Phát triển thuật toán tự triển khai cho hệ thống đa robot giám sát môi trường không biết trước

ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ
Phạm Duy Hưng
PHÁT TRIỂN THUẬT TOÁN TỰ TRIỂN KHAI
CHO HỆ THỐNG ĐA ROBOT GIÁM SÁT MÔI TRƯỜNG
KHÔNG BIẾT TRƯỚC
Chuyên ngành: Kỹ thuật Điện tử
Mã số: 9510302.01
LUẬN ÁN TIẾN SĨ NGÀNH CÔNG NGHỆ KỸ THUẬT ĐIỆN TỬ,
VIỄN THÔNG
NGƯỜI HƯỚNG DẪN KHOA HỌC:
1. PGS.TS. Trần Quang Vinh
2. PGS.TS. Ngô Trung Dũng
Hà Nội - 2019
i

LỜI CAM ĐOAN
Tôi xin cam đoan luận án này là công trình nghiên cứu của tôi dưới sự hướng
dẫn của PGS.TS Trần Quang Vinh và PGS. TS Ngô Trung Dũng, chưa được xuất
bản tại bất kỳ nơi nào. Mọi nguồn thông tin tham khảo sử dụng trong luận án đều
được trích dẫn đầy đủ.
Tác giả
Phạm Duy Hưng
ii

LỜI CẢM ƠN
Lời đầu tiên, tôi xin gửi lời cảm ơn sâu sắc đến PGS.TS Trần Quang Vinh và
PGS.TS Ngô Trung Dũng đã trực tiếp hướng dẫn, hỗ trợ và động viên tôi trong
suốt quá trình nghiên cứu. Tôi xin cảm ơn Phòng thí nghiệm More-Than-One
Robotics1 của PGS.TS Ngô Trung Dũng đã hỗ trợ cơ sở vật chất, trang thiết bị và
các điều kiện cần thiết để tôi thực hiện các thí nghiệm thực nghiệm trên hệ thống
robot thật.
Tôi xin gửi lời cảm ơn chân thành tới Ban giám hiệu Trường Đại học Công
nghệ và các thầy/cô của khoa Điện tử - Viễn thông đã hỗ trợ, tạo điều kiện và
động viên tôi rất nhiều trong thời gian thực hiện luận án.
Cuối cùng, tôi xin gửi lời cảm ơn tới những người thân yêu trong gia đình đã
luôn sát cánh, hỗ trợ, chia sẻ và động viên để tôi hoàn thành luận án này.
1
Phòng thí nghiệm More-Than-One Robotics (http://www.morelab.org) thuộc University of Brunei
Darussalam, Brunei giai đoạn 2011-2016, thuộc University of Prince Edward Island, Canada từ 2017 đến
nay.
iii

MỤC LỤC
Trang phụ bìa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . i
Lời cam đoan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ii
Lời cảm ơn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iii
Danh mục các ký hiệu và chữ viết tắt. . . . . . . . . . . . . . . . . . . . . . . . . . . . . vi
Danh mục bảng . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ix
Danh mục các hình vẽ, đồ thị . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . x
Mở đầu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xii
Chương 1. TỔNG QUAN VỀ HỆ THỐNG ĐA ROBOT . . . . . . . . . . 1
1.1. Giới thiệu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Điều khiển phân tán hệ thống đa robot. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.1. Điều khiển dựa trên hành vi. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.2. Trường lực thế nhân tạo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.3. Điều khiển kết nối đại số . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3. Tự triển khai hệ thống đa robot. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3.1. Theo dõi đa mục tiêu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3.2. Bao phủ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.4. Kết luận chương . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
Chương 2. ĐIỀU KHIỂN PHÂN TÁN ĐA TẦNG HDC CHO DUY
TRÌ VÀ MỞ RỘNG MẠNG ĐA ROBOT . . . . . . . . . . . . . . . . . . . . . . . . 25
2.1. Mô hình hệ thống . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2. Duy trì mạng đa robot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.3. Tối ưu kết nối, mở rộng mạng . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
iv

2.4. Điều khiển phân tán đa tầng . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.4.1. Điều khiển nút . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.4.2. Điều khiển kết nối . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.5. Độ phức tạp và tính ổn định của HDC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.5.1. Độ phức tạp . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.5.2. Tính ổn định. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.6. Kết luận chương . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
Chương 3. ỨNG DỤNG HDC CHO TRIỂN KHAI HỆ THỐNG ĐA
ROBOT THEO DÕI ĐA MỤC TIÊU VÀ BAO PHỦ. . . . . . . . . . . . . 48
3.1. Bài toán theo dõi đa mục tiêu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.1.1. Đám mây đích liên thông . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.1.2. Phát hiện và phân loại biên của mạng đa robot. . . . . . . . . . . . . . . . . 55
3.1.3. Đám mây đích không liên thông. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.1.4. Kết quả thí nghiệm và thảo luận . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.2. Bài toán bao phủ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.2.1. Quy tắc tạo đỉnh ảo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
3.2.2. Điều khiển bao phủ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
3.2.3. Kết quả thí nghiệm và thảo luận . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
3.3. Kết luận chương . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
Chương 4. ỨNG DỤNG HDC CHO TRIỂN KHAI HỆ THỐNG ĐA
ROBOT KHÁM PHÁ MÔI TRƯỜNG CÓ CẤU TRÚC. . . . . . . . . . 94
4.1. Chiến lược triển khai các robot đồng nhất . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
4.2. Chiến lược triển khai robot mẹ, con . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.3. Kết quả thí nghiệm và thảo luận . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
4.3.1. Mô phỏng. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
4.3.2. Thực nghiệm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
4.3.3. Thảo luận . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
4.4. Kết luận chương . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
KẾT LUẬN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
v

DANH MỤC CÔNG TRÌNH KHOA HỌC CỦA TÁC GIẢ LIÊN QUAN
ĐẾN LUẬN ÁN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
TÀI LIỆU THAM KHẢO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
vi

DANH MỤC CÁC KÝ HIỆU
VÀ CHỮ VIẾT TẮT
Danh mục các ký hiệu
STT Ký hiệu Mô tả
1 x Tọa độ của robot
2 ∆xi Bước chạy của robot i trong khoảng thời gian ∆t
3 rc Bán kính dải cảm nhận
4 Si Vùng cảm nhận của robot i
5 Sa
i Vùng tránh vật cản của robot i
6 Sc
i Vùng tới hạn của robot i
7 Sn
i Vùng không tới hạn của robot i
8 Bi Vùng giới hạn của robot i
9 ε, εi Dung sai tới hạn và dung sai tối thiểu
10 N Tập định danh robot
11 Ni Tập các robot hàng xóm của robot i
12 Nc
i Tập các robot tới hạn của robot i
13 Nn
i Tập các robot không tới hạn của robot i
14 Ng
i Tập các robot thuộc cấu trúc LCT
15 λ2 Thuộc tính kết nối của mạng đa robot
16 −
→
v i Véctơ vận tốc tổng hợp của robot i
17 −
→
v a
i Véctơ vận tốc thành phần hướng đích của robot i
18 −
→
v c
i Véctơ vận tốc thành phần liên kết của robot i
19 −
→
v s
i Véctơ vận tốc thành phần phân chia của robot i
20 `Iij
Chiều dài liên kết nối giữa robot i và j
21 Lc Bậc truyền thông
22 di Đích được phân công cho robot i nằm trong vùng Si
23 eij Cạnh kết nối giữa robot i và j
24 rij Khoảng cách tương đối giữa robot i và j
25 Ti Nhóm cấu trúc tam giác của robot i
26 Ki Nhóm cấu trúc k-kết nối của robot i
27 Rni Tập các robot tới hạn dư thừa của robot i
28 RnT
i Tập các robot tới hạn dư thừa trong nhóm Ti
29 RnK
i Tập các robot tới hạn dư thừa trong nhóm Ki
30 vmax Vận tốc cực đại của robot i
31 α, β, γ Hệ số hiệu chỉnh hành vi tương ứng với −
→
v c
i , −
→
v s
i và −
→
v a
i
32 Υ Hệ số liên kết bầy
33 ρij = ρji Tín hiệu đồng thuận giữa robot i và j
vii

Danh mục các chữ viết tắt
STT
Chữ
Mô tả Tiếng Anh Mô tả Tiếng Việt
viết tắt
1 AA Aggregration Algorithm Thuật toán tập hợp bầy robot
2 ACC Algebraic Connectivity Control Điều khiển kết nối đại số
3 AP Artificial Physics Vật lý nhân tạo
4 BC Behavior based Control Điều khiển dựa trên hành vi
5 BEC Boundary Error Correction Sửa lỗi biên
6 CDI Cumulative Distance Information Thông tin khoảng cách tích lũy
7 DAR Distance-Aware Routing Định tuyến theo khoảng cách
8 DCC Distributed Coverage Control Điều khiển bao phủ phân tán
9 DSHR Deployment Strategy for Homoge-
neous Robots
Chiến lược triển khai cho các
robot đồng nhất
10 DSNR Deployment Strategy for Non-
homogeneous Robots
Chiến lược triển khai cho robot
mẹ, con
11 ESD E-triangle Sector Detection Phát hiện cung tam giác mở
rộng
12 FILO First In Last Out Vào trước, ra sau
13 HDC Hierarchical Distributed Control Điều khiển phân tán đa tầng
14 INMC In Network Mobility Control Điều khiển di chuyển nội mạng
15 LCT Local Connectivity Topology Cấu trúc kết nối cục bộ LCT
16 MANET Mobile Ad-hoc Network Mạng Ad-hoc di động
17 MRS Multi-Robot System Hệ thống đa robot
18 MTT Multi-Target Tracking Theo dõi đa mục tiêu
19 MWSN Mobile Wireless Sensor Network Mạng cảm biến không dây di
động
20 NSB Null Space Behavioral control Điều khiển hành vi không gian
Null
21 RREP Route Reply Phản hồi tuyến đường
22 RREQ Route Request Yêu cầu định tuyến
23 VF Virtual Force Lực ảo
24 VTG Virtual Target Generation Tạo đích ảo
viii

DANH MỤC CÁC BẢNG
3.1 Tham số điều khiển cho MRS . . . . . . . . . . . . . . . . . . . . . . . . 67
3.2 So sánh các phương pháp điều khiển phân tán MRS . . . . . . . . . . . 78
4.1 Thời gian pha dịch chuyển của DSHR và DSNR . . . . . . . . . . . . . 105
4.2 Thời gian pha phân tán và tập hợp của DSHR và DSNR . . . . . . . . 105
ix

DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ
1.1 Mô hình điều khiển hành vi của Reynolds . . . . . . . . . . . . . . . . . 5
1.2 Trường lực thế nhân tạo APF . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3 Ước ượng λ2 theo kiểu phân tán . . . . . . . . . . . . . . . . . . . . . . . 11
1.4 Triển khai bao phủ sử dụng phân vùng Voronoi . . . . . . . . . . . . . . 18
1.5 Triển khai bao phủ sử dụng lưới tam giác . . . . . . . . . . . . . . . . . 20
1.6 Triển khai bao phủ sử dụng APF . . . . . . . . . . . . . . . . . . . . . . 22
2.1 Vùng cảm nhận của robot . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.2 Hệ thống đa robot được mô hình hóa bởi đồ thị vô hướng . . . . . . . . 27
2.3 Thuật toán định tuyến dựa trên nhận thức khoảng cách DAR trong
mạng Ad-hoc di động . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.4 Phân loại các robot trong tập robot hàng xóm . . . . . . . . . . . . . . 30
2.5 Biến đổi của khoảng cách tương đối sau 1 chu kỳ lệnh ∆t . . . . . . . . 31
2.6 Cấu trúc kết nối cục bộ LCT . . . . . . . . . . . . . . . . . . . . . . . . 34
2.7 Chiến lược tinh giản cấu trúc kết nối cục bộ LCT . . . . . . . . . . . . 36
2.8 Sơ đồ khối điều khiển phân tán đa tầng HDC . . . . . . . . . . . . . . . 38
2.9 Trường tương tác của robot . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.10 Hệ số liên kết bầy Υ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.11 Vùng tự do không chịu tác động bởi thành phần vận tốc liên kết. . . . 40
2.12 Hàm Lyapunov của HDC . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.1 Các dạng phân bố đích . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.2 MRS tạo vùng bao phủ cấu trúc lưới lục giác . . . . . . . . . . . . . . . 49
3.3 Các loại cấu trúc lưới . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.4 Lưu đồ thuật toán theo dõi đa mục tiêu . . . . . . . . . . . . . . . . . . 51
x

3.5 Di chuyển nội mạng . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.6 Phân loại nút dựa trên trạng thái cung . . . . . . . . . . . . . . . . . . . 56
3.7 Nút biên lỗi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.8 Cung khuyết nằm trong cấu trúc tứ giác . . . . . . . . . . . . . . . . . . 58
3.9 Tập Nij và Nik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.10 Kịch bản hình thành cung tam giác mở rộng . . . . . . . . . . . . . . . 59
3.11 Phân loại đường biên . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.12 Lưu đồ thuật toán chiến lược theo dõi đa mục tiêu mở rộng . . . . . . 63
3.13 Quy tắc tạo kịch bản mô phỏng. . . . . . . . . . . . . . . . . . . . . . . 65
3.14 Độ phức tạp của kịch bản . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.15 Mô hình robot hai bánh vi sai . . . . . . . . . . . . . . . . . . . . . . . . 66
3.16 Tỷ lệ chiếm đích thành công của MRS . . . . . . . . . . . . . . . . . . . 68
3.17 Thuộc tính kết nối của mạng MRS trong các thí nghiệm mô phỏng . . 69
3.18 Tốc độ chiếm đích thành công . . . . . . . . . . . . . . . . . . . . . . . . 69
3.19 Độ phức tạp của HDC . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.20 Robot di động được sử dụng trong thực nghiệm. . . . . . . . . . . . . . 71
3.21 Hệ thí nghiệm cùng các robot thật . . . . . . . . . . . . . . . . . . . . . 72
3.22 Thí nghiệm 4 robot chiếm đóng 4 đích liên thông . . . . . . . . . . . . . 73
3.23 Thí nghiệm 6 robot chiếm đóng 6 đích liên thông . . . . . . . . . . . . . 74
3.24 Thí nghiệm 14 robot chiếm đóng 14 đích liên thông . . . . . . . . . . . 74
3.25 Thí nghiệm 9 robot chiếm đóng 2 đám mây đích không liên thông . . . 75
3.26 Thí nghiệm 11 robot chiếm đóng 3 đám mây đích không liên thông . . 75
3.27 Thí nghiệm 5 robot chiếm đóng 20 đích phân bố liên thông . . . . . . . 76
3.28 Kết quả so sánh mô phỏng và thực nghiệm cùng 6 robot. . . . . . . . . 76
3.29 Thuộc tính kết nối của mạng MRS trong các thí nghiệm thực nghiệm
theo dõi đa mục tiêu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
3.30 Cặp nút biên kề của robot i . . . . . . . . . . . . . . . . . . . . . . . . . 81
3.31 Vùng bao phủ của MRS . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
3.32 Quy tắc tạo đích ảo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
3.33 Lưu đồ thuật toán chiến lược bao phủ . . . . . . . . . . . . . . . . . . . 85
3.34 Quá trình triển khai tạo lưới bao phủ lục giác. . . . . . . . . . . . . . . 89
3.35 Lưới bao phủ lục giác được tạo bởi các robot trong môi trường tự do. . 90
xi

3.36 Lưới bao phủ lục giác được tạo bởi các robot trong môi trường có
cấu trúc giống căn phòng . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
3.37 Thuộc tính kết nối của mạng MRS trong các thí nghiệm thực nghiệm
bao phủ lưới lục giác. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4.1 Mô hình môi trường có cấu trúc . . . . . . . . . . . . . . . . . . . . . . . 94
4.2 Chiến lược DSHR cho môi trường có cấu trúc . . . . . . . . . . . . . . . 95
4.3 Chiến lược DSNR cho môi trường có cấu trúc . . . . . . . . . . . . . . . 97
4.4 Quỹ đạo chuyển động theo bầy của 10 robot . . . . . . . . . . . . . . . 99
4.5 Thông số đặc trưng của chuyển động theo bầy cùng 10 robot trong
trường hợp không vật cản . . . . . . . . . . . . . . . . . . . . . . . . . . 100
4.6 Thông số đặc trưng của chuyển động theo bầy cùng 10 robot trong
trường hợp có vật cản . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
4.7 Tốc độ hội tụ tới trạng thái cân bằng của MRS gồm 10 robot . . . . . 100
4.8 Tiến trình triển khai của DSHR . . . . . . . . . . . . . . . . . . . . . . . 102
4.9 Tiến trình triển khai của DSNR . . . . . . . . . . . . . . . . . . . . . . . 104
4.10 Thuộc tính kết nối mạng MRS trong quá trình triển khai. . . . . . . . 104
4.11 So sánh thời gian triển khai của chiến lược DSHR và DSNR . . . . . . 105
4.12 DSHR cùng 13 robot thật . . . . . . . . . . . . . . . . . . . . . . . . . . 106
4.13 Thuộc tính kết nối mạng MRS trong thí nghiệm DSHR cùng 13
robot thật . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
xii

MỞ ĐẦU
Lý do chọn đề tài: Trong xu thế phát triển của cách mạng công nghiệp
4.0, robot ngày càng được ứng dụng rộng rãi trong đời sống xã hội của con người
từ các robot công nghiệp trong các nhà máy đến robot phục vụ tại các nhà hàng,
bệnh viên và hộ gia đình. Cùng với việc nghiên cứu nhằm cải tiến năng lực làm
việc, trí thông minh nhân tạo của các robot riêng lẻ, nghiên cứu về hoạt động của
hệ thống đa robot, viết tắt là MRS (Multi-Robot System), là lĩnh vực mới, có tính
cấp thiết để giải quyết các nhiệm vụ có quy mô lớn mà một robot khó đạt hiệu
quả như tuần tra và giám sát (patrol and surveillance), tìm kiếm và cứu hộ (search
and rescue), vận chuyển trong kho hàng (transportation in warehouse),...
MRS còn được gọi là robot bầy đàn gồm nhiều robot hoạt động tự trị tương
tác, hợp tác với nhau cùng thực hiện nhiệm vụ. Nhờ hoạt động phối hợp mà MRS
đạt hiệu suất cao hơn, giải quyết được những nhiệm vụ phức tạp hơn so với trường
hợp chỉ sử dụng một robot đơn.
Có nhiều chủ đề nghiên cứu về MRS trong đó vấn đề điều khiển đồng thời số
lượng lớn các robot di động tự triển khai vào môi trường và phối hợp hoạt động
giữa chúng dựa trên trao đổi thông tin là chủ đề mang tính thời sự, có ý nghĩa
khoa học và thực tiễn cao, có tiềm năng ứng dụng cho các hoạt động theo dõi đa
mục tiêu, bao phủ giám sát môi trường phục vụ an ninh, quốc phòng và tìm kiếm,
cứu hộ.
Trên thế giới các nghiên cứu về chủ đề này đã và đang được các nhà nghiên
cứu về hệ thống đa robot quan tâm thực hiện. Ở Việt Nam, nghiên cứu về robot
được bắt đầu từ nhiều năm nay nhưng các nghiên cứu về hệ thống đa robot chỉ mới
bắt đầu trong một vài năm trở lại đây ở một vài trường đại học, cơ quan nghiên
cứu với số công trình công bố còn rất khiêm tốn, chưa có nghiên cứu nào có mục
tiêu tương tự luận án này.
Mục đích nghiên cứu: Luận án này nghiên cứu phát triển thuật toán tự
triển khai (Self-Deployment) MRS cho giám sát môi trường không biết trước. Tự
xiii

triển khai được hiểu là việc điều khiển phân tán bầy robot nhằm trải rộng chúng
ra môi trường cho mục đích giám sát cụ thể như theo dõi đa mục tiêu và bao phủ.
Đặc trưng điển hình của MRS là phối hợp hoạt động trên nền tảng mạng truyền
thông giữa các robot cho phép chúng có thể trao đổi thông tin với nhau để phân
công nhiệm vụ. Vì vậy, điều khiển chuyển động của robot được đặt trong ràng buộc
phải luôn đảm bảo duy trì sự toàn vẹn của mạng trong suốt quá trình triển khai.
Luận án có các mục tiêu cụ thể như sau:
• Nghiên cứu điều khiển MRS đảm bảo duy trì sự toàn vẹn của mạng cho hoạt
động phối hợp giữa các robot trong khi thực hiện nhiệm vụ. Mạng có khả
năng mở rộng vùng bao phủ, thích nghi với môi trường không biết trước.
• Nghiên cứu chiến lược tự triển khai MRS theo dõi đa mục tiêu và bao phủ.
Chiến lược triển khai kết hợp hoạt động phân nhiệm dựa trên trao đổi thông
tin giữa các robot và điều khiển chuyển động của robot để thực thi nhiệm vụ.
Đối tượng nghiên cứu: Luận án thực hiện các nhiệm vụ nghiên cứu về điều
khiển duy trì sự toàn vẹn của mạng đa robot và chiến lược tự triển khai MRS cho
theo dõi đa mục tiêu và bao phủ trên đối tượng là các robot di động hoạt động tự
trị trong không gian hai chiều.
Phạm vi nghiên cứu: Luận án được giới hạn nghiên cứu trong điều khiển
phân tán, ở đó các robot tính toán và ra quyết định điều khiển dựa trên thông tin
cục bộ từ các robot hàng xóm trong vùng cảm nhận của chúng. Chuyển động của
robot được xem xét trên mô hình động học, không tính đến các đặc trưng động
lực học, cũng như ảnh hưởng của nhiễu. Luận án tập trung xem xét vấn đề điều
khiển duy trì sự toàn vẹn của mạng đa robot và chiến lược tự triển khai MRS cho
mục đích giám sát môi trường, cụ thể là theo dõi đa mục tiêu và bao phủ. Luận
án không nghiên cứu về vấn đề thu thập, phân tích thông số môi trường.
MRS được xem là hệ thống của hệ thống chứa đựng nhiều vấn đề phức tạp
đã và đang được quan tâm nghiên cứu, giải quyết như hệ thống cảm biến và tổng
hợp dữ liệu cảm biến để nhận biết và hiểu về môi trường xung quanh; định vị và
dẫn đường cho các robot; đảm bảo độ tin cậy truyền thông trong mạng đa robot,...
Các vấn đề này không thuộc phạm vi nghiên cứu của luận án. Để không ảnh hưởng
đến mục tiêu nghiên cứu, luận án giả thiết các robot có vùng cảm nhận và truyền
thông hình đĩa tròn, có khả năng xác định và phân biệt các robot và vật cản/mục
tiêu trong vùng cảm nhận, có khả năng trao đổi thông tin với các robot hàng xóm
trong vùng truyền thông với độ tin cậy cao và độ trễ truyền không đáng kể. Đây
xiv

là các giả thiết đang được sử dụng rộng rãi trong các nghiên cứu về MRS và mạng
cảm nhận không dây di động MWSN (Mobile Wireless Sensor Network).
Phương pháp nghiên cứu: Luận án kết hợp giữa nghiên cứu lý thuyết, mô
hình hóa, mô phỏng và thực nghiệm. Nghiên cứu lý thuyết sử dụng lý thuyết đồ
thị kết hợp với lý thuyết điều khiển để đề xuất mô hình, kỹ thuật điều khiển cho
duy trì, mở rộng mạng đa robot dựa trên cấu trúc hình học kết nối cục bộ giữa các
robot và chiến lược triển khai MRS để theo dõi đa mục tiêu và bao phủ. Mô phỏng
được thực hiện trên phần mềm Matlab để kiểm chứng mô hình, các kỹ thuật điều
khiển, triển khai trên quy mô lớn (về số lượng robot, kịch bản làm việc,...). Thực
nghiệm trên hệ thống robot di động thật nhằm đánh giá khả năng hoạt động của
các đề xuất trong thế giới thực. Thí nghiệm được thực hiện ở môi trường trong
nhà cùng sự hỗ trợ của hệ thống định vị giúp các robot có thể nhận thức được các
đối tượng xung quanh như robot, vật cản, mục tiêu trong vùng cảm nhận.
Những đóng góp của luận án: Luận án hoàn thành các mục tiêu nghiên
cứu và có 3 đóng góp mới như sau:
• Đề xuất một phương pháp mới có tên là điều khiển phân tán đa tầng, viết
tắt là HDC (Hierarchical Distributed Control), cho duy trì sự toàn vẹn mạng
toàn cục của MRS. HDC gồm điều khiển nút để điều khiển chuyển động của
robot và duy trì mạng toàn cục, và điều khiển kết nối để mở rộng vùng bao
phủ mạng. HDC dựa trên tiếp cận hình học xem xét cấu trúc hình học các
kết nối cục bộ giữa các robot vì thế nó không yêu cầu ước lượng kết nối đại
số của đồ thị mạng như các phương pháp đã tồn tại. Bên cạnh đó, nhờ vào
việc tinh giản các cấu trúc kết nối cục bộ, HDC có khả năng giải phóng các
ràng buộc của kết nối cục bộ giống như cực tiểu cục bộ, cho phép MRS thu
được hiệu suất cao trong chuyển động theo bầy, theo dõi đa mục tiêu và bao
phủ. Đóng góp này được công bố trong công trình [CT1-CT4],[CT8].
• Đề xuất chiến lược theo dõi đa mục tiêu, viết tắt là MTT (Multi-Target
Tracking), sử dụng HDC để triển khai MRS theo dõi đa mục tiêu và bao phủ
trong môi trường không biết trước. MTT kết hợp thủ tục phân nhiệm dựa
trên trao đổi thông tin giữa các robot và điều khiển HDC để thực thi nhiệm
vụ, duy trì mạng. Vượt qua các nghiên cứu đã tồn tại, luận án tìm ra rằng
bài toán theo dõi đa mục tiêu và bao phủ có đặc điểm chung: các đích cho
bài toán theo dõi đa mục tiêu giống với các đích ảo của bài toán bao phủ,
vì thế MTT được áp dụng để giải quyết cả hai bài toán. Trong bài toán bao
phủ, luận án đề xuất quy tắc tạo đích ảo VTG (Virtual Target Generation)
xv

dựa trên cấu trúc lưới lục giác cho phép MRS bao phủ được môi trường có
cấu trúc bất kỳ. Đóng góp này công bố trong công trình [CT2-CT5].
• Đề xuất thuật toán phát hiện và phân loại biên cho MRS trong đó sửa lỗi
biên được thực hiện bằng tiếp cận hình học. Lỗi biên được loại bỏ thông qua
xem xét cấu trúc hình học các kết nối cục bộ thay cho quá trình đệ quy và
đồng bộ toàn cục trong thuật toán gốc. Luận án tích hợp thuật toán phát
hiện biên vào chiến lược MTT để giải quyết bài toán theo dõi đa mục tiêu
với các kịch bản đích phân bố không liên thông. Đóng góp này công bố trong
công trình [CT6],[CT7].
Ý nghĩa khoa học và thực tiễn của luận án: Kết quả của luận án có ý
nghĩa khoa học trong lĩnh vực nghiên cứu về MRS, có giá trị và độ tin cậy, có tiềm
năng ứng dụng trong tuần tra và giám sát, tìm kiếm và cứu hộ phục vụ an ninh,
quốc phòng; vận chuyển trong nhà kho, sân bay, sản xuất quy mô lớn cho đời sống
xã hội.
Bố cục luận án: Luận án gồm 4 chương và phần kết luận, cụ thể như sau:
• Chương 1: Trình bày tổng quan tài liệu về MRS; phân tích, đánh giá và biện
luận về các kết quả nghiên cứu trong nước và trên thế giới gần đây liên quan
đến điều khiển MRS và chiến lược tự triển khai MRS cho theo dõi đa mục
tiêu và bao phủ.
• Chương 2: Trình bày lý thuyết đảm bảo duy trì và mở rộng mạng đa robot
dựa trên cấu trúc kết nối cục bộ của mạng; áp dụng lý thuyết được đề xuất
để thiết kế bộ điều khiển phân tán đa tầng HDC cho phép điều khiển MRS
chuyển động tới mục tiêu trong khi đảm bảo khả năng duy trì sự toàn vẹn và
mở rộng của mạng đa robot theo cấu trúc bất kỳ.
• Chương 3: Trình bày chiến lược tự triển khai MRS sử dụng HDC cho theo
dõi đa mục tiêu và bao phủ trong môi trường không biết trước. Chiến lược
MTT được đề xuất để giải quyết bài toán theo dõi đa mục tiêu trong trường
hợp các đích phân bố liên thông và được bổ sung thuật toán phát hiện biên
để giải quyết trường hợp các đích phân bố không liên thông. MTT cũng được
sử dụng để phát triển chiến lược triển khai bao phủ với việc bổ sung thêm bộ
tạo đích ảo cấu trúc lưới lục giác VTG. Hiệu quả của HDC và chiến lược tự
triển khai MTT được đánh giá thông qua mô phỏng và thực nghiệm.
• Chương 4: Trình bày chiến lược tự triển khai MRS trong môi trường có cấu
trúc giống sàn của một tầng nhà gồm nhiều phòng có hành lang chung. Mô
xvi

hình triển khai các robot đồng nhất gồm các robot có đặc tính giống nhau
và mô hình không đồng nhất theo kiểu robot mẹ, con được xem xét, nghiên
cứu. Chiến lược triển khai kết hợp nhiệm vụ di chuyển theo bầy của MRS
trên hành lang và nhiệm vụ triển khai bao phủ, thu hồi robot trong mỗi căn
phòng cần khám phá. Kết quả mô phỏng và thực nghiệm cho thấy tính thực
tiễn và hiệu quả của hai mô hình được đề xuất.
Cuối cùng là một số kết luận và các hướng nghiên cứu tiếp theo của luận án.
Quá trình thực hiện luận án, nghiên cứu sinh có 03 đợt đi trao đổi nghiên
cứu tại phòng thí nghiệm More-Than-One Robotics2 với tổng thời gian 12 tháng.
Toàn bộ lý thuyết, mô phỏng và thực nghiệm đều do nghiên cứu sinh thực hiện
dưới sự hướng dẫn của PGS.TS Trần Quang Vinh và PGS.TS Ngô Trung Dũng.
Phần thực nghiệm có khai thác, sử dụng cơ sở vật chất, trang thiết bị của phòng
thí nghiệm More-Than-One Robotics.
2
Phòng thí nghiệm More-Than-One Robotics (http://www.morelab.org) thuộc University of Brunei
Darussalam, Brunei giai đoạn 2011-2016, thuộc University of Prince Edward Island, Canada từ 2017 đến
nay.
xvii

Chương 1
TỔNG QUAN VỀ HỆ THỐNG ĐA ROBOT
1.1. Giới thiệu
Ngày nay, robot đã xuất hiện khá phổ biến trong đời sống xã hội của con
người từ robot công nghiệp trong các nhà máy, xưởng sản xuất đến robot dịch vụ,
phục vụ các nhà hàng, bệnh viện và hộ gia đình. Không có định nghĩa thống nhất
về robot nhưng có thể hiểu robot là một loại máy có thể thực hiện được những
công việc một các tự động hoặc bằng điều khiển từ máy tính hoặc vi mạch điện tử
được lập trình. Tiêu chuẩn của robot được đánh giá dựa trên khả năng nhận biết
môi trường; khả năng tương tác với những vật thể trong môi trường, đưa ra các
quyết định dựa trên thông tin từ môi trường; sự thông minh và hoạt động tự trị.
Nhiều robot đã đạt đến mức độ hoàn hảo cả về khả năng thực hiện nhiệm vụ và
sự thông minh như robot dạng người ASIMO của Honda, robot khám phá sao hỏa
ExoMars của ESA,... Tuy nhiên, trong thực tế, có nhiều nhiệm vụ sẽ không hiệu
quả, thậm chí không thể hoàn thành, nếu chỉ thực hiện bởi một robot như bao
phủ, giám sát vùng không gian rộng lớn; theo dõi nhiều mục tiêu đồng thời; phối
hợp vận chuyển trong kho hàng, nhà máy quy mô lớn; tìm kiếm, cứu nạn hay các
nhiệm vụ có quy mô thay đổi theo thời gian cần tối ưu nguồn lực tham gia như
nhiệm vụ xử lý rò rỉ dầu sau tai nạn,... Các yêu cầu thực tiễn này dẫn đến sự ra
đời các nghiên cứu về hệ thống đa robot hay còn được gọi là robot bầy đàn.
Hệ thống đa robot, viết tắt là MRS (Multi-Robot System), được nhắc đến như
một tập hợp số lượng lớn (large-scale) các robot tự trị (autonomy) có khả năng
cảm nhận được môi trường xung quanh, tính toán điều khiển và trao đổi thông tin
thông qua mạng truyền thông [1]. Các robot thường có tính năng hạn chế (limited
capability), không đạt hiệu quả nếu hoạt động một mình nhưng chúng lại hiệu quả
cao khi phối hợp với nhau để cùng thực hiện nhiệm vụ. Hoạt động tương tác, hợp
tác là đặc trưng điển hình của MRS, giúp MRS thu được kết quả nhanh hơn và
đáng tin cậy hơn một robot riêng lẻ. MRS có thể đồng nhất (Homogeneous), gồm
các robot hoàn toàn giống nhau, hoặc không đồng nhất (Non-homogeneous), gồm
1

nhiều loại robot có thiết kế, tính năng khác nhau. MRS có các đặc tính [2] sau:
• Tính bền vững (Robustness): là khả năng liên kết, hoạt động ổn định của hệ
thống ngay cả khi mất một vài robot.
• Tính linh hoạt (Flexibility): là có khả năng thích nghi với nhiều môi trường,
nhiệm vụ khác nhau mà không yêu cầu cấu hình lại hệ thống.
• Khả năng mở rộng (Scalability): là khả năng hoạt động với quy mô của bầy
robot khác nhau mà không yêu cầu cấu hình lại hệ thống. Đặc tính này được
nhắc đến như một đặc trưng của điều khiển phân tán, các thuật toán điều
khiển được thiết kế phải hoạt động không phụ thuộc vào quy mô của MRS.
Các đặc tính này cho phép MRS đạt hiệu suất và độ tin cậy cao trong các
nhiệm vụ. Bên cạnh đó, trong thực tế, có những nhiệm vụ tiềm ẩn nguy hiểm, tai
nạn xẩy ra với chính robot như các hoạt động khám phá hầm mỏ, tìm kiếm cứu
nạn,... Việc sử dụng MRS gồm nhiều robot có độ phức tạp và chi phí vừa phải là
giải pháp đem lại hiệu quả kinh tế cao so với việc sử dụng một robot có độ phức
tạp cao, chi phí chế tạo lớn.
Ra đời từ cuối những năm 1980, MRS đã nhận được sự quan tâm lớn từ cộng
đồng khoa học trên thế giới bởi tiềm năng phát triển và thách thức của nó. Cộng
đồng các nhà nghiên cứu về MRS hiện phân chia các hướng nghiên cứu thành 3
nhóm chính (tham khảo tại http://www.multirobotsystems.org) như sau:
• Mô hình hóa và điều khiển MRS: nghiên cứu về mô hình động học, động lực
học, cấu trúc cảm biến và tương tác với môi trường; Điều khiển tối ưu; Kiến
trúc điều khiển tập trung/phân tán và khả năng mở rộng của MRS; Các bài
toán điều khiển như chuyển động bầy đàn, bao phủ, đội hình,...MRS phỏng
sinh học và trí tuệ bầy đàn.
• Lập kế hoạch và cơ chế ra quyết định cho MRS: nghiên cứu về kế hoạch chuyển
động và phối hợp trong MRS; Phân nhiệm và hợp tác thực hiện nhiệm vụ;
Cơ chế ra quyết định; Tương tác giữa các robot, giữa robot với môi trường
và với con người; Phối hợp học tập trong bầy robot; Trí tuệ nhân tạo cho các
hệ thống lớn.
• Ứng dụng của MRS và các vấn đề công nghệ : nghiên cứu về ứng dụng của
MRS trong xã hội/công nghiệp; Thiết kế cơ, điện tử cho MRS; Hệ điều hành
và công nghệ đám mây cho MRS; Nền tảng phần mềm và công cụ mô phỏng
thực tế cho MRS; Bài toán truyền thông trong MRS; phương pháp thí nghiệm
2

MRS; MRS trong môi trường có cấu trúc (cho hoạt động tìm kiếm, cứu hộ,...);
MRS cấu trúc mi-crô/na-nô; Đánh giá hiệu suất và đối sánh trong MRS.
Mục tiêu của luận án là nghiên cứu điều khiển phân tán MRS và cơ chế tương
tác, phối hợp giữa các robot cho hoạt động tự triển khai để giám sát môi trường
không biết trước. Hoạt động phối hợp của các robot được thực hiện thông qua trao
đổi thông tin nhằm đạt được mục tiêu chung do vậy việc duy trì sự toàn vẹn của
mạng cho tất cả các robot theo thời gian là nội dung quan trọng trong nghiên cứu
này. Một số thuật ngữ sử dụng trong luận án được hiểu như sau:
Tự triển khai (Self-Deployment): là việc các robot tự điều khiển để phân tán
ra, trải ra hay nở ra môi trường cho mục đích giám sát như theo dõi đa mục tiêu
và bao phủ.
Giám sát môi trường không biết trước (Unknown Environmental Surveillance):
được hiểu và giới hạn trong phạm vi (1) MRS tìm kiếm và theo dõi các mục tiêu
phân bố ngẫu nhiên, không biết trước trong môi trường; (2) MRS giám sát môi
trường không biết trước thông qua bao phủ vùng cảm nhận của MRS lên nó. Yếu
tố không biết trước ở đây được hiểu là các điểm mục tiêu (đối với bài toán theo dõi
đa mục tiêu) và hình dạng biên của môi trường (đối với bài toán bao phủ). Luận
án tập trung nghiên cứu về điều khiển MRS và các chiến lược triển khai MRS cho
nhiệm vụ theo dõi đa mục tiêu và bao phủ. Luận án không nghiên cứu về thu thập,
phân tích thông số môi trường.
Theo dõi đa mục tiêu (Multi-Target Tracking): các robot có nhiệm vụ phối
hợp với nhau tìm kiếm và chiếm đóng các đích phân bố ngẫu nhiên, không biết
trước trong môi trường. Các đích có thể tĩnh hoặc động. Luận án này giới hạn
trong trường hợp các điểm đích cố định.
Bao phủ (Coverage): các robot có nhiệm vụ phối hợp với nhau để tạo ra vùng
cảm nhận của MRS bao phủ lên toàn bộ môi trường có cấu trúc bất kỳ. Luận án
này xem xét tạo vùng bao phủ của MRS theo cấu trúc lưới lục giác.
Điều khiển phân tán (Distributed control): phương thức điều khiển trong đó
mỗi robot tính toán và ra quyết định điều khiển chỉ dựa trên thông tin thu thập
được từ các robot hàng xóm nằm trong vùng nhìn thấy của nó.
Duy trì sự toàn vẹn của mạng: là việc đảm bảo hai robot bất kỳ trong mạng
duy trì sự kết nối với nhau trực tiếp hoặc gián tiếp qua các robot trong mạng nhờ
vậy chúng có thể trao đổi thông tin với nhau. Duy trì kết nối giữa hai robot được
hiểu là duy trì vùng cảm nhận và truyền thông giữa chúng.
Nghiên cứu được xem xét trên đối tượng là các robot di động tự trị hoạt động
3

trong không gian hai chiều. Chuyển động của robot được xem xét trên mô hình
động học, không tính đến các đặc trưng động lực học, cũng như ảnh hưởng của
nhiễu. Các mục tiêu cụ thể của luận án gồm:
• Nghiên cứu, thiết kế bộ điều khiển phân tán cho MRS đảm bảo robot có thể
di chuyển đến mục tiêu mong muốn trong khi luôn duy trì sự toàn vẹn của
mạng đa robot. Mạng đa robot được duy trì là nền tảng cho phép các robot
trao đổi thông tin phối hợp như phân nhiệm, dẫn đường, tạo quyết định đồng
thuận,... Điều khiển chuyển động đến mục tiêu cho phép robot thực hiện được
nhiệm vụ được giao.
• Nghiên cứu xây dựng chiến lược tự triển khai MRS giám sát môi trường với
hai nhiệm vụ cụ thể là: theo dõi đa mục tiêu và bao phủ. Chiến lược triển khai
là sự kết hợp việc phân nhiệm giữa các robot dựa trên mạng truyền thông
được duy trì và điều khiển chuyển động của robot để thực hiện nhiệm vụ
được phân công.
Ở Việt Nam, các nghiên cứu về MRS mới bắt đầu vài năm trở lại đây. Số
lượng các nhóm nghiên cứu và kết quả được công bố về hệ thống đa robot còn rất
ít. Cụ thể, nghiên cứu về điều khiển ổn định MRS tránh vật cản và tụ bầy sử dụng
logic mờ được thực hiện ở Trường Đại học Giao thông Vận tải và có 01 nghiên
cứu sinh tốt nghiệp năm 2016 [3–9]; nghiên cứu về điều khiển tối ưu MRS, loại
bỏ nhiễu động của mô hình động học và động lực học được thực hiện ở Trường
Đại học Công nghiệp Thành phố Hồ Chí Minh [10]; nghiên cứu về tìm đường cho
một nhóm robot sử dụng cây bao phủ được thực hiện trong đề tài luận văn thạc
sĩ ở Trường Đại học Bách khoa Hà Nội [11]; nghiên cứu về bao phủ sử dụng cơ
chế quay lui và đường cầy cho bầy robot được thực hiện bởi nhóm tác giả thuộc
Trường Đại học Vinh, Trường Đại học Duy Tân và Kyung Hee University (Hàn
Quốc) [12]. Khác với các nghiên cứu nêu trên, luận án này nghiên cứu sinh tập
trung vào chủ đề điều khiển duy trì sự toàn vẹn của mạng MRS và ứng dụng cho
các nhiệm vụ tìm kiếm mục tiêu, bao phủ môi trường không biết trước. Bên cạnh
hướng nghiên cứu này, ở Trường Đại học Công nghệ thuộc Đại học Quốc gia Hà
Nội còn có một số nghiên cứu về áp dụng thuật toán tối ưu PSO cho MRS [13–16].
Phần sau đây sẽ trình bầy tổng quan tài liệu nghiên cứu về các chủ đề liên
quan đến mục tiêu nghiên cứu của luận án nhằm làm rõ nội dung, phương pháp
tiếp cận thực hiện các mục tiêu này.
4

1.2. Điều khiển phân tán hệ thống đa robot
MRS gồm nhiều robot di động tương tác, phối hợp với nhau cùng thực hiện
các mục tiêu chung theo kiểu phân tán. Hoạt động phối hợp thực hiện trên nền
tảng mạng cảm nhận và truyền thông được duy trì giúp các robot có thể trao đổi
thông tin, ra các quyết định tập thể,... Vấn đề đặt ra là làm thế nào để có thể
điều khiển tất cả các robot cùng lúc hoạt động theo yêu cầu mong muốn. Có nhiều
nghiên cứu hiện nay về điều khiển MRS và có thể phân chia thành ba phương pháp
chính là điều khiển dựa trên hành vi, trường lực thế nhân tạo và điều khiển kết
nối đại số.
1.2.1. Điều khiển dựa trên hành vi
Điều khiển dựa trên hành vi, viết tắt là BC (Behaviour-based Control), được
lấy ý tưởng từ các nghiên cứu về hành vi bầy đàn của côn trùng hay động vật
trong thế giới tự nhiên và áp dụng chúng cho các hệ thống nhân tạo.
Trong MRS, phần lớn các nghiên cứu dựa trên những hiểu biết về các quy tắc
tương tác cục bộ đơn giản trong thế giới côn trùng và động vật như loài kiến, ong,
chim,... [17]. Một trong những mô hình BC đầu tiên được đề xuất bởi Reynolds [18]
mô phỏng chuyển động của đàn chim trên máy tính. Các phần tử trong đàn được
gọi là các boid. Mỗi boid có ba hành vi điều khiển hướng (Steering behaviors) đơn
giản như minh họa trong hình 1.1 gồm: liên kết (Coherent), phân chia (Separation)
và Sắp xếp (Alignment).
(a) Liên kết (b) Phân chia (c) Sắp xếp
Hình 1.1: Mô hình điều khiển hành vi của Reynolds [18].
• Hành vi liên kết: điều khiển hướng của boid về phía vị trí trung tâm của các
boid hàng xóm nằm trong vùng cảm nhận/nhìn thấy của nó.
• Hành vi phân chia: điều khiển hướng của boid tránh sự đông đúc của các
boid hàng xóm.
5

• Hành vi sắp xếp: điều khiển hướng của boid theo hướng trung bình của các
boid hàng xóm, giúp nó tương thích vận tốc với các boid hàng xóm.
Tổng hợp các hành vi thành phần hình thành hướng chuyển động cho mỗi cá
thể boid và tạo nên hành vi bầy đàn như được Reynolds phát triển trong [19,20].
Trong [21], Vicsek đề xuất mô hình tính toán rời rạc để điều khiển chuyển động
theo một hướng của n phần tử được xem như các chất điểm, hoạt động tự trị.
Hướng chuyển động của từng phần tử được cập nhật bởi quy tắc cục bộ dựa vào
hướng trung bình của chính nó và hướng của các phần tử hàng xóm. Mô hình
Vicsek được xem như một phiên bản đặc biệt của mô hình boid. Jadbabaie [22] đã
cung cấp các giải thích về lý thuyết cho các hành vi quan sát được trong mô hình
Vicsek.
Trong [23,24], Mataric đề xuất tập hành vi cơ bản dựa trên tương tác cục bộ
giữa các phần tử trong bầy nhân tạo và đã thử nghiệm trên các robot di động. Tập
hành vi này gồm: tránh va chạm (Collision avoidance/Safe-wandering) là khả năng
của robot tránh va chạm với bất kỳ vật gì trong môi trường; bám theo (Following)
là khả năng duy trì vị trí phía sau một robot khác tạo thành chuỗi/hàng; phân
tán (Dispersion) là khả năng một nhóm robot trải ra không gian nhiệm vụ; hành
vi tập hợp (Aggregation) là khả năng một nhóm robot tập hợp lại với nhau, ngược
với phân tán; hành vi về nhà (Homing) là khả năng một hoặc một nhóm các robot
tiếp cận vùng mục tiêu hoặc một vị trí mong muốn; hành vi bầy đàn (Flocking) là
khả năng một nhóm robot di chuyển như một tập hợp liên kết đồng nhất, bao gồm
các hành vi tránh va chạm, bám theo, phân tán và tập hợp,... Trong đề xuất của
Mataric, các hành vi cơ bản được thiết kế đơn giản, theo trạng thái cảm biến mà
robot thu được, chẳng hạn kịch bản hành vi tránh va chạm được đề ra như sau:
cảm biến của robot phát hiện robot khác ở bên phải thì nó sẽ rẽ trái và ngược lại
nếu nó phát hiện bên trái thì robot sẽ rẽ phải. Các hành vi cơ bản được kết hợp
theo một quy tắc nhất định tùy theo nhiệm vụ cụ thể để tạo ra hành vi tổng hợp
như: di chuyển theo bầy, tìm kiếm thức ăn,...
Trong [25], Marino đề xuất thuật toán tuần tra dựa trên BC. Các "hành động"
như tiếp cận đường biên của vùng giám sát, tuần tra dọc đường biên,... là hành
vi tổng hợp ở mức trừu tượng cao của điều khiển hành vi. Nó thu được bằng cách
kết hợp nhiều hành vi cơ bản trên không gian null, viết tắt là NSB (Null Space
Behavioral Control). Thuật toán không yêu cầu truyền thông giữa các robot. NSB
chuẩn xác định một tập cố định các nhiệm vụ/hành vi cơ bản và mức độ ưu tiên
của chúng, không thay đổi theo yêu cầu nhiệm vụ và điều kiện môi trường. Vì vậy
một phiên bản cải tiến được trình bầy trong [26] khắc phục các nhược điểm này.
6

Trong [26], Marino đề xuất một kiến trúc ba lớp gồm lớp dưới sử dụng để thực
hiện nhiệm vụ của từng robot riêng lẻ; lớp giữa định nghĩa các hành vi cơ bản.
Các hành vi này sau đó được kết hợp thông qua tiếp cận NSB tạo thành hành
động phức tạp hơn; lớp trên đóng vai trò người giám sát các thay đổi và lựa chọn
hành động thích hợp để thực hiện. Trong [27], Antonelli cũng sử dụng NSB để
điều khiển di chuyển theo bầy của một nhóm các robot. Trong luận án tiến sĩ của
Lê Thị Thúy Nga [9], thuật toán điều khiển bầy robot được đề xuất để thực hiện
nhiệm vụ tụ bầy và nhiệm vụ tìm kiếm mục tiêu duy nhất dựa trên nguyên lý NSB
và hàm lực thế được tính dựa trên cơ sở logic mờ. Sabattin [28] sử dụng NSB để
xây dựng bộ điều khiển MRS thực hiện hành vi tránh va chạm và bám theo tập
điểm cho trước.
Trong [29], Xu áp dụng BC cho bài toán điều khiển đội hình (formation
control) của MRS trong hai trường hợp: điều khiển để hình thành đội hình và điều
khiển duy trì đội hình trong quá trình di chuyển và tránh vật cản. Mỗi robot có
một số hành vi thành phần như di chuyển đến mục tiêu, tránh vật cản, bám theo
tường, tránh va chạm với robot khác, duy trì đội hình. Các hành vi thành phần
được biểu diễn bởi các véctơ có hướng và độ lớn phụ thuộc vào trạng thái môi
trường xung quanh mà robot quan sát được. Chúng được tổng hợp để tạo ra hành
vi điều khiển cho robot. Một nghiên cứu khác được Mendiburu trình bầy trong [30]
đưa ra kỹ thuật tổng hợp hành vi di chuyển theo bầy của MRS từ các hành vi dẫn
hướng, tập hợp và tránh va chạm. Nghiên cứu này thực hiện trên MRS sử dụng
mô hình robot hai bánh vi sai.
Nhận xét 1.2.1: Các nghiên cứu về điều khiển MRS sử dụng BC nêu trên
tập trung chủ yếu đến thiết kế và tổng hợp hành vi của bầy robot. Tùy theo quy
tắc tổng hợp mà MRS có tập hành vi khác nhau, nó cho thấy BC có tính linh hoạt
cao. Tuy nhiên, các hành vi được hình thành dựa trên tương tác cục bộ giữa các
robot nên nó thường không đảm bảo duy trì kết nối của mạng toàn cục vì thế hoạt
động phối hợp, phân nhiệm giữa các robot dựa trên mạng truyền thông không thực
hiện được. Điều khiển hành vi chủ yếu được sử dụng cho các bài toán điều khiển
di chuyển theo bầy hoặc tập hợp/tụ bầy.
1.2.2. Trường lực thế nhân tạo
Trường lực thế nhân tạo, viết tắt là APF (Artificial Potential Force Field),
là phương pháp được Khatib đề xuất năm 1986 [31]. Trong mô hình này, xung
quanh mỗi robot có một trường lực thế nhân tạo ở đó điểm mục tiêu tạo ra lực
hút (Attractive force) làm cho robot di chuyển về phía nó, vật cản tạo ra lực đẩy
7

(Repulsive force) tỷ lệ nghịch với khoảng cách từ robot tới vật cản và có hướng đi
ra xa vật cản. Hướng chuyển động của robot được tổng hợp từ hai lực này. Robot
sẽ di chuyển từ nơi có trường thế tổng hợp cao đến nơi thấp dọc theo hàm độ dốc
(gradient) âm của trường lực thế nhân tạo. Phương pháp này đã được nghiên cứu,
áp dụng phổ biến trong điều khiển phân tán MRS.
20 30 40 50 60 70 80
20
30
40
50
60
70
80
Figure 5: The trajectory experienced by our two-behavior robot when there is a goal
and an obstacle.
be useful for a FollowWall behavior or a ReturnToTerritory behavior.
The second field is the perpendicular potential field, and is illustrated in Figure 7. It might be
useful for a AvoidWall or aAvoidTerritory behavior. It is obtained by setting ∆x = ±c and ∆y = 0
(or other constant values that represent the direction directions).
The fourth field is the tangential potential field, and is illustrated in Figure 8. This field is
obtained by finding the magnitude and direction in the same way as for the repulsive obstacle.
However, θ is modified before ∆x and ∆y are defined by setting θ ← θ ± 90◦
which causes the
vector to shift from pointing away from the center of the obstacle to pointing in the direction of the
tangent to the circle. The sign of the shift controls whether the tangential field causes a clockwise
our counterclockwise spin. It might be useful for a PatrolFlag or CircleOpponent behavior.
The sixth field is the Random potential field. This field is useful because it helps the agent
bounce around and avoid getting stuck in local minima that might arise when multiple fields are
added together. It is obtained by randomly selecting d from a uniform distribution (i.e., picking
any point with equal probability) over the interval [0, γ] and θ from a uniform distribution over the
interval [0, 2 ∗ π].
The final field is the AvoidPast potential field. Let me motivate why we might want this field.
Consider the world with a box canyon diagrammed in Figure 10. If the robot starts at the bottom
of the world, it will be attracted into the box canyon by the goal. As it enters the box canyon, it
will begin to experience the forces from the AvoidWall behavior which will cause it to center in the
canyon. Eventually, it will reach a point where the attractive potential from the goal is insufficient
to overcome the repulsive potentials from the walls and the robot will be stuck.
One way to handle this box canyon effect is to introduce an AvoidPast behavior which sets ups
repelling potential fields for each location that it has visited — more recently visited areas have more
6
Hình 1.2: Trường lực thế tác động lên robot trong môi trường có một điểm đích (hình
tròn mầu đỏ) và một vật cản (hình tròn mầu xanh). Đường mầu đen đậm minh họa quỹ
đạo chuyển động của robot. Nguồn: bài giảng về lập kế hoạch đường đi sử dụng trường
thế ảo của Giáo sư Michael A. Goodrich của Trường Khoa học Máy tính thuộc Đại học
McGill có tại https://www.cs.mcgill.ca/~hsafad/robotics.
Trong [32], Howard đã sử dụng APF để phân tán các nút cảm biến di động
vào môi trường không biết trước, có cấu trúc giống sàn của một tầng nhà gồm
hành lang và các phòng. Đây được xem là nghiên cứu đầu tiên áp dụng trường lực
thế nhân tạo cho mạng cảm biến di động. Các nút chịu tác động của lực đẩy từ
nút hàng xóm của chúng và các vật cản. Lực tổng hợp sẽ giúp các nút chuyển động
ra xa các nút hàng xóm và vật cản. Nó làm cho các nút từ vị trí ban đầu trải ra
môi trường và bao quanh vật cản. Các nút di chuyển theo kiểu "ủn" nhau, nút nọ
"ủn" nút kia cho đến khi tất cả cá nút đạt trạng thái cân bằng lực. Nếu bất cứ đối
tượng nào (nút mạng hoặc vật cản) trong mạng thay đổi vị trí thì trạng thái cân
bằng bị phá vỡ và khi đó mạng sẽ tự cấu trúc lại để tạo ra cấu trúc cân bằng mới.
Điều khiển APF là phương pháp hoàn toàn phân tán bởi nó chỉ yêu cầu thông tin
cục bộ có được từ các cảm biến được trang bị cho các nút di động, không yêu cầu
truyền thông giữa các nút.
8

Trong [33], Spears đề xuất mô hình vật lý nhân tạo, gọi tắt là AP (Artificial
Physics) trong đó các lực ảo được tạo ra dựa trên các định luật vật lý. AP coi các
phần tử trong mạng cảm biến di động như các hạt vật chất, hoạt động phỏng theo
mô hình động học phân tử trong đó lực ảo có tác dụng điều khiển hệ thống tới cấu
trúc/trạng thái mong muốn có năng lượng thấp nhất. Lý thuyết được áp dụng để
điều khiển duy trì vị trí tương đối của các robot trong đội hình có cấu trúc hình
vuông hoặc hình lục giác.
Trong [34], Popa sử dụng APF để triển khai mạng cảm biến di động nhằm
đạt vị trí tối ưu cho tốc độ dữ liệu, năng lượng nút,... Ngoài thành phần lực hút
đến mục tiêu, lực đẩy khỏi vật cản và robot hàng xóm, Popa bổ sung hai lực mới,
là lực hút dựa trên hàm tối đa dung lượng truyền thông giữa các nút và lực phục
hồi dựa trên việc phạt đối với các cặp nút có khoảng cách truyền thông vượt quá
mức cho phép, để tối ưu vị trí của robot trong mạng.
Trong [35], Dimarogonas trình bầy một chiến lược điều khiển phân tán sử
dụng trường lực hút và đẩy cho bài toán tụ bầy với yêu cầu tránh vật cản và duy
trì các kết nối ban đầu trong suốt quá trình triển khai. Thuật toán điều khiển cho
phép thêm các kết nối thông qua khai thác thuộc tính của hàm độ dốc cục bộ.
Trong [36], Mikkelsen tính toán trường lực thế dựa trên xác suất truyền/nhận dữ
liệu thành công qua kênh tín hiệu hồng ngoại. Nó được sử dụng để điều khiển duy
trì vị trí tương đối trong bài toán điều khiển đội hình của MRS. Trong [37], Ajorlou
đề xuất một điều khiển phân tán cho duy trì kết nối giữa các robot sử dụng hàm
thế. Ý tưởng chính của đề xuất này là khi hai robot sắp mất kết nối, thì hàm độ
dốc cục bộ của chúng tương ứng với các trường thế trên hướng của cạnh kết nối
sẽ kéo chúng lại với nhau. Trong [38], Julian phát triển một điều khiển dựa trên
hàm độ dốc để điều khiển các robot đo thông số môi trường và tối đa các thông
tin nó quan sát được bằng việc sử dụng bộ lọc Bayes.
Trong [39], Sallam đề xuất thuật toán sử dụng lực ảo VF (Virtual Force)
nhằm tạo ra phân bố đều trong mạng đa robot. Lực ảo có ba đối tượng tác động
là robot, vật cản và vùng ưu tiên. Tương tác giữa các robot có lực hút và lực đẩy
tùy thuộc khoảng cách giữa chúng trong khi vật cản tạo ra lực đẩy lên robot và
vùng ưu tiên tạo ra lực hút tác động lên robot. Một hàm ảo được đề xuất để nhận
biết năng lượng của mỗi nút sao cho robot có mức năng lượng thấp có thể chuyển
sang chế độ tiết kiệm năng lượng để duy trì năng lực tối thiểu của nút trong mạng
đa robot. Trong [40], Dong đề xuất một điều khiển thích nghi sử dụng kỹ thuật
hàm thế cho bài toán tụ bầy kiểu bám đuổi của MRS.
Nhận xét 1.2.2: Phương pháp APF tổng hợp lực đẩy và lực hút theo quy
9

tắc cục bộ để xây dựng hàm điều khiển chuyển động cho MRS. APF thực hiện khá
đơn giản tuy nhiên do chỉ dựa trên tương tác cục bộ giữa các robot nên phương
pháp này chỉ đảm bảo duy trì kết nối cục bộ mà không đảm bảo duy trì mạng
toàn cục của MRS. Bên cạnh đó, nghiên cứu trong [41] chỉ ra rằng APF có nhược
điểm là tạo ra các điểm cực tiểu cục bộ (Local Minima) là trạng thái cân bằng ở
đó tổng hợp lực tác động lên robot bằng không. Robot rơi vào trạng thái cực tiểu
cục bộ sẽ không thể di chuyển đến mục tiêu. Đặc điểm này cũng làm cho APF chỉ
có thể áp dụng cho các chiến lược triển khai MRS mà không thể kết hợp cả hai
hoạt động triển khai và thu hồi MRS.
1.2.3. Điều khiển kết nối đại số
Điều khiển kết nối đại số, viết tắt là ACC (Algebraic Connectivity Control),
được sử dụng phổ biến trong điều khiển duy trì sự toàn vẹn của mạng đa robot.
Phương pháp này sử dụng giá trị kết nối đại số của đồ thị mạng MRS làm tín hiệu
đầu vào cho bộ điều khiển. MRS được biểu diễn bởi đồ thị kết nối G(V, E) trong
đó V là tập đỉnh tương ứng với các robot và E là tập cạnh kết nối giữa chúng.
Đồ thị G được mô tả bởi ma trận liền kề A với các phần tử aij biểu diễn trọng số
cạnh kết nối giữa robot i và robot j. Gọi D là ma trận đường chéo với các phần tử
di =
Pn
j=1 aij và L = D − A là ma trận Laplace. Ma trận Laplace L có phổ là các
giá trị riêng được sắp xếp theo thứ tự tăng dần 0 = λ1 ≤ λ2 ≤ ... ≤ λn trong đó giá
trị riêng nhỏ nhất thứ hai λ2 đặc trưng cho thuộc tính kết nối, còn gọi là kết nối
đại số, của đồ thị G. Đồ thị G được gọi là kết nối nếu và chỉ nếu λ2 > 0 [42].
Trong điều khiển phân tán, λ2 được ước lượng thông qua thủ tục ước lượng
kết nối đại số. Thủ tục ước lượng này được đề xuất đầu tiên bởi Yang trong [43]
sử dụng thuật toán lặp PI (Power Iteration) để ước lượng véctơ riêng ˙
ṽ2 tương ứng
với giá trị riêng λ2 của ma trận Laplace L. Ước lượng véctơ riêng ˙
ṽ2 được cập nhật
như sau:
˙
ṽ2 = −k1Ave({ṽi
2}) − k2Lṽ2 − k3(Ave({(ṽi
2)2
}) − 1)ṽ2 (1.1)
với k1, k2, k3 > 0 là các hệ số điều khiển, Ave(.) là toán tử trung bình, ṽi
2 là ước
lượng của robot i và cũng là thành phần thứ i của véctơ riêng v2, ṽ2 = [ṽ1
2, ..., ṽN
2 ]T .
Để thực hiện phương trình 1.1 theo kiểu phân tán, Yang sử dụng bộ ước lượng
trung bình đồng thuận được mô tả bởi cặp phương trình sau để tính toán giá trị
10

P. Yang et al. / Automatica 46 (2010) 390–
0 2 4 6 8 10 12
–10
–5
0
Eigenvalue Estimation
0 0.5 1
–10
–5
0
Node 1
Node 2
Node 3
Node 4
Node 5
Actual
a b
Fig. 1. (a) A five-node network with all link weights equal to 1. Nodes are numbered
counter-clockwise from 1 to 5 starting from the top node. (b) Eigenvalue estimation
through Eq. (13). The initial eigenvalue estimate for each agent is randomized. The
inset plot shows the transient dynamics of the eigenvalue estimator.
nonlinear systems (Sussmann & Kokotović, 1991), so after a
transient period the decentralized update law (11) will agree with
the centralized one (3).
There are two ways to estimate λ2. First, noticing −Lṽ2 = λ2v2,
agent i can estimate λ2 as
λi
2 = −
P
j∈N i
Lijxj
xi
(12)
whenever xi
6= 0. This equation is singular when xi
passes
through zero, however. Therefore we use a second method, based
on Theorem 1, which says that zi,2
→ kṽ2k2
n
= k3−k2λ2
k3
. Agent i can
therefore compute its estimate of λ2 as
λi
2 =
k3
k2
(1 − zi,2
). (13)
Example 1. We simulated the eigenvalue estimation algorithm
over the 5-node constant graph (Fig. 1), where the weights are
set as Aij = 1 for j ∈ N i
. The eigenvalue spectrum of its
Laplacian matrix is {0, 0.83, 2.69, 4.00, 4.48}. The gains for the
two PI average consensus estimators are γ = 25, KP = 50, KI =
10 and the gains for the eigenvector estimator are k1 = 6, k2 =
1, k3 = 20, satisfying (7) and (8). Fig. 1(b) shows the estimated λi
2
for each node i as they converge to the correct eigenvalue of 0.83.
5. Control to maintain connectivity
In this section we show how the connectivity estimator can be
applied in a connectivity-maintenance algorithm for fully-actuated
point robots, where each robot’s configuration is given by pi
∈ Rd
.
We start by showing one additional property of λ2.
Lemma 2. Given any positively weighted graph G, λ2 is a nondecreas-
ing function of each weight Aij.
Remark 2. This lemma is easily demonstrated from the following
The weight d
choose the s
e−r2/2σ2
=
We know
λ2 increases
weights incr
gradient con
this will in ef
controller in
a similar ide
determinant
guaranteeing
0.
Next we
for fully-act
eigenvector
to derive. G
correspondin
dλ2 = d(v̂T
2
= dv̂T
2 L
Because LT
=
v̂T
2 Ldv̂2 = dv̂
Based on (16
uk
= ṗk
=
∂
∂
Next we rep
scales the co
uk
= ṽT
2
∂L
∂pk
v
Since we hav
∂Aij
∂pi
= −Aij
∂Aij
∂pj
= Aij(p
∂Aii
∂pi
= 0
∂Aij
∂pk
= 0 k
Plugging (20
Hình 1.3: Ước lượng λ2 của MRS có 5 nút trong [43] với tất cả các cạnh kết nối có trọng
số bằng 1: hình trái biểu diễn đồ thị kết nối, các nút được đánh số ngược chiều kim đồng
hồ từ 1 dến 5 từ nút ở vị trí cao nhất; hình phải biểu diễn ước lượng λ2 hội tụ sau 12 lần
cập nhật trạng thái kết nối của mạng MRS.
trung bình ước lượng trên tập các robot hàng xóm Ni.
z̃i
= γ(αi
− zi
) − Kp
X
j∈Ni
(zi
− zj
) + Ki
X
j∈Ni
(wi
− wj
)
w̃i
= −Ki
X
j∈Ni
(zi
− zj
)
(1.2)
Bộ ước lượng trung bình đồng thuận được thực hiện hai lần, lần thứ nhất với
đầu vào αi,1 = ṽi
2 tạo ra zi
1 = Ave({ṽi
2}) và lần thứ hai với đầu vào αi,2 = (ṽi
2)2 tạo
ra zi
2 = Ave({(ṽi
2)2}). Do vậy, Ước lượng ˙
ṽ2 và λi
2 có thể thực hiện theo kiểu phân
tán như mô tả trong cặp phương trình sau:
˙
ṽ2 = −k1zi
i − k2
X
j∈Ni
aij(ṽi
2 − ṽj
2) − k3(zi
2 − 1)ṽi
2
λi
2 =
k3
k2
(1 − zi
2)
(1.3)
Giá trị ước lượng ˙
ṽ2 và λi
2 được Yang sử dụng để thiết kế luật điều khiển phân
tán cho phép duy trì kết nối toàn cục của mạng đa robot.
Các nghiên cứu trong [44–54] đã sử dụng thuật toán ước lượng λ2 theo kiểu
phân tán trong [43] để phát triển các thuật toán điều khiển duy trì kết nối. Cụ
thể, trong [44,45], Sabattini đề xuất một chiến lược điều khiển khai thác ước lượng
kết nối đại số và sử dụng một hàm năng lượng không âm, không tăng theo đối số
λ2 − , với là ngưỡng kết nối. Sabattini đã chứng minh rằng nếu giá trị khởi tạo
λ2 lớn hơn một giá trị ngưỡng thì luật điều khiển được đề xuất luôn đảm bảo giá
trị λ2 không bao giờ giảm dưới ngưỡng kết nối . Trong [46], Sabattini đưa ra khái
niệm robot tới hạn (Critical robot) cho hành động điều khiển nâng cao. Một robot
được xem là robot tới hạn nếu nó có ít nhất một hàng xóm bị cô lập, có nguy cơ
mất kết nối với mạng. Định nghĩa này có tính đối xứng, tức là robot bị cô lập cũng
là một robot tới hạn. Một hệ số điều khiển được thêm vào luật điều khiển đã được
11

đề xuất trong [44,45] cho phép điều khiển tăng cường kết nối đối với các robot tới
hạn.
Trong [47], Giordano phát triển bộ điều khiển gradient cho duy trì kết nối
toàn cục của mạng đa tác tử (Multi-Agents) bằng việc sử dụng hàm thế vô hướng.
Hàm thế này không âm và không tăng đối với biến số λ2 tương tự như hàm năng
lượng được Sabattini đề xuất trong [44]. Trong điều khiển này, Các yêu cầu kết nối
tổng quát của hệ thống đa tác tử được biểu diễn thông qua các hàm trọng số riêng
của trọng số kết nối aij. Cụ thể, aij = αijβijγij trong đó: (1) hàm γij biểu diễn mô
hình nhận biết/truyền thông của hệ thống. Nếu hai tác tử không có trao đổi thông
tin và xác định vị trí tương đối của nhau thì γij = 0 và ngược lại γij 0 (giá trị
càng lớn thì chất lượng càng tốt); (2) hàm βij đại diện cho các yêu cầu mềm như
điều khiển đội hình. Hai tác tử giữ một khoảng cách tham chiếu khi có thể trao
đổi thông tin nhằm tạo ra hành vi liên kết cho chuyển động của nhóm; (3) hàm
αij đại diện cho các yêu cầu cứng. Bất cứ tác tử nào phải tránh va chạm bằng việc
giữ khoảng các an toàn tối thiểu với các vật cản và tác tử khác. Bộ điều khiển này
được sử dụng trong [48] cho bài toán khám phá đa mục tiêu.
Trong [49], Williams đề xuất một mô hình tương tác chuyển mạch kết hợp
điều khiển trường thế để duy trì kết nối hệ thống đa tác tử trong bài toán tập
trung đàn cùng yêu cầu số nút hàng xóm tối đa và bài toán phân tán đàn với yêu
cầu số nút hàng xóm tối thiểu. Một phiên bản mở rộng của phương pháp này nhằm
duy trì sự toàn vẹn của mạng đa robot được trình bầy trong [50] có yêu cầu thủ
tục ước lượng kết nối đại số của đồ thị kết nối.
Trong [51], Da Cai đề xuất một khung điều khiển duy trì kết nối mạng đa
robot dựa trên phương pháp trong [43,46]. Gasparri [52] đề xuất luật điều khiển
biên để duy trì kết nối toàn cục trong bài toán điều khiển phối hợp đa robot. Đề
xuất này nhằm tối ưu các tính toán để có thể thực hiện các ước lượng trong hệ
thống robot thật. Trong [53], Karpe thực hiện một phân tích, đánh giá các ảnh
hưởng của nhiễu/lỗi kết nối đối với thủ tục ước lượng phân tán và Panerati [54]
đã sử dụng các kỹ thuật dựa trên kinh nghiệm (heuristic) để phát hiện các nút bị
tổn thương nhằm cải thiện kết nối khi xẩy ra lỗi mạng trong điều khiển của [45].
Nhận xét 1.2.3: Phương pháp ACC sử dụng bộ điều khiển dựa trên ước
lượng kết nối đại số cho duy trì mạng toàn cục của MRS. Thủ tục ước lượng kết
nối đại số λ2 yêu cầu mỗi robot phải cập nhật các kết nối của mạng toàn cục thông
qua trao đổi thông tin với các robot hàng xóm của nó. Mặc dù chỉ sử dụng thông
tin cục bộ thu được từ các robot hàng xóm nhưng thủ tục ước lượng yêu cầu số
lượng lớn các bước lặp tương ứng quá trình cập nhật trạng thái kết nối của mạng
12

để bộ ước lượng λ2 hội tụ tới giá trị đúng, thường lớn hơn 2 lần kích thước mạng
(số robot có trong mạng) như thí nghiệm minh họa trong hình 1 của công trình [43]
(12/5 lần) và hình 2 của công trình [45] (16/5 lần). Do vậy, thủ tục này rất tốn
thời gian (vài giây cho chỉ 6 robot như chỉ ra trong [43]) để thu được giá trị λ2 -
được sử dụng như đầu vào của bộ điều khiển cho mỗi robot. Điều này không đảm
bảo khả năng điều khiển thời gian thực trên các hệ thống robot thật, đặc biệt là
mạng các robot quy mô lớn.
Đánh giá 1.2: Trong số các nghiên cứu được trình bầy trên đây, vấn đề
đảm bảo duy trì sự toàn vẹn của mạng MRS không được đề cập trong [9,18–30],
[32–34,36,38,39]. Nó được xem xét ở phạm trù duy trì kết nối cục bộ trong [35,37,40]
và duy trì kết nối toàn cục trong [43–54]. Duy trì kết nối cục bộ có nghĩa là kết
nối giữa hai robot được duy trì theo thời gian nếu chúng được kết nối lúc khởi tạo.
Trong duy trì kết nối toàn cục, các robot duy trì các liên kết nối để đảm bảo toàn
vẹn của mạng, chúng có thể linh hoạt thêm hoặc bớt kết nối một cách linh hoạt
trong quá trình hoạt động. Nghiên cứu trong [55] đã chỉ ra rằng duy trì kết nối
cục bộ làm hạn chế chuyển động của robot và không đồng nghĩa đảm bảo duy trì
sự toàn vẹn của mạng.
Các nghiên cứu về điều khiển phân tán MRS thực hiện mục tiêu trong khi
luôn đảm bảo duy trì sự toàn vẹn của mạng được trình bầy trong [43–54] yêu cầu
ước lượng kết nối đại số và tương tác dựa trên trường thế nhân tạo. Thủ tục ước
lượng kết nối đại số λ2 theo phương thức phân tán được đề xuất trong [43] yêu
cầu mỗi robot phải cập nhật trạng thái kết nối của mạng toàn cục thông qua trao
đổi thông tin với các robot hàng xóm. Thủ tục ước lượng yêu cầu thời gian lớn
(vài giây cho chỉ 6 robot như chỉ ra trong [43]). Điều này không đảm bảo khả năng
thực thi trên các hệ thống thật, đặc biệt với mạng quy mô lớn.
Ưu và nhược điểm của các phương pháp nêu trên là động lực cho luận án
nghiên cứu, đề xuất một tiếp cận mới để thiết kế bộ điều khiển phân tán cho MRS
dựa trên việc xem xét cấu trúc hình học của các kết nối cục bộ, không yêu cầu ước
lượng giá trị kết nối đại số λ2, và khai thác sự linh hoạt của điều khiển hành vi.
1.3. Tự triển khai hệ thống đa robot
1.3.1. Theo dõi đa mục tiêu
Bài toán theo dõi đa mục tiêu nghiên cứu về cách thức phối hợp giữa các
robot để tự phân tán vào môi trường nhằm tìm kiếm mục tiêu (Target searching),
theo dõi mục tiêu (Target tracking), tĩnh hoặc đi động [56]. Phát hiện mục tiêu
13

nghiên cứu việc triển khai các nút cảm biến động hoặc tĩnh để quét/bao phủ môi
trường tìm kiếm mục tiêu trong vùng nhìn thấy, có liên quan mật thiết tới lập
kế hoạch đường đi(path planning). Theo dõi mục tiêu nghiên cứu việc điều khiển
robot hướng tới mục tiêu sao cho mục tiêu luôn trong tầm nhìn thấy của cảm biến,
ở gần robot nhất hoặc robot chiếm đóng được mục tiêu. Nó tập trung vào các chủ
đề như định vị đích (Target Localization) nghiên cứu về việc xác định vị trí để
robot/nút cảm biến thu được thông tin nhiều nhất; bám theo (Following) nghiên
cứu việc điều khiển bám theo mục tiêu trong điều kiện tốc độ chuyển động và mô
hình môi trường khác nhau; quan sát (Observation) nghiên cứu vấn đề phân công
robot để quan sát đồng thời tất cả các mục tiêu.
Các nghiên cứu [9], [57–65] nhấn mạnh vào việc phát hiện một hoặc nhiều
mục tiêu tĩnh trong môi trường. Cụ thể, trong [57], Jung giới thiệu một phương
pháp phân vùng để triển khai các robot kết hợp với các nút cảm biến tĩnh nhằm
theo dõi các mục tiêu cố định trong môi trường có cấu trúc gồm các phòng được
nối với nhau bởi các hành lang. Các robot được cung cấp trước một bản đồ cấu
trúc biểu diễn môi trường. Chiến lược triển khai gồm hai mức: triển khai thô phân
tán các robot vào các vùng trên bản đồ và triển khai bám mục tiêu thực hiện ước
lượng mức độ ưu tiên của mỗi vùng, sau đó di chuyển robot đến vị trí thuận lợi
có thể theo dõi tối đa số lượng đích trong mỗi vùng. Kiến trúc hệ thống của Jung
gồm 3 tầng: tầng điều khiển chuyển động robot dựa trên điều khiển hành vi của
Mataric trong [23]; tầng ước lượng vị trí thuận tiện để theo dõi các đích và thực
hiện trao đổi thông tin giữa các robot; tầng giám sát trạng thái của bộ điều khiển
trong suốt quá trình hoạt động chẳng hạn khi băng thông của mạng bị giới hạn,
robot hạn chế trao đổi thông tin, nó chỉ gửi thông tin cho chương trình giám sát
từ bên ngoài khi có yêu cầu. Trong [58], Martinez nghiên cứu xác định vị trí tối ưu
cho nút cảm biến di động trong cả kịch bản có ngẫu nhiên và không ngẫu nhiên,
và chiến lược điều khiển phối hợp chuyển động của các nút cảm biến đến các vị trí
tối ưu. Hàm chi phí đo lường hiệu suất cảm biến được xây dựng nhằm tối ưu vị
trí cảm biến dựa trên phép ước lượng sử dụng ma trận thông tin Fisher (FIM) cho
kịch bản tĩnh và bộ lọc Kalman mở rộng (EKF) cho kịch bản động. Các nút cảm
biến sử dụng điều khiển hành vi cùng quy tắc cục bộ [22] và giản đồ Voronoi [66]
để di chuyển đến mục tiêu. Trong [60], Lan trình bầy một điều khiển phân tán
MRS phối hợp theo dõi mục tiêu. Các robot được điều khiển di chuyển đến gần
mục tiêu và sau đó chuyển sang phối hợp chuyển động theo đội hình (formation)
để theo dõi mục tiêu bằng cách di chuyển thành một đường tròn xung quanh mục
tiêu đó với vận tốc góc bằng nhau. Trong [61], Tan trình bầy một phương pháp
14

kết hợp các nút cảm biến di động với nút cảm biến tĩnh để tăng hiệu suất phát
hiện mục tiêu. Một đích khả dĩ có thể được phát hiện bởi một nhóm các cảm biến
thông qua quyết định đồng thuận trong nhóm sử dụng tổng hợp cảm biến. Các
nút di động di chuyển đến mục tiêu khả dĩ được phát hiện. Độ chính xác của quyết
định phát hiện mục tiêu được cải thiện sau khi các nút di động di chuyển đến vị
trí đích khả dĩ và thu được tỷ lệ SNR (tín trên tạp) cao hơn. Trong [9], tác giả
Lê Thị Thúy Nga đã nghiên cứu triển khai MRS để tìm kiếm một mục tiêu duy
nhất trong môi trường có vật cản dựa trên điều khiển hành vi NSB và lực hút/đẩy
được tính theo logic mờ. Trong [62], Dames đề xuất thuật toán điều khiển và ước
lượng phân tán cho phép một nhóm robot di động tìm kiếm và theo dõi các đích
không biết trước, có thể tĩnh hoặc động. Số lượng đích có thể thay đổi theo thời
gian và sử dụng cảm biến có khoảng nhìn giới hạn. Các robot sử dụng bộ lọc PHD
(Probability Hypothesis Density) để ước lượng số lượng đích và vị trí đích; Sử dụng
thuật toán Lloyd cho mục đích bao phủ, tìm kiếm và điều khiển chuyển động trong
môi trường. Trong [63], Majcherczyk triển khai bầy robot tiếp cận mục tiêu theo
mô hình phát triển cây nhị phân và hàm thế nhân tạo cho điều khiển. Các robot
được lần lượt triển khai bám theo cấu trúc cây nhị phân với mạng xương sống được
hình thành trong quá trình triển khai nhờ vậy mạng luôn được duy trì. Trong [64],
Faridi sử dụng thuật toán tiến hóa và bầy ong nhân tạo để lập kế hoạch đường
đi cho các robot trong môi trường không biết trước để theo dõi mục tiêu tĩnh và
tránh chướng ngại vật. Trong [65], Marangoz đã đề xuất thuật toán loại bỏ đích,
phân cụm đích để giải quyết vấn đề gia tăng chi phí tính toán trong bài toán phân
công đa mục tiêu với kích thước vùng làm việc và số lượng robot lớn.
Các nghiên cứu trong [67–77] tập trung vào các chủ đề phát hiện, giám sát
và bám đuổi mục tiêu di động. Trong [67], Parker phát triển thuật toán điều khiển
phân tán dựa trên hành vi để phối hợp hoạt động một nhóm cảm biến di động cho
bài toán giám sát và trinh sát. Chiến lược điều khiển này nhằm tối đa số lượng
mục tiêu được quan sát bởi ít nhất một nút cảm biến. Chiến lược phối hợp quan
sát được đề xuất sử dụng các véctơ lực cục bộ có trọng số. Nó khiến robot bị thu
hút bởi các mục tiêu gần đó và bị đẩy khỏi các robot hàng xóm. Trọng số được
đánh sao cho robot bị hút ít hơn về phía mục tiêu được quan sát bởi các robot hàng
xóm. Sử dụng trọng số giúp giảm việc gối lên nhau của vùng cảm nhận của các
robot và cũng giảm khả năng một điểm đích thoát ra khỏi vùng giám sát của robot.
Trong [68], Tang nghiên cứu bài toán lập kế hoạch di chuyển để giảm thiểu thời
gian quan sát hai đích liên tiếp khi số lượng cảm biến di động có hạn. Trong [69],
Shucker phát triển bộ điều khiển phân tán dựa trên lưới liên kết ảo, dạng mở rộng
15

của điều khiển dựa trên lực vật lý ảo AP, để theo dõi các đích di động dạng rời rạc
như các xe di động hoặc liên tục như các phân tử hóa chất khuếch tán trong tự
nhiên. Trong [70], Chung đề xuất một thuật toán lập kế hoạch chuyển động theo
kiểu phân tán để phối hợp định vị và theo dõi mục tiêu di động. Thuật toán sử
dụng hàm chi phí tính theo chất lượng cảm nhận của các cảm biến và phương pháp
gradient. Trong [71], Olfati-Saber điều khiển mạng cảm biến di động không dây di
chuyển theo nhóm trong cấu trúc lưới lục giác để bao phủ và giám sát mục tiêu di
động. Chuyển động theo bầy được thực hiện bởi luật điều khiển trong [78] và mô
hình boid của Reynolds trong [18] trong đó các nút sử dụng thuật toán lọc Kalman
phân tán DKF để ước lượng trạng thái của mục tiêu di động. Khác với phương
pháp của Olfati-Saber, trong [72], Harmati sử dụng lý thuyết trò chơi cùng hàm
chi phí mờ để giải quyết bài toán theo dõi đích di động. Trong [73], Kolling phát
triển một thuật toán điều khiển phân tán dựa trên cảm nhận và truyền thông ước
lượng thời gian và năng lượng tối thiểu để tiếp cận mục tiêu. Phương pháp này
giải quyết nhược điểm trong [67] bởi cách tách thuật toán theo dõi khỏi chiến lược
phối hợp giữa các robot và các mục tiêu di động. Trong [74], Tolic đề xuất một mô
hình lai có tính ngẫu nhiên thống kê của mạng cảm biến di động để phối hợp phát
hiện và theo dõi các đích di động với quan sát rời rạc. Trong [75] Laszalo giới thiệu
một thuật toán phân tán cùng luật điều khiển hành vi cơ bản cho bầy robot được
trang bị cảm biến có dải hạn chế để theo dõi và di chuyển xung quanh các đích di
động yêu cầu. Trong [76], La nghiên cứu việc quan sát và theo dõi mục tiêu động
trong mạng cảm biến di động trong 2 trường hợp: nghiên cứu theo dõi một đích
chuyển động bởi thuật toán điều khiển bầy đàn thích nghi và theo dõi đa mục tiêu
động bởi việc phân chia và kết hợp mạng. Trong [77], Marian nghiên cứu thuật
toán phân tán cho theo dõi liên tục các mục tiêu động trong một vùng rộng lớn
sử dụng mạng không dây và các nút di động. Trong [79], Banfi trình bầy một mô
hình tối ưu đa mục tiêu cho bài toán MRS phối hợp quan sát đa đích, có tính toán,
dự đoán chuyển động của mục tiêu và bản đồ chiếm đóng đích dựa trên phương
thức Bayes. Trong [80], Hausman điều khiển nhóm robot ước lượng vị trí và theo
dõi mục tiêu di động sử dụng cảm biến gắn trên robot. Nghiên cứu này tập trung
vào các kỹ thuật ước lượng vị trí dựa trên cảm biến cục bộ. Trong [81], Roldan
trình bầy một ứng dụng của MRS triển khai giám sát sự thay đổi môi trường bên
trong các nhà vườn. MRS gồm cả robot di động trên mặt đất và trên không có
chức năng đo nhiệt độ, độ ẩm, ánh sáng và nồng độ cabon đioxít ở mặt đất và ở
trên cao. Trong [82], Tardos xem xét bài toán triển khai nhóm robot hỗn hợp hoạt
động ở mặt đất và trên không để giám sát một khu vực. Chiến lược theo dõi dựa
16

trên thuật toán Lloyd được đề xuất cho phép các robot trên mặt đất bám theo các
robot trên không xem như các mục tiêu và duy trì kết nối giữa chúng. Nó thiết lập
các hàm phân bố trong môi trường sao cho các mục tiêu ở vị trí quan trọng hơn so
với các vùng khác và thay đổi liên tục các giới hạn ảo của vùng làm việc theo vị trí
của mục tiêu. Trong [83], Jin đề xuất thuật toán cạnh tranh cho bài toán theo dõi
đa mục tiêu với truyền thông hạn chế. Ở phương pháp này, chỉ những robot chiến
thắng mới được phân bổ nhiệm vụ và kích hoạt quá trình chuyển động hướng tới
mục tiêu. Mô hình lấy cảm hứng từ hành vi bao vây của động vật săn mồi – một
chiến lược hiệu quả để xử lý tình huống mục tiêu có tốc độ cao hơn đối tượng đi
theo dõi. Trong [84], Sung đã phát triển một thuật toán phân nhiệm cả mục tiêu
và đường đi cho các robot trong bài toán theo dõi mục tiêu di động sử dụng số
lượng lớn robot dựa trên thông tin cục bộ, khung chiến lược của Floreen và thuật
toán tham lam. Trong [85], Zhou xem xét vấn đề ổn định, kháng lỗi của thuật toán
lập kế hoạch cho bài toán theo dõi đa mục tiêu của MRS.
Nhận xét 1.3.1: Như trình bầy ở trên, các nghiên cứu về MRS theo dõi đa
mục tiêu rất đa dạng về nội dung, phương pháp và kết quả. Lý do là các nghiên
cứu thực hiện trên nhiều mô hình môi trường khác nhau (chủ yếu là mô hình 2D
dạng liên tục hoặc chia ô lưới hoặc phân vùng kiểu Voronoi, một số ở dạng 3D);
đối tượng robot khác nhau (chỉ gồm các robot hoặc các robot kết hợp các nút cảm
biến tĩnh); mục tiêu khác nhau (tĩnh hoặc động; một hoặc nhiều),... Hầu hết các
nghiên cứu giả thiết rằng các robot luôn duy trì kết nối đầy đủ (Full Connectivity)
trong mạng đa robot. Giả thiết này được cho là đã đơn giản hóa bài toán và không
thực sự phù hợp với thực tế và tác động mạnh đến hiệu quả của cách tiếp cận giải
quyết bài toán như chỉ ra trong [56]. Khác với các nghiên cứu này, luận án này xem
xét bài toán theo dõi đa mục tiêu đặt trong ràng buộc mọi robot trong bầy luôn
duy trì kết nối với MRS. Mô hình môi trường có các ràng buộc cụ thể như các đích
phân bố ngẫu nhiên, liên thông. Ràng buộc này được hiểu là nếu bầy robot chiếm
đóng được một đích thì luôn nhìn thấy một đích khác, cho đến khi nhìn thấy tất
cả các đích. Luận án cũng sẽ xem xét và tìm giải pháp cho trường hợp các đích
không liên thông.
1.3.2. Bao phủ
Bài toán bao phủ nghiên cứu cách thức phối hợp giữa các robot để tạo ra
vùng bao phủ của cảm biến lên môi trường cho mục đích giám sát. Các nghiên cứu
hiện nay có thể phân chia thành ba loại gồm: tiếp cận hình học, trường thế nhân
tạo, và mô hình xác suất.
17

7
Fig. 3. Lloyd continuous-time algorithm for 32 agents on a convex polygonal environment, with the Gaussian density function of Fig. 1. The control gain
in (6) is kprop = 1 for all the vehicles. The left (respectively, right) figure illustrates the initial (respectively, final) locations and Voronoi partition. The central
figure illustrates the gradient descent flow.
(within specified radius Ri) and “receive” commands with a
finite number of arguments.
We shall alternatively consider networks of robotic agents
with computation, sensing, and control capabilities. In this
case, the processor of the ith agent has the same computation
and control capabilities as before. Furthermore, we assume the
processor can detect any other agent within a closed disk of
radius Ri ∈ R+. We assume the sensing radius Ri to be a
quantity controllable by the processor.
Remark 4.1: We assume all communication between agents
and all sensing of agents locations to be always accurate and
instantaneous.
Consider the closed-loop system formed by the evolution
of the n agents of a network according to equation (11).
The network evolution is said to be Voronoi-distributed if
each ui(p1, . . . , pn) can be written as a function of the form
ui(pi, pi1
, . . . , pim
), with ik ∈ N(i), k ∈ {1, . . . , m}. It
is well known that there are at most 3n − 6 neighborhood
relationships in a planar Voronoi diagram [9, see Section 2.3].
As a consequence, the number of Voronoi neighbors of each
site is on average less than or equal to 6, i.e., m ≤ 6. (Recall
that sites are Voronoi-neighbors if they share an edge, not
just a vertex.) Accordingly, we argue that Voronoi-distributed
algorithms lead to scalable networks. Finally, note that the
set of indexes {i1, . . . , im} for a specific generator pi of a
Voronoi-distributed dynamical system is not the same for all
possible configurations of the network. In other words, the
identity of the Voronoi neighbors changes along the evolution,
i.e., the topology of the closed-loop system is dynamic.
B. Voronoi cell computation and maintenance
A key requirement of the Lloyd algorithms presented in
Section III is that each agent must be able to compute its own
Voronoi cell. To do so, each agent needs to know the relative
location (distance and bearing) of each Voronoi neighbor. The
ability of locating neighbors plays a central role in numerous
algorithms for localization, media access, routing, and power
control in ad-hoc wireless communication networks; e.g.,
see [39], [40], [41] and references therein. Therefore, any
motion control scheme might be able to obtain this information
from the underlying communication layer. In what follows, we
set out to provide a distributed asynchronous algorithm for
the local computation and maintenance of Voronoi cells. The
algorithm is related to the synchronous scheme in [41] and is
based on basic properties of Voronoi diagrams.
We present the algorithm for a robotic agent with sensing
capabilities (as well as computation and control). The pro-
cessor of the ith agent allocates the information it has on
the position of the other agents in the state variable Pi
. The
objective is to determine the smallest distance Ri for agent i
which provides enough information to compute the Voronoi
cell Vi. We start by noting that Vi is a subset of the convex
set
W(pi, Ri) = B(pi, Ri) ∩ ∩j:kpi−pj k≤Ri
Sij

, (12)
where B(pi, Ri) = {q ∈ Q | kq − pik ≤ Ri} and the half
planes Sij are
{q ∈ RN
| kq − pik ≤ kq − pjk}.
Provided Ri is twice as large as the maximum distance
between pi and the vertexes of W(pi, Ri), one can show that
all Voronoi neighbors of pi are within distance Ri from pi and
the equality Vi = W(pi, Ri) holds. The minimum adequate
sensing radius is therefore Ri,min = 2 maxq∈W (pi,Ri,min) kpi−
qk. This argument guarantees the correctness of the ADJUST
SENSING RADIUS ALGORITHM in Table I. The execution of
this algorithm is illustrated in Fig. 4.
TABLE I
ADJUST SENSING RADIUS ALGORITHM
Name: ADJUST SENSING RADIUS ALGORITHM
Goal: distributed Voronoi cell
Requires: sensor with controllable radius Ri
At time ti, local agent i performs:
1: initialize Ri, detect all pj within radius Ri
2: update Pi(ti), compute W(pi(ti), Ri)
3: while Ri 2 maxq∈W (pi(ti),Ri) kpi(ti) − qk do
4: set Ri := 2Ri
5: detect all pj within radius Ri
6: update Pi(ti), compute W(pi(ti), Ri)
7: end while
8: set Ri := 2 maxq∈W (pi(ti),Ri) kpi(ti) − qk
9: set Vi := Wi(pi(ti), Ri)
A similar ADJUST COMMUNICATION RADIUS ALGORITHM
algorithm can be designed for a robotic agent with communi-
cation capabilities. The specifications go as in the previous
Hình 1.4: Phân vùng Voronoi được tạo bởi 32 robot cùng hàm mật độ Gauss được minh
họa trong [66]. Hình trái và phải biểu diễn phân vùng Voronoi tương ứng vị trí khởi tạo
và kết thúc; hình giữa biểu diễn quỹ đạo chuyển động cùng điều khiển gradient.
Tiếp cận hình học chủ yếu dựa trên lý thuyết giản đồ Voronoi [86], chia không
gian nhiệm vụ thành các phân vùng Voronoi (Voronoi Partition) dựa trên vị trí
của các robot. Mỗi phân vùng có một điểm tâm được xác định dựa trên hàm mật
độ phân bố của đối tượng cần giám sát. Các phân vùng được cập nhật liên tục dựa
trên vị trí hiện thời của robot. Các robot được điều khiển di chuyển hướng đến tâm
phân vùng Voronoi. Nhờ vậy, các robot được trải ra môi trường, bao phủ lên các
đối tượng cần giám sát. Trong [66], Cortés đề xuất thuật toán phân vùng Voronoi
theo kiểu phân tán. Phân vùng Voronoi của một robot được xác định thông qua
một số bước lặp. Trong mỗi bước lặp, phân vùng tạm thời được xác định là không
gian giao của vùng cảm nhận hình đĩa tròn và các nửa mặt phẳng chia đều không
gian giữa robot và robot khác trong vùng cảm nhận đĩa tròn của nó. Bán kính
cảm nhận được khởi tạo và hiệu chỉnh trong mỗi bước lặp của thuật toán cho đến
khi nó không bé hơn hai lần khoảng cách tới điểm xa nhất trong phân vùng. Tâm
phân vùng Voronoi cũng được tính toán phân tán sử dụng hàm mật độ phân bố
của đối tượng trong môi trường. Cortés cũng đề xuất bộ điều khiển bao phủ dựa
trên thuật toán Lloyd cổ điển sử dụng các hàm tính phân vùng và tâm Voronoi
để điều khiển các robot hội tụ đến các điểm tâm phân vùng Voronoi. Phiên bản
mở rộng áp dụng cho các robot có vùng tương tác hạn chế được Cortés trình bầy
trong [87]. Trong [88], Guruprasad đề xuất thuật toán phân vùng Voronoi theo
kiểu phân tán tương tự như [66] trong đó phân vùng Voronoi của một robot được
tạo ra bởi các cung tương ứng với các robot khác nằm trong vùng có khoảng cách
bằng hai lần bán kính cảm nhận của nó, chỉ khác là phương pháp này yêu cầu các
robot trao đổi thông tin vị trí với nhau ở thời điểm bắt đầu của thuật toán. Chiến
lược điều khiển bao phủ sử dụng phân vùng Voronoi cũng được áp dụng cho nhóm
các robot đồng nhất trong môi trường có cấu trúc không lồi (non-convex) [89,90].
Cụ thể, trong [89], Luciano phát triển thuật toán trong [66] cho trường hợp robot
sử dụng nhiều loại cảm biến khác nhau và trường hợp robot được mô hình như một
18

Phát triển thuật toán tự triển khai cho hệ thống đa robot giám sát môi trường không biết trước

Phát triển thuật toán tự triển khai cho hệ thống đa robot giám sát môi trường không biết trước

Recommandé

Recommandé

Contenu connexe

Tendances

Tendances (20)

Similaire à Phát triển thuật toán tự triển khai cho hệ thống đa robot giám sát môi trường không biết trước

Similaire à Phát triển thuật toán tự triển khai cho hệ thống đa robot giám sát môi trường không biết trước (20)

Plus de Man_Ebook

Plus de Man_Ebook (20)

Dernier

Dernier (20)