Điều khiển xe 4 bánh tự hành kết hợp camera dịch chuyển hàng hóa

Đồ án điều khiển xe 4 bánh tự hành kết hợp camera dịch chuyển hàng hóa - ĐH SPKT TPHCM

• Tác giả: Nguyễn Công Tạo
• Người hướng dẫn: ThS. Lê Hoàng Lâm
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Công nghệ Kỹ thuật Điều khiển và Tự động hóa
• Đề tài: Điều khiển xe 4 bánh tự hành kết hợp camera dịch chuyển hàng hóa
• Loại tài liệu: Đồ án tốt nghiệp
• Năm xuất bản: 2025
• Địa điểm: Thành phố Hồ Chí Minh

Tóm tắt

I. Tổng quan về điều khiển xe 4 bánh tự hành kết hợp camera

Nghiên cứu điều khiển xe 4 bánh tự hành kết hợp camera tại ĐH SPKT TPHCM tập trung phát triển robot di động tự động hóa nhà kho. Xu hướng công nghiệp 4.0 đòi hỏi các giải pháp vận chuyển hàng hóa không người lái đạt hiệu suất cao. Xe tự hành AGV thay thế sức lao động phổ thông, hạn chế sai sót và gia tăng năng suất vận hành liên tục. Đề tài đồ án tốt nghiệp ngành Kỹ thuật Điều khiển và Tự động hóa xây dựng hệ thống phần cứng vững chắc. Kích thước mô hình đạt 750mm x 650mm x 200mm, phù hợp không gian nhà xưởng tiêu chuẩn. Trung tâm vận hành sử dụng bốn động cơ VEXTA Brushless DC không chổi than mạnh mẽ. Động cơ phản hồi tốc độ ổn định, lực kéo mô-men xoắn lớn và tiết kiệm năng lượng. Ngoài ra, việc trang bị camera thị giác máy tính giúp robot quan sát môi trường trực quan. Dữ liệu hình ảnh hỗ trợ xe tự hành nhận diện kiện hàng, bám quỹ đạo và tính toán vị trí mục tiêu chuẩn xác. Sự phối hợp giữa cơ cấu chấp hành và cảm biến thị giác tạo nên nền tảng điều khiển tự động hoàn chỉnh, đáp ứng tiêu chuẩn công nghiệp.

1.1. Bối cảnh nghiên cứu robot tự hành tại SPKT

Nhu cầu tự động hóa logistics tăng trưởng nhanh chóng tại Việt Nam. Trường Đại học Sư phạm Kỹ thuật TP.HCM chú trọng đào tạo thực tiễn kết hợp nghiên cứu công nghệ tiên tiến. Sinh viên ngành Công nghệ Kỹ thuật Điều khiển và Tự động hóa tiếp cận trực tiếp bài toán chế tạo AGV. Đồ án thiết kế xe tự hành vận chuyển hàng hóa đáp ứng trực tiếp nhu cầu kho bãi thông minh. Đề tài đặt mục tiêu chế tạo mô hình robot hoàn chỉnh từ cơ khí đến thuật toán điều khiển. Quá trình triển khai đòi hỏi sự tích hợp liên ngành giữa cơ điện tử, thị giác máy tính và lập trình nhúng. Kết quả nghiên cứu tạo nền tảng chuyển giao công nghệ cho doanh nghiệp sản xuất.

1.2. Mục tiêu kỹ thuật của mô hình xe 4 bánh

Hệ thống hướng tới khả năng di chuyển linh hoạt trong không gian chật hẹp. Khung xe cơ khí chịu tải trọng tốt và đảm bảo độ cân bằng động lực học. Bộ điều khiển điều phối bốn động cơ độc lập để tạo chuyển động tịnh tiến hoặc xoay tại chỗ. Camera gắn phía trước xe thu thập hình ảnh độ phân giải cao theo thời gian thực. Thuật toán nhận diện phát hiện chính xác vật cản cùng vị trí kiện hàng cần bốc dỡ. Hệ thống giao tiếp đồng bộ với trung tâm điều khiển thông qua mạng truyền thông công nghiệp ổn định. Các thông số vận hành như vận tốc, tọa độ và trạng thái pin luôn hiển thị rõ ràng. Toàn bộ thiết kế đảm bảo tính an toàn tuyệt đối khi vận hành.

II. Phân tích thách thức điều khiển xe 4 bánh tự hành kết hợp camera

Quá trình nghiên cứu và vận hành robot tự hành đối mặt nhiều trở ngại kỹ thuật phức tạp. Đầu tiên là bài toán trượt bánh xe Mecanum trên bề mặt sàn không bằng phẳng. Con lăn của bánh Mecanum tạo ra góc nghiêng 45 độ, dễ gây rung lắc mạnh khi tăng tốc đột ngột. Rung chấn ảnh hưởng trực tiếp đến chất lượng khung hình từ camera Intel RealSense D435i. Hình ảnh mờ nhòe khiến thuật toán xử lý thị giác phán đoán sai lệch vị trí mốc định vị. Thêm vào đó, điều kiện ánh sáng môi trường thay đổi liên tục tạo ra nhiễu quang học lớn. Ánh sáng chói hoặc vùng tối cục bộ làm giảm độ chính xác của cảm biến đo chiều sâu hồng ngoại. Về mặt điều khiển, robot 4 bánh Mecanum thuộc hệ thống holonomic đòi hỏi tính toán động học nghịch đảo liên tục. Bộ vi xử lý phải giải thuật toán ma trận phức tạp với tần số lấy mẫu cao. Sự trễ tín hiệu giữa camera và bộ điều khiển trung tâm dễ gây mất ổn định quỹ đạo. Sai số tích lũy theo thời gian khiến robot chệch hướng khỏi lộ trình định sẵn trong kho hàng. Giải quyết triệt để các hạn chế này là điều kiện tiên quyết để thương mại hóa hệ thống.

2.1. So sánh hệ thống Holonomic và Non Holonomic

Hệ thống chuyển động robot phân chia thành hai nhóm cơ bản gồm holonomic và non-holonomic. Hệ thống non-holonomic sở hữu số bậc tự do điều khiển ít hơn không gian trạng thái. Cơ chế này áp dụng bánh xe cố định truyền thống, yêu cầu robot phải quay góc để đổi hướng. Do đó, khả năng xoay trở trong lối đi hẹp bị hạn chế đáng kể. Ngược lại, hệ thống holonomic có số bậc tự do điều khiển bằng không gian trạng thái. Cấu trúc bánh Mecanum cho phép xe di chuyển đa hướng tức thời theo mọi góc độ. Thân xe không cần quay đầu khi chuyển động ngang hoặc chéo. Tuy nhiên, hệ thống holonomic đòi hỏi thuật toán điều khiển phức tạp và chi phí chế tạo cao hơn.

2.2. Nhược điểm của cảm biến RealSense D435i

Cảm biến Intel RealSense D435i cung cấp dữ liệu hình ảnh màu và chiều sâu đồng thời. Tuy nhiên, thiết bị bộc lộ một số nhược điểm khi làm việc trong công nghiệp. Tầm đo chiều sâu của cảm biến bị suy giảm đáng kể dưới ánh nắng mặt trời trực tiếp. Ánh sáng môi trường mạnh gây lóa thấu kính và làm biến dạng bản đồ chiều sâu. Bề mặt vật thể phản chiếu cao hoặc quá đen cũng gây hiện tượng mất điểm ảnh 3D. Ngoài ra, chi phí đầu tư camera D435i tương đối đắt so với các loại webcam thông thường. Vỏ cảm biến thiếu chuẩn chống bụi nước chuyên dụng ngoài trời. Tần số quét dữ liệu chiều sâu đôi khi giảm khi hệ thống xử lý tính toán quá tải.

III. Phương pháp điều khiển xe 4 bánh tự hành kết hợp camera hiệu quả

Để khắc phục các hạn chế trên, đề tài áp dụng phương pháp điều khiển phân tầng hiện đại. Tầng trên là máy tính nhúng phụ trách xử lý thị giác và hoạch định đường đi. Camera Intel RealSense D435i liên tục quét không gian để thu nhận tọa độ không gian ba chiều. Thuật toán lọc màu và phân đoạn ảnh giúp nhận dạng kiện hàng với độ chính xác cao. Dữ liệu vị trí mục tiêu được chuyển đổi thành quỹ đạo di chuyển tối ưu cho robot. Tầng dưới sử dụng bộ điều khiển PLC công nghiệp điều khiển trực tiếp bốn động cơ VEXTA. Thuật toán động học vi sai phân bổ vận tốc góc cho từng bánh Mecanum riêng biệt. Nhờ đó, robot thực hiện mượt mà các chuyển động tịnh tiến, di chuyển ngang và xoay tròn. Giao thức MC-Protocol đóng vai trò liên kết dữ liệu giữa máy tính và PLC qua mạng Ethernet. Tốc độ truyền thông cao giảm thiểu tối đa độ trễ điều khiển thời gian thực. Hệ thống bù sai số vận tốc bằng thuật toán PID số khép kín thông qua xung encoder. Nhờ sự kết hợp này, xe tự hành di chuyển ổn định và cập bến hàng hóa chính xác.

3.1. Truyền thông công nghiệp qua giao thức MC Protocol

MC-Protocol là giải pháp kết nối chuẩn xác giữa máy tính điều khiển và PLC Mitsubishi. Giao thức hoạt động dựa trên cơ chế gửi yêu cầu và nhận phản hồi tức thời. Khung truyền dữ liệu bao gồm phần tiêu đề, mã lệnh, dữ liệu và mã kiểm tra CRC. Quy trình truyền thông khởi tạo bằng bước thiết lập địa chỉ IP cùng cổng giao tiếp mạng. Máy tính đọc và ghi trực tiếp dữ liệu vào thanh ghi D và ngõ ra của PLC. Quy tắc kiểm soát lỗi tự động gửi lại gói tin khi phát hiện sự cố gián đoạn. Kết thúc phiên làm việc, hệ thống gửi thông báo hoàn tất nhằm đảm bảo tính toàn vẹn dữ liệu. Giao thức này mang lại tốc độ phản hồi cao và độ bảo mật tin cậy.

3.2. Thuật toán xử lý ảnh định vị kiện hàng

Thuật toán xử lý ảnh đóng vai trò mắt thần định hướng cho robot tự hành. Camera RealSense truyền luồng video màu RGB và ảnh chiều sâu về máy tính điều khiển. Bộ lọc không gian loại bỏ nhiễu hạt và cân bằng ánh sáng đầu vào. Chương trình nhận dạng sử dụng các đặc trưng hình học và màu sắc để định vị mục tiêu. Tọa độ điểm ảnh sau đó được ánh xạ sang hệ tọa độ không gian thực của robot. Thuật toán đo khoảng cách tính toán chính xác cự ly từ xe đến pallet hàng. Khi xe tiến gần kiện hàng, dữ liệu chiều sâu cập nhật liên tục với tần số cao. Quá trình này giúp tay gắp hoặc mặt nâng tiếp cận hàng hóa an toàn, tránh va chạm.

IV. Ứng dụng điều khiển xe 4 bánh tự hành kết hợp camera thực tế

Đồ án tốt nghiệp tại Đại học Sư phạm Kỹ thuật TP.HCM mở ra tiềm năng ứng dụng thực tiễn to lớn. Kết quả thử nghiệm chứng minh mô hình xe tự hành vận hành tin cậy và đạt độ chính xác cao. Khả năng di chuyển đa hướng của bánh Mecanum phát huy tối đa hiệu quả trong nhà kho thông minh. Robot luồn lách dễ dàng qua các dãy kệ hàng có khoảng cách hẹp mà không gặp trở ngại. Hệ thống camera chiều sâu D435i kết hợp truyền thông MC-Protocol tạo ra quy trình dịch chuyển hàng hóa hoàn toàn tự động. Mô hình giảm thiểu đáng kể chi phí nhân công và ngăn ngừa tai nạn lao động trong nhà xưởng. Ngoài lĩnh vực logistics công nghiệp, giải pháp này có thể mở rộng cho robot y tế vận chuyển thuốc trong bệnh viện. Thiết bị cũng thích hợp ứng dụng tại sân bay, siêu thị lớn hoặc các dây chuyền lắp ráp điện tử tự động. Thành công của nghiên cứu khẳng định tính khả thi của công nghệ AGV Make in Vietnam. Đề tài đóng góp thiết thực cho quá trình hiện đại hóa sản xuất và chuyển đổi số công nghiệp hiện nay.

4.1. Lợi ích triển khai xe tự hành trong kho thông minh

Việc ứng dụng xe 4 bánh tự hành đem lại hiệu quả kinh tế rõ rệt cho doanh nghiệp. Robot hoạt động liên tục 24/7 mà không cần thời gian nghỉ ngơi như con người. Tốc độ xuất nhập hàng hóa được chuẩn hóa và nâng cao đáng kể. Sự trợ giúp của thị giác máy tính giảm thiểu tối đa các sự cố làm rơi vỡ hàng hóa. Doanh nghiệp tiết kiệm được ngân sách lớn nhờ cắt giảm chi phí tuyển dụng và đào tạo nhân lực. Diện tích kho bãi được tối ưu hóa tối đa nhờ khả năng xoay trở linh hoạt của xe trong lối đi hẹp. Hệ thống quản lý kho dễ dàng theo dõi vị trí từng kiện hàng theo thời gian thực.

4.2. Hướng phát triển hoàn thiện hệ thống tương lai

Nghiên cứu có nhiều tiềm năng nâng cấp để hoàn thiện hơn trong các giai đoạn tiếp theo. Nhóm nghiên cứu có thể tích hợp thêm thuật toán trí tuệ nhân tạo học sâu YOLO. Công nghệ này gia tăng khả năng nhận diện đa dạng các loại kiện hàng có kích thước bất kỳ. Cảm biến LiDAR 2D hoặc 3D nên được bổ sung để quét bản đồ môi trường toàn diện hơn. Kỹ thuật định vị và lập bản đồ đồng thời SLAM giúp robot tự vẽ sơ đồ kho hàng tự động. Hệ thống pin lithium và trạm sạc tự động cũng cần được trang bị để nâng cao tính tự chủ. Việc kết nối hệ thống điều hành sản xuất MES sẽ đồng bộ hóa quy trình quản trị logistics thông minh.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh phát triển của công nghệ tự động hóa và trí tuệ nhân tạo, các hệ thống robot di động tự hành phục vụ vận chuyển hàng hóa, hỗ trợ nhà kho và dịch vụ hướng người dùng ngày càng giữ vai trò quan trọng. Các dòng robot di chuyển truyền thống bị giới hạn bởi các ràng buộc động học không tích phân (non-holonomic), khiến việc xoay sở trong các hành lang hẹp hoặc môi trường làm việc đông đúc gặp nhiều trở ngại. Giải pháp sử dụng robot di động trang bị cơ cấu bánh xe Mecanum mang lại khả năng di chuyển toàn hướng (holonomic) với 3 bậc tự do trên mặt phẳng mà không cần thay đổi hướng thân xe. Tuy nhiên, việc vận hành robot Mecanum kết hợp tính năng tự động nhận diện, bám theo con người và tự định vị quay về điểm xuất phát đòi hỏi sự kết hợp phức tạp giữa thị giác máy tính, học sâu, hệ điều hành robot và các thiết bị điều khiển công nghiệp chuyên dụng.

Đề tài "Điều khiển xe 4 bánh tự hành kết hợp camera dịch chuyển hàng hóa" được tác giả Nguyễn Công Tạo thực hiện dưới sự hướng dẫn của ThS. Lê Hoàng Lâm tại Bộ môn Điều khiển Tự động, Khoa Điện - Điện tử, Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh. Khóa luận tập trung giải quyết bài toán thiết kế phần cứng mô hình xe tự hành Mecanum, tích hợp hệ sinh thái phần mềm xử lý hình ảnh và điều khiển chấp hành nhằm thực hiện việc bám theo người dùng và điều hướng trong không gian.

Mục tiêu và nhiệm vụ nghiên cứu của đề tài được xác định gồm các nội dung sau:

1. Xây dựng mô hình phát hiện, theo dõi và tái nhận diện đối tượng chính xác bằng các thuật toán học sâu (YOLO, DeepSORT, OSNet) trong môi trường thực tế.
2. Vận hành hệ thống robot Mecanum di chuyển bám theo người dùng một cách an toàn, linh hoạt và nhận biết vật cản trong quá trình hoạt động.
3. Thiết kế hệ thống điều khiển nhằm duy trì khoảng cách an toàn và tối ưu giữa robot và người mục tiêu thông qua điều chỉnh vận tốc, góc hướng.
4. Tích hợp phần cứng, phần mềm và các cảm biến (robot Mecanum, camera Intel RealSense D435i, nền tảng ROS/Python, bộ điều khiển PLC Mitsubishi dòng Q) kết hợp giải thuật VINS-Fusion để định vị và điều hướng quay về vị trí ban đầu.
5. Thiết kế và lập trình giao diện điều khiển trực quan cho người vận hành trên máy tính.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Hệ thống robot di động 4 bánh Mecanum, giải thuật xử lý ảnh nhận diện - bám bắt người (YOLOv8, DeepSORT, OSNet), hệ thống định vị quán tính - thị giác (VINS-Fusion), và cơ chế truyền thông điều khiển giữa máy tính nhúng với bộ lập trình điều khiển công nghiệp PLC.
• Phạm vi không gian: Thử nghiệm vận hành thực tế trên mặt sàn phẳng trong môi trường trong nhà (indoor), không gian kho bãi hoặc phòng thí nghiệm; chưa triển khai cho địa hình gồ ghề, dốc hoặc môi trường ngoài trời.
• Phạm vi thời gian: Đề tài được giao thực hiện từ ngày 09/01/2025 đến ngày 09/06/2025; nộp và kiểm tra báo cáo vào tháng 06/2025 (kết quả kiểm tra độ trùng lặp đạt 33% toàn nội dung, nguồn cao nhất chiếm 5%).

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng hệ thống dựa trên sự phối hợp giữa nền tảng lý thuyết robot di động, thị giác máy tính và tự động hóa công nghiệp:

• Lý thuyết động học robot di động: Phân loại hệ thống di chuyển holonomic và non-holonomic. Robot Mecanum thuộc nhóm holonomic, sử dụng 4 bánh xe có các con lăn nghiêng 45° so với trục bánh, cho phép sinh chuyển động độc lập theo trục dọc ($v_x$), trục ngang ($v_y$) và xoay quanh tâm ($w_z$). Động học ngược (Inverse Kinematics) được áp dụng để quy đổi vector vận tốc thân xe thành tốc độ quay tương ứng của từng động cơ chấp hành.
• Nền tảng hệ điều hành robot (ROS): Đóng vai trò middleware trung gian quản lý kiến trúc phần mềm phân tán. Hệ thống phân chia thành các node chức năng độc lập, trao đổi dữ liệu thông qua cơ chế Publish/Subscribe qua các topic, sử dụng message chuẩn và các công cụ trực quan hóa như RViz.
• Mô hình thị giác máy tính và học sâu: Ứng dụng mạng nơ-ron tích chập (CNN) với các lớp Convolution, pooling (Max-pooling, Average pooling) và Fully Connected. Mô hình YOLOv8 đảm nhiệm phát hiện bounding box của người dùng theo thời gian thực; mạng OSNet (Omni-Scale Network) với các khối Omni-Scale Block trích xuất vector đặc trưng đa tỷ lệ phục vụ việc tái định danh cá nhân (Person Re-ID); giải thuật DeepSORT kết hợp bộ lọc Kalman Filter và thuật toán Hungarian để duy trì liên tục định danh (ID tracking) của mục tiêu qua các khung hình.
• Lý thuyết đo khoảng cách Stereo và định vị: Camera Intel RealSense D435i ứng dụng công nghệ Active Stereo với nguồn chiếu hồng ngoại, tính toán chiều sâu dựa trên độ lệch (disparity) giữa hai cảm biến theo công thức: $$D = \frac{\text{focal_length} \times \text{baseline}}{\text{disparity}}$$ Dữ liệu chiều sâu kết hợp cảm biến quán tính IMU được xử lý qua giải thuật VINS-Fusion để thực hiện ước lượng trạng thái chuyển động (odometry) và xác định tọa độ vị trí (localization).
• Hệ thống điều khiển công nghiệp và chuẩn truyền thông: Sử dụng bộ lập trình PLC Mitsubishi dòng Q đảm nhiệm điều khiển cấp thấp, phát lệnh analog đến driver động cơ; giao thức MC-Protocol (Mitsubishi Communication Protocol) qua chuẩn Ethernet TCP/IP và socket hỗ trợ truyền nhận dữ liệu điều khiển giữa chương trình Python trên máy tính với PLC.

Phương pháp nghiên cứu thực tế bao gồm:

• Phương pháp phân tích - tổng hợp lý thuyết: Nghiên cứu cấu trúc cơ khí, phân tích động học bánh Mecanum, khảo sát các giao thức truyền thông công nghiệp và thuật toán thị giác máy tính.
• Phương pháp thiết kế kỹ thuật và chế tạo: Thiết kế khung gầm trên phần mềm SolidWorks, lựa chọn linh kiện, bố trí không gian lắp đặt phần cứng và đấu nối mạch điện điều khiển.
• Phương pháp lập trình và tích hợp hệ thống: Xây dựng các node chức năng trên nền tảng ROS/Python, lập trình cấu hình PLC dòng Q, xây dựng giao diện điều khiển trên nền tảng WinForms và kiểm tra cấu hình ban đầu bằng GT SoftGOT.
• Phương pháp thực nghiệm: Chạy thử nghiệm bám người trong các điều kiện thực tế, kiểm tra độ ổn định của pipeline nhận diện và theo dõi, đánh giá sai số định vị của VINS-Fusion trước và sau khi hiệu chuẩn camera.

Nguồn dữ liệu của đề tài bao gồm hình ảnh luồng RGB và bản đồ độ sâu (Depth stream) thu nhận trực tiếp từ camera RealSense D435i, dữ liệu vận tốc góc và gia tốc 3 trục từ cảm biến quán tính IMU tích hợp, tín hiệu phản hồi từ driver động cơ và các tài liệu kỹ thuật từ nhà sản xuất Mitsubishi Electric, Intel RealSense và Oriental Motor (VEXTA).

Thiết kế và triển khai hệ thống

Hệ thống được thiết kế theo mô hình phân tầng, kết hợp giữa tầng tính toán cấp cao (máy tính chạy môi trường ROS/Python) và tầng điều khiển chấp hành cấp thấp (PLC Mitsubishi).

Thành phần phần cứng	Model / Thông số kỹ thuật	Chức năng trong hệ thống
Khung gầm cơ khí	750 mm x 650 mm x 200 mm (±10%)	Khung xe chịu tải, lắp đặt thiết bị
Bánh xe dẫn động	4 bánh Mecanum, con lăn nghiêng 45°	Tạo chuyển động đa hướng 3 bậc tự do
Động cơ chấp hành	VEXTA Brushless DC Motor (BLDC)	Dẫn động 4 bánh độc lập qua hộp số
Driver động cơ	Driver chuyên dụng cho động cơ BLDC	Nhận tín hiệu điều khiển tốc độ và hướng
CPU điều khiển PLC	Mitsubishi Q04UDEH (chu kỳ quét 0.5–2 ms, tốc độ 34 ns/LD)	Xử lý logic, phát lệnh điều khiển chấp hành
Đế gắn PLC (Base)	Mitsubishi Q312DB	Khung gắn module CPU, nguồn và I/O
Module Analog D/A	Mitsubishi Q68DAVN (8 kênh điện áp ra)	Chuyển đổi lệnh vận tốc số sang điện áp analog
Module ngõ ra số	Mitsubishi QY41P (ngõ ra transistor)	Phát tín hiệu logic điều khiển đảo chiều, dừng
Camera thị giác	Intel RealSense D435i (Depth 1280x720, RGB 1920x1080, IMU)	Thu nhận ảnh màu, chiều sâu và đo lường quán tính
Nguồn cấp	Bình ắc quy tích hợp	Cung cấp điện áp hoạt động cho toàn bộ xe

Cơ chế điều khiển và phân phối dữ liệu hoạt động theo quy trình:

1. Tầng thị giác và xử lý cấp cao: Camera D435i ghi nhận hình ảnh RGB-D và truyền qua cổng USB Type-C đến máy tính xử lý. Pipeline thị giác phối hợp mô hình YOLOv8 để xác định tọa độ khung bao của người dùng, đưa vùng ảnh qua OSNet để trích xuất vector đặc trưng nhằm xác minh đúng danh tính người cần theo dõi (Person Re-ID), sau đó sử dụng DeepSORT để bám vết mục tiêu liên tục. Tọa độ mục tiêu kết hợp với dữ liệu đo khoảng cách từ bản đồ độ sâu giúp tính toán vector sai lệch khoảng cách và góc quay.
2. Tầng quy đổi động học và truyền thông: Thuật toán điều khiển tính toán vận tốc tịnh tiến và vận tốc xoay ($v_x, v_y, \omega_z$) cần thiết của xe nhằm duy trì khoảng cách cố định đối với người dùng. Các giá trị vận tốc này được quy đổi thành vận tốc góc của từng bánh xe dựa trên ma trận động học ngược Mecanum. Lệnh điều khiển được gửi xuống PLC thông qua giao thức MC-Protocol hoặc chuyển tiếp thành giá trị số tới module chuyển đổi Digital-to-Analog Q68DAVN.
3. Tầng chấp hành cấp thấp: PLC nhận giá trị analog, thực hiện xử lý nội suy và xuất điện áp tương ứng tới từng driver động cơ BLDC VEXTA, đồng thời kích hoạt các chân tín hiệu logic qua module QY41P để điều khiển chiều quay và trạng thái hãm dừng của các bánh xe.

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 thiết lập các cơ sở mở đầu cho đề tài. Tác giả phân tích nhu cầu tự động hóa trong các hệ thống nhà kho và ứng dụng hỗ trợ người dùng, từ đó xác định việc kết hợp khung gầm Mecanum di chuyển đa hướng với camera thị giác là hướng tiếp cận cần thiết. Chương này công bố các thông số ban đầu của mô hình thực nghiệm (kích thước xe 750 mm x 650 mm x 200 mm ± 10%, sử dụng động cơ VEXTA Brushless DC), đồng thời phân định rõ mục tiêu nghiên cứu gồm 4 trọng tâm chính: nhận diện - bám theo người, điều khiển chuyển động Mecanum an toàn, tích hợp hệ thống phần cứng PLC - ROS, và ứng dụng định vị VINS-Fusion. Các giới hạn nghiên cứu cũng được chỉ rõ: hệ thống vận hành trên địa hình phẳng, kết nối giữa ROS và PLC còn phụ thuộc vào đường truyền mạng có dây, PLC không trực tiếp xử lý dữ liệu ảnh mà chỉ quản lý truyền động, và hệ thống chưa bổ sung cảm biến LiDAR để lập bản đồ môi trường rộng lớn.

Chương 2: Cơ sở lý thuyết

Chương 2 trình bày có hệ thống các nền tảng lý thuyết và công nghệ được áp dụng. Tác giả tổng thuật lịch sử phát triển xe tự hành và phân loại chức năng AGV/AMR (xe kéo, xe chở Unit Load, xe nâng tự động, robot AMR thông minh). Về cơ cấu dẫn đường, chương phân tích sự khác biệt giữa dẫn đường cố định (dây từ, thanh ray, dò line) và dẫn đường tự do (LiDAR, camera thị giác, IMU). Tiếp đó, tác giả đi sâu vào cơ học di chuyển: so sánh hệ thống holonomic và non-holonomic, phân loại các dòng bánh xe (Mecanum, Omni, Caster, bánh cố định).

Nhóm hệ thống	Loại bánh xe	Đặc tính kỹ thuật	Ưu điểm / Phạm vi ứng dụng	Hạn chế
Holonomic	Bánh Mecanum	Con lăn nghiêng 45° so với chu vi	Di chuyển 3 bậc tự do trên mặt phẳng, cơ động cao trong không gian hẹp	Điều khiển phức tạp, bám kém trên địa hình gồ ghề
Holonomic	Bánh Omni	Con lăn gắn vuông góc với chu vi	Dễ điều khiển xoay xở trong phạm vi nhỏ	Khả năng chịu tải thấp
Non-Holonomic	Bánh Caster	Bánh dẫn hướng tự do 360°	Đỡ tải phụ, hỗ trợ chuyển hướng	Không có khả năng chủ động điều hướng chính xác
Non-Holonomic	Bánh cố định	Trục quay cố định	Kết cấu đơn giản, chịu tải trọng lớn	Bị ràng buộc kinematic, không trượt ngang tức thời

Chương 2 cũng phân tích 15 biến thể bố trí 4 bánh Mecanum, khẳng định các cấu hình chữ nhật đối xứng (e) và (j) cho hiệu quả tối ưu nhất về lực, các cấu hình (b), (g), (l), (n) đạt ma trận Jacobian đầy đủ rank. Về phần cứng và phần mềm điều khiển, chương trình bày chi tiết kiến trúc middleware ROS (node, topic, message, service, action), cấu trúc PLC Mitsubishi dòng Q (Base Q312DB, CPU Q04UDEH tốc độ 34 ns/LD, thời gian quét 0.5–2 ms), cấu tạo động cơ DC Brushless (stator 3 pha, rotor nam châm vĩnh cửu, cảm biến vị trí Hall), thông số camera RealSense D435i (kích thước 90x25x25 mm, độ phân giải 1280x720, công nghệ Active Stereo, IMU tích hợp) và cơ chế truyền thông công nghiệp MC-Protocol qua mạng TCP/IP.

Chương 3: Thiết kế và thi công phần cứng

Chương 3 tập trung vào công đoạn tính toán, thiết kế và chế tạo thực tế mô hình vật lý. Tác giả tiến hành tính toán tải trọng và mô-men nhằm lựa chọn công suất động cơ VEXTA Brushless DC phù hợp với khối lượng tổng thể xe; tính toán dung lượng bình ắc quy nhằm đảm bảo thời gian hoạt động liên tục. Quá trình thiết kế cơ khí được hoàn thiện trên phần mềm SolidWorks, thể hiện vị trí bố trí cân bằng cho 4 cụm động cơ bánh Mecanum, bộ điều khiển PLC dòng Q, driver điều khiển, bình ắc quy và giá đỡ camera Intel RealSense D435i. Các bản vẽ kỹ thuật và sơ đồ đấu nối chi tiết được thiết lập, bao gồm sơ đồ cấp nguồn qua Circuit Breaker (MCB), sơ đồ kết nối module Analog Q68DAVN với các driver động cơ, sơ đồ ngõ ra số QY41P điều khiển rơ-le đảo chiều và nút nhấn khẩn cấp nhằm ngắt mạch an toàn khi xảy ra sự cố.

Chương 4: Giải mạng nơ-ron tích chập

Chương 4 cung cấp cơ sở toán học và cấu trúc của mạng nơ-ron tích chập (CNN) phục vụ cho thị giác máy tính. Nội dung tập trung phân tích hoạt động của các lớp tích chập (Convolutional Layers) thông qua phép nhân ma trận trọng số bộ lọc (kernel/filter) với ma trận điểm ảnh đầu vào theo từng bước nhảy (stride = 1, stride = 2) nhằm trích xuất ma trận đặc trưng không gian (feature maps). Tác giả trình bày nguyên lý giảm chiều dữ liệu của các lớp gộp (pooling layers), phân tích hai kỹ thuật chính là Max-pooling (chọn giá trị lớn nhất trong vùng trượt) và Average pooling (tính giá trị trung bình), trước khi làm phẳng dữ liệu đưa vào lớp liên kết đầy đủ (Fully Connected Layer) để thực hiện bài toán phân loại và xác định vùng đối tượng.

Chương 5: Hệ thống thị giác và theo dõi người

Chương 5 là chương trọng tâm mô tả chi tiết pipeline xử lý nhận dạng và thuật toán điều khiển di chuyển. Luồng xử lý thị giác được thiết kế phối hợp qua 3 mô hình:

1. Phát hiện đối tượng: Mô hình YOLOv8 tiếp nhận luồng khung hình từ camera D435i, phát hiện người và sinh ra các bounding box, loại bỏ các hộp dự đoán dư thừa bằng thuật toán Non-Maximum Suppression (NMS).
2. Tái định danh đối tượng (Person Re-ID): Sử dụng mạng OSNet với kiến trúc các khối Omni-Scale Block gồm nhiều nhánh tích chập có kích thước receptive field khác nhau kết hợp cơ chế gán trọng số thích nghi qua tích chập điểm (pointwise convolution). Khối này trích xuất vector đặc trưng phân biệt ngoại hình người ở nhiều tỷ lệ, giúp hệ thống tái nhận diện chính xác chủ thể sau khi bị che khuất hoặc rời khỏi tầm nhìn.
3. Bám vết thời gian thực: DeepSORT tích hợp bộ lọc Kalman Filter nhằm dự đoán trạng thái không gian và chuyển động của bounding box, kết hợp thuật toán Hungarian tối ưu hóa ma trận chi phí (khoảng cách Mahalanobis và khoảng cách cosine giữa các vector đặc trưng của OSNet) để duy trì ID liên tục cho đối tượng theo dõi. Song song với hệ thống thị giác, chương 5 trình bày mô hình toán học động học nghịch (Inverse Kinematics) của khung xe 4 bánh Mecanum, thiết lập phương trình chuyển đổi từ vận tốc mục tiêu trong hệ tọa độ robot sang vận tốc quay của 4 động cơ độc lập để xuất lệnh tới bộ điều khiển.

Chương 6: Kết quả thực hiện

Chương 6 trình bày dữ liệu và kết quả thu nhận từ các bài kiểm tra thực nghiệm của hệ thống:

• Giao diện điều khiển GUI WinForms được xây dựng hoàn chỉnh, cho phép người vận hành giám sát trạng thái xe, chuyển đổi chế độ điều khiển bằng tay (Manual) hoặc chế độ tự động bám người (Auto), hiển thị các thông số hành trình và nút dừng khẩn cấp.
• Kết quả kiểm thử pipeline thị giác chứng minh sự phối hợp giữa YOLOv8, OSNet và DeepSORT giúp robot duy trì bám vết chính xác đối tượng được chỉ định, không bị nhầm lẫn mục tiêu khi có người khác xuất hiện trong khung hình.
• Thử nghiệm định vị và dựng hành trình bằng thuật toán VINS-Fusion: Kết quả trích xuất đặc trưng điểm ảnh (features tracking) từ camera stereo và IMU được giám sát trên giao diện RViz. Tác giả thực hiện so sánh quỹ đạo ước lượng của VINS-Fusion trong hai trường hợp: khi chưa hiệu chuẩn camera (cho thấy hiện tượng sai số trôi dạt lớn, quỹ đạo ước lượng không khớp với chuyển động thực tế) và sau khi đã hiệu chuẩn thông số nội - ngoại vi của camera RealSense D435i (quỹ đạo mượt mà, bám sát hành trình thực tế của robot, hỗ trợ xe định vị quay về điểm xuất phát).

Chương 7: Kết luận và hướng phát triển

Chương 7 tổng kết toàn bộ nội dung đã thực hiện của đề tài, đánh giá mức độ hoàn thành nhiệm vụ thiết kế cơ khí, tích hợp hệ thống điều khiển PLC dòng Q và triển khai thị giác máy tính trên nền tảng ROS. Đồng thời, chương chỉ rõ các mặt hạn chế còn tồn đọng trong mô hình thực nghiệm và đề xuất các định hướng nâng cấp hệ thống trong tương lai.

Kết quả và đóng góp

Kết quả kỹ thuật đạt được:

• Chế tạo hoàn chỉnh mô hình phần cứng robot tự hành Mecanum với kích thước tiêu chuẩn 750 mm x 650 mm x 200 mm (±10%), kết cấu cơ khí vững chắc, bố trí đối xứng đảm bảo cân bằng trọng tâm và phân bổ lực đều trên 4 bánh xe.
• Triển khai thành công hệ thống điều khiển lai: Kết nối máy tính xử lý thị giác (chạy ROS/Python) với PLC Mitsubishi Q04UDEH thông qua giao thức công nghiệp MC-Protocol và module D/A Q68DAVN, hiện thực hóa quá trình phát xung/điều áp điều khiển 4 động cơ BLDC VEXTA hoạt động ổn định.
• Tích hợp và đánh giá thành công pipeline thị giác kết hợp YOLOv8 + OSNet + DeepSORT: Hệ thống đạt khả năng phát hiện người, trích xuất đặc trưng đa quy mô để nhận dạng lại cá nhân (Person Re-ID) và bám vết ổn định mục tiêu di chuyển trong môi trường thực.
• Thử nghiệm thành công thuật toán định vị VINS-Fusion: Khẳng định tầm quan trọng của việc hiệu chuẩn thông số camera RealSense D435i; sau khi hiệu chuẩn, thuật toán ước lượng vị trí và định vị không gian đạt độ ổn định cao, hiển thị trực quan thông qua topic tracking trên RViz.

Các kiến nghị và giải pháp đề xuất:

• Cần tối ưu hóa quy trình hiệu chuẩn camera D435i và cảm biến IMU định kỳ nhằm triệt tiêu hiện tượng sai số trôi (drift) trong các thuật toán visual-inertial odometry.
• Cải tiến hạ tầng truyền thông chuyển sang giải pháp không dây hoàn toàn (công nghiệp hoặc Wi-Fi chuyên dụng tốc độ cao) thay thế cáp mạng kết nối giữa máy tính ROS và PLC để giải phóng không gian di chuyển của robot.
• Đề xuất bổ sung các thuật toán nội suy làm mượt tín hiệu điều khiển analog từ module Q68DAVN xuống driver động cơ nhằm giảm thiểu giật cục cơ khí khi chuyển đổi hướng đột ngột của bánh Mecanum.

Đóng góp của đồ án:

• Hiện thực hóa một mô hình robot di động holonomic hoàn chỉnh kết hợp giữa công nghệ AI/thị giác máy tính nguồn mở hiện đại (ROS, YOLOv8, OSNet) với hệ sinh thái điều khiển tự động hóa công nghiệp tiêu chuẩn cao (PLC Mitsubishi dòng Q).
• Cung cấp dữ liệu thực nghiệm so sánh cụ thể về ảnh hưởng của việc hiệu chuẩn camera đối với độ chính xác của thuật toán định vị VINS-Fusion trên mô hình xe tự hành thực tế.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của hệ thống theo ghi nhận trong tài liệu:

• Hạn chế của cảm biến thị giác: Camera RealSense D435i giảm độ chính xác rõ rệt khi đối tượng ở cự ly xa (trên 10 m), dễ bị nhiễu bởi các nguồn bức xạ hồng ngoại mạnh trong môi trường hoặc trong điều kiện ánh sáng quá yếu/chói; thiết bị tiêu thụ công suất tương đối cao và không hỗ trợ tiêu chuẩn chống bụi/nước công nghiệp.
• Giới hạn về cơ cấu di chuyển: Bánh xe Mecanum hoạt động tối ưu trên bề mặt sàn phẳng, trơn nhẵn; hệ thống chưa có khả năng di chuyển trên địa hình gồ ghề, dốc hoặc mặt sàn có hệ số ma sát thay đổi thất thường.
• Giới hạn truyền thông và tính tự chủ: Robot vẫn phải duy trì kết nối mạng có dây giữa máy tính chạy ROS và bộ điều khiển PLC; PLC Mitsubishi không có khả năng xử lý hình ảnh trực tiếp mà hoàn toàn phụ thuộc vào máy tính cấp cao.
• Khả năng nhận thức môi trường: Hệ thống chưa được tích hợp cảm biến LiDAR để quét bản đồ 2D/3D (mapping) không gian xung quanh; thuật toán chưa có khả năng tự động lập lộ trình né tránh chướng ngại vật động một cách toàn diện.

Hướng phát triển tiếp theo:

• Tích hợp thêm cảm biến LiDAR nhằm phục vụ xây dựng bản đồ môi trường đồng thời (SLAM 2D/3D) và nâng cao khả năng tự chủ tránh vật cản.
• Triển khai giải pháp kết nối không dây (Wireless Control) giữa tầng xử lý cấp cao và PLC, hoặc tích hợp toàn bộ hệ thống tính toán lên một máy tính nhúng onboard công suất lớn đặt gọn trên thân xe.
• Tối ưu hóa thuật toán AI để cải thiện hiệu năng nhận dạng trong các điều kiện chiếu sáng phức tạp và nghiên cứu thuật toán điều khiển bám quỹ đạo thích nghi cho bánh Mecanum trên các loại mặt sàn khác nhau.

Giá trị tham khảo

Đồ án là tài liệu tham khảo hữu ích cho sinh viên, học viên cao học và kỹ sư thuộc các chuyên ngành Công nghệ Kỹ thuật Điều khiển và Tự động hóa, Kỹ thuật Cơ điện tử, Kỹ thuật Robot và Công nghệ Thông tin (mảng Thị giác máy tính ứng dụng).

Các nội dung có giá trị tham khảo chuyên sâu bao gồm:

• Thiết kế phần cứng và cơ cấu truyền động Mecanum: Phương pháp tính toán chọn động cơ, chọn pin/ắc quy, thiết kế khung xe SolidWorks và phân tích động học đa hướng holonomic (Chương 2, Chương 3, Chương 5).
• Tích hợp liên tầng ROS - PLC Mitsubishi: Giải pháp kết nối và phân bổ tác vụ giữa nền tảng ROS/Python với phần cứng công nghiệp thông qua giao thức MC-Protocol và module analog Q68DAVN, là tư liệu thực tế có giá trị cao cho các dự án tự động hóa kết hợp AI.
• Xây dựng pipeline thị giác theo dõi người chuyên sâu: Phương pháp kết hợp bộ ba thuật toán YOLOv8 + OSNet + DeepSORT để giải quyết trọn vẹn bài toán phát hiện, bám vết và tái định danh (Re-ID) mục tiêu di động (Chương 5, Chương 6).

Câu hỏi thường gặp

1. Khung gầm của robot sử dụng loại bánh xe nào và có ưu điểm gì trong chuyển động?
Robot sử dụng hệ thống 4 bánh xe Mecanum với các con lăn phụ đặt nghiêng một góc 45° so với trục bánh. Ưu điểm nổi bật của cơ cấu này là mang lại tính chất chuyển động toàn hướng (holonomic) với 3 bậc tự do trên mặt phẳng ($v_x, v_y, \omega_z$), giúp robot có thể tiến, lùi, di chuyển ngang trái/phải, đi chéo hoặc quay tại chỗ mà không cần phải chuyển hướng thân xe, rất thích hợp khi vận hành trong không gian hẹp.

2. Nhiệm vụ của mô hình OSNet trong hệ thống thị giác của xe là gì?
OSNet (Omni-Scale Network) đảm nhiệm vai trò tái định danh cá nhân (Person Re-ID). Thông qua các khối Omni-Scale Block với nhiều luồng tích chập có kích thước vùng tiếp nhận (receptive field) khác nhau, mạng trích xuất các vector đặc trưng ngoại hình của người dùng ở nhiều tỷ lệ không gian. Điều này giúp hệ thống nhận dạng lại chính xác đối tượng mục tiêu cần theo dõi sau khi họ bị che khuất hoặc tạm thời đi ra ngoài tầm quan sát của camera.

3. Tại sao hệ thống cần sự kết hợp giữa máy tính chạy ROS và bộ điều khiển PLC Mitsubishi?
Đây là kiến trúc phân tầng tối ưu cho hệ thống tự động hóa thông minh: Máy tính chạy ROS/Python đảm nhiệm các tác vụ tính toán nặng về trí tuệ nhân tạo, xử lý luồng dữ liệu hình ảnh 3D từ camera RealSense D435i, chạy các mô hình học sâu và giải thuật định vị VINS-Fusion; trong khi đó, PLC Mitsubishi (dòng Q) đảm nhiệm vai trò điều khiển chấp hành cấp thấp với độ tin cậy công nghiệp cao, xuất tín hiệu analog và logic điều khiển chính xác tốc độ, hướng quay của các động cơ BLDC VEXTA.

4. Camera Intel RealSense D435i tính toán khoảng cách chiều sâu dựa trên nguyên lý nào?
Camera D435i sử dụng công nghệ Active Stereo (lập thể hoạt động), tích hợp một máy chiếu laser hồng ngoại phát họa tiết lên bề mặt vật thể và hai cảm biến hồng ngoại thu lại hình ảnh phản xạ. Khoảng cách chiều sâu ($D$) được tính toán từ độ lệch vị trí điểm ảnh tương ứng (disparity) giữa hai cảm biến theo công thức:
$$D = \frac{\text{focal_length} \times \text{baseline}}{\text{disparity}}$$
trong đó $\text{focal_length}$ là tiêu cự camera và $\text{baseline}$ là khoảng cách giữa hai cảm biến hồng ngoại.

5. Kết quả thực nghiệm của thuật toán VINS-Fusion trên robot cho thấy điều gì?
Kết quả thực nghiệm trên giao diện RViz cho thấy thuật toán VINS-Fusion phụ thuộc chặt chẽ vào độ chính xác của việc hiệu chuẩn camera. Khi chưa được hiệu chuẩn, quỹ đạo ước lượng bị trôi dạt lớn và sai lệch đáng kể so với quỹ đạo di chuyển thực tế của robot. Sau khi hoàn thành quá trình hiệu chuẩn các thông số nội và ngoại vi của camera RealSense D435i cùng cảm biến IMU, thuật toán ước lượng vị trí chính xác và ổn định, hỗ trợ xe tự hành định vị và quay trở lại điểm xuất phát.

Kết luận

Đồ án tốt nghiệp của tác giả Nguyễn Công Tạo đã thiết kế, chế tạo và tích hợp thành công mô hình xe 4 bánh tự hành sử dụng cơ cấu bánh Mecanum kết hợp camera thị giác chiều sâu Intel RealSense D435i. Hệ thống giải quyết hiệu quả bài toán phối hợp liên tầng giữa nền tảng trí tuệ nhân tạo (YOLOv8, OSNet, DeepSORT trên ROS) và phần cứng điều khiển công nghiệp (PLC Mitsubishi dòng Q điều khiển động cơ BLDC VEXTA). Kết quả thực nghiệm đã chứng minh tính khả thi của giải pháp trong việc phát hiện, bám theo người dùng và ước lượng vị trí bằng VINS-Fusion, tạo tiền đề vững chắc cho việc phát triển các robot vận chuyển tự hành thông minh trong môi trường công nghiệp và dịch vụ.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan - Trình bày bối cảnh, lý do chọn đề tài liên quan đến nhu cầu tự động hóa di chuyển và theo dõi người trong công nghiệp/dịch vụ. - Nêu rõ mục tiêu xây dựng một hệ thống robot di động sử dụng bánh Mecanum, có khả năng theo dõi người, localize vị trí, và quay về điểm xuất phát, tích hợp camera và xử lý hình ảnh thời gian thực trên nền tảng ROS. - Giới thiệu phương pháp nghiên cứu: thu thập dữ liệu, xử lý bằng deep learning, thiết kế giải thuật, triển khai phần cứng và đánh giá thực nghiệm. - Trình bày bố cục và giới hạn đề tài.

Chương 2: Cơ sở lý thuyết - Tổng quan về hệ điều hành robot ROS và cách các node, topic, message hoạt động. - Lý thuyết về camera Intel RealSense D435i, cấu trúc dữ liệu ảnh, depth và IMU. - Giới thiệu về thuật toán phát hiện và nhận diện người (YOLO, ReID, DeepSORT). - Giải thích nguyên lý hoạt động của bánh Mecanum, động học và khả năng di chuyển đa hướng.

- Tổng quan về localization (ví dụ: AMCL, SLAM), sử dụng để robot định vị và quay về. Chương 3: Thiết kế và thi công phần cứng - Lựa chọn thiết bị: robot nền Mecanum, camera RealSense, bộ điều khiển, hệ thống nguồn. - Thiết kế hệ thống cơ khí, khung gầm, bố trí thiết bị. - Sơ đồ kết nối phần cứng: camera – bộ điều khiển – động cơ – nguồn – máy tính onboard.

- Các bước lắp ráp và thi công robot hoàn chỉnh. Chương 4: Mạng nơ-ron tích chập và Động học robot - Giới thiệu mô hình CNN Chương 5: Thiết kế phần mềm - Trình bày cấu trúc node ROS: detection, tracking, localization, velocity publishing. - Giao tiếp ROS → PLC: truyền lệnh vận tốc bằng giá trị điện áp qua module analog DA. BỘ MÔN ĐIỀU KHIỂN TỰ ĐỘNG 2 ĐỒ ÁN TỐT NGHIỆP - PLC nhận giá trị analog → xử lý nội suy để điều khiển tốc độ từng động cơ.

- Kết hợp DeepSORT và ReID để theo dõi người ổn định trong không gian. - Triển khai định vị robot bằng ROS, ứng dụng localization để xác định vị trí robot trên bản đồ. - Xây dựng giải thuật giúp robot quay về vị trí ban đầu sau khi hoàn thành nhiệm vụ. - Trình bày động học robot sử dụng bánh Mecanum, phân tích chuyển động đa hướng và áp dụng trong điều khiển.

- Giao diện điều khiển và giám sát (nếu có): hiển thị trạng thái robot, hành trình, tốc độ. Chương 6: Kết quả thực hiện - Trình bày kết quả nhận diện và theo dõi người chính xác theo thời gian thực. - Kiểm tra khả năng định vị và tự động quay lại điểm xuất phát. - Đánh giá hoạt động của PLC trong xử lý tín hiệu điều khiển bằng analog.

- So sánh độ trễ, độ chính xác giữa điều khiển thông qua ROS và PLC. Chương 7: Kết luận và hướng phát triển - Tổng kết những gì hệ thống đã làm được: theo người, định vị, điều khiển bằng PLC, truyền dữ liệu analog. - Đánh giá những hạn chế như thiếu tính tự chủ, thiếu cảm biến tránh vật cản, chưa có pin. - Hướng phát triển: thêm LiDAR, AI tránh chướng ngại vật, wireless control, xử lý toàn bộ onboard không cần dây mạng.

Nội dung nghiên cứu - Không phân loại theo chủng loại hoặc mã sản phẩm phức tạp hơn. Không thể phân loại vật phẩm bị lỗi hư hại - Thiết bị gắp vật sử dụng là nam châm điện, phù hợp với bạc đạn kim loại có lỗ rỗng ở giữa, tuy nhiên đặc điểm cấu tạo của bạc đạn (lỗ rỗng), nên gắp lệch tâm, bạc đạn có thể không được hút chắc chắn.