Báo cáo cuối kỳ các vấn Đề hiện Đại trong robot

<span class="text_page_counter">Trang 1</span><div class="page_container" data-page="1">

<b>Hệ thống phương tiện tự hànhứng dụng trong công nghiệp</b>

Nguyễn Văn DươngMSV: 21020001

Khoa Điện tử Viễn thơng, Trường Cơng nghệ

<i><b>Tóm tắt – Phương tiện dẫn đường tự động được sử</b></i>

<b>dụng rộng rãi trong các nhà máy, khu công nghiệp đểvận chuyển vật liệu. Chúng được điều khiển một cáchtập trung có khả năng cải thiện độ an tồn, an ninh vàhiệu quả, giúp cải thiện tốc độ xử lý công việc và giảmmức tiêu hoa tài nguyên. Ở báo cáo này trình bày nhữngkhái niệm cơ bản về phương tiện tự hành (AGV) đồngthời đưa ra hai chủ đề nghiên cứu là công nghệ cảmbiến, điều hướng và thuật toán điều khiển và tối ưu hóađồng thời đưa ra một số bài báo liên quan trong các chủđề này từ đó thấy được những thách thức và tiềm năngcủa hệ thống AGV.</b>

<i><b>Từ khóa – xe tự hành, automated guided vehicles(AGV)</b></i>

I. Giới thiệu

Ngày nay các doanh nghiệp chạy đua trong việc giảm chi phínhưng vẫn đảm bảo chất lượng tốt điều này yêu cầu các doanhnghiệp phải đầu tư máy móc hiện đại để thay thế dần cho conngười trong các nhà máy, khu công nghiệp. Một trong những hệthống nổi bật là - hệ thống AGV được các nhà sản xuất lựa chọnrộng rãi để triển khai các hệ thống xử lý vật liệu thực sự linh

</div><span class="text_page_counter">Trang 2</span><div class="page_container" data-page="2">

hoạt, thường cần thiết cho mơ hình sản xuất tự động hóa cao ví

<i>dụ như trong Hình 1. AGV được sử dụng cho các nhiệm vụ như</i>

di chuyển sản phẩm trong kho, chức năng phân phối và lưu trữhoặc vận chuyển các bộ phận phụ giữa các trạm lắp ráp khácnhau trong dây chuyền sản xuất.

Hệ thống dẫn đường chính trong các phương tiện dẫn đườngtự động công nghiệp (AGV) thời kỳ đầu là những sợi dây đượclắp dưới sàn. Một tần số được tạo ra qua sợi dây để AGV có thểphát hiện và theo dõi nó, từ đó định hướng đi qua tuyến đườngcủa nó. Trí thơng minh nằm ở bộ điều khiển sàn tạo ra các tínhiệu dọc theo dây dẫn. Trong trường hợp này, AGV hoạt độngnhư một loại thiết bị câm.

<i>Hình 1: AGVs trong nhà máy</i>

Thế hệ tiếp theo của hệ thống AGV, được thúc đẩy bởi nhữngtiến bộ và giảm chi phí trong vi điện tử và máy vi tính, đã làmcho AGV thơng minh hơn và do đó chúng có thể lưu trữ hướngdẫn về tuyến đường, đưa ra quyết định và tham gia kiểm sốtgiao thơng của tồn bộ hệ thống. Ngồi ra, các hệ thống dẫnđường khơng dây mới, sử dụng tia laser hoặc hệ thống quántính, cho phép AGV hoạt động mà không cần đường dẫn hướngvật lý [1], cụ thể là AGV phạm vi tự do [2], giúp việc lắp đặt cáchệ thống đó dễ dàng hơn và tạo điều kiện thuận lợi cho việc

</div><span class="text_page_counter">Trang 3</span><div class="page_container" data-page="3">

sửa đổi đường dẫn hướng khi các trạm hoặc luồng mới đã đượcthêm vào.

Việc phát triển hệ thống AGV đòi hỏi phải đáp ứng một số chủđề sau: điều hướng và hướng dẫn, định tuyến, quản lý giaothông, truyền tải và quản lý hệ thống. Điều hướng và hướngdẫn cho phép xe đi theo một lộ trình. Định tuyến [3] là khảnăng của phương tiện đưa ra quyết định để chọn các tuyếnđường tối ưu đến các điểm đến cụ thể. Quản lý giao thông [4] làmột hệ thống hoặc khả năng của phương tiện để tránh va chạmvới các phương tiện khác. Truyền tải là phương thức lấy và phânphối cho hệ thống AGV, có thể đơn giản hoặc tích hợp với cáchệ thống con khác. Hệ thống quản lý [5] là phương pháp điềukhiển hệ thống được sử dụng để ra lệnh vận hành hệ thống.Các kỹ thuật điều hướng AGV điểm - điểm hiện tại có thể đượcchia thành hai nhóm, đường dẫn cố định và điều hướng đườngdẫn mở [6]. Ý tưởng cơ bản là AGV phải tuân theo một đườngdẫn cố định. Điều hướng đường dẫn cố định sử dụng ý tưởngban đầu là dây nhúng trong sàn, mặc dù các kỹ thuật khác nhưbăng từ hoặc băng phản chiếu trên bề mặt sàn cũng có thểđược sử dụng. Trong trường hợp này, các đường dẫn được cốđịnh và do đó việc sửa đổi bố cục sẽ dẫn đến việc dừng toàn bộhệ thống và thay đổi các đường dẫn về mặt vật lý. Mặt khác,nhiệm vụ điều hướng rất dễ dàng, chỉ cần một cảm biến đểphát hiện hướng dẫn trên sàn. Trong điều hướng đường dẫn mở,ít nhất về mặt lý thuyết, AGV có thể sử dụng bất kỳ đường dẫnhướng nào để điều hướng giữa các điểm. Vì vậy, để điều hướngtrong mơi trường này, AGV cần có bản đồ và phương pháp đểbiết vị trí của chính nó. Trong các hệ thống thương mại hiện tại,

</div><span class="text_page_counter">Trang 4</span><div class="page_container" data-page="4">

các tuyến vận chuyển tải được xác định trước trong q trìnhthiết kế bố trí đường dẫn [1,2].

Ở báo cáo này sẽ được trình bày theo các phần sau. Phần 2các chủ đề nghiên cứu. Phần 3 tập trung vào việc phân tích cácnghiên cứu. Phần 4 trình bày thách thức và tiềm năng của hệthống AGV. Cuối cùng, Phần 5 đưa ra một số kết luận.

II. Các chủ đề nghiên cứu

<i>A. Công nghệ cảm biến và điều hướng</i>

Việc điều khiển vị trí hoặc chuyển động của phương tiện đượcdẫn hướng tự động (AGV) rất quan trọng cho các ứng dụng củaxe tự hành. Để điều khiển một cách hiệu quả thì việc có nhữngcảm biến hỗ trợ là vô cùng cần thiết kết hợp với các phần mềmđiều phối từ đó giúp các AGV phối hợp và làm việc hiệu quả.Một số loại cảm biến được dùng cho AGV điển hình như: cảmbiến LiDAR, cảm biến quang và camera, cảm biến siêu âm, cảmbiến hồng ngoại, cảm biến quán tính (IMU), ... Trong những nămgần đây, cảm biến LiDAR đã trở nên cực kỳ có giá trị trong các

<i>phương tiện tự hành, xem Hình 2. Xe tự hành có thể sử dụng</i>

LiDAR để phát hiện và tránh chướng ngại vật, nhận dạng vàtheo dõi đối tượng cũng như định vị và lập bản đồ đồng thời(SLAM) [7,8,9]. Với sự tiến bộ của công nghệ tự lái, nhu cầu vềLiDAR ngày càng tăng nhanh. LiDAR là một trong những cảmbiến quan trọng của công nghệ dẫn đường và điều hướng tiêntiến hiện nay.

Có nhiều loại cơng nghệ điều hướng được sử dụng trong AGVcó thể kể đến một số loại như: điều hướng bằng laser, điềuhướng tự nhiên, điều hướng từ tính, điều hướng điểm từ, điều

<i>hướng dây cảm ứng, dẫn đường quang học, ... Hình 3.</i>

</div><span class="text_page_counter">Trang 5</span><div class="page_container" data-page="5">

Hình 2: Cảm biến LiDAR trong AGV

<i>Hình 3: Các cơng nghệ điều hướngB. Thuật tốn điều khiển và tối ưu hóa</i>

Từ việc sử dụng cảm biến đến việc điều hướng cho AGV là cáccộng việc rất phức tạp. Tuy nhiên để dáp ứng nhu cầu trongthực tế hiện nay ta cần điều khiển các AGV một cách tối ưunhất, các thuật toán áp dụng phải vừa đơn giản và hiệu quả đểđáp ứng phản hồi một cách nhanh chóng. Từ đó đặt ra các bàitoán tối ưu trên thực tế như khắc phục thời gian tính tốn lớn,tắc nghẽn, chậm trễ trong hệ thống cũng như phạm vi lập kếhoạch hữu hạn. Các hệ thống AGV được sử dụng hiện tại và cáchệ thống hiện tại do các nhà sản xuất tồn cầu cung cấp hầuhết đều hoạt động dưới hình thức điều khiển tập trung: một bộđiều khiển trung tâm điều khiển toàn bộ đội xe AGV. Xu hướnghướng tới các hệ thống phi tập trung trong đó AGV đưa ra cácquyết định riêng lẻ có lợi cho tính linh hoạt, mạnh mẽ và khảnăng mở rộng của giao thông vận tải. Được thúc đẩy bởi sựthay đổi mơ hình của Công nghiệp 4.0 và các yêu cầu trongtương lai. Các thuật tốn điều khiển điển hình được biết đến

</div><span class="text_page_counter">Trang 6</span><div class="page_container" data-page="6">

như: điều khiển PID, điều khiển mờ, điều khiển trượt, điều khiểnmơ hình dự đốn,... cùng với đó là các thuật tốn tối ưu như là:thuật tốn di truyền, thuật toán tối ưu đàn kiến, thuật toán bầychim, thuật toán Q-learning,...

III. Các nghiên cứu liên quan

<i>A. Nghiên cứu về cảm biến và điều hướng</i>

<i>1) Nghiên cứu: “Advance 3D navigation system for AGV in</i>

<i>complex smart factory environ-ment” nhóm tác giả đã đề xuất</i>

một hệ thống điều hướng robot di động mới bao gồm điều khiểncơ bản, định vị xây dựng bản đồ và các chức năng điều hướngtự động. Ban đầu, việc sử dụng thuật toán so sánh đám mâyđiểm đã tạo điều kiện thuận lợi cho việc xây dựng bản đồ đámmây điểm ba chiều trong môi trường trong nhà, sau đó đượcchuyển đổi thành bản đồ lưới hai chiều điều hướng. Đồng thời,việc sử dụng thuật toán biến đổi phân phối chuẩn (NDT) đaluồng cho phép định vị robot chính xác trong cài đặt ba chiều.

<i>Hình 4: Khung hệ thống</i>

Tận dụng bản đồ lưới và dữ liệu bản địa hóa vốn có của robot,thuật tốn A* đã được sử dụng để lập kế hoạch đường đi toàncầu. Hơn nữa, dựa trên đường dẫn tồn cầu, thuật tốn dải đànhồi theo thời gian (TEB) đã được sử dụng để thiết lập mô hìnhđộng học, rất quan trọng cho việc lập kế hoạch tránh chướng

</div><span class="text_page_counter">Trang 7</span><div class="page_container" data-page="7">

ngại vật cục bộ. Nghiên cứu này đã chứng minh những pháthiện của mình thơng qua các thí nghiệm mơ phỏng và triểnkhai phương tiện thực tế: Robot di động quét dữ liệu môi trườngthông qua radar laser và xây dựng các đám mây điểm và bảnđồ lưới. Điều này tạo điều kiện thuận lợi cho việc định vị ở cấpđộ centimet và vượt qua thành công các chướng ngại vật tĩnh,đồng thời lập biểu đồ các đường dẫn tối ưu để vượt qua cácchướng ngại vật động. Hệ thống định vị được phát minh đã thểhiện khả năng điều hướng tự động đáng khen ngợi. Bằng chứngthực nghiệm cho thấy độ chính xác thỏa đáng trong các ứngdụng thực tế, với sai số định vị là 3,6 cm dọc theo trục x, 3,3cm dọc theo trục y và 4,3° theo hướng. Sự đổi mới này giúpgiảm đáng kể độ chính xác điều hướng thấp và tình trạng chậmchạp mà xe AGV gặp phải trong môi trường nhà máy thôngminh phức tạp, hứa hẹn triển vọng thuận lợi cho các ứng dụng

<i>thực tế. Dưới đây là khung hệ thống Hình 4 [10].</i>

<i>2) Nghiên cứu: “A Review of Multi-Sensor Fusion SLAM</i>

<i>Systems Based on 3D LIDAR” nhóm tác giả đề xuất phát triển</i>

SLAM tổng hợp đa cảm biến dựa trên LIDAR. Bài viết này giớithiệu các nguyên tắc cơ bản và công việc gần đây của phảnứng tổng hợp đa cảm biến một cách chi tiết từ bốn khía cạnhdựa trên các loại cảm biến hợp nhất và phương pháp ghép dữliệu. Nhóm tác giả cịn xem xét một số bộ dữ liệu SLAM và sosánh hiệu suất của năm thuật toán nguồn mở bằng cách sửdụng bộ dữ liệu UrbanNav. Những đổi mới chính của bài báođược đề cập cùng nhau khi mô tả chi tiết về liên kết dữ liệu.Điểm mạnh và điểm yếu của từng công việc đều dựa trên phântích định tính về thành phần hệ thống.

</div><span class="text_page_counter">Trang 8</span><div class="page_container" data-page="8">

<i>Hình 5: Khung SLAM hợp nhất dựa trên tính năng</i>

Có nhiều cơng trình dựa trên deep learning hơn cho sự kếthợp đa cảm biến, chủ yếu được sử dụng trong nhận thức môitrường, phát hiện đối tượng và phân đoạn ngữ nghĩa. Chúng cóthể đóng vai trị phụ trợ trong hệ thống SLAM. Sự kết hợp đacảm biến là chìa khóa để xây dựng các hệ thống mạnh mẽ. Cáchệ thống phức tạp dựa trên nhiều cảm biến cần phải nhẹ, chínhxác, có thể mở rộng và linh hoạt cho SLAM. Từ phần thửnghiệm, nhóm tác giả biết rằng mơi trường động, sự tắc nghẽnđối tượng và môi trường hành lang dài là những thách thứcchính đối với các phương pháp SLAM dựa trên tính năng. Khung

<i>SLAM dựa trên tính năng Hình 5 [11].</i>

<i>3) Virtual Diagnostic Sensors Design for an Automated</i>

<i>Guided Vehicle bài báo đề xuất một cách tiếp cận đầy hứa hẹn</i>

hướng tới các cảm biến đáng tin cậy hơn là ứng dụng bổ sungcác cảm biến ảo, có khả năng tạo ra các phép đo ảo bằng cáchsử dụng các nguồn thông tin khác như trạng thái bộ truyềnđộng và các cảm biến hiện có cùng với các mơ hình tốn họcthích hợp. Trọng tâm của nghiên cứu được mơ tả trong bài báonày là thiết kế các cảm biến ảo xác định lực và mômen xoắntác dụng lên AGV. Cách tiếp cận mới được đề xuất là sử dụngcách tiếp cận giới hạn bậc hai, cho phép bao gồm các nhiễuloạn giới hạn tác động lên AGV. Một ưu điểm chính của phươngpháp được trình bày là có thể tránh được việc sử dụng các mơ

</div><span class="text_page_counter">Trang 9</span><div class="page_container" data-page="9">

hình lốp phức tạp. Thông tin từ cảm biến gia tốc và tốc độ lệchđược xử lý để nhận ra cảm biến lực và mô-men xoắn ảo đángtin cậy. Thông tin về lực và mơ-men xoắn thu được có thể đượcsử dụng cho một số mục đích chẩn đốn như phát hiện lỗi hoặcngăn ngừa lỗi. Cách tiếp cận được trình bày được giải thích vàxác minh trên cơ sở thiết kế sáng tạo của AGV. Thiết kế sángtạo này giải quyết một thách thức lớn khác đối với AGV, đó làkhả năng cơ động hạn chế của nhiều thiết kế AGV. Thiết kếsáng tạo cho phép khả năng vận động gần như khơng giới hạnnhưng địi hỏi dữ liệu cảm biến đáng tin cậy. Việc áp dụngphương pháp này trong AGV đã mang lại cái nhìn sâu sắc rằngcác ước tính được tạo ra nhất quán với các lực dọc và mô menxoắn thu được từ mơ hình tham chiếu đã được chứng minh [12].

<i>B. Nghiên cứu về thuật tốn điều khiển và tối ưu hóa</i>

<i>1) Enhancing Path Planning Capabilities of Automated Guided</i>

<i>Vehicles in Dynamic Environ-ments: Multi-Objective PSO andDynamic Window Approach nghiên cứu này đã giới thiệu một</i>

cách tiếp cận tiên phong trong việc lập kế hoạch đường dẫnAGV, tích hợp PSO đa mục tiêu (MOSPO) và cách tiếp cận cửasổ động (DWA) để khắc phục những hạn chế của phương phápđiều hướng tự động truyền thống cho AGV di động. Chiến lượcsửa đổi của chúng tôi đã tạo điều kiện thuận lợi cho việc tínhtốn tốc độ và góc lái tối ưu, đảm bảo điều hướng an tồn.Nhóm tác giả đã cân bằng một cách hiệu quả các mục tiêuxung đột và cải thiện hiệu suất tổng thể bằng cách lập mô hìnhtốn học cho hàm đa mục tiêu bằng cách sử dụng đường đingắn nhất và các hàm mục tiêu có độ trơn tối đa. Các yếu tốchính như chức năng heuristic, hướng tìm kiếm, độ an tồn của

</div><span class="text_page_counter">Trang 10</span><div class="page_container" data-page="10">

đường dẫn và các nút đường dẫn dự phòng đã góp phần nângcao hiệu quả, đường dẫn được tối ưu hóa và giảm sự kém hiệuquả. Phương pháp cửa sổ động đã lựa chọn thành công quỹ đạođạt điểm cao nhất, xem xét cả vận tốc tối ưu và các trở ngạimôi trường. Thông qua các mô phỏng và so sánh nghiêm ngặtvới các phương pháp hiện có, nhóm tác giả đã xác nhận tínhhiệu quả của phương pháp tiếp cận của mình, thể hiện các ưuđiểm như thời gian lập kế hoạch ngắn hơn, giảm độ dài đườngđi, ít điểm rẽ hơn và tăng độ an toàn cho tuyến đường. Hơnnữa, các đánh giá về số liệu hiệu suất đã cung cấp các thước đođịnh lượng về hiệu quả và hiệu suất của phương pháp tiếp cận,cho phép so sánh khách quan với các phương pháp lập kếhoạch đường đi AGV khác và giải quyết các thách thức liênquan đến hiệu suất, tính tối ưu, khả năng thích ứng và an tồn.

<i>Thuật tốn được miêu tả dưới Hình 6 [13].</i>

<i>Hình 6: Sơ đồ của sơ đồ đề xuất để lập kế hoạch đường đi tối ưu</i>

<i>2) Path Planning Optimization of Automated Guided Vehicles</i>

<i>using Chaotic Marine Predators Algorithm bài viết này trình bày</i>

phương pháp lập kế hoạch đường đi không va chạm cho

</div><span class="text_page_counter">Trang 11</span><div class="page_container" data-page="11">

phương tiện dẫn đường tự động (AGV) trong môi trường nhà khothông minh, được tối ưu hóa bằng các thuật toán siêu kinhnghiệm nổi tiếng gần đây. Cách tiếp cận mới này là sự đánh giávà khả năng lập kế hoạch đường đi và lập kế hoạch cho nhiềuAGV để hoàn thành các nhiệm vụ nhất định trong khoảng cáchdi chuyển tối thiểu với thời gian vận hành tối ưu. Sáu thuật toánsiêu dữ liệu khác nhau như PSO, MELGWO, GTO, SFS, MPA vàMPA cải tiến hỗn loạn được so sánh về khả năng tối ưu hóađường dẫn của AGV. Để kiểm tra tính chắc chắn của các phươngpháp được đề xuất, bốn kịch bản khác nhau được trình bày baogồm tránh chướng ngại vật chung và ba nhiệm vụ trong cácbản đồ đơn giản được coi là môi trường kho thông minh. Trongmỗi kịch bản, các chướng ngại vật được đặt theo cách để tăngđộ phức tạp của đường đi tổng thể để AGV đến được đích mụctiêu. Các giai đoạn thăm dị và khai thác trong thuật toán MPAđược tăng cường đồng thời bằng cách thay thế ngẫu nhiênGaussian thơng thường bằng các tốn tử hỗn loạn để đảm bảotính hiệu quả của nó trong việc tối ưu hóa quy hoạch đường đicủa AGV. Thuật toán MPA hỗn loạn vượt trội hơn các thuật toánkhác dựa trên kết quả phân tích thống kê với mức cải thiện tổngthể là 11,0171% so với phương pháp lập kế hoạch phương pháplộ trình xác suất khơng được tối ưu hóa (PRM). Tóm lại, thuậttốn MPA hỗn loạn có thể được tối ưu hóa một cách hiệu quảviệc lập kế hoạch đường đi của AGV trong tất cả các mơi trườngnói trên [14].

<i>3) An Ant Colony Optimization Simulated An-nealing</i>

<i>Algorithm for Solving a Multiload AGVs Workshop SchedulingProblem with Limited Buffer Capacity trong bài báo này, nhóm</i>

</div>