Giới thiệu dự án

Trong bối cảnh cuộc Cách mạng Công nghiệp 4.0 phát triển mạnh mẽ, việc tự động hóa các quy trình vận chuyển nội bộ (Intralogistics) và nâng cao năng suất chuỗi cung ứng đã trở thành yêu cầu sống còn của các doanh nghiệp. Theo các báo cáo thống kê ngành công nghiệp robot, thị trường xe tự hành AGV (Automated Guided Vehicle) và AMR (Autonomous Mobile Robot) toàn cầu dự kiến đạt tốc độ tăng trưởng kép hàng năm (CAGR) trên 16.5% giai đoạn 2023–2030. Tuy nhiên, các giải pháp di chuyển truyền thống dẫn đường bằng ray từ tính (magnetic tape) hay mã QR dán sàn bộc lộ nhiều điểm nghẽn lớn: chi phí tái cấu trúc mặt bằng cao, độ linh hoạt thấp và hoàn toàn bị động khi gặp chướng ngại vật động bất ngờ.

Đồ án tốt nghiệp chuyên ngành Công nghệ Kỹ thuật Cơ Điện Tử tại Trường Đại học Sư phạm Kỹ thuật TP.HCM với đề tài "Nghiên cứu bài toán hoạch định quỹ đạo cho Mobile Robot" (SVTH: Hồ Vĩnh Trọng, Đoàn Nguyễn Hoàng, Lê Đăng Khoa; GVHD: ThS. Võ Lâm Chương) tập trung giải quyết triệt để bài toán điều hướng tự chủ cho robot di động dạng vi sai (Differential Drive) trong môi trường trong nhà (Indoor) chưa biết trước bản đồ hoàn chỉnh.

+-------------------------------------------------------------------------+
|                          MỤC TIÊU CỦA ĐỒ ÁN                             |
+-------------------------------------------------------------------------+
| 1. Thiết kế và chế tạo phần cứng Mobile Robot tải trọng 10 kg          |
| 2. Xây dựng mô hình động học vi sai & bộ điều khiển PID Anti-Windup    |
| 3. Nghiên cứu thuật toán học tăng cường Q-Learning tránh vật cản động  |
| 4. Triển khai kiến trúc ROS giao tiếp STM32F401 & Raspberry Pi 3B+      |
| 5. Phát triển ứng dụng Android MIT App Inventor điều khiển qua Wi-Fi   |
+-------------------------------------------------------------------------+

Giải pháp tiếp cận của đề tài là kết hợp giữa tầng điều khiển vòng kín phần cứng thời gian thực (Real-time Closed-loop Control) trên vi điều khiển STM32 và tầng hoạch định quỹ đạo thông minh (Intelligent Path Planning) dựa trên học tăng cường (Reinforcement Learning - Q-Learning) tích hợp khung làm việc ROS trên máy tính nhúng Raspberry Pi.

Chỉ số kết quả dự kiến và Phạm vi giới hạn của đề tài:

  • Vận tốc di chuyển định mức: $v_{max} = 0.5 \text{ m/s}$, vận tốc góc $\omega_{max} = 3.0 \text{ rad/s}$.
  • Tải trọng vận chuyển: Khối lượng đồ vật thiết yếu tối đa $10 \text{ kg}$.
  • Độ chính xác quỹ đạo (Point-to-Point): Sai số khoảng cách điểm đích $e_{pos} < 0.05 \text{ m}$ ($5 \text{ cm}$), sai số góc hướng $e_\theta < 3^\circ$.
  • Thời gian hoạt động liên tục: $\ge 2.5 \text{ giờ}$ với khối pin Li-ion 3S 12V dung lượng danh định.
  • Phạm vi áp dụng: Môi trường phẳng trong nhà (nhà kho, văn phòng, phòng thí nghiệm), mặt sàn có hệ số ma sát ổn định.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các mô hình Mobile Robot trên thị trường hiện nay phân hóa thành nhiều nhóm kiến trúc truyền động và thuật toán điều hướng khác nhau:

Tiêu chí so sánh Hệ thống AGV dò line truyền thống Mobile Robot bánh Omni / Mecanum Hệ thống đề xuất (Vi sai 2WD + 2 Castor + Q-Learning)
Cơ cấu cơ khí Đơn giản, dùng cảm biến từ/quang 3–4 bánh Omni phức tạp, ma sát lớn 2 bánh chủ động bọc silicon + 2 bánh tự lựa cao su
Chi phí chế tạo Trung bình (cần dán line cố định) Rất cao, chi phí gia công bánh đắt Tối ưu hóa kinh tế, linh kiện chuẩn công nghiệp
Độ linh hoạt Rất thấp, đi theo lộ trình cứng Tịnh tiến đa hướng tức thời Linh hoạt, bán kính quay vòng tức thời bằng 0 ($R_{ICC}=0$)
Xử lý vật cản Dừng khẩn cấp, chờ dọn vật cản Hoạch định lại đường đi (Global/Local) Tránh vật cản động theo thời gian thực nhờ Q-Learning
Tải trọng / Độ bền Tốt trên đường line cố định Kém trên mặt sàn không đều, dễ mòn Tải trọng phân bổ đều lên 4 điểm tựa, độ bền cao

Ma trận yêu cầu hệ thống theo mô hình MoSCoW:

  • Must-Have (Bắt buộc có): Mô hình động học thuận/nghịch chính xác; bộ điều khiển PI Anti-windup cho động cơ DC; giao thức truyền thông Rosserial ổn định giữa STM32 và Raspberry Pi; cảm biến Encoder đọc xung chuẩn xác; thuật toán Point-to-Point ổn định nghiệm Lyapunov.
  • Should-Have (Nên có): Thuật toán học tăng cường Q-Learning thích nghi tránh va chạm; hiển thị trạng thái robot qua màn hình OLED 0.96 inch I2C; ứng dụng Android giao diện trực quan.
  • Could-Have (Có thể có): Thuật toán làm mịn quỹ đạo bằng đường cong Bezier/Spline; tích hợp bản đồ SLAM 2D từ RPLidar A1M8.
  • Won't-Have (Chưa triển khai): Điều hướng 3D vượt địa hình bậc thang hoặc hoạt động ngoài trời chống nước (IP67).

Thiết kế hệ thống

Kiến trúc phần cứng và phần mềm của hệ thống Mobile Robot được phân tầng rõ ràng nhằm đảm bảo tính module hóa và độ trễ thấp nhất:

graph TD
    A[MIT App Inventor - Android UI] -->|Wi-Fi / TCP-IP| B(Raspberry Pi 3 Model B+)
    subgraph High-Level Controller - Raspberry Pi Linux
        B --> C[ROS Master & ROS Nodes]
        C --> D[Q-Learning Path Planner]
        C --> E[RPLidar A1M8 2D Scanner]
        C --> F[rosserial_python Node]
    end
    F -->|UART Full-Duplex 115200 bps| G[rosserial_client Node - STM32F401CCU6]
    subgraph Low-Level Controller - STM32F401 ARM Cortex-M4
        G --> H[Differential Kinematics Solver]
        H --> I[Dual PI Velocity Controller + Anti-Windup]
        I --> J[PWM Generation @ 20kHz]
        J --> K[BTS7960 Motor Driver 43A]
        K --> L[2x DC Motors with Gearbox]
        M[2x Optical Rotary Encoders 600 PPR] -->|PC817 Optocoupler Isolation| N[STM32 Timer Encoder Mode x4]
        N --> I
        O[MPU6050 6-DOF IMU] -->|I2C 400kHz| G
        P[OLED Display 0.96 inch] -->|I2C| G
    end

Chi tiết Technology Stack:

  • Tầng điều khiển cấp cao: Raspberry Pi 3 Model B+ (Broadcom BCM2837B0, Quad-core Cortex-A53 1.4GHz, 1GB RAM), OS Ubuntu 18.04 LTS Mate, ROS Melodic / Python 3.8.
  • Tầng điều khiển cấp thấp: STM32F401CCU6 (32-bit ARM Cortex-M4 @ 84MHz, 256KB Flash, 64KB RAM), C/C++ trên STM32CubeIDE, HAL Library.
  • Cảm biến & Cơ cấu chấp hành: Động cơ DC giảm tốc kim loại, Optical Rotary Encoder rời 600 xung/vòng (PPR), Module công suất BTS7960 (43A H-Bridge), RPLidar A1M8 (khoảng cách quét 12m, tần số quét 5.5Hz), IMU MPU6050.
  • Khâu bảo vệ & Phân phối nguồn: Cách ly quang tốc độ cao PC817 ngăn nhiễu xung từ động cơ truyền ngược về MCU; Module hạ áp bước xuống DC-DC Buck MP2482 hiệu suất 92% cấp nguồn 5V ổn định cho bo mạch số.

Methodology

Quy trình nghiên cứu áp dụng phương pháp lặp V-Model kết hợp Agile/Scrum ngắn hạn 2 tuần/sprint:

+-----------------------------------------------------------------------------+
| TIẾN TRÌNH THỰC HIỆN DỰ ÁN (PROJECT TIMELINE)                               |
+-----------------------------------------------------------------------------+
| Sprint 1-2: Tính toán cơ cấu động học, thiết kế CAD & phân tích FEA SolidWorks |
| Sprint 3-4: Gia công cơ khí nhôm 6061, gia công mạch PCB nguồn & mạch đệm  |
| Sprint 5-6: Lập trình STM32: Đọc Encoder x4, nhận dạng hàm truyền, chỉnh PI|
| Sprint 7-8: Xây dựng giải thuật Point-to-Point & mô phỏng Q-Learning Python|
| Sprint 9-10: Tích hợp ROS, Rosserial UART, kết nối App Mobile và thực nghiệm|
+-----------------------------------------------------------------------------+

Quản trị rủi ro và Đảm bảo chất lượng (QA):

  • Rủi ro trôi tích phân (Integral Windup) trong điều khiển tốc độ khi bão hòa công suất: Xử lý bằng thuật toán Anti-Windup dựa trên hằng số thời gian $\tau$.
  • Rủi ro sụt áp vi điều khiển do động cơ khởi động dòng lớn: Thiết kế tách biệt Ground động lực và Ground tín hiệu số, sử dụng Opto PC817 cách ly quang và lọc nguồn bằng tụ hóa 1000µF + tụ gốm 100nF.

Implementation và kết quả

Development process

1. Mô hình hóa động học vi sai (Differential Drive Kinematics)

Gọi $r$ là bán kính bánh xe chủ động ($r = 0.05 \text{ m}$), $L$ là khoảng cách tâm giữa hai bánh ($L = 0.28 \text{ m}$), $\omega_r, \omega_l$ lần lượt là vận tốc góc bánh phải và bánh trái.

Phương trình động học thuận: $$\begin{bmatrix} \dot{X} \ \dot{Y} \ \dot{\theta} \end{bmatrix} = \begin{bmatrix} \cos\theta & 0 \ \sin\theta & 0 \ 0 & 1 \end{bmatrix} \begin{bmatrix} V_c \ W \end{bmatrix} = \begin{bmatrix} \frac{r}{2}(\omega_r + \omega_l)\cos\theta \ \frac{r}{2}(\omega_r + \omega_l)\sin\theta \ \frac{r}{L}(\omega_r - \omega_l) \end{bmatrix}$$

Chuyển đổi sang hệ tọa độ cực để điều khiển điểm – điểm (Point-to-Point Stabilization): $$\rho = \sqrt{\Delta x^2 + \Delta y^2}, \quad \alpha = -\theta + \operatorname{atan2}(\Delta y, \Delta x), \quad \beta = -\theta - \alpha$$

Luật điều khiển vận tốc tuyến tính và vận tốc góc: $$V = k_\rho \cdot \rho, \quad W = k_\alpha \cdot \alpha + k_\beta \cdot \beta \quad (\text{với } k_\rho > 0, k_\beta < 0, k_\alpha - k_\rho > 0)$$

2. Thuật toán điều khiển vận tốc PI với khâu Anti-Windup

Hàm truyền liên tục của động cơ DC vận tốc được nhận dạng thực nghiệm qua phương pháp đáp ứng quá độ bậc thang kết hợp mô hình nội IMC (Internal Model Control): $$G(s) = \frac{K}{Ts + 1} e^{-\tau s}$$

Thuật toán PI số hóa dạng sai phân với khâu bù bão hòa Anti-Windup được cài đặt trên STM32:

// C Code implementation on STM32F401 (Sample rate Ts = 10ms)
typedef struct {
    float Kp;
    float Ki;
    float Kb;           // Anti-windup gain: Kb = 1.0f / tau
    float integral;
    float out_min;
    float out_max;
} PI_AntiWindup_t;

float PI_Update(PI_AntiWindup_t *pid, float setpoint, float feedback, float Ts) {
    float error = setpoint - feedback;
    
    // Khau ti le Proportional
    float p_out = pid->Kp * error;
    
    // Tinh tong dien ap yeu cau chua bao hoa
    float u_unsat = p_out + pid->integral;
    
    // Khau bao hoa Saturation
    float u_sat = u_unsat;
    if (u_sat > pid->out_max) u_sat = pid->out_max;
    else if (u_sat < pid->out_min) u_sat = pid->out_min;
    
    // Tinh sai so bao hoa e_reset
    float e_reset = u_sat - u_unsat;
    
    // Cap nhat khau tich phan voi Anti-windup
    pid->integral += (pid->Ki * error + pid->Kb * e_reset) * Ts;
    
    return u_sat;
}

3. Thuật toán học tăng cường Q-Learning tránh vật cản

Không gian trạng thái $S$ được rời rạc hóa dựa trên khoảng cách tới mục tiêu ($d$), khoảng cách tới vật cản từ LiDAR/cảm biến ($d_{obs}$) và góc lệch hướng ($\Delta\phi$). Không gian hành động $A$ bao gồm 5 hành động rời rạc: ${A_0: \text{Thẳng nhanh}, A_1: \text{Thẳng chậm}, A_2: \text{Rẽ trái}, A_3: \text{Rẽ phải}, A_4: \text{Lùi dạt hướng}}$.

Phương trình cập nhật giá trị Bellman: $$Q(s_t, a_t) \leftarrow (1 - \alpha) Q(s_t, a_t) + \alpha \left[ R_{t+1} + \gamma \max_{a} Q(s_{t+1}, a) \right]$$

Hàm khen thưởng (Reward Function): $$R = \begin{cases} +100 & \text{khi đến đích } (\rho < 0.05\text{ m}) \ -100 & \text{khi va chạm vật cản } (d_{obs} < 0.15\text{ m}) \ -\lambda_1 \Delta\rho - \lambda_2 |\Delta\phi| & \text{trong quá trình di chuyển (khuyến khích tiến về đích)} \end{cases}$$

Chiến lược lựa chọn hành động Softmax (Boltzmann Distribution): $$P(a_i | s) = \frac{e^{\frac{Q(s, a_i)}{T}}}{\sum_{j} e^{\frac{Q(s, a_j)}{T}}}$$

# Python Node in ROS for Q-Learning Inference
import numpy as np

class QLearningPathPlanner:
    def __init__(self, actions, alpha=0.1, gamma=0.9, temperature=1.0):
        self.actions = actions
        self.alpha = alpha
        self.gamma = gamma
        self.T = temperature
        self.q_table = {} # Key: state tuple, Value: np.array of action values

    def get_q_values(self, state):
        if state not in self.q_table:
            self.q_table[state] = np.zeros(len(self.actions))
        return self.q_table[state]

    def choose_action_softmax(self, state):
        q_vals = self.get_q_values(state)
        # Numerical stability shift
        exp_q = np.exp((q_vals - np.max(q_vals)) / self.T)
        probabilities = exp_q / np.sum(exp_q)
        return np.random.choice(self.actions, p=probabilities)

    def learn(self, state, action_idx, reward, next_state):
        current_q = self.get_q_values(state)[action_idx]
        next_max_q = np.max(self.get_q_values(next_state))
        # Bellman update
        new_q = (1 - self.alpha) * current_q + self.alpha * (reward + self.gamma * next_max_q)
        self.q_table[state][action_idx] = new_q

Testing và validation

Hệ thống đã trải qua hơn 150 chu kỳ kiểm thử thực nghiệm trên sa bàn với các kịch bản tĩnh và động:

+-----------------------------------------------------------------------------+
| BẢNG ĐO ĐẠC HIỆU NĂNG THỰC NGHIỆM (PERFORMANCE BENCHMARKS)                 |
+-----------------------------------------------------------------------------+
| Tiêu chí đánh giá               | Giá trị lý thuyết | Kết quả thực nghiệm  |
+---------------------------------+-------------------+----------------------+
| Thời gian đáp ứng tốc độ (tr)   | < 0.20 s          | 0.16 s               |
| Độ vọt lố tốc độ (Overshoot)    | < 5.0 %           | 3.2 %                |
| Sai số xác lập vận tốc (ess)    | 0.0 rad/s         | < 0.08 rad/s         |
| Sai số điểm đích Point-to-Point | < 0.05 m          | 0.038 m (3.8 cm)     |
| Tỷ lệ tránh vật cản thành công  | > 90 %            | 94.6 % (47/50 lần)   |
| Tần số vòng quét điều khiển MCU | 100 Hz            | 100 Hz (độ trễ <1ms) |
+-----------------------------------------------------------------------------+

Kết quả đạt được

  1. Cơ khí – Phần cứng: Chế tạo hoàn chỉnh thân xe từ hợp kim nhôm 6061, trọng lượng bản thân $4.2 \text{ kg}$, chịu tải trọng hữu ích $10 \text{ kg}$ an toàn (hệ số bền an toàn $s > 2.8$ phân tích trên SolidWorks FEA Simulation).
  2. Hệ thống điều khiển góc quay và vận tốc: Encoder rời 600 xung/vòng đọc qua Timer ngắt x4 cho ra 2400 xung/vòng, giúp vi điều khiển STM32 phát hiện chính xác sự thay đổi vận tốc bánh xe ở độ dịch chuyển nhỏ đến $0.13 \text{ mm}$.
  3. Tích hợp hệ thống: Kết nối thành công ROS Node qua giao thức Rosserial UART tần số 50Hz, truyền nhận tọa độ Odometry ($X, Y, \theta$) và nhận lệnh Twist (cmd_vel) mượt mà, không xảy ra hiện tượng mất gói tin.
  4. Tương tác người dùng: Xây dựng hoàn thiện ứng dụng điều khiển qua smartphone trên nền tảng MIT App Inventor, cho phép chuyển đổi linh hoạt giữa chế độ tự hành (Autonomous) và chế độ can thiệp bằng tay (Manual Joystick).

Đổi mới và đóng góp

  • Tích hợp bộ Encoder rời 600 PPR độ phân giải cao: Thay vì sử dụng động cơ servo tích hợp đắt tiền hoặc động cơ vàng giảm tốc rẻ tiền có encoder 11–13 PPR (độ chính xác thấp khi chạy chậm), đồ án sử dụng bộ truyền đai tỷ số $1:1$ kéo Encoder quang học rời 600 PPR. Giải pháp này giúp cải thiện độ mịn của tín hiệu phản hồi vận tốc lên gấp 18.4 lần so với encoder tích hợp thông thường.
  • Bộ điều khiển tốc độ cải tiến kết hợp Anti-Windup: Triển khai cơ chế bù bão hòa tích phân $K_B = 1/\tau$ giúp triệt tiêu hiện tượng vọt lố khi robot đổi chiều quay đột ngột hoặc khi gặp lực cản lớn, giảm thời gian ổn định động học đi 35%.
  • Ứng dụng Q-Learning cho Mobile Robot cỡ nhỏ: Chứng minh tính khả thi của việc nhúng thuật toán học tăng cường không mô hình (Model-free RL) trên máy tính đơn bo Raspberry Pi, cho phép robot tự tìm đường vòng qua các vật cản bất ngờ mà không đòi hỏi tài nguyên tính toán đồ họa GPU đắt đỏ.
  • Đóng góp mã nguồn mở giáo dục: Cung cấp toàn bộ sơ đồ nguyên lý phần cứng, tập lệnh tính toán SolidWorks và gói phần mềm ROS-STM32 hoàn chỉnh, tạo tài liệu tham khảo thực tế cho sinh viên ngành Kỹ thuật Điều khiển, Tự động hóa và Cơ Điện Tử.

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế (Use Cases)

       [KHO THÔNG MINH]                  [BỆNH VIỆN - Y TẾ]                [VĂN PHÒNG - DÂN DỤNG]
              |                                  |                                   |
              v                                  v                                   v
+---------------------------+      +---------------------------+       +---------------------------+
| Vận chuyển linh kiện điện |      | Giao phát thuốc, hồ sơ    |       | Robot tuần tra an ninh,   |
| tử giữa các line lắp ráp  |      | bệnh án, suất ăn vô trùng |       | vận chuyển bưu phẩm nội   |
| trong nhà xưởng SMT.      |      | giữa các khu điều trị.    |       | bộ trong các tòa nhà cao. |
+---------------------------+      +---------------------------+       +---------------------------+

Phân tích hiệu quả kinh tế (ROI) & Lộ trình triển khai

  • Dự toán chi phí sản xuất phần cứng: Khoảng $3.500.000 - 4.500.000 \text{ VNĐ}$ cho một robot hoàn chỉnh (bao gồm kết cấu nhôm, động cơ, cảm biến, bo mạch STM32, Raspberry Pi và Pin Li-ion).
  • So sánh chi phí: Thấp hơn 75% so với các kit Mobile Robot công nghiệp nhập khẩu có cấu hình tương đương (giá từ 18–25 triệu VNĐ).
  • Thời gian hoàn vốn ước tính: Với một xưởng sản xuất nhỏ thay thế 1 nhân công vận chuyển nội bộ, thời gian thu hồi vốn chỉ từ 2.5 – 3 tháng.

Lộ trình thương mại hóa và mở rộng:

  1. Giai đoạn 1 (0–3 tháng): Chuẩn hóa thiết kế mạch in PCB 4 lớp công nghiệp, thay thế dây nối rời bằng socket chống rung.
  2. Giai đoạn 2 (3–6 tháng): Nâng cấp cảm biến sang Lidar 2D công nghiệp và camera độ sâu (RGB-D Camera) để chạy thuật toán SLAM Cartographer kết hợp Navigation Stack (Nav2).
  3. Giai đoạn 3 (6–12 tháng): Xây dựng phần mềm quản lý hạm đội xe (Fleet Management Server) quản lý điều phối đồng thời 10–20 robot qua Wi-Fi Mesh/5G.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Sai số trượt cơ học (Wheel Slip): Khi di chuyển trên các bề mặt trơn trượt hoặc khi gia tốc lớn, hiện tượng trượt bánh gây ra sai lệch tích lũy odometry theo thời gian.
  • Kích thước bảng Q-Table: Việc rời rạc hóa không gian trạng thái ở mức độ vừa phải để tiết kiệm RAM trên Raspberry Pi làm giới hạn khả năng thích ứng trong các môi trường có quá nhiều chướng ngại vật phức tạp.
  • Dung lượng nguồn: Pin 3S 12V cho thời gian chạy thực nghiệm khoảng 2.5–3 giờ, cần có trạm sạc tự động (Auto-docking station).

Hướng phát triển tương lai

  • Tích hợp thuật toán lọc Kalman mở rộng (Extended Kalman Filter - EKF) để dung hợp dữ liệu giữa Encoder bánh xe và cảm biến quán tính 6-DOF IMU MPU6050 nhằm loại bỏ sai số trôi tọa độ.
  • Nâng cấp thuật toán học tăng cường từ Q-Learning truyền thống lên mạng nơ-ron sâu DQN (Deep Q-Network) hoặc DDPG (Deep Deterministic Policy Gradient) để xử lý không gian trạng thái và hành động liên tục.
  • Trang bị đế sạc không dây tự động kết nối khi dung lượng pin giảm xuống dưới 20%.

Đối tượng hưởng lợi

  • Sinh viên ngành Kỹ thuật (Cơ Điện Tử, Tự Động Hóa, Robot, IoT): Tài liệu học tập thực tế và trực quan, bao quát toàn diện từ tính toán cơ khí, mạch điện tử công suất đến lập trình nhúng thời gian thực và kiến trúc ROS.
  • Kỹ sư lập trình Robot & Nhúng (Embedded Developers): Mẫu kiến trúc giao tiếp chuẩn công nghiệp giữa ARM Cortex-M4 và ROS Framework qua Rosserial; thuật toán PI Anti-Windup số hóa chuẩn xác.
  • Doanh nghiệp sản xuất vừa và nhỏ (SMEs): Cơ sở để nghiên cứu tự phát triển hệ thống xe tự hành AGV nội bộ với chi phí siêu thấp, tối ưu hóa hoạt động hậu cần kho bãi.
  • Nhà nghiên cứu (Researchers): Dữ liệu thực nghiệm về việc áp dụng thuật toán Reinforcement Learning cho bài toán điều khiển chuyển động vi sai trong không gian thực tế.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai và chạy hệ thống này là gì?

Hệ thống yêu cầu nguồn cấp DC 11.1V – 12.6V (Pin Li-ion 3S tối thiểu 30C), vi điều khiển STM32F401 (hoặc dòng STM32F4 tương đương có hỗ trợ phần cứng Timer Encoder và FPU), máy tính nhúng chạy hệ điều hành Linux Ubuntu 18.04/20.04 LTS có cài đặt ROS, và bộ chuyển đổi logic USB-UART/FTDI tốc độ baud 115200 bps.

2. Làm thế nào để giải quyết vấn đề trôi tọa độ (Odometry Drift) khi robot chạy đường dài?

Hiện tại hệ thống sử dụng thuật toán Point-to-Point hiệu chỉnh góc và vị trí theo từng bước. Để chạy các quãng đường dài trên 50 mét trong thực tế, cần áp dụng bộ lọc EKF (Extended Kalman Filter) thông qua gói robot_localization của ROS để dung hợp dữ liệu từ Rotary Encoder, IMU MPU6050 và định vị mốc từ Lidar Scan Matching.

3. Hệ thống có thể tích hợp với phần mềm quản lý kho (WMS/ERP) có sẵn không?

Hoàn toàn có thể. Do Raspberry Pi đóng vai trò là một ROS Node kết nối mạng Wi-Fi/LAN, hệ thống có thể mở các cổng giao tiếp RESTful API hoặc MQTT/WebSockets để nhận lệnh điều động trực tiếp từ máy chủ quản lý kho (WMS) hoặc hệ thống ERP trung tâm.

4. Chi phí bảo dưỡng và linh kiện thay thế của robot như thế nào?

Cơ cấu sử dụng bộ truyền đai cao su răng cưa và bánh xe nhôm bọc silicon có tuổi thọ cao, ít bị mài mòn. Chi phí bảo trì định kỳ sau mỗi 1000 giờ hoạt động chỉ bao gồm kiểm tra độ căng dây đai và thay thế chổi than động cơ (nếu dùng DC chổi than) với chi phí dưới 100.000 VNĐ/lần.

5. Thời gian hoàn vốn (ROI) khi ứng dụng mô hình này vào doanh nghiệp là bao lâu?

Với tổng chi phí chế tạo hoàn chỉnh dưới 5.000.000 VNĐ, nếu đưa vào hoạt động vận chuyển liên tục thay thế 1 ca làm việc của công nhân bốc vác nội bộ, thời gian hoàn vốn đầu tư chỉ dao động từ 2 đến 3 tháng vận hành.

Kết luận

Đề tài "Nghiên cứu bài toán hoạch định quỹ đạo cho Mobile Robot" của nhóm sinh viên ngành Công nghệ Kỹ thuật Cơ Điện Tử, Trường Đại học Sư phạm Kỹ thuật TP.HCM đã giải quyết thành công và trọn vẹn cả 3 khía cạnh cốt lõi của một hệ thống cơ điện tử thông minh: Thiết kế cơ khí vững chắc – Điều khiển nhúng thời gian thực chính xác – Hoạch định quỹ đạo tự hành thông minh.

Kết quả thực nghiệm với sai số vị trí $< 3.8 \text{ cm}$, khả năng tránh chướng ngại vật thành công đạt $94.6%$ và kết cấu cơ khí chịu tải $10 \text{ kg}$ đã khẳng định tính đúng đắn của phương pháp tiếp cận và tiềm năng ứng dụng thực tế to lớn của đề tài trong tự động hóa nhà máy và hậu cần thông minh. Đây là nền tảng vững chắc để tiếp tục phát triển các thế hệ robot tự hành AMR thương mại hóa phục vụ công cuộc hiện đại hóa sản xuất tại Việt Nam.