Hội nghị toàn quốc lần thứ 7 về Cơ Điện tử - VCM-2014

Giải pháp điều khiển mờ cho hệ vận động của robot hỗ trợ
người thiểu năng vận động
Fuzzy Logic Control Solution for Motion System of an Assistive Robot
for Mobile Disabled People
Đào Văn Hiệp
HV Kỹ thuật Quân sự
[email protected]

Đào Trung Kiên
Viện MICA, ĐHBK Hà Nội
[email protected]

Tóm tắt
Robot hỗ trợ người thiểu năng vận động là một loại
robot sinh học. Vì vậy, phỏng sinh là hướng tiếp cận
tự nhiên trong thiết kế kết cấu cơ khí và điều khiển
loại robot này. Theo đó, hệ điều khiển vận động đã
được thiết kế bằng các phương pháp khác nhau, đặc
biệt là các phương pháp dựa trên trí tuệ nhân tạo.
Bài báo này giới thiệu một trong những nghiên cứu
ứng dụng trí tuệ nhân tạo (logic mờ) vào điều khiển
hệ vận động của robot sinh học. So sánh đáp ứng của
bộ điều khiển mờ với các bộ điều khiển được thiết kế
theo phương pháp truyền thống cho thấy bộ điều
khiển mờ có chất lượng tốt hơn, đồng thời thừa hưởng
được các ưu thế vốn có của logic mờ.
Từ khóa: hệ chấp hành tuyến tính, logic mờ, robot hỗ
trợ, trí tuệ nhân tạo


TNVĐ
RBHT

Actuation Controller
Artificial Intelligence
Adaptive Neural Fuzzy Inference System
Artificial neural network
Fuzzy-Proportional-Derivative controller
Gait Pattern Generator
Massachusetts Institute of Technology
Motion Planner
Proportional-Derivative controller
Proportional-Derivative with Filter controller
Proportional-Integral-Derivative controller
Tracking Controller
Thiểu năng vận động
Robot hỗ trợ

VCM-2014

Tăng Quốc Nam
HV Kỹ thuật Quân sự
[email protected]
1. Đặt vấn đề

Robot hỗ trợ người thiểu năng vận động, sau đây gọi
tắt là robot hỗ trợ (RBHT) là một loại robot - bộ
xương ngoài (Robot-Exoskeleton), nhưng chúng có
những điểm khác biệt về kết cấu, động lực học và
điều khiển. Là robot - exoskeleton, chúng được mang

tốt nhất trong số các bộ PID truyền thống [7].

2. Hướng tiếp cận phỏng sinh trong điều
khiển robot sinh học
2.1 Sơ lược về hệ thần kinh vận động của người
Đi bộ là một dạng vận động có tính tự động, theo chu
kỳ của cơ thể, chủ yếu do chi dưới thực hiện dưới sự
điều khiển của hệ thần kinh vận động. Đó là một hệ
điều khiển phân cấp (xem H. 1). Cấp cao nhất là vùng
vận động ở vỏ não, có chức năng hoạch định và kiểm
soát chung quá trình vận động, như đích đến, hướng


Hội nghị toàn quốc lần thứ 7 về Cơ Điện tử - VCM-2014
vận động, xử lý tình huống phát sinh,… Các cấp dưới,
trong đó tiểu não và tủy sống giữ vai trò chủ chốt,
điều khiển trực tiếp quá trình. Tủy sống điều khiển
các hoạt động phản xạ, phát tín hiệu điều khiển đến
các cơ, nhận các tín hiệu phản hồi trực tiếp từ các cơ
và các giác quan. Tiểu não không trực tiếp sinh ra vận
động, nhưng có nhiệm vụ tiếp nhận và tổng hợp các
tín hiệu từ các sensor vị trí, gia tốc, hướng,… để định
hướng, định vị cơ thể và hiệu chỉnh vận động cho
chính xác và mềm mại, ổn định tư thế,… cũng như
(cùng các bộ phận khác, như hạch cơ sở, nội đồi) tạo
lập và hoàn thiện các chương trình vận động nhờ quá
trình học (Motor Learning).
Các cơ chân là phần tử chấp hành, tạo ra chuyển động
cơ học theo lệnh từ tủy sống. Trong cơ và gân có các
sensor vị trí (Muscle Spindle) và sensor lực (Golgi

 ,

Cấu trúc của hệ điều khiển vận động

H. 2

Hệ chấp hành của robot là các động cơ, tạo ra dịch
chuyển góc  hay mô-men  tại các khớp. Vì khớp ở
chân robot và ở chân người đồng trục với nhau nên
chuyển động của robot được truyền trực tiếp sang
người. Hệ chấp hành thường dùng là điện - cơ, thủy
lực hoặc khí nén. Bài báo này chỉ đề cập đến hệ chấp
hành điện - cơ.
Muốn bàn chân bám sát quỹ đạo mẫu thì mỗi khớp
chân phải bám theo góc khớp ref và vận tốc góc khớp
 tương ứng (xem H. 3).
d

 ref +

e

Bộ điều
khiển bám

-

H. 3

u

như trong H. 2. MP nhận biết ý định của người mang:
đứng lên, ngồi xuống, đi hay dừng,… CPG có nhiệm
vụ chọn chương trình đi tương ứng theo ý định, tạo dữ
liệu về quỹ đạo cho TC. TC có mặt ở từng khớp, điều
khiển góc khớp bám theo góc mẫu do CPG tạo ra.
Như vậy, phối hợp chuyển động các khớp để tạo ra
bước đi theo ý muốn là nhiệm vụ của MP và CPG. TC
đảm bảo điều kiện cần để có bước đi mong muốn. TC
là tên gọi theo phương thức điều khiển (bám). Nó còn
tên nữa, gọi theo chức năng, là bộ điều khiển hệ chấp
hành (Actuation Controller - AC). Bài báo này tập

VCM-2014

3.1 Chuẩn bị dữ liệu đầu vào
Dữ liệu đầu vào cho RBHT là góc khớp, thường được
đo, ghi bằng thực nghiệm trên người khỏe, hiệu chỉnh
cho phù hợp với tình trạng của người TNVĐ cụ thể.
Một số bộ dữ liệu được sử dụng rộng rãi, như của
Antonie Bogert (2003), Harman (2000) [2], Winter
(Canada) [4]. Trên H. 4 là đồ thị góc khớp, đã được sử
dụng tại MIT [2].

H. 4

Đồ thị góc khớp khi đi bộ


Hội nghị toàn quốc lần thứ 7 về Cơ Điện tử - VCM-2014
Với mục đích sử dụng làm tín hiệu vào ref cho bộ


12
-4

K. goi

H. 5

6

75

80

85

90

95

0

-3

2

7

15 25


-20 -37 -55 -64 -63 -58 -47 -35 -20 -12

-7

Giá trị góc khớp được chuyển từ H. 3

3.2 Chọn thiết bị chấp hành
Kết cấu cơ khí ở mỗi chân của RBHT có sơ đồ như H.
6, trong đó mỗi chân có ba khớp chủ động. Hai loại
động cơ chấp hành đã được khảo sát, gồm xi lanh
thủy lực (không trình bày ở đây) và động cơ điện 1
chiều. Để robot có kết cấu gọn nhẹ, chúng tôi đã chọn
hệ chấp hành điện - cơ chuyển động thẳng, có tên
thương mại là Linear Actuator [5] như trong H. 7.

đảm bảo khả năng làm việc và an toàn, hệ thống được
thiết kế cho một khớp ảo, tập hợp các điều kiện làm
việc khắt khe nhất trong 3 khớp: dải làm việc rộng
nhất, vận tốc góc cao nhất, mô men lớn nhất, khối
lượng tải trọng lớn nhất. Tuy nhiên, tính toán cho
thấy, tỷ số truyền của hệ chấp hành quá nhỏ (1:1880)
nên ngay cả khối lượng lớn nhất như của đùi (~10kg)
cũng chỉ gây ra mô men quán tính chuyển động quay
quy đổi về trục động cơ bằng 0,15% mô men quán
tính của chính hệ chấp hành, có thể bỏ qua. Vì vậy mô
men quán tính của tất cả các khớp được tính như nhau
và bằng mô men quán tính J của hệ chấp hành.
Trên cơ sở số liệu kỹ thuật do nhà sản xuất cung cấp,
kết hợp tính toán điều kiện công tác như ở trên, bộ
thông số kỹ thuật của hệ chấp hành được tổng hợp

 
  J   C  KT ia  Td
trong đó, v - điện áp; Td - mô men tải; các đại lượng
còn lại như trong B.1.
Hệ có hai tín hiệu vào, hai tín hiệu ra nhưng với bài
toán điều khiển bám vị trí, chỉ cần quan tâm đến hàm
truyền ( s) / V ( s) :
H. 6

( s )
KT

V ( s ) ( Ls  R )( Js 2  cs )  KT K e s

Sơ đồ kết cấu của một chân robot

Mô hình hệ chấp hành có điều khiển trong H. 3 được
cụ thể hóa trong H. 8, trong đó BĐK là bộ điều khiển
cần thiết kế.

k=20:1

260+150

12V
45W

l=3mm

(2)


Ke

H. 8

1/s



Motor

Sơ đồ hệ chấp hành có điều khiển

v=24mm/s

H. 7

Hệ chấp hành chuyển động thẳng

Tính toán động lực học toàn hệ thống cho thấy mô
men và công suất yêu cầu của các khớp không khác
nhau nhiều. Điều đó cho phép đơn giản hóa thiết kế,
chế tạo và sử dụng thiết bị nhờ trang bị cùng một thiết
bị chấp hành và bộ điều khiển cho tất cả các khớp. Để
VCM-2014

4.2 Thiết kế bộ điều khiển mờ
Cơ sở lý thuyết của điều khiển mờ là logic mờ, một
nhánh của trí tuệ nhân tạo. Khác với mạng nơ ron
nhân tạo, bắt chước cấu trúc và quá trình vật lý của hệ


Bước 1: Thiết lập cấu trúc của hệ thống. Để dễ so
sánh và đánh giá hiệu quả của giải pháp mờ so với
giải pháp truyền thống, hệ điều khiển mờ được thiết
kế với cấu trúc tương tự bộ điều khiển PD truyền
thống, các hệ số KP, KD sẽ được xác định khi thiết kế.
Hệ được thiết kế trong Simulink, có sơ đồ như trong
H. 9. Các phần tử chính trong hệ thống, gồm:
- Đối tượng điều khiển là hệ chấp hành điện - cơ, có
hàm truyền (2), dạng số như trong hình vẽ;
- Bộ điều khiển PD mờ (FPD), điều khiển theo sai
lệch góc khớp e và tốc độ biến thiên của e, được tạo
nhờ khâu vi phân du / dt .
- Các phần tử hiển thị, chuyển đổi tín hiệu để kiểm tra
đáp ứng của hệ thống.
Tín hiệu vào cơ bản cho FPD là góc khớp cổ chân,
như H. 5, tín hiệu ra là điện áp, giá trị có thể thay đổi
được nhờ hệ số K1. Đáp ứng của toàn hệ thống là góc
khớp thực (t) và vận tốc góc (t).
Nhờ một chuyển mạch bằng tay, có thể mô phỏng hệ
thống với tín hiệu vào Step hoặc góc khớp mẫu ref.
du/dt

Signal 1

y

Derivative1
Van toc goc (rad/s)



Sơ đồ cấu trúc của bộ FPD

Bước 2: Thiết kế hệ logic mờ, gồm thiết lập các
modul mờ hóa, suy luận mờ và giải mờ. Hệ logic mờ
ở đây sử dụng hệ suy luận Sugeno, có hai hàm thuộc
đầu vào (Error e và Error-dot e ) kiểu hình thang
(trapmf) và một hàm thuộc đầu ra (điện áp bù) kiểu
tuyến tính
output  a  e  b  e  c
(3)
trong đó a, b, c là các hằng số. Các hệ số a, b, c được
chọn tùy theo mức độ nhạy cảm cần có của hệ với sai
số e, tốc độ biến thiên của e và độ mờ. Phương án
được chọn là a = 0,5; b = 1. Giá trị c = (-2, -1, 0, 1, 2)
tương ứng các giá trị hàm thuộc đầu ra (AL, A, K, D,
DL), trong đó A - âm , D - dương, L - lớn, K - không.
Hệ quy tắc suy luận mờ được tóm tắt trong B.2.
B.2
E
A
K
D

Bảng quy tắc suy luận mờ
E-dot
A
K
D
DL

tốt nhất có thể. Sau đó, điều chỉnh K1 để nhận được
dải điện áp phù hợp. Cuối cùng, bộ thông số được


Hội nghị toàn quốc lần thứ 7 về Cơ Điện tử - VCM-2014
chọn là KD = 0,27, KP = 2,5, K1 = 200. Đáp ứng Step
của hệ như trong H. 11: lượng quá chỉnh 2,6%, thời
gian xác lập khoảng 1,76s, sai số tĩnh bằng 0. Số liệu
này được lấy từ biến y do Simulink xuất sang
workspace (H. 9).

KC03_FLC/Goc co chan : Group 1
0
Signal 1

-10
-20
-30
-40
-50
-60
-70

0

1

2

3

cứu khác [7], chúng tôi đã so sánh các bộ PID truyền
thống khi làm việc với cùng một hệ chấp hành trong
H. 9 và nhận thấy bộ PDF, dạng
N
KP  KD
(4)
1 N / s
có chất lượng tốt nhất. Trong đó N - hằng số của bộ
lọc, được xác định cùng với KP, KD.

H. 10 Quan sát hệ suy luận mờ
Dap ung Step
1.4
1.2

X: 1.566
Y: 1.026

X: 1.759
Y: 1.02

Amplitude

1
0.8
0.6
0.4

Dap ung goc khop co chan
10

Bước 4: Thử nghiệm với tín hiệu vào mẫu ref, được
lấy từ đồ thị góc khớp cổ chân trong H. 5, đưa vào
Simulink dưới dạng đồ thị như H. 12.

-20
-30
-40
-50
-60
-70

0

2

4

6

8

Time, s

H. 13 Đáp ứng góc khớp cổ chân của FPD
1/K2
Step

Signal 1

Do-radian

PDF
y
To Workspace

H. 14 Mô hình để so sánh FPD với PDF

VCM-2014

10


Hội nghị toàn quốc lần thứ 7 về Cơ Điện tử - VCM-2014

H. 15 Các thông số của bộ PDF

Tổng hợp các thông số của hai bộ điều khiển trong
B.3 cho thấy bộ FPD có chất lượng tốt hơn bộ PDF.
Điều này cũng được thể hiện trên H. 16.
FPD
2,5
0,27
2,6
1,76
0

Dap ung Step
1.4
X: 1.504
Y: 1.096


0

B.3

1.2

Dap ung goc co chan
10

Gockhop(do)

Công cụ Tuner của Matlab cho phép hiệu chỉnh các
thông số Bandwidth (bề rộng dải thông), Phase
margin (dự trữ ổn định pha), Response time (thời gian
đáp ứng) và Peak response (giá trị max) trong chế độ
tương tác. Khi hiệu chỉnh tự động, Matlab sẽ dung
hòa các tiêu chí trên và chọn các thông số chất lượng
là: quá chỉnh 9,56%, thời gian quá độ 1,98s.

X: 1.572
Y: 1.026

0.8
0.6

-70

0

2

Input

0.2
0

0

0.5

1

1.5
Time, s

2

2.5

Goc khop hong
Signal 1

1/K2

In1

Out1

du/dt
Van toc goc



Rad-do

Bo DK khop goi

H. 18 Mô hình PD mờ điều khiển khớp hông và khớp gối


Hội nghị toàn quốc lần thứ 7 về Cơ Điện tử - VCM-2014
[4]

Dap ung goc khop hong va khop goi
50
40

[5]
[6]

Goc khop (do)

30
20
Hong-ra
Hong-vao
Goi-ra
Goi-vao

10

[7]

5. Kết luận
So sánh đáp ứng của hệ điều khiển bám cho các khớp
của robot dùng FPD và PDF được thiết kế theo
phương pháp truyền thống cho thấy FPD có chất
lượng tốt hơn. Nhưng sẽ là sai nếu nói rằng "điều
khiển mờ tốt hơn điều khiển truyền thống". Mong
muốn của chúng tôi là bộ điều khiển mờ có được các
chỉ tiêu chất lượng tương đương PID truyền thống
ngay cả với hệ phi tuyến và dữ liệu vào không thể
được biểu diễn tường minh bằng toán học, hay nhập
nhằng, có biên giới mờ như ở người khuyết tật, và đã
đạt được. Tính ổn định, bền vững của điều khiển mờ
trong điều kiện nói trên không cần phải chứng minh,
vì nó nằm trong bản chất của điều khiển mờ. Với các
hệ tuyến tính, có mô hình toán học tường minh thì
giải pháp truyền thống vẫn là lựa chọn hợp lý, nhất là
khi được hỗ trợ bởi các phương pháp thiết kế tiên tiến.
Nói rộng ra, kết quả khả quan trong nghiên cứu ứng
dụng logic mờ và giải thuật gen [7] vào điều khiển
RBHT cho phép khẳng định tính khả thi của hướng
tiếp cận phỏng sinh. Nhưng còn một điều chúng tôi
tâm đắc nhưng chưa kịp thực hiện, là tạo khả năng
học cho bộ tạo quỹ đạo mẫu (Gait pattern generator GPG) tương tự não người. Về lý thuyết thì có thể thực
hiện được bằng cách thay bộ điều khiển mờ bằng hệ
ANFIS (Adaptive Neural Fuzzy Inference System),
hoặc đơn giản là gắn thêm modul ANN để xác định
các hệ số KP, KD cho bộ điều khiển mờ. Vấn đề nằm ở
chỗ, tạo dữ liệu huấn luyện cho ANN hay ANFIS thế
nào? Chúng tôi rất mong và chân thành cảm ơn những
chia sẻ của các bạn đọc.

khiển & Tự động hóa, số 10 (08-2014).

GS. TS. Đào Văn Hiệp tốt
nghiệp Học viện Kỹ thuật quân
sự, chuyên ngành Cơ khí - Chế
tạo máy vào năm 1977; nhận
bằng tiến sĩ Cơ khí năm 1989 tại
Học viện Quân sự (VAAZ) Cộng hòa Czech; được Nhà nước
bổ nhiệm Phó giáo sư năm 2005,
Giáo sư năm 2011 ngành Cơ khíĐộng lực. Hiện nay, ông là giảng viên tại Khoa Hàng
không - Vũ trụ, Học viện Kỹ thuật quân sự. Các lĩnh
vực hoạt động chính: Công nghệ chế tạo thiết bị hàng
không, CAD/CAM/CNC, Kỹ thuật Robot, Cơ điện tử
trong các hệ thống sản xuất tự động.
TS. Đào Trung Kiên tốt nghiệp
ngành Công nghệ thông tin của
Trường Đại học Cergy-Pontoise,
Pháp vào năm 2004. Anh nhận
bằng thạc sĩ về Hệ thống phân tán
của Trường Đại học Paris 6
(UPMC), Pháp năm 2006, và bằng
tiến sĩ về Cơ khí và Tự động hoá,
Trường Đại học Dayeh, Đài Loan năm 2010. Hiện
anh là giảng viên, nghiên cứu viên của Phòng nghiên
cứu Môi trường Cảm thụ và Tương tác, thuộc Viện
nghiên cứu quốc tế MICA, Đại học Bách khoa Hà
Nội. Các hướng nghiên cứu chính bao gồm định vị ở
môi trường trong nhà, tương tác người-hệ thống đa
phương thức, động lực học và điều khiển.
TS. Tăng Quốc Nam, tốt nghiệp