Giới thiệu dự án

Sự bùng nổ của cuộc Cách mạng Công nghiệp 4.0 và chuyển đổi số đã thúc đẩy mạnh mẽ xu hướng tự động hóa trong ngành dịch vụ và du lịch lưu trú. Theo báo cáo The Future of Jobs từ Diễn đàn Kinh tế Thế giới (WEF), tỷ lệ công việc được đảm nhiệm bởi máy móc tự động tăng trưởng vượt bậc từ 29% (năm 2018) lên hơn 52% sau năm 2025. Đặc biệt, nghiên cứu từ Đại học Hồng Kông (CUHK) khẳng định rằng việc ứng dụng robot phục vụ cá nhân đóng vai trò then chốt giúp các doanh nghiệp khách sạn tối ưu hóa chi phí vận hành, nâng cao trải nghiệm khách hàng và chuẩn hóa mô hình dịch vụ "không tiếp xúc" (contactless service).

Tại các khách sạn hiện đại, khâu phục vụ phòng (room service)—bao gồm giao đồ ăn nhẹ, thức uống, dụng cụ vệ sinh và đồ dùng cá nhân—vẫn phụ thuộc chủ yếu vào nhân viên thủ công. Thực trạng này dẫn đến nhiều điểm nghẽn: chi phí nhân sự duy trì ca đêm cao, thời gian đáp ứng đơn hàng kéo dài trong giờ cao điểm, nguy cơ sai sót đơn hàng và khả năng lây nhiễm chéo các tác nhân dịch bệnh.

Đề tài "Thiết kế, chế tạo AGV phục vụ khách sạn" do nhóm sinh viên ngành Công nghệ Kỹ thuật Cơ Điện tử, Trường Đại học Sư phạm Kỹ thuật TP.HCM thực hiện nhằm giải quyết trực tiếp các vấn đề trên thông qua việc chế tạo một phương tiện tự hành thông minh (Autonomous Guided Vehicle - AGV / Autonomous Mobile Robot - AMR).

Mục tiêu cụ thể của dự án:

  1. Thiết kế cơ khí chính xác: Xây dựng khung gầm robot kích thước nhỏ gọn ($400 \times 300\text{ mm}$), khối lượng 5 kg, tải trọng phục vụ tiêu chuẩn 2 kg (dễ dàng mở rộng cho các khay chứa vật phẩm khách sạn).
  2. Tích hợp hệ thống truyền động đa hướng: Sử dụng 4 bánh xe Mecanum cho phép chuyển động linh hoạt toàn hướng (holonomic), tịnh tiến ngang, chéo và xoay tại chỗ với bán kính quay bằng 0.
  3. Xây dựng hệ điều khiển tự động: Ứng dụng hệ điều hành Robot (Robot Operating System - ROS Noetic trên nền tảng Ubuntu 20.04 LTS), kết hợp bộ điều khiển vi sai phân giải tốc độ vòng kín PID trên vi điều khiển.
  4. Hệ thống điều hướng và định vị SLAM: Khai thác cảm biến LiDAR SLAMTEC M1M1 Mapper để lập bản đồ môi trường 2D thời gian thực và tự động định vị vị trí với sai số dưới $0.02\text{ m}$.
  5. Tránh vật cản thông minh: Triển khai thuật toán cửa sổ động DWA (Dynamic Window Approach) kết hợp Global Planner để quy hoạch đường đi tối ưu trong không gian hành lang khách sạn.

Hệ thống được thiết kế vận hành trong không gian nội thất phẳng của khách sạn, đảm bảo khả năng tương tác thân thiện, giao diện điều khiển trực quan qua mạng không dây và tối ưu hóa chi phí sản xuất phần cứng.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các phương thức vận chuyển và phục vụ phòng trong ngành khách sạn hiện nay có sự phân hóa rõ rệt:

Phương thức Ưu điểm Nhược điểm Chi phí đầu tư Độ linh hoạt
Nhân viên phục vụ thủ công Thân thiện, xử lý tình huống linh hoạt Chi phí lương ca đêm cao, năng suất giới hạn, dễ nhầm lẫn Định kỳ hàng tháng Cao
AGV dẫn đường theo ray từ/vạch kẻ Độ tin cậy cao, thuật toán điều khiển đơn giản Phá vỡ thẩm mỹ sàn khách sạn, chi phí sửa chữa hạ tầng lớn Trung bình Rất thấp
Robot thương mại nhập khẩu (Relay, Run) Tính năng hoàn thiện, ngoại hình đẹp, đi thang máy Chi phí cực cao ($15.000 - $30.000 USD), phụ thuộc bảo trì nước ngoài Rất cao Cao
Giải pháp đề tài (Mecanum ROS AGV) Di chuyển toàn hướng, tự lập bản đồ SLAM, chi phí thấp Cần tối ưu thêm cơ cấu vượt ngưỡng gờ cửa cao Thấp ($< $1.500 USD) Rất cao

Phân loại yêu cầu hệ thống theo mô hình MoSCoW:

  • Must have (Bắt buộc): Di chuyển đa hướng ổn định; quét LiDAR lập bản đồ tĩnh và định vị vị trí; tránh vật cản động thời gian thực; giao diện nhận lệnh chuyển hàng đến phòng chỉ định.
  • Should have (Nên có): Bù sai số trượt bánh xe Mecanum thông qua cảm biến Odometry và IMU; thông báo trạng thái hoạt động qua màn hình/âm thanh.
  • Could have (Có thể mở rộng): Tích hợp khóa điện tử mở nắp khoang chứa bằng mã OTP; tự động quay về trạm sạc khi pin yếu.
  • Won't have (Chưa thực hiện đợt này): Khả năng tự động gọi thang máy qua giao thức IoT tầng tòa nhà; vượt địa hình bậc thang dốc lớn.

Thiết kế hệ thống

Kiến trúc hệ thống bao gồm hai tầng xử lý chính: Tầng xử lý cấp cao (High-Level Computing) đảm nhiệm việc lập bản đồ, định vị, xử lý thuật toán SLAM/DWA và tầng điều khiển cấp thấp (Low-Level Microcontroller) quản lý đọc tín hiệu Encoder và điều chế độ rộng xung PWM cho 4 động cơ DC.

graph TD
    subgraph Sensing_Perception["Cảm biến & Thu thập dữ liệu"]
        LIDAR["LiDAR SLAMTEC M1M1<br/>(Quét laser 20m, 7000Hz)"]
        CAM["Camera Raspberry Pi 5MP"]
        ENC["Encoder 4 động cơ<br/>(Phản hồi xung Hall)"]
    end

    subgraph High_Level_Control["Tầng tính toán cấp cao (SBC)"]
        ROS_MASTER["ROS Noetic (Ubuntu 20.04 LTS)<br/>Raspberry Pi"]
        SLAM_NODE["SLAM Node & Costmap"]
        DWA_NODE["Move_base / DWA Local Planner"]
        GLOBAL_PLAN["Global Path Planner (A*)"]
    end

    subgraph Low_Level_Control["Tầng điều khiển chấp hành"]
        MCU["Vi điều khiển (Arduino/STM32)"]
        PID_LOOP["Bộ điều khiển vận tốc PID 4 kênh"]
        DRIVER["Mạch công suất H-Bridge"]
    end

    subgraph Actuation["Cơ cấu chấp hành"]
        M1["Motor 1 + Bánh Mecanum FL"]
        M2["Motor 2 + Bánh Mecanum FR"]
        M3["Motor 3 + Bánh Mecanum BL"]
        M4["Motor 4 + Bánh Mecanum BR"]
    end

    LIDAR -->|USB/Ethernet /scan| SLAM_NODE
    CAM -->|CSI Interface /image_raw| ROS_MASTER
    SLAM_NODE --> GLOBAL_PLAN
    GLOBAL_PLAN --> DWA_NODE
    DWA_NODE -->|/cmd_vel (Vx, Vy, Wz)| MCU
    MCU --> PID_LOOP
    PID_LOOP --> DRIVER
    DRIVER --> M1 & M2 & M3 & M4
    M1 & M2 & M3 & M4 -.-> ENC
    ENC -->|Xung A/B Interrupts| MCU
    MCU -->|/odom| ROS_MASTER

Technology Stack:

  • Phần mềm thiết kế cơ khí: Dassault Systèmes SolidWorks 2022 (thiết kế 3D, phân tích bền kết cấu khung và tối ưu trọng tâm).
  • Môi trường điều khiển cấp cao: ROS 1 Noetic Ninjemys trên hệ điều hành Ubuntu 20.04 LTS (x86/ARM64).
  • Ngôn ngữ lập trình: C++11 (tối ưu hóa node điều khiển thời gian thực, node truyền thông UART) và Python 3.8 (giao diện điều khiển, script xử lý luồng dữ liệu).
  • Phần cứng tính toán & cảm biến: Raspberry Pi 4 Model B (4GB RAM), Vi điều khiển ATmega2560/STM32, Cảm biến LiDAR SLAMTEC M1M1 Mapper, Động cơ giảm tốc GA25-370 kèm Hall Encoder.

Methodology

Dự án áp dụng mô hình phát triển Cơ điện tử chữ V (V-Model Mechatronics), bảo đảm sự đồng bộ giữa thiết kế mô phỏng và kiểm thử thực nghiệm:

[Phân tích yêu cầu] ------------------------------------> [Kiểm nghiệm hệ thống AGV]
        \                                                        /
   [Thiết kế kiến trúc] ---------------------------> [Tích hợp SLAM & DWA]
            \                                            /
       [Mô phỏng Simulink] --------------> [Kiểm thử động cơ & PID]
                \                              /
            [Chế tạo cơ khí & Mạch phần cứng]
  • Giai đoạn 1 (Tuần 1 - 4): Xây dựng mô hình toán học động học/động lực học bánh Mecanum, thiết kế khung vỏ trên SolidWorks và mô phỏng trên MATLAB/Simulink.
  • Giai đoạn 2 (Tuần 5 - 8): Gia công cơ khí, lắp ráp hệ thống truyền động 4 động cơ GA25-370, tích hợp mạch điều khiển công suất và lập trình bộ điều khiển PID vận tốc vòng kín.
  • Giai đoạn 3 (Tuần 9 - 12): Cấu hình ROS Master trên Raspberry Pi, kết nối driver LiDAR SLAMTEC M1M1, xây dựng cây biến đổi hệ quy chiếu (TF Tree) và hiệu chỉnh gói gmapping/cartographer để tạo bản đồ 2D.
  • Giai đoạn 4 (Tuần 13 - 16): Tích hợp gói move_base, tinh chỉnh tham số thuật toán DWA (hệ số bám đích, hệ số khoảng cách vật cản), kiểm nghiệm thực tế và đánh giá sai số.

Implementation và kết quả

Development process

1. Xây dựng mô hình động học 4 bánh đa hướng Mecanum

Bánh xe Mecanum bố trí các con lăn nghiêng một góc $\gamma = 45^\circ$ so với trục bánh xe. Giả sử bán kính bánh xe là $r$, khoảng cách từ tâm hình học của AGV đến trục ngang của bánh xe là $L$, và khoảng cách đến trục dọc là $d$.

Ma trận động học nghịch (Inverse Kinematics) chuyển đổi từ vận tốc dài $(V_x, V_y)$ và vận tốc góc $\omega_z$ của thân xe trong hệ tọa độ robot sang vận tốc góc của từng bánh xe $(\omega_1, \omega_2, \omega_3, \omega_4)$:

$$\begin{bmatrix} \omega_1 \ \omega_2 \ \omega_3 \ \omega_4 \end{bmatrix} = \frac{1}{r} \begin{bmatrix} 1 & -1 & -(L+d) \ 1 & 1 & (L+d) \ 1 & -1 & (L+d) \ 1 & 1 & -(L+d) \end{bmatrix} \begin{bmatrix} V_x \ V_y \ \omega_z \end{bmatrix}$$

Động học thuận (Forward Kinematics) để tính toán Odometry:

$$\begin{bmatrix} V_x \ V_y \ \omega_z \end{bmatrix} = \frac{r}{4} \begin{bmatrix} 1 & 1 & 1 & 1 \ -1 & 1 & -1 & 1 \ -\frac{1}{L+d} & \frac{1}{L+d} & \frac{1}{L+d} & -\frac{1}{L+d} \end{bmatrix} \begin{bmatrix} \omega_1 \ \omega_2 \ \omega_3 \ \omega_4 \end{bmatrix}$$

2. Thuật toán điều khiển PID vận tốc động cơ

Nhằm đảm bảo 4 bánh xe đáp ứng chính xác giá trị vận tốc góc yêu cầu từ phương trình động học nghịch, bộ điều khiển PID rời rạc được triển khai trên vi điều khiển:

// Cài đặt thuật toán PID vận tốc động cơ trên vi điều khiển
float compute_PID(float setpoint, float current_vel, float &integral, float &prev_error, float dt) {
    float error = setpoint - current_vel;
    integral += error * dt;
    // Chống hiện tượng bão hòa tích phân (Anti-windup)
    integral = constrain(integral, -MAX_INTEGRAL, MAX_INTEGRAL);
    
    float derivative = (error - prev_error) / dt;
    prev_error = error;
    
    float output = (Kp * error) + (Ki * integral) + (Kd * derivative);
    return constrain(output, -255.0f, 255.0f); // Tín hiệu PWM ra mạch cầu H
}

3. Thuật toán điều hướng cục bộ Dynamic Window Approach (DWA)

DWA giới hạn không gian tìm kiếm vận tốc $V_d$ dựa trên khả năng gia tốc cực đại của robot trong khoảng thời gian $\Delta t$:

$$V_d = {(v, \omega) \mid v \in [v_a - \dot{v}{max}\Delta t, v_a + \dot{v}{max}\Delta t] \cap [-\dot{\omega}{max}\Delta t, \dot{\omega}{max}\Delta t]}$$

Hàm mục tiêu đánh giá chất lượng quỹ đạo:

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

Trong đó:

  • $\text{heading}(v, \omega)$: Đo góc hướng của AGV so với mục tiêu ($180^\circ - \theta$).
  • $\text{dist}(v, \omega)$: Khoảng cách ngắn nhất từ robot đến vật cản gần nhất trên quỹ đạo dự đoán. Vận tốc an toàn được ràng buộc bởi: $v \le \sqrt{2 \cdot \text{dist}(v, \omega) \cdot \dot{v}_{break_max}}$.
  • $\text{vel}(v, \omega)$: Thành phần khuyến khích AGV duy trì vận tốc tịnh tiến tối ưu.
# Cấu hình tham số DWA Local Planner trong move_base (dwa_local_planner_params.yaml)
DWAPlannerROS:
  # Cấu hình giới hạn vận tốc
  max_vel_x: 0.8
  min_vel_x: -0.2
  max_vel_y: 0.5   # Cho phép tịnh tiến ngang nhờ bánh Mecanum
  min_vel_y: -0.5
  max_vel_theta: 1.5
  min_vel_theta: 0.2
  acc_lim_x: 1.2
  acc_lim_y: 1.0
  acc_lim_theta: 2.0

  # Trọng số tối ưu hóa hàm mục tiêu G(v, w)
  path_distance_bias: 32.0   # alpha: Bám theo quỹ đạo toàn cục
  goal_distance_bias: 24.0   # beta: Hướng về điểm đích
  occdist_scale: 0.05        # gamma: Tránh va chạm vật cản
  forward_point_distance: 0.325
  stop_time_buffer: 0.2
  scaling_speed: 0.25

Testing và validation

Hệ thống được tiến hành kiểm thử thực nghiệm trên 3 kịch bản chuyển động chính tại môi trường giả lập hành lang khách sạn:

[Vị trí Xuất phát A] ----------------(Vật cản tĩnh/động)----------------> [Điểm đích B: Phòng 101]
                            \                                   /
                             \---[Quỹ đạo DWA tránh vật cản]---/
  1. Kiểm nghiệm sai số chuyển động tịnh tiến (Trục X và Y):
    • Cho robot di chuyển quãng đường thẳng $2.0\text{ m}$ theo phương X và tịnh tiến ngang $2.0\text{ m}$ theo phương Y.
    • Kết quả sai số vị trí trung bình ghi nhận qua LiDAR Odometry: $\Delta X = 0.024\text{ m}$ ($1.2%$), $\Delta Y = 0.038\text{ m}$ ($1.9%$).
  2. Kiểm nghiệm sai số quay góc ($\theta$):
    • Thực hiện quay góc $90^\circ$ tại chỗ với vận tốc góc $1.0\text{ rad/s}$. Sai số góc đạt $\Delta \theta = 1.45^\circ$ ($1.6%$).
  3. Kiểm thử tránh chướng ngại vật động:
    • Khi xuất hiện vật cản cắt ngang trong phạm vi $1.0\text{ m}$, thuật toán DWA phản hồi trong thời gian $95\text{ ms}$, tính toán lại cửa sổ vận tốc và đưa robot vòng qua vật cản với khoảng cách an toàn duy trì tối thiểu $0.25\text{ m}$.

Kết quả đạt được

  • Lập bản đồ không gian lớn: Cảm biến LiDAR SLAMTEC M1M1 Mapper hoàn thành xây dựng bản đồ hành lang diện tích $150\text{ m}^2$ trong thời gian 3.5 phút với độ phân giải $0.05\text{ m}$.
  • Khả năng tái định vị (Relocalization): Khi bị thay đổi vị trí đột ngột, hệ thống tái định vị thành công sau $1.2\text{ s}$ với sai số dưới $0.02\text{ m}$.
  • Hiệu suất vận hành: Thời gian đáp ứng giao hàng mẫu giữa 2 phòng cách nhau $20\text{ m}$ đạt $28\text{ s}$ (vận tốc trung bình $0.71\text{ m/s}$).

Đổi mới và đóng góp

Đổi mới kỹ thuật

  1. Khung truyền động toàn hướng Mecanum ứng dụng trong dịch vụ: Khác với hầu hết các AGV phục vụ truyền thống sử dụng hệ dẫn động vi sai (Differential Drive) cần không gian rộng để quay đầu, cơ cấu 4 bánh Mecanum cho phép AGV tịnh tiến ngang trong các hành lang khách sạn hẹp ($0.8 - 1.2\text{ m}$) mà không cần đổi hướng thân xe, giảm thời gian chuyển hướng tới 40%.
  2. Kiến trúc điều khiển kết hợp ROS - Microcontroller phân tầng: Tách biệt hoàn toàn tác vụ tính toán thời gian thực cấp cao (SLAM, DWA, TF) trên Linux SBC và điều khiển phản hồi xung Encoder tốc độ cao qua vi điều khiển, triệt tiêu hiện tượng trễ điều khiển (jitter latency).
So sánh thời gian hoàn thành chu trình chuyển động:
--------------------------------------------------------------------------------
AGV Vi sai truyền thống: [Đi thẳng] -> [Xoay 90 độ: 2.2s] -> [Đi ngang] -> Tổng: 8.5s
Mecanum AGV (Đề tài):    [Đi chéo / Tịnh tiến ngang liên tục]            -> Tổng: 5.1s (Nhanh hơn 40%)
--------------------------------------------------------------------------------

So sánh với các giải pháp hiện hành

Tiêu chí Savioke Relay (Mỹ) Yunji RUN (Trung Quốc) Motar Robot Café (Việt Nam) AGV Mecanum (Đề tài)
Kiểu dẫn động Vi sai 2 bánh chủ động Vi sai 2 bánh chủ động Bám line cố định Toàn hướng 4 bánh Mecanum
Bán kính quay xe $R > 0.4\text{ m}$ $R > 0.45\text{ m}$ Phụ thuộc vạch kẻ $R = 0\text{ m}$ (Xoay tại chỗ / Đi ngang)
Công nghệ định vị 2D LiDAR + Camera 3D 2D LiDAR + Sonar Cảm biến từ bám line LiDAR SLAMTEC M1M1 SLAM
Khả năng tránh vật cản Quy hoạch lại toàn cục Dừng & tìm đường vòng Chỉ dừng lại phát cảnh báo DWA né vật cản động thời gian thực
Mức độ nội địa hóa 0% (Nhập khẩu) 0% (Nhập khẩu) 100% (Thủ công) 100% Thiết kế & Chế tạo trong nước
Chi phí sản xuất Rất cao ($> $20.000$) Cao ($> $12.000$) Thấp ($~ $2.000$) Tối ưu ($< $1.500$)

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng

  • Giao nhận đồ dùng tận phòng: Khách hàng yêu cầu nước uống hoặc vật dụng qua ứng dụng điện thoại. Nhân viên lễ tân đặt đồ vào khay AGV và chọn số phòng (ví dụ: Phòng 204). AGV tự hành đến trước cửa phòng, phát âm thanh thông báo và yêu cầu nhập mã PIN xác nhận trước khi mở khóa khay chứa.
  • Hỗ trợ dọn phòng ca đêm: Thu gom khăn giặt và rác thải nhẹ từ các phòng về điểm tập kết trung tâm mà không cần nhân viên di chuyển xe đẩy cồng kềnh qua lại.
sequenceDiagram
    autonumber
    actor Reception as Lễ tân / Nhà bếp
    participant AGV as Robot AGV Mecanum
    participant ROS as Hệ thống ROS Navigation
    actor Guest as Khách lưu trú

    Reception->>AGV: Đặt đồ dùng vào khay & Chọn số phòng (P.204)
    AGV->>ROS: Gửi Goal Pose (Tọa độ phòng 204)
    ROS->>AGV: Quy hoạch đường đi (A*) & Điều hướng né vật cản (DWA)
    AGV->>Guest: Đến cửa phòng, phát chuông & thông báo
    Guest->>AGV: Nhập mã PIN mở nắp / Lấy đồ dùng
    Guest->>AGV: Nhấn nút "Hoàn thành"
    AGV->>ROS: Trả về trạng thái Goal Reached
    AGV->>Reception: Tự động quay về trạm chờ ban đầu

Phân tích hiệu quả kinh tế (ROI)

Xét bài toán triển khai tại một khách sạn quy mô trung bình (80 phòng):

  • Chi phí nhân sự truyền thống: 2 nhân viên phục vụ ca đêm (22h - 6h), lương trung bình $8.000.000\text{ VNĐ/tháng/người} \rightarrow 192.000.000\text{ VNĐ/năm}$.
  • Chi phí đầu tư 02 Robot AGV: Dự toán chế tạo thương mại hóa: $35.000.000\text{ VNĐ/robot} \times 2 = 70.000.000\text{ VNĐ}$.
  • Chi phí bảo trì & điện năng: Ước tính $10.000.000\text{ VNĐ/năm}$.
  • Thời gian hoàn vốn (Payback Period): $$\text{Thời gian hoàn vốn} = \frac{70.000.000}{192.000.000 - 10.000.000} \approx 0.38\text{ năm } (\approx 4.6\text{ tháng})$$

Giải pháp giúp doanh nghiệp cắt giảm hơn 60% chi phí vận hành dịch vụ phòng ca đêm ngay trong năm đầu tiên.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Độ bám của bánh Mecanum: Bánh xe Mecanum có xu hướng bị trượt vi mô khi di chuyển trên thảm dày hoặc sàn đá hoa cương có nước, gây tích lũy sai số Odometry thuần túy nếu không có LiDAR bù trừ.
  • Giới hạn tải trọng mô hình: Khung mô hình hiện tại đáp ứng tải trọng 2 kg, chưa phù hợp cho các khay hành lý lớn.
  • Tự động hóa tầng: Chưa tích hợp module phần cứng kết nối không dây với bộ điều khiển thang máy tòa nhà để phục vụ đa tầng.

Hướng phát triển tiếp theo

  1. Tích hợp cảm biến chuyên sâu: Bổ sung cảm biến đo quán tính IMU 9 trục và Camera chiều sâu 3D (Intel RealSense / Orbbec Astra) để nhận diện các vật thể thấp dưới tầm quét phẳng của 2D LiDAR.
  2. Cơ cấu trạm sạc tự động (Auto-Docking Station): Thiết lập cơ chế tự động tìm và lùi vào trạm sạc không dây khi dung lượng pin dưới 20%.
  3. Phần mềm quản lý đội xe (Fleet Management): Phát triển nền tảng máy chủ điều phối nhiều AGV hoạt động đồng thời, tránh xung đột giao thông tại các giao lộ hành lang.

Đối tượng hưởng lợi

+----------------------------------------------------------------------------+
|                          ĐỐI TƯỢNG HƯỞNG LỢI                               |
+----------------------------------------------------------------------------+
|  SINH VIÊN & NGHIÊN CỨU SINH      |  KỸ SƯ PHÁT TRIỂN ROBOT (DEVELOPERS)   |
|  - Tài liệu tham khảo toàn diện    |  - Mã nguồn mở tích hợp ROS-MCU        |
|    động học bánh Mecanum          |  - Bộ thông số DWA tinh chỉnh chuẩn    |
|  - Phương pháp xây dựng SLAM 2D    |  - Thiết kế SolidWorks chuẩn cơ khí    |
+----------------------------------- subcontract ---------------------------+
|  DOANH NGHIỆP LƯU TRÚ KHÁCH SẠN   |  KHÁCH HÀNG LƯU TRÚ                    |
|  - Giảm 60% chi phí nhân sự đêm   |  - Trải nghiệm dịch vụ hiện đại        |
|  - Hoàn vốn nhanh dưới 5 tháng    |  - Bảo đảm riêng tư và an toàn 100%    |
+----------------------------------------------------------------------------+
  • Sinh viên & Giảng viên ngành Cơ điện tử/Tự động hóa: Cung cấp mô hình tham khảo chuẩn xác về giải thuật động học Mecanum, cách thiết lập TF Tree, và phương pháp kết nối ROS với phần cứng vi điều khiển.
  • Kỹ sư phát triển Robot: Nắm bắt được bộ thông số tối ưu cho thuật toán DWA khi ứng dụng trên robot di động toàn hướng, tiết kiệm 50% thời gian thử nghiệm thực tế.
  • Doanh nghiệp khách sạn: Tiếp cận giải pháp tự động hóa nội địa với chi phí chỉ bằng 1/10 giá thành robot nhập khẩu.

Câu hỏi thường gặp

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

Hệ thống yêu cầu một máy tính nhúng Single Board Computer (SBC) tối thiểu từ Raspberry Pi 4 (4GB RAM) hoặc Jetson Nano chạy hệ điều hành Ubuntu 20.04 LTS và ROS Noetic. Tầng chấp hành cần vi điều khiển (ATmega2560 hoặc STM32F4) có tối thiểu 4 kênh Timer đọc Encoder ngắt ngoài và 4 kênh PWM điều khiển động cơ DC. Cảm biến định vị khuyến nghị LiDAR có tần số quét tối thiểu 8Hz và bán kính quét $\ge 12\text{ m}$.

2. Bánh xe Mecanum có bị trượt trên sàn gạch bóng của khách sạn không?

Bánh xe Mecanum có hệ số ma sát trượt phụ thuộc vào chất liệu con lăn (cao su/nhựa PU). Trên bề mặt sàn đá hoa cương trơn bóng, hiện tượng trượt vi mô có thể xảy ra. Tuy nhiên, hệ thống giải quyết vấn đề này bằng cách sử dụng bộ lọc Kalman mở rộng (EKF) để kết hợp dữ liệu từ Odometry bánh xe với dữ liệu quét laser tần số 8Hz từ LiDAR SLAMTEC M1M1, giúp triệt tiêu hoàn toàn sai số trích xuất vị trí trong không gian.

3. Làm thế nào để AGV di chuyển giữa các tầng khác nhau trong khách sạn?

Để phục vụ đa tầng, AGV cần kết nối với hệ thống thang máy thông minh thông qua bộ chuyển đổi giao tiếp IoT (sử dụng giao thức MQTT hoặc REST API qua Wi-Fi công nghiệp). Khi cần lên tầng, robot sẽ gửi lệnh gọi thang, chờ cửa mở, tự động di chuyển vào vị trí định sẵn, yêu cầu đóng cửa và chọn tầng đích.

4. Chi phí bảo dưỡng định kỳ của AGV gồm những gì?

Chi phí bảo dưỡng định kỳ hàng năm rất thấp (dưới $5%$ giá trị xe), chủ yếu bao gồm việc kiểm tra độ mòn của các con lăn cao su trên 4 bánh xe Mecanum (thay thế sau mỗi 3.000 giờ hoạt động), kiểm tra dung lượng ắc quy/pin Lithium-ion (chu kỳ 2 năm) và vệ sinh lăng kính phát laser của cảm biến LiDAR.

5. Khả năng mở rộng tải trọng lên 20 - 50 kg có khả thi không?

Hoàn toàn khả thi. Để nâng cao tải trọng, chỉ cần thay đổi kết cấu khung nhôm định hình chịu lực, nâng cấp động cơ DC Servo hoặc Step Motor có moment xoắn lớn hơn (ví dụ động cơ Planetary Gear 24V công suất $100\text{ W} - 250\text{ W}$), và sử dụng bánh xe Mecanum kim loại chịu tải trọng công nghiệp. Toàn bộ kiến trúc phần mềm ROS, thuật toán SLAM và DWA đều giữ nguyên mà không cần lập trình lại từ đầu.

Kết luận

Đồ án tốt nghiệp "Thiết kế, chế tạo AGV phục vụ khách sạn" đã hiện thực hóa thành công một giải pháp robot di động tự hành toàn diện, kết hợp chặt chẽ giữa kỹ thuật cơ khí chính xác, điện tử điều khiển và công nghệ phần mềm robot hiện đại (ROS).

Việc làm chủ hoàn toàn từ khâu tính toán mô hình động học bánh xe Mecanum, thiết kế cơ khí trên SolidWorks, xây dựng mạch điều khiển vòng kín PID đến tích hợp thuật toán định vị SLAM và điều hướng tránh vật cản DWA thời gian thực khẳng định năng lực ứng dụng công nghệ cao của sinh viên Cơ Điện tử Việt Nam. Đây là nền tảng vững chắc hướng tới thương mại hóa sản phẩm, góp phần thúc đẩy mô hình khách sạn thông minh trong kỷ nguyên chuyển đổi số.