Giới thiệu dự án

Sự bùng nổ của thương mại điện tử và chuỗi cung ứng toàn cầu trong kỷ nguyên Công nghiệp 4.0 đặt áp lực chưa từng có lên các trung tâm logistics và hoàn tất đơn hàng (Fulfillment Centers). Theo các báo cáo công nghiệp gần đây, tốc độ luân chuyển hàng hóa đòi hỏi tính linh hoạt cực cao, trong khi các hệ thống phân loại cố định truyền thống đang bộc lộ những điểm nghẽn nghiêm trọng về diện tích chiếm dụng, độ trễ cơ khí và chi phí tái cấu trúc mặt bằng.

                  KIẾN TRÚC MÔ-ĐUN CELLUVEYOR LỤC GIÁC
                            [ Bề mặt tải ]
                                  |
            +---------------------+---------------------+
            |                     |                     |
     [ Bánh Omni 1 ]       [ Bánh Omni 2 ]       [ Bánh Omni 3 ]
       (Góc 0°)             (Góc 120°)            (Góc 240°)
            |                     |                     |
     [ Pulley 60T ]        [ Pulley 60T ]        [ Pulley 60T ]
            | (Đai GT2-6)         | (Đai GT2-6)         | (Đai GT2-6)
     [ Pulley 20T ]        [ Pulley 20T ]        [ Pulley 20T ]
            |                     |                     |
     [ Motor Bước 1 ]      [ Motor Bước 2 ]      [ Motor Bước 3 ]
        (17HS4401)            (17HS4401)            (17HS4401)
            +---------------------+---------------------+
                                  |
                       [ Khung nhôm lục giác ]
                     (Kích thước: 200 x 228 mm)

Vấn đề thực tiễn và bài toán kỹ thuật

Hầu hết các nhà kho thông minh hiện nay vẫn phụ thuộc vào băng tải con lăn cố định, băng tải khay nghiêng (Tilt-tray Sorter) hoặc cơ cấu gạt phân làn khí nén/servo (Pop-up Sorter). Các hệ thống này bộc lộ nhiều hạn chế cốt lõi:

  • Kém linh hoạt: Khi cần thay đổi sơ đồ phân luồng hoặc layout nhà máy, toàn bộ khung băng tải cơ khí phải tháo dỡ và tái lắp đặt, gây gián đoạn vận hành nhiều tuần.
  • Độ trễ cơ cấu chấp hành: Băng tải khay nghiêng mất từ 0.8 đến 1.2 giây chỉ để nghiêng khay đẩy hàng, làm giảm thông lượng phân loại tổng thể.
  • Chiếm dụng không gian lớn: Để xoay chuyển hướng thùng hàng $90^\circ$ hoặc $180^\circ$, hệ thống truyền thống đòi hỏi các đoạn cong bán kính lớn hoặc cụm xoay cồng kềnh.

Mục tiêu của đồ án

Đề tài "Phân tích và thiết kế mô-đun Celluveyor căn chỉnh và phân loại thùng carton" thực hiện bởi sinh viên Bùi Minh Toàn dưới sự hướng dẫn của TS. Trần Việt Hồng (Bộ môn Cơ điện tử, Khoa Cơ khí, Trường Đại học Bách Khoa - ĐHQG-HCM) tập trung giải quyết các mục tiêu kỹ thuật cụ thể:

  1. Thiết kế cơ khí hoàn chỉnh một mô-đun băng tải tế bào (Cellular Conveyor - Celluveyor) hình lục giác với 3 bánh xe đa hướng Omni bố trí cách nhau $120^\circ$.
  2. Xây dựng mô hình động học nghịch (Inverse Kinematics) chính xác, cho phép chuyển động 3 bậc tự do (3-DoF: tịnh tiến $X, Y$ và quay $\theta$) đồng thời trên mặt phẳng.
  3. Tích hợp hệ thống thị giác máy tính (Computer Vision) 2D để định vị tâm, tính toán sai lệch góc xoay của kiện hàng carton theo thời gian thực.
  4. Xây dựng kiến trúc điều khiển phân tán dựa trên nền tảng Robot Operating System (ROS) kết nối với vi điều khiển Arduino qua giao thức Serial để điều khiển đồng bộ 3 động cơ bước.

Thông số kỹ thuật và phạm vi triển khai

  • Kích thước bao mô-đun: $200\text{ mm} \times 228\text{ mm} \times 3\text{ mm}$ (dạng hình học lục giác đều).
  • Tải trọng tối đa: $30\text{ kg}$ đặt trên tâm mô-đun.
  • Tốc độ vận chuyển tuyến tính tối đa: $0.5\text{ m/s}$.
  • Tốc độ quay kiện hàng tối đa: $0.2\text{ vòng/s}$ ($72^\circ\text{/s}$).
  • Năng suất phân loại thiết kế: $1,200\text{ thùng/giờ}$.
  • Kích thước kiện hàng xử lý: Tối thiểu $250\text{ mm} \times 250\text{ mm}$ (đảm bảo diện tích tiếp xúc ổn định trên 3 bánh xe omni).
  • Phạm vi nghiên cứu: Chế tạo và thử nghiệm thực nghiệm trên 01 mô-đun tế bào tiêu chuẩn tích hợp camera 2D, làm tiền đề mở rộng ghép nối dạng lưới đa mô-đun.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí kỹ thuật Băng tải khay nghiêng (Tilt-tray) Băng tải con lăn phân nhánh (Pop-up) Cánh tay Robot phân loại Mô-đun đa hướng Celluveyor
Độ linh hoạt cấu hình Thấp (Cố định đường ray) Trung bình (Vị trí rẽ nhánh cố định) Cao (Tự do trong tầm với) Rất cao (Ghép nối mô-đun tùy biến)
Khả năng xoay/căn chỉnh Không hỗ trợ Hạn chế góc vuông $90^\circ$ Linh hoạt $360^\circ$ Linh hoạt $360^\circ$ liên tục
Thời gian chu kỳ định hướng Chậm ($\sim 1.0\text{ s}$ độ trễ cơ học) Trung bình ($\sim 0.8\text{ s}$) Rất chậm ($\sim 2.0 - 3.0\text{ s}$) Tức thời (Điều khiển vector vận tốc)
Không gian chiếm dụng Rất lớn Lớn Trung bình Cực kỳ nhỏ gọn (Mặt phẳng phẳng)
Khả năng mở rộng (Scale) Phức tạp, chi phí cao Trung bình Tốn kém khi tăng sản lượng Dễ dàng theo dạng lưới (Grid-based)

Phân tích các hệ thống thực tế trên thế giới chứng minh tính khả thi của giải pháp Celluveyor:

  • Nhà máy DHL tại Greven (Đức): Thay thế hệ thống Pop-up sorter bằng hệ thống Crossdock Celluveyor (68 mô-đun, kích thước $150 \times 173\text{ mm}$/mô-đun) giúp tăng năng suất từ $2,000$ lên $3,500\text{ bưu kiện/giờ}$ (tăng $75%$), loại bỏ hoàn toàn hiện tượng kẹt hàng.
  • Nhà máy Covivins: Sử dụng hệ thống dỡ hàng cv.DEPAL gồm 105 mô-đun để phân loại hơn 5,000 loại sản phẩm chai lọ, đạt năng suất $3,000\text{ thùng/giờ}$ mà không cần phân loại thủ công kích thước đầu vào.

Yêu cầu hệ thống theo ma trận MoSCoW

  • Must have: Mô-đun lục giác chịu tải $30\text{ kg}$; 3 bánh xe omni dẫn động độc lập; giải thuật động học nghịch 3-DoF; điều khiển bước đồng bộ qua ROS; camera nhận diện góc lệch và tâm kiện hàng.
  • Should have: Bộ truyền động đai răng tỷ số truyền $i=3$ giảm tải động cơ; tính toán trục thép C45 đảm bảo ứng suất cho phép $[\tau] \le 15\text{ MPa}$.
  • Could have: Thuật toán lọc nhiễu tọa độ ảnh cornerSubPix cải thiện độ chính xác dưới $1\text{ mm}$.
  • Won't have (trong phạm vi đồ án): Ghép nối quy mô lớn trên 50 mô-đun; camera 3D đo chiều cao thùng; truyền thông không dây công nghiệp EtherCAT/CANopen.

Thiết kế hệ thống và mô hình toán học động học

+-----------------------------------------------------------------------+
|                            HOST PC / ROS MASTER                       |
|  +---------------------------+        +----------------------------+  |
|  |   Camera Node (OpenCV)    |        |   Kinematics Solver Node   |  |
|  | - Calib Camera            | =====> | - Inverse Kinematics       |  |
|  | - Centroid & Bounding Box |        | - Pulse Trajectory Planner |  |
|  +---------------------------+        +----------------------------+  |
+-----------------------------------||----------------------------------+
                                    || ROS Serial Topic (/dev/ttyUSB0)
                                    \/
+-----------------------------------------------------------------------+
|                       VI ĐIỀU KHIỂN ARDUINO UNO                       |
|   +---------------------------------------------------------------+   |
|   |         Hardware Step/Dir Pulse Generation (Timer ISR)        |   |
|   +---------------------------------------------------------------+   |
|            |                          |                         |     |
|            v                          v                         v     |
|     [ Driver A4988 ]           [ Driver A4988 ]          [ Driver A4988 ]
|     (Xung trục 1)              (Xung trục 2)             (Xung trục 3)
|            |                          |                         |     |
|            v                          v                         v     |
|     [ Motor 17HS4401 ]         [ Motor 17HS4401 ]        [ Motor 17HS4401 ]
+-----------------------------------------------------------------------+

Mô hình động học nghịch (Inverse Kinematics)

Xét hệ tọa độ cục bộ ${C}$ đặt tại tâm mô-đun lục giác, 3 bánh xe đa hướng Omni bố trí tại bán kính $R = 67\text{ mm}$ với góc định hướng lần lượt là $\lambda_1 = 0^\circ$, $\lambda_2 = 120^\circ$, $\lambda_3 = 240^\circ$. Vận tốc dài của từng bánh xe $V_{\omega j}$ được tổng hợp từ thành phần vận tốc tịnh tiến và vận tốc quay của kiện hàng trong hệ tọa độ toàn cục ${G}$:

$$\begin{bmatrix} V_{\omega 1} \ V_{\omega 2} \ V_{\omega 3} \end{bmatrix} = \begin{bmatrix} -\sin(\theta) & \cos(\theta) & R \ -\sin(\theta + 120^\circ) & \cos(\theta + 120^\circ) & R \ -\sin(\theta + 240^\circ) & \cos(\theta + 240^\circ) & R \end{bmatrix} \begin{bmatrix} \dot{x}_g \ \dot{y}_g \ \dot{\theta} \end{bmatrix}$$

Khi hệ tọa độ toàn cục ${G}$ trùng với hệ tọa độ cục bộ ${C}$ ($\theta = 0$):

$$\begin{bmatrix} V_{\omega 1} \ V_{\omega 2} \ V_{\omega 3} \end{bmatrix} = \begin{bmatrix} 0 & 1 & R \ -\frac{\sqrt{3}}{2} & -\frac{1}{2} & R \ \frac{\sqrt{3}}{2} & -\frac{1}{2} & R \end{bmatrix} \begin{bmatrix} \dot{x}_g \ \dot{y}_g \ \dot{\theta} \end{bmatrix}$$

Tích phân theo thời gian, ta có phương trình quan hệ giữa quãng đường quay của các bánh xe $[X, Y, Z]^T$ với độ dịch chuyển $[x_g, y_g, \theta]^T$ của kiện hàng:

$$\begin{bmatrix} X \ Y \ Z \end{bmatrix} = \begin{bmatrix} 0 & 1 & R \ -\frac{\sqrt{3}}{2} & -\frac{1}{2} & R \ \frac{\sqrt{3}}{2} & -\frac{1}{2} & R \end{bmatrix} \begin{bmatrix} x_g \ y_g \ \theta \end{bmatrix}$$

Tính toán cơ khí và động lực học

  • Phân bố tải trọng: Với khối lượng $M = 30\text{ kg}$, gia tốc trọng trường $g = 9.81\text{ m/s}^2$, trọng lượng tác dụng lên mỗi bánh xe là: $$P_{\text{bánh xe}} = \frac{30 \times 9.81}{3} = 98.1\text{ N}$$
  • Lực kéo ma sát: Với hệ số ma sát giữa bánh cao su và bìa carton $\mu = 0.3$: $$F_{\text{ms}} = \mu \times P_{\text{bánh xe}} = 0.3 \times 98.1 = 29.43\text{ N}$$
  • Công suất yêu cầu trên trục bánh xe: Khi vận chuyển với vận tốc cực đại $v = 0.5\text{ m/s}$: $$P_{\text{bánh xe}} = F_{\text{đẩy}} \times v = 29.43 \times 0.5 = 14.715\text{ W}$$
  • Hiệu suất tổng thể hệ thống: Với ổ lăn $\eta_{\text{ol}} = 0.98$, bộ truyền đai $\eta_{\text{đ}} = 0.95$, bánh xe omni $\eta_{\text{bx}} = 0.98$: $$\eta = \eta_{\text{ol}}^2 \cdot \eta_{\text{đ}} \cdot \eta_{\text{bx}} = 0.98^2 \times 0.95 \times 0.98 \approx 0.90$$
  • Công suất yêu cầu động cơ: $$P_{\text{động cơ}} = \frac{14.715}{0.90} = 16.35\text{ W}$$
  • Lựa chọn động cơ và tỷ số truyền: Chọn tỷ số truyền đai răng $i = 3$. Tốc độ quay của bánh xe $n_{\text{bánh xe}} = 165\text{ vòng/phút} \Rightarrow n_{\text{động cơ}} = 165 \times 3 = 495\text{ vòng/phút}$. Lựa chọn động cơ bước 17HS4401 công suất $24\text{ W}$, tốc độ định mức $570\text{ vòng/phút}$, mô-men xoắn giữ $0.4\text{ Nm}$, hoàn toàn thỏa mãn điều kiện vận hành.
  • Bộ truyền đai răng: Sử dụng đai răng 280-2GT-6 (bước răng $m = 2\text{ mm}$, bề rộng $B = 6\text{ mm}$, chiều dài $L = 280\text{ mm}$, khoảng cách trục $a = 100\text{ mm}$, pulley chủ động 20 răng, pulley bị động 60 răng).
  • Tính toán trục đỡ bánh xe: Vật liệu thép C45 có $[\tau] = 15\text{ MPa}$. Đường kính tính toán lý thuyết $d \ge 7.69\text{ mm}$. Thiết kế chọn đường kính danh nghĩa $d = 12\text{ mm}$, lắp với ổ lăn đỡ C-BGHA698ZZ-20 ($d_{\text{trong}} = 8\text{ mm}$), đảm bảo hệ số an toàn bền mỏi $> 2.5$.

Implementation và kết quả

Quy trình phát triển phần mềm và thuật toán

Hệ thống sử dụng camera 2D USB (độ phân giải Full HD $1920 \times 1080$, $30\text{ FPS}$) gắn trực diện từ trên xuống (Top-down view). Quy trình xử lý ảnh và điều khiển diễn ra theo các bước:

[ Khung hình Camera ] 
[ Hiệu chỉnh méo thấu kính (Camera Calibration) ] 
[ Phân ngưỡng nhị phân / Canny Edge ] 
[ Tìm đường bao (Contour) & Bounding Box ] 
[ Tính toán tâm kiện (x, y) & Góc nghiêng (theta) ] 
[ Node ROS Tính Động học nghịch ] 
[ Gửi xung điều khiển Serial -> Arduino Uno ]

Thuật toán tính toán góc lệch và giải động học nghịch (Python/ROS Node)

#!/usr/bin/env python3
import rospy
import cv2
import numpy as np
from std_msgs.msg import Float32MultiArray

class CelluveyorVisionController:
    def __init__(self):
        rospy.init_node('celluveyor_vision_node', anonymous=True)
        self.pub_motor_steps = rospy.Publisher('/celluveyor/motor_steps', Float32MultiArray, queue_size=10)
        self.R = 0.067  # Khoảng cách từ tâm module đến tâm bánh xe (m)
        self.r_wheel = 0.029 # Bán kính bánh xe Omni (m)
        self.gear_ratio = 3.0 # Tỷ số truyền đai GT2
        self.steps_per_rev = 200 * 16 # 1/16 microstepping = 3200 steps/rev

    def compute_inverse_kinematics(self, dx, dy, dtheta):
        """
        Tính quãng đường di chuyển của 3 bánh xe từ sai lệch vị trí (dx, dy, dtheta)
        Ma trận chuyển đổi động học nghịch cho cấu hình 3 bánh Omni 120 độ.
        """
        H = np.array([
            [0.0, 1.0, self.R],
            [-np.sqrt(3)/2, -0.5, self.R],
            [np.sqrt(3)/2, -0.5, self.R]
        ])
        target_disp = np.array([dx, dy, dtheta])
        wheel_disp = np.dot(H, target_disp) # [quãng đường bánh 1, 2, 3] (m)
        
        # Chuyển đổi từ quãng đường bánh xe sang số xung động cơ bước
        motor_steps = []
        for disp in wheel_disp:
            revs = (disp / (2 * np.pi * self.r_wheel)) * self.gear_ratio
            steps = revs * self.steps_per_rev
            motor_steps.append(float(steps))
            
        return motor_steps

    def process_image(self, frame):
        gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        blurred = cv2.GaussianBlur(gray, (5, 5), 0)
        _, thresh = cv2.threshold(blurred, 60, 255, cv2.THRESH_BINARY)
        contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
        
        for cnt in contours:
            if cv2.contourArea(cnt) > 5000: # Lọc nhiễu diện tích nhỏ
                rect = cv2.minAreaRect(cnt) # Bounding box xoay
                (cx, cy), (w, h), angle = rect
                
                # Chuẩn hóa góc lệch về khoảng [-45, 45] độ
                if w < h:
                    angle = angle - 90.0
                rad_angle = np.deg2rad(angle)
                
                # Sai lệch so với tâm mô-đun (x_center=320, y_center=240 pixel)
                dx = (cx - 320) * 0.0005 # Chuyển đổi sang mét qua hệ số camera
                dy = (cy - 240) * 0.0005
                
                steps = self.compute_inverse_kinematics(dx, dy, rad_angle)
                msg = Float32MultiArray(data=steps)
                self.pub_motor_steps.publish(msg)
                break

Mã điều khiển vi bước trên Arduino Uno (C++)

#include <ros.h>
#include <std_msgs/Float32MultiArray.h>

const int stepPins[3] = {2, 4, 6};
const int dirPins[3]  = {3, 5, 7};
const int enablePin   = 8;

ros::NodeHandle nh;

void motorStepsCallback(const std_msgs::Float32MultiArray& msg) {
  if (msg.data_length < 3) return;

  long targetSteps[3];
  bool directions[3];

  for (int i = 0; i < 3; i++) {
    targetSteps[i] = abs((long)msg.data[i]);
    directions[i] = (msg.data[i] >= 0);
    digitalWrite(dirPins[i], directions[i] ? HIGH : LOW);
  }

  // Điều khiển phát xung đồng thời cho 3 động cơ bước
  long maxSteps = max(targetSteps[0], max(targetSteps[1], targetSteps[2]));
  for (long s = 0; s < maxSteps; s++) {
    for (int i = 0; i < 3; i++) {
      if (s < targetSteps[i]) {
        digitalWrite(stepPins[i], HIGH);
      }
    }
    delayMicroseconds(100);
    for (int i = 0; i < 3; i++) {
      digitalWrite(stepPins[i], LOW);
    }
    delayMicroseconds(100);
  }
}

ros::Subscriber<std_msgs::Float32MultiArray> sub("/celluveyor/motor_steps", &motorStepsCallback);

void setup() {
  for (int i = 0; i < 3; i++) {
    pinMode(stepPins[i], OUTPUT);
    pinMode(dirPins[i], OUTPUT);
  }
  pinMode(enablePin, OUTPUT);
  digitalWrite(enablePin, LOW); // Bật Driver A4988

  nh.initNode();
  nh.subscribe(sub);
}

void loop() {
  nh.spinOnce();
  delay(1);
}

Kết quả thử nghiệm và kiểm chứng thực nghiệm

Hiệu chỉnh camera được thực hiện bằng bàn cờ vua tiêu chuẩn kích thước $6 \times 9$ ô vuông. Bằng hàm cv2.findChessboardCorners và cv2.cornerSubPix, ma trận tham số nội tại (Intrinsic Matrix) và hệ số méo thấu kính (Distortion Coefficients) được tối ưu hóa, giảm sai số chiếu lại (Reprojection Error) xuống dưới $0.24\text{ pixel}$.

                      BIỂU ĐỒ BẬC TỰ DO VÀ GIAO TIẾP
                               (Top-down View)
                                     Y
                                     ^
                                     |
                                  [Bánh 1]
                                (0, +R, λ=0°)
                                    / \
                                   /   \
                                  /  P  \  ---> X
                                 / (x,y) \
                                /    θ    \
                   (-√3/2 R, -R/2)      (+√3/2 R, -R/2)
                      (λ=120°)              (λ=240°)

Thực nghiệm được chia thành 2 kịch bản: (1) Căn chỉnh góc xoay thùng carton về $0^\circ$ và (2) Căn chỉnh kết hợp phân loại sang 2 làn trái/phải đối với 2 loại kích thước thùng carton (Lớn: $350 \times 250\text{ mm}$, Nhỏ: $250 \times 250\text{ mm}$).

Tham số kiểm chứng Mục tiêu thiết kế Kết quả thực nghiệm đạt được Đánh giá độ lệch/Sai số
Vận tốc tuyến tính $v_{\text{max}}$ $0.50\text{ m/s}$ $0.48\text{ m/s}$ Đạt $96%$ mục tiêu
Tốc độ xoay $\omega_{\text{max}}$ $0.20\text{ vòng/s}$ $0.19\text{ vòng/s}$ Đạt $95%$ mục tiêu
Sai số góc căn chỉnh $\Delta \theta$ $\le \pm 2.0^\circ$ $\pm 1.2^\circ$ Tốt hơn mục tiêu $40%$
Sai số vị trí tâm $\Delta x, \Delta y$ $\le \pm 5.0\text{ mm}$ $\pm 2.8\text{ mm}$ Tốt hơn mục tiêu $44%$
Thời gian chu kỳ căn chỉnh $< 1.5\text{ s}$ $1.15\text{ s}$ Rút ngắn $23.3%$
Tải trọng nâng danh định $30.0\text{ kg}$ $30.0\text{ kg}$ Không trượt bước động cơ

Đổi mới và đóng góp

  1. Cấu trúc cơ khí dạng tế bào chuẩn hóa: Thiết kế khung lục giác 2 tấm (khung trên và đế dưới) tích hợp 3 trục chống xoay và cơ cấu căng đai bằng khe rãnh trượt cho phép tháo lắp, thay thế từng cụm động cơ trong vòng dưới 5 phút mà không ảnh hưởng tới kết cấu chung.
  2. Loại bỏ hoàn toàn cơ cấu chuyển hướng cơ khí: Khác với hệ thống Pop-up sorter phải dùng xy-lanh nâng hạ con lăn gây rung động và mài mòn, Celluveyor điều khiển vector vận tốc liên tục bằng phần mềm, giảm $80%$ hao mòn cơ khí và triệt tiêu tiếng ồn va đập.
  3. Tiết kiệm diện tích mặt bằng nhà xưởng: Nhờ khả năng xoay tại chỗ $360^\circ$ và tịnh tiến theo bất kỳ góc nào, hệ thống cắt giảm $40%$ diện tích băng chuyền chuyển làn so với các cụm băng tải rẽ nhánh truyền thống.
  4. Kiến trúc điều khiển mở: Ứng dụng ROS kết hợp với chuẩn thị giác OpenCV tạo môi trường mã nguồn mở linh hoạt, dễ dàng mở rộng sang mạng nơ-ron sâu (Deep Learning) nhận diện mã vạch, phân loại gói hàng đa hình dạng mà không cần thay đổi phần cứng vi điều khiển.

Ứng dụng thực tế và triển khai

                     MÔ HÌNH GHÉP NỐI LƯỚI ĐA MÔ-ĐUN
                             [ Đầu vào hàng ]

Các kịch bản ứng dụng trong chuỗi cung ứng

  • Depalletizing (Dỡ hàng từ Pallet): Tự động tiếp nhận các kiện hàng hỗn hợp từ cánh tay robot, căn chỉnh lại góc nghiêng và đẩy từng kiện vào hàng đơn (Singulation) với khoảng cách đều nhau.
  • Cross-docking & Sắp xếp phân làn (Sorting Matrix): Phân luồng linh hoạt các bưu kiện từ 2 làn đầu vào ra 3 hoặc nhiều làn đầu ra tùy theo mã vùng bưu chính chỉ bằng việc lập trình lại thuật toán điều phối vector vận tốc trên lưới mô-đun.
  • Palletizing (Tạo khối Pallet): Xoay và định vị thùng carton theo các mẫu xếp chồng (Interlocking pattern) tối ưu trước khi đưa vào cụm đóng đai.

Phân tích chi phí và hiệu quả đầu tư (ROI)

  • Chi phí chế tạo 01 mô-đun mẫu: $\sim 2,500,000\text{ VNĐ}$ (Bao gồm 3 động cơ 17HS4401, 3 driver A4988, đai GT2, nhôm cắt CNC, bánh xe Omni, trục C45 và mạch điều khiển).
  • So sánh với hệ thống phân loại ngoại nhập: Giảm tới $65%$ chi phí đầu tư thiết bị ban đầu so với các cụm mô-đun nhập khẩu từ Châu Âu.
  • Thời gian hoàn vốn (ROI): Ước tính từ $10 - 14\text{ tháng}$ đối với các trung tâm kho vận quy mô vừa nhờ giảm thiểu chi phí nhân công bốc dỡ và tỷ lệ hàng hư hỏng do kẹt băng chuyền.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Xử lý đơn kiện: Mô hình thực nghiệm 01 mô-đun mới chỉ xử lý được 01 thùng carton tại một thời điểm; chưa thể xử lý dòng hàng hóa liên tục với mật độ dày đặc.
  • Hiện tượng trượt vi mô: Khi bề mặt đáy thùng carton dính bụi hoặc dầu mỡ, hệ số ma sát $\mu$ suy giảm dẫn đến sai số trượt khoảng $3 - 5%$ quãng đường di chuyển lý thuyết.
  • Hạn chế thị giác 2D: Camera 2D phụ thuộc nhiều vào điều kiện ánh sáng môi trường; chưa đo được chiều cao và thể tích thực của các kiện hàng bị móp méo.

Hướng phát triển tiếp theo

  • Nâng cấp cảm biến thị giác lên Camera 3D RGB-D (như Intel RealSense D435) để trích xuất đám mây điểm (Point Cloud), hỗ trợ phân loại theo thể tích và phát hiện hàng biến dạng.
  • Mở rộng thành hệ thống Lưới tế bào đa mô-đun (Cellular Grid) gồm 12 đến 24 mô-đun, áp dụng thuật toán điều khiển phân tán đa tác tử (Multi-Agent System) để vận chuyển đồng thời nhiều kiện hàng trên cùng một bề mặt.
  • Thay thế động cơ bước bằng động cơ BLDC tích hợp Encoder hồi tiếp vòng kín (Field Oriented Control - FOC) nhằm nâng cao vận tốc lên $1.5\text{ m/s}$ và tối ưu hóa hiệu suất năng lượng.

Đối tượng hưởng lợi

+-------------------------------------------------------------------------+
|                          ĐỐI TƯỢNG HƯỞNG LỢI                            |
+-------------------------------------------------------------------------+
|  [ SINH VIÊN ]      -> Tài liệu tham khảo toàn diện cơ điện tử:         |
|                        Tính toán trục C45, động học Omni, ROS & OpenCV. |
|                                                                         |
|  [ KỸ SƯ R&D ]      -> Codebase chuẩn cho điều khiển đồng bộ nhiều trục |
|                        và giải thuật Inverse Kinematics 3-DoF.          |
|                                                                         |
|  [ DOANH NGHIỆP ]   -> Giải pháp phân loại tự động linh hoạt,           |
|                        cắt giảm 40% diện tích và tăng 75% thông lượng.  |
|                                                                         |
|  [ NHÀ NGHIÊN CỨU ] -> Nền tảng thực nghiệm điều khiển lưới phân tán    |
|                        (Multi-Agent Grid Conveyor Control).             |
+-------------------------------------------------------------------------+
  • Sinh viên Cơ điện tử / Tự động hóa: Nguồn tài liệu học thuật mẫu mực kết hợp chặt chẽ giữa thiết kế chi tiết máy (tính toán đai răng, then, trục, ổ lăn trên Autodesk Inventor) với lập trình nhúng và xử lý ảnh trên nền tảng ROS.
  • Kỹ sư phát triển hệ thống (R&D Engineers): Bộ khung thuật toán hoàn chỉnh về động học robot 3 bánh Omni áp dụng vào bài toán vận tải mặt phẳng, kèm theo mã nguồn ROS Serial giao tiếp tốc độ cao.
  • Doanh nghiệp Logistics và Sản xuất: Mô hình tham chiếu tin cậy để nội địa hóa các dây chuyền phân loại bưu kiện tự động với chi phí chế tạo hợp lý, dễ dàng bảo trì và sửa chữa tại chỗ.
  • Nhà nghiên cứu chuyên sâu: Cung cấp dữ liệu thực nghiệm về động học và sai số phân loại, đóng vai trò nền tảng cho các công trình nghiên cứu điều khiển hợp tác (Cooperative Control) trên lưới phân loại thông minh.

Câu hỏi thường gặp

1. Yêu cầu phần cứng tối thiểu để triển khai và chạy hệ thống là gì?

Hệ thống yêu cầu nguồn cấp công nghiệp $12\text{V} - 24\text{V DC}$ (tối thiểu $10\text{A}$ cho mỗi cụm 3 mô-đun); Máy tính Host chạy Ubuntu 20.04/22.04 LTS cài đặt ROS (Noetic/ROS2) có cổng USB Serial; 01 Camera chuẩn UVC độ phân giải tối thiểu 720p @ 30 FPS; Vi điều khiển Arduino Uno/Mega kết nối với 3 Driver A4988 hoặc DRV8825.

2. Giới hạn mở rộng quy mô của kiến trúc điều khiển này là bao nhiêu?

Khi mở rộng lên lưới nhiều mô-đun (từ 10 đến 100 mô-đun), mô hình tập trung qua 01 Arduino sẽ quá tải chân I/O và băng thông Serial. Giải pháp mở rộng là chuyển sang kiến trúc mạng công nghiệp CAN Bus hoặc Modbus RS485, trong đó mỗi mô-đun sở hữu một vi điều khiển cục bộ (như STM32/ESP32) nhận lệnh vector vận tốc $(v_x, v_y, \omega)$ từ ROS Master.

3. Làm thế nào để hệ thống xử lý các kiện hàng có kích thước và trọng lượng bất đồng nhất?

Mô hình động học nghịch xử lý độc lập với kích thước thùng hàng miễn là đáy thùng tiếp xúc đồng thời trên 3 bánh xe omni ($> 250 \times 250\text{ mm}$). Camera sẽ tự động nhận diện Bounding Box để tính toán đúng tâm hình học $(c_x, c_y)$, từ đó điều chỉnh điểm đặt lực tương ứng.

4. Chi phí và quy trình bảo trì hệ thống Celluveyor như thế nào?

Do cấu trúc dạng mô-đun độc lập, khi một động cơ, dây đai hoặc bánh xe bị mòn hỏng, kỹ thuật viên chỉ cần ngắt kết nối giắc cắm điện và tháo 3 bulong liên kết để thay thế cả cụm mô-đun dự phòng trong vòng 5 phút, không làm dừng toàn bộ dây chuyền như băng chuyền dài truyền thống.

5. Khả năng chống trượt của bánh xe đa hướng được giải quyết ra sao khi hàng có tải trọng nặng?

Thiết kế sử dụng con lăn bánh xe bọc cao su chịu mài mòn kết hợp với tỷ số truyền đai răng $i=3$ giúp khuếch đại mô-men xoắn lên trục bánh xe đạt $0.87\text{ Nm}$. Áp lực tiếp xúc của tải trọng $\ge 10\text{ kg}$ tạo ra lực pháp tuyến đủ lớn giúp lực ma sát bám $F_{\text{ms}}$ luôn duy trì trên ngưỡng $29.43\text{ N}$, loại bỏ hiện tượng trượt tự do.

Kết luận

Đồ án "Phân tích và thiết kế mô-đun Celluveyor căn chỉnh và phân loại thùng carton" đã hiện thực hóa thành công giải pháp băng tải tế bào đa hướng tiên tiến, giải quyết triệt để những bất cập về không gian và tính linh hoạt của các hệ thống phân loại truyền thống. Sự kết hợp chặt chẽ giữa tính toán cơ khí chính xác (hệ dẫn động đai răng GT2, trục thép C45, bánh xe Omni), mô hình toán học động học nghịch 3-DoF và hệ thống điều khiển thông minh dựa trên ROS - Computer Vision đã mang lại hiệu quả vận hành vượt trội với độ chính xác góc lệch $\pm 1.2^\circ$ và tốc độ vận chuyển $0.48\text{ m/s}$.

Kết quả nghiên cứu không chỉ khẳng định năng lực tự chủ công nghệ cơ điện tử trong nước mà còn mở ra tiềm năng ứng dụng to lớn trong việc hiện đại hóa các trung tâm hoàn tất đơn hàng, nhà máy thông minh tại Việt Nam theo định hướng Công nghiệp 4.0.