TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI
VIỆN ĐIỆN
BỘ MÔN TỰ ĐỘNG HĨA CƠNG NGHIỆP

ĐỒ ÁN TỐT NGHIỆP

Hà Nội, 5/2018


TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI
VIỆN ĐIỆN
BỘ MÔN TỰ ĐỘNG HĨA CƠNG NGHIỆP

ĐỒ ÁN TỐT NGHIỆP
ĐỀ TÀI:
ỨNG DỤNG TỔNG HỢP DỮ LIỆU ĐA CẢM
BIẾN TRONG ƯỚC LƯỢNG VẬN TỐC DÀI
TRÊN XE Ơ TƠ ĐIỆN
Trưởng bộ mơn

: PGS.TS. Trần Trọng Minh

Giáo viên hướng dẫn : ThS.Võ Duy Thành
Sinh viên thực hiện

: Vũ Hoàng Long

Lớp

: TĐH 03 - K58

MSSV

: 20132418

Giáo viên duyệt

:

Hà Nội, 5/2018


LỜI CAM ĐOAN

Em xin cam đoan toàn bộ đồ án tốt nghiệp: Ứng dụng tổng hợp dữ liệu đa cảm
biến trong ước lượng vận tốc dài trên xe ô tô điện do em tự thiết kế dưới sự hướng dẫn
của ThS. Võ Duy Thành. Các số liệu và kết quả là hoàn toàn đúng với thực tế.
Để hoàn thành đồ án này, em chỉ sử dụng những tài liệu được ghi trong danh mục tài
liệu tham khảo và không sao chép hay sử dụng bất kỳ tài liệu nào khác. Nếu phát hiện
có sự sao chép em xin chịu hồn toàn trách nhiệm.
Hà Nội, ngày 28 tháng 05 năm 2018
Sinh viên

Vũ Hoàng Long


MỤC LỤC

MỤC LỤC
Lời mở đầu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .


7

Chương 1. Giới thiệu chung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

9

1.1. Đặt vấn đề . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

9

1.2. Những thuật toán ước lượng vận tốc dài của xe ô-tô điện . . . . . . . . . . . . . .

11

1.3. Tổng hợp dữ liệu đa cảm biến . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

13

1.4. Nhiệm vụ của đồ án . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

14

Chương 2. Nâng cao tốc độ trích mẫu của cảm biến bằng bộ lọc Multirate Kalman
Filter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

16

2.1. Giới thiệu chung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

16


2.2. Bộ lọc Kalman . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

19

2.3. Bộ lọc Multirate Kalman Filter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

21

2.4. Đề xuất cải tiến bộ lọc Multirate Kalman Filter . . . . . . . . . . . . . . . . . . . . . . .

22

2.4.1. Tự điều chỉnh giá trị hiệp phương sai của những mẫu trung gian . . . . . . . . . . . .

22

2.4.2. Tạo tín hiệu đo giả . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

23

2.5. Thuật toán Multirate Kalman Filter đề xuất . . . . . . . . . . . . . . . . . . . . . . . . . .

24

2.6. Kết quả mô phỏng . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

26

2.6.1. Mơ hình mơ phỏng . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .


26

2.6.2. Kết quả mô phỏng . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

27

2.7. Nhận xét . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

30

Chương 3. Tổng hợp tốc độ dài sử dụng tổng hợp dữ liệu đa cảm biến . . . . . . . .

32

3.1. Xây dựng thuật toán tổng hợp dữ liệu đa cảm biến . . . . . . . . . . . . . . . . . . . .

32

1


MỤC LỤC

3.2. Ứng dụng trong việc ước lượng vận tốc dài của xe ô-tô . . . . . . . . . . . . . . . . .

34

Chương 4. Xây dựng hệ thống thực nghiệm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .


40

4.1. Hệ thống cảm biến thu thập dữ liệu và thực hiện thuật toán . . . . . . . . . . .

40

4.1.1. Hệ thống cảm biến . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

40

4.1.2. Modul thu thập dữ liệu và thực hiện thuật toán . . . . . . . . . . . . . . . . . . . . . . . . . . .

42

4.2. Hệ thống tham chiếu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

43

4.3. Lắp đặt hệ thống . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

45

4.4. Những kịch bản thử nghiệm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

49

Chương 5. Kết quả thực nghiệm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

51


5.1. Kết quả nâng cao tốc độ trích mẫu của cảm biến bằng bộ lọc Multirate
Kalman Filter đề xuất . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

51

5.2. Kết quả ước lượng vận tốc dài của xe ô-tô điện sử dụng phương pháp tổng
hợp dữ liệu cảm biến . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

53

Chương 6. Kết luận . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

58

Tài liệu tham khảo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

60

Phụ lục . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

62

2


DANH SÁCH HÌNH VẼ

DANH SÁCH HÌNH VẼ
1.1


Xe ơ-tơ điện i-MiEV do Mitsubishi sản xuất năm 2012 (nguồn: Mitsubishi)

1.2

Cấu trúc cơ bản hệ tổng hợp cảm biến . . . . . . . . . . . . . . . . . . . . 13

1.3

Cấu hình hệ thống ước lượng vận tốc dài của xe ô-tô điện . . . . . . . . . . 14

2.1

Tương quan giữa tốc độ trích mẫu cảm biến và tốc độ điều khiển . . . . . . 17

2.2

Mô hình bộ lọc Kalman Filter . . . . . . . . . . . . . . . . . . . . . . . . 20

2.3

Lưu đồ thuật toán Multirate Kalman Filter đề xuất . . . . . . . . . . . . . . 25

2.4

Mơ hình mơ phỏng thuật tốn Multirate Kalman Filter đề xuất . . . . . . . 27

2.5

Kết quả nâng cao tốc độ trích mẫu cảm biến . . . . . . . . . . . . . . . . . 28


2.6

So sánh kết quả mô phỏng của hai bộ lọc . . . . . . . . . . . . . . . . . . . 29

3.1

Dạng tín hiệu vận tốc thu được từ 3 loại cảm biến . . . . . . . . . . . . . . 35

3.2

Tín hiệu từ encoder, cảm biến gia tốc và vị trí chân ga, chân phanh . . . . . 38

4.1

Cấu tạo của encoder trên xe oto điện (nguồn [21]) . . . . . . . . . . . . . . 40

4.2

Cảm biến encoder trên xe oto điện i-MiEV (nguồn: Mitsubishi) . . . . . . . 41

4.3

Cảm biến GPS U-Blox EVK-M8U . . . . . . . . . . . . . . . . . . . . . . 42

4.4

Bộ điều khiển NI MyRIO-1900 (nguồn: National Instrument) . . . . . . . . 43

4.5


Modul cơ bản DAS-3 (nguồn: Kisler) . . . . . . . . . . . . . . . . . . . . 45

4.6

Encoder 1000 xung/vòng tham chiếu và cảm biến S350 (nguồn: Kisler) . . 47

4.7

Sơ đồ kết nối hệ thống thu thập dữ liệu . . . . . . . . . . . . . . . . . . . . 48

4.8

Lắp đặt hệ thống tham chiếu . . . . . . . . . . . . . . . . . . . . . . . . . 49

5.1

Kết quả nâng cao tốc độ trích mẫu cảm biến encoder . . . . . . . . . . . . 52

5.2

Kết quả nâng cao tốc độ trích mẫu cảm biến GPS . . . . . . . . . . . . . . 54
3

10


DANH SÁCH HÌNH VẼ

5.3


Kết quả ước lượng vận tốc dài trong trường hợp không trượt . . . . . . . . . 55

5.4

Kết quả ước lượng vận tốc dài trong trường hợp có trượt . . . . . . . . . . . 56

4


DANH SÁCH BẢNG

DANH SÁCH BẢNG
4.1

Cấu hình thiết bị NI MyRIO-1900 . . . . . . . . . . . . . . . . . . . . . . 44

4.2

Thông tin kỹ thuật của cảm biến tham chiếu . . . . . . . . . . . . . . . . . 46

4.3

Thống số chi tiết Modul cơ bản DAS-3 . . . . . . . . . . . . . . . . . . . . 47

5


Danh sách các từ viết tắt

DANH SÁCH CÁC TỪ VIẾT TẮT

MKF

Multirate Kalman Filter

Bộ lọc Multirate Kalman

ABS

Anti-lock Braking System

Hệ thống chống bó cứng phanh

TCS

Traction Control System

Hệ thống điều khiển lực kéo

ESP

Electronic Stabilization Program Hệ thống cân bằng điện tử

GPS

Global Positioning System

Hệ thống định vị toàn cầu

RMSE Root Mean Square Errorr


Sai số căn quân phương

6


Lời mở đầu

LỜI MỞ ĐẦU
Trong vài năm gần đây, ô-tô điện đã trở thành một xu thế và hứa hẹn sẽ là phương tiện
di chuyển tương lai của thế giới. Ơ-tơ điện có rất nhiều ưu điểm so với ơ-tơ sử dụng động
cơ đốt trong truyền thống. Nó tạo ra chuyển động bởi động cơ điện và sử dụng nguồn
năng lượng điện. Do đó, nó khơng bị phụ thuộc vào nguồn nhiên liệu hóa thạch đang dần
cạn kiệt ngày nay. Đồng thời nó khơng thải ra khí CO2 ra mơi trường, giúp giảm thiểu
hiện tượng ấm lên tồn cầu. Khơng những vậy, nó cịn tỏ ra vượt trội trong vấn đề tiết
kiệm năng lượng khi có thể chuyển đổi khoảng 59 - 62% năng lượng điện từ điện lưới
thành năng lượng của các bánh xe trong khi xe sử dụng động cơ đốt trong thông thường
chỉ chuyển đổi khoảng 15% (đối với động cơ sử dụng xăng) và 20% (đối với động cơ
sử dụng dầu diesel) năng lượng dự trữ để truyền lực cho các bánh xe [1]. Ơ-tơ điện hiện
nay đang được quan tâm và phát triển rất mạnh, khơng chỉ bởi những cơng ty sản xuất
mà cịn được ủng hộ bởi chính quyền nhiều nước trên thế giới. Nhiều nước đã lên kế
hoạch dừng việc bán xe sử dụng động cơ đốt trong và thay thế hoàn toàn bằng xe điện
như Trung Quốc vào năm 2020 [2], Pháp vào năm 2040 [3],... Nhiều nước trong khu vực
Đông Nam Á như Thái Lan, Singapore, Malaysia,. . . cũng đã có những động thái ủng
hộ xe điện bằn nhiều cách như xây dựng cơ sở hạ tầng, miễn thuế nhập khẩu,. . . Xe điện
chính là phương tiện giao thơng tương lai của tồn thế giới.
Đối với xe ơ-tơ điện nói riêng và ơ-tơ nói chung, việc đảm bảo an toàn cho người
lái và cho xe là một trong những vấn đề tối quan trọng. Trong điều kiện lý tưởng, người
lái sẽ liên tục quan sát và đánh giá môi trường xung quanh như: vị trí vật cản, vận tốc,
quỹ đạo xe,. . . để có thể đưa ra lượng điều khiển đến các cơ cấu vô-lăng, chân ga, chân
phanh. Nhưng bên cạnh đó, vẫn cần những hệ thống an tồn chủ động liên tục hoạt động

để có thể bảo vệ người lái trong những tình huống xấu như xe mất lái khi vào cua, mặt
đường trơn trượt,. . . Để có thể làm được điều này, các trạng thái của xe phải luôn được
cập nhật để bộ điều khiển có thể phát hiện những tính huống xấu và tiến hành can thiệp
vào hệ thống lái, hệ thống điều khiển động cơ,. . .
Chính vì lý do trên, đồ án này đã lựa chọn đề tài: Ứng dụng tổng hợp dữ liệu đa cảm

7


Lời mở đầu

biến trong ước lượng vận tốc dài trên xe ô tô điện. Đồ án tập trung giải quyết những vấn
đề sau: tiến hành nâng cao tốc độ trích mẫu của cảm biến trên xe ô-tô điện; xây dựng
thuật toán tổng hợp dữ liệu đa cảm biến; tiến hành thực nghiệm trên nên tảng xe ô-tô
điện i-MiEV do Mitsubishi sản xuất để đánh giá thuật toán.
Bố cục của đồ án này gồm 6 chương và phụ lục, bao gồm:
• Chương 1: Giới thiệu về tầm quan trọng của việc ước lượng vận tốc dài và những
thuật toán ước lượng vận tốc dài của xe ơ-tơ đã được cơng bố.
• Chương 2: Nâng cao tốc độ trích mẫu của cảm biến bằng bộ lọc Multirate Kalman
Filter đề xuất.
• Chương 3: Tổng hợp vận tốc dài của xe ô-tô sử dụng thuật toán tổng hợp dữ liệu đa
cảm biến (Multi-Sensor Data Fusion).
• Chương 4: Xây dựng hệ thống thực nghiệm.
• Chương 5: Đánh giá kết quả thuật thực nghiệm.
• Chương 6: Kết luận.
Trong q trình thực hiện đồ án sẽ khơng tránh khỏi những sai sót, em mong nhận được
sự đóng góp của thầy, cơ để có thể hồn thiện đồ án của mình.
Hà Nội, ngày 28 tháng 05 năm 2018
Sinh viên


Vũ Hoàng Long

8


Chương 1. Giới thiệu chung

CHƯƠNG 1
GIỚI THIỆU CHUNG
1.1.

Đặt vấn đề

Vận tốc dài là một trong những đại lượng quan trọng của xe ơ-tơ nói chung, cũng như
ơ-tơ điện nói riêng. Đối với người lái, vận tốc dài được hiển thị trên đồng hồ để người lái
có thể biết được vận tốc hiện tại của xe, từ đó đưa ra những điều chỉnh phù hợp để đảm
bảo an toàn. Đối với hệ thống điều khiển trên xe ô-tô điện, vận tốc dài là một đại lượng
quan trọng để có thể điều khiển chính xác động cơ trên xe. Đồng thời nó cịn là cơ sở
để có thể tính tốn ra những đại lượng như tỷ số trượt của xe, vận tốc ngang của xe,. . .
để phục vụ cho những hệ thống an toàn chủ động trên xe như hệ thống chống bó cứng
phanh ABS [4-6], hệ thống chống trượt, hệ thống cân bằng điện tử ESP [7]. . .
Xe ô-tô điện đang được quan tâm và phát triển rất mạnh trong những năm gần đây.
Những ưu điểm dễ nhận thấy của ô-tô điện như thân thiện với môi trường, không phụ
thuộc vào nguồn nguyên liệu hóa thạch đang dần cạn kiệt. . . Bên cạnh đó, ơ-tơ điện nhờ
được trang bị động cơ điện cho hệ thống truyền động thay vì sử dụng động cơ đốt trong
truyền thống nên ơ-tơ điện có nhiều ưu điểm nổi trội so với xe ô-tô truyền thống. Có thể
kể ra một vài ưu điểm như:
• Thời gian đáp ứng mơ-men rất nhanh, chỉ khoảng vài mili giây so với hơn 100 mili
giây của ô-tô sử dụng động cơ đốt trong [24].
• Mơ-men của bánh xe có thể đo thơng qua dịng điện động cơ, từ đó có thể dễ dàng

điều khiển lực phát động của bánh xe.
• Động cơ có thể được tích hợp vào bánh xe (in-wheel), từ đó có thể điều khiển mômen của từng bánh riêng biệt. Việc phối hợp chuyển động giữa các bánh sẽ được
điều khiển độc lập, không cần những hệ thống truyền động cơ khí như: ly hợp, vi
sai, hộp số,. . . từ đó có thể nâng cao khả năng an toàn, linh hoạt trong khả năng di
chuyển và giải phóng khơng gian bên trong xe.
Để có thể tận dụng những ưu điểm nổi trội này của ô-tô điện, yêu cầu đặt ra là phải

9


Chương 1. Giới thiệu chung

Hình 1.1: Xe ơ-tơ điện i-MiEV do Mitsubishi sản xuất năm 2012 (nguồn: Mitsubishi)
đo được (hoặc ước lượng) chính xác những trạng thái của xe ơ-tơ điện, đồng thời phải
đáp ứng được cả yêu cầu về mặt tốc độ trích mẫu hoặc những phép tốn ước lượng phải
tính tốn đơn giản để có thể phù hợp trong ứng dụng thời gian thực. Trong thực tế hiện
nay, các xe ô-tô trên thị trường thông thường sẽ đo tốc độ góc ω của bánh xe bị động và
dựa vào bán kính bánh xe để tính tốn ra tốc độ dài theo cơng thức sau:
vlongitudinal = ω.R

(1.1)

Trong đó:
vlongitudinal là vận tốc dài của xe oto điện (m/s).
ω là tận tốc góc của bánh xe (rad/s).
R là bán kính bánh xe (m).
Cách làm này khơng cho ra kết quả chính xác vì trong tồn bộ thời gian vận hành,
các bánh xe đều trượt trên mặt đường. Do đó vận tốc dài của xe sẽ luôn khác vận tốc dài
của bánh xe. Trên thị trường hiện nay có nhiều hệ thống cảm biến có thể đo trực tiếp tốc
độ dài của xe với độ chính xác cao nhưng chi phí rất lớn ví dụ như bộ cảm biến đo tốc độ

bằng nguyên lý quang học S350 của hãng Kisler. Những hệ thống cảm biến này không
phù hợp với việc triển khai trên sản phẩm ô-tô thương mại. Điều này dẫn tới việc phải
ước lượng vận tốc dài của xe bằng cách sử dụng một hệ thống cảm biến có chi phí thấp
10


Chương 1. Giới thiệu chung

nhưng vẫn có thể đảm bảo được độ chính xác cũng như tần số trích mẫu đủ lớn để phù
hợp với tần số hoạt động của hệ thống điều khiển.

1.2.

Những thuật toán ước lượng vận tốc dài của xe ơ-tơ điện

Đối với xe ơ-tơ điện, có rất nhiều trạng thái như: mô-men động cơ, vận tốc dài, gia
tốc, góc đánh lái, . . . Mỗi trạng thái đều góp phần quan trọng trong việc điều khiển và
đảm bảo an toàn cho xe cũng như người lái. Có nhiều trạng thái có thể đo trực tiếp bằng
những cảm biến giá rẻ như: tốc độ góc của bánh xe, gia tốc xe, góc quay vơ-lăng. . .
Nhưng cũng có những trạng thái khơng thể đo được trực tiếp hoặc chỉ có thể đo bằng
những hệ thống cảm biến có giá thành cao như: vận tốc dài của xe, độ trượt bánh xe,. . .
Để đảm bảo an toàn, những trạng thái này cần được đo (nếu có thể đo trực tiếp ) và ước
lượng (nếu không thể đo trực tiếp) để có thể cung cấp thơng tin về những trạng thái hiện
tại của xe cho hệ thống an tồn chủ động, ví dụ như hệ thống chống bó cứng phanh ABS
(Anti-Locking Brake System), hệ thống chống trượt TCS (Traction Control System). . . ;
cũng như làm tín hiệu phản hồi đưa về bộ điều khiển. Cùng với sự phát triển của ngành
cơng nghiệp ơ-tơ điện, ngày càng có nhiều những cơng trình nghiên cứu về ước lượng
các trạng thái trên xe ô-tô điện của nhiều nhà khoa học trên thế giới. Hiện nay, việc
nghiên cứu ước lượng vận tốc dài trên xe ô-tô điện được phân chia theo hai phương pháp
chính bao gồm:

• Ước lượng vận tốc dài của xe dựa trên cơ sở mơ hình động lực học (Dynamic
Model).
• Ước lượng vận tốc dài của xe dựa trên cơ sở mơ hình động học (Kinematic Model).
Động lực học (Dynamic) và động học (Kinematic) là hai nhánh của cơ học cổ điển.
Động lực học tập trung nghiên cứu cách vật (giả thiết là) thân cứng (rigid body) chuyển
động theo thời gian và nghiên cứu nguyên nhân của sự chuyển động đó. Có rất nhiều
nghiên cứu đã ước lượng được vận tốc dài của xe thông qua phương pháp sử dụng mơ
hình động lực học của xe và cho kết quả rất khả quan. Trong phương pháp này, mô hình
của xe sẽ đươc xây dựng bằng những phương trình liên quan đến động lực học của xe.
Sau đó, các bộ quan sát, ước lượng sẽ sử dụng mơ hình này cùng với những thuật toán để
ước lượng ra vận tốc dài vx của xe. Có thể kể ra một số phương pháp mà những nghiên
11


Chương 1. Giới thiệu chung

cứu này đã sử dụng như:
• Sử dụng các bộ quan sát phi tuyến (nonlinear observer) [8-10].
• Bộ quan sát kiểu trượt (sliding mode observer) [11-13].
• Ứng dụng bộ lọc Kalman mở rộng EKF (Extended Kalman Filter) [14-20].
Mặc dù cho kết quả rất khả quan nhưng những phương pháp dựa trên mơ hình động
lực học của xe gặp rất nhiều khó khăn khi áp dụng trong hệ thống thực tế. Có thể kể ra
một số lý do như:
• Mơ hình động lực học của xe bao gồm nhiều tham số như: vị trí trọng tâm xe, bán
kính bánh xe, khối lượng của xe, . . . Những tham số này có thể dễ dàng bị thay đổi
trong q trình vận hành. Ví dụ như việc thay đổi số lượng người cũng như hàng
hóa trên xe sẽ làm cho khối lượng xe và vị trí trọng tâm xe cũng sẽ thay đổi, từ đó
làm giảm tính chính xác của phép ước lượng.
• Mơ hình động lực học của xe rất phức tạp do bao gồm nhiều phương trình phi
tuyến và tham số. Một số phương pháp sử dụng những phép toán cao cấp, phức

tạp như: nhân ma trận, tính ma trận nghịch đảo, tính ma trận Jacobi, . . . được thực
hiện trong mỗi chu kỳ thuật tốn; địi hỏi phải sử dụng những bộ xử lý cao cấp với
tốc độ tính tốn nhanh.
Khác với động lực học, động học (Kinematic) lại nghiên cứu về chuyển động của vật
(giả thiết là) thân cứng (rigid body) di chuyển từ nơi này đến nơi khác mà không hề quan
tâm đến những lực tác động lên nó. Động học nghiên cứu các quỹ đạo của chất điểm,
cũng như các đặc tính vi phân của chúng như tốc độ, gia tốc. Chính vì lý do đó, việc ước
lượng vận tốc dài dựa trên mơ hình động học là hết sức phù hợp.
Đồ án này đề xuất phương pháp ước lượng vận tốc dài sử dụng mơ hình động học,
cụ thể là sử dụng thông tin từ những cảm biến khác nhau, kết hợp với mơ hình động học
của xe để có thể ước lượng vận tốc dài của xe. Ưu điểm của phương pháp này là không
phụ thuộc vào những tham số động lực học của xe và số lượng tính tốn ít, phù hợp với
những hệ thống thời gian thực. Phương pháp này có tên gọi: Tổng hợp dữ liệu đa cảm
biến (Multi-Sensor Fusion).

12


Chương 1. Giới thiệu chung

Cảm biến 1

Khâu tiền xử lý dữ
liệu 1

Phối hợp, xử lý
dữ liệu

Đối tượng


Cảm biến 2

Trạng thái
cần ước
lượng

Khâu tiền xử lý dữ
liệu 2

Hình 1.2: Cấu trúc cơ bản hệ tổng hợp cảm biến

1.3.

Tổng hợp dữ liệu đa cảm biến

Tổng hợp đa cảm biến (Multi-sensor Data Fusion) hay còn một số tên gọi khác như
Data Fusion, Information Fusion) là một kỹ thuật phối hợp dữ liệu thu thập được từ
nhiều cảm biến về môi trường hay đối tượng quan tâm để từ đó có thể đưa ra thơng tin
chính xác hơn so với việc sử dụng từng cảm biến đơn lẻ hoặc độc lập [25]. Hình 1.2 mơ
tả cấu trúc cơ bản của một hệ tổng hợp cảm biến. Kỹ thuật tổng hợp dữ liệu đa cảm biến
có rất nhiều ứng dụng thiết thực trong đời sống như đo nhiệt độ trong trung tâm thương
mại, dự báo thời tiết, xe tự lái, xử lý ảnh,. . . Ví dụ như hiện nay có một số hãng điện
thoại sử dụng hệ thống camera gồm hai camera riêng biệt hoạt động độc lập. Dữ liệu thu
được từ hai cảm biến này sẽ được xử lý, từ đó lấy được thơng tin về độ sâu trường ảnh,
đại lượng không thể thu thập nếu chỉ sử dụng một cảm biến ảnh như thơng thường.
Trên xe ơ-tơ điện có nhiều thơng số động lực học bất định như: vị trí trọng tâm xe,
khối lượng xe, mô-men của động cơ,. . . Những thông số động học này rất dễ bị thay đổi
trong thực tế. Do đó việc ước lượng vận tốc dài của xe dựa vào những thông tin thu được
từ cảm biến và sử dụng kỹ thuật tổng hợp dữ liệu đa cảm biến mà không sử dụng bất cứ
tham số động lực học nào là hoàn toàn đúng đắn.

Tuy nhiên, phương pháp này gặp một số khó khăn nhất định trong việc triển khai.
Trên xe ơ-tơ điện có nhiều loại cảm biến có thể cung cấp thơng tin về vận tốc dài của xe,
có thể kể ra như: gia tốc dọc trục của xe, vận tốc góc bánh xe, cảm biến GPS gắn trên
xe,. . . Những cảm biến này làm việc trong những điều kiện khác nhau, cũng như công
nghệ chế tạo khác nhau. Do đó, chúng sẽ hoạt động ở những tần số trích mẫu khác nhau.
13


Chương 1. Giới thiệu chung

GPS

𝑣𝐺𝑃𝑆 (𝑚/𝑠)

Nâng cao tốc độ
trích mẫu

Tổng hợp
Encoder

𝜔 (𝑟𝑎𝑑/𝑠)

Nâng cao tốc độ
trích mẫu

Vận tốc
dài

dữ liệu đa


𝑣𝑥 (𝑚/𝑠)

cảm biến
Accelometer

𝑎𝑥 (𝑚/𝑠 2 )

Lọc nhiễu

Vị trí
chân ga

Vị trí
chân
phanh

Hình 1.3: Cấu hình hệ thống ước lượng vận tốc dài của xe ơ-tơ điện

Ví dụ như cảm biến gia tốc có thể hoạt động với tần số trích mẫu lên đến 1kHz, cảm biến
GPS lại chỉ có thể hoạt động ở tần số 1 - 5Hz. Trong khi đó, hệ thống điều khiển của xe
ô-tô lại hoạt động ở tần số khoảng 100Hz. Việc thiếu đồng bộ trong tần số trích mẫu của
những cảm biến trên xe đã gây khó khăn trong việc sử dụng thuật toán tổng hợp dữ liệu
cảm biến để ước lượng tức thời vận tốc dài của xe. Khó khăn đó đã đặt ra yêu cầu cần
phải đồng bộ tốc độ trích mẫu giữa những cảm biến trên xe để có thể áp dụng được thuật
tốn tổng hợp dữ liệu cảm biến, cũng giữa hệ thống cảm biến với hệ thống điều khiển.

1.4.

Nhiệm vụ của đồ án


Qua những phân tích bên trên, việc ước lượng vận tốc dài của xe ô-tô điện là một
phần quan trọng không thể thiếu cho việc điều khiển ô-tô điện. Đồng thời, phương pháp
sử dụng mơ hình cảm biến để ước lượng vận tốc dài của xe ô-tô điện rất phù hợp và có
nhiều ưu điểm so với những phương pháp ước lượng đã được cơng bố trước đó. Đồ án
này với mục tiêu nghiên cứu phương pháp: “Tổng hợp dữ liệu đa cảm biến để ước lượng
vận tốc dài của xe ô-tô điện” sẽ tập trung giải quyết những vấn đề sau đây:
• Nghiên cứu sử dụng thuật tốn để nâng cao tốc độ trích mẫu của cảm biến trên xe
ơ-tơ điện. Từ đó đồng bộ tốc độ lấy mẫu của tồn bộ hệ thống cảm biến.

14


Chương 1. Giới thiệu chung

• Phát triển thuật tốn tổng hợp dữ liệu đa cảm biến để ước lượng vận tốc dài của xe
ơ-tơ điện. Cấu hình hệ thống ước lượng vận tốc dài được trình bày trong hình 1.3.
• Xây dựng hệ thống thực nghiệm.
• Tiến hành thử nghiệm trên hệ thống đã xây dựng bên trên. Đánh giá kết quả và
khẳng định tính đúng đắn của phương pháp tổng hợp dữ liệu đa cảm biến để ước
lượng vận tốc dài của xe ơ-tơ điện.
Tồn q trình thực nghiệm sẽ được tiến hành trên nền tảng xe ô-tô điện i-MiEV
(Hình 1.1). Đây là một mẫu xe hồn tồn chạy bằng năng lượng điện do hãng Mitsubishi
sản xuất vào năm 2012. Xe ô-tô điện này sử dụng một cơ động cơ điện có cơng suất
47kW. Xe có cơ cấu dẫn động là dẫn động cầu sau RWD (Rear-Wheel Drive) với 2 bánh
xe phía sau là bánh xe chủ động và hai bánh xe phía trước là bánh xe bị động.

15


Chương 2. Nâng cao tốc độ trích mẫu của cảm biến bằng bộ lọc Multirate Kalman Filter


CHƯƠNG 2
NÂNG CAO TỐC ĐỘ TRÍCH MẪU CỦA CẢM BIẾN
BẰNG BỘ LỌC MULTIRATE KALMAN FILTER
2.1.

Giới thiệu chung

Cảm biến là những thiết bị cảm nhận, thực hiện chức năng biến đổi đại lượng không
điện (nhiệt độ, vận tốc, gia tốc . . . ) thành đại lượng điện (điện áp, dòng điện,. . . ) để có
thể đo và xử lí về những đại lượng đó. Cảm biến là một trong những thành phần quan
trọng và không thể thiếu của một hệ thống điều khiển. Chúng có nhiệm vụ đo và phản
hồi thơng tin của đối tượng về bộ điều khiển trong từng chu kỳ điều khiển. Do đó, chúng
quyết định tới độ chính xác và chất lượng điều khiển của hệ thống. Có thể có một hoặc
nhiều cảm biến trong một hệ thống, tùy thuộc vào quy mô và độ phức tạp của hệ thống
đó. Mỗi cảm biến trong hệ thống có thể có tốc độ trích mẫu khác nhau. Điều đó đặt ra
u cầu cần phải đồng bộ tốc độ trích mẫu giữa những cảm biến cũng như giữa cảm biến
với hệ thống điều khiển. Thơng thường, tốc độ trích mẫu của cảm biến phải lớn hơn hoặc
bằng tốc độ làm việc của mạch vịng điều khiển để có thể đáp ứng các tiêu chí về ổn định
và tin cậy của hệ thống.
Tuy nhiên, không phải lúc nào tốc độ cảm biến cũng hồn tồn tương thích với u
cầu điều khiển. Một số loại cảm biến được sản xuất ra với tốc độ trích mẫu của nó có thể
chậm hơn so với u cầu điều khiển. Một số lý do giải thích cho điều này như:
• Để giảm giá thành sản xuất của cảm biến.
• Đáp ứng được u cầu của mơi trường làm việc.
• Giới hạn của việc sản xuất cảm biến.
Có thể kể ra một số cảm biến có tốc độ trích mẫu chậm như:
• Cảm biến đo tốc độ bánh xe (Encoder) trên xe ơ-tơ ln có độ phân giải rất thấp.
Lý do là cảm biến encoder của xe luôn phải làm việc trong môi trường rung lắc
mạnh và nhiều bụi. Để đảm bảo độ chính xác và hoạt động ổn định trong quá trình

vận hành, những encoder này thường được chế tạo nguyên nguyên lý từ trường, với
16


Chương 2. Nâng cao tốc độ trích mẫu của cảm biến bằng bộ lọc Multirate Kalman Filter
𝑘+2
𝑘+1

Control

x

x

x

x

x

x

State

x

x

x


x

x

Sensor 1

x

x

x

x

x

Sensor 2

x

𝑘+3

x

x

x

x


x

x

x

x

x

x

x

x

x

x

𝑇𝑐

x

x

𝑇𝑠
𝑘−𝑛

𝑘


𝑘+𝑛

Hình 2.1: Tương quan giữa tốc độ trích mẫu cảm biến và tốc độ điều khiển

độ phân giải chỉ khoảng 40-50 xung/vòng [22], thấp hơn rất nhiều so với những
cảm biến encoder được chế tạo theo nguyên lý quang học.
• Hệ thống định vị tồn cầu GPS (Global Positioning System) thơng thường có tần
số hoạt động trong khoảng 1 - 5Hz. Một số hệ thống GPS cao cấp hơn sẽ có tần số
hoạt động đến 20Hz. Sở dĩ hệ thống GPS có tốc độ thấp như vậy do quá trình gửi
dữ liệu từ vệ tinh xuống mất nhiều thời gian và hệ thống nhận nhiều thông tin như
kinh độ, vĩ độ, độ cao, thời gian, vận tốc,. . .
Dựa trên tốc độ trích mẫu, có thể chia các loại cảm biến thành 2 loại:
• Cảm biến có tốc độ trích mẫu nhanh, có thể đáp ứng kịp thời với yêu cầu điều
khiển, thời gian trích mẫu nhỏ hơn hoặc bằng chu kì điều khiển.
• Cảm biến có tốc độ trích mẫu chậm, thời gian trích mẫu dài hơn chu kỳ điều khiển.
Hình 2.1 chỉ ra mối quan hệ về thời gian giữa các thành phần trong một hệ thống điều
khiển. Cảm biến 1 có tốc độ trích mẫu đáp ứng kịp thời với yêu cầu của bộ điều khiển,
với thời gian trích mẫu bằng chu kỳ điều khiển. Trong khi đó, cảm biến 2 có tốc độ trích
mẫu chậm, với chu kỳ trích mẫu là Ts dài gấp n lần chu kỳ điều khiển Tc của hệ thống
(tức n = Ts /Tc ).
17


Chương 2. Nâng cao tốc độ trích mẫu của cảm biến bằng bộ lọc Multirate Kalman Filter

Có thể dễ dàng nhận thấy, nếu khắc phục yêu cầu điều khiển bằng cách cho hệ thống
vận hành với chu kỳ điều khiển bằng chu kì trích mẫu TS thì chắc chắn chất lượng điều
khiển sẽ giảm mạnh, thậm chí có thể xảy ra hiện tượng mất ổn định, bởi Ts quá dài. Vì
vậy, nếu sử dụng cảm biến có tốc độ trích mẫu chậm vào một hệ thống điều khiển có tốc

độ trích mẫu cao hơn, cần phải đưa ra một thuật tốn nào đó để có thể dự đốn các mẫu
trung gian giữa hai lần trích mẫu của cảm biến, từ đó đáp ứng được yêu cầu dữ liệu của
hệ thống trong mỗi chu kì điều khiển. Một số thuật tốn có thể được áp dụng để dự đốn
các mẫu trung gian trong tương lai như ngoại suy tuyến tính, ngoại suy đa thức,. . . Tuy
nhiên, các phương pháp này có nhược điểm là chỉ dự đốn dựa trên giá trị của các dữ
liệu đo trước đó mà khơng xử lý nhiễu, điều luôn gặp phải trong những hệ thống thực tế.
Một số phương pháp ước lượng trạng thái như bộ ước lượng double-layer, ước lượng
dual-rate. . . xem xét lại hệ số khuếch đại của bộ ước lượng. Các nghiên cứu này cho kết
quả rất khả quan và chính xác. Tuy nhiên, các phương pháp này vẫn tồn tại một số nhược
điểm chung như:
• Các phương pháp ước lượng hoạt động dựa trên mơ hình động học xây dựng từ các
tham số của hệ thống như khối lượng xe, mơ-men qn tính của bánh xe,. . . trong
khi các tham số này hoặc rất khó xác định (thậm chí khơng thể đo được) hoặc ln
thay đổi trong q trình hoạt động. Điều này làm giảm độ chính xác của phép ước
lượng trong q trình thực hiện thực tế.
• Một số thuật toán sử dụng những thuật toán cao cấp như tính ma trận nghịch đảo,
ma trận Jacobi,. . . địi hỏi hệ thống phải tính tốn một khối lượng phép tính lớn,
phức tạp. Do đó, phải cần một hệ thống có tốc độ xử lý cao, giá thành cao và khó
triển khai trên một hệ thống thương mại hóa thực sự.
Chính vì những lý do trên, đồ án này đề xuất sử dụng bộ lọc Multirate Kalman để
ước lượng những mẫu trung gian giữa những lần trích mẫu liên tiếp của cảm biến, từ đó
đạt được mục tiêu nâng cao tốc trích mẫu của cảm biến. Phương pháp này có rất nhiều
ưu điểm, có thể kể ra như:
• Khơng phụ thuộc vào những tham số động lực học của hệ thống.
• Kết quả ước lượng rất chính xác.
18


Chương 2. Nâng cao tốc độ trích mẫu của cảm biến bằng bộ lọc Multirate Kalman Filter


• Số lượng tính tốn ít, phù hợp sử dụng trong những hệ thống thực tế.

2.2.

Bộ lọc Kalman

Giả thiết một hệ thống được mô tả bởi phương trình động học và đo lường như sau:


xk = Fk−1 xk−1 + Bk−1 uk−1 + wk−1
(2.1)

yk = Hk xk + ϑk
Trong đó:
xk là biến trạng thái của hệ thống.
yk là biến đầu ra của hệ thống.
uk là tín hiệu điều khiển đầu vào.
Fk là ma trận truyền.
Bk là ma trận điều khiển.
Hk ký hiệu cho ma trận đo lường.
wk là nhiễu quá trình của hệ thống (process noise).
ϑk là nhiễu đo lường (measurement noise).
Giả thiết:
Nhiễu quá trình wk và nhiễu đo lường ϑk được giả thiết là các nhiễu trắng, có giá trị
trung bình bằng 0, khơng tương quan và có các ma trận hiệp phương sai Qk và Rk xác
định.
wk ∼ (0, Qk )
vk ∼ (0, Rk )
E[wk wTj ] = Qk δk− j
E[vk vTj ] = Rk δk− j

E[wk vTj ] = 0
với δk− j là hàm Kronecker, tức là δk− j = 1 nếu k = j và δk− j = 0 nếu k= j.
Nhiệm vụ của các bộ ước lượng nói chung và bộ lọc Kalman nói riêng là ước lượng
trạng thái xk dựa trên sự hiểu biết về động học của hệ thống và tập hợp các giá trị đo yk bị
19


Chương 2. Nâng cao tốc độ trích mẫu của cảm biến bằng bộ lọc Multirate Kalman Filter
𝑤𝑘−1

𝑢𝑘−1

𝐵𝑘−1

+

𝑣𝑘
𝑥𝑘

+
+

𝐹𝑘−1
𝐵𝑘−1

𝑥𝑘−1

𝑥𝑘−
+


𝑥𝑘−1

𝑦𝑘

+

𝑇

+

𝐹𝑘−1

𝐻𝑘

𝑇

+
+
𝑥𝑘

+

𝐻𝑘
𝐾

𝑦𝑘 _

+

Residual


Hình 2.2: Mơ hình bộ lọc Kalman Filter
tác động bởi nhiễu. Nói cách khác, bộ lọc Kalman sẽ lọc các giá trị đầu ra để ước lượng
trạng thái của hệ thống trong khi làm giảm tới mức thấp nhất ảnh hưởng của nhiễu w và
ϑ.
Hình 2.2 mơ tả mơ hình bộ lọc Kalman.
• Nhánh phía trên mơ tả hệ thống thực theo mơ hình (2.1) với tác động của nhiễu
quá trình wk và nhiễu đo lường ϑk .
• Nhánh phía dưới mơ tả mơ hình ước lượng, trên cơ sở loại bỏ được các nhiễu wk và
ϑk .
Gọi xˆk là ước lượng trạng thái hệ thống, xˆk− được gọi là ước lượng tiên nghiệm (priory
estimate) và xˆk+ là ước lượng hậu nghiệm (posterior estimate). K gọi là hệ số Kalman của
bộ lọc, cần được xác định một cách tối ưu.
Bộ lọc Kalman được thực hiện thơng qua các bước tính như sau:
• Khởi tạo các thông số hệ thống:
xˆ0+ = E(x0 )
+

P

+
+ T
0 = E[(x0 − xˆ0 )(x0 − xˆ0 ) ]

(2.2)

• Bước dự đoán:
+
xˆk− = Fk−1 xˆk−1
+ Bk−1 uk−1


Pk−

+
T
= Fk−1 Pk−1
Fk−1
+ Qk−1

20

(2.3)


Chương 2. Nâng cao tốc độ trích mẫu của cảm biến bằng bộ lọc Multirate Kalman Filter

• Bước cập nhật:
−1

Kk = Pk− HkT (Hk Pk− HkT + Rk )
xˆk+ = xˆk− + Kk (yk − Hk xˆk− )

(2.4)

Pk+ = (1 − Kk Hk )Pk−
Với Pk− và Pk+ tương ứng là ma trận hiệp phương sai tiên nghiệm và ma trận hiệp
phương sai hậu nghiệm của sai lệch ước lượng giữa giá trị thực và giá trị ước lượng.
Bước dự đoán và bước cập nhật ở trên được đưa vào trong vịng lặp và được thực hiện
tuần tự với chu kì bằng chu kì điều khiển.


2.3.

Bộ lọc Multirate Kalman Filter

Giữa 2 lần cảm biến trích mẫu tại các thời điểm thứ k − n và thứ k, hệ thống cần n − 1
trạng thái của hệ thống để phục vụ cho q trình điều khiển. Theo cách thơng thường,
giá trị đo lường trong khoảng này được coi là hằng số, bằng với giá trị của phép đo trước
đó. Khác với các giá trị đo thực có giá trị phương sai Rk nhất định thì giá trị của các mẫu
này được coi là khơng tin cậy và do đó có phương sai Ri (i= 1, 2, . . . , n-1) là vơ cùng
lớn.
Khi đó, giá trị của hệ số Kalman tính theo cơng thức (2.4) sẽ bằng 0. Do đó,các giá
trị ước lượng hậu nghiệm và phương sai hậu nghiệm cũng được giữ không đổi và bằng
các giá trị tiên nghiệm tương ứng. Nói cách khác, trong khoảng thời gian này, ước lượng
trạng thái của hệ thống phụ thuộc hoàn toàn vào mơ hình động học của hệ.
Như vậy, bộ lọc Multirate Kalman được xây dựng như sau:
• Bước dự đốn:
+
xˆk− = Fk−1 xˆk−1
+ Bk−1 uk−1

Pk−

+
T
= Fk−1 Pk−1
Fk−1
+ Qk−1

(2.5)


• Bước cập nhật:
– Nếu k là bội số của n, tức là tại những thời điểm cảm biến trích mẫu, thực hiện

21


Chương 2. Nâng cao tốc độ trích mẫu của cảm biến bằng bộ lọc Multirate Kalman Filter

cập nhật bằng thuật toán Kalman:
−1

Kk = Pk− HkT (Hk Pk− HkT + Rk )
xˆk+ = xˆk− + Kk (yk − Hk xˆk− )

(2.6)

Pk+ = (1 − Kk Hk )Pk−
– Nếu k không là bội số của n, tức là tại những thời điểm trung gian giữa hai lần
trích mẫu, các giá trị ước lượng hậu nghiệm và phương sai hậu nghiệm được
giữ nguyên.
xˆk+ = xˆk−
Pk+

= Pk−

2.4.

Đề xuất cải tiến bộ lọc Multirate Kalman Filter

2.4.1.


Tự điều chỉnh giá trị hiệp phương sai của những mẫu trung gian

(2.7)

Giữa mẫu thứ k và mẫu thứ k + n được cung cấp bởi cảm biến, bộ lọc cần dự đoán
n − 1 mẫu trung gian tại các thời điểm k + 1, k + 2, . . . , k + n − 1 trước khi hệ thống được
cảm biến cung cấp giá trị đo tại thời điểm thứ k + n. Nếu như coi những mẫu đo trung
gian này có giá trị bằng hằng số và bằng với giá trị của lần đo thứ k, sẽ khơng chính
xác nếu như coi hiệp phương sai Ri (i = 1, 2, . . . , n − 1) của những mẫu này là vơ cùng
lớn vì động học của hệ thống không cho phép xảy ra những sự thay đổi đột ngột của tín
hiệu thực. Do đó, thay vì Ri của những mẫu này là vơ cùng lớn, ta sẽ coi Ri tăng dần khi
những mẫu trung gian càng xa điểm trích mẫu thực của hệ thống. Giá trị hiệp phương
sai Ri này sẽ được dùng để tính tốn hệ số Kalman K của bộ lọc theo cơng thức (2.6).
Đồ án này đề xuất phương án điều chỉnh giá trị hiệp phương sai Ri của những mẫu
trung gian theo độ lớn của hệ số góc của đường thẳng nối giữa 2 điểm giá trị của lần
trích mẫu thứ k − n và thứ k. Độ lớn của hệ số góc được ký hiệu là χ và tính theo cơng
thức:

+
xˆk−n
− xˆk+
χ = | tan α| =
Ts

Trong đó:

22

(2.8)