TNU Journal of Science and Technology
229(14): 103 - 116
http://jst.tnu.edu.vn 103 Email: jst@tnu.edu.vn
A COMPREHENSIVE STUDY OF PATH PLANNING TECHNIQUES
FOR MULTIROTOR AERIAL VEHICLES (MAVs)
BASED ON MODEL PREDICTIVE CONTROL
Tran Le Thang Dong1, Tran Thuan Hoang1, Nguyen Huu Cong2, Nguyen Thanh Ha2, Nguyen Tuan Minh2*
1Duy Tan University, Danang, 2Thai Nguyen University
ARTICLE INFO
ABSTRACT
Received:
27/8/2024
Multirotor unmanned aerial vehicles (MAVs) are increasingly used in
civil and military applications as potential solutions for many
applications. A primary feature of MAVs is the ability to perform
automatic real-time path planning to generate feasible and optimal
paths to a predetermined target point, satisfy the constraints of the
control system and/or the environment. In particular, predictive control
models have emerged as an optimal method to solve the path planning
problem for MAVs. This paper uses the synthesis, analysis, and
comparison methods to provide an overview of the path planning
problem for MAVs from studies in the past ten years. Accordingly, in
addition to classifying and listing specific methods, we also fully
survey studies applying predictive control models, thereby recognize
the contributions and limitations of each approach to make useful
assessments. The results of the paper can help scientists identify the
challenges and future directions for this field to choose appropriate
research directions.
Revised:
08/10/2024
Published:
08/10/2024
KEYWORDS
Path planning
Model predictive control
Trajectory tracking
Disturbance rejection
Fault tolerance control
NGHIÊN CU V QUY HOẠCH ĐƢỜNG ĐI CHO PHƢƠNG TIỆN BAY
KHÔNG NGƢỜI LÁI ĐA CÁNH QUẠT (MAV) DỰA TRÊN MÔ HÌNH
ĐIU KHIN D BÁO
Trần Thăng Đồng1, Trn Thuận Hoàng1, Nguyn Hữu Công2, Nguyn Thanh Hà2, Nguyn Tun Minh2*
1Trường Đại học Duy Tân, Đà Nẵng, 2Đại học Thái Nguyên
TÓM TẮT
Ngày nhận bài:
27/8/2024
Phương tiện bay không người lái nhiều cánh quạt (MAV) được ng
dụng ngày càng phổ biến trong dân sự quân sự như giải pháp tiềm
năng cho nhiều ng dng. Một tính năng chính của MAV khả năng
thc hin vic quy hoạch đường đi theo thời gian thc một cách tự động
nhm tạo ra các đường đi khả thi và tối ưu đến điểm mục tiêu được xác
định trước, đáp ứng các ràng buộc ca h thống điều khiển và/hoặc môi
trường. Trong đó, mô hình điu khin d báo nổi lên như một phương
pháp tối ưu đ gii quyết bài toán quy hoạch đường đi cho MAV. Bài
báo này sử dụng phương pháp tổng hợp, phân tích so sánh đ đưa ra
một cái nhìn tng quan v bài toán quy hoạch đường đi cho các MAV
t các nghiên cứu trong vòng ời năm trở lại đây. Theo đó, ngoài việc
phân loi, thống các phương pháp c thể, chúng tôi ng khảo sát
đầy đủ các nghiên cứu áp dụng hình điều khin d báo, từ đó xác
định những đóng góp hạn chế ca tng ch tiếp cn để đưa ra các
đánh giá hữu ích. Kết qu bài báo thể giúp cho các nhà khoa hc
định v đưc nhng thách thức ớng đi trong tương lai đi với lĩnh
vực này để la chọn hướng nghiên cứu phù hợp.
Ngày hoàn thiện:
08/10/2024
Ngày đăng:
08/10/2024
T KHÓA
Quy hoạch đường đi
Mô hình điều khin d báo
Theo dõi quỹ đạo
Loai b nhiu lon
Kiểm soát khả năng chịu li
DOI: https://doi.org/10.34238/tnu-jst.11017
* Corresponding author. Email: nguyentuanminh@tnu.edu.vn
TNU Journal of Science and Technology
229(14): 103 - 116
http://jst.tnu.edu.vn 104 Email: jst@tnu.edu.vn
1. Gii thiu
Những thay đổi v công nghệ nhanh chóng đang khiến robot trên không trở thành một công cụ
h tr thiết yếu cho con người trong thời đại hin nay. Trong s này, phương tiện bay không
người lái (UAV) là robot bay được ng dng rộng rãi do những ưu điểm ni bt của chúng so với
các loại khác, cụ th như: chi phí thấp, kích thước nh, trọng lượng nh và tính linh hoạt trong
chuyển động. Hơn nữa, các đặc điểm tiên tiến của UAV khả năng kiểm soát vị trí, tích hợp
nhiu cm biến tiên tiến, kh năng hoạt động t tr, thc hin nhim v với cơ chế bầy đàn,…[1],
[2]. Đây là yếu t khiến cho UAV có hiu suất làm việc cao hơn các loại phương tiện khác trong
các nhiệm v phc tp hoặc môi trường không chắc chn. Nhng tiến b gần đây về năng lực
tính toán ca b điu khin kết hp vi kh năng tích hp d liệu đa cảm biến trên UAV đã thúc
đẩy quá trình phát triển các hoạt động bay t hành [3]. Tiến trình này đã mở ra nhiều hội mi
trong các lĩnh vực đa dạng: giám sát giao thông, giám sát môi trường, vn chuyển giao hàng,
chp ảnh trên không, cứu h và dịch v y tế, Trong hu hết các ứng dụng này, môi trường chưa
được xác định toàn bộ hoc mt phần các sự kiện không thể đoán trước thể xy ra bt c
lúc nào do nhiều yếu t khác nhau đã đặt ra yêu cầu cn phải các kỹ thut quy hoch chuyn
động (quy hoạch đường đi) tối ưu nhanh chóng và chính xác để x những vấn đề không mong
muốn này trong thời gian thực. Theo đó, quy hoạch đường đi được định nghĩa quá trình tự
động to ra các đường đi khả thi tối ưu đến một điểm mục tiêu đã được xác định trước trong
môi trường tĩnh hoặc động, đáp ứng các ràng buộc như năng lượng điện năng lượng động
không xác định (không thể d đoán được) [4] - [6]. Lý do môi trường không thể d đoán được vì
điều kiện môi trường thay đổi nhanh chóng, có th do yếu t thi tiết hoc vt cản di động là các
loại đng vt bay hoc vt th bay khác xuất hin ngẫu nhiên trên đường đi ca UAV. Do đó,
nhiều thách thức khác nhau cần được gii quyết đ có được kế hoch chuyển đng tối ưu và hiu
qu cao.
Quy hoạch đường đi tập trung vào việc xác định cách thức mà UAV di chuyển trong không
gian làm việc để đạt được mục tiêu mong muốn. Quá trình này liên quan đến việc tính toán một
l trình không có va chạm t đim khởi đầu đến đích. Môi trường xung quanh UAV có thể được
biết hoàn toàn, chỉ được biết mt phn, hoặc hoàn toàn chưa biết. Trong hu hết các tình
hung thc tế, UAV thường ch thông tin mt phn v môi trường trước khi quy hoạch
chuyển động. Phương pháp quy hoạch đường đi có thể được phân loại thành ba nhóm như sau:
- Phƣơng pháp cục bộ: phương pháp này được sử dụng trong trường hợp môi trường được
xem xét là hoàn toàn/một phần không xác định. Do đó, UAV cần được trang bị các cảm biến trên
bo mạch và các phương pháp điều khiển tiên tiến để nhận biết môi trường, tránh va chạm và quy
hoạch đường đi theo thời gian thực. Trong tình huống này, UAV thể điều chỉnh tạo ra lộ
trình mới để phản ứng với những thay đổi trong môi trường. Ví dụ về các kỹ thuật dựa trên mạng
-ron/học máy để quy hoạch đường đi trong môi trường động không xác định thể được
tìm thấy trong [7], [8].
- Phƣơng pháp toàn cục: phương pháp này chỉ thể thực hiện khi môi trường tĩnh
đã được UAV hiểu dựa trên kiến thức sẵn về môi trường người dùng hoặc cảm biến
thể cung cấp. Trong trường hợp này, thuật toán quy hoạch sẽ tạo ra một lộ trình hoàn chỉnh từ
điểm xuất phát đến đích ngay từ đầu quá trình chuyển động [9], [10].
- Phƣơng pháp kết hợp: phương pháp này kết hợp các lợi ích của hai phương pháp được đề
cập trên. Trong phương pháp này, UAV sẽ đi theo đường dẫn tham chiếu nếu cần, sẽ
thực hiện một số sửa đổi trên đường dẫn dựa trên dữ liệu nhận được từ môi trường và nh hình
hiện tại cũng như vị trí của nó [11] - [13].
Dựa vào những phương pháp đã nêu trên, nhiều chiến lược quy hoạch đường đi đã được đề
xut trong thp k qua vi nhng kết qu đầy ha hẹn. Các hướng nghiên cứu chính trong quy
hoạch đường đi của UAV có thể được khái quát như sau:
TNU Journal of Science and Technology
229(14): 103 - 116
http://jst.tnu.edu.vn 105 Email: jst@tnu.edu.vn
- Quy hoạch đƣờng đi tự động tối ƣu hóa: một trong những lĩnh vực nghiên cứu
quan trọng nhất. Mục tiêu thiết kế các thuật toán khả năng tđộng tìm ra đường đi tối ưu
cho UAV từ điểm xuất phát đến đích, trong khi tránh được các chướng ngại vật tuân thủ c
hạn chế như giới hạn năng lượng, thời gian, khoảng cách. Các phương pháp tối ưu hóa như
Thuật toán Di truyền (Genetic Algorithm) [14], Thuật toán Bầy đàn (Swarm Intelligence) [1],
Tối ưu hóa đàn kiến (Ant Colony Optimization) [15] hoặc hình điều khiển dự báo (Mode
Predictive Control) [16] - [18] đã được áp dụng để tìm ra giải pháp tốt nhất cho vấn đề này.
- Quy hoạch đƣờng đi trong môi trƣờng động: là nơi các chướng ngại vật có thể di chuyển
hoặc thay đổi theo thời gian. Điều này đòi hỏi UAV phải khả năng quy hoạch đường đi trong
thời gian thực, cập nhật đường đi khi phát hiện ra những thay đổi trong môi trường. Các thuật toán
như A*, D*, RRT* (Rapidly-exploring Random Tree) [18] đã được mở rộng để xử các tình
huống động, giúp UAV tránh được các va chạm hoàn thành nhiệm vụ mt cách an toàn.
- Quy hoạch đƣờng đi với nhiều UAV: sử dụng nhiều UAV hoạt động cùng nhau đang trở
thành một xu hướng quan trọng trong nghiên cứu, do tiềm năng cải thiện hiệu quả nhiệm v
khả năng bao phủ không gian lớn hơn. Tuy nhiên, việc quy hoạch đường đi cho một nhóm UAV
đòi hỏi phải giải quyết vấn đề điều phối giữa các UAV để tránh va chạm và tối ưu hóa nhiệm vụ
chung [19], [20]. Các phương pháp dựa trên thuyết trò chơi, lập trình song song và điều khiển
phân tán đã được phát triển để giải quyết vấn đề này.
- Quy hoạch đƣờng đi trong môi trƣờng không chắc chắn: trong nhiều tình huống, UAV
phải hoạt động trong môi trường không xác định, nơi thông tin vđịa hình hoặc các chướng
ngại vật không đầy đủ hoặc không chính xác [21]. Các phương pháp quy hoạch đường đi trong
môi trường không xác định thường sử dụng các kỹ thuật học máy (machine learning) [22] và quy
hoạch dự phòng (contingency planning) [23], cho phép UAV học hỏi thích nghi với môi
trường trong quá trình di chuyển.
- Quy hoạch đƣờng đi với hạn chế năng lƣợng: là một yếu tố quan trọng cần xem xét trong
quy hoạch đường đi cho UAV, đặc biệt với các UAV hoạt động trong khoảng thời gian dài
hoặc khoảng cách xa. Nghiên cứu trong lĩnh vực này tập trung vào tối ưu hóa đường đi để giảm
thiểu tiêu thụ năng lượng, đồng thời vẫn đảm bảo UAV hoàn thành nhiệm vụ [24], [25]. Các
thuật toán quy hoạch dựa trên mô hình tiêu thụ năng lượng và các chiến lược quản lý năng lượng
tiên tiến đang được phát triển để giải quyết vấn đề này.
- Quy hoạch đƣờng đi trong điều kiện thời tiết phức tạp: một yếu tố không thể đoán
trước thể ảnh hưởng đáng kể đến khả năng hoạt động của UAV. Do đó, quy hoạch đường
đi trong điều kiện thời tiết phức tạp một hướng nghiên cứu quan trọng. Các nghiên cứu tập
trung vào việc tích hợp thông tin thời tiết vào quá trình quy hoạch đường đi, từ đó giúp UAV đưa
ra các quyết định tối ưu hơn về đường đi và thời gian thực hiện nhiệm vụ.
- Quy hoạch đƣờng đi với khả năng tự phục hồi: fault-tolerant - một hướng nghiên cứu
mới nhằm đảm bảo rằng UAV thể tiếp tục thực hiện nhiệm vụ ngay cả khi gặp phải các scố
như hỏng hóc phần cứng hoặc mất kết nối [26] - [28]. Các phương pháp quy hoạch đường đi với
khả năng tự phục hồi tập trung vào việc phát hiện ứng phó với các sự cố, tđó điều chỉnh
đường đi hoặc chiến lược hoạt động để đảm bảo UAV hoàn thành nhiệm vụ một cách an toàn.
- Quy hoạch đƣờng đi trong môi trƣờng đô thị: với sự phát triển của các ứng dụng UAV
trong giao thông vận tải, quy hoạch đường đi trong môi trường đô thị đang thu hút sự quan
tâm lớn. Môi trường đô thị với mật độ các tòa nhà cao tầng, giao thông dày đặc, các khu vực
cấm bay đặt ra nhiều thách thức cho việc quy hoạch đường đi. Các nghiên cứu hiện nay tập trung
vào phát triển các thuật toán khả năng điều hướng hiệu quả trong môi trường phức tạp này,
đồng thời tuân thủ các quy định an toàn và pháp lý [1], [29].
- Quy hoạch đƣờng đi dựa trên hình toán học và mô phỏng: các mô hình này giúp dự
đoán chính xác hơn các yếu tảnh hưởng đến đường đi của UAV, như lực cản không khí, tương
tác từ trường, và các hiệu ứng động lực học khác. Mô phỏng cung cấp một môi trường an toàn để
TNU Journal of Science and Technology
229(14): 103 - 116
http://jst.tnu.edu.vn 106 Email: jst@tnu.edu.vn
thử nghiệm các chiến lược quy hoạch trước khi áp dụng chúng trong thực tế, giúp giảm thiểu rủi
ro và cải thiện hiệu suất của UAV [30] - [32].
Qua các phân tích ở trên, mặc dù có nhiều thuật toán đã được đề xuất và chứng minh tính hiệu
qu trong việc điều khiển UAV di động theo đường dẫn đã quy hoạch, tuy nhiên vẫn tn ti nhiu
thách thức do tính chất phi tuyến ca h thng. Những thách thức này càng tăng thêm do nhu cu
theo kịp các mục tiêu chung, chng hn như theo dõi quỹ đạo hoặc duy trì đội hình. Các nghiên
cứu sâu rộng đã được tiến hành để phát triển các chiến lược điều khiển thông minh khả năng
gii quyết những thách thức này [33], [34]. Gần đây, bài toán điều khiển phương tiện không
người lái được xây dựng như một bài toán điều khin tối ưu, trong đó có thể áp dụng các kỹ thut
dựa trên tối ưu hóa. Một trong những cách tiếp cận này hình điều khin d báo (MPC).
MPC là một công cụ mạnh cho điều khiển quá trình trong các h thống điều khiển nói chung, đặc
biệt là các quá trình phi tuyến. Thp k qua đã chứng kiến s phát triển của MPC để áp dụng cho
các hệ thống không người lái nói chung UAV nói riêng. Khả năng xử các hn chế của
ha hn kh năng điều khin hiu qu cho UAV đơn l điều khin hợp tác của một nhóm
UAV [5], [35]. Tóm lại, các phương pháp quy hoạch đường đi và các hướng nghiên cứu ph biến
được tng hợp phân tích trên cho thấy lĩnh vực quy hoạch đường đi vẫn còn nhiều thách
thức, tuy nhiên đó cũng hội cho các nhà nghiên cứu m rộng tìm kiếm các giải pháp tối
ưu hơn cho bài toán này nhằm đáp ứng các yêu cầu ng dụng ngày mt phc tạp đa dạng
hơn đối vi UAV.
2. Phƣơng pháp nghiên cứu
Trong bài báo này, mục tiêu của chúng tôi là nghiên cứu v quy hoạch đường đi cho các MAV
tập trung vào việc tiếp cận phân tích hơn phát triển các thuật toán. Các nội dung nghiên cứu
ch yếu nhm mục đích xem xét các nghiên cứu áp dụng MPC để điều khin chuyển động ca
MAV và cách các nhà nghiên cứu gii quyết những thách thức trong vic quy hoạch đường đi ti
ưu nhằm đạt được kh năng điều hướng mnh m trong nhiều lĩnh vực khác nhau cho MAV.
Theo đó, chúng tôi áp dụng mt s phương pháp nghiên cứu như sau:
Phương pháp thu thập: chúng tôi thực hiện tìm kiếm ng lọc ra hơn 50 công trình các
bài báo có liên quan đến quy hoạch đường đi trong vòng 10 năm trở lại đây đ s dụng làm cơ sở
d liu cho việc phân tích sâu hơn các phương pháp quy hoạch đường đi cho MAV áp dụng
hình điều khin d báo;
Phương pháp phân tích: dựa trên các bài báo đã thu thập, chúng tôi phân tích đánh giá các
vấn đề kỹ thut các tác giả s dụng để quy hoạch đường đi kết hp với phân tích phương
pháp điều khin d báo dựa trên mô hình để có cái nhìn rõ hơn về cách thức hoạt động ca MPC;
Phương pháp tổng hp: Tng hợp các phân tích thành bảng biu t đó đánh giá công việc hin
ti v việc áp dụng MPC vào điều khin chuyển động ca MAV.
3. Kết qu nghiên cứu và thảo lun
3.1. Mô hình điều khin d báo - MPC
Các phương pháp điều khin dựa trên tối ưu hóa đc biệt là mô hình điều khin d báo (MPC)
những biến th của đã nhận được rt nhiu s chú ý trong cộng đồng điều khin, do kh
năng giải quyết các vấn đề ràng buộc đa biến. Mặc đã được s dng t lâu trong một s
quy trình công nghiệp như nhà máy lọc dầu, công nghiệp y sinh và nhà máy hóa chất [36], nhưng
gần đây MPC mi bắt đầu được áp dụng cho MAV [36] - [38].
Nguyên lý của điều khin d báo dựa trên mô hình hoạt động bằng cách sử dụng các thông s
trạng thái của cùng với trạng thái thực tế của chúng tại mt s thời điểm liên tiếp để xác định tín
hiệu điều khin tối ưu trong một khong thi gian gii hạn. Tín hiệu điu khiển này sẽ được duy
trì cho đến khi trạng thái của MAV được cp nht, sau đó một tín hiệu điều khin mi s được
TNU Journal of Science and Technology
229(14): 103 - 116
http://jst.tnu.edu.vn 107 Email: jst@tnu.edu.vn
tính toán và áp dụng cho khong thi gian hu hn tiếp theo. Tóm lại, nguyên lý cơ bản ca MPC
có thể được liệt kê như sau:
- Dự báo trạng thái tương lai của hệ thống dựa trên mô hình toán học;
- Tối ưu hóa hàm mục tiêu với các ràng buộc;
- Áp dụng tín hiệu điều khiển tối ưu đầu tiên;
- Cập nhật và lặp lại quy trình trong thời gian thực.
Theo nguyên lý trên, cấu trúc của MPC được mô tả như thể hin hình 1.
Hình 1. Sơ đồ cấu trúc của mô hình điều khin d báo
Theo hình trên, bộ điều khin d báo gồm các thành phần: hình dự báo nhiệm v
xác định tín hiệu ra tương lai
1k
y
dựa vào tín hiệu thời điểm k hin tại; Hàm mục tiêu xây
dng t chất lượng mong mun h thng phải đạt đến
kk
yw
; B tối ưu hóa cho phép tìm
nghim
k
u
để hàm mục tiêu đạt giá trị nh nht.
3.1.1. Mô hình điều khin d báo tuyến tính – LMPC
* Xây dựng mô hình dự báo
MPC được s dụng để điều khiển MAV liên quan đến vic s dụng các phương pháp tuyến
tính. Cách tiếp cn ph biến nhất sử dụng hình điu khin d báo tuyến tính (LMPC) đ
quản lý vị trí động hc ca MAV, vi gi định rng b điều khin trạng thái đã được triển khai và
mô hình trạng thái đã được xác định như trong công thức (1).
1()
1()
ref
ref
ref
k
k

(1)
Trong đó:
,kk

,


lần lượt là độ lợi DC và các hằng s thi gian của động lc học ng
n đối với góc lăn và góc nghiêng tương quay quanh trục x (roll) trục y (pitch); trong khi đó
,
ref ref

c góc lăn và góc nghiêng tham chiếu
ref
tốc độ quay quanh trc z (yaw).
Với hình này, chúng ta thể tuyến tính hóa phần còn lại của đng hc h thng xung
quanh trạng thái lửng của MAV. Chúng tôi xác định vectơ trạng thái x vectơ đầu vào điều
khin u như sau:
UAV
B ĐIU KHIN
D BÁO
B tối ưu
Hàm mục
tiêu
Mô hình dự
báo