Điều khiển ổn định robot gắp sản phẩm trong môi trường có dao động (bến cảng)

Nội dung text: Điều khiển ổn định robot gắp sản phẩm trong môi trường có dao động (bến cảng)

1. ĐIỀU KHIỂN ỔN ĐỊNH ROBOT GẮP SẢN PHẨM TRONG MÔI TRƯỜNG CÓ DAO ĐỘNG (BẾN CẢNG) STABLE CONTROL FOR ROBOT OFFSHORE GET PRODUCTS IN THE ENVIRONMENT MOTIONS (HARBOR) (1) Nguyễn Thái Dương, (2) Ngô Văn Thuyên Trường Đại Học Sư Phạm Kỹ Thuật TP.HCM TÓM TẮT Hệ thống vận tải biển (bến cảng, ngoài khơi) như dầu, gas, hóa dầu, hóa chất là một ngành công nghiệp khá quan trọng. Hệ thống hoạt động trong điều kiện môi trường khắc nghiệt (chịu tác động của dao động sóng biển, dao động lắc lư của tàu, tác động của gió ). Bài toán đặt ra là điều khiển hệ thống hoạt động ổn định, hiệu quả trong điều kiện khắc nghiệt trên biển. Trong bài báo này tôi hướng đến điều khiển ổn định robot gắp sản phẩm trong môi trường có dao động (bến cảng) sử dụng cảm biến leap motion để điều khiển real time cho robot ngoài khơi. Kết quả đạt được của đề tài : Thi công thành công mô hình tạo dao động sóng biển. Robot có thể gắp vật chính xác trong điều kiện môi trường có dao động. Đề tài sử dụng thuật toán phân lớp listener và template matching để thu thập và xử lý dữ liệu thu được từ cảm biến leap motion (cảm biến thu về giá trị vận tốc, gia tốc, vị trí 3D X, Y, Z) chính xác gần 100%. Phương pháp tính phương trình động học cho robot là phương pháp DLS, LMA (tìm ma trận động học nghịch cho robot với khả năng hội tụ cao). Từ khóa : Real time robot, robot arm 6 DOF, leap motion, listener, template matching ABSTRACT Robot became very important in industrial production, automation. It have integrated into the activities of human. Robots were produced to reduce labor, improve the quality of human life. Robots offshore operation were important major to study. Inclement conditions offshore is a major challenge, it is compounded when installation activity is taking place in deepwater. Rough wind and weather conditions can test the limits of installation systems, often resulting in downtime and sometimes causing damage to vessels, cranes, winches and associated lifting appliance equipment. The research direction of this paper is :“Stable Control Robot Offshore get products in the environment motions (Harbor)”. The sult was so great when control algorithm for robot was combined by method inverse kinematics robot & leap motion sensor (algorithm classification listener and template matching) & Processing Java to improve speed servo, exact position. Control robot using leap motion sensor with approximate precision 100% and respond real time 100%. Key word : Real time robot, robot arm 6 DOF, leap motion, listener, template matching
2. 1. GIỚI THIỆU Ngày nay, các ngành công nghiệp ngoài khơi là Trong các hoạt động ngoài khơi có nhiều một trong những ngành yêu cầu những công nghệ vấn đề như : chuyển động do dòng chảy và tân tiến nhất trên thế giới. Với điều kiện khắc sóng, khó khăn trong việc xác định vị trí tải, nghiệt của môi trường ngoài khơi, là thách thức dao động lắc lư của tàu Không giống như lớn đòi hỏi phải tìm ra những giải pháp điều khiển robot hoạt động trên môi trường cố định. hệ thống hiệu quả, an toàn và ổn định. Trong đó, Na Uy giữ vị trí hàng đầu trong ngành công nghiệp hàng hải toàn cầu, trang thiết bị và công nghệ tàu thuyền hàng hải bậc nhất thế giới. Từ những khó khăn của điều kiện thời tiết, môi trường có nhiều dao động, đặt ra yêu cầu phải tìm ra những giải pháp mới. Robot ngoài khơi được ví như là những diễn viên chính trong hoạt động vận chuyển và sắp xếp hàng hóa trên biển. Hình 1. 1 Robot hoạt động ngoài khơi 2. TÌNH HÌNH NGHIÊN CỨU TRONG VÀ NGOÀI NƯỚC Tóm tắt các kết quả nghiên cứu trong và ngoài nước về điều khiển ổn định robot ngoài khơi (bến cảng) : Điều khiển robot ngoài khơi kết hợp với camera 2D, 3D. Năm 2015, bài báo [2] “Robot Arm Manipulation Using Depth-Sensing Cameras and Inverse Kinematics”, của hai tác giả “Akhilesh Kumar Mishra Oscar Meruvia- Pastor”, trường đại học Newfoundland. Bài báo trình bày về việc ứng dụng camera cảm biến chiều sâu để xác định được vật thể 3D trong không gian, kết hợp với động học nghịch robot, để giải quyết các vấn đề về môi trường hoạt động cho robot ngoài khơi. Kết quả đạt được trong nghiên cứu này rất chính xác về nhận dạng và điều khiển đối tượng trong điều kiên môi trường dao động. Điều khiển robot ngoài khơi theo thuật toán thích nghi : robot có khả năng tự học trong quá trình hoạt động (mạng thần kinh nhân tạo). Năm [2012], bài báo [11] “A neural network base controller for under water robotic vehicles” công trình nghiên cứu của ba tác giả “Josiane Maria Macedo Fernandes, Marcelo Costa Tanaka, Raimundo Carlos Silv´erio Freire J´unior” ( thành viên của trường đại học Natal, RN, Ấn Độ ) được in trong tạp chí “ABCM Symposium Series in Mechatronics - Vol. 5”. Bài báo này trình bày về điều khiển huấn luyện robot dưới nước dựa trên mạng thần kinh nhân tạo (NEURAL NETWORK). Mục tiêu của nghiên cứu này là phát triển hệ thống định vị và điều khiển động học từ xa cho các phương tiện, robot dưới nước.
3. Điều khiển robot hoạt động ngoài khơi theo phương pháp bù dao động (heave compensation ). Phương pháp sử dụng giải thuật đoán vị trí của vật trong tương lai. Sử dụng hệ thống bù dao động AHC và PHC. Tháng 8 năm 2014, bài báo [17] “ Heave compeftsatioft improves offshore lifting operations ” của hiệp hội khoa học ABS from OE (Offshore Engineer). Bài báo trình bày về hệ thống bù dao động AHC và PHC. Thứ nhất là phương pháp bù chuyển động thụ động (PHC). Chẳng hạn như lồng giảm xóc Frederick của hệ thống bù chuyển động bằng một chương trình tối ưu hóa bậc hai tuần tự. Hatleskog và Dunnigan nghiên cứu hệ thống bù chuyển động sóng biển dùng xi lanh khí nén. Thứ hai là phương pháp bù dao động chủ động (AHC) cho các tàu khoan bằng cách bổ sung thêm chuyển động theo chiều thẳng đứng của tải, từ đó có thể hãm sự dao động của tải. Điều khiển robot ngoài khơi bằng công nghệ cảm biến trong không gian 3D. Năm 2014, Bài báo [7] “3D vision and object recognition for off-shore robot guidance” của hiệp hội GEMINI Centre for Advanced Robotics nghiên cứu về nhận dạng vị trí đối tượng cho robot ngoài khơi. Bài báo này trình bày về xây dựng mô hình CAD nâng cao để nhận dạng đối tượng. Từ đó, robot sẽ được trang bị với tầm nhìn 3D dựa trên ánh sáng có cấu trúc của đối tượng. Như vậy, việc điều khiển robot ngoài khơi hoàn toàn có thể kiểm soát được. Năm 2015, Bài báo [1] “Leap Motion Controller for Authentication via Hand Geometry and Gestures” tác giả “Alexander Chan, Tzipora Halevi, and Nasir Memon’’ Hunter College High School, New York, NY, USA. Bài báo này nói về điều khiển real time cho robot arm : kết hợp giữa động học nghịch robot và điều khiển real time bằng cảm biến leap motion. Robot này có thể gắp được mọi vật trong không gian. 3. PHƯƠNG PHÁP BÙ DAO ĐỘNG CHO HOẠT ĐỘNG NGOÀI KHƠI Trước hết, nắm được thuật ngữ heave compensation ( bù dao động ) & anti-sway control (điều khiển chống dao động). Các vấn đề an toàn và hiệu quả trong những hoạt động ngoài khơi được giải quyết chưa triệt để từ những thành tựu trước đây. Và phương pháp bù dao động là phương pháp được sử dụng khá hiệu quả và khắc phục được những nhược điểm so với những phương pháp trước kia. Điểm khác nhau lớn nhất của những thành tựu này là phương pháp tiếp cận. Thứ nhất là phương pháp bù chuyển động thụ động (PHC). Chẳng hạn như lồng giảm xóc Frederick của hệ thống bù chuyển động bằng một chương trình tối ưu hóa bậc hai tuần tự. Hatleskog và Dunnigan nghiên cứu hệ thống bù chuyển động sóng biển dùng xi lanh khí nén. Thứ hai là phương pháp bù dao động chủ động (AHC) cho các tàu khoan bằng cách bổ sung thêm chuyển động theo chiều thẳng đứng của tải, từ đó có thể hãm sự dao động của tải.
4. Không những thế, để đạt hiệu quả tối đa cho phương pháp bù dao động, người ta đã kết hợp với phương pháp điều khiển chống dao động. Như phương pháp điềp khiển song song lực & vị trí cho các tải cẩu hoạt động ngoài khơi (tác giả Skaare and Egeland). Giai đoạn đầu là bù dao động, điều khiển thay đổi chiều dài dây cáp kết nối với tải tương ứng với dao động của tải bởi sóng biển. Giai đoạn thứ hai là kiểm soát vận tốc tương đối giữa sóng biển và tải để giảm tác động thủy động lực lên tải đặt ngoài khơi. Hình 3. 1 Cần cẩu hoạt động ngoài khơi Hệ thống bù dao động thụ động (PHC) và bù dao động chủ động (AHC). Hình 3. 2 Hệ thống AHC và PHC
5. Hệ thống bù dao động thụ động (PHC : Passive Heave Compensation), bao gồm xi lanh hoặc bình nén khí, tay quay, ròng rọc. Họ đơn giản hóa hệ thống bằng cách điều khiển vòng kín và hầu như không yêu cầu hệ thống điều khiển điện tử. Hầu hết các hệ thống PHC có thể không an toàn. Hệ thống PHC có thể giảm thiểu tác động của sóng biển nhưng không tối ưu bằng hệ thống AHC (bù dao dộng chủ động). Hầu hết các hệ thống PHC, với mỗi tải riêng biệt thì cần phải tính toán một áp lực cụ thể riêng biệt, như vậy có nghĩa là với mỗi hệ thống PHC sẽ tương ứng với mỗi loại tải khác nhau. PHC không thể sử dụng trong trường hợp tải thay đổi. Hệ thống bù dao động chủ động (AHC : Active Heave Compensation). Hệ thống AHC được hiểu là hệ thống dự đoán chuyển động tải sử dụng các thiết bị đo lường : như cảm biến chuyển động tăng cường : surge, sway, heave; cảm biển đo tốc độ quay : roll, pitch, yaw. Chủ yếu là sử dụng hệ thống MRU (motion reference unit) : là hệ thống cho tải chuyển động với quỹ đạo tham chiếu. Để kiểm soát chuyển động của tải, từ đó giúp tải giảm ảnh hưởng bởi dao động sóng biển. Hệ thống AHC điển hình là AHC tay quay hoặc xi lanh / ròng rọc. AHC xi lanh bao gồm: 1 hoặc 2 bộ xi lanh, 2 bộ ròng rọc (1 tĩnh, 1 động). Dựa trên hệ thống điều khiển MRU và HPU ( hydraulic control system : hệ thống điều khiển thủy lực ) bao gồm hệ thống bình acquy trữ năng lượng. Hệ thống AHC tay quay điển hình bao gồm: tay quay hình trụ (winch drum), bộ điều khiển MRU, và HPU (hệ thống điều khiển thủy lực). 4. THUẬT TOÁN ĐIỀU KHIỂN ROBOT NGOÀI KHƠI 4.1. Phương trình điều khiển robot ngoài khơi Thay vì điều khiển từng khớp riêng, điều khiển khớp cuối (crane tip) thông qua việc mô hình hóa chuyển động của nó để có được những góc độ cần thiết cho mỗi khớp còn lại. Phương pháp này được áp dụng rộng rãi trong các hệ thống điều khiển cánh tay robot. Với mô hình điều khiển này có những ưu thế cho cần cẩu ngoài khơi: thứ nhất, cung cấp sự linh hoạt hơn trong việc kiểm soát các loại cần cẩu bất kể cấu hình. Thứ hai, vị trí của tải trực quan hơn. Hướng đến thiết lập hệ phương trình từ vị trí của khớp cuối cùng có thể suy ra các thông số góc của các góc còn lại. Điều khiển cần cẩu được tách ra thành các khối điều khiển chức năng, do đó tạo nên sự linh hoạt để có thể áp dụng thuật toán này cho các loại cần cẩu khác nhau. Để minh họa cho phương pháp này, chẳng hạn như một cần cẩu ngoài khơi nói chung đã được thực hiện như ví dụ (Hình 2.3). Cần cẩu có ba khớp quay được kích thích bởi những động cơ thủy lực và xi lanh. Các hệ tọa độ, kích thước liên kết và góc độ khớp được hiển thị và tương ứng với các ký hiệu trong phương pháp DH ( bộ thông số Denavit - Hertenberg: αn, an, dn, θn ). ( Tham khảo bài báo [10] ).
6. Hình 3. 3 Cánh tay robot áp dụng thuật toán điều khiển linh hoạt Phương pháp Denavit-Hartenberg (DH) là một cách cổ điển để giải quyết chuỗi động học. Tương tự như vậy, cần cẩu có thể được coi như là một chuỗi động với ba khớp và bốn liên kết. Sau đó nó có thể được giải quyết bằng cách xác định các thông số DH tiêu chuẩn tương ứng của nó và các biến. Ma trận ퟒ푻 : gọi là ma trận chuyển đổi khớp cuối (crane tip) của robot: 휽 (휽 + 휽 ) − 휽 풔(휽 + 휽 ) 풔휽 휽 (푳 휽 + 푳 (휽 + 휽 ) 풔휽 (휽 + 휽 ) −풔휽 풔(휽 + 휽 ) − 휽 풔휽 (푳 휽 + 푳 (휽 + 휽 ) ퟒ푻 = [ ] [2.1] 풔(휽 + 휽 ) (휽 + 휽 ) 푳 + 푳 풔휽 + 푳 풔(휽 + 휽 Trong đó : 휽풊 = 풐풔(휽풊); 풔휽풊 = 풔풊풏(휽풊) Chuyển đổi ma trận ퟒ푻 về dạng tọa độ đề các. 풙 휽 (푳 휽 + 푳 (휽 + 휽 ) [풚] = [풔휽 (푳 휽 + 푳 (휽 + 휽 )] [2.2] 풛 푳 + 푳 풔휽 + 푳 풔(휽 + 휽 Ma trận Jacobian là ma trận chứa các đạo hàm riêng bậc nhất của hàm giữa hai không gian vector. Trong lĩnh vực robot, Jacobian được sử dụng để liên hệ vận tốc góc của khớp robot. Ở đây người ta sử dụng ma trận J cho vận tốc góc khớp cuối (crane tip) của robot.
7. 풗 = 푱(휽)휽̇ [2.3] Trong đó: 휽̇ là vận tốc góc; 풗 là vận tốc khớp cuối (crane tip) của robot. Công thức ma trận Jacobian trong hệ tọa độ đề các: 푱(휽) = −풔휽 (푳 휽 + 푳 (휽 + 휽 ) − 휽 (푳 풔휽 + 푳 풔(휽 + 휽 ) −푳 휽 풔(휽 + 휽 ) [ 휽 (푳 휽 + 푳 (휽 + 휽 ) −풔휽 (푳 풔휽 + 푳 풔(휽 + 휽 ) −푳 풔휽 풔(휽 + 휽 )][2.4] 푳 휽 + 푳 (휽 + 휽 −푳 (휽 + 휽 ) 4.2. Bù dao động (heave compensation) Khi crane tip có thể được điều khiển trong mọi hướng, để bù dao động theo chiều dọc của sóng, tức là giữ cho vị trí crane tip ổn định, vận tốc góc cần thiết cho mỗi khớp được tính toán với phương trình sau : − 휽̇ = 푱(휽) . [ ] [2.5] −푽풉풆 풗풆 Phương pháp để tìm ma trận đảo (tìm chuyển động nghịch với dao động thu được từ cảm biến). Phương pháp DLS và LMA là hai phương pháp để tìm ma trận chuyển động nghịch (inverse kinematics) với khả năng hội tụ cao với số vòng lập ít hơn và đáp ứng nhanh hơn. Công thức tìm ma trận nghịch đảo theo phương pháp DLS: − 푻 푻 − 푱(휽) = 푱(휽) . ( 푱(휽) . 푱(휽) + 흀 푰) [2.6] Trong đó : JT : là ma trận chuyển vị; λ : hằng số hãm; I : là ma trận đơn vị (mọi phần tử trên đường chéo chính bằng 1 và tất cả những phần tử khác đều bằng 0). Đối với mô phỏng, dao động của con tàu được giả định là một hàm sóng sin đơn giản. Trong các ứng dụng thực tế, hàm sóng dao động phức tạp hơn được thu bằng cảm biến, ví dụ như phương pháp MRU_Motion Reference Unit. 흅 푽 = 풔풊풏( 풕) [2.7] 풉풆 풗풆 푻 Trong đó : A là biên độ; T là chu kỳ. 4.3. Thuật toán thu thập dữ liệu cho leap motion Thuật toán thu thập dữ liệu cho leap motion kết hợp hai phương pháp : Phân lớp listener và phương pháp template matching. Để đảm bảo đáp ứng truyền dữ liệu real time cho robot 4.3.1. Phân lớp Listener (Classification) Mục đích của thuật toán phân lớp Listener nhằm phân chia dữ liệu thu được thành nhiều lớp, để dễ kiểm soát và phân loại dữ liệu. Vì dữ liệu thu được từ cảm biến leap motion là một khối dữ liệu lớn. ( Tham khảo bài báo [1], [18] ). Nếu không kiểm soát, quản lý dữ liệu tốt thì việc điều chế dữ liệu sẽ khó khăn, tốn nhiều thời gian. Khi dùng thuật toán phân lớp Listener, sẽ giúp cho chúng ta giải quyết được vấn đề đáp ứng
8. điều khiển real time cho robot. Hình 4.1 Sơ đồ khối thuật toán phân lớp listener Khi sự kiện xảy ra, bộ điều khiển sẽ hoạt động và gọi hàm đối tượng tương thích đã thiết lập từ trước. Tuy nhiên, nếu cánh tay robot thì cần phải đáp ứng nhiều hơn về real time, bằng cách tối ưu hóa đáp ứng bằng thuật toán sử dụng Listener phân lớp. Nằm trong khu vực theo dõi các cảm biến Leap Motion, các mô hình bên trong phát hiện cánh tay của con người, thu về mẫu ảnh bàn tay, ngón tay, và các công cụ, ghi hình và báo cáo thông tin hướng, vị trí, thông tin cử chỉ của họ và chuyển động trong khung hình. Tỉ lệ khung hình mặc định là 300 khung hình mỗi giây. Lớp Pointable cung cấp các đặc tính vật lý của một ngón tay hoặc phát hiện bàn tay. Đối tượng Pointable bao gồm các ngón tay và các công cụ khác. Pointable.isFinger () chức năng xác định liệu một đối tượng Pointable đại diện cho một ngón tay. Pointable.isTool () chức năng xác định liệu một Pointable đối tượng đại diện cho một bàn tay. 4.3.2. Thuật toán template matching Sau khi nhận dữ liệu từ thuật toán phân lớp, công việc tiếp theo là sử dụng thuật toán template matching để lọc khối dữ liệu thành những yếu tố đặ trưng nhất. Để giảm bớt thời gian xử lý, thỏa mãn điều khiển real time cho robot. (Tham khảo bài báo [1], [18]). Phần thứ hai của thu thập dữ liệu là phân tích sâu hơn về việc xác định tỷ lệ lỗi bình đẳng EER
9. (Equal Error Rate). EER là giá trị mà tại đó sai số FAR và FRR bằng nhau. Hình 4.2 Thuật toán template matching Trong đó : FAR : False Acceptance Rate (tỉ lệ sai số có thể chấp nhận được). FRR : False Reject Rate (tỉ lệ sai số do dữ liệu bị từ chối). Lần đầu tiên, khi thu thập dữ liệu từ thuật toán phân lớp, thì tất cả những dữ liệu thu được sẽ được giảm kích thước xuống 4500 mẫu. Sau đó, 4500 mẫu này được chia thành hai phần : 2250 mẫu được dùng cho huấn luyện số liệu cho bàn tay ( hướng, vị trí, vận tốc, gia tốc ). Việc huấn luyện có thể được mô tả bằng phương trình sau : Ti = Profile (useri) = average (풗풊 풗풊 ) [2.8] Trong đó : i là số thứ tự đối tượng. b là vector thuộc tính được sử dụng. 2250 mẫu còn lại dùng để kiểm tra độ chính xác của kết quả huấn luyện. Sau khi huấn luyện thì thuật toán template matching sẽ lọc ra những dữ liệu đặc trưng, quan trọng nhất của bàn tay. Làm sao để biết được dữ liệu nào là đặc trưng, quan trọng nhất của bàn tay (thuyết đặc trưng).
10. Đầu tiên, ta sẽ chọn lần lượt một ngưỡng giá trị từ 0% đến 100%, gọi  là giá trị ngưỡng. Sau đó đem từng giá trị của dữ liệu trong bộ kiểm tra (2250 mẫu kiểm tra) so sánh với giá trị trong bộ huấn luyện (giá trị tham chiếu). Khoảng sai số chênh lệch của từng giá trị trong quá trình so sánh này gọi là di. Nếu di  thì giá trị đó bị từ chối (không đảm bảo tính chính xác). Quá trình này được mô tả bởi công thức toán : Auth (Ti,vi) = 1 if |Ti − vi| > τ, 0 otherwise [2.9] Trong đó :  là giá trị ngưỡng, Ti là mẫu thứ i. 4.4. Thuật toán điều khiển cho robot ngoài khơi Từ các nghiên cứu về các thuật toán thu thập dữ liệu real time cảm biến leap motion : thuật toán phân lớp listener và thuật toán template matching; thuật toán thiết lập phương trình động học (IK) cho robot hoạt động ngoài khơi. Có thể tóm tắt thuật toán điều khiển cho hệ thống như sau : Hình 4.3 Sơ đồ thuật toán điều khiển robot
11. 5. KẾT QUẢ 5.1. Mô hình hệ thống Sau khi nghiên cứu về phương pháp bù dao động, thiết lập phương trình toán điều khiển robot và lập trình điều khiển real time robot ngoài khơi sử dụng cảm biến leap motion. Mục đích cuối cùng là điều khiển ổn định robot hoạt động ngoài khơi. Để giải quyết vấn đề, tôi tiến hành đánh giá nghiên cứu xây dựng mô hình hệ thống. Mô hình hệ thống bao gồm các khối sau : khối controller (kit Artbotix), khối cảm biến leap motion, khối điều khiển và giám sát trên máy tính, khối thực thi (robot arm 6 bậc), model ship (khối tạo dao động sóng biển), MPU (khối thu thập dữ liệu dao động của tàu về máy tính). Hình 5.1 Mô hình hóa hệ thống 5.2. Kết quả Độ chính xác của cảm biến leap motion ( cảm biến hồi tiếp vị trí X, Y, Z trong không gian ba chiều ) là 0.01mm. Độ chính xác khi thu thập dữ liệu real time cho cảm biến leap motion bằng thuật toán phân lớp listener và template matching gần đạt đến hiệu suất 100%. Điều này được minh chứng trong bài báo “Leap Motion Controller for Authentication via Hand Geometry and Gestures” [2015], Hunter College High School, New York, NY, USA. Đáp ứng truyền dữ liệu từ cảm biến (đọc cảm biến bằng phần mềm processing java) cho kit Arbotix là 100 Khz. Trong quá trình truyền dữ liệu, việc truyền và nhận dữ liệu là liên tục với tần số 100 Khz, như vậy tần số truyền nhận dữ liệu khá cao, nhưng cấu tạo cơ khí của động cơ (về tốc độ của động cơ) không đáp ứng kịp. Điều chỉnh tốc độ động cơ sử dụng thuật toán PID để động cơ hoạt động ổn định và đạt tốc độ mong muốn. Chính vì vậy, tôi đã dùng phần mềm processing java và kết hợp với kit Arbotix cải thiện tốc độ động cơ, mục tiêu là hướng đến băm xung động cơ gần đến giá trị tốc độ không tải. Thỏa mãn điều khiển real time cho robot hoạt động ngoài khơi.
12. Hình 5.2 Mô hình thi công Hiện tại hướng nghiên cứu này mới nên chưa có nhiều thành tựu nghiên cứu khác để so sánh kết quả. Ở đây, tôi chỉ so sánh về phương diện xử lý độ chính xác của cảm biến leap motion và đáp ứng real time cho robot. 2 yếu tố này quyết định chất lượng và hiệu quả của đề tài. Qua thực nghiệm, robot gắp sản phẩm thành công trong môi trường có dao động đạt hiệu suất chính xác hơn 90%. Thỏa mãn mục tiêu đặt ra của đề tài là : điều khiển ổn định robot gắp sản phẩm trong môi trường có dao động ( bến cảng). 6. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 6.1. Kết luận Trong quá trình nghiên cứu đã đạt được những yêu cầu đề ra : hiểu được phương pháp lập trình cho robot, phương pháp chống bù dao động và điều khiển chống dao động hiện đại, mô phỏng robot 6 bậc bằng matlab đã thực hiện ở chuyền đề và tiếp tục lập trình điều khiển robot trên mô hình thật. Kết quả đạt được của đề tài rất khả quan, Robot có thể gắp được vật chính xác và rút ngắn thời gian điều khiển. Có thể áp dụng thuật toán cho nhiều mô hình robot khác. Kết quả đạt như sau : độ chính xác gần 100% khi thu thập dữ liệu cảm biến leap motion, điều khiển real time robot đạt gần 100%. Luận văn của tôi cải tiến và kết hợp từ các bài báo [1], [2], [14]. 6.2. Hướng phát triển đề tài. Hướng đến phát triển điều khiển ổn định hệ thống mà môi trường làm việc của robot và tải đều bị tác động của dao động sóng biển. Xây dựng hệ thống đoán vị trí của vật trong tương lai, để điều khiển robot hoạt động chính xác và hiệu quả trên môi trường có dao động (bến cảng). Thay thế cảm biến leap motion bằng cảm biến LiDAR, 4D Tracking Radar. Chúng ta có thể xây dựng hệ thống mô hình 3D thực tế, các cảm biến này giúp robot nhận dạng, dự đoán đối tượng để giải quyết các vấn đề ngoài khơi.
13. TÀI LIỆU THAM KHẢO [1] Alexander Chan, Tzipora Halevi, and Nasir Memon [August 2015], Hunter College High School, New York, NY, USA, “Leap Motion Controller for Authentication via Hand Geometry and Gestures” [2] Akhilesh Kumar Mishra Oscar Meruvia- Pastor [2015], Bài báo “Robot Arm Manipulation Using Depth-Sensing Cameras and Inverse Kinematics” University Newfoundland. Oceans14_IEEE_ID_7003029 [3] Department of Automatic Control Lund University Sweden [2014] “Robot workspace sensing and control with Leap Motion Sensor”. [4] D. Putnam. [2014, May] Multi-Platform Active Heave Compensation System [Online]. [5] E. Pedersen and H. Engja [Aug. 2008] “Mathematical modeling and simulation of physical systems”, Lecture notes in course TMR4257 Modeling, Simulation and Analysis of Dynamic Systems, Department of Marine Technology, Norwegian University of Science and Technology. [6] F. Sanfilippo, H. P. Hildre, V. Æsøy, H. Zhang, and E. Pedersen [May 2013]“Flexible modeling and simulation architecture for haptic control of maritime cranes and robotic arm,” 27th European Conference on Modelling and Simulation, pp. 235–242. [7] GEMINI Centre for Advanced Robotics [2014] “3D vision and object recognition for off- shore robot guidance” [8] G. Sarker, G. Myers, T. Williams, and D. Goldberg [May 2006] “Comparison of heave- motion compensation systems on scientific ocean drilling ship and their effects on wireline logging data,” Offshore Technology Conference [9] Josiane Maria Macedo Fernandes, Marcelo Costa Tanaka, Raimundo Carlos Silv´erio Freire J´unior [2012] “A NEURAL NETWORK BASED CONTROLLER FOR UNDER WATER ROBOTIC VEHICLES” University Natal, RN, Ấn Độ “ABCM Symposium Series in Mechatronics - Vol. 5” [10] J. Neupert, T. Mahl, B. Haessig, O. Sawodny, and K. Schneider, [11-13 June 2008] “A heave compensation approach for offshore cranes,” American Control Conference, pp.538-543. [11] K. T. Talberg [April 2012] “All-electrical active heave compensated winches with kinetic energy recovery system,” 17th North Sea Offshore Crane and Lifting Conference. [12] Lonnie J. Love John F. Jansen Francois G. Pin U.S. DEPARTMENT OF ENERGY [2003] , “Compensation of Wave-Induced Motion and Force Phenomena for Ship-Based High Performance Robotic and Human Amplifying Systems” [13] S. Takagawa [May 2010] “A new concept design of heave compensation system for longer
14. life of cables,” Sydney of OCEANS, pp.1-5. [14] Rolls-Royce Marine AS. (2014, May) Cable traction control unit – CTCU [Online]. [15] S. B. Van Albada, G. D. Van Albada, H. P. Hildre, and H. Zhang [May 2013] “A novel approach to anti-Sway control for marine shipboard cranes,”, 27th European Conference on Modelling and Simulation, pp.249-256. [16] V.S. Kodogiannis P.J.G. Lisboa J. Lucas [2002] “ Neural network based predictive control systems for underwater robotic vehicles, University Liverpool. [17] Y. Chu, V. Æsøy, H. Zhang and Ø. Bunes [May 2014] “Modeling and simulation of an offshore hydraulic crane,” 28th European Conference on Modelling and Simulation, in press. [18] Zhang Jinsong and Kevin Rong [2015] “Real-time Control of Robot Arm Based on Hand Tracking Using Leap Motion Sensor Technology” Shanghai University Advisors & WPI Project Advisor.
15. BÀI BÁO KHOA HỌC THỰC HIỆN CÔNG BỐ THEO QUY CHẾ ĐÀO TẠO THẠC SỸ Bài báo khoa học của học viên có xác nhận và đề xuất cho đăng của Giảng viên hướng dẫn Bản tiếng Việt ©, TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HỒ CHÍ MINH và TÁC GIẢ Bản quyền tác phẩm đã được bảo hộ bởi Luật xuất bản và Luật Sở hữu trí tuệ Việt Nam. Nghiêm cấm mọi hình thức xuất bản, sao chụp, phát tán nội dung khi chưa có sự đồng ý của tác giả và Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh. ĐỂ CÓ BÀI BÁO KHOA HỌC TỐT, CẦN CHUNG TAY BẢO VỆ TÁC QUYỀN! Thực hiện theo MTCL & KHTHMTCL Năm học 2017-2018 của Thư viện Trường Đại học Sư phạm Kỹ thuật Tp. Hồ Chí Minh.