🌐 Bosch Future Mobility Challenge 2025 (BFMC) là cuộc thi toàn cầu về phát triển giải pháp cho xe tự hành do Trung tâm kỹ thuật Bosch tại Romania tổ chức. Từ năm 2017 đến nay, cuộc thi đã kêu gọi sự tham gia của hơn hàng trăm đội tuyển sinh viên trên khắp thế giới, tạo ra một sân chơi toàn diện nhằm hỗ trợ thế hệ trẻ bức phá và sáng tạo. Đây  là sân chơi toàn cầu dành cho sinh viên, nhằm thúc đẩy sự phát triển của các giải pháp di chuyển thông minh trong tương lai. 💡

Khi tham gia cuộc thi, đội thi sẽ làm việc nhóm, cùng nhau giải quyết bài toán lập trình xe tự hành với mô hình xe do Ban tổ chức cung cấp. Qua tìm hiểu và thực nghiệm, đội thi đã so sánh và thực hiện các giải thuật có thể sử dụng về xử lý ảnh, dự đoán đường đi và lọc nhiễu khả thi lên mô hình xe. Trong bài viết này, chúng ta hãy cùng nhau tìm hiểu về mô hình giải thuật ĐIỀU KHIỂN DỰ BÁO – MODEL PREDICTIVE CONTROL – MPC và cách mô hình này được ứng dụng.

_________________________________________________________________________________________________

Model Predictive Control (MPC) là gì?

• Điều khiển dự báo (Model Predictive Control – MPC) là phương pháp điều khiển trong đó bài toán điều khiển được xem xét dưới dạng một bài toán tối ưu. ĐIều khiển dự báo MPC đã được nghiên cứu trong một thời gian dài, và trong lĩnh vực điều khiển tuyến tính, MPC đã tỏ rõ sự nổi trội trong cả lý thuyết và thực tế. Trong điều khiển dự báo MPC, ở mỗi bước tính, bộ điều khiển giải một bài toán tối ưu cho lời giải (u(0), u(1), … u(h)) và đưa tín hiệu u(0) đến đối tượng. Sau đó, trạng thái  x(k) của hệ được cập nhât và quá trình này được lặp lại. 

• Điều khiển dự báo (Model Predictive Control – MPC) là phương pháp điều khiển trong đó bài toán điều khiển được xem xét dưới dạng một bài toán tối ưu. ĐIều khiển dự báo MPC đã được nghiên cứu trong một thời gian dài, và trong lĩnh vực điều khiển tuyến tính, MPC đã tỏ rõ sự nổi trội trong cả lý thuyết và thực tế. Trong điều khiển dự báo MPC, ở mỗi bước tính, bộ điều khiển giải một bài toán tối ưu cho lời giải (u(0), u(1), … u(h)) và đưa tín hiệu u(0) đến đối tượng. Sau đó, trạng thái  x(k) của hệ được cập nhât và quá trình này được lặp lại. 

Các thành phần của MPC?

• Trong hệ thống điều khiển xe tự hành, Model Predictive Control (MPC) đóng vai trò là bộ não tính toán chính, giúp xe bám theo quỹ đạo một cách chính xác và an toàn. Đầu tiên, hệ thống nhận đầu vào là vận tốc dọc của xe (vx​) để tính toán ra các tham số quỹ đạo mong muốn, bao gồm vị trí ngang tham chiếu (Yref) và hướng chuyển động mong muốn (ψref​). Quá trình này do khối “Reference Tracking” đảm nhiệm, với mục tiêu cung cấp một quỹ đạo tham chiếu mà xe cần bám theo.

• Tiếp theo, bộ điều khiển MPC nhận thông tin đầu vào từ hai nguồn: (1) quỹ đạo tham chiếu đã được tính toán ở bước trước, và (2) trạng thái hiện tại thực tế của xe gồm vị trí ngang và góc quay (Y,ψY,). Dựa trên mô hình hệ thống và các ràng buộc vật lý (như giới hạn lực, góc lái…), MPC giải một bài toán tối ưu hóa để đưa ra chuỗi hành động điều khiển tối ưu trong ngắn hạn. Kết quả là các tín hiệu điều khiển: góc lái bánh trước (δf​), góc lái bánh sau (δr) nếu có, và momen xoắn quanh trục Z (Mz​). (“Kết quả là các tín hiệu điều khiển: góc lái, tốc độ“)

• Các tín hiệu điều khiển này sau đó được gửi đến mô hình động học xe đạp (Kinetic Bicycle Model) để dự đoán vị trí và hướng đi thực tế của xe sau khi điều khiển các thông số trạng thái đầu ra sau đó quay trở lại MPC và tạo thành một vòng lặp điều khiến khép kín theo thời gian thực. Quá trình này được lặp lại liên tục ở tần số cao để đảm bảo xe luôn bám sát quỹ đạo một cách linh hoạt, chính xác và ổn định

MPC – Từ lý thuyết đến thực tiễn …

• Giả sử, chúng ta có một mô hình xe được trang bị module GPS, cảm biến khoảng cách và điều khiển hệ thống đánh lái, tốc độ động cơ, hãy cùng nhau tìm hiểu mô hình MPC sẽ được ứng dụng như thế nào…

• Trong một hệ thống xe tự hành hiện đại, Model Predictive Control (MPC) đóng vai trò là bộ điều khiển trung tâm giúp xe di chuyển theo đúng quỹ đạo được chỉ định, đồng thời xử lý các ràng buộc thực tế như giới hạn đánh lái, tránh vật cản và duy trì độ ổn định. Xe được trang bị hệ thống định vị GPS để xác định vị trí toàn cục, cảm biến khoảng cách để phát hiện chướng ngại vật, và hệ thống đánh lái cho phép điều chỉnh góc lái và tốc độ.

• Quá trình bắt đầu từ việc xác định quỹ đạo mục tiêu – ví dụ, chuỗi các điểm mà xe cần đi qua – được đưa vào MPC dưới dạng tín hiệu tham chiếu (reference). Bộ điều khiển MPC bao gồm hai thành phần chính: mô hình dự đoán (plan model) và bộ tối ưu hóa (optimizer). Mô hình dự đoán thường là mô hình động học xe, như mô hình bicycle, mô phỏng cách xe sẽ phản ứng với các lệnh điều khiển như góc lái và vận tốc. Bộ tối ưu hóa sẽ giải bài toán điều khiển theo thời gian thực, nhằm tìm ra chuỗi điều khiển (góc lái, tốc độ) tốt nhất để đưa xe tiến gần nhất đến quỹ đạo mong muốn trong khi vẫn đảm bảo các ràng buộc vật lý và an toàn.

• Tín hiệu điều khiển tối ưu (manipulated variables) sẽ được gửi đến xe để thực thi. Xe thực hiện các lệnh này trong môi trường thực tế và sinh ra các thông tin phản hồi như vị trí (từ GPS), tốc độ, góc quay (từ IMU), và khoảng cách đến vật cản (từ cảm biến). Vì dữ liệu cảm biến thường có nhiễu hoặc trễ, một bộ ước lượng trạng thái (state estimator), chẳng hạn như bộ lọc Kalman mở rộng (EKF), sẽ được sử dụng để kết hợp tất cả các nguồn cảm biến và ước lượng chính xác trạng thái thực tế hiện tại của xe.

• Cuối cùng, trạng thái ước lượng này được đưa trở lại bộ điều khiển MPC để thực hiện chu kỳ tính toán tiếp theo. Toàn bộ quá trình này diễn ra liên tục ở tần số cao, tạo thành một vòng điều khiển khép kín giúp xe tự hành chính xác, mượt mà và an toàn ngay cả trong môi trường có nhiều biến động.
  

Trên đây là một số thông tin sơ lược về mô hình điều khiển MPC, nếu bạn muốn tìm hiểu thêm về MPC, đừng ngần ngại, hãy nhấn vào đây Understanding Model Predictive Control – MATLAB & Simulink