BÁO CÁO HỆ THỐNG CƠ ĐIỆN TỬ THÔNG MINH Đề tài: Control the robot hand with brain waves using machine learning algorithm + Part of chapter 10 Modeling and Control of Space Robots HƯƠNG 1. TỔNG QUAN Nội dung chính • Xu hướng phát triển về robot phục vụ cho người khuyết tật • Vấn đề đặt ra cho robot điều khiển bằng sóng não • Mục tiêu của đề tài 1.1 Xu hướng phát triển về robot phục vụ cho người tàn tật Ngày nay tốc độ phát triển công nghệ thay đổi chóng mặt. Các thiết bị thông minh như điện thoại, ô tô hiện đại, máy công nghiệp tự động…. phát triển rất mạnh mẽ. Một trong những lĩnh vực cũng được quan tâm rất lớn đó là robot hiện đại thay thế con người trong môi trường là việc như robot lắp ráp, robot cứu hỏa, robot thám hiểm không trung, dưới nước… nhưng đặc biệt cũng phải kể đến robot phục vụ cho người tàn tật một lĩnh vực được quan tâm rất mạnh trong những năm gần đây. Các robot phục vụ cho người tàn tật đã được đưa vào sản xuất và phục vụ cho người tàn tật như robot xe lăn, khung xương robot để hỗ chợ người tàn tật, cánh tay robot giả điều khiển bằng các cảm biến từ cơ ở bắp tay
TỔNG QUAN
Xu hướng phát triển về robot phục vụ cho người tàn tật
Ngày nay, công nghệ phát triển với tốc độ chóng mặt, đặc biệt là các thiết bị thông minh như điện thoại, ô tô hiện đại và máy công nghiệp tự động Một trong những lĩnh vực được chú trọng là robot hiện đại, với khả năng thay thế con người trong nhiều môi trường làm việc, như robot lắp ráp, robot cứu hỏa và robot thám hiểm Đặc biệt, robot phục vụ cho người tàn tật đã thu hút sự quan tâm mạnh mẽ trong những năm gần đây.
Robot phục vụ cho người tàn tật, như xe lăn tự động, khung xương robot và cánh tay giả điều khiển bằng cảm biến cơ, đã được phát triển để hỗ trợ và cải thiện chất lượng cuộc sống cho người khuyết tật.
Hình 1.1 Khung xương robot cho người khuyết tật là phẩm công nghệ cao [7]
Hình 1.2 Khung xương trợ lực đi lại giúp người khuyết tật [7]
Trong những năm gần đây, sự phát triển đột phá trong công nghệ robot điều khiển bằng sóng não cho người tàn tật đã giúp con người vượt qua giới hạn của cơ thể Công nghệ này mở ra nhiều cơ hội mới, khai phá những chân trời công nghệ và nền văn minh hiện đại.
Năm 2018, nhóm nghiên cứu tại đại học Johns Hopkins đã thành công trong việc phát triển cánh tay giả điều khiển bằng sóng não Cánh tay này được thiết kế với 26 khớp, trong đó có 17 khớp có khả năng cầm nắm, mang lại nhiều lợi ích cho người khuyết tật.
Hình 1.3 Matheny người đàn ông đầu tiên trên thế giới được sử dụng cánh tay giả điều khiển bằng sóng não [8]
Vấn đề đặt ra cho việc điều khiển robot bằng sóng não
Vấn đề quan trọng nhất trong việc điều khiển robot bằng sóng não là độ chính xác của thiết bị đọc sóng não Đọc sóng não một cách chính xác không chỉ giúp điều khiển robot hiệu quả mà còn đảm bảo an toàn cho người sử dụng.
Việc lấy tín hiệu sóng não của con người để phân tích hoạt động là một thách thức lớn, đòi hỏi nghiên cứu chuyên sâu và tốn nhiều thời gian Sự không đồng bộ trong việc điều khiển robot do tần số sóng não khác nhau giữa các cá nhân khiến cho việc sản xuất hàng loạt hiện nay chưa khả thi Các nhà khoa học trên toàn cầu đang tiếp tục nghiên cứu để phát triển công nghệ này và dự kiến sẽ đưa ra thị trường trong tương lai.
Mục tiêu của đề tài
Mục tiêu của đề tài là thiết kế cánh tay robot với cử động linh hoạt tương tự như con người và có hình thức nhỏ gọn Đồng thời, dự án sẽ xây dựng thư viện sóng não cho từng cử chỉ ngón tay, nhằm lập trình điều khiển các ngón tay để tạo ra phiên bản demo cánh tay có khả năng cầm nắm các vật nhỏ như chai nước và bút.
TÍNH TOÁN, THIẾT KẾ KẾT CẤU CƠ KHÍ
Tổng quan về mô hình động học của robot
Hệ tọa độ và quỹ đạo
Trong hình học, hệ tọa độ là một hệ thống sử dụng số hoặc tọa độ để xác định vị trí duy nhất của điểm hoặc các phần tử hình học trong không gian Euclide Các tọa độ có thể là số thực hoặc số phức, giúp chuyển đổi các vấn đề hình học thành vấn đề số và ngược lại Hệ tọa độ xác định mặt phẳng hoặc không gian theo trục từ gốc tọa độ (Origin) Mục tiêu và vị trí của robot được xác định qua các phép đo dọc theo các trục của hệ thống tọa độ Robot sử dụng nhiều loại hệ trục tọa độ, mỗi loại phù hợp với các loại lập trình cụ thể.
1 Hệ tọa độ cơ bản (The base coordinate system): Được đặt tại gốc của robot Đây là cách dễ nhất để di chuyển robot từ vị trí này sang vị trí khác
Hình 2.1 : Cách xác định hệ trục tọa độ cơ bản
Hệ tọa độ cơ bản với điểm Zero tại gốc của robot giúp dự đoán các chuyển động của robot cố định, rất hữu ích cho việc di chuyển robot từ vị trí này sang vị trí khác Khi người dùng đứng trước robot và di chuyển trong hệ tọa độ cơ bản, robot sẽ di chuyển dọc theo trục X khi kéo cần điều khiển hướng về phía người dùng trong một hệ thống robot được cấu hình bình thường.
4 khi di chuyển cần điều khiển sang hai bên sẽ di chuyển robot dọc theo Trục Y khi xoay cần điều khiển sẽ di chuyển robot dọc theo trục Z
Quy tắc bàn tay phải giúp xác định phương và chiều của các trục x, y, z Để áp dụng quy tắc này, bạn nắm hai ngón út và áp út lại, trong khi ba ngón còn lại - ngón cái, ngón trỏ và ngón giữa - được xòe ra sao cho vuông góc với nhau Khi đó, ngón cái sẽ chỉ phương và chiều của trục Z, ngón trỏ chỉ phương và chiều của trục X, và ngón giữa chỉ phương và chiều của trục Y.
2 Hệ tọa độ đối tượg công việc (work object coordinate system)
3 Hệ tọa độ công cụ (The tool coordinate system)
4 Hệ tọa độ World (The world coordinate system)
5 Hệ tọa độ người dùng (The user coordinate system)
6 Hệ tọa độ chuyển vị (The displacement coordinate system)
Quỹ đạo là yếu tố quan trọng trong điều khiển robot, vì nó xác định đường đi cần thiết để hoàn thành nhiệm vụ Thiết kế quỹ đạo cung cấp dữ liệu đầu vào cho hệ thống điều khiển, ảnh hưởng trực tiếp đến khả năng điều khiển robot và thiết kế cơ khí của nó Thuật ngữ quỹ đạo chuyển động bao gồm hình dáng đường di chuyển và thời gian thực hiện, như vận tốc và gia tốc Do đó, bài toán thiết kế quỹ đạo liên quan chặt chẽ đến động học và động lực học.
- Các yếu tố đầu vào của bài toán bao gồm đường dịch chuyển và các điều kiện ràng buộc về động học và động lực học
- Các yếu tố đầu ra là quỹ đạo của phần công tác
Mô tả chính xác đường dịch chuyển là một thách thức lớn, thường được đơn giản hóa bằng cách xác định các điểm biên của vùng hoạt động và thêm các điểm trung gian Quá trình này thường sử dụng nội suy với các đường đơn giản Yếu tố thời gian trong quỹ đạo không thể xác định cho từng điểm mà thường được quy định cho toàn bộ đoạn đường, thường thông qua các giá trị giới hạn như vận tốc và gia tốc cho phép, hoặc bằng các giá trị mặc định.
Thuật toán thiết kế quỹ đạo trong không gian khớp yêu cầu:
- Không đòi hỏi tính toán quá nhiều;
- Vị trí, vận tốc, có thể cả gia tốc của các khớp phải được biểu diễn bằng các hàm liên tục;
Để giảm thiểu các hiệu ứng bất lợi như quỹ đạo không trơn, cần hiểu rằng quỹ đạo đơn giản là chuyển động giữa các điểm Khi thêm các điểm trung gian, quỹ đạo sẽ chuyển thành dạng chuyển động theo đường.
Sử dụng cho các loại robot như robot hàn điểm, tán đinh và xếp dỡ vật liệu, chuyển động này chỉ chú trọng vào tọa độ điểm đầu và điểm cuối của đường dịch chuyển, cùng với thời gian di chuyển giữa các điểm, mà không quan tâm đến hình dạng của đường dịch chuyển.
Trong nhiều hoạt động như hàn hồ quang, sơn và xếp dỡ vật liệu trong không gian có nhiều chướng ngại vật, việc điều khiển robot theo đường là rất cần thiết Số lượng điểm trên mỗi đường thường lớn hơn hai, không chỉ đơn thuần là các điểm đi qua mà còn cần khống chế vận tốc và gia tốc để đáp ứng yêu cầu công nghệ Những điểm này được gọi là các điểm chốt, và số lượng điểm chốt phụ thuộc vào yêu cầu độ chính xác của quỹ đạo.
Phương trình động học Robot
Phương trình động học Robot là phương trình ứng với các bài toán động học vị trí thuận và nghịch
Bài toán động học vị trí thuận: là dùng để xác định vị trí và hướng của dụng cụ khi biết được vị trí của các góc khớp
Bài toán động học vị trí ngược là quá trình xác định vị trí của các góc khớp khi đã biết vị trí và hướng của dụng cụ, cụ thể là từ các thông số (x, y, z, , , …) chuyển đổi sang các góc khớp (1, 2, 3, 4, 5, 6…) Trong trường hợp của robot, các khâu được liên kết với nhau thông qua các khớp động, bao gồm khớp quay và khớp tịnh tiến.
Mỗi khâu trong hệ thống có thể được liên kết với một hệ trục tọa độ riêng, cho phép sử dụng các phép biến đổi thuần nhất để mô tả vị trí tương đối và hướng giữa các hệ tọa độ.
Hình 2.2: Hệ trục tọa độ cho các khâu của robot Pum
- A1 là ma trận mô tả hướng và vị trí của hệ toạ độ gắn trên khâu thứ nhất so với hệ toạ độ gốc
- A2 là ma trận mô tả mối quan hệ về hướng và vị trí của hệ tọa độ thứ hai so với hệ tọa độ gắn trên khâu thứ nhất
- Tích của các ma trận A là ma trận T = A1.A2 (Theo Denavit)
Nếu một Robot có 6 khâu thì:
T6A2A3 A4A5A6 (2.3) T6 được gọi là ma trận vector cuối, mô tả hướng và vị trí của hệ toạ độ gắn lên khâu chấp hành cuối so với hệ toạ độ gốc
Nếu một Robot có số bậc tự do w>3 thì 3 bậc tự do đầu tiên dùng để định vị, các bậc tự do còn lại dùng để định hướng
Hệ toạ độ biểu diễn khâu chấp hành cuối (điểm tác động cuối)
Bộ thông số Denavit-Hartenberg.(D-H)
Một Robot gồm nhiều khâu cấu thành từ những khâu nối tiếp nhau thông qua các khớp động
Gốc chuẩn của 1 Robot là là khâu số 0 và không tính vào số các khâu
Khâu 1 nối với khâu chuẩn bởi khớp 1, không có khớp ở đầu mút khâu cuối cùng
Bất kỳ một khâu nào cũng được đặc trưng bởi hai yếu tố :
- Độ dài pháp tuyến chung a n
- Góc giữa các trục khớp đo trong mặt phẳng vuôg góc với a n :ký hiệu làn
Hình 2.3: Chiều dài góc xoắn khâu n
- n : Góc xoắn của khâu n (Khớp n so với khớp (n+1))
- a n : Chiều dài của khâu n ( Khớp n so với khớp (n+1))
Khoảng cách giữa hai khâu và góc quay giữa hai khâu
Khảo sát quan hệ giữa các khâu liền kề nhau, thường là hai khâu liên kết nhau ở chính trục của khớp
Hình 2.4: Khoảng cách hai khâu và góc quay giữa hai khâu
Mỗi trục khớp có hai đường pháp tuyến chung đối với nó, khoảng cách giữa hai đường pháp tuyến chung đó dọc theo trục khớp n gọi là dn
→ dn: còn gọi là khoảng cách giữa hai khâu, khâu n so với khâu thứ (n-
1) Góc giữa hai đường pháp tuyến chung đo trong mặt phẳng vuông góc với trục khớp thứ n là góc θn
→ θn: là góc quay của khâu thứ n so với khâu thứ (n-1)
1 Độ dài pháp tuyến chung a n (đường vuông góc chung 2 trục z)
2 Góc giữa trục khớp trong mặt phẳng vuông góc với pháp tuyến α n
3 Góc quay quanh trục z 1 góc
4 Độ dài tiếp tuyến chung d (đường vuông góc chung 2 trục ox)
• Gốc chuẩn của 1 robot là khâu 0 (cố định) không tính vào số khâu
• Khâu 1 nối với khớp chuẩn bởi khớp 1, không có khớp ở khâu cuối cùng
Quy ước chọn gốc tọa độ cho robot:
Gốc của khâu thứ n nằm trên đường tâm của trục khớp thứ (n+1) và giao điểm đường pháp tuyến chung an
Nếu 2 trục cắt nhau thì gốc tại điểm cắt đó, nếu 2 trục song song thì O n nằm ở vị trí nào để thuận tiện cho quá trình tính toán
2 Chọn trục Z n : trụcZn nằm dọc theo trục khớp thứ n+1 và có hướng về phía các khâu.
3 Chọn trục X n : nằm dọc theo pháp tuyến chung (đường vuông góc chung) hướng từ trục khớp n đến trục khớp n+1
Nếu 2 trục khớp cắt nhau thì
Chọn trục yn theo qui tắc bàn tay phải (Góc quay cùng chiều kim đồng hồ: dương, ngược kim đồng hồ: âm)
Ví dụ 1: Gắn hệ toạ độ và xác định các thông số DH Robot có hai khâu phẳng
Hình 2.5: Hệ trục tọa độ và bộ thông số DH robot hao khớp quay phẳng Ý nghĩa của bộ thông số DH:
Giúp ta xác định vị trí và hướng của 1 khâu so với khâu trước nó và so với hệ tọa độ gốc
- Nếu khớp nối 2 khâu là khớp quay thì nlà biến khớp (3 thông số còn lại là hằng số)
- Nếu khớp nối là tịnh tiến thì dn là
Căn cứ vào ma trận DH, ta lưu ý các phép biến đổi sau:
- Quay quanh truc oz một góc theta
- Tịnh tiến dọc trục z 1 đoạn d
- Quay quanh trục ox một góc alpha
- Tịnh tiến theo trục 0x một đoạn a
Có thể tóm lược các bước để viết phương trình động học cho robot
Bước 1: Chọn hệ tọa độ cơ bản và gán các tọa độ trung gian
Bước 2: lập bảng thông số DH
Bước 3: Xác định ma trận Ai
Bước 4: Tính ma trận T từ gốc đến ngọn T A1.A2…
Bước 5: Viết phương trình động học
• Robot di chuyển dùng bánh xe
Bánh xe là phương pháp di chuyển phổ biến cho robot với nhiều kích thước, từ vài chục cm đến hàng mét Thông thường, robot sử dụng bánh xe nhỏ (dưới 5 cm) và thường có cấu trúc 3 bánh, bao gồm một bánh lái và hai bánh di chuyển Một số loại robot phức tạp hơn còn sử dụng con quay hồi chuyển để cải thiện khả năng điều khiển.
Vật liệu làm bánh xe thường không có yêu cầu đặc biệt, nhưng trong một số trường hợp như bánh xe robot quân sự, cần có khả năng chống trượt cao Cấu trúc và yêu cầu sử dụng cũng ảnh hưởng đến hiệu suất, ví dụ, robot có 4 hoặc 6 bánh sẽ chống trượt tốt hơn so với robot 2 bánh Hơn nữa, những robot với cấu hình bánh lớn cần nguồn năng lượng cung cấp lớn hơn để hoạt động hiệu quả.
Hình 2.6: Các dạng robot dùng bánh xe Ưu điểm
• Chi phí thường thấp so với các phương pháp khác
• Đơn giản trong thiết kế và chế tạo
• Sự lựa chọn tuyệt vời cho người mới bắt đầu Nhược điểm
• Diện tích tiếp xúc nhỏ
Robot di chuyển bằng chân, đặc trưng là các robot hình người với hai chân, thường được sử dụng để di chuyển trên các địa hình không đồng đều Một số robot được thiết kế với 6 chân để tăng khả năng giữ cân bằng tĩnh, cho phép duy trì sự ổn định với 3 chân trong khi di chuyển Ngược lại, robot có số chân ít hơn gặp khó khăn hơn trong việc giữ cân bằng, đặc biệt là khi di chuyển.
Hình 2.7: Robot khỉ dùng đổ bộ lên măt trăng (Đại học Bremen, Đức)
Hình 2.8: Các dạng robot di chuyển bằng chân Ưu điểm
• Gần gũi với chuyển động tự nhiên
• Khả năng có thể vượt qua những trở ngại lớn và điều hướng các địa hình thô, khả năng leo trèo, vượt chướng ngại vật
• Tính phức tạp cơ khí và điện tử
• Yêu cầu về năng lượng/pin
• Chi phí phát triển cao
Các robot bay, được biết với tên UAV (Unmanned Aerial Vehicle
Robot bay không người lái là một lĩnh vực thú vị, nhưng việc thiết kế và chế tạo các thiết bị này yêu cầu công nghệ tiên tiến và thời gian đáng kể.
Hình 2.9: Vệ tinh nhân tạo
Tìm hiểu về chân, tay nhân tạo
Có nhiều loại chân tay giả khác nhau, được phân loại theo nhóm hoặc theo cách kiểm soát thiết bị, bao gồm cả các máy tính bị động.
• Bộ phận giả thụ động
Các thiết bị giả thụ động là những công cụ đơn giản không di chuyển, giúp phục hồi thẩm mỹ và chức năng cho người cụt chi Một ví dụ điển hình là chân gỗ của cướp biển, thể hiện tính đơn giản của bộ phận giả này Thậm chí, những ngón chân giả đã được phát hiện gắn liền với xác ướp Ai Cập cổ đại, minh chứng cho sự tồn tại lâu dài của các thiết bị này.
Hình 2.21: Ngón chân giả làm từ da và gỗ được tìm thấy trên một xác ướp ai cập cổ đại (Bảo tàng cổ vật Ai Cập ở Cairo)
• Bộ phận điều khiển cơ thể/cơ khí
Các thiết bị làm giả cơ thể được điều khiển thông qua một bộ kết nối với người dùng, thường là một thiết bị cơ khí đơn giản gắn liền với khuỷu tay hoặc vai Mặc dù thiết kế của chúng tương đối đơn giản, nhưng chúng vẫn là loại chân giả phổ biến nhất hiện nay.
• Những bộ phận giả được điều khiển bởi bề mặt da
Các bộ phận giả sử dụng điện cực để đo lường tín hiệu từ sự co thắt của cơ bắp gần chi cụt Những tín hiệu này có thể được ghi nhận qua điện cực đặt trên da hoặc cấy trực tiếp vào cơ Sau khi được khuếch đại, tín hiệu sẽ được gửi đến vi điều khiển để phân tích và điều khiển các bộ truyền động nội bộ.
Hình 2.12 Nâng cao tay giả của DARPA
• Giao diện não trực tiếp
Giao diện thần kinh não trực tiếp là kiểu kiểm soát chặt chẽ nhất, thông qua một thủ tục phẫu thuật cấy các mảng điện cực lên bề mặt não Bệnh nhân có thể điều khiển chuyển động của cánh tay robot chỉ bằng suy nghĩ về tín hiệu chuyển động Mặc dù công nghệ này vẫn đang trong giai đoạn đầu, nhưng nó đã cho thấy khả năng giúp những người khuyết tật kiểm soát các thiết bị kỹ thuật sinh học bằng ý chí của họ.
Hình 2.13: Người phụ nữ dùng suy nghĩ của mình để điều khiển một cánh tay robot
Thiết kế chế tạo và lắp ráp sản phẩm
Sau khi nghiên cứu các phương pháp truyền động cho cánh tay giả, chúng tôi đã chọn thiết kế một dây chằng nhân tạo Các dây chằng nhân tạo đã được chứng minh là một giải pháp hiệu quả trong việc cải thiện chức năng của cánh tay giả.
Đôi bàn tay kỹ thuật sinh học hoạt động thông qua 19 cách khả thi, với các dây chằng kết nối các đốt tay và chịu lực từ động cơ trong cánh tay Khi kéo dây chằng, ngón tay sẽ mở và đóng Để đảm bảo sự chính xác trong chuyển động, động cơ điện cần được giữ kín trong thiết bị Mặc dù lý tưởng là đặt động cơ gần các ngón tay, nhưng do kích thước lớn, động cơ thường được đặt trong cẳng tay Việc sử dụng động cơ trợ lực chuẩn để điều khiển dây chằng đã được thực hiện từ sớm, với động cơ servo cho phép kiểm soát và xoay các vị trí góc cụ thể.
• Ngón tay (ngón trỏ, ngón giữa, ngón đeo nhẫn, ngón út)
Hình 2.14 Hình cảnh thể hiện ngón tay và gân nhân tạo
Hình 2.16 Mặt trước của bàn tay
Hình 2.17 Mô tả 2 chi tiết tạo thành cẳng tay
• Thiết kế kết cấu gá lắp động cơ
Hình 2.18 Gân nhân tạo (sợi cước câu cá) đi vòng qua trục động cơ
Tính toán và lựa chọn động cơ Để chọn được động cơ thì cần đáp ứng những yêu cầu sau:
- Trong phạm vi kích thước để đặt 5 động cơ vào cẳng tay
- Momen xoắn đủ lớn để mỗi ngón giữ vật có khối lượng tối thiểu là 50g
- Động cơ đảo chiều nhanh, hiệu suất cao, chạy mượt mà, có tốc độ chính xác cao
Ngón trỏ, cùng với ngón đeo nhẫn và ngón giữa, là ngón dài nhất trên bàn tay, do đó, momen tối thiểu cần tác dụng lên ngón tay sẽ phụ thuộc vào ngón trỏ.
Hình 2.19 Mô tả các lực trên ngón tay
Tại thời điểm tải trọng tối đa, lực M1 và M2 sẽ đạt trạng thái cân bằng Để tiến hành tính toán, cần xác định lực kéo trong gân nhân tạo.
Với đề bài ngón trỏ chịu khối lượng là 50g từ đó F1=0,5N
Momen xoắn nhỏ nhất tại nguồn của động cơ là 7,6kg/cm
Kích thước lớn nhất của động cơ:
Vì lý do kích thước của bắp tay, vì vậy động cơ có kích thước giới hạn là: Dài 42mm, rộng 22mm, cao 50mm
Dựa trên các tính toán và yêu cầu đã đề ra, chúng tôi đã quyết định chọn động cơ servo MG996R, phiên bản nâng cấp từ MG995 với thông số 6V/11kg, cho đề tài này Thông số kỹ thuật của động cơ MG996R rất phù hợp với nhu cầu của dự án.
▪ Kích thước sản phẩm: 40,7 x19,7 x 42,9mm
▪ Sản phẩm Rally: 9,4kg / cm (4,8V), 11kg / cm (6V)
▪ Tốc độ phản ứng: 0,17sec / 60degree (4,8V) 0,14sec / 60degree (6V)
Tính toán khả năng làm việc
Sau khi lựa chọn động cơ servo MG996R thì nhóm tiếp tục tính toán khối lượng tối đa mà mỗi ngón tay có thể nâng được
Sơ đồ, lực tác dụng
Lực tác dụng tối đa lên ngón trỏ, ngón giữa và ngón đeo nhẫn được xác định bằng cách xem xét tình huống khi ngón trỏ được mở rộng hoàn toàn và một lực được áp dụng gần đỉnh của ngón tay.
Hình 2.21 Mô tả các lực trên ngón tay
Tại thời điểm tải trọng tối đa, lực M1 và M2 sẽ đạt trạng thái cân bằng Để bắt đầu tính toán, cần xác định lực kéo trong gân nhân tạo Đối với động cơ MG996R, mô men xoắn đạt được là 9,4 kg ở 4,8V và 11 kg ở 6V.
Trong trường hợp này chúng ta chọn Mô men xoắn là 11kg-cm (1N/m) (6V) τs e r v od=F2
72(mm) =0,737 N Maxs1s,7g Vậy khối lượng mà ngón trỏ, ngón giữa hoặc ngón đeo nhẫn có thể giữ ở mức cho phép là 73,7(g)
- Lực tác dụng tối đa lên ngón cái:
Tương tự tính lực tối đa có thể tác dụng lên ngón tay cái
Hình 2.22 Mô tả các lực trên ngón tay cái Áp dụng các công thức tính toán của ngón tay cái ta có:
75,7(mm) =0,69 N Maxs1i (g) Vậy khối lượng mà ngón cái có thể giữ ở mức cho phép là: 69 (g)
- Lực tác dụng tối đa lên ngón tay út:
Tương tự tính lực tối đa mà vật có thể tác dụng lên ngón tay út
Hình 2.23 Mô tả các lực trên ngón tay út Áp dụng các công thức tính toán của ngón tay út ta có:
F1=11(N).3,7(mm)58,84(mm) =0,692 N Maxs1i,2 (g) Vậy khối lượng mà ngón út có thể giữ ở mức cho phép là: 69,2 (g)
TÍNH TOÁN THIẾT KẾ HỆ THÔNG ĐIỀU KHIỂN
Xây dựng sơ đồ khối hệ thống thu nhận tín hiệu sóng não và sử dụng tín hiệu sóng não điều khiển cơ cấu chấp hành
Hệ thống điều khiển bao gồm ba khối chính: khối tín hiệu đầu vào, khối điều khiển trung tâm và khối cơ cấu chấp hành, mỗi khối đảm nhận những chức năng quan trọng trong quá trình điều khiển.
• Khối tín hiệu đầu vào gồm các thiết bị đọc tín hiệu sóng não và mã hóa dưới dạng bit và nút nhấn để khởi động hệ thống
Khối điều khiển trung tâm bao gồm module thu nhận tín hiệu sóng não từ thiết bị đọc sóng não, với vi xử lý trung tâm có nhiệm vụ nhận và xử lý tín hiệu này theo mã đã được nạp, từ đó phát ra tín hiệu cho module điều khiển động cơ.
Khối cơ cấu chấp hành sử dụng 5 động cơ servo MG996R, loại động cơ nhỏ gọn và có độ chính xác cao nhờ vào khả năng phản hồi vị trí, rất phù hợp cho việc điều khiển các ngón tay.
• Ngoài ra để hệ thống chạy được phải cấp nguồn cho cả hệ thống Nguồn này được thiết kế riêng
Hình 3.1 Sơ đồ khối hệ thống điện
Thiết bị đo được sóng não và lấy được tín hiệu từ sóng não
Trong y học, các nhà khoa học đã nghiên cứu thiết bị đo sóng não, đặc biệt là điện não đồ (EEG), sử dụng các điện cực gắn trên da đầu để ghi lại hoạt động điện sinh học của não Các điện cực kim loại này chuyển đổi hoạt động điện thành các mô hình gọi là sóng não, được ghi lại bởi máy đa âm Một hoạt động điện não đồ cơ bản thường kéo dài từ 30 đến 90 phút, với thời gian trung bình khoảng 45 phút.
Ngày nay, không chỉ trong lĩnh vực y tế mà cả trong công nghệ, vấn đề đọc sóng não đang được chú trọng Các thiết bị như All-in-One Biosensing đang thu hút sự quan tâm lớn.
R&D Bundle, tai nghe Mindwave mobile 2, EMOTIV… tất cả các thiết bị này đều giữ trên dựa trên nền tảng điện não đồ dùng các cảm biến đọc sóng não
Hình 3.2 Tai nghe cùng các cảm biến
Các dạng sóng và tín hiệu mà tai nghe thu nhận được là:
Sóng Beta có tần số từ 12-30Hz, đại diện cho trạng thái ý thức tỉnh táo bình thường của con người Chúng được phát ra khi con người đang tư duy logic, tập trung giải quyết vấn đề, diễn thuyết hoặc tham gia vào các hoạt động thể thao Những hành động này kích thích não bộ hoạt động mạnh mẽ, tạo ra sóng Beta.
Sóng não Beta rất quan trọng cho các hoạt động hàng ngày của con người Tuy nhiên, khi bạn tập trung quá mức vào một công việc nào đó, bạn có thể cảm thấy mệt mỏi, chóng mặt, căng thẳng và bồn chồn.
Ngày nay, với áp lực từ cơm áo gạo tiền, con người phải làm việc liên tục và với tần suất cao, dẫn đến tình trạng stress ngày càng phổ biến ở Việt Nam.
Hình 3.3 biểu đồ sóng BETA
Hình 3.3 là biểu đồ sóng BETA với giá trị tần số nằm trong khoảng 12HZ đến 30HZ (trục tung) và được lấy mẫu trong 1 phút
Có tần số 8-12Hz, Alpha có bước sóng ngắn hơn Beta một chút nhưng lại có tác dụng khắc chế sóng Beta như “Thủy khắc Hỏa”
Khi não ở trạng thái nghỉ ngơi và thư giãn, hoặc đối với những người có lối sống nhẹ nhàng, sự sáng tạo thường nảy sinh Ví dụ, các họa sĩ thường nhắm mắt để tìm cảm hứng, từ đó tạo ra những tác phẩm tuyệt vời Những người có trí nhớ tốt thường phát sóng tần số Alpha nhiều nhất, tiếp theo là những người có khả năng tưởng tượng cao, như các đạo diễn, những người luôn có những hình ảnh sống động trong đầu.
Trẻ em là những tác nhân chính tạo ra sóng Alpha, cho thấy sự phong phú và thư thái trong trí tưởng tượng của chúng Loại sóng này không chỉ phản ánh sự sáng tạo mà còn được ứng dụng trong việc điều trị các bệnh liên quan đến thần kinh.
Chính vì sự phản ngược đối với Beta, sóng Alpha được khuyến cáo là
“không được sử dụng cùng một lúc với sóng Beta” và lời khuyên chân thành nhất
“không được nghe nhiều loại sóng cùng một lúc”
Hình 3.4 biểu đồ sóng ALPHA
Hình 3.3 là sơ đồ sóng não ALPHA đo được trong thời gian 1 phút (trục hoành) và có giá trị trong khoảng 8HZ đến 15HZ (trục tung)
Sóng Theta có tần số từ 4-7Hz, xuất hiện khi cơ thể thư giãn sâu, thiền định, hoặc trong giai đoạn ngủ nông và REM Sóng này liên quan đến vô thức, giúp tâm trí hiểu biết sâu sắc và phát triển trực giác Trong trạng thái này, chúng ta có thể kết nối với vũ trụ, tạo ra những thay đổi lớn trong cuộc sống, và trải nghiệm những tưởng tượng sống động cùng nguồn cảm hứng sáng tạo Tần số sóng não càng thấp, khả năng học hỏi càng nhanh.
Thiền định và Yoga mang lại cảm giác thư thái nhờ vào việc đưa não bộ vào trạng thái xuất thần, từ đó tạo ra sóng Theta Khi não bộ phát ra sóng Theta, con người thường trải nghiệm những hiện tượng huyền bí Đặc biệt, sóng não Theta chiếm ưu thế ở phần lớn trẻ em và thanh thiếu niên.
Hình 3.5 Biểu đồ sóng Theta
Hình 3.5 Thể hiện dạng sóng Theta được lấy mẫu trong 1 phút (trục hoành) và có giá trị nằm trong khoảng 4HZ -7HZ (trục tung)
Sóng Delta có tần số từ 0.5 đến 4Hz, là loại sóng có tần số thấp nhất nhưng lại có biên độ dao động cao nhất Sóng này xuất hiện khi con người ở trạng thái sâu của giấc ngủ.
30 trạng thái ngủ sâu và không mộng mị mang lại giấc ngủ êm ái mỗi đêm Sóng Delta đã được sử dụng để điều trị cho những người mắc chứng mất ngủ kinh niên.
Sóng não Delta đã được sử dụng từ lâu để hỗ trợ quá trình chữa lành, vì giấc ngủ sâu rất cần thiết cho sự tái tạo và phục hồi cơ thể Khi thiền định, sóng Delta giúp người hành giả đạt được trạng thái vô thức Đây là loại sóng não đặc trưng của trẻ sơ sinh (từ 0-24 tháng tuổi) và cũng được phát ra bởi người lớn trong giấc ngủ sâu.
Hình 3.6 biều đồ sóng Delta
Hình 3.6 biểu thị dạng sóng Theta được đo trong 1 phút (trục hoành) và có giá trị giới hạn trong khoảng 0.5HZ-4HZ (trục tung)
Sơ đồ nguyên lý
Sau khi hoàn thành thiết kế các khối điều khiển trung tâm, cơ cấu chấp hành và khối tín hiệu đầu vào, chúng ta đã có sơ đồ nguyên lý cho hệ thống điều khiển.
Hình 3.19 Sơ đồ nguyên lý mạch điều khiển
XỬ LÝ TÍN HIỆU SÓNG NÃO BẰNG CÁC THUẬT TOÁN DEEP
Tổng quan
Hãy nhớ lại buổi sáng hôm nay: bạn đã tắt báo thức, mặc quần áo, đánh răng, pha cà phê, uống cà phê và khóa cửa trước khi đi làm Giờ hãy tưởng tượng thực hiện tất cả những việc đó mà không cần dùng tay.
Bệnh nhân mất chức năng tay do cắt cụt hoặc khuyết tật thần kinh phải đối mặt với thực tế khó khăn hàng ngày Việc khôi phục khả năng thực hiện các hoạt động cơ bản thông qua thiết bị giả giao diện não-máy tính (BCI) có thể nâng cao đáng kể tính độc lập và chất lượng cuộc sống của họ Hiện nay, chưa có lựa chọn nào thực tế, giá cả phải chăng hoặc ít rủi ro cho bệnh nhân bị thiểu năng thần kinh để điều khiển trực tiếp các bộ phận giả bên ngoài bằng hoạt động não.
Tín hiệu điện não đồ, ghi lại từ da đầu con người, phản ánh hoạt động của não Mối quan hệ giữa hoạt động não và tín hiệu điện não đồ rất phức tạp và chưa được hiểu rõ ngoài các xét nghiệm trong phòng thí nghiệm Sự phát triển của thiết bị giao diện não máy tính (BCI) không xâm lấn, rủi ro thấp và giá cả phải chăng phụ thuộc vào những tiến bộ trong việc giải thích tín hiệu điện não đồ.
Việc xác định thời điểm bàn tay nắm, nâng và thay thế một đối tượng thông qua dữ liệu điện não đồ từ các đối tượng khỏe mạnh là rất quan trọng Hiểu rõ mối quan hệ giữa tín hiệu điện não đồ và chuyển động của tay sẽ giúp phát triển thiết bị BCI, mang lại cho bệnh nhân khuyết tật thần kinh khả năng di chuyển tự chủ hơn trong cuộc sống.
Dataset
Tập Dataset [11] cung cấp các bản ghi điện não đồ của những đối tượng tham gia thử nghiệm nắm và nâng (GAL) Nhiệm vụ của bạn là phát hiện 6 sự kiện cho mỗi GAL.
Những sự kiện này luôn xảy ra theo cùng một thứ tự Trong tập huấn luyện, có hai tệp cho mỗi chủ đề + tổ hợp chuỗi:
• các tệp * _data.csv chứa dữ liệu EEG 32 kênh thô (tốc độ lấy mẫu 500Hz)
• các tệp * _events.csv chứa các nhãn thông minh của khung sự thật cơ bản cho tất cả các sự kiện (1: hoạt động; 0: không hoạt động)
Các tệp sự kiện cho bộ thử nghiệm không được cung cấp và cần được dự đoán Mỗi khung thời gian có một cột id duy nhất theo chủ đề, chuỗi và khung mà nó thuộc về Sáu cột nhãn có giá trị 0 hoặc 1, tùy thuộc vào việc sự kiện tương ứng có xảy ra trong khoảng ± 150ms (± 75 frame) hay không.
Các cột trong tệp dữ liệu được gán nhãn theo các kênh điện cực tương ứng Bạn có thể khai thác mối quan hệ không gian giữa các vị trí điện cực, như được minh họa trong sơ đồ dưới đây.
Giới thiệu về mạng thần kinh tích chập và mạng thần kinh hồi quy
Trong học sâu, mạng thần kinh tích chập (CNN) là một loại mạng nơ-ron sâu, chủ yếu được sử dụng để phân tích hình ảnh trực quan.
Mạng thần kinh tích chập (CNN) hay còn gọi là mạng dịch chuyển bất biến, là một loại mạng thần kinh nhân tạo với kiến trúc trọng số chia sẻ và tính đối xứng tịnh tiến CNN được ứng dụng rộng rãi trong nhiều lĩnh vực như thị giác máy tính, hệ thống gợi ý, phân loại hình ảnh, điện toán hình ảnh y tế, xử lý ngôn ngữ tự nhiên và phân tích chuỗi thời gian tài chính.
Hình 4.3 Luồng CNN để xử lý hình ảnh đầu vào và phân loại các đối tượng dựa trên giá trị
Mạng thần kinh hồi quy
Mạng thần kinh hồi quy (RNN) là một lớp mạng thần kinh nhân tạo, cho phép kết nối giữa các nút theo trình tự thời gian, từ đó thể hiện hành vi động tạm thời Khác với mạng thần kinh truyền thẳng, RNN sử dụng trạng thái trong (bộ nhớ) để xử lý các chuỗi đầu vào có độ dài thay đổi Nhờ vào khả năng này, RNN được ứng dụng rộng rãi trong các tác vụ như nhận dạng chữ viết tay và nhận dạng tiếng nói có tính chất kết nối, không phân đoạn.
Hình 4.4 Recurrent Neural Networks have loops
Mạng nơ-ron hồi quy A được mô tả qua hình vẽ, với đầu vào là \$x_t\$ và đầu ra là \$h_t\$ Vòng lặp trong mạng cho phép thông tin được truyền từ bước này sang bước khác.
Bộ nhớ dài-ngắn hạn (LSTM) là một loại mạng thần kinh hồi quy (RNN) được ứng dụng trong học sâu Khác với mạng thần kinh truyền thẳng, LSTM có khả năng xử lý chuỗi dữ liệu, không chỉ các điểm dữ liệu đơn lẻ LSTM được sử dụng trong nhiều tác vụ như nhận dạng chữ viết tay, nhận dạng tiếng nói và phát hiện bất thường trong giao thông mạng hoặc hệ thống phát hiện xâm nhập (IDS).
Một đơn vị LSTM bao gồm tế bào, cổng vào, cổng ra và cổng quên Tế bào lưu trữ thông tin trong các khoảng thời gian không xác định, trong khi ba cổng này điều chỉnh luồng thông tin ra vào tế bào.
Hình 4.5 The repeating module in an LSTM contains four interacting layers.
Xử lí tín hiệu sóng não phát hiện chuyển động nắm và nâng của tay
Biến đổi wavelet giúp xác định các đặc trưng trong dữ liệu ở nhiều tỷ lệ khác nhau, cho phép giữ lại các tín hiệu hoặc hình ảnh quan trọng trong khi loại bỏ nhiễu Ý tưởng chính là biến đổi wavelet tạo ra một biểu diễn thưa thớt cho nhiều tín hiệu và hình ảnh thực tế, tập trung vào các đặc trưng trong một số hệ số wavelet có độ lớn lớn Các hệ số wavelet có giá trị nhỏ thường chứa nhiễu, do đó có thể "thu nhỏ" những hệ số này để cải thiện chất lượng dữ liệu.
Bằng cách ngưỡng các hệ số và sử dụng biến đổi wavelet ngược, bạn có thể loại bỏ nhiễu mà không làm giảm chất lượng tín hiệu hoặc hình ảnh Kết quả đạt được từ việc áp dụng hàm Wavelet Denoising cho thấy hiệu quả trong việc lọc nhiễu.
Hình 4.6 Biến đổi wavelet rời rạc để lọc nhiễu
Tiếp đến chúng ta sẽ gán label cho cử chỉ tay đang hoạt động trong tập event
Hình 4.7 Số lượng sample được gắn nhãn là đang hoạt động
Vậy là đã xong bước tiền xử lí bao gồm đọc dữ liệu, lọc nhiễu, trích chọn đặc trưng và gán nhãn cho từng cử chỉ của tay
Bước 3: Sử dụng mạng thần kinh tích chập (CNN)
Hình 4.8 Model CNN Độ chính xác của mô hình là: 0.9711%
Hình 4.9 Độ chính xác của model CNN
Tiến hành kiểm tra mô hình bằng cách sử dụng dữ liệu từ tập dataset test.zip, chỉ tập trung vào những điểm mà các sự kiện đang hoạt động.
Bước 4: Sử dụng mạng thần kinh hồi quy bộ nhớ dài-ngắn hạn (LSTM)
Hình 4.10 Model LSTM Độ chính xác của mô hình là: 0.9560%
Hình 4.11 Độ chính xác của model LSTM
Tiến hành kiểm tra mô hình bằng cách sử dụng dữ liệu từ tập dataset test.zip, chỉ tập trung vào những điểm mà các sự kiện đang hoạt động.
Nhận xét: Việc xử dụng model CNN trong bài toán và bộ dataset này mang lại độ chính xác cao hơn so với việc sử dụng model LSTM
