CÔNG NGHỆ ROBOT DI ĐỘNG: TỔNG QUAN VỀ CƠ SỞ LÝ THUYẾT, THUẬT TOÁN ĐIỀU KHIỂN VÀ ỨNG DỤNG THỰC TIỄN
DOI:
https://doi.org/10.59266/houjs.2026.1338Từ khóa:
hợp nhất cảm biến, lập kế hoạch đường đi, robot di động, SLAM, trí tuệ nhân tạoTóm tắt
Robot di động ngày càng được ứng dụng rộng rãi trong logistics, nông nghiệp, y tế và các môi trường phi cấu trúc, đặt ra yêu cầu cao về định vị, nhận thức môi trường, lập kế hoạch và điều khiển chuyển động. Bài báo này trình bày một tổng quan có cấu trúc về các nền tảng lý thuyết và công nghệ cốt lõi của robot di động, tập trung vào mô hình động học không holonomic, ước lượng trạng thái xác suất, định vị và lập bản đồ đồng thời (Simultaneous Localization and Mapping - SLAM), lập kế hoạch đường đi, hợp nhất cảm biến và các chiến lược điều khiển. Các nhóm phương pháp được phân loại và so sánh theo nguyên lý hoạt động, nguồn cảm biến, độ bền vững, khả năng xử lý môi trường động và yêu cầu tính toán. Kết quả tổng hợp cho thấy không tồn tại một giải pháp tối ưu cho mọi môi trường: các cấu hình phát hiện và đo khoảng cách bằng ánh sáng (Light Detection and Ranging - LiDAR) kết hợp quán tính hoặc hợp nhất đa cảm biến có lợi thế trong môi trường nông nghiệp và ngoài trời biến đổi, trong khi robot hoạt động trong y tế cần ưu tiên định vị ổn định, nhận biết đối tượng động và ràng buộc an toàn. Điều khiển dự báo mô hình (Model Predictive Control - MPC) phù hợp với các bài toán cần xử lý đồng thời bám quỹ đạo và các ràng buộc trạng thái/đầu vào, nhưng có chi phí tính toán cao hơn các bộ điều khiển cổ điển. Bài báo đồng thời cập nhật các xu hướng gần đây gồm điều hướng dựa trên mô hình ngôn ngữ/thị giác-ngôn ngữ, điều hướng học đầu-cuối và học liên kết cho hệ đa robot, qua đó đề xuất các định hướng lựa chọn công nghệ cho robot di động thế hệ mới.
Tài liệu tham khảo
Al Mahmud, S., Kamarulariffin, A., Ibrahim, A. M., & Haja Mohideen, A. J. (2024). Advancements and Challenges in Mobile Robot Navigation: A Comprehensive Review of Algorithms and Potential for Self-Learning Approaches. Journal of Intelligent & Robotic Systems, 110(3), Article 120. https://doi.org/10.1007/s10846-024-02149-5
Arkin, R. C. (1998). Behavior-based robotics. MIT Press.
Ban, C., Wang, L., Chi, R., Su, T., & Ma, Y. (2024). A camera-LiDAR-IMU fusion method for real-time extraction of navigation line between maize field rows. Computers and Electronics in Agriculture, 223, 109114.
Borenstein, J., & Feng, L. (1996). Measurement and correction of systematic odometry errors in mobile robots. IEEE Transactions on Robotics and Automation, 12(6), 869-880.
Campos, C., Elvira, R., Rodríguez, J. J. G., Montiel, J. M. M., & Tardós, J. D. (2021). ORB-SLAM3: An accurate open-source library for visual, visual- inertial, and multimap SLAM. IEEE Transactions on Robotics, 37(6), 1874- 1890.
Corke, P. (2017). Robotics, vision and control: Fundamental algorithms in MATLAB (2nd ed.). Springer.
Durrant-Whyte, H., & Bailey, T. (2006). Simultaneous localization and mapping: Part I. IEEE Robotics & Automation Magazine, 13(2), 99-110.
Endres, F., Hess, J., Sturm, J., Cremers, D., & Burgard, W. (2014). 3-D mapping with an RGB-D camera. IEEE Transactions on Robotics, 30(1), 177-187.
Grisetti, G., Kümmerle, R., Stachniss, C., & Burgard, W. (2010). A tutorial on graph-based SLAM. IEEE Intelligent Transportation Systems Magazine, 2(4), 31-43.
Gutierrez, G. M., Rincon, J. A., & Julian, V. (2025). Federated learning for collaborative robotics: A ROS 2-based approach. Electronics, 14(7), 1323.
Karaman, S., & Frazzoli, E. (2011). Sampling- based algorithms for optimal motion planning. The International Journal of Robotics Research, 30(7), 846-894.
Kavraki, L. E., Švestka, P., Latombe, J.-C., & Overmars, M. H. (1996). Probabilistic roadmaps for path planning in high- dimensional configuration spaces. IEEE Transactions on Robotics and Automation, 12(4), 566-580.
Kelly, A. (2013). Mobile robotics: Mathematics, models, and methods. Cambridge University Press.
LaValle, S. M. (2006). Planning algorithms. Cambridge University Press.
Leonard, J. J., & Durrant-Whyte, H. F. (1991). Simultaneous map building and localization for an autonomous mobile robot. In Proceedings of the IEEE/RSJ International Workshop on Intelligent Robots and Systems (IROS) (pp. 1442- 1447). IEEE.
Mur-Artal, R., Montiel, J. M. M., & Tardós, J. D. (2015). ORB-SLAM: A versatile and accurate monocular SLAM system. IEEE Transactions on Robotics, 31(5), 1147-1163.
Rondoni, C., Scotto di Luzio, F., Tamantini, C., Tagliamonte, N. L., Chiurazzi, M., Ciuti, G., & Zollo, L. (2024). Navigation benchmarking for autonomous mobile robots in hospital environment. Scientific Reports, 14, 18334.
Siciliano, B., Sciavicco, L., Villani, L., & Oriolo, G. (2009). Robotics: Modelling, planning and control. Springer.
Siegwart, R., Nourbakhsh, I. R., & Scaramuzza, D. (2011). Introduction to autonomous mobile robots (2nd ed.). MIT Press.
Thrun, S., Burgard, W., & Fox, D. (2005). Probabilistic robotics. MIT Press.
Wang, D., Wei, W., Yeboah, Y., Li, Y., & Gao, Y. (2020). A robust model predictive control strategy for trajectory tracking of omni-directional mobile robots. Journal of Intelligent & Robotic Systems, 98, 439-453.
Wu, P., Mu, Y., Wu, B., Hou, Y., Ma, J., Zhang, S., & Liu, C. (2024). VoroNav: Voronoi- based zero-shot object navigation with large language model. In Proceedings of the 41st International Conference on Machine Learning, 235, 53757-53775. PMLR.
Yang, L., Jiang, J., Gao, X., Wang, Q., Dou, Q., & Zhang, L. (2022). Autonomous environment-adaptive microrobot swarm navigation enabled by deep learning-based real-time distribution planning. Nature Machine Intelligence, 4(5), 480-493.
Yin, Y., Chen, Z., Liu, G., Yin, J., & Guo, J. (2024). Autonomous navigation of mobile robots in unknown environments using off-policy reinforcement learning with curriculum learning. Expert Systems with Applications, 247, 123202.
