ĐẠI HỌC ĐÀ NẴNG
TRƯỜNG ĐẠI HỌC BÁCH KHOA



QUẢNG ĐINH CHÁNH

NGHIÊN CỨU GIẢI PHÁP ĐỊNH VỊ CHÍNH XÁC CHO THIẾT
BỊ BAY TỰ ĐỘNG KHÔNG NGƯỜI LÁI DỰA TRÊN
PHƯƠNG PHÁP SENSOR FUSION

LUẬN VĂN THẠC SĨ KỸ THUẬT CƠ ĐIỆN TỬ

Đà Nẵng - Năm 2022


ĐẠI HỌC ĐÀ NẴNG
TRƯỜNG ĐẠI HỌC BÁCH KHOA



QUẢNG ĐINH CHÁNH

NGHIÊN CỨU GIẢI PHÁP ĐỊNH VỊ CHÍNH XÁC CHO THIẾT
BỊ BAY TỰ ĐỘNG KHÔNG NGƯỜI LÁI DỰA TRÊN
PHƯƠNG PHÁP SENSOR FUSION

Chuyên ngành : KỸ THUẬT CƠ ĐIỆN TỬ
Mã số
: 85.20.11.4

LUẬN VĂN THẠC SĨ KỸ THUẬT CƠ ĐIỆN TỬ

Người hướng dẫn khoa học: TS. NGUYỄN ĐÌNH SƠN

Đà Nẵng - Năm 2022
THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


LỜI CẢM ƠN
Lời đầu tiên, em xin gửi lời cảm ơn chân thành và sâu sắc tới Thầy Nguyễn Đình
Sơn và Thầy Trần Phi Vũ. Quý Thầy đã tận tình hướng dẫn và truyền cho em những
kinh nghiệm quý báu trong nghiên cứu khoa học. Em xin gửi lời cảm ơn tới Khoa Cơ
khí, Trường Đại học Bách khoa, Đại học Đà Nẵng đã tạo mọi điều kiện thuận lợi trong
suốt quá trình làm luận văn này. Em xin cảm ơn sự ủng hộ của bạn bè, đồng nghiệp đã
giúp đỡ tạo điều kiện thuận lợi trong quá trình làm luận văn. Cuối cùng, em xin chân
thành cảm ơn đến gia đình đã động viên ủng hộ trong suốt quá trình làm luận văn.
Mặc dù đã cố gắng hồn thành luận văn trong phạm vi và khả năng cho phép tuy
nhiên, do thời gian có hạn nên đề tài nghiên cứu khơng tránh khỏi những thiếu sót, vì
vậy em rất mong được sự thơng cảm và góp ý của Q Thầy để em có thể tiếp tục nghiên
cứu và hồn thành tốt hơn về sau.
Đà Nẵng, ngày 24 tháng 05 năm 2022
Tác giả luận văn

Quảng Đinh Chánh

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ



LỜI CAM ĐOAN
Tơi xin cam đoan đây là cơng trình nghiên cứu của riêng tôi, các kết quả nghiên
cứu được trình bày trong luận văn là trung thực, khách quan và chưa từng được cơng bố
trong bất kỳ cơng trình nào khác.
Tôi xin cam đoan rằng mọi sự giúp đỡ cho việc thực hiện luận văn đã được cám
ơn, các thơng tin trích dẫn trong luận văn này đều được chỉ rõ nguồn gốc.
Đà Nẵng, ngày 24 tháng 05 năm 2022
Tác giả luận văn

Quảng Đinh Chánh

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


TĨM TẮT LUẬN VĂN
NGHIÊN CỨU GIẢI PHÁP ĐỊNH VỊ CHÍNH XÁC CHO THIẾT BỊ BAY TỰ
ĐỘNG KHÔNG NGƯỜI LÁI DỰA TRÊN PHƯƠNG PHÁP SENSOR FUSION
Học viên: Quảng Đinh Chánh
Mã số: 101210004

Khóa: 42

Chuyên ngành: Kỹ thuật Cơ Điện tử
Trường Đại học Bách khoa - ĐHĐN

Tóm tắt – Ngày nay, cơng nghệ đang phát triển nhanh chóng kèm theo nhu cầu về phát

triển các hệ thống tự động. Một vấn đề thiết yếu của một hệ thống tự động đó là khả năng
định vị của nó đối với mơi trường. Có nhiều phương pháp đã được áp dụng như việc sử
dụng các cảm biến GPS, Radar hay IMU nhưng mỗi phương pháp đều có những ưu và
nhược điểm riêng. Đối với những trường hợp cần có sự chính xác và tin cậy cao chúng ta
cần phải kết hợp được những ưu điểm của nhiều cảm biến với nhau. Trong khuôn khổ đề
tài này, tác giả sẽ nghiên cứu về nâng cao tính định vị chính xác của máy bay khơng người
lái thơng qua các cảm biến và phương pháp Sensor Fusion. Tác giả đã tóm tắt các kết quả
đã đạt được và đưa ra các hướng phát triển tiếp theo.
Từ khóa – Sensor Fusion; bộ lọc Kalman, bộ lọc Kalman mở rộng, định vị UAVchính xác,
tối ưu hóa cảm biến.

HIGH-ACCURACY UAV NAVIGATION BASED ON MULTI-SENSOR
FUSION
Many current navigation systems for unmanned aerial vehicles (UAV) heavily rely on the
accuracy of the Global Positioning System (GPS) sensor. The failure of such a GPS sensor
or its low-quality data can downgrade flight performance or even lead to the crash of the
whole system. This paper proposes a Sensor Fusion method, known as Extended Kalman
filter (EKF), that improves relative navigation accuracy and robustness by fusing all
available measurements. Using partial derivatives and Taylor series expansion, EKF
linearises the predict and update phases for current estimates. Through a series of
comparison experiments, the combination of different sensor types (e.g., GPS, IMU, and
RADAR sensors) delivers various positioning efficiencies, but all outperform the
navigation performance of the GPS alone.
Key words – Sensor Fusion, Kalman filter, Extended kalman filter, high-accuracy UAV
sensor optimisation.

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ



MỤC LỤC
CHƯƠNG 1: GIỚI THIỆU ..........................................................................................3
1.1. Lý do chọn đề tài ............................................................................................ 3
1.2 Đối tượng nghiên cứu chính – thuật toán Sensor Fusion ............................ 6
1.3 Phạm vi nghiên cứu – hệ thống định vị UAV ...............................................9
1.4 Đối tượng nghiên cứu – cảm biến và thuật toán sử dụng .........................11
1.4.1 Mạng các cảm biến sử dụng trong hệ thống định vị UAV ......................11
1.4.2 Thuật toán kết hợp cảm biến trong hệ thống định vị UAV .....................13
1.5 Kết quả đóng góp của nghiên cứu ............................................................... 14
CHƯƠNG 2: TỔNG QUAN .......................................................................................15
2.1. Mơ hình phương tiện bay không người lái (UAV)....................................15
2.1.1. Cấu trúc của một UAV ...........................................................................15
2.1.2 Những yếu tố gây nhiễu trên UAV .........................................................17
2.2 Các loại cảm biến .......................................................................................... 19
2.2.1 Cảm biến IMU .........................................................................................19
2.2.2 Cảm biến GPS .........................................................................................21
2.2.3 Cảm biến hình ảnh ...................................................................................22
2.2.4 Cảm biến Lidar ........................................................................................23
2.2.5 Cảm biến Radar .......................................................................................25
2.2.6 Kết luận ...................................................................................................27
2.3 Các loại bộ lọc ............................................................................................... 28
2.3.1 Bộ lọc complementary.............................................................................29
2.3.2 Bộ lọc Kalman .........................................................................................29
2.3.3 Bộ lọc Kalman mở rộng (Extended kalman filter) ..................................32
2.3.4 Bộ lọc hạt (Particle Filter) .......................................................................34
2.3.5 Mạng nơ-ron (Neural network) ............................................................... 35
2.4. Các hệ thống định vị đang được sử dụng trong hệ thống UAV ..............37
2.4.1 Hệ thống định vị chỉ sử dụng GPS .......................................................... 37
2.4.2 Hệ thống định vị GPS kết hợp với Lidar .................................................37

2.4.3 Hệ thống định vị Radar ...........................................................................37
2.4.4 Hệ thống định vị bằng Camera ................................................................ 37
2.5 Kết luận ......................................................................................................37
CHƯƠNG 3: THIẾT KẾ CHƯƠNG TRÌNH SỬ DỤNG PHƯƠNG PHÁP
SENSOR FUSION .......................................................................................................39
3.1 Bộ lọc Extended Kalman ..............................................................................39

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


3.1.1 Cấu trúc chung của bộ lọc Extended Kalman .........................................39
3.1.2 Bộ lọc extended kalman filter cho trường hợp sử dụng cảm biến GPS và
RADAR ............................................................................................................42
3.1.3 Bộ lọc extended kalman filter cho trường hợp sử dụng cảm biến GPS và
IMU ..................................................................................................................46
3.2 Đánh giá và kết luận .....................................................................................48
CHƯƠNG 4: MÔ PHỎNG VÀ KẾT QUẢ ............................................................... 49
4.1 Mơ phỏng thuật tốn EKF bằng phần mềm Matlab .................................49
4.1.1 Mô phỏng quỹ đạo bay và dữ liệu cảm biến của UAV ........................... 49
4.1.2 Thiết lập thông số đầu vào bộ lọc EKF cho các trường hợp kết hợp cảm
biến ...................................................................................................................49
4.2 Kết quả mô phỏng .........................................................................................50
4.3 Nhận xét và kết luận .....................................................................................54
CHƯƠNG 5: KẾT LUẬN VÀ KIẾN NGHỊ ............................................................. 55
TÀI LIỆU THAM KHẢO........................................................................................... 56
PHỤ LỤC 1 ..................................................................................................................62

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.


Lưu hành nội bộ


DANH MỤC HÌNH VẼ, ĐỒ THỊ
Hình 1.1 Hình ảnh thảm họa máy bay Boeing 737 tại Indonesia năm 2018 [2]. ............5
Hình 1.2 UAV giao vacxin ở Jammu, Ấn độ tháng 11 năm 2021 [4]. ............................ 6
Hình 1.3 Thảm họa hạt nhân ở Fukushima, Nhật Bản [5]. .............................................6
Hình 1.4 Chiếc xe nhận biết vi trí của nó với mơi trường xung quanh [7]. ....................8
Hình 1.5 Áp dụng Sensor Fusion trong nơng nghiệp [11]. .............................................9
Hình 1.6 Đà Nẵng sử dụng UAV để giám sát người dân trong kiệt hẻm [10]. ...............9
Hình 1.7 Chiếc UAV DJI nặng 25 pound bị rơi tại Anh do thiếu tín hiệu GPS [12] ....10
Hình 1.8 Ứng dụng UAV trong mơi trường tín hiệu GPS bị hạn chế [13] ...................10
Hình 2.1 Ví dụ về các kiểu hình dáng của UAV [28]. ..................................................15
Hình 2.2 Tọa độ và mơ hình Quadrotor [30]. ................................................................ 17
Hình 2.3 Biễu diễn các góc Roll, Pitch,Yaw [49]. ........................................................21
Hình 2.4 Hệ tọa độ ECEF [52]. .....................................................................................22
Hình 2.5 Kết quả từ cảm biến Lidar RMB Velodyne HDL-64 [57]. ............................ 24
Hình 2.6 Dữ liệu từ hệ thống quét laser di động Riegl VMX-450 [57]. .......................24
Hình 2.7 Mơ hình cơ bản của RADAR. ........................................................................25
Hình 2.8 Các bộ phận của một hệ thống RADAR ........................................................26
Hình 2.9 Sơ lược về RADAR xung. ..............................................................................27
Hình 2.10 Sơ lược về Radar FM-CW. ...........................................................................27
Hình 2.11 Phép đo cảm biên Radar [62]. ......................................................................27
Hình 2.12 Chuyển đổi tọa độ của phép đo Radar [63]. .................................................27
Hình 2.13 Nguyên lý hoạt động của phương pháp Sensor Fusion ................................ 28
Hình 2.14 Nguyên lý bộ lọc Kalman filter ....................................................................31
Hình 2.15 Hình dạng của phân bố chuẩn Gaussian [66] ...............................................33
Hình 2.16 Kết quả áp dụng hàm khơng tuyến tính cho phân bố chuẩn Gaussian [67] .33
Hình 2.17 Các bước trong bộ lọc Particle Filter [68] ....................................................35

Hình 2.18 Cấu trúc mạng neural gồm các nút nối với nhau [69] ..................................36
Hình 3.1 Sơ đồ nguyên lý bộ lọc Kalman mở rộng .......................................................39
Hình 3.2 Sơ đồ thuật tốn sử dụng bộ lọc Extended Kalman .......................................40
Hình 3.3 Chuyển đổi tọa độ cực và tọa độ Đề các từ cảm biến RADAR .....................42
Hình 3.4 Mơ hình hệ thống UAV ..................................................................................46
Hình 4.1 Kết quả sử dụng bộ lọc EKF đối với chỉ cảm biến GPS ................................ 51
Hình 4.2 Kết quả sử dụng bộ lọc EKF đối với chỉ cảm biến RADAR .........................51
Hình 4.3 Kết quả sử dụng bộ lọc EKF khi kết hợp cảm biến GPS và RADAR ...........52
Hình 4.4 Kết quả sử dụng bộ lọc EKF khi kết hợp cảm biến GPS và IMU ..................52
Hình 4.5 Kết quả sử dụng bộ lọc EKF kết hợp 3 cảm biến GPS, RADAR và IMU .....53

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


Hình 4.6 So sánh kết quả giữa các trường hợp kết hợp cảm biến .................................53
Hình 4.7 Thử nghiệm khi cảm biến RADAR bị lỗi một khoảng thời gian ...................54

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


DANH MỤC CÁC BẢNG
Bảng 2.1 So sánh giữa các mô hình UAV .....................................................................16
Bảng 2.2 So sánh ưu và nhược điểm các loại cảm biến ................................................28
Bảng 2.3 So sánh công thức giữa bộ lọc Kalman Filter và Extended Kalman Filter....34
Bảng 2.4 Tóm tắt ưu nhược điểm của các bộ lọc thuật toán trong Sensor Fusion ........36
Bảng 3.1 Ma trận giá trị đo và hiệp phương sai của cảm biến GPS và RADAR ..........43

Bảng 4.1 Thiết lập thông số cảm biến ...........................................................................49
Bảng 4.2 Thiết lập thông số ban đầu cho bộ lọc EKF ...................................................50

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


DANH MỤC KÍ HIỆU, CHỮ VIẾT TẮT
Chữ viết tắt

Giải thích

UAV

Unmaned aerial vehicle

EKF

Extended kalman filter

KF

Kalman filter

LIDAR

Light Detection And Ranging

RADAR


Radio detection and ranging

UWB

Ultra-wide band

SISO

Single input single output

MIMO

Multiple input multiple output

MCAS

Maneuvering Characteristics Augmentation System

GPS

Global positioning system

IMU

Inertial measurement unit

IOT

Internet of things


RMB

Rotating Multi-beam

MLS

Mobile laser scanning

GT

Ground Truth

EST

Estimation

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


1
MỞ ĐẦU
Lý do chọn đề tài
Hiện nay, các hệ thống tự động đang được nghiên cứu và triển khai một cách mạnh
mẽ dựa trên các ứng dụng to lớn mà nó đem lại cho xã hội như xe tự động, robot tự hành
hay thiết bị bay không người lái. Một trong những vấn đề quan trọng của một hệ thống
tự động đó là việc biết được chính xác vị trí của nó đối với mơi trường xung quanh.
Mặc dù đã có rất nhiều phương pháp đã được sử dụng cho việc định vị hệ thống

với những ưu nhược điểm riêng, nó vẫn có thể được cải tiến và phát triển. Ta có phương
pháp Sensor Fusion giúp kết hợp dữ liệu từ nhiều nguồn khác nhau để thu được kết quả
ít sai số và đáng tin cậy hơn khi những dữ liệu đó được dùng riêng lẻ. Với phương pháp
này ta có thể hạn chế được nhược điểm của các cảm biến và kết hợp điểm mạnh của
chúng để nhằm nâng cao sự chính xác khi định vị một hệ thống tự động mà cụ thể ở đây
là định vị 1 thiết bị bay không người lái UAV.
Hiện nay, việc sử dụng phương pháp Sensor Fusion ở Việt Nam ta vẫn còn khá
mới đặc biệt là áp dụng trong thiết bị bay khơng người lái. Việc nghiên cứu này có thể
giúp ta phát triển ứng dụng của UAV trong nhiều lĩnh vực như quân sự, nông nghiệp và
giám sát địa trắc.
Với các lý do trên, tác giả đã lựa chọn đề tài: “Nghiên cứu giải pháp định vị chính
xác cho thiết bị bay tự động không người lái dựa trên phương pháp Sensor Fusion”.
Mục tiêu nghiên cứu:
 Tìm hiểu cảm biến sử dụng cho việc định vị UAV;
 Nghiên cứu thuật toán Extended kalman filter áp dụng cho phương pháp Sensor
Fusion;
 Thiết lập dữ liệu và lập trình mơ phỏng.
Đối tượng và phạm vi nghiên cứu
Thuật toán Sensor Fusion cho Quadrone.
Phương pháp nghiên cứu
Kết hợp nghiên cứu giữa nghiên cứu lý thuyết và mô phỏng:
 Nghiên cứu lý thuyết:
o Nghiên cứu tổng quan về các thuật toán áp dụng cho phương pháp Sensor
Fusion;
o Thiết lập chương trình xử dụng thuật tốn Extended Kalman Filter để tổng
hợp thông tin từ các cảm biến;
 Mô phỏng:
o Thiết lập dữ liệu bay và dữ liệu cảm biến cho hệ thống UAV;
THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.


Lưu hành nội bộ


2
o Mơ phỏng thuật tốn và vẽ đồ thị đánh giá sự hiệu quả của thuật toán.
Ý nghĩa khoa học và thực tiễn của đề tài:
 Ý nghĩa khoa học:
o Thiết lập chương trình sử dụng thuật tốn Extended Kalman Filter để tổng
hợp thông tin từ các cảm biến;
o Nghiên cứu xác định và lựa chọn cảm biến phù hợp cho hệ thống
Quadrone.
 Ý nghĩa thực tiễn:
o Nghiên cứu xác định và lựa chọn sử dụng cảm biến phù hợp cho hệ thống
Quadrone;
o Ứng dụng trong việc khảo sát địa trắc, đo đạc chụp ảnh trong các lĩnh vực
quân sự và dân sự;
o Có thể phát triển trên các thiết bị robot, xe tự hành …
Bố cục của luận văn
Ngoài phần mở đầu và kết luận, luận văn gồm những phần chính sau đây:
Chương 1: Giới thiệu
Chương 2: Tổng quan
Chương 3: Thiết kế chương trình sử dụng phương pháp Sensor fusion.
Chương 4: Thiết lập mô phỏng và kết quả.
Chương 5: Kết luận và kiến nghị

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ



3
CHƯƠNG 1: GIỚI THIỆU
1.1. Lý do chọn đề tài
Luận văn này nghiên cứu đóng góp cho lĩnh vực điều khiển các thiết bị tự động
như phương tiện bay không người lái hoặc xe, robot tự động. Từ yêu cầu thực tế nghiên
cứu các giải pháp thông minh để hệ thống vận hành một cách ổn định, hiệu quả và chính
xác nhất trong trường hợp có nhiều nguồn khơng chắc chắn như cảm biến bị lỗi, nhiễu
và các loại cảm biến chi phí thấp cho kết quả khơng chính xác. Đây là chủ đề đang rất
được quan tâm trong thời gian gần đây bởi tính cần thiết của nó trong thực tiễn. Đặc biệt
trong lĩnh vực tự động lái và điều hướng, những sai số nhỏ cũng có thể dẫn đến hậu quả
lớn. Ví dụ như một chiếc xe tự động lái đi trên đường có sai lệch vị trí nhỏ khi chuyển
làn cũng có thể gây nguy hiểm cho tính mạng chủ xe và người đi đường. Hoặc các hệ
thống phương tiện bay không người lái khi ở trong không gian hẹp hoặc đơng đúc, u
cầu cho việc bay chính xác là thiết yếu để đảm bảo sự an toàn và sự ổn định khi vận
hành. Những hệ thống như vậy thường sử dụng những cảm biến giá thành rất cao, không
phù hợp với phần lớn nhu cầu hiện nay và hơn thế nữa thường xảy ra nguy hiểm và mất
ổn định hệ thống khi các cảm biến xảy ra lỗi. Đề tài này sẽ đưa ra biện pháp để giải
quyết vấn đề nêu trên.
Một phương tiện bay không người lái UAV (Unmaned Aerial Vehicle) là một máy
bay khơng có phi công trên buồng lái. Máy bay không người lái (UAV) là một bộ phận
cấu thành của một hệ thống máy bay không người lái (UAV); hệ thống bao gồm một
máy bay khơng người lái, một kiểm sốt viên mặt đất, và một hệ thống liên lạc giữa
UAV và kiểm sốt viên. Các chuyến bay của UAV có thể vận hành với nhiều mức độ
tự chủ khác nhau: hoặc dưới sự điều khiển từ xa bởi một một người vận hành, hoặc tự
động bởi máy tính dựa vào một hệ thống tự động [1]. UAV ban đầu được thiết kế sử
dụng cho quân sự trong những nhiệm vụ nguy hiểm đến tính mạng con người. Nhưng
bởi vì những ưu thế mà UAV mang lại như dễ dàng điều khiển, tốc độ và khả năng vận
hành cao, giá thành hợp lí và giúp người vận hành nó tránh được nguy hiểm, UAV đã
nhanh chóng mở rộng sang các ứng dụng khác như nông nghiệp, địa trắc, cứu hộ hoặc
giúp các lực lượng chức năng truy bắt tội phạm.

Trước tiên, cần phải tìm hiểu sự phát triển của khoa học cơng nghệ đã giúp ích như
thế nào đến sự phát triển của các hệ thống UAV. Một vấn đề thiết yếu trong hệ thống
UAV là việc truyền nhận dữ liệu giữa các bộ phận trong UAV như cảm biến, bộ điều
khiển, thiết bị lưu trữ. Trước kia, thường cần nhiều dây dẫn để kết nối các bộ phần lại
với nhau và công nghệ truyền dữ liệu không dây với tốc độ thấp và ít ổn định như
THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


4
bluetooth, 3G khiến cho việc phát triển các ứng dụng UAV rất khó khăn. Nhưng hiện
nay với sự phát triển của công nghệ đã dẫn đến sự phát triển nhanh chóng của các phương
thức giao tiếp như I2C, SPI hoặc UAVCAN BUS được thiết kế riêng cho UAV; và các
công nghệ truyền thông như LTE, 5G và gần đây là Ultra-wide band (UWB). Điều này
giúp cho việc truyền nhận dữ liệu trong hệ thống UAV có thể được thực hiện với tốc đọ
cao và hiệu quả. Ví dụ như hiện nay ta có thể dùng UAV để quay những video chất
lượng cao với độ nét 4K gần như khơng có độ trễ. Đây chính là tiền đề cho sự phát triển
của mạng cảm biến (sensor network) truyền thông với tốc độ cao và khoảng cách xa và
sự phát triển của việc kết hợp cảm biến sau này.
Hơn thế nữa, các thuật tốn giúp cải thiện độ chính xác và ổn định cho hệ thống
UAV trước đây chưa có nhiều và chưa đáp ứng được yêu cầu xử lý nhiều loại dữ liệu
cùng lúc. Một số ví dụ về thuật tốn filter như bộ lọc thông thấp, bộ lọc Kalman với khả
năng chỉ áp dụng cho những dữ liệu tuyến tính và hệ thống SISO (single input single
output). Khi đó thì sensor network chưa được phát triển và việc phụ thuộc vào cảm biến
cũng như tính tuyến tính cũng dữ liệu đã hạn chế cho việc phát triển UAV. Một ví dụ
điển hình gần đây nhất chính là các thảm họa rơi máy bay liên quan đến máy bay 737
MAX [2]. Thảm họa diễn ra tại Indonesia tháng 10 năm 2018 đã cướp đi sinh mạng của
189 hành khách và phi hành đoàn. Nguyên nhân điều tra đã cho thấy một cảm biến đã
xảy ra lỗi và báo sai cho phi hành đoàn. Khi máy bay bay ở tốc độ thấp góc nâng ở cánh

máy bay có xu hướng chếch lên để tăng lực đẩy. Nhưng nếu góc nghiêng lớn hơn 20 độ,
hiện tượng chòng chành ở máy bay sẽ xảy ra và sẽ dẫn đến việc mất lực nâng ở máy
bay. Trong thảm họa này, cảm biến đã báo sai tốc độ về cho hệ thống và kích hoạt một
hệ thống tự động gọi là hệ thống MCAS(Maneuvering Characteristics Augmentation
System). Hệ thống này sẽ đọc cảm biến để xác định mũi máy bay lên hoặc xuống so với
luồng khơng khí. Khi MCAS phát hiện máy bay đang nghiêng lên một cách nguy hiểm,
nó sẽ tự động đẩy mũi máy bay xuống để nó khơng bị chịng chành. Qua đó có thể thấy
việc chỉ dựa vào nguồn dữ liệu từ một cảm biến có thể gây nên một thảm họa thảm khốc
như thế nào. Hiện nay, các nghiên cứu về bộ lọc dành cho các dữ liệu phi tuyến và các
hệ thống MIMO (Multiple input – multiple output) đang được phát triển mạnh mẽ để
gia tăng độ chính xác và ổn định . Đây chính là điều kiện để phát triển sensor network
nhằm kết hợp được nhiều cảm biến cùng loại hoặc khác loại (Homogeneous and
Heterogeneous Sensor Networks) lại với nhau. Điều này đặt ra câu hỏi tại sao không
nghĩ đến việc phát triển hệ thống có thể kết hợp nhiều cảm biến lại với nhau qua đó giúp
bổ sung, cải thiện độ chính xác của hệ thống định vị và loại nhiễu [3].

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


5

Hình 1.1 Hình ảnh thảm họa máy bay Boeing 737 tại Indonesia năm 2018 [2].
Ví dụ về cảm biến cùng loại tương tự như mắt ở các loài động vật. Mỗi mắt sẽ thu
được hình ảnh ở một góc độ khác nhau và khi kết hợp cả hai mắt lại sẽ thu được một
bức tranh hoàn chỉnh nhất. Trong đề tài này chúng ta sẽ tập trung việc kết hợp các cảm
biến khác loại để kết hợp những ưu điểm và hạn chế các lỗi của nhiều cảm biến lại với
nhau. Một ví dụ cho sự cần thiết phải kết hợp các cảm biến UAV là việc giao vắc xin
Covid-19 hiện nay đến những nơi xa xơi hẻo lánh khó đặt chân đến. Việc có thể định vị

chính xác vị trí để UAV có thể hạ cánh an tồn là rất khó khăn. Hoặc ví dụ về cứu hộ ở
trong thảm họa hạt nhân ở Fukushima, Nhật bản. Khi thảm họa xảy ra việc triển khai
drone vào trong các lò phản ứng hạt nhân là cần thiết để tìm kiếm người bị nạn vì UAV
có kích thước nhỏ, linh hoạt và tốc độ nhanh. Nhiệm vụ này đòi hỏi UAV phải có một
kiến thức chính xác về vị trí của mình so với mơi trường xung quanh. Một phương pháp
phổ biến trước đây và được nhiều người nghĩ tới khi định vị cho UAV đó chính là sử
dụng hệ thống định vị toàn cầu (GPS: Global Positioning System). Hệ thống hoạt động
bằng cách nhận tín hiệu và xác định khoảng cách từ điểm đứng đến vị trí của ít nhất ba
vệ tinh nhân tạo. GPS đã trở nên thiết yếu trong các hệ thống dẫn đường trên nhiều
phương tiện khác nhau vì nó có thể được sử dụng mọi lúc mọi nơi một cách miễn phí.
Tuy nhiên trong nhiệm vụ này tín hiệu GPS lại bị chắn bởi những bức tường bê tông
dày gây nhiễu, hơn nữa sai số của tín hiệu GPS cũng là rất lớn hàng chục mét và không
thể thực thi trong không gian chật hẹp.

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


6

Hình 1.2 UAV giao vacxin ở Jammu, Ấn
độ tháng 11 năm 2021 [4].

Hình 1.3 Thảm họa hạt nhân ở
Fukushima, Nhật Bản [5].

Có thể thấy việc phụ thuộc vào cảm biến GPS nơi mà tín hiệu yếu hoặc bị nhiễu
bởi các tác nhân xung quanh như ở hai ví dụ trên là rất hạn chế. Điều này làm cho GPS
trở nên không phù hợp với yêu cầu định vị với độ chính xác cao của đề tài nơi mà hệ

thống định vị chính xác có vai trị cực kỳ quan để hệ thống hoạt động với hiệu suất cao,
thực thi trong nhiều môi trường và xử lý được những nhược điểm của cảm biến giúp
đảm bảo ăn toàn cho con người và thực hiện nhiệm vụ nhanh chóng. Điều đó làm suy
nghĩ đến việc tại sao không kết hợp nhiều loại cảm biến với nhau để khai thác những ưu
việt trong khi hạn chế những nhược điểm mà chúng mang lại. Hơn nữa việc kết hợp
nhiều cảm biến cũng giúp giảm giá thành phải đầu tư vào hệ thống, tránh việc phải mua
những cảm biến quá đắt tiền với dữ liệu sai số rất nhỏ trong khi ta có thể kết hợp nhiều
nguồn dữ liệu lại với nhau để có kết quả chính xác với sai số thấp. Một phương pháp
được đề cập gần đây chính là Sensor Fusion. Đây là phương pháp dùng để thu thập dữ
liệu từ hai hay nhiều nguồn khác nhau để có thể thu được dữ liệu chính xác và tin cậy
hơn so với khi dùng các dữ liệu đó một cách riêng lẻ. Sensor Fusion cho phép ta có được
1 tín hiệu duy nhất được kết hợp từ nhiều tín hiệu do đó ưu việt hơn so với phương pháp
thông thường. Phương pháp Sensor Fusion tỏ ra rất hiệu quả khi nó có thể bù đắp được
những khuyết điểm của từng cảm biến, có thể giữ sự ổn định khi cảm biến không hoạt
động ở điều kiện nào đó hoặc hư hỏng và có thể hoạt động trong thời gian thực giúp hệ
thống UAV có thể hoạt động ở tốc độ và hiệu suất cao.
Dựa trên những lập luận trên, nghiên cứu này sẽ xem xét giải quyết vấn đề định vị
chính xác cho UAV bằng phương pháp Sensor Fusion vì nó có thể tăng chất lượng dữ
liệu, độ tin cậy của hệ thống. Đóng góp trong chủ đề này sẽ làm cho hệ thống định vị
UAV trở nên thiết thực và hiệu quả trong thực tế.
1.2 Đối tượng nghiên cứu chính – thuật tốn Sensor Fusion
Sự phát triển khoa học và công nghệ cũng kèm theo sự phát triển của công nghệ
giao tiếp, truyền thơng và các bộ lọc thuật tốn giúp xử lí những dữ liệu kết hợp từ nhiều
THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


7
cảm biến. Sự phát triển mạnh mẽ này đã giúp cho Sensor Network trên UAV hoạt động

với tốc độ cao với lượng dữ liệu lớn và có thể kết hợp nhiều loại cảm biến với nhau cùng
lúc để tạo ra kết quả chính xác nhất.
Các lĩnh vực phục vụ cho đời sống chúng ta hiện nay đang tiến tới công nghiệp
hóa hiện đại hóa. Một thiết bị khơng thể thiếu trong hầu hết các ngành cơng nghiệp hiện
nay đó chính là cảm biến: nó được tìm thấy trong ơ tơ, trong nhà máy, trong các thiết bị
robot và thậm chí trong các thiết bị thông minh như điện thoại di động. Mặc dù một cảm
biến riêng lẻ có thể cung cấp một dữ liệu hữu ích nhưng đơi khi có sai số hoặc không đủ
để đáp ứng nhiệm vụ. Hãy tưởng tượng có thể lấy dữ liệu được trích xuất từ việc kết
hợp đầu ra từ nhiều cảm biến cùng một lúc. Điều này sẽ cung cấp một mơ hình chính
xác hơn nhiều về thế giới xung quanh mà khó khả thi nếu chỉ dùng các cảm biến đơn
lẻ. Yêu cầu này tương tự như việc cảm nhận xung quanh của cơ thể người. Bộ não của
chúng ta tiếp nhận đầu vào từ các cảm biến hoặc hệ thống khác nhau, chẳng hạn như hệ
thần kinh, cơ bắp, v.v. để tạo ra bức tranh về thế giới xung quanh chúng ta. Sensor
Fusion là q trình mà qua đó chúng ta có thể thực hiện được điều này.
Gần đây, Sensor Fusion đã thu hút được sự chú ý của giới nghiên cứu, với các ứng
dụng rộng rãi trong khoa học và đời thực, đặc biệt là trong điều hướng thiết bị di động
như robot hoặc UAV[6]. Nó mang lại nhiều lợi ích cho hệ thống tự động: tăng độ chính
xác, độ tin cậy và khả năng chịu lỗi của các đầu vào cảm biến; mở rộng phạm vi bao
phủ không gian và thời gian từ các hệ thống cảm biến; cải thiện độ phân giải và nhận
biết tốt hơn về môi trường xung quanh, đặc biệt là trong môi trường động; Sensor Fusion
có thể giảm chi phí và độ phức tạp của hệ thống bằng cách sử dụng các thuật toán xử lý
trước dữ liệu và cho phép sử dụng nhiều loại cảm biến khác nhau mà không làm thay
đổi phần mềm ứng dụng rô bốt cơ bản và vượt qua được những nhược điểm từ phần
cứng. Chính vì vậy, hiện nay trong các hệ thống địi hỏi độ chính xác cao hoặc để giải
quyết hạn chế của cảm biến, Sensor Fusion là giải pháp bước ngoặt để kết hợp dữ liệu
từ nhiều nguồn với nhau thơng qua thuật tốn để cung cấp kết quả chính xác và đáng tin
cậy nhất. Nó đã được ứng dụng rộng rãi trong việc hướng dẫn, dẫn đường và điều khiển
phương tiện, đặc biệt là trong định vị máy bay. Sensor Fusion đang được phát triển áp
dụng rộng rãi trong nhiều lĩnh vực khác như phân tích dữ liệu kinh tế, nơng nghiệp, đĩa
internet vạn vật (IOT), trí tuệ nhân tạo, thiết bị đeo chăm sóc sức khỏe và tiềm năng phát

triển sang các lĩnh vực khác trong tương lai của Sensor Fusion là rất lớn.
Một ví dụ cho sự quan trọng của Sensor Fusion đối với lĩnh vực xe tự hành. Thuật
toán Sensor Fusion sẽ giúp chiếc xe có thể kết hợp nhiều dữ liệu về vị trí của nó với mơi
trường xung quanh, qua đó giúp cho chiếc xe có thể tránh vật cản, hoạt động ổn định
THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


8
khi có các tình huống bất ngờ và có thể tự động đi theo tuyến đường định sẵn. Chiếc xe
sẽ nhận đầu vào từ camera, radar và cảm biến LiDAR để tạo thành một mơ hình duy
nhất về mơi trường xung quanh nó. Điều này giúp tận dụng điểm mạnh của các cảm biến
để vẽ nên một bức tranh có độ chính xác cao về mơi trường của xe. Sau đó, hình ảnh
này có thể được sử dụng để xe phán đoán các quyết định về tốc độ và hướng đi.

Hình 1.4 Chiếc xe nhận biết vi trí của nó với môi trường xung quanh [7].
Hiện nay đất nước Việt Nam đang đẩy mạnh phát triển khoa học công nghệ vào
phục vụ đời sống người dân, qua đó việc áp dụng Sensor Fusion có thể giúp cho nhiều
lĩnh vực như nơng nghiệp, qn sự hoặc địa trắc [8]. Ví trụ trong nông nghiệp, phần lớn
vẫn là lao động thô sơ và chưa được áp dụng công nghệ. Một hệ thống UAV chính xác
có thể tự động giám sát các khu vực của cánh đồng nhằm phát hiện các mối nguy hại
cho cây, theo dõi sự phát triển của cây và đặc biệt hơn nó có thể bón phân cũng như tự
động phun thuốc trừ sâu cho cây [9]. Thông qua việc kết hợp nhiều loại cảm biến khác
nhau, hệ thống có thể định vị trí xác vị trí của UAV với môi trường xung quanh trong
nhiều kiện bất lợi để có thể giám sát và chăm sóc cánh đồng một cách hiệu quả nhất.
Hoặc trong tình hình dịch covid ở Đà Nẵng, các hệ thống flycam đã được triển khai
nhằm giám sát tình hình thực hiện các quy định các ly trong bối cảnh tình hình dịch
covid đang căng thẳng [10]. Điểm yếu của hệ thống là cần phải sử dụng đến camera và
nhiệm vụ này rất khó thực hiện khi trời tối. Khi áp dụng hệ thống Sensor Fusion vào

việc định vị flycam, nó có thể định vị chính xác, ổn định và thực hiện nhiệm vụ trong
điều kiện ban đêm, giữa các nhà cao tầng nơi mà cảm biến GPS có thể bị nhiễu loạn.
THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


9

Hình 1.5 Áp dụng Sensor Fusion trong
nơng nghiệp [11].

Hình 1.6 Đà Nẵng sử dụng UAV để
giám sát người dân trong kiệt hẻm [10].

Qua những ứng dụng thiết thực trên, Sensor Fusion là cơng nghệ mang tính bước
ngoặt để có thể hiện đại hóa nhiều lĩnh vực trong đời sống của người dân. Đây chính là
kỷ ngun mà Sensor Fusion có đủ điều kiện để có thể phát triển mạnh mẽ khi thể hiện
được nhiều tính ưu việt so với những phương pháp truyền thống trước đây.
1.3 Phạm vi nghiên cứu – hệ thống định vị UAV
UAV đã có một chặng đường dài phát triển từ lĩnh vực quân sự đến các lĩnh vực
phục vụ cho đời sống như hiện nay. Hệ thống định vị của UAV trước đây thường chỉ
dựa vào một loại cảm biến ví dụ như cảm biến GPS. Cảm biến GPS phụ thuộc rất lớn
vào tín hiệu từ vệ tinh và thường có sai số lớn và những tín hiệu radio này rất dễ nhiễu
trong khu vực thành phố nơi có nhiều bức tường bê tơng, các nguồn tín hiệu radio khác
cũng ảnh hưởng mạnh mẽ đến tín hiệu GPS. Các hệ thống thường dùng những loại cảm
biến GPS rất đắt tiền để tăng độ chính xác của GPS điều này làm việc phổ biến của hệ
thống UAV trở nên khó khăn hơn. Hơn thế nữa tốc độ cập nhật dữ liệu của GPS cũng
không cao và khơng đáp ứng được những hệ thống định vị địi hỏi độ chính xác cao
trong thời gian thực.

Dưới hình 1.7 là một ví dụ. Tháng 12 năm 2019 tại vương quốc Anh, một chiếc
UAV DJI Matrice 600 pro đang thực hiện nhiệm vụ khảo sát công trường xây dựng.
Chiếc máy bay này đã mất tín hiệu GPS, bị mất điều khiển, bị cuốn trơi theo gió mạnh
và rơi ở một nhà dân gần đó [12]. Với cân nặng 25 pound đủ để gây nguy hiểm cho
người ở dưới. Nguyên nhân được xác định là bị tác động bởi một thiết bị gây nhiễu tín
hiệu GPS. Qua đó cho thấy UAV không thể chỉ phụ thuộc vào một cảm biến mà phải
kết hợp với các cảm biến khác nhằm điều hướng chính xác, gia tăng sự ổn định và tránh
gây nguy hiểm cho người dân. Ví dụ khác trong việc áp dụng cho hệ thống UAV ở mơi
trường tín hiệu GPS bị hạn chế hoặc bị chặn [13]. Hiện nay việc nghiên cứu triển khai
nhiệm vụ cho các UAV dưới mọi điều kiện mơi trường và địa hình đang được đẩy mạnh.
Sự phát triển tối ưu của các UAV đã giúp cho nó nhỏ, nhẹ, có khả năng vận hành cao và
THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


10
mang vác được vật nặng đã kéo theo các ứng dụng trong các hịa nhà, hầm nơi tín hiệu
GPS bị hạn chế bởi các cấu trúc lớn. Điều này kéo theo yêu cầu phát triển hệ thống với
độ chính xác cao và ít phụ thuộc vào GPS. Đã có nhiều thuật toán sử dụng để định vị
các robot hiệu quả [14, 15], nhưng khi áp dụng cho hệ thống UAV hoạt động trong mơi
trường có nhiều tác động hơn, những phương pháp này sẽ gây ra sự phức tạp và khối
lượng tính tốn lớn hơn nhiều và có thể gây ra hiện tượng trễ hoặc tốn năng lượng hơn.
Hệ thống UAV cần phải được hoạt động ổn định trong thời gian thực, tốc độ phản ứng
nhanh và tiết kiệm năng lượng. Với việc áp dụng Sensor Fusion sẽ giúp hệ thống kết
hợp nhiều cảm biến có kích thước nhỏ, nhẹ, chi phí thấp và tiết kiệm năng lượng với
nhau, hơn nữa giúp tăng sự ổn định khi có lỗi hoặc hỏng hóc xảy ra ở cảm biến, tránh
hiện tượng UAV mất ổn định và gây nguy hiểm cho người xung quanh.

Hình 1.7 Chiếc UAV DJI nặng 25

pound bị rơi tại Anh do thiếu tín hiệu
GPS [12]

Hình 1.8 Ứng dụng UAV trong mơi trường
tín hiệu GPS bị hạn chế [13]

Uav là một đối tượng cần độ chính xác và ổn định cao vì nó bay với tốc độ nhanh
và dễ bị các tác nhân xung quanh tác động như các luồng gió mạnh, tải nặng cũng có
thể gây chịng chành cho UAV. Các hệ thống UAV cũ thường có sai số lớn, khó có thể
điều hướng chính xác dưới tác động ngoại lực do chỉ sử dụng một cảm biến đơn lẻ để
định vị. Điều này cho thấy việc áp dụng Sensor Fusion lên hệ thống UAV. Nếu ta có thể
kết hợp một cảm biến có thể bù trừ được những nhược điểm từ GPS, hệ thống sẽ trở nên
ổn định hơn rất nhiều. Ví dụ như việc kết hợp cảm biến IMU (Inertial measurement unit)
để hạn chế sai số và tốc độ lấy mẫu thấp từ GPS. Cảm biến IMU bị tác động bởi điều
kiện bên ngồi và rất chính xác trong thời gian ngắn với tốc độ cập nhật dữ liệu cao.
Nhưng dữ liệu từ IMU có thể tích lũy theo thời gian và cho ra kết quả ngày càng khơng
chính xác. Có thể thấy rằng GPS và IMU có thể hạn chế những nhược điểm của nhau và
tương hỗ với nhau cho ra kết quả chính xác [16]. Điều này dẫn đến một giải pháp cho
vấn đề này, đó là sự kết hợp của dữ liệu từ nhiều cảm biến để xác định mức chênh lệch
THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


11
của từng cảm biến và thu được kết quả chính xác hơn.
Sensor Fusion tới nay đã và đang được áp dụng rộng rãi trên các phương tiện, tác
nhân di động nhưng những tài liệu và mơ hình áp dụng trên UAV cịn rất ít. Một lí do
khác với sự phát triển bùng nổ của phương tiện bay không người lái UAV trong thời
gian gần đây, những tiềm năng và ứng dụng mà UAV có thể mang lại phục vụ cho đời

sống người dân là rất lớn. Những đặc điểm ưu việt từ UAV mang lại nếu được phát triển
và phổ biến sẽ giúp ích rất nhiều cho đời sống của nhân dân, cho sự phát triển của kinh
tế và đất nước. Việc áp dụng Sensor Fusion trong hệ thống UAV sẽ giúp đẩy nhanh công
nghệ và phát triển những ứng dụng to lớn mà nó có thể mang lại cho nhiều lĩnh vực và
cuộc sống hiện nay.
1.4 Mục tiêu nghiên cứu – cảm biến và thuật toán sử dụng
1.4.1 Mạng các cảm biến sử dụng trong hệ thống định vị UAV
Các phương pháp định vị dựa trên cảm biến đã được phát triển mạnh hiện nay,
có thể kể đến một số phương pháp như: Inertial navigation systems (INS), global
positioning systems (GPS), motion capture, computer vision, Light Detection and
Ranging(Lidar) và Radio Detection And Ranging(Radar). Mỗi hệ thống có những
ưu nhược điểm riêng và cần lựa chọn phương pháp phù hợp để áp dụng vào Sensor
Fusion trong hệ thống UAV.
Một cách tiếp cận để UAV định vị trong các tòa nhà, được áp dụng rộng rãi
trong các hoạt động nghiên cứu, là sử dụng hệ thống Motion capture. Chúng cho
phép theo dõi rất chính xác những chuyển động để xác định vị trí [17, 18]. Các hệ
thống này bao gồm một mạng lưới các camera được đặt ở vị trí thích hợp để cung
cấp khơng gian vận hành nơi UAV có thể hoạt động. Tuy nhiên, các hệ thống này
yêu cầu tầm nhìn rõ khơng bị che chắn và số lượng camera tối thiểu để đảm bảo hiệu
suất tốt; do đó, chúng không phù hợp với các môi trường động và phức tạp cho UAV.
Hơn nữa, chúng không hiệu quả về chi phí khi mở rộng sang các mơi trường lớn hơn.
Các phương pháp dựa trên hình ảnh để định vị robot rất phổ biến vì giá thành
hợp lí, tính sẵn có và trọng lượng thấp của máy ảnh. Việc sử dụng máy ảnh kết hợp
với cảm biến gia tốc để thực hiện Simultaneous Localization And Mapping (SLAM)
[19] đã trở nên phổ biến hiện nay. Mặt hạn chế của loại kỹ thuật này khi áp dụng cho
UAVcó liên quan chặt chẽ đến tốc độ chuyển động cao của các nền tảng này hoặc
khi chúng điều hướng trong các không gian rộng lớn. Một số tác giả đã đề xuất việc
sử dụng cảm biến âm thanh nổi hoặc cảm biến RGB-D [20, 21] để cải thiện phương
pháp hình ảnh bằng cách thêm phép đo độ sâu dưới dạng đám mây điểm từ môi
THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.


Lưu hành nội bộ


12
trường, nhưng phạm vi thực tế khi tích hợp chúng vào rô bốt trên không thường bị
giới hạn ở vài mét, có thể khơng đủ trong hầu hết các mơi trường hoạt động rộng lớn
của UAV. Vấn đề chính của các phương pháp tiếp cận dựa trên máy là chúng không
cung cấp giải pháp mạnh mẽ cho UAV, do độ tin cậy thấp trong thời gian dài, không
chỉ do sai số tích lũy mà cịn do các yếu tố khác ảnh hưởng đến máy ảnh, chẳng hạn
như ánh sáng.
LiDAR là một giải pháp thay thế cảm biến khác để tạo ra các giải pháp định vị
dựa trên các đám mây điểm. Lidar đã thu hút rất nhiều sự chú ý trong thời gian gần
đây, đặc biệt là trong lĩnh vực ơ tơ [22]. Hiện có các thuật tốn có thể được sử dụng
để tính tốn phép đo hình học và bản đồ hóa từ dữ liệu LiDAR [23]. Những hạn chế
của chúng nảy sinh khi tích hợp các phương pháp tiếp cận như vậy vào UAV, do sự
rung động mạnh và chuyển động nhanh của UAV, có thể tạo ra sự trôi dạt khiến hệ
thống không thể hoạt động ổn định trong thời gian dài.
Phương pháp được nhiều người nghĩ đến cho việc định vị chính là GPS (Global
Positioning System). Đây là hệ thống của bộ quốc phòng Mỹ hoạt động dựa trên vị
trí của các vệ tinh nhân tạo. Tại một thời điểm, ta có thể biết được vị trí đứng nếu
biết được khoảng cách từ điểm đó đến ít nhất ba vệ tinh ở trên không gian [24]. Tính
miễn phí và liên tục cập nhật đã khiến cho GPS trở thành phương pháp định vị phổ
biến nhất trên thế giới. Tuy nhiên phương pháp này lại có rất nhiều hạn chế bởi nó
truyền nhận tín hiệu dựa trên tín hiệu vơ tuyến, khiến cho nó rất dễ bị lỗi. Tín hiệu
GPS có thể bị chậm khi đi qua các tầng khí quyển, có thể bị phản xạ nhiều lần trước
khi đến máy thu GPS. Hơn nữa tín hiệu GPS còn bị ảnh hưởng bởi số vệ tinh mà
máy thu GPS nhìn thấy, GPS khơng thể hoạt động trong nhà, dưới đất và dễ bị ảnh
hưởng bởi các máy nhiễu sóng vơ tuyến. Do đó độ chính xác của các máy thu GPS
trung bình dưới 15 m. Khi các ứng dụng dựa trên GPS phát triển, các phương pháp

gia tăng độ chính xác cho nó cũng phát triển theo.
Một cảm biến khác có thể cung cấp cho hệ thống UAV dữ liệu về vị trí, tốc độ
và các góc nghiêng chính là Inertial Measurement Unit (IMU). Các thành phần của
IMU thường là sự kết hợp của nhiều gia tốc kế, con quay hồi chuyển và từ kế. Điều
này cung cấp tối đa ba trục thể hiện chuyển động thẳng, chuyển động góc và hướng
của UAV. IMU có tốc độ cập nhật dữ liệu cao nhưng sai số trong dữ liệu khơng được
cập nhật và thường tích lũy nên khơng phù hợp cho việc định vị trong thời gian dài.
Điều này có thể giải quyết bằng việc kết hợp với cảm biến có thể cập nhật dữ liệu vị
trí tương đối một cách chính xác trong sai số cho phép.
Cuối cùng một cảm biến được sử dụng để đo khoảng cách một cách chính xác
THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


13
đó là Radar. Đây là một hệ thống dị tìm sử dụng sóng vơ tuyến để xác định khoảng
cách (phạm vi), góc phương vị hoặc vận tốc của một hoặc nhiều đối tượng. Nó đã
được sử dụng rộng rãi trong quân sự, hàng không, hàng hải để phát hiện khoảng cách
đến cách đối tượng được đo. Radar hoạt động ở tần số vơ tuyến siêu cao tần, có bước
sóng siêu cực ngắn, dưới dạng xung được phát theo một tần số lập xung nhất định.
Nhờ vào ănten, sóng radar tập trung thành một luồng hẹp phát vào trong không gian.
Trong q trình lan truyền, sóng radar gặp bất kỳ mục tiêu nào thì nó bị phản xạ trở
lại. Tín hiệu phản xạ trở lại được chuyển sang tín hiệu điện. Nhờ biết được vận tốc
sóng, thời gian sóng phản xạ trở lại nên có thể biết được khoảng cách từ máy phát
đến mục tiêu [25]. Radar có ưu điểm làm việc được trong mọi loại thời tiết, không
bị ảnh hưởng bởi mơi trường và có độ chính xác cao. Cảm biến Radar có thể được
sử dụng để thay thế cho GPS trong những mơi trường tín hiệu vơ tuyến bị chặn và
nhiễu loạn.
Trong đề tài này, các cảm biến GPS, IMU và Radar được kết hợp với nhau

nhằm đưa ra kết quả định vị chính xác nhất. Thuật tốn Sensor Fusion sẽ được mô
phỏng qua phần mềm Matlab nơi mà người dùng có thể tùy chỉnh động lực học, mơi
trường, cảm biến và bộ lọc của UAV. Kết quả chỉ ra rằng độ chính xác vị trí của
UAV phụ thuộc nhiều nhất vào tính khả dụng của các phép đo vị trí tốc độ cập nhật
cao cùng với tính khả dụng của phép đo GPS.
1.4.2 Thuật toán kết hợp cảm biến trong hệ thống định vị UAV
Thuật toán phổ biến nhất cho phương pháp Sensor Fusion hiện nay chính là bộ
lọc Kalman. Bộ lọc Kalman, được Rudolf (Rudy) E. Kalman cơng bố năm 1960, là
thuật tốn sử dụng chuỗi các giá trị đo lường, bị ảnh hưởng bởi nhiễu hoặc sai số, để
ước đốn biến số nhằm tăng độ chính xác so với việc sử dụng duy nhất một giá trị
đo lường. Bộ lọc Kalman thực hiện phương pháp truy hồi đối với chuỗi các giá trị
đầu vào bị nhiễu, nhằm tối ưu hóa giá trị ước đốn trạng thái của hệ thống. Bộ lọc
Kalman được ứng dụng rộng rãi trong kỹ thuật, phổ biến trong các ứng dụng định
hướng, định vị và điều khiển các phương tiện di chuyển. Ngồi ra, bộ lọc Kalman
cịn được ứng dụng để phân tích dữ liệu trong các lĩnh vực xử lý tín hiệu và kinh tế
[26]. Nó đặc biệt hữu ích khi phân tích dữ liệu nhiễu; chẳng hạn, các cảm biến trên
xe tự hành đôi khi ghi lại dữ liệu không đầy đủ hoặc bị nhiễu, sau đó có thể được sửa
chữa bằng thuật toán Kalman. Bộ lọc Kalman là một dạng của bộ lọc Bayes. Trong
lọc Bayes, thuật toán xen kẽ giữa dự đốn (ước tính trạng thái hiện tại) và cập nhật
(quan sát của các cảm biến). Về cơ bản, thuật toán sẽ thực hiện dự đoán và sửa nó
theo giá trị cập nhật ước tính, thực hiện theo hai bước này cho đến khi đạt được độ
THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


14
chính xác mong muốn. Bộ lọc Kalman đưa ra dự đốn trong thời gian thực bằng cách
sử dụng mơ hình tốn học dựa trên trạng thái (bao gồm vị trí và tốc độ) và độ khơng
chắc chắn. Nó hoạt động với các chức năng tuyến tính, nhưng một số đầu ra cảm

biến, như dữ liệu radar, khơng tuyến tính. Bộ lọc Kalman khơng địi hỏi phải biết
phương trình động lực học hệ thống một cách chính xác (system dynamics) đã được
so sánh với các giải pháp định vị dùng bộ quan sát nhiễu (disturbance observer).
Mặc dù bộ lọc Kalman có khả năng cung cấp cập nhật vị trí xe theo thời gian
thực, nhưng nó dựa trên các mơ hình hệ thống tuyến tính và nó bị tuyến tính hóa khi
xử lý các mơ hình phi tuyến. Trong trường hợp này, Bộ lọc Extened Kalman filter
(EKF) được sử dụng [27], trong đó bằng cách mở rộng chuỗi Taylor, hệ thống phi
tuyến được tuyến tính hóa và xấp xỉ xung quanh mỗi ước tính trạng thái hiện tại. Bộ
lọc Kalman tuyến tính sau đó được áp dụng để tạo ra ước tính trạng thái tiếp theo.
Nhờ đó ta có thể sử dụng thuật toán EKF để áp dụng cho các dữ liệu cảm biến phi
tuyến. Một đặc điểm nổi bật của bộ lọc KF và EKF đó chính là chúng khơng u cầu
khối lượng tính tốn lớn và dễ dàng áp dụng trong thời gian thực. Điều này làm cho
chúng trở nên phù hợp với hệ thống UAV tong đề tài này.
Một số thuật tốn khác có thể kể đến để áp dụng cho hệ thống dữ liệu phi tuyến
như Particle Filter hoặc Neural Networks nhưng chúng có điểm chung là khối lượng
tính tốn rất lớn và có thể gây ra sự trễ khi xử lí dữ liệu trên hệ thống UAV. Trong
thuật tốn Neural Networks cần phải dạy các mơ hình nhiễu và mơ hình UAV và lưu
trữ bộ nhớ lớn. Điều này khiến chúng trở nên khó thực hiện đối với yêu cầu vận hành
ổn định, hiệu quả, tốn năng lượng nên sẽ không được áp dụng trong đề tài này.
1.5 Kết quả đóng góp của nghiên cứu
Luận văn đưa ra những kết quả đóng góp chính như sau:
 Thiết kế công cụ mô phỏng Matlab cung cấp một môi trường có thể tùy chỉnh các
thơng số của cảm biến, các nhiễu và sai số từ mơi tường qua đó thể hiện việc kết
hợp các cảm biến qua thuật toán Sensor Fusion.
 Cung cấp thuật toán Extended kalman filter thể hiện sự ưu việt khi kết hợp dữ
liệu từ nhiều loại cảm biến khác nhau so với khi chỉ sử dụng GPS, từ đó đưa ra
cho người dùng nhiều sự lựa chọn khi sử dụng kết hợp cảm biến.
 Thể hiện được ưu điểm của Sensor Fusion để giúp hệ thống ổn định khi có một
cảm biến bị hư hỏng hoặc lỗi.


THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ