Giới thiệu dự án

Trong kỷ nguyên Công nghiệp 4.0 và chuyển đổi số sản xuất, việc tối ưu hóa quy trình intralogistics (vận chuyển nội bộ) trở thành yếu tố sống còn đối với hiệu suất của các nhà máy thông minh (Smart Factories). Theo các báo cáo công nghiệp về chuỗi cung ứng, chi phí vận chuyển nội bộ và lãng phí thời gian di chuyển thủ công của công nhân chiếm từ 30% đến 55% tổng chi phí vận hành kho bãi. Các hệ thống xe tự hành truyền thống như AGV (Automated Guided Vehicle) đòi hỏi chi phí đầu tư hạ tầng dẫn đường rất lớn (như kẻ vạch từ, gắn chip RFID, dán mã QR) và thiếu tính linh hoạt khi môi trường thay đổi.

Đồ án tốt nghiệp "Hệ xe AMR" (Autonomous Mobile Robot) do sinh viên Đoàn Nam Long và Đào Việt Thịnh thực hiện dưới sự hướng dẫn của TS. Trần Vi Đô tại Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh (HCMUTE) đã giải quyết triệt để bài toán này. Đề tài tập trung nghiên cứu, thiết kế và chế tạo hoàn chỉnh mô hình robot tự hành đa hướng ứng dụng hệ khung gầm 4 bánh Mecanum, tích hợp hệ điều hành chuyên dụng cho robot ROS (Robot Operating System), cảm biến LiDAR 2D và máy tính nhúng để thực hiện nhiệm vụ vận chuyển, bốc dỡ hàng hóa tự động trong môi trường nhà máy phức tạp.

       +-------------------------------------------------------------+
       |                  Remote Workstation (Host PC)               |
       |  - ROS Master / roscore                                     |
       |  - SLAM (Gmapping) / Map Server                             |
       |  - Navigation Stack (move_base, Global & Local Planner)     |
       |  - RViz Visualization & Multi-Point Teleoperation           |
       +------------------------------+------------------------------+
                                      | SSH / Wi-Fi Network
       +------------------------------v------------------------------+
       |             Onboard Embedded Computer (Raspberry Pi 4B)     |
       |  - Laser Filter Node (`laser_filters`)                      |
       |  - RPLIDAR Node (Scan Driver)                               |
       |  - Rosserial Bridge Node                                    |
       +------------------------------+------------------------------+
                                      | UART / USB (Baudrate 57600)
       +------------------------------v------------------------------+
       |             Microcontroller (Arduino Mega 2560)             |
       |  - 4x DC Geared Motor Closed-Loop PID Control (BTS7960)    |
       |  - Wheel Encoder Feedback -> Odometry Calculation (/odom)   |
       |  - Linear Actuator Lifting Control (Relay / Bridge)         |
       +-------------------------------------------------------------+

Mục tiêu cụ thể của dự án

  1. Thiết kế cơ khí và động lực học: Tính toán và chế tạo mô hình robot 4 bánh Mecanum có khả năng chuyển động toàn hướng (Omnidirectional Motion 3-DoF: $v_x, v_y, \omega_z$), tích hợp cơ cấu nâng hạ hàng hóa bằng xi lanh điện.
  2. Thiết kế hệ thống điện và điều khiển nhúng: Xây dựng phần cứng phân tầng gồm máy tính nhúng Raspberry Pi 4B kết nối với vi điều khiển Arduino Mega 2560 qua giao thức rosserial.
  3. Thuật toán SLAM và Navigation: Ứng dụng giải thuật Gmapping để xây dựng bản đồ môi trường 2D thời gian thực từ dữ liệu cảm biến RPLIDAR A1M8; cấu hình ngăn xếp điều hướng (Navigation Stack) với thuật toán quy hoạch đường đi toàn cục Dijkstra và cục bộ DWA (Dynamic Window Approach).
  4. Tự động hóa tác vụ vận chuyển: Triển khai tính năng di chuyển đa điểm (Multi-waypoint Navigation) thông qua gói follow_waypoints và cơ cấu nâng hạ để tự động lấy/trả hàng theo kịch bản kho vận.

Phạm vi và thông số giới hạn

  • Môi trường vận hành: Trong nhà (Indoor), mặt sàn công nghiệp bằng phẳng.
  • Tải trọng nâng hạ định mức: Dưới $5\text{ kg}$.
  • Kích thước kiện hàng tiêu chuẩn: Tối đa $400 \times 400\text{ mm}$, đáy phẳng.
  • Phạm vi hoạt động: Bán kính $20\text{ m}$.
  • Chỉ tiêu sai số mục tiêu: Sai số vị trí $\le 3%$, sai số góc định hướng (Yaw) $\le 2%$, tỷ lệ hoàn thành nhiệm vụ $\ge 90%$, thời gian một chu trình lấy trả hàng $\le 180\text{ s}$.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí kỹ thuật Xe AGV truyền thống (Dẫn đường cố định) Robot AMR 2 bánh vi sai (Differential Drive) Hệ xe AMR 4 bánh Mecanum (Giải pháp đề tài)
Cơ chế dẫn đường Vạch từ, đường kẻ sàn, phản xạ Laser Tự do qua SLAM / Navigation Stack Tự do qua LiDAR SLAM / Navigation Stack
Độ linh hoạt không gian Rất thấp (chỉ đi theo line cố định) Trung bình (cần bán kính quay vòng) Tối đa (xoay tại chỗ, trượt ngang, 3-DoF)
Chi phí cải tạo sàn Rất cao (yêu cầu sửa đổi hạ tầng) Không yêu cầu Không yêu cầu
Khả năng né vật cản Dừng chờ hoặc ngắt luồng Lập quỹ đạo tránh né cục bộ Lập quỹ đạo tránh né linh hoạt trong ngõ hẹp
Độ phức tạp điều khiển Thấp (bám vạch bằng PID/cảm biến từ) Trung bình (2 động cơ kéo độc lập) Cao (4 động cơ điều khiển vận tốc độc lập)

Đánh giá yêu cầu theo mô hình MoSCoW

  • Must have (Bắt buộc): Chuyển động 4 bánh đa hướng; tính toán động học thuận/nghịch thời gian thực; vẽ bản đồ 2D với SLAM; tự hành tránh vật cản tĩnh/động; kết nối điều khiển phân tán qua ROS.
  • Should have (Nên có): Cơ cấu nâng hạ kiện hàng tự động; lọc nhiễu quét laser (laser_filters); giám sát trực quan hóa trên RViz; thuật toán di chuyển đa điểm (Follow Waypoints).
  • Could have (Có thể mở rộng): Tích hợp camera RGB-D nhận diện mã ArUco để định vị kiện hàng; tính năng sạc tự động (Auto-docking).
  • Won't have (Chưa thực hiện ở pha này): Vận hành ngoài trời; khả năng leo dốc gồ ghề; tích hợp hệ thống quản lý đội xe cấp cao (Fleet Management System - FMS).

Thiết kế hệ thống

Danh mục công nghệ và phiên bản phần mềm (Technology Stack)

  • Hệ điều hành: Ubuntu 20.04 LTS (Focal Fossa) trên máy tính chủ và Raspberry Pi 4B.
  • Middleware Robot: ROS Noetic Ninjemys (ROS 1).
  • Ngôn ngữ lập trình: C++ (viết node điều khiển nhúng, giải thuật hiệu năng cao) và Python 3.8 (xử lý logic, script điều hướng).
  • Trình biên dịch & Build System: Catkin Workspace, CMake 3.16+.
  • Phần mềm thiết kế cơ khí: SolidWorks 2022 (mô phỏng kết cấu 3D, phân bố trọng tâm).
  • Môi trường lập trình nhúng: Arduino IDE 2.x, thư viện ros_lib / rosserial.
                    +-----------------------------+
                    |          map (Frame)        |
                    +--------------+--------------+
                                   | Gmapping / AMCL
                    +--------------v--------------+
                    |          odom (Frame)       |
                    +--------------+--------------+
                                   | Encoder Dead Reckoning
                    +--------------v--------------+
                    |        base_footprint       |
                    +--------------+--------------+
                                   | Static Transform
                    +--------------v--------------+
                    |          base_link          |
                    +--------------+--------------+
                                   | Static Transform
                    +--------------v--------------+
                    |          laser_link         |
                    +-----------------------------+

Kiến trúc phần cứng chi tiết

  1. Bộ xử lý trung tâm (SBC): Raspberry Pi 4 Model B (4GB RAM) chịu trách nhiệm giao tiếp cảm biến LiDAR, lọc dữ liệu laser, giao tiếp mạng SSH và truyền nhận lệnh vận tốc với Arduino.
  2. Khối vi điều khiển (MCU): Arduino Mega 2560 (Vi điều khiển ATmega2560 8-bit, 16MHz) đảm nhiệm việc đọc 4 kênh Encoder xung, tính toán PID vòng kín và xuất PWM điều khiển động cơ.
  3. Động cơ truyền động: 4 động cơ DC Servo Geared Motor JGB37-545 kèm hộp số giảm tốc và Encoder quang học hai pha A-B.
  4. Mạch công suất (Driver): 2 mạch cầu H BTS7960 công suất cao (chịu dòng cực đại $43\text{ A}$) hoặc module cầu H Hi-216 kép.
  5. Cảm biến định vị: RPLIDAR A1M8 (khoảng cách đo $0.15\text{ m} - 12\text{ m}$, tần số quét $5.5\text{ Hz} - 10\text{ Hz}$, độ phân giải góc $\le 1^\circ$).
  6. Cơ cấu nâng hạ: Xi lanh điện Vmotion LA mini hành trình $50\text{ mm}$, tải trọng nâng $100\text{ N}$.
  7. Nguồn năng lượng: Pin LiPo Tattu 3S $2300\text{ mAh}$ cấp cho máy tính nhúng/cảm biến và Pin LiPo GN3 3S $5000\text{ mAh}$ cấp nguồn động lực độc lập cho 4 động cơ kéo và xi lanh điện.

Implementation và kết quả

Development Process

1. Mô hình hóa động học robot 4 bánh Mecanum

Hệ tọa độ gắn tại trọng tâm robot được quy ước với vận tốc tịnh tiến dọc $v_x$, vận tốc tịnh tiến ngang $v_y$, và vận tốc góc xoay $\omega_z$. Khoảng cách từ trọng tâm robot đến tâm bánh xe theo chiều ngang là $a$, theo chiều dọc là $b$, và bán kính bánh xe là $r$.

Phương trình động học nghịch (Inverse Kinematics) chuyển đổi từ vận tốc thân xe thành tốc độ quay của 4 bánh xe ($\omega_1, \omega_2, \omega_3, \omega_4$):

$$\begin{bmatrix} \omega_1 \ \omega_2 \ \omega_3 \ \omega_4 \end{bmatrix} = \frac{1}{r} \begin{bmatrix} 1 & -1 & -(a+b) \ 1 & 1 & (a+b) \ 1 & -1 & (a+b) \ 1 & 1 & -(a+b) \end{bmatrix} \begin{bmatrix} v_x \ v_y \ \omega_z \end{bmatrix}$$

Phương trình động học thuận (Forward Kinematics) tính toán vận tốc robot từ phản hồi của các Encoder:

$$\begin{aligned} v_x &= \frac{r}{4} (\omega_1 + \omega_2 + \omega_3 + \omega_4) \ v_y &= \frac{r}{4} (-\omega_1 + \omega_2 + \omega_3 - \omega_4) \ \omega_z &= \frac{r}{4(a+b)} (-\omega_1 + \omega_2 - \omega_3 + \omega_4) \end{aligned}$$

// Trích xuất mã nguồn nhúng C++ tính toán động học thuận từ encoder trên Arduino
void update_odometry(float w1, float w2, float w3, float w4, float dt) {
    float vx = (w1 + w2 + w3 + w4) * (WHEEL_RADIUS / 4.0);
    float vy = (-w1 + w2 + w3 - w4) * (WHEEL_RADIUS / 4.0);
    float wz = (-w1 + w2 - w3 + w4) * (WHEEL_RADIUS / (4.0 * (LX + LY)));

    // Tích phân Euler tính tọa độ (x, y, theta) trong hệ odom
    float delta_x = (vx * cos(theta) - vy * sin(theta)) * dt;
    float delta_y = (vx * sin(theta) + vy * cos(theta)) * dt;
    float delta_theta = wz * dt;

    x_pos += delta_x;
    y_pos += delta_y;
    theta += delta_theta;
}

# Cấu hình bộ lọc nhiễu quét laser (laser_filters_config.yaml)
scan_filter_chain:
- name: angle_filter
  type: laser_filters/LaserScanAngularBoundsFilter
  params:
    lower_angle: -2.35619   # -135 độ
    upper_angle: 2.35619    # +135 độ
- name: shadow_filter
  type: laser_filters/ScanShadowsFilter
  params:
    min_angle: 10.0
    max_angle: 170.0
    neighbors: 3
    window: 1

# Cấu hình tham số cục bộ DWA Planner (dwa_local_planner_params.yaml)
DWAPlannerROS:
  max_vel_x: 0.45
  min_vel_x: -0.2
  max_vel_y: 0.35
  min_vel_y: -0.35
  max_vel_trans: 0.5
  min_vel_trans: 0.05
  max_vel_theta: 1.2
  min_vel_theta: 0.2
  acc_lim_x: 1.5
  acc_lim_y: 1.5
  acc_lim_theta: 2.5

  # Trọng số hàm mục tiêu tối ưu G(v, w)
  path_distance_bias: 32.0   # Bám sát quỹ đạo toàn cục
  goal_distance_bias: 24.0   # Hướng tới vị trí đích
  occdist_scale: 0.02        # Tránh va chạm vật cản
  forward_point_distance: 0.325
  stop_time_buffer: 0.2
  scaling_speed: 0.25
  max_scaling_factor: 0.2

2. Thuật toán Dynamic Window Approach (DWA)

Thuật toán DWA tối ưu hóa cặp vận tốc $(v, \omega)$ trong không gian cửa sổ động $V_d$ bằng cách cực đại hóa hàm mục tiêu:

$$G(v, \omega) = \sigma(\alpha \cdot \text{heading}(v, \omega) + \beta \cdot \text{dist}(v, \omega) + \gamma \cdot \text{velocity}(v, \omega))$$

Trong đó:

  • $\text{heading}(v, \omega) = 180^\circ - \theta$: Đo mức độ bám sát góc hướng của robot tới điểm đích tiếp theo.
  • $\text{dist}(v, \omega)$: Khoảng cách nhỏ nhất từ robot đến vật cản gần nhất trên cung quỹ đạo.
  • $\text{velocity}(v, \omega)$: Khuyến khích robot duy trì vận tốc tịnh tiến tối đa cho phép để hoàn thành nhiệm vụ nhanh nhất.

Testing và validation

Hệ thống được kiểm thử thực nghiệm qua 3 kịch bản:

  1. Kiểm thử xây dựng bản đồ (SLAM Verification): Cho robot di chuyển bằng bàn phím (teleop_twist_keyboard) trong khu vực phòng thí nghiệm $15\text{ m} \times 10\text{ m}$. Kết quả tạo ra bản đồ nhị phân dạng lưới sắc nét, các vách tường và cột cố định không bị lệch trục nhờ độ trễ truyền thông TF thấp ($<15\text{ ms}$).
  2. Kiểm thử né vật cản tĩnh và động: Đặt chướng ngại vật nhân tạo (hộp carton, người đi bộ cắt ngang) trên đường đi đã quy hoạch. Local Costmap cập nhật chướng ngại vật ngay lập tức sau $100\text{ ms}$, DWA tái lập quỹ đạo vòng tránh và đưa robot về đích an toàn.
  3. Kiểm thử di chuyển đa điểm kết hợp nâng hạ hàng: Thiết lập kịch bản nhận hàng tại trạm A $\rightarrow$ di chuyển qua trạm B $\rightarrow$ trả hàng tại trạm C trên khoảng cách thực nghiệm $20\text{ m}$.
      Trạm A (Lấy hàng)
         [ AMR ] ---\
                     \---> [Vật cản động] (Né chướng ngại vật)
                                 |
                                 v
                          Trạm B (Trung chuyển)
                                 |
                                 v
                          Trạm C (Kệ trả hàng: Nâng hạ)

Kết quả đạt được

Chỉ số đánh giá Chỉ tiêu thiết kế ban đầu Kết quả thực nghiệm đo đạc Đánh giá hoàn thành
Phạm vi hoạt động $20\text{ m}$ trong nhà $20\text{ m} - 25\text{ m}$ ổn định Đạt 100%
Tỷ lệ hoàn thành nhiệm vụ $\ge 90%$ $92.5%$ (37/40 lần thử nghiệm) Vượt chỉ tiêu (+2.5%)
Thời gian chu trình lấy/trả $\le 180\text{ s}$ $135\text{ s} - 152\text{ s}$ Rút ngắn $\sim 20%$
Sai số vị trí dừng đích $\le 3%$ ($<6\text{ cm}$ trên $2\text{ m}$) $\pm 2.4%$ ($\sim 4.8\text{ cm}$) Đạt yêu cầu
Sai số góc định hướng $\le 2%$ ($\le 3.6^\circ$) $\pm 1.6%$ ($\sim 2.8^\circ$) Đạt yêu cầu
Khả năng mang tải $5\text{ kg}$ $5.5\text{ kg}$ (ổn định) Vượt chỉ tiêu (+10%)

Đổi mới và đóng góp

  1. Ứng dụng cấu trúc cơ khí 4 bánh Mecanum tối ưu không gian: Khác với hầu hết các đồ án AMR sử dụng hệ vi sai 2 bánh, việc áp dụng bánh Mecanum cho phép xe chuyển động trượt ngang ($v_y \neq 0$) và quay góc với bán kính quay vòng bằng 0. Điều này giúp robot di chuyển trơn tru trong các lối đi hẹp của nhà kho mà không cần khoảng không để lùi hay quay đầu.
  2. Kiến trúc tính toán phân tán (Distributed ROS Networking): Tách biệt các tác vụ tính toán nặng (SLAM Gmapping, Dijkstra Global Path Planner, RViz visualization) về máy tính trạm xử lý qua giao tiếp mạng không dây SSH, giảm tải cho CPU Raspberry Pi 4B xuống dưới 45%, từ đó tiết kiệm năng lượng và tăng thời gian hoạt động của pin lên 35%.
  3. Quy trình lọc dữ liệu Laser thích ứng: Triển khai bộ lọc laser_filters để loại bỏ các điểm quét rác phản xạ từ chính khung vỏ robot và chân đế, triệt tiêu hiện tượng tạo chướng ngại vật ảo trên bản đồ Costmap.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong nhà máy (Use Cases)

  • Cấp phát linh kiện tự động (Line-side replenishment): Vận chuyển khay linh kiện điện tử từ kho đệm đến các trạm lắp ráp SMT.
  • Vận chuyển mẫu xét nghiệm trong bệnh viện: Di chuyển giữa các phòng ban xét nghiệm mà không cần sự tiếp xúc của nhân viên y tế.
  • Tự động hóa kho thương mại điện tử: Robot tiếp cận gầm kệ hàng nhỏ, kích hoạt xi lanh nâng để chuyển cả kệ hàng về khu vực đóng gói (Pick-to-Light).
                      +-----------------------------+
                      |   Bước 1: Khởi tạo phần cứng  |
                      |   Bật nguồn, khởi động Pi 4B|
                      +--------------+--------------+
                                     |
                      +--------------v--------------+
                      |   Bước 2: Kết nối Master-Host|
                      |   Thiết lập SSH & IP mạng   |
                      +--------------+--------------+
                                     |
                      +--------------v--------------+
                      |   Bước 3: Chạy Launch File  |
                      |   bringup.launch, lidar.launch|
                      +--------------+--------------+
                                     |
                      +--------------v--------------+
                      |   Bước 4: Nạp bản đồ & Goal |
                      |   map_server & 2D Nav Goal  |
                      +--------------+--------------+
                                     |
                      +--------------v--------------+
                      |   Bước 5: Robot tự hành     |
                      |   Né vật cản & nâng hạ hàng |
                      +-----------------------------+

Phân tích hiệu quả đầu tư (Cost-Benefit Analysis)

So sánh chi phí đầu tư sau 12 tháng:
Hệ thống AMR 4 bánh Mecanum: [======= $1,800 =======]
Chi phí nhân công truyền thống: [===================== $7,200 =====================]
==> Tiết kiệm ~75% chi phí vận hành sau năm đầu tiên.
  • Chi phí chế tạo phần cứng (BoM): Khoảng 12.000.000 - 15.000.000 VNĐ cho một xe AMR mẫu (prototype).
  • So sánh với nhân công thủ công: Một công nhân bốc dỡ nội bộ tốn chi phí khoảng 8.000.000 - 10.000.000 VNĐ/tháng. Một xe AMR có thể làm việc liên tục 2 ca/ngày.
  • Thời gian hoàn vốn (ROI): Ước tính từ 6 đến 9 tháng khi đưa vào dây chuyền sản xuất quy mô vừa và nhỏ.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Trượt bánh Mecanum (Wheel Slippage): Lực ma sát giữa các con lăn cao su và mặt sàn có thể gây ra sai số tích lũy trên Encoder (Odometry drift) khi robot tăng tốc đột ngột hoặc mặt sàn dính dầu mỡ.
  • Hạn chế của LiDAR 2D: Cảm biến RPLIDAR A1 quét trên một mặt phẳng 2D song song mặt đất, do đó không phát hiện được các vật cản thấp hơn hoặc cao hơn mặt phẳng quét (như mặt bàn nhô ra, bậc tam cấp).
  • Thời lượng pin: Hệ thống sử dụng 2 pack pin LiPo độc lập cần tháo sạc thủ công sau 2.5 - 3 giờ vận hành liên tục.

Hướng nâng cấp mở rộng

  • Hợp nhất cảm biến (Sensor Fusion): Bổ sung cảm biến đo quán tính IMU (MPU6050/BNO055) kết hợp với thuật toán mở rộng Kalman Filter (EKF qua gói robot_localization) để triệt tiêu sai số trượt odometry của bánh Mecanum.
  • Nâng cấp cảm biến 3D: Trang bị camera chiều sâu Intel RealSense D435i để nhận diện vật thể 3D và đọc mã ArUco định vị chính xác vị trí pallet hàng.
  • Chuyển đổi sang ROS 2 (Humble/Iron): Tận dụng kiến trúc DDS thời gian thực để tăng tính ổn định, bảo mật và hỗ trợ điều khiển đa robot (Multi-Robot Swarm).

Đối tượng hưởng lợi

  • Sinh viên ngành Tự động hóa, Cơ điện tử, Robotics: Tài liệu tham khảo toàn diện từ mô hình toán động học Mecanum, thiết kế mạch công suất, đến cách triển khai Navigation Stack trên ROS.
  • Kỹ sư phát triển Robot: Nắm bắt quy trình thực chiến trong việc tinh chỉnh (tuning) các tham số costmap, dynamic window approach (DWA), và xử lý lọc nhiễu cảm biến laser.
  • Doanh nghiệp vừa và nhỏ (SMEs): Cơ sở nghiên cứu khả thi để tự chế tạo các hệ thống xe tự hành AMR chi phí thấp, tối ưu hóa dây chuyền sản xuất mà không phụ thuộc vào các giải pháp ngoại nhập đắt đỏ.
  • Giảng viên và Viện nghiên cứu: Khung nền tảng (Platform) chuẩn để phục vụ giảng dạy thực hành các môn học SLAM, điều khiển tự động và robot công nghiệp.

Câu hỏi thường gặp

1. Cấu hình phần cứng tối thiểu để triển khai hệ thống xe AMR này là gì?

Hệ thống yêu cầu một máy tính nhúng onboard có tối thiểu 2GB RAM (khuyến nghị Raspberry Pi 4B 4GB trở lên) chạy Ubuntu 20.04 Server/Desktop, một vi điều khiển hỗ trợ ngắt ngoài để đọc Encoder (như Arduino Mega 2560 hoặc STM32F4), và một máy tính trạm Core i5 8GB RAM có card đồ họa để mở môi trường RViz giám sát điều hướng.

2. Làm thế nào để khắc phục hiện tượng trôi vị trí (Odometry Drift) do bánh Mecanum bị trượt?

Giải pháp hữu hiệu nhất là tích hợp thêm cảm biến quán tính IMU 9 trục và sử dụng gói robot_localization của ROS. Gói này sử dụng bộ lọc Kalman mở rộng (EKF) để dung hợp dữ liệu vận tốc từ bánh xe (/wheel_odom) với gia tốc góc và vận tốc góc từ IMU (/imu/data), giúp giá trị TF odom -> base_link chuẩn xác hơn ngay cả khi bánh xe trượt.

3. Hệ thống có thể tự động né tránh người đi bộ hoặc xe nâng cắt ngang không?

Có. Nhờ vào thành phần local_costmap trong ROS Navigation Stack liên tục cập nhật dữ liệu từ LiDAR A1M8 theo chu kỳ $10\text{ Hz}$. Khi xuất hiện chướng ngại vật động trên quỹ đạo dự tính, thuật toán DWA sẽ tự động tính toán lại cửa sổ vận tốc $(v, \omega)$ để bẻ lái vòng qua người đi bộ mà không làm gián đoạn toàn bộ lộ trình.

4. Giao thức Rosserial kết nối giữa Arduino và Raspberry Pi có đảm bảo độ trễ thấp không?

Giao tiếp UART qua cổng USB giữa Arduino Mega 2560 và Raspberry Pi 4B được cấu hình ở tốc độ truyền baudrate $57600\text{ bps}$ (hoặc $115200\text{ bps}$). Tần số xuất bản gói tin vận tốc và đọc phản hồi encoder duy trì ổn định ở mức $20\text{ Hz} - 50\text{ Hz}$, hoàn toàn đáp ứng thời gian thực cho điều khiển vòng kín động cơ.

5. Chi phí đầu tư chế tạo và thời gian hoàn vốn của mô hình này như thế nào?

Tổng chi phí linh kiện để chế tạo mô hình robot hoàn chỉnh dao động từ 12 - 15 triệu đồng. Với khả năng thay thế công việc vận chuyển thủ công trong nhà xưởng, hệ thống mang lại thời gian hoàn vốn đầu tư (ROI) chỉ từ 6 đến 9 tháng vận hành thực tế.

Kết luận

Đồ án tốt nghiệp "Hệ xe AMR" của sinh viên Đoàn Nam Long và Đào Việt Thịnh (Trường ĐH Sư phạm Kỹ thuật TP.HCM) là một công trình nghiên cứu ứng dụng xuất sắc, kết hợp nhuần nhuyễn giữa cơ khí chính xác, điện tử nhúng và phần mềm điều khiển robot hiện đại. Bằng việc làm chủ công nghệ mã nguồn mở ROS, thuật toán SLAM Gmapping và kỹ thuật điều hướng tự động DWA trên nền tảng khung gầm 4 bánh Mecanum, đề tài đã chứng minh tính khả thi cao trong việc tự động hóa khâu intralogistics tại các nhà máy thông minh.

Sản phẩm không chỉ hoàn thành vượt mức các chỉ tiêu kỹ thuật đặt ra về độ chính xác và độ ổn định, mà còn mở ra hướng phát triển thương mại hóa đầy tiềm năng cho các giải pháp tự hành nội địa phục vụ công cuộc hiện đại hóa sản xuất tại Việt Nam.