Uftai-ve-tai-day26602.pdf

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 Ý nghĩa

Ký hiệu

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

qd

Vận tốc góc khớp mong muốn

m/s

q

Vận tốc khớp thực của bệ Pan-Tilt

m/s

ro

Tọa độ mục tiêu trong hệ tọa độ bệ Pan-Tilt

m

ro

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

w

c

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, e1 , 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 robotcamera 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 robotcamera, 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 antisingularity 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/elk1711-137, 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 robotcamera 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., ei  0 với i = 1,...,n) trong khi biến trượt đầu cuối tương ứng khác không (i.e., si  0 ). 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 K1i và K 2i thỏa mãn i  ei  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)  R n*n : 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 m1 và m2 sao cho m1I  H(q)  m2I .  Ma trận biểu diễn lực hướng tâm và lực Coriolis h(q,q) bị chặn bởi 2

cb (q) q với cb (q)  B1( S) , S  R n .  Ma trận (H(q)- 2h(q,q)) là đối xứng lệch hay: sT [(H(q) - 2h(q,q))]s  0 với s  R n*1  sT H(q)s  2sTh(q,q)s

 Hệ phương trình động lực robot tuyến tính với các tham số động lực của robot.  Giá trị d(q,q)  dd , với d d  0 . 2

Trong phương trình (1.1) do tính bất định của mô hình robot do đó có các thành ˆ (q), hˆ (q,q) , gˆ (q) có phần không được biết chính xác [89]. Khi đó, các tham số H

thể được mô tả như sau:

ˆ H(q) H(q)  H(q) h(q,q)

g(q) ˆ ˆ , H(q), h(q,q)

(1.2)

ˆ h(q,q)  h(q,q)

(1.3)

ˆ  g(q) g(q) ˆ là g(q)

các

(1.4) 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

H(q)  m0 , h(q,q)  b0 , g(q)  g0 , với m0 , b0 , g0 là các giá trị hữu hạn [84]. Phương trình (1.1) có thể được biểu diễn lại dưới dạng:

ˆ ˆ ˆ  f(q,q)  η H(q)q  h(q,q)q  g(q)

f(q,q)  H(q)q  Δh(q,q)q  Δg(q)  d(q,q)

Với:

(1.5) (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]: ˆ ˆ ˆ η 0  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

η1 = 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. n*1 Thành phần f(q,q) R 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

d(q,q)

2

bị chặn do đó các thành phần bất định của robot cũng bị chặn nên

f(q,q)  f0 với f 0 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. AlDuwaish, 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:

s  c   i  exp i 2 i i

2

(1.10)

c j ,  j 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 η 0 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 η1 = 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 robotcamera 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 robotcamera 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].   s34   c34 s5   c34c5 + Ma trận Jacobi của robot: J    0   0   0

c34 s34 s5 s34c5 0 0 0

+ Ma trận Jacobi của đặc ảnh : J

 z  c  0 

im

0 0 0 0 c5 s5

0 0 0 0 c5 s5

0  0  0 . 1  0  0 

(1.11)

u2   2 v  0 zu  uv    c    v  v2   2 uv  u  zc zc   

(1.12) + Luật điều khiển động học được đề xuất với vận tốc đặt mong muốn của các khớp như sau :    4d     5d 

  A1   N  n  ˆ  .  



 

(1.13)

+ Luật điều khiển động lực học với momen điều khiển của các khớp bám theo tốc độ đặt các khớp như sau : η  Γ  H  q  v  h  q, v  v  g  q  d d

(1.14) Với  v-vd 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 Chuyển động không xác định của WMR

visual servoing bám mục tiêu di động

Bộ điều khiển động học (2.39)

-

vd

-

+

+

Bô điều khiển động lực học (2.43)



Chuyển động không xác định của mục tiêu di động

tay robot với camera

v

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: q    Jc J  d

1

ξ   Jc J 

1  ˆ   ξ  J cΩc  



(1.15) Với : q

d

là vận tốc đặt mong muốn của các khớp robot;  là hệ số suy giảm;

J c là ma trận Jacobi ảnh; J là ma trận Jacobi của robot; ξ là đặc trưng ảnh tức thời; ξˆ là đặc trưng ảnh tại thời điểm tiếp theo (có thể ước lượng). + Chọn momen điều khiển các khớp như sau:

  H(q)u  h(q, q)

(1.16)

Trong đó, u là tín hiệu điều khiển phụ sẽ xác định sau, q d 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: u  qd - K(q - qd )

(1.17)

22 trong đó K là ma trận xác định dương và ký hiệu   q - qd 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 qd mong muốn. Điều này sẽ bảo đảm camera bám mục tiêu với sai lệch đặc trưng ảnh e f  0. Sơ đồ điều khiển của hệ visual servoing như Hình 1.2. Mục tiêu di động -

Robot hand

Thuật điều khiển

Tính tốc độ

-

Robot +

+ Ước lượng Tính đặc trưng ảnh

Camera

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:

η = η 0 + η1

(1.18)

η0 =H(q)(qd -K(q -qd )+h(q,q))

(1.19)

trong đó ε  q  qd ; K là một ma trận đối xứng xác định dương, η 1 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 ε + Kε = H-1(η1 - f1 )

Đặt η' = H-1η1 f' = H-1f1

(1.20)

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 η1 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 ε  (q - qd )  0 nếu ta chọn thuật điều khiển η và thuật học W của mạng nơron

như sau:

η = H(q)(qd - K(q - qd ) + h(q,q) + η1 

η1 = H (1   )Wζ -  

ε   ε 

W  εζT

(1.21) (1.22)

(1.23)

trong đó các tham số tự chọn K là ma trận đối xứng xác định dương

K = K T > 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 ˆ q)(q - K(q - q ) + h( ˆ q,q) Mô men η gồm hai thành phần chính: η0  H( d d

là

thành phần phản hồi và bù các thành phần phi tuyến, η 1 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 RobotCamera 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:

dx dξ  J f c  J f Jrq dt dt

(1.24)

Định nghĩa ma trận Jacobi tổng hợp là:

J  ξ,q   J f J r Phương trình đặc trưng ảnh có thể được viết lại: ξ  J  ξ,q  q

(1.25) (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 : z = G( ξ - ξ ) , trong đó G là ma trận hằng [n2m], có số hạng bằng n. d Do đó, nếu z  0 thì e f  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:

ψz  γ  f1  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 u E theo dạng:

uE  u0  u1

(1.31)

u0  ψ  K D z  K P 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:

z  K D z  K P z  ψ1 u1  f1 

(1.33)

Đặt:

u '  ψ1u1 ta được: z  K D z  K P z  u ' f 

f   ψ1f1 (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 f  = Wζ +β = fˆ +β ; fˆ = Wζ sẽ bám theo mục tiêu di động với sai số e f  0 nếu ta ch

u  ψ  K D z  K P z   γ  u1

(1.35)

 s u1   1   Wζ    s 

(1.36)

W  sζT

(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 matlabsimulink. + Sơ đồ điều khiển của đề xuất này:

x0

26 Luật điều khiển

Động cơ chấp hành

Robot

Camera

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 K1i và K 2i 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: 

si  ei  isig  ei   qi  qr i , với i  1,..., n trong đó

qi

là biến vị trí thứ i, ei  qi  qdi là biến sai lệch thứ i,

đạo mong muốn của

qi , i

(1.38)

qdi

là quỹ

là hằng số dương và có thể chọn tùy ý,

27



sig  ei   ei



sign  ei  , và  

1 với 1 ,  2 là các số nguyên dương lẻ thỏa mãn 2

bất đẳng thức dưới đây [62]: 1 1   1. 2 2

+ Tính toán đầu vào điều khiển: Để tránh vấn đề suy biến tác giả đề xuất thêm biến phụ như sau:  1  q  i i sign  ei  ei if si  0 and ei   i ui   d i Otherwise  qr i

(1.39)

với i  1,..., n , và  i minh họa một lớp lân cận xung quanh điểm 0 tương ứng với ei và có thể chọn nhỏ tùy ý. + Đề xuất luật điều khiển như sau:





ˆ  Γsig  s    dˆ , η  fˆ x, W

(1.40)

trong đó dˆ là thành phần bền vững đã nói ở trên và sẽ được xác định cụ thể





ˆ là ˆ là đầu ra của RBFNN và được áp dụng để ước lượng f  x  , còn W sau. fˆ x, W

giá trị ước lượng của W và có thể được cập nhật trực tuyến bằng thuật toán điều ˆ  được thể hiện như sau: chỉnh trọng số trực tuyến. Đặc biệt, biểu thức của fˆ  x, W





ˆ W ˆ Tζ  x  . fˆ x, W

(1.41)

+ Xử lí hiện tượng chattering cho thành phần bền vững:

ˆ s  s dˆ    ˆ s  

if

s  (1.42)

if

s 

với  là một hằng số dương rất nhỏ. Do đó, để đảm bảo tính bị chặn của ˆ , (1.42) phải thay thế bởi:

  s ˆ      0

if if

s  s 

28 + Thời gian hữu hạn khi s hội tụ đến 0 được tính toán như sau: [62]

1 /2  0  V2 ts  . 1  /2   2  1   min   M  2  2

(1.43)

Khi các trạng thái của hệ thống nằm trên mặt trượt, nghĩa là s  0 , thời gian hữu hạn để ei  0 được tính như sau[62] 1 ei  ts  , tei  i 1   

(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 titotal  ts  tei .

(1.45)

+ Sơ đồ điều khiển của đề xuất : u RBFNN

e

Mặt trượt

s

Bộ điều khiển

+

Cánh tay robot

Thành phần bền vững

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.

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: Tạo Vật thể

ảnh số

Tiền xử lý ảnh

Phân vùng ảnh

Xác định đặc trưng ảnh

Nhận dạng và định vị

Kết quả

ảnh

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

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. `

P

xc xt

xw1

xw2

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

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]

Cxđ

-

Thuật điều khiển

Động học ngược

Điều khiển khớp

Xác định tọa độ ảnh

Khuếch đại công suất

f

Xác định đặc trưng ảnh

Hình 2.3 Cấu trúc hệ servo vị trí ảnh

33

fđ -

Thuật điều khiển

Điều khiển khớp

Khuếch đại công suất

f

Xác định đặc trưng ảnh

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

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 5

Y4

YC XC

Camera

ZC X4

Z0

Trục tilt Y3 Z3

Trục Pan

Z4

X3

4

Y0 O0

X0

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]

 s34 c34 s5 c34c5 xM  xc   x x c   34  s34 s5 s34c5 yM  yc   x y 0  TC    0 c5 s5 hT  zc   x z    0 0 1  0  0

yx zx px  yy zy py  , yz z z pz   0 0 1

(2.1)

36 Với

si  sin i , ci  cosi , sij  sin i   j  , cij  cos i   j  .3

là

hướng của chân đế di động. xM , yM 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. hT là độ cao của trục tilt (xem hình 2.7 và 2.8). ( xc , yc , zc )T 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). Y3 Y0

Y2

Sàn robot di động

Bánh trái

3

yM

Bánh xe thụ động

O0

X3

X2

M

Bánh phải xM

X0

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 d 0trans dọc theo các trục của khung cơ sở O0X0, O0Y0, O0Z0 và dịch chuyển qua phép quay vi phân d 0rot 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:

new _posture  d 0trans.d 0rot.TC0  dTC0  TC0 . Vì vậy, thay đổi vi phân dTC0 được tính bằng:

dTC0   d 0trans.d 0rot  I  TC0  Ξ0 .TC0 , Với

(2.2)

37 1  0 Ξ0  d 0trans.d 0rot  I   0   0  0  z  y dx       0   d x y ,   z 0 dz    y  x   0 0 0   0

0 1 0 0

0 dx   1  z  y 0    1  x 0  0 d y    z I 1 0  1 dz    y  x   0 0 1  0 1   0 (2.3)

Trong đó d x , d y , và dz là các khoảng cách rất nhỏ trong d 0trans 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 d 0rot của OCXCYCZC xung quanh các trục O0X0, O0Y0, O0Z0. Mặt khác, nếu camera có biến đổi vi phân d C trans dọc theo OCXC, OCYC, OCZC với các khoảng cách rất nhỏ d XC , d yC , d ZC tương ứng và phép quay vi phân

d C rot xung quanh OCXC, OCYC, OCZC với những góc nhỏ  XC ,  yC và  ZC (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 T0C với d C trans và d C rot :

new_posture  TC0  dTC0  TC0 .d C trans.d Crot,

(2.4)

Ta có thể viết lại (2.4) như sau:

dTC0  TC0 . d C trans.d Crot  I   TC0 .ΞC ,

(2.5)

Với

ΞC

 0    ZC C C  d trans.d rot  I   C   y   0

Kết hợp (2.2) và (2.5), kết quả là:

 ZC 0

 yC  xC

 xC

0 0

0

d xC   d yC  . d ZC   0 

(2.6)

38

ΞC   TC0  .Ξ0 .TC0 1

(2.7)

Để thuận tiện, từ (2.1) và (2.3), ta định nghĩa các véc tơ mới như sau:

x   x x x y x z  , y   y x y y y z  , z   z x z y z z  , T

p   px

py

T

T

p z  , δ   x  y  z  , d   d x d y d z  . T

T

T

Có thể thấy rằng, (2.7) có thể viết lại như sau:

ΞC

 0    δT .z   T  δ .y   0 

δT .z

δT .y

xT   δ  p   d   

δT .x yT   δ  p   d  

0 T

δ .x

0

0

0

z

T

 

δp  0

,   d     

(2.8)

Với  δ  p  là tích trực tiếp của hai véc tơ này.

Y4

Trục O4Y4

5 OCXC

Trục O4Z4

Bánh phải

hT

Z3

Bánh trái

4

O4

Z4

4 Z3

4 M  O3

X4

Y3 Y3

O3

X3 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:

d xC  xT   δ  p   d  ,

(2.9)

d yC  yT   δ  p   d  ,

(2.10)

39

d zC  zT   δ  p   d  ,

(2.11)

 xC  δT .x ,

(2.12)

 yC  δT .y ,

(2.13)

 zC  δT .z ,

(2.14)

YC

V

Y4

ZC

YC

Mặt phẳng v ảnh

5 5

X4

U

u



OC  O4

XC

OC

zc

xc

ZC

Z4 yc

4

Đối tượng

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: D   d xC

d yC

dzC  xC  yC  zC  . T

(2.15)

Ngoài ra, ta tính toán ma trận Jacobi J sao cho nó thỏa mãn công thức:

D  J  dxM

dyM

d3 d4 d5 

T

(2.16)

Với

J   J1 J 2

J3 J 4

J 5    D  xM 

D yM

D 3

D 4

D  5 

(2.17)

40 Đối với biến đổi vi phân dọc theo O0X0 (xem hình 2.9), ta có

d   dxM 0 0  và δ   0 0 0 T . Vì vậy, từ (2.1), (2.9)-(2.14) và (2.17), ta có T

công thức:

J1   s34

c34 s5 c34c5 0 0 0 

T

,

Tương tự, với biến đổi vi phân dọc theo O0Y0

(2.18) (xem hình 2.9), ta có

d   0 dyM 0  và δ   0 0 0  . Ta cũng có: T

T

J 2   c34 s34 s5 s34c5 0 0 0 

T

,

(2.19)

Ta xem xét phép quay vi phân xung quanh các trục O2Z2, O3Z3, O4Z4 tương ứng, khi đó vai trò của TC0 trong cả hai công thức (2.1) và (2.7) sẽ được thay thế tương ứng bởi các ma trận dưới đây:

TC2

 s34   c34   0   0

c34 s5 s34 s5 c5

c34c5 s34c5 s5

0

0

xc   yc   hT  zc  ,

(2.20)

 

1

thể hiện vị trí và hướng của OCXCYCZC trong O2X2Y2Z2,

TC3

  s4   c4   0   0

c4 s5 s4 s5 c5

c4c5 s4c5 s5

xc   yc   hT  zc 

0

0

1

(2.21)

 

thể hiện vị trí và hướng của OCXCYCZC trong O3X3Y3Z3, và

TC4

0  0   1   0

 s5 c5

c5 s5

0

0

0

0

xc   yc   zc  ,

(2.22)

 1 

mô tả vị trí và hướng của OCXCYCZC trong O4X4Y4Z4 (xem hình 2.8). Trong ba trường hợp này, ta có δ   0 0 di  , i = 3,4,5, và d   0 0 0  . Kết hợp T

T

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:

J3   0 0 0 0 c5

s5  ,

J 4   0 0 0 0 c5

s5  ,

T

(2.23)

T

(2.24)

J5   0 0 0 1 0 0  , T

(2.25)

Từ (2.18)-(2.19) và (2.23)-(2.25), ta có thể chỉ ra ma trận Jacobian của robot như sau:   s34   c34 s5   c34c5 J  0   0   0

c34 s34 s5 s34c5 0 0 0

0 0 0 0 c5 s5

0 0 0 0 c5 s5

0  0  0 . 1  0  0 

(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:

u    zTc  v 

ξ

 xTc   ,  yTc 

Với  là độ dài tiêu cự của camera.

(2.27)

rTc   xTc

độ của đối tượng trong khung camera (OCXCYCZC).

yTc

zTc T

là véc tơ tọa

42 ZC

ZC Z0

YC OC

XC

YC Y0

O0

XC

X0

Hình 2.9. Đồ thị mô tả chuyển động vi phân của camera qua OCXCYCZC

Đối tượng di động

Mặt sàn

Hình 2.10. Mô hình robot di động bám mục tiêu di động Gọi

dC   d xC

dzC 

d yC

T

là

véc

tơ

biến đổi

vi phân,

và

δC   xC  yC  zC  là véc tơ phép quay vi phân của camera đối với OCXCYCZC. T

Chuyển động vi phân của đối tượng trong OCXCYCZC được tính toán bởi công thức sau [13]:

drTc   dxC dyC dzC   δC  rTc  dC  rTc dt , t T

Trong đó

(2.28)

rTc dt biểu thị thành phần chỉ phụ thuộc vào chuyển động không t

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: 



dxTc   zTc   yC  v  zC   d xC  





xTc dt , t

(2.29)

43

yTc dt , t

(2.30)

zTc v C  u C  d C  zTc dt y  z  x t .

(2.31)





dyTc  zTc  u  zC   xC   d yC  

dzTc 



Theo (2.27), Biểu thức vi phân của tọa độ ảnh được viết lại dưới dạng sau:

du    zTc dxTc 2 xTc dzTc , zTc

dv   

zTc dyTc  yTc dzTc zTc2

(2.32)

.

(2.33)

Thay (2.29), (2.30), và (2.31) vào (2.32)-(2.33) dẫn tới:  du    J im .D  δdt ,  dv 

dξ  

Trong đó J

im

 z  c  0 

0

 zc

(2.34)

u2   2 v  u uv   zc    ma trận Jacobi (ma trận 2 2  v v   uv  u  zc   

 tương tác) của camera, và δ     

 xc  u zc 

zc t

zc t

 

  

 yc  v zc  

zc t

zc t

T

 .  

Thay (2.16) vào (2.34) ta được:

dξ  Jim .J.dθ  δdt , với

θ   xM

yM

3 4 5 

(2.35) T

. 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:

ξ  Jim .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.

visual servoing bám mục tiêu di động Bộ điều khiển động học (2.39)

-

vd

-

+

+

Chuyển động không xác định của WMR Bô điều khiển động lực học (2.43)



Chuyển động không xác định của mục tiêu di động

2-DOF robot camera

tay với

v

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:    v  4 ξ  A      s54  ψ ,  u  5  

  Trong đó A    



2

 u 2  c5



uvc5



(2.37)

   ,  2  v 2   

uv

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:   xM  ψ  B3  E    δ , B  1     yM 

E



 u 2  c5   vs5  , uvc5  us5 

2

1     s34  uc34c5     c34  us34c5   . zc    c34 s5  vc34c5     s34 s5  vs34c5  

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

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]:

ˆ  

pre

 pre   v  4  -   s  pre - A  , 5 4 pre   -u    5 

(2.38)

Với ψˆ là véc tơ ước lượng của ψ . Hơn nữa,  pre ,4pre , 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

d   0,0 

Bởi vì det  A  



2

T

. Do đó, sai lệch hình ảnh cũng là ξ .

 u 2  v2  c5 , nên dễ thấy A là ma trận khả nghịch nếu

5   . Kết quả là, nếu 5   , thì để loại bỏ sai lệch hình ảnh ξ , chúng ta có thể 2

2

chọn vận tốc góc mong muốn cho các khớp robot như sau:    4d     5d 

  A1   N  n  ˆ  ,



 

(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 

T

T

5  trong (2.37) bởi 4d 5d  trong (2.39), ta nhận được   

phương trình sau:  v     N  n     s54d  ,   u 

ˆ. với ψ = ψ - ψ

(2.40)

truc Z0 (m)

46

2

muc tieu

0 6

4

2

truc Y (m) 0

ro bot di dong 2

0 0

6

4 truc X (m) 0

Hình 2.12. Mô tả quỹ đạo của WMR (màu xanh) và mục tiêu bay (đỏ) trong không gian 3D -3

-4

1 x 10

truc V (m)

0

huong cua chuyen dong

-2 -4

quy dao dac trung anh 0

2 4 6 truc U (m) x 10-4

Hình 2.13.

toa do (m)

x 10

u v

0.5 0 -0.5 -1 0

2 4 thoi gian (s)

6

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,

g  q  là thành phần gia tốc trọng trường. T

q  4 5  là góc quay các khớp robot, v  4 5  là vận tốc các T

khớp robot, v  4 

T

5  là gia tốc các khớp robot η   4 , 5  ,  4 là mô men tại  T

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: H q   2h q, v  là ma trận đối xứng lệch, đó là

θT H q   2h q, v  θ  0 ,

θ  R 2 X 1

(2.42)

Luật điều khiển động lực học được đề xuất như sau:

η  Γ  H  q  vd  h  q, v  vd  g  q  T

với v d  4 d 

5d  , ε  v  vd . 

(2.43)

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 ξ d 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 V  T H  q    ξT ξ , 2 2

(2.45)

Thực hiện lấy đạo hàm bậc nhất (2.45), ta có:

1 V  T H  q    T H q    ξT ξ , 2

(2.46)

Thay cả (2.40) và (2.44) vào (2.46) và kết hợp với (2.42) ta được: 

v T  s54 d  ξ ψ ,  u 

V  T Γ  ξT Nξ  n ξ  ξT 

(2.47)



v   0 , vì vậy (2.47) rút gọn thành:  u 

Chú ý rằng ξT 

V  T Γ  ξT Nξ  n ξ  ξT 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, ξT ψ  ξ . ψ   ξ . Ta có bất đẳng thức:

V  T Γ  ξT Nξ  n ξ   ξ ,

(2.49)

Nếu chọn n  với  là hằng số dương, thì (2.49) được viết lại như sau:

V  T Γ  ξT Nξ   ξ ,

(2.50)

Điều này chứng tỏ rằng V  0 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, V  0 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 X0(m) Y0 (m) Z0(m) Hướng (rad)

Robot di động (WMR)

Đối tượng

xM  5sin  0.2t  ,

xT  6,

yM  5cos  0.2t 

yT  0.1 0.5t  0.1cos  3t  ,

,

zM  0 ,

zT  3  0.2t  0.15sin  4t  ,

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. 2 I  0.025 kg.m P

I

Yc

I

2  0.005 kg.m

Xc

I

Zc

2  0.015 kg.m

2  0.004 kg.m

  0.01 m

m  0.5 kg b

  0.005 m

Các thông số mô phỏng của robot được lựa chọn như sau: -

Các điều kiện của mô hình (2.43):

1  cos  25  1  cos  25  0  I Zc ,  , H11  I P  IYc 2 2 I Xc 

 H11

H q   

 0 

h  q, q   

h11

 h  21

h12  h  1 I  I sin 2  , , 11  Zc Yc   5  5 0

2

 

h12  1  I Zc  IYc  sin  25 4 , 2

-



 .  9.8mb cos5 

Véc tơ trọng lực g  q   

0

IP là momen quán tính của liên kết pan và chân đế xung quanh trục quay của nó.

I Xc , IYc , và I Zc tương ứng là momen quán tính của thân bao gồm camera và robot. (xem Hình 2.7 và Hình 2.8).

0 mb

0   , với   0 , là vị trí trọng tâm của thân trong OCXCYCZC. T

là trọng lượng của thân máy này.

50 10 0    n=0.25 , N=Γ= Các tham số của luật điều khiển được chọn như sau:  0 10  ,

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

Sai lech van toc goc (rad/s)

ra trong mục 2.3.1 đã đạt được.

1 0 -1





-2



-3 0

0.5

1 thoi gian (s)

1.5

2

Mo men quay (N.m)

Hình 2.14. Đặc tính của  = v – vd theo thời gian

10 0 

-10 -20 0



 0.5

1

1.5 2 2.5 thoi gian (s)

3

3.5

4

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.

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

f i   wij bi   i

(3.1)

yi  a( fi )

(3.2)

j 1

Trong đó

f i là tín hiệu trạng thái của nút nơ ron thứ i;

wij 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; yi là tín hiệu đầu ra của nút nơ ron thứ i; a{ fi ) là hàm phi tuyến đầu ra của nút i. Khi wij = 0 nghĩa là có kích thích từ nơ ron thứ j đến nơ ron thứ i. Nếu wij = 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:

m fi   wij b 2i  i j 1

(3.3)

Hàm cầu phương:

m fi    (bi  wij )2  i j 1

(3.4)

trong đó ρ và wij là bán kính và tâm của hình cầu. Hàm đa thức:

 m m  fi    ( wij bib  bi i  b k )  i k k j 1k 1

(3.5)

w là trọng số kết nối của nơ ron thứ j và nơ ron thứ k đến nơ ron thứ i, ijk

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 a ( fi )   0

(3.6)

Hàm dấu:

 1khifi  0 a ( fi )  sign( fi )    1khifi 0

(3.7)

Hàm sigmoid đơn cực:

a ( fi ) 

1 ;  j 1 e

0

(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, b2, b3,.. bk} ta nhận được một tập hợp đầu ra bằng tập Y= { q1d ,qd2 ,qd3 ,..qdk } 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:

 w11w12 ...w1m    w w ... w  2m  W   21 22  ...................   w w ...wnm   n1 n 2 

(3.9)

58 Đặt W i =  w1i , w 2i ,...w m  ;i=1,2,...n là vector cột i của ma trận trọng số W và T

w ij 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: q1d ,b2 : qd2 , ......,bk : qkd ). Ứng với một tác động bk 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 (b 1: q1d ,b2 : qd2 , ......,bk : qkd ) hoàn toàn biết trước. Một tác động bk ở đầu vào mạng sẽ tạo ra đầu ra qk tương ứng. Sai lệch giữa đầu ra thực tế qk và đầu ra mong muốn qdk 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.

W11

σ1

S1

Σ

W12 σ2

S2

W21

f1

Wn1

W22

Σ

f2

Wn2

W2n σn

Sn

Wnn

W1n Σ

fn

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:

( s ci )2  i  exp i i2 (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:

n f   w ζ với i, j = 1, 2, ....n i j 1 ij j

(3.12)

trong đó w ij là các trọng số kết nối giữa nơ ron lớp ẩn và đầu ra của mạng nơ

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:

hay

f(s)= Wσ + ε

(3.13)

f(s)= f + ε

(3.14)

trong đó  f , f 1 , f 2 ,..., f n  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

Thuật học

Chỉnh trọng số

-

e

Bộ diều khiển

Robot

q

(ANN) q

Hình 3.2: ANN trực tiếp điều khiển robot 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

e(q)  (q  qd ) . 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

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.

Robot

u -

Giám sát +

uc

Chỉnh trọng số wij

Mô hình động lực

học ngược (ANN)

Hình 3.3: ANN xấp xỉ động học ngược của robot

q

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 online. 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:

η  η0  η f

(3.15)

Giám sát

Chỉnh trọng số wij ANN

-

qd

+

Bộ điều khiển

e

+

+N u

Robot 

H×nh 3.4 : Bộ điều khiển phản hồi kết hợp với ANN Với:

η [1 , . . ., n ]T : Tín hiệu điều khiển tác động lên robot,

q

65

η f [o1M , . . ., onM ]T : Tín hiệu đầu ra của ANN có M lớp và n nơron trên đầu ra,

η 0 [1 , . . ., n ]T : 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 η 0 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 StoneWeierstrass 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

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 i P(u, v) có toạ độ như sau Hình 3.5 [2]

u

fx fy v z z

(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 ξ  [u, v]T 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 e f = 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: e f (c r0  t )  e f (w rc  t  ,w ro  t )

(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: de f e f  wrc e f  wro e (3.19)  w  w  J cΩc  f dt  rc t t  ro t trong đó Jc  e /  wrc là ma trận Jacobi ảnh thể hiện quan hệ giữa sự thay w đổi của đặc trưng ảnh và sự thay đổi của vector wrc, thành phần e f / t  we f  ro  ro

t

được coi là thành phần đặc trưng cho chuyển động của mục tiêu gây nên sự thay đổi trên đặc trưng ảnh, Ωc   wrc / t là thành phần vận tốc của camera gắn trên bệ robot. Mục đích điều khiển là đảm bảo nếu ξ(Cr0 (t))  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 e Ωc  J c1e f  J c1 f t

(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

e f  e f . Để hệ thống điều khiển ổn định theo hàm mũ, e f  e f ( > 0), ta có thể chọn luật điều khiển vận tốc của camera như sau: e f Ωc   J c1e f  J c1 t

(3.21)

trong đó  gọi là hệ số suy giảm, thành phần e f / t 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]:

Ωc = Jq Trong đó : J là ma trận Jacobi của robot, q là vận tốc các khớp robot

(3.22)

72 Do vậy tốc độ của các khớp được tính theo công thức:

q

J 1Ωc

(3.23)

Ma trận Jacobi ảnh xét trong trường hợp chuyển động của robot [31] là:  uv   f Jc   2 2  f v  f 



f 2  u2   f  

uv f

(3.24)

   

Trong đó ξ  [u, v]T 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 e f = ξ - ξ* = ξ và

e f ξ  . Lưu ý là ξ  [u, v]T . t t

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:

Ωc   J c1e f  J c1

e f t

(3.25)

Từ các phương trình (3.23) và phương trình (3.25) ta có thể nhận được vận tốc mong muốn q của các khớp của robot để camera luôn bám mục tiêu là: d qd    Jc J 

1

ξ   Jc J 

1  ˆ   ξ  JcΩc  



(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 ξˆ (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 q . d 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, q d 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

u  qd - K(q - qd )

(3.29)

trong đó K là ma trận xác định dương và ký hiệu   q - qd 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 q d theo phương trình (3.26) mong muốn. Điều này sẽ bảo đảm camera bám mục tiêu với sai lệch đặc trưng ảnh e f  0. Sơ đồ điều khiển của hệ visual servoing như Hình 3.7. Mục tiêu di động

Tính tốc độ

Robot hand

Thuật điều khiển

-

Robot +

+

Ước lượng Tính đặc trưng ảnh

Camera

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:

74 H(q)  H(q)  H(q)

(3.31)

h(q)  h(q)  h(q)

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  H(q)(qd - K(q - qd )  h(q, q))

(3.35)

trong đó ε  q  qd ; K là một ma trận đối xứng xác định dương, η 1 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 ε + Kε = H-1(η1 - f1 )

(3.36)

Đặt η' = H-1η1

(3.37)

f' = H-1f1

(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 η1 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:

 j  exp



 j cj  2j



2

; j = 1, 2.

(3.40)

75 trong đó c j ,  j là tham số kỳ vọng và phương sai của hàm phân bố Gauss có thể tự chọn. Thông thường chọn c j ,  j 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 f   R2 mô tả bằng phương trình sau:

f  = Wζ + β = fˆ + β

(3.41)

fˆ = 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

β  0 .

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 ε  (q - qd )  0 nếu ta chọn thuật điều khiển η và thuật học W của mạng nơron như sau:

η = H(q)(qd - K(q - qd ) + h(q, q) + η1 

η1 = H (1   )Wζ -  

ε   ε 

W  εζT

(3.43) (3.44)

(3.45)

trong đó các tham số tự chọn K là ma trận đối xứng xác định dương K = K T > 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 ˆ ˆ gồm hai thành phần chính: η0  H(q)(q d - K(q - qd ) + h(q, q)

là thành phần phản hồi

và bù các thành phần phi tuyến, η1 là thành phần có mạng nơron với thuật học online 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: 2  1 V   εT ε   wiT wi  2 i1 

(3.46)

Trong đó w i là véc tơ cột thứ i của ma trận trọng W. Ta có V > 0 khi ε, w  0 V = 0 khi và chỉ khi ε, w  0 ; i=1,2; V   khi ε, w i   . Lấy đạo hàm i i 2

V theo t ta có V  εT ε   wYi w i

(3.47)

i 1

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:

V  εT Kε  εT  η - f    wTi w i 2

i 1

Với thuật học on-line (3.45) ta có wi  s i ; i = 1, 2; w i là cột i của ma trận W

ta có thể xác định được: 2

2

2

i 1

i 1

i 1

T T T T  wi wi    wi ε i  ε  wi i  ε Wζ

(3.51) Thay (3.51) và (3.41) vào (3.49) ta có:

(3.49) (3.50)

77

Hình 3.9: Cấu trúc của hệ visual servoing điều khiển camera bám mục tiêu di động có nhiều tham số bất định

V  εT Kε+εT  η  (1  )Wζ  β 

(3.52)

Từ (3.37) và (3.44) ta có:

η  (1   )Wζ-

ε ;  0 ε

(3.53)

Thay (3.53) vào (3.52) ta được:

V  εT Kε  εT (

ε  β)  εT Kε   ε  ε . β  εT Kε   ε  ε . 0 ε

(3.54)

Nếu chọn    0   ;   0 ta có - ε + ε 0  - ε

(3.55)

Thay (3.55) vào (3.54) ta nhận được:

V  εT Kε   ε  0

(3.56)

Ta thấy V  0 khi ε  0 và V  0 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 e f  0 . Như vậy hệ (3.36) là ổn định tiệm cận và do đó ξ(t )  ξ d 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]: ( J1  J 2 sin 2 q2  J1cos2 q2 ) H 0 

0

2  [s N] J1 

1  ( J1  J 2 )sin q2 cos q2 .   q  h   1 2 C1  q  1 1

1q1   q1  



C2  q2 

[Nm]

J1, J 2: Momen quán tính khớp 1, khớp 2 với: J1 = 0.02 [kgm2], J2 = 0.01[kgm2] 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

2

c1

c2

5.0 ;

0.001;

Mục đích của hệ visual servoing là camera bám sát quỹ đạo này. Kết quả mô phỏng trên Matlab các như hình sau:

79 0.03

dac trung anh

0.025 0.02

V axis

0.015 0.01 0.005 0 -0.005 -3

-2.5

-2

-1.5

-1

-0.5

0

0.5 -3 x 10

U axis

Hình 3.10 Quỹ đạo đặc trưng ảnh do thi van toc goc cac khop theo thoi gian

van toc goc khop (rad/s)

3 khop 1

2

khop 2

1 0 -1 -2 -3 0

1

2

3

4

5 6 thoi gian (s)

7

8

9

10

Hình 3.11 Đăc tính vận tốc các khớp

Mo men (N.m)

0.2

khop 1 khop 2

0.1 0 -0.1 -0.2 0

1

2

3

4

5 6 thoi gian (s)

7

Hình 3.12 Đặc tính momen các khớp

8

9

10

80 do thi cac trong so mang no ron RBFNN 0.3 w1

cac trong so

0.2

w2

w3

w4

0.1 0 -0.1 -0.2 0

1

2

3

4

5 6 thoi gian (s)

7

8

9

10

Hình 3.13 Sự thay đổi các trọng số mạng nơ ron do thi toa do cac khop

toa do khop (rad)

1.5 1 0.5 khop 1

0

khop 2 -0.5 -1 -1.5 0

1

2

3

4

5 6 thoi gian (s)

7

8

9

10

Hình 3.14 Sự thay đổi các góc khớp Sai lech van toc goc khop (rad/s)

Do thi sai lech van toc goc cac khop 0.15







0.1



0.05 0 -0.05 -0.1 0

1

2

3

4

5 6 thoi gian (s)

7

8

9

10

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

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 pantilt-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 Trong đó:

(4.2) 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

Km K K U m c  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 1 



   max 

Trong đó: Mn = max=

(4.4)

Km U - mômen ngắn mạch; R

U - tốc độ góc lớn nhất. Kc

Công suất động cơ ở các tốc độ khác nhau được tính theo biểu thức sau:



P() = M(). = Mn.. 1 



   max 

(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:

 dP()   Mn  M n 1  0  d  max  max Suy ra: * =

1 max 2

84  max

*

0

Mmax

Mn

M,P

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]).

85

Hình 4.2. Cấu tạo động cơ đĩa Id

+

1 ~

2 T1

Ud

4 T4

-

Đ1

Đ2

T2

3

Đ4

Đ3

T3

Cảm biến Tốc độ Cảm biến Vị trí

Mạch ĐK VWM I

Rp đ

đ

R Iđ

r

-

-

R1

-

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

86 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 i P(u, v) có toạ độ như sau (4.6)

fx fy u v z z

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 ξ  [u, v]T 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 ξ  const và đặc trưng ảnh thu được. Hàm sai d lệch này có thể được định nghĩa như sau: e f = (ξ - ξ ) d

(4.7) x0

Luật điều khiển

Động cơ chấp hành

Robot

Camera

Hình 4.4. Sơ đồ điều khiển hệ robot-camera có tính đến động cơ chấp hành

87

xc 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:

xc  p  q 

(4.8)

Đạo hàm theo thời gian của (4.8), ta được:

p q xc   Jrq q t

xc 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 

Li  Ri  Kq  t E  u E η = KT i

(4.9) (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, t E là vector biểu diễn các thành phần bất định của động cơ. Các thành phần bất định được giả sử là bị chặn || t E ||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 x c được xác định bởi:

dx dξ Jf c dt dt

(4.11)

88 Trong đó, Jf là ma trận Jacobi của đặc trưng ảnh. Mặt khác, xc  J r q nên ta có:

dx dξ  J f c  J f Jrq dt dt

(4.12)

Đinh nghĩa ma trận Jacobi tổng hợp là:

J ξ,q   J f J r Phương trình (4.13) có thể được viết lại: ξ  J  ξ,q  q

(4.13) (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  Jq ξ  Jq

(4.19)

Từ (4.18), ta rút ra được:

q  H1 q  η  H1h q, q   H1 H q  q  h q,q 

(4.20)

Định nghĩa biến mô tả sai lệch đặc trưng ảnh: z = G(ξ - ξ ) , trong đó G là ma d trận hằng [n2m], có số hạng bằng n. Do đó, nếu z  0 thì e f  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:

 

η  H GJ

1

 

z  H GJ

1

GJq  h  f

 

ˆ GJˆ Với: f  (H  GJ )q  H

1

(4.23)

GJq  h

Hơn nữa, từ (4.9), (4.10) và (4.23) ta có:

 

ˆ  hˆ  K R Kq    GJq ˆ  GJˆ  GJq  h  R t Li  (H  GJ )q  H E

ˆ GJˆ K T R 1u E  H K T R

1

ˆ GJˆ z H

1

1

T

1

1

(4.24)

1

Ta đặt các biến như sau:

 

ˆ GJˆ ψ = RKT1H

1

(4.25)

 1 (H  GJ)q  H ˆ GJˆ 1GJq  h   K 1t  Li f1  RKT T E

 



 

ˆ GJˆ γ = RKT1 -H 

-1



ˆ  hˆ   Kq GJq 

(4.26)

(4.27)

Kết hợp các phương trình (4.24), (4.25), (4.26), (4.27) ta được phương trình mới sau:

ψz  γ  f1  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 u E theo dạng:

uE  u0  u1

(4.29)

u0  ψ  K D z  K P 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:

z  K D z  K P z  ψ1 u1  f1  Nếu các thành bất định f1 = 0, và chọn u1

(4.31)

0 , thì phương trình sai lệch bám

sẽ là:

z  K Dz  K Pz  0

(4.32)

90 Phương trình (4.32) sẽ ổn định tiệm cận (z0) 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 u1 sao cho (4.28) ổn định tiệm cận. Định nghĩa:

u '  ψ1u1

(4.33)

f   ψ1f1

(4.34)

Thay thế (4.33), (4.34) vào (4.28) ta được: z  K D z  K P 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

Hình 4.5. Mạng RBF xấp xỉ hàm f’ Trong đó,

s   s1, s2 ,..., sn 

T

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:

f  = Wζ +β = fˆ +β

(4.37)

fˆ = Wζ

(4.38)

Với W là ma trận trọng số với luật cập nhật online và β là sai lệch xấp xỉ bị chặn β  β0 .

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: j

  exp

j

 cj 

2

 j2

; j = 1, 2.

(4.39)

trong đó c ,  là tham số kỳ vọng và phương sai của hàm phân bố Gauss có

j

j

thể tự chọn. Thông thường chọn c ,  khác nhau và phủ hết dải thay đổi biên độ

j

j

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 e f  0 nếu ta chọn thuật điều khiển u và thuật học W của mạng nơron như sau:

u  ψ  K D z  K P z   γ  u1

(4.40)

 s u1   1   Wζ    s 

(4.41)

W  sζT

(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:

n  1 V   sT s   wiT wi  2 i1 

(4.43)

Đạo hàm hàm V theo thời gian:

n V  sT s   wiT wi i1

(4.44)

Từ (4.36), (4.37) và KD = D + C, KP = DC, ta được: s  u ' f   Ds

(4.45)

T T T Thế (4.45) vào (4.44), ta được: V  s Ds  s  u ' f    wi wi

(4.46)

n

i 1

92 Với luật học online: wi  s i ; i = 1, 2.

(4.47)

Trong đó wi là cột thứ I của ma trận W.

 wTi wi    wTi s i  sT  wi i  sT Wζ

(4.48)

V  sT Ds+sT u ' (1 )Wζ  β

(4.49)

s ;  0 s

(4.50)

2

2

2

i 1

i 1

i 1

Chọn u '  1    Wζ   Thay (4.50) vào (4.49): 

V  sT Ds+sT   

 s  β   sT Ds   s  β . s  sT Ds   s  β0 . s s 

4.51) Nếu lựa chọn   β0  ;   0 thì: V  sTDs  . s  0

(4.52)

Từ (4.52), V  0 khi s  0 ; V  0 khi và chỉ khi s  0 . Theo lý thuyết Lyapunov, hệ thống ổn định tiệm cận tức s,z  0 và ξ  ξ . d 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]:

( J1  J 2 sin 2 q2  J1cos2 q2 ) H 0 

1  ( J1  J 2 )sin q2 cos q2

0

 [s2N] J1 

93

.   q  h   1 2 C1  q  1 1

1q1   q1  



C2  q2 

[Nm]

J1, J 2: Mô men quán tính khớp 1, khớp 2 với: J1 = 0.02 [kgm2], J2 = 0.01[kgm2] 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]

t

E

0.2 0.1

T

[V]

- Độ bất định: 10% giá trị thực. - Tham số mạng nơ ron RBF:

 =10; 1

2

c 1

c 2

5.0 ; 0.001 ;

- 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

u[m]0.2

DO THI DAC TRUNG ANH CUA CAMERA

0.15

0.1

0.05

0

-0.05 -0.08

-0.07

-0.06

-0.05

-0.04

-0.03

-0.02

-0.01

0

0.01

v [m] Hình 4.6. Quỹ đạo của đặc trưng ảnh

q[rad]

DO THI TOA DO KHOP CUA PAN TILT

1.5 1 0.5 q1 q2

0 -0.5 -1 -1.5 0

2

4

6

8

10

12

14

16

t[s] Hình 4.7: Sự thay đổi toạ độ các khớp

DO THI VAN TOC KHOP PAN TILT

[rad/s] 4

q1 dot q2 dot

2

0

-2

-4

-6 0

2

4

6

8

10

12

14

16

t[s] Hình 4.8: Sự thay đổi vận tốc các khớp

95

uE [V]

Do thi dien ap dieu khien dong co chap hanh o cac khop

20

dien ap khop 1 dien ap khop 2

Dien ap (V)

10 0 -10 -20 0

1

2

3

4

5 6 thoi gian (s)

7

8

9

10

t[s]

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.

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 robotcamera 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]

H  q  q  h  q, q  q  g  q   ηd  η

(5.1)

với q, q, q  R n 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. η d 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: H  q  là ma trận khả nghịch, xác định dương, và bị chặn: H1 θ  θT H  q  θ  H 2 θ , với θ  R n 2

2

(5.2)

trong đó H1 , H 2 là các hằng số thực, dương đã biết. Tính chất 2: H  q   2h  q, q  là ma trận đối xứng lệch. Mặt khác, chúng ta có thể viết lại

θT H  q   2h  q, q  θ  0, với mọi θ  R n

(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. T

Véc tơ đầu vào được định nghĩa bởi x   x1,..., xN1  với N1 là số lượng các nút đầu

98 vào. Lớp ẩn bao gồm N 2 hàm kích hoạt. Trong phần này, những hàm kích hoạt này được chọn là hàm Gauss như sau:  xδ i  i  x   exp   2  2i 

2

  with i  1,..., N2  

(5.4)

với δi ,i 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: N2

y j  W j 0  W ji i  x  với j  1,..., N3

(5.5)

i 1

Ở đây, W j 0 là ngưỡng bù của nút thứ j của lớp đầu ra, và W ji là trọng số kết nối giữa nơron thứ i trong lớp ẩn với nút thứ j trong lớp đầu ra. N3 là số nút đầu ra. Véc tơ đầu ra của RBFNN có thể viết như sau y  WT ζ  x  ,

(5.6)

với W được cấu thành bởi tất cả các ngưỡng bù W j 0 và các trọng số W ji . ζ  x   1, 1  x  ,

,  N2  x  là véc tơ các hàm kích hoạt của lớp ẩn. Chú ý rằng số 1 T

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 f  x  : R N1  R N3 , tồn tại một ma trận W thỏa mãn [62]: f  x   y  ε  WTζ  ε ,

trong đó ε là sai số chấp nhận được của phép xấp xỉ

(5.7)

99

j = 1, … , N 3

Lớp đầu vào

Lớp ẩn

Lớp đầu ra

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 q d với sai số bám e  q  qd 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: 

si  ei  isig  ei   qi  qr i , với i  1,..., n

trong đó

qi

là biến vị trí thứ i, ei  qi  qdi là biến sai lệch thứ i,

đạo mong muốn của



sig  ei   ei



qi ,

(5.8)

qdi

là quỹ

i là hằng số dương và có thể chọn tùy ý,

sign  ei  , và  

1 với 1,  2 là các số nguyên dương lẻ thỏa mãn 2

bất đẳng thức dưới đây [62]: 1 1   1. 2 2

(5.9)

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 qr i  qdi  isig  ei 

là một biến phụ được sử dụng để tính

toán các đầu vào điều khiển. Một mặt, nếu si  0 , thì

ei  isig  ei  , 

(5.10)

và vì vậy ei  0 sẽ là điểm thu hút duy nhất của (5.10). Hơn nữa, si  0 dẫn đến 2 1 . qr i  qd i  i2 ei

Kết quả là,  

(5.11)

1 sẽ dừng vấn đề suy biến xảy ra khi ei  0 . 2

Mặt khác, nếu ei  0 trong khi si  0 , thì vấn đề suy biến sẽ xảy ra do tồn tại một số mũ phân số âm trong qr i như sau:  1

qr i  qd i  isig  ei 

ei .

(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

q  i i 1 sign  ei  ei if si  0 and ei   i  ui   d i Otherwise  qr i

(5.13)

với i  1,..., n , và  i minh họa một lớp lân cận xung quanh điểm 0 tương ứng với ei 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  sig  e   q  qr ,

(5.14)

u  u1,..., u n  ,

(5.15)

T

101 trong

e  e1,..., en  , T

đó,

s   s1,..., sn  , qr   qr1,..., qr n  , T

T

   β  diag  1,..., n  với diag là ma trận chéo, sig  e   sig  e1  ,...,sig  en   .  

Tiếp theo, định nghĩa véc tơ các hàm phi tuyến như sau

f  x   H  q  u  h  q, q  qr  g q  , với x  uT , qrT , qT , qT  .   T

(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 :

H  q  s  h  q, q  s  f  x   ηd  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 ηd  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 ηd  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 ηd  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 η d 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  Γsig  s    dˆ , η  fˆ x, W

(5.20)

trong đó dˆ là thành phần bền vững đã nói ở trên và sẽ được xác định cụ thể





ˆ là đầu ra của RBFNN và được áp dụng để ước lượng f  x  , còn W ˆ là sau. fˆ x, W

102 giá trị ước lượng của W và có thể được cập nhật trực tuyến bằng thuật toán điều ˆ  được thể hiện như sau: chỉnh trọng số trực tuyến. Đặc biệt, biểu thức của fˆ  x, W





ˆ W ˆ Tζ  x  . fˆ x, W

(5.21)

Thế (5.7), (5.20), và (5.21) vào (5.17) ta được 

H  q  s  h  q, q  s  WTζ  d  Γsig  s   dˆ ,

(5.22)

ˆ . trong đó d  ε  ηd , W  W  W

Tiếp theo, thuật toán điều chỉnh trọng số online được đề xuất như sau

ˆ  HζsT , W

(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 dˆ trong (5.20) được đề xuất như sau ˆ s , dˆ   s

(5.25)

Với ˆ 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 u

q

RBFNN qd

e

s

Mặt trượt

Cánh tay robot

Bộ điều khiển

+ Thành phần bền vững

q

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:





1 1 1 V  sT H  q  s    tr WT H 1W , 2 2 2

(5.27)

ˆ , tr(.) là vết của ma trận. trong đó      ˆ ta có ˆ và W   W Lấy đạo hàm (5.27) với chú ý rằng   





1  1 ˆ ˆ . V  sT  H  q  s  H  q  s     tr WT H 1W  2   

(5.28)

Chú ý (5.3) với việc thay (5.22), (5.23), (5.25), và (5.26) vào (5.28) ta được  ˆ s   s  tr  WTζsT  . V  sT -Γsig  s   WTζ  d     

(5.29)

ˆ     , nên ta có Dễ thấy tr  WTζsT   sT WT ζ và   V  sT -Γsig  s   d    s .  

(5.30)

Dựa trên giả sử 1, ta có V  sT Γsig  s  . 

(5.31)

104 Từ (5.31) ta thấy rằng V  0 với mọi s . Do vậy, theo lý thuyết ổn định Lyapunov và LaSalle mở rộng, ta có V  t   V  0  . Điều này dẫn đến, nếu các giá trị ban đầu s  0  , W  0  , và   0  bị chặn, thì s  t  , W  t  , và   t  sẽ bị chặn với mọi t  0 . 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: 1 V2  sT H  q  s . 2

(5.32)

Lấy đạo hàm (5.32) theo thời gian, được kết quả sau: 

V2  sT Γsig  s   sT  WTζ  d  dˆ  .

(5.33)

Rõ ràng là 

V2  sT Γsig  s   s

 W ζ    ˆ . T

(5.34)

Cần nhấn mạnh rằng WTζ là bị chặn [62]. Trong khi đó, ˆ luôn được cập nhật trực tuyến sao cho nó luôn tăng, miễn là s  0 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: ˆ  0. WT ζ    

(5.35)

Vì vậy

V2  sT Γsig  s  . 

(5.36)

Tương tự trong [62], bất đẳng thức sau đây được sử dụng  2  V2   min    M2 

1  /2

V2

1  /2

,

(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 /2  0  V2 ts  . 1  /2   2  1   min   M  2  2

(5.38)

Khi các trạng thái của hệ thống nằm trên mặt trượt, nghĩa là s  0 , thời gian

105 hữu hạn để ei  0 được tính như sau: [62] 1 ei  ts  , tei  i 1   

(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 . titotal  ts  tei

(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 s  s dˆ    ˆ s  

if

s  (5.41)

if

s 

với  là một hằng số dương rất nhỏ. Do đó, để đảm bảo tính bị chặn của ˆ , (5.26) phải thay thế bởi:

  s ˆ      0

if if

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: m1  1 (kg), m2  1 (kg), L1  1 (m), L2  0.8 (m). Không mất tính tổng quát,  d được cho như sau  2sin  2t   0.5q1  ηd   . 1.5cos  3t   0.3q2 

(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 δ i ( với i  1,..., 40 ) của hàm Gauss nơron lớp ẩn thứ i được chọn là 81 vectơ các số ngẫu nhiên trong khoảng (-1, 1). Bán kính của mỗi nơron lớp ẩn là i  2 với i  1,...,40 . 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 H  10.I 4141 . 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 i  10 với i  1,2 . Với các tham số thiết kế điều khiển, tác giả chọn   1/ 3 , Γ  diag 10,10 

 i  0.001 ,   0.05 . Véc tơ mong muốn q d được chọn trước như sau

 1.6  0.4sin  0.5 t   qd    (rad), 0.6  0.5cos 0.6  t    

(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

tien trinh bien thien e1 trong ca hai phuong phap 6

TSMC duoc de xuat SMC tuyen tinh

sai lech bam e1 (rad)

Sai lech bam vi tri e1 (rad)

2 1 0 -1 -2 0

2

4 thoi gian (s)

(a)

6

8

4

x 10

-3

e1 trong trang thai xac lap

TSMC duoc de xuat SMC tuyen tinh

2 0 -2 -4 -6 -8

4

6 8 thoi gian (s)

10

12

(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

108 Tien trinh cua e2 trong ca 2 phuong phap 0

sai lech bam e2 (rad)

sai lech bam e2 (rad)

5

-0.5 -1

TSMC duoc de xuat SMC tuyen tinh

x 10

-4

0 -5 -10 TSMC duoc de xuat SMC tuyen tinh

-1.5 0

2

4 thoi gian (s)

6

-15

8

e2 trong gian doan xac lap

4

6

(a)

8 thoi gian (s)

10

12

(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

Mo men khop 2 trong 2 phuong phap

mo men quay (N.m)

150

TSMC duoc de xuat SMC tuyen tinh

100 50 0 -50

mo men quay (N.m)

Mo men khop 1 trong ca 2 phuong phap

TSMC duoc de xuat SMC tuyen tinh

100

50

0

-100 0

2

4

6 8 thoi gian (s)

(a)

10

12

0

2

4

6 8 thoi gian (s)

10

12

(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

109 x 10

2 1

trong gian doan xac lap

-3

2

phuong phap duoc de xuat phuong phap trong [58]

sai lech bam e1 (rad)

sai lech bam e1 o khop 1 (rad)

So sanh e1 trong 2 phuong phap

0 -1

1 0 -1 phuong phap duoc de xuat phuong phap trong [58]

-2 -2 0

2

4 thoi gian (s)

6

3

8

4

5 thoi gian (s)

(a)

6

7

(b)

Hình 5.8 So sánh trong trạng thái xác lập sai lệch e1 tại khớp nối 1 giữa phương

So sanh e2

x 10

0

sai lech bam e2 (rad)

sai lech bam e2 tai khop 2 (rad)

pháp đề xuất và phương pháp trong [58]

-0.5 -1

Phuong phap duoc de xuat phuong phap trong [58] 2

4 thoi gian (s)

6

phuong phap duoc de xuat phuong phap trong [58]

4 3 2 1 0 -1

-1.5 0

trong giai doan xac lap

-4

8

3

4

(a)

5 6 thoi gian (s)

7

8

(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]

110

(a)

(b)

Hình 5.10 So sánh mô men của phương pháp đề xuất và [58]

Tai khop 2

Tai khop 1 100

50 0 -50 -100 -150 0

2

Khong xu ly chattering co xu ly chattering 4 6 8 thoi gian (s)

Mo men quay (N.m)

Mo men quay (N.m)

100

50 0 -50 -100 -150 0

(a)

khong xu ly chattering co xu ly chattering 2

4 thoi gian (s)

6

8

(b)

Hình 5.11 So sánh mô men trong trường hợp sử dụng (5.25, 5.26) và hàm trơn (5.41, 5.42)

111

so sanh hieu nang khi xu ly chattering (rad)

x 10 4 2

trong giai doan xac lap

-5

e1 khi khong xu ly chattering e1 khi khong xu ly chattering

0 -2 2.5

3

3.5

4

4.5

5 5.5 thoi gian (s)

6

6.5

7

7.5

8

Hình 5.12 So sánh sai lệch bám tại khớp 1, e1 , 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 3 105 và 106 (rad) tại khớp 1 và khớp 2, tương ứng, trong khi của SMC là 102 và 103 (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

e1,2 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.

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 η d mô tả như trong (5.43) và véc tơ mong muốn q d 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 e1,2 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 e1 khi dùng hàm trơn là 410-5 và khi dùng hàm dấu là 210-5 (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 s  0 , 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 s  0 và e  0 , sự suy biến sẽ xảy ra trong công thức (5.12) của [58] như sau:

s  e   e

 1

e  e   2 e

2 1

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 339355. [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-1711137, 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. 15661571, 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 slidingmode 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 Method”,

of

Manipulator Tracking Control based on Intelligent

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