Professional Documents
Culture Documents
Chương 1
GIỚI THIỆU
giải thuật cân bằng PID. Robot chỉ có thể cân bằng tại một vị trí chưa có khả năng
vừa di chuyển vừa cân bằng.
1.5 Tình hình nghiên cứu trong nước và trên thế giới
1.5.1 Trong nước
Mô hình robot hai bánh tự cân bằng luận văn thạc sĩ của tác giả Nguyễn Gia
Minh Thảo, trường Đại học Bách Khoa TP Hồ Chí Minh.
1.5.2.3 WobblyBot
WobblyBot thực chất là mô hình sử dụng con lắc ngược, được gắn dưới phần
thân ở giữa hai bánh xe. WobblyBot được thiết kế với phần dưới của robot nặng
hơn nhiều so với phần trên giúp robot có khả giữ cân bằng tốt nhất.
trong việc cân bằng robot và cuối cùng là giải thuật điều khiển robot cân bằng bám
theo vị trí ban đầu.
Chương 4: KẾT QUẢ THỰC NGHIỆM
Chương 4 trình bày kết quả thực nghiệm về độ chính xác khi sử dụng bộ lọc
Complementary, bộ lọc Kalman so với dữ liệu thô từ cảm biến, xây dựng giải thuật
điều khiển PID trên mô hình thực tế.
Chương 5: KẾT LUẬN
Nội dung chương 5 trình bày tóm tắt các kết quả mà đề tài đã đạt được và
hướng phát triển để khắc phục những giới hạn nhằm hoàn thiện đề tài tốt hơn.
7
Chương 2
I 2C PWM
Cảm biến IMU Arduino Due Mạch điều khiển
GY-86 AT91SAM3X8E động cơ cầu H
0
20
50 cm 50 cm
0
70
A α B
AB = ?
Như mô tả trong Hình 2.2 để robot có thể giữ được cân bằng khi ngã thì
robot phải di chuyển một đoạn đường là trong khoảng thời gian cho phép để
có thể hứng được trọng tâm của robot, các giá trị này được tính toán như sau:
(2.1)
t = ?
C
0
20
50 cm 50 cm
0
70
A α B
17.1 cm
Dữ liệu thu thập được trong Bảng 2.1 cho thấy khi thả robot ngã tự do từ vị trí
cân bằng là 880 (đây là góc nghiêng tại vị trí cân bằng thu được từ cảm biến trên mô
hình thực tế, góc này sai lệch so với góc nghiêng lý tưởng do giới hạn về cơ khí của
mô hình) đến góc nghiêng giới hạn 88 ± 200 trong khoảng thời gian trung bình là
950 ms, đây cũng là giá trị thời gian giới hạn cần thiết để robot di chuyển để giữ
được cân bằng.
Giả sử chọn bánh xe có bán kính là 5cm và moment xoắn của động cơ là 63
Ncm thì lực đẩy sẽ được tính theo công thức sau:
(2.2)
(2.3)
Dựa vào các giá trịnh tính toán, thông số của động cơ được chọn như trong
Bảng 2.2 để đáp ứng các yêu cầu trên.
450 mm
Microcontroller AT91SAM3X8E
Operating Voltage 3.3V
Input Voltage (recommended) 7-12V
Input Voltage (limits) 6-16V
Động cơ DC planet
Điện áp 24V
Kích thước
Trục
Đường bus thực hiện truyền thông nối tiếp I2C gồm hai đường là đường truyền dữ
liệu nối tiếp SDA và đường truyền nhịp xung đồng hồ nối tiếp SCL. Vì cơ chế hoạt
động là đồng bộ nên cần có một nhịp xung tín hiệu đồng bộ. Các thiết bị hỗ trợ I2C
đều có một địa chỉ định nghĩa trước, trong đó một số bit địa chỉ thấp có thể cấu
hình. Thiết bị khởi tạo quá trình truyền thông là thiết bị chủ và cũng là thiết bị tạo
xung nhịp đồng bộ, điều khiển cho phép kết thúc quá trình truyền. Nếu thiết bị chủ
muốn truyền thông với thiết bị khác sẽ gửi kèm thông tin địa chỉ của thiết bị muốn
truyền trong dữ liệu truyền. Thiết bị tớ đều được gán và định địa chỉ thông qua đó
thiết bị chủ có thể thiết lập truyền thông và trao đổi dữ liệu. Bus dữ liệu được thiết
kế để cho phép thực hiện nhiều thiết bị chủ và tớ ở trên cùng bus.
Quá trình truyền thông I2C được mô tả như sau:
Tín hiệu START được tạo ra bởi thiết bị chủ, sau đó sẽ truyền đi dữ liệu 7 bit
chứa địa chỉ của thiết bị tớ mà thiết bị chủ muốn truyền thông, theo thứ tự là các bit
có trọng số lớn nhất MSB sẽ được truyền trước. Bit thứ tám tiếp theo sẽ chứa thông
tin để xác định thiết bị tớ sẽ thực hiện vai trò nhận (0) hay gửi (1) dữ liệu. Tiếp theo
sẽ là một bit ACK xác nhận bởi thiết bị nhận đã nhận được 1 byte trước đó hay
không. Thiết bị truyền (gửi) sẽ truyền đi 1 byte dữ liệu bắt đầu bởi MSB. Tại điểm
cuối của byte truyền, thiết bị nhận sẽ tạo ra một bit xác nhận ACK mới. Khuôn mẫu
9 bit này (gồm 8 bit dữ liệu và 1 bit xác nhận) sẽ được lặp lại nếu cần truyền tiếp
byte nữa. Khi thiết bị chủ đã trao đổi xong dữ liệu cần và sẽ quan sát bit xác nhận
ACK cuối cùng rồi sau đó sẽ tạo ra một tín hiệu dừng STOP để kết thúc quá trình
truyền thông. I2C là một giao diện truyền thông đặc biệt thích hợp cho các ứng dụng
truyền thông giữa các thiết bị trên cùng một bo mạch với khoảng cách ngắn và tốc
độ thấp. Ví dụ như truyền thông giữa CPU với các khối chức năng trên cùng một bo
mạch như: EEPROM, cảm biến, đồng hồ tạo thời gian thực. Hầu hết các thiết bị hỗ
trợ I2C hoạt động ở tốc độ 400Kbps, một số cho phép hoạt động ở tốc độ cao vài
Mbps. I2C khá đơn giản để thực thi kết nối nhiều thiết bị vì I2C hỗ trợ cơ chế xác
định địa chỉ.
18
Chương 3
con quay hồi chuyển và góc nghiêng của robot được xác định dựa vào giá trị đọc về
từ cảm biến gia tốc.
Trong thực tế thì các biến trạng thái có thể bị nhiễu và không trực tiếp quan sát
được, điều này làm cho việc ước lượng trạng thái của hệ thống gặp nhiều khó khăn.
Để ước lượng được trạng thái thì bộ lọc Kalman phải truy cập vào phép đo của hệ
thống. Các phép đo này là tuyến tính, liên quan đến trạng thái và bị ảnh hưởng bởi
nhiễu. Nếu nguồn nhiễu này có phân bố Gaussian thì việc ước lượng sử dụng bộ lọc
là sự thống kê tối ưu nhất đối với phép đo này.
Bộ lọc Kalman được ứng dụng trong nhiều lĩnh vực, đặc biệt là trong điều
khiển và dự đoán. Bộ lọc Kalman được sử dụng trong điều khiển để ước lượng
trạng thái. Khi điều khiển một hệ thống điều quan trọng là phải biết được hệ thống
sẽ tiếp tục hoạt động như thế nào. Trong một hệ thống phức tạp không phải lúc nào
cũng có thể đo đạc được các biến, bộ lọc Kalman cung cấp thông tin không phải
bằng cách đo trực tiếp mà bằng phương pháp ước lượng giá trị của các biến này và
ước lượng nhiễu phép đo. Bộ lọc Kalman có thể được sử dụng để điều khiển quy
trình sản xuất, máy bay, tàu thủy, tàu vũ trụ và robot. Bộ lọc Kalman được sử dụng
để dự đoán trạng thái tương lai của hệ thống, trạng thái mà con người rất khó hoặc
không thể thực hiện như: dự đoán dòng chảy của các dòng sông trong cơn lũ, giá cả
giao dịch của thực phẩm … [5].
3.2.2 Bộ lọc Kalman rời rạc
3.2.2.1 Quá trình ước lượng
Bộ lọc Kalman đề cập đến bài toán tổng quát nhằm ước lượng trạng thái
của một quá trình được mô hình hóa một cách rời rạc theo thời gian bằng
một phương trình ngẫu nhiên tuyến tính như sau:
(3.1)
(3.2)
23
Trong đó wk và vk là hai vector biến ngẫu nhiên đại diện cho nhiễu hệ thống
và nhiễu đo đạc. Hai biến ngẫu nhiên này độc lập với nhau và được giả sử là tuân
theo phân bố Gaussian với giá trị trung bình bằng 0 và ma trận hiệp biến
(covariance matrix) lần lượt là Q và R.
Trong thực tế, ma trận Q và R có thể thay đổi theo thời gian hoặc theo phép
đo, tuy nhiên các ma trận này được giả định là hằng số.
Ma trận có kích thước là ma trận liên kết của trạng thái trước, bước
thứ – và trạng thái hiện tại bước thứ . Ma trận có kích thước là ma trận
liên kết giữa ngõ vào tùy biến với trạng thái . Ma trận có kích thước
, trong phương trình phép đo (3.2) liên kết trạng thái với kết quả đo đạc .
Chú ý rằng các ma trận Q, R, A, H có thể thay đổi theo thời gian (từng bước ),
nhưng ở đây chúng được giả sử là không đổi [5].
3.2.2.2 Giải thuật lọc Kalman rời rạc
Bộ lọc Kalman ước lượng tiến trình bằng cách sử dụng hình thức kiểm soát
phản hồi: bộ lọc ước lượng trạng thái của tiến trình tại vài thời điểm và sau đó thu
nhận sự phản hồi bằng các giá trị đo thực tế (có nhiễu). Như vậy, phương trình của
bộ lọc Kalman chia thành hai nhóm: phương trình cập nhật thời gian và phương
trình cập nhật giá trị đo. Phương trình cập nhật thời gian chịu trách nhiệm dự đoán
trước (theo thời gian) sử dụng giá trị hiện tại và hiệp biến số ước lượng để dự đoán
ước lượng tiền nghiệm cho thời điểm kế tiếp. Phương trình cập nhật giá trị đo chịu
trách nhiệm đối với sự phản hồi nghĩa là kết hợp giá trị mới với ước lượng tiền
nghiệm nhằm hiệu chỉnh ước lượng hậu nghiệm.
Phương trình cập nhật thời gian có thể được xem như là phương trình dự đoán,
trong khi phương trình cập nhật phép đo có thể xem như phương trình hiệu chỉnh.
Thật vậy, thuật toán ước lượng cuối cùng rất giống với thuật toán dự đoán, hiệu
chỉnh nhằm giải quyết các vấn đề số như trong Hình 3.2 [5].
24
̂ ̂ (3.5)
(3.6)
(3.7)
̂ ̂ ̂ (3.8)
(3.9)
Việc đầu tiên trong quá trình cập nhật giá trị đo là tính giá trị độ lợi Kalman,
. Bước kế tiếp là đo giá trị thực của quá trình và sau đó tìm ra giá trị hậu
nghiệm ước lượng bằng cách kết hợp với kết quả đo như trong công thức (3.8).
Bước cuối cùng là tìm hiệp biến số hậu nghiệm bằng công thức (3.9).
Sau mỗi bước cập nhật thời gian và cập nhật phép đo, quá trình được lặp lại
với ước lượng hậu nghiệm trước đó để dự đoán một ước lượng tiền nghiệm mới.
Quá trình lặp lại tự nhiên này là một đặc điểm khá thu hút của bộ lọc Kalman làm
cho việc xây dựng bộ lọc Kalman dễ thực hiện hơn so với bộ lọc Wiener vốn được
thiết kế để hoạt động trực tiếp trên tất cả các dữ liệu ước lượng. Thay vì vậy, bộ lọc
Kalman tham chiếu các giá trị ước lượng hiện tại với tất cả các phép đo trước đó.
Hình 3.3 cho thấy toàn bộ hoạt động của bộ lọc [6].
25
̂ (3.12)
̂ ước tính của trạng thái tại thời điểm k và bao gồm cả lúc k ở hiện tại.
Vấn đề trạng thái hệ thống chính bị ẩn nên chỉ có thể được quan sát thông qua
quan sát. Điều này cũng được gọi là một mô hình Hidden Markov. Điều này có
nghĩa rằng trạng thái sẽ được dựa trên trạng thái tại thời điểm k và tất cả các trạng
thái trước đó .
Chiếc mũ trên các hệ số dùng để ước tính các trạng thái. Vì vậy trạng thái
được ký hiệu:
Trạng thái của hệ thống tại thời điểm k được cho bởi:
(3.13)
Mà là ma trận trạng thái đó được cho bởi :
̂ [ ̇] (3.14)
Có thể thấy đầu ra của bộ lọc sẽ là góc mà trạng thái dựa trên các phép đo từ
gia tốc và con quay hồi chuyển. Trạng thái là là các con quay hồi chuyển đã trôi dạt
. Điều này có nghĩa rằng có thể tính toán bằng cách trừ trạng thái từ các phép đo con
quay hồi chuyển.
Tiếp theo là ma trận , đó là mô hình chuyển trạng thái được áp dụng cho
tình trạng trước đó.
Trong trường hợp này được định nghĩa là:
A=[ ] (3.15)
Tiếp theo là kiểm soát đầu vào , trong trường hợp này là đo con quay hồi
chuyển trong độ mỗi giây (° / s ) tại thời điểm k , điều này cũng được gọi là tốc độ.
Viết lại phương trình trạng thái như sau:
̇ (3.16)
Tiếp theo là ma trận B. Được gọi là mô hình kiểm soát đầu vào, được định
nghĩa là:
B=[ ] (3.17)
27
là nhiễu quá trình đó là phân phối Gaussian với hệ số trung bình bằng
không với hiệp phương sai đến thời điểm k.
(3.18)
là quá trình nhiễu phương sai ma trận và trong trường hợp này ma trận hiệp
phương sai dự toán trạng thái của gia tốc.
Ma trận cuối cùng được xác định như sau:
[ ] (3.19)
̇
Có thể thấy ma trận hiệp biến phụ thuộc vào thời gian hiện tại k, do sự thay
đổi của gia tốc.
Giá trị đo lường :
Sự đo lường của trạng thái thực sự. Quan sát được cho bởi:
(3.20)
H được gọi là ma trận quan sát và được sử dụng để lập bản đồ không gian
trạng thái thực sự vào không gian quan sát được. Khi đo là chỉ số đo từ các gia tốc,
H được cho bởi:
[ ] (3.21)
Tiếng ồn của phép đo phân bố Gaussian cũng như với trung bình bằng không
và là phương sai :
(3.22)
Nhưng đây không phải là một ma trận nhiễu đo lường và chỉ bằng phương sai
của đo lường, kể từ khi hiệp biến của cùng một biến bằng phương sai.
[ ] (3.23)
Nhiễu trong đo lường là như nhau và không phụ thuộc vào thời gian k:
(3.24)
28
[ ] (3.27)
[ ] (3.33)
[ ] (3.34)
Bây giờ có thể cập nhật một hậu ước tính của trạng thái hiện tại:
̂ ̂ ̃ (3.35)
Cuối cùng là cập nhật các ma trận hiệp phương sai lỗi hậu:
Nơi được gọi là ma trận đơn vị và được xác định là:
(3.36)
I được gọi là ma trận đơn vị và được xác định là :
I= [ ] (3.37)
[ ̇] =[ ][ ̇] +[ ] ̇k
̇
[ ] +[ ] ̇k
̇
̇ ̇
=[ ]
̇
̇ ̇
=[ ]
̇
Vậy góc ước đoán tại bằng góc ước đoán trước đó + .
Từ phương trình (3.26) biến đổi như sau:
30
[ ] =[ ][ ] [ ] [ ]
̇
[ ] [ ] [ ]
̇
[ ] [ ]
̇
[ ]
̇
[ ]
̇
=[ ][ ] [ ]
=[ ][ ] [ ]
[ ] [ ] [ ]
[ ]
31
[ ]
[ ̇] [ ̇] [ ] ̃
̃
[ ̇] [ ]
̃
Cuối cùng là khai triển phương trình ma trận hiệp phương sai lỗi hậu (3.36):
[ ] [ ] [ ] [ ] [ ]
[ ] [ ] [ ]
[ ] [ ]
(3.38)
Trong đó:
: Độ lợi khâu tỷ lệ
: Độ lợi khâu tích phân
∫ (3.39)
Lúc này đối tượng điều khiển có tín hiệu vào là (u) và tín hiệu ra là (Y). (Y)
được hồi tiếp về bằng các cảm biến để tiếp tục tính sai lệch (e). Sau đó bộ điều
khiển tiếp tục lặp lại như trên.
Đặc tính của bộ điều khiển PID
Thành phần tỉ lệ (KP) có tác dụng làm tăng tốc độ đáp ứng của hệ và làm
giảm, chứ không triệt tiêu sai số xác lập của hệ (steady-state error).
Thành phần tích phân (KI) có tác dụng triệt tiêu sai số xác lập nhưng có thể
làm giảm tốc độ đáp ứng của hệ.
Thành phần vi phân (KD) làm tăng độ ổn định hệ thống, giảm độ vọt lố và
cải thiện tốc độ đáp ứng của hệ.
Ảnh hưởng của các thành phần KP, KI, KD đối với hệ kín được tóm tắt trong
bảng sau:
33
Bảng 3.1 Ảnh hưởng của các thành phần KP, KI, KD đối với hệ kín
Thông Thời gian đáp Độ vọt Thời gian xác Sai số xác
số ứng lố lập lập
KP Giảm Tăng Ít thay đổi Giảm
∫ ∑ (3.40)
Tóm lại:
[ ( ) ]
∑ (3.43)
Đặt:
(3.44)
∑ (3.45)
Trong công thức (3.44) trên thời gian lấy mẫu ∆t rất nhỏ, nên bỏ qua ∆t. Khi
tìm các hệ số Kp, Ki, Kd đã bao gồm cả ∆t.
Khi đó công thức lại được viết lại như sau:
(3.46)
Điều khiện biên: u(0) = duty > 0.
Tìm hệ số PID bằng phương pháp thực nghiệm:
Cho các hệ số Kp, Ki, Kd bằng không.
Tăng Kp từ nhỏ đến lớn cho đến khi ngõ ra đáp ứng với sự rung động là dao
động ổn định.
Giảm Kp xuống một nữa giá trị phản ứng ở trên.
Tăng Ki từ nhỏ đến lớn, quan sát đáp ứng của hệ thống khi thông số thay
đổi. Tăng cho đến khi dao động ở mức cho phép.
Cuối cùng là tăng Kd cho đến khi hệ thống đạt tối ưu.
Tìm hệ số PID bằng phương pháp Ziegler-Nichols
Độ lợi KI và KD lúc đầu được gán bằng 0 và độ lợi P được tăng cho đến khi P
tiến tới độ lợi tới hạn Ku ở đầu ra của vòng điều khiển bắt đầu dao động. Ku và thời
gian dao động Pu được dùng để gán độ lợi như sau:
35
Dạng điều
KP KI KD
khiển
P 0.50Ku
PI 0.45Ku 1.2 KP/Pu
PID 0.60Ku 2 KP/Pu KP.Pu/8
3.6 Giải thuật điều khiển robot cân bằng bám theo vị trí ban đầu
(a) Robot bị trôi qua (b) Robot tại vị trí (c) Robot bị trôi qua
bên trái ban đầu bên phải
Hình 3.6 Robot cân bằng bám theo vị trí ban đầu
Dựa vào giá trị góc nghiêng thu được từ cảm biến qua bộ lọc Kalman giải
thuật PID sẽ giữ cho robot cân bằng nhưng do lực hấp dẫn của trái đất hay lực tác
động từ bên ngoài làm cho robot bị ngã về một hướng nào đó. Để giữ cân bằng thì
robot sẽ di chuyển ra khỏi vị trí ban đầu. Để có thể điều khiển robot cân bằng dao
động quanh vị trí ban đầu thì giá trị sai lệch về vị trí hiện tại so với vị trí ban đầu
được tính toán.
36
Bắt đầu
Sai
Hình 3.7 Sơ đồ thuật giải robot bám theo vị trí ban đầu
37
Chương 4
Hình 4.1 Biểu đồ so sánh góc nghiêng theo trục y của bộ lọc Complementary, bộ
lọc Kalman và góc nghiêng theo trục y thu trực tiếp từ cảm biến IMU
Đây là dữ liệu thu thập sau khi được đưa qua cổng UART và được vẽ bằng
phần mềm Labview. Kết quả như Hình 4.1 cho thấy giá trị góc nghiêng theo trục y
38
của robot từ hai bộ lọc Complementary và Kalman có độ ổn định cao hơn so với giá
trị góc nghiêng theo trục y thu trực tiếp từ cảm biến.
Hình 4.2 Biểu đồ so sánh thời gian đáp ứng giữa bộ lọc Complementary và bộ lọc
Kalman
Trên Hình 4.2 bộ lọc Kalman (đường màu đỏ) có thời gian đáp ứng chậm hơn
so với bộ lọc Complementary (đường màu xanh lam). Tuy nhiên để biết được bộ lọc
Complementary hay bộ lọc Kalman có độ ổn định cao hơn thì độ ổn định ngõ ra của
hai bộ lọc được biễu diễn như Hình 4.3.
Hình 4.3 Biểu đồ so sánh độ ổn định ngõ ra của bộ lọc Kalman với bộ lọc
Complementary
39
So với bộ lọc Kalman (đường màu đỏ) thì bộ lọc Complementary (đường
màu xanh lam) dễ thực hiện và ít tốn tài nguyên xử lý của bộ vi điều khiển hơn do
đó khả năng đáp ứng về mặt thời gian nhanh hơn, kết quả này được so sánh và mô
tả như trong Hình 4.2. Xét tại vị trí góc theo trục y khi robot đứng cân bằng là
86.6°, so với bộ lọc Complementary thì bộ lọc Kalman có thời gian đáp ứng chậm
hơn nhưng độ ổn định của bộ lọc Kalman lại có độ dao động nhỏ hơn và khả năng
ổn định cao hơn, ít bị trôi so với bộ lọc Complementary khi đươc vẽ trên phần mềm
Labview như Hình 4.3.
4.2 Giải thuật cân bằng PID trên mô hình robot
Hình 4.4 Góc nghiêng theo trục y của robot khi thực hiện giải thuật cân bằng
Hình 4.4 trình bày kết quả thực hiện giải thuật PID cân bằng trên mô hình
robot thực tế. Giá trị góc xét (đường màu đỏ) khi robot đang đứng cân bằng ở 88°
của góc theo trục y, giá trị góc nghiêng trục y (đường màu xanh lam) được thu thập
trong khi robot đang thực hiện cân bằng có độ dao động nhỏ chênh lệch khoảng 3°.
Giải thuật PID được thực hiện với các hệ số , và .
Các thông số này có được là dựa vào phương pháp Ziegler-Nichols và phương pháp
thực nghiệm.
40
4.3 Kết quả thực hiện giải thuật trên mô hình robot
Kết quả thực nghiệm trên mô hình robot cho thấy robot có khả năng giữ cân
bằng tại vị trí đặt ban đầu. Trong quá trình robot giữ cân bằng nếu có lực tác động
từ bên ngoài theo phương ngang làm robot ngã với góc nghiêng cho phép là 880 ±
200 trong khoảng thời gian lớn hơn 0.95 giây thì robot sẽ tiếp tục giữ cân bằng và di
chuyển quay về lại vị trí đặt ban đầu. Video kết quả thực nghiệm về robot thực cân
bằng khi không có lực tác động từ bên ngoài và có lực tác động từ bên ngoài được
đăng tải tại địa chỉ:
http://www.youtube.com/watch?v=v_81TG475as
http://www.youtube.com/watch?v=_DAv26ln9JI&feature=share
41
Chương 5
KẾT LUẬN
Cần xây dựng thêm giải thuật di chuyển điều khiển thông qua RF,
Bluetooth dựa trên hệ điều hành Android để phát triển thành sản phẩm giải trí hoàn
thiện.
Đề tài cũng như là tiền đề cho việc xây dựng mô hình xe hai bánh tự cân
bằng di chuyển trên địa hình phẳng.
43
[1] Alwafi Husein, Attitude and altitude control of two wheel trirotor hybrid robot,
Master’s thesis, 2013.
[2] Ayça GÖÇMEN, Design of two wheeled electric vehicle, Master’s thesis, 2011.
[3] Christian sundin, Filip thorstensson, Autonomous balancing robot, Master’s
thesis, 2012.
[4] Maria R. Bageant, Balancing a two- wheeled Segway robot, Bachelor’s thesis,
2006.
[5] Welch, G. and G. Bishop, An Introduction to the Kalman Filter, 2006.
[6] Đỗ Bình Nguyên, Điều khiển con lắc ngược di động dùng phương pháp điều
khiển phi tuyến, Luận văn thạc sĩ, 2012.