Ứng dụng phương pháp tổng hợp dữ liệu đa cảm biến trong ước lượng vận tốc dài trên xe ô-tô điện Bao cao đồ án tốt nghiệp chuyên ngành tự động hóa BKHN (13)

LỜI CAM ĐOAN
Em xin cam đoan bản đồ án tốt nghiệp: Ứng dụng phương pháp tổng hợp dữ liệu
đa cảm biến trong ước lượng vận tốc dài trên xe ô-tô điện do em tự thực hiện dưới
sự hướng dẫn của thầy giáo ThS. Võ Duy Thành. Mọi số liệu và kết quả trong đồ án là
hoàn toàn trung thực.
Để hoàn thành đồ án này em chỉ sử dụng những tài liệu được ghi trong danh mục tài
liệu tham khảo và không sao chép hay sử dụng bất kỳ tài liệu nào khác. Nếu phát hiện
có sự sao chép, em xin chịu hoàn toàn trách nhiệm.
Hà Nội, ngày 19 tháng 05 năm 2018
Sinh viên thực hiện

Phạm Văn Quyền


MỤC LỤC

CHƯƠNG 1 TỔNG QUAN CHUNG VỀ ƯỚC LƯỢNG VẬN TỐC DÀI TRÊN
XE Ô-TÔ ĐIỆN ..................................................................................... 9
1.1. Vấn đề ước lượng tốc độ dài trên xe ô-tô điện ................................................ 9
1.1.1. Ý nghĩa và vai trò của vận tốc dài trên xe ô-tô điện ............................... 10
1.1.2. Các phương pháp đo vận tốc dài trên xe ô-tô điện.................................. 11
1.1.3. Một số nghiên cứu về ước lượng vận tốc dài trên xe ô-tô điện............... 11
1.2. Tổng hợp dữ liệu đa cảm biến ....................................................................... 13
1.3. Nhiệm vụ và cấu trúc đồ án ........................................................................... 14
CHƯƠNG 2 NÂNG CAO TỐC ĐỘ TRÍCH MẪU CỦA CẢM BIẾN................. 16
2.1. Vấn đề đồng bộ tốc độ trích mẫu của cảm biến ............................................. 16
2.2. Bộ lọc Kalman ............................................................................................... 18
2.3. Nâng cao tốc độ trích mẫu của cảm biến bằng thuật toán Multirate Kalman
Filter ............................................................................................................... 21
2.4. Đề xuất cải tiến bộ lọc Multirate Kalman ...................................................... 22
2.4.1. Góc nhìn khác đối với hiệp phương sai R ............................................... 22

2.4.2. Ngoại suy đa thức .................................................................................... 23
2.4.3. Lưu đồ thuật toán MKF cải tiến .............................................................. 24
2.5. Ứng dụng nâng cao tốc độ trích mẫu cho cảm biến tốc độ quay bánh xe trên
ô-tô điện ......................................................................................................... 26
2.6. Mô phỏng kiểm chứng độ hiệu quả của bộ lọc .............................................. 27
2.6.1. Mơ hình mơ phỏng .................................................................................. 27
2.6.2. Kết quả mô phỏng ................................................................................... 28


CHƯƠNG 3 TỔNG HỢP DỮ LIỆU ĐA CẢM BIẾN ........................................... 32
3.1. Đặt vấn đề ...................................................................................................... 32
3.2. Bài toán tổng hợp tối ưu thông tin từ các nguồn dữ liệu ............................... 35
3.3. Ứng dụng trong ước lượng vận tốc dài .......................................................... 38
CHƯƠNG 4 XÂY DỰNG HỆ THỐNG THỰC NGHIỆM ................................... 42
4.1. Giới thiệu sơ lược về hệ thống thực nghiệm.................................................. 42
4.2. Hệ thống cảm biến ......................................................................................... 43
4.3. Thiết bị xử lý trung tâm ................................................................................. 44
4.4. Hệ thống thu thập dữ liệu tham chiếu ............................................................ 46
4.5. Lắp đặt, chỉnh định hệ thống thực nghiệm .................................................... 49
4.6. Quy trình thực nghiệm ................................................................................... 51
CHƯƠNG 5 KẾT QUẢ THỰC NGHIỆM ............................................................. 53
5.1. Kết quả thực nghiệm thuật tốn nâng cao tốc độ trích mẫu .......................... 53
5.2. Kết quả ước lượng vận tốc dài ....................................................................... 55
KẾT LUẬN……….....……………………………………………………………….59


Danh sách hình vẽ

DANH SÁCH HÌNH VẼ
Hình 1.1: Xe ơ-tơ điện i-MiEV phiên bản 2012 (Nguồn: Mitsubishi) ....................... 9

Hình 1.2: Mơ hình tổng hợp dữ liệu đa cảm biến ..................................................... 14
Hình 1.3: Cấu hình hệ thống nghiên cứu ước lượng vận tốc dài xe ơ-tơ điện .......... 15

Hình 2.1: Tương quan giữa tốc độ trích mẫu cảm biến và tốc độ điều khiển .......... 17
Hình 2.2: Mơ hình bộ lọc Kalman ............................................................................ 20
Hình 2.3: Lưu đồ thuật tốn Multirate Kalman Filter .............................................. 22
Hình 2.4: Lưu đồ thuật tốn MKF cải tiến ............................................................... 25
Hình 2.5: Mơ hình mơ phỏng thuật tốn MKF ......................................................... 27
Hình 2.6: Mơ phỏng MKF với tín hiệu hình sine ..................................................... 28
Hình 2.7: So sánh tín hiệu trước và sau bộ lọc MKF cải tiến................................... 30
Hình 2.8: So sánh hiệu quả giữa thuật toán MKF cải tiến và MKF gốc .................. 30

Hình 3.1: Dạng tín hiệu đo được của các cảm biến .................................................. 34
Hình 3.2: Quan hệ giữa q trình ga-phanh và tín hiệu vận tốc, gia tốc .................. 40

Hình 4.1: Encoder trên xe ơ-tơ điện i-MiEV (Nguồn: Mitsubishi) .......................... 43
Hình 4.2: Thiết bị GPS EVK-M8U (Nguồn: U-blox) .............................................. 44
Hình 4.3: Thiết bị xử lý NI MyRIO-1900 (Nguồn: National Instruments) .............. 46
Hình 4.4: Thiết bị thu thập dữ liệu DAS-3 (Nguồn: Kistler) ................................... 49
Hình 4.5: Cấu trúc hệ thống thu thập dữ liệu ........................................................... 50
Hình 4.6: Hệ thống thực nghiệm thực tế .................................................................. 51

4


Danh sách hình vẽ

Hình 5.1: Kết quả nâng cao tốc độ trích mẫu của Encoder ...................................... 54
Hình 5.2: Kết quả nâng cao tốc độ trích mẫu của GPS ............................................ 54
Hình 5.3: Kết quả ước lượng vận tốc trong điều kiện khơng trượt .......................... 56

Hình 5.4: So sánh kết quả ước lượng với vận tốc tham chiếu (khơng trượt) ........... 56
Hình 5.5: Kết quả ước lượng vận tốc trong điều kiện có trượt................................. 57
Hình 5.6: So sánh kết quả ước lượng với vận tốc tham chiếu (có trượt).................. 57

5


Danh sách bảng biểu

DANH SÁCH BẢNG BIỂU

Bảng 4.1: Thông số thiết bị xử lý NI MyRIO-1900 ................................................. 45
Bảng 4.2: Thông số thiết bị thu thập dữ liệu DAS-3 ................................................ 47
Bảng 4.3: Thông số các cảm biến trong hệ thống tham chiếu .................................. 48

6


Lời nói đầu

LỜI NĨI ĐẦU
Trong những năm gần đây, tình trạng khai thác dầu mỏ ồ ạt trong đang trở thành vấn
đề nóng và là tiêu điểm tranh chấp trên tồn cầu. Trong đó, một phần khơng nhỏ trở
thành nhiên liệu sử dụng trong các phương tiện sử dụng động cơ đốt trong. Người ta ước
tính, nếu cứ tiếp tục mức tiêu thụ nhiên liệu như hiện nay thì tồn bộ lượng dầu mỏ trên
thế giới sẽ cạn kiệt sau hơn 50 năm nữa. Không chỉ vậy, hiện tượng ô nhiễm mơi trường
trầm trọng do khí thải của các phương tiện hiện hành cũng tồn tại ở khắp các thành phố
lớn bởi sự tập trung đông đúc của cư dân. Bởi những lý do này, xe điện đang được phát
triển mạnh mẽ nhằm thay thế xe chạy bằng nhiên liệu đốt. Dự kiến trong tương lai, xe
điện sẽ trở thành phương tiện di chuyển chính thay vì các phương tiện sử dụng động cơ

đốt trong truyền thống, bởi những ưu điểm mà nó đem lại:
-

Khơng thải ra các khí gây ô nhiễm, thân thiện với môi trường.

-

Tiết kiệm nhiên liệu đốt và chi phí cho năng lượng vận hành xe. Một nghiên cứu
được trường đại học Michigan công bố vào đầu năm 2018, chi phí trung bình cho
xe chạy bằng nhiên liệu đốt khoảng 1.117$ mỗi năm; trong khi xe điện chỉ tiêu
tốn cỡ 485$ mỗi năm [27].

-

Vận hành êm, chi phí bảo trì thấp do khơng phải định kỳ thay dầu động cơ, chất
làm mát,… hay thay thế đai truyền động do mịn cơ khí.

Ngồi ra, xe điện cịn thể hiện ưu điểm vượt trội trong khả năng điều khiển với đáp
ứng mô-men tức thời của động cơ điện. Các hệ thống điều khiển mới cũng được phát
triển trên xe điện hỗ trợ cho chiếc xe vận hành chính xác và an tồn hơn, đặc biệt là các
dịng xe tự lái. Một trong những điều kiện tiên quyết trong hệ thống điều khiển an tồn
trên ơ-tơ điện là phải hiểu biết chính xác các đại lượng động học của xe, đặc biệt là vận
tốc, bởi nó đặc trưng cho sự chuyển động của xe. Khi mà các cách đo lường vận tốc trên
xe chỉ phục vụ cho việc hiển thị trên mặt đồng hồ và không yêu cầu độ chính xác cao,
người ta đã đề xuất phương án ước lượng để thu được thông tin vận tốc dài với độ chính
xác cao.
Từ những lý do này, em lựa chọn đề tài “Ứng dụng phương pháp tổng hợp dữ liệu
đa cảm biến trong ước lượng vận tốc dài trên xe ô-tô điện”. Mục tiêu là ước lượng tối
ưu đại lượng vận tốc dài nhằm phục vụ cho các hệ thống điều khiển trên xe ô-tô điện.

7


Lời nói đầu

Đồ án tập trung giải quyết bài tốn tổng hợp tối ưu thông tin từ các cảm biến và các
vấn đề liên quan tới bài toán, đồng thời xây dựng hệ thống thực nghiệm áp dụng cho
ước lượng đại lượng vận tốc dài cũng như hệ thống tham chiếu phục vụ việc kiểm chứng
tính chính xác của phương pháp.
Bố cục của đồ án bao gồm 5 chương:
Chương 1: Tổng quan chung về ước lượng vận tốc dài trên xe ơ-tơ điện
Chương 2: Nâng cao tốc độ trích mẫu của cảm biến
Chương 3: Tổng hợp dữ liệu đa cảm biến
Chương 4: Xây dựng hệ thống thực nghiệm
Chương 5: Kết quả thực nghiệm
Em xin chân thành cảm ơn thầy giáo hướng dẫn ThS.Võ Duy Thành thuộc bộ mơn
Tự động hóa công nghiệp, cũng như những thầy cô trong trung tâm Nghiên cứu Ứng
dụng và Sáng tạo Công nghệ (CTI) đã tạo điều kiện thuận lợi và tận tình hướng dẫn em
thực hiện đồ án chuyên ngành này.
Trong quá trình thực hiện đề tài khơng tránh được những sai sót, em mong nhận được
những ý kiến đóng góp của các thầy, cơ trong bộ mơn Tự động hóa cơng nghiệp để em
có thể hồn thiện đề tài này.
Em xin chân thành cảm ơn.
Hà Nội, ngày 19 tháng 05 năm 2018
Sinh viên thực hiện

Phạm Văn Quyền

8

Chương 1: Tổng quan chung về ước lượng vận tốc dài trên xe ô-tô điện

CHƯƠNG 1
TỔNG QUAN CHUNG VỀ ƯỚC LƯỢNG
VẬN TỐC DÀI TRÊN XE Ô-TÔ ĐIỆN
Vấn đề ước lượng tốc độ dài trên xe ô-tô điện

1.1.

Ngày nay, theo cùng sự phát triển của khoa học công nghệ, ô-tô điện đang dần trở
nên phổ biến và có xu hướng thay thế cho các dịng ơ-tơ chạy bằng động cơ đốt trong
truyền thống. Đó là bởi những ưu điểm vượt trội của động cơ điện so với động cơ đốt
trong:
 Động cơ điện cho đáp ứng mô-men nhanh, chỉ vài mili giây, gấp hàng chục lần
so với động cơ đốt trong (động cơ đốt trong cho đáp ứng cỡ 100ms).
 Động cơ điện cho phép xác định mô-men thông qua việc đo dịng điện, do đó
có thể dễ dàng điều khiển được lực phát động cho xe.
 Động cơ điện có thể được tích hợp trên từng bánh xe, do đó việc điều khiển mômen của mỗi bánh xe là độc lập. Từ đó có thể phối hợp điều khiển các bánh xe
một cách linh hoạt, hỗ trợ điều khiển xe ơ-tơ điện vận hành an tồn hơn.

Hình 1.1: Xe ơ-tơ điện i-MiEV phiên bản 2012 (Nguồn: Mitsubishi)

9


Chương 1: Tổng quan chung về ước lượng vận tốc dài trên xe ô-tô điện

Để phát huy được những ưu điểm này trên xe ô-tô điện, hệ thống điều khiển u cầu
phải có hiểu biết chính xác về các trạng thái của xe, hệ thống phần cứng phải đáp ứng

được thơng tin có tốc độ trích mẫu phù hợp (với tốc độ xử lý của bộ điều khiển), khối
lượng tính toán cũng phải đơn giản để phù hợp với các ứng dụng thời gian thực. Một
trong những trạng thái cần được hiểu biết chính xác trên xe ơ-tơ điện là vận tốc dài.
1.1.1. Ý nghĩa và vai trò của vận tốc dài trên xe ơ-tơ điện
Trên xe ơ-tơ nói chung và xe ơ-tơ điện nói riêng, vận tốc dài là một trong những trạng
thái tối quan trọng. Không chỉ đơn thuần là đại lượng được hiển thị lên mặt đồng hồ của
bảng điều khiển giúp người lái theo dõi để vận hành ơ-tơ theo ý muốn, vận tốc dài cịn
là một đại lượng quan trọng trong các hệ thống điều khiển trên xe nhằm đảm bảo an toàn
cho người lái và hành khách. Hiện nay, một số hệ thống điều khiển chuyển động, có thể
kể đến: hệ thống điều khiển lực kéo TCS (Traction Control System), hệ thống điều khiển
chống bó cứng phanh ABS (Anti-block System),… đều sử dụng thơng tin vận tốc dài
của xe ơ-tơ như là một tín hiệu phản hồi trực tiếp. Nếu có được thơng tin chính xác về
vận tốc, hệ thống điều khiển có thể xử lý, phối hợp với các thông tin liên quan để tính
tốn, đưa ra tín hiệu điều khiển và tác động tới cơ cấu chấp hành trên xe nhằm hỗ trợ
đưa ơ-tơ về trạng thái vận hành an tồn.
Ngồi ra, điều khiển an tồn cịn là vấn đề cơ bản trong phát triển công nghệ xe tự
lái. Đây là những phương tiện khơng có sự kiểm sốt của “bộ điều khiển thơng minh
nhất” là con người. Chính bởi đặc trưng này của xe tự lái, các hệ thống điều khiển được
nghiên cứu xây dựng và phát triển nhằm đảm bảo an toàn cho bản thân chủ thể chiếc xe
và cả những đối tượng xung quanh nó (con người, phương tiện lưu thông trên đường,
cơ sở hạ tầng,…). Các hệ thống này yêu cầu phải được vận hành ổn định, tin cậy với độ
chính xác cao. Bởi vậy, việc nắm bắt chính xác thơng tin vận tốc dài của xe ơ-tơ là rất
cần thiết.
Như vậy, có thể coi vận tốc dài là một trạng thái quan trọng và là thành phần không
thể thiếu trong các hệ thống điều khiển trên xe ô-tô điện. Do đó, để các hệ thống này
vận hành một cách ổn định và chính xác, vấn đề đặt ra là phải thu thập được thông tin
vận tốc dài dựa trên các tiêu chí: chính xác, tốc độ trích mẫu phù hợp với yêu cầu của
bộ điều khiển, khối lượng tính tốn đơn giản.

10

Chương 1: Tổng quan chung về ước lượng vận tốc dài trên xe ô-tô điện

1.1.2. Các phương pháp đo vận tốc dài trên xe ô-tô điện
Hiện nay, trên hầu hết các mẫu xe ơ-tơ, vận tốc dài thường được tính tốn thơng qua
tốc độ quay và bán kính của bánh xe (𝑣 = 𝜔𝑅). Tuy nhiên giá trị vận tốc dài này chỉ có
ý nghĩa thơng báo cho người lái và được hiển thị trên đồng hồ của xe. Còn trong các kĩ
thuật điều khiển xe ô-tô điện, khi mà việc hiểu biết càng chính xác về vận tốc càng cho
chất lượng điều khiển cao, thì cách làm này lại tỏ ra khơng chính xác, bởi: khi phanh xe,
tốc độ bánh xe nhỏ hơn tốc độ của xe; hoặc đối với xe truyền động 4 bánh thì cả 4 bánh
xe đều là chủ động, khi xảy ra hiện tượng trượt, khơng có bánh xe nào phản ánh đúng
tốc độ của xe.
Ngoài cách sử dụng cảm biến tốc độ quay bánh xe được trang bị sẵn, việc đo vận tốc
dài của xe ơ-tơ hồn tồn có thể thực hiện thơng qua một số thiết bị cảm biến có mặt
trên thị trường, có thể kể đến: sản phẩm Correvit S-350 của hãng Kistler (sử dụng
phương pháp đo quang học), hệ thống định vị toàn cầu (GPS). Các phương pháp này
cho kết quả vận tốc dài với độ chính xác và ổn định cao. Tuy nhiên, do khơng được tích
hợp sẵn trên xe nên việc lắp đặt các cảm biến này gặp rất nhiều khó khăn, đơi khi cịn
phụ thuộc vào hình dạng, kích thước xe. Mặt khác, các thiết bị này trên thị trường đều
có chi phí rất cao nên việc đưa các cảm biến này vào các dịng ơ-tơ thương mại khó trở
nên phổ biến.
Từ những hạn chế nêu trên, để bộ điều khiển có được thơng tin vận tốc một cách khả
thi và với chi phí hợp lý, một đề xuất được đưa ra, đó là sử dụng các thuật toán nhằm
ước lượng biến trạng thái này trên cơ sở các mơ hình đã có.
1.1.3. Một số nghiên cứu về ước lượng vận tốc dài trên xe ô-tô điện
Hiện nay, khi các công nghệ ô-tô ngày càng phát triển, nhu cầu an toàn khi lái xe của
con người càng nâng cao, kéo theo sự ra đời và phát triển của các hệ thống điều khiển
an toàn nhằm hỗ trợ người lái. Do đó, việc nghiên cứu ước lượng đại lượng vận tốc trên
xe ơ-tơ là hồn tồn cần thiết và vẫn luôn là vấn đề được quan tâm khi triển khai các hệ

thống điều khiển của xe, đặc biệt là đối với xe ô-tô điện.
Hiện nay, các hướng nghiên cứu về ước lượng vận tốc dài trên ô-tô bao gồm: ước
lượng vận tốc dài dựa trên mơ hình động lực học và ước lượng vận tốc dài dựa trên mơ
hình động học.

11


Chương 1: Tổng quan chung về ước lượng vận tốc dài trên xe ô-tô điện

Động lực học (Dynamic) là một lĩnh vực chuyên nghiên cứu về lực - nguyên nhân
sinh ra chuyển động của các vật. Ước lượng vận tốc dài trên cơ sơ mơ hình động lực học
là việc xây dựng các bộ ước lượng thông qua việc xây dựng mơ hình là tập hợp các
phương trình liên quan tới động lực học của xe. Một số nghiên cứu thuộc nhóm phương
pháp này có thể kể đến như:
 Sử dụng các bộ quan sát: bộ quan sát phi tuyến (Nonlinear observer) [1-5], bộ
quan sát kiểu trượt (Sliding mode observer) [6-7]. Các bộ quan sát này có thể
khắc phục được tính phi tuyến mạnh của mơ hình động lực học xe ô-tô điện.
 Áp dụng các biến thể của bộ lọc Kalman như EKF (Extended Kalman Filter) [1117], DEKF (Dual Extended Kalman Filter) [10], UKF (Unscented Kalman Filter)
[18-19]. Không giống bộ lọc Kalman thông thường là được phát triển và hiệu quả
trên các hệ tuyến tính, các biến thể này được xây dựng để ứng dụng vào việc ước
lượng trạng thái ở hệ phi tuyến trên cơ sở mơ hình động lực học của xe ô-tô.
Một số kết quả nghiên cứu cũng đã chỉ ra nhóm phương pháp này cho chất lượng ước
lượng khá tốt. Tuy nhiên, các tham số động lực học của xe như khối lượng, mơ-men
qn tính,.. rất khó xác định hoặc thay đổi liên tục trong q trình vận hành thực tế.
Điều này có thể làm giảm độ chính xác của phép ước lượng. Ngồi ra, mơ hình động lực
học của xe thường rất cồng kềnh phức tạp bởi số lượng lớn các phương trình phi tuyến
và các tham số. Đối với hệ có nhiều trạng thái, các ma trận quan hệ giữa các trạng thái
này cũng cực kỳ phức tạp, các phép tính trên ma trận như phép nhân, phép nghịch đảo
hay phép xác định ma trận Jacobian,… trở nên rắc rối, khối lượng tính tốn và lượng dữ

liệu theo đó lớn lên. Do đó, yêu cầu hệ thống phần cứng phải có khả năng tính tốn cao.
Tóm lại, việc vận dụng các thuật tốn vào mơ hình động lực học để ước lượng vận tốc
dài là khá phức tạp, khó đạt được kết quả với độ chính xác cao.
Động học (Kinematic) là lĩnh vực nghiên cứu về chuyển động của vật (giả thiết là)
thân cứng. Mơ hình động học là tập hợp các phương trình chuyển động. Trong đó, vận
tốc đặc trưng cho chuyển động nên nó là đại lượng cơ bản trong bất kỳ mơ hình động
học nào. Do đó, bằng việc coi xe ô-tô điện là thân cứng, phép ước lượng vận tốc dài dựa
vào mơ hình động học có thể coi là phương pháp phù hợp. Một trong những hướng
nghiên cứu của nhóm phương pháp này là phối hợp thơng tin từ các cảm biến khác nhau
dựa trên mơ hình động học để ước lượng tốc độ xe, gọi là Tổng hợp dữ liệu đa cảm biến.

12


Chương 1: Tổng quan chung về ước lượng vận tốc dài trên xe ô-tô điện

1.2.

Tổng hợp dữ liệu đa cảm biến

Trong kỹ thuật điều khiển, người ta ln tìm cách thu thập thơng tin của các trạng
thái một cách chính xác nhất. Ứng với mỗi trạng thái, có thể có nhiều phương pháp đo
khác nhau. Từ đó, người ta chế tạo ra nhiều cảm biến khác nhau mà có thể đo cùng một
trạng thái. Tuy nhiên, mỗi cảm biến hay phương pháp đo lại có những ưu, nhược điểm
riêng, tùy thuộc vào điều kiện cụ thể mà cho độ chính xác khác nhau. Nếu có thể tận
dụng những ưu điểm của từng loại cảm biến và phối hợp chúng lại thì có thể thu được
kết quả ước lượng với độ chính xác cao. Đây là tư tưởng chính của phương pháp Tổng
hợp dữ liệu đa cảm biến.
Tổng hợp dữ liệu đa cảm biến (Multi-sensor Data Fusion, gọi tắt là Sensor Fusion)
là một kỹ thuật phối hợp dữ liệu được thu thập từ nhiều cảm biến, có thể kèm theo một

số thơng tin liên quan để suy luận ra đặc tính hoàn chỉnh của đối tượng – điều mà một
cảm biến đơn lẻ khó thực hiện [8]. Phương pháp này áp dụng một số cơng cụ tốn học
(như bộ lọc Kalman) lên tập dữ liệu đo được từ hệ thống cảm biến (gọi là bước tiền xử
lý dữ liệu) trên cơ sở mơ hình động học của đối tượng để ước lượng tối ưu đối tượng đó.
Tổng hợp dữ liệu đa cảm biến được ứng dụng trong nhiều lĩnh vực khác nhau, có thể
kể đến như:
 Trong ứng dụng dự báo thời tiết, hệ thống cảm biến được cho là đa dạng cả về
số lượng và chủng loại, thuật toán tổng hợp dữ liệu đa cảm biến được áp dụng
để phối hợp các nguồn thông tin từ hệ thống này để có được hiểu biết tồn diện
về các yếu tố ảnh hưởng lên mơi trường, khí hậu.
 Trong nghiên cứu, khảo sát môi trường, đối với những khu vực khắc nghiệt, độc
hại mà con người khó tiếp cận, hệ thống các cảm biến cũng được lắp đặt và phối
hợp với nhau để thu thập thông tin cần thiết.
 Trong quân sự: phục vụ các mục đích phát hiện và theo dõi đối tượng tự động,
giám sát chiến trường, kiểm soát hệ thống xe qn sự.
 Trong cơng nghiệp: chẩn đốn lỗi, xác định vị trí lỗi trong các dây chuyền hay
hệ thống trang thiết bị trong một nhà xưởng.
 Ngoài ra, phương pháp này cịn ứng dụng trong chẩn đốn y tế, hay giám sát
trong các tòa nhà cao tầng,…

13


Chương 1: Tổng quan chung về ước lượng vận tốc dài trên xe ô-tô điện

Đối tượng

Cảm biến 1

Khâu tiền xử lý dữ

liệu 1

Cảm biến 2

Khâu tiền xử lý dữ
liệu 2

..
.

..
.
Cảm biến n

Phối hợp,
xử lý dữ liệu

Trạng thái
cần ước
lượng

Khâu tiền xử lý dữ
liệu n

Hình 1.2: Mơ hình tổng hợp dữ liệu đa cảm biến

1.3.

Nhiệm vụ và cấu trúc đồ án

Đồ án này tập trung giải quyết bài toán ước lượng trạng thái vận tốc dài trên xe ô-tô
điện bằng phương pháp Tổng hợp dữ liệu đa cảm biến dựa trên trên mơ hình động học
của xe. Hệ thống cảm biến phục vụ cho phương pháp này bao gồm: cảm biến đo tốc độ
quay bánh xe (Encoder), cảm biến gia tốc, hệ thống định vị toàn cầu GPS (Global
Positioning System). Các cảm biến này đã được trang bị sẵn trên xe hoặc được lắp đặt
thêm nhằm phục vụ việc đo vận tốc dài và các thông tin liên quan. Nhằm chuẩn bị cho
việc tổng hợp dữ liệu về vận tốc dài, hệ thống các cảm biến trên yêu cầu phải được đảm
bảo đồng bộ về mặt dữ liệu. Do đó, thuật tốn nâng cao tốc độ trích mẫu của cảm biến
Multirate Kalman Filter (MKF) được đề xuất. Việc sửa đổi nhỏ trong cách nhìn nhận về
hiệp phương sai của nhiễu đo trong MKF cũng được đề xuất để phục vụ cho mục đích
này.
Phương pháp này khá đơn giản trong thuật tốn nên u cầu năng lực tính tốn của
phần cứng thấp, do đó hồn tồn khả thi và hữu dụng trong các hệ thống với yêu cầu
thời gian thực.
Quá trình ước lượng vận tốc dài sử dụng phương pháp Tổng hợp dữ liệu đa cảm biến
được thực hiện bằng cách mô phỏng off-line với mẫu dữ liệu đã đo từ trước trên nền
tảng phần mềm Matlab. Mẫu dữ liệu này được thu thập khi vận hành xe ô-tô điện iMiEV trên đường với hệ thống cảm biến bao gồm: cảm biến tốc độ quay bánh xe được
trang bị trên xe, gia tốc kế tích hợp trên thiết bị NI-MyRIO 1900 của National
Instruments, thiết bị GPS EVK-M8U của Ublox. Ngoài ra, bộ cảm biến và thu thập dữ

14


Chương 1: Tổng quan chung về ước lượng vận tốc dài trên xe ơ-tơ điện

GPS

𝑣𝐺𝑃𝑆 (𝑚/𝑠)

Nâng cao tốc độ

trích mẫu

Tổng hợp
Encoder

𝜔 (𝑟𝑎𝑑/𝑠)

Nâng cao tốc độ
trích mẫu

Vận tốc
dài

dữ liệu đa

𝑣𝑥 (𝑚/𝑠)

cảm biến
Accelometer

Lọc nhiễu

Vị trí
chân ga

Vị trí
chân
phanh

Hình 1.3: Cấu hình hệ thống nghiên cứu ước lượng vận tốc dài xe ô-tô điện

liệu DAS-3 của hãng Kistler cũng được sử dụng để đo đạc các thông tin tham chiếu,
phục vụ cho việc kiểm chứng tính chính xác của phép ước lượng.
Từ những phân tích trên, các nhiệm vụ cần thực hiện của đồ án bao gồm:
 Xây dựng thuật toán Tổng hợp dữ liệu đa cảm biến và ứng dụng vào kỹ thuật
ước lượng vận tốc dài của xe ô-tô điện. Đây là nhiệm vụ cơ bản của đồ án
 Nâng cao tốc độ trích mẫu những cảm biến có tốc độ trích mẫu chậm là GPS và
cảm biến tốc độ quay bánh xe nhằm đồng bộ tốc độ tất cả cảm biến, đồng thời
phải lọc nhiễu các tín hiệu.
 Xây dựng hệ thống thực nghiệm, thu thập các dữ liệu phục vụ cho thuật toán
ước lượng và dữ liệu tham chiếu nhằm kiểm chứng độ chính xác của thuật tốn.
Từ đó, cấu hình hệ thống được lập ra như hình 1.3. Với cấu hình này, đồ án sẽ tuần
tự giải quyết các nhiệm vụ theo cấu trúc gồm 4 phần:
 Phần 1: Nâng cao tốc độ trích mẫu của cảm biến sử dụng thuật toán Multirate
Kalman Filter.
 Phần 2: Tổng hợp dữ liệu đa cảm biến và ứng dụng trong ước lượng vận tốc dài.
 Phần 3: Xây dựng hệ thống thực nghiệm.
 Phần 4: Trình bày kết quả thực nghiệm ước lượng vận tốc dài.

15


Chương 2: Nâng cao tốc độ trích mẫu của cảm biến

CHƯƠNG 2
NÂNG CAO TỐC ĐỘ TRÍCH MẪU CỦA CẢM BIẾN
2.1.

Vấn đề đồng bộ tốc độ trích mẫu của cảm biến

Cảm biến là các thiết bị đo, có chức năng biến đổi các đại lượng không điện (vận tốc,

nhiệt độ,…) thành các đại lượng điện (dịng điện, điện áp,…) mà có thể đo và xử lý.
Cảm biến đóng vai trị quan trọng và là thành phần không thể thiếu trong bất kỳ hệ thống
điều khiển nào. Trong mỗi hệ thống, cảm biến có chức năng đo đạc thơng tin của các
trạng thái và phản hồi về bộ điều khiển. Bộ điều khiển sử dụng thơng tin này vào mục
đích tính tốn, đưa ra tín hiệu điều khiển cho cơ cấu chấp hành. Do đó, hệ thống có vận
hành ổn định, chính xác hay không phụ thuộc nhiều vào chất lượng thông tin mà cảm
biến đo được. Tùy thuộc vào yêu cầu và quy mơ mà mỗi hệ thống có thể sử dụng một
hoặc nhiều cảm biến. Việc đồng bộ tốc độ giữa các cảm biến cũng như giữa cảm biến
với hệ thống điều khiển v� những cảm biến có tốc độ trích mẫu thấp. Ngồi ra, nó hồn tồn có thể
sử dụng cho những cảm biến trích mẫu chậm khác (như cảm biến ảnh) mà vẫn
cho kết quả tốt.

5.2.

Kết quả ước lượng vận tốc dài

Như đã được trình bày trong lý thuyết phương pháp tổng hợp dữ liệu đa cảm biến,
vận tốc dài xe ô-tô điện được ước lượng từ 3 tín hiệu vận tốc thu thập từ cảm biến tốc
độ quay bánh xe, định vị tồn cầu GPS và tích phân trực tiếp gia tốc từ cảm biến gia tốc
trong thiết bị xử lý trung tâm. Do đặc điểm bị ảnh hưởng bởi nhiễu đo và tốc độ trích
mẫu thấp, các cảm biến được nâng cao tốc độ trích mẫu và xử lý nhiễu như kết quả trong

55


Chương 5: Kết quả thực nghiệm

12

Tín hiệu từ GPS

Tích phân gia tốc
Tín hiệu từ Encoder
Tín hiệu được ước lượng

10

Velocity (m/s)

8

6

4

2

0

-2
0

2

4

6

8

10

12

14

16

18

Time (s)

Hình 5.3: Kết quả ước lượng vận tốc trong điều kiện không trượt
12
Vận tốc tham chiếu từ DAS-3
Vận tốc được ước lượng

10

Velocity (m/s)

8

6

4

2

0

-2
0

2

4

6

8

10

12

14

16

18

Time (s)

Hình 5.4: So sánh kết quả ước lượng với vận tốc tham chiếu (không trượt)
mục 5.1 trước khi được sử dụng trong phương pháp tổng hợp dữ liệu đa cảm biến. Đó
gọi là bước tiền xử lý tín hiệu.
Việc kiểm chứng phép ước lượng vận tốc dài được thực hiện trong cả 2 trường hợp:
điều kiện bình thường (khơng trượt) và điều kiện có trượt.
Hình 5.3 và 5.4 thể hiện kết quả ước lượng vận tốc sau khi áp dụng thuật toán tổng hợp
dữ liệu đa cảm biến trong trường hợp xe chạy ngắn ở điều kiện bình thường (khơng

trượt) với độ bám đường của bánh xe cao. Trong đó, GPS và Encoder đã được nâng cao

56


Chương 5: Kết quả thực nghiệm

15

Tín hiệu GPS sau lọc
Tích phân gia tốc
Tín hiệu Encoder sau lọc
Vận tốc ước lượng

Velocity (m/s)

10

5

0

-5
0

2

4

6

8

10

12

14

16

18

16

18

Time (s)

Hình 5.5: Kết quả ước lượng vận tốc trong điều kiện có trượt
10

Vận tốc từ DAS-3
Vận tốc ước lượng

8

Velocity (m/s)

6

4

2

0

-2
0

2

4

6

8

10

12

14

Time (s)

Hình 5.6: So sánh kết quả ước lượng với vận tốc tham chiếu (có trượt)
tốc độ trích mẫu, tín hiệu gia tốc đã được lọc nhiễu bằng bộ lọc Kalman. Các tín hiệu vị
trí chân ga-phanh cũng được sử dụng để phân chia các giai đoạn ước lượng theo (3.9),
(3.10) và (3.11). Ứng với mỗi giai đoạn, các hệ số 𝑘𝑖 được tính tốn theo (3.8), vận tốc

dài được ước lượng từ các tín hiệu vận tốc từ GPS, Encoder và tích phân gia tốc theo hệ
số tương ứng. Cũng theo chứng minh trong chương 3, kết quả ước lượng này cho kết
quả chính xác hơn bất kỳ kết quả đo thành phần nào. Vận tốc sau khi ước lượng được
đối chiếu với tín hiệu vận tốc dài từ cảm biến S-350 với độ chính xác cao. Kết quả cho
thấy tín hiệu ước lượng bám sát tín hiệu vận tốc tham chiếu.

57


Chương 5: Kết quả thực nghiệm

Hình 5.5 và 5.6 thể hiện kết quả ước lượng vận tốc trong trường hợp có trượt. Do xe
ơ-tơ điện i-MiEV là hệ truyền động 2 bánh sau, thực nghiệm được thực hiện bằng cách
cho xe chạy qua vũng dầu với độ trơn cao và dữ liệu vận tốc từ cảm biến tốc độ quay
được thu thập từ bánh sau. Việc xử lý tín hiệu hồn tồn giống trong trường hợp xe chạy
khơng trượt. Kết quả ước lượng trong trường hợp này không bị ảnh hưởng bởi sự thay
đổi tín hiệu đột ngột của vận tốc quay bánh xe trong quá trình trượt, đồng thời cũng bám
sát đối với tín hiệu tham chiếu từ bộ DAS-3.

Kết luận chương
Như vậy, trong chương 5, đồ án đã hồn thành được 2 nhiệm vụ:
 Áp dụng thuật tốn nâng cao tốc độ trích mẫu MKF cải tiến (được trình bày trong
chương 2) lên tín hiệu vận tốc dài tần số 10Hz đo từ Encoder trên xe i-MiEV và
GPS (thu thập được trong chương 4). Kết quả thu được đã thể hiện độ hiệu quả
của thuật toán trong lọc nhiễu và nâng cao tốc độ lấy mẫu. Tần số lấy mẫu các
cảm biến này được nâng cao từ 10Hz lên 500Hz, từ đó đồng bộ tốc độ với cảm
biến gia tốc được sử dụng.
 Từ các bước xử lý ở trên, bao gồm: lọc nhiễu và đồng bộ tốc độ trích mẫu các cảm
biến, các kết quả được áp dụng vào mơ hình Tổng hợp dữ liệu đa cảm biến trình
bày ở chương 3. Kết quả ước lượng cuối cùng thu được khá khả quan với độ chính

xác cao hơn từng phép đo thành phần.

58


Kết luận

KẾT LUẬN
Như vậy, đồ án đã lần lượt giải quyết được các nhiệm vụ đặt ra ban đầu:
 Xây dựng được thuật toán tổng hợp dữ liệu đa cảm biến thơng qua việc giải
quyết bài tốn tổng hợp tối ưu các thông tin đo lường từ các cảm biến.
 Xây dựng hệ thống lý thuyết nhằm xử lý dữ liệu từ các cảm biến trước khi đưa
vào bài toán tổng hợp cảm biến, đó là lọc nhiễu và nâng cao tốc độ trích mẫu
của các cảm biến trích mẫu chậm trong hệ thống bằng thuật toán Multirate
Kalman Filter. Đồng thời, đồ án cũng đã đề xuất một phương án sửa đổi, cải
tiến thuật toán trên, phương án này cho một kết quả khá khả quan trong cả việc
lọc nhiễu và nâng cao tốc độ trích mẫu.
 Xây dựng hệ thống thực nghiệm gồm các cảm biến: GPS, cảm biến tốc độ quay
bánh xe, gia tốc kế để thu thập các thông tin cần thiết của xe ô-tô điện nhằm
phục vụ cho mục đích nghiên cứu. Các thơng tin này bao gồm: vận tốc dài, gia
tốc dọc thân xe, vị trí chân ga, vị trí chân phanh. Các thơng tin này đều được áp
dụng hệ thống lý thuyết xử lý dữ liệu nêu trên trong khâu tiền xử lý trước khi
được sử dụng trong bài toán tổng hợp cảm biến.
 Áp dụng thuật toán tổng hợp tối ưu dữ liệu đa cảm biến cho các thông tin đã
qua xử lý để ước lượng giá trị vận tốc dài trên xe ô-tô điện i-MiEV của
Mitsubishi.
 Xây dựng hệ thống thu thập dữ liệu tham chiếu, bao gồm các cảm biến có độ
chính xác cao: Encoder đo tốc độ quay bánh xe với độ phân giải 1000
xung/vòng, cảm biến quang đo vận tốc dài của xe,… Hệ thống này được cài đặt
để chạy song song với hệ thống thực nghiệm, với mục đích là tạo ra nguồn dữ

liệu chuẩn để đối chiếu với các kết quả nghiên cứu.
Qua đó, đồ án cũng đã đạt được một số kết quả nhất định:
 Thuật tốn nâng cao tốc độ trích mẫu là Multirate Kalman Filter có sửa đổi được
áp dụng đối với cảm biến tốc độ quay bánh xe trên xe i-MiEV và GPS cho kết
quả khá khả quan, thực hiện khá tốt các nhiệm vụ lọc nhiễu và nâng cao tốc độ
trích mẫu.

59


Kết luận

 Phép ước lượng vận tốc bằng phương pháp tổng hợp dữ liệu đa cảm biến cũng
thu về kết quả khá tốt khi đem so sánh với đặc tính vận tốc tham chiếu, chứng
tỏ được tính chính xác và khả thi của phương pháp ước lượng này.
Tuy nhiên, quá trình thực hiện đồ án cũng gặp phải một số khó khăn khi thực hiện
thực nghiệm như: phải vận chuyển xe ô-tô điện đi xa để thử nghiệm với bộ thiết bị thu
thập dữ liệu tham chiếu, phạm vi mặt bằng và thời gian chạy thử nghiệm xe ô-tô điện
cũng bị hạn chế. Do đó chưa thể thử nghiệm vận hành xe trong các điều kiện mặt đường
khác nhau để có thể đánh giá đầy đủ hơn về độ chính xác của phép ước lượng vận tốc.
Ngoài ra, hệ thống thu thập dữ liệu của Kistler chưa được trang bị cảm biến GPS để
tham chiếu, kiểm chứng cho phép nâng cao tốc độ trích mẫu của GPS trong hệ thống
nghiên cứu. Nếu như có thể giải quyết các vấn đề trên, việc đánh giá hiệu quả của thuật
toán nâng cao tốc độ trích mẫu bằng Multirate Kalman Filter có sửa đổi và phương pháp
tổng hợp dữ liệu đa cảm biến trong ước lượng vận tốc dài sẽ được toàn diện hơn.
Từ phép ước lượng vận tốc dài trên xe ô-tô điện, định hướng có thể được phát triển
thêm trong tương lai là: ứng dụng kết quả ước lượng vận tốc dài trong các hệ thống điều
khiển an toàn trên xe ô-tô điện hoặc các dòng xe tự lái.

60

Tài liệu tham khảo

TÀI LIỆU THAM KHẢO
[1] Lin-Hui Zhao, Zhi-Yuan Liu, and Hong Chen, “Design of a Nonlinear Observer for
Vehicle Velocity Estimation and Experiments”, IEEE Transactions On Control Systems
Technology, vol. 19, no. 3, May 2011.
[2] L. Imsland, T. A. Johansen, T. I. Fossen, H. F. Grip, J. C. Kalkkuhl, A. Suissa,
“Vehicle velocity estimation using nonlinear observers”, Automatica, vol. 42, no. 12,
2006, pp. 2091–2103.
[3] Imsland, L., T. A. Johansen, T. I. Fossen, J. C. Kalkkuhl, and A. Suissa, “Vehicle
velocity estimation using modular nonlinear observers”, Proceedings of the 44th IEEE
Conference Decision and Control, and the European Control Conference 2005, Sevilla,
Spain, Dec. 2005.
[4] L. Imsland, H. F. Grip, T. A. Johansen, T. I. Fossen, J. C. Kalkkuhl, and A. Suissa,
“Nonlinear observer for vehicle velocity with friction and road bank angle adaptation validation and comparison with an extended Kalman filter”, SAE 2007 World Congress.
Detroit, Michigan, USA: SAE International, Warrendale, Pennsylvania, USA, Apr.
2007, pp. 2007–01–0808.
[5] H. F. Grip, L. Imsland, T. A. Johansen, T. I. Fossen, J. C. Kalkkuhl, and A. Suissa,
“Nonlinear vehicle side slip estimation with friction adaptation”, Automatica, vol. 44,
2008, pp. 611–622.
[6] G. Baffet, A. Charara, and D. Lechner, “Experimental evaluation of a sliding mode
observer for tire-road forces and an extended Kalman filter for vehicle sideslip for
vehicle sideslip angle”, Proc.46th IEEE conference on decision and control, New
Orleans, USA: IEEE Press, Dec. 2007, pp. 3877–3882.
[7] M. Oudghiri, M. Chadli, and A. E. Hajjaji, “Lateral vehicle velocity estimation using
fuzzy sliding mode observer”, Proc. of the Mediterranean Conference on Control &
Automation, Athen, Greece: IEEE Press, July 2007, pp. T18–009.

61


Tài liệu tham khảo

[8] James Llinas, David L. Hall, “An Introduction to Multi-Sensor Data Fusion”,
Proceedings of the 1998 IEEE International Symposium on Circuits and Systems,
6:537–540, May–June, 1998.
[9] Arthur Gelb, Joseph F. Kasper, JR., Raymond A. Nash, JR., Charles F. Price, Arthur
A. Sutherland, JR., Applied Optimal Estimation, The M.I.T. Press, 1974.
[10] T. A. Wenzel , K. J. Burnham , M. V. Blundell, R. A. Williams, “Dual extended
Kalman flter for vehicle state and parameter estimation”, Vehicle System Dynamics, vol.
44, no. 2, Feb. 2006, pp. 153-171.
[11] Y. Sebsadji, S. Glaser, and S. Mammar, “Road slope and vehicle dynamics
estimation”, Proc. American Control Conference, Seattle, Washington, USA, Jun. 2008,
pp. 4603–4608.
[12] H. G. de Marina, F. J. Pereda, J. M. Giron-Sierra, and F. Espinosa, “UAV attitude
estimation using Unscented Kalman filter and TRIAD”, IEEE Trans. Ind. Electron., vol.
59, no. 11, Nov. 2012, pp. 4465–4474.
[13] J. St´ehant, A. Charara, and D. Meizel, “Virtual sensor: application to vehicle
sideslip angle and transversal forces”, IEEE Trans. Ind. Electron., vol. 51, no. 2, Apr.
2004, pp. 278–289.
[14] J. Dakhlallah, S. Glaser, and S. Mammar, “Tire-road forces estimation using
extended Kalman filter and sideslip angle evaluation”, Proc. American Control
Conference, Seattle, Washington, USA, Jun. 2008, pp. 4597–4602.
[15] A. Y. Ungoren, H. Peng, and H. E. Tseng, “A study on lateral speed estimation
methods”, International Journal on Vehicle Autonomous Systems, vol. 2, May. 2004,
pp. 126–144.
[16] P. J. T. Venhovens and K. Naad, “Vehicle dynamics estimation using Kalman
filters”, Vehicle System Dynamics, vol. 32, 1999, pp. 171–184.

[17] G. Baffet, A. Charara, and D. Lechner, “Estimation of vehicle sideslip, tire force
and wheel cornering stiffness”, Control Engineering Practice, vol. 17, no. 11, Nov.
2009, pp. 1255–1264.

62


Tài liệu tham khảo

[18] Chu L, Zhang Y, Shi Y, Xu M, Liu M, “Vehicle lateral and longitudinal velocity
estimation based on Unscented Kalman Filter”, 2010 2nd International Conference on
Education Technology and Computer (ICETC), IEEE, 2010, pp. 427-432.
[19] Zong, Xin-Yi, Deng, Wei-Wen, “Study on velocity estimation for four-wheel
independent drive electric vehicle by UKF”, Fifth International Conference on
Measuring Technology and Mechatronics Automation (ICMTMA), 2013, pp. 1111–
1114
[20] V.A.W Hillier, Peter Coomber, Hillier's fundamentals of motor vehicle technology
5th Edition Book 1, Nelson Thornes Limited, 2004.
[21] Yafei Wang, BinhMinh Nguyen, Hiroshi Fujimoto, and Yoichi Hori, “Vision based
multi-rate estimation and control of body slip angle for electric vehicles”, Proc. of
IECON 2012 - 38th Annual Conference on IEEE Industrial Electronics Society,
10/2012.
[22] U-blox, U-blox Neo M8U datasheet, Ublox corporation, 02/2018.
[23] A. M. Yaglom, An Introduction to the Theory of Stationary Random Functions,
Dover Publication, 2004.
[24] Lilit Kovudhikulrungsri, Takafumi Koseki, “Precise Speed Estimation From a
Low-Resolution Encoder by Dual-Sampling-Rate Observer”,

IEEE/ASME

Transactions on Mechatronics, vol. 11, no. 6, 12/2006, pp. 661 – 670.
[25] National Instruments, User guide and specifications NI MyRIO-1900, 02/2018.
[26] Kistler, DAS-3 datasheet, 02/2018.
[27] Forbes, Electric Vehicles Cost Less Than Half As Much To Drive,
, Jan 14, 2018.
[28] Võ Duy Thành, Tạ Cao Minh, Phạm Văn Quyền, Vũ Hoàng Long, “Multirate
Kalman Filter và ứng dụng trong việc nâng cao tốc độ trích mẫu của cảm biến”, Hội
nghị Điều khiển và Tự động hóa cho phát triển bền vững (CASD), Hà Nội, 5/2017.

63


Phụ lục

PHỤ LỤC

1 – Hình 1: Chương trình mơ phỏng thực hiện thuật toán MKF trên Labview

64