Đang tải... (xem toàn văn)
Ngày nay, sự xuất hiện của các robot di động đã trở nên rất phổ biến trong xã hội. Các robot di động có mặt trong các thiết bị gia đình như máy hút bụi hay các hệ thống trợ giúp trong gia đình. Chúng ta cũng có thể dễ dàng nhìn thấy chúng ở các nơi công cộng như các robot hướng dẫn viên trong viện bảo tàng, phòng trưng bày; hay trong các lĩnh vực công nghiệp và quân sự như robot do thám hay robot vận chuyển hàng hóa trong các nhà máy, v.v. Đối với những robot đòi hỏi khả năng làm việc độc lập, thì định vị là yêu cầu đầu tiên và quan trọng nhất. Hiện nay, có một số công nghệ định vị phổ biến như định vị GPS hoặc sử dụng các cảm biến như cảm biến siêu âm, hồng ngoại, v.v. Tuy nhiên, định vị GPS chỉ phù hợp với môi trường ngoài trời với sai số lên đến hàng mét, còn các cảm biến có độ sai số lớn và thường hoạt động trong các không gian làm việc có diện tích nhỏ. Do đó, định vị cho robot trong môi trường trong nhà trong những năm gần đây đã trở thành vấn đề nhận được nhiều sự quan tâm trong các nghiên cứu về robot. Chính vì vậy, em đã lựa chọn đề tài luận văn của mình là “Định vị robot sử dụng công nghệ truyền thông ánh sáng nhìn thấy kết hợp với bộ lọc Kalman mở rộng”.
TRƯỜNG CAO ĐẲNG CÔNG NGHỆ THÔNG TIN HỮU NGHỊ VIỆT - HÀN KHOA CÔNG NGHỆ ĐIỆN TỬ VIỄN THÔNG ĐỒ ÁN TỐT NGHIỆP NGÀNH CÔNG NGHỆ KỸ THUẬT ĐIỆN TỬ TRUYỀN THÔNG ĐỀ TÀI ĐỊNH VỊ ROBOT SỬ DỤNG CÔNG NGHỆ TRUYỀN THÔNG ÁNH SÁNG NHÌN THẤY KẾT HỢP VỚI BỘ LỌC KALMAN MỞ RỘNG SVTH: Hoàng Như Việt Lớp: CCVT06B GVHD: Nguyễn Thị Huyền Trang Đà Nẵng, tháng năm 2016 Định vị robot sử dụng công nghệ truyền thông ánh sáng nhìn thấy kết hợp với lọc Kalman mở rộng NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN ………………………………………………………………………………………………… …………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… Điểm: …………………….……… (Bằng chữ: … ……………….) Đà Nẵng, ngày tháng năm 2016 GIÁO VIÊN HƯỚNG DẪN Nguyễn Thị Huyền Trang SVTH: Hoàng Như Việt – Lớp CCVT06B Định vị robot sử dụng công nghệ truyền thông ánh sáng nhìn thấy kết hợp với lọc Kalman mở rộng NHẬN XÉT CỦA GIÁO VIÊN PHẢN BIỆN ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… ………………………………………………………………………………………………… Điểm: …………………….……… (Bằng chữ: … ……………….) Đà Nẵng, ngày tháng năm 2016 GIÁO VIÊN PHẢN BIỆN SVTH: Hoàng Như Việt – Lớp CCVT06B Định vị robot sử dụng công nghệ truyền thông ánh sáng nhìn thấy kết hợp với lọc Kalman mở rộng MỤC LỤC NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN NHẬN XÉT CỦA GIÁO VIÊN PHẢN BIỆN MỤC LỤC THUẬT NGỮ VIẾT TẮT DANH MỤC HÌNH VẼ DANH MỤC BẢNG BIỂU .10 LỜI NÓI ĐẦU 12 CHƯƠNG I – TỔNG QUAN VỀ CÔNG NGHỆ VLC – TRUYỀN THÔNG SỬ DỤNG ÁNH SÁNG NHÌN THẤY .14 1.1 Đèn LED trắng .14 1.1.1 Một vài nét sơ lược .14 1.1.2 Các đặc trưng .16 1.1.2.1 Cường độ chiếu sáng 16 1.1.2.2 Công suất quang truyền 16 1.1.3 Ưu nhược điểm 17 1.1.3.1 Ưu điểm 17 1.3.1.2 Truyền thông môi trường đặc biệt 26 CHƯƠNG II – CÁC PHƯƠNG PHÁP ĐỊNH VỊ SỬ DỤNG CÔNG NGHỆ VLC TRONG MÔI TRƯỜNG TRONG NHÀ .30 2.5 Phương pháp định vị kết hợp AOA-RSS 39 2.5.1 Mô hình hệ thống 40 2.5.2 Nhiễu hệ thống .40 2.5.3 Cơ chế hoạt động 42 2.5.3.1 Bước – Xác định hướng robot 42 2.5.3.2 Bước – Xác định tọa độ robot .42 2.6 Tóm tắt chương hai .43 CHƯƠNG III – ÁP DỤNG BỘ LỌC KALMAN MỞ RỘNG TRONG ĐỊNH VỊ ROBOT 43 3.1 Mô hình hệ thống: Cấu hình động học .44 3.1.1 Cập nhật vị trí 45 3.1.2 Sai số hệ thống .46 3.2 Mô hình phép đo 49 3.3 Bộ lọc Kalman mở rộng 49 3.3.1 Ước đoán vị trí .50 3.3.2 Hiệu chỉnh vị trí 52 3.4 Điều khiển robot bám quỹ đạo di chuyển 53 3.5 Tóm tắt chương 55 KẾT LUẬN 56 SVTH: Hoàng Như Việt – Lớp CCVT06B Định vị robot sử dụng công nghệ truyền thông ánh sáng nhìn thấy kết hợp với lọc Kalman mở rộng TÀI LIỆU THAM KHẢO 57 SVTH: Hoàng Như Việt – Lớp CCVT06B Định vị robot sử dụng công nghệ truyền thông ánh sáng nhìn thấy kết hợp với lọc Kalman mở rộng THUẬT NGỮ VIẾT TẮT 4G 5G AOA AOA – RSS CEP CRLB DC DD DMT EKF FET FOV GPS IEEE Fourth Generation Fifth Generation Angle of Arrival Mạng di động hệ thứ tư Mạng di động hệ thứ năm Góc tia sáng tới Angle of Arrival – Received Kết hợp hai phương pháp AOA Signal Strength RSS Circular Error Probability Cramér-Rao Lower Bound Direct Current Direct Detection Discrete Multi-Tone modulation Extended Kalman Filter Field Effect Transistor Field of View Global Positioning System Institute of Electricaland Xác suất vòng tròn lỗi Chặn Cramér-Rao Dòng trực tiếp Tách sóng trực tiếp Điều chế đa tần rời rạc Bộ lọc Kalman mở rộng Transitor hiệu ứng trường Trường thu nhận ánh sang Hệ thống định vị toàn cầu IM IR IRB KF LED LOS LS LTE Electronics Engineers Intensity Modulation Infrared Infrared Band Kalman Filter Light Emitting Diode Light of Sight Least square Long-Term Evolution MIMO Multi Input – Multi Output NLOS OOK PD PPM RF RFB Non Light of Sight On-Off Keying Photodiode Pulse Position Modulation Radio Frequency Radio Frequency Band RFID Radio Frequency Identification RSS SNR TDO Received Signal Strength Signal to Noise Ratio A TOA Time Difference of Arrival Time of Arrival Viện kỹ thuật điện điện tử Điều chế cường độ Hồng ngoại Dải bước song hồng ngoại Bộ lọc Kalman Đi-ốt phát quang Phương truyền thẳng Bình phương tối thiểu Mạng 4G Kỹ thuật sử dụng nhiều đầu vào đầu Phương truyền gián tiếp Điều chế ON/OFF Bộ nhận quang Điều chế vị trí xung Sóng vô tuyến Dải sóng vô tuyến Nhận dạng dựa vào tần số sóng vô tuyến Cường độ tín hiệu nhận Tỉ số tín hiệu tạp âm Độ chênh lệch thời gian tia sáng tới Thời gian tia sáng tới SVTH: Hoàng Như Việt – Lớp CCVT06B Định vị robot sử dụng công nghệ truyền thông ánh sáng nhìn thấy kết hợp với lọc Kalman mở rộng UV- Ultra Violet – Light Emitting LED Diode VLC Visible Light Communications WDM YAG Wavelength Division Multiplexing Yttrium Aluminum Garnet Đèn LED sử dụng tia cực tím Công nghệ truyền thông sử dụng ánh sáng nhìn thấy Ghép kênh quang theo bước sóng Granat ytri-nhôm SVTH: Hoàng Như Việt – Lớp CCVT06B Định vị robot sử dụng công nghệ truyền thông ánh sáng nhìn thấy kết hợp với lọc Kalman mở rộng DANH MỤC HÌNH VẼ NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN NHẬN XÉT CỦA GIÁO VIÊN PHẢN BIỆN MỤC LỤC THUẬT NGỮ VIẾT TẮT DANH MỤC HÌNH VẼ DANH MỤC BẢNG BIỂU .10 LỜI NÓI ĐẦU 12 CHƯƠNG I – TỔNG QUAN VỀ CÔNG NGHỆ VLC – TRUYỀN THÔNG SỬ DỤNG ÁNH SÁNG NHÌN THẤY .14 1.1 Đèn LED trắng .14 1.1.1 Một vài nét sơ lược .14 Hình 1.1 Vùng ánh sáng nhìn thấy phổ xạ điện từ 15 Hình 1.2 Các loại đèn LED trắng 16 1.1.2 Các đặc trưng .16 1.1.2.1 Cường độ chiếu sáng 16 1.1.2.2 Công suất quang truyền 16 1.1.3 Ưu nhược điểm 17 1.1.3.1 Ưu điểm 17 Hình 1.4 Sơ đồ khối cho chế điều chỉnh độ sáng đèn LED 20 Hình 1.9 Công nghệ truyền thông VLC ứng dụng phòng họp 26 1.3.1.2 Truyền thông môi trường đặc biệt 26 CHƯƠNG II – CÁC PHƯƠNG PHÁP ĐỊNH VỊ SỬ DỤNG CÔNG NGHỆ VLC TRONG MÔI TRƯỜNG TRONG NHÀ .30 Hình 2.8 Kịch mô thuật toán định vị AOA 39 2.5 Phương pháp định vị kết hợp AOA-RSS 39 2.5.1 Mô hình hệ thống 40 Hình 2.9 Mô hình hệ thống kết hợp AOA-RSS sử dụng mảng PD 40 2.5.2 Nhiễu hệ thống .40 2.5.3 Cơ chế hoạt động 42 2.5.3.1 Bước – Xác định hướng robot 42 2.5.3.2 Bước – Xác định tọa độ robot .42 2.6 Tóm tắt chương hai .43 CHƯƠNG III – ÁP DỤNG BỘ LỌC KALMAN MỞ RỘNG TRONG ĐỊNH VỊ ROBOT 43 3.1 Mô hình hệ thống: Cấu hình động học .44 3.1.1 Cập nhật vị trí 45 Hình 3.1 Mô hình robot hai bánh vi sai a) Trạng thái hệ thống robot b) Robot hệ tọa độ địa phương toàn cục 45 SVTH: Hoàng Như Việt – Lớp CCVT06B Định vị robot sử dụng công nghệ truyền thông ánh sáng nhìn thấy kết hợp với lọc Kalman mở rộng 3.1.2 Sai số hệ thống .46 Hình 3.2 Vận tốc hai động trái phải chạy thẳng 47 3.2 Mô hình phép đo 49 3.3 Bộ lọc Kalman mở rộng 49 Hình 3.3 Ứng dụng thông thường lọc Kalman .50 Hình 3.4 Sơ đồ minh họa ứng dụng lọc Kalman định vị robot .50 3.3.1 Ước đoán vị trí .50 3.3.2 Hiệu chỉnh vị trí 52 3.4 Điều khiển robot bám quỹ đạo di chuyển 53 Hình 3.5 Robot bị lệch khỏi quỹ đạo sai số hệ thống 54 Hình 3.6 Robot quỹ đạo di chuyển 55 3.5 Tóm tắt chương 55 KẾT LUẬN 56 TÀI LIỆU THAM KHẢO 57 SVTH: Hoàng Như Việt – Lớp CCVT06B Định vị robot sử dụng công nghệ truyền thông ánh sáng nhìn thấy kết hợp với lọc Kalman mở rộng DANH MỤC BẢNG BIỂU NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN NHẬN XÉT CỦA GIÁO VIÊN PHẢN BIỆN MỤC LỤC THUẬT NGỮ VIẾT TẮT DANH MỤC HÌNH VẼ DANH MỤC BẢNG BIỂU .10 LỜI NÓI ĐẦU 12 CHƯƠNG I – TỔNG QUAN VỀ CÔNG NGHỆ VLC – TRUYỀN THÔNG SỬ DỤNG ÁNH SÁNG NHÌN THẤY .14 1.1 Đèn LED trắng .14 1.1.1 Một vài nét sơ lược .14 Hình 1.1 Vùng ánh sáng nhìn thấy phổ xạ điện từ 15 Hình 1.2 Các loại đèn LED trắng 16 1.1.2 Các đặc trưng .16 1.1.2.1 Cường độ chiếu sáng 16 1.1.2.2 Công suất quang truyền 16 1.1.3 Ưu nhược điểm 17 1.1.3.1 Ưu điểm 17 Hình 1.4 Sơ đồ khối cho chế điều chỉnh độ sáng đèn LED 20 Bảng 1.1 So sánh đặc tính công nghệ truyền thông VLC, IRB, RFB 21 Hình 1.9 Công nghệ truyền thông VLC ứng dụng phòng họp 26 1.3.1.2 Truyền thông môi trường đặc biệt 26 CHƯƠNG II – CÁC PHƯƠNG PHÁP ĐỊNH VỊ SỬ DỤNG CÔNG NGHỆ VLC TRONG MÔI TRƯỜNG TRONG NHÀ .30 Hình 2.8 Kịch mô thuật toán định vị AOA 39 2.5 Phương pháp định vị kết hợp AOA-RSS 39 2.5.1 Mô hình hệ thống 40 Hình 2.9 Mô hình hệ thống kết hợp AOA-RSS sử dụng mảng PD 40 2.5.2 Nhiễu hệ thống .40 Bảng Các tham số hệ thống mô hình hệ thống VLC .41 2.5.3 Cơ chế hoạt động 42 2.5.3.1 Bước – Xác định hướng robot 42 2.5.3.2 Bước – Xác định tọa độ robot .42 2.6 Tóm tắt chương hai .43 CHƯƠNG III – ÁP DỤNG BỘ LỌC KALMAN MỞ RỘNG TRONG ĐỊNH VỊ ROBOT 43 3.1 Mô hình hệ thống: Cấu hình động học .44 SVTH: Hoàng Như Việt – Lớp CCVT06B 10 Định vị robot sử dụng công nghệ truyền thông ánh sáng nhìn thấy kết hợp với lọc Kalman mở rộng di động nằm vùng phủ hai đèn LED nên độ xác phương pháp định vị tăng cường robot tiếp nhận thông tin từ hai nguồn phát khác Độ xác phương pháp định vị kết hợp AOA-RSS chịu tác động hai tham số số lượng PD gắn robot nhiễu Gauss Tăng số lượng PD phương án đơn giản để cải thiện độ xác cho phép đo 2.6 Tóm tắt chương hai Trong nội dung chương này, đề cập đến vấn đề định vị robot môi trường nhà tầm quan trọng hệ thống robot tự trị Trọng tâm chương trình bày phương pháp định vị vị trí robot di động sử dụng công nghệ VLC - truyền thông ánh sáng nhìn thấy nghiên cứu từ trước đến CHƯƠNG III – ÁP DỤNG BỘ LỌC KALMAN MỞ RỘNG TRONG ĐỊNH VỊ ROBOT Trong chương hai luận văn này, em đề cập đến phương pháp định vị cho robot di động môi trường nhà văn phòng, nhà xưởng, viện bảo tàng, v.v dựa công nghệ VLC - truyền thông ánh sáng nhìn thấy Trong phương pháp định vị (AOA-RSS) kết hợp hai phương pháp định vị truyền thống AOA RSS để đạt hiệu suất cao hơn, loại trừ số nhược điểm phương pháp riêng lẻ Tuy nhiên, ứng dụng robot môi trường nhà sai số phương pháp định vị cao Để làm giảm sai số cho phương pháp định vị nói trên, cần xem xét phương pháp có khả kết hợp với thông tin từ hệ thống robot Bộ lọc Kalman (KF) kỹ thuật phổ biến lý thuyết ước lượng dễ thực hiệu kỹ thuật khác Bộ lọc Kalman sử dụng mô hình hệ thống tuyến tính phép đo tuyến tính để giải vấn đề ước định trạng thái hệ thống có sai số Gauss Tuy nhiên, hệ thống với độ trạng thái tuyến tính phép đo tuyến tính có sai số Gauss không tồn thực tế Chúng ta lấy ví dụ sau: robot di động có vận tốc tuyến tính vận tốc quay không đổi thường di chuyển đường cong Do đó, mô tả độ trạng thái tuyến tính SVTH: Hoàng Như Việt – Lớp CCVT06B 43 Định vị robot sử dụng công nghệ truyền thông ánh sáng nhìn thấy kết hợp với lọc Kalman mở rộng Bộ lọc Kalman mở rộng (EKF) thay cho lọc Kalman tuyến tính, giải giới hạn lọc Kalman việc tuyến tính hóa mô hình hệ thống phép đo Các mô hình hệ thống động phép đo phi tuyến Hầu hết mô hình hệ thống động phép đo thực tế không tuyến tính không khác nhiều so với hệ thống tuyến tính Điều có nghĩa hàm biểu diễn cho trạng thái hệ thống phép đo phi tuyến coi tuyến tính thay đổi nhỏ giá trị biến trạng thái Từ bây giờ, thay việc giả sử hệ thống tuyến tính động, xem xét hệ thống phi tuyến động gồm mô hình hệ thống phi tuyến mô hình phép đo phi tuyến Trong nội dung chương này, giải vấn đề làm để áp dụng thuật toán lọc Kalman mở rộng cho hệ thống robot phi tuyến nhằm tăng hiệu suất phương pháp định vị sử dụng công nghệ VLC Ngoài ra, vấn đề làm để điều khiển robot di chuyển bám theo quỹ đạo cho trước đảm bảo robot tới đích đề cập thảo luận chương 3.1 Mô hình hệ thống: Cấu hình động học Tất robot di động thực tế cần có cấu truyền động phép chúng có khả di chuyển không gian làm việc Các loại hệ thống truyền động thông thường bao gồm: cấu truyền động sử dụng bánh xe, cấu truyền động sử dụng chân, cấu truyền động sử dụng bánh xích Các robot sử dụng cấu truyền động chân có khả di chuyển địa hình gồ ghề hay leo cầu thang, robot sử dụng cấu truyền động bánh xe bánh xích di chuyển địa hình phẳng, gồ ghề Trong thực tế, robot sử dụng bánh xe thường đơn giản, sử dụng nhiều ứng dụng dân quân Một số loại robot di động phổ biến đời sống ngày kể đến là: robot hút bụi; robot làm hướng dẫn viên viện bảo tàng hay phòng trưng bày tác phẩm nghệ thuật; robot vận chuyển hàng hóa, vật liệu nhà máy, v.v Do đó, giới hạn luận văn sử dụng mô hình robot hai bánh vi sai để thực phân tích SVTH: Hoàng Như Việt – Lớp CCVT06B 44 Định vị robot sử dụng công nghệ truyền thông ánh sáng nhìn thấy kết hợp với lọc Kalman mở rộng 3.1.1 Cập nhật vị trí Mô hình động học (Kinematic model) mô tả ảnh hưởng hành động điều khiển lên cấu hình động học robot Cấu hình robot di động thông thường biểu diễn sáu biến bao gồm: tọa độ ba chiều Đề (x, y, z) ba góc Ơ-le (θ, φ, ψ) Tuy nhiên, giới hạn nghiên cứu này, robot di chuyển mặt phẳng sàn, trạng thái động học robot giản lược lại ba biến bao gồm tọa độ mặt phẳng hai chiều hệ tọa độ toàn cục góc định hướng robot Các biến tạo thành véc tơ trạng thái minh họa hình 3.1a Hình 3.1 Mô hình robot hai bánh vi sai a) Trạng thái hệ thống robot b) Robot hệ tọa độ địa phương toàn cục Hình 3.1b minh họa mô hình robot hai bánh vi sai sử dụng luận văn Mô hình xét hệ tọa độ địa phương có gốc tọa độ đặt trọng tâm robot ( ) hệ tọa độ toàn cục ( ) Các bánh xe lái có bán kính a khoảng cách chúng b Tổng thời gian di chuyển robot di động lấy mẫu với khoảng thời gian lấy mẫu ∆t đủ nhỏ Khi đó, khoảng dịch chuyển tương đối trọng tâm robot ∆s góc lệch tương đối robot ∆θ khoảng thời gian lấy mẫu ∆t tính toán từ khoảng dịch chuyển tuyến tính bánh xe bên trái bên phải robot di động: SVTH: Hoàng Như Việt – Lớp CCVT06B 45 Định vị robot sử dụng công nghệ truyền thông ánh sáng nhìn thấy kết hợp với lọc Kalman mở rộng Trong đó, khoảng dịch chuyển tuyến tính bánh xe bên trái tính từ vận tốc góc chúng và bên phải sau chu kỳ lấy mẫu ∆t: Khi đó, vị trí robot di động thời điểm k+1 tính toán theo vị trí robot, khoảng dịch chuyển tương đối tâm robot ∆s góc lệch tương đối robot ∆θtại thời điểm k hệ tọa độ toàn cục: 3.1.2 Sai số hệ thống Phương trình (3.3) sử dụng hệ thống lý tưởng Trong thực tế, phương trình (6*) thường không xác hệ thống thực tế tác động số sai số tránh khỏi xuất phát từ hệ thống môi trường Một số nguyên nhân gây không hoàn hảo cho mô hình robot di động bánh xe bị méo, động không đồng nhất, độ phân giải encoder động thấp Hình 3.2 ví dụ không đồng mặt tốc độ quay hai động thực tế Mặt sàn di chuyển không phẳng hay có hệ số trượt cao nguyên nhân từ môi trường ảnh hưởng tới độ xác phương trình (6*) Các sai số có đặc tính tích lũy làm tính ổn định hệ thống thực tế Trong phần này, thực mô hình hóa sai số để áp dụng lọc Kalman mở rộng nhằm loại trừ chúng Chúng ta giả sử mô hình hóa sai số hệ thống liên quan tới độ dịch chuyển tương đối trọng tâm robot véc-tơ sai số ngẫu nhiên có phân bố Gauss độc lập có giá trị trung bình 0: SVTH: Hoàng Như Việt – Lớp CCVT06B 46 Định vị robot sử dụng công nghệ truyền thông ánh sáng nhìn thấy kết hợp với lọc Kalman mở rộng Hình 3.2 Vận tốc hai động trái phải chạy thẳng Trong đó, chuyển động bánh xe Ma trận biến ngẫu nhiên biểu diễn sai số giá trị trung bình véc-tơ : gọi ma trận hiệp phương sai sai số ngẫu nhiên Do giả sử sai số độc lập nên phần tử nằm đường chéo ma trận hiệp phương sai Ma trận khoảng dịch chuyển tuyến tính bánh xe Do đó, ma trận Trong đó, đồng thời phụ thuộc vào độ trượt mặt sàn thành lập sau: hệ số tương tác bánh xe mặt sàn SVTH: Hoàng Như Việt – Lớp CCVT06B 47 Định vị robot sử dụng công nghệ truyền thông ánh sáng nhìn thấy kết hợp với lọc Kalman mở rộng Véc-tơ sai số ngẫu nhiên thêm vào độ dịch chuyển tương đối trọng tâm robot ∆s góc lệch tương đối robot ∆θ thời điểm k hệ thống thực tế sau: Khi vị trí robot di động thời điểm k+1 thực tế biểu diễn lại sau: + SVTH: Hoàng Như Việt – Lớp CCVT06B 48 Định vị robot sử dụng công nghệ truyền thông ánh sáng nhìn thấy kết hợp với lọc Kalman mở rộng 3.2 Mô hình phép đo Mô hình phép đo lý tưởng Giả sử trường hợp sai số, phép đo chứa biến tương ứng với trạng thái robot di động đơn giản véc-tơ : Chúng ta có mô hình phép đo thời điểm k tọa độ robot cung cấp phương pháp định vị kết hợp AOA RSS dựa công nghệ VLC hướng robot cung cấp cảm biến gia tốc trọng trường: Trong đó, h(.) hàm biểu diễn mối quan hệ phép đo trạng thái robot thời điểm Chúng ta biểu diễn cách đơn giản công thức sau: 3.3 Bộ lọc Kalman mở rộng Trong phần này, nghiên cứu việc áp dụng lọc Kalman mở rộng nhằm nâng cao hiệu suất phương pháp định vị sử dụng công nghệ VLC - phương pháp định vị kết hợp AOA-RSS Hình 3.3 minh họa hoạt động lọc Kalman ứng dụng thông thường Trong đó, hệ thống hình có đầu vào gồm: tín hiệu điều khiển sai số hệ thống có phân bố Gauss Các thiết bị đo đạc cung cấp phép đo trạng thái hệ thống với sai số có phân bố Gauss Bộ lọc Kalman thực chất kỹ thuật toán học nhằm tạo ước lượng tối ưu cho trạng thái hệ thống dựa thông tin từ hệ thống thiết bị đo đạc Hình 3.4 minh họa cách thức hoạt động lọc Kalman vai trò ước lượng cho phép định vị robot hai bước: ước đoán vị trí hiệu chỉnh vị trí Trong bước thứ nhất, robot thu thập liệu từ encoder để tính toán vị trí robot SVTH: Hoàng Như Việt – Lớp CCVT06B 49 Định vị robot sử dụng công nghệ truyền thông ánh sáng nhìn thấy kết hợp với lọc Kalman mở rộng Cùng thời điểm đó, cảm biến bao gồm cảm biến VLC Gyro thực việc đo đạc vị trí robot Các thông tin vị trí robot tính toán từ encoder cảm biến kết hợp với để ước định vị trí robot tối ưu Hai bước thảo luận kỹ tiểu mục Hình 3.3 Ứng dụng thông thường lọc Kalman Hình 3.4 Sơ đồ minh họa ứng dụng lọc Kalman định vị robot 3.3.1 Ước đoán vị trí Các phương trình bước ước đoán vị trí thời điểm k+1: SVTH: Hoàng Như Việt – Lớp CCVT06B 50 Định vị robot sử dụng công nghệ truyền thông ánh sáng nhìn thấy kết hợp với lọc Kalman mở rộng Trong đó, vị trí ước lượng tiên nghiệm robot thời điểm k+1 ước đoán từ vị trí trước thời điểm k di chuyển robot từ thời điểm k+1 đến thời điểm k tác động véc-tơ điều khiển hàm phi tuyến biểu diễn hệ thống dẫn động robot sai số hệ thống với ma trận hiệp phương sai Jacobin chứa đạo hàm riêng hàm thái Hàm f(.,.,.) giá trị ước lượng tốt Ma trận ma trận theo biến véc-tơ trạng : SVTH: Hoàng Như Việt – Lớp CCVT06B 51 Định vị robot sử dụng công nghệ truyền thông ánh sáng nhìn thấy kết hợp với lọc Kalman mở rộng Ma trận ma trận Jacobin chứa đạo hàm riêng hàm theo véc-tơ điều khiển : Hai ma trận tính toán thay đổi tương đối biến trạng thái vị trí ước lượng robot trước trận véc-tơ điều khiển đầu vào thay đổi Ma ma trận hiệp phương sai sai số hệ thống biểu diễn công thức (3.8): 3.3.2 Hiệu chỉnh vị trí Các phương trình bước hiệu chỉnh vị trí thời điểm k+1: SVTH: Hoàng Như Việt – Lớp CCVT06B 52 Định vị robot sử dụng công nghệ truyền thông ánh sáng nhìn thấy kết hợp với lọc Kalman mở rộng Trong đó, véc-tơ chứa giá trị đo đạc vị trí robot thu thập từ cảm biến (cảm biến VLC Gyro) thời điểm k+1 Ma trận ma trận Jacobin chứa đạo hàm riêng hàm biểu diễn phép đo phi tuyến h(.) theo véc tơ vị trí ước lượng tiên nghiệm : Có thể dễ dàng thấy công thức trên, ma trận Jacobin chứa số, không cần phải tính toán lại sau thời điểm Ma trận ma trận hiệp phương sai véc-tơ sai số Gauss Trong đó, phương sai sai số phép đo AOA-RSS 0.0036 Độ xác cảm biến Gyro tương ứng với phương sai sai số 0.0028 hệ đơn vị rad Ngoài ra, trọng số lọc Kalman; ma trận phương sai sai số bước hiệu chỉnh vị trí Cuối cùng, ma trận hiệp vị trí ước lượng hậu nghiệm robot ước tính từ giá trị tiên nghiệm bước ước đoán vị trí việc cộng thêm lượng điều chỉnh tích độ sai lệch hai phép đo thu từ encoder cảm biến trọng số 3.4 Điều khiển robot bám quỹ đạo di chuyển Các robot di động trình di chuyển sinh sai số hệ thống nguyên nhân độ trượt mặt sàn cao, mặt sàn không phẳng, độ phân giải encoder thấp, v.v Các sai số hệ thống có đặc tính tích lũy, robot SVTH: Hoàng Như Việt – Lớp CCVT06B 53 Định vị robot sử dụng công nghệ truyền thông ánh sáng nhìn thấy kết hợp với lọc Kalman mở rộng bị lệch khỏi quỹ đạo sau khoảng thời gian di chuyển định chế điều khiển thích hợp (xem hình 3.5) Hình 3.5 Robot bị lệch khỏi quỹ đạo sai số hệ thống Cho đến nay, có nhiều thuật toán điều khiển bám quỹ đạo cho robot di động đề suất nghiên cứu Trong mục trước, lọc Kalman mở rộng nghiên cứu để nâng cao độ xác cho phương pháp định vị dựa công nghệ VLC Trong mục này, xem xét vai trò lọc Kalman mở rộng “cơ cấu bù” để chống lại sai số hệ thống Giả sử robot di động di chuyển quỹ đạo thẳng với vận tốc không đổi Khi đó, lấy mẫu theo khoảng cách mẫu theo khoảng cách ta thu tập hợp đó, đủ nhỏ Bằng việc lấy ; vị trí quỹ đạo điểm lấy mẫu, N số mẫu thu quỹ đạo robot Như biết, sau chu kỳ lấy mẫu, lọc Kalman tính toán lại để ước lượng vị trí robot Khi đó, robot dựa thông tin từ vị trí ước lượng vị trí quỹ đạo chu kỳ lấy mẫu để tính toán độ dịch chuyển khoảng cách góc mà robot phải thực (xem hình 3.7) Sau đó, robot tính toán véc-tơ điều khiển để điều khiển cấu chấp hành robot bước di chuyển tiếp theo: SVTH: Hoàng Như Việt – Lớp CCVT06B 54 Định vị robot sử dụng công nghệ truyền thông ánh sáng nhìn thấy kết hợp với lọc Kalman mở rộng Hình 3.6 Robot quỹ đạo di chuyển 3.5 Tóm tắt chương Trong chương này, thảo luận mô hình hệ thống mô hình phép đo sử dụng phương pháp định vị dựa công nghệ VLC cảm biến Gyro Đồng thời, mô hình hóa sai số hệ thống sai số phép đo Các sai số có phân bố Gauss, độc lập có giá trị trung bình 0, sinh yếu tố từ hệ thống môi trường Để nâng cao độ xác thuật toán định vị kết hợp AOA-RSS, sử dụng lọc Kalman mở rộng để kết hợp với thông tin vị trí từ hệ thống nhằm đạt vị trí ước lượng tốt Trong phần nội dung chương trình bày hai bước thuật toán lọc Kalman mở rộng: ước định vị trí hiệu chỉnh vị trí để tìm vị trí ước lượng tối ưu robot di động Đây nội dung chương ba toàn luận văn Ngoài ra, lọc Kalman mở rộng đóng vai trò “cơ cấu bù” để chống lại sai số gây hệ thống môi trường Các sai số có đặc tính tích lũy theo thời gian làm cho robot lệch khỏi quỹ đạo Khi sử dụng lọc Kalman mở rộng, robot tính toán lại véc-tơ điều khiển sau chu kỳ lấy mẫu từ vị trí ước lượng tối ưu robot để điều khiển cấu chấp hành robot thực việc bám theo quỹ đạo định trước SVTH: Hoàng Như Việt – Lớp CCVT06B 55 Định vị robot sử dụng công nghệ truyền thông ánh sáng nhìn thấy kết hợp với lọc Kalman mở rộng KẾT LUẬN Luận văn trình bày toàn kiến thức tổng quan công nghệ truyền thông sử dụng ánh sáng nhìn thấy – VLC ứng dụng phổ biến đời sống người Qua luận văn này, em trình bày số kiến thức mô hình kênh truyền quang loại nhiễu công nghệ VLC Đây kiến thức cần thiết để phục vụ cho chương Nội dung luận văn trình bày phương pháp định vị robot sử dụng công nghệ VLC Thông qua việc đánh giá ưu nhược điểm phương pháp định vị đó, đề suất phương pháp định vị kết hợp AOA–RSS có độ xác cao xấp xỉ 20 (cm) Phương pháp định vị kết hợp AOA–RSS kết hợp hai phương pháp AOA RSS nhằm đạt ưu điểm hai phương pháp giải mặt hạn chế chúng Tuy nhiên, sai số phương pháp định vị kết hợp AOA–RSS cao, chưa đáp ứng yêu cầu độ xác ứng dụng định vị robot môi trường nhà Do đó, lọc Kalman mở rộng áp dụng để nâng cao độ xác phương pháp định vị kết hợp AOA–RSS cách kết hợp thông tin vị trí robot từ hệ thống phép đo AOA–RSS Bằng cách này, lọc Kalman mở rộng nâng cao độ xác phương pháp định vị kết hợp AOA–RSS với sai số vài cm Ngoài ra, phạm vi luận văn này, em đề cập đến vai trò khác lọc Kalman mở rộng việc hoạt động “cơ cấu bù” nhằm làm giảm sai số tích lũy phát sinh từ hệ thống môi trường xung quanh trình di chuyển robot Điều giúp robot dễ dàng di chuyển bám theo quỹ đạo định trước Định vị cho robot môi trường nhà vấn đề cấp thiết, thu hút quan tâm lớn nhà nghiên cứu giới Qua luận văn này, em mong muốn đóng góp nghiên cứu nhằm ứng dụng công nghệ truyền thông sử dụng ánh sáng nhìn thấy toán định vị robot Ngoài ra, tương lai, công nghệ VLC không áp dụng toán định vị mà phát triển ứng dụng dẫn đường cho robot tòa nhà siêu thị, trung tâm mua sắm lớn, bảo tàng, v.v SVTH: Hoàng Như Việt – Lớp CCVT06B 56 Định vị robot sử dụng công nghệ truyền thông ánh sáng nhìn thấy kết hợp với lọc Kalman mở rộng TÀI LIỆU THAM KHẢO [1] Gordon Povey (2011) “How green is Visible Light Communications” Avaiablefrom: http://visiblelightcomm.com/how-green-is-visible-light-communications/ [2] Ghassemlooy Z., Popoola W., Rajbhandari S (2013), Optical Wireless communications, System and Channel Modeling with MATLAB, Taylor & Francis Group, Boca Raton [3] Toshihiko Komine (2005), “Visible Light Wireless Communications and Its Fundamental Study” Available from: http://iroha.scitech.lib.keio.ac.jp:8080/sigma /bitstream/handle/10721/2017/document.pdf?sequence=4 [4] Toshihiko Komine (2004), “Fundamental Analysis for Visible-Light communication System using LED Lights”, IEEE Transactions on Consumer Electronics, vol 50, pp 100-107 [5] Garcia J., Dalla-Costa M.A., Cardesin J., Alonso J.M and Rico-Secades M (2009), “Dimming of high-brightness LEDs by means of luminous flux thermal estimation”, IEEE Transactions on Power Electronics, vol 24, pp 1107– 1114 [6] Chen J., Ai Y and Tan Y (2008), “Improved free space optical communications performance by using time diversity”, Chin Optics Letters, vol 6, pp 797–799 [7] Czaputa M., Javornik T., Leitgeb E., Kandus G and Ghassemlooy Z (2011), “Investigation of punctured LDPC codes and time-diversity on free-space optical links”, Proceedings of the 11th International Conference on Telecommunications (ConTEL), pp 359–362 [8] Kahn J.M., Barry J.R., (1997), “Wireless infrared communications”, Proceedings of the IEEE, vol 25, pp 265-298 [9] Zabih Ghassemlooy, Paul Anthony Haigh, Francesco Arca, Sandro Francesco Tedde, Oliver Hayden, Ioannis Papakonstantinou, and Sujan Rajbhandari (2013), “ Visible light communications: 3.75 / data rate with a 160 kHz bandwidth organic photo-detector and artificial neural network equalization”, Photonics Research, vol 1, pp 65-68 SVTH: Hoàng Như Việt – Lớp CCVT06B 57 ... CCVT06B 13 Định vị robot sử dụng công nghệ truyền thông ánh sáng nhìn thấy kết hợp với lọc Kalman mở rộng CHƯƠNG I – TỔNG QUAN VỀ CÔNG NGHỆ VLC – TRUYỀN THÔNG SỬ DỤNG ÁNH SÁNG NHÌN THẤY Trong... 28 Định vị robot sử dụng công nghệ truyền thông ánh sáng nhìn thấy kết hợp với lọc Kalman mở rộng Trong chương thảo luận vấn đề liên quan đến công nghệ truyền thông không dây sử dụng ánh sáng nhìn. .. Lớp CCVT06B 25 Định vị robot sử dụng công nghệ truyền thông ánh sáng nhìn thấy kết hợp với lọc Kalman mở rộng Hình 1.9 Công nghệ truyền thông VLC ứng dụng phòng họp 1.3.1.2 Truyền thông môi trường