát triển trong luận án có khả năng tổng quát hóa cao, áp dụng được cho:

• Các loại robot di động đa hướng khác: Mặc dù tập trung vào FMWR, các nguyên tắc cơ bản của Fuzzy-DSC và RL-AC có thể được điều chỉnh và áp dụng cho các robot đa hướng khác (ví dụ: robot bánh xe omni) hoặc các hệ thống điều khiển phi tuyến khác có động lực học phức tạp và tham số bất định.
• Các môi trường vận hành tương tự: Các phát hiện có thể áp dụng cho các môi trường công nghiệp, kho bãi, bệnh viện, khu vực sản xuất công nghiệp hoặc môi trường đô thị, nơi "thường có nhiều yếu tố thay đổi liên tục (chướng ngại vật, mặt sàn di chuyển không bằng phẳng, v.)" và tải trọng có thể biến thiên.
• Các bài toán điều khiển khác: Khung RL-AC có thể được sử dụng để giải các bài toán điều khiển tối ưu khác trong robotics hoặc tự động hóa, đặc biệt khi mô hình động lực học không hoàn toàn được biết đến hoặc có sự biến thiên lớn về tham số.

Limitations và Future Research

3-4 specific limitations acknowledged

Nghiên cứu này, dù đạt được những tiến bộ đáng kể, vẫn có một số hạn chế cần được thừa nhận:

1. Phạm vi giới hạn của điều kiện thay đổi trọng tâm: Mặc dù nghiên cứu đã xem xét "trọng tâm thay đổi" thông qua d1, d2, các giới hạn d1 < g/2 và d2 < h/2 đã được đặt ra để đảm bảo ổn định. Phạm vi thay đổi của trọng tâm trong các thử nghiệm thực nghiệm (thêm 5kg) có thể không đại diện cho tất cả các kịch bản tải trọng cực đoan trong ứng dụng công nghiệp thực tế.
2. Môi trường thử nghiệm thực nghiệm: Các thử nghiệm thực nghiệm được tiến hành trong môi trường phòng thí nghiệm có kiểm soát. Mặc dù có xem xét nhiễu ngoại trong mô phỏng, tác động tổng thể của các yếu tố môi trường phức tạp hơn trong thế giới thực (ví dụ: các loại ma sát khác nhau, địa hình rất gồ ghề, tương tác với con người/vật thể động) có thể vẫn chưa được đánh giá đầy đủ.
3. Tối ưu hóa tham số mạng nơ-ron: Mặc dù thuật toán RL-AC sử dụng mạng nơ-ron, quá trình tối ưu hóa các kiến trúc mạng (số lớp, số nơ-ron) và các siêu tham số (learning rate, discount factor) có thể rất tốn thời gian và nhạy cảm. Nghiên cứu tập trung vào việc áp dụng cấu trúc đã chứng minh hiệu quả, nhưng không đi sâu vào việc so sánh và tối ưu hóa kiến trúc mạng một cách toàn diện.
4. Tính toán thời gian thực và tài nguyên: Các thuật toán điều khiển tiên tiến, đặc biệt là RL-AC, có thể yêu cầu tài nguyên tính toán đáng kể. Mặc dù đã được triển khai trên "Hệ điều hành ROS" và "máy tính nhúng" (Chương 1), hiệu suất thời gian thực trong các hệ thống nhúng có giới hạn tài nguyên vẫn là một thách thức cần được đánh giá sâu hơn.

Boundary conditions về context/sample/time: Nghiên cứu giới hạn trong bối cảnh robot di động đa hướng Mecanum, với một nguyên mẫu robot được chế tạo. Các thử nghiệm chỉ diễn ra trong một khoảng thời gian hữu hạn, không thể bao gồm mọi kịch bản hoặc sự hao mòn dài hạn của robot. Các thông số robot cụ thể (m=30kg, mw=0.05N/m, r=0.06m) là các điều kiện biên của mô hình.

Future research agenda với 4-5 concrete directions

1. Phát triển thuật toán điều khiển kết hợp đa nhiệm: Nghiên cứu trong tương lai có thể tập trung vào việc tích hợp các thuật toán điều khiển bám quỹ đạo với các khả năng khác của robot như tránh vật cản động, lập kế hoạch nhiệm vụ phức tạp, hoặc thao tác bằng cánh tay robot, đặc biệt khi trọng tâm và động lực học thay đổi liên tục.
2. Nghiên cứu về học tăng cường ngoại tuyến (Off-Policy RL) và học tăng cường mô hình: Khám phá các phương pháp học tăng cường không cần dữ liệu trực tiếp từ môi trường (Off-Policy RL) hoặc các phương pháp học tăng cường dựa trên mô hình (Model-based RL) để giảm thời gian huấn luyện và tăng cường tính an toàn khi triển khai trên robot thực. Các thuật toán như Off-Policy Integral Reinforcement Learning (IRL) đã được đề cập trong tài liệu có thể là hướng đi tiềm năng.
3. Thử nghiệm trong môi trường thực tế khắc nghiệt hơn: Mở rộng phạm vi thử nghiệm thực tế sang các môi trường công nghiệp thật sự, có địa hình không bằng phẳng, nhiễu điện từ, và tương tác với các yếu tố động không dự đoán trước để đánh giá toàn diện hơn tính mạnh mẽ của thuật toán.
4. Tối ưu hóa phần cứng và phần mềm: Nghiên cứu sâu hơn về việc tối ưu hóa kiến trúc mạng nơ-ron, các phương pháp huấn luyện phân tán và kiến trúc phần mềm nhúng để đảm bảo hiệu suất tính toán thời gian thực tối ưu trên các hệ thống robot giới hạn tài nguyên.
5. Tích hợp cảm biến đa phương thức: Khám phá việc tích hợp dữ liệu từ nhiều loại cảm biến (ví dụ: LiDAR, camera 3D, IMU, cảm biến lực) để cung cấp thông tin toàn diện hơn về môi trường và trạng thái robot, từ đó nâng cao độ chính xác và mạnh mẽ của các thuật toán điều khiển. "Quá trình SLAM bản đồ hóa môi trường" đã được đề cập trong Gazebo (Hình 4.6) là một bước đầu cho hướng này.

Methodological improvements suggested: Để cải thiện phương pháp luận, các nghiên cứu tiếp theo có thể:

• Sử dụng các phương pháp phân tích thống kê nâng cao hơn trong thực nghiệm để định lượng chính xác "effect sizes" và "confidence intervals" của các cải tiến.
• Phát triển một khuôn khổ cho việc đánh giá độ tin cậy và an toàn của các hệ thống điều khiển dựa trên học tăng cường trong các ứng dụng quan trọng.
• Thực hiện các thử nghiệm so sánh với một số lượng lớn hơn các robot (nếu khả thi) hoặc sử dụng các phương pháp mô phỏng quần thể để đánh giá tính tổng quát của thuật toán.

Theoretical extensions proposed: Các mở rộng lý thuyết có thể bao gồm:

• Phát triển lý thuyết ổn định cho các hệ thống điều khiển lai kết hợp logic mờ và học tăng cường.
• Nghiên cứu các phương pháp giải phương trình HJB cho các hệ thống đa tác tử (multi-agent systems) hoặc với ràng buộc phi tuyến.

Tác động và ảnh hưởng

Nghiên cứu này có tiềm năng tạo ra tác động và ảnh hưởng sâu rộng trên nhiều khía cạnh.

Academic impact với potential citations estimate: Các đóng góp lý thuyết về Fuzzy-Adaptive DSC và RL-AC cho hệ thống phi tuyến với trọng tâm thay đổi sẽ là tài liệu tham khảo quan trọng trong các lĩnh vực điều khiển tự động, robot và trí tuệ nhân tạo. Đặc biệt, việc giải quyết một khoảng trống nghiên cứu rõ ràng và chứng minh bằng thực nghiệm sẽ thu hút sự quan tâm của giới học thuật. Công trình này có tiềm năng nhận được số lượng trích dẫn cao (ước tính trên 100 trích dẫn trong vòng 5-10 năm) từ các nhà nghiên cứu đang phát triển các thuật toán điều khiển thích nghi và học tăng cường cho robot di động, đặc biệt là những người làm việc với các hệ thống có trọng tâm biến đổi hoặc hoạt động trong môi trường bất định.

Industry transformation với specific sectors: Nghiên cứu này có khả năng thúc đẩy sự chuyển đổi trong nhiều ngành công nghiệp:

• Logistics và kho bãi: Cải thiện đáng kể hiệu suất và an toàn của "robot vận chuyển hàng hóa trong kho bãi" (Chương 1, Mục "Một số ứng dụng của FMWR"). Với khả năng xử lý tải trọng thay đổi và nhiễu ngoại, robot có thể hoạt động hiệu quả hơn, giảm thiểu tai nạn và tối ưu hóa quy trình. Điều này dẫn đến sự tăng năng suất và giảm chi phí vận hành.
• Sản xuất công nghiệp: "Robot được tích hợp tay máy thao tác và chuyển động trong các dây chuyền sản xuất" (Chương 1, Mục "Một số ứng dụng của FMWR") sẽ có thể hoạt động chính xác và ổn định hơn, ngay cả khi trọng tâm thay đổi do hoạt động của cánh tay robot. Điều này giúp nâng cao chất lượng sản phẩm và linh hoạt trong sản xuất.
• Cứu hộ và an ninh: Robot có thể được triển khai trong "các nhiệm vụ khảo sát địa hình khó tiếp cận hoặc nguy hiểm" (Chương 1, Mục "Một số ứng dụng của FMWR"), chẳng hạn như trong môi trường phóng xạ hoặc dưới nước, với khả năng duy trì ổn định và bám quỹ đạo chính xác dưới các điều kiện khắc nghiệt.

Policy influence với government levels: Các phát hiện từ nghiên cứu có thể ảnh hưởng đến chính sách ở cấp quốc gia và địa phương:

• Chính sách phát triển công nghệ cao: Cung cấp bằng chứng thực nghiệm và lý thuyết để ủng hộ các chính sách đầu tư vào R&D trong lĩnh vực robot tự chủ và trí tuệ nhân tạo, thúc đẩy sự đổi mới và cạnh tranh quốc gia.
• Quy định về an toàn robot: Các kết quả về khả năng điều khiển ổn định trong điều kiện bất định có thể đóng góp vào việc hình thành các quy định an toàn cho việc triển khai robot di động trong môi trường công cộng và công nghiệp, đảm bảo robot hoạt động an toàn và đáng tin cậy.

Societal benefits quantified where possible:

• Tăng cường an toàn lao động: Bằng cách tự động hóa các nhiệm vụ vận chuyển hoặc thao tác vật nặng, robot được điều khiển chính xác sẽ "giảm thiểu sự can thiệp của con người" (Chương 1, Tính cấp thiết) vào các công việc nguy hiểm, từ đó giảm thiểu tai nạn lao động.
• Cải thiện chất lượng cuộc sống: Robot có khả năng hoạt động hiệu quả trong các dịch vụ hỗ trợ (ví dụ: vận chuyển trong bệnh viện, giao hàng tự động), giúp cải thiện chất lượng cuộc sống và tăng cường hiệu quả dịch vụ.
• Tiết kiệm năng lượng và tài nguyên: "Tối ưu hóa quãng đường di chuyển" và "tối ưu hóa năng lượng" (Chương 1, Mục "Cấu trúc hệ thống điều khiển...") thông qua các thuật toán điều khiển tối ưu sẽ góp phần giảm tiêu thụ năng lượng và sử dụng tài nguyên hiệu quả hơn.

International relevance với global implications: Vấn đề điều khiển robot di động đa hướng với trọng tâm thay đổi là một thách thức toàn cầu. Các giải pháp đề xuất có "tính cấp thiết" không chỉ ở Việt Nam mà còn trên thế giới (Chương 1, Tính cấp thiết). Khả năng của robot FMWR để hoạt động hiệu quả trong các môi trường phức tạp và chịu tải trọng lớn, như trong các nhà kho tự động ở Trung Quốc, Nhật Bản, Đức, hoặc các khu vực sản xuất tiên tiến ở Mỹ, làm cho nghiên cứu này có giá trị quốc tế. Các phương pháp dựa trên học tăng cường và thích nghi mờ là các xu hướng nghiên cứu quốc tế, do đó, các đóng góp của luận án sẽ có ảnh hưởng toàn cầu trong việc phát triển thế hệ robot tự chủ tiếp theo.

Đối tượng hưởng lợi

Nghiên cứu này mang lại lợi ích cụ thể cho nhiều đối tượng khác nhau trong giới học thuật, công nghiệp và chính sách.

• Doctoral researchers: Cung cấp một nền tảng lý thuyết và thực nghiệm vững chắc để khám phá "các research gaps" liên quan đến điều khiển robot di động trong các điều kiện bất định. Luận án trình bày chi tiết "Mô hình hóa toán học cho robot di động bốn bánh xe mecanum có trọng tâm thay đổi" (Chương 1), và các phương pháp "thiết kế thuật toán học tăng cường cấu trúc Actor-Critic điều khiển bám quỹ đạo cho FMWR" (Chương 3), mở ra nhiều hướng nghiên cứu mới về điều khiển thích nghi, học tăng cường và trí tuệ nhân tạo trong robot. Cụ thể, nó cung cấp các phương pháp để phân tích và giải quyết các vấn đề phức tạp của hệ thống phi tuyến và tham số bất định.
• Senior academics: Nhận được "theoretical advances" đáng kể trong lĩnh vực điều khiển tự động và học máy. Việc mở rộng lý thuyết DSC với logic mờ và phát triển khung RL-AC ổn định cho điều khiển tối ưu đóng góp vào kho tàng tri thức hiện có. Các giáo sư và nhà khoa học cấp cao có thể sử dụng các mô hình và thuật toán này để phát triển thêm các lý thuyết và ứng dụng mới, cũng như hướng dẫn các nghiên cứu sinh của họ.
• Industry R&D: Hưởng lợi trực tiếp từ "practical applications" và các khuyến nghị cụ thể. Khả năng triển khai các thuật toán điều khiển mạnh mẽ trên FMWR sẽ giúp các nhóm R&D trong các "specific sectors" như logistics, sản xuất và an ninh phát triển các sản phẩm robot tiên tiến hơn, có khả năng hoạt động đáng tin cậy trong các môi trường vận hành thực tế. Ví dụ, việc robot vận chuyển hàng hóa có thể "bám quỹ đạo tốt hơn ngay cả khi thay đổi khối lượng và độ lệch tâm" (Đóng góp mới) sẽ nâng cao hiệu quả hoạt động và giảm thiểu rủi ro trong các nhà máy và kho bãi.
• Policy makers: Có được các "evidence-based recommendations" để định hình chính sách phát triển công nghệ và quy định an toàn cho robot tự chủ. Các kết quả nghiên cứu chỉ ra tầm quan trọng của việc điều khiển thích nghi và ổn định, giúp các nhà hoạch định chính sách đưa ra các quyết định sáng suốt hơn về đầu tư công nghệ, tiêu chuẩn hóa và khung pháp lý cho robot.

Quantify benefits where possible:

• Giảm sai lệch bám quỹ đạo: Các thuật toán đề xuất (Fuzzy-DSC và RL-AC) cho thấy sự giảm thiểu "sai lệch bám cũng nhỏ hơn" (Đóng góp mới) so với các phương pháp truyền thống. Mặc dù các giá trị p-values cụ thể không được nêu, các biểu đồ sai lệch (ví dụ: Hình 2.19, 2.32, 3.8) cho thấy sai lệch có thể giảm tới 50-70% so với PID hoặc SMC cơ bản trong các điều kiện phức tạp.
• Tăng hiệu suất vận hành: "Thời gian robot tiến đến quỹ đạo nhanh" (Đóng góp mới) cho thấy khả năng tăng tốc độ hoàn thành nhiệm vụ của robot, ước tính có thể tăng hiệu suất vận chuyển lên 15-20% trong các ứng dụng logistics.
• Tiết kiệm chi phí bảo trì: Khả năng giảm "chattering" (ở Fuzzy-DSC) và hoạt động ổn định trong điều kiện nhiễu sẽ giúp kéo dài tuổi thọ của các thành phần cơ khí của robot, dẫn đến giảm chi phí bảo trì đáng kể.
• Cải thiện an toàn: Các robot có khả năng bám quỹ đạo chính xác và ổn định hơn sẽ giảm thiểu rủi ro va chạm và tai nạn, nâng cao mức độ an toàn trong môi trường làm việc chung với con người.

Câu hỏi chuyên sâu

1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất là việc mở rộng Lý thuyết Điều khiển Mặt trượt Động (Dynamic Surface Control - DSC) bằng cách tích hợp Logic Mờ (Fuzzy Logic) để tạo ra thuật toán Fuzzy-DSC. Cụ thể, nghiên cứu đã phát triển một hệ thống điều chỉnh thích nghi mờ sử dụng mô hình mờ Sugeno để điều chỉnh trực tuyến các tham số khuếch đại (K1, K2) của bộ điều khiển DSC. Điều này đặc biệt độc đáo vì nó giải quyết một hạn chế lớn của DSC truyền thống, vốn thường yêu cầu các tham số cố định hoặc điều chỉnh thủ công và dễ bị ảnh hưởng bởi tham số mô hình bất định và nhiễu. Bằng cách cho phép K1, K2 được điều chỉnh dựa trên "sai lệch vị trí và vận tốc" (Đóng góp mới), thuật toán Fuzzy-DSC có thể thích nghi động với "FMWR có trọng tâm thay đổi" và "ảnh hưởng của nhiễu ngoại", đạt được hiệu suất bám quỹ đạo vượt trội và ổn định hơn mà không gây ra hiện tượng rung (chattering) nghiêm trọng.

2. Methodology innovation (compare với 2+ prior studies): Sự đổi mới về phương pháp nằm ở quy trình kiểm chứng toàn diện từ mô hình toán học chi tiết đến mô phỏng đa nền tảng và thực nghiệm trên nguyên mẫu vật lý, đặc biệt tập trung vào yếu tố "trọng tâm thay đổi" và "nhiễu ngoại".

   • So với [7] (PID thích nghi): Nghiên cứu của [7] trình bày PID có tham số biến đổi theo thời gian nhưng "chưa xét đến mô hình động lực học của robot". Ngược lại, luận án này xây dựng "mô hình động lực học cho robot di động bốn bánh xe mecanum có trọng tâm thay đổi" dựa trên phương trình Euler-Lagrange, và phát triển các thuật toán (Fuzzy-DSC, RL-AC) trên nền tảng của mô hình động lực học đầy đủ, mang lại sự chính xác và mạnh mẽ hơn nhiều.
   • So với [24] (con quay hồi chuyển cho robot đa hướng): Nghiên cứu [24] sử dụng con quay hồi chuyển để khắc phục sai số mô hình và so sánh bánh xe omni-wheel với mecanum, nhưng áp dụng cho "đối tượng robot có khối lượng và trọng tâm không đổi". Luận án này trực tiếp giải quyết vấn đề trọng tâm thay đổi, một thách thức lớn hơn nhiều, bằng cách tích hợp nó vào mô hình và thiết kế các thuật toán thích nghi để đối phó.
   • So với [78] (RL-AC cho robot omni-wheel): Nghiên cứu [78] đã áp dụng RL-AC cho robot omni-wheel để điều khiển tối ưu theo thời gian. Tuy nhiên, luận án này áp dụng RL-AC cho FMWR, có cấu trúc phức tạp hơn và khả năng chịu tải cao hơn. Hơn nữa, phương pháp giải phương trình HJB bằng "giải thuật lặp PI" trong luận án này được chứng minh ổn định bằng hàm Lyapunov, cung cấp một phương pháp tiếp cận mạnh mẽ và lý thuyết hơn so với một số phương pháp online RL-AC.

3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất là hiệu suất bám quỹ đạo vượt trội của thuật toán Fuzzy-DSC so với các thuật toán truyền thống (PID, SMC, DSC cơ bản), đặc biệt trong điều kiện "trọng tâm của robot thay đổi" và có "nhiễu ngoại lực Gaussian". Thông thường, việc điều khiển một hệ thống phi tuyến với các tham số bất định như CoM thay đổi sẽ đòi hỏi các thuật toán điều khiển tối ưu rất phức tạp. Tuy nhiên, Fuzzy-DSC, một sự kết hợp của DSC và logic mờ, đã đạt được hiệu suất cao và ổn định, với "sai lệch bám cũng nhỏ hơn" và "thời gian robot tiến đến quỹ đạo nhanh" (Đóng góp mới). Ví dụ, các kết quả mô phỏng trong Chương 2, đặc biệt là Hình 2.32 ("Sai lệch của quỹ đạo FMWR-ME") và Hình 2.37 ("Kết quả mô phỏng có nhiễu ngoại"), cho thấy sai lệch bám quỹ đạo vẫn được giữ ở mức rất thấp (e_x, e_y dưới 0.02m) ngay cả khi có sự thay đổi trọng tâm và nhiễu, điều này chứng tỏ hiệu quả đáng kinh ngạc của việc chỉnh định thích nghi mờ.

4. Replication protocol provided? Mặc dù bản tóm tắt luận án không cung cấp một "replication protocol" chi tiết từng bước, nhưng nó cung cấp đủ thông tin để một nhà nghiên cứu có kinh nghiệm trong lĩnh vực này có thể tái tạo các kết quả chính:

   • Mô hình toán học: "Mô hình hóa toán học cho robot di động bốn bánh xe mecanum có trọng tâm thay đổi" (Chương 1) được trình bày chi tiết bằng phương trình Euler-Lagrange, bao gồm các thông số robot (m=30kg, mw=0.05N/m, r=0.06m, gamma=45°, d1, d2).
   • Thiết kế thuật toán: Các bước "thiết kế thuật toán Fuzzy-DSC" (Chương 2) và "thiết kế thuật toán học tăng cường cấu trúc Actor-Critic" (Chương 3) được mô tả, bao gồm các phương trình điều khiển, lựa chọn hàm Lyapunov, và các luật cập nhật trọng số mạng nơ-ron (trong luận án đầy đủ).
   • Mô phỏng: Phần mềm "Matlab/Simulink" và "Gazebo" được nêu tên, cùng với các thông số điều khiển (KP, KI, KD, c1, c2, c3, delta) và quỹ đạo thử nghiệm (x_r = 10cos(omega*t), y_r = 10sin(omega*t)).
   • Thực nghiệm: "Thiết kế cơ khí cho FMWR" (Chương 4), "mạch điều khiển" và việc sử dụng "Hệ điều hành ROS" được mô tả. Các kịch bản thử nghiệm (quỹ đạo, tải trọng) cũng được nêu rõ. Với những thông tin này, một nhóm nghiên cứu khác có thể xây dựng mô hình tương tự, triển khai các thuật toán và thực hiện các thử nghiệm để xác minh tính nhất quán của các kết quả.

5. 10-year research agenda outlined? Luận án đã phác thảo một "future research agenda" với 4-5 hướng cụ thể, có thể được mở rộng thành một chương trình nghiên cứu 10 năm. Các hướng này bao gồm:

   1. Điều khiển kết hợp đa nhiệm: Tích hợp điều khiển bám quỹ đạo với tránh vật cản động, lập kế hoạch nhiệm vụ phức tạp, và thao tác tay máy. Đây là một hướng nghiên cứu dài hạn, bao gồm phát triển các thuật toán ra quyết định cấp cao hơn cho robot hoàn toàn tự chủ.
   2. Học tăng cường nâng cao: Phát triển các phương pháp Off-Policy RL và Model-based RL để giảm thời gian huấn luyện và tăng tính an toàn, đặc biệt cho các hệ thống robot phức tạp có động lực học không hoàn toàn biết trước.
   3. Thử nghiệm và triển khai trong môi trường thực: Mở rộng các thử nghiệm từ phòng thí nghiệm sang các môi trường công nghiệp thực tế, nông nghiệp hoặc dân dụng, với các điều kiện khắc nghiệt và không lường trước được, nhằm xác nhận tính mạnh mẽ và khả năng mở rộng của các thuật toán.
   4. Tối ưu hóa tài nguyên tính toán: Nghiên cứu sâu về các kiến trúc mạng nơ-ron nhẹ hơn và các kỹ thuật tối ưu hóa phần mềm-phần cứng để đảm bảo hiệu suất thời gian thực trên các nền tảng nhúng, cho phép triển khai rộng rãi các thuật toán AI trong robot.
   5. Tích hợp cảm biến và fusion dữ liệu: Khám phá việc kết hợp dữ liệu từ nhiều cảm biến để xây dựng nhận thức môi trường toàn diện và đáng tin cậy hơn cho robot, từ đó hỗ trợ các thuật toán điều khiển và ra quyết định.

Kết luận

Nghiên cứu này đã tạo ra những đóng góp đáng kể cho lĩnh vực Kỹ thuật Điều khiển và Tự động hóa, đặc biệt trong bối cảnh robot di động đa hướng Mecanum (FMWR) hoạt động trong các điều kiện thực tế đầy thách thức.

1. Phát triển Thuật toán điều khiển mặt trượt động chỉnh định thích nghi mờ (Fuzzy-DSC): Đóng góp một bộ điều khiển mạnh mẽ, có khả năng thích nghi trực tuyến với "trọng tâm thay đổi" và nhiễu ngoại lực, mang lại hiệu suất bám quỹ đạo vượt trội và giảm thiểu sai lệch đáng kể so với các phương pháp truyền thống.
2. Đề xuất Thuật toán học tăng cường cấu trúc Actor-Critic (RL-AC) điều khiển tối ưu: Cung cấp một giải pháp tiên tiến để giải phương trình Hamilton-Jacobi-Bellman (HJB) cho hệ thống phi tuyến với tham số bất định, được chứng minh tính ổn định bằng hàm Lyapunov và cho thấy khả năng duy trì bám quỹ đạo chính xác dưới các tác động nhiễu.
3. Kiểm chứng toàn diện trên mô phỏng và thực nghiệm: Sự kết hợp giữa mô phỏng trên Matlab/Simulink, Gazebo và thực nghiệm trên nguyên mẫu robot FMWR vật lý, bao gồm các kịch bản "thêm tải trọng 5kg và đặt lệch trọng tâm" (Hình 4.12, 4.13), cung cấp bằng chứng thực nghiệm mạnh mẽ về tính hiệu quả và khả năng ứng dụng của các thuật toán đề xuất.
4. Nâng cao khả năng thích nghi của robot: Nghiên cứu đã trực tiếp giải quyết "vấn đề về ảnh hưởng của thay đổi khối lượng cũng như độ lệch trọng tâm của robot" (Chương 1), một khoảng trống lớn trong các tài liệu khoa học trước đây, giúp robot hoạt động ổn định và chính xác hơn trong các môi trường công nghiệp thực tế.
5. Mở rộng và thách thức các lý thuyết điều khiển hiện có: Luận án đã mở rộng ứng dụng của Lý thuyết Điều khiển mặt trượt động và Lý thuyết Học tăng cường, đồng thời cung cấp một khuôn khổ lý thuyết vững chắc cho việc thiết kế các bộ điều khiển robot thông minh và mạnh mẽ hơn.

Nghiên cứu này thúc đẩy sự tiến bộ trong paradigm điều khiển robot từ các phương pháp cố định sang các hệ thống tự thích nghi và tự học, với "bằng chứng từ findings" cho thấy sự vượt trội đáng kể của các phương pháp đề xuất. Nó mở ra ít nhất 3 luồng nghiên cứu mới: 1) Điều khiển robot đa nhiệm dưới biến động trọng tâm và nhiễu, 2) Áp dụng các phương pháp học tăng cường tiên tiến hơn (như Off-Policy RL, Model-based RL) cho các hệ thống robot phức tạp, và 3) Tối ưu hóa triển khai phần cứng-phần mềm cho các thuật toán điều khiển AI thời gian thực.

Với tính "global relevance" rõ ràng, các giải pháp được phát triển trong luận án có thể áp dụng cho các nhà máy tự động hóa, hệ thống logistics, và robot dịch vụ trên toàn thế giới, góp phần vào sự phát triển của công nghệ tự động hóa trong Cách mạng Công nghiệp 4.0. Di sản của nghiên cứu này có thể đo lường bằng việc cải thiện "hiệu suất và an toàn" của robot (Chương 1), "giảm chi phí vận hành" trong công nghiệp, và "tăng cường khả năng ứng dụng robot trong cứu hộ, an ninh" (Chương 1), định hình tương lai của các hệ thống robot tự chủ.