Upload
others
View
7
Download
0
Embed Size (px)
Citation preview
BỘ GIÁO DỤC VÀ ĐÀO TẠO VIỆN HÀN LÂM KHOA HỌC
VÀ CÔNG NGHỆ VIỆT NAM
HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ
-----------------------------
NGUYỄN TIẾN KIỆM
NGHIÊN CỨU PHÁT TRIỂN MỘT SỐ THUẬT TOÁN
ĐIỀU KHIỂN ROBOT CÔNG NGHIỆP
CÓ NHIỀU THAM SỐ BẤT ĐỊNH
LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA
HÀ NỘI - 2018
BỘ GIÁO DỤC VÀ ĐÀO TẠO VIỆN HÀN LÂM KHOA HỌC
VÀ CÔNG NGHỆ VIỆT NAM
HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ
-----------------------------
NGUYỄN TIẾN KIỆM
NGHIÊN CỨU PHÁT TRIỂN MỘT SỐ THUẬT TOÁN
ĐIỀU KHIỂN ROBOT CÔNG NGHIỆP
CÓ NHIỀU THAM SỐ BẤT ĐỊNH
Chuyên ngành: Kỹ thuật điều khiển và tự động hóa
Mã số : 9.52.02.16
LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA
NGƯỜI HƯỚNG DẪN KHOA HỌC:
1. TS.PHẠM MINH TUẤN
2. TS.NGUYỄN TRẦN HIỆP
HÀ NỘI - 2018
i
LỜI CAM ĐOAN
Tôi xin cam đoan rằng đây là công trình nghiên cứu của riêng tôi. Các kết
quả được viết chung với các tác giả khác đều có sự đồng ý của họ trước khi đưa vào
luận án. Các kết quả trong luận án là trung thực và chưa từng công bố trong bất kỳ
công trình nào khác.
Tác giả luận án
Nguyễn Tiến Kiệm
ii
LỜI CẢM ƠN
Lời đầu tiên tác giả xin cảm ơn sâu sắc đến người Thầy hướng dẫn đã quá cố
PGS.TSKH: Phạm Thƣợng Cát, các cán bộ hướng dẫn khoa học: TS. Phạm
Minh Tuấn- hướng dẫn khoa học 1, TS.Nguyễn Trần Hiệp-Hướng dẫn khoa học 2
đã hướng dẫn tác giả hoàn thành luận văn này.
Tác giả cảm ơn các bạn đồng môn, phòng đào tạo, các phòng ban liên quan
thuộc Viện công nghệ thông tin-Viện hàn lâm khoa học và công nghệ Việt Nam đã
hỗ trợ và đóng góp ý kiến để tác giả hoàn thành luận án của mình.
Tác giả cảm ơn ban lãnh đạo nhà trường, bạn lãnh đạo khoa, các đồng nghiệp
nơi đang công tác là trường đại học công nghiệp Hà Nội đã hỗ trợ, động viên, giúp
đỡ trong quá trình làm nghiên cứu sinh.
Tác giả luận án
Nguyễn Tiến Kiệm
iii
DANH MỤC CÁC KÝ HIỆU
Ký hiệu Ý nghĩa Đơn vị
3 Góc quay của robot bánh xe rad
4 Góc quay trục Pan rad
5 Góc quay trục Tilt rad
Jc Ma trận Jacobi camera
Jim Ma trận Jacobi đặc trưng ảnh
δ Véc tơ tọa độ đặc trưng ảnh m
u,v Tọa độ điểm ảnh m
Mô men của khớp quay N.m
o Mô men điều khiển đại lượng biết trước N.m
1 Mô men điều khiển bù đại lượng bất định N.m
f
Tiêu cự của thấu kính camera m
dq Vận tốc góc khớp mong muốn m/s
q Vận tốc khớp thực của bệ Pan-Tilt m/s
wor
Tọa độ mục tiêu trong hệ tọa độ bệ Pan-Tilt m
cor
Tọa độ mục tiêu trong hệ tọa độ camera m
i Dòng điện phần ứng động cơ một chiều A
UE Điện áp điều khiển phần ứng động cơ một chiều V
R Điện trở phần ứng động cơ một chiều Ω
tE Thành phần tín hiệu bất định của động cơ một chiều V
L
Điện cảm phần ứng của động cơ một chiều H
iv
DANH MỤC CÁC CHỮ VIẾT TẮT
Chữ viết tắt Diễn giải nội dung
PBVS Position- based visual servoing -servo thị giác dựa trên vị trí
IBVS Image-based visual servoing - servo thị giác dựa trên ảnh
WMR Wheeled mobile robot di động bánh xe
TSMC Terminal sliding mode control- phương pháp điều khiển trượt
đầu cuối
RBFNN Radial basic funtion neural network-mạng nơ ron RBF
SMC Sliding mode control-điều khiển trượt
ANN Artificial neural network-mạng nơ ron nhân tạo
MIMO Multi input multi output- hệ nhiều đầu vào, nhiều đầu ra
BP
Back propagation-lan truyền ngược
GA
Genetic Algorithm - Thuật toán di truyền
RBF
Radial basic function - Hàm bán kính cơ sở
v
MỤC LỤC
LỜI CAM ĐOAN .......................................................................................................i
LỜI CẢM ƠN ........................................................................................................... ii
DANH MỤC CÁC KÝ HIỆU................................................................................. iii
DANH MỤC CÁC CHỮ VIẾT TẮT......................................................................iv
MỤC LỤC .................................................................................................................. v
DANH MỤC CÁC HÌNH VẼ VÀ ĐỒ THỊ ........................................................ viii
MỞ ĐẦU .................................................................................................................... 1
1. Tính cấp thiết của đề tài ....................................................................................... 1
2. Mục đích nghiên cứu của đề tài. .......................................................................... 3
3. Đối tượng nghiên cứu của đề tài. ......................................................................... 3
4. Phương pháp nghiên cứu. .................................................................................... 3
5. Ý nghĩa khoa học và thực tiễn của đề tài. ............................................................ 3
6. Kết quả và tính mới của luận án. ......................................................................... 4
7. Bố cục của luận án. .............................................................................................. 5
CHƢƠNG 1 TỔNG QUAN ...................................................................................... 7
1.1. Giới thiệu chung. .............................................................................................. 7
1.2. Một số ứng dụng của robot. .............................................................................. 8
1.2.1. Trong công nghiệp...................................................................................... 8
1.2.2 Các ứng dụng trong phòng thí nghiệm. ....................................................... 9
1.2.3 Ứng dụng trong công nghệ hạt nhân........................................................... 9
1.2.4 Ứng dụng trong nông nghiệp. ..................................................................... 9
1.2.5 Ứng dụng trong thám hiểm không gian....................................................... 9
1.2.6 Ứng dụng trong các thiết bị lặn. ............................................................... 10
1.2.7 Ứng dụng trong giáo dục. ......................................................................... 10
1.2.8. Ứng dụng trong hỗ trợ người khuyết tật. ................................................. 10
1.3 Mô hình robot với nhiều tham số bất định. ..................................................... 15
1.4. Tình hình nghiên cứu trong nước và ngoài nước. .......................................... 10
1.4.1. Tình hình nghiên cứu trong nước. ............................................................ 11
1.4.2. Tình hình nghiên cứu ngoài nước. ........................................................... 11
1.5. Các nội dung nghiên cứu chính của luận án. .................................................. 19
vi
CHƢƠNG 2 MÔ HÌNH HÓA CHUYỂN ĐỘNG VI PHÂN CỦA TAY MÁY DI
ĐỘNG VÀ THIẾT KẾ LUẬT VISUAL SERVOING MỚI ĐỂ BÁM THEO MỤC
TIÊU DI ĐỘNG ........................................................................................................ 29
2.1. Thị giác máy và điều khiển hệ robot - camera. .............................................. 29
2.1.1 Các khái niệm cơ bản của thị giác máy. ................................................... 29
2.1.2 Các hệ thị giác máy .................................................................................. 30
2.2. Mô hình hóa chuyển động vi phân của camera trên tay máy chuyển động và
thiết kế hệ servo thị giác bám mục tiêu di động. ................................................... 35
2.2.1 Mô tả các hệ tọa độ. .................................................................................. 35
2.2.2. Chuyển động vi phân ............................................................................... 36
2.2.3. Tính toán đạo hàm của đặc trưng ảnh. ................................................... 41
2.3 . Đề xuất luật điều khiển .................................................................................. 43
2.3.1 Phát biểu bài toán ..................................................................................... 43
2.3.2. Luật điều khiển động học ......................................................................... 44
2.3.3. Luật điều khiển động lực học ................................................................... 46
2.3.4. Xét tính ổn định. ....................................................................................... 47
2.4 . Mô phỏng phương pháp điều khiển. .............................................................. 48
2.5 . Kết luận chương 2.......................................................................................... 51
CHƢƠNG 3.............................................................................................................. 52
ĐIỀU KHIỂN TỐC ĐỘ HỆ ROBOT GẮN CAMERA BÁM MỤC TIÊU DI
ĐỘNG VỚI NHIỀU THAM SỐ BẤT ĐỊNH........................................................ 52
3.1. Mạng nơ ron nhân tạo. .................................................................................... 52
3.1.1. Mô hình nút nơ ron ................................................................................... 54
3.1.2. Cấu trúc mạng nơ rơn .............................................................................. 56
3.1.3. Huấn luyện mạng nơ ron nhân tạo ........................................................... 57
3.1.4. Mạng nơ ron RBF (Radial Basic Function Networks) ............................. 58
3.2. Mạng nơron trong điều khiển robot. ............................................................... 60
3.3. Điều khiển hệ robot-camera bám mục tiêu di động với nhiều tham số bất
định. ....................................................................................................................... 68
3.3.1. Đặt vấn đề. ............................................................................................... 68
3.3.2. Xây dựng thuật toán điều khiển bám mục tiêu di động. ........................... 69
3.3.3. Thuật điều khiển tốc độ hệ robot-camera bám mục tiêu di động............. 71
3.3.4. Thuật điều khiển visual servoing cho hệ robot khi có nhiều tham số bất định.
............................................................................................................................ 73
vii
3.3.5. Mô phỏng hệ thống điều khiển visual sevoing trên Matlab. .................... 77
3.3. Kết luận chương 3. .......................................................................................... 81
CHƢƠNG 4. THUẬT TOÁN ĐIỀU KHIỂN CHO ROBOT CÔNG NGHIỆP
DÙNG MẠNG NƠ RON NHÂN TẠO CÓ CHÚ Ý ĐẾN CƠ CẤU CHẤP
HÀNH ....................................................................................................................... 82
4.1. Động cơ một chiều nam châm vĩnh cửu. ........................................................ 82
4.2 Điều khiển hệ rô bốt - camera bám mục tiêu di động có chú ý tác động của cơ
cấu chấp hành. ....................................................................................................... 85
4.2.1. Đặt vấn đề ................................................................................................ 85
4.2.2. Xây dựng mô hình toán học học của hệ Robot-camera có tác động của cơ
cấu chấp hành .................................................................................................... 86
4.2.3. Điều khiển bám mục tiêu di động dùng mạng nơ ron. ............................. 89
4.2.4. Mô phỏng hệ servo thị giác có mô hình động cơ trên Matlab. ............... 92
4.2.5. Kết luận chương 4. ................................................................................... 95
CHƢƠNG 5. ĐIỀU KHIỂN TRƢỢT THÍCH NGHI NGĂN CHẶN SỰ SUY
BIẾN CHO ROBOT GẮN CAMERA VỚI MÔ HÌNH BẤT ĐỊNH VÀ NHIỄU
NGOÀI ..................................................................................................................... 96
5.1 Tóm tắt nội dung chính. ............................................................................... 96
5.2. Các kiến thức cơ bản ................................................................................... 97
5.3. Thiết kế luật điều khiển ............................................................................... 99
5.4. Phân tích ổn định ....................................................................................... 103
5.5. Mô phỏng phương pháp điều khiển........................................................... 105
5.6. Kết luận chương 5. .................................................................................... 113
KẾT LUẬN TOÀN LUẬN ÁN ............................................................................ 114
1. Các kết quả đạt được của luận án. ................................................................... 114
2. Hướng phát triển của luận án. .......................................................................... 115
DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ.................... 117
TÀI LIỆU THAM KHẢO .................................................................................... 118
viii
DANH MỤC CÁC HÌNH VẼ VÀ ĐỒ THỊ
Hình 2.1 Quá trình xử lý ảnh của thị giác rô bốt....................................................... 29
Hình 2.2. Mô hình hệ sever thị giác eye-in-hand ...................................................... 31
Hình 2.3. Cấu trúc hệ servo vị trí ảnh ....................................................................... 32
Hình 2.4. Cấu trúc servo đặc trưng ảnh .................................................................... 33
Hình 2.5. Một tay máy hai bậc tự do gắn camera đặt trên robot di động có bánh. ... 35
Hình 2.6. Chân đế di động và hai trục tọa độ, O2X2Y2Z2 và O3X3Y3Z3, trong khung
cơ sở. ......................................................................................................................... 36
Hình 2.7. Mặt trước của hệ trục, vị trí và hướng của O4X4Y4Z4 trong O3X3Y3Z3 ... 38
Hình 2.8. Vị trí và hướng của OCXCYCZC trong O4X4Y4Z4, và mô hình điểm ảnh
của camera ................................................................................................................. 39
Hình 2.9. Đồ thị mô tả chuyển động vi phân của camera qua OCXCYCZC. .............. 42
Hình 2.10. Mô hình rô bốt di động bám mục tiêu di động........................................ 42
Hình 2.11. Sơ đồ của bộ điều khiển đề xuất visual servoing bám mục tiêu di động 44
Hình 2.12. Mô tả quỹ đạo của WMR (màu xanh) và mục tiêu bay (đỏ) trong không
gian 3D. ..................................................................................................................... 46
Hình 2.13. Quỹ đạo chuyển động của đặc trưng ảnh trong mặt phẳng ảnh. ............ 46
Hình 2.14. Đặc tính của = v – vd theo thời gian. .................................................. 50
Hình 2.15. Đặc tính của mô men theo thời gian. ...................................................... 50
Hình 3.1. Cấu trúc mạng RBF ................................................................................... 59
Hình 3.5. Hệ robot gắn camera. ................................................................................ 69
Hình 3.6. Mô hình tạo ảnh camera ............................................................................ 70
Hình 3.7. Sơ đồ khối hệ điều khiển tốc độ hệ robot-camera ..................................... 73
Hình 3.8. Mạng RBF xấp xỉ hàm f ......................................................................... 75
Hình 3.9. Cấu trúc của hệ visual servoing điều khiển camera bám mục tiêu di động
có nhiều tham số bất định.......................................................................................... 77
Hình 3.10. Quỹ đạo đặc trưng ảnh. ........................................................................... 79
Hình 3.11. Đăc tính vận tốc các khớp ....................................................................... 79
Hình 3.12. Đặc tính momen các khớp ....................................................................... 79
Hình 3.13. Sự thay đổi các trọng số mạng nơ ron.................................................... 80
Hình 3.14. Sự thay đổi các góc khớp ........................................................................ 80
Hình 3.15. Sự thay đổi các góc khớp ....................................................................... 80
Hình 4.1. Đặc tính mômen và công suất ................................................................... 84
ix
Hình 4.2. Cấu tạo động cơ đĩa. .................................................................................. 85
Hình 4.3. Hệ thống điều khiển động cơ điện một chiều ........................................... 85
Hình 4.4. Sơ đồ điều khiển ........................................................................................ 86
Hình 4.5. Mạng RBF xấp xỉ hàm f‟ ......................................................................... 90
Hình 4.6. Quỹ đạo của đặc trưng ảnh........................................................................ 94
Hình 4.7: Sự thay đổi toạ độ các khớp. ..................................................................... 94
Hình 4.8: Sự thay đổi vận tốc các khớp. ................................................................... 94
Hình 4.9: Đặc tính điện áp của động cơ trên các khớp. ............................................ 95
Hình 5.1. Cấu trúc mạng RBFNN. ............................................................................ 99
Hình 5.2. Sơ đồ của toàn bộ hệ thống điều khiển vòng kín. .................................. 103
Hình 5.3. Hiệu suất bám của phương pháp TSMC đề xuất. ................................... 106
Hình 5.4. Hiệu suất bám của phương pháp SMC tuyến tính. ................................ 107
Hình 5.5. So sánh trong trạng thái xác lập giữa sai lệch bám tại khớp nối 1của
phương pháp đề xuất TSMC và phương pháp SMC. .............................................. 107
Hình 5.6. So sánh trong trạng thái xác lập giữa sai lệch bám tại khớp nối 2 của
phương pháp đề xuất TSMC và phương pháp SMC tuyến tính.............................. 108
Hình 5.7. So sánh giữa đầu vào điều khiển tại cả hai khớp nối giữa phương pháp đề
xuất TSMC và phương pháp SMC tuyến tính......................................................... 108
Hình 5.8. So sánh trong trạng thái xác lập sai lệch e1 tại khớp nối 1 giữa phương
pháp đề xuất và phương pháp trong [58]. ............................................................... 109
Hình 5.9. So sánh trong trạng thái xác lập sai lệch bám e2 tại khớp nối 2 giữa
phương pháp đề xuất và [58]................................................................................... 109
Hình 5.10. So sánh mô men của phương pháp đề xuất và [58]. ............................ 110
Hình 5.11. So sánh mô men trong trường hợp sử dụng (5.25, 5.26) và hàm trơn
(5.41, 5.42). ............................................................................................................. 110
Hình 5.12. So sánh sai lệch bám tại khớp 1, 1e , trong trường hợp sử dụng hàm
(5.25, 5.26) và sử dụng hàm trơn (5.41, 4.42). ....................................................... 111
x
DANH MỤC BẢNG
Bảng 2. 1. Quỹ đạo dùng để mô phỏng của cả đối tượng và WMR. ........................ 48
Bảng 2.2. Các tham số của chân đế pan-tilt và camera. ............................................ 49
1
MỞ ĐẦU
1. Tính cấp thiết của đề tài
Trong cuộc cách mạng công nghệ 4.0 hiện nay, robot là một trong những
công cụ không thể thiếu trong rất nhiều lĩnh vực.
Hiện nay robot được ứng dụng trong mọi mặt đời sống xã hội loài người
như: Trong các nhà máy, robot tham gia vào các dây chuyền sản xuất thay thế sức
lao động của con người. Lĩnh vực an ninh có các robot giám sát an ninh tại các địa
điểm quan trọng hoặc trong các môi trường phức tạp. Trong lĩnh vực quốc phòng
robot được sử dụng ngày càng rộng rãi như các máy bay không người lái, xe tăng
không người lái, tàu chiến không người lái, robot thay thế lính bộ binh trên chiến
trường. Trong lĩnh vực y học có các robot phục vụ cho việc phẫu thuật thay thế bác
sĩ với độ chính xác cao, không phụ thuộc vào các yếu tố tâm lí như con người.
Robot cũng được sử dụng trong lĩnh vực thám hiểm, thăm dò các vùng đất hoặc các
vùng biển mà con người chưa khám phá được. Ngày nay robot cũng được sử dụng
trong việc khám phá, thăm dò các hành tinh khác ngoài trái đất, và nó có thể được
sử dụng để tìm kiếm sự sống ngoài trái đất.
Trong luận án này tác giả đề cập đến một số phương pháp điều khiển cho
robot với nhiều tham số bất định. trong đó tác giả trình bầy về một số thuật toán
điều khiển cho hệ robot-camera đặt trên hệ bánh xe di động và một số thuật toán
điều khiển cho hệ robot-camera.
Những năm gần đây, tay máy kết hợp robot di động được ứng dụng và phát
triển một cách nhanh chóng trong nhiều lĩnh vực khác nhau, nó đáp ứng được
những đòi hỏi về kĩ thuật ngày càng cao trong mọi lĩnh vực trên thế giới như: lắp
ráp, khai thác mỏ, xây dựng, vận chuyển các bộ phận trong nhà máy có địa hình
phức tạp với rất nhiều chướng ngại vật (có thể biết trước hoặc không biết trước).
Khi nói đến vấn đề về chuyển động của tay máy kết hợp với robot di động có
rất nhiều nghiên cứu đã cải tiến các bộ điều khiển cho tay máy kết hợp robot di
động một cách chính xác hơn, mục đích của việc giải quyết vấn đề chuyển động là
điều khiển cánh tay rô bốt kết hợp với robot di động từ trạng thái ban đầu đến trạng
thái tiếp theo với cơ cấu chấp hành cuối cùng đươc xác định ở vị trí mong muốn.
2
Điều khiển robot đang còn nhiều vấn đề cần giải quyết do độ phức tạp, tính
phi tuyến và độ bất định của các hệ phương trình động lực và động lực học của
robot gây nên. Các nghiên cứu về lĩnh vực này đang được phát triển rất mạnh ở các
phòng thí nghiệm, các trường đại học hàng đầu trên thế giới. Phát triển các phương
pháp điều khiển cho robot là một trong những vấn đề khoa học cơ bản của các
nghiên cứu về robot và cơ điện tử hiện nay. Ở Việt Nam các vấn đề này đang ngày
càng được nhiều người quan tâm và nghiên cứu.
Gần đây vấn đề điều khiển cho robot có nhiều tham số bất định nhận được
rất nhiều sự chú ý của giới nghiên cứu. Vì vậy nghiên cứu sinh lựa chọn đề tài: “
Nghiên cứu phát triển một số thuật toán điều khiển rô bốt công nghiệp có nhiều
tham số bất định”
Nội dung nghiên cứu của luận án sẽ tập trung vào bốn vấn đề chính:
- Hệ robot-camera di động. Trong phần này tác giả sẽ trình bày về thuật
điều khiển cho hệ robot-camera di động bám mục tiêu di động. Tính đúng đắn của
phương pháp điều khiển này được chứng minh bằng nguyên lý ổn định Lyapunov
và mô phỏng bằng phần mềm matlab-simulink
- Nghiên cứu một số thuật toán đều khiển hệ robot-camera bám theo mục
tiêu di động có tính đến các tham số bất định của mô hình động học, dùng mạng nơ
ron nhân tạo để ước lượng tham số bất định, sau đó chứng minh tính đúng đắn của
thuật điều khiển theo nguyên lí ổn định Lyapunov và mô phỏng bằng phần mềm
matlab-simulink.
- Nghiên cứu đề xuất thuật toán điều khiển hệ robot-camera có chú ý đến
động cơ chấp hành. Trong nội dung này tác giả đề xuất thuât toán điều khiển cho hệ
robot-camera có các tham số bất định của mô hình động học, tham số bất định của
mục tiêu, trong đó tác giả dùng mạng nơ ron nhân tạo để ước lượng các tham số bất
định này. Phần này tác giả chú ý đến tín hiệu điều khiển là tín hiệu điện áp của động
cơ điện. Sau đó tác giả chứng minh tính đúng đắn của đề xuất này theo nguyên lí ổn
định Lyapunov và mô phỏng qua phần mềm matlab-simulink
- Nghiên cứu thuật toán điều khiển cho hệ robot-camera có chú ý đến độ bất
định của mô hình và nhiễu ngoài đồng thời ngăn chặn tính suy biến cho bộ điều
khiển. Trong nghiên cứu này tác giả đề xuất phương pháp điều khiển trượt phi tuyến
TSMC (terminal sliding mode control) đồng thời dùng mạng nơ ron nhân tạo để ước
3
lượng các tham số bất định, sau đó đề xuất cũng được chứng minh tính đúng đắn
bằng nguyên lí ổn định Lyapunov và mô phỏng trên phần mềm matlab-simunlink.
2. Mục đích nghiên cứu của đề tài
Mục đích nghiên cứu của dề tài là: Đề xuất một số thuật điều khiển cho
robot-camera di động mục tiêu di động. Sau đó đi sâu nghiên cứu một số thuật điều
khiển mô men của các khớp cho hệ robot-camera bám mục tiêu di động và hệ robot-
camera có chú ý đến động cơ chấp hành bám mục tiêu di động. Sau cùng tác giả
cũng đề xuất một số thuật toán điều khiển cho hệ cánh tay robot-camera có mô hình
bất định, nhiễu ngoài và ngăn chăn sự suy biến của bộ điều khiển, dùng bộ điều
khiển trượt phi tuyến (TSMC) kết hợp với mạng nơ ron nhân tạo để ước lượng các
tham số bất định.
3. Đối tƣợng nghiên cứu của đề tài
Đề tài gồm các đối tượng chính sau đây:
- Hệ robot-camera gắn trên bánh xe di động.
- Hệ robot-camera độc lập.
4. Phƣơng pháp nghiên cứu
Tác giả thực hiện phương pháp nghiên cứu theo hướng sau:
- Nêu lên vấn đề của đối tượng nghiên cứu.
- Phân tích và xây dựng mô hình đông học, mô hình động lực học, các vấn
đề về tính bất định của các đối tượng nghiên cứu (cụ thể là hệ robot-camera gắn trên
bánh xe di động, hệ robot-camera cố định).
- Tìm hiểu các nghiên cứu trong và ngoài nước về các đối tượng nêu trên và
đưa ra phương pháp điều khiển của tác giả.
- Xây dựng thuật toán điều khiển mới dựa vào các phương trình động học,
động lực học, sử dụng phương trình Lagrange cho đối tượng điều khiển
- Chứng minh tính đúng đắn của thuật toán điêu khiển theo nguyên lý ổn
định lyapunov.
- Kiểm tra tính đúng đắn của thuật toán điều khiển bằng phần mềm mô
phỏng Matlab-Simulink.
5. Ý nghĩa khoa học và thực tiễn của đề tài.
*) Ý nghĩa khoa học của đề tài:
Đề tài đã đóng góp một số ý nghĩa khoa học sau:
4
- Xây dựng thuật toán điều khiển cho hệ robot-camera gắn trên bánh xe di
động bám mục tiêu di động.
- Xây dựng thuật toán điều khiển hệ robot-camera bám mục tiêu khi hệ có
các tham số bất định dùng mạng nơ ron nhân tạo.
- Xây dựng thuật toán điều khển bệ robot-camera có chú ý đến động cơ
chấp hành bám mục tiêu khi hệ có các tham số bất định dùng mạng nơ ron nhân tạo.
- Xây dựng thuật toán điều khiển dùng bộ điều khiển trượt phi tuyến kết
hợp với mạng nơ ron nhân tạo cho hệ robot-camera khi với mô hình bất định và
nhiễu ngoài, và ngăn chặn sự suy biến cho hệ.
*) Ý nghĩa thực tiễn của đề tài
Các phương pháp điều khiển trong luận án này có thể triển khai nhằm nâng
cao độ chính xác trong thực tế của robot công nghiệp khi môi trường làm việc có
nhiễu không biết trước, có nhiều tham số bất định của mô hình động học và của
mục tiêu di động.
6. Kết quả và tính mới của luận án
*) Luận án đưa ra được bốn nội dung có tính mới như sau:
- Xây dựng thuật toán điều khiển cho hệ robot-camera gắn trên bệ di động
bám theo mục tiêu di động.
- Xây dựng thuật toán điều khiển hệ robot-camera khi tính đến các tham số
bất định dùng mạng nơ ron nhân tạo với tín hiệu điều khiển cho các khớp là tín hiệu
momen.
- Xây dựng thuật toán điều khiển cho hệ robot-camera gồm nhiều tham số
bất định của mô hình động học và mục tiêu di động có chú ý đến cơ cấu chấp hành
dùng mạng nơ ron nhân tạo.
- Xây dựng thuật toán điều khiển cho hệ robot-camera khi có sự bất định
của mô hình và nhiễu ngoài dùng phương pháp điều khiển trượt thích nghi và mạng
nơ ron nhân tạo, đồng thời ngăn chặn sự suy biến của bộ điều khiển.
*) Về công trình nghiên cứu khoa học đã công bố:
- Hội nghị khoa học trong nước: Tác giả có 4 công trình công bố ở hội nghị
tự động hóa và hội nghị cơ điện tử toàn quốc.
- Bài báo đăng trên tạp chí trong nước và quốc tế: Trong luận án này tác giả
có 3 bài báo được công bố trong đó: 2 bài báo viết bằng tiếng Anh đăng ở tạp chí
5
chuyên ngành trong nước (02 bài đăng ở tạp chí Tin học điều khiển) và 01 bài báo
đăng ở tạp chí Thổ Nhĩ Kì thuộc danh mục SCIE ; IF=0,58.
(Chi tiết mời xem phần các công trình khoa học đã được công bố)
7. Bố cục của luận án
Luận án bao gồm 5 chương với nội dung như sau:
Chương 1. Tác giả trình bày tổng quan về điều khiển robot công nghiệp và
nêu các vấn đề cần giải quyết của đề tài.
Chương 2. Tác giả trình bày về mô hình động học, động lực học, phương
pháp điều khiển, chứng minh độ ổn định và mô phỏng cho hệ robot-camera di động
bám theo mục tiêu không xác định. Trong chương này tác giả đề xuất phương pháp
điều khiển vận tốc các góc quay của robot để camera bám theo mục tiêu di động.
Kết quả nghiên cứu của chương này được giả công bố tại tạp chí tin học và điều
khiển học như sau:
Nguyen Tien Kiem, Hoang Thi Thuong, Nguyen Van Tinh, “Modeling the
differential motion of a mobile manipulator and designing a new visual servoing
for tracking a flying target”, Tạp chí tin học và điều khiển học,V.33, N.4 (2017), tr
339-355.
Chương 3. Tác giả trình bày về phương pháp xây dựng mô hình động học, mô
hình động lực học, thuật điều khiển, chứng minh tính ổn định và mô phỏng cho
thuật điều khiển cho hệ robot gắn camera cố định có nhiều tham số bất định, dùng
mạng nơ ron nhân tạo. Phần này tác giả đề xuất phương pháp điều khiển vận tốc các
khớp robot để hệ robot - camera bám theo mục tiêu di động.
Kết quả nghiên cứu của chương này được giả công bố và trao đổi tại hội nghị khoa
học sau:
Nguyễn Tiến Kiệm, Phạm Thượng Cát , „Điều khiển tốc độ bệ pan-tilt-camera bám
mục tiêu di động với nhiều tham số bất định‟ , Kỷ yếu hội nghị cơ điện tử toàn quốc
lần thứ 6 VCM2012, Hà Nội ngày 14-15/12/2012, tr.787-794.
6
Chương 4. Tác giả trình bày về phương pháp xây dựng mô hình động học,
mô hình động lực học, thuật điều khiển, chứng minh tính ổn định và mô phỏng các
phương pháp điều khiển cho hệ robot-camera có chú ý đến động cơ chấp hành.
Trong chương này tác giả đưa ra phương pháp điều khiển cho cánh tay robot-
camera, có chú ý đến cơ cấu chấp hành bám theo mục tiêu di động với nhiều tham
số bất định của mô hình động học, của mục tiêu di động và của động cơ cấu chấp
hành dùng mạng nơ ron nhân tạo.
Kết quả nghiên cứu của chương này được giả công bố tại tạp chí tin học và điều
khiển học như sau:
Nguyen Tien Kiem, Pham Thuong Cat, “conrol of robot-camera system with
actuator’s dynamic to tract moving object”, Tạp chí tin học và điều khiển học,V.31,
N.3(2015), tr 255-265.
Chương 5. Tác giả trình bày về phương pháp điều khiển trượt thích nghi kết
hợp với mạng nơ ron để điều khiển hệ robot-camera với mô hình bất định và nhiễu
ngoài. Trong chương này tác giả dùng bộ điều khiển trượt thích nghi phi tuyến
TSMC (terminal sliding mode control) kết hợp với mạng nơ ron nhân tạo để ước
lượng các tham số bất định của mô hình động lực học và nhiễu ngoài, đồng thời đề
xuất biện pháp ngăn chặn sự suy biến.
Kết quả nghiên cứu của chương này được chấp nhận đăng bài tại tạp chí “Turkish
journal of electrical engineering & computer sciences” thuộc danh mục SCIE,
IF:0.58 chi tiết như sau:
Kiem NGUYEN, Tinh NGUYEN, Quyen BUI, Minhtuan PHAM, “Adaptive anti-
singularity terminal sliding mode control for a robotic arm with model
uncertainties and external disturbances”, Turkish journal of electrical engineering
& computer sciences, E-ISSN: 1303-6203, ISSN: 1300-0632, DOI: 10.3906/elk-
1711-137, Year:2018 Volume: 26 Number:6, page 3224-3238, tạp chí thuộc danh
mục SCIE, IF: 0.58.
7
CHƢƠNG 1
TỔNG QUAN
1.1. Giới thiệu chung
Robot được ứng dụng trong rất nhiều lĩnh vực khác nhau, như robot rùa đơn
giản dùng để giảng dạy trong các trường học phổ thông, robot hàn trong các nhà
máy sản xuất ô tô, cánh tay robot điều khiển từ xa trên tàu vũ trụ con thoi. Mỗi một
ứng dụng lại có những vấn đề riêng của nó, bởi vậy nên thực tế đã xuất hiện lĩnh
vực nghiên cứu về robot. Có rất nhiều ngành công nghiệp mới đã xuất hiện và có
nhiều kết quả nghiên cứu trong lĩnh vực này và còn nhiều lĩnh vực cần nghiên cứu
trong tương lai, cùng với nhiều quan điểm mới được phát triển và nghiên cứu trong
các phòng thí nghiệm. Trong khi có nhiều người nghĩ rằng robot chỉ mang tính khác
lạ hơn là ứng dụng thực tiễn, nhưng thực tế robot đã được ứng dụng vào rất nhiều
các nhà máy sản xuất và nó đã nhận được sự quan tâm cũng như đã tham gia vào
các quá trình sản xuất.
Ngành công nghiệp ô tô đã đóng vai trò to lớn cho việc phát triển của robot
công nghiệp. Dây chuyền sản xuất truyền thống được thiết kế cho chỉ một model xe,
và phải thiết kế lại và xây dựng lại trước khi model mới được sản xuất. Ngoài ra
dùng máy hàn bằng tay phải chú trọng đến sự thay đổi vì đầu hàn thường nặng và
khó giữ ổn định. Nó thường được trang bị cho 1 khung xe trên 1 dây chuyền hàn với
nhiều sản phẩm cùng loại, không thể đáp ứng cho nhu cầu sản xuất model mới,
trong khi dây chuyền thứ 2 lại phải giảm hoạt động bởi vì nhu cầu thấp của model
khác. Do đó trong khi dây chuyền giảm hoạt động chạy cầm chừng trong khi công
ty vẫn không sản xuất đủ xe để đáp ứng nhu cầu cho dây chuyền còn lại.
Công nghệ robot đưa vào các nhà máy sản xuất giải quyết được những vấn
đề nêu trên. Dây chuyền robot hàn có thể thay đổi từ mẫu xe này sang mẫu xe khác
một cách đơn giản bằng cách lập trình lại đặc tính mối hàn cho robot. Vì vậy, nó có
thể dùng cho nhiều mẫu xe trên 1 dây chuyền hàn, và có thể tùy chỉnh các mẫu theo
nhu cầu riêng biệt. Mặt khác chất lượng mối hàn cũng ổn định hơn, bởi vì robot
không bị tác động bởi vấn đề tâm lí như con người như: sự mệt mỏi, cảm giác khó
chịu như con người khi sử dụng máy hàn bằng tay. Bởi vậy dây chuyền mới sẽ đồng
8
bộ hơn , sản xuất ra những sản phẩm có chất lượng cao hơn, hiệu quả đầu tư tốt hơn
và có khả năng điều chỉnh quá trình sản xuất.
Công nghệ robot có thể đóng góp vào việc tạo công ăn việc làm trong các
nhà máy nhỏ, bởi nó làm tăng tính đồng bộ, nó có thể đáp ứng cho việc sản xuất với
khối lượng công việc nhỏ và xu hướng sản xuất theo từng mẻ sản phẩm. Tính đồng
bộ này cho phép công ty sản xuất nhiều loại sản phẩm với số lượng máy móc ít hơn,
một máy đồng bộ thay thế cho nhiều máy đơn lẻ, kết quả là giảm được vốn đầu tư
và giảm được thời gian máy móc thiết bị không hoạt động. Vì vậy nói một cách
chính xác, công nghê robot có tiềm năng cho các hộ sản xuất kinh doanh nhỏ cạnh
tranh với các tập đoàn lớn, kết quả là nó làm tăng công ăn việc làm và nền công
nghiệp phi tập trung. Lấy một ví dụ cho vấn đề này đó là trong công nghiệp in ấn,
thay vì có một ít nhà máy in ấn với qui mô rộng lớn có tính tự động hóa cao cung
cấp cho rất nhiều của hàng ở những thành phố xa trung tâm bằng phát triển một
máy in với chi phí thấp. Các cửa hàng này có thể cung cấp sản phẩm trong thời gian
nhanh hơn so với các nhà máy lớn. Kết quả là nó tạo công ăn việc làm và đóng góp
cho sự thịnh vượng của địa phương.
Ban đầu có rất nhiều công ty tiếp cận công nghệ robot bằng cách mua robot để
xem họ có thể làm gì với chúng. Cách tiếp cận này đang được thay thế nhiều hơn
cách tiếp cận kỹ thuật truyền thống hiện nay giới chủ và công đoàn quen thuộc hơn
với công nghệ. Kết quả là rất nhiều robot trong nhà máy sản xuất đang đưa ra giải
pháp tổng thể cho các vấn đề của quá trình sản xuất,và hệ thống nhà xưởng được mở
ra để đáp ứng những ứng dụng mới dùng robot. Bước đầu là phải hoàn thiện giải
pháp tổng thể để xác định ứng dụng một cách rõ ràng, sau đó chỉ ra mục đích cần đạt
được. Tiếp theo là số lượng giải pháp, liên quan đến cả công nghệ robot và phần cứng
tự động hóa cần được nghiên cứu. Nếu quyết định sử dụng robot, hãy chuẩn bị để
thiết kế lại một cách hoàn hảo qui trình sản xuất. [1]
1.2. Một số ứng dụng của robot
1.2.1. Trong công nghiệp
Robot được sử dụng rộng rãi trong một loạt các ứng dụng công nghiệp. Các
ứng dụng sớm nhất có thể kể đến là xử lý vật liệu, hàn điểm và phun sơn. Robot ban
đầu được áp dụng cho các công việc nóng bức, nặng nhọc và nguy hiểm như đúc
khuôn, rèn và hàn điểm.
9
Robot được sử dụng trong nhiều ứng dụng khác, ví dụ: Cắt, mài nhẵn, sửa
chữa bảo dưỡng máy công cụ, đúc trong ngành công nghiệp nhựa, áp dụng chất bịt
kín cho kính chắn gió xe hơi, chọn các vật phẩm rời khỏi băng tải và đóng gói
chúng vào giá nâng, …vv.
Các ứng dụng này, và các vấn đề liên quan, được báo cáo trong nhiều hội
nghị chuyên ngành. Các ứng dụng mới sáng tạo bao gồm hàn bằng chùm tia laser
(Kehoe 1984) và cắt bằng tia nước áp lực cao [1].
1.2.2 Các ứng dụng trong phòng thí nghiệm
Robot đang cho thấy ứng dụng ngày càng tăng trong các phòng thí nghiệm.
Chúng thực hiện tốt các nhiệm vụ lặp đi lặp lại, chẳng hạn như đặt các ống nghiệm
vào các dụng cụ đo đạc, làm giảm kỹ thuật viên phòng thí nghiệm của nhiều công
việc tẻ nhạt. Ở giai đoạn này, rô bốt được sử dụng để thực hiện tự động các công
việc thủ công [1].
1.2.3 Ứng dụng trong công nghệ hạt nhân
Công nghệ Robotics tìm thấy ứng dụng đầu tiên của nó trong ngành công
nghiệp hạt nhân với sự phát triển của các nhà điều hành điện tử để xử lý vật liệu
phóng xạ (Martin and Hamet, 1984). Gần đây, robot đã được sử dụng để hàn từ xa
và kiểm tra đường ống trong các khu vực bức xạ cao [1].
1.2.4 Ứng dụng trong nông nghiệp
Đối với nhiều người, ý tưởng về việc trồng cây bắp hay thu hoạch tự động là
khoa học viễn tưởng, nhưng những nghiên cứu nghiêm túc đang được tiến hành trong
việc ứng dụng robot vào nông nghiệp. Một trong những dự án thành công nhất từ trước
tới nay là sự phát triển của một robot cắt lông cừu ở Úc. Quỹ đạo của kéo cắt trên cơ
thể của cừu được lập trình sử dụng một mô hình hình học của một con cừu [1].
1.2.5 Ứng dụng trong thám hiểm không gian
Khám phá không gian đặt ra những vấn đề đặc biệt cho robot. Môi trường
ngoài không gian là thù địch với con người. Con người chỉ có thể làm việc trong
thời gian ngắn ngoài không gian với những người yêu cầu quần áo bảo hộ đắt tiền
và môi trường sinh học giống như Trái Đất. Vì vậy, nhiều phi hành gia đã cho rằng
robot, chứ không phải con người, nên được gửi vào vũ trụ [1].
10
1.2.6 Ứng dụng trong các thiết bị lặn
Hai sự kiện trong mùa hè (ở bán cầu bắc) năm 1985 đã nâng cao nhận thức
của công chúng về các ứng dụng dưới biển của robotic. Vụ tai nạn của một chiếc
máy bay Air Jumbo của Air India rơi xuống Đại Tây Dương ngoài khơi Ireland.
Một robot lặn có hướng dẫn từ xa, thường được sử dụng để đặt cáp, được sử dụng
để tìm và phục hồi các hộp đen của máy bay [1].
1.2.7 Ứng dụng trong giáo dục
Robot xuất hiện trong lớp học theo ba hình thức riêng biệt. Đầu tiên, các
chương trình giáo dục sử dụng mô phỏng điều khiển robot như một phương tiện dạy
học. Ngôn ngữ lập trình Karel the Robot, một tập hợp con của Pascal, được sử dụng
như một ngôn ngữ lập trình giới thiệu (Pattis 1981). Thứ hai, và hiện tại phổ biến
nhất, việc sử dụng robot trong giáo dục là việc sử dụng robot rùa Tasman kết hợp
với ngôn ngữ LOGO để dạy tính đáng tin cậy của máy tính. Hình thức sử dụng thứ
ba là robot trong lớp học. Một loạt các cánh tay thao tác chi phí thấp, robot di động
và các hệ thống hoàn chỉnh đã được phát triển để sử dụng trong phòng thí nghiệm
giáo dục về robot [1].
1.2.8. Ứng dụng trong hỗ trợ người khuyết tật
Robot có tiềm năng hỗ trợ người tàn tật rất lớn từ xe lăn tự động, vận chuyển
người tàn tật trong bệnh viện, đáp ứng với các lệnh bằng giọng nói, đến robot chăm
sóc, cho ăn đối với người tàn tật nghiêm trọng. Mục tiêu quan trọng của nghiên cứu
trong lĩnh vực này là sử dụng máy móc khôi phục lại một số công việc tự chủ mà
người dùng bị mất khi họ không thể sử dụng các chức năng cơ thể của mình.
Nghiên cứu phát triển robot để sử dụng cho những người khuyết tật cũng
thúc đẩy công nghệ phát triển. Công nghệ cảm biến đang gia tăng giới hạn các khả
năng để bảo vệ người dùng và thực hiện các tác vụ mong muốn trong môi trường
không có cấu trúc [1].
1.3. Tình hình nghiên cứu trong nƣớc và ngoài nƣớc
Xu hướng phát triển robot hiện nay là đi sâu vào nghiên cứu các phương
pháp điều khiển nhằm nâng cao độ chính xác các bộ điều khiển của robot cũng như
11
hệ robot-camera. Điều này được thể hiện qua các nghiên cứu trong nước và ngoài
nước như sau:
1.3.1. Tình hình nghiên cứu trong nước
Hệ robot-camera gắn trên bệ di động đã được một số viện nghiên cứu, một số
trường đại học và đặc biệt là các trường, viện nghiên cứu trong lĩnh vực kĩ thuật
quân sự thuộc bộ quốc phòng quan tâm, nghiên cứu:
Các viện nghiên cứu, chế tạo thuộc bộ quốc phòng đã nghiên cứu,chế tạo bệ robot-
camera để triển khai ứng dụng và triển khai trên thực địa trong lĩnh vực quân sự.
Robot-camera cũng được quan tâm, nghiên cứu trong các trường đại học như:
đại học Bách Khoa Hà Nội, đại học Công Nghệ - đại học Quốc Gia Hà Nội, đại học
Bách Khoa Thành Phố Hồ Chí Minh, đại học Bách Khoa Đà Nẵng. Các trường đại
học trên có một số luận văn thạc sỹ và luận án tiến sĩ nghiên cứu về lĩnh vực này.
Trong các viện nghiên cứu thì lĩnh vực này cũng có một số bài báo, báo cáo
khoa học tại các hội nghị trong nước và quốc tế, đặc biệt là các kết quả nghiên cứu
khoa học tại Viện Công Nghệ Thông Tin-Viện Hàn Lâm Khoa Học Công Nghệ
Việt Nam và đại học Bách Khoa Hà nội được công bố trong các tài liệu [31], [46].
Trong tài liệu [46] các tác giả chủ yếu đề cập đến các tham số bất định của mô hình
động lực học robot. Trong luận án tiến sĩ của tác giả Ngô Mạnh Tiến - Đại học Bách
Khoa Hà Nội tác giả đi sâu vào phần chế tạo phần cứng cho hệ Pan-Tilt-Camera di
động, thuật điều khiển chính trong nghiên cứu này là điều khiển thích nghi theo mô
hình mẫu.
1.3.2. Tình hình nghiên cứu ngoài nước
Khi nói tới vấn đề điều khiển chuyển động tay máy di động, các nhà nghiên
cứu đã phát triển nhiều thuật toán điều khiển khác nhau. Mục tiêu chung cần giải
quyết của bài toán điều khiển này là điều khiển tay máy di động từ vị trí ban đầu
sang vị trí khác sao cho vị trí cuối cùng đáp ứng được vị trí mong muốn. Cụ thể,
các phương pháp trong [3], [4], [5] đã đề xuất một số phương pháp đáng chú ý để
giải quyết các vấn đề này. Ngoài ra, công việc trong [6] đã trình bày một phương
pháp điều khiển bám thích nghi cho một tay máy hàn di động với một mô hình động
học có một số tham số chiều không xác định. Dựa trên lý thuyết ổn định Lyapunov,
12
tác giả trong [7] đã giải quyết vấn đề điều khiển vị trí với những thông số bất định
động học và những chướng ngại vật không xác định. Hơn nữa, bộ điều khiển bù
momen xoắn đã được đề xuất trong [8] để điều khiển chuyển động của cánh tay di
động.
Gần đây, nhiều công trình với mục đích tích hợp luật servo thị giác vào
robot di động đã được đề xuất để thực hiện nhiệm vụ cầm nắm [9-10] và để giải
quyết bài toán điều khiển bám mục tiêu dựa trên thị giác [11], [12], dẫn đến các hệ
thống thao tác tự trị dựa trên thị giác. Hơn nữa, các chuyên gia đã đề xuất một thuật
toán hoạch định đường đi để thêm phản ứng cho bài toán servo thị giác. Giai đoạn
hoạch định đường đi sẽ xem xét các ràng buộc quan trọng khác nhau hoặc sự không
chắc chắn của hệ thống nhằm đạt được một hệ thống điều khiển servo thị giác mạnh
mẽ hơn.
Liên quan đến thị giác, bất cứ một tay máy với khớp nối linh hoạt trong không
gian không có cấu trúc đều cần có các thông tin cảm giác từ tín hiệu phản hồi như
thông tin thị giác trong hệ thống điều khiển vòng kín [13]. Thị giác là một cảm biến
hữu ích cho cánh tay khớp nối. Thị giác sao chép cấu tạo của con mắt sinh học để có
thể có được thông tin trong trường hợp không có bất kỳ tiếp xúc nào với đối tượng.
Đối với điều khiển cánh tay robot, servo thị giác là tên gọi của một nhóm các
phương pháp điều khiển bao gồm sự kết hợp giữa động học robot, động lực học và
thị giác máy để thúc đẩy hiệu quả chuyển động của cánh tay máy. Những phương
pháp này được phân loại thành hai nhóm [14], cụ thể là: position-based visual
servoing (PBVS) servo thị giác dựa trên vị trí, và image-based visual servoing
(IBVS) servo thị giác dựa trên hình ảnh.
Các đặc trưng hình ảnh trong PBVS được xử lý để ước lượng vị trí tương đối
của tọa độ ba chiều (3D) giữa camera và mục tiêu, theo sau là một thuật toán để
điều khiển chuyển động của cánh tay robot với camera mà vị trí 3D được sử dụng
như một sai số của tín hiệu [15]. Nói cách khác, dựa trên dữ liệu hình ảnh, các kết
qủa đã thiết kế và thể hiện trong không gian Đề Các 3 chiều. Mục tiêu điều khiển ở
đây là để lái xe camera (hoặc cánh tay) từ một vị trí tùy ý ban đầu đến một vị trí
tương đối mong muốn.
13
Trong IBVS sai số được tính toán trực tiếp dưới dạng các đặc trưng hình ảnh
có chuyển động vi phân trong mặt phẳng ảnh liên quan đến chuyển động vi phân
của cánh tay di động qua ma trận Jacobi [11], [12], [13], [14], [15], [16], [17], [18].
Cần lưu ý rằng trái ngược với PBVS, IBVS có một số ưu điểm như sau: 1) Tọa độ
3D của mục tiêu là không cần thiết; 2) IBVS có độ bền vững hơn PBVS về hiệu
suất đối với nhiễu, ví dụ với lỗi hiệu chuẩn; 3) IBVS thuận tiện hơn và dễ dàng hơn
PBVS để bám một mục tiêu di động sao cho mục tiêu này luôn ở trong tầm nhìn của
camera.
Mặt khác trên thế giới cũng có nhiều nghiên cứu và báo cáo khoa học về
phương pháp điều khiển bám mục tiêu di động sử dụng bệ Pan-Tilt và camera. Các
bài báo tiêu biểu đã nghiên cứu về lĩnh vực này như :Điều khiển cánh tay robot bám
mục tiêu theo phương pháp bù sử dụng mạng nơ ron đăng trên tạp chí của viện
Franklin. Nội dung chủ yếu của bài nghiên cứu là thiết kế bộ điều khiển dùng mạng
nơ ron để bù các thành phần bất định [47]. Phương pháp điều khiển bám mục tiêu
trong không gian 3 chiều bằng robot và camera sử dụng phương pháp bám điểm ảnh
liên tục và bộ lọc điểm ảnh được báo cáo tại hội nghị SICE năm 2011, đại học
Waseda, Tokyo, Japan. Bài nghiên cứu này sử dụng phương pháp bám theo mục
tiêu trong không gian 3 chiều để nhận dạng vị trí và hướng của vật thể chuyển động
liên tục [48]. Điều khiển bám mục tiêu bằng cách bám theo tín hiệu nhận được qua
video thu được từ vật thể bay được báo cáo tại hội nghị AIM2011, Budapest,
Hungary, năm 2011. Nghiên cứu này sử dụng tín hiệu nhận được qua video để bám
theo mục tiêu [49]. Nghiên cứu về công nghệ điều khiển robot dựa trên việc quan
sát đối tượng trong không gian được báo cáo tại hội nghị quang điện tử và điện tử
quốc tế năm 2011 (ICEOE2011). Bài nghiên cứu này sử dụng cánh tay rô bốt 6 bậc
tự do điều khiển từ xa kết hợp với phương pháp điều khiển linh hoạt để bám theo
mục tiêu trong không gian 3 chiều [50]. Cách tiếp cận mới về việc điều khiển bám
mục tiêu di động bằng cánh tay robot và camera sử dụng bộ quan sát phi tuyến được
đăng tại tạp chí IEEE/ASME transaction on mechatronics, Vol 2.16, No2, April,
2011. Bài nghiên cứu này giới thiệu phương pháp điều khiển mới để tìm kiếm vật
thể chuyển động trong không gian 3 chiều [51].Điều khiển ổn định bám mục tiêu di
động kết hợp mạng nơ ron cho cánh tay robot được đăng tại tạp chí IEEE
14
transaction neural networks, Vol.17, No4, July, 2006. Bài nghiên cứu sử dụng mạng
nơ ron nhận dạng thông số của rô bốt để điều khiển bám theo đối tượng [52].
Rõ ràng cánh tay robot đã được áp dụng rộng rãi do vai trò quan trọng của chúng
trong các quá trình tự động hóa với tốc độ và độ chính xác cao. Tuy nhiên, chúng
thường bị tác động bởi các nhiễu ngoài, sự bất định của mô hình như sự biến động
của tải trọng, tham số v.v. và do đó, trong thực tế không thể diễn giải chính xác mô
hình động lực học của cánh tay robot. Do đó, nhiều phương pháp điều khiển đã
được đề xuất để giải quyết những vấn đề này.
Phương pháp điều khiển trượt tuyến tính (Sliding mode control-SMC) [53],
[54], [55], [56] là một trong những phương pháp hiệu quả nhất để giải quyết những
vấn đề trên và do đó được áp dụng rộng rãi. Nguyên tắc chính của phương pháp
điều khiển trượt tuyến tính SMC là các mặt trượt thích hợp đã được thiết lập trước.
Tiếp theo là quy trình thiết kế các luật điều khiển bền vững cho phép các biến trượt
đạt được các mặt trượt này. Đặc biệt, các nỗ lực điều khiển rời rạc đã được sử dụng
để đảm bảo rằng các biến trượt luôn bị buộc vào và giữ trên mặt trượt. Vì lý do này,
sự hội tụ tiệm cận của các sai lệch bám về không dọc theo các mặt trượt được đảm
bảo [55]. Tuy nhiên, sự hội tụ tiệm cận về không chỉ ngụ ý rằng các sai lệch bám
hội tụ tới trạng thái cân bằng khi thời gian dần ra vô cùng. Vì vậy, để tăng cường
tốc độ hội tụ, hệ số thiết kế của phương pháp SMC tuyến tính cần phải tăng cường
lớn hơn. Do đó, nó có thể gây ra độ bão hòa có hại của các đầu vào điều khiển. Đây
là một trong những hạn chế của phương pháp SMC tuyến tính.
Mặt khác, với các nhiệm vụ robot đòi hỏi độ chính xác cao, sự hội tụ tiệm
cận là chưa đủ. Do đó, trong trường hợp này, một sự hội tụ thời gian hữu hạn là cần
thiết thay vì sự hội tụ tiệm cận của các sai lệch bám. Các kỹ thuật điều khiển trượt
phi tuyến (TSMC) đã được đề xuất để giải quyết vấn đề này [57], [58], [59], [60],
[61], [62], [63], [64], [65], [66], [67], [68].
Nhờ thiết lập một thành phần phi tuyến trong mặt trượt phi tuyến (TSMC)
thay vì thành phần tuyến tính trong phương pháp SMC tuyến tính truyền thống, các
phương pháp TSMC đã làm cho các sai lệch bám cũng như hệ số thiết kế giảm đáng
kể so với phương pháp SMC tuyến tính truyền thống [57], [58]. Tuy nhiên, nhược
điểm của cả hai phương pháp trong [57], [58] là vấn đề suy biến chưa được xem xét
15
đầy đủ, đặc biệt là trường hợp biến sai lệch bám bằng không (i.e., 0ie với i =
1,...,n) trong khi biến trượt đầu cuối tương ứng khác không (i.e., 0is ). Rõ ràng là
vấn đề suy biến là một vấn đề nhạy cảm bởi vì nó làm cho đầu vào điều khiển
không bị chặn. Các nghiên cứu trong [59], [60] đã xác định một mặt trượt không
suy biến để tránh vấn đề suy biến, nhưng thời gian cần thiết để đạt được mặt trượt
này phụ thuộc nhiều vào động lực của nhiễu trong cũng như nhiễu ngoài. Thêm vào
đó, các tác giả trong [61] đã đề xuất một phương pháp gián tiếp với mục đích tránh
vấn đề suy biến. Cụ thể hơn, trong phương pháp này, vấn đề suy biến đã được ngăn
chặn bằng cách chuyển đổi giữa mặt trượt tuyến tính và phi tuyến, nhưng kết quả là
vẫn còn vấn đề hiệu suất bám không được cải thiện rõ ràng do việc chuyển đổi thô.
Các kết quả trong [62] giải quyết vấn đề suy biến bằng việc sửa đổi mặt trượt sao
cho việc chuyển đổi giữa các mặt trượt trơn tru, mượt mà hơn. Vấn đề suy biến đã
được loại bỏ bằng cách chuyển đổi giữa hai mặt trượt (TSMC và SMC) thông qua
các hàm bậc hai. Tuy nhiên, một vấn đề rất khó trong [62] là làm sao chọn được hệ
số 1iK và 2iK thỏa mãn i ie và đạo hàm của nó đều liên tục và bị chặn.
Đối với RBFNN, có một thực tế không thể phủ nhận rằng nó là một trong
những công cụ mạnh để ước lượng bất kỳ hàm phi tuyến trơn nào, với độ chính xác
tùy ý, bởi khả năng học trực tuyến các trọng số. Hơn nữa, vì mạng nơ ron này có
luật cập nhật đơn giản, tốc độ hội tụ nhanh và có cấu trúc đơn giản nên khi sử dụng
nó việc thiết kế các luật điều khiển cũng như phân tích tính ổn định cho hệ thống
điều khiển vòng kín dễ dàng hơn đối với những mạng nhiều lớp khác. Vì vậy nó đã
được sử dụng nhiều, chẳng hạn trong [58],[62].
1.4 Mô hình robot với nhiều tham số bất định
Trong thực tế mô hình của robot luôn mang tính bất định cao, ví dụ như khi
dịch chuyển, cánh tay robot có thể cầm nắm các vật có tải trọng khác nhau, ngoài ra
còn phải tính đến lực ma sát. độ dơ của các liên kết, độ bão hoà và các thành phần phi
tuyến khác. Khi đó, ta có thể biểu diễn phương trình động lực học của robot như
sau:[70]
η = H(q)q+h(q,q)q+d(q,q)+g(q) (1.1)
16
* :h(q,q) n nR Ma trận tổng hợp lực Coriolis và lực hướng tâm,
)d(q,q : Vector n*1 biểu diễn thành phần lực ma sát và nhiễu loạn.
g(q) : Vector n*1 biểu diễn lực và momen được sinh ra do gia tốc
Để xây dựng mô hình điều khiển thì các tính chất quan trọng sau đây của hệ động
lực robot được sử dụng [80]:
Ma trận quán tính H(q) là ma trận đối xứng, khả đảo và xác định dương,
đồng thời tồn tại 1m và 2m sao cho
1 2 I H(q) Im m .
Ma trận biểu diễn lực hướng tâm và lực Coriolis h(q,q) bị chặn bởi
2( )q qbc với 1( ) ( )q Bbc S ,
nS R .
Ma trận ( )H(q)-2h(q,q) là đối xứng lệch hay:
T s [ ]s 0(H(q)- 2h(q,q)) với *1nR s T T
s H(q)s 2s h(q,q)s
Hệ phương trình động lực robot tuyến tính với các tham số động lực của
robot.
Giá trị 2
)d(q,q dd , với 0dd .
Trong phương trình (1.1) do tính bất định của mô hình robot do đó có các thành
phần không được biết chính xác [89]. Khi đó, các tham số ˆ ( ), H q ˆ ( )h q,q , (q)g có
thể được mô tả như sau:
ˆ H(q) H(q) H(q) (1.2)
ˆ h(q,q) h(q,q) h(q,q) (1.3)
ˆ g(q) g(q) g(q) (1.4)
H(q), h(q,q) , g(q) là các thành phần được ước lượng được,
ΔH(q), Δh(q,q), Δg(q)biểu diễn sai lệch do tính bất định của mô hình robot. Đối
với robot công nghiệp các thành phần không biết đều nằm trong một giới hạn:
17
0 0 0m b g H(q) , h(q,q) , g(q) , với 0 0 0, ,m b g
là các giá trị hữu
hạn [84].
Phương trình (1.1) có thể được biểu diễn lại dưới dạng:
ˆ ˆ ˆ H(q)q h(q,q)q g(q) f(q,q) η (1.5)
Với: f(q,q) H(q)q Δh(q,q)q Δg(q) d(q,q) (1.6)
Phương trình (1.5) cho thấy phương trình động lực học của robot khi tính đến các
yếu tố bất định có thể được chia thành hai phần [83]:
0ˆ ˆ ˆ η H(q)q h(q,q)q g(q) (1.7)
được xây dựng trên cơ sở các giá trị được xác định chính xác, biểu diễn thành phần
tuyến tính, và
1
η = f(q,q) = H(q)q Δh(q,q)q Δg(q) d(q,q) (1.8)
là thành phần phi tuyến biểu diễn các yếu tố bất định, ma sát và nhiễu.
Thành phần *1nRf(q,q) trong (1.8) là tổng hợp các thành phần bất định
của hệ động lực, ma sát của các liên kết, độ bão hoà và nhiễu loạn tác động lên
robot. Xuất phát từ các tính chất của robot, các thành phần H(q), h(q,q) , g(q) và
2)d(q,q bị chặn do đó các thành phần bất định của robot cũng bị chặn nên
0f f(q,q) với 0f hữu hạn [89]. Đối với các đối tượng điều khiển có tính chất
phi tuyến nói chung, xuất phát từ phương trình vi phân của hệ phi tuyến, để đảm
bảo sử dụng ANN bù trừ các thành phần bất định trong phương trình mà không phá
vỡ các tính chất của bộ điều khiển như tính điều khiển được và quan sát được. Dựa
theo phương pháp tối ưu toàn phương hệ tuyến tính [78], cần phải đưa ra giới hạn
của các ma trận đầu vào, ma trận điều khiển, ma trận đầu ra và nhiễu trên cơ sở tìm
nghiệm của phương trình Riccati như các nghiên cứu của Bach H. Dinh, H. Al-
Duwaish, Jakub Możaryn, J. Danien Cobb, Nasser Sadati, T. C. Kuo, Wen Yu,
ZHANG Niaona [77], [81], [82], [83], [89].
18
Robot công nghiệp có hệ động lực là hệ phi tuyến có nhiều tham số bất định,
nhưng các tham số này đều nằm trong các giới hạn vật lý cho phép, không gian gia
công thực tế của robot cũng được xác định cụ thể và thiết kế trong vùng không có
điểm kỳ dị đảm bảo điều khiển được nên các ràng buộc về mặt toán học được thể
hiện qua các tính chất của robot là có căn cứ thực tế. Nhiều tác giả trên thế giới khi
nghiên cứu về robot cũng đã sử dụng căn cứ này [76], [79]. Với những tính chất của
robot công nghiệp vừa trình bày ở trên, ta thấy rằng tất cả các thành phần trong
phương trình động lực học của robot đều thỏa mãn điều kiện giới hạn, theo định lý
Stone – Weierstrass [76], [79], [85] ta có thể sử dụng ANN để xấp xỉ thành phần bất
định các tham số của robot trong phương trình (1.8) mà không cần phải thực hiện
các bước như đã trình bày ở trên. Khi đó, ANN là mạng RBF để xấp xỉ thành phần
bất định các tham số của robot có cấu trúc như sau:
f(q,q) Wζ (1.9)
Trong đó:
W : Ma trận trọng số của mạng nơron được cập nhật on-line,
ζ : Là hàm tác động tại lớp ẩn của hàm bán kính cơ sở:
2
2exp i i
i
i
s c
(1.10)
,j jc là kỳ vọng và phương sai của hàm phân bố Gauss được chọn qua thực
nghiệm. Khi đó bộ điều khiển robot biểu diễn bởi phương trình (1.5) với thành phần
( )f q,q được xấp xỉ bởi RBFN hoàn toàn có thể bảo đảm tính chất hội tụ, ổn định
toàn cục của hệ thống điều khiển.
Phương trình (1.5) chia momen tác động lên robot làm hai thành phần.
Thành phần 0η được biểu diễn như (1.7) được tạo ra dựa trên tính toán theo các giá
trị chính xác của mô hình robot, thành phần 1η = f(q,q) được biểu diễn như (1.8) là
một mạng RBFN có tác dụng bù trừ các thành phần bất định của robot và tác động
của nhiễu lên hệ điều khiển. Vấn đề lựa chọn momen điều khiển η và thuật học cho
RBFN trong các bộ điều khiển để bù trừ nhiễu và các thành phần bất định trong
19
tham số của robot như thế nào để vẫn đảm bảo hệ thống là ổn định, hội tụ sẽ được
lần lượt trình bày ở các chương hai và ba của luận án.
1.5. Các nội dung nghiên cứu chính của luận án
Sau khi tìm hiểu, phân tích tình hình nghiên cứu trong nước NCS thấy như
sau: Trong tài liệu [31] tác giả giới thiệu về phạm vi ứng dụng, ý nghĩa của hệ thống
điều khiển Robot sử dụng thị giác. Tổng quan về hệ điều khiển Servoing. Lý thuyết
xử lý ảnh, phương pháp xử lý ảnh nhanh. Mô hình hệ robot-camera, gồm phương
pháp xây dựng mô hình động học, mô hình phương pháp điều khiển phi tuyến cho
robot. Phương pháp xây dựng thuật điều khiển Visual Servoing. Trong tài liệu [46]
tác giả chỉ đưa ra mô hình đông học của robot với các tham số bất định và có đề cập
đến phương trình động lực học có chứa các tham số bất định nhưng chưa đề cập đến
các thuật điều khiển để giải quyết bài toán cho các tham số bất định. Trong luận án
tiến sĩ của tác giả Ngô Mạnh Tiến thì tác giả đi sâu vào nghiên cứu, thiết kế các cảm
biến, các cơ cấu chấp hành cho hệ robot-camera di động, mô hình hóa hệ robot-
camera tự hành và có đề xuất bộ điều khiển thích nghi theo mô hình mẫu để bám
theo quỹ đạo có tính đến sự bất định của khối lượng và mô men quán tính và nhiễu.
Các công trình ngoài nước thì chủ yếu tập trung nghiên cứu về tính toán, ước
lượng, dự báo quỹ đạo của mục tiêu, một số công trình cũng đề cập đến tham số bất
định của mô hình động học robot và cũng có công trình sử dụng mạng nơ ron để bù
thành phần bất định nhưng lại chưa đề cập hoặc không tính toán đến đặc trưng ảnh
của camera.
Qua việc tìm hiểu tình hình nghiên cứu trong và ngoài nước, nghiên cứu sinh
(NCS) thấy còn một số phương pháp điều khiển mà các công trình nghiên cứu chưa
đề cập đến hoặc NCS thấy rằng các đề xuất của mình có ưu điểm hơn. Vì vậy NCS
đề xuất các nội dung chính của luận án như sau:
- Nội dung thứ nhất: NCS trình bày về thuật toán điều khiển hệ robot-
camera di động bám mục tiêu di động dùng hai vòng điều khiển phản hồi: điều
khiển động học và điều khiển động lực học để điều khiển hệ robot-camera di động
bám mục tiêu di động. Trong nội dung này đóng góp của NCS chính là mô hình hóa
chuyển động vi phân của robot cũng như mục tiêu di động thể hiện qua ma trận
20
Jacobi của robot và ma trận Jacobi của đặc trưng ảnh và đưa ra luật điều khiển động
học và luật điều khiển động lực học để camera bám theo mục tiêu di động [2].
+ Ma trận Jacobi của robot:
34 34
34 5 34 5
34 5 34 5
5 5
5 5
0 0 0
0 0 0
0 0 0.
0 0 0 0 1
0 0 0
0 0 0
s c
c s s s
c c s c
c c
s s
J (1.11)
+ Ma trận Jacobi của đặc ảnh :
2 2
2 2
0
im0
c c
c c
uu uvv
z z
vv uvu
z z
J
(1.12)
+ Luật điều khiển động học được đề xuất với vận tốc đặt mong muốn của các khớp
như sau :
4 1
5
ˆd
d
A N n
. (1.13)
+ Luật điều khiển động lực học với momen điều khiển của các khớp bám theo tốc
độ đặt các khớp như sau :
,d d
η Γ H q v h q v v g q
(1.14)
Với d
-v v là sai lệch vận tốc các khớp robot.
+ Sau khi có các luật điều khiển tác giả đưa ra sơ đồ điều khiển như sau:
21
Hình 1.1 Sơ đồ điều khiển hệ robot-camera di động bám mục tiêu di động
+ Đề xuất được chứng minh tính ổn định theo nguyên lí ổn định Lyapunov
và kiểm chứng bằng phần mềm mô phỏng matlab-simulink.
- Nội dung thứ hai: NCS trình bày về thuật toán điều khiển bệ robot-camera cố
định có chú ý đến các tham số bất định, việc ước lượng các tham số bất định
của hệ thống và của cơ cấu chấp hành dùng mạng nơ ron nhân tạo với tín
hiệu điều khiển đưa ra bộ điều khiển là tín hiệu momen. Trong phần này
NCS đã trình bày những nội dung chính như sau:
+ Đưa ra được mối quan hệ giữa vận tốc đặt của các khớp robot và đặc trưng
ảnh với vận tốc của camera và các ma trận Jacobi thông qua biểu thức sau:
1 1 ˆ
c c c cd
q J J ξ J J ξ J Ω
(1.15)
Với : d
q là vận tốc đặt mong muốn của các khớp robot; là hệ số suy giảm;
cJ là ma trận Jacobi ảnh; J là ma trận Jacobi của robot; ξ là đặc trưng ảnh
tức thời; ξ là đặc trưng ảnh tại thời điểm tiếp theo (có thể ước lượng).
+ Chọn momen điều khiển các khớp như sau:
( ) ( , )q q q H u h (1.16)
Trong đó, u là tín hiệu điều khiển phụ sẽ xác định sau, d
q là vận tốc mong
muốn sau khi biến đổi ta có phương trình hệ kín như sau
q u Đây là hệ tích phân kép.
Nếu ta chọn: - ( - )d du q K q q (1.17)
Bộ điều
khiển động
học (2.39)
Bô điều
khiển động
lực học
(2.43)
tay robot với
camera
Chuyển động
không xác
định của
WMR
Chuyển động
không xác
định của mục
tiêu di động visual servoing bám mục tiêu
di động
+
- - +
v
vd
22
trong đó K là ma trận xác định dương và ký hiệu - d q q thì hệ kín q u
có dạng: K 0
Như vậy hệ sai số ε sẽ triệt tiêu về 0 theo hàm số mũ tức là tốc độ các khớp
q sẽ bám theo tốc độ d
q mong muốn. Điều này sẽ bảo đảm camera bám mục tiêu
với sai lệch đặc trưng ảnh .f e 0 Sơ đồ điều khiển của hệ visual servoing như
Hình 1.2.
Hình 1.2 Sơ đồ điều khiển hệ robot-camera bám mục tiêu di động có tính đến các
tham số bất định của mô hình
+ Thuật điều khiển cho hệ robot-camera khi có nhiều tham số bất định:
Ta chọn momen η điều khiển các khớp robot như sau:
0 1η = η + η (1.18)
0 = (q)( - + (q,q))d dη H q K(q-q ) h (1.19)
trong đó d ε q q ; K là một ma trận đối xứng xác định dương, 1η là tín
hiệu điều khiển bù các thành phần bất định sẽ được xác định sau. Thay thế và biến
đổi các phương trình trên ta có hệ động lực sai số tốc độ bám
1 1
1-ε +Kε = H (η -f ) (1.20)
Đặt 1
1-η' = H η
11
-f' = H f
Tính tốc
độ
Ước lượng
Thuật điều
khiển Robot
Tính đặc trưng
ảnh Camera
Mục tiêu
di động
Robot
hand
+
-
+
-
23
ta có ' 'ε +Kε = η -f ta sẽ xây dựng mạng nơ ron với thuật học phù hợp để
mạng xấp xỉ 'f và xác định tín hiệu điều khiển 1η sao cho phương trình này ổn định
tiệm cận.
+ Nội dung này NCS đưa ra định lí (3.1) và được phát biểu như sau:
Hệ robot -camera có nhiều tham số bất định với mạng nơron được biểu diễn
trong công thức (1.22), (1.23) sẽ bám theo mục tiêu di động với sai số
( ) d
ε q -q 0 nếu ta chọn thuật điều khiển η và thuật học W của mạng nơron
như sau:
1q q,q η = H( )(q -K(q-q )+h( )+ ηd d (1.21)
1 1
ε
η = H ( )Wζ -ε
(1.22)
TW εζ (1.23)
trong đó các tham số tự chọn K là ma trận đối xứng xác định dương
TK = K > 0 , các hệ số , 0 .
Cấu trúc của hệ điều khiển có thể mô tả theo sơ đồ trên sau:
Hình 1.3 Sơ đồ điều khiển động lực học hệ robot-camera khi dùng mạng
nơ ron để bù các tham số bất định của mô hình
Mô men η gồm hai thành phần chính: 0
ˆ ˆq q,qη H( )(q -K(q-q )+h( )d d là
thành phần phản hồi và bù các thành phần phi tuyến, 1η là thành phần có mạng
nơron với thuật học on-line để xấp xỉ các thành phần bất định. Định lý này được
chứng minh bằng phương pháp ổn định Lyapunov.
24
+ Chứng minh tính ổn định của đề xuất theo nguyên lí ổn định Lyapunov và
kiểm chứng bằng phần mềm mô phỏng matlab-simulink.
- Nội dung thứ ba: Tác giả trình bày về thuật toán điều khiển bệ Robot-
Camera cố định có chú ý đến các tham số bất định và chú ý đến động cơ chấp hành
các khớp, việc ước lượng các tham số bất định của hệ thống và của cơ cấu chấp
hành dùng mạng nơ ron nhân tạo với tín hiệu điều khiển đưa ra bộ điều khiển là tín
hiệu điện áp. Trong nội dung này tác giả đã trình bày những nội dung sau:
+ Mối quan hệ giữa đặc trưng ảnh và vận tốc khớp:
f f
dd crdt dt
xξ
J J J q (1.24)
Định nghĩa ma trận Jacobi tổng hợp là:
J ξ,q J Jf r (1.25)
Phương trình đặc trưng ảnh có thể được viết lại: ξ J ξ,q q (1.26)
+ Mô tả các thành phần bất định của mô hình động học và của đặc trưng
ảnh:
H(q) = H(q) +ΔH(q) (1.27)
h(q) = h(q)+Δh(q) (1.28)
J ξ,q J ξ,q J ξ,q (1.29)
Trong đó, H(q) , h(q) , J ξ,q là các thành phần đã biết ; ΔH(q) , Δh(q) ,
J ξ,q là các sai lệch do tính bất định của robot.
+ Mô tả mối quan hệ giữa đặc trưng ảnh và các biến khớp thông qua biến z
và ef với : d
z = G(ξ - ξ ) , trong đó G là ma trận hằng [n2m], có số hạng bằng n.
Do đó, nếu z 0 thì f e 0 . Sau đó lấy đạo hàm bậc nhất bậc hai của z theo thời
gian:
+ Thiết lập phương trình động lực học theo tín hiệu điện áp:
1 ψ z γ f uE
(1.30)
25
+ Thiết kế luật điều khiển động lực học để hệ robot - camera bám đặc
trưng ảnh:
Ta sẽ đi tìm điện áp điều khiển uE theo dạng:
0 1E u u u (1.31)
0 D P u ψ K z K z γ (1.32)
u1 là tín hiệu điều khiển để bù thành phần bất định, sẽ được định nghĩa sau.
Sau khi biến đổi ta được:
11 1D P
z K z K z ψ u f (1.33)
Đặt:
11' u ψ u 1
1 f ψ f
ta được: 'D P z K z K z u f (1.34)
Chúng ta sẽ xây dựng một mạng nơ ron với luật học phù hợp để xấp xỉ f’ và
đi tìm 'u sao cho phương trình trên ổn định tiệm cận.
+ Định lý 4.1: Hệ robot Pan Tilt-camera có nhiều tham số bất định với mạng
nơron ˆ f = Wζ +β = f +β ; f = Wζ sẽ bám theo mục tiêu di động với sai số f e 0 nếu ta chọn thuật điều khiển u và thuật học W của mạng nơron như sau:
1D P u ψ K z K z γ u (1.35)
11
s
u Wζs
(1.36)
T W sζ (1.37)
Trong đó, KD = D + C, KP = DC; D là một ma trận xác định dương đối xứng
D = DT > 0, và , 0 .
+ Chứng minh tính ổn định của đề xuất trên bằng nguyên lí ổn định
Lyapunov và kiểm chứng tính đúng đắn bằng phần mềm mô phỏng matlab-
simulink.
+ Sơ đồ điều khiển của đề xuất này:
26
Hình 1.4 Sơ đồ điều khiển hệ robot-camera có nhiều tham số bất định có tính đến
động cơ chấp hành
- Nội dung thứ tư: Tác giả trình bày về thuật toán điều khiển cánh tay robot -
camera với mô hình bất định và nhiễu ngoài. Trong nội dung này tác giả đề
xuất phương pháp điều khiển robot-camera với nhiều tham số bất định của
mô hình và nhiễu ngoài dùng bộ điều khiển trượt thích nghi kết hợp mạng nơ
ron nhân tạo. Công việc trong nội dung điều khiển này đã mở rộng các kết
quả trong [57], [58], 62] để khắc phục những thiếu sót nói trên. Thứ nhất,
mặt trượt phi tuyến được đề xuất theo cách giống như trong [58], nhưng vấn
đề suy biến đã được xử lý hoàn toàn. Thứ hai, khó khăn trong [62] cụ thể là
cách chọn 1iK và 2iK cũng đã tránh được. Thêm vào đó, vì rất khó để xác
định cận trên trong thực tế của sự bất định mô hình cũng như nhiễu ngoài, hệ
số bền vững của luật điều khiển bền vững được cập nhật trực tuyến thông
qua luật cập nhật hệ số bền vững. Do đó không cần biết trước cận trên trong
bộ điều khiển đề xuất này.
Cuối cùng, như một hệ quả của điều khiển rời rạc, vấn đề chattering đã xuất
hiện làm cho hiệu suất bám giảm đáng kể. Để giảm hiện tượng chattering, NCS đã
thay thế hàm dấu sign bằng một hàm trơn.
Trong nội dung này tác giả trình bày những nội dung chính sau:
+ Thiết kế mặt trượt phi tuyến:
rsigi i i i i is e e q q
, với 1,...,i n (1.38)
trong đó iq là biến vị trí thứ i, e q qi i di là biến sai lệch thứ i, diq là quỹ
đạo mong muốn của qi , i là hằng số dương và có thể chọn tùy ý,
Luật
điều khiển
Động cơ
chấp hành Robot Camera
x0
27
sig signe e ei i i , và 1
2
với 1, 2 là các số nguyên dương lẻ thỏa mãn
bất đẳng thức dưới đây [62]:
1
2
11
2
.
+ Tính toán đầu vào điều khiển:
Để tránh vấn đề suy biến tác giả đề xuất thêm biến phụ như sau:
1d
r
sign if 0 andi i i i i i i ii
i
q e e s eu
q Otherwise
(1.39)
với 1,...,i n , và i minh họa một lớp lân cận xung quanh điểm 0 tương ứng
với ie và có thể chọn nhỏ tùy ý.
+ Đề xuất luật điều khiển như sau:
ˆ ˆ ˆ,
η f x W Γsig s d , (1.40)
trong đó d là thành phần bền vững đã nói ở trên và sẽ được xác định cụ thể
sau. ˆ ˆ,f x W là đầu ra của RBFNN và được áp dụng để ước lượng f x , còn W là
giá trị ước lượng của W và có thể được cập nhật trực tuyến bằng thuật toán điều
chỉnh trọng số trực tuyến. Đặc biệt, biểu thức của ˆ ˆ,f x W được thể hiện như sau:
Tˆ ˆ ˆ, f x W W ζ x . (1.41)
+ Xử lí hiện tượng chattering cho thành phần bền vững:
ˆ if
ˆ
ˆ if
ss
sd
ss
(1.42)
với là một hằng số dương rất nhỏ.
Do đó, để đảm bảo tính bị chặn của , (1.42) phải thay thế bởi:
ifˆ
0 if
s s
s
28
+ Thời gian hữu hạn khi s hội tụ đến 0 được tính toán như sau: [62]
1 /20
21 /2
2 1min M 22
Vts
. (1.43)
Khi các trạng thái của hệ thống nằm trên mặt trượt, nghĩa là s 0 , thời gian
hữu hạn để 0ie được tính như sau[62]
1
1
e tsiteii
, (1.44)
Kết hợp 2 biểu thức trên ta có tổng thời gian hữu hạn khi mỗi sai lệch bám
ei dần tới 0 là biểu thức sau
totalt t ts eii . (1.45)
+ Sơ đồ điều khiển của đề xuất :
Hình 1.5 Sơ đồ điều khiển hệ robot-camera có tính đến bất định của mô hình và
nhiễu ngoài dùng phương pháp điều khiển (TSMC) ngăn chặn sự suy biến
+ Chứng minh tính ổn định của đề xuất bằng nguyên lí Lyapunov và kiểm chứng
bằng phần mềm mô phỏng matlab-simulink.
Mặt trượt Bộ điều
khiển
Cánh
tay
robot
RBFNN u
e s
+
-
Thành phần
bền vững
29
CHƢƠNG 2.
MÔ HÌNH HÓA CHUYỂN ĐỘNG VI PHÂN CỦA TAY MÁY DI ĐỘNG VÀ
THIẾT KẾ LUẬT VISUAL SERVOING MỚI ĐỂ BÁM THEO MỤC TIÊU DI
ĐỘNG
Chương này NCS trình bầy các nội dung chính sau:
- NCS đề cập đến hệ thị giác máy và hệ điều khiển hệ robot-camera, gồm các
khái niệm cơ bản về hệ thị giác máy, cấu trúc và phân loại các hệ thị giác máy.
- NCS xây dựng mô hình hóa chuyển động vi phân của tay máy và xây dựng
luật điều khiển động học và động lực học cho hệ tay máy di động gắn camera bám
theo mục tiêu di động. Nội dung chính của phương pháp này là tác giả đã đưa ra
luật điều khiển động học để tìm ra vận tốc đặt cho các khớp robot nhằm bám theo
đặc trưng ảnh trong khi không biết trước quĩ đạo di chuyển của vật thể và qũi đạo di
chuyển của bánh xe di động.
2.1. Thị giác máy và điều khiển hệ robot - camera
2.1.1 Các khái niệm cơ bản của thị giác máy
Thị giác máy là lĩnh vực phát triển mạnh nhất trong kỹ thuật robot thời gian
qua. Nó cung cấp khả năng nhìn cho robot. Thị giác robot ngoài việc xác định vị trí
và hướng của vật thể trong không gian Đề các còn thực hiện việc nhận dạng vật thể
như khả năng nhìn, định vị và nhận dạng của sinh vật. Quá trình này được mô tả
trong (Hình 2.1) sau:
Hình 2.1 Quá trình xử lý ảnh của thị giác rô bốt
Các kết quả nhận dạng và định vị ảnh được cung cấp cho hệ thống điều khiến
để rô bốt có thể vận chuyển (gắp, dịch chuyển và nhả vật thể) theo quỹ đạo mong
muốn, hoặc gia công (sơn, hàn, cắt gọt) theo quỹ đạo nhìn thấy. Các hệ điều khiển
robot dựa trên các thông tin hình ảnh ta gọi là các hệ servo thị giác (visual
Tạo
ảnh
số
Tiền
xử lý
ảnh
Phân
vùng
ảnh
Xác
định
đặc
trưng
ảnh
Nhận dạng và
định vị
ảnh
Vật
thể
Kết
quả
30
servoing). Trong phần này ta sẽ điểm qua các khái niệm cơ bản của thị giác máy và
phát triển các thuật toán điều khiển robot sử dụng thông tin hình ảnh. Có nhiều loại
thiết bị được dùng để tạo ra ảnh số bao gồm các loại đèn vidicon, các camera,
scanner và các cảm biến ảnh CCD (Change Goupled Device). Ta gọi chung các
thiết bị này là các bộ cảm biến ảnh (Image sensor). Cảm biển ảnh cũng có thể là
một camera tương tự (analog) màu hoặc đen trăng. Các camera tương tự cần phải
có một module điện tử để biến đổi tín hiệu ảnh tương tự sang dạng số (digital
image) Ảnh số thu nhận được thường có chất lượng chưa phù hợp cho quá trình
nhận dạng và định vị do có nhiễu và độ tương phản chưa tốt. Vì vậy cần một quá
trình tiền xử lý ảnh để nâng cấp ảnh số, khử được các nhiễu, làm ảnh có chất lượng
tối hơn cho quá trình xử lý sau này. Phân vùng ánh (Segmentation) là quá trình tách
ảnh vật thể ra khỏi nền. Trong ảnh có ảnh của nhiều vật thể thì phải phân và đánh
nhãn được vùng ảnh của từng vật thể. Mỗi một vùng ảnh được phân là một tập hợp
các điểm ảnh liên kết mô tả ảnh của một vật thể. vấn đề phân vùng ảnh là một vấn
đề khó trong xử lý ảnh do nhiễu và ảnh của các vật có thể bị đè lên nhau trong ảnh
số thu được. Xác định đặc trưng ảnh là một bước quan trọng trong xử lý ảnh. Mỗi
một ảnh đều có các đặc trưng riêng về hình dạng, kích thước, độ đậm nhạt hay màu
sắc. Các đặc trưng ảnh quan trọng trong các hệ servo thị giác là vị trí và hướng của
vật thể. Các đặc trưng về các mô men ảnh, các mô men bất biến trong quá trình xử
lý ảnh phục vụ cho nhận dạng và phân loại vật thể trong điều khiển robot phân loại
sản phẩm.[2]
2.1.2 Các hệ thị giác máy
Khái niệm servo thị giác (visual servoing) đề cập đến vấn đề làm thế nào sử
dụng các thông tin hình ảnh để điều khiển rô bốt. Khái niệm này liên quan đến hai
lĩnh vực là thị giác máy và điều khiển robot. Các hệ robot sử dụng thông tin hình
ảnh để điều khiển, có ứng dụng rộng rãi trong công nghiệp, nông nghiệp, y tế, an
ninh quốc phòng, viễn thám, thể thao và trong lĩnh vực hàng không vũ trụ. Hệ
thống servo thị giác được chia làm hai nhóm servo vị trí (position based) và servo
đặc trưng ảnh (feature based). Hệ servo vị trí ảnh xác định vị trí và hướng của
đối tượng để thực hiện quá trình điều khiển. Hệ servo đặc trưng ảnh sử dụng đặc
trưng ảnh của đối tượng từ không gian ảnh để tính toán sai lệch một cách trực tiếp.
Tín hiệu sai lệch đặc trưng này được sử dụng để tính ra tín hiệu điều khiển mong
31
muốn cho robot. Luật điều khiển cũng được thể hiện trong không gian ảnh.
Nhiều nghiên cứu sử dụng hàm ánh xạ từ không gian ảnh vào không gian Đề
các. So sánh hai phương pháp này cho thấy, ưu điểm của phương pháp sử dụng đặc
trưng ảnh là giảm chi phí tính toán, có nhiều ý nghĩa trong điều khiển thời gian
thực. Tuy nhiên cũng có một số trở ngại khác như việc tính ma trận Jacobi ảnh chỉ
hiệu quả trong một vùng làm việc nhỏ, hoặc phù hợp đối với một lớp bài toán nhất
định như bài toán bám mục tiêu. Ngoài ra vấn đề tính toán khoảng cách đến đối
tượng (depth) z là đặc biệt khó khăn. Để làm được việc này phải dựa vào việc ước
lượng vị trí và hướng của ảnh. Tốc độ tính toán của các phương pháp xác định vị trí
và hướng của ảnh vật thể đã được cải thiện nhiều nhờ sử dụng những thiết bị tính
toán và xử lý ảnh có cấu hình mạnh.[2]
2.1.2.1. Mô hình hệ thống servo thị giác
Hệ thống điều khiển sử dụng camera thường được dùng trong các dạng sau:
camera được gắn trên đầu tay nắm robot, hoặc camera đặt trong không gian làm
việc (Hình 2.2). Mô hình camera được gắn ở đầu tay nắm robot gọi là mô hình thị
giác eye-in-hand. Quan hệ giữa vị trí và hướng của camera và của tay nắm robot
thường biết được trước và ký hiệu là exc, còn vị trí của đối tượng nhìn trong hệ toạ
độ camera là cxt.
`
Hình 2.2 Mô hình hệ sever thị giác eye-in-hand
Trong mô hình thứ hai, camera được đặt cố định trong không gian làm việc.
Lúc này xc biểu diễn quan hệ giữa hệ toạ độ gắn trên camera với hệ toạ độ gốc của
robot, xt là toạ độ của đối tượng nhìn trong hệ toạ độ gốc, xw1 biểu diễn mối quan hệ
xc P
xt
xw1 xw2
32
của bánh xe tự do với hệ tọa độ gốc của robot, xw2 biểu diễn mối qua hệ của trục 2
bánh chyển động với hệ tọa độ gốc robot. Trong trường hợp này ảnh đối tượng mà
camera thu được không phụ thuộc vào chuyển động của robot. Việc lựa chọn mô
hình nào phụ thuộc vào các ứng dụng cụ thể [29]
2.1.2.2. Cấu trúc của hệ thống điều khiển sử dụng camera.
Như trên đã đề cập, servo thị giác được chia làm hai nhóm, một nhóm điều
khiển dựa trên cơ sở là vị trí ảnh, và một nhóm điều khiển dựa trên cơ sở đặc trưng
ảnh. Để phân biệt hai dạng cấu trúc cơ bản servo vị trí ảnh và servo đặc trưng ảnh
ta có thể đưa ra một số nét khác biệt sau. Với servo vị trí ảnh, đặc trưng được trích
ra từ ảnh và kết hợp với dạng hình học của đối tượng và mô hình camera để ước
lượng vị trí và hướng của mục tiêu so với camera. Sai lệch giữa tín hiệu phản hồi vị
trí và hướng so với vị trí và hướng mong muốn phải được tính trong toạ độ không
gian làm việc (Đề các). Với servo đặc trưng ảnh, đại lượng điều khiển được tính
toán dựa trên cơ sở đặc trưng ảnh. Tín hiệu sai lệch được tính toán trực tiếp dưới
dạng hàm của đặc trưng ảnh. Như vậy servo đặc trưng ảnh có thể rút ngắn được thời
gian tính toán, không cần phải định nghĩa lại ảnh và sai lệch trong không gian làm
việc vì có mô hình cảm biến và camera đã được chuẩn hoá. Tuy nhiên cấu trúc này
đòi hỏi phải thiết kế bộ điều khiển từ mô hình phi tuyến phức tạp hơn. Các hình sau
mô tả các dạng cấu trúc hệ servo thị giác.[2]
Hình 2.3 Cấu trúc hệ servo vị trí ảnh
Xác định
tọa độ ảnh
Xác định
đặc trưng
ảnh
Khuếch đại
công suất
Thuật
điều
khiển
Động
học
ngược
Điều
khiển khớp
f
Cxđ
-
33
Hình 2.4 Cấu trúc servo đặc trưng ảnh
2.1.2.3. Cấu trúc hệ servo vị trí ảnh
Như đã mô tả ở phần trên, trong cấu trúc hệ servo vị trí ảnh, đặc trưng được
trích ra từ ảnh và được sử dụng để ước lượng vị trí của đối tượng so với camera. Sử
dụng các giá trị này, sai lệch giữa vị trí thực tế đo được với vị trí mong muốn đối
với robot được tính trong không gian làm việc. Theo cách này, điều khiển theo vị trí
ảnh gần như tách biệt một cách rõ ràng việc tính toán tín hiệu phản hồi theo bài toán
ước lượng vị trí và hướng của đối tượng từ dữ liệu mà phần thị giác thu nhận được.
Ưu điểm của phương pháp điều khiển theo vị trí ảnh là có thể mô tả được yêu cầu
dưới dạng vị trí trong hệ toạ độ Đề các. Nhược điểm là mức độ phụ thuộc lớn vào
mức định cỡ (scanling). Tác động của mức định cỡ lại phụ thuộc vào vị trí. Trong
môi trường camera cố định và độ chính xác của vị trí đòi hỏi vừa phải thì phương
pháp xác định kích cỡ cũng có độ chính xác vừa phải. Nếu camera di chuyển nhanh
và đòi hỏi vị trí có độ chính xác cao, thì việc định cỡ đòi hỏi độ nhạy cao. Thời gian
tính toán về hướng của servo vị trí thường lâu. Tuy nhiên hiện nay có thể thực hiện
các tính toán trong một vài mili giây khi ta sử dụng phương pháp tương tác hoặc bộ
lọc Kalman để xác định vị trí và hướng của vật thể.[2]
2.1.2.4. Cấu trúc hệ servo đặc trưng ảnh
Trong cấu trúc hệ servo đặc trưng ảnh, tín hiệu sai lệch được định nghĩa
trực tiếp dưới dạng thông số đặc trưng ảnh. Nhiệm vụ của hệ điều khiển theo
-
Xác định
đặc trưng
ảnh
Khuếch
đại công
suất
Thuật
điều
khiển
Điều khiển
khớp
f
fđ
34
phương pháp này được biểu diễn dưới dạng hàm trong đó e:ξ R' trong đó l ≤
k, với k: là số chiều của không gian thông số đặc trưng ảnh. Một hệ thống servo
thị giác có thế bao gồm cả camera gắn trong không gian làm việc và camera
trên tay nắm dạng hand - eye.
Chuyển động của tay máy cũng làm thay đổi ảnh quan sát được của hệ thống
thị giác máy. Do vậy, khi e = 0 thì nhiệm vụ của hệ là đạt yêu cầu. Đối với bài toán
bám mục tiêu, đặc trưng ảnh không chỉ phụ thuộc vào di chuyển của robot mà cũng
phụ thuộc vào cả sự dịch chuyển của đối tượng. Mặc dù sai lệch e được định nghĩa
trên không gian thông số đặc trưng ảnh, tín hiệu điều khiển tay máy vẫn được định
nghĩa trong hệ tọa độ của các khớp hoặc trong hệ toạ độ của không gian làm việc.
Do vậy cần phải chuyển đổi từ dạng thông số đặc trưng ảnh sang dạng vị trí của
robot. Mối quan hệ đó được biểu diễn qua ma trận Jacobi ảnh. Một ưu thế nổi bật
của điều khiển theo đặc trưng ảnh so với điều khiển theo vị trí ảnh là hệ phụ thuộc
rất ít vào quá trình chuẩn định camera. Điểm bất lợi của phương pháp đặc trưng ảnh
là ánh xạ đặc trưng có thể làm mất ổn định ở một số vị trí trong luật điều khiển
nghịch đảo Jacobi. Sự mất ổn định này thường rất ít xuất hiện trong phương pháp
điều khiển theo vị trí. Ví dụ khi có hai điểm đồng phẳng với trọng tâm mặt kính của
camera, ảnh thu được trên mặt cảm quang chỉ là một điểm, ma trận Jacobi ảnh cho
một giá trị cho cả 2 điểm ảnh. Trong trường hợp này, phép quay và phép tịnh tiến
đối với cả hai điểm là không quan sát được. Hiện tượng này không xuất hiện ở
phương pháp vị trí ảnh, do đặc trưng được trích ra từ ảnh còn, được kết hợp với mô
hình hình học của vật thể và camera nên ta vẫn phân biệt được vị trí cả hai điểm.[2]
2.1.3 Ước lượng vị trí và vận tốc của đặc trưng ảnh
Bài toán bám mục tiêu di động yêu cầu phải dự báo được vị trí và tốc độ của
đặc trưng ảnh ở bước tiếp theo. Bộ lọc Kalman được sử dụng để ước lượng dự đoán
căn cứ vào thông tin ảnh thu được từ camera số tại thời điểm hiện tại. Bộ lọc
Kalman được coi như bộ ước lượng trạng thái hệ thống. Nó có cấu trúc lọc đơn giản
và độ hội tụ tốt cùng với khả năng lọc nhiễu cao [34], [36].
35
2.2. Mô hình hóa chuyển động vi phân của camera trên tay máy chuyển động
và thiết kế hệ servo thị giác bám mục tiêu di động
2.2.1 Mô tả các hệ tọa độ
Hình 2.5 Một tay máy hai bậc tự do gắn camera đặt trên robot di động có bánh
Xét một tay máy di động gắn camera như hình 2.5. Định nghĩa hệ tọa độ
O2X2Y2Z2 như hình 2.6. Chú ý rằng, gốc tọa độ O2 trùng với điểm M, và các trục
tọa độ luôn song song với các trục tương ứng của khung cơ sở O0X0Y0Z0.
O3X3Y3Z3 được gắn với chân đế của WMR như hình 2.5, 2.6, và 2.7.
O4X4Y4Z4 được gắn với trục liên kết pan như hình 2.5 và hình 2.7. OCXCYCZC được
gắn với nền của camera (xem hình 2.5, 2.6 và 2.7). Cần lưu ý rằng ở đây O4 là giao
điểm của trục pan và trục tilt.
Cuối cùng, ma trận đồng nhất thể hiện vị trí và hướng của OCXCYCZC trong
O0X0Y0Z0 được cho bởi công thức dưới đây: [2]
34 34 5 34 5 M x x x x
34 34 5 34 5 M y y y y0C
5 5 T z z z z
x y z p
x y z p,
0 x y z p
0 0 0 1 0 0 0 1
c
c
c
s c s c c x x
c s s s c y y
c s h z
T
(2.1)
Z0
Y0
X0 O
0
Trục tilt
Trục
Pan
Camera
4
5
YC
XC
Z3
X3
Y3
Z4
Y4
X4
Z
C
36
Với i isins , cosi ic , ij sin i js , ij cos i jc . 3 là
hướng của chân đế di động. ,Mx My là các tọa độ của điểm M trong khung cơ sở
(hình 2.5). 4 là tọa độ góc của khớp pan. 5 là tọa độ góc của khớp tilt. Th là độ cao
của trục tilt (xem hình 2.7 và 2.8). ( , , )Tx y zc c c là tọa độ của điểm Oc trong hệ trục
tọa độ O4X4Y4Z4.
2.2.2. Chuyển động vi phân
Vì OCXCYCZC được gắn trên thân của camera, nên để mô hình hóa chuyển
động vi phân của camera, ta chỉ cần mô hình chuyển động của OCXCYCZC (xem
hình 2.9).
Hình 2.6 Chân đế di động và hai trục tọa độ, O2X2Y2Z2 và O3X3Y3Z3, trong khung
cơ sở
Mặt khác, nếu OCXCYCZC trải qua phép biến đổi vi phân 0d trans dọc theo các
trục của khung cơ sở O0X0, O0Y0, O0Z0 và dịch chuyển qua phép quay vi phân 0d rot
xung quanh các trục của khung cơ sở, thì tư thế mới của nó (bao gồm cả vị trí và
hướng) đối với khung cơ sở sẽ được tính bằng tích của vị trí trước đó nhân với phép
biến đổi và phép quay vi phân theo công thức:
0 0 0 0 0new_posture . . C C Cd d d trans rot T T T .
Vì vậy, thay đổi vi phân 0CdT được tính bằng:
0 0 0 0 0 0. . ,C C Cd d d T trans rot I T Ξ T
(2.2)
Với
xM
yM
X0
Y0
O0
X2
X3
Y3 Y
2
M
Sàn robot
di động
Bánh phải
Bánh trái
Bánh xe
thụ động
3
37
0 0 0
1 01 0 0 z yx
1 00 1 0 z xy.1 00 0 1 y xz
0 0 0 10 0 0 1
0 z y x
0z x y ,0y x z
0 0 0 0
d
dd d
d
d
d
d
Ξ trans rot I I
(2.3)
Trong đó xd , yd , và zd là các khoảng cách rất nhỏ trong 0d trans của
OCXCYCZC dọc theo các trục O0X0, O0Y0, O0Z0 tương ứng. Thêm vào đó, x , y và
z là các góc nhỏ không đáng kể trong 0d rot của OCXCYCZC xung quanh các trục
O0X0, O0Y0, O0Z0.
Mặt khác, nếu camera có biến đổi vi phân Cd trans dọc theo OCXC, OCYC,
OCZC với các khoảng cách rất nhỏ CXd , C
yd , CZd tương ứng và phép quay vi phân
Cd rot xung quanh OCXC, OCYC, OCZC với những góc nhỏ CX , C
y và CZ (xem
hình 2.9) tương ứng, thì trạng thái mới của nó theo hệ tọa độ OCXCYCZC sẽ được
mô tả bằng cách nhân lên 0CT với Cd trans và Cd rot :
0 0 0new_posture . . ,C CC C Cd d d T T T trans rot
(2.4)
Ta có thể viết lại (2.4) như sau:
0 0 0. . . ,C C CC C Cd d d T T trans rot I T Ξ
(2.5)
Với
0
0. .
0
0 0 0 0
C C CZ y x
C C CZ x yC C C
C C Cy x Z
d
dd d
d
Ξ trans rot I (2.6)
Kết hợp (2.2) và (2.5), kết quả là:
38
1
0 0 0. .CC C
Ξ T Ξ T (2.7)
Để thuận tiện, từ (2.1) và (2.3), ta định nghĩa các véc tơ mới như sau:
x x xT
x y z
x , y y yT
x y z y , z z z
T
x y z z ,
p p pT
x y z p ,
T
x y z δ ,
T
x y zd d d d .
Có thể thấy rằng, (2.7) có thể viết lại như sau:
0 . .
. 0 .,
. . 0
0 0 0 0
T T T
T T T
C
T T T
δ z δ y x δ p d
δ z δ x y δ p dΞ
δ y δ x z δ p d
(2.8)
Với δ p là tích trực tiếp của hai véc tơ này.
Hình 2.7. Mặt trước của hệ trục, vị trí và hướng của O4X4Y4Z4 trong O3X3Y3Z3
So sánh (2.6) và (2.8) cho thấy:
,C Txd
x δ p d
(2.9)
C Tyd
y δ p d ,
(2.10)
OCXC Trục O4Z
4
Trục O4Y
4
Z3
Y3 M O3
5
Z4
X4
Y4
O4
Y3
X3
Z3
O3
hT
4
4
4
Bánh
trái Bánh
phải
39
C Tzd
z δ p d ,
(2.11)
.C Tx δ x , (2.12)
.C Ty δ y , (2.13)
.C Tz δ z ,
(2.14)
Hình 2.8. Vị trí và hướng của OCXCYCZC trong O4X4Y4Z4, và mô hình điểm ảnh
của camera
Ta xác định véc tơ chuyển động vi phân của camera đối với khung camera
OCXCYCZC như sau:
.T
C C C C C Cx y z x y zd d d
D
(2.15)
Ngoài ra, ta tính toán ma trận Jacobi J sao cho nó thỏa mãn công thức:
3 4 5
TM Mdx dy d d d
D J (2.16)
Với
1 2 3 4 5
3 4 5M Mx y
D D D D D
J J J J J J (2.17)
Đối
tượng
xc
yc
zc ZC
YC
XC U
V
u
v Mặt phẳng
ảnh
Y4
X4
YC
ZC
5
5
Z4
OC
OC O4
4
40
Đối với biến đổi vi phân dọc theo O0X0 (xem hình 2.9), ta có
0 0T
Mdx d và 0 0 0
T δ . Vì vậy, từ (2.1), (2.9)-(2.14) và (2.17), ta có
công thức:
1 34 34 5 34 5 0 0 0T
s c s c c J , (2.18)
Tương tự, với biến đổi vi phân dọc theo O0Y0 (xem hình 2.9), ta có
0 0T
Mdy d và 0 0 0
T δ . Ta cũng có:
2 34 34 5 34 5 0 0 0T
c s s s c J , (2.19)
Ta xem xét phép quay vi phân xung quanh các trục O2Z2, O3Z3, O4Z4 tương
ứng, khi đó vai trò của 0CT trong cả hai công thức (2.1) và (2.7) sẽ được thay thế
tương ứng bởi các ma trận dưới đây:
34 34 5 34 5
34 34 5 34 52
5 50
0 0 0 1
C
T
s c s c c xc
c s s s c yc
c s h zc
T , (2.20)
thể hiện vị trí và hướng của OCXCYCZC trong O2X2Y2Z2,
4 4 5 4 5
4 4 5 4 53
5 50
0 0 0 1
C
T
s c s c c xc
c s s s c yc
c s h zc
T (2.21)
thể hiện vị trí và hướng của OCXCYCZC trong O3X3Y3Z3, và
5 5
5 54
0
0
1 0 0
0 0 0 1
s c
c s
c
c
C
c
x
y
z
T , (2.22)
mô tả vị trí và hướng của OCXCYCZC trong O4X4Y4Z4 (xem hình 2.8). Trong
ba trường hợp này, ta có 0 0T
id δ , i = 3,4,5, và 0 0 0
T d . Kết hợp
41
(2.9)-(2.14), (2.17), và (2.20)-(2.22), kết quả là ma trận Jacobi trong (2.17) có thể
viết lại như sau:
3 5 50 0 0 0T
c s J , (2.23)
4 5 50 0 0 0T
c s J , (2.24)
5 0 0 0 1 0 0T
J , (2.25)
Từ (2.18)-(2.19) và (2.23)-(2.25), ta có thể chỉ ra ma trận Jacobian của robot
như sau:
34 34
34 5 34 5
34 5 34 5
5 5
5 5
0 0 0
0 0 0
0 0 0.
0 0 0 0 1
0 0 0
0 0 0
s c
c s s s
c c s c
c c
s s
J (2.26)
2.2.3. Tính toán đạo hàm của đặc trưng ảnh
Hình 2.8 mô tả mô hình điểm ảnh của camera, trong đó u, v là các tọa độ
ảnh của đối tượng trong mặt phẳng ảnh. Véc tơ đặc trưng ảnh của đối tượng được
tính như sau:
Tc
Tc Tc
xu
z yv
ξ , (2.27)
Với là độ dài tiêu cự của camera. T
Tc Tc Tc Tcx y z r là véc tơ tọa
độ của đối tượng trong khung camera (OCXCYCZC).
42
Hình 2.9. Đồ thị mô tả chuyển động vi phân của camera qua OCXCYCZC
Hình 2.10. Mô hình robot di động bám mục tiêu di động
Gọi T
C C C Cx y zd d d
d là véc tơ biến đổi vi phân, và
TC C C C
x y z
δ là véc tơ phép quay vi phân của camera đối với OCXCYCZC.
Chuyển động vi phân của đối tượng trong OCXCYCZC được tính toán bởi công thức
sau [13]:
T C C TcTc C C C Tcd dx dy dz dt
t
r
r δ r d , (2.28)
Trong đó Tc dtt
r
biểu thị thành phần chỉ phụ thuộc vào chuyển động không
xác định của đối tượng trong không gian 3 chiều. Mặt khác, nó cũng không phụ
thuộc vào chuyển động của camera.
Đặc biệt, chúng ta có thể viết lại (2.28) như sau:
C C C TcTc Tc y z x
xvdx z d dt
t
, (2.29)
XC
YC
ZC
Y0
X0
Z0
ZC
YC
XC
O
C
O0
Đối tượng di
động
Mặt sàn
43
C C C TcTc Tc z x y
yudy z d dt
t
, (2.30)
C C CTc TcTc x y z
z zdz v u d dt
t
. (2.31)
Theo (2.27), Biểu thức vi phân của tọa độ ảnh được viết lại dưới dạng sau:
2
Tc Tc Tc Tc
Tc
z dx x dzdu
z
, (2.32)
2
Tc Tc Tc Tc
Tc
z dy y dzdv
z
. (2.33)
Thay (2.29), (2.30), và (2.31) vào (2.32)-(2.33) dẫn tới:
.im
dud dt
dv
ξ J D δ , (2.34)
Trong đó
2 2
2 2
0
im0
c c
c c
uu uvv
z z
vv uvu
z z
J ma trận Jacobi (ma trận
tương tác) của camera, và
T
cc c c
c c c c
yx z zu vz t z t z t z t
δ .
Thay (2.16) vào (2.34) ta được:
. . ξ J J θ δimd d dt , (2.35)
với 3 4 5
T
M Mx y
θ . Chia cả hai vế của (2.35) cho vi phân
theo thời gian, dt, ta nhận được công thức đạo hàm của đặc trưng ảnh như dưới đây:
. .im ξ J J θ δ , (2.36)
2.3 . Đề xuất luật điều khiển
2.3.1 Phát biểu bài toán
Yêu cầu của luật visual servoing bám mục tiêu di động là để điều khiển vận
tốc góc của các khớp tay máy sao cho đặc trưng ảnh của đối tượng (Hình 2.10) dần
tiệm cận tới tâm của mặt phẳng ảnh (Hình 2.8) mặc dù quỹ đạo chuyển động của cả
WMR và đối tượng bay đều không xác định và độc lập với nhau. Để giải quyết vấn
đề điều khiển này, NCS đề xuất một sơ đồ của hệ thống tổng thể như Hình 2.11. sơ
44
đồ này bao gồm hai vòng lặp kín. Vòng lặp bên ngoài bao gồm bộ điều khiển động
học (kinematic controller) được trình bày trong tiểu mục 2.3.2. Vòng lặp bên trong
bao gồm một bộ điều khiển động lực học (dynamic controller) được trình bày trong
phần 2.3.3.
Hình 2.11. Sơ đồ của bộ điều khiển đề xuất visual servoing bám mục tiêu di động
2.3.2. Luật điều khiển động học
Phương trình (2.36) được viết ra chi tiết như sau:
4
5 4
5
vs
u
ξ A ψ , (2.37)
Trong đó
2 25
2 25
u c uv
vuvc
A ,
ψ mô tả sự biến đổi của sai lệch đặc trưng ảnh do chuyển động không xác định của
mục tiêu di động. Các thành phần trong ψ được biểu diễn như sau:
3
ψ B E δM
M
x
y,
2 25 5
5 5
1
B
u c vs
uvc us,
34 34 5 34 34 5
34 5 34 5 34 5 34 5
1.
E
c
s uc c c us c
z c s vc c s s vs c
Trong (2.37), do phụ thuộc vào chuyển động không xác định của cả WMR
và mục tiêu di động, và trên hết là phụ thuộc vào chiều sâu zTc của đối tượng, nên
Bộ điều
khiển động
học (2.39)
Bô điều
khiển động
lực học
(2.43)
2-DOF tay
robot với
camera
Chuyển động
không xác
định của
WMR
Chuyển động
không xác
định của mục
tiêu di động visual servoing bám mục tiêu
di động
+
- - +
v
vd
45
ψ là không biết. Tuy nhiên, khi khoảng thời gian lấy mẫu của tín hiệu đủ nhỏ để
đảm bảo tính chất thời gian thực, ψ có thể ước lượng như sau [16]:
4
5 4
5
ˆ - --
pre
pre pre
pre
vA s
u
, (2.38)
Với ψ là véc tơ ước lượng của ψ . Hơn nữa, 4, ,pre pre và 5pre là dữ
liệu rời rạc mới nhất của ,ξ 4, và 5 tương ứng.
Vì vị trí mong muốn của đặc trưng ảnh là tâm của mặt phẳng ảnh, véc tơ
mong muốn của ξ là 0,0T
d . Do đó, sai lệch hình ảnh cũng là ξ .
Bởi vì 2 2 25det A u v c , nên dễ thấy A là ma trận khả nghịch nếu
5 2
. Kết quả là, nếu 5 2
, thì để loại bỏ sai lệch hình ảnh ξ , chúng ta có thể
chọn vận tốc góc mong muốn cho các khớp robot như sau:
4 1
5
ˆd
d
A N n
, (2.39)
Trong đó N là ma trận hằng số đường chéo xác định dương, n là hằng số
dương. Cả N và n có thể chọn tùy ý. n
là thành phần bền vững được sử dụng để
bù các thành phần bất định do không biết trước quỹ đạo mục tiêu và quỹ đạo robot
di động.
Thay 4 5
T
trong (2.37) bởi 4 5
T
d d
trong (2.39), ta nhận được
phương trình sau:
5 4d
vN n s
u
, (2.40)
với ˆψ = ψ -ψ .
46
Hình 2.12. Mô tả quỹ đạo của WMR (màu xanh) và mục tiêu bay (đỏ) trong
không gian 3D
Hình 2.13. a) Quỹ đạo chuyển động của đặc trưng ảnh trong mặt phẳng ảnh.
b) Đặc tính của các tọa độ theo thời gian
2.3.3. Luật điều khiển động lực học
Mô hình động lực học của cánh tay robot được biểu diễn như sau:
, η H q v h q v v g q , (2.41)
với: H q là ma trận quán tính, ,h q v là hệ số coriolis và lực hướng tâm,
qg là thành phần gia tốc trọng trường.
4 5 qT
là góc quay các khớp robot, 4 5
T
v là vận tốc các
khớp robot, 4 5
T
v là gia tốc các khớp robot 4 5,
T
η , 4 là mô men tại
02
46
02
460
2
truc X0 (m)truc Y
0 (m)
truc
Z0 (
m)
ro bot di dong
muc tieu
0 2 4 6
x 10-4
-4
-2
0
x 10-4
truc U (m)
truc
V (
m)
0 2 4 6-1
-0.5
0
0.5
1x 10
-3
thoi gian (s)
toa
do (
m)
u
v
quy dao dac trung anh
huong cua
chuyen dong
47
khớp pan. 5 là mô men tại khớp tilt (xem hình 2.7). Tất cả các đại lượng H q ,
,h q v , và g q được thể hiện cụ thể trong các thông số mô phỏng.
Chú ý 1: H q luôn là ma trận đối xứng và xác định dương.
Chú ý 2: 2 ,H q h q v là ma trận đối xứng lệch, đó là
2 , 0
θ H q h q v θT , 2 1R X θ (2.42)
Luật điều khiển động lực học được đề xuất như sau:
, η Γ H q v h q v v g qd d (2.43)
với 4 5
T
d d d
v , d ε v v . Γ là ma trận hằng số, đường chéo xác
định dương, và có thể chọn tùy ý.
Thay (2.43) vào (2.41), dẫn tới:
, H q h q v Γ , (2.44)
Khi tiến đến 0 dẫn đến ξ tiến đến d
ξ và v tiến vd do đó hệ sẽ hoạt động ổn
định.
2.3.4. Xét tính ổn định
Chọn một hàm xác định dương như sau:
1 1
2 2 H q ξ ξT TV , (2.45)
Thực hiện lấy đạo hàm bậc nhất (2.45), ta có:
1
2 H q H q ξ ξT T TV , (2.46)
Thay cả (2.40) và (2.44) vào (2.46) và kết hợp với (2.42) ta được:
5 4T T T T
d
vV n s
u
Γ ξ Nξ ξ ξ ξ ψ , (2.47)
Chú ý rằng 0Tv
u
ξ , vì vậy (2.47) rút gọn thành:
T T TV n Γ ξ Nξ ξ ξ ψ , (2.48)
48
Ta đã biết ψ bị chặn và tồn tại giới hạn trên là . Điều đó có nghĩa là
ψ . Vì vậy, .T ξ ψ ξ ψ ξ .
Ta có bất đẳng thức:
T TV n Γ ξ Nξ ξ ξ , (2.49)
Nếu chọn n với là hằng số dương, thì (2.49) được viết lại như sau:
T TV Γ ξ Nξ ξ , (2.50)
Điều này chứng tỏ rằng 0V với mọi , ξ . Dấu, “=” xảy ra khi và chỉ khi
cả và ξ bằng véc tơ không tại cùng một thời điểm. Vậy V là hàm xác định âm.
Theo lý thuyết ổn định Lyapunov, 0V tiệm cận. Kết quả là, cả và ξ dần hội
tiệm cận tới không. Rõ ràng là xu hướng trong đó V hội tụ về 0, V 0, không phụ
thuộc vào lịch sử thời gian. Nó có nghĩa là xu hướng này có tính đồng nhất. Tóm
lại, sự ổn định của toàn bộ hệ thống điều khiển là ổn định thống nhất toàn cục.
2.4 . Mô phỏng và đánh giá phƣơng pháp điều khiển
Không mất tính tổng quát, giả sử các quỹ đạo chuyển động của WMR và đối
tượng bay được cho trong Bảng 2.1. Những quỹ đạo này được mô tả trong Hình 2.12
Bảng 2. 1. Quỹ đạo dùng để mô phỏng của cả đối tượng và WMR.
Tọa độ của đối tượng
trong khung cơ sở
Robot di động
(WMR) Đối tượng
X0(m) 5sin 0.2 ,Mx t 6,Tx
Y0 (m) 5cos 0.2My t
, 0.1 0.5 0.1cos 3 ,Ty t t
Z0(m) 0Mz , 3 0.2 0.15sin 4 ,Tz t t
Hướng (rad) 3 0.2t , Chưa xác định
49
Để thực hiện mô phỏng trong Matlab/Simulink, các tham số của robot và camera
được cho trong Bảng 2.2 dưới đây :
Bảng 2.2. Các tham số của chân đế robot-camera.
0.025P
I kg.m2 0.015
XcI kg.m
2
0.005Yc
I kg.m2 0.004
ZcI kg.m
2
0.5b
m kg 0.01 m
0.005 m
Các thông số mô phỏng của robot được lựa chọn như sau:
- Các điều kiện của mô hình (2.43):
11 0
,0
H qXc
H
I
5 5
11
1 cos 2 1 cos 2,
2 2
P Yc ZcH I I I
11 12
21
, ,0
q qhh
h h 11 5 5
1sin 2 ,
2 Zc YcI Ih
12 5 4
1sin 2 ,
2 Zc YcI Ih
- Véc tơ trọng lực 5
0.
9.8 cos
g qbm
IP là momen quán tính của liên kết pan và chân đế xung quanh trục quay của
nó.
, ,Xc YcI I và ZcI tương ứng là momen quán tính của thân bao gồm camera và
robot. (xem Hình 2.7 và Hình 2.8).
0 0 T
, với 0 , là vị trí trọng tâm của thân trong OCXCYCZC.
bm là trọng lượng của thân máy này.
50
Các tham số của luật điều khiển được chọn như sau:
10 0N=Γ=
0 10
, n=0.25 ,
khoảng thời gian lấy mẫu T = 0.001 (s). Trong điều kiện ban đầu, giả sử rằng đối
tượng đã xuất hiện trong vùng quan sát của máy ảnh. Hình 2.13a biểu diễn quỹ đạo
của đặc trưng ảnh trong mặt phẳng ảnh. Sự thay đổi của tọa độ ảnh theo thời gian
được thể hiện trong Hình 2.13b. Rõ ràng quỹ đạo của đặc trưng ảnh hội tụ tiệm cận
đến tâm của mặt phẳng ảnh. Điều này chứng tỏ rằng mục tiêu của bộ điều khiển nêu
ra trong mục 2.3.1 đã đạt được.
Hình 2.14. Đặc tính của = v – vd theo thời gian
Hình 2.16. Đặc tính của mô men theo thời gian
Kết hợp quan sát Hình 2.13 và Hình 2.14, ta thấy rằng cả hai đã hội tụ đến
véc tơ không. Do đó những vấn đề thảo luận sau (2.50) là hoàn toàn chính xác.
0 0.5 1 1.5 2-3
-2
-1
0
1
thoi gian (s)Sai
lec
h v
an t
oc
goc
(rad
/s)
0 0.5 1 1.5 2 2.5 3 3.5 4
-20
-10
0
10
thoi gian (s)
Mo m
en q
uay
(N
.m)
51
Hình 2.16 mô tả mô men tại khớp robot. Chúng cho thấy chuyển động trơn
và hữu hạn. Tóm lại luật visual servoing đề xuất là khả thi và chính xác.
2.5 . Kết luận chƣơng 2
Nội dung chương này tác giả đã chỉ ra quá trình mô hình hóa chuyển động
vi phân của tay máy di động sử dụng thuật toán của Paul. Sau đó, một luật visual
servoing mới để theo dõi mục tiêu bay được thiết kế với mục đích làm cho đặc
trưng ảnh của mục tiêu tiệm cận đến tâm của mặt phẳng ảnh mặc dù quỹ đạo của cả
đối tượng bay và robot di động đều không xác định. Trái ngược với các phương
pháp điều khiển khác, visual servoing cho thấy hai điểm mạnh. Đầu tiên là phương
pháp này đã không sử dụng ma trận giả nghịch đảo của ma trận tương tác. Thứ hai
là nó cũng không cần ước lượng độ sâu của mục tiêu. Vì vậy phương pháp visual
servoing mang lại hiệu quả mạnh mẽ hơn những phương pháp khác. Sự ổn định
thống nhất của toàn hệ thống được đảm bảo bởi các tiêu chuẩn Lyapunov. Kết quả
mô phỏng bằng phần mềm Matlab/Simulink cũng xác nhận tính chính xác và hiệu
quả của phương pháp điều khiển đề xuất.
(*) Nội dung chính của đề xuất phương pháp điều khiển trong chương này là kết
quả đã được công bố của tác giả trong công trình khoa học số: [2]. Nguyen Tien
Kiem, Hoang Thi Thuong, Nguyen Van Tinh, “Modeling the differential motion of
a mobile manipulator and designing a new visual servoing for tracking a flying
target”, Tạp chí tin học và điều khiển học,V.33, N.4 (2017), tr 339-355.
52
CHƢƠNG 3.
ĐIỀU KHIỂN TỐC ĐỘ HỆ ROBOT GẮN CAMERA BÁM MỤC TIÊU DI
ĐỘNG VỚI NHIỀU THAM SỐ BẤT ĐỊNH
Trong chương này tác giả trình bày thuật toán điều khiển tốc độ khớp robot
(Pan-Tilt) cho hệ robot gắn camera bám mục tiêu di động với nhiều tham số bất
định với những nội dung chính như sau:
- Tác giả trình bày về lí thuyết cơ bản của mạng nơ ron nhân tạo và mạng nơ
ron RBF (Radial Basic Funtion) sẽ được sử dụng trong phương pháp điều khiển
được đề xuất.
- Đề xuất phương pháp điều khiển cho cánh tay robot gắn camera bám mục
tiêu di động với nhiều tham số bất định, việc ước lượng các tham số bất định bằng
cách dùng mạng nơ ron Radial Basic Function (RBF) với đối tượng điều khiển
chính là các khớp của robot và tín hiệu điều khiển đưa đến các khớp robot là tín
hiệu momen.
3.1. Mạng nơ ron nhân tạo
Mạng nơ ron nhân tạo (Artificial Neural Netyvork- ANN) là một hệ nhiều đầu
vào nhiều đầu ra (Multi Input Multi Output-MIMO), có cấu trúc mô phỏng theo một
số cơ chế xử lý cơ bản của hệ nơ ron thần kinh của não người. Mạng nơ ron là một
hệ xử lý song song khác hẳn với cơ chế xử lý tuần tự của máy tính điện tử và là một
hệ xử lý mới hứa hẹn nhiều ứng dụng mà máy tính điện tử không giải quyết được
hiệu quả. Cấu trúc của mạng nơ ron đặc biệt rất phù hợp với các bài toán phân loại,
nhận dạng và xấp xỉ tối ưu dòng dữ liệu trong thời gian thực, trong khi cấu trúc của
máy tính điện tử hiện nay có lợi thế trong việc tính chính xác các phép tính và thuật
toán số học. Mạng nơ ron bao gồm nhiều nơ ron được kết nối với nhau thành mạng.
Mỗi nơ ron có cấu trúc động lực đơn giản và mỗi nơ ron không có ý nghĩa gì khi
đứng một mình. Điều kỳ diệu của mạng nơ ron là sự kết nối giữa các nơ ron và với
số nút nơ ron càng lớn thì mối kết nối giữa các nơ ron càng có khả năng tăng gấp
bội. Chính sự hợp tác này giữa các nơ ron tạo khả năng học, lưu trữ và tạo dựng
năng lực xử lý, suy diễn khôn lường. Não người có khoảng 100 tỷ nơ ron, mỗi nơ
ron trung bình có 1000 kết nối với các nơ ron khác tạo nên một mạng xử lý song
song khổng lồ. Mỗi kết nối của mạng có tốc độ xử lý khoảng 200 phép tính/giây.
53
Như vậy tốc độ tính toán của não người ước tính là 2.1016
phép tính/giây vượt xa
tốc độ tính toán của máy tính điện tử hiện nay. Mô hình nơ ron đầu tiên được Pitts
[24] đề xuất năm 1943 là loại nơ ron ngưỡng nhị phân có khả năng thực hiện 3 phép
tính logic cơ bản là NOT, OR và AND bằng việc thay đổi các trọng số và ngưỡng
của nơ ron. Do bất cứ hàm logic nào cũng có thể được thực hiện bằng 3 phép logic
cơ bản này nên mạng nơ ron Culloch-Pitts có tính xử lý vạn năng như máy tính số
hiện hành. Giai đoạn 1960 các thuật học đơn giản như “perceptron”, “adaline” được
phát triển nhưng ứng dụng của mạng nơ ron còn bị hạn chế. Vào những năm 1970
các nghiên cứu về cấu trúc cũng như thuật học của mạng nơ ron mới thực sự được
chú ý do những hạn chế của máy tính điện tử xử lý tuần tự lúc này bị bộc lộ. Những
ứng dụng thiết thực đầu tiên của mạng nơ ron trong việc xử lý thông tin với mô hình
mạng Hopfield và mô hình mạng tự tổ chức được xây dựng năm 1982. Sự phát triển
của thuật học lan truyền ngược (Back Propagation - BP) và những khám phá bước
đầu của giải thuật di truyền (thuật gen - GA) vào đầu những năm chín mươi đã mở
ra một thời kỳ áp dụng mạng nơ ron nhiều lớp vào rất nhiều lĩnh vực như bài toán
xử lý ảnh, bài toán xử lý thông tin và trong kỹ thuật điều khiển [24]. Mạng nơ ron
với khả năng có thể xấp xỉ được mọi hàm phi tuyến với độ chính xác tuỳ ý cho phép
ta tổng hợp được các bộ điều khiển phi tuyến khác nhau.
Để thực hiện bài toán điều khiển ta cần phải có mô tả toán học của đối tượng
điều khiển và mục tiêu điều khiển. Trên cơ sở đó ta có thể tổng hợp được bộ điều
khiển tương ứng. Bài toán điều khiển kinh điển được ứng dụng có hiệu quả khi hệ
thống có cấu trúc đã biết. Nhưng bài toán điều khiển hiện đại thường xuyên phải đối
mặt với các hệ thống phức tạp, có tính phi tuyến cao và hệ thống là không rõ ràng.
Khi đó, cần phải xác định một công cụ điều khiển mới nhằm đáp ứng được các yêu
cầu của bài toán điều khiển đặt ra.
Mạng nơ ron ngay từ khi mới ra đời đã được sử dụng đặc biệt trong lĩnh vực
điều khiển. Trong thực tế, đa số các đối tượng điều khiển đều có đặc trưng phi tuyến.
Để giải quyết những bài toán này, lý thuyết tuyến tính hóa được sử dụng
rộng rãi trong một thời gian dài trên cơ sở lý thuyết điều khiển hệ tuyến tính. Khi
dùng giải pháp này người ta buộc phải chấp nhận những sai số do quá trình tuyến
tính hoá, do sự thay đổi của các tham số của đối tượng trong quá trình làm việc, do
tác động của nhiễu loạn vv... Các hệ phi tuyến nói chung thường có các đặc trưng
54
phi tuyến rất khác nhau, vì vậy không thể xây dựng được một lý thuyết chung để
thiết kế các hệ điều khiển phi tuyến. Đối với những hệ có đặc trưng phi tuyến cao
thì phương pháp tuyến tính hoá không thể đáp ứng được. Khi sử dụng ANN làm bộ
điều khiển, căn cứ vào từng bài toán điều khiển cụ thể chúng ta có thể xác định
thuật học tương ứng cho mạng nơ ron (GA hay BP, Fuzzy, mạng Hopfield thậm chí
là Adaline) để giải quyết bài toán một cách nhanh chóng và chính xác nhất. Khi gặp
đối tượng điều khiển có đặc tính phi tuyến cao, các tham số không được xác định rõ
ràng thì bộ điều khiển nơ ron với thuật học là GA xem ra có nhiều ưu điểm vì đây là
một thuật học đơn giản, có thể dễ dàng thực hiện và có tính tối ưu toàn cục. Có khi
GA còn được sử dụng để trực tiếp xác định các tham số tối ưu của hệ thống điều
khiển. Tuy nhiên như đã trình bày ở trên, cho đến nay chưa có một lý thuyết chung
để xây dựng các hệ điều khiển phi tuyến. Vì vậy, khi áp dụng mạng nơ ron và các
thuật học tương ứng vào một bài toán điều khiển cụ thể thì vấn đề đảm bảo các chỉ
tiêu của điều khiển cũng như xác định tính ổn định và bền vững của hệ thống điều
khiển là một trở ngại lớn. Để khắc phục trở ngại này, đối với những bài toán điều
khiển phức tạp có thể sử dụng bộ điều khiến nơ ron kết hợp với một vài phương
pháp điều khiển kinh điển như tuyến tính hóa phản hồi (feed back linectrizantion)
hay điều khiển trượt. Trước đây đối với các đối tượng điều khiển có đặc trưng phi
tuyến và tham số bất định như các hệ điều khiển robot trong công nghiệp chẳng hạn
thì điều khiển trượt được sử dụng khá phổ biến vì phương pháp này đảm bảo được
tính ổn định và bền vững của hệ. Tuy nhiên hiện tượng dao động còn gọi là
chatering xuất hiện trong quá trình điều khiến trượt làm ảnh hưởng đáng kể đến
chất lượng của điều khiển. Sự phát triển của công nghệ chế tạo đã cho ra đời những
chip mạng nơ ron tạo điều kiện thuận lợi cho việc sử dụng mạng nơ ron vào nhiều
ứng dụng của điều khiển, do đó các nghiên cứu để phát triển các thuật học cho
mạng nơ ron cũng rất được quan tâm. [2]
Mạng nơ ron nhân tạo gồm 3 phần chính là mô hình của bản thân các nút nơ
ron, mô hình cấu trúc mạng và thuật học của mạng. Ta sẽ điểm qua các tính chất cơ
bản của các thành phần này.
3.1.1. Mô hình nút nơ ron
Phương trình toán học của một nút nơ ron có kết nối với m nơ ron khác được
mô tả như sau:
55
m
j
iiiji bwf1
(3.1)
)( ii fay (3.2)
Trong đó if là tín hiệu trạng thái của nút nơ ron thứ i; ijw là trọng số biểu
diễn mức độ liên kết của nơ ron thứ j (nguồn) với nơ ron thứ i (đích); bj là tín hiệu
đầu vào thứ j của nơ ron i thường là tín hiệu đầu ra từ nơ ron j; i gọi là ngưỡng của
nút nơ ron thứ i; iy là tín hiệu đầu ra của nút nơ ron thứ i; a{ fi ) là hàm phi tuyến
đầu ra của nút i. Khi ijw = 0 nghĩa là có kích thích từ nơ ron thứ j đến nơ ron thứ i.
Nếu ijw = 0 thì không có liên kết giữa hai nơ ron. Tín hiệu đầu vào của nút có thể là
các hàm phi tuyến của bj . Các dạng hàm đầu vào thường gặp là hàm bình phương,
hàm cầu phương và hàm đa thức. Với các hàm này phương trình của nút nơ ron có
các dạng như sau:
Hàm bình phương:
2
1
mf w bi ij i ij
(3.3)
Hàm cầu phương:
2( )
1
mf b wi i ij ij
(3.4)
trong đó ρ và ijw là bán kính và tâm của hình cầu.
Hàm đa thức:
( )1 1
m m i kf w b b b bi ij i i ik kj k
(3.5)
wijk là trọng số kết nối của nơ ron thứ j và nơ ron thứ k đến nơ ron thứ i,
i và k
là các hằng số. Hàm phi tuyến đầu ra của nút nơ ron thường là hàm
bước nhảy, hàm dấu hay hàm sigmoid đơn cực được mô tả như sau:
Hàm bước nhảy:
56
1( )
0a f
i
(3.6)
Hàm dấu:
1 0( ) ( )
1 0
khifi
a f sign fi i khif
i
(3.7)
Hàm sigmoid đơn cực:
1( ) ; 0
1a f
i je
(3.8)
Trường hợp hàm đầu ra a(fi) là một hàm tuyến tính thì nơ ron có tín hiệu đầu ra tỷ
lệ tuyến tính với trạng thái fi của nó. Mô hình trạng thái của nút nơ ron nêu trên là
dạng hệ tĩnh (static) không phải mô hình của của nút nơ ron có phương trình trạng
thái dạng hệ động lực (dynamic) như ở mạng nơ ron tế bào [28].
3.1.2. Cấu trúc mạng nơ rơn
Mạng nơ ron là tập hợp của nhiều nơ ron mà đầu ra của mỗi nơ ron này được
liên kết với các nơ ron khác qua trọng số liên kết. Cấu trúc của mạng nơ ron gồm
kết nối hình học các nơ ron và trọng số liên kết của mỗi nơ ron trong
mạng. Mỗi nơ ron nằm trong mạng được gọi là một nút. Mỗi mạng có cấu trúc
nhiều lớp gồm lớp đầu vào, lớp đầu ra và các lớp ẩn nằm ở giữa hai lớp đầu vào và
đầu ra. Lớp nhận các tín hiệu đầu vào gọi là lớp vào, đầu ra của mạng được tổng
hợp từ các lớp ra, lớp nằm bên trong mạng không trực tiếp liên kết với môi trường
bên ngoài gọi là lớp ẩn. Các nút ở lớp đầu vào có thể được nối với các nút làm ở lớp
ẩn sát với lớp đầu vào với các trọng số khác nhau. Mạng nơ ron có thể có một vài
lớp ẩn ở bên trong để tạo thành mạng nhiều lớp truyền thẳng. Mạng được gọi là liên
kết đầy đủ nếu mọi đầu ra của một lớp được nối đến mọi nút của lớp kế tiếp. Khi
đầu ra của một lớp có thể trực tiếp là đầu vào của chính nó hoặc của lớp trước đó
gọi là mạng phản hồi.
Ta biết một mạng nhiều lớp truyền thẳng với một hoặc một vài lớp ẩn có thế
xấp xỉ được các hàm phi tuyến với độ chính xác mong muốn nếu có đủ số nơ ron
cần thiết [24] [25]. Tóm lại, mạng nơ ron là một cấu trúc xử lý song song có các đặc
tính sau:
57
• Được nơ ron hoá theo mô hình toán học.
• Gồm số lượng lớn các nút liên kết chặt chẽ với nhau ở mức độ cao.
• Tập hợp các nút nơ ron trong mạng là một thể thống nhất. Nút nơ ron độc
lập sẽ không có ý nghĩa.
• Các nút nơ ron trong mạng được liên kết với nhau qua các trọng số có khả
năng học.
• Các tín hiệu đầu vào của mạng tác động lên nút nơ ron qua tín hiệu đầu vào
và liên kết trọng số đầu vào.
• Mạng nơ ron có khả năng học, lưu trữ các trọng số liên kết của quá trình
học và tổng hợp được một tập hợp các trọng số liên kết tối ưu nhất theo yêu cầu của
bài toán. Mạng học bằng cách điều chỉnh các trọng số liên kết theo một thuật học
nào đó.
3.1.3. Huấn luyện mạng nơ ron nhân tạo
Một đặc trưng quan trọng của mạng nơ ron là khả năng học của mạng. Mạng
có thể được huấn luyện để các trọng số có liên kết tối ưu trong một mạng có cấu
trúc cho trước hoặc để có cấu trúc tối ưu gồm số lớp, số lượng nơ ron của từng lớp
và các dạng kết nối giữa chúng. Hai dạng học có thể được tiến hành riêng biệt hoặc
đồng thời [26]. Một mạng nơ ron được huấn luyện hoàn thiện nếu như cho một tập
hợp các tác động đầu vào X = {b1, b
2, b
3,.. b
k} ta nhận được một tập hợp đầu ra
bằng tập Y= { 1 2 3 k
d d d dq ,q ,q , ..q } mong muốn. Lúc này mạng đã luyện được một cấu
trúc và các tham số tối ưu. Ta hãy khảo sát một số thuật học thông dụng ở mạng nơ
ron tế bào. Giả thiết có n nơ ron trong mạng, mỗi nơ ron có m trọng số liên kết. Ma
trận trọng số W có dạng như sau:
...11 12 1
...21 22 2
...................
...1 2
W
w w wm
w w wm
w w wnmn n
(3.9)
58
Đặt W i = T
1i 2i mw ,w ,...w ;i=1,2,...n là vector cột i của ma trận trọng số W và
ijw là trọng số liên kết giữa nơ ron thứ i với nơ ron thứ j. Quá trình luyện mạng là
quá trình tìm ra các trọng kết nối wij để mạng có khả năng xấp xỉ cặp vào/ra mong
muốn (b1: ,1 2 2 k k
d d dq ,b :q ......,b :q ). Ứng với một tác động b
k trên đầu vào mạng sẽ
cho đầu ra qdk tương ứng. Quá trình luyện trọng số được chia làm ba loại: luyện có
giám sát, luyện tăng cường và luyện không giám sát.
Luyện có giám sát là khi các cặp vào/ra mong muốn (b1: ,1 2 2 k k
d d dq ,b :q ......,b :q )
hoàn toàn biết trước. Một tác động bk ở đầu vào mạng sẽ tạo ra đầu ra q
k tương ứng.
Sai lệch giữa đầu ra thực tế qk và đầu ra mong muốn qd
k được dùng để điều chỉnh
trọng số cho đến khi nhận được đầu ra thực tế gần như đầu ra mong muốn. Luyện
tăng cường là một dạng của luyện có giám sát khi không có đầy đủ thông tin đầu ra
mong muốn. Lúc này mạng vẫn nhận được một vài phản hồi từ môi trường, nhưng
những phản hồi này chi là những thông tin ước lượng chỉ nói được đầu ra là tốt hoặc
xấu mà không có những thông tin định lượng cụ thể. Luyện không giám sát là dạng
luyện không có phản hồi từ môi trường xác định đầu ra là đúng hay sai. Mạng sẽ tự
nhận ra mẫu, đặc tính, quy tắc tương quan, loại số liệu trên đầu vào và mã của chúng
trên đầu ra. Sau khi nhận biết các đặc tính này mạng sẽ thay đổi các tham số tương
ứng của mạng. Quá trình này được gọi là quá trình tự tổ chức.
Dựa trên ba nguyên tắc luyện mạng vừa nêu trên, trong thực tế đã có nhiều
thuyết học được hình thành như thuật học Perceptron, thuật học Widrow - Hoff,
thuật học Delta cho mạng một lớp với các hàm tác động tuyến tính, thuật học lan
truyền ngược cho mạng nhiều lớp truyền thẳng vv. Các thuật học kể trên đều có
chung một đặc trưng là sử dụng nguyên lý gradient suy giảm. Sau đây ta xét một vài
thuật học sử dụng nguyên lý gradient suy giảm. [2]
3.1.4. Mạng nơ ron RBF (Radial Basic Function Networks)
Mạng nơ ron nhân tạo đã được sử dụng thành công trong nhận dạng và điều
khiển các hệ động lực. Khả năng xấp xỉ vạn năng của mạng nơ ron nhiều lớp đã
được sử dụng để mô hình hóa các hệ phi tuyến và xây dựng các bộ điều khiển đa
năng. Ta sẽ đi sâu vào kiến trúc mạng nơ ron RBF (Radial Basis Function).
3.1.4.1 Cấu trúc mạng RBF
59
Cấu trúc mạng RBF tối thiểu thường có 3 lớp: lớp vào, lớp ẩn và lớp ra như
mô tả trong Hình 3.1.
Hình 3.1 Cấu trúc mạng RBF
Các trọng liên kết giữa lớp vào và lớp ẩn thường là cố định. Hàm ra của các nút
nơ ron ở lớp ẩn thường là hàm Gauss. Các nơ ron đầu ra là các nơ ron tuyển tính.
Các trọng liên kết giữa lớp ẩn và lớp ra đuợc huấn luyện để mạng có thể xấp
xỉ được hàm f(s) không biết. Mô hình toán học của mạng RBF được mô tả bằng
phương trình sau:
f = Wσ = [w1,w2,...........wn]σ (3.10)
Trong đó w1 là vector cột thứ i của ma trận trọng W. Hàm đầu ra σi của nơ
ron trong lớp ẩn là dạng phân bố Gauss:
2( )exp
2
s cii
ii
(3.11)
trong đó c i là trọng tâm và λ i là tham số chuẩn hoá có thể tuỳ chọn của hàm
Gauss σi. Lúc này hàm xấp xỉ của f(s) được tính như sau:
1
w ζ
nfi ij jj
với i, j = 1, 2, ....n (3.12)
trong đó wij là các trọng số kết nối giữa nơ ron lớp ẩn và đầu ra của mạng nơ
σ1 Σ S1 f1
σ2 Σ S2 f2
σn Σ Sn fn
W11
W12
W1n
W21 W22
W2n
Wn1
Wn2
Wnn
60
ron xấp xỉ.
3.1.4.2 Khả năng xấp xỉ hàm phi tuyến của mạng RBF
Theo định lý Stone-Weirtrass [25] mạng nơ ron nhân tạo RBF có khả năng
xấp xỉ một hàm phi tuyến với độ chính xác ε cho trước với số nút nơ ron hữu hạn.
Phương trình xấp xỉ hàm f(s) có thể viết như sau:
f(s)= Wσ + ε (3.13)
hay f(s)= f + ε (3.14)
trong đó 1 2, , ,...,
nf f f f Wσ là thành phần xấp xỉ của f(s), ε là sai số
của phép xấp xỉ. Với |f(s)| f0 ta có thể xác định được giới hạn 0 của ε. Việc xác
định số nơ ron trong lớp ẩn và sai số xấp xỉ của mạng RBF được đề cập trong tài
liệu [27].
3.2. Mạng nơron trong điều khiển robot
Các thành phần sai lệch do tính bất định của mô hình robot, ma sát và nhiễu
tác động lên các khớp là nguyên nhân chính làm cho các phương pháp điều khiển
kinh điển không đáp ứng được yêu cầu của bài toán điều khiển. Với các tính chất
của robot được trình bày ở chương 1 thành phần phi tuyến
( )f q,q trong công thức
(1.6) có thể được xấp xỉ bằng một ANN. Đó là lý do cho phép sử dụng ANN là
một thành phần của bộ điều khiển để bù trừ các yếu tố phi tuyến, bất định của mô
hình robot. Đây cũng là nội dung chính mà tác giả đề xuất và giải quyết từ chương
này về sau của luận án.[70]
Để xây dựng một bộ điều khiển dùng ANN (bộ điều khiển nơron) ta cần phải
giải quyết một số vấn đề sau:
Tính tương thích của ANN đối với các hệ thống điều khiển: nghĩa là hệ
thống vẫn bảo toàn được đặc tính vốn có của nó khi đưa ANN vào thành phần của
bộ điều khiển và đặc tính này cũng không bị phá vỡ khi mà cấu trúc và tham số của
đối tượng thay đổi ở nhiều mức độ khác nhau trong quá trình điều khiển.
61
Đặc trưng các thuật học của ANN (như EBP, RBF.v.v) có thỏa mãn các điều
kiện để xấp xỉ thành phần phi tuyến, bất định của robot và ảnh hưởng đến tính chất
của hệ thống như thế nào?
Phân tích tính ổn định toàn cục và bền vững và chất lượng của hệ thống điều
khiển kín khi ta sử dụng ANN là một thành phần của bộ điều khiển.
Đưa hệ thống vào ứng dụng thực tế hay mô phỏng động lực của hệ thống
nhận được bằng các công cụ mô phỏng chuyên dụng (như Matlab, Labview).
Trong rất nhiều các trao đổi, những nhà nghiên cứu về nơron đã chứng minh
rằng mô hình ANN hoàn toàn tương thích với các với các lớp đối tượng tuyến tính
và phi tuyến [71]. Cấu trúc của ANN đóng vai trò là bộ điều khiển được xác định
trên cơ sở mạng nơron truyền thẳng theo Avrrim Blum, Ronald L. Rivest (1989) và
định lý Stone-Weierstrass cho thấy chỉ cần ANN ba lớp là có thể thực hiện xấp xỉ
các hàm phi tuyến hữu hạn [85] Số lượng nơron tại lớp đầu vào của ANN bằng đầu
vào của các biến trạng thái và số lượng nơron tại lớp đầu ra bằng số tác động đầu ra
của bộ điều khiển, số lượng nơron trong lớp ẩn được lựa chọn thường là bằng hoặc
nhiều hơn số nơron trên lớp đầu vào và có thể được tăng dần lên nếu như quá trình
học của ANN chưa cho được độ chính xác như mong muốn [73].
Khi chúng ta muốn xây dựng một bộ điều khiển nơron mà chưa xác định
được một cách chính xác mô hình động lực cũng như mô hình động lực ngược của
hệ thống thì cần có quá trình học. Nghĩa là ta cần phải tạo ra một tập hợp các tín
hiệu cần thiết để bộ điều khiển nơron tìm ra được một tín hiệu phù hợp nhằm tạo ra
phản ứng mong muốn trên đầu ra.
Có nhiều phương pháp khác nhau để sử dụng ANN như là bộ điều khiển:
Điều khiển trực tiếp đối tượng hoặc điều khiển sử dụng mô hình động học ngược
của robot [75].
Khi sử dụng ANN để trực tiếp tạo tín hiệu điều khiển cho robot, hệ điều
khiển có cấu trúc như hình 3.2.
62
Trong đó:
: Đáp ứng mong muốn trên đầu ra của robot,
q: Đáp ứng thực tế trên đầu ra của robot,
:η Tín hiệu điều khiển robot và là tín hiệu trên đầu ra của ANN,
e: Sai lệch giữa phản ứng mong muốn và phản ứng thực tế trên đầu ra robot
d( ) ( ) e q q q .
Trong các nghiên cứu của mình M. Onder Efe và O. Kaynak đã sử dụng
ANN ba lớp làm bộ điều khiển trực tiếp đối tượng như sơ đồ hình 3.2. Phương pháp
xây dựng bộ điều khiển, lập luận, chứng minh tính ổn định, hội tụ của hệ thống
bằng toán học và đánh giá các chỉ tiêu quá trình quá độ của phương pháp này hiện
nay vẫn còn là vấn đề bàn cãi. Tất nhiên, trong các kết quả mô phỏng, các tác giả đã
minh chứng được trong các trường hợp cụ thể, hệ thống ổn định và hoàn toàn thỏa
mãn các chỉ tiêu của quá trình quá độ.
ANN trong sơ đồ hình 3.2 được học để tạo ra tín hiệu η tác động lên các
khớp của robot sao cho đáp ứng trên đầu ra của robot gần đúng với giá trị mong
muốn . Hay nói cách khác các trọng số liên kết wij của ANN được điều chỉnh để
q
Chỉnh trọng số
-
Bộ diều khiển
(ANN)
Robot
Thuật học
Hình 3.2: ANN trực tiếp điều khiển robot
q
e
63
tạo được tín hiệu điều khiển η sao cho sai số e là nhỏ nhất. Phương pháp này cho
phép ANN được học trực tiếp dựa trên phản ứng mong muốn trên đầu ra robot .
Khó khăn của phương pháp này chính là tính tương thích của của bộ điều khiển với
các loại robot khác nhau, việc lựa chọn thiết kế bộ điểu khiển nơron chỉ hoàn toàn
phụ thuộc vào kinh nghiệm của người làm thực tế mà không có một lý thuyết chung
cho việc xây dựng bộ điều khiển nơron điều khiển trực tiếp robot. Cũng không có
cơ sở cho phép đánh giá, tính ổn định và bền vững của bộ điều khiển trực tiếp sử
dụng ANN. Đó là lý do mà bộ điều khiển dạng này cho đến nay rất ít xuất hiện
trong các bộ điều khiển robot.
Khi thiết kế bộ điều khiển, mô hình động lực học ngược của robot cũng được
quan tâm [72]. Tín hiệu mong muốn trên đầu vào của hệ thống được xác định căn
cứ vào tín hiệu mong muốn trên đầu ra của hệ thống. Để xác định được mô hình
động lực học ngược cần phải biết được trạng thái của robot, đầu ra mong muốn và
các thông tin về quá trình điều khiển như là các kết quả vào/ra sau n lần tác động
trước đó. Thực tế, việc xác định mô hình động lực học ngược của robot là rất khó
khăn, đôi khi không thể thực hiện được [87]. Gần đây ANN đã được sử dụng để xác
định hệ động lực học ngược của hệ robot. ANN được học dựa trên phản ứng mong
muốn trên đầu ra để xấp xỉ được động lực ngược học của hệ robot [75]. (hình 3.3).
Theo phương pháp này, các mẫu học là các cặp vào/ra được sử dụng, quá
trình học của ANN là điều chỉnh trọng số wij sao cho ANN được học để xấp xỉ mô
hình động lực học ngược của robot với sai số nhỏ nhất. Khó khăn của phương pháp
này là phải xác định được các tập hợp vào/ra trong quá trình học để xác định động
lực học ngược của robot và quá trình học là off-line.
Chỉnh trọng số
wij uc
q u
+
-
Robot
Mô hình động lực
học ngược (ANN)
Giám sát
Hình 3.3: ANN xấp xỉ động học ngược của robot
64
ANN sau khi trở thành mô hình động học ngược của robot có thể đóng vai
trò như bộ điều khiển trực tiếp như biểu diễn trên sơ đồ hình 3.2. Sau quá trình học,
các tham số của ANN là cố định trong suốt cả quá trình điều khiển, hiển nhiên là
nếu mô hình động lực học của robot thay đổi trong quá trình điều khiển sẽ xuất hiện
những sai lệch. Với trên cùng một robot, nhưng mỗi khi thực hiện một công việc
khác nhau, hay khi robot chuyển sang một chu trình làm việc khác, hệ thống điều
khiển lại cần phải có thời gian học lại để cập nhật trọng số của ANN. Quá trình
học off-line là nhược điểm lớn nhất của phương pháp này và rõ ràng không đáp ứng
được các tiêu chí của điều khiển hiện đại là quá trình học và điều khiển robot là on-
line.
Trong sơ đồ của một hệ điều khiển (hình 3.4) bộ điều khiển là sự kết hợp
giữa một bộ điều khiển như PID, trượt hay tính momen với ANN. Quá trình học
ứng với sơ đồ này gọi là học theo sai số của bộ điều khiển phản hồi [74] khi đó tín
hiệu điều khiển sẽ gồm hai thành phần:
0η η η f (3.15)
Với:
1[ , . . ., ]T
n η : Tín hiệu điều khiển tác động lên robot,
H×nh 3.4 : Bộ điều khiển phản hồi kết hợp với ANN
Chỉnh trọng số wij
e
uN
q
+ Bộ điều khiển
ANN
Robot + qd
+
-
Giám sát
65
1[ , . . ., ]ηM M T
f no o : Tín hiệu đầu ra của ANN có M lớp và n nơron trên đầu
ra,
0 1[ , . . ., ]ηT
n : Tín hiệu đầu ra của bộ điều khiển (PID, trượt hay tính
momen)
Đầu tiên, các tín hiệu mong muốn trên đầu vào được đưa đến bộ điều khiển
để tạo ra phản ứng 0η trên đầu ra, vector đầu ra η f của ANN có vai trò bù trừ
những yếu tố không xác định. Tín hiệu học của ANN là sai lệch giữa giá trị thực và
giá trị mong muốn trên đầu ra của robot. Thông tin về sai lệch sẽ là tín hiệu học để
điều chỉnh các giá trị trọng số liên kết của ANN đến khi sai lệch tiến đến không,
nhờ đó làm tăng chất lượng điều khiển.
Ý tưởng sử dụng song song bộ điều khiển phản hồi và ANN được sử dụng
đầu tiên trong điều khiển robot [92] trên cơ sở phân tích mô hình động lực học robot
có tính đến các thành phần bất định. Với các tính chất của robot hoàn toàn thỏa mãn
điều kiện của định lý Stone – Weiestrass, khi đó ta có thể sử dụng RBFN để xấp xỉ
thành phần bất định của robot. Quy luật cập nhật được tính toán tương ứng với bộ
điều khiển phản hồi được lựa chọn như là PID, trượt hay tính momen. Phương pháp
này khắc phục được những khuyết điểm của hai phương pháp điều khiển vừa nêu
trên, bộ điều khiển lúc này được xây dựng trên cơ sở của các bộ điều khiển thường
được sử dụng trong điều khiển robot, đảm bảo được tính tương thích giữa bộ điều
khiển và đối tượng. ANN bổ sung vào thành phần bộ điều khiển đóng vai trò bù trừ
những yếu tố phi tuyến, tính bất định trong phương trình động lực học robot và quá
trình học của ANN là on-line. Với phương pháp này ta không cần phải biết chính
xác các tham số của hệ thống, ANN sẽ tạo ra tín hiệu để bù trừ tính bất định của mô
hình robot và bộ điều khiển. Đó là ưu điểm nổi bật nhất của bộ điều khiển kết hợp
bộ điều khiển phản hồi và ANN.
Việc tiếp theo là chúng ta sẽ lựa chọn ANN và thuật học nào sao cho tốc độ
học của mạng là nhanh nhất đáp ứng được yêu cầu của điều khiển thời gian thực.
Trong luận án này, tác giả chọn mạng hàm bán kính cơ sở (RBFN) để kết hợp với
66
bộ điều khiển (trượt và tính momen) để xây dựng bộ điều khiển nơron vì một số lý
do sau:
- Phương pháp hàm bán kính cơ sở (RBF) là một phương pháp cho phép
xấp xỉ được các hàm phi tuyến trong không gian nhiều chiều.
- Mạng hàm bán kính cơ sở (RBFN) là một mạng có cấu trúc đơn giản chỉ
gồm ba lớp: Lớp đầu vào, lớp ẩn và lớp đầu ra, đồng thời có rất nhiều phương pháp
để xác định các tham số của RBFN.
- Mạng hàm bán kính cơ sở (RBFN) hoàn toàn thỏa mãn định lý Stone-
Weierstrass về xấp xỉ các hàm phi tuyến bị chặn bởi một giới hạn cho trước.
Việc xem xét cụ thể và đánh giá tính ổn định, bền vững của bộ điều khiển
vừa được đề cập ở trên sẽ được trình bày cụ thể trong chương hai và chương ba của
luận án.
Như vậy, bộ điều khiển robot dùng mạng nơron có ba đặc tính quan trọng
sau:
- Sử dụng một lượng lớn các thông tin cảm nhận.
- Xử lý song song.
- Tự thích nghi.
Và ta có ba phương pháp để xây dựng bộ điều khiển nơron là:
- Điều khiển dựa trên mô hình: Sử dụng mô hình động lực hay mô hình đồng
dạng của hệ thống.
- Điều khiển ngược: Sử dụng mô hình động lực ngược của hệ thống.
- Điều khiển kết hợp: Sử dụng tín hiệu sai lệch để dạy cho ANN mà không
cần biết chính xác mô hình của hệ thống.
Hai phương pháp đầu tiên được dùng dựa trên việc xác định chính xác mô
hình động lực của hệ robot. Khi không thể xác định được chính xác mô hình robot
thì cần dùng phương pháp điều khiển kết hợp ANN với các bộ điều khiển như PID,
tính momen hay trượt [87]. Trong Luận án này, tác giả lựa chọn RBFN xây dựng bộ
67
điều khiển nơron để nâng cao chất lượng điều khiển robot với nhiều tham số bất
định và thay đổi theo thời gian theo phương pháp trượt và tính momen.
Như đã trình bày ở trên, cho đến nay chưa có một lý thuyết chung để xây
dựng các hệ điều khiển phi tuyến nói chung và các hệ robot nói riêng. Vì vậy, khi
áp dụng ANN và các thuật học tương ứng vào một bài toán điều khiển cụ thể thì vấn
đề đảm bảo các chỉ tiêu chất lượng của điều khiển cũng như xác định tính ổn định
và bền vững của hệ thống điều khiển luôn là một trở ngại lớn. Để khắc phục trở
ngại này, đối với những bài toán điều khiển phức tạp có thể sử dụng mạng nơron kết
hợp với một vài phương pháp điều khiển kinh điển như tính momen hay điều khiển
trượt [90].
Sử dụng ANN để xây dựng bộ điều khiển (bộ điều khiển nơron) được xuất
hiện từ những năm 80 của thế kỷ 20, đã có rất nhiều công bố về sử dụng mô hình bộ
điều khiển nơron cho các hệ thống phi tuyến, đặc biệt là các bộ điều khiển robot
như những nghiên cứu của Yun Li về bộ điều khiển Nơron-Fuzzy, xây dựng bộ điều
khiển sử dụng GA kết hợp với ANN, hay sử dụng ANN để tính toán điều khiển
tương đương của điều khiển trượt dành cho đối tượng là các robot công nghiệp [73].
Để đảm bảo tính hội tụ và ổn định của bộ điều khiển. Miran Rodi, Riko Sanfari và
Okyay Kaynak đề xuất ý tưởng xây dựng bộ điều khiển nơron học theo nguyên lý
của điều khiển trượt [86]. Sử dụng GA để tối ưu trực tiếp các tham số của bộ điều
khiển nơron được trình bày qua các nghiên cứu của S. Kawaji, Naoyuki Kubota và
Yun Li [91]. Những nghiên cứu trong thời gian này chủ yếu đề xuất phương pháp
điều khiển các hệ phi tuyến sử dụng bộ điều khiển nơron, minh chứng đề xuất bằng
các kết quả mô phỏng hay thực nghiệm trên các hệ robot cụ thể. Việc chứng minh
tính ổn định, hội tụ toàn cục của hệ thống điều khiển với sự có mặt của mạng nơron
trong thành phần bộ điều khiển vẫn là một vấn đề còn để ngỏ trong thời gian này.
Chính vì vậy, cần phải tìm ra một mạng nơron có cấu trúc đảm bảo khắc phục được
những nhược điểm vừa nêu trên mà các phương pháp trước đây đã không vượt qua
được. Vào những năm đầu của thế kỷ 21, phương pháp tối ưu sử dụng RBF với
những ưu điểm nổi trội đã mở ra một thời kỳ ứng dụng rộng rãi RBFN để xây dựng
các bộ điều khiển nơron. RBFN đảm bảo quá trình học online và cấu trúc của
RBFN thỏa mãn các điều kiện cho phép chứng minh bằng toán học tính hội tụ và ổn
68
định của bộ điều khiển [77]. Gần đây, đã xuất hiện rất nhiều nghiên cứu sử dụng bộ
điều khiển nơron trên cơ sở RBFN, không chỉ ở những nước phát triển mà cả ở khu
vực các nước đang phát triển như Trung quốc, Hàn quốc, các nước vùng Trung cận
đông và Nam Mỹ. Điển hình như các nghiên cứu của Fernaldo Passol (Chile), Bach
H. Dinh (Vương quốc Anh) sử dụng bộ điều khiển dùng RBFN để xác định vị trí
của robot [77]. Chương trình đổi mới trong ứng dụng trí tuệ nhân tạo dưới sự bảo
trợ của chính phủ Hàn quốc đã đạt được nhiều kết quả đáng kể về ứng dụng bộ điều
khiển RBFN [88]. Những nghiên cứu này bước đầu tiên đã xem xét đến việc chứng
minh tính hội tụ và ổn định toàn cục của hệ điều khiển. Tuy nhiên các kết quả này
hiện cũng chỉ dừng lại ở mức độ mô phỏng hoạt động tại phòng thí nghiệm mà chưa
được áp dụng rộng rãi vào thực tế.
Như vậy lý thuyết nghiên cứu về ANN cùng với sự hỗ trợ của công nghệ
hiện đại và những thuật học phát triển đã có được vị trí xứng đáng trong kỹ thuật
điều khiển đặc biệt là điều khiển robot.
3.3. Điều khiển hệ robot-camera bám mục tiêu di động với nhiều tham số bất
định
3.3.1. Đặt vấn đề
Ta xét hệ robot có hai bậc tự do gắn camera quay theo theo hai hướng
phương vị (Pan) và góc tà (Tilt). Cấu trúc này được ứng dụng nhiều làm bệ quay
radar (cố định hay di động đặt trên xe, tàu) hay bệ quay các thiết bị quang học theo
dõi, kiểm tra không gian. Trong phần này tác giả khảo sát và nghiên cứu phương
pháp điều khiển tốc độ các khớp robot có gắn camera bám mục tiêu di động khi ta
không biết rõ mô hình động lực của hệ.
69
fx fyu v
z z
Hình 3.5: Hệ robot gắn camera
3.3.2. Xây dựng thuật toán điều khiển bám mục tiêu di động
3.3.2.1 Mô tả phương trình tạo ảnh của camera
Ảnh của một điểm P (x,y,z) trong không gian được ánh xạ vào mặt phẳng
ảnh thu được điểm iP(u, v) có toạ độ như sau Hình 3.5 [2]
(3.16)
trong đó f là tiêu cự của camera.
Ảnh của camera sau khi qua bước số hoá và xác định đặc trưng ảnh sẽ cho ta
toạ độ trọng tâm của mục tiêu trên mặt phẳng ảnh.
Toạ độ này được ký hiệu là [ , ]Tu vξ và sẽ được sử dụng như một thông số
của hệ robot-camera.
3.3.2.2 Xây dựng thuật toán điều khiển bám mục tiêu di động
Nhiệm vụ điều khiển được thực hiện thông qua hàm sai lệch giữa đặc trưng
ảnh mong muốn *ξ và đặc trưng ảnh thu được. Hàm sai lệch này có thể được định
nghĩa như sau:
70
Hình 3.6 Mô hình tạo ảnh camera
fe = M(ξ - ξ*) (3.17)
với M là ma trận hằng số có hạng bằng số khớp của robot. M được chọn là
ma trận đơn vị khi số đặc trưng ảnh bằng số biến điều khiển của robot. Ta nhận thấy
rằng, đối với sự thay đổi của đặc trưng ảnh, hàm sai lệch (3.17) phụ thuộc vào
chuyển động của camera và chuyển động của mục tiêu:
0 ( ) ( , ) c w w
f f c or t r t r te e (3.18)
trong đó, cro là vector vị trí và hướng của mục tiêu nhìn trong khung toạ độ
camera, wrc là vector vị trí và hướng của camera nhìn trong khung toạ độ bệ robot
và wro là vector vị trí và hướng của mục tiêu nhìn trong khung toạ độ bệ robot
(Hình3.5). Từ phương trình (3.18), ta có:
f f f fw wd c o
c cw wdt t t tc o
e e e er rJ Ω
r r (3.19)
trong đó / wc c J e r là ma trận Jacobi ảnh thể hiện quan hệ giữa sự thay
đổi của đặc trưng ảnh và sự thay đổi của vector wrc, thành phần /
f
f
wot w to
e re
r
được coi là thành phần đặc trưng cho chuyển động của mục tiêu gây nên sự thay đổi
trên đặc trưng ảnh, /w tc c Ω r là thành phần vận tốc của camera gắn trên bệ
robot.
Mục đích điều khiển là đảm bảo nếu 0( (t)) *C ξ r ξ , thì ef 0. Để đạt được
điều này thì ta phải tìm được luật điều khiển dựa trên đặc trưng ảnh thu được. Từ
(3.4), luật điều khiển theo vận tốc của camera có thể chọn là:
71
1 1 f
fc c t
eΩ J e Jc (3.20)
ở đây Jc-1
là ma trận nghịch đảo hoặc giả nghịch đảo (pseudo-inverse) của
ma trận Jacobi Jc. Lúc này phương trình (3.19) ổn định tiệm cận và có dạng
f f e e . Để hệ thống điều khiển ổn định theo hàm mũ, f f e e ( > 0), ta có
thể chọn luật điều khiển vận tốc của camera như sau:
1 1 f
fc c t
eJ e JΩc (3.21)
trong đó gọi là hệ số suy giảm, thành phần /f t e là thành phần đặc trưng
cho chuyển động của mục tiêu. Do chuyển động của mục tiêu là không biết trước
nên ta phải ước lượng dự đoán trong quá trình điều khiển. Có nhiều phương pháp
dự báo quỹ đạo của mục tiêu. Phương pháp phổ biến là lọc Kalman hoặc lọc
Kalman mở rộng.
3.3.3. Thuật điều khiển tốc độ hệ robot-camera bám mục tiêu di động
Ta khảo sát cấu trúc hệ robot-camera được điều khiển theo các góc quay như
Hình 3.5. Thuật điều khiển tốc độ hệ bám mục tiêu di động được xác định qua 2
bước. Bước 1 là xác định tốc độ cần thiết cho các khớp robot và bước 2 là xác định
mô men cho các khớp bảo đảm tốc độ của các khớp bám sát tốc độ cần thiết tính
trong bước 1.
3.3.3.1. Xác định tốc độ cần thiết cho các khớp robot-camera bảo đảm sai lệch ảnh
luôn triệt tiêu.
Hệ phương trình động lực học của robot có dạng [31]:
η = H q q+h q,q
với: η là mô men các khớp, q là góc quay các khớp, H(q) là ma trận mô men
quán tính, h(q, q ) là ma trận của mô men ly tâm và coreolis η là vector momen của
các khớp. Vận tốc góc c của camera quan hệ với vận tốc khớp theo ma trận Jacobi
của robot như sau [31]:
Ω = Jqc (3.22)
Trong đó : J là ma trận Jacobi của robot, q là vận tốc các khớp robot
72
Do vậy tốc độ của các khớp được tính theo công thức:
1q J Ωc (3.23)
Ma trận Jacobi ảnh xét trong trường hợp chuyển động của robot [31] là:
2 2
2 2
uv f u
f fc
f v uv
f f
J (3.24)
Trong đó [ , ] Tu vξ là toạ độ trọng tâm của đặc trưng ảnh, f là tiêu cự của
thấu kính camera. Để camera luôn chiếu thẳng đến mục tiêu ta chọn *ξ = 0 . Lúc
này f
*e = ξ -ξ = ξ và f
t t
e ξ. Lưu ý là [ , ] Tu vξ .
Thay thế vào phương trình (3.21), ta có phương trình điều khiển vận tốc của
camera theo hướng pan và tilt dựa trên sự thay đổi của đặc trưng ảnh khi chọn M I là:
1 1 f
c f cc t
eJ e JΩ (3.25)
Từ các phương trình (3.23) và phương trình (3.25) ta có thể nhận được vận
tốc mong muốn qd
của các khớp của robot để camera luôn bám mục tiêu là:
1 1 ˆ
dq J J ξ J J ξ J Ωc c c c (3.26)
Như vậy (3.26) là vận tốc mong muốn của các khớp của hệ robot-camera
được xác định khi biết đặc trưng ảnh ξ tại thời điểm hiện tại là đặc trưng ảnh thu
được, đặc trưng ảnh hoặc tốc độ của đặc trưng ảnh tại thời điểm tiếp theo ξ (có thể
ước lượng được), và tốc độ của các khớp robot đo được tại thời điểm hiện tại q .
3.3.3.2. Xác định mô men cần thiết cho các khớp robot bảo đảm tốc độ khớp
bám theo tốc độ cần thiết d
q .
Nếu ta biết chính xác mô hình động lực robot, ma trận Jacobi J của bệ và ma
trận Jacobi ảnh Jc thì ta có thể chọn được momen điều khiển các khớp robot theo
phương pháp tính momen [30] như sau:
73
( ) ( , ) H q u h q q (3.27)
Trong đó, u là tín hiệu điều khiển phụ sẽ xác định sau, d
q là vận tốc mong
muốn từ (3.26). Thay thế (3.27) vào phương trình động lực học của robot ta có
phương trình hệ kín như sau
q u (3.28)
Đây là hệ tích phân kép. Nếu ta chọn
- ( - )d du q K q q (3.29)
trong đó K là ma trận xác định dương và ký hiệu - d q q thì hệ kín (3.28)
có dạng
K 0 (3.30)
Như vậy hệ sai số ε sẽ triệt tiêu về 0 theo hàm số mũ tức là tốc độ các khớp
q sẽ bám theo tốc độ dq theo phương trình (3.26) mong muốn. Điều này sẽ bảo
đảm camera bám mục tiêu với sai lệch đặc trưng ảnh .f e 0 Sơ đồ điều khiển của
hệ visual servoing như Hình 3.7.
Hình 3.7 Sơ đồ khối hệ điều khiển tốc độ hệ robot-camera
3.3.4. Thuật điều khiển visual servoing cho hệ robot khi có nhiều tham số bất định
Khi không biết chính xác mô hình robot ta không thể chọn mô men các khớp
như (3.27). Ta có thể mô tả các đại lượng bất định trong hệ động lực robot dưới
dạng:
Tính tốc
độ
Thuật điều
khiển Robot
Mục tiêu
di động
Robot
hand
- -
+ +
Ước lượng
Camera Tính đặc trưng
ảnh
74
( ) ( ) ( )
( ) ( ) ( )
H q H q H q
h q h q h q (3.31)
trong đó ,H(q) h(q) là các phần ước lượng được, , H(q) h(q) là các thành
phần bất định gây ra sai lệch điều khiển cho robot. Thay thế (3.31) vào (3.27) ta có :
( ) ( , ) H q q h q q f (3.32)
với ( ) ( , ) f H q q h q q (3.33)
Ta chọn momen η điều khiển các khớp robot như sau:
0 1 (3.34)
0 ( )( - ( - ) ( , )) d
H q q K q q h q qd (3.35)
trong đó d ε q q ; K là một ma trận đối xứng xác định dương,1η là tín hiệu
điều khiển bù các thành phần bất định sẽ được xác định sau. Thay thế (3.34), (3.35)
vào (3.32) ta có hệ động lực sai số tốc độ bám
1 1
1-ε +Kε = H (η -f ) (3.36)
Đặt 1
1-η' = H η (3.37)
11
-f' = H f (3.38)
Thay vào (3.36) ta có
' 'ε +Kε = η -f (3.39)
Ta sẽ xây dựng mạng nơ ron với thuật học phù hợp để mạng xấp xỉ 'f và xác
định tín hiệu điều khiển 1η sao cho hệ (3.39) ổn định tiệm cận. Cấu trúc của mạng
nơron nhân tạo để xấp xỉ các thành phần bất định f'của hệ robot-camera phụ thuộc
vào sai lệch vị trí của các khớp ε có thể chọn như Hình 3.8. Mạng nơron xấp xỉ
hàm ( )f ε là mạng RBF 3 lớp. Ở đây ta chọn lớp đầu vào của mạng nơ ron là n=2
thành phần của sai lệch tốc độ ε . Lớp ra có n=2 nơ ron tuyến tính. Lớp ẩn là các
nơron có hàm phân bố Gauss dạng:
2
exp2
cj j
jj
; j = 1, 2. (3.40)
75
trong đó jjc , là tham số kỳ vọng và phương sai của hàm phân bố Gauss có
thể tự chọn. Thông thường chọn jjc , khác nhau và phủ hết dải thay đổi biên độ
của hàm bất định f (ε) . Đầu ra của mạng là giá trị xấp xỉ của f (ε) . Đầu vào của
mạng nơ ron là sai lệch ε .
Hình 3.8 Mạng RBF xấp xỉ hàm f
Theo định lý Stone-Weierstrass, mạng RBF có cấu trúc trên có thể xấp xỉ
thành phần bất định 2Rf mô tả bằng phương trình sau:
ˆf = Wζ +β = f +β (3.41)
f = Wζ (3.42)
trong đó: W là ma trận trọng số của mạng được cập nhật on-line. β là sai số
xấp xỉ và bị chặn 0β .
Định lý 3.1:
Hệ robot -camera có nhiều tham số bất định (3.32) với mạng nơron (3.41),
(3.42) sẽ bám theo mục tiêu di động với sai số ( ) d
ε q -q 0 nếu ta chọn thuật
điều khiển η và thuật học W của mạng nơron như sau:
1,d d
η = H(q)(q -K(q-q )+h(q q)+ η
(3.43)
1 1
ε
η = H ( )Wζ -ε
(3.44)
TW εζ (3.45)
trong đó các tham số tự chọn K là ma trận đối xứng xác định dương
TK = K > 0 , các hệ số , 0 .
76
Cấu trúc của hệ điều khiển có thể mô tả theo sơ đồ trên Hình 3.9. Momen η
gồm hai thành phần chính: 0
ˆ ˆ , d dη H(q)(q -K(q-q )+h(q q) là thành phần phản hồi
và bù các thành phần phi tuyến, 1η là thành phần có mạng nơron với thuật học on-
line để xấp xỉ các thành phần bất định. Định lý này được chứng minh bằng phương
pháp ổn định Lyapunov đảm bảo tính ổn định tiệm cận toàn cục của cả hệ thống
như sau:
Chứng minh:
Chọn hàm V xác định dương như sau:
21
2 1
T TVi i
i
ε ε w w (3.46)
Trong đó iw là véc tơ cột thứ i của ma trận trọng W. Ta có V > 0 khi
ε,w 0i
V = 0 khi và chỉ khi ε,w 0i
; i=1,2; V khi iε,w . Lấy đạo hàm
V theo t ta có
2
1
T Y
i ii
V
ε ε w w (3.47)
Từ (3.39) ta rút ra: ε = η'-f'-Kε (3.48)
Thay (3.48) vào (3.47), đạo hàm V theo t có dạng:
2
1
T T T
i ii
V
ε Kε ε η -f w w (3.49)
Với thuật học on-line (3.45) ta cói i
w s ; i = 1, 2; (3.50)
iw là cột i của ma trận W
ta có thể xác định được:
2 2 2
1 1 1
w w w ε ε w ε WζT T T T
i i i i ii i i
i
(3.51)
Thay (3.51) và (3.41) vào (3.49) ta có:
77
Hình 3.9: Cấu trúc của hệ visual servoing điều khiển camera bám mục tiêu di
động có nhiều tham số bất định
+ (1 )T TV ε Kε ε η Wζ β (3.52)
Từ (3.37) và (3.44) ta có:
(1 ) - ε
η Wζε
; 0 (3.53)
Thay (3.53) vào (3.52) ta được:
0( ) . .T T T TV ε
ε Kε ε β ε Kε ε ε β ε Kε ε εε
(3.54)
Nếu chọn 0 ; 0 ta có
0- + - ε ε ε (3.55)
Thay (3.55) vào (3.54) ta nhận được:
0TV ε Kε ε (3.56)
Ta thấy 0V khi ε 0 và 0V khi và chỉ khi ε 0 .Theo nguyên lý ổn định
Lyapunov ta có sai lệch tốc độ ε 0 và sai số đặc trưng ảnh cũng sẽ triệt tiêu
f e 0 . Như vậy hệ (3.36) là ổn định tiệm cận và do đó ( )t d
ξ ξ hay nói cách
khác camera bám theo mục tiêu di động với sai lệch đặc trưng ảnh bằng 0. Định lý
3.1 cũng như tính ổn định tiệm cận toàn cục của hệ robot - camera bám mục tiêu sử
dụng mạng nơ ron mô tả trong hình 3.9 đã được chứng minh.
3.3.5. Mô phỏng hệ thống điều khiển visual sevoing trên Matlab
78
Quá trình xây dựng hệ visual servoing được kết quả mô phỏng trên Matlab
như các hình vẽ từ hình 3.10 đến hình 3.15.
Hệ thống điều khiển camera được thiết kế để bám theo đối tượng khi có
nhiễu ngẫu nhiên. Sai số của hệ điều khiển khi bám theo mục tiêu di động cho đặc
trưng ảnh nằm ở chính giữa ảnh đã đạt được độ chính xác cao.
Mục tiêu nằm có tọa độ ban đầu (2000, -119, 165) mm theo hệ toạ độ thực.
Vị trí ban đầu các góc khớp là (q1=0; q2 =0).
Các tham số hệ động lực bệ Pan-Tilt [2]:
2 2
1 2 2 1 2
1
( sin os ) 0
0
H
J J q J c q
J [s
2N]
1 1 2 2 2( )sin cos J J q q
11 2 1 1 1
21 1 2
.
h
qq C q
qq C [Nm]
J1, J 2: Momen quán tính khớp 1, khớp 2 với:
J1 = 0.02 [kgm2], J2 = 0.01[kgm
2]
C1, C 2: Hệ số ma sát nhớt với C1 = C2= 0.001
- Độ bất định: 10% giá trị thực.
- Tham số mạng nơ ron RBF:
=10;
1 25.0 ;
1 20.001c c ;
Mục đích của hệ visual servoing là camera bám sát quỹ đạo này. Kết quả mô
phỏng trên Matlab các như hình sau:
79
Hình 3.10 Quỹ đạo đặc trưng ảnh
Hình 3.11 Đăc tính vận tốc các khớp
Hình 3.12 Đặc tính momen các khớp
-3 -2.5 -2 -1.5 -1 -0.5 0 0.5
x 10-3
-0.005
0
0.005
0.01
0.015
0.02
0.025
0.03
U axis
V a
xis
dac trung anh
0 1 2 3 4 5 6 7 8 9 10-3
-2
-1
0
1
2
3do thi van toc goc cac khop theo thoi gian
thoi gian (s)
van
to
c g
oc
kh
op
(ra
d/s
)
khop 1
khop 2
0 1 2 3 4 5 6 7 8 9 10-0.2
-0.1
0
0.1
0.2
thoi gian (s)
Mo
men
(N
.m)
khop 1
khop 2
80
Hình 3.13 Sự thay đổi các trọng số mạng nơ ron
Hình 3.14 Sự thay đổi các góc khớp
Hình 3.15 Sai lệch vận tốc các khớp
Kết quả mô phỏng trên hình 3.10 ta thấy đặc trưng ảnh hội tụ về 0. Trên hình 3.11
và hình 3.12 cho ta kết quả vận tốc và momen các khớp robot sau một thời gian
0 1 2 3 4 5 6 7 8 9 10-0.2
-0.1
0
0.1
0.2
0.3do thi cac trong so mang no ron RBFNN
thoi gian (s)
cac
tro
ng
so
w1
w2
w3
w4
0 1 2 3 4 5 6 7 8 9 10-1.5
-1
-0.5
0
0.5
1
1.5do thi toa do cac khop
thoi gian (s)
toa
do
kh
op
(ra
d)
khop 1
khop 2
0 1 2 3 4 5 6 7 8 9 10-0.1
-0.05
0
0.05
0.1
0.15Do thi sai lech van toc goc cac khop
thoi gian (s)
Sai
lec
h v
an t
oc
go
c k
ho
p (
rad
/s)
81
khoảng 1.5 giây cũng hội tụ về 0. Hình 3.15 cho kết quả sai lệch các khớp sau một
thời gian khoảng 1.5 giây cũng hội tụ về 0. Vì vậy ta kết luận phương pháp điều
khiển đề xuất là khả thi và chính xác.
3.3. Kết luận chƣơng 3
Trong chương này tác giả đã trình bày về phương pháp xây dựng hệ visual
servoing bám được mục tiêu. Kết quả mô phỏng trên matlab chứng tỏ thuật toán
đưa ra là hội tụ và đạt độ chính xác cao. Các nghiên cứu thử nghiệm trên mô hình
thực tế sử dụng robot của hãng DPerception cung cấp sẽ được triển khai trong thời
gian tới. Các hướng nghiên cứu khi bệ pan/tilt đặt trên các phương tiện di động hoặc
tầu thuỷ đang được nghiên cứu với sự trợ giúp của khối quán tính trong bài toán ổn
định robot.
(*) Nội dung chính của chương này là kết quả nghiên cứu của công trình
khoa học số [4] Nguyễn Tiến Kiệm, Phạm Thượng Cát , „Điều khiển tốc độ bệ pan-
tilt-camera bám mục tiêu di động với nhiều tham số bất định‟ , Kỷ yếu hội nghị cơ
điện tử toàn quốc lần thứ 6 VCM2012, Hà Nội ngày 14-15/12/2012, tr.787-794.
82
CHƢƠNG 4.
THUẬT TOÁN ĐIỀU KHIỂN CHO ROBOT CÔNG NGHIỆP DÙNG MẠNG
NƠ RON NHÂN TẠO CÓ CHÚ Ý ĐẾN CƠ CẤU CHẤP HÀNH
Trong chương 3 tác giả đã đề xuất phương pháp điều khiển hệ robot-camera bám
mục tiêu di động có nhiều tham số bất định của mô hình động học với tín hiệu điều
khiển đưa tới các khớp robot là momen, để bù các tham số bất định tác giả dùng
mạng nơ ron nhân tạo để ước lượng và đưa ra một định lí cho phương pháp đề xuất.
Trong chương này tác giả đề xuất phương pháp điều khiển hệ robot-camera có chú ý
đến động cơ chấp hành với các tham số bất định của mô hình động học, tham số bất
định của động cơ chấp hành, tham số bất định của mục tiêu di động. Chương này
phát triển hơn so với chương 3 là tác giả đã đề xuất luật điều khiển với tín hiệu điều
khiển là tín hiệu điện áp có tính đến các tham số bất định của mô hình động học, sự
bất định của động cơ, sự bất định của mục tiêu di động được tích hợp trong bộ điều
khiển. Để bù các tham số bất định trong bộ điều khiển điện áp tác giả dùng mạng nơ
ron nhân tạo nhằm ước lượng các tham số bất định này, đồng thời tác giả cũng đưa ra
một định lí theo tín hiệu điện áp.
4.1. Động cơ một chiều nam châm vĩnh cửu
Từ trường ở stato của động cơ một chiều nam châm vĩnh cửu do nam châm
vĩnh cửu có mật độ cao tạo ra. Do đó động cơ một chiều nam châm vĩnh cửu có trọng
lượng nhỏ và bán kính nhỏ hơn động cơ một chiều nam châm điện. Từ trường stato
không đổi nên động cơ một chiều nam châm vĩnh cửu dễ dàng đảo chiều bằng đảo
chiều điện áp phần ứng.
Momen động cơ tỷ lệ với dòng điện phần ứng
M = KmI (4.1)
Với Km - hằng số momen có giá trị không đổi phụ thuộc vào mật độ từ thông
của nam châm điện.
Ở trạng thái làm việc xác lập, phương trình điện áp có dạng:
U = RI + Kc (4.2)
Trong đó: R - điện trở phần ứng;
83
Kc - hệ số sức điện động;
- tốc độ góc động cơ.
Kết hợp (4.1) và (4.2), phương trình momen động cơ được viết ở dưới dạng;
m m cK K KM U
R R (4.3)
Quan hệ M() là đường thẳng khi U = hằng số. Do momen tỷ lệ với tốc độ
nên có thể viết (4.3) ở dạng:
M()=Mn
max
1
(4.4)
Trong đó: Mn = mKU
R- mômen ngắn mạch;
max=c
U
K- tốc độ góc lớn nhất.
Công suất động cơ ở các tốc độ khác nhau được tính theo biểu thức sau:
P() = M(). = Mn..max
1
(4.5)
Công suất động cơ lớn nhất sẽ tương ứng ở giá trị tốc độ * xác định bằng đạo
hàm công suất theo tốc độ gốc với 0:
nn
max max
dP( ) MM 1 0
d
Suy ra: * = max
1
2
84
Hình 4.1. Đặc tính momen và công suất
Như vậy công suất động cơ đạt giá trị lớn nhất ở tốc độ bằng một nửa tốc độ
lớn nhất. Hình 4.1 là đặc tính momen và công suất của động cơ một chiều nam châm
vĩnh cửu.
Một trong những hướng nghiên cứu hiện nay là giảm tối thiểu quán tính của
cơ cấu chấp hành, nhằm tăng gia tốc và momen của hệ thống. Một dạng động cơ một
chiều mới đã được nghiên cứu chế tạo và ứng dụng trong robot là động cơ đĩa. Trong
động cơ đĩa, ở rotor không có lõi thép, từ đó giảm đáng kể khối lượng của động cơ.
Rotor động cơ có cấu tạo như một đĩa dẹt, các thanh dẫn đồng được tạo ra bằng cắt từ
một phiến đồng và được gắn trên đĩa đó. Nam châm vĩnh cữu tạo từ trường gồm
nhiều thỏi nam châm hình trụ nhỏ, ngắn được đặt hai phía của đĩa dây quấn stato như
hình 4.2. Với cấu tạo của động cơ đĩa như vậy, hằng số thời gian cơ học nhỏ hơn 10
lần so với động cơ một chiều có lõi sắt thông thường, gia tốc của động cơ đĩa lớn gấp
10 lần và giá trị momen đỉnh lớn gấp 2,5 lần so với động cơ một chiều nam châm
vĩnh cửu thông thường. [36]
Hệ thống truyền động servo động cơ điện một chiều nam châm vĩnh cửu gồm
3 mạch vòng vị trí, tốc độ và dòng điện với bộ biến đổi thường sử dụng bộ điều chỉnh
điện áp một chiều (DC/DC) có sơ đồ khối cơ bản như hình 4.3. Cấu trúc hệ thống
điều khiển, nguyên lý làm việc và phương pháp tổng hợp các mạch vòng điều khiển
đã được trình bày rất chi tiết trong các tài liệu và sách Truyền động điện tự động
([38], [39]).
M,P Mn Mmax
0
*
max
85
Hình 4.2. Cấu tạo động cơ đĩa
Hình 4.3. Hệ thống điều khiển động cơ điện một chiều
4.2 Điều khiển hệ robot- camera bám mục tiêu di động có tính đến tác động của
cơ cấu chấp hành
4.2.1. Đặt vấn đề
Robot gắn camera có hai bậc tự do quay theo theo hai hướng. Cấu trúc này
được ứng dụng nhiều làm bệ quay radar (cố định hay di động đặt trên xe, tàu) hay bệ
quay các thiết bị quang học theo dõi, kiểm tra không gian. Đa số các công trình
nghiên cứu về hệ này đều bỏ qua tác động của các cơ cấu chấp hành do hệ thống
thường sử dụng bộ giảm tốc với hệ số giảm tốc lớn . Tuy nhiên khi mục tiêu cơ động
nhanh với các hệ truyền động trực tiếp thì không thể bỏ qua tác động của hệ động lực
Mạch ĐK
VWM
R1 R đ
Rp
đ
-
Đ2
Cảm biến
Tốc độ
2
T2 Đ1
Ud
4
~
1
T1
3
+ Id
Đ3
Cảm biến
Vị trí
T4 Đ4 T3
I
- Iđ
- r -
86
fx fyu v
z z
của các cơ cấu chấp hành. Lúc này hệ động lực của toàn hệ thống cần bổ sung mô
hình của các động cơ lắp trong các khớp của bệ và phải xét đến tác động tương hỗ
giữa hệ động lực của rô bốt và hệ động lực của các cơ cấu chấp hành.
Trong phần này tác giả khảo sát và nghiên cứu phương pháp điều khiển robot
gắn camera bám mục tiêu di động với các tham số bất định khi cần phải tính đến mô
hình của động cơ một chiều lắp trong các khớp của bệ.
4.2.2. Xây dựng mô hình toán học học của hệ robot-camera có tính đến tác động
của cơ cấu chấp hành
4.2.2.1. Mô tả phương trình tạo ảnh của camera
Tương tự như đã trình bày trong chương 3 ảnh của một điểm P (x,y,z) trong
không gian được ánh xạ vào mặt phẳng ảnh thu được điểm iP(u, v) có toạ độ như sau
(4.6)
Trong đó f là tiêu cự của camera.Ảnh của camera sau khi qua bước số hoá và
xác định đặc trưng ảnh sẽ cho ta toạ độ trọng tâm của mục tiêu trên mặt phẳng
ảnh.Toạ độ này được ký hiệu là [ , ]Tu vξ và sẽ được sử dụng như một thông số đo
được của hệ robot-camera. Nhiệm vụ điều khiển được thực hiện thông qua hàm sai
lệch giữa đặc trưng ảnh mong muốn constdξ và đặc trưng ảnh thu được. Hàm sai
lệch này có thể được định nghĩa như sau:
f de = (ξ - ξ ) (4.7)
Hình 4.4. Sơ đồ điều khiển hệ robot-camera có tính đến động cơ chấp hành
Luật
điều khiển
Động cơ
chấp hành Robot Camera
x0
87
cx và xo lần lượt là tọa độ camera và tọa độ mục tiêu trong hệ tọa độ Đề Các
gắn với bệ rô bốt. Phương trình động học của robot được mô tả bởi phương trình sau:
c x p q (4.8)
Đạo hàm theo thời gian của (4.8), ta được:
c rt
p qx J q
q
cx là vận tốc dài và vận tốc góc của camera, Jr là ma trận Jacobi của robot.
Phương trình động lực học của robot và của cơ cấu chấp hành được mô tả như
sau:
η H q q h q,q
E E Li Ri Kq t u (4.9)
Tη = K i (4.10)
Trong đó q là vector tọa độ khớp của robot, η là vector mô men khớp của
robot, H q là ma trận đối xứng xác định dương, biểu diễn ma trận quan tính của
robot, ,h q q là vector biểu diễn thành phần Coriolis và lực ly tâm, thành phần lực
trọng trường. Phương trình (4.9) là phương trình cân bằng điện áp của động cơ 1
chiều, i là véc tơ dòng điện phần ứng của các động cơ một chiều, L là ma trận đường
chéo, hằng số, xác định điện cảm của cuộn dây phần ứng. R biểu diễn ma trận điện
trở phần ứng của động cơ một chiều. KT là ma trận đường chéo, xác định dương hệ
số mô men của hai động cơ, K là ma trận đường chéo, xác định dương hệ số thế hiệu
phản hồi của hai động cơ, E
t là vector biểu diễn các thành phần bất định của động
cơ. Các thành phần bất định được giả sử là bị chặn ||E
t ||T0. Vector đặc trưng ảnh
phụ thuộc vào vị trí và hướng của camera và bởi vậy phụ thuộc vào q. Nếu số đặc
trưng ảnh là m thì vector đặc trưng ảnh sẽ có 2m phần tử. Mối quan hệ giữa vector
đặc trưng ảnh ξ và cx được xác định bởi:
f
dd cdt dt
xξ
J (4.11)
88
Trong đó, Jf là ma trận Jacobi của đặc trưng ảnh. Mặt khác, c rx J q nên ta
có:
f f
dd crdt dt
xξ
J J J q (4.12)
Đinh nghĩa ma trận Jacobi tổng hợp là:
f rJ ξ,q J J (4.13)
Phương trình (4.13) có thể được viết lại: ξ J ξ,q q (4.14)
Giả sử rằng các tham số của robot được mô tả bởi:
H(q) = H(q) +ΔH(q) (4.15)
h(q) = h(q)+Δh(q) (4.16)
J ξ,q J ξ,q J ξ,q (4.17)
Trong đó, H(q) , h(q) , J ξ,q là các thành phần ước lượng được ; ΔH(q) ,
Δh(q) , J ξ,q là các sai lệch do tính chất bất định của mô hình robot.
Thay thế (4.15), (4.16), và (4.17) vào phương trình động lực học của robot và
phương trình (4.14) ta được:
η H q q h q,q H q q h q,q (4.18)
ˆ ξ Jq Jq (4.19)
Từ (4.18), ta rút ra được:
1 1 1, q H q η H h q q H H q q h q,q (4.20)
Định nghĩa biến mô tả sai lệch đặc trưng ảnh: d
z = G(ξ - ξ ) , trong đó G là ma
trận hằng [n2m], có số hạng bằng n. Do đó, nếu z 0 thì f e 0 . Lấy đạo hàm
bậc nhất bậc hai của z theo thời gian:
z = Gξ GJq GJq G Jq (4.21)
z = Gξ GJq GJq G Jq G Jq (4.22)
89
Từ (4.20), (4.22) ta thu được:
1 1
η H GJ z H GJ GJq h f (4.23)
Với: 1
ˆ ˆ( )
f H G J q H GJ G Jq h
Hơn nữa, từ (4.9), (4.10) và (4.23) ta có:
1 11 1
11 1
ˆ ˆ ˆ ˆ ˆ ˆ
ˆ ˆ( )
T T
T
E
E
K R u H GJ z H GJ GJq h K R Kq
K R Li H G J q H GJ G Jq h R t
(4.24)
Ta đặt các biến như sau:
1
1 ˆ ˆT
ψ = RK H GJ (4.25)
1
11 1ˆ ˆ( )T T E
f RK H G J q H GJ G Jq h K t Li (4.26)
1 ˆ ˆ ˆ ˆT
-1
γ = RK -H GJ GJq h Kq
(4.27)
Kết hợp các phương trình (4.24), (4.25), (4.26), (4.27) ta được phương trình
mới sau: 1 ψ z γ f uE (4.28)
4.2.3. Điều khiển bám mục tiêu di động dùng mạng nơ ron
Ta sẽ đi tìm điện áp điều khiển uE theo dạng:
0 1E u u u (4.29)
0 D P u ψ K z K z γ (4.30)
u1 là tín hiệu điều khiển để bù thành phần bất định, sẽ được định nghĩa sau.
Thay thế (4.29), (4.30) vào (4.28) ta được:
11 1D P
z K z K z ψ u f (4.31)
Nếu các thành bất định f1 = 0, và chọn 1u 0 , thì phương trình sai lệch bám
sẽ là:
D P z K z K z 0 (4.32)
90
Phương trình (4.32) sẽ ổn định tiệm cận (z0) với tốc độ nhanh và không có
độ quá điều chỉnh nếu các ma trận KD, KP được chọn phù hợp. Trong trường hợp, f1
0, thì ta cần định nghĩa 1u sao cho (4.28) ổn định tiệm cận. Định nghĩa:
11' u ψ u (4.33)
11
f ψ f (4.34)
Thay thế (4.33), (4.34) vào (4.28) ta được: 'D P z K z K z u f (4.35)
Chúng ta sẽ xây dựng một mạng nơ ron với luật học phù hợp để xấp xỉ f’ và đi
tìm 'u sao cho phương trình (4.35) ổn định tiệm cận.
Dùng mạng nơ ron nhân tạo để ước lượng đại lượng bất định f’, được mô tả
trong hình 4.5
Trong đó, 1 2, ,...,T
ns s ss được định nghĩa như sau:
s z +Cz (4.36)
Dễ dàng nhận thấy s phụ thuộc vào ,q q nên ta có thể biểu diễn ,f q q thành
f s . Ta biết rằng, một mạng nơ ron RBF (Radial Basis Function ) với số lượng nơ
ron hữu hạn có thể xấp xỉ hàm không biết f s như sau:
ˆ f = Wζ +β = f +β (4.37)
f = Wζ (4.38)
Với W là ma trận trọng số với luật cập nhật online và β là sai lệch xấp xỉ bị
chặn 0 β β .
Hình 4.5. Mạng RBF xấp xỉ hàm f’
91
Ở đây ta chọn lớp đầu vào của mạng nơ ron là n=2 thành phần của sai lệch
tốc độ β . Lớp ra có n=2 nơ ron tuyến tính. Lớp ẩn là các nơron có hàm phân bố
Gauss dạng:
2
2exp
j j
j
j
c
; j = 1, 2. (4.39)
trong đó ,cj j là tham số kỳ vọng và phương sai của hàm phân bố Gauss có
thể tự chọn. Thông thường chọn ,cj j khác nhau và phủ hết dải thay đổi biên độ
của hàm bất định f s . Đầu ra của mạng là giá trị xấp xỉ của f s .
Định lý 4.1: Hệ robot-camera có nhiều tham số bất định (4.28) với mạng
nơron (4.37), (4.38) sẽ bám theo mục tiêu di động với sai số f e 0 nếu ta chọn
thuật điều khiển u và thuật học W của mạng nơron như sau:
1D P u ψ K z K z γ u (4.40)
11
s
u Wζs
(4.41)
T W sζ (4.42)
Trong đó, KD = D + C, KP = DC; D là một ma trận xác định dương đối xứng
D = DT > 0, và , 0 .
Chứng minh tính ổn định:
Chọn hàm xác định dương:
1
2 1
T Tn
V i ii
s s w w (4.43)
Đạo hàm hàm V theo thời gian:
1
T Tn
V i ii
s s w w (4.44)
Từ (4.36), (4.37) và KD = D + C, KP = DC, ta được: ' s u f Ds (4.45)
Thế (4.45) vào (4.44), ta được: 1
'
s Ds s u f w wn
T T Ti i
i
V (4.46)
92
Với luật học online: i i w s ; i = 1, 2. (4.47)
Trong đó wi là cột thứ I của ma trận W.
2 2 2
1 1 1
w w w s s w s WζT T T T
i i i i i ii i i
(4.48)
+ ' (1 )T TV s Ds s u Wζ β (4.49)
Chọn ' 1 ; 0 s
u Wζs
(4.50)
Thay (4.50) vào (4.49):
0+ . .
s
s Ds s β s Ds s β s s Ds s β ss
T T T TV
4.51)
Nếu lựa chọn 0β ; 0 thì: . 0V Ts Ds s (4.52)
Từ (4.52), 0V khi s 0 ; 0V khi và chỉ khi s 0 . Theo lý thuyết
Lyapunov, hệ thống ổn định tiệm cận tức s,z 0 và d
ξ ξ .
4.2.4. Mô phỏng hệ servo thị giác có mô hình động cơ trên Matlab
Để thực hiện mô phỏng trong simulink, các tham số của hệ robot và camera
được chọn như sau:
Mục tiêu có tọa độ (0.8, - 0.3, 0.2) m, f = 5 mm theo hệ toạ độ thực. Vị trí ban
đầu các góc khớp là (q1=0; q2 =0).
Với các tham số sau:
- Các tham số hệ động lực robot [2]:
2 2
1 2 2 1 2
1
( sin os ) 0
0
H
J J q J c q
J [s
2N]
1 1 2 2 2( )sin cos J J q q
93
11 2 1 1 1
21 1 2
.
h
qq C q
qq C [Nm]
J1, J 2: Mô men quán tính khớp 1, khớp 2 với:
J1 = 0.02 [kgm2], J2 = 0.01[kgm
2]
C1, C 2: Hệ số ma sát nhớt với C1 = C2= 0.001
- Tham số của hai động cơ:
KT = <2, 2> [Nm/A]
R = <0.5,0.25> []
L = <1, 0.5> [H]
0.2 0.1T
Et [V]
- Độ bất định: 10% giá trị thực.
- Tham số mạng nơ ron RBF:
=10;
5.01 2
;
0.0011 2
c c ;
- Tham số của luật điều khiển
= 0.25;
D=<10, 10>
C=<8, 8>
KP = <80,80> [1/s2]
KD = <18,18> [1/s]
Mục đích của hệ visual servoing là bệ Pan/Tilt quay camera sao cho ảnh của
mục tiêu nằm ở tâm ảnh (u=0; v=0). Kết quả mô phỏng trên Matlab như các Hình
sau đây:
94
Hình 4.6. Quỹ đạo của đặc trưng ảnh
Hình 4.7: Sự thay đổi toạ độ các khớp
Hình 4.8: Sự thay đổi vận tốc các khớp
-0.08 -0.07 -0.06 -0.05 -0.04 -0.03 -0.02 -0.01 0 0.01-0.05
0
0.05
0.1
0.15
0.2
DO THI DAC TRUNG ANH CUA CAMERA
0 2 4 6 8 10 12 14 16-1.5
-1
-0.5
0
0.5
1
1.5
DO THI TOA DO KHOP CUA PAN TILT
q1
q2
0 2 4 6 8 10 12 14 16-6
-4
-2
0
2
4
DO THI VAN TOC KHOP PAN TILT
q1 dot
q2 dot
v [m]
t[s]
t[s]
[rad/s]
u[m]
q[rad]
95
Hình 4.9: Đặc tính điện áp của động cơ trên các khớp
Hệ thống điều khiển điện áp động cơ rô bôt- camera được điều khiển để bám
theo đối tượng, đáp ứng được yêu cầu bám mục tiêu khi có nhiều bất định trong hệ
động lực của robot. Ta thấy trên Hình 4.8 sau thời gian khoảng 1 giây về cơ bản hệ
đã bám được mục tiêu, hình 4.9 cho thấy tín hiệu điện áp cũng hội tụ sau khoảng 0.5
giây. Sai số của hệ có điều khiển khi bám theo mục tiêu cho đặc trưng ảnh nằm ở
chính giữa ảnh đã đạt được độ chính xác cao.
4.2.5. Kết luận chương 4
Nội dung chính của chương này tác giả đã trình bày về phương pháp xây dựng
thuật toán điều khiển động cơ một chiều cho hệ visual servoing bám được mục tiêu.
Kết quả mô phỏng trên Matlab chứng tỏ thuật toán đưa ra là hội tụ và đạt độ chính
xác khá cao. Các nghiên cứu thử nghiệm trên mô hình thực tế sử dụng robot của hãng
DPerception cung cấp sẽ được triển khai trong thời gian tới. Các hướng nghiên cứu
khi hệ robot-camera đặt trên các phương tiện di động hoặc tầu thuỷ đang được nghiên
cứu với sự trợ giúp của khối quán tính trong bài toán ổn định bệ.
(*) Nội dung chính của chương này là kết quả nghiên cứu của công trình khoa
học số [1] Nguyen Tien Kiem, Pham Thuong Cat, “conrol of robot-camera system
with actuator’s dynamic to tract moving object”, Tạp chí tin học và điều khiển
học,V.31, N.3(2015), tr 255-265.
0 1 2 3 4 5 6 7 8 9 10-20
-10
0
10
20Do thi dien ap dieu khien dong co chap hanh o cac khop
thoi gian (s)
Die
n a
p (
V)
dien ap khop 1
dien ap khop 2
t[s]
uE [V]
96
CHƢƠNG 5.
ĐIỀU KHIỂN TRƢỢT THÍCH NGHI NGĂN CHẶN SỰ SUY BIẾN CHO
ROBOT GẮN CAMERA VỚI MÔ HÌNH BẤT ĐỊNH VÀ NHIỄU NGOÀI
Trong chương 4 tác giả đã đề xuất các phương pháp điều khiển hệ robot-
camera có chú ý đến động cơ chấp hành với nhiều tham số bất định dùng mạng nơ
ron nhân tạo, nhiệm vụ của mạng nơ ron nhân tạo là ước lượng các tham số bất định
sau đó tính được tín hiệu điều khiển để bù thành phần bất định, tuy nhiên luật điều
khiển là các phương pháp cổ điển, chủ yếu là dùng hàm mặt trượt dạng tuyến tính
hoặc tín hiệu tuyến tính để đáp ứng mô men hoặc điện áp yêu cầu của hệ động lực
học (bao gồm cả phần đã biết trước và phần ước lượng).
Trong chương này tác giả sẽ đề xuất phương pháp điều khiển robot gắn
camera với các tham số bất định của mô hình động học có tính đến nhiễu ngoài đồng
thời đề xuất biện pháp ngăn chặn sự suy biến của phương pháp điều khiển. Trong
phần này tác giả không tính toán phần đặc trưng ảnh của camera và vận tốc đặt vd và
góc khớp qd cho robot, mà sử dụng kết quả của các chương trước và coi như đã biết
vận tốc đặt vd và góc quay đặt qd của các khớp. Vì vậy tác giả sẽ đi sâu vào nghiên
cứu và đề xuất phương pháp điều khiển robot-camera dùng phương pháp điều khiển
trượt thích nghi phi tuyến, tác giả dùng mặt trượt phi tuyến và mạng nơ ron để ước
lượng các đại lượng bất định và nhiễu ngoài nhằm điều khiển các khớp robot. Kết
quả mô phỏng được so sánh với một bài báo đã được đăng trên tạp chí SCI với đối
tượng tương tự, nhưng phương pháp đề xuất của tác giả có một số ưu điểm, cũng như
khắc phục được một số điểm còn thiếu sót của bài báo tham khảo số [58].
5.1 Tóm tắt nội dung chính
Trong chương này tác giả đã đề xuất này, một nguyên lý căn bản về phương
pháp điều khiển trượt thích nghi phi tuyến (Terminal sliding mode control-TSMC)
cho cánh tay robot với mô hình bất định và có nhiễu ngoài đã được đề xuất. Phương
pháp này xử lý hoàn toàn được vấn đề suy biến trong điều khiển. Phương pháp điều
khiển đề xuất sử dụng mạng nơ ron hàm cơ sở bán kính (radial basis function neural
network -RBFNN) với thuật toán điều chỉnh trọng số trực tuyến để xấp xỉ những hàm
động lực phi tuyến trơn vì không biết trước về mô hình động lực học. Hơn nữa, một
luật điều khiển bền vững được sử dụng để loại bỏ hoàn toàn sự bất định đến từ mô
97
hình, các nhiễu ngoài cũng như các lỗi xấp xỉ không thể tránh khỏi do số lượng hữu
hạn của các nơ ron lớp ẩn của RBFNN. Nhờ bộ điều khiển được đề xuất, hiệu suất
bám mong muốn đã đạt được trong khi các sai lệch bám hội tụ về 0 trong thời gian
hữu hạn. Theo lý thuyết ổn định Lyapunov, hiệu suất mong muốn và sự ổn định của
toàn bộ hệ thống điều khiển vòng kín được đảm bảo. Kết quả mô phỏng, so sánh
được thực hiện để xác nhận tính đúng đắn và hiệu quả của phương pháp điều khiển
đề xuất.
5.2. Các kiến thức cơ bản
5.2.1 Mô hình động lực học của cánh tay rô bốt n-DOF cố định
Mô hình động lực học của cánh tay này như sau [58]
, dH q q h q q q g q η η (5.1)
với , , q q q Rn lần lượt là các véc tơ vị trí, tốc độ, và gia tốc của khớp nối.
H q biểu diễn ma trận quán tính. ,h q q là ma trận hướng tâm Coriolis. g q là
véc tơ của các thành phần trọng lực. ηd là véc tơ giới hạn của tổng các thành phần
bất định, bao gồm cả sự bất định của mô hình cũng như các nhiễu ngoài. η là véc tơ
mô men, được xem là đầu vào điều khiển.
Tính chất 1: qH là ma trận khả nghịch, xác định dương, và bị chặn:
2 2
1 2 , θ θ H q θ θTH H với n θ R (5.2)
trong đó 1,H 2H là các hằng số thực, dương đã biết.
Tính chất 2: 2 ,H q h q q là ma trận đối xứng lệch. Mặt khác, chúng ta có
thể viết lại
T 2 , 0, θ H q h q q θ với mọi nθ R (5.3)
5.2.2 Cấu trúc của RBFNN
Phần này tác giả mô tả vắn tắt cấu trúc của RBFNN. Như chúng ta thấy trong
Hình 5.1, nó được tạo thành bởi ba lớp, cụ thể là lớp đầu vào, lớp ẩn, và lớp đầu ra.
Véc tơ đầu vào được định nghĩa bởi 1
T
1,..., Nx x x với 1N là số lượng các nút đầu
98
vào. Lớp ẩn bao gồm 2N hàm kích hoạt. Trong phần này, những hàm kích hoạt này
được chọn là hàm Gauss như sau:
2
2exp
2
ii
i
x δx with 21,...,i N (5.4)
với ,i iδ là tâm, bán kính của hàm Gaussian đối với nơron ẩn thứ i tương ứng.
Lớp đầu ra là tổ hợp tuyến tính của các trọng số và hàm kích hoạt. Cụ thể,
biểu thức của nút thứ j của lớp đầu ra như sau:
2
0
1
N
j j ji i
i
y W W
x với 31,...,j N (5.5)
Ở đây, 0jW là ngưỡng bù của nút thứ j của lớp đầu ra, và jiW là trọng số kết
nối giữa nơron thứ i trong lớp ẩn với nút thứ j trong lớp đầu ra. 3N là số nút đầu ra.
Véc tơ đầu ra của RBFNN có thể viết như sau
Ty W ζ x , (5.6)
với W được cấu thành bởi tất cả các ngưỡng bù 0jW và các trọng số jiW .
2
T
11, , , N ζ x x x là véc tơ các hàm kích hoạt của lớp ẩn. Chú ý rằng số 1
đã được chèn thêm vào làm phần tử đầu tiên của ζ x . Điều này làm cho W bao
gồm cả ngưỡng bù và trọng số.
Với mọi véc tơ các hàm liên tục và bị chặn 31:NN
f x R R , tồn tại một ma
trận W thỏa mãn [62]:
T f x y ε W ζ ε , (5.7)
trong đó ε là sai số chấp nhận được của phép xấp xỉ
99
Hình 5.1. Cấu trúc mạng RBFNN
5.3. Thiết kế luật điều khiển
5.3.1 Phát biểu bài toán
Mục tiêu của đề xuất điều khiển là thiết kế một phương pháp điều khiển
TSMC cơ bản sao cho véc tơ thực tế của các vị trí khớp nối q bám theo quỹ đạo
được xác định trước dq với sai số bám de q q hội tụ về không trong thời gian hữu
hạn.
5.3.2 Thiết kế mặt trượt phi tuyến
Tương tự như trong [58], tác giả đã xác định mặt trượt thứ i như sau:
rsigi i i i i is e e q q
, với 1,...,i n (5.8)
trong đó iq là biến vị trí thứ i, e q qi i di là biến sai lệch thứ i, diq là quỹ
đạo mong muốn của qi , i là hằng số dương và có thể chọn tùy ý,
sig signe e ei i i , và 1
2
với 1, 2 là các số nguyên dương lẻ thỏa mãn
bất đẳng thức dưới đây [62]:
1
2
11
2
. (5.9)
Lớp đầu vào Lớp ẩn Lớp đầu ra
j = 1, … , N3
100
Mặc dù chứa các toán tử giá trị tuyệt đối và hàm dấu, (5.8) luôn trơn và khả vi
[60].
Cần lưu ý rằng sigrq q ei i idi
là một biến phụ được sử dụng để tính
toán các đầu vào điều khiển.
Một mặt, nếu 0is , thì
sig ,i i i
e e
(5.10)
và vì vậy 0ei sẽ là điểm thu hút duy nhất của (5.10). Hơn nữa, 0is dẫn
đến
2 12r dq q ei i ii
. (5.11)
Kết quả là, 1
2 sẽ dừng vấn đề suy biến xảy ra khi 0ie .
Mặt khác, nếu 0ie trong khi 0is , thì vấn đề suy biến sẽ xảy ra do tồn tại
một số mũ phân số âm trong r iq như sau:
1
r d sigi i i i iq q e e
. (5.12)
Theo đó, loại bỏ vấn đề suy biến là một nhiệm vụ cơ bản trong tình huống
này.
5.3.3 Tính toán đầu vào điều khiển
Trong [58] khi mà vấn đề suy biến được bỏ qua hoàn toàn, trong nghiên cứu
của mình với mục đích tránh vấn đề này, tác giả đã đề xuất thêm các biến phụ như
sau
1d
r
sign if 0 andi i i i i i i ii
i
q e e s eu
q Otherwise
(5.13)
với 1,...,i n , và i minh họa một lớp lân cận xung quanh điểm 0 tương ứng
với ie và có thể chọn nhỏ tùy ý.
Ta viết lại (5.8) và (5.13) dưới dạng biểu thức véc tơ như sau
s e q qresig , (5.14)
T
1,..., nu uu , (5.15)
101
trong đó, T
1,..., ne ee , T
1,..., ns ss , r1 r,..., nq qrq ,
1,..., n β diag với diag là ma trận chéo, T
1sig ,...,sig ne e
sig e .
Tiếp theo, định nghĩa véc tơ các hàm phi tuyến như sau
, rf x H q u h q q q g q , với T
T T T T, , , rx u q q q . (5.16)
Trừ f x cho hai vế của phương trình (5.1) đồng thời kết hợp với các phương
trình (5.13) và (5.14) ta được phuwowg trình sau :
, dH q s h q q s f x η η , (5.17)
Quan sát (5.17) ta thấy nếu mô hình động lực f x của cánh tay này được thể
hiện chính xác, và hơn nữa dη 0 , thì các đầu vào điều khiển có thể được tính toán
trực tiếp thông qua luật điều khiển dựa trên mô hình như sau:
η f x Γsig s , (5.18)
trong đó Γ là ma trận hệ số điều khiển xác định dương và có thể được chọn
tùy ý, và 1 2/ với 1 2, là các số nguyên dương lẻ thỏa mãn 1 2 [62].
Thay (5.18) vào (5.17) với chú ý rằng dη 0 dẫn tới:
,
H q s h q q s Γsig s . (5.19)
Từ (5.19) ta thấy rằng sự ổn định của toàn bộ hệ thống điều khiển vòng kín dễ
dàng được chứng minh bằng tiêu chuẩn Lyapunov.
Tuy nhiên trong thực tế chúng ta thường không biết trước một cách chính xác,
hoàn hảo mô hình động lực học của robot. Cụ thể là f x là không biết và dη 0 . Vì
vậy mà không thể áp dụng luật điều khiển dựa trên mô hình (5.18). Do đó, trong
nghiên cứu của tác giả, f x được xấp xỉ thông qua RBFNN thể hiện trong (5.6).
Thêm vào đó, thành phần bền vững được sử dụng để khắc phục sự bất định, bao gồm
dη và các sai lệch xấp xỉ không thể tránh khỏi do số lượng hữu hạn các nơron trong
lớp ẩn của RBFNN. Luật điều khiển đề xuất như sau:
ˆ ˆ ˆ,
η f x W Γsig s d , (5.20)
trong đó d là thành phần bền vững đã nói ở trên và sẽ được xác định cụ thể
sau. ˆ ˆ,f x W là đầu ra của RBFNN và được áp dụng để ước lượng f x , còn W là
102
giá trị ước lượng của W và có thể được cập nhật trực tuyến bằng thuật toán điều
chỉnh trọng số trực tuyến. Đặc biệt, biểu thức của ˆ ˆ,f x W được thể hiện như sau:
Tˆ ˆ ˆ, f x W W ζ x . (5.21)
Thế (5.7), (5.20), và (5.21) vào (5.17) ta được
T ˆ,
H q s h q q s W ζ d Γsig s d , (5.22)
trong đó dd ε η , ˆ W W W .
Tiếp theo, thuật toán điều chỉnh trọng số online được đề xuất như sau
Tˆ , W Hζs (5.23)
với H là ma trận xác định dương và có thể được chọn tùy ý.
Giả sử 5.1: Phần bất định d bị chặn trong khoảng sau
d , (5.24)
với là hằng số dương không xác định.
Thành phần bền vững d trong (5.20) được đề xuất như sau
ˆ ˆ s
ds
, (5.25)
Với là hệ số bền vững.
Các kết quả trước đó trong [57],[62] cần phải biết cận trên của giới hạn tổng
các thành phần bất định và do đó hệ số bền vững được chọn là hằng số. Trái lại, trong
nghiên cứu của tác giả, xuất phát từ thực tế là rất khó để có được kiến thức về cận
trên này, cho nên hệ số bền vững được cập nhật trực tuyến như sau:
ˆ s , (5.26)
trong đó là hằng số dương được chọn tùy ý.
Để thuận tiện cho việc minh họa, tác giả đã đưa ra sơ đồ của toàn bộ hệ thống
điều khiển vòng kín như hình 5.2 sau đây :
103
Hình 5.2 Sơ đồ của toàn bộ hệ thống điều khiển vòng kín
5.4. Phân tích ổn định
Định lý 5.1: Xét cánh tay robot mô tả bởi (5.1). (Giả sử 5.1) được thỏa mãn.
Nếu áp dụng cho các mặt trượt phi tuyến, luật điều khiển, thuật toán điều chỉnh trọng
số trực tuyến, thành phần bền vững, và luật cập nhật trực tuyến hệ số bền vững được
đề xuất trong (5.8), (5.20), (5.23), (5.25), và (5.26), tương ứng, thì tất cả tín hiệu
trong hệ thống điều khiển vòng kín bị chặn, hơn nữa lỗi bám sẽ hội tụ về 0 trong thời
gian hữu hạn.
Chứng minh. Xét hàm xác định dương như sau:
T T 11 1 1tr
2 2 2V
s H q s W H W , (5.27)
trong đó ˆ , tr(.) là vết của ma trận.
Lấy đạo hàm (5.27) với chú ý rằng ˆ và ˆ W W ta có
T T 11 1 ˆ ˆtr2
V
s H q s H q s W H W . (5.28)
Chú ý (5.3) với việc thay (5.22), (5.23), (5.25), và (5.26) vào (5.28) ta được
T T T Tˆ tr .V
s -Γsig s W ζ d s s W ζs (5.29)
Dễ thấy T T T Ttr W ζs s W ζ và , nên ta có
TV
s -Γsig s d s . (5.30)
Dựa trên giả sử 1, ta có
TV
s Γsig s . (5.31)
Mặt trượt Bộ điều
khiển
Cánh
tay
robot
RBFNN u
q
q
qd
e s
+
-
Thành phần
bền vững
104
Từ (5.31) ta thấy rằng 0V với mọi s . Do vậy, theo lý thuyết ổn định
Lyapunov và LaSalle mở rộng, ta có 0V t V . Điều này dẫn đến, nếu các giá trị
ban đầu 0 , 0s W , và 0 bị chặn, thì ,t ts W , và t sẽ bị chặn với mọi
0t . Kết quả là, tất cả tín hiệu trong hệ thống điều khiển sẽ bị chặn.
Tiếp theo, với mục đích xác nhận sự hội tụ trong thời gian hữu hạn khi s hội
tụ về không, lựa chọn hàm Lyapunov sau:
T2
1
2V s H q s . (5.32)
Lấy đạo hàm (5.32) theo thời gian, được kết quả sau:
T T T2
ˆV
s Γsig s s W ζ d d . (5.33)
Rõ ràng là
T T2
ˆ .V
s Γsig s s W ζ (5.34)
Cần nhấn mạnh rằng TW ζ là bị chặn [62]. Trong khi đó, luôn được cập
nhật trực tuyến sao cho nó luôn tăng, miễn là 0s như đã thấy trong (5.26). Theo
đó, nếu giá trị ban đầu ˆ 0 và hệ số được chọn đủ lớn, thì bất đẳng thức sau sẽ
thỏa mãn sau khoảng thời gian rất ngắn:
T ˆ 0 W ζ . (5.35)
Vì vậy
T
2V
s Γsig s . (5.36)
Tương tự trong [62], bất đẳng thức sau đây được sử dụng
1 /2
1 /2
2 min 22
2
MV V
, (5.37)
trong đó min là giá trị riêng nhỏ nhất của Γ .
Vì vậy, khoảng thời gian hữu hạn khi s hội tụ đến 0 được tính toán như sau [62]
1 /20
21 /2
2 1min M 22
Vts
. (5.38)
Khi các trạng thái của hệ thống nằm trên mặt trượt, nghĩa là s 0 , thời gian
105
hữu hạn để 0ie được tính như sau: [62]
1
1
e tsiteii
, (5.39)
Kết hợp (5.38) và (5.39), tổng thời gian hữu hạn khi mỗi sai lệch bám ei dần
tới 0 là biểu thức sau
. totalt t ts eii (5.40)
Ta có được điều phải chứng minh.
Chú ý 5.1: Để tránh hiện tượng chattering, ta có thể thay (5.25) bằng biểu
thức sau
ˆ if
ˆ
ˆ if
ss
sd
ss
(5.41)
với là một hằng số dương rất nhỏ.
Do đó, để đảm bảo tính bị chặn của , (5.26) phải thay thế bởi:
ifˆ
0 if
s s
s. (5.42)
5.5. Mô phỏng phƣơng pháp điều khiển
Để xác nhận tính đúng đắn và ưu điểm của phương pháp đề xuất, tác giả đã
mô phỏng tính toán trên Matlab/Simulink cho cánh tay rô bốt hai bậc tự do.
Mô hình động lực học của cánh tay robot này được sử dụng từ [58] với các
tham số động lực học được cho như sau: 1 1m (kg),
2 1m (kg), 1 1L (m),
2 0.8L
(m). Không mất tính tổng quát, d được cho như sau
1
2
2sin 2 0.5
1.5cos 3 0.3
dη
t q
t q. (5.43)
Cấu trúc của mạng RBFNN được lựa chọn gồm 8 nút lớp đầu vào, 40 nơron
lớp ẩn, và 2 nút lớp đầu ra. Thêm vào đó, véc tơ tâm iδ ( với 1,...,40i ) của hàm
Gauss nơron lớp ẩn thứ i được chọn là 81 vectơ các số ngẫu nhiên trong khoảng (-1,
1). Bán kính của mỗi nơron lớp ẩn là 2i
với 1,...,40i . Giá trị ban đầu của trọng
số NN được chọn là ma trận ngẫu nhiên các số trong khoảng (-1, 1). Ma trận tham số
106
của thuật toán điều chỉnh trọng số trực tuyến được chọn là 41 4110. H I .
Với thành phần bền vững, giá trị ban đầu của hệ số bền vững được chọn là
ˆ 0 20 , và hệ số của luật cập nhật bền vững được chọn là 2 .
Với các mặt trượt phi tuyến, ta chọn các hệ số 7 /11 và 10i với 1,2i .
Với các tham số thiết kế điều khiển, tác giả chọn 1/ 3 , 10,10Γ diag
0.001i , 0.05 .
Véc tơ mong muốn dq được chọn trước như sau
1.6 0.4sin 0.5
0.6 0.5cos 0.6
d
qt
t (rad), (5.44)
*)Kết quả mô phỏng như sau :
(a) (b)
Hình 5.3. Hiệu suất bám của phương pháp TSMC đề xuất
107
(a) (b)
Hình 5.4 Hiệu suất bám của phương pháp SMC tuyến tính
(a) (b)
Hình 5.5 So sánh trong trạng thái xác lập giữa sai lệch bám tại khớp nối 1của
phương pháp đề xuất TSMC và phương pháp SMC
0 2 4 6 8-2
-1
0
1
2
tien trinh bien thien e1 trong ca hai phuong phap
thoi gian (s)
Sai
lech
bam
vi
tri
e 1 (
rad
)
4 6 8 10 12-8
-6
-4
-2
0
2
4
6x 10
-3
thoi gian (s)
sai
lech
bam
e1 (
rad
)
e1 trong trang thai xac lap
TSMC duoc de xuat
SMC tuyen tinh TSMC duoc de xuat
SMC tuyen tinh
108
(a) (b)
Hình 5.6 So sánh trong trạng thái xác lập giữa sai lệch bám tại khớp nối 2 của
phương pháp đề xuất TSMC và phương pháp SMC tuyến tính
(a) (b)
Hình 5.7 So sánh giữa đầu vào điều khiển tại cả hai khớp nối giữa phương pháp
đề xuất TSMC và phương pháp SMC tuyến tính
0 2 4 6 8
-1.5
-1
-0.5
0
thoi gian (s)
sai
lech
bam
e2 (
rad
)
Tien trinh cua e2 trong ca 2 phuong phap
4 6 8 10 12-15
-10
-5
0
5x 10
-4
thoi gian (s)
sai
lech
bam
e2 (
rad
)
e2 trong gian doan xac lap
TSMC duoc de xuat
SMC tuyen tinh TSMC duoc de xuat
SMC tuyen tinh
0 2 4 6 8 10 12
-100
-50
0
50
100
150
Mo men khop 1 trong ca 2 phuong phap
thoi gian (s)
mo
men
qu
ay
(N
.m)
0 2 4 6 8 10 12
0
50
100
Mo men khop 2 trong 2 phuong phap
thoi gian (s)
mo
men
qu
ay
(N
.m)
TSMC duoc de xuat
SMC tuyen tinh
TSMC duoc de xuat
SMC tuyen tinh
109
(a) (b)
Hình 5.8 So sánh trong trạng thái xác lập sai lệch e1 tại khớp nối 1 giữa phương
pháp đề xuất và phương pháp trong [58]
(a) (b)
Hình 5.9 So sánh trong trạng thái xác lập sai lệch bám e2 tại khớp nối 2 giữa
phương pháp đề xuất và [58]
0 2 4 6 8-2
-1
0
1
2
So sanh e1 trong 2 phuong phap
thoi gian (s)
sai
lech
bam
e1 o
kh
op
1 (
rad
)
3 4 5 6 7
-2
-1
0
1
2
x 10-3 trong gian doan xac lap
thoi gian (s)
sai
lech
bam
e1 (
rad
)
phuong phap duoc de xuat
phuong phap trong [58]
phuong phap duoc de xuat
phuong phap trong [58]
0 2 4 6 8
-1.5
-1
-0.5
0
So sanh e2
thoi gian (s)
sai
lech
bam
e2 t
ai
kh
op
2 (
rad
)
3 4 5 6 7 8
-1
0
1
2
3
4
x 10-4 trong giai doan xac lap
thoi gian (s)
sai
lech
bam
e2 (
rad
)
Phuong phap duoc de xuat
phuong phap trong [58]
phuong phap duocde xuat
phuong phap trong [58]
110
(a) (b)
Hình 5.10 So sánh mô men của phương pháp đề xuất và [58]
(a) (b)
Hình 5.11 So sánh mô men trong trường hợp sử dụng (5.25, 5.26) và hàm trơn
(5.41, 5.42)
0 2 4 6 8-150
-100
-50
0
50
100Tai khop 1
thoi gian (s)
Mo
men
qu
ay
(N
.m)
0 2 4 6 8-150
-100
-50
0
50
100Tai khop 2
thoi gian (s)
Mo
men
qu
ay
(N
.m)
Khong xu ly chattering
co xu ly chattering
khong xu ly chattering
co xu ly chattering
111
Hình 5.12 So sánh sai lệch bám tại khớp 1, 1e , trong trường hợp sử dụng hàm
(5.25, 5.26) và sử dụng hàm trơn (5.41, 4.42)
Hình 5.3 đã mô tả hiệu suất bám của phương pháp TSMC đề xuất. Để so sánh,
một phương pháp SMC tuyến tính với hệ số điều khiển tương tự 1 cũng đã
được mô phỏng, hiệu suất bám được thể hiện trong hình 5.4. Kết quả so sánh sai lệch
bám giữa hai phương pháp TSMC và SMC tuyến tính được làm rõ trong hình 5.5 và
hình 5.6. Rõ ràng là, ở trạng thái xác lập, sai lệch bám của phương pháp đề xuất nhỏ
hơn nhiều so với SMC. Nó chỉ nằm trong khoảng 53 10 và 610 (rad) tại khớp 1 và
khớp 2, tương ứng, trong khi của SMC là 210 và 310 (rad) tương ứng.
Hơn nữa, các mô men (đầu vào điều khiển) của cả hai phương pháp TSMC
cũng như SMC tuyến tính được mô tả trong hình 5.7. Rõ ràng, trong trạng thái tức
thời, phương pháp đề xuất có mô men nhỏ đáng kể so với SMC. Đặc biệt, các mô
men lớn nhất của TSMC là 110 và 50 (N.m) tại khớp 1 và khớp 2 tương ứng, trong
khi của SMC tuyến tính là 155 và 115 (N.m). Cần lưu ý là mô men lớn trong SMC có
thể gây ra độ bão hòa có hại của các bộ chuyển động.
Kết hợp các hình 5.5, 5.6, và 5.7, ta có thể thấy rằng trong trạng thái tức thời,
các giá trị ban đầu của mô men trong phương pháp TSMC đề xuất nhỏ hơn phương
pháp SMC tuyến tính. Kết quả là, thời gian đạt đến không của các sai lệch theo dõi
1,2e của phương pháp đề xuất lâu hơn phương pháp SMC tuyến tính. Đây là một
nhược điểm của phương pháp đề xuất. Tuy nhiên, nhược điểm này là chấp nhận được
trong kĩ thuật điều khiển robot.
2.5 3 3.5 4 4.5 5 5.5 6 6.5 7 7.5 8
-2
0
2
4
x 10-5 trong giai doan xac lap
thoi gian (s)
so s
an
h h
ieu
nan
g k
hi
xu
ly
ch
att
eri
ng
(ra
d)
e1 khi khong xu ly chattering
e1 khi khong xu ly chattering
112
Ngược lại, sử dụng các nỗ lực điều khiển nhỏ ngay từ đầu để tránh độ bão
hòa có hại của đầu vào điều khiển (mô men xoắn) là một trong những ƣu điểm
đáng kể của phương pháp TSMC đã đề xuất khi so sánh với phương pháp SMC
tuyến tính.
Để so sánh với cách tiếp cận trong [58], tác giả cũng thực hiện so sánh mô
phỏng với dη mô tả như trong (5.43) và véc tơ mong muốn
dq cho trong (5.41). Như
chúng ta thấy trong hình 5.9, 5.10, và 5.11, rõ ràng là trong trạng thái xác lập,
không chỉ sai lệch bám 1,2e mà cả mô men 1,2 của phương pháp tác giả đề xuất đều
nhỏ hơn và trơn hơn kết quả trong [58]. Điều này có được do trong (5.13) của
phương pháp điều khiển đề xuất đã cho phép cả sai lệch bám và mô men trở nên tốt
hơn.
Cuối cùng, nhưng không kém phần quan trọng, để thấy được hiệu quả khi thay
các công thức (5.25, 5.26) bởi các công thức (5.41, 5.42) tương ứng, tác giả đã thực
hiện các mô phỏng với các hàm dấu trong các công thức (5.25, 5.26) và các hàm trơn
thay thế trong các công thức (5.41, 5.42). Kết quả được minh họa trong hình 5.11,
hiện tượng chattering đã xảy ra ở cả hai khớp nối khi sử dụng hàm dấu trong các
công thức (5.25) và (5.26), trong khi không có bất kỳ hiện tượng chattering trong
trường hợp sử dụng hàm trơn theo công thức (5.41) và công thức (5.42). Tuy nhiên,
trả giá cho việc này là các sai lệch bám khi khử hiện tượng chattering có thể sẽ lớn
hơn. Ví dụ như trong hình 5.12 minh họa sai lệch bám ở khớp 1. Rõ ràng là giá trị
lớn nhất của 1e khi dùng hàm trơn là 410-5
và khi dùng hàm dấu là 210-5
(rad). Sự
trả giá này cũng có thể được cho phép khi chúng ta ưu tiên lựa chọn việc khử
chatterring trong kỹ thuật điều khiển robot.
Từ các kết quả mô phỏng trên đây, chúng ta có thể kết luận rằng phương pháp
TSMC đề xuất có ưu điểm hơn phương pháp SMC tuyến tính cũng như phương pháp
được đề xuất trong [58].
Chú ý 5.2. Khi nói đến mặt trượt phi tuyến ở công thức (5.8) trong [58] như
sau
s e sig e
với 0 1 .
113
Nếu 0s , thì e sig e
. Rõ ràng là nếu được chọn là một giá trị nhất
định thỏa mãn điều kiện trên, hơn nữa có thể chọn 0 0.5 , thì khi cả 0s và
0e , sự suy biến sẽ xảy ra trong công thức (5.12) của [58] như sau:
1 2 12s e e e e e sig e
Đây là lý do tại sao tác giả đề cập rằng vấn đề suy biến trong [58] đã bị bỏ qua
hoàn toàn.
5.6. Kết luận chƣơng 5
Trong phần này tác giả đã trình bày phương pháp TSMC giải quyết được vấn
đề suy biến cho cánh tay rô bốt cố định. Ngoài việc giảm bớt một số nhược điểm của
phương pháp SMC tuyến tính như trả giá cho nỗ lực điều khiển mô men lớn trong
trạng thái tức thời nhưng nhận được sai lệch bám khá lớn trong trạng thái ổn định,
phương pháp TSMC đề xuất vẫn bảo toàn độ bền vững chống lại sự bất định của mô
hình cũng như các nhiễu ngoài. Hơn nữa, vấn đề suy biến cũng được xử lý hoàn toàn
bằng công thức (5.13). Nhờ những ưu điểm và sự đơn giản của phương pháp TSMC
đề xuất này, nó sẽ là một ứng viên tốt cho các ứng dụng thực tế.
(*) Nội dung chính của chương này là kết quả của công trình khoa học đã
công bố số [3] Kiem NGUYEN, Tinh NGUYEN, Quyen BUI, Minhtuan PHAM,
“Adaptive anti-singularity terminal sliding mode control for a robotic arm with
model uncertainties and external disturbances”, Turkish journal of electrical
engineering & computer sciences, E-ISSN: 1303-6203, ISSN: 1300-0632, DOI:
10.3906/elk-1711-137, Year:2018 Volume: 26 Number:6, page 3224-3238, tạp chí
thuộc danh mục SCIE, IF: 0.58.
114
KẾT LUẬN TOÀN LUẬN ÁN
Luận án đã nghiên cứu và phát triển thuật toán điều khiển cho hệ robot gắn
camera đặt trên robot di động với nhiều tham số bất định. Phương pháp điều khiển
cho hệ robot-camera bám mục tiêu có chú ý đến cơ cấu chấp hành với nhiều tham số
bất định dùng mạng nơ ron nhân tạo và phương pháp điều khiển trượt phi tuyến kết
hợp với mạng nơ ron nhân tạo để điều khiển cánh tay robot có mô hình bất định,
nhiễu ngoài và chống lại sự suy biến. Các phương pháp điều khiển đưa ra được
chứng minh tính ổn định theo lý thuyết ổn định Lyapunov và LaSalle mở rộng đồng
thời được kiểm chứng bằng phần mềm mô phỏng Matlab.
1. Các kết quả đạt đƣợc của luận án.
Luận án có bốn đóng góp chính như sau:
- Mô hình hóa chuyển động vi phân của robot và vật mục tiêu bay, nghiên
cứu, phát triển thuật toán điều khiển cho hệ Robot-Camera đặt trên robot di động
bánh xe bám theo mục tiêu chuyển động với sự bất định của robot di động bánh xe và
mục tiêu di động không biết trước. Trong phần này tác giả đã đưa ra được luật điều
khiển động học và động lực học đảm bảo hệ robot di động-camera bám mục tiêu di
động, trong đó luật điều khiển động học đưa ra được tốc độ đặt để robot bám theo tốc
độ này, luật điều khiển động lực học đưa ra được momen đảm bảo tốc độ của robot
bám theo tốc độ đặt, luật điều khiển động lực học này được chứng minh tính ổn định
theo nguyên lí ổn định Lyapunov và được kiểm chứng tính đúng đắn bằng phần mềm
mô phỏng matlab-simulink.
- Nghiên cứu, phát triển thuật toán điều khiển cho hệ Robot-Camera có các
tham số bất định của mô hình động học dùng mạng nơ ron nhân tạo với tín hiệu điều
khiển là mô men các khớp. Trong nội dung này tác giả đã đưa ra công thức tính toán
được tốc độ đặt cần thiết các khớp robot nhằm bám theo đặc trưng ảnh thu được của
camera sau đó đưa ra luật điều khiển động học hệ robot-camera cố định để tốc độ các
khớp robot bám theo tốc độ đặt, sau đó tác giả đưa ra luật điều khiển động lực học
nhằm đưa ra tín hiệu momen cho các khớp robot nhằm đảm bảo vận tốc các khớp
bám theo vận tốc đặt, trong điều kiện tồn tại các thành phần bất định của mô hình
động học robot. Tác giả dùng mạng nơ ron nhân tạo để xấp xỉ các thành phần bất
định này và đưa ra được một định lí cho luật điều khiển này. Luật điều khiển đưa ra
115
cũng được chúng minh tính ổn định theo nguyên lí ổn định Lyapunov và kiểm chứng
tính đúng đắn bằng phần mềm mô phỏng matlab-simulink.
- Nghiên cứu, phát triển thuật toán điều khiển cho hệ Robot-Camera có chú ý
đến động cơ điều khiển các khớp với nhiều tham số bất định của mô hình động học
và của động cơ điện. Nội dung này tác giả đã tính toán và tìm ra được mối quan hệ
giữa vector đặc trưng ảnh thu được trên camera và tốc độ các khớp robot, sau đó tính
toán đạo hàm của sai lệch đặc trưng ảnh bao gồm cả thành phần ước lượng được và
thành phần bất định, tiếp theo tác giả dựa vào các phương trình động lực học của
robot, phương trình cân bằng điện áp của động cơ, phương trình momen của động cơ,
phương trình sai lệch đặc trưng ảnh để tính toán và tìm ra được mối quan hệ giữa tín
hiệu điện áp động cơ với sai lệch đặc trưng ảnh, trong đó có tính đến các tham số bất
định của mô hình động lực học robot, các tham số bất định của động cơ điện và các
tham số bất định của đặc trưng ảnh. Sau khi thiết lập được phương trình động lực học
mô tả mối quan hệ giữa sai lệch đặc trưng ảnh với tín hiệu điện áp điều khiển động
cơ chấp hành tác giả xác định được tín hiệu điện áp điều khiển cho động cơ chấp
hành gồm hai thành phần:
+ Thành phần đáp ứng các đại lượng đã biết trước
+ Thành phần đáp ứng các tham số bất định được xấp xỉ bằng mạng nơ ron
nhân tạo.
Kết quả của luật điều khiển này tác giả cũng đưa ra được một định lí. Luật điều khiển
được chứng minh tính ổn định theo nguyên lí ổn định Lyapunov và cũng được kiểm
chứng tính đúng đắn bằng phần mềm mô phỏng matlab-simulink.
- Nghiên cứu, phát triển thuật toán điều khiển robot-camera có sự bất định
của mô hình động học, nhiễu ngoài, chống lại sự suy biến dùng bộ điều khiển trượt
thích nghi phi tuyến kết hợp với mạng nơ ron nhân tạo. Nội dung này tác giả trình
bày về mô hình động lực học của robot, trình bầy về cấu trúc của mạng RBFNN, thiết
kế luật điều khiển cho hệ robot-camera, thiết kế mặt trượt phi tuyến, tính toán đầu
vào điều khiển, xác định thuật toán điều chỉnh trọng số mạng nơ ron và thành phần
bền vững. Cuối cùng tác giả đưa ra được 1 định lí cho luật điều khiển. Luật điều
khiển được chứng minh tính ổn định theo nguyên lí ổn định Luyapunov và cũng được
kiểm chứng tính đúng đắn bằng phần mềm mô phỏng matlab-simulink
2. Hƣớng phát triển của luận án
116
- Tiếp tục nghiên cứu phát triển phương pháp điều khiển cho cả robot di động
kết hợp với hệ Robot- Camera khi xét đến tính bất định của robot di động gồm các
yếu tố bất định của về độ trượt bánh xe, mô hình bất định, và nhiễu ngoài bị chặn, sau
đó xét đến hệ Robot-Camera có chú ý đến cơ cấu chấp hành và hệ này cũng tồn tại
các tham số bất định.
- Nghiên cứu phương pháp điều khiển cho robot di động bánh xe chú ý đến
cơ cấu chấp hành của bánh xe như tín hiệu điều khiển động cơ bánh trái, động cơ
bánh phải có chú ý đến các yếu tố bất định như: độ trượt, mô hình bất định, nhiễu bên
ngoài.
- Xây dựng hệ thống thực nghiệm để kiểm chứng các phương pháp điều
khiển đã đề xuất.
117
DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ
[1]. Nguyen Tien Kiem, Pham Thuong Cat, “conrol of robot-camera system with
actuator’s dynamic to tract moving object”, Tạp chí tin học và điều khiển học,V.31,
N.3(2015), tr 255-265.
[2]. Nguyen Tien Kiem, Hoang Thi Thuong, Nguyen Van Tinh, “Modeling the
differential motion of a mobile manipulator and designing a new visual servoing for
tracking a flying target”, Tạp chí tin học và điều khiển học,V.33, N.4 (2017), tr 339-
355.
[3] Kiem NGUYEN, Tinh NGUYEN, Quyen BUI, Minhtuan PHAM, “Adaptive
anti-singularity terminal sliding mode control for a robotic arm with model
uncertainties and external disturbances”, Turkish journal of electrical engineering &
computer sciences, E-ISSN: 1303-6203, ISSN: 1300-0632, DOI: 10.3906/elk-1711-
137, Year:2018 Volume: 26 Number:6, page 3224-3238, tạp chí thuộc danh mục
SCIE, IF: 0.58.
[4].Nguyễn Tiến Kiệm, Phạm Thượng Cát , „Điều khiển tốc độ bệ pan-tilt-camera
bám mục tiêu di động với nhiều tham số bất định‟ , Kỷ yếu hội nghị cơ điện tử toàn
quốc lần thứ 6 VCM2012, Hà Nội ngày 14-15/12/2012, tr.787-794.
[5].Nguyễn Tiến Kiệm, Phạm Thượng Cát, Nguyễn Văn Tính „Điều khiển hệ rô bốt
- camera bám mục tiêu di động có chú ý tác động của cơ cấu chấp hành’ , Kỷ yếu
hội nghị điều khiển và tự động hóa toàn quốc lần thứ 2 VCCA2013, Đà Nẵng ngày
22-23/11/2013, tr.321-327
[6]. Nguyễn Tiến Kiệm, Phạm Thượng Cát , „Điều khiển hệ rô bốt - camera bám
mục tiêu di động có chú ý tác động của cơ cấu chấp hành và mô hình ma sát động
LuGre‟, Kỷ yếu hội nghị cơ điện tử toàn quốc lần thứ 7 VCM2014, Đồng Nai, ngày
21-22/11/2014, tr.506-513.
[7]. Nguyễn Tiến Kiệm, „Điều khiển hệ rô bốt - có chú ý tác động của phụ tải
không biết trước và mô hình động lực học ma sát LuGre‟, Kỷ yếu hội nghị cơ điện tử
toàn quốc lần thứ 8 VCM2016, Cần Thơ, ngày 25-26/11/2016, tr.802-805.
118
TÀI LIỆU THAM KHẢO
[1] P. McKerrow, “Introduction to Robotics”, Addison-Wesley, 1998.
[2] Phạm Thượng Cát, “Một số phương pháp điều khiển hiện đại cho rô bốt công
nghiệp”, Nhà xuất bản đại học Thái Nguyên, 2009.
[3] M. Galicki, “Task space control of mobile manipulators,” Robotica, vol. 29, pp.
221-232, 2011.
[4] M. Galicki, “Collision-free control of mobile manipulators in task space,” Mech.
Syst. Signal Process, vol. 25, no. 7, pp. 2766-2784, 2011.
[5] A. Mazur, “Trajectory tracking control in workspace-defined tasks for
nonholonomic mobile manipulators,” Robotica, vol. 28, pp. 57-68, 2010.
[6] N. T. Phuong, V. H. Duy, J. H. Jeong, H. K. Kim, and S. B. Kim. “Adaptive
control for welding mobile manipulator with unknown dimensional parameters,”
Proc. of the IEEE international conf on mechatronics, pp. 1-6, 2007.
[7] B. W. Chi, and F. X. Ke, “Robust control of mobile manipulator service robot
using torque compensation,” Proc. of the IEEE international conf on information
technology and computer science, pp. 69-72, 2009.
[8] M. Galicki, “An adaptive non-linear constraint control of mobile manipulators,”
Mechanism and Machine Theory, vol. 88, pp. 63-85, 2015.
[9] A. Muis, Ohnishi, “Eye-to-hand approach on eye-in-hand configuration within
real-time visual servoing”, IEEE/ASME Trans. Mechatronics, vol. 10, pp. 404–
410, 2005.
[10] Y. Wang, H. Lang, C. de Silva, “A hybrid visual servo controller for robust
grasping by wheeled mobile robots”, IEEE/ASME Trans. Mechatronics, vol. 15,
pp. 757–769, 2009.
[11] A. D. Luca, G. Oriolo, P. R. Giordano. “Image-based visual servoing schemes
for nonholonomic mobile manipulators”, Robotica, vol. 25, no. 2, pp. 131-145.
2007.
[12] Hideaki Tai, Toshiyuki Murakami, “A control of two wheels driven redundant
mobile manipulator using a monocular camera system”, Int. J. Intell. Syst.
Technol. Appl. Vol. 8 pp. 361–381, 2009.
[13] Wang HB, Lv L, Li P. “Study on estimating Jacobian matrix on-line visual servo
control algorithm”. Journal of System Simulation, vol. 22, pp. 2934–2937, 2010.
119
[14] C. Hua, Y. Wang, Y Guan, “Visual tracking control for an uncalibrated robot
system with unknown camera parameters”, Robotics and Computer-Integrated
Manufacturing, Vol. 30, pp. 19 – 24, 2014.
[15] W. J. Wilson, C. C. Williams, and G. S. Bell, “Relative end-effector control
using cartesian position based visual servoing,” IEEE Trans. Robot. Autom, vol.
12, no. 5, pp. 684-696, 1996.
[16] E. Malis and P. Rives, “Robustness of image-based visual servoing with respect
to depth distribution errors” Proc. of the 2003 IEEE International Conf on
Robotics and Automation pp. 1056-1061, 2003.
[17] V. Andaluz, R. Carelli, L. Salinas, J. M. Toibero, F. Roberti, “Visual control with
adaptive dynamical compensation for 3D target tracking by mobile
manipulators”, Mechatronics vol. 22, pp. 491-502, 2012.
[18] S. Hutchinson, G. D. Hager, P. I. Corke, “A Tutorial on Visual Servo Control”,
IEEE Trans on Robot and Auto, Vol. 12, No. 5, pp. 651-670, 1996.
[19] F. Chaumette, S. Hutchinson, “Visual Servo Control. Part I: Basic Approaches.”
IEEE Robotics and Auto Magaz. Vol. 13, No. 4, pp. 82-90, 2006.
[20] F. Chaumette, S. Hutchinson, “Visual Servo Control. Part II: Advanced
Approaches.” IEEE Robotics and Auto Magaz. Vol. 14, No. 1, pp. 109-118, 2007.
[21] F. Bensalah, F. Chaumette, “Compensation of abrupt motion changes in target
tracking by visual servoing”, Proc. 1995 IEEE/RSJ Inter Conf on Intel Robots
and Syst, pp. 181-187, Aug. 1995.
[22] N. V. Tinh, P. T. Cat, P. M. Tuan, B. T. Quyen, “Visual Control of Integrated
Mobile Robot – Pan Tilt – Camera System for Tracking a Moving Target”, Proc.
of the 2014 IEEE International Conf on Robotics and Biomimetics, pp. 1566-
1571, 2014.
[23] V. Andaluz, F. Roberti, L. Salinas, J. Toibero, R. Carelli, “Passivity-based visual
feedback control with dynamic compensation of mobile manipulators: Stability
and L2-gain performance analysis”, Robotics and Autonomous Systems, Vol. 66,
pp. 64-74, 2015.
[24] Lin C.T., Lee G.C.S. “Neural fuzzy systems: A Neuro-FuzzySynergism to
Intelligent Systems”, Prentice-Hall international Inc. 1996
[25] N.E Cotter, “The Stone-Weierstrass and Its Application to Neural Networks”,
120
IEEE Transactions on Neural Networks, Vol1.N4 1990 pp.290-295
[26] Psaltis, D., Sideris, A and Yamamura, A, “Neural controllers”, Proc. IEEE 1st
Int. Conf. Neural Networks, San Diego, Jun 1987.
[27] N.Murata, S Yoshizawa, S Amari, “Network infromation criterion-derermining
the number of hittden units for an atificial neural network model”, IEEE Trans,
Neural Networks, 1994, 5(6) pp.856-887.
[28] Leon O.Chua and Róska Tamás, “Cellular neural networks and visual
computing: Foundations and applications”, Cambridege University Press 2002
[29] Peter I. Coke. “Visual control of robot: High- performance visual servoing ”,
Research studies press Ltd, 1996
[30] J.Somlo, B.Lantos, P.T.Cat. Advanced robot control. Akademiai Kiado
Budapest, 1997.
[31] Trần Việt Phong. Xây dựng hệ điều khiển robot trên cơ sở phản hồi hình ảnh.
Luận văn thạc sỹ, Đại học Bách Khoa 2002.
[32] Seth Hutchison, Greg Harger, Peter Corke. A Tutorial on Visual Servo Control.
IEEE Trans. Robot. Automat., 12(5): 651-670, Oct. 1996.
[33] Armel Cretual, Francois Chaumette. Image-based visual servoing by
integration of dynamic measurements. IEEE Int. Conf. Robot. Automat., Vol
3:1994-2001, May, 1998.
[34] Peter I. Corke. Visual Control of Robot: high-performance visual servoing.
Research studies press Ltd, 1996.
[35] Koichi Hashimoto. Observer-based visual servoing. Okayama University,
Japan.
[36] . J.A. Piepmeier, G.V. McMuray, H.Lipkin. Tracking moving target with Model
Independent Visual Servoing: A predictive estimate Approach Proceeding of the
1998 IEEE, Int. Conf. On intelligent robot and system, Leuven, Begium, 1998.
[37] TS.Nguyễn Mạnh Tiến, “Điều khiển robot công nghiệp”, nhà xuất bản khoa
học kỹ thuật Hà Nội, 2007.
[38] Bimal K, “Power electronics and variable frenquency drive technology and
application”, IEEE press, 1997.
[39] Bùi Quốc Khánh, Nguyễn Văn Liễn, Phạm Quốc Hải, Dương Văn Nghi, “Điều
chỉnh tự động truyền động điện”, nhà xuất bản khoa học và kỹ thuật Hà Nội,
121
2006.
[40] S.Hutchinson, G.D.Hager, and P.I.Cork., A tutorial on Visual servo control,
IEEE transactions on robotics and automation, 12(5) october 1996.
[41] F. Chaumette, S.Hutchinson., Visual servo control .II. Advanced approaches
[Tutorial], Robotics & Automation magazine, IEEE, volume 14, Issue 1, March,
2007 Pega(s): 109-118.
[42] C.S Kim, E.J Mo, S.Han, M.Jie and K.W.Lee., Image-based Robust control of
Robot manipulators with Image Jacobian and dynamics uncertainties, 4th IEEE
conferrence on Automation Science and Enginerring Key Bridge Marriott,
Washington DC, USA August 23-26, 2008, pp723-737.
[43] G.Loreto and R.Garrido., Stable neuro-visual serviong for robot manipulators,
IEEE Transactions on neural network, Vol.17 No.4, July 2006, pp.183-1898.
[44] L.Hernandez, R.Gonzalez, H.Sahli, E.Rubio and Y.Guerra., A decoupled control
for visual servoing of camera-in-hand robot with 2D movement, Proceeding of
the electronics, Robotics and Automotive mechanics conferrence 2008,
CERMA‟08 pp.301-304.
[45] Q.Zhao, L.Zhang, Y.Chen., On-line estimation technique for Jacobian matrix
in robot visual servo systems, Industrial electronics and applications , 2008,
ICIEA 2008.3rd IEEE conference on 3-5 June 2008 pages : 1270-1275.
[46] T.C.Pham., Robust Neural control of n-DOF robot with many uncertainties in
cartesian space, Proceedings of the 2009 National conference on mechanics,
Hanoi Vietnam April 8-9.
[47] Wen Yu, Marco A Moreno-Armendariz., Robust visual servoing of Robot
Manipulators with neuro compensation, Journal of the Franklin institute.
[48] Hyroiuki Ukida, Masayuki Kawanami, Yasuhiro Terama., 3D object tracking by
Pan-Tilt moving camera and robot using sparse template matching and particle
filter, SICE annual conference 2011september 13-18, 2011, Waseda university,
Tokyo, Japan.
[49] Tingting Wang, Guodong Liu, Wenfiang Xie, member IEEE., Visual servoing
control of video tracking system for tracking a flying target, 2011 IEEE/ASME
International conference on advance intelligent machetronics (AIM2011),
Budapest, Hungary, July 3-7, 2011.
122
[50] Chengxian Zhou, Wei Fu., A study of robot control technology base on stereo
vision, 2011 international conference on electronics and optoelectronics (ICEOE
2011).
[51] Hesheng Wang, Yun-Hui Liu, Weidong Chen., Zhongli Wang. A new approach
to dynamic Eye-in-Hand visual tracking using nonlinear observers, IEEE/ASME
transactions on mechatronics, Vol.16, No2, April 2011.
[52] G.Loreto, R.Garrido. Stable Neurovisual servoing for robot manipulator. IEEE
transaction neural networks Vol.17, No4, July 2006.
[53] Sabanovic A. Variable structure systems with sliding modes in motion control - A
Survey. IEEE Trans. on Indus Inform 2011; 7: 212–223.
[54] Petr H. Adaptive sliding mode control with moving sliding surface. Appl
Soft Comp 2016; 42: 178-183.
[55] Slotine J, Li W. Applied Nonlinear Control. Englewood Cliffs, NJ, USA:
Prentice-Hall, 1991.
[56] Mehmet E. Fractional Fuzzy Adaptive Sliding-Mode Control of a 2-DOF
Direct-Drive Robot Arm. IEEE Trans Syst, Man, Cyber 2008; 38: 1561 – 1570.
[57] Tang Y. Terminal sliding mode control for rigid robots. Autom 1998; 34: 51–56.
[58] Tran M, Kang H. Adaptive terminal sliding mode control of uncertain robotic
manipulators based on local approximation of a dynamic system. Neuroco 2017;
228: 231-240.
[59] Feng Y, Yu X, Man Z. Non-singular terminal sliding mode control of rigid
manipulators. Autom 2002; 38: 2159–2167.
[60] Yu S, Yu X, Shirinzadeh B, Man Z. Continuous finite-time control for robotic
manipulators with terminal sliding mode. Autom 2005; 41: 1957–1964.
[61] Man Z, Yu X. Terminal sliding mode control of MIMO linear systems. IEEE
Trans. on Circ and Syst - I: Funda Theo App 1997; 44: 1065–1070.
[62] Wang L, Chai T, Zhai L. Neural-network-based terminal sliding-mode control
of robotic manipulators including actuator dynamics. IEEE Trans. on Indus
Elect 2009; 56: 3296-3304.
[63] Jing X, Guo Z, Global fast dynamic terminal sliding mode control for a
quadrotor UAV, ISA Trans 2017; 66: 233 - 240.
[64] Li S, Zhou M, Yu X. Design and implementation of terminal sliding mode
123
control method for PMSM speed regulation system. IEEE Trans Ind Inform
2013; 9: 1879 – 1891.
[65] Li S, Du H, Yu X. Discrete-time terminal sliding mode control systems based on
[66] Euler's discretization. IEEE Trans Autom Cont 2014; 59: 546 – 552.
[67] Li S, Wu C, Sun Z. Design and implementation of Clutch control for automotive
transactions using terminal sliding mode control and uncertainty observer. IEEE
Trans Veh Technol 2016; 65: 1890 – 1898.
[68] Chen M, Wu QX, Cui RX. Terminal sliding mode tracking control for a class of
SISO uncertain nonlinear systems. ISA Trans 2013; 52: 198 – 206.
[69] Shyam K, Jaime M, Asif C, Bijnan B, Leonid F. Continuous terminal sliding-
mode controller, Autom 2016; 69: 308 - 314.
[70] Nguyen Tran Hiep. Robust PID Sliding Mode Control of Robot Manipulators
with On-line Learning Neural Networks, Proceeding of European Control
Conreference 2009, 23 - 26 August 2009 Budapest Hungary, pp. 2187-2192.
[71] Nguyễn Thanh Thuỷ, Trần Ngọc Hà. (1999), “Tích hợp kỹ thuật mạng nơron và
giải thuật di truyền trong phân tích dữ liệu”, Tạp chí tin học và điều khiển học,
T15, S.2.
[72] Tưởng Phước Thọ, Nguyễn Trường Thịnh, Nguyễn Ngọc Phương (2010),
“Nghiên cứu và phát triển Robot dạng người điều khiển giao thông”, Tuyển tập
Hội nghị Cơ điện tử toàn quốc lần thứ 5, 22-23/10/2010, trang 188-192.
[73] Andon V. Topanov, Okyay Kaynak and Nikola G. Shakev (2002), “Neural
Network Indenfitication , Predictive Modeling and Control with a sliding mode
Learning Mechanism: An Application to the Robotic Manipulators”, The first
International IEEE Symposium “Inteligent systems” Semtemper 2002, Page 102
– 106.
[74] A. Haeussler, K. C. Ng Y. Li, D. J. Murray-Smith, and K. C. Sharman (1995),
“Neurocontrollers designed by a genetic algorithm”, In Proc. First IEE/IEEE Int.
Conf. on GA in Eng. Syst.: Innovations and Appl., pages 536-542.
[75] A. Guez, J. L Eilbert, M. Kam (1987), “Neural network Architecture for
control”, International Conference on Neural Networks, San Diego, California,
June 21-24, pp 22 – 25.
[76] Artemis K. Kostarigka, George A. Rovithakis (2007), “Adaptive Neural network
124
Tracking Control for A Class of MIMO Nonlinear System with Measurement
Error”, Proccedings of the 15 Mediterranean Conference on Control &
Automation, July 27-29, 2007, Athens-Greece. T22-008.
[77] Bach H. Dinh, Matthew W. Dunnigan, Donald S. Reay (2008), “A Practical
Approach for Position Control of Robotic Manipulator Using a Radial Basis
Function Network and a Simple Vision Systems”, Wseas Transaction on
Systems and Control. Issue 4, Volume 3, April 2008, Page 289 – 298.
[78] E.W. McGookin, D.J. Murray-Smith, Y. Li, and T.I. Fossen (1997), “Parameter
optimisation of a non-linear tanker control system using genetic algorithms”, In
Proc. 2nd Int. Conf. Genetic Algorithms in Eng. Syst. Innovations and
Applications, Glasgow, pages 37-42, 1997.
[79] Ghnia Debbache, Abdelhak Bennia, Noureddine Golea (2007), “Neural
networks-Based Adaptive State Feedback Control of Robot Manipulators”,
International Journal of Computers, Communications & Control, Vol. II (2007),
No. 4. Pages 328-339.
[80] H. Asada, J. J. E. Slotine (1995), Robot Analysis and Control, Massachusetts
Institude of Technology.
[81] H. Al-Duwaish, S.Z. Rizvi (2010), “Design of a Neuro-Controller for
Multivariable Nonlinear Time-Varying Systems”, Wseas Transaction on
Systems and Control, Issue 9, Volume 5, September 2010, Page 711-720.
[82] Jakub Możaryn and Jerzy E. Kurek (2010), “Sliding Mode Control of Robot
Based on Neural Network Model with Positive Definite Inertia Matrix”,
Artificial Neural Networks – ICANN 2010. Lecture Notes in Computer Science,
2010, Volume 6353/2010, Pages 266-275.
[83] J. Danien Cobb (1998), “Towad a Theory of Robust Compensation for System
with Unknown Parasitics” , IEEE Transactions on Automatic Control, Vol 33, No
12, December 1998. pp 1130 – 1138.
[84] Lorenzo Sciavicco, Bruno Siciliano (1996), “Modeling and Control of Robot
Maniputators”, Copyrright 1996 by the McGraw-Hill Companies, Inc.
[85] Matt Young (2006), “The Stone – Weierstrass Theorem” – Queen‟s University
at Kingston, Winter Term.
[86] M. On der Efe, Okyay Kaynak (2000), “Stabilizing and robostifuing the
125
Learning mechanisms of Artificial Neural network in Control Engineering
Applications”, Inter Journal of interlligent systems, Vol 15, pp. 365-388.
[87] M. On der Efe, Okyay Kaynak (2000), “The use of variable structure systems
theory in learning for computationally intelligent.
[88] Min-Jung Lee, Gi Hyun Hwang, Tae-Seok Jin (2008), “Design and
Implementation of Manipulator Tracking Control based on Intelligent
Method”, Reseachs was supported by the Program for the Training of
Graduate Students in Regional Innovation with was conducted by the Ministry
of Commerce Industry and Energy of the Korean government.
[89] Nasser Sadati, Rasoul Ghdami, Mahdi Bagherpour (2007), “Adaptive Neural
Network Multiple Models Sliding Mode Control of Robotic Manipulators
Using Soft Switching”, Department of Electrical Engineering, Shrif University
of Thechnology, Tehran, Iran.
[90] P. Buttolo, P.Braathen, B. Hannaford (1994), “Sliding Control of Force
Reflecting Teleoperation: Preliminary Stadies”, Presence, Sprinf 1994, Vol 3,
Num 2, pp 158 – 172.
[91] S. Kawaji, K. Ogasawara, Hidenobu Honda (1994), “Swing-up of pendulum
using Genetic Algorithms”, Proceedings of the 33rd
Conference on Decision
and Control Lake Buena Vista Florida, December 1994.
[92] Toshio Fukuda and Naoyuki Kubota, (1998), “Intelligent Robotic Systems,
Japan-USA-Vietnam Workshop on Research and Education In System”,
Computation and Control Engineering, Hanoi, 1998.
126
PHỤ LỤC CHƢƠNG 2
Sơ đồ mô phỏng bằng matlab-simulink
127
Mô hình điều khiển động học
128
Mô hình điều khiển động lực học
129
Mô hình cánh tay robot (Pan-Tilt)
130
PHỤ LỤC CHƢƠNG 3
Sơ đồ mô phỏng hệ bằng matlab-simulink
131
Bộ điều khiển
132
Mô hình cánh tay robot (Pan-Tilt)
133
PHỤ LỤC CHƢƠNG 4
Sơ đồ mô phỏng bằng matlab-simulink
134
Mô hình cánh tay robot (pan-tilt)
135
Mô hình bộ điều khiển
136
Mô hình động cơ điện
137
PHỤ LỤC CHƢƠNG 5
Sơ đồ mô phỏng matlab-simulink
138
Mô hình bộ điều khiển
139
Mô hình cánh tay robot