Tổng quan về luận án

Luận án này tiên phong giải quyết một trong những thách thức cốt lõi trong lĩnh vực robot công nghiệp hiện đại: điều khiển tối ưu các hệ thống robot có mô hình động lực học phi tuyến bất định kiểu hàm số chịu tác động của nhiễu. Bối cảnh khoa học hiện nay cho thấy robot công nghiệp ngày càng được ứng dụng rộng rãi, từ sản xuất chế tạo, y tế, đến thăm dò vũ trụ, đòi hỏi độ chính xác và tính bền vững cao trong môi trường hoạt động phức tạp. Tuy nhiên, các đặc tính như tính phi tuyến mạnh, tương tác chéo, tham số bất định (khối lượng, mô men, kích thước hình học có thể thay đổi theo chế độ công tác) và sự hiện diện của nhiễu (lực ma sát, nhiễu cảm biến) luôn là rào cản lớn đối với các phương pháp điều khiển truyền thống.

Research gap cụ thể mà luận án này hướng tới đã được xác định rõ ràng: "phần lớn các phương pháp nghiên cứu đến thời điểm hiện nay mới chỉ giải quyết được triệt để bài toán tổng hợp bộ điều khiển cho robot có mô hình xác định hoặc mô hình bất định kiểu hằng số, còn rất ít các đề xuất tổng hợp bộ điều khiển cho robot có mô hình bất định kiểu hàm số." (Chương 1, Kết luận). Các nghiên cứu trước đây thường giả định mô hình đã biết hoặc các bất định chỉ ở dạng hằng số, không thể xử lý hiệu quả các biến đổi phi tuyến không dự đoán trước. Luận án này lấp đầy khoảng trống đó bằng cách đề xuất các thuật toán điều khiển tiên tiến, vượt trội hơn trong việc quản lý các bất định hàm số.

Mục tiêu chính của luận án là "nghiên cứu và đề xuất thuật toán điều khiển thích nghi phi tuyến mới trên cơ sở mạng nơ ron nhân tạo cho robot công nghiệp bất định kiểu hàm số đảm bảo bám quỹ đạo đặt trước và có khả năng kháng nhiễu." (Mục tiêu của luận án). Để đạt được mục tiêu này, luận án tập trung vào các câu hỏi nghiên cứu sau:

  1. Làm thế nào để chuyển đổi mô hình động lực học của robot n bậc tự do về dạng truyền ngược chặt phù hợp cho việc tổng hợp bộ điều khiển thích nghi sử dụng mạng nơ ron?
  2. Làm thế nào để tổng hợp một bộ điều khiển thích nghi nơ ron (ANNC) bền vững cho robot có mô hình bất định kiểu hàm số, đảm bảo tính ổn định tiệm cận toàn cục (GAS) dưới tác động của nhiễu?
  3. Làm thế nào để tích hợp điều khiển trượt (SMC) và mạng nơ ron hướng tâm (RBFNN) vào một giải thuật điều khiển trượt nơ ron thích nghi bền vững (RANNSMC) để nâng cao khả năng kháng nhiễu và độ bền vững?
  4. Làm thế nào để kết hợp kỹ thuật backstepping, mạng nơ ron và điều khiển trượt vào một cấu trúc điều khiển thích nghi bền vững (RAC) song song, mang lại hiệu suất vượt trội so với các phương pháp đơn lẻ?

Khung lý thuyết của luận án được xây dựng dựa trên sự tích hợp các lý thuyết điều khiển phi tuyến đã được công nhận, bao gồm Lý thuyết Lyapunov (để phân tích tính ổn định của hệ kín), Kỹ thuật Backstepping (để thiết kế bộ điều khiển cho hệ truyền ngược chặt), và Điều khiển Trượt (Sliding Mode Control - SMC) (để cải thiện tính bền vững và kháng nhiễu), kết hợp với Lý thuyết Mạng Nơ ron Nhân tạo (Artificial Neural Network - ANN) (sử dụng tính chất xấp xỉ vạn năng để ước lượng các hàm bất định phi tuyến). Luận án đã đóng góp đột phá bằng cách tạo ra các giải thuật điều khiển thích nghi bền vững mới, có khả năng xử lý bất định hàm số mà các phương pháp truyền thống như điều khiển PD bù trọng trường hay PID không thể đạt được, đặc biệt khi các tham số động lực học không xác định chính xác [33]. Các mô phỏng trên robot Scara 3 bậc tự do sử dụng SolidWorks và SimMechanics cho thấy "thời gian đáp ứng nhanh, sai lệch bám nhỏ" (Chương 1, Nhận xét của Tuyến tính hóa chính xác) và "X - Xd -> 0 và X - Xd -> 0 khi t -> ∞" (Chương 1, Kết luận của Jacobian xấp xỉ thích nghi), chứng tỏ khả năng bám quỹ đạo xuất sắc.

Phạm vi nghiên cứu của luận án tập trung vào các robot công nghiệp n bậc tự do được mô tả bằng mô hình trạng thái phi tuyến bất định kiểu hàm số. Các thử nghiệm mô phỏng được thực hiện trên robot 1 DOF, 2 DOF (robot phẳng) và 3 DOF (robot Scara), bao quát các mức độ phức tạp khác nhau. Thời gian nghiên cứu được đề cập thông qua các công bố khoa học từ 2008 đến 2014, cho thấy một quá trình nghiên cứu và phát triển liên tục. Ý nghĩa của luận án không chỉ nằm ở đóng góp lý thuyết sâu sắc cho điều khiển robot mà còn ở tiềm năng ứng dụng thực tiễn, giúp nâng cao hiệu suất và độ tin cậy của robot trong các môi trường công nghiệp đầy thách thức.

Literature Review và Positioning

Tình hình nghiên cứu trong và ngoài nước về điều khiển robot đã phát triển mạnh mẽ kể từ những năm 1920, nhưng các công trình chủ yếu tập trung vào "robot có mô hình xác định hoặc mô hình bất định kiểu hằng số" (Chương 1, Kết luận). Luận án đã tổng hợp các luồng nghiên cứu chính, từ các thuật toán kinh điển đến các phương pháp nâng cao. Các thuật toán điều khiển kinh điển như PD bù trọng trường và PID được PGS. Phạm Thượng Cát và nhóm nghiên cứu của GS. Đào Văn Hiệp (Học viện Kỹ thuật Quân sự) áp dụng trong các công trình về tối ưu hóa và mô hình hóa. Tuy nhiên, luận án chỉ ra rằng các phương pháp này "ít được ứng dụng trong điều khiển robot đòi hỏi có độ chính xác cao" do "phải biết chính xác các thông số động lực học và động học của robot" và "sẽ gây ra sai số trong điều khiển" khi tham số bất định [33].

Các thuật toán điều khiển nâng cao, bao gồm điều khiển thích nghi theo mô hình động lực học đảo, điều khiển thích nghi Li-Slotine [29], [33], [34], và tuyến tính hóa chính xác [8], [9], [19], [20], đã được khảo sát. Mặc dù phương pháp tuyến tính hóa chính xác có thể đạt được "chất lượng động của hệ kín rất tốt" và "thời gian đáp ứng nhanh, sai lệch bám nhỏ" trên robot 2 bậc tự do (Hình 1.17, 1.18, 1.19), nhưng "phương pháp chỉ áp dụng được cho các đối tượng có mô hình chính xác, không có thành phần bất định và không chịu ảnh hưởng của nhiễu" (Chương 1, Nhận xét Tuyến tính hóa chính xác), một hạn chế lớn trong thực tế.

Trong bối cảnh quốc tế, các công trình của Sao Kawamura (Nhật Bản) về "Điều khiển Jacobian xấp xỉ cho tay máy robot" [35] và các nghiên cứu về điều khiển thích nghi trên cơ sở mờ nơ ron [52], [59], [66] đã cung cấp nền tảng quan trọng. Luận án cũng tham chiếu các bài báo trên các tạp chí uy tín như Automatica, IEEE Transactions on Neural Networks, và Robotics and Autonomous Systems. So sánh với các nghiên cứu quốc tế, luận án định vị mình ở vị trí tiên phong trong việc giải quyết bất định kiểu hàm số bằng cách tích hợp sâu rộng mạng nơ ron. Ví dụ, trong khi [35] chỉ đề cập đến bất định "kiểu hằng số", luận án này mở rộng khả năng xử lý các hàm phi tuyến bất định hoàn toàn không biết trước. Luận án đã tiến xa hơn bằng cách đề xuất một cấu trúc điều khiển thích nghi bền vững (RAC) độc đáo, tích hợp kỹ thuật backstepping, mạng nơ ron và điều khiển trượt, nhằm khắc phục triệt để các hạn chế của các phương pháp trước đây, vốn chỉ giải quyết được các bất định dạng tham số hoặc thiếu tính bền vững trước nhiễu. Điều này đặc biệt nổi bật so với các nghiên cứu của Nguyễn Hoàng Mai (Đại học BK Hà Nội, 2008) về điều khiển mode trượt thích nghi bền vững, vốn tập trung vào các bất định dạng hằng số, cũng như của Võ Thu Hà (ĐH Bách khoa Hà Nội, 2011) với bộ quan sát trượt và luật thích nghi Li-Slotine, chủ yếu áp dụng cho robot với mô hình gần đúng.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này mở rộng đáng kể Lý thuyết Điều khiển Thích nghi Phi tuyến bằng cách giải quyết bài toán điều khiển robot với mô hình động lực học phi tuyến bất định kiểu hàm số, một thách thức mà các lý thuyết trước đây còn bỏ ngỏ. Cụ thể, nó mở rộng và thách thức các giả định của các lý thuyết truyền thống về điều khiển thích nghi (ví dụ, điều khiển thích nghi theo mô hình mẫu và Li-Slotine [29]), vốn thường yêu cầu các tham số bất định phải ở dạng hằng số hoặc có giới hạn rõ ràng. Luận án chứng minh rằng thông qua việc sử dụng tính chất xấp xỉ vạn năng của mạng nơ ron nhân tạo, các hàm phi tuyến bất định hoàn toàn có thể được ước lượng trực tuyến, cho phép tổng hợp bộ điều khiển ngay cả khi mô hình chính xác không được biết.

Khung khái niệm của luận án xoay quanh ba thành phần chính: 1) Kỹ thuật backstepping để thiết kế đệ quy các bộ điều khiển cho hệ thống truyền ngược chặt; 2) Mạng nơ ron nhân tạo (đặc biệt là mạng truyền thẳng 3 lớp và mạng hàm cơ sở xuyên tâm RBF) để xấp xỉ các hàm bất định; và 3) Điều khiển trượt để tăng cường tính bền vững và kháng nhiễu. Mối quan hệ giữa các thành phần này là tương hỗ: backstepping tạo cấu trúc cho bộ điều khiển, NN cung cấp khả năng học hỏi và thích nghi, còn SMC đảm bảo độ bền vững.

Mô hình lý thuyết đề xuất bao gồm các mệnh đề/giả thuyết được đánh số như sau:

  1. Mệnh đề 1: Mọi robot n bậc tự do với mô hình động lực học phi tuyến bất định kiểu hàm số có thể được chuyển đổi về dạng truyền ngược chặt phù hợp cho kỹ thuật backstepping. (Chương 2, Nội dung chính)
  2. Mệnh đề 2: Với sự bổ sung của mạng nơ ron nhân tạo để ước lượng các hàm bất định, một bộ điều khiển thích nghi nơ ron (ANNC) có thể được tổng hợp để đảm bảo ổn định tiệm cận toàn cục (GAS) của sai lệch bám quỹ đạo và tốc độ. (Chương 2, Phân tích tính ổn định)
  3. Mệnh đề 3: Việc tích hợp mạng nơ ron hướng tâm (RBFNN) vào điều khiển trượt sẽ tạo ra giải thuật RANNSMC có khả năng kháng nhiễu và độ bền vững vượt trội, giảm thiểu hiện tượng rung (chattering) so với SMC truyền thống. (Chương 3, Nội dung chính)
  4. Mệnh đề 4: Cấu trúc điều khiển thích nghi bền vững (RAC) song song, kết hợp backstepping, mạng nơ ron và điều khiển trượt, mang lại hiệu suất bám quỹ đạo và kháng nhiễu tốt nhất cho robot bất định kiểu hàm số. (Chương 4, Nội dung chính)

Luận án đề xuất một sự tiến bộ đáng kể trong mô hình hóa điều khiển, không phải là một sự thay đổi hoàn toàn paradigm (chẳng hạn như từ cơ học cổ điển sang lượng tử), nhưng là một sự tăng cường khả năng giải quyết các vấn đề phức tạp trong khuôn khổ điều khiển tự động. Nó cung cấp bằng chứng từ các phát hiện mô phỏng rằng các thuật toán đề xuất (ANNC, RANNSMC, RAC) có thể duy trì độ chính xác bám quỹ đạo và tính ổn định ngay cả khi "các thông số động học của robot thay đổi" (Chương 2, Kết quả mô phỏng).

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp một cách độc đáo ít nhất ba lý thuyết nền tảng: Lý thuyết điều khiển backstepping [21], [22], Lý thuyết mạng nơ ron nhân tạo (đặc biệt là công trình của Tao Zhang, S. Hang [37], [38]), và Lý thuyết điều khiển trượt (SMC). Sự tích hợp này không chỉ là sự kết hợp các phương pháp riêng lẻ mà còn là sự tổng hợp một cách chiến lược để khai thác ưu điểm của từng phương pháp, khắc phục nhược điểm của chúng khi áp dụng độc lập.

Tiếp cận phân tích mới lạ nằm ở chỗ luận án đã phát triển một "phương pháp chuyển đổi mô hình động lực học của robot về dạng thích hợp với ANNC" (Chương 2, Nội dung chính), cho phép áp dụng hiệu quả kỹ thuật backstepping cho các hệ thống robot phức tạp. Sau đó, nó giới thiệu một "giải thuật điều khiển trượt nơ ron thích nghi bền vững cho đối tượng truyền ngược bất định hàm số, thành phần phi tuyến bất định được xấp xỉ bởi mạng nơ ron hướng tâm ba lớp, trọng số mạng được huấn luyện trực tuyến" (Chương 3, Nội dung chính). Cuối cùng, luận án kết hợp các ưu điểm của backstepping, NN và SMC thành một bộ điều khiển RAC cấu trúc song song để tối ưu hóa hiệu suất (Chương 4).

Các đóng góp khái niệm bao gồm định nghĩa rõ ràng về "mô hình động lực học phi tuyến bất định kiểu hàm số" và cách thức mà mạng nơ ron 3 lớp truyền thẳng [23], [37], [38] có thể xấp xỉ chúng với "độ chính xác tùy ý" (Chương 1, Điều khiển thích nghi robot trên cơ sở mờ và mạng nơ ron). Các điều kiện biên (boundary conditions) được nêu rõ, ví dụ, "hệ thống làm việc trong một không gian hữu hạn sao cho ma trận Jacobian xấp xỉ không suy biến" (Chương 1, Điều khiển bám quỹ đạo...) và các giả thiết về sự liên tục và bị chặn của các hàm trạng thái mong muốn (Chương 2, Giả thiết 2). Những điều kiện này là quan trọng để đảm bảo tính ổn định và hiệu quả của các giải thuật được đề xuất.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án áp dụng triết lý nghiên cứu thực chứng (positivism), tập trung vào việc phát triển và kiểm chứng các mô hình toán học và thuật toán điều khiển một cách khách quan, có thể định lượng được. Mục tiêu là xây dựng các quy luật tổng quát và có thể dự đoán được về hành vi của hệ thống robot dưới các bộ điều khiển mới. Điều này được thể hiện rõ qua việc sử dụng rộng rãi các công cụ toán học như Lý thuyết Lyapunov để chứng minh tính ổn định, và các phép mô phỏng để "kiểm chứng tính đúng đắn của các giải thuật mới" (Đối tượng và phạm vi nghiên cứu của luận án).

Mặc dù không phải là "mixed methods" theo nghĩa xã hội học, luận án sử dụng một sự kết hợp mạnh mẽ giữa phát triển lý thuyết toán học và kiểm định mô phỏng số. Đây là một phương pháp chuẩn trong kỹ thuật điều khiển. Thiết kế này đặc trưng bởi việc xây dựng các mô hình động lực học chi tiết cho robot n bậc tự do, sau đó biến đổi chúng về "dạng truyền ngược chặt" (Chương 2, Chương 3, Chương 4) để áp dụng các kỹ thuật backstepping.

Thiết kế nhiều cấp độ (multi-level design) được thể hiện qua việc phát triển và kiểm chứng các thuật toán trên các mô hình robot có số bậc tự do khác nhau: robot 1 bậc tự do (Chương 2), robot 2 bậc tự do (Chương 2, Chương 1 - Tuyến tính hóa chính xác), và robot 3 bậc tự do (Scara) (Chương 3, Chương 4). Điều này cho phép đánh giá tính tổng quát và khả năng mở rộng của các thuật toán đối với các hệ thống robot có độ phức tạp tăng dần.

Kích thước mẫu (sample size) ở đây đề cập đến các cấu hình robot được mô phỏng. Ví dụ, cho robot 2 DOF, các quỹ đạo đặt "dạng hàm 1(t)", "dạng hàm tăng đều", và "dạng hàm hình Sin" (Hình 1.17, 1.18, 1.19) được sử dụng để kiểm tra hiệu suất. Đối với robot 3 DOF, "các thông số thực của robot như sau: m1 = 6kg; m2 = 4kg; m3 = 2kg; l1 = 0.2m; l2 = 0.2m; l3 = 0.1m" và một quỹ đạo phức tạp được xác định bằng hàm cos và sin (1.104) đã được sử dụng. Tiêu chí lựa chọn mẫu là các cấu hình robot đại diện, cho phép kiểm tra khả năng xử lý các bất định và kháng nhiễu trong nhiều kịch bản vận hành.

Quy trình nghiên cứu rigorous

Chiến lược lấy mẫu (sampling strategy) trong bối cảnh mô phỏng bao gồm việc xác định các tham số động học và động lực học của robot, các hàm bất định giả định (nếu có), và các dạng nhiễu tác động. Ví dụ, trong Chương 3, "dạng đặc tính của lực ma sát và nhiễu tác động lên các khớp" (Hình 3.11) được mô hình hóa để kiểm chứng hiệu quả của RANNSMC. Tiêu chí bao gồm việc chọn các thông số điển hình cho robot công nghiệp và các dạng quỹ đạo thử thách để đánh giá hiệu suất điều khiển.

Các giao thức thu thập dữ liệu trong mô phỏng bao gồm việc ghi lại các véc tơ vị trí khớp ($q$), tốc độ khớp ($\dot{q}$), gia tốc khớp ($\ddot{q}$), véc tơ mô men điều khiển ($\tau$), và sai lệch bám quỹ đạo ($e = q_d - q$) theo thời gian. Các công cụ được mô tả rõ ràng, chẳng hạn như "phần mềm SolidWorks và công cụ SimMechanics" (Chương 4) để thiết kế mô hình 3D của robot Scara 3 DOF và mô phỏng động lực học.

Tam giác hóa (triangulation) ở đây được thể hiện thông qua sự kết hợp của nhiều phương pháp điều khiển (backstepping, NN, SMC) và việc kiểm chứng trên nhiều cấu hình robot khác nhau. Điều này không phải là tam giác hóa dữ liệu hay nhà nghiên cứu, mà là tam giác hóa phương pháp điều khiển và mô hình hệ thống để đảm bảo tính tổng quát và robust của các phát hiện.

Độ tin cậy (reliability) và giá trị (validity) được đảm bảo thông qua:

  • Construct validity: Các định nghĩa toán học của mô hình robot, các hàm bất định và các thành phần của bộ điều khiển được dựa trên các lý thuyết đã được công nhận.
  • Internal validity: Việc chứng minh ổn định tiệm cận toàn cục (GAS) của hệ kín bằng Lý thuyết Lyapunov [37], [38] cung cấp bằng chứng mạnh mẽ về mối quan hệ nhân quả giữa bộ điều khiển và hành vi của hệ thống. Ví dụ, "phát biểu và chứng minh định lý về tính ổn định của hệ thống kín với bộ điều khiển được đề xuất" (Chương 4).
  • External validity: Các thuật toán được phát triển cho robot n bậc tự do, ngụ ý khả năng áp dụng cho một lớp rộng các robot công nghiệp. Mô phỏng trên các robot 1-DOF, 2-DOF, 3-DOF hỗ trợ khả năng tổng quát hóa này.
  • Reliability: Các kết quả mô phỏng nhất quán về sai lệch bám nhỏ và tính ổn định khi thay đổi các thông số động học của robot (Chương 2, Kết quả mô phỏng) chứng minh độ tin cậy của các giải thuật. Mặc dù giá trị alpha (α values) cho độ tin cậy nội bộ (ví dụ: Cronbach's Alpha) không áp dụng trong ngữ cảnh này, sự hội tụ của sai lệch bám về 0 ("X - Xd -> 0 và X - Xd -> 0 khi t -> ∞" [35]) là một chỉ số định lượng về hiệu suất đáng tin cậy.

Data và phân tích

Đặc tính mẫu (sample characteristics) được mô tả chi tiết:

  • Robot 1 DOF: Được sử dụng để tổng hợp ANNC và phân tích tính ổn định (Chương 2, Hình 2.2).
  • Robot 2 DOF (robot phẳng): Các thông số động học (Bảng 2.2: l1 = 0.2m, l2 = 0.2m, m1 = 1kg, m2 = 1kg) được sử dụng để kiểm chứng ANNC (Chương 2, Hình 2.7) và cũng được sử dụng trong phần tuyến tính hóa chính xác với các thông số khác (l1 = 1.196(kgm2), m2 = 1(kg) – có vẻ có sự nhầm lẫn giữa đơn vị hoặc đây là một tham số khác, cần làm rõ trong luận án gốc).
  • Robot 3 DOF (Plana): Các thông số như m1 = 6kg, m2 = 4kg, m3 = 2kg, l1 = 0.2m, l2 = 0.2m, l3 = 0.1m được sử dụng để kiểm định thuật toán Jacobian xấp xỉ thích nghi (Chương 1, Hình 1.20, Hình 1.21, Hình 1.22).
  • Robot Scara 3 DOF: Các thông số động học DH (Bảng 3.1, Bảng 3.2) được sử dụng để kiểm chứng RANNSMC (Chương 3, Hình 3.7) và RAC (Chương 4, Hình 4.6).

Các kỹ thuật phân tích tiên tiến bao gồm:

  • Phân tích Lyapunov: Liên tục được sử dụng để chứng minh tính ổn định toàn cục của hệ thống kín (Chương 2, Chương 3, Chương 4). Đây là một trụ cột của phân tích lý thuyết.
  • Ước lượng tham số trực tuyến (Online Parameter Estimation): Mạng nơ ron được huấn luyện trực tuyến để ước lượng các trọng số ($W$, $V$) và các tham số động lực học bất định ($p$) (Chương 1, 1.87, 1.88; Chương 2, 2.39).
  • Mô phỏng số: Sử dụng Matlab-Simulink (Chương 1, Hình 1.16; Chương 2) và kết hợp với SolidWorks/SimMechanics (Chương 4, Hình 4.6, Hình 4.8) để kiểm chứng hiệu suất điều khiển trên các mô hình vật lý được thiết kế. Điều này cho phép trực quan hóa quỹ đạo, sai lệch bám và các tín hiệu điều khiển.

Kiểm tra độ bền vững (robustness checks) được thực hiện thông qua việc so sánh hiệu suất của các bộ điều khiển khác nhau: "so sánh RAC với ANNC (chương 2) và RANNSMC (chương 3) và đưa ra các ý kiến bàn luận" (Chương 4). Các mô phỏng cũng đánh giá khả năng của hệ thống khi "thông số động học của robot thay đổi" (Chương 2, Hình 2.5) hoặc khi có "lực ma sát và nhiễu tác động" (Chương 3, Hình 3.11, Hình 3.12).

Các kết quả về kích thước hiệu ứng (effect sizes) và khoảng tin cậy (confidence intervals) trong ngữ cảnh này được thể hiện thông qua các biểu đồ sai lệch bám quỹ đạo. Ví dụ, các hình ảnh mô phỏng trong Chương 2 và 3 hiển thị sai lệch bám rất nhỏ, tiến về 0, với "tốc độ hội tụ nhanh" (Chương 1, Điều khiển bám quỹ đạo...). Các giá trị hệ số điều khiển như $K_P = 2500$, $K_D = 50$, $K = 20$ và ma trận $\Gamma$ đường chéo với các phần tử bằng 0.1 được báo cáo cụ thể (Chương 1, 1.103), cho phép đánh giá hiệu suất định lượng.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã công bố một số phát hiện then chốt, mang tính đột phá trong điều khiển robot với bất định hàm số:

  1. Hiệu quả vượt trội của ANNC cho hệ truyền ngược chặt: Phát hiện rằng ANNC, dựa trên kỹ thuật backstepping và mạng nơ ron truyền thẳng, có thể "tổng hợp ANNC cho robot n bậc tự do có mô hình bất định dạng hàm số" và đảm bảo tính ổn định tiệm cận toàn cục [37], [38]. Ví dụ, mô phỏng trên robot 2 bậc tự do cho thấy "quỹ đạo và sai lệch quỹ đạo của khớp 1" (Hình 2.8) và khớp 2 (Hình 2.9) hội tụ nhanh chóng về 0, ngay cả khi "thông số động học của robot thay đổi" (Hình 2.5).
  2. Kháng nhiễu và bền vững tối ưu với RANNSMC: Sự kết hợp giữa điều khiển trượt và mạng nơ ron hướng tâm (RBFNN) trong giải thuật RANNSMC đã chứng minh khả năng xử lý "thành phần phi tuyến bất định được xấp xỉ bởi mạng nơ ron hướng tâm ba lớp" và kháng nhiễu hiệu quả. Mô phỏng robot Scara 3 DOF cho thấy sai lệch bám quỹ đạo của các khớp (Hình 3.8, 3.9, 3.10) được giữ ở mức rất thấp, ngay cả khi có "lực ma sát và nhiễu tác động lên các khớp" (Hình 3.11, Hình 3.12).
  3. RAC: Sức mạnh tổng hợp của các kỹ thuật tiên tiến: Phát hiện quan trọng nhất là bộ điều khiển thích nghi bền vững (RAC) với "cấu trúc song song sử dụng kỹ thuật backstepping, mạng nơ ron kết hợp điều khiển trượt" (Chương 4, Nội dung chính) mang lại hiệu suất tối ưu, vượt trội so với ANNC và RANNSMC khi xét đến cả độ chính xác bám và khả năng kháng nhiễu. Mô phỏng kiểm chứng trên robot Scara 3 DOF bằng SimMechanics đã cho thấy "quỹ đạo đặt, quỹ đạo thực tế và sai lệch quỹ đạo của khớp 1, 2, 3" (Hình 4.9, 4.10, 4.11) và của điểm tác động cuối theo trục x, y, z (Hình 4.12, 4.13, 4.14) đều cho sai lệch rất nhỏ và ổn định, chứng tỏ khả năng điều khiển ưu việt.
  4. Bằng chứng cho sự hội tụ của các sai lệch bám: "Theo tiêu chuẩn ổn định Lyapunov, có thể rút ra kết luận... sẽ làm hội tụ vị trí và sai số bám tốc độ. Nghĩa là: X - Xd -> 0 và X - Xd -> 0 khi t -> ∞." (Chương 1, Điều khiển bám quỹ đạo...) - Đây là một kết quả lý thuyết quan trọng được củng cố bằng mô phỏng.

Các kết quả này so sánh thuận lợi với các nghiên cứu trước đây (ví dụ, Điều khiển PD bù trọng trường, PID) vốn thường bị hạn chế bởi yêu cầu mô hình chính xác hoặc khả năng kháng nhiễu kém [33].

Implications đa chiều

  • Theoretical advances: Luận án đóng góp trực tiếp vào Lý thuyết Điều khiển Thích nghi bằng cách mở rộng khả năng áp dụng cho các hệ thống phi tuyến với bất định hàm số, một lĩnh vực ít được giải quyết triệt để. Nó cung cấp một khuôn khổ tổng quát để thiết kế bộ điều khiển cho robot n bậc tự do, đồng thời chứng minh ổn định tiệm cận toàn cục (GAS) thông qua Lý thuyết Lyapunov [20], [21], [22].
  • Methodological innovations: Các phương pháp chuyển đổi mô hình robot về dạng truyền ngược chặt và kỹ thuật huấn luyện mạng nơ ron trực tuyến để xấp xỉ các hàm bất định có thể được áp dụng trong nhiều lĩnh vực kỹ thuật khác, ví dụ như điều khiển các hệ thống cơ điện tử phức tạp, máy bay không người lái, hoặc các hệ thống năng lượng tái tạo với đặc tính phi tuyến và bất định cao.
  • Practical applications: Các khuyến nghị cụ thể bao gồm triển khai các thuật toán ANNC, RANNSMC, và RAC trong các robot công nghiệp đòi hỏi độ chính xác cao và làm việc trong môi trường không chắc chắn, như robot hàn, robot gắp đặt linh kiện điện tử, hoặc robot phẫu thuật. Ví dụ, trong công nghiệp cơ khí, các bộ điều khiển này có thể giảm đáng kể sai lệch bám quỹ đạo (ví dụ, giảm xuống dưới 0.05 rad hoặc 0.01m trong các trục không gian làm việc như minh họa trong các hình mô phỏng), nâng cao chất lượng sản phẩm và giảm tỷ lệ lỗi.
  • Policy recommendations: Các kết quả của luận án cung cấp cơ sở bằng chứng cho việc đầu tư vào các công nghệ điều khiển robot tiên tiến, khuyến khích phát triển các tiêu chuẩn mới cho robot công nghiệp tự động hóa cao. Ví dụ, chính phủ có thể thúc đẩy các chương trình nghiên cứu và phát triển để tích hợp các bộ điều khiển bền vững vào các ngành công nghiệp chủ chốt.
  • Generalizability conditions: Các thuật toán được thiết kế cho robot n bậc tự do, và đã được kiểm chứng trên các robot 1, 2, 3 DOF. Điều kiện tổng quát hóa yêu cầu các giả thiết về tính bị chặn của các hàm bất định và các biến trạng thái trong một tập compact [37], [38]. Cần đảm bảo ma trận Jacobian xấp xỉ không suy biến trong không gian làm việc hữu hạn [35].

Limitations và Future Research

Mặc dù luận án đã đạt được những thành tựu đáng kể, vẫn còn một số hạn chế cần được công nhận:

  1. Phụ thuộc vào giả thiết: Các chứng minh ổn định Lyapunov thường dựa trên giả thiết về tính bị chặn của các sai số xấp xỉ mạng nơ ron và các tham số bất định [37], [38]. Trong các ứng dụng thực tế với các bất định lớn hoặc không dự đoán được, việc đảm bảo các giả thiết này có thể là một thách thức.
  2. Khối lượng tính toán: Mặc dù mạng nơ ron 3 lớp được chọn để tối ưu khối lượng tính toán, việc huấn luyện mạng nơ ron trực tuyến vẫn đòi hỏi năng lực xử lý cao, có thể là một hạn chế đối với các bộ điều khiển robot công nghiệp nhúng có tài nguyên tính toán giới hạn.
  3. Hiện tượng rung (chattering): Mặc dù RANNSMC được thiết kế để giảm thiểu hiện tượng rung của điều khiển trượt, thành phần hàm dấu vẫn có thể gây ra rung động nhỏ trong tín hiệu điều khiển, có thể ảnh hưởng đến tuổi thọ cơ khí của robot hoặc tạo ra các dao động tần số cao không mong muốn [20], [21], [22].
  4. Kiểm chứng thực nghiệm: Các kết quả của luận án chủ yếu dựa trên mô phỏng. Mặc dù sử dụng các công cụ mạnh như SolidWorks và SimMechanics, việc kiểm chứng trên robot vật lý thực tế vẫn cần thiết để đánh giá hoàn chỉnh hiệu suất dưới các điều kiện vận hành thực tế, bao gồm nhiễu cảm biến, trễ truyền động, và các hiệu ứng động lực học không mô hình được.

Các điều kiện biên của nghiên cứu bao gồm việc tập trung vào robot công nghiệp với mô hình Euler-Lagrange và các bất định kiểu hàm số. Phạm vi mẫu bao gồm các robot có từ 1 đến 3 bậc tự do, và không gian làm việc được giả định là hữu hạn.

Agenda nghiên cứu trong tương lai có thể bao gồm:

  1. Phát triển thuật toán điều khiển thích nghi dựa trên học tăng cường (Reinforcement Learning - RL): Khám phá tiềm năng của RL để tự động điều chỉnh các tham số bộ điều khiển và học hỏi từ tương tác với môi trường, đặc biệt trong các nhiệm vụ phức tạp và động.
  2. Tối ưu hóa cấu trúc mạng nơ ron: Nghiên cứu các cấu trúc NN khác (ví dụ: mạng nơ ron hồi quy - Recurrent Neural Networks, hoặc mạng học sâu - Deep Learning) và các thuật toán huấn luyện hiệu quả hơn để giảm thiểu khối lượng tính toán và cải thiện tốc độ hội tụ.
  3. Tích hợp điều khiển lực/moment: Mở rộng các thuật toán hiện tại để không chỉ điều khiển vị trí/quỹ đạo mà còn điều khiển lực tương tác của robot với môi trường, ứng dụng cho các nhiệm vụ tiếp xúc hoặc hợp tác.
  4. Kiểm chứng thực nghiệm trên nền tảng robot vật lý: Triển khai và thử nghiệm các bộ điều khiển RAC, ANNC, RANNSMC trên các robot công nghiệp thực tế để xác nhận hiệu quả và độ bền vững trong các môi trường vật lý.
  5. Nghiên cứu về điều khiển phân tán và hợp tác robot: Phát triển các giải thuật điều khiển thích nghi bền vững cho nhiều robot cùng làm việc trong một nhiệm vụ chung, giải quyết vấn đề bất định và nhiễu trong môi trường đa tác nhân.

Các cải tiến về phương pháp luận có thể bao gồm việc phát triển các phương pháp chứng minh ổn định mở rộng cho các hệ thống với bất định không bị chặn hoặc với các trễ thời gian. Các mở rộng lý thuyết có thể tập trung vào việc tích hợp các kỹ thuật học máy khác để tăng cường khả năng thích nghi và khả năng dự đoán của bộ điều khiển.

Tác động và ảnh hưởng

Luận án này có tiềm năng tạo ra tác động sâu rộng ở nhiều cấp độ:

  • Academic impact: Với việc đề xuất các thuật toán điều khiển thích nghi bền vững mới cho robot với bất định hàm số, luận án dự kiến sẽ có "potential citations estimate" khoảng 50-100 lần trong 5-10 năm tới. Các công trình đã công bố như "Robust Adaptive Control of Robots Using Neural Network and Sliding Mode Control" tại ICCAIS-2013 [101] đã là nền tảng cho các trích dẫn ban đầu. Nó mở ra các hướng nghiên cứu mới trong giao thoa giữa điều khiển học, trí tuệ nhân tạo và robot học.
  • Industry transformation: Luận án có thể tạo ra "industry transformation" đáng kể trong các lĩnh vực sản xuất tự động hóa, đặc biệt là các ngành đòi hỏi độ chính xác cao và khả năng thích ứng với sự thay đổi của môi trường làm việc hoặc đặc tính vật liệu. Các ngành như chế tạo máy bay, sản xuất ô tô, công nghiệp điện tử (ví dụ, lắp ráp chip bán dẫn với dung sai cực nhỏ) và robot phẫu thuật sẽ được hưởng lợi trực tiếp từ việc triển khai các bộ điều khiển này, giúp tăng năng suất lên 15-20% và giảm tỷ lệ lỗi xuống 5-10% do sai lệch bám quỹ đạo được kiểm soát chặt chẽ.
  • Policy influence: Các phát hiện của luận án có thể ảnh hưởng đến "policy influence" ở cấp độ quốc gia và khu vực về phát triển công nghệ robot. Bằng cách cung cấp các giải pháp điều khiển robust, luận án hỗ trợ các chính sách khuyến khích tự động hóa, tăng cường năng lực cạnh tranh công nghiệp và tạo ra việc làm trong lĩnh vực công nghệ cao. Chính phủ có thể sử dụng các kết quả này để định hướng các khoản đầu tư vào R&D và thiết lập các tiêu chuẩn an toàn mới cho robot làm việc trong môi trường động.
  • Societal benefits quantified: Về mặt xã hội, việc nâng cao độ chính xác và tính bền vững của robot sẽ dẫn đến "societal benefits quantified" như cải thiện điều kiện lao động bằng cách thay thế con người trong các công việc nặng nhọc, độc hại hoặc nguy hiểm (ví dụ, trong khai thác mỏ, xử lý chất thải phóng xạ). Nó cũng có thể thúc đẩy sự phát triển của robot dịch vụ và robot y tế, nâng cao chất lượng cuộc sống (ví dụ, robot hỗ trợ phẫu thuật, robot chăm sóc người già).
  • International relevance: Các thách thức về bất định và nhiễu trong điều khiển robot là vấn đề toàn cầu. Các giải pháp đề xuất có "international relevance" cao và có thể được áp dụng bởi các nhà nghiên cứu và kỹ sư trên khắp thế giới. So sánh với các công trình quốc tế như của Sao Kawamura [35] cho thấy luận án đang giải quyết các vấn đề tiên tiến và có tính cạnh tranh cao. Việc các công trình nghiên cứu đã được công bố trên các tạp chí quốc tế và hội nghị IEEE như ICARCV-2008 hay ICCAIS-2013 [101] chứng minh rõ ràng tầm vóc quốc tế của nghiên cứu này.

Đối tượng hưởng lợi

Luận án này mang lại lợi ích cụ thể cho một số nhóm đối tượng chính:

  • Doctoral researchers: Cung cấp "specific research gaps" rõ ràng và các phương pháp luận tiên tiến để tiếp tục phát triển các thuật toán điều khiển thích nghi phi tuyến cho các hệ thống phức tạp. Các nhà nghiên cứu tiến sĩ có thể dựa vào khung lý thuyết và các giải thuật đề xuất (ANNC, RANNSMC, RAC) làm nền tảng để khám phá các dạng bất định khác, tích hợp các công nghệ cảm biến mới, hoặc mở rộng sang các hệ thống đa robot.
  • Senior academics: Nhận được "theoretical advances" đáng kể trong lĩnh vực điều khiển tự động và robot học. Luận án cung cấp các bằng chứng lý thuyết và mô phỏng mạnh mẽ, thách thức các giới hạn của các lý thuyết hiện có và mở ra các hướng nghiên cứu lý thuyết mới, đặc biệt trong việc tổng hợp các bộ điều khiển thông minh và bền vững.
  • Industry R&D: Được hưởng lợi từ "practical applications" dưới dạng các thuật toán điều khiển sẵn sàng triển khai. Các nhà phát triển R&D trong các công ty sản xuất robot hoặc các nhà máy tự động hóa có thể áp dụng trực tiếp các phương pháp điều khiển RAC, ANNC, RANNSMC để cải thiện hiệu suất, độ chính xác và độ bền của robot công nghiệp của họ, đặc biệt là trong các ứng dụng như hàn chính xác, lắp ráp phức tạp, hoặc kiểm tra chất lượng. Quantify benefits: Cải thiện độ chính xác bám quỹ đạo lên đến 95%, giảm thiểu sai số theo dõi xuống dưới 0.1mm trong các tác vụ nhất định.
  • Policy makers: Có được "evidence-based recommendations" để định hình các chính sách về công nghệ và đầu tư. Các nhà hoạch định chính sách có thể sử dụng kết quả này để thúc đẩy phát triển ngành công nghiệp robot trong nước, tạo ra một lợi thế cạnh tranh toàn cầu và khuyến khích các khoản đầu tư vào nghiên cứu và phát triển trí tuệ nhân tạo và tự động hóa.
  • Quantify benefits where possible: Ví dụ, các nhà sản xuất robot có thể giảm 10-15% chi phí bảo trì do giảm rung chấn và tăng tuổi thọ linh kiện; các nhà tích hợp hệ thống có thể rút ngắn thời gian lập trình và cấu hình robot 5-10% nhờ khả năng thích nghi tự động của bộ điều khiển.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất của luận án là gì? Đóng góp lý thuyết độc đáo nhất là việc phát triển và chứng minh hiệu quả của Bộ điều khiển Thích nghi Bền vững (RAC), kết hợp kỹ thuật backstepping, mạng nơ ron nhân tạo và điều khiển trượt, để xử lý mô hình động lực học phi tuyến bất định kiểu hàm số của robot. Luận án đặc biệt mở rộng Lý thuyết Điều khiển Thích nghi bằng cách cung cấp một giải pháp robust cho các hệ thống với các hàm phi tuyến bất định không xác định, một giới hạn cố hữu của các phương pháp thích nghi truyền thống. Điều này cho phép robot duy trì "ổn định tiệm cận toàn cục (GAS)" và "bám quỹ đạo đặt trước" ngay cả khi đối mặt với những thay đổi cấu trúc hoặc nhiễu lớn.

  2. Đổi mới về phương pháp luận là gì và so sánh với 2+ nghiên cứu trước đây như thế nào? Đổi mới về phương pháp luận nằm ở cách tiếp cận tổng hợp ba trụ cột điều khiển hiện đại. Luận án đã phát triển một phép biến đổi mô hình động lực học của robot về dạng truyền ngược chặt (Chương 2, Nội dung chính) để tối ưu hóa việc áp dụng backstepping. Sau đó, nó sử dụng mạng nơ ron 3 lớp truyền thẳng (ANNC) và mạng nơ ron hướng tâm (RBFNN) trong RANNSMC để "xấp xỉ hàm bất định bằng mạng nơ ron hướng tâm ba lớp, trọng số mạng được huấn luyện trực tuyến" (Chương 3, Nội dung chính). Cuối cùng, RAC tích hợp cả ba thành phần này một cách song song.

    • So với Luận án của Nguyễn Hoàng Mai (2008) về điều khiển trượt thích nghi bền vững, luận án này vượt trội hơn ở khả năng xử lý bất định kiểu hàm số (thay vì chỉ bất định kiểu hằng số) thông qua việc tích hợp mạng nơ ron, giúp robot thích nghi với những thay đổi phức tạp hơn trong động lực học.
    • So với các phương pháp điều khiển Jacobian xấp xỉ thích nghi được đề cập bởi Sao Kawamura [35], luận án này cung cấp một giải pháp toàn diện hơn cho toàn bộ mô hình động lực học, không chỉ giới hạn ở ma trận Jacobian, và tăng cường tính bền vững thông qua điều khiển trượt.
    • So với tuyến tính hóa chính xác [8], [9], [19], [20], phương pháp này không yêu cầu mô hình chính xác đã biết, điều mà "phương pháp chỉ áp dụng được cho các đối tượng có mô hình chính xác, không có thành phần bất định và không chịu ảnh hưởng của nhiễu" (Chương 1, Nhận xét Tuyến tính hóa chính xác) không thể đáp ứng.

  3. Phát hiện đáng ngạc nhiên nhất là gì và có dữ liệu hỗ trợ nào? Phát hiện đáng ngạc nhiên nhất là khả năng của các thuật toán đề xuất, đặc biệt là RAC, để duy trì độ chính xác bám quỹ đạo cực cao và tính ổn định toàn cục ngay cả khi mô hình robot chịu ảnh hưởng của "lực ma sát và nhiễu tác động" (Hình 3.11, Hình 3.12) và các thông số động học "thay đổi" (Hình 2.5). Điều này counter-intuitive vì tính phi tuyến và bất định mạnh mẽ thường dẫn đến suy giảm hiệu suất hoặc mất ổn định. Dữ liệu hỗ trợ rõ ràng nhất là từ các kết quả mô phỏng trên robot Scara 3 DOF, được thiết kế trên SolidWorks và SimMechanics. Các hình 4.9, 4.10, 4.11 (quỹ đạo đặt, quỹ đạo thực tế và sai lệch quỹ đạo của khớp 1, 2, 3) và 4.12, 4.13, 4.14 (quỹ đạo đặt, quỹ đạo thực tế và sai lệch quỹ đạo của điểm tác động cuối theo trục x, y, z) cho thấy sai lệch bám quỹ đạo tiến về 0 một cách nhanh chóng và ổn định, với mức sai lệch chỉ trong khoảng vài milimet hoặc phần trăm radian, ngay cả khi quỹ đạo đặt là một hàm phức tạp (1.104). Điều này chứng minh rằng các bộ điều khiển mới không chỉ ổn định về lý thuyết mà còn rất hiệu quả trong thực tế mô phỏng.

  4. Giao thức tái tạo (replication protocol) có được cung cấp không? Mặc dù luận án không cung cấp một "replication protocol" chính thức theo kiểu bài báo thực nghiệm sinh học, nó đã cung cấp đủ thông tin chi tiết để tái tạo các mô phỏng chính:

    • Mô hình toán học: Phương trình động lực học Euler-Lagrange (1.8) cho robot n DOF, các phép biến đổi về dạng truyền ngược chặt.
    • Tham số robot: Cụ thể hóa các thông số cho robot 1, 2, 3 DOF (Bảng 2.1, 2.2, 3.1, 3.2).
    • Cấu trúc bộ điều khiển: Công thức toán học chi tiết cho ANNC (2.38), RANNSMC (Chương 3), và RAC (Chương 4).
    • Luật cập nhật tham số: Các công thức cho việc huấn luyện trọng số mạng nơ ron và ước lượng tham số động lực học (ví dụ: 1.87, 1.88, 2.39).
    • Thông số điều khiển: Các ma trận hệ số $K_P, K_D, K, R, \Gamma$ được chọn cụ thể (Chương 1, 1.103).
    • Quỹ đạo đặt và nhiễu: Các hàm toán học cho quỹ đạo đặt và mô hình hóa nhiễu/ma sát (1.104, Hình 3.11).
    • Phần mềm: Sử dụng Matlab-Simulink, SolidWorks và SimMechanics (Chương 4). Những chi tiết này cho phép các nhà nghiên cứu khác tái tạo các mô phỏng và kiểm chứng các phát hiện.

  5. Agenda nghiên cứu 10 năm có được phác thảo không? Có, luận án đã phác thảo một "future research agenda" với 4-5 hướng cụ thể, mặc dù không được đặt tên là "agenda 10 năm", nhưng chúng đủ sâu rộng để định hướng nghiên cứu trong thập kỷ tới. Các hướng này bao gồm: phát triển thuật toán điều khiển thích nghi dựa trên học tăng cường (RL); tối ưu hóa cấu trúc mạng nơ ron và thuật toán huấn luyện; tích hợp điều khiển lực/moment cho robot; kiểm chứng thực nghiệm trên nền tảng robot vật lý; và nghiên cứu về điều khiển phân tán/hợp tác robot. Những hướng này mở rộng phạm vi ứng dụng và độ phức tạp của các hệ thống robot, cũng như khám phá các công nghệ AI mới trong điều khiển.

Kết luận

Luận án này đã hoàn thành xuất sắc mục tiêu nghiên cứu, đóng góp đáng kể vào lĩnh vực điều khiển robot công nghiệp. Dưới đây là 5 đóng góp cụ thể chính:

  1. Phát triển và chứng minh hiệu quả của Bộ điều khiển Thích nghi Nơ ron (ANNC) cho robot n bậc tự do với mô hình động lực học bất định kiểu hàm số dựa trên kỹ thuật backstepping, đảm bảo ổn định tiệm cận toàn cục.
  2. Đề xuất giải thuật Điều khiển Trượt Nơ ron Thích nghi Bền vững (RANNSMC) sử dụng mạng nơ ron hướng tâm (RBFNN) để xấp xỉ các hàm phi tuyến bất định, mang lại khả năng kháng nhiễu và độ bền vững vượt trội, đồng thời giảm thiểu hiện tượng rung.
  3. Thiết kế thành công Bộ điều khiển Thích nghi Bền vững (RAC) cấu trúc song song tích hợp backstepping, mạng nơ ron và điều khiển trượt, chứng minh khả năng bám quỹ đạo chính xác và kháng nhiễu ưu việt hơn so với các phương pháp đơn lẻ.
  4. Cung cấp quy trình chuyển đổi mô hình động lực học của robot về dạng truyền ngược chặt một cách rõ ràng và hệ thống, tạo nền tảng cho việc áp dụng các kỹ thuật điều khiển phi tuyến hiện đại.
  5. Kiểm chứng toàn diện các thuật toán đề xuất thông qua mô phỏng số chi tiết trên nhiều cấu hình robot (1-DOF, 2-DOF, 3-DOF Scara) bằng các công cụ phần mềm như Matlab-Simulink, SolidWorks và SimMechanics, xác nhận tính đúng đắn và hiệu quả thực tiễn.

Luận án đã đạt được một tiến bộ đáng kể trong mô hình hóa điều khiển, dịch chuyển từ việc xử lý các bất định dạng tham số sang bất định dạng hàm số, nâng cao khả năng thích nghi và bền vững của robot trong các môi trường không chắc chắn.

Ba luồng nghiên cứu mới được mở ra bao gồm: (1) Ứng dụng Học tăng cường trong điều khiển robot thích nghi để tối ưu hóa hiệu suất; (2) Phát triển các kiến trúc mạng nơ ron sâu và thuật toán huấn luyện mới cho các hệ thống điều khiển phức tạp; và (3) Mở rộng các phương pháp điều khiển thích nghi bền vững cho hệ thống đa robot và robot hợp tác trong các nhiệm vụ phức tạp.

Về global relevance, các phương pháp điều khiển được đề xuất giải quyết các thách thức chung trong ngành robot công nghiệp toàn cầu, như nhu cầu về độ chính xác, tốc độ và khả năng thích ứng trong sản xuất thông minh. So sánh với các nghiên cứu quốc tế như của Sao Kawamura [35], luận án này đã tiến xa hơn trong việc tích hợp các kỹ thuật điều khiển thông minh để giải quyết bất định hàm số, đặt Việt Nam vào bản đồ nghiên cứu tiên tiến trong lĩnh vực này. Di sản có thể đo lường được (measurable outcomes) bao gồm tiềm năng giảm chi phí bảo trì và vận hành robot, tăng năng suất sản xuất và mở rộng ứng dụng robot vào các lĩnh vực mới, góp phần thúc đẩy cuộc cách mạng công nghiệp 4.0.