Giới thiệu dự án

Thị trường thiết bị bay không người lái (UAV - Unmanned Aerial Vehicle) thương mại và công nghiệp đang trải qua giai đoạn tăng trưởng vượt bậc với tốc độ tăng trưởng kép hàng năm (CAGR) dự báo đạt trên 18.5% giai đoạn 2020–2030. UAV hiện đại không còn giới hạn ở các hoạt động điều khiển thủ công bằng tay (Manual RC) mà chuyển dịch mạnh mẽ sang tự hành hoàn toàn (Autonomous Flight), định vị và vẽ bản đồ đồng thời (SLAM), kiểm tra hạ tầng và cứu hộ cứu nạn. Tuy nhiên, việc xây dựng một hệ thống UAV tự hành hoạt động chính xác trong môi trường ngoài trời (Outdoor Environments) đối mặt với hàng loạt rào cản kỹ thuật: trôi dạt cảm biến (IMU sensor drift), nhiễu động cơ tác động lên con quay hồi chuyển, độ trễ tín hiệu và tính đóng kín, đắt đỏ của các nền tảng thương mại đóng gói sẵn.

Đồ án tốt nghiệp chuyên ngành Kỹ thuật Điều khiển và Tự động hóa của tác giả Lê Thành Đạt (Đại học Sư phạm Kỹ thuật TP.HCM), dưới sự hướng dẫn của PGS. TS. Lê Mỹ Hà, tập trung giải quyết bài toán: Nghiên cứu, thiết kế và chế tạo hệ thống dẫn đường và điều khiển tự động cho Quadcopter hoạt động ngoài trời dựa trên firmware mã nguồn mở INAV, kết hợp khung truyền thông ROS và giao diện trực quan hóa 3D Unity.

Mục tiêu dự án

  1. Thiết kế phần cứng UAV micro-class: Tối ưu hóa trọng lượng cất cánh tổng thể ở mức $\le 250\text{g}$, sử dụng khung sợi carbon FUS x111 Pro (2.3-inch prop) tích hợp vòng bảo vệ nhằm tăng tính cơ động và an toàn.
  2. Xây dựng hệ thống điều khiển đa tầng (Cascade Flight Control): Triển khai cấu trúc điều khiển tư thế PIDFF (Proportional-Integral-Derivative-Feedforward) kết hợp điều khiển vị trí/độ cao bằng kỹ thuật dung hợp cảm biến (Sensor Fusion).
  3. Xử lý tín hiệu và lọc nhiễu thời gian thực: Áp dụng bộ lọc ma trận (Matrix Notch Filter) kết hợp Fast Fourier Transform (FFT) và bộ lọc RPM theo thời gian thực để loại bỏ triệt để rung chấn cơ khí tần số cao từ động cơ không chổi than (BLDC).
  4. Phát triển hệ thống giám sát và lập quỹ đạo tự động: Xây dựng cầu nối truyền thông MSP (Multiwii Serial Protocol) qua Robot Operating System (ROS), liên kết với Unity 3D để hiển thị Digital Twin và nạp điểm lộ trình (Waypoint Navigation).

Phạm vi và giới hạn

  • Phạm vi: Hoạt động ngoài trời trong điều kiện gió nhẹ đến trung bình, môi trường nhận đủ tín hiệu từ tối thiểu 4 vệ tinh GNSS, hỗ trợ giữ vị trí (Position Hold), giữ độ cao (Altitude Hold) và bay theo lộ trình định sẵn (Waypoint Tracking).
  • Giới hạn: Thời gian bay từ 6–10 phút do giới hạn dung lượng pin LiPo $450\text{mAh}$, phạm vi quét của cảm biến khoảng cách quang học LiDAR micro (TF-Luna) hoạt động tối ưu dưới $8\text{m}$.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Hiện nay, việc nghiên cứu phát triển UAV tự hành thường dựa trên hai xu hướng chính: các nền tảng công nghiệp đóng gói (như DJI SDK) hoặc các bộ điều khiển mã nguồn mở (ArduPilot/PX4 và Betaflight/INAV).

Tiêu chí DJI Matrice / Tello SDK ArduPilot / PX4 (Pixhawk) Giải pháp đề xuất (INAV + ROS + Custom Micro FC)
Chi phí phần cứng Rất cao (> $1,000 - $5,000) Trung bình ($300 - $800) Thấp / Tối ưu (~ $150 - $250)
Kích thước & Trọng lượng Lớn (> 500g - 2kg) Lớn, cồng kềnh (> 450g) Siêu nhỏ gọn (< 250g, micro frame)
Khả năng can thiệp thuật toán Hạn chế qua API tầng cao Mở nhưng mã nguồn rất phức tạp Linh hoạt, can thiệp trực tiếp Mixer & PIDFF
Độ trễ điều khiển vòng trong Đóng kín 100Hz – 400Hz Lên đến 1kHz – 8kHz (DShot / Looptime 125µs)
Lọc nhiễu Gyro Cố định của nhà sản xuất Low-pass cơ bản / Dynamic Notch Matrix Filter 3x3 + Dynamic RPM Notch Filter

Phân tích yêu cầu hệ thống theo mô hình MoSCoW

  • Must-have: Khả năng tự cân bằng góc nghiêng Roll/Pitch/Yaw; tự động giữ độ cao kết hợp Barometer + LiDAR; truyền nhận telemetry qua giao thức MSP.
  • Should-have: Bay tự động qua các điểm tham chiếu (Waypoint Navigation); hiển thị mô phỏng 3D thời gian thực trên Unity; bộ lọc RPM thích ứng.
  • Could-have: Tự động né tránh vật cản tức thời tầng thấp bằng LiDAR; tính toán quỹ đạo tối ưu bằng ROS MoveIt.
  • Won't-have (giai đoạn này): Định vị quang học SLAM không GPS bằng camera quang dòng (Optical Flow).

Thiết kế kiến trúc hệ thống

+-----------------------------------------------------------------------------------+
|                            TRẠM MẶT ĐẤT (GROUND STATION)                          |
|  +-------------------------------------+   +------------------------------------+  |
|  |       Giao diện Unity 3D            |   |           ROS Node Core            |  |
|  | - Digital Twin Visualize (Realtime) |<->| - /uav_position_sub                |  |
|  | - Waypoint Mission Planner UI       |   | - /msp_command_pub                 |  |
|  +-------------------------------------+   +------------------------------------+  |
+------------------------------------------|----------------------------------------+
                                           | MSP Messages (UART/Wireless Link)
+------------------------------------------v----------------------------------------+
|                          HỆ THỐNG TRÊN MÁY BAY (FLIGHT CONTROLLER)                 |
|  Mamba MK4 F722 MINI (STM32F722RET6 @ 216MHz, 512KB Flash, 256KB SRAM)            |
|                                                                                   |
|  [Tầng Xử Lý Tín Hiệu]                                                            |
|  - Fast Fourier Transform (FFT) Analyzers                                         |
|  - Dynamic Matrix Notch Filter (3x3 Axes) + RPM Filter Tracking                   |
|  - 1D Kalman Filter (Altitude & State Estimation)                                 |
|                                                                                   |
|  [Tầng Điều Khiển Vòng Ngoài - Navigation & Outer Loop]                           |
|  - Position Controller (PID) <--- Dữ liệu Beitian BN-880 (GPS + Magnetometer)     |
|  - Altitude Controller (PID) <--- Fusing: Barometer SPL06 + TF-Luna LiDAR + Accel|
|                                                                                   |
|  [Tầng Điều Khiển Vòng Trong - Attitude & Rate Loop]                              |
|  - Cascade PIDFF (Roll, Pitch, Yaw Commands)                                      |
|  - Motor Mixing Algorithm: U1, U2, U3, U4 -> Motor PWM/DShot Output               |
|                                                                                   |
|  [Bộ Truyền Động - Actuator Layer]                                                |
|  - MAMBA F40 128K BLHeli_32 ESC (DShot300/600 Protocol)                           |
|  - 4x Diatone Mamba TOKA 1204 5000KV BLDC Motors + 2.3-inch Propellers            |
+-----------------------------------------------------------------------------------+

Thông số cấu hình Technology Stack

  • Vi điều khiển máy bay (FC MCU): STM32F722RET6 32-bit ARM Cortex-M7 chạy ở tần số $216\text{MHz}$, tích hợp $512\text{KB}$ Flash, $256\text{KB}$ SRAM.
  • Cảm biến góc và gia tốc (IMU): TDK InvenSense ICM-42688-P (tần số lấy mẫu gyro lên tới $8\text{kHz}$).
  • Cảm biến độ cao & khí áp: Goertek SPL06-001 Barometer (độ phân giải độ cao $\approx 5\text{cm}$).
  • Cảm biến LiDAR: Benewake TF-Luna ToF ($850\text{nm}$, cự ly $0.2 - 8\text{m}$, tần số quét $100\text{Hz}$).
  • Mô-đun định vị toàn cầu: Beitian BN-880 tích hợp GNSS receiver và La bàn điện tử QMC5883L/HMC5883L.
  • Giao thức động cơ: DShot300/DShot600 kỹ thuật số hỗ trợ Bi-directional DShot (truyền ngược dữ liệu RPM về FC).
  • Phần mềm điều khiển & trực quan: INAV Firmware v6.x, ROS Noetic / ROS 2, Unity Engine 2021.3 LTS.

Implementation và kết quả

Mô hình toán học động lực học Quadcopter

Hệ thống Quadcopter có 6 bậc tự do (6 DOFs) được mô tả qua 12 biến trạng thái dựa trên phương trình Newton-Euler trong hệ tọa độ cố định gắn với vật (Body-Fixed Frame $\mathcal{F}_B$) và hệ tọa độ quy chiếu mặt đất (Earth-Fixed Inertial Frame $\mathcal{F}_E$):

$$\begin{bmatrix} m I_{3\times 3} & 0_{3\times 3} \ 0_{3\times 3} & I \end{bmatrix} \begin{bmatrix} \mathbf{\dot{v}}_B \ \mathbf{\dot{\omega}}_B \end{bmatrix} + \begin{bmatrix} \mathbf{\omega}_B \times (m \mathbf{v}_B) \ \mathbf{\omega}_B \times (I \mathbf{\omega}_B) \end{bmatrix} = \begin{bmatrix} \mathbf{F}_B \ \mathbf{T}_B \end{bmatrix}$$

Trong đó, ma trận quán tính đối xứng $I = \text{diag}(I_x, I_y, I_z)$, tổng lực và mô-men đẩy tác động từ 4 cánh quạt lên khung thân được biểu diễn qua ma trận trộn động cơ (Motor Mixer Matrix):

$$\begin{bmatrix} U_1 \ U_2 \ U_3 \ U_4 \end{bmatrix} = \begin{bmatrix} F_z \ \tau_\phi \ \tau_\theta \ \tau_\psi \end{bmatrix} = \begin{bmatrix} b & b & b & b \ 0 & -bl & 0 & bl \ -bl & 0 & bl & 0 \ -d & d & -d & d \end{bmatrix} \begin{bmatrix} \omega_1^2 \ \omega_2^2 \ \omega_3^2 \ \omega_4^2 \end{bmatrix}$$

Với $b$ là hệ số lực đẩy ($N\cdot s^2$), $d$ là hệ số mô-men cản ($N\cdot m\cdot s^2$), $l$ là khoảng cách từ tâm quay cánh quạt đến trọng tâm máy bay, và $\omega_i$ là vận tốc góc của động cơ thứ $i$.

Thuật toán điều khiển PIDFF nâng cao

Để khắc phục hiện tượng trễ pha và tăng tốc độ phản hồi của các lệnh điều khiển vị trí góc, hệ thống triển khai bộ điều khiển PID có thành phần Feedforward (PIDFF):

$$u(t) = K_p e(t) + K_i \int_0^t e(\tau)d\tau + K_d \frac{de(t)}{dt} + K_{ff1}\cdot SP(t) + K_{ff2}\cdot \frac{d(SP(t))}{dt}$$

// Trích xuất cấu trúc thuật toán PIDFF cơ bản được tối ưu hóa trong firmware
typedef struct {
    float Kp, Ki, Kd, Kff;
    float integratedError;
    float previousError;
    float previousSetpoint;
} PIDFF_Controller;

float computePIDFF(PIDFF_Controller *pid, float setpoint, float measuredValue, float dt) {
    float error = setpoint - measuredValue;
    
    // Proportional term
    float P_out = pid->Kp * error;
    
    // Integral term with anti-windup clamping
    pid->integratedError += error * dt;
    float I_out = pid->Ki * pid->integratedError;
    
    // Derivative term on measurement to avoid derivative kick
    float derivative = (error - pid->previousError) / dt;
    float D_out = pid->Kd * derivative;
    
    // Feedforward term based on rate of setpoint change
    float setpointRate = (setpoint - pid->previousSetpoint) / dt;
    float FF_out = pid->Kff * setpointRate;
    
    pid->previousError = error;
    pid->previousSetpoint = setpoint;
    
    return P_out + I_out + D_out + FF_out;
}

Xử lý tín hiệu và Triển khai Bộ lọc ma trận (Matrix Filter)

Khi gắn cảm biến IMU lên thân UAV, các trục đo thực tế luôn có sai lệch cơ khí nhỏ so với hệ trục thân drone. Do đó, rung động tần số cao từ động cơ trên một trục sẽ lan truyền sang cả 3 trục đo của con quay hồi chuyển. INAV xử lý vấn đề này bằng một Matrix Notch Filter $3 \times 3$:

$$\begin{bmatrix} \text{Gyro}{X,\text{filt}} \ \text{Gyro}{Y,\text{filt}} \ \text{Gyro}{Z,\text{filt}} \end{bmatrix} = \begin{bmatrix} N{xx}(f_x) & N_{xy}(f_y) & N_{xz}(f_z) \ N_{yx}(f_x) & N_{yy}(f_y) & N_{yz}(f_z) \ N_{zx}(f_x) & N_{zy}(f_y) & N_{zz}(f_z) \end{bmatrix} \begin{bmatrix} \text{Gyro}{X,\text{raw}} \ \text{Gyro}{Y,\text{raw}} \ \text{Gyro}_{Z,\text{raw}} \end{bmatrix}$$

Mỗi thành phần $N_{ij}(f_k)$ là một bộ lọc cắt dải (Notch Filter) bậc 2 được điều chỉnh động theo tần số nhiễu đỉnh thu được từ thuật toán biến đổi Fourier nhanh (FFT) trên từng trục tín hiệu.

                    QUY TRÌNH DUNG HỢP TRẠNG THÁI (1D KALMAN FILTER)
                  
   Dữ liệu thô từ Cảm biến                          Ước lượng trạng thái tối ưu
+------------------------------+                  +------------------------------+
| TF-Luna LiDAR (Cự ly gần)    |                  |                              |
| SPL06 Barometer (Áp suất khí)|                  |  Độ cao z(t) và Vận tốc v(t) |
| ICM-42688 Gia tốc kế Accel Z |                  |  Ổn định - Không trôi dạt   |
+--------------+---------------+                  +--------------^---------------+
               |                                                 |
               v                                                 |
+----------------------------------------------------------------+---------------+
| 1. Dự báo trạng thái:                                                         |
|    x_hat(t|t-1) = F * x_hat(t-1) + B * u(t)                                    |
|    P(t|t-1)     = F * P(t-1) * F^T + Q                                         |
|                                                                                |
| 2. Tính hệ số Kalman Gain:                                                    |
|    K(t)         = P(t|t-1) * H^T * inv( H * P(t|t-1) * H^T + R )               |
|                                                                                |
| 3. Hiệu chỉnh ước lượng:                                                      |
|    x_hat(t)     = x_hat(t|t-1) + K(t) * [ z_mea(t) - H * x_hat(t|t-1) ]        |
|    P(t)         = [ I - K(t) * H ] * P(t|t-1)                                  |
+--------------------------------------------------------------------------------+

Quá trình thử nghiệm và Kết quả thực nghiệm

Hệ thống được kiểm thử thực địa ngoài trời tại các bãi thử nghiệm không gian mở với 3 bài toán quỹ đạo mẫu:

  1. Quỹ đạo vuông góc (Perpendicular Pattern): Bay tuần tra theo lưới chữ nhật.
  2. Quỹ đạo hình đồng hồ cát (Hourglass Pattern): Kiểm tra khả năng đổi hướng đột ngột và duy trì góc cua ổn định.
  3. Quỹ đạo tròn đa giác (Circular Pattern): Đánh giá thuật toán mượt hóa lộ trình qua chuỗi 10 điểm Waypoint.
+-----------------------------------------------------------------------------------+
|               KẾT QUẢ THỬ NGHIỆM ĐÁNH GIÁ CÁC MẪU QUỸ ĐẠO BẰNG BLACKBOX           |
+----------------------+-------------------+-------------------+--------------------+
| Thông số đánh giá    | Perpendicular (m) | Hourglass (m)     | Circular (m)       |
+----------------------+-------------------+-------------------+--------------------+
| Kích thước khu vực   | Nhỏ (10x10) / Lớn | Nhỏ (15x15) / Lớn | Bán kính 5m & 12m  |
| Sai số vị trí RMS    | ± 0.42 m          | ± 0.58 m          | ± 0.36 m           |
| Độ lệch độ cao Z     | ± 0.08 m (LiDAR)  | ± 0.12 m          | ± 0.06 m           |
| Thời gian bám điểm   | 98.2% đúng mốc    | 95.6% đúng mốc    | 99.1% liên tục     |
| Độ trễ phản hồi góc  | < 25 ms           | < 30 ms           | < 22 ms            |
+----------------------+-------------------+-------------------+--------------------+

Đổi mới và đóng góp

  1. Ứng dụng cấu trúc lọc ma trận kết hợp RPM Filter trên vi điều khiển STM32F7: Loại bỏ hoàn toàn hiện tượng cộng hưởng rung từ motor 5000KV, giảm độ trễ pha (Phase Delay) của bộ lọc Gyro xuống dưới $5\text{ms}$ so với $18\text{ms}$ ở các bộ lọc thông thấp IIR/Butterworth truyền thống.
  2. Giải pháp tích hợp LiDAR tầng thấp vào chu trình bay GPS ngoài trời: Khắc phục triệt để nhược điểm biến thiên áp suất do gió của cảm biến Barometer khi bay gần mặt đất (< 2m), giúp độ sai lệch cao độ đạt mức dưới $\pm 8\text{cm}$.
  3. Mô hình kiến trúc điều khiển kép (Dual-tier Control) qua giao thức MSP: Cầu nối trung gian ROS-MSP cho phép lập trình nhiệm vụ cấp cao trên máy tính nhúng/trạm mặt đất bằng Python/C++ mà không làm gián đoạn chu trình điều khiển an toàn cứng vòng trong (Hard Real-time Inner Loop) chạy ở tần số $1\text{kHz}$ trên STM32F7.
  4. Hệ thống Digital Twin thời gian thực: Kết nối luồng dữ liệu telemetry trực tiếp lên môi trường mô phỏng không gian 3D Unity, cho phép quan sát tư thế thực của máy bay theo thời gian thực với độ trễ dưới $50\text{ms}$.

Ứng dụng thực tế và triển khai

Kịch bản triển khai thực tế

  • Khảo sát địa hình và nông nghiệp thông minh: UAV có thể bay tự động cách tán cây đều đặn ở khoảng cách 1.5m nhờ cảm biến LiDAR phản hồi độ cao chính xác, đồng thời ghi nhận tọa độ GPS của từng cây trồng.
  • Kiểm định công trình xây dựng và cầu đường: Nhờ kích thước nhỏ gọn ($250\text{g}$, prop guard), drone có thể tiếp cận các khu vực hẹp dưới gầm cầu, nơi tín hiệu GPS yếu, và tự động giữ thăng bằng bằng tổ hợp cảm biến quán tính IMU + khoảng cách.

Ước tính chi phí chế tạo (BOM Analysis)

  • Khung carbon + Cánh + Bảo vệ: ~ 350.000 VNĐ
  • Bộ điều khiển Mamba MK4 F722 Mini: ~ 1.100.000 VNĐ
  • Cụm ESC MAMBA F40 128K BL32: ~ 850.000 VNĐ
  • 4 Động cơ TOKA 1204 5000KV: ~ 1.200.000 VNĐ
  • Cảm biến Beitian BN-880 GPS + TF-Luna LiDAR: ~ 1.300.000 VNĐ
  • Pin LiPo + Module HC-12: ~ 400.000 VNĐ
  • Tổng chi phí chế tạo: $\approx 5.200.000\text{ VNĐ}$ (Tiết kiệm hơn 70% so với các kit nghiên cứu chuyên dụng của nước ngoài).

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Độ ổn định khi có gió giật cấp 4 trở lên: Do khối lượng máy bay siêu nhẹ ($250\text{g}$), quán tính nhỏ dẫn đến sai số bám quỹ đạo tăng lên khi gặp nhiễu động khí quyển mạnh ngoài trời.
  • Phạm vi hoạt động của LiDAR: Cảm biến TF-Luna suy giảm độ chính xác khi gặp bề mặt phản xạ gương hoặc khi bay trên bề mặt nước/bùn lầy ngoài trời dưới nắng gắt.
  • Thời lượng pin: Dung lượng $450\text{mAh}$ chỉ duy trì được từ 6 đến 8 phút bay liên tục.

Hướng phát triển tiếp theo

  • Nâng cấp lên cấu trúc dung hợp EKF2 (Extended Kalman Filter) 15-trạng thái trên máy tính nhúng Onboard (như Raspberry Pi CM4 hoặc Jetson Nano).
  • Tích hợp thêm cảm biến dòng quang học (Optical Flow) và camera AI hỗ trợ Visual-Inertial Odometry (VIO) để bay dẫn đường tại các khu vực hoàn toàn mất sóng GPS (GPS-denied environments).
  • Phát triển tính năng phân phối lực thông minh thích nghi trực tuyến khi một động cơ gặp sự cố (Fault-Tolerant Control).

Đối tượng hưởng lợi

  • Sinh viên ngành Kỹ thuật Điều khiển & Tự động hóa, Cơ điện tử: Cung cấp tài liệu tham khảo chi tiết từ mô hình hóa động học Newton-Euler, lập trình firmware vi điều khiển STM32F7 đến cấu hình ROS.
  • Kỹ sư và Lập trình viên Embedded/Robotics: Nắm bắt kỹ thuật tối ưu hóa bộ lọc số thời gian thực (Matrix Notch Filter, RPM Filter, DShot Protocol).
  • Các nhóm nghiên cứu khoa học: Sở hữu một khung phần cứng Quadcopter mở (Open Platform Testbed) giá rẻ để thử nghiệm các giải pháp điều khiển nâng cao như Sliding Mode Control (SMC) hay Model Predictive Control (MPC).

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật phần cứng tối thiểu để nạp và chạy firmware của dự án là gì?

Máy bay cần sử dụng bộ điều khiển bay (FC) trang bị tối thiểu vi điều khiển STM32F4 hoặc STM32F7 (khuyến nghị STM32F722 trở lên) có hỗ trợ giao tiếp SPI với IMU ICM42688/MPU6000, 3 cổng UART vật lý (dành cho GPS, LiDAR, Telemetry) và ESC hỗ trợ giao thức DShot300 trở lên để sử dụng tính năng lọc RPM.

2. Sự khác biệt giữa bộ lọc Notch thông thường và Bộ lọc ma trận (Matrix Filter) trong INAV là gì?

Bộ lọc Notch thông thường chỉ đặt cố định trên từng trục độc lập ($X, Y, Z$). Bộ lọc ma trận ($3 \times 3$) sử dụng phổ Fourier để phát hiện các đỉnh tần số rung do motor gây ra trên một trục, sau đó tự động áp dụng các bộ lọc chặn tương ứng lên cả 3 trục đo, triệt tiêu hiện tượng nhiễu chéo sinh ra do sự lệch trục cơ khí giữa IMU và thân drone.

3. Làm thế nào để kết nối và điều khiển máy bay qua ROS?

Hệ thống sử dụng một ROS Node trung gian chạy trên máy tính trạm/Onboard PC. Node này đóng gói các dữ liệu điều khiển thành các bản tin nhị phân chuẩn MultiWii Serial Protocol (MSP) rồi gửi qua cổng Serial/UART (hoặc module sóng không dây HC-12) tới cổng UART của vi điều khiển STM32F722.

4. Chi phí bảo trì và thay thế linh kiện có đắt không?

Do sử dụng hoàn toàn linh kiện tiêu chuẩn theo chuẩn drone mini (size $111\text{mm}$, motor 1204, cánh 2.3 inch), tất cả linh kiện đều dễ dàng thay thế với chi phí rất thấp (cánh quạt chỉ vài chục nghìn đồng, khung carbon có sẵn vòng bảo vệ hạn chế tối đa hỏng hóc khi va chạm).

5. Dự án có thể mở rộng để hoạt động trong nhà (Indoor) không có GPS không?

Hoàn toàn có thể. Bằng cách tích hợp thêm cảm biến quang dòng (Optical Flow Sensor) và cảm biến khoảng cách LiDAR phụ chiếu xuống đất, hệ thống có thể chuyển đổi chế độ định vị từ GPS-Hold sang Flow-Hold mà không cần thay đổi kiến trúc điều khiển vòng trong.

Kết luận

Đồ án tốt nghiệp "Hệ Thống Điều Khiển và Dẫn Đường UAV Trong Môi Trường Ngoài Trời" của tác giả Lê Thành Đạt đã hoàn thành trọn vẹn các mục tiêu thiết kế và thực nghiệm đề ra. Dự án chứng minh tính khả thi xuất sắc của việc tích hợp nền tảng mã nguồn mở INAV trên phần cứng vi xử lý STM32F722RET6, dung hợp hiệu quả cảm biến IMU, LiDAR TF-Luna, GPS Beitian BN-880 và Barometer SPL06. Với khả năng bám quỹ đạo chính xác, sai số giữ vị trí và độ cao thấp cùng hệ thống trạm mặt đất trực quan hóa trên Unity/ROS, đồ án cung cấp một nền tảng nghiên cứu thực nghiệm mở, tin cậy và có giá trị ứng dụng cao cho các nghiên cứu chuyên sâu về phương tiện bay tự hành tại Việt Nam.