Luận án tiến sĩ phát triển các thuật toán thông minh điều khiển chuyển động của

Tổng quan về luận án

Luận án tiến sĩ "Phát triển các thuật toán thông minh điều khiển chuyển động của hệ thống robot dạng tay máy đôi" của Lưu Thị Huế (2021) tại Trường Đại học Bách Khoa Hà Nội đặt trong bối cảnh khoa học về tự động hóa công nghiệp đang chứng kiến sự dịch chuyển mạnh mẽ từ các hệ thống robot đơn lẻ sang hệ thống đa robot, đặc biệt là robot dạng tay máy đôi. Nghiên cứu này tiên phong trong việc giải quyết các thách thức cố hữu của hệ thống tay máy đôi, đó là tính phi tuyến mạnh, sự bất định của các tham số động lực học, và các nhiễu ngoại sinh không xác định được. Hơn nữa, luận án tập trung vào vấn đề các biến trạng thái quan trọng thường khó hoặc không thể đo lường trực tiếp bằng cảm biến, đòi hỏi các giải pháp ước lượng thông minh.

Research gap cụ thể mà luận án giải quyết là sự thiếu hụt một khung điều khiển toàn diện có khả năng đồng thời bù trừ các thành phần bất định của mô hình (cả cấu trúc và phi cấu trúc) và ước lượng các biến trạng thái không đo được hoặc không đáng tin cậy. Các công trình trước đây, như nhận định trong luận án, "phần lớn giải quyết các bài toán tổng hợp bộ điều khiển cho hệ thống robot dạng tay máy đôi với mô hình chính xác, hoặc mô hình bất định tham số và dựa trên giả thiết tất cả các biến trạng thái của hệ thống đều có thể đo được chính xác bằng cảm biến" (Kết luận chương 1, trang 16). Điều này tạo ra một lỗ hổng đáng kể trong ứng dụng thực tế, nơi độ phức tạp và tính không hoàn hảo của môi trường là phổ biến.

Luận án đề ra các câu hỏi nghiên cứu và giả thuyết cốt lõi:

1. RQ1: Làm thế nào để mô hình hóa chính xác động lực học của hệ thống tay máy đôi phối hợp chuyển động một đối tượng rắn chung trong mặt phẳng, bao gồm các ràng buộc hình học và động học?
2. RQ2: Các phương pháp điều khiển cơ bản (ví dụ: tựa mô hình, điều khiển lai lực/vị trí) có thể được thiết kế và kiểm chứng như thế nào để đảm bảo ổn định và theo dõi quỹ đạo khi các tham số động lực học được biết chính xác và các trạng thái đều đo được?
3. RQ3: Các thuật toán thông minh nào có thể được phát triển để bù trừ hiệu quả các thành phần bất định của mô hình động lực học (cấu trúc và phi cấu trúc) và đảm bảo tính ổn định, hiệu suất theo dõi trong điều kiện tham số không chính xác?
4. RQ4: Làm thế nào để thiết kế bộ quan sát thông minh (adaptive observers) nhằm ước lượng chính xác các biến trạng thái không đo được trực tiếp (ví dụ: vận tốc khớp, vận tốc đối tượng, lực tiếp xúc), tích hợp chúng vào các thuật toán điều khiển thích nghi để đạt được điều khiển lai lực/vị trí toàn diện?
5. RQ5: Các thuật toán điều khiển đề xuất có thể được kiểm chứng thực nghiệm trên mô hình tay máy đôi vật lý như thế nào để chứng minh tính khả thi và hiệu quả ứng dụng?

Giả thuyết trung tâm của luận án là việc tích hợp các thuật toán điều khiển thích nghi sử dụng mạng noron xuyên tâm (RBFNN) và bộ quan sát thích nghi noron (NAO) sẽ tạo ra một bộ điều khiển lai lực/vị trí mạnh mẽ cho hệ tay máy đôi, có khả năng vận hành ổn định và chính xác ngay cả khi đối mặt với sự bất định lớn của mô hình và thông tin cảm biến hạn chế.

Khung lý thuyết của nghiên cứu dựa trên các nguyên lý cốt lõi của lý thuyết điều khiển tự động và robot. Luận án sử dụng phương pháp Euler-Lagrange và nhân tử Lagrange để xây dựng mô hình động lực học, một cách tiếp cận chuẩn mực trong cơ học robot. Để đảm bảo tính ổn định của các bộ điều khiển và bộ quan sát, lý thuyết ổn định Lyapunov được áp dụng rộng rãi. Các lý thuyết về điều khiển thích nghi và mạng noron (cụ thể là RBFNNs với khả năng xấp xỉ hàm phi tuyến universal approximator) được sử dụng để bù đắp sự bất định của hệ thống. Bộ quan sát tích phân tỷ lệ tổng quát (GPI) và bộ quan sát thích nghi noron (NAO) được phát triển dựa trên lý thuyết quan sát trạng thái.

Đóng góp đột phá của luận án bao gồm:

1. Khung điều khiển tích hợp cho bất định và trạng thái không đo được: Luận án phát triển một giải pháp điều khiển lai lực/vị trí kết hợp RBFNN để bù thành phần bất định của mô hình và NAO để ước lượng các trạng thái không đo được (vận tốc khớp, vận tốc đối tượng, lực tiếp xúc), một đóng góp quan trọng cho điều khiển robot trong các môi trường thực tế không hoàn hảo (Kết luận chung, đóng góp số 3).
2. Ước lượng lực không cần cảm biến: Luận án đề xuất bộ ước lượng lực tiếp xúc sử dụng bộ quan sát GPI cho mô hình đã biết và luật cập nhật Li-Slotine cho mô hình bất định, loại bỏ sự phụ thuộc vào các cảm biến lực đắt tiền và dễ bị nhiễu (Kết luận chung, đóng góp số 1).
3. Khả năng thích nghi cao với sự bất định: Các bộ điều khiển thích nghi dựa trên RBFNN được chứng minh là hoạt động hiệu quả và ổn định ngay cả khi mô hình có sai lệch đáng kể, lên đến 50% trong các thử nghiệm mô phỏng, với sai lệch tĩnh nhỏ (Chương 4, mục 4.3.3, trang 87).
4. Kiểm chứng thực nghiệm trên nền tảng thời gian thực: Luận án đã xây dựng mô hình thực nghiệm và kiểm chứng thành công thuật toán điều khiển tựa mô hình trên nền tảng dSPACE 1103, cung cấp bằng chứng thực tế về tính đúng đắn và khả thi của các phương pháp điều khiển đề xuất (Kết luận chung, phần "Các kết quả nghiên cứu về lý thuyết đã được kiểm chứng một phần trên mô hình thực nghiệm").

Phạm vi nghiên cứu của luận án tập trung vào hệ thống robot dạng tay máy đôi phẳng, mỗi tay máy có ba bậc tự do (trong mô phỏng) hoặc hai bậc tự do (trong thực nghiệm), phối hợp chuyển động một đối tượng rắn chung trên mặt phẳng trong điều kiện vị trí cuối là tĩnh. Sự giới hạn này cho phép nghiên cứu sâu sắc về động lực học phức tạp và thách thức điều khiển, đồng thời tạo tiền đề cho các mở rộng trong tương lai. Tầm quan trọng của nghiên cứu nằm ở việc nâng cao độ chính xác, tính bền vững và khả năng thích ứng của hệ thống robot dạng tay máy đôi, mở rộng tiềm năng ứng dụng trong các ngành công nghiệp lắp ráp, vận chuyển, chăm sóc sức khỏe và môi trường nguy hiểm, nơi robot cần thay thế con người một cách hiệu quả và đáng tin cậy.

Literature Review và Positioning

Chương 1 của luận án cung cấp một tổng quan toàn diện về các phương pháp điều khiển cho hệ thống robot dạng tay máy đôi, phân loại chúng thành điều khiển cơ bản và điều khiển nâng cao. Các luồng nghiên cứu chính được tổng hợp bao gồm:

• Điều khiển cơ bản:

  • Bộ điều khiển chủ/tớ (Master/Slave): Đã được nghiên cứu từ những năm 1980 bởi Samad Hayati et al. [35] và Kam Tso [36]. Phương pháp này đơn giản nhưng có nhược điểm không chia sẻ tải trọng, gây áp lực lên tay máy chủ.
  • Bộ điều khiển PD lực/vị trí: Được đề xuất bởi Chiaverini et al. [37, 38, 39] dựa trên cấu trúc bù trọng trường. Hạn chế là yêu cầu động học ngược chính xác và điều khiển trong không gian khớp thay vì không gian làm việc của đối tượng.
  • Phương pháp tuyến tính hóa đầu vào-ra: Các kỹ thuật phản hồi phi tuyến để tuyến tính hóa phương trình động lực học, ví dụ bởi S. N. Singh và A. A. Schy [40], Kumar [41] hay Golfakis [42]. Tuy nhiên, phương pháp này làm tăng yêu cầu thiết kế và phát sinh điểm kỳ dị của ma trận tách.
  • Điều khiển lai lực/vị trí và trở kháng: Được sử dụng rộng rãi, với các công trình của Masaru Uchiyama và Pierre Dauchez [44], Ning Xi et al. [46], T. Yoshikawa [47]. Điều khiển lai yêu cầu không gian vị trí và lực trực giao, dễ mất ổn định khi nhiệm vụ thay đổi hoặc môi trường không biết chính xác. Điều khiển trở kháng, như của Sadati Nasser [53] và Hamid Sadeghian [56], tập trung vào cải thiện tương tác lực với môi trường. Cả hai đều dựa trên mô hình động lực học chính xác.

• Điều khiển nâng cao:

  • Điều khiển thích nghi có cấu trúc: Giải quyết sự bất định của tham số, ví dụ Yan-Ru Hu và A. Goldenberg [58], A I Tuneski et al. [61], Haruhisa Kawasaki et al. [68] đề xuất bộ điều khiển thích nghi phi tập trung không cần cảm biến lực. Hạn chế là cần xác định rõ tham số bất định và ma trận hồi quy.
  • Điều khiển thích nghi không có cấu trúc: Sử dụng thuật toán thông minh như mạng noron (NN) hoặc mờ để bù bất định. Các nghiên cứu của Hongyi Li et al. [71], Wail Gueaieb et al. [73], Doulgeri [75], Vikas Panwar et al. [80] đã áp dụng NN và mờ cho điều khiển thích nghi. Tuy nhiên, phần lớn giả định rằng tất cả các biến trạng thái đều đo được chính xác.
  • Bộ quan sát: Được phát triển để ước lượng các biến trạng thái không đo được hoặc khó đo, như của Salvatore Nicosia và Antonio Tornambé [86] cho vận tốc khớp, hay Martinez-Rosas và Marco A. Arteaga [89] cho lực và vận tốc. Các bộ quan sát mờ thích nghi [91] và bộ quan sát thích nghi noron [95, 96, 97] đã được đề xuất, nhưng việc tích hợp toàn diện vào điều khiển lai lực/vị trí với bù bất định chưa được giải quyết đầy đủ.

Những mâu thuẫn và tranh luận chính trong tài liệu hiện có liên quan đến sự đánh đổi giữa độ phức tạp của mô hình điều khiển và tính bền vững của nó khi đối mặt với sự bất định và hạn chế cảm biến. Các phương pháp điều khiển dựa trên mô hình (ví dụ [46, 47]) đạt độ chính xác cao khi mô hình được biết, nhưng dễ bị mất ổn định khi có sai lệch. Ngược lại, các phương pháp thích nghi (ví dụ [73, 80]) và dựa trên NN [95] có thể xử lý bất định, nhưng thường đòi hỏi tất cả các trạng thái đều có thể đo được hoặc không giải quyết đồng thời bất định cấu trúc và phi cấu trúc. Luận án này định vị mình ở giao điểm của các thách thức này, cung cấp một giải pháp tích hợp.

So sánh với các nghiên cứu quốc tế, công trình của Lưu Thị Huế tiến xa hơn một số nghiên cứu trước đó. Chẳng hạn, trong khi Haruhisa Kawasaki et al. [68] đã đề xuất điều khiển phối hợp thích nghi phi tập trung cho robot đa tay mà không cần cảm biến lực, phương pháp của họ vẫn dựa trên điều khiển thích nghi tham số có cấu trúc, điều này khó khăn khi xác định chính xác bất định. Luận án này giải quyết bất định phi cấu trúc thông qua RBFNN, mở rộng khả năng thích nghi. Tương tự, các nghiên cứu về bộ quan sát thích nghi noron như của Jinzhu Peng et al. [95] đã ước lượng vận tốc khớp để đưa vào bộ điều khiển, nhưng luận án này tích hợp một cách toàn diện hơn bộ quan sát thích nghi noron vào khung điều khiển lai lực/vị trí, đồng thời bù bất định của mô hình động lực học một cách trực tiếp. Mục tiêu chính là cung cấp một bộ điều khiển toàn diện hơn, giải quyết đồng thời các vấn đề bất định và trạng thái không đo được.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này đóng góp đáng kể vào lý thuyết điều khiển robot bằng cách mở rộng và thách thức các lý thuyết hiện có, đặc biệt là trong lĩnh vực điều khiển thích nghi và quan sát trạng thái cho hệ thống phi tuyến với bất định.

1. Mở rộng lý thuyết điều khiển thích nghi cho bất định phi cấu trúc: Nghiên cứu mở rộng khả năng ứng dụng của lý thuyết điều khiển thích nghi truyền thống bằng cách tích hợp mạng noron xuyên tâm (RBFNN). Các phương pháp thích nghi trước đây thường tập trung vào bất định có cấu trúc, yêu cầu biết rõ dạng hàm của bất định để xây dựng ma trận hồi quy (ví dụ, E. Slotine và Weiping Li [116]). Luận án này sử dụng RBFNN làm một "universal approximator" để bù các thành phần bất định phi cấu trúc của mô hình động lực học (xem Chương 4, mục 4.1.2), cho phép hệ thống duy trì hiệu suất ngay cả khi các tham số động lực học như khối lượng, mô men quán tính thay đổi đáng kể (lên đến 50% trong mô phỏng). Luật cập nhật trọng số của mạng được xây dựng dựa trên nguyên lý ổn định Lyapunov (phương trình 4.26, trang 60), đảm bảo tính bền vững của hệ thống.
2. Mở rộng lý thuyết quan sát trạng thái với bộ quan sát thích nghi noron (NAO): Luận án phát triển một bộ quan sát thích nghi noron để ước lượng đồng thời các vận tốc khớp, vận tốc đối tượng và lực tiếp xúc trong điều kiện mô hình bất định và thiếu cảm biến. Điều này mở rộng lý thuyết bộ quan sát Luenberger truyền thống, vốn yêu cầu mô hình chính xác, bằng cách sử dụng RBFNN để xấp xỉ các hàm phi tuyến không biết trong mô hình quan sát (Chương 4, mục 4.3.1). Lý thuyết ổn định Lyapunov được sử dụng để chứng minh sự hội tụ của sai số quan sát (phương trình 4.53, trang 74), đảm bảo rằng các biến trạng thái ước lượng bám sát các giá trị thực.
3. Tích hợp điều khiển lai lực/vị trí với ước lượng lực không cảm biến: Luận án tích hợp thành công bộ ước lượng lực không cần cảm biến (dựa trên GPI observer trong Chương 3 hoặc luật cập nhật Li-Slotine cho mô hình bất định trong Chương 4, mục 4.2.1) vào khung điều khiển lai lực/vị trí thích nghi. Điều này thách thức giả định phổ biến rằng cần có cảm biến lực chính xác tại điểm tiếp xúc (như trong các nghiên cứu của T. Yoshikawa [47]).
4. Khung lý thuyết điều khiển toàn diện: Nghiên cứu xây dựng một khung lý thuyết điều khiển mới kết hợp các yếu tố trên, tạo ra một giải pháp điều khiển bền vững hơn cho robot tay máy đôi trong môi trường thực tế, vốn là thách thức lớn (Chương 4, mục 4.3).

Khung phân tích độc đáo Khung phân tích của luận án tích hợp nhiều lý thuyết và phương pháp tiếp cận để tạo ra một giải pháp điều khiển mạnh mẽ:

• Tích hợp các lý thuyết: Luận án tích hợp hiệu quả lý thuyết cơ học Lagrange, lý thuyết ổn định Lyapunov, lý thuyết điều khiển thích nghi, và lý thuyết mạng noron (RBFNNs) để giải quyết các vấn đề phức tạp của hệ thống. Cụ thể, nó kết hợp:

  1. Cơ học Lagrange: Để xây dựng mô hình động lực học chi tiết của hệ tay máy đôi và đối tượng (Chương 2).
  2. Lý thuyết ổn định Lyapunov: Để thiết kế luật điều khiển và luật cập nhật đảm bảo sự ổn định của hệ thống trong mọi kịch bản (Chương 3 và Chương 4).
  3. Mạng noron xuyên tâm (RBFNN): Để xấp xỉ các thành phần phi tuyến bất định trong mô hình động lực học của robot và đối tượng (Chương 4, mục 4.1.3).
  4. Lý thuyết quan sát trạng thái (Generalized Proportional-Integral (GPI) và Neuro-Adaptive Observer (NAO)): Để ước lượng các biến trạng thái không đo được hoặc không đáng tin cậy (Chương 3, mục 3.2 và Chương 4, mục 4.3.1).

• Tiếp cận phân tích độc đáo (Novel analytical approach): Khung phân tích đề xuất một cách tiếp cận phân lớp:

  • Lớp điều khiển cơ bản: Điều khiển tựa mô hình dựa trên GPI observer khi giả định mô hình đã biết (Chương 3).
  • Lớp điều khiển nâng cao: Sử dụng RBFNN để bù thành phần bất định cho điều khiển vị trí hoặc lai lực/vị trí (Chương 4, mục 4.1 và 4.2).
  • Lớp điều khiển tích hợp tối ưu: Kết hợp RBFNN-based adaptive hybrid force/position control với Neuro-Adaptive Observer (NAO) để giải quyết đồng thời bất định và thiếu cảm biến (Chương 4, mục 4.3). Sự tích hợp này được chứng minh bằng các phép chứng minh ổn định Lyapunov lặp lại cho từng lớp điều khiển.

• Đóng góp khái niệm (Conceptual contributions): Luận án làm rõ các khái niệm về "thành phần bất định phi cấu trúc" (unstructured uncertainties) và cách RBFNN có thể xấp xỉ chúng hiệu quả, phân biệt với "bất định có cấu trúc" (structured uncertainties) mà các phương pháp thích nghi tham số truyền thống giải quyết. Nó cũng định nghĩa lại vai trò của bộ quan sát trong điều khiển robot đa tay, không chỉ là ước lượng trạng thái mà còn là một phần không thể thiếu của khung điều khiển thích nghi khi thông tin cảm biến hạn chế.

• Điều kiện biên rõ ràng (Boundary conditions explicitly stated): Luận án giới hạn nghiên cứu trong hệ tay máy đôi phẳng (2 hoặc 3 bậc tự do mỗi tay máy) thao tác đối tượng rắn trên mặt phẳng và trong điều kiện vị trí cuối là tĩnh (Chương 1, mục 1.1.2). Điều này giúp tập trung vào các thách thức cốt lõi về động lực học và điều khiển, đồng thời cung cấp một nền tảng vững chắc cho các nghiên cứu mở rộng trong không gian ba chiều hoặc với đối tượng linh hoạt trong tương lai.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án áp dụng một thiết kế nghiên cứu kết hợp giữa mô phỏng và thực nghiệm để kiểm chứng các thuật toán điều khiển tiên tiến.

• Research philosophy (Triết lý nghiên cứu): Luận án tuân theo triết lý Thực chứng luận phê phán (Critical Realism). Nó giả định một thực tại khách quan về động lực học robot và các lực tương tác có thể được mô hình hóa và kiểm soát. Tuy nhiên, nó cũng nhận thức rõ rằng các mô hình này không hoàn hảo ("tham số bất định", "tính phi tuyến", "nhiễu ngoài") và việc đo lường có thể không chính xác ("trạng thái của các robot và của đối tượng không đo được bằng cảm biến, hoặc dùng cảm biến đo cho kết quả không tin cậy" - trang 1). Do đó, nghiên cứu tìm cách phát triển các giải pháp mạnh mẽ để quản lý những sự không hoàn hảo này, chứ không phải tìm kiếm một mô tả hoàn hảo về thực tại.
• Mixed methods với SPECIFIC combination rationale (Phương pháp kết hợp): Luận án kết hợp nghiên cứu lý thuyết, mô phỏng kiểm chứng và xây dựng mô hình thực nghiệm.
  • Lý thuyết: Xây dựng mô hình động lực học chi tiết dựa trên phương pháp Euler-Lagrange và nhân tử Lagrange (Chương 2), thiết kế luật điều khiển (Chương 3, 4) và chứng minh ổn định bằng lý thuyết Lyapunov.
  • Mô phỏng: Kiểm chứng hiệu quả của các thuật toán đề xuất trong môi trường lý tưởng và dưới các mức độ bất định khác nhau (ví dụ: 10%, 20%, 30%, 50%, 70% sai lệch mô hình trong Chương 4). Sử dụng phần mềm MATLAB/Simulink.
  • Thực nghiệm: Xây dựng mô hình vật lý và kiểm chứng một thuật toán cơ bản (điều khiển tựa mô hình) trên nền tảng thời gian thực dSPACE 1103 (Chương 5). Lý do cho sự kết hợp này là để đảm bảo tính hợp lệ từ lý thuyết đến thực tiễn: lý thuyết cung cấp cơ sở toán học, mô phỏng cho phép kiểm tra rộng rãi các kịch bản phức tạp và mức độ bất định mà thực nghiệm có thể khó thực hiện, và thực nghiệm cuối cùng cung cấp bằng chứng vật lý về tính khả thi trong môi trường vật lý.
• Multi-level design với levels clearly defined (Thiết kế đa cấp): Mặc dù không phải là "multi-level design" theo nghĩa xã hội học, cấu trúc của luận án thể hiện một cách tiếp cận phân cấp:
  • Cấp độ 1: Mô hình hóa cơ bản: Xây dựng động lực học hệ thống.
  • Cấp độ 2: Điều khiển cơ bản (mô hình biết rõ): Thiết kế và mô phỏng điều khiển tựa mô hình và bộ quan sát GPI (Chương 3).
  • Cấp độ 3: Điều khiển nâng cao (mô hình bất định): Thiết kế và mô phỏng điều khiển thích nghi RBFNN và điều khiển lai lực/vị trí với/không có bộ quan sát thích nghi noron (Chương 4).
  • Cấp độ 4: Kiểm chứng thực nghiệm: Triển khai và kiểm chứng thuật toán điều khiển cơ bản trên hệ thống vật lý (Chương 5).
• Sample size và selection criteria EXACT (Kích thước mẫu và tiêu chí lựa chọn):
  • Mô phỏng: Hệ thống robot dạng tay máy đôi phẳng, mỗi tay máy có 3 bậc tự do (DOF). Các thông số chi tiết của tay máy và đối tượng được trình bày trong Bảng 3.1 (trang 39), ví dụ: khối lượng khớp (m11, m12, m13) từ 1kg đến 1.5kg, chiều dài khớp (l1, l2, l3) từ 0.6m đến 1m, khối lượng đối tượng 1kg, chiều rộng đối tượng 0.5m.
  • Thực nghiệm: Hệ thống robot dạng tay máy đôi phẳng, mỗi tay máy có 2 bậc tự do. Các thông số chi tiết trong Bảng 5.1 (trang 90), ví dụ: khối lượng khớp từ 1.3kg, khoảng cách hai tay máy 0.8m. MPU6050 là cảm biến đo góc xoay của đối tượng.

Quy trình nghiên cứu rigorous

• Sampling strategy với inclusion/exclusion criteria (Chiến lược lấy mẫu): Không có "lấy mẫu" theo nghĩa thống kê. Đối tượng nghiên cứu là một hệ thống robot cụ thể. Inclusion criteria: hệ thống tay máy đôi phẳng, đối tượng rắn, phối hợp chuyển động. Exclusion criteria: đối tượng đàn hồi, môi trường 3D phức tạp (được xem xét cho nghiên cứu tương lai).
• Data collection protocols với instruments described (Giao thức thu thập dữ liệu):
  • Mô phỏng: Dữ liệu vị trí, vận tốc, gia tốc, lực và mô men được thu thập từ mô hình MATLAB/Simulink.
  • Thực nghiệm:
    • Góc quay các khớp: Đo bằng Encoder 17 bit (131072 xung/vòng) tích hợp trong động cơ AC servo Mitsubishi HC-KFS43 (Phụ lục, trang 122). Tín hiệu được truyền qua driver MR-J2S-40A đến card dSPACE 1103.
    • Góc xoay của đối tượng: Đo bằng cảm biến MPU6050 (module GY-521) kết nối với Arduino Uno R3, sau đó qua DAC MCP4822 xuất tín hiệu analog về dSPACE 1103 (Chương 5, mục 5.3.1c, trang 98).
    • Mô men điều khiển: Được dSPACE 1103 tính toán và xuất qua DAC đến driver động cơ.
• Triangulation (data/method/investigator/theory) (Tam giác hóa):
  • Methodological Triangulation: Các kết quả lý thuyết được kiểm chứng bằng mô phỏng (trong phạm vi rộng của các bất định) và sau đó một phần được kiểm chứng bằng thực nghiệm (trên một mô hình vật lý thu nhỏ). Ví dụ, các kết quả mô phỏng của thuật toán tựa mô hình trong Hình 5.13 có tính tương đồng cao với kết quả thực nghiệm trong Hình 5.30 (Chương 5, mục 5.3.6).
  • Theoretical Triangulation: Kết hợp nhiều lý thuyết (Lagrange, Lyapunov, RBFNN, GPI, NAO) để xây dựng một khung điều khiển duy nhất, mỗi lý thuyết bổ trợ cho nhau.
• Validity (construct/internal/external) và reliability (α values) (Tính hợp lệ và độ tin cậy):
  • Construct Validity: Các mô hình toán học (Chương 2) và định nghĩa các biến trạng thái, sai số (Chương 4) được xây dựng chặt chẽ theo các nguyên lý vật lý và lý thuyết điều khiển đã được chấp nhận.
  • Internal Validity: Việc sử dụng lý thuyết Lyapunov để chứng minh tính ổn định của từng bộ điều khiển dưới các điều kiện cụ thể (ví dụ: V > 0 và V < 0 trong phương trình 3.14, trang 34) đảm bảo rằng các hiệu ứng quan sát được là do các luật điều khiển đề xuất, chứ không phải do các yếu tố ngẫu nhiên khác.
  • External Validity: Các kết quả mô phỏng trên các mức độ bất định mô hình khác nhau (10%, 20%, 30%, 50%, 70%) và kiểm chứng thực nghiệm (với sai số tĩnh nhỏ dưới 2.5% cho các kịch bản điều khiển khác nhau, Chương 5) cho thấy tính khái quát hóa tiềm năng của các thuật toán đề xuất cho các hệ thống robot công nghiệp tương tự, mặc dù cần thêm nghiên cứu trong môi trường 3D.
  • Reliability: Hệ thống đo lường thực nghiệm sử dụng encoder có độ phân giải cao (17 bit) và cảm biến MPU6050 được lọc nhiễu bằng Kalman filter (Phụ lục, trang 125), đảm bảo độ tin cậy của dữ liệu thu thập.

Data và phân tích

• Sample characteristics với demographics/statistics:
  • Mô phỏng: Hệ tay máy đôi 2x3 bậc tự do (DOF), đối tượng rắn. Các thông số chi tiết về khối lượng (m), chiều dài (l), mô men quán tính (J) cho từng khâu và đối tượng được liệt kê trong Bảng 3.1 (trang 39).
  • Thực nghiệm: Hệ tay máy đôi 2x2 bậc tự do (DOF), đối tượng rắn. Thông số Bảng 5.1 (trang 90). Các thông số bộ điều khiển (K, A, N) được chọn dựa trên khảo sát ổn định và tối ưu (Bảng 3.2, 3.3, 5.2).
• Advanced techniques (SEM/multilevel/QCA etc.) với software:
  • Phân tích động lực học: Dựa trên phương trình Lagrange dạng nhân tử, một kỹ thuật toán học tiên tiến cho hệ thống đa vật thể có ràng buộc (Chương 2, phương trình 2.9).
  • Thiết kế điều khiển: Sử dụng các phương pháp điều khiển phi tuyến nâng cao: điều khiển thích nghi, điều khiển dựa trên mạng noron RBF, bộ quan sát trạng thái (GPI, NAO).
  • Phân tích ổn định: Lý thuyết ổn định Lyapunov là kỹ thuật cốt lõi được sử dụng để chứng minh sự hội tụ của sai số theo dõi và sai số ước lượng (Chương 3, 4).
  • Software: MATLAB/Simulink được sử dụng rộng rãi cho mô phỏng và ControlDesk của dSPACE cho thực nghiệm thời gian thực (Chương 3, 4, 5).
• Robustness checks với alternative specifications: Luận án thực hiện kiểm tra tính bền vững bằng cách mô phỏng các bộ điều khiển dưới nhiều mức độ bất định khác nhau của mô hình (ví dụ: 10%, 20%, 30%, 50%, 70% sai lệch trong các ma trận quán tính, tương hỗ, trọng trường – Chương 4, mục 4.1.4 và 4.2.3). Các kết quả cho thấy bộ điều khiển thích nghi RBFNN duy trì hiệu suất tốt với sai lệch mô hình lên đến 50%, và vẫn giữ ổn định ở 70% mặc dù sai lệch tĩnh tăng (Hình 4.15, trang 69).
• Effect sizes và confidence intervals reported: Mặc dù không sử dụng các khái niệm "effect sizes" hay "confidence intervals" theo nghĩa thống kê, luận án định lượng hiệu quả của các bộ điều khiển qua các chỉ số như:
  • Sai lệch tĩnh (steady-state error): "nhỏ hơn 0,8% khi sai lệnh của mô hình dưới 10%" và "nhỏ hơn 2,5%" khi sai lệch mô hình trên 20% (Chương 4, mục 4.1.4, trang 63); "sai số lớn nhất... chỉ 0,2[em]; 0,3[em] và 0,08[rad]" cho sai số quan sát (Chương 4, mục 4.3.3, trang 87).
  • Độ quá điều chỉnh (overshoot): "bằng không" trong nhiều trường hợp (ví dụ: Hình 4.5, trang 63).
  • Thời gian hội tụ: Lực tiếp xúc hội tụ về giá trị mong muốn trong khoảng 3 giây (Hình 3.1, trang 40).
  • Các biểu đồ rõ ràng về quỹ đạo theo dõi và sai số (ví dụ: Hình 4.3 - 4.11) cung cấp bằng chứng trực quan về hiệu suất của bộ điều khiển.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được một số phát hiện đột phá, cung cấp bằng chứng cụ thể từ dữ liệu mô phỏng và thực nghiệm:

1. Hiệu quả của điều khiển thích nghi RBFNN trong việc bù bất định phi cấu trúc: Bộ điều khiển thích nghi sử dụng mạng noron RBF được chứng minh là hoạt động tốt và ổn định, ngay cả khi mô hình động lực học của hệ thống có sai lệch đáng kể. Cụ thể, khi sai lệch mô hình lên đến 20%, bộ điều khiển vẫn duy trì sai lệch quỹ đạo nhỏ dưới 2.5% (Hình 4.8b, trang 63). Ngay cả ở mức sai lệch 50%, quỹ đạo vị trí và góc xoay của đối tượng vẫn "hội tụ với quỹ đạo thiết kế và quỹ đạo quan sát đã hội tụ với quỹ đạo thực, với độ quá điều chỉnh bằng không và sai lệch tĩnh rất nhỏ" (Chương 4, mục 4.3.3, trang 87), với sai số lớn nhất giữa vị trí quan sát và vị trí thực chỉ 0.2cm đối với trục x (Hình 4.29, trang 84). Đây là một cải tiến đáng kể so với các phương pháp điều khiển truyền thống hoặc thích nghi tham số chỉ xử lý được bất định có cấu trúc.
2. Khả năng ước lượng trạng thái vận tốc và lực chính xác bằng bộ quan sát thích nghi noron (NAO): NAO được thiết kế thành công để ước lượng vận tốc các khớp, vận tốc đối tượng và lực tiếp xúc. Trong mô phỏng, sai số lớn nhất giữa vận tốc quan sát và vận tốc thực chuyển động theo trục x, trục y và chuyển động xoay của đối tượng chỉ 2.5 cm/s, 3.5 cm/s và 2 rad/s tương ứng (Hình 4.32, trang 85). Các lực ước lượng bám chính xác với lực tiếp xúc thực trong khoảng 5 giây, ngay cả khi lực mong muốn là hàm tuần hoàn (Hình 3.11, trang 50), cho thấy khả năng thay thế cảm biến lực đắt tiền.
3. Điều khiển lai lực/vị trí toàn diện không cần cảm biến lực: Luận án đã phát triển một bộ điều khiển lai lực/vị trí sử dụng NAO và RBFNN mà không cần cảm biến đo lực tại điểm tiếp xúc (Chương 4, mục 4.3.2). Tại vị trí cân bằng, tổng hợp lực và mô men tác động lên đối tượng bằng không (Hình 4.35, trang 86), chứng tỏ đối tượng được giữ ổn định mà không cần đo lực trực tiếp. Phát hiện này là một minh chứng quan trọng cho tính khả thi của điều khiển robot "sensorless" trong các ứng dụng thực tế.
4. Tính nhất quán giữa mô phỏng và thực nghiệm cho điều khiển tựa mô hình: Các kết quả thực nghiệm với thuật toán điều khiển tựa mô hình trên hệ tay máy đôi 2 bậc tự do cho mỗi tay máy đã thu được quỹ đạo bám sát quỹ đạo đặt với sai lệch tĩnh nhỏ (ví dụ: 0.5% cho chuyển động trục x, 2.0% cho trục y, 2.0% cho hướng xoay - Chương 5, mục 5.4). Dạng đồ thị quỹ đạo và sai số giữa mô phỏng và thực nghiệm "dạng giống nhau", khẳng định tính đúng đắn và khả năng ứng dụng thực tế của các thuật toán đề xuất (Chương 5, Kết luận chương 5, trang 109).

Implications đa chiều

• Theoretical advances (Tiến bộ lý thuyết):

  • Đóng góp vào lý thuyết điều khiển thích nghi: Luận án đã mở rộng lý thuyết điều khiển thích nghi truyền thống bằng cách tích hợp RBFNN để xử lý hiệu quả bất định phi cấu trúc, vốn là một hạn chế của các phương pháp thích nghi tham số. Điều này cung cấp một công cụ lý thuyết mạnh mẽ hơn cho việc thiết kế bộ điều khiển bền vững cho các hệ thống phi tuyến phức tạp.
  • Đóng góp vào lý thuyết bộ quan sát: Sự phát triển của NAO tích hợp RBFNN để ước lượng trạng thái và lực trong điều kiện bất định đã nâng cao khả năng của lý thuyết bộ quan sát, đặc biệt là trong các ứng dụng robot, nơi cảm biến thường bị hạn chế.

• Methodological innovations applicable to other contexts (Đổi mới phương pháp luận):

  • Phương pháp tích hợp RBFNN và NAO có thể được áp dụng để giải quyết các vấn đề bất định và thiếu cảm biến trong các hệ thống robot khác (ví dụ: robot di động, robot y tế) hoặc các hệ thống cơ điện tử phi tuyến khác ngoài robot.
  • Quy trình kiểm chứng từ mô hình toán học, mô phỏng trên MATLAB/Simulink đến thực nghiệm trên dSPACE 1103 cung cấp một khung làm việc đáng tin cậy cho nghiên cứu và phát triển trong kỹ thuật điều khiển.

• Practical applications với specific recommendations (Ứng dụng thực tiễn):

  • Công nghiệp sản xuất và lắp ráp: Các bộ điều khiển đề xuất có thể cải thiện độ chính xác và độ bền vững của robot công nghiệp dạng tay máy đôi trong các tác vụ lắp ráp, vận chuyển vật liệu nặng hoặc phức tạp, đặc biệt trong các môi trường có sự thay đổi tải trọng hoặc thông số hệ thống không biết chính xác. Điều này có thể giúp giảm thời gian thực hiện nhiệm vụ và tăng hiệu quả sản xuất.
  • Môi trường nguy hiểm: Cho phép sử dụng robot trong các môi trường độc hại như nhà máy điện hạt nhân hoặc cứu hỏa, nơi việc lắp đặt cảm biến và hoạt động của con người bị hạn chế. Khả năng hoạt động mà không cần cảm biến lực trực tiếp giúp giảm chi phí bảo trì và tăng độ an toàn.

• Policy recommendations với implementation pathway (Khuyến nghị chính sách):

  • Chính phủ và các tổ chức nghiên cứu có thể đầu tư vào việc phát triển các nền tảng robot công nghiệp tích hợp các thuật toán điều khiển thông minh tương tự để nâng cao năng lực tự động hóa quốc gia.
  • Khuyến khích các tiêu chuẩn thiết kế robot cho phép tích hợp dễ dàng các bộ quan sát và điều khiển thích nghi, giảm phụ thuộc vào cảm biến vật lý.

• Generalizability conditions clearly specified (Điều kiện tổng quát hóa):

  • Các thuật toán được phát triển cho hệ tay máy đôi phẳng thao tác đối tượng rắn trong điều kiện vị trí cuối là tĩnh. Mặc dù các nguyên lý cơ bản có thể mở rộng, cần có những điều chỉnh và nghiên cứu bổ sung để áp dụng cho:
    • Hệ thống robot hoạt động trong không gian ba chiều (với nhiều bậc tự do hơn và động lực học phức tạp hơn).
    • Thao tác với đối tượng linh hoạt hoặc biến dạng.
    • Điều kiện vị trí cuối không tĩnh (đối tượng đang chuyển động).
    • Đa robot với số lượng tay máy lớn hơn.

Limitations và Future Research

Mặc dù đã đạt được những đóng góp đáng kể, luận án cũng thẳng thắn thừa nhận các giới hạn cụ thể, cung cấp nền tảng cho các nghiên cứu trong tương lai.

• 3-4 specific limitations acknowledged:

  1. Mô hình robot và đối tượng: Nghiên cứu chủ yếu tập trung vào hệ thống robot dạng tay máy đôi phẳng, với mỗi tay máy có 2 hoặc 3 bậc tự do, và đối tượng được thao tác là một vật rắn đồng nhất, chuyển động trên mặt phẳng (Chương 1, mục 1.1.2). Điều này đơn giản hóa động lực học và ràng buộc, nhưng chưa phản ánh đầy đủ sự phức tạp của các ứng dụng công nghiệp trong không gian 3D với đối tượng đa dạng hơn.
  2. Giả định về vị trí cuối tĩnh: Các thuật toán điều khiển được thiết kế trong luận án áp dụng cho "điều khiển chuyển động cho hệ thống tay máy đôi - đối tượng trong điều kiện vị trí cuối là tĩnh" (Chương 1, mục 1.1.2). Điều này giới hạn khả năng ứng dụng cho các tác vụ di chuyển đối tượng lớn từ nơi này sang nơi khác một cách liên tục hoặc với các đối tượng đang chuyển động.
  3. Giới hạn của bộ quan sát thích nghi noron (NAO): Mặc dù NAO hoạt động hiệu quả, nhưng khi sai lệch của mô hình quá lớn (trên 70%), mạng noron không kịp cập nhật để bù thành phần bất định, dẫn đến sai số vị trí và hướng có xu hướng tăng dần, và đối tượng có thể bị trượt khỏi vị trí cân bằng (Chương 4, mục 4.2.3, trang 69 và Hình 4.16, trang 70). Điều này cho thấy có giới hạn về mức độ bất định mà RBFNN có thể bù trừ theo thời gian thực.
  4. Phạm vi kiểm chứng thực nghiệm: Chỉ có thuật toán điều khiển tựa mô hình cơ bản (từ Chương 3) được kiểm chứng thực nghiệm trên mô hình robot vật lý đơn giản (2 bậc tự do/tay máy) do hạn chế về thiết bị và độ phức tạp của việc triển khai các thuật toán thích nghi nâng cao trên phần cứng hiện có (Chương 5, Kết luận chương 5, trang 109).

• Boundary conditions về context/sample/time: Các kết quả của luận án là hợp lệ trong điều kiện mô hình tay máy đôi phẳng, đối tượng rắn, điều khiển vị trí/hướng tĩnh. Việc mở rộng ra ngoài các điều kiện này cần được xem xét cẩn thận và kiểm chứng thêm. Thời gian thực hiện các nhiệm vụ điều khiển cũng bị ảnh hưởng bởi độ phức tạp tính toán của mạng noron và bộ quan sát.

• Future research agenda với 4-5 concrete directions:

  1. Mở rộng hệ thống cơ khí và thực nghiệm: "Xây dựng lại hệ thống cơ khí của tay máy đôi nhằm linh hoạt hơn và hoạt động trong không gian ba chiều" để có thể thực nghiệm các thuật toán điều khiển thích nghi và bộ quan sát thích nghi noron đã đề xuất (Kết luận chung, trang 110).
  2. Điều khiển đối tượng chuyển động không tĩnh: "Phát triển các thuật toán điều khiển cho hệ tay máy đôi phối hợp chuyển động đối tượng trong điều kiện vị trí cuối không tĩnh" (Kết luận chung, trang 110), bao gồm các nhiệm vụ theo dõi đối tượng di chuyển hoặc thao tác đối tượng đàn hồi.
  3. Tích hợp học tăng cường (Reinforcement Learning) và học sâu (Deep Learning): Khám phá tiềm năng của các phương pháp học máy tiên tiến hơn để cải thiện khả năng thích nghi với bất định môi hình phức tạp hơn và tối ưu hóa hiệu suất điều khiển trong các tình huống không lường trước.
  4. Tối ưu hóa thời gian thực và tài nguyên tính toán: Nghiên cứu các phương pháp để giảm độ phức tạp tính toán của RBFNN và NAO, cho phép triển khai trên các bộ điều khiển nhúng với tài nguyên hạn chế hơn, hoặc tăng tốc độ đáp ứng cho các hệ thống yêu cầu tốc độ cao.
  5. Thao tác với nhiều đối tượng hoặc môi trường tương tác phức tạp: Mở rộng khung điều khiển để xử lý các kịch bản tương tác phức tạp hơn, ví dụ, hai tay máy tương tác với nhiều đối tượng cùng lúc hoặc với môi trường có lực ma sát và va chạm không biết.

• Methodological improvements suggested: Cần phát triển các công cụ phần mềm và phần cứng mạnh mẽ hơn, có khả năng tính toán cao hơn để thực nghiệm các thuật toán điều khiển thông minh phức tạp trong thời gian thực. Cải thiện thuật toán lọc nhiễu cho cảm biến và kỹ thuật thu thập dữ liệu có thể nâng cao độ tin cậy của thực nghiệm.

• Theoretical extensions proposed: Đề xuất nghiên cứu mở rộng các luật cập nhật trọng số của RBFNN để đảm bảo sự hội tụ toàn cục và nhanh hơn, đặc biệt khi bất định mô hình rất lớn. Ngoài ra, phát triển lý thuyết về sự hội tụ của bộ quan sát thích nghi noron khi mô hình có bất định phi cấu trúc chưa được xấp xỉ hoàn hảo.

Tác động và ảnh hưởng

Luận án của Lưu Thị Huế có tiềm năng tạo ra tác động và ảnh hưởng đáng kể trên nhiều lĩnh vực, từ học thuật đến công nghiệp và xã hội.

• Academic impact với potential citations estimate (Tác động học thuật):

  • Luận án đã công bố 6 bài báo khoa học (5 bài đã được liệt kê trong Danh mục các công trình khoa học, trang 111, và một số bài khác trong các chương), bao gồm các tạp chí và hội nghị quốc tế như International Review of Automatic Control (I.R.A.C) và VJST Vietnam – Japan Science And Technology Symposium. Các công trình này đã bắt đầu tạo ra tác động học thuật, với bài báo trên I.R.A.C có ISSN 1974-6059 và đường dẫn DOI cụ thể, dễ dàng được trích dẫn.
  • Tác động học thuật dự kiến sẽ tăng lên đáng kể. Các phát hiện về điều khiển lai lực/vị trí không cảm biến, bù bất định phi cấu trúc bằng RBFNN, và bộ quan sát thích nghi noron là những đóng góp quan trọng trong lĩnh vực điều khiển robot phi tuyến. Các nghiên cứu sinh và học giả trong lĩnh vực kỹ thuật điều khiển và tự động hóa robot sẽ tìm thấy tài liệu này hữu ích để phát triển các phương pháp điều khiển tiên tiến hơn, đặc biệt là khi đối mặt với các thách thức trong môi trường không lý tưởng. Ước tính số lượt trích dẫn tiềm năng trong 5 năm tới có thể đạt 50-100 lượt, tùy thuộc vào khả năng tiếp cận và ứng dụng của các công trình công bố.

• Industry transformation với specific sectors (Chuyển đổi công nghiệp):

  • Ngành sản xuất ô tô và lắp ráp điện tử: Khả năng của các bộ điều khiển đề xuất trong việc xử lý các thành phần bất định của mô hình và ước lượng lực mà không cần cảm biến lực sẽ giúp cải thiện đáng kể độ bền vững và hiệu quả của robot trong các dây chuyền lắp ráp phức tạp, nơi cần thao tác các vật thể có khối lượng và hình dạng không đồng nhất hoặc bị thay đổi trong quá trình sản xuất. Điều này có thể giúp các nhà sản xuất giảm chi phí cảm biến, đơn giản hóa cấu trúc robot, và tăng cường tính linh hoạt trong sản xuất.
  • Ngành logistics và vận chuyển vật liệu: Robot tay máy đôi có thể nâng và di chuyển các vật nặng hoặc cồng kềnh trong nhà kho hoặc khu vực sản xuất. Các thuật toán điều khiển tiên tiến sẽ đảm bảo an toàn và chính xác ngay cả khi thông số của vật thể không được biết trước hoặc thay đổi.
  • Ngành năng lượng và môi trường nguy hiểm: Robot có thể thực hiện các nhiệm vụ bảo trì trong nhà máy điện hạt nhân (ví dụ: như đề cập đến robot của Hitachi dọn dẹp FUKUSHIMA [19]), thăm dò biển sâu [27] hoặc các môi trường độc hại khác, nơi việc sử dụng cảm biến và con người bị hạn chế.

• Policy influence với government levels (Ảnh hưởng chính sách):

  • Các phát hiện của luận án có thể cung cấp cơ sở khoa học cho các chính sách đầu tư vào R&D robot và tự động hóa ở cấp độ quốc gia. Chính phủ có thể ưu tiên các dự án phát triển robot có khả năng hoạt động thông minh hơn, tự động hơn và ít phụ thuộc vào cảm biến phức tạp.
  • Thúc đẩy hợp tác giữa các trường đại học và ngành công nghiệp để chuyển giao công nghệ điều khiển robot tiên tiến, tăng cường năng lực cạnh tranh trong bối cảnh Cách mạng Công nghiệp 4.0.

• Societal benefits quantified where possible (Lợi ích xã hội):

  • Cải thiện điều kiện làm việc: Tự động hóa các công việc nguy hiểm, nặng nhọc hoặc lặp đi lặp lại mà trước đây con người phải thực hiện, giúp giảm thiểu rủi ro chấn thương và cải thiện sức khỏe nghề nghiệp.
  • Hỗ trợ chăm sóc sức khỏe và người già: Mặc dù luận án chưa đi sâu vào ứng dụng này, các hệ thống điều khiển robot bền vững hơn có thể dẫn đến robot hỗ trợ bệnh nhân (ví dụ: nâng bệnh nhân từ giường lên xe lăn [32, 33]) hoặc pha chế thuốc chống ung thư [34] an toàn và hiệu quả hơn.
  • Giảm chi phí và tăng hiệu quả: Các phương pháp điều khiển tiên tiến giúp tăng năng suất và giảm chi phí sản xuất, có thể dẫn đến giá thành sản phẩm thấp hơn và tăng khả năng tiếp cận các dịch vụ tự động hóa.

• International relevance với global implications (Mức độ liên quan quốc tế):

  • Các thách thức về bất định mô hình và hạn chế cảm biến là vấn đề toàn cầu trong nghiên cứu robot. Luận án này cung cấp các giải pháp có thể so sánh và bổ sung cho các công trình nghiên cứu quốc tế, ví dụ như trong dự án SMErobotics [17] hoặc các nghiên cứu về robot hình người (humanoid robots) như FRIDA của ABB [16].
  • Các phương pháp điều khiển thông minh được đề xuất có thể đóng góp vào việc phát triển robot đa năng hơn, có khả năng thích ứng với các môi trường làm việc đa dạng trên toàn thế giới.

Đối tượng hưởng lợi

• Doctoral researchers (Nghiên cứu sinh tiến sĩ):
  • Các lỗ hổng nghiên cứu cụ thể: Luận án chỉ ra rõ ràng các lỗ hổng trong các phương pháp điều khiển robot tay máy đôi hiện có (tập trung vào bất định phi cấu trúc và thiếu cảm biến) và đề xuất các hướng nghiên cứu mới để mở rộng (ví dụ: điều khiển trong không gian 3D, với đối tượng linh hoạt, hoặc trong môi trường không tĩnh – Kết luận chung, trang 110). Các nghiên cứu sinh có thể sử dụng khung lý thuyết và phương pháp luận của luận án làm nền tảng để phát triển các thuật toán tiên tiến hơn hoặc áp dụng chúng vào các cấu hình robot và nhiệm vụ khác.
• Senior academics (Các học giả cấp cao):
  • Tiến bộ lý thuyết: Các học giả có chuyên môn về lý thuyết điều khiển và robot sẽ đánh giá cao sự tích hợp của các lý thuyết như Lyapunov, RBFNN, và NAO để tạo ra một khung điều khiển bền vững. Luận án cung cấp một ví dụ điển hình về việc giải quyết các vấn đề đa chiều trong điều khiển robot thông qua cách tiếp cận liên ngành. Việc chứng minh ổn định Lyapunov cho từng lớp điều khiển mang lại sự chặt chẽ toán học, là nguồn tham khảo quý giá.
• Industry R&D (Nghiên cứu & Phát triển công nghiệp):
  • Ứng dụng thực tiễn: Luận án cung cấp các giải pháp thực tế cho các vấn đề mà ngành công nghiệp thường gặp phải, như sự bất định của tải trọng, sai số mô hình, và chi phí/độ tin cậy của cảm biến. Khả năng điều khiển robot mà không cần cảm biến lực trực tiếp hoặc khả năng thích ứng với sự thay đổi của môi trường sẽ rất hấp dẫn đối với các công ty sản xuất robot và nhà tích hợp hệ thống.
  • Định lượng lợi ích: Các kết quả mô phỏng cho thấy sự giảm sai số đáng kể (dưới 2.5% cho các kịch bản thực nghiệm, Chương 5) và khả năng duy trì ổn định với bất định mô hình lớn (lên đến 50%, Chương 4), cung cấp dữ liệu định lượng về hiệu suất có thể được chuyển đổi thành lợi ích kinh tế (ví dụ: giảm phế phẩm, tăng năng suất).
• Policy makers (Các nhà hoạch định chính sách):
  • Khuyến nghị dựa trên bằng chứng: Các nhà hoạch định chính sách có thể tham khảo nghiên cứu này để đưa ra các quyết định sáng suốt về đầu tư vào công nghệ robot và tự động hóa. Bằng chứng về khả năng của robot trong các môi trường phức tạp có thể thúc đẩy việc tạo ra các khuôn khổ hỗ trợ nghiên cứu và phát triển trong lĩnh vực này, hướng tới một nền kinh tế thông minh hơn.
  • Định lượng lợi ích: Việc giảm thiểu sự phụ thuộc vào cảm biến có thể dẫn đến việc giảm chi phí sản xuất và triển khai robot, qua đó thúc đẩy sự phát triển của ngành công nghiệp nội địa.

Định lượng lợi ích nơi có thể:

• Giảm chi phí cảm biến: Loại bỏ nhu cầu về cảm biến lực đắt tiền (Chương 3, mục 3.1) có thể giảm chi phí phần cứng cho mỗi robot đáng kể, có thể lên tới hàng ngàn USD tùy loại cảm biến.
• Tăng độ tin cậy và thời gian hoạt động: Khả năng bù trừ bất định mô hình lên đến 50% (Chương 4) và ước lượng trạng thái chính xác sẽ giảm lỗi hệ thống và thời gian ngừng hoạt động do sự cố cảm biến hoặc thay đổi môi trường, dẫn đến tăng hiệu suất sản xuất.
• Nâng cao độ chính xác: Sai lệch tĩnh trong thực nghiệm được giữ ở mức rất thấp, dưới 2.5% (Chương 5), đảm bảo chất lượng sản phẩm cao trong các tác vụ lắp ráp chính xác.

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 thích nghi và lý thuyết bộ quan sát trạng thái để tạo ra một khung điều khiển lai lực/vị trí tích hợp cho hệ thống robot tay máy đôi, có khả năng đồng thời xử lý các thành phần bất định phi cấu trúc của mô hình động lực học và ước lượng các biến trạng thái không đo được (vận tốc khớp, vận tốc đối tượng, lực tiếp xúc) bằng cách sử dụng mạng noron xuyên tâm (RBFNN) và bộ quan sát thích nghi noron (NAO). Điều này mở rộng lý thuyết điều khiển thích nghi truyền thống (ví dụ, các công trình của E. Slotine và Weiping Li [116] thường tập trung vào bất định có cấu trúc hoặc yêu cầu các trạng thái đo được) bằng cách sử dụng khả năng xấp xỉ phổ quát của RBFNN để bù trừ hiệu quả các nonlinearities không biết.

   • Evidence: "Phát triển bộ điều khiển thích nghi sử dụng mạng RBF", "Phát triển bộ điều khiển thích nghỉ lai lực/vị trí dựa trên bộ quan sát thích nghĩ noron." (Kết luận chung, đóng góp số 2 và 3, trang 110). Cụ thể, trong Chương 4, mục 4.3.2, phương trình (4.65) thể hiện luật điều khiển tích hợp này, và luật cập nhật (4.73) cho RBFNN và luật cập nhật (4.63) cho tham số đối tượng chứng minh tính lý thuyết của nó.

2. Methodology innovation (compare với 2+ prior studies) Đổi mới phương pháp luận chính là việc phát triển và tích hợp Bộ Quan sát Thích nghi Noron (NAO) với mạng RBFNN để cung cấp các tín hiệu vận tốc và lực cần thiết cho bộ điều khiển lai lực/vị trí, đặc biệt trong điều kiện không có cảm biến đo trực tiếp. Điều này vượt trội so với các nghiên cứu trước đây:

   • So với Kawasaki et al. [68]: Kawasaki et al. đã đề xuất điều khiển phối hợp thích nghi phi tập trung mà không cần cảm biến lực, nhưng phương pháp của họ dựa trên điều khiển thích nghi tham số có cấu trúc, đòi hỏi phải xác định chính xác các tham số bất định. Phương pháp luận của luận án này sử dụng RBFNN để bù bất định phi cấu trúc (Chương 4, mục 4.1.3), linh hoạt hơn khi mô hình bị sai lệch đáng kể.
   • So với Peng et al. [95]: Peng et al. đã thiết kế bộ quan sát dựa trên mạng noron để ước lượng vận tốc các khớp cho bộ điều khiển thích nghi NN lai lực/vị trí. Tuy nhiên, phương pháp của luận án này không chỉ ước lượng vận tốc mà còn ước lượng lực tiếp xúc một cách trực tiếp trong khung NAO và tích hợp toàn diện hơn việc bù bất định phi cấu trúc của mô hình động lực học hệ thống trong cả bộ quan sát và bộ điều khiển (Chương 4, mục 4.3.1-4.3.2). Hơn nữa, NAO của luận án sử dụng cấu trúc tương tự Luenberger observer nhưng được nâng cấp bằng RBFNN (phương trình 4.43, trang 72) để xấp xỉ các hàm phi tuyến không biết, một cải tiến đáng kể trong xử lý các bất định của hệ thống.

3. Most surprising finding (với data support) Phát hiện đáng ngạc nhiên nhất là khả năng của bộ điều khiển thích nghi RBFNN và NAO để duy trì hiệu suất điều khiển ổn định và chính xác ngay cả khi sai lệch của mô hình động lực học rất lớn, lên đến 50% trong môi trường mô phỏng. Mặc dù các mô hình robot thường chứa bất định, mức độ 50% là đáng kể.

   • Data support: Trong Chương 4, mục 4.3.3 ("Kết quả mô phỏng tới sai lệch của mô hành là 50%"), luận án trình bày rằng khi AH_p = 50%H_0, AC_p = 50%C_0, AG_p = 50%G_0, "Vị trí và góc xoay của đối tượng đã hội tụ với quỹ đạo thiết kế và quỹ đạo quan sát đã hội tụ với quỹ đạo thực, với độ quá điều chỉnh bằng không và sai lệch tĩnh rất nhỏ" (trang 87). Hình 4.29b (trang 84) cho thấy sai số lớn nhất giữa vị trí quan sát và vị trí thực theo trục x chỉ 0.2cm, và sai số lớn nhất giữa quỹ đạo vị trí thiết kế và quỹ đạo thực theo trục x chỉ 0.7cm. Điều này chứng minh hiệu quả vượt trội của phương pháp trong việc chống lại sự không hoàn hảo của mô hình.

4. Replication protocol provided? Luận án cung cấp đủ thông tin chi tiết để tái tạo (replicate) cả các mô phỏng và phần thực nghiệm cơ bản.

   • Mô phỏng: Các phương trình động lực học (Chương 2), luật điều khiển (Chương 3 & 4), luật cập nhật trọng số và tham số, cấu trúc RBFNN (số lượng inputs/outputs/hidden neurons, hàm cơ sở Gaussian, tâm cj, độ rộng bj – Chương 4, mục 4.1.4 và 4.3.3), và các thông số bộ điều khiển (Bảng 3.2, 3.3) đều được trình bày rõ ràng. Các quỹ đạo đặt được xác định bằng phương trình bậc năm.
   • Thực nghiệm: Chi tiết về thiết kế cơ khí (Hình 5.1, Bảng 5.1), các thiết bị phần cứng (động cơ servo Mitsubishi HC-KFS43, driver MR-J2S-40A, cảm biến MPU6050, dSPACE 1103 – Chương 5, mục 5.3.1 và Phụ lục), sơ đồ kết nối mạch (Hình 10-14 Phụ lục), và các thông số bộ điều khiển thực nghiệm (Bảng 5.2) đều được cung cấp. Mã nguồn cơ bản cho các khối điều khiển và lọc Kalman (trong các hàm Matlab) cũng được đính kèm trong Phụ lục (mục 8.1-8.4, trang 133-136).

5. 10-year research agenda outlined? Luận án không đưa ra một "chương trình nghiên cứu 10 năm" cụ thể nhưng đã phác thảo rõ ràng các hướng phát triển chính cho nghiên cứu trong tương lai, đủ để hình thành một agenda nghiên cứu trong trung hạn (3-5 năm) và gợi mở cho dài hạn. Các hướng này bao gồm:

   • Mở rộng không gian làm việc: "Xây dựng lại hệ thống cơ khí của tay máy đôi nhằm linh hoạt hơn và hoạt động trong không gian ba chiều." (Kết luận chung, trang 110).
   • Xử lý các điều kiện chuyển động phức tạp hơn: "Phát triển các thuật toán điều khiển cho hệ tay máy đôi phối hợp chuyển động đối tượng trong điều kiện vị trí cuối không tĩnh." (Kết luận chung, trang 110).
   • Tích hợp các phương pháp học sâu/học tăng cường: Mặc dù không nêu rõ tên, hướng "nghiên cứu và phát triển các thuật toán thông minh" của luận án ngụ ý đến việc khám phá các kỹ thuật học máy tiên tiến hơn để giải quyết bất định và tối ưu hóa điều khiển.
   • Nâng cao tính bền vững và hiệu quả tính toán: Nhu cầu tối ưu hóa các thuật toán phức tạp cho việc triển khai thời gian thực trên các nền tảng phần cứng đa dạng.
   • Thao tác đối tượng linh hoạt và môi trường tương tác phức tạp: Mở rộng các nghiên cứu sang các loại đối tượng và tương tác môi trường khác nhau, không chỉ giới hạn ở vật thể rắn và môi trường phẳng. Những hướng này tạo ra một lộ trình rõ ràng để mở rộng nghiên cứu từ cơ sở lý thuyết và mô phỏng hiện tại đến các ứng dụng thực tế phức tạp hơn.

Kết luận

Luận án của Lưu Thị Huế là một đóng góp quan trọng và toàn diện vào lĩnh vực Kỹ thuật điều khiển và tự động hóa, đặc biệt là trong việc phát triển các thuật toán điều khiển thông minh cho hệ thống robot dạng tay máy đôi. Nghiên cứu đã thành công trong việc giải quyết những thách thức cốt lõi về bất định mô hình và hạn chế cảm biến, vốn là rào cản lớn trong việc triển khai robot tiên tiến vào thực tiễn.

Những đóng góp cụ thể của luận án bao gồm:

1. Phát triển bộ ước lượng lực tiếp xúc tiên tiến: Luận án đã xây dựng thành công bộ ước lượng lực tiếp xúc sử dụng bộ quan sát GPI cho mô hình đã biết và luật cập nhật Li-Slotine cho mô hình bất định. Điều này loại bỏ sự cần thiết của cảm biến lực trực tiếp, một bước tiến quan trọng trong việc giảm chi phí và tăng độ bền cho hệ thống robot.
2. Thiết kế điều khiển thích nghi RBFNN cho bất định phi cấu trúc: Luận án đã phát triển bộ điều khiển thích nghi vị trí và điều khiển thích nghi lai lực/vị trí trên cơ sở bù thành phần bất định phi cấu trúc của hệ thống bằng mạng noron xuyên tâm (RBFNN). Các luật cập nhật thích nghi được chứng minh ổn định thông qua phân tích Lyapunov.
3. Tích hợp điều khiển lai lực/vị trí với bộ quan sát thích nghi noron (NAO): Đây là một trong những đóng góp đột phá nhất, khi luận án thiết kế thành công bộ quan sát thích nghi noron và tích hợp nó vào bộ điều khiển thích nghi lai lực/vị trí. Giải pháp này cho phép robot hoạt động ổn định và chính xác ngay cả khi vận tốc và lực tương tác không thể đo được trực tiếp.
4. Kiểm chứng lý thuyết và thực nghiệm: Các kết quả nghiên cứu lý thuyết đã được kiểm chứng một cách chặt chẽ thông qua mô phỏng trên MATLAB/Simulink dưới các mức độ bất định mô hình khác nhau (lên đến 50%). Hơn nữa, một phần của các thuật toán (điều khiển tựa mô hình) đã được triển khai và kiểm chứng trên mô hình thực nghiệm sử dụng dSPACE 1103, cung cấp bằng chứng thực tế về tính khả thi và hiệu quả.
5. Mở ra các hướng nghiên cứu mới: Luận án không chỉ giải quyết các vấn đề hiện tại mà còn phác thảo một lộ trình rõ ràng cho nghiên cứu tương lai, bao gồm mở rộng sang môi trường 3D, thao tác đối tượng linh hoạt và điều kiện chuyển động không tĩnh, tạo nền tảng cho sự phát triển tiếp theo của lĩnh vực robot học.

Những đóng góp này thể hiện một bước tiến quan trọng trong việc nâng cao khả năng điều khiển của hệ thống robot dạng tay máy đôi, đặc biệt là trong các ứng dụng công nghiệp phức tạp và môi trường khắc nghiệt. Luận án đã thành công trong việc đưa ra một giải pháp điều khiển tổng hợp, bền vững và thông minh, giúp cải thiện đáng kể hiệu suất và tính ứng dụng của robot trong thế giới thực.

Thành tựu này không chỉ là sự tiến bộ về lý thuyết mà còn có ý nghĩa thực tiễn to lớn, thúc đẩy khả năng tự động hóa và thông minh hóa trong các ngành công nghiệp. Luận án củng cố tầm quan trọng của việc tích hợp các kỹ thuật điều khiển tiên tiến với trí tuệ nhân tạo để giải quyết các thách thức kỹ thuật phức tạp, định hình di sản là mở ra các luồng nghiên cứu mới về điều khiển robot thích nghi và thông minh, có tác động toàn cầu đến cách chúng ta thiết kế và sử dụng robot trong thập kỷ tới.