Ứng dụng kỹ thuật NeuralFuzzy trong vấn đề robot tự hành

Vật cản trong môi trường là O, trong khi robot đi từ điểm hiện hành PK đến điểm PK+1 sự định hướng và vị trí của nó thay đổi.. 2.3.4 Thuật giải điều khiển chuyển động Hình 2.6 là sơ đồ k

TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

NGUYỄN HỮU HIẾU

ỨNG DỤNG KỸ THUẬT NEURAL-FUZZY TRONG VẤN ĐỀ ROBOT TỰ HÀNH

Chuyên ngành: VẬT LÝ ĐIỆN TỬ HƯỚNG KỸ THUẬT

em trong thời gian qua

Xin cảm ơn tất cả các thầy cô đã giảng dạy, truyền thụ cho em kiến thức quý báu trong suốt thời gian học tập và nghiên cứu Nhờ đó, em đã đủ kiến thức để hoàn thành luận văn này

Xin cảm ơn các bạn học viên cao học cùng khóa đã cùng bàn bạc, hỗ trợ cho tôi hoàn thành luận văn tốt nghiệp

Xin cảm ơn ba mẹ, anh chị trong gia đình đã luôn sát cánh, động viên

để con hoàn thành chương trình học cao học

Xin trân trọng và cảm ơn tất cả!

Nguyễn Hữu Hiếu

Danh mục các từ viết tắt

EKF Extension Kalman Filter

FLC fuzzy logic

KF Kalman Filter

MISO Multi Input Single Output

MIMO Multi Input Multi Output

PCA Principal component analysis network

SISO Single Input Single Output

Danh mục các hình ảnh trong đề tài

Hình1.1.Tổng thể hình dạng robot

Hình1.2.Sơ đồ khối của robot

Hình 2.1 Sơ đồ khối của hệ thống điều khiển Fuzzy logic

Hình 2.2 Ảnh ba chiều được tạo thành từ hai bức ảnh nổi

Hình 2.3 Robot tránh vật cản và tạo ra sai số định hướng

Hình 2.4 Cấu tạo khối của robot tự hành

Hình 2.5 Cấu trúc bộ phận điều khiển chuyển động của robot

Hình 2.6 Sơ đồ khối giải thuật chuyển động của robot

Hình 2.7 Mô hình Kinematic

Hình 2.8 Sơ đồ khối hệ thống điều khiển chuyển động

Hình 2.9 Các hàm thành viên của sai số góc

Hình 2.10 Các hàm thành viên của vận tốc bánh xe

Hình 2.11 Các hàm thành viên của sai số khoảng cách

Hình 2.12 Sơ đồ khối của kỹ thuật dùng ảnh nổi để đánh dấu điểm tương ứng Hình 2.13 Tránh vật cản của robot

Hình 2.14 Mô hình robot

Hình 2.15 Robot di chuyển đến điểm goal và tránh vật cản trên đường đi

Hình 3.1 Mạng neural PCA

Hình 3.2 Chi tiết trong mạng PCA

Hình 3.3 Các hướng đi trong không gian

Hình 3.4 Dạng của mạng neural MLP

Hình 3.5 Môi trường dùng cho robot học hỏi

Hình 3.6 Dãy 29 sóng siêu âm dò tìm

Hình 3.7 Robot chuyển động gần của ra vào

Hình 3.8 Mô hình robot dùng trong thí nghiệm

Hình 3.9 Đường đi của robot trong môi trường bất kỳ

Hình 4.1 Sơ đồ bố trí các sensor trong robot

Hình 4.2 Hành động của robot dựa vào các sensor

Hình 4.3 Sơ đồ điều khiển hành động của robot

Hình 4.4 Trường hợp chỉ sensor O2 dò được vật cản

Hình 4.5 Trường hợp hai sensor dò được vật cản

Hình 4.6 Hàm thành viên dạng tam giác cho Go-Tangent xéo góc

và Go-Tangent-Front

Hình 4.7 Mạng Neural với các trọng số {aij,bij} và {pk,qk,rk}

Hình 4.8 Các phương sai trong quá trình huấn luyện cho Go-Tangent xéo góc Hình 4.9 Hàm thành viên với hai tín hiệu input (khoảng cách và vận tốc) Hình 4.10 Cấu trúc bốn môi trường thử nghiệm

Hình 5.1 Mạng neural với các neural fuzzy

Hình 5.2 Mạng neural 2 layer

Hình 5.3 Hệ thống neural fuzzy với 2 luật fuzzy

Hình.6.1 Hệ thống neural – fuzzy với một luật fuzzy

Hình.6.2 Sơ đồ khối giải thuật tìm đường về đích của robot tự hành

Hình.6.3 Robot tự tìm về đích trong môi trường thứ 1

Hình.6.4 Robot tự tìm về đích trong môi trường thứ 2 Hình.6.5 Robot tự tìm về đích trong môi trường thứ 3 Hình.6.6 Robot tự tìm về đích trong môi trường thứ 4

Hình PL.1 Giải thích các linh kiện trên robot

Hình PL.2.Động cơ bước và đế robot

Hình PL.3 Sơ đồ lắp ráp các linh kiện robot

Hình PL.4 Các bánh xe lắp vào động cơ bước

Hình PL.5 Mạch điện tử điều khiển robot

Hình PL.6 Lắp mạch điện tử cho robot

Hình PL.7 Bo mạch điện tử tạo âm thanh cho robot Hình PL.8 Lắp ắc quy cho robot

Hình PL.9 Robot được lắp ráp hoàn chỉnh

Hình PL.10 Mạch điện tử của robot nhìn từ mặt dưới Hình PL.11 Mạch điện tử của robot nhìn từ mặt trên

Hệ thống dò tìm vật cản: dùng các sensor hồng ngoại hay sensor siêu âm để nhận biết vật cản xung quanh

Hệ thống chuyển động: bao gồm các bánh xe và hệ thống truyền động Hệ thống này giúp robot chuyển động theo yêu cầu của hệ thống xử lý thông tin

Hệ thống xử lý thông tin: có nhiệm vụ xử lý các thông tin từ hệ thống dò tìm vật cản và đưa ra hành động cụ thể cho hệ thống chuyển động

*Các kỹ thuật đã được ứng dụng trong vấn đề robot tự hành:

Điều khiển fuzzy logic (FLC) đã được ứng dụng cho việc điều khiển robot Việc điều khiển này dựa vào hệ thống luật

Bên cạnh đó, mạng neural cũng được ứng dụng vào khoa học robot tự hành Với mạng neural, robot có thể được học hỏi, được huấn luyện Từ đó, mạng neural

sẽ hiệu chỉnh các thông số truyền giữa các lớp neural nhằm tạo ra hệ thống tối ưu, sát với yêu cầu thực tế

Kết hợp fuzzy và neural trong khoa học robot tự hành là một hướng đi mới Việc kết hợp này có nhiều ưu điểm hơn so với chỉ dùng fuzzy hoặc neural Hệ thống này thân thiện hơn với người dùng thông qua các hệ thống luật fuzzy và có thể huấn luyện, điều chỉnh các thông số truyền giữa các lớp mạng neural Do đó, hệ thống tốn ít thời gian để xử lý thông tin

1.2 CÁC VẤN ĐỀ CỦA ROBOT TỰ HÀNH

*Vấn đề tìm hướng đi: xác định điểm đích cần đến Trong quá trình chuyển động, robot cần xác định vị trí vật cản và thực hiện việc tránh vật cản Robot luôn luôn cập nhật các vật cản xung quanh và tính toán lộ trình để đi về điểm đích

*Việc làm được: robot có thể đi đến điểm đích một cách an toàn không va cham với vật cản

*Việc chưa làm được: trong quá trình chuyển động thực tế, robot sẽ gặp khó khăn do có sai số trong việc đo đạc khoảng cách, sai số vòng quay bánh xe, sai số trong việc quay chuyển góc… Thêm vào đó, thời gian xử lý của hệ thống robot cũng cần phải tối ưu hơn

1.3 CẤU TRÚC ROBOT TỰ HÀNH THƯỜNG GẶP

Đây là dạng robot thường gặp

Hình1.1.Tổng thể hình dạng robot

Tổng thể:

*Robot dạng hình trụ

*2 động cơ bước

*Các đèn led

*Các sensor âm thanh, hình ảnh

*Cổng kết nối giao tiếp Bluetooth

*Mạch điện tử điều khiển

Hình1.2.Sơ đồ khối của robot

đã biết và chưa biết

Các tác giả (Toshido Fukuda, Fellow và Naoyuki Kubota (1999)) đã chú ý đến hệ thống robot tự hành bằng kỹ thuật Fuzzy và đưa ra mạng các sensor mà cho phép các robot có thể nhận được môi trường Trong việc đánh giá các vật cản, các tác giả (Alexander Suppes, Frank Suhling và Michael hotter (2001)) đã đưa ra giải pháp dùng Video để dò tìm vật cản dựa vào các ước lượng bức ảnh dữ liệu Việc xác định các vật cản dựa vào các ngưỡng xác định trong quá trình xử lý ảnh Các tác giả cũng xác định các lỗi thuộc hệ thống và các lỗi không thuộc hệ thống trong quá trình chuyển động của robot như là sai số đo đạc, sai số giữa đường kính các bánh xe, sai số vận tốc góc giữa các bánh xe

2.2 KỸ THUẬT ĐỊNH HƯỚNG CHO ROBOT

Ở đây, tác giả dùng nguyên tắc ước lượng vị trí robot Ý tưởng là dựa vào thuật toán để xác định vị trí hiện tại của robot bằng cách từ vị trí trước đó, tính được vị trí hiện tại khi biết được hành trình mà nó đã đi Điều này được thực hiện nhờ vào việc tính toán các vòng quay bánh xe Nhờ đó, độ chính xác và tốc độ robot cao hơn

2.2.1 Lọc Kalman

Lọc Kalman (KF) được dùng rộng rãi trong nghiên cứu các hệ thống động, phân tích, tiên đoán, ước lượng Lọc Kalman là giải thuật tối ưu cho vấn đề lọc tuyến tính dữ liệu rời rạc KF rất hữu dụng trong vấn đề như là: nó giúp ước lượng, dự báo và nhận dạng

mô hình

Tuy nhiên, hệ thống thực tế thì không tuyến tính Ở đây, sự tuyến tính được tạo

ra bằng giải thuật xấp xỉ Việc này kết hợp với KF tạo ta KF mở rộng (extension Kalman Filter-(EKF)) Hệ thống rời rạc và dạng đo đạc được chỉ ra phương trình (2.1)

Trong đó, XK là vector trạng thái ở thời điểm k

ZK là vector tín hiệu đo đạc ở thời điểm K

f(.) là hệ thống không tuyến tính

Z(.) là hàm đo đạc ở thời điểm k

uK là vector tín hiệu vào điều khiển ở thời điểm k

WK, γK và VK tương ứng là vector nhiễu ở tín hiệu trạng thái, ở đầu vào và ở đầu ra

Giả thiết Wk, γK, Vk có phân bố Gauss với trung bình zero Ma trận Covariance lần lượt là Q, Г, R

Giải thuật chính của EKF chia làm hai phần: phần tiên đoán và phần kiểm lỗi

Phần tiên đoán: EKF tiên đoán vị trí tương lai của robot và dự đoán ma trận sai số thống kê −

2.2.2 Điều khiển Fuzzy logic

Điều khiển Fuzzy logic có thể làm hệ thống hoạt động giống như cơ thể con người Kỹ thuật logic mờ dựa trên 4 khái niệm cơ bản sau đây: tập mờ, biến ngoi6n ngữ và các luật hợp thành Fuzzy logic có thể áp dụng cho nhiều hệ thống khác nhau

Sơ đồ khối của Fuzzy logic được trình bày như hình 2.1 gồm bốn yếu tố sau:

* Tập luật (If-then rules) chứa số lượng các luật Fuzzy logic, làm cho hệ thống hoạt động tốt

* “Bộ máy Fuzzy” làm cho việc quyết định đúng đắn nhất có thể

* Bộ phận làm mờ hóa chuyển các giá trị đầu vào thành các thông tin mà “bộ máy Fuzzy” có thể dùng để áp dụng luật Fuzzy

* Bộ phận giải mờ sẽ chuyển kết luận cuối cùng thành yếu tố điều khiển duy nhất để điều khiển hệ thống

Hình 2.1 Sơ đồ khối của hệ thống điều khiển Fuzzy logic

2.2.3 Hệ thống nhìn vật nổi ba chiều

Ý tưởng cơ bản của hệ thống nhìn vật nổi ba chiều là tìm các điểm ảnh và nội suy vật thể ba chiều Các điểm ảnh trong các bức ảnh nối thành phần là thành tố để tạo thành vật thể ba chiều trong không gian ảnh khác Những điểm ảnh thuộc về các bức ảnh tương ứng của chúng sẽ có vị trí khác biệt nhau và được gọi là sự không tương ứng (Marti Gaetan, 1997) Trạng thái lý tưởng được trình bày trong hình 2.2 Mỗi

Rule-base

Fuzzification Defuzzificati

Input u(t)

Outputs y(t)

điểm ảnh trong không gian ba chiều sẽ được phân tích thành các vùng khác nhau trong các bức ảnh làm nổi thành phần

Hình 2.2 Ảnh ba chiều được tạo thành từ hai bức ảnh nổi Giả sử là điểm P trong mặt phẳng được chụp bởi hai camera khác nhau Đó là PL và

PR Sự không tương thích về vị trí của hai điểm ảnh giúp cho sự ước lượng về vị trí của điểm ảnh tổng hợp trong không gian ba chiều Cụ thể, vị trí điểm P có thể tính toán thông qua các thông số của PL và PR và các thông số bên trong và bên ngoài của hai camera Như vậy hình vẽ 2.2, đây là cấu hình song song Trong đó, điểm P(x, y, z) được chụp bởi hai camera bên trái và bên phải tạo thành hai bức ảnh PL(x, y, z) và

PR(x, y, z) Từ đó, điểm P tương ứng có thể tính toán thông qua phương trình (2.8) sau:

R L R

L

R L z

y

x x

bf x

x

y y b x x

x x

b

) (

2

) (

, ) (

2

) (

Trong hầu hết chuyển động của robot, luôn có những vấn đề xảy ra khi robot đi

từ điểm xuất phát đến điểm đích Sai sót có thể là sự định hướng không chính xác như lúc đầu trong quá trình chuyển động

Giả sử robot dịch chuyển từ vị trí P0 đến vị trí Pg trong môi trường không xác định Vật cản trong môi trường là O, trong khi robot đi từ điểm hiện hành PK đến điểm PK+1

sự định hướng và vị trí của nó thay đổi Đặc biệt, khi robot tránh vật cản và sau đó, nó trả lại lộ trình ban đầu, sai số vị trí sẽ gia tăng như hình 2.3

Hình 2.3 Robot tránh vật cản và tạo ra sai số định hướng

2.3.2 Thiết kế robot tự hành

Robot tự hành được trình bày như hình 2.4 và được dùng trong nghiên cứu, được xây dựng trong thể tích của một hình trụ tròn và có ba bánh xe để di chuyển Robot có đường kính là 340mm, chiều cao là 170mm, có hai bánh xe lái phía trước và môth bánh xe phụ phía sau Bộ cảm quang được bố trí trên trục của từng bánh xe dùng để đo đạc

Hình 2.4 Cấu tạo khối của robot tự hành

Trong cấu tạo trên có ba module sử dụng sensor Module thứ nhất đặt ở trung tâm khung robot dùng để xác định hướng đi robot Module thứ hai đặt dưới khung robot để xác định vị trí robot Module thứ ba đặt ở đỉnh robot dùng để chụp ảnh nổi cho robot

2.3.3 Điều khiển chuyển động

Bộ phận điều khiển chuyển động gồm phần xử lý trung tâm PC104 Bộ xử lý trung tâm thu thập thông tin từ 2 vi xử lý thành phần: đó là mã quang từ 2 bánh xe lái,

dữ liệu định hướng robot từ module sensor thứ 1, dữ liệu vị trí từ sensor thứ 2

Motion Controllor board

Battery

240mm

208mm92.5mm

Hình 2.5 Cấu trúc bộ phận điều khiển chuyển động của robot

Theo đó, thời gian tối đa để cập nhật lệnh điều khiển vị trí là khoảng 8ms Thời gian đáp ứng của động cơ được thiết lập trong khoảng 20ms

Đặc tính của các sensor này như sau:

* Sensor định hướng: đây là bộ phận định hướng điện tử với độ phân giải là 0.1 độ Kỹ thuật chia độ của bộ phận này cho phép loại bỏ sai sót của trường điện từ và ảnh hưởng của địa cực bắc

* Bộ mã hóa quang học:mỗi bánh xe robot được trang bị sensor mã quang với 200 lần

mã hóa trên một vòng quay Điều này cho phép mỗi trục bánh xe có thể cung cấp thông tin độc lập nhau và chính xác Động cơ được thiết lập là 50 vòng/ 1 phút Như vậy thời gian giữa hai xung mã hóa là khoảng 100ms

* Sensor vị trí: đây là sensor điện tử dựa trên mạch điện mã hóa, sensor này cung cấp hướng và tọa độ trên hai trục x và y Độ phân giải thông thường là 400 tọa độ trên một inch, điều này cho phép giảm thiểu việc tính toán trong quá trình chuyển động của robot

*Sensor chụp ảnh: sensor này gồm hai camera thành phần, hai camera có thể dùng để xác định khoảng cách giữa các điểm trong khung từ 0.5 đến 6.0m

Master Controller

X-Axis LEAD/LAG PULSE

Microcontroller II

COM 1

Stereo Vision Sensor

M2 En1

M1

Microcontroller I

Vector Compass En2

COM 2IEEE 1394

LEAD/LAG PULSE

Y-Axis LEAD/LAG PULSE

2.3.4 Thuật giải điều khiển chuyển động

Hình 2.6 là sơ đồ khối của chương trình điều khiển chuyển động, trong đó, các bức ảnh nổi thành phần được tính toán để xác định vị trí của vật cản ba chiều trên đường đi của robot Kết hợp lọc Kalman và kỹ thuật Fuzzy logic, việc tránh các vật cản cũng như quá trình xác định vị trí, hướng của robot sẽ được cải tiến

Giải thuật có thể được tóm tắt như sau:

1 Thiết lập vị trí bắt đầu và vị trí kết thúc

2 Kiểm tra vật cản phía trước robot bằng sensor chụp ảnh Khi robot phát hiện vật cản, nó sẽ tính toán góc tránh vật cản mà vẫn duy trì khoảng cách với điểm đến

3 Sau khi robot đã tính xong sai số góc và sai số khoảng cách ở bước hai, kế đó robot

sẽ tính toán vận tốc của hai bánh xe dựa vào kỹ thuật Fuzzy logic

4 Trong khi robot di chuyển, nó sẽ tạo ra thông tin chuyển động từ sensor bên trong

và bên ngoài Lọc Kalman hoạt động trong lúc robot hoạt động

5 Nếu robot vẫn chưa đạt được đích đến thì bước hai sẽ lập lại

Hình 2.6 Sơ đồ khối giải thuật chuyển động của robot

Real world

Stereo Algorithms

Stereo vision camera

[x’,y’, z’]

Trajectory

Planner

Avoidance Control

Fuzzy Logic Control

[xy, yy,zy]

[x r , y r , θ r ]

Robot Dynamics

Kinematics model

Optical position sensor

2.4.1 Mô hình Kinematic

Mô hình Kinematic nhận thông tin đầu vào từ bộ mã hóa quang học hai bánh xe robot như hình 2.7 Mô hình sẽ tính toán chuyển động của robot với hệ tọa độ (x, y) và góc định hướng (θ) Bộ mã hóa sẽ chuyển dữ liệu cho hệ thống, việc kiểm tra sự đo đạc được tiến hành từ thông tin sensor định hướng và sensor định vị trí

Các phương trình Kinematic như sau:

L

K

k

d d

∆+

∆

=

∆θ

θθθ

K y x

010

001

k k k

k

y k

y k

y

k

x k

x k

x

k

h y

h x

h

h y

h x

h

h y

h x

h

H

θθθ

θ θ θ

Với những phương trình này, các yếu tố cần thiết cho lọc Kalman đã được xác định

2.4.3 FUZZY LOGIC ĐIỀU KHIỂN CHUYỂN ĐỘNG

Dùng Fuzzy logic để thiết lập tốc độ cho bánh xe trái và bánh xe phải của robot Tín hiệu vào và tín hiệu ra sẽ được kỹ thuật này lựa chọn Tín hiệu vào: sai số góc

khoảng cách derror là sự khác biệt giữa vị trí hiện hành và vị trí điểm đích Cách tính là tìm khoảng cách giữa hai điểm Tín hiệu ra của kỹ thuật Fuzzy logic là tốc độ bánh xe trái và bánh xe phải của robot Hình 2.8 là sơ đồ khối của kỹ thuật Fuzzy logic

Hình 2.8 Sơ đồ khối hệ thống điều khiển chuyển động

Kỹ thuật Fuzzy logic được dùng để xác định vận tốc bánh xe robot có giải thuật như sau:

Bước 1: Xác định biến vào và ra cho hệ thống, trong đó, tính toán hai biến vào là: sai

số góc (chính là sự khác biệt giữa góc tới điểm đích và góc định hướng robot hiện tại)

và sai số khoảng cách (chính là sự khác biệt giữa tọa độ điểm đích và tọa độ hiện thời) Đồng thời tính toán hai biến ra, đó là: vận tốc của bánh xe trái và bánh xe phải của robot

Bước 2: Xác định tập mờ Giá trị tập mờ của các biến được thể hiện như bảng 2.1, giá trị tập mờ có phần gối lên nhau và được thể hiện bằng dạng tam giác Các dạng tam giác đó gọi là hàm thành viên, dạng điển hình của hàm thành viên được thể hiện như hình 2.9, hình 2.10, hình 2.11 như dưới đây

NM: Negative Middle N: Near

NS: Negative Small M: Middle

Fuzzy of motor right

VL

encoder

drive control

Motor right

Motor left

drive control

Hình 2.9 Các hàm thành viên của sai số góc

Hình 2.10 Các hàm thành viên của vận tốc bánh xe

Hình 2.11 Các hàm thành viên của sai số khoảng cách

NSNM

NL

00 200 400 600 900 -200

-400 -600

-900

θerror

FSFWL

FW SLFW

SSLBW

BW FSBW

-20-40-60

100

v

Bước 3: Xác định luật Hệ thống làm việc dựa vào luật, những chú thích về luật Fuzzy

là: tiến nhanh về trước (FSFW), tiến về phía trước (FW), đi chậm về phía trước

(SLFW), stop (S), lùi chậm về phía sau (SLBW), lùi về phía sau (BW), lùi nhanh về

phía sau (FSBW) Các luật mờ được trình bày như bảng 2.3 và bảng 2.4 dưới đây:

Bảng 2.4 Luật mờ của động cơ bên phải

Ví dụ, các luật mờ được ứng dụng trong việc định hướng đường đi của robot như sau:

R1: Nếu θerror là góc 0 độ (ZE) và derror là khoảng cách gần (N) thì động cơ trái lùi chậm

về phía sau (SLBW)

R2: Nếu θerror là góc 0 độ (ZE) và derror là khoảng cách gần (N) thì động cơ phải tiến

chậm về phía trước (SLFW)

Bước 4: Giải mờ Hành động ngỏ ra được quyết định vào điều kiện ngỏ vào Việc giải

mờ sẽ tính toán vận tốc thực hiện của hai bánh xe robot Cốt lõi của việc giải mờ được

thực hiện bởi phương trình (2.23) như sau:

n

i

d i i i

error error

error error x

,min

µµ

µµ

θ θ

(2.23)

Trong đó vi là ngỏ ra Fuzzy của thuật thứ i, error

và đánh dấu những điểm tương ứng Qua đó, ta thấy rằng kết quả đạt được tốt nhất trong khoảng 0.5 đến 6m

Thuật giải cho việc dò tìm vật cản như sau:

If dobs ≥0.5 và dobs ≤ 6.0 then

Trong đó, dobs là khoảng cách giữa robot và vật cản

Hình 2.12 Sơ đồ khối của kỹ thuật dùng ảnh nổi để đánh dấu điểm tương ứng

Stereo matching Depth calculation

Pre-processed i

2.5.2 Tránh vật cản

Để tránh vật cản, nhiều lệnh di chuyển phải được thiết lập để robot tránh được vật cản Do đó, robot phải có chương trình có thể phân tích được dữ liệu vào như trình bày ở phần trên Thêm vào đó, góc so với vật cản θobs phải được tính toán để góc tránh vật cản θavoid được thiết lập để robot có thể tránh vật cản

Hình 2.13 Tránh vật cản của robot Góc θd là sự khác biệt giữa góc định hướng θr, và góc so với vật cản θobs Góc θd được tính toán bằng phương trình (2.24) như sau:

( ) (2 )2

r g r

Để cải tiến việc điều khiển chuyển động của robot, lọc Kalman, điều khiển Fuzzy logic

và kỹ thuật tránh vật cản phải được thực hiện đầy đủ

2.6 THỰC HIỆN PHẦN CỨNG

Để kiểm nghiệm lý thuyết ở trên, robot có hình dạng như hình 2.14 được lập trình để thử nghiệm Tốc độ tối đa của robot khoảng 0.45m/s Mạch điện tử điều khiển vận tốc và nhân tín hiệu từ sensor định hướng và sensor định vị trí Trong mạch điện,

vi xử lý là Dallas 89C420 Ngôn ngữ để lập trình cho Dallas 89C420 là ngôn ngữ Assembly Phần mềm cho camera chụp ảnh nổi được viết bằng Visual C++ (dùng thư viện Vision của công ty Point Grey) Chương trình chính được viết trong MATLAB

Hình 2.14 Mô hình robot

2.7 KẾT QUẢ THÍ NGHIỆM

Robot được thể nghiệm trong nhiều môi trường khác nhau có vật cản Trong tất cả trường hợp, robot đi từ điểm xuất phát tới điểm đích một cách an toàn, không bị va chạm với vật cản

Hình 2.15 Robot di chuyển đến điểm goal và tránh vật cản trên đường đi

“thông minh’ như con người Nghĩa là, robot có khả năng nhận diện và lập luận Ở đây, robot có hệ thống nhận diện môi trường bằng các sensor có sẵn trên robot Với môi trường có nhiều vật cản, robot cần xác định con đường đi đến điểm đích mà không

va chạm với vật cản

Việc di chuyển của robot có thể chia thành hai vấn đề nhỏ, đó là, nhận diện không gian và tìm kiếm đường đi Vấn đề tìm kiếm đường đi là tìm lấy con đường không va chạm với vật cản từ điểm khởi đầu đến điểm đích Vấn đề đặt ra là robot phải tính toán rất nhiều từ hình dáng robot đến hình dáng của vật cản Vì vậy, cần thúc đẩy một giải thuật song song để giải quyết vấn đề nhanh hơn Giải thuật này sẽ có cách tính toán nhanh hơn Trong đó, mạng neural là hệ thống xử lý song song Nhiều nghiên cứu dùng kỹ thuật mạng neural để giải quyết vấn đề đi tìm đường đi cho robot Trong tài liệu này, mạng neural được dùng để định đường đi đến điểm đích cho robot mà không va chạm với vật cản

Ở đây, robot có hai chuyển động cơ bản là chuyển động xoay và chuyển động tịnh tiến Robot có hai mạng neural, mạng neural thứ nhất là mạng phân tích dùng để tìm không gian trống từ các sóng siêu âm Robot được xem như một vật thể hai chiều trong không gian Mạng neural thứ hai là mạng có nhiều lớp dùng để xác định hướng

đi an toàn cho robot mà không va chạm với vật cản

3.2 MẠNG NEURAL VỚI ROBOT

Từ lâu, mạng neural được dùng như trí tuệ nhân tạo trong các hệ thống máy móc Từ đó, hệ thống máy có thể thực hiện các thao tác phức tạp như con người Đặc

biệt, mạng neural có liên quan đến các công việc mang tính nhận thức như học hỏi, thích nghi, nhận diện và tối ưu

Mạng neural là một hệ thống gồm các neural phân bố song song theo một cấu trúc nhất định Việc học hỏi của mạng neural có thể giám sát hoặc không giám sát Việc học hỏi có giám sát dùng thông tin trong kho dữ liệu Sau quá trình học hỏi, mạng neural sẽ có “kiến thức” để làm việc, dựa vào các trọng số Công thức toán của việc học hỏi Hebbian là

( )t w ( )t x ( ) ( )t y t

w,j +1 = ,j +η i j (3.1)

Trong đó, xi, yj là giá trị ra của neural thứ i và thứ j mà chúng liên kết nhau bằng trọng

số wi, j và η là tốc độ học hỏi Chú ý là xi, yj là đầu vào cho việc tính các trọng số Việc ứng dụng mạng neural để định đường đi cho robot đã thành công, chúng ta có thể dùng mạng neural để điều khiển và thiết lập quỹ đạo robot cũng như xử lý dữ liệu sensor Với việc tránh các vật cản, ta dùng kỹ thuật hồi tiếp cho việc huấn luyện mạng

Ở đây, nhóm nghiên cứu chỉ trình bày kết quả thực hiện từ mô hình robot thiết kế được Trong việc định đường đi và tránh vật cản cho robot, nó đã dùng dữ liệu dò tìm bằng laser và mạng neural

Công việc đầu tiên cần quan tâm là phân loại vật thể trong môi trường của robot bằng

dữ liệu dò tìm laser, từ đó, ta có thể dễ dàng hơn trong việc ứng dụng mạng neural trong việc định đường đi cho robot

3.3 TIẾP CẬN VẤN ĐỀ

3.3.1 Bài toán định hướng chuyển động

Cho A là một vật thể robot chuyển động trong môi trường W với không gian N chiều RN, N = 2 hoặc N = 3 Gọi o1, o2, ……… om là các vật cản trong môi trường Giả sử, hình dạng và vị trí của các vật cản và của robot trong môi trường đã được biết Vấn đề đặt ra là, từ vị trí và góc định hướng ban đầu, ta cần thiết lập đường đi cho robot tới điểm đích Trên đường đi đó, robot cần tránh va chạm với các vật cản, đồng thời, robot cần xác định vị trí điểm đích và góc định hướng tức thời của robot Nếu robot không xác định được đường đi thì nó sẽ báo lỗi

3.3.2 Môi trường

Thông thường, ta giả sử robot là vật thể hai chiều có thể di chuyển và xoay trong môi trường hai chiều Môi trường sẽ được thể hiện ở dạng tọa độ lưới Tọa độ lưới là ma trận MxN với các phần tử ô lưới Si,j Nếu ô lưới Si,jcó vật cản thì Si,j =1 Ngược lại, nếu ô lưới Si,j không có vật cản thì Si,j = 0

Phân tích vật thể là phân loại vị trí mọi điểm trên vật thể gắn với một cấu trúc frame nhất định Giả sử FA và FW là cấu trúc frame Đề -các gắn với robot A và môi trường

W Vì thế, phân tích vật thể A là phân loại các vị trí (x,y) và góc định hướng θ của FA

tương ứng FW Vì thế, robot dùng hệ thống xác định vị trí mà có thể cung cấp vị trí chắc chắn của robot ứng với cấu trúc frame tương ứng Không gian phân tích của A là không gian của tất cả các phân tích về vật thể A Gọi độ phân giải theo trục x, trục y và góc định hướng θ tương ứng là M, N và K Vậy robot A được xác định bởi bộ ba (xi,

yj,θK) Và nó thể hiện vùng ⎢⎣⎡ − 2 , + 2 ⎥⎦⎤.⎢⎣⎡ − 2 , + 2 ⎥⎦⎤.⎢⎣⎡ −∆2 , +∆2 ⎥⎦⎤

θθ

θ

y i

y i

x i

x i

W y

W y

W x

3.3.3 Giải thuật định đường đi cho robot

Ý tưởng giải thuật bắt nguồn từ việc chuyển động của con người trong môi trường có vật cản Lúc đó, con người phải dựa vào đôi mắt và bộ não phải quyết định bước đi tiếp theo sao cho có thể đi vào vùng không gian trống không va chạm với vận cản Tương tự, robot của chúng ta cũng phải chuyển động an toàn trong môi trường mà không va chạm với vật cản Robot dựa vào khả năng nhìn là dãy sóng dò tìm siêu âm Đầu tiên, ta cần đo đạc không gian và tìm ra không gian trống cho robot Kế đó, ta sẽ xác định hướng để tới điểm đích Việc này thực hiện được dựa vào mạng neural, từ kho dữ liệu đo đạc có sẵn, robot sẽ phân tích không gian bằng mạng neural thứ nhất để tìm đường đi an toàn Dữ liệu đường đi này sẽ làm đầu vào cho mạng neural thứ hai,

và tọa độ điểm đích cũng được dùng để xác định hướng đi tiếp theo cho robot

Giải thuật này là sự lặp đi lặp lại, trong mỗi lần lặp lại, việc định hướng trước đó của robot được lưu giữ lại và mạng neural sẽ chọn lựa hướng cho việc định vị tiếp theo Để xác định được hướng, robot cần trạng thái của không gian phân tích từng phần, trạng thái này có được từ bản đồ sóng siêu âm dò tìm Hơn nữa, mạng neural sẽ cung cấp

thông tin cho bộ phận điều khiển Từ đó, bộ phận điều khiển sẽ thực hiện các chuyển động và kiểm tra mức độ tiếp cận điểm đích từ trạng thái hiện hành Giải thuật của chuyển động robot có thể tóm tắt như sau:

1 Xác định thông tin vật thể, môi trường và tọa độ điểm đầu, điểm đích

2 Xác định hướng của robot hiện tại và hướng của điểm đích

3 Kích hoạt hệ thống dò tìm vật thể trong môi trường để xác định từng khu vực trong bản đồ không gian môi trường

4 Tạo thông tin đầu vào cho mạng neural thứ nhất, mạng neural này sẽ dùng dữ liệu từ sóng siêu âm dò tìm.Mạng nueral thứ nhất sẽ lặp lại công việc của nó cho đến khi các trọng số và ngõ ra đồng quy về một giá trị để robot có thể đi vào vùng không gian an toàn

5 Kích hoạt mạng nueral thứ hai, mạng neural này sẽ trả lại hướng θK cho bước di chuyển tiếp theo của robot

6 Thực hiện đường đi cho robot theo hướng θK và trở lại bước thứ ba

3.4 NGUYÊN TẮC GIẢI THUẬT

3.4.1 Bài toán dò tìm không gian dùng mạng neural

Ở đây, ta dùng dữ liệu dò tìm từ môi trường, bài toán tìm kiếm không gian trong chuyển động được gọi là chương trình “học hỏi môi trường” Robot luôn có một

vị trí nhất định trong môi trường Khoảng cách của nó đến các vật thể trong môi trường cũng được xác định Robot sẽ dùng thông tin này cho mạng neural thứ nhất để học lấy, nhớ lấy một vị trí mà robot có thể tìm được đường đi an toàn, không va chạm trong không gian Mạng neural dùng để học hỏi môi trường là mạng neural phân tích thành tố chính (principal component analysis network-PCA) PCA sẽ kết hợp việc học hỏi có giám sát và không có giám sát theo cùng một dạng như hình 3.1

Mạng neural này dùng đầu vào là các dữ liệu đo đạc sóng siêu âm Đầu ra cho mạng neural này là đường đi an toàn cho robot trong không gian

Hình 3.1 Mạng neural PCA Phân tích thành tố chính là một chương trình tuyến tính không giám sát mà nó tìm ra những yếu tố không tương quan nhau từ đầu vào Lớp neural đầu tiên thực hiện phân loại các yếu tố đầu vào PCA là phương pháp rút gọn dữ liệu, tập trung dữ liệu đầu vào thành một số thành tố chính

Số lượng các yếu tố được chọn là sự thỏa hiệp giữa kết quả huấn luyện, học hỏi và kết quả chính xác Việc lựa chọn số lượng các thành tố là không có công thức chung Sự lựa chọn luật học hỏi là sự bổ sung cho luật học hỏi Hebbian Luật học hỏi Hebbian phải được ứng dụng cẩn thận vì nó không ổn định khi dữ liệu đầu vào không bình thường Mạng Neural có bốn lớp: đó là lớp input, lớp PCA, lớp ẩn và lớp output Việc học hỏi được thực hiện theo hai thời kỳ Từ vị trí khởi hành, một chương trình tuyến tính không gian giám sát sẽ nhận các yếu tố không tương quan từ đầu vào và chọn lấy vài thành tố chính Các lớp neural tiếp theo sẽ dùng các thành tố này để cho ra tín hiệu output Mạng neural PCA học hỏi dựa theo luật Hebbian Đầu tiên sẽ cập nhật các trọng số wi,j tạo thành con số ngẫu nhiên nhỏ và cập nhật thông số học hỏi η tạo thành giá trị dương nhỏ Sau đó cho n = 1 tính tín hiệu output yi, và sự thay đổi các trọng số Tín hiệu output y từ mạng neural PCA được cho như (3.2)

Vi

di

input layer PCA

layer hidden layer Output layer

k ki j

i j

Hình 3.2 Chi tiết trong mạng PCA

Việc tính toán kết hợp các trọng số wi,j đã sẵn sàng, ở thời kỳ thứ hai, việc học hỏi của mạng neural được thực hiện bằng giải thuật hồi tiếp Lúc này, mạng sẽ cập nhật các giá trị trọng số Giải thuật học hỏi hồi tiếp căn cứ vào nguyên tắc đúng sai Quá trình học hỏi được tiến hành như sau: từ tín hiệu input, mạng neural sẽ tính toán để tìm ra tín hiệu output tương ứng Sai số ei giữa tín hiệu ra thực tế và tín hiệu ra mong muốn được tính như phương trình (3.4)

Trong đó, di là tín hiệu ra mong muốn, yi là tín hiệu ra thực tế Trong khi hồi tiếp, giá trị gradient δi được tính toán nhờ vào giá trị sai số ei Việc cập nhật các trọng số được thực hiện như công thức (3.5)

(n ) w ( )n ( ) ( )n x n

w,j +1 = ,j +ηδi j (3.5)

Trong đó w,jlà trọng số giữa neural thứ i từ lớp neural hiện hành với neural thứ j của lớp neural kế tiếp, η là mức học hỏi Tiến hành này được lặp lại cho lần dữ liệu input-output tiếp theo cho đến khi giá trị sai số ei dưới mức ngưỡng Ta dùng trị cực tiểu của phương sai trung bình Eavg như công thức (3.6) dưới đây

Hình 3.3 Các hướng đi trong không gian

3.4.2 Giải bài toán tìm đường đi

Để giải bài toán tìm đường đi, ta cũng dùng mạng neural Ở đây, chúng ta dùng mạng neural nhiều lớp (MLP) Thuận lợi chính của mạng này là dể dùng, điểm bất lợi

là việc học hỏi chậm và cần nhiều dữ liệu huấn luyện

Mục đích chính của mạng này là xác định góc phương vị θK cho trước di chuyển tiếp theo của robot từ tín hiệu output của mạng neural thứ nhất và từ tọa độ của điểm đích Dạng của mạng neural này được miêu tả như hình (3.4) Mạng này chứa ba lớp, đó là lớp input, lớp ẩn, lớp output Ở đây, mạng sẽ cập nhật các trọng số giữa các neural và ngưỡng Ở đầu vào của mạng neural này, tín hiệu input là hướng đi không gian an toàn đã biết Vi (từ mạng neural thứ nhất) và hướng đi tới điểm đích Si Việc chọn đi tới điểm đích được mô tả như hình (3.4) Từ lớp output của mạng neural, chúng ta sẽ có được thông tin Oj về hướng chuyển động của robot trong bước kế tiếp

Thông tin này sẽ được chuyển đến bộ phận điều khiển Từ đó, bộ phận điều khiển sẽ tạo ra các lệnh để điều khiển chuyển động của robot

3.4.3 Giải thuật thực tế

Chương trình mạng neural được viết trong Microsoft Visual C++ trong môi trường Windows Để mạng học hỏi và kiểm tra, ta dùng chương trình NeuroSolution (Neurodimensio 2000) Chương trình này đảm bảo việc quan sát không gian và sự chuyển động của robot

Việc học hỏi của các mạng neural được thực hiện độc lập từ dữ liệu dò tìm trong môi trường Ở đây, ta dùng môi trường cho robot học hỏi như hình (3.5)

Hình 3.5 Môi trường dùng cho robot học hỏi

Môi trường có thể được sắp xếp để có nhiều trạng thái khác nhau khi cho robot chuyển động

Môi trường thử nghiệm ở đây là phòng thí nghiệm, môi trường này được dò tìm bởi dãy sóng siêu âm Dữ liệu dò tìm có thể được diễn tả như sau: môi trường và các vật cản được dò tìm thể hiện thành các bit map Các sóng siêu âm được phát ra từ robot để

dò tìm môi trường được thể hiện như hình (3.6) Nếu tia sóng siêu âm gặp phải vật cản (giá trị bit là 0-màu đen), chúng ta sẽ tính khoảng cách di Khoảng cách di, sau đó, sẽ được dùng như tín hiệu input cho mạng neural

Việc dò tìm môi trường được thực hiện theo 29 hướng khác nhau, con số 29 hướng được chọn thông qua quá trình thử nghiệm thực tế Từ đây, khoảng cách di được dùng làm tín hiệu input cho mạng neural PCA

Tín hiệu output từ mạng neural này là hướng đi an toàn trong môi trường, việc học hỏi hướng đi an toàn sẽ giúp tạo ra các ảnh bit map an toàn Robot vừa di chuyển, vừa dò tìm trong không gian học hỏi kinh nghiệm, robot sẽ so sánh di với ảnh map dò tìm an toàn Từ đó robot sẽ xác định được hướng đi an toàn tiếp theo

Hình 3.6 Dãy 29 sóng siêu âm dò tìm

Với 29 khoảng cách di có được và thông tin về 29 hướng an toàn Vi, robot sẽ lưu chúng thành file File này sẽ tạo thành kho dữ liệu huấn luyện cho mạng PCA ở thời

kỳ thứ hai

Mạng neural thứ hai được huấn luyện với giải thuật hồi tiếp Việc học hỏi của mạng MLP có giám sát dùng bảng trạng thái kết hợp Bảng này chứa tất cả các kết hợp có thể giữa hướng không gian Vi và hướng tới điểm đích Sj Các thông số Vi, Sj có hai giá trị Nếu Vi = 1 (hướng không gian Vi không chứa vật cản) thì di chuyển theo hướng này là có thể Nếu Vi = 0 thì hướng Vi bị cản trở và việc di chuyển theo hướng này là không thể Giá trị S j =1 thì trong hướng đi đến điểm đích, tọa độ điểm đích sẽ nằm trên hướng này Ngược lại, nếu Sj = 0 thì trong hướng đi đến điểm đích này sẽ không

có tọa độ điểm đích cần tới Việc giám sát sẽ được đảm bảo tín hiệu ra cần thiết khi có

sự kết hợp giữa Vi, Sj, mạng neural sẽ học lấy những trạng thái này Với việc lựa chọn

có giám sát các giá trị Vi và Sj việc chuyển động của robot sẽ được thực hiện trong hướng đi an toàn tới điểm đích Mạng neural, ở đây, có 18 neural input (9 giá trị Vi, và

9 giá trị Sj), 20 neural ẩn và 9 neural output (xác định góc phương vị O j)

Tín hiệu, output O jcủa mạng neural thứ hai này được đưa đến bộ phận điều khiển Từ đây, bộ phận này sẽ điều khiển robot chuyển động Ở đây robot phân biệt năm lệnh chuyển động Đó là: đi tới, quẹo phải, đi hướng bên phải, quẹo trái, đi hướng bên trái Lệnh “quẹo trái/phải” là thay đổi một góc 450 theo hướng bên trái/phải, lệnh “đi hướng trái/phải” là thay đổi một góc 900 theo hướng bên trái/phải

Trong quá trình kiểm nghiệm, robot có vài vị trí chết Tại vị trí đó, robot không biết nên đi theo hướng nào Đó là vị trí cửa ra vào và vị trí gần hành lang của phòng thí nghiệm Vì thế robot cần được thêm vào hai mạng neural nhiều lớp Đó là mạng neural

H và mạng neural D Mạng neural H dùng để nhận biết tình trạng nguy hiểm cho robot Nghĩa là, lúc này robot ở gần các vị trí chết Nếu tình trạng này xảy ra, mạng neural D sẽ thực hiện việc chuyển động an toàn xuyên qua các vị trí chết này như hình (3.7)

Hình 3.7 Robot chuyển động gần của ra vào

Mạng neural H vận hành như một công tắc để quyết định sẽ dùng mạng neural D hay vẫn dùng mạng MLP

3.5 KẾT QUẢ MÔ PHỎNG

Robot được dùng để thí nghiệm có cấu tạo như hình 3.8 Robot có 3 bánh xe, 2 động cơ bước để tạo chuyển động Cả 3 bánh xe đều có bộ mã quang học dùng để đo đạc Bộ dò tìm siêu âm được bố trí trên robot dùng để đo khoảng cách xung quanh robot

Hình 3.8 Mô hình robot dùng trong thí nghiệm

Chương trình neural cho robot định hướng đường đi được viết trên máy tính Đối với việc học hỏi của mạng neural, chúng tôi dùng chương trình NeuroSolutions (NeuroDimension 2000) Chương trình này dùng dữ liệu động (Dynamic data change –DDE) để dùng dữ liệu từ NeuroSolutions

Ta sẽ thử nghiệm chương trình này trong một vài môi trường không gian khác nhau Đầu tiên, ta thử nghiệm trong môi trường không gian học hỏi Ở đây, robot cần phải tránh các vật cản và xác định đường đi từ điểm khởi đầu đến điểm đích một cách

an toàn Môi trường tiếp theo là môi trường, không phải là môi trường học hỏi, một môi trường chưa biết đối với robot Ở hình (3.9) ta thấy đường đi của robot là chính xác và không va chạm với vật cản