Ứng dụng logic mờ vào điều khiển robot tiếp tân luận văn thạc sĩ ngành kỹ thuật cơ điện tử Ứng dụng logic mờ vào điều khiển robot tiếp tân luận văn thạc sĩ ngành kỹ thuật cơ điện tử Ứng dụng logic mờ vào điều khiển robot tiếp tân luận văn thạc sĩ ngành kỹ thuật cơ điện tử Ứng dụng logic mờ vào điều khiển robot tiếp tân luận văn thạc sĩ ngành kỹ thuật cơ điện tử
QUAN
GIỚI THIỆU
Trong hơn nửa thế kỷ qua, lĩnh vực robot đã có những bước phát triển mạnh mẽ để đáp ứng nhu cầu của xã hội Nghiên cứu đang chuyển từ robot công nghiệp sang robot dịch vụ, với mục tiêu tích hợp chúng vào đời sống con người Hiện nay, ngoài việc chế tạo máy, robot còn được ứng dụng trong nhiều lĩnh vực như y tế, chăm sóc sức khỏe, nông nghiệp, đóng tàu, xây dựng, an ninh quốc phòng và gia đình, tạo động lực cho sự phát triển của robot địa hình và robot dịch vụ.
Mặc dù cấu trúc của robot có nhiều điểm khác nhau, nhưng nghiên cứu hiện nay tập trung vào ứng dụng dịch vụ và hoạt động của robot trong môi trường tự nhiên Sự phát triển và hiện đại hóa toàn cầu đã hình thành nhiều dịch vụ mới, làm thay đổi quan điểm về robot từ việc phục vụ công việc sang đáp ứng nhu cầu xã hội và cá nhân của con người, như những người giúp việc đa năng và hiệu quả.
Gần đây, một số loại robot được quan tâm bao gồm robot tay máy (Manipulator robot), robot di động (Mobile Robot) và robot phỏng sinh học (Bio Inspired robot) Trong số đó, robot di động, đặc biệt là robot di chuyển bằng bánh xe, được sử dụng rộng rãi trong các ứng dụng dịch vụ nhờ vào tính linh hoạt trong di chuyển Robot này có khả năng thực hiện nhiều nhiệm vụ ở các vị trí khác nhau, kết hợp các chuyển động của bánh xe và quan trọng nhất là khả năng xác định phương hướng (Navigation) hiệu quả.
Phòng thí nghiệm OpenLab thuộc trường Đại học Sư phạm Kỹ thuật thành phố Hồ Chí Minh đang nghiên cứu phát triển robot tiếp tân di chuyển bằng bánh xe cho môi trường trường học Dự án này bao gồm nhiều hạng mục quan trọng như khả năng tự định vị, phát hiện vật cản, di chuyển đến vị trí yêu cầu, tránh vật cản, tương tác với người dùng, nhận dạng và truy xuất thông tin.
2 Đề tài “Ứng dụng logic mờ vào điều khiển robot tiếp tân” nhằm tìm ra giải thuật di chuyển tối ƣu và chính xác cho robot.
TÌNH HÌNH NGHIÊN CỨU LIÊN QUAN ĐẾN ĐỀ TÀI
Trong nghiên cứu về "Điều khiển mờ cho robot di động", ba bộ điều khiển mờ đã được phát triển cho robot Khepera, cho phép thực hiện ba nhiệm vụ chính: đạt đến mục tiêu, tránh vật cản và thăm dò môi trường Mục tiêu chủ yếu là xây dựng chiến lược điều hướng cho robot trong những nhiệm vụ phức tạp ở môi trường chưa biết, đặc biệt là trong việc thăm dò môi trường nguy hiểm, mở ra hướng nghiên cứu mới trong tự động hóa công nghiệp và công nghệ y sinh Robot sử dụng bảy cảm biến hồng ngoại để xác định vị trí và kích thước vật cản, cùng với camera để xác định vị trí và hướng di chuyển Kết quả cho thấy robot có thể đạt mục tiêu trong môi trường có vật cản, nhưng đường di chuyển chưa tối ưu do thiếu kế hoạch đường đi trước.
Hình 1.1 Kết quả nghiên cứu robot di động Khepera
Bài báo khoa học "Behavior-based control for mobile robot navigation" nghiên cứu ứng dụng điều khiển mờ trong việc điều khiển chuyển động của robot Mục tiêu chính là thiết kế bộ điều khiển mờ giúp robot di chuyển đến mục tiêu trong môi trường có vật cản cố định Đề tài giới thiệu hai bộ điều khiển mờ, trong đó một bộ được sử dụng để tối ưu hóa quá trình điều khiển.
Trong trường hợp không có vật cản, bộ điều khiển sử dụng khoảng cách từ robot đến mục tiêu và hướng của mục tiêu để điều chỉnh vận tốc quay của bánh trái và bánh phải, giúp robot di chuyển chính xác đến mục tiêu nhưng chưa kiểm soát được quỹ đạo và hướng quay tại điểm đến Ngược lại, trong môi trường có vật cản, bộ điều khiển sử dụng khoảng cách đến mục tiêu và trọng số hành vi, được xác định qua 24 cảm biến siêu âm, để điều chỉnh hành vi của robot Kết quả mô phỏng cho thấy robot có thể đạt được mục tiêu trong môi trường có vật cản, nhưng quỹ đạo di chuyển vẫn chưa tối ưu.
Hình 1.2 Kết quả mô phỏng trong môi trường không có vật cản
Đề tài "Ứng dụng kỹ thuật neural-fuzzy trong vấn đề robot tự hành" của trường Đại học Khoa học tự nhiên đã nghiên cứu việc điều khiển robot tự hành di chuyển đến mục tiêu trong môi trường có vật cản Bộ điều khiển mờ được sử dụng để hướng dẫn robot, và trong quá trình di chuyển, nếu cảm biến phát hiện vật cản, robot sẽ dò biên vật cản cho đến khi không còn phát hiện Mặc dù giải thuật này cho phép robot đến được mục tiêu, nhưng quỹ đạo chuyển động vẫn không tối ưu và không ổn định trong môi trường có vật cản phức tạp, như thể hiện trong hình 1.3.
Hình 1.3 Kết quả mô phỏng quỹ đạo di chuyển robot
Đề tài nghiên cứu tại trường Đại học Giao thông Vận tải tập trung vào việc xây dựng phương pháp điều khiển robot tự hành dựa trên logic mờ Robot được trang bị bộ điều khiển mờ để di chuyển dọc theo tường, duy trì khoảng cách cố định với bề mặt này Hai cảm biến trên robot giúp đo khoảng cách và độ song song với tường, với các biến đầu vào là góc robot và khoảng cách tới tường, và biến đầu ra là vận tốc quay của hai bánh dẫn Tuy nhiên, trong quá trình di chuyển, cảm biến siêu âm gặp phải nhiều sai số do nhiễu sóng siêu âm, gây ra mất phương hướng và khiến robot đi lệch khỏi quỹ đạo.
Trong nghiên cứu khoa học trong nước, một trong những đề tài nổi bật là "Ứng dụng bộ điều khiển self tuning fuzzy-PI cho robot di động đa hướng" Đề tài này giới thiệu phương pháp điều khiển robot di động đa hướng bằng bộ điều khiển self tuning fuzzy-PI, dựa trên mô hình robot được xây dựng như một hệ thống MIMO phi tuyến Cấu trúc của bộ điều khiển kết hợp giữa bộ điều khiển PI và bộ điều khiển mờ, nhằm điều chỉnh các thông số của bộ điều khiển PI, từ đó nâng cao hiệu quả hoạt động ngay cả khi gặp phải nhiễu.
LÝ DO CHỌN ĐỀ TÀI
Robot dịch vụ di chuyển bằng bánh xe là loại robot tự hành, thực hiện nhiệm vụ mà không cần can thiệp của con người Chúng sử dụng thiết bị thu thập dữ liệu để nhận biết môi trường xung quanh và đưa ra phản ứng phù hợp Robot có khả năng thực hiện nhiều công việc, từ chăm sóc và vệ sinh nhà cửa đến các nhiệm vụ phức tạp như vận chuyển bệnh nhân trong bệnh viện, vận chuyển thuốc, và hỗ trợ thông tin cho khách hàng tại sân bay và trường học Sự thông minh và chính xác của robot là hai yếu tố quan trọng, yêu cầu các nhà nghiên cứu áp dụng các thành tựu khoa học hiện đại để cải tiến công nghệ robot.
Robot tự hành là một hệ thống điều khiển phức tạp, bao gồm việc thu thập dữ liệu từ môi trường, xử lý thông tin và quyết định phương thức di chuyển phù hợp Để ứng phó với những thay đổi trong môi trường, robot cần có phản ứng tương ứng, tuy nhiên, các bộ điều khiển kinh điển thường gặp khó khăn do độ phức tạp cao của bài toán.
Trong bối cảnh xử lý lượng dữ liệu lớn với các thông tin đầu vào đa biến và thường xuyên thay đổi, việc áp dụng bộ điều khiển mờ đã được đề xuất như một giải pháp hiệu quả Bên cạnh đó, nhiều thuật toán di chuyển cũng được phát triển nhằm giải quyết các vấn đề mà robot gặp phải, từ đó nâng cao khả năng hoạt động và thích ứng của chúng.
Phương pháp tổng hợp hệ thống điều khiển bằng logic mờ mang lại nhiều ưu điểm nổi bật so với các giải pháp truyền thống Đầu tiên, việc thiết kế được đơn giản hóa đáng kể do không cần mô hình hóa đối tượng, giúp giảm khối lượng tính toán và chi phí cho các bài toán phức tạp Thứ hai, bộ điều khiển mờ dễ hiểu và dễ điều chỉnh dựa trên kinh nghiệm của người thiết kế, đồng thời thường cho kết quả ổn định và chất lượng điều khiển cao hơn so với các bộ điều khiển cổ điển Cuối cùng, việc kết hợp bộ điều khiển mờ với các hệ thống điều khiển khác cũng rất dễ dàng, giúp khắc phục những hạn chế của bộ điều khiển mờ.
Với những đặc điểm nổi bật của đối tượng điều khiển và những lợi ích vượt trội của bộ điều khiển mờ, tôi đã quyết định chọn đề tài "Ứng dụng logic mờ vào điều khiển".
Robot tiếp tân được sử dụng để khảo sát và thực nghiệm bộ điều khiển mờ cho việc điều khiển chuyển động của robot dịch vụ Bộ điều khiển này được tính toán và thiết kế thông qua công cụ Fuzzy Logic Toolbox, sau đó được mô phỏng bằng phần mềm MATLAB Cuối cùng, nó được thử nghiệm trên mô hình robot thực tế được chế tạo tại phòng thí nghiệm OPENLAB – ĐH.
Sƣ phạm kỹ thuật Tp HCM.
MỤC ĐÍCH NGHIÊN CỨU
Nghiên cứu nhằm phát triển phương án điều khiển robot tự hành bánh xe thông qua bộ điều khiển mờ, với các thông số tối ưu, để đảm bảo khả năng điều khiển chuyển động trong không gian đã được xác định trước.
ĐỐI TƢỢNG VÀ PHẠM VI NGHIÊN CỨU
1.5.1 Đối tƣợng : Đối tƣợng nghiên cứu của đề tài là lý thuyết logic mờ, bộ điều khiển mờ, các giải thuật tìm đường đi và mô hình robot thực
Đề tài nghiên cứu tập trung vào việc sử dụng phần mềm máy tính để thiết kế và tính toán bộ điều khiển mờ cho mô hình robot Mục tiêu là xác định đường đi tối ưu cho robot trong không gian đã được xác định trước Bộ điều khiển mờ sẽ được áp dụng để điều hướng robot di chuyển theo lộ trình đã hoạch định, đồng thời thực nghiệm giải thuật điều khiển chuyển động trên mô hình robot thực tế.
PHƯƠNG PHÁP NGHIÊN CỨU
Phương pháp nghiên cứu lý thuyết bao gồm việc áp dụng lý thuyết logic mờ, phát triển bộ điều khiển mờ và mô phỏng hệ thống bằng phần mềm Matlab & Simulink Trong khi đó, phương pháp nghiên cứu thực tiễn được thực hiện thông qua việc thực nghiệm bộ điều khiển mờ trên mô hình robot, quan sát phản ứng của hệ thống và từ đó rút ra các kết luận.
NỘI DUNG ĐỀ TÀI
Đề tài nghiên cứu bao gồm năm chương, trong đó Chương 1 tổng quan về tình hình nghiên cứu trong và ngoài nước, cùng với mục đích và phạm vi nghiên cứu Chương 2 trình bày lý thuyết về Logic mờ và bộ điều khiển mờ Chương 3 giới thiệu phương pháp xây dựng bộ điều khiển mờ cho robot và giải thuật di chuyển trong không gian xác định Chương 4 mô phỏng bộ điều khiển mờ bằng máy và thực nghiệm trên mô hình robot dịch vụ Cuối cùng, Chương 5 đánh giá kết quả thực nghiệm thu được.
THUYẾT LOGIC MỜ VÀ BỘ ĐIỀU KHIỂN MỜ
LÝ THUYẾT LOGIC MỜ
Trong lý thuyết tập hợp cổ điển, một tập hợp trong không gian chia không gian thành hai phần rõ ràng, với mỗi phần tử thuộc hoặc không thuộc vào tập hợp đó, được gọi là tập rõ Lý thuyết này đóng vai trò quan trọng trong nhiều ngành khoa học Tuy nhiên, những yêu cầu mới từ khoa học và cuộc sống đã chỉ ra rằng lý thuyết tập hợp cổ điển cần được mở rộng để đáp ứng những thách thức hiện tại.
Tập hợp những người trẻ thường được xác định qua độ tuổi, trong đó những người dưới 26 tuổi được coi là trẻ, trong khi những người trên 60 tuổi thì không còn trẻ Tuy nhiên, những người trong độ tuổi từ 26 đến 60 thường có sự đa dạng về mức độ trẻ trung và năng động.
Liệu những người ở độ tuổi 60 có thuộc vào nhóm người trẻ hay không? Theo khái niệm tập hợp cổ điển, cần phải xác định một ranh giới rõ ràng và mang tính chất áp đặt để phân loại.
Để xác định nhóm người trẻ, có một ranh giới mờ giữa người trẻ và người không trẻ, cụ thể là những người trung niên Những người trung niên mang trong mình một "độ trẻ" nhất định Nếu coi "độ trẻ" của người dưới 26 tuổi là 1 và của người trên 60 tuổi là 0, thì "độ trẻ" của người trung niên sẽ nằm trong khoảng từ 0 đến 1, tức là có giá trị p thỏa mãn 0 < p < 1.
Nhu cầu mở rộng khái niệm tập hợp và lý thuyết tập hợp là tự nhiên, khởi nguồn từ các nghiên cứu của L Zadeh về lý thuyết tập mờ và logic mờ từ năm 1965 Ứng dụng đầu tiên của logic mờ trong công nghiệp diễn ra tại Châu Âu sau năm 1970, với Ebrahim Mamdani tại trường Queen Mary, London, sử dụng logic mờ để điều khiển máy hơi nước Tại Đức, Hans Zimmermann cũng áp dụng logic mờ cho các hệ ra quyết định Mặc dù logic mờ đã được áp dụng trong nhiều lĩnh vực như điều khiển lò xi măng, nhưng vẫn chưa được chấp nhận rộng rãi trong công nghiệp.
Logic mờ đã thu hút sự quan tâm lớn tại Nhật Bản nhờ vào những thành công đầu tiên Một trong những lý do chính là các kỹ sư Nhật thường bắt đầu từ những giải pháp đơn giản, sau đó phát triển sâu hơn, phù hợp với khả năng tạo ra các mẫu nhanh chóng trước khi tối ưu hóa Hơn nữa, các hệ thống sử dụng logic mờ rất đơn giản và dễ hiểu, không phụ thuộc vào các phương trình vi phân phức tạp hay mã nguồn khó nắm bắt Điều này rất quan trọng trong bối cảnh làm việc nhóm, nơi mà mọi thành viên cần hiểu rõ hành vi của hệ thống và cùng nhau chia sẻ ý tưởng Logic mờ cung cấp một phương tiện minh bạch, giúp các kỹ sư thiết kế hệ thống một cách hiệu quả.
Logic mờ được ứng dụng rộng rãi trong lĩnh vực điều khiển thông minh và xử lý dữ liệu, giúp máy quay phim và máy chụp hình thể hiện sự chuyên môn của nghệ sĩ nhiếp ảnh Mitsubishi đã giới thiệu chiếc xe đầu tiên trên thế giới sử dụng logic mờ trong điều khiển, và nhiều hãng xe Nhật Bản khác cũng áp dụng công nghệ này trong các thành phần của xe Trong lĩnh vực tự động hóa, Omron Corp sở hữu khoảng 350 bằng sáng chế liên quan đến logic mờ Ngoài ra, logic mờ còn được sử dụng để tối ưu hóa nhiều quy trình hóa học và sinh học.
Sau năm năm, các tổ hợp Châu Âu nhận ra rằng họ đã đánh mất một kỹ thuật quan trọng vào tay người Nhật Kể từ đó, họ đã nỗ lực áp dụng logic mờ vào các sản phẩm của mình Hiện tại, có khoảng 200 sản phẩm được bán trên thị trường và nhiều ứng dụng trong điều khiển quá trình và tự động hóa sử dụng logic mờ.
2.1.2 Định nghĩa tập mờ a Tập kinh điển
Tập hợp là khái niệm được xây dựng dựa trên logic, định nghĩa là sự tập hợp chung các đối tượng có cùng đặc điểm, gọi là phần tử của tập hợp.
Một tập hợp A được định nghĩa bởi các phần tử x thuộc A, ký hiệu là x ∈ A Có hai cách phổ biến để biểu diễn tập hợp: đầu tiên là liệt kê các phần tử, ví dụ như tập A1 = {xe đạp, xe máy, xe ca, xe tải}; thứ hai là sử dụng tính chất tổng quát của các phần tử, như tập các số thực (R) hay tập các số tự nhiên (N) Để biểu diễn một tập hợp A trên tập nền X, ta sử dụng hàm thuộc μ A (x).
A (x) chỉ nhận một trong 2 giá trị “1” hoặc “0”
Ký hiệu A = {xX| x thỏa mãn một số tính chất nào đó} Ta nói: tập A đƣợc định nghĩa trên nền tập X
Hình dưới mô tả hà phụ thuộc của tập số thực từ -5 đến 5.
Hình 2.1: Hàm phụ thuộc A ( ) x của tập kinh điển A b Tập mờ
Tập mờ hay tập hợp mờ (Fuzzy set) là một sự mở rộng của lý thuyết tập hợp cổ điển, được ứng dụng trong lôgic mờ Trong lý thuyết tập hợp cổ điển, quan hệ thành viên của các phần tử được đánh giá theo kiểu nhị phân, tức là một phần tử chỉ có thể thuộc hoặc không thuộc về tập hợp Ngược lại, lý thuyết tập mờ cho phép đánh giá linh hoạt hơn về quan hệ thành viên giữa một phần tử và tập hợp, thông qua một hàm liên thuộc (membership function) Cụ thể, cho không gian nền X với x thuộc X, tập A được gọi là tập mờ nếu nó được xác định bởi hàm μA: X → [0,1], trong đó μA được gọi là hàm liên thuộc.
Giá trị μA tại x, với x thuộc X, được xác định là mức độ liên thuộc của x vào tập mờ A Trong đó, biến x được gọi là biến cơ sở và tập X được xem là miền cơ sở.
Tập rõ có thể được xem là một trường hợp đặc biệt của tập mờ, trong đó hàm thuộc chỉ nhận hai giá trị là 0 và 1 Ký hiệu của tập mờ thường được thể hiện theo dạng nhất định.
Liệt kê phần tử: giả sử X = {a, b, c, d} ta có thể xác định một tập mờ
2.1.3 Các dạng hàm liên thuộc tiêu biểu
Theo lý thuyết, hàm thuộc có thể là bất kỳ hàm nào thỏa mãn điều kiện A: X -> [0,1] Tuy nhiên, trong thực tế, một số dạng hàm thuộc lại có tính ứng dụng cao và quan trọng hơn cả.
Nhóm này bao gồm hai loại hàm: đơn điệu tăng và đơn điệu giảm Chẳng hạn, tập hợp người già có hàm đơn điệu tăng theo tuổi, trong khi tập hợp người trẻ lại có hàm đơn điệu giảm Để minh họa, hãy xem xét ví dụ với tập vũ trụ E = Tốc độ.
LOGIC MỜ
Khi xem xét một biến có giá trị trong một miền nhất định, như "nhiệt độ", nó có thể nhận các giá trị số chính xác như 1 oC, 2 oC, v.v Mỗi giá trị cụ thể đại diện cho một mức nhiệt độ rõ ràng và có thể đo lường được.
Việc gán 18 thể vào biến giúp xác định tính chất và quy mô của biến, đồng thời cung cấp thông tin liên quan Chẳng hạn, chúng ta thường nghe rằng "không nên chạm vào vật có nhiệt độ cao" mà ít khi đề cập đến ngưỡng cụ thể như 80 °C Lời khuyên chung này hữu ích hơn, vì nếu chỉ dựa vào ngưỡng cụ thể, người nghe có thể hiểu sai rằng chạm vào vật 79 °C là an toàn Tuy nhiên, việc xác định nhiệt độ an toàn để chạm vào lại phụ thuộc vào quan điểm cá nhân; với 60 °C, có người cho là cao, người khác thì không Mặc dù ý kiến có thể khác nhau, nhưng có một điều chắc chắn là khi nhiệt độ tăng, việc chấp nhận nó là "cao" càng dễ dàng hơn Do đó, nếu xem xét hàm nhận biến nhiệt độ và tỷ lệ ý kiến đồng ý là "cao", thì μcao sẽ là hàm thuộc tập mờ.
“nhiệt độ cao” trên vũ trụ “nhiệt độ”
Hình 2.8: Hàm liên thuộc biến nhiệt độ
Biến ngôn ngữ, khái niệm được Zadeh giới thiệu vào năm 1973, là một loại biến có thể nhận giá trị “cao” trong ngôn ngữ tự nhiên Nó được xác định bởi bộ (x, T, U, M), trong đó x là tên biến như “nhiệt độ”, “tốc độ” hay “độ ẩm” T là tập hợp các từ biểu thị giá trị ngôn ngữ tự nhiên mà x có thể nhận, ví dụ, với x là “tốc độ”, T có thể là {“chậm”, “trung bình”, “nhanh”} U đại diện cho miền các giá trị vật lý mà x có thể nhận, như {0 km/h, 1 km/h, …150 km/h} khi x là “tốc độ” Cuối cùng, M là luật ngữ nghĩa, kết nối mỗi từ trong T với một giá trị cụ thể.
Biến ngôn ngữ là một loại biến có khả năng nhận giá trị từ các tập mờ trong một vũ trụ xác định Từ định nghĩa này, chúng ta có thể hiểu rằng có 19 tập mờ A trong không gian U, cho thấy sự đa dạng và tính linh hoạt của các giá trị mà biến ngôn ngữ có thể đại diện.
Trong logic cổ điển, mệnh đề phân tử P(x) được định nghĩa là một phát biểu có dạng “x là P”, trong đó x là một đối tượng thuộc một vũ trụ U thỏa mãn tính chất P Chẳng hạn, với mệnh đề “x là số chẵn”, vũ trụ U là tập hợp các số nguyên và P là tính chất chia hết cho 2 Do đó, mệnh đề phân tử “x là P” có thể được đồng nhất với một tập hợp rõ ràng A = { x ∈ U | P(x)}.
Hàm đặc trưng của tập A được ký hiệu là , trong đó x thuộc A nếu và chỉ nếu (x) = 1 Giá trị chân lý của P(x) chỉ có thể là 1 hoặc 0, tương ứng với việc x thuộc A hoặc không Nếu P là một tính chất mờ như "số lớn", thì ta sẽ có một mệnh đề logic mờ phân tử Khi đó, tập hợp các phần tử trong vũ trụ U thoả mãn P sẽ tạo thành một tập mờ B, với hàm thuộc tính B.
Lúc này P(x) có thể nhận các giá trị tuỳ ý trong [0,1] Và ta thấy có thể đồng nhất các hàm thuộc với các mệnh đề logic mờ
2.2.3 Các phép toán mệnh đề mờ
Trong logic cổ điển, từ các mệnh đề phân tử và các phép toán (AND),
(OR), ~ (NOT) ta có thể lập nên các mệnh đề phức Ta có:
Mở rộng từ logic cổ điển sang logic mờ diễn ra một cách tự nhiên thông qua quy tắc tổng quát hóa, sử dụng hàm bù mờ cho phép phủ định, hàm T-norm cho phép giao và S-norm cho phép hợp Sự mở rộng này dựa trên mối tương quan giữa mệnh đề logic mờ với hàm mờ và các phép toán trên tập mờ.
Trong đó C là hàm bù mờ (hay phủ định mờ), T là hàm T-norm, S là hàm S- norm Các hàm này đã trình bày trong phần phép toán trên tập mờ
2.2.4 Phép toán kéo theo mờ – luật if - then mờ thông dụng
Các phép toán kéo theo đóng vai trò quan trọng trong logic mờ, tạo ra các luật mờ để thực hiện suy diễn trong các hệ mờ Mệnh đề mờ tương ứng với tập mờ, cho phép sử dụng hàm thuộc thay cho các mệnh đề Dưới đây là một số phép kéo theo quan trọng được sử dụng rộng rãi.
Phép kéo theo Dienes – Rescher : Nếu áp dụng công thức (2.28) với S-norm max và C là hàm bù chuẩn cho ta có phép kéo theo Dienes – Rescher
Phép kéo theo Lukasiewicz : Nếu áp dụng công thức (2.28) với S-norm là hàm hợp Yager với w =1 và C là hàm bù chuẩn cho ta có phép kéo theo Lukasiewicz
Phép kéo theo Zadeh: Nếu áp dụng công thức (2.29) với S-norm là max, T- norm min hoặc tích và C là hàm bù chuẩn cho ta có phép kéo theo Zadeh
Mệnh đề A (x) => B (y) xác định một quan hệ 2 ngôi R ⊆ (U x V), trong đó U là không gian nền chứa x và V là không gian nền chứa y Giá trị chân lý của mệnh đề này phản ánh giá trị hàm thuộc của cặp (x, y) vào R Theo công thức xác định hàm thuộc của quan hệ mờ, chúng ta có thể phân tích mối quan hệ này một cách rõ ràng hơn.
Trong đó T là một T-norm Khi chọn T là min hoặc tích ta có các phép kéo theo Mamdani:
2.2.5 Luật modus-ponens tổng quát
Tương tự logic cổ điển, trong logic mờ cũng có luật modus-ponens như sau: GT1 (luật) : if “x là A” then “y là B”
Trong đó A, B, A’, B’ là các biến ngôn ngữ (có nghĩa là các tập mờ) Công thức tính kết luận của luật modus-ponens nhƣ sau:
Trong bài viết này, T được định nghĩa là một hàm T-norm và R là một quan hệ hai ngôi được xác định bởi phép kéo theo Giá trị chân lý của phép kéo theo, được tính bằng cách xác định R (x,y), sẽ phụ thuộc vào phương pháp lựa chọn để tính toán luật kéo theo Chẳng hạn, nếu xét quan hệ giữa nhiệt độ và áp suất với quy luật “Nếu nhiệt độ là cao thì áp suất là lớn”, trong đó nhiệt độ có các giá trị trong U = {30, 35, 40, 45} và áp suất trong V = {50, 55, 60, 65}, ta có thể xác định các tập mờ dựa trên các biến ngôn ngữ nhiệt độ và áp suất.
Áp dụng luật kéo theo Mamdani, chúng ta có thể xác định mối quan hệ mờ giữa các giá trị nhiệt độ và áp suất Cụ thể, giá trị của dòng i và cột j sẽ tương ứng với giá trị hàm thuộc của cặp nhiệt độ i và áp suất j trong mối quan hệ này.
Bây giờ, giả sử ta biết sự kiện “nhiệt độ là trung bình” và
30 35 40 45 (2.41) Áp dụng công thức (2.37) ta suy ra B’ = 0 0.45 0.8 0.8
BỘ ĐIỀU KHIỂN MỜ
2.3.1 Cấu trúc của một bộ điều khiển mờ
Giá trị vào (Tập mở)
Giá trị ra (Tập mở)
Hình 2.9: Cấu trúc của bộ điều khiển mờ
Cơ sở luật mờ là tập hợp các luật if-then thể hiện tri thức của các chuyên gia trong một lĩnh vực cụ thể Đối với một hệ điều khiển mờ, cơ sở này phản ánh kinh nghiệm và kiến thức của các chuyên gia trong việc điều khiển trước khi áp dụng hệ mờ.
Bộ suy diễn mờ kết hợp các quy tắc trong cơ sở luật mờ và áp dụng vào tập mờ đầu vào thông qua các phương pháp suy diễn mờ, nhằm xác định tập mờ đầu ra.
Dữ liệu đầu vào của hệ điều khiển mờ được cung cấp bởi các cảm biến môi trường sau khi đã được số hóa, mang tính chất rõ ràng Do đó, cần thiết phải sử dụng bộ mờ hóa để chuyển đổi các dữ liệu số này thành các tập mờ, giúp cho bộ suy diễn mờ có thể thực hiện các thao tác hiệu quả.
Bộ mờ hoá có chức năng chuyển mỗi giá trị rõ của biến ngôn ngữ đầu vào thành vộctơ à cú số phần tử bằng số tập mờ đầu vào
Bộ giải mờ có nhiệm vụ chuyển tập mờ đầu ra thành giá trị rõ y 0 với mỗi giá trị rõ x 0 để điều khiển đối tƣợng
Dữ liệu đầu ra từ bộ suy diễn mờ dưới dạng các tập mờ sẽ được chuyển đổi thành tín hiệu số bởi bộ giải mờ, sau đó tín hiệu này sẽ được truyền đến các cơ quan chấp hành như tay máy, công tắc và van điều khiển.
Do các dữ liệu đầu vào và đầu ra đƣợc số hoá nên ta chỉ cần xem xét các hệ mờ làm việc với các biến số
2.3.2 Phân loại bộ điều khiển mờ
Hệ mờ tổng quát nhận một vector n chiều đầu vào và cho ra một vector m chiều đầu ra, được gọi là hệ mờ nhiều đầu vào – nhiều đầu ra (MIMO) Khi m bằng 1, hệ thống trở thành hệ mờ nhiều đầu vào – một đầu ra (MISO) Hệ mờ MIMO có thể phân tích thành nhiều hệ MISO, do đó, việc tìm hiểu kỹ về hệ mờ MISO với các biến số là cần thiết Khi đề cập đến hệ mờ nhiều - một, chúng ta thường ngầm hiểu rằng đó là hệ mờ nhiều đầu vào – một đầu ra với các biến số.
Bộ điều khiển mờ MIMO khó cài đặt thiết bị hợp thành và thực tế không được sử dụng Ngược lại, bộ điều khiển mờ có m đầu ra có thể dễ dàng chuyển đổi thành m bộ điều khiển mờ với một đầu ra, cho thấy rằng bộ điều khiển mờ MIMO chỉ có giá trị lý thuyết.
2.3.3 Các bước xây dựng bộ điều khiển mờ
Bước đầu tiên trong quá trình khảo sát đối tượng là định nghĩa tất cả các biến ngôn ngữ đầu vào và đầu ra, cùng miền xác định của chúng Cần chú ý đến các đặc điểm cơ bản của đối tượng điều khiển như tốc độ biến đổi, độ trễ và tính phi tuyến Những thông tin này rất quan trọng để xác định miền xác định cho các biến ngôn ngữ đầu vào, đặc biệt là các biến động học như vận tốc và gia tốc Đối với tín hiệu biến thiên nhanh, cần chọn miền xác định cho vận tốc và gia tốc lớn, và ngược lại cho tín hiệu biến thiên chậm.
Bước 2: Mờ hóa các biến ngôn ngữ vào/ra yêu cầu xác định số lượng tập mờ và hình dạng các hàm liên thuộc cho mỗi biến Số lượng tập mờ được chọn tùy ý, nhưng cần cân nhắc giữa việc chọn ít quá, dẫn đến điều chỉnh không mịn, và chọn nhiều quá, gây khó khăn trong cài đặt luật hợp thành và tính toán Hình dạng các hàm liên thuộc có thể là hình tam giác, hình thang hoặc hàm Gauss.
Việc chọn hàm liên thuộc là bước quan trọng trong thiết kế bộ điều khiển mờ, nhưng hiện nay chưa có quy tắc nhất quán nào cho việc này Thay vào đó, người thiết kế thường lựa chọn hàm từ những dạng đã biết và điều chỉnh cho đến khi đạt được kết quả mong muốn Các hàm thuộc nên có sự chồng lấp và bao phủ toàn bộ miền giá trị vật lý để tránh xuất hiện "lỗ hổng" trong quá trình điều khiển Đặc biệt, các hàm liên thuộc dạng hình thang với độ chồng lấp nhỏ không phù hợp cho bộ điều khiển mờ, vì chúng có thể tạo ra vùng trống trong điều khiển.
Trong trạng thái làm việc của bộ điều khiển, hiện tượng "chết" (dead zone) có thể xảy ra Trong một số trường hợp, việc chọn hàm liên thuộc dạng hình thang là hợp lý, đặc biệt khi sự thay đổi của tín hiệu vào không dẫn đến sự thay đổi tương ứng của tín hiệu ra Thông thường, hàm liên thuộc được chọn sao cho miền tin cậy chỉ có một phần tử, tức là chỉ tồn tại một điểm vật lý có độ phụ thuộc tương ứng với độ cao của tập mờ.
Mờ hoá là quá trình chuyển đổi một vector x=(x1,x2,…,xn) thuộc không gian U trong R^n thành một tập mờ A’ trên U, đóng vai trò là đầu vào cho bộ suy diễn mờ Để thực hiện mờ hoá, cần đảm bảo hai tiêu chuẩn: đầu tiên, điểm dữ liệu x phải có độ thuộc cao vào A’, và thứ hai, vector x phải được thu nhận từ
Môi trường bên ngoài có thể gây ra sai lệch do nhiễu, vì vậy A’ cần phản ánh tính chính xác của dữ liệu thực Hơn nữa, hiệu quả tính toán cũng rất quan trọng, giúp đơn giản hóa các phép tính trong bộ suy diễn Dưới đây là một số phương pháp mờ hóa phổ biến.
Mờ hoá đơn trị : Mỗi điểm dữ liệu x đƣợc xem nhƣ một tập mờ đơn trị tức là tập mờ A có hàm thuộc xác định nhƣ sau:
Mờ hoá Gauss: Mỗi giá trị xi đƣợc biểu diễn thành một số mờ A’i Tập A’ là tích decade của các A’i
Mờ hoá tam giác được áp dụng khi các biến ngôn ngữ có giá trị nhạy cảm và độ mờ thay đổi nhanh chóng Mỗi hoàn cảnh sẽ dẫn đến sự đánh giá khác nhau, với độ "mờ" biến thiên nhanh hơn Mỗi giá trị xi được biểu diễn bằng một số mờ A’i, và tập A’ là tích đề-các của các A’i.
Mô hình hình thang trong Fuzzy Logic có đặc điểm gần gũi với logic boolean, với độ biến thiên mờ tương đối thấp, phù hợp cho các trường hợp mà giá trị biến ngôn ngữ không thay đổi nhạy cảm Ngược lại, mô hình tam giác thích hợp hơn khi giá trị biến ngôn ngữ thay đổi nhanh chóng và nhạy cảm.
Bước 3 trong thiết kế bộ điều khiển mờ là xây dựng các luật điều khiển (mệnh đề hợp thành), đây là giai đoạn quan trọng và khó khăn nhất Hiện nay, chúng ta thường áp dụng một số nguyên tắc cơ bản để tạo ra các luật hợp thành giúp hệ thống hoạt động hiệu quả, sau đó tiến hành mô phỏng và điều chỉnh dần dần các luật hoặc sử dụng các thuật toán tối ưu Cơ sở của luật mờ trong hệ mờ là các đầu vào – một đầu ra, bao gồm m luật if-then mờ.
If “x1 là Ak1” và “x2 là Ak2” và … và “xn là Akn” then “y là Bk” , k=1 m (2.46)
DỰNG BỘ ĐIỀU KHIỂN MỜ TRÊN ĐỐI TƯỢNG ĐIỀU KHIỂN VÀ GIẢI THUẬT TÌM ĐƯỜNG ĐI CHO ROBOT
TỔNG QUAN ĐỐI TƢỢNG ĐIỀU KHIỂN
Robot di chuyển bằng bánh xe được thiết kế và hoàn thiện tại phòng thí nghiệm OpenLab có khả năng thay thế người tiếp tân và hướng dẫn viên, thực hiện các nhiệm vụ đơn giản như chỉ dẫn và cung cấp thông tin tại các địa điểm công cộng như hội nghị, sảnh khách sạn, trường học và sân bay Nghiên cứu và chế tạo robot tiếp tân tại Việt Nam không chỉ là một lĩnh vực mới mẻ mà còn đặt nền tảng cho việc ứng dụng công nghệ robot dịch vụ vào thực tiễn.
Robot dịch vụ sở hữu tính đa năng cao, yêu cầu hệ thống phức tạp để hoạt động hiệu quả Lĩnh vực này rộng lớn, đòi hỏi các nhà nghiên cứu liên tục sáng tạo và phát triển các giải pháp nhằm cải thiện tính năng của robot, giúp chúng ngày càng trở nên thông minh hơn.
Cấu hình đế của robot di động
Hình 3.1 Bản thiết kế 3D phần đế robot
Robot dịch vụ là loại robot tự hành sử dụng bánh xe để di chuyển, với bánh xe là cơ cấu chuyển động phổ biến nhất trong công nghệ robot Trong các robot này, vấn đề cân bằng thường không được chú ý nhiều.
Cấu hình ba bánh là thiết kế có khả năng duy trì cân bằng tốt nhất, trong khi cấu hình hai bánh cũng có thể đạt được sự cân bằng Đối với robot có nhiều hơn ba bánh, cần thiết kế hệ thống treo để đảm bảo tất cả bánh xe tiếp xúc với mặt phẳng di chuyển Mô hình robot trong đề tài này sử dụng hai bánh chủ động độc lập để tạo lực đẩy, cho phép robot di chuyển theo mọi hướng Hai bánh đa hướng giúp duy trì sự cân bằng trên bề mặt phẳng Tuy nhiên, cách bố trí này có nhược điểm là yêu cầu bề mặt di chuyển phải tương đối phẳng và tiếp xúc hoàn toàn với tất cả bánh xe.
Cấu hình này có ưu điểm là cơ chế điều khiển đơn giản, với mô hình động học và động lực học dễ tính toán Tâm xoay của robot nằm giữa hai bánh chủ động, giúp giảm momen cho bánh chủ động khi robot thực hiện chuyển động xoay.
BÁNH DẪN TRÁI BÁNH DẪN PHẢI
Hình 3.2: Cấu hình phần đế robot và cảm biến vật cản
Robot hoạt động nhờ hai động cơ chính đối xứng, truyền momen cho hai bánh xe Động cơ được trang bị hợp giảm tốc để tăng momen và hệ thống đo tốc độ (encoder) Để giảm độ phức tạp và tải cho bộ điều khiển mờ, ta sử dụng các module chuyên dụng, cụ thể là module DC Servo Driver, để điều khiển chính xác tốc độ động cơ Module này tích hợp bộ điều khiển PID tự động cài đặt thông số và điều chỉnh tốc độ motor theo yêu cầu từ bộ điều khiển trung tâm Dãy tín hiệu ngõ vào của module có giá trị điện áp từ 0 đến 3.3 Voltage.
Hình 3.3 Hệ thống điều khiển tự động tốc độ động cơ sử dụng thuật toán PID
3.1.2 Phương pháp điều hướng cho robot tự hành
Kỹ thuật điều hướng trong robot tự hành sử dụng trí thông minh nhân tạo được chia thành hai loại chính: điều hướng có tính toán và điều hướng theo phản ứng Điều hướng có tính toán là phương pháp lập kế hoạch, trong đó môi trường làm việc của robot được xác định rõ ràng với đường đi và vật cản đã biết trước Ngược lại, điều hướng theo phản ứng cho phép robot hoạt động trong môi trường chưa xác định hoặc chỉ biết một phần, nhờ vào hệ thống cảm biến và thiết bị định vị để nhận diện sự thay đổi xung quanh Bên cạnh đó, phương pháp điều hướng lai ghép kết hợp cả hai phương pháp trên nhằm tạo ra một bộ điều khiển thông minh hơn.
Phương pháp điều hướng có tính toán cho robot bao gồm ba bước chính: quan sát, hoạch định đường đi và hành động Trong giai đoạn quan sát, robot sử dụng cảm biến chuyên dụng để nhận diện môi trường xung quanh Hoạch định đường đi là bước quan trọng, chia thành hai giai đoạn: hoạch định toàn cục, nơi xác định lộ trình ngắn nhất đến đích, và hoạch định cục bộ, giúp robot tránh vật cản trong quá trình di chuyển Cuối cùng, giai đoạn hành động bao gồm việc chia lộ trình thành các lệnh điều khiển chi tiết và điều khiển động cơ để thực hiện các lệnh đó.
Phương pháp điều hướng theo phản ứng là giải pháp hiệu quả để xử lý các vấn đề trong môi trường không xác định hoặc biến đổi liên tục Trong thực tế, các thiết bị vệ tinh thám hiểm kiểu robot đã áp dụng thành công phương pháp này để thích ứng và hoạt động hiệu quả trong những điều kiện khó lường.
Phương pháp 34 hướng theo phản ứng dựa vào trạng thái hiện tại của robot, cho phép thực hiện các tác động vào môi trường hoạt động với rất ít phép tính toán.
Phương pháp điều hướng lai ghép kết hợp ưu điểm của điều hướng theo tính toán truyền thống và hệ thống điều hướng phản ứng Trong môi trường động, điều hướng theo tính toán gặp khó khăn vì yêu cầu tính toán nhanh và kỹ năng tránh vật cản Các hoạt động phản ứng giúp robot an toàn và xử lý tình huống khẩn cấp, trong khi điều hướng theo tính toán đảm bảo robot đạt được mục tiêu cuối cùng.
Trong bài viết này, chúng tôi sẽ khám phá phương pháp điều hướng theo tính toán cho robot, cho phép nó tự động lập kế hoạch đường đi đến điểm đích Phương pháp này dựa trên việc nhận diện môi trường với các vật cản tĩnh, chia đường đi thành các đoạn và điều khiển robot di chuyển theo lộ trình đã được xác định.
3.1.3 Hệ thống thu thập dữ liệu
Phát hiện và tránh vật cản là vấn đề quan trọng trong thiết kế robot, đòi hỏi khả năng nhận dạng chính xác Có hai loại vật cản chính: vật cản đứng yên và vật cản chuyển động, từ đó robot sẽ thực hiện hành vi phù hợp (phương pháp điều hướng theo phản ứng) Tuy nhiên, nhận dạng vật cản chuyển động rất phức tạp và yêu cầu công nghệ phần cứng tiên tiến Do đó, đề tài này sẽ tập trung vào việc nhận dạng vật cản tĩnh.
Robot được trang bị 5 cảm biến siêu âm ở phía trước để phát hiện vật cản, với các cảm biến được bố trí theo hình 3.5 Mỗi cảm biến có góc mở 130 độ và khả năng phát hiện vật cản ở khoảng cách tối đa lên đến 2000 mm.
VÙ NG NH ÌN TH ẤY
Hình 3.3: Góc bố trí các cảm biến và vùng nhìn thấy vật cản
Hình 3.6: Đối tƣợng điều khiển
Bảng 3.1 Thông số của đối tƣợng điều khiển
STT Đặc tính Thông số
3 Vật liệu Vỏ nhựa composite – khung nhôm
8 Cảm biến IR Sensor, FS Sensor, LIDAR,MPU6050
11 Tốc độ tối đa 0.25 m/s (0.9 km/h)
12 Bánh xe 2 bánh xe dẫn động chính (D 0mm), 2 bánh xe đa hướng
13 Bộ xử lý Core i5 HDD- 160GB-RAM 4GB
3.1.4 Phương pháp định vị robot
Vấn đề chính trong nghiên cứu robot di động hiện nay là bài toán dẫn đường, bắt đầu từ việc xác định vị trí của robot Để giải quyết câu hỏi "robot đang ở đâu?", cần nghiên cứu và phát triển các cảm biến cùng hệ thống phần cứng hiện đại, kết hợp với các thuật toán phần mềm nhằm nâng cao độ tin cậy trong việc định vị robot trong môi trường xung quanh Vị trí của robot được tính toán dựa trên các số đo từ cảm biến, tuy nhiên, không có cảm biến nào hoàn hảo.
XÂY DỰNG BỘ ĐIỀU KHIỂN MỜ CHO ĐỐI TƢỢNG ĐIỀU KHIỂN
Bộ điều khiển mờ được sử dụng trong kỹ thuật điều hướng cho robot, được chia thành hai loại chính: điều hướng có tính toán và điều hướng theo phản ứng Điều hướng có tính toán là phương pháp lập kế hoạch, trong khi điều hướng theo phản ứng thực hiện các phản ứng tức thời dựa trên môi trường xung quanh Bên cạnh đó, phương pháp điều hướng lai ghép kết hợp cả hai phương pháp này nhằm tạo ra bộ điều khiển thông minh hơn.
Do hạn chế về phần cứng, đề tài chỉ tập trung vào kỹ thuật điều hướng có tính toán, cho phép robot di chuyển đến các vị trí xác định Robot sử dụng thuật toán hoạch định đường đi để tránh các vật cản trên lộ trình di chuyển của nó.
Tất cả các quá trình di chuyển của robot, bao gồm việc tránh vật cản cố định, đều liên quan đến việc hoạch định đường đi Quá trình này chia nhỏ đường đi thành nhiều đoạn, và nhiệm vụ của bộ điều khiển là điều khiển robot di chuyển theo từng đoạn Mỗi đoạn được xác định bởi hai điểm có tọa độ cụ thể trên mặt phẳng chuyển động.
41 động của robot, Điểm bắt đầu (x Start , y Start, Start ) và điểm kết thúc (x Goal , y Goal, Goal ) Bài toán quay về “ điều khiển robot di chuyển từ điểm đến điểm”
Hình 3.10: Giải thuật điều khiển từ điểm đến điểm
Trong nghiên cứu này, chúng tôi sử dụng công cụ "Fuzzy Logic Toolbox" của MATLAB & SIMULINK để hỗ trợ tính toán và mô phỏng Phần mềm đã được kiểm tra và xác nhận độ chính xác trước khi áp dụng vào quá trình tính toán và mô phỏng.
3.2.1 Di chuyển từ điểm đến điểm
Xác định biến ngõ vào và biến ngõ ra cho bộ điều khiển
Trong điều khiển chuyển động cho robot, việc thiết kế bộ điều khiển với các biến ngõ vào và ngõ ra phù hợp là rất quan trọng để đảm bảo robot di chuyển chính xác từ điểm xuất phát (xStart, yStart, αStart) đến điểm đích (xGoal, yGoal, αGoal) Dữ liệu thu thập được sẽ giúp xác định vị trí hiện tại và quỹ đạo chuyển động cần thiết để robot đạt được mục tiêu Quá trình điều khiển này phụ thuộc vào vận tốc thẳng V(t) và vận tốc quay ω(t) của robot, nhằm tối ưu hóa quỹ đạo di chuyển.
Hình 3.11: Cấu trúc ngõ vào ra của bộ điều khiển mờ
Với nhiều ngõ vào, việc tính toán trở nên phức tạp, đặc biệt trong xây dựng luật mờ Cần xác định mối quan hệ giữa các biến ngõ vào để giảm khối lượng tính toán cho bộ điều khiển, đồng thời vẫn đảm bảo đầy đủ các yếu tố đầu vào ảnh hưởng đến bộ điều khiển.
Các biến ngõ vào chỉ xác định vị trí tương đối trong hệ trục tọa độ toàn cục không thay đổi trong suốt quá trình di chuyển Chỉ có vị trí giữa robot và điểm cần đến thay đổi theo thời gian Do đó, cần lựa chọn các biến ngôn ngữ để thể hiện mối quan hệ giữa điểm đầu và điểm kết thúc Để tìm các biến ngõ vào phù hợp, cần giả lập các trường hợp di chuyển thực tế đáp ứng yêu cầu ngõ ra.
Hình 3.12: Giả lập quỹ đạo cho robot di chuyển từ điểm đến điểm
Hình 3.12 trình bày 8 trường hợp điển hình tương ứng với 8 mục tiêu giả lập có tọa độ và góc quay khác nhau Trong đó, q Start và q Goal là các góc hợp giữa hướng quay của robot tại điểm ban đầu và điểm kết thúc so với đường thẳng nối hai điểm Mục tiêu là để robot di chuyển theo đường cong, giúp chuyển động uyển chuyển và tạo sự liên tục khi chuyển từ đoạn này sang đoạn khác Các giá trị khoảng cách từ điểm bắt đầu đến điểm đích, cùng với q Start và q Goal, đều thay đổi khi robot di chuyển Các góc này quyết định quỹ đạo chuyển động của robot; nếu đường thẳng nối hai điểm chia thành hai miền, robot sẽ di chuyển theo quỹ đạo chữ "S" trong cùng một miền, trong khi nếu ở hai miền khác nhau, quỹ đạo sẽ là cong "C" Cuối cùng, bán kính cong của quỹ đạo phụ thuộc vào độ lớn của q Start và q Goal.
Bộ giả lập đã cung cấp ba biến đầu vào cho bộ điều khiển: Biến đầu tiên là khoảng cách D giữa điểm xuất phát và điểm đích, biến thứ hai là góc q Start tại vị trí ban đầu, và biến thứ ba là góc q Goal tại vị trí đích, như được minh họa trong hình 3.13.
Hình 3.13: Tính biến ngõ vào cho bộ điều khiển mờ
Hình 3.14: Biến vào ra của bộ điều khiển mờ
In constructing a linguistic variable for the input variable representing the distance D between the robot's current position and its target, we define the linguistic term as Distance with fuzzy sets: Zero, Near, and Far For the input angle q Start, we utilize the linguistic variable ThetaStart, which includes fuzzy sets: NeLarge, Zero, and PoLarge Similarly, for the input angle q Goal, we employ the linguistic variable ThetaGoal with the same fuzzy sets: NeLarge, Zero, and PoLarge Finally, for the output variable representing the robot's linear velocity V(t), we also establish a corresponding linguistic variable.
LinearVelocity có tập mờ sau : Zero – Slow – Fast Đối với biến ngõ vào là vận tốc góc (t) ta sử dụng biến ngôn ngữ AngularVelocity có các tập mờ sau:
FastTurnLeft – MediumTurnLeft – Zero -MediumTurnRight – FastTurnRight
Xây dựng hàm liên thuộc
Việc lựa chọn hàm liên thuộc là rất quan trọng vì nó ảnh hưởng đến mức độ tác động của yếu tố ngỏ vào đến hệ thống và quyết định đáp ứng của toàn hệ thống Tuy nhiên, không có quy tắc nhất quán nào cho việc chọn hàm thuộc; thay vào đó, cần chọn từ các dạng hàm đã biết và mô hình hóa cho đến khi nhận được bộ điều khiển mờ hoạt động như mong muốn Cần chú ý chọn kiểu hàm liên thuộc có phần chồng lên nhau và phủ kín miền giá trị vật lý để tránh xuất hiện “lỗ hổng” trong quá trình điều khiển.
Hàm liên thuộc được lựa chọn để đảm bảo miền tin cậy chỉ có một phần tử, tức là chỉ tồn tại một điểm vật lý với độ phụ thuộc tương ứng bằng độ cao của tập mờ.
Đối với hệ điều khiển này, việc xác định các biến ngôn ngữ một cách nhạy cảm và độ mờ biến thiên nhanh cho thấy rằng lựa chọn hàm tam giác là phù hợp cho giai đoạn nghiên cứu ban đầu.
Các hàm thuộc của biến Distance
Hình 3.14: Hàm liên thuộc biến ngôn ngữ vào “Distance”
Với x là khoảng cách giửa 2 điểm từ 0 – 3000 (mm)
Các hàm thuộc của biến ThetaStart, Theta Goal
Hình 3.15: Hàm liên thuộc biến vào“ThetaStart”
Hình 3.46: Hàm liên thuộc biến vào “ThetaGoal”
Với x là góc -180 đến 180 (độ)
Hình 3.17: Hàm liên thuộc biến LinearVelocity
Với x là vận tốc thẳng của robot tƣ 0 – 30 cm/giây
Hình 3.18: Hàm liên thuộc biến AngularVelocity
Với x là vận tốc xoay của robot từ -60 đến 60 ( độ/giây) tương đương với việc robot quay sang trái hay phải
Xây dựng luật mờ cho bộ điều khiển mờ là một trong những bước khó khăn nhất trong thiết kế bộ điều khiển, thường đòi hỏi kinh nghiệm và kiến thức chuyên môn về hệ thống Kiến thức này thường được hình thành qua quá trình trực quan của người thiết kế Dưới đây là luật mờ được áp dụng cho bộ điều khiển robot, được trình bày trong bảng 3.1.
Bảng 3.2 Lập ma trận luật
3.2.3 Chọn thiết bị hơp thành và phương pháp giải mờ Đôi với trường hợp điều khiển mobile robot, chọn thiết bị thực hiện luật hợp thành theo phương pháp MAX-MIN và phương pháp giải mờ trọng tâm (centroid)
51 Hình 3.19: Luật hợp thành và nguyên lý giải mờ
Hình 3.20: Bề mặt điều khiển V(t) với 2 ngõ vào (Distance, ThetaStart)
Hình 3.21: Bề mặt điều khiển V(t) với 2 ngõ vào (ThetaStart, ThetaGoal)
Hình 3.22: Bề mặt điều khiển (t) với 2 ngõ vào (ThetaStart, Distance)
Hình 3.22: Bề mặt điều khiển (t) với 2 ngõ vào (ThetaStart, ThetaGoal)
GIẢI THUẬT TÌM ĐƯỜNG ĐI CHO ROBOT DI CHUYỂN TRÊN MẶT PHẲNG CHO TRƯỚC
Trong không gian văn phòng với các vật cản cố định như bàn, ghế, tủ sách và thùng giấy, robot cần phải có khả năng lập kế hoạch đường đi và di chuyển đến mục tiêu mà không va chạm với bất kỳ vật cản nào Các vật cản sẽ được số hóa trên bản đồ thành các vùng trắng và đen, trong đó vùng trắng là khu vực robot có thể di chuyển, còn vùng đen là khu vực có vật cản mà robot không thể vượt qua.
Hình 3.23: Không gian hoạt động của robot di dộng
3.3.2 Giải thuật tìm đường đi
Hiện nay, nhiều nghiên cứu trên thế giới đã phát triển các giải thuật hoạch định đường đi cho robot Các trường hợp di chuyển của robot được phân loại thành hai loại: di chuyển trong môi trường tĩnh theo lịch trình định trước và di chuyển trong môi trường động khi gặp chướng ngại vật Đề tài nghiên cứu này tập trung vào việc robot di chuyển trong môi trường tĩnh theo lịch trình đã được xác định.
Phương pháp Probabilistic Roadmap (PRM) là một thuật toán xác suất được sử dụng để tạo ra đường dẫn ngắn nhất cho robot Các node được tạo ngẫu nhiên trong vùng di chuyển của robot (vùng Trắng) trên bản đồ, và chúng được nối với nhau bằng các đường thẳng không cắt qua vùng vật cản (vùng Đen) Để xác định các đoạn thẳng từ vị trí hiện tại của robot đến mục tiêu, thuật toán A* được áp dụng nhằm tìm ra lộ trình ngắn nhất.
Phương pháp này dễ hiểu và có các bước thực hiện đơn giản, nhưng thời gian tính toán chậm do phải thực hiện nhiều phép tính Đường đi vẫn chưa tối ưu vì còn mang tính ngẫu nhiên, dẫn đến việc không thể đạt được mục tiêu trong nhiều trường hợp.
55 node không đều Các đường thẳng tạo ra tuy không cắt ngang vật cản nhưng rất gần với vật cản, robot sẽ va chạm với vật cản
Dựa trên những ưu nhược điểm của phương pháp hiện tại, giải thuật đã được điều chỉnh để khắc phục các nhược điểm Cụ thể, các node sẽ được tạo ra đồng đều trong khu vực mà robot có thể di chuyển trên bản đồ, với kích thước tỷ lệ thuận với kích thước thực tế của robot và tỷ lệ thu nhỏ của bản đồ Các node này sẽ được bố trí trong vùng trắng theo nguyên tắc cách đều và không tiếp xúc với bất kỳ phần nào của vùng đen Điều này đảm bảo rằng robot có thể tìm đường và di chuyển đến bất kỳ điểm nào trong phòng, như minh họa trong hình 3.24.
Hình 3.24: Tạo node đều trên không gian robot có thề đến
Sau khi tạo các node, các đường thẳng nối chúng theo nguyên tắc mỗi node kết nối với tất cả các node còn lại Đường thẳng không được cắt ngang vùng vật cản, đảm bảo rằng robot có thể di chuyển an toàn mà không va chạm với vật cản Đường đi của robot cần phải cách xa vùng vật cản đủ để tránh xảy ra sự cố.
Hình 3.25: Các đường thẳng nối các node lại với nhau
Thuật toán A* được sử dụng tìm đường đi ngắn nhất đến mục tiêu
Hình 3.26: Kết quả của giải thuật tìm đường đi ngắn nhất
Kết quả của thuật toán tìm đường là một chuỗi tọa độ điểm, chia đường hoạch định thành nhiều đoạn thẳng Robot cần sử dụng bộ điều khiển mờ để di chuyển qua từng đoạn thẳng cho đến khi hoàn thành nhiệm vụ.
57 đạt đến điểm cuối cùng thì dừng lại Chú ý tại các điểm mà robot đi qua phải có đầy đủ các thông số về tọa độ (xGoal ,y Goal , Start ).[13]
TẠO CÁC NODE ĐỀU TRÊN BẢN ĐỒ
KIỂM TRA NODE ĐÈ LÊN VẬT CẢN
NỐI ĐƯỜNG THẰNG CÁC NODE LẠI VỚI NHAU
KIỂM TRA ĐƯỜNG CẮT LÊN VẬT CẢN
XUẤT CHUỖI TỌA ĐỘ ĐIỂM
Hình 3.27 Lưu đồ giải thuật tìm đường đi
