thiết kế hệ thống xe cho kho lạnh

Mục lục
I.

Tổng quan

3

1.

Lịch sử phát triển...........................................................................................3

2.

Tầm quan trọng của xe tự hành......................................................................4

3.

Môi trường làm việc trong kho......................................................................5

4.

5.

6.

3.1

Nhà kho di động.....................................................................................5

3.2

Nhà kho cố định......................................................................................6

3.3

Kho lạnh..................................................................................................7

Các loại xe tự hành được sử dụng..................................................................7
4.1

Forklift AGV...........................................................................................8

4.2

Towing AGV...........................................................................................8

4.3

Underride AGV.......................................................................................9

Các dạng bánh xe sử dụng trong xe tự hành.................................................12
5.1

Bánh tiêu chuẩn:....................................................................................12

5.2

Bánh Castor:..........................................................................................12

5.3

Bánh xe bi cầu.......................................................................................12

5.4

Bánh mecanum:.....................................................................................13

Dẫn hướng trong AGV.................................................................................13
6.1

Tri giác AGV.........................................................................................13

6.1.1 Cảm biến quang học.........................................................................13
6.1.2 Camera.............................................................................................13
6.1.3 Từ tính..............................................................................................14
6.1.4 Encoders...........................................................................................14
6.1.5 So sánh các phương pháp.................................................................14
6.2

Phương pháp tìm đường đi....................................................................15

7.

Luật điều khiển.............................................................................................17

8.

Mục tiêu thiết kế..........................................................................................18

II. Lựa chọn phương án
1.

18

Thiết kế cơ khí.............................................................................................18


2.

Thiết kế điện................................................................................................18

3.

Thiết kế thuật toán và bộ điều khiển............................................................19
3.1

Thiết kế thuật toán.................................................................................19

3.2

Thiết kế bộ điều khiển...........................................................................20

III. Kế hoạch làm việc

20


Hình ảnh
I.

Tổng quan

Hình 1.1 AGV đầu tiên ra đời năm 1953...............................................................4
Hình 3.1 Nhà kho sử dụng cho Kiva System........................................................6
Hình 3.2 Nhà kho sử dụng cho Scallog System....................................................7
Hình 3.3 Nhà kho Stellingen ................................................................................7
Hình 3.4 Kho lạnh.................................................................................................8
Hình 4.1. TOYOTA Autopilot forklift...................................................................9
Hình 4.2 CarryBee AGVs của Aichikikai Techno System..................................10
Hình 4.3 Amazon Kiva........................................................................................11
Hình 4.4 SWISSLOG TransCar..........................................................................11
Hình 4.5 SSI Schaefer AGV................................................................................12
Hình 4.6 Robotnik AGV....................................................................................12
Hình 4.7 SWISSLOG Standard...........................................................................13
Hình 6.1a Bộ lọc Kalman trong xác định vị trí tuyệt đối....................................17
Hình 6.1b Bộ lọc Kalman trong xác định vị trí tuyệt đối....................................18
Hình 6.1c Bộ lọc Kalman trong xác định vị trí tuyệt đối.....................................18

II. Lựa chọn phương án
Hình 3.1 Semantic Segmentation trong nhận biết làn đường..............................20
Hình 3.2 Cấu trúc mạng VGG19.........................................................................21


I.

Tổng quan

I.

Tổng quan
1. Lịch sử phát triển
Vào đầu những năm 1950, một nhà phát minh người Mỹ đã có ý tưởng thay thế trình

điều khiển của một trailer máy kéo để vận chuyển hàng hóa bằng cách sử dụng tự động
hóa. Ý tưởng này được thực hiện bởi Barrett-Cravens ở Northbrook, Illinois (tại Savant
Automation Inc., Michigan).

Hình 1.1 AGV đầu tiên ra đời năm 1953
Hệ thống xe có dẫn hướng tự động đầu tiên (AGVS) đã được lắp đặt như một máy
kéo vào năm 1954 tại Công ty Vận tải Mercury ở Columbia, South Carolina, để vận
chuyển lô hàng đường dài. Các phương tiện theo dõi được theo dõi trước đây giờ đây theo
sau dẫn điện dải được gắn trên sàn nhà.. Điều này có nghĩa là xe tự dẫn hướng đầu tiên đi
dọc theo đường từ trường gây ra.
Môi trường của hệ thống xe được điều khiển tự động đầu tiên được sử dụng trong
các nhà máy hoặc nhà kho lớn. Ở các nơi công nhân vận chuyển hàng hóa bằng xe chuyên
dụng của họ trong toàn bộ nhà xưởng và sàn nhà kho, môi trường đã được điều chỉnh từng
giai đoạn để đáp ứng nhu cầu của một hệ thống không còn dựa vào yếu tố con người là
chính. Vật mốc, các làn đường chuyên biệt, các biện pháp bảo vệ an toàn đã được đưa ra
để giảm thiểu rủi ro cho con người và thiệt hại.
Tại thời điểm này các AGV có cản cơ khí an toàn và được hướng dẫn bởi một đường
đơn giản (dẫn hướng bằng line từ) trong sàn hoặc một cảm biến quang học. Nhu cầu thị
trường lớn, chủ yếu từ ngành công nghiệp ô tô, đã thúc đẩy sự phát triển của công nghệ
tiên tiến hơn với tốc độ nhanh . AGV có nhiều ưu điểm mà ngành công nghiệp cần có. Nó
giúp tiết kiệm chi phí, tăng hiệu quả, giảm tổn thất vật liệu vận chuyển, tăng tính linh
hoạt, tăng cường sử dụng không gian và tăng mức độ an toàn. Một số công nghệ mới
trong giai đoạn này:


I.

Tổng quan
 Sự phát triển về vi mạch làm cho tốc độ xử lý nhanh hơn, các thiết bị và thuật
toán mới như Camera, AI được áp dụng tăng độ chính xác và khả năng thích

nghi.
 Công nghệ về dung lượng pin tuy không có nhiều phát triển đáng kể nhưng
các công nghệ sạc nhanh và sạc không dây phát triển làm tăng khả năng hoạt
động của AGV.
 Các thuật toán phát triển giúp AGV hiện này có thể hoạt động chung với con
người, từ đó tiết kiệm được chi phí cơ sở hạ tầng riêng cho AGV.
 Truyền dẫn không dây, đặc biệt là IoT mở ra tiềm năng rất lớn cho AGV khi
mọi hoạt động của AGV đều có thể giám sát và ra lệnh qua internet, tạo cơ sở
cho việc phát triển Swarm.
Công nghệ này đã phát triển rất nhiều và AGVS hiện đại có nhiều ưu điểm hơn so
với những công nghệ đầu tiên. Lundgren đã thấy rằng AGVS là một phần của xu hướng
lớn của ngành công nghiệp 4.0 và nhiều nhà sản xuất ô tô Đức đang triển khai công nghệ
mới này. Công nghệ này cũng đang lan rộng sang các phân khúc thị trường mới thương
mại hóa. Một vài công ty đi đầu trong lĩnh vực sản xuất AGV: CREFORM Technik
GmbH, Baunatal, Germany (CREFORM), DS Automotion GmbH, Linz, Austria (DS),
E&K Automation GmbH, Rosengarten, Germany (E&K), Schabmüller GmbH, Berching,
Germany(Schabmüller), Swisslog GmbH, Westerstede, Germany (Swisslog), … Vào năm
2012, công ty thương mại điện tử Amazon, nhà bán lẻ Internet lớn nhất tại Hoa Kỳ đã
mua lại nhà sản xuất hệ thống Kiva và triển khai 15 000 AGV trên 10 nhà xưởng của
mình nhằm giảm thời gian giao hàng và tăng mức dịch vụ khách hàng. Lĩnh vực ứng dụng
mới này làm tăng tốc độ phát triển công nghệ hơn nữa.
Xe tự hành được ứng dụng trong rất nhiều lĩnh vực khác nhau. Các dạng chủ yếu
của là Forklift, Piggyback, Towing, Underride, … Trong bài này tác giả sẽ chủ yếu phân
tích về loại Underride AGV. Đây là dạng xe có kích thước nhỏ gọn có ưu điểm là di
chuyển linh hoạt, chiếm diện tích rất ít. Loại này được trang bị một cơ cấu nâng với hành
trì ngắn vừa đủ nhấc vật lên và di chuyển tới nơi khác.
2. Tầm quan trọng của xe tự hành
Để đáp ứng nền công nghiệp sôi nổi hiện nay, rất nhiều công việc cần được thay thế
bởi máy móc để đáp ứng thời gian và độ chính xác và vận chuyển là một công việc như
vậy. Với sự phát triển của những công ty bán lẻ như Amazon, tiki, taobao,… các nhà kho

khổng lồ xuất hiện như một sự tất yếu. Và ở đó, khả năng của sức người là hoàn toàn
không đáp ứng được nhu cầu đề ra và đi kèm với đó là sự bùng nổ về hệ thống vận
chuyển tự động. Với sự giúp đỡ của AGV, rất nhiều vấn đề được giải quyết như:
 Rút gọn đáng kể thời gian vận chuyển hàng hóa trong kho.


I.

Tổng quan
 Giao tiếp giữa các AGV với hệ thống máy chủ giúp cho sự phối hợp hoạt
động của chúng gần như không có thời gian chờ cũng như sai sót. Bên cạnh
đó, thông tin của hàng hóa trong kho luôn chính xác gần như tuyệt đối.
 Chi phí đầu tư cao nhưng chi phí lâu dài thấp hơn đáng kể so với thuê nhân
công.
 Tránh những vấn đề về tai nạn lao động trong kho.
 Có thể làm việc .
 Tránh những sai sót dẫn đến thiệt hại, hư hỏng hàng hóa.
 Nâng cao chất lượng, hình ảnh công ty.
3. Môi trường làm việc trong kho
Sự đa dạng về hàng hóa cũng kéo theo sự đa dạng về các loại kho chứa. Trong đó,
chung nhất có thể chia nhà kho thành 2 loại dựa trên khả năng lưu trữ và vận chyển là nhà
kho “cố định” và nhà kho “di động”. Hai dạng này đều có những ưu nhược điểm riêng và
đều được sử dụng cực kỳ rộng rãi. Ngoải ra, dựa trên điều kiện làm việc riêng biệt còn có
thể chia ra các loại khác như kho lạnh.
3.1

Nhà kho di động

Hình 3.1 Nhà kho sử dụng cho Kiva System

I.

Tổng quan

Hình 3.2 Nhà kho sử dụng cho Scallog System
Đây là dạng nhà kho dùng để chứa các hàng hóa sắp xếp với chiều cao không lớn.
Hàng hóa được để trên các tấm pallet chuyên dụng, các kệ hàng hoặc các dạng xe kéo có
thể di chuyển được. Đặc điểm của dạng hàng hóa này là có kích thước không lớn hoặc các
loại được giữ “tạm thời” để chờ đến lúc xử lí, vận chuyển đi nơi khác. Điển hình cho các
nhà kho dạng này là các nơi nhận hàng hóa trong các nhà xưởng. Nhược điểm của dạng
này là cần diện tích rất lớn nên quãng đường vận chuyển cũng tăng lên.
3.2 Nhà kho cố định

Hình 3.3 Nhà kho Stellingen ở Đức


I.

Tổng quan
Đây là dạng nhà kho được sắp xếp các kệ hàng có độ cao lớn, gồm nhiều tầng hàng
hóa xếp chồng lên nhau. Hàng hóa chủ yếu được đặt trên các pallet để vận chuyển bằng
xe nâng. Vì tậng dụng chiều cao của nhà kho nên số lượng hàng hóa chứ được sẽ lớn hơn
rất nhiều so với nhà kho dạng di động khi so sánh với loại cùng diện tích mặt bằng. Dạng
nhà kho này thường được sử dụng với các xe chuyên dụng có kích thước lớn hoặc các cơ
cấu treo để lấy hàng hóa.
3.3 Kho lạnh
Bên cạnh vấn đề về hiệu suất, AGV còn giúp hạn chế thời gian lao động của con người
trong những môi trường khắc nghiệt, mà kho lạnh là một ví dụ. Nhu cầu về lương thực
thực phẩm ngày càng cao dẫn đến sự phát triển về số lượng lẫn kích thước các kho lạnh

để bảo quản, do đó đây là môi trường rất cần đến AGV.
Tuy nhiên, vận hành trong kho lạnh gặp rất nhiều khó khăn so với môi trường bên
ngoài. Đầu tiên là khả năng hoạt động của các thiết bị điện tử, khi chúng chỉ hoạt động
trong một khoảng nhiệt độ nhất định, do đó phải có những thiết bị dành riêng cho kho
lạnh. Ngoài ra, nền nhà đóng băng sẽ gây nhiều khó khăn trong quá trình di chuyển như
trượt bánh, từ đó dẫn đến khó khăn trong việc xử lý tín hiệu trả về. Bên cạnh đó, nhiều
cảm biến không thể làm việc nếu bị băng che phủ như camera, laser, hồng ngoại,…

Hình 3.4 Kho lạnh
4. Các loại xe tự hành được sử dụng
Thiết kế của AGV rất đa dạng và được phân loại dựa vào nhiều yếu tố như:
 Kích thước và khả năng tải.
 Nhà kho sử dụng.


I.

Tổng quan
 Khả năng phối hợp hoạt động.
 Thiết bị, thuật toán dẫn hướng.
Một số dạng xư tự hành thường gặp trong môi trường nhà kho là: Forklift, Towing,
underride, … Trong nội dung báo cáo tác giả tập trung tìm hiểu dạng Underride AGV.
4.1 Forklift AGV
Đây là dạng xe được thiết kế theo các xe nâng, sử dụng trong các nhà kho cố định để
vận chuyển hàng hóa trên Pallet. Xe thường có kích thước và khối lượng khá lớn vì
thường xuyên phải vận chuyển hàng hóa khối lượng lớn và nằm trên cao.

Hình 4.1. TOYOTA Autopilot forklift
Ưu điểm:
-

Trọng tâm xe đặt thấp, vị trí nâng nằm trong vùng giữa 3 bánh xe tránh được khả
năng bị lật khi vào đường cong hoặc mất cân bằng khi nâng tải.
Nhược điểm:

-

Kích thước cồng kềnh cần phải có không gian trống rộng để di chuyển, quay
hướng khác.
Dẫn động bằng hệ thống Drive Unit khiến xe kém linh hoạt trong việc chuyển
hướng,

4.2 Towing AGV
Đây là dạng xe tự hành dùng để kéo nhiều xe hàng được nối với nhau. Thiết kế xe
rất đa dạng và có thể được thiết kế tùy theo nhu cầu của khách hàng đặt.
Hình 4.2 CarryBee AGVs của Aichikikai Techno System


I.

Tổng quan

Ưu điểm:
-

Vì xe dùng để kéo các xe hàng khác, không cần phải nâng hàng hóa lên như dạng
forklift nên thời gian di chuyển nhanh.
Do không tác dụng lực nâng hàng mà chỉ tác dụng lực kéo nên khả năng tăng tốc
cao.
Nhược điểm:

-

Thông thường Towing AGV được dẫn hướng bằng các line từ trên mặt sàn nên cần
không gian và vùng an toàn lớn, khả năng linh hoạt trong hành trình không cao.

4.3 Underride AGV
Đây là dạng xe tư hành được thiết kế để nâng các kệ hàng tự bên dưới, tâm cơ cấu
nâng trùng với trục trọng tâm của hàng. Dạng này có khả năng di chuyển linh hoạt trong
không gian nhỏ và thường được kết hợp nhiều xe hoạt động trong kho và được điều khiển
bằng các hệ thống quản lí định vị và dẫn hướng.
Ưu điểm:
-

Do xe nâng kệ hàng từ bên dưới nên tiết kiệm được không gian và giảm diện tích
vùng an toàn khi hoạt động.
Nhược điểm:

-

Vì nâng bên dưới nên các kệ hàng phải có khoảng trống bên dưới phù hợp với lại
xe nâng và tính toán chiều cao để khi xe tăng tốc không bị ngã hoặc rơi rót hàng
hóa.
Dưới đây là thông số kỹ thuật một số dạng Underride AGV:

 Kiva Amazon AGV


I.

Tổng quan

 K
Hình 4.3 Amazon Kiva
Bảng 1.1: Thông số kỹ thuật của Kiva AGV
Kích thước
Khối lượng không tải
Tải trọng nâng
Vận tốc tối đa
Phương pháp dẫn đường
Số bánh

Barcode, camera, laser, sonar
2 bánh dẫn động thường, 4 bánh caster

 SWISSLOG TransCar AGV

Hình 4.4 SWISSLOG TransCar
Bảng 1.2: Thông số kỹ thuật của Swisslog TransCar
Kích thước
Khối lượng không tải
Tải trọng nâng
Vận tốc tối đa
Phương pháp dẫn đường
Số bánh

RFID hoặc Barcode Reader
2 bánh dẫn động thường, 2 bánh caster

I.

Tổng quan
 SSI Schaefer AGV Weasel

Hình 4.5 SSI Schaefer AGV
Bảng 1.3: Thông số kỹ thuật của SSI Schaefer
Kích thước
Khối lượng không tải
Tải trọng nâng
Vận tốc tối đa
Phương pháp dẫn đường
Số bánh

RFID-Tags
1 bánh driving and steering, 2 bánh
caster

 Robotnik AGV

Hình 4.6 Robotnik AGV
Bảng 1.3: Thông số kỹ thuật của Robotnik AGV
Kích thước
Khối lượng không tải
Tải trọng nâng
Vận tốc tối đa
Phương pháp dẫn đường
Số bánh

Laser SICK S3000

2 bánh driving and steering, 2 bánh caster


I.

Tổng quan
 SWISSLOG Standard AGV

Hình 4.7 SWISSLOG Standard
Bảng 1.3: Thông số kỹ thuật của SWISSLOG Standard
Kích thước
Khối lượng không tải
Tải trọng nâng
Vận tốc tối đa
Phương pháp dẫn đường
Số bánh

Customized
Laser
2 bánh driving and steering, 2 bánh caster

5. Các dạng bánh xe sử dụng trong xe tự hành
5.1 Bánh tiêu chuẩn:
Có 1 bậc tư do, xoay xung quanh trục bánh xe. Đây là dạng phổ biến, có kết cấu đơn
giản nhưng có ưu điểm là chịu được tải trọng nâng rất lớn mà vẫn đảm bảo được khả năng
di chuyển. Vì đơn giản nên giá thành của loại bánh này cũng thấp. Nhược điểm lớn nhất
của bánh xe này là khả năng linh hoạt không cao vì chỉ chạy theo 1 hướng.
5.2 Bánh Castor:
Có 2 bậc tự do là xoay quanh trục bánh xe và quanh khớp lái (steering joint). Dạng

bánh xe này được dùng phổ biến trong công nghiệp nhất. Dạng bánh này khắc phục được
nhược điểm của bánh xe tiêu chuẩn nên có ưu điểm là khả năng di chuyển linh hoạt, thay
đổi được theo mọi hướng.
5.3 Bánh xe bi cầu
Có 3 bậc tự do dựa vào kết cấu đặc biệt là khối bi cầu. Ưu điểm của dạng bánh xe
này là khả năng đáp ứng linh hoạt trong khi đổi hướng xe. Nhưng dạng này lại có nhiều
nhược điểm là vì tiếp xúc với mặt sàn bằng 1 điểm gây ra áp lức tác dụng lớn nên khả
năng tải kém hơn các bánh xe khác. Môi trường làm việc là mặt sàn phải sạch, không có
các hạt cứng vì có thể làm hư bề mặt bi cầu và giảm hiệu suất hoạt động.


I.

Tổng quan
5.4 Bánh mecanum:
Có 3 bậc tư do: quay quanh trục bánh, trục con lăn và điểm tiếp xúc. Bánh
mecanum ngày càng được sử dụng nhiều trong công nghiệp hiện nay với ưu điểm so với
các bánh xe trên là khả năng thay đổi hướng với thời gian đáp ứng nhanh mà không cần
phải thay đổi phương của xe giúp cho xe chạy được tới những nơi có không gian chật hẹp,
không có khả năng quay xe lại. Vì bánh xe được cấu tạo từ nhiều con lăn nên ưu điểm của
dạng bánh xe này là tải trọng rất thấp. Do có nhiều ưu điểm và cấu tạo phức tạp nên giá
thành của bánh này khá cao.
6. Dẫn hướng trong AGV
6.1 Tri giác AGV
6.1.1 Cảm biến quang học
Có nhiều cách để dẫn hướng AGV với hệ thống quang học, trong đó đầu tiên phải kể
đến là cảm biến hồng ngoại. Một LED hồng ngoại được gắn vào AGV để xác định vị trí
tương đối của của AGV so với đường dẫn có màu tương phản với màu sàn nhà. Tuy nhiên
phương pháp này khá hạn chế vì khoảng cách cảm biến đến sàn nhà phải nhỏ hơn , sai số
tương đối lớn, khoảng đo phụ thuộc vào số lượng cảm biến, không thể phát triển các tính

năng khác,…
Một cảm biến quang học khác khá phổ biến là Laser, dẫn hướng bằng cách phát và
thu tia laser và dựa vào thời gian để tính ra khoảng cách từ AGV đến các vật xung quanh.
Có 2 phương pháp được áp dụng. Thứ nhất là sử dụng 1 cảm biến gắn với thiết bị quay,
cách này tiết kiệm được chi phí cho cảm biến nhưng sai số sẽ giảm so với khi cảm biến cố
định. Cách thứ hai sử dụng 4 đến 8 cảm biến gắn xung quanh AGV, phương pháp này có
chi phí cao hơn nhưng độ chính xác cũng tăng đáng kể so với cách 1. Sử dụng cảm biến
Laser đang là phương pháp tốt nhất trong việc vẽ bản đồ kho hàng (SLAM) và phát hiện
vật cản trong quá trình di chuyển.
6.1.2 Camera
Nhờ sự phát triển mạnh mẽ của phần cứng, Camera đang là dần trở thành một trong
những thiết bị không thể thiếu của ngành công nghiệp tự động, đặc biệt là đối với mobile
robot hay xe tự lái. Sử dụng một camera có thể nhận biết được đường đi, biển báo, vật
cản,… cho AGV. Sử dụng 2 hoặc nhiều camera có thể giúp tạo bản đồ độ sâu để xác định
khoảng cách đến vật cản.
Tuy nhiên, tốc độ xử lý của camera vẫn rất chậm so với các loại cảm biến, nên
thường dùng cho các loại AGV có tốc độ thấp. Sử dụng Camera là phương pháp tốt nhất
để phát triển thêm tính năng cho AGV sau này.


I.

Tổng quan
6.1.3 Từ tính
Hiện nay, một số AGV được trang bị phương pháp dẫn hướng sử dụng từ trường.
Phương pháp này sử dụng các nam châm trên đường đi với các khoảng cách bằng nhau.
Khi AGV đi qua, dựa vào trạng thái của của các cực nam châm (đầu nào bị hút, đầu nào bị
đẩy) để tạo ra một dải mã nhị phân, từ đó giúp AGV định hướng.
Thông thường, doanh nghiệp sử dụng các băng keo từ tính làm đường cho AGV,
phương pháp này tương tự dẫn hướng bằng cảm biến hồng ngoại, tuy nhiên độ chính xác

cao hơn khá nhiều khi hạn chế được nhiễu từ môi trường.
6.1.4 Encoders
Gắn encoder trên trục động cơ để đo về vận tốc bánh, từ đó tính ra quãng đường đi
được là cách dẫn hướng sử dụng encoder. Độ chính xác của phương pháp này phụ thuộc
vào số lượng xung encoder trên một vòng quay. Tuy nhiên, encoder sẽ có sai số khá lớn
khi xe trượt bánh, và sai số này sẽ bị cộng dồn dẫn đến độ chính xác trên các quãng
đường dài sẽ rất lớn nếu không được calib liên tục. Do đó, phương pháp này rất ít được sử
dụng độc lập.
6.1.5 So sánh các phương pháp
- Cảm biến laser
o Ưu điểm:
 Dễ dàng khi điều hướng nhiều AGV đồng thời.
 Độ chính xác cao, xử lý nhanh, khoảng đo rộng.
 Xác định được vật cản và vị trí tuyệt đối.
o Nhược điểm:
 Chi phí rất cao, lắp đặt phức tạp.
- Camera
o Ưu điểm:
 Đa năng, dễ phát triển nhiều chức năng khác.
 Có thể xác định vật cản và vị trí tuyệt đối.
 Tín hiệu trả về dễ đánh giá cho người.
o Nhược điểm:
 Tốc độ xử lý rất chậm.
 Ảnh hưởng nặng trong một số môi trường (bụi, sương mù,…).
- Cảm biến từ
o Ưu điểm:
 Độ chính xác cao khi di truyển trên băng từ.
 Ổn định trong các điều kiện tự nhiên khắc nghiệt.
o Nhược điểm:
 Ảnh hưởng bởi sóng điện từ trong công nghiệp.

 Không xác định được vị trí tuyệt đối.


I.

Tổng quan
-

Encoders
o Ưu điểm:
 Dễ dàng triển khai, sử dụng.
 Xử lý nhanh.
o Nhược điểm:
 Sai số cộng dồn.
 Không quản lý được nguyên nhân sai lệch (như trượt bánh).

6.2 Phương pháp tìm đường đi.
Mỗi thiết bị dẫn hướng sẽ có những phương pháp tìm đường riêng, nhưng nhìn
chung phương pháp tìm đường sẽ có 2 công việc chính: Xác định vị trí tuyệt đối và tìm
đường ngắn nhất. Ngoài ra một số thiết bị dẫn hướng sẽ có thêm các chức năng khác như
thám hiểm, tránh vật cản,…
Hiện nay, có nhiều phương pháp để tìm đường đi ngắn nhất như A *, Floyd–Warshall,
BFS, DFS, Dijkstra’s,… Trong đó, phổ biến nhất là thuật toán A *. A* là một giải thuật
Heuristic, tức là dựa trên phỏng đoán, ước chừng, kinh nghiệm để tìm ra giải pháp gần
như là tốt nhất. Từ trạng thái hiện tại, A * xây dựng tất cả các đường đi có thể đi dùng hàm
ước lược khoảng cách ( hàm Heuristic) để đánh giá đường đi tốt nhất có thể đi.Tùy theo
mỗi dạng bài khác nhau mà hàm Heuristic sẽ được đánh giá khác nhau. A* luôn tìm được
đường đi ngắn nhất nếu tồn tại đường đi như thế.
A* lưu giữ một tập các đường đi qua đồ thị, từ đỉnh bắt đầu đến đỉnh kết thúc. Tập
các đỉnh có thể đi tiếp được lưu trong tập Open. Thứ tự ưu tiên cho một đường đi đươc

quyết định bởi hàm Heuristic được đánh giá . Trong đó, là chi phí của đường đi từ điểm
xuất phát cho đến thời điểm hiện tại, là hàm ước lượng chi phí từ đỉnh hiện tại đến đỉnh
đích thường có giá trị càng thấp thì độ ưu tiên càng cao.
Bên cạnh A*, có thể sử dụng học tăng cường như một phương pháp tìm đường. Học
tăng cường là một thuật toán trí tuệ nhân tạo dựa trên chuỗi quy hoạch Markov, sau mỗi
chuỗi hành động của AGV, thuật toán sẽ dựa trên kết quả thực tế và kết quả mong muốn
để “thưởng” hoặc “phạt” chuỗi hành động trước đó. Từ đó có thể điều chỉnh hành vi cho
các lần xử lý tiếp theo. Ưu điểm của học tăng cường là thời gian xử lý nhanh, có thể tự
phát triển để đáp ứng với môi trường mới, có thể sử dụng học tăng cường đa mục đích
(tìm đường, tránh vật,…) thay vì sử dụng nhiều thuật toán cho từng mục đích. Nhưng
nhược điểm của học tăng cường là dựa trên kết quả thực tế nên thời gian huấn luyện rất
dài, đặc biệt là trong điều kiện phần cứng hạn chế. Bên cạnh đó, hành vi của AGV dựa
trên học tăng cường sẽ không thể dự đoán bởi con người nên rất khó điều chỉnh khi kết
quả không như mong muốn.


I.

Tổng quan
Đối với phương pháp xác định vị trí tuyệt đối, phổ biến và hiệu quả nhất là sử dụng
bộ lọc Kalman. Rất nhiều phương pháp khác được sử dụng cũng dựa trên nguyên lý bộ
lọc Kalman.
Kalman là bộ lọc sử dụng phân bố chuẩn nhiều chiều với dữ liệu mỗi chiều được trả
về từ các cảm biến hay camera. Khi có tín hiệu trả về, ta có thể dựa vào phân phối của
từng loại sai số để tìm ra giá trị có xác suất đúng cao nhất.
Ví dụ, để xác định vị trí của xe dựa vào vận tốc bánh, ta có thể ước lượng vị trí của
xe (sau khi trừ hao các loại sai số):

Hình 6.1a Bộ lọc Kalman trong xác định vị trí tuyệt đối
Nhưng khi sử dụng cảm biến laser, ta xác định được một vị trí khác của xe.

I.

Tổng quan

Hình 6.1b Bộ lọc Kalman trong xác định vị trí tuyệt đối
Thay vì chọn một trong hai, ta có thể sử dụng lý thuyết xác suất để tìm ra vị trí có
xác suất đúng cao nhất của xe.

Hình 6.1c Bộ lọc Kalman trong xác định vị trí tuyệt đối
7. Luật điều khiển
Đối với hệ thống SISO, thì PID là bộ điều khiển khá phổ biến và đơn giản. Nhưng
đối với hệ MIMO, các hệ điều khiển phân tán thì bộ điều khiển PID không đáp ứng tốt.


I.

Tổng quan
Để giải quyết các bài toán về hệ thống MIMO, điều khiển phân tán như AGV, thế
giới đã phát triển khá nhiều lý thuyết điều khiển mà phổ biến có thể kể đến Fuzzy Logic,
Lyapunov Stability, Linear Quadratic Gaussian (LQG) ,Neural Network, Sliding mode,…
Mạng Neural có tốc độ xử lý và độ chính xác khá cao, nhưng do đòi hỏi thời gian
training lâu, tập dữ liệu lớn và đòi hỏi cấu hình máy tính rất cao (đặc biệt là về GPU) nên
chỉ mới trong những năm gần đây mới được chú ý. Đối với LQG, việc thiết lập và sử
dụng có ưu điểm là đơn giản nhưng không đảm bảo sự bền vững. Lyapunov và sliding
mode là các thuật toán điều khiển phức tạp, độ chính xác cao và quan trọng nhất là đảm
bảo sự bền vững.
8. Mục tiêu thiết kế
-

II.

Lựa chọn underride AGV Sử dụng cho nhà kho “không cố định” với tạp hóa như
quần áo, bánh kẹo, đồ điện tử,….
Vận tốc tối đa: .
Tải trọng cho phép: .
Có khả năng tìm đường ngắn nhất, tránh vật cản, làm việc chung với con người.
Có thể phát triển thêm khả năng nhận diện biển báo, nhận diện hàng hóa,…

Lựa chọn phương án
1. Thiết kế cơ khí
Kết cấu xe với 2 bánh dẫn động trước và 2 bánh bị động sau được chọn do có mặt
chân đế lớn, tránh tình trạng bị nghiêng do lệch trọng tâm như 3 bánh. Do tải trọng đặt
chính giữa nên thiết kế 6 bánh với 2 bánh dẫn động giữa sẽ tối ưu nhưng khó khăn trong
việc thiết kế đồng phẳng. Do đó, thiết kế 4 bánh được chọn.
Khối lượng dự kiến , kích thước dự kiến , khả năng tải dự kiến .
9. Thiết kế điện
Để đáp ứng được nhu cầu tránh vật cản, nhận diện hàng hóa,… Camera được ưu tiên
sử dụng. Do các thuật toán Stereo khá phức tạp, độ chính xác không cao khi Camera di
chuyển và đặc biệt là thời gian tính toán khá lâu không phù hợp cho mobile robot dẫn đến
nhu cầu lựa chọn cảm biến khác để xác định vật cản. Do giá thành các cảm biến laser khá
cao nên cảm biến siêu âm JSN-SR04T-2.0 được chọn. Module JSN-SR04T-2.0 là cảm
biến đo khoảng cách bằng siêu âm với khoảng cách từ , độ chính xác đạt , góc đo . Bên
cạnh đó, có thể sử dụng thêm Module gia tốc góc MPU6050 để tăng độ chính xác khi xác
định vị trí tuyệt đối.


II.

Lựa chọn phương án
Về vi điều khiển, các dòng PIC 8 bit sẽ được chọn để điều khiển động cơ và đọc
cảm biến vì không yêu cầu tính toán cao. Đối với Camera, Raspberry Pi được chọn để đáp
ứng tốc độ xử lý. Ngoài ra, AGV sẽ sử dụng ESP8266 giao tiếp với máy tính thông qua
Wifi, dùng để nhận thông tin đường đi từ máy tính và trả về thông tin vị trí tuyệt đối, hàng
đang chở, vận tốc,…
Hệ thống điều khiển có cấu trúc phân cấp. Trong đó gồm 4 slave với slave 1 đọc cảm
biến, slave2 xử lý ảnh, slave3 điều khiển động cơ, slave4, giao tiếp Wifi với máy tính và
một master làm nhiệm vụ trung xử lý trung gian giữa các slave. Sử dụng hệ thống phân
cấp để đơn giản hóa quá trình quản lý, debug, phát triển. Bên cạnh đó, tốc độ xử lý của cả
hệ thống cũng được cải thiện do các tác vụ thực hiện song song cũng như tránh được rắc
rối khi xử lý quá nhiều ngắt trên một vi điều khiển.
10. Thiết kế thuật toán và bộ điều khiển
10.1 Thiết kế thuật toán
Bên cạnh xác định vật cản bằng cảm biến siêu âm, thuật toán dẫn hướng sử dụng
camera sẽ phân tách đường đi hoặc xác định vạch kẻ đường bằng các mạng neural
network, từ đó xác định được giới hạn phải – trái có thể di chuyển. Do đó, khi gặp vật cản
có kích thước đủ nhỏ, AGV có thể chuyển làn để đi tiếp thay vì đợi vật cản được mang đi.
Một số mạng neural có kết quả tốt trong các bài toán xử lý ảnh có thể kể đến là
vgg16, vgg19, ResNet,… Do không có cơ sở lý thuyết để chọn mạng tối ưu nên phương
pháp để chọn ra mạng phù hợp sẽ là thử và đánh giá.

Hình 3.1 Semantic Segmentation trong nhận biết làn đường


II.

Lựa chọn phương án

Hình 3.2 Cấu trúc mạng VGG19

Thuật toán tìm đường ưu tiên được chọn là thuật toán A *. Bên cạnh đó, tìm đường
bằng phương pháp học tăng cường sẽ được nghiên cứu.
Phương pháp xác định giá trị vị trí tuyệt đối sử dụng bộ lọc Kalman. Bên cạnh đó,
mỗi khu vực hàng hóa sẽ có code riêng, AGV có thể quét code để xác định lại vị trí tuyệt
đối.
10.2 Thiết kế bộ điều khiển
Do AGV là hệ MIMO, nên bộ điều khiển sử dụng Lyapunov được chọn để xác định
vận tốc tuyến tính và vận tốc góc. Bên cạnh đó vẫn sử dụng bộ điều khiển PID để điều
chỉnh khả năng đáp ứng từng bánh.

III.

Kế hoạch làm việc
Vì thiết kế Cơ – điện tử là thiết kế song song nên kế hoạch làm việc sẽ được phân bố
sao cho các công việc về thiết kế cơ – điện – thuật toán được hoàn thành xen kẽ nhau thay
vì làm lần lượt từng phần.
Công việc được chia thành 2 nhóm chính là “quan trọng” và “không quan trọng”.
Trong đó “quan trọng” là các công việc còn dở dang cần được đầu tư thực hiên. Còn
“không quan trọng” là các công việc đã tương đối hoàn thành, chỉ cần sửa chữa ít và hoàn
thiện.


III.

Kế hoạch làm việc
Dù là thiết kế song song, để tránh sự xao nhãng giữa các công việc, số việc “quan
trọng” trong một tuần tối đa dừng ở và số việc “không quan trọng” tối đa dừng ở . Về mặt
tổng quan, công việc sẽ được phân chia từ đầu tháng 1 đến giữa tháng 5 như sau:







Tháng 1: tập trung thiết kế cơ khí và một số vấn đề thiết kế điện.
Tháng 2: bắt đầu thiết kế giải thuật và hoàn thiện thiết kế điện.
Tháng 3: tập trung kế giải thuật và hoàn thiện bản vẽ để chuẩn bị gia công.
Tháng 4: hoàn thiện giải thuật và xây dựng mô hình.
Tháng 5: báo cáo và hoàn thiện mô hình.

Chi tiết kế hoạch làm việc theo biểu đồ Gantt:


Tài liệu tham khảo
[1]

“Positioning and Docking of an AGV in a Clinical Enviroment” – David
Andersson & Eric Mansson, Biomedical Engineering.
[2]
“Automated Guided Vehicles for Commercial Aircraft Manufacturing
Industry” – Albert Grau Calvo, Universitat Politecnica de Catalunya.
[3]
“Mechanical development of an Automated Guided Vehicle” – Matthieu
Lamy, SE-100 44 Stockholm.
[4]
“How to do Semantic Segmentation using Deep Learning” – James Le.
[5]
/>[6]
“Vision-based Automated Guided Vehicle for Navigation and Obstacle
Avoidance” – Sulamai Sabikan, Marizan Sulamai, Sy. Najib and M. Fahmi Miskon,

Falcuty of Electrical Engineering.
[7]
“Deep Neural Network for Real-time Autonomous Indoor Navigation” –
Dong Ki Kim, Tsuhan Chen, Cornell University.
[8]
“CS231n: Convolutional Neural Network for Visual Regconition” –
Stanford University.
[9]
“MIT 6.S094: Deep Learning for Self-Driving Cars” – Massachuset
Institute of Technology.