Bối cảnh và vấn đề nghiên cứu

Trong xu thế phát triển của tự động hóa công nghiệp và sản xuất thông minh, xe tự hành AGV (Automated Guided Vehicle) đóng vai trò then chốt trong việc tối ưu hóa quy trình logistics nội bộ tại các nhà máy và kho xưởng. AGV đảm nhiệm nhiều công đoạn vận chuyển như chuyển vật liệu từ nơi tiếp nhận về khu lưu trữ, cấp phát linh kiện kịp thời cho các dây chuyền lắp ráp, hỗ trợ kiểm tra giao hàng và vận chuyển thành phẩm ra khu vực đóng gói. Thực tế khảo sát các dòng xe AGV thương mại trên thị trường Việt Nam cho thấy mức độ ứng dụng đa dạng:

  • Xe AGV tại Công ty Cổ phần Ứng dụng Công nghệ & CNC Việt Nam (CNC-VINA): Sử dụng phương pháp dẫn đường bằng băng từ dán cố định dưới nền xưởng, tải trọng từ 200 kg đến 1500 kg, tốc độ di chuyển từ 10 m/phút đến 50 m/phút, truyền nhận dữ liệu qua sóng vô tuyến (RF) và kết nối với máy tính trung tâm để quản lý thời gian cấp hàng.
  • Xe AGV tại Công ty Cổ phần Tự động hóa Tân Phát (TPA): Hợp tác cùng Casun ứng dụng các công nghệ dẫn đường như băng từ (Magnetic), mã phản hồi nhanh (QR Code) và định vị - lập bản đồ đồng thời (SLAM) phục vụ trong môi trường công nghiệp, siêu thị và trung tâm thương mại.

Khi quy mô diện tích kho bãi mở rộng và số lượng phương tiện tự hành tăng lên, yêu cầu cấp thiết đặt ra là phải có giải pháp giám sát tập trung, từ xa nhằm nắm bắt trạng thái hoạt động thực tế của từng xe mà không làm gián đoạn dây chuyền vận hành. Khóa luận tập trung giải quyết bài toán này thông qua 4 mục tiêu nghiên cứu cụ thể:

  1. Giám sát tình trạng hoạt động của các xe và kiểm tra máy móc (trạng thái động cơ).
  2. Kiểm tra mức tiêu thụ điện năng của từng xe để chủ động điều hướng sạc pin.
  3. Giám sát vị trí thời gian thực của xe đang hoạt động trong mặt bằng kho.
  4. Xây dựng giao diện trực quan nhằm quản lý tập trung trạng thái của các xe.
  • Đối tượng nghiên cứu: Hệ thống giám sát đa thông số (động cơ, nguồn điện, vị trí) áp dụng cho mô hình xe tự hành dò đường theo vạch kẻ (line) kết hợp xử lý ảnh.
  • Phạm vi nghiên cứu: Mô hình áp dụng cho kho xưởng có diện tích từ 100 $m^2$ đến 1000 $m^2$, với điều kiện tiên quyết là mặt bằng kho bãi phải được phủ sóng mạng không dây Wi-Fi.

Cơ sở lý thuyết và phương pháp

Khóa luận kết hợp các nền tảng lý thuyết về thị giác máy tính, truyền thông vô tuyến trong mạng vạn vật kết nối (IoT) và kỹ thuật đo lường điện tử:

  • Giải thuật phát hiện đường thẳng (Hough Transform): Dựa trên kết quả của thuật toán phát hiện cạnh Canny (Canny Edge Detection). Trên mỗi pixel cạnh thu được, giải thuật thử nghiệm các phương trình đường thẳng đi qua điểm đó và tích lũy giá trị vào ma trận thống kê. Các đường thẳng thực tế trong ảnh được xác định bằng cách lọc qua một giá trị ngưỡng xác định trước trên ma trận tích lũy.
  • Thư viện thị giác máy tính OpenCV (Open-Source Computer Vision Library): Cấu trúc module gồm các khối chức năng chính như core (cấu trúc dữ liệu mảng đa chiều cơ bản), imgproc (xử lý hình ảnh, lọc tuyến tính/phi tuyến, biến đổi hình học, chuyển đổi không gian màu), video (phân tích chuyển động, tách nền), calib3d (hiệu chuẩn camera, tái tạo 3D), features2d, objdetect, highgui và videoio.
  • Giao thức truyền thông MQTT (Message Queue Telemetry Transport): Giao thức truyền thông điệp gọn nhẹ hoạt động theo mô hình Publish - Subscribe (Xuất bản - Đăng ký) qua Broker trung tâm, tối ưu hóa băng thông, phù hợp với các thiết bị biên (edge devices) trong môi trường mạng có độ trễ cao hoặc không ổn định.
  • Công nghệ định vị bằng sóng Bluetooth năng lượng thấp (BLE Beacon): Sử dụng các gói tin quảng bá (advertising packet) có độ dài lên đến 47 bytes để xác định độ lân cận. Khóa luận phân tích hai chuẩn giao thức chính:
    • iBeacon (Apple): Cấu trúc gói tin gồm UUID, Major, Minor, hỗ trợ tương tác giám sát (monitoring) và vùng phủ (ranging).
    • Eddystone (Google): Giao thức nguồn mở đa nền tảng, hỗ trợ các loại gói tin Eddystone-UID, Eddystone-URL và Eddystone-TLM (truyền thông số điện áp pin, nhiệt độ, số gói tin).
  • Mô hình suy giảm tín hiệu RSSI (Received Signal Strength Indicator): Công thức chuyển đổi mức cường độ tín hiệu thu được sang khoảng cách hình học: $$d = 10^{\frac{P - RSSI}{10 \times N}}$$ Trong đó: $d$ là khoảng cách tính bằng centimet (cm); $P$ là công suất đo được ở khoảng cách chuẩn 1 mét (đơn vị dBm); $RSSI$ là cường độ tín hiệu đo được; $N$ là hằng số suy hao môi trường (nhận giá trị từ 2 đến 4 tùy theo mức cản trở).
  • Hiệu ứng Hall (Hall Effect): Nguyên lý vật lý sinh ra hiệu điện thế $U$ (hiệu điện thế Hall) trên hai bề mặt đối diện của một thanh dẫn điện khi có dòng điện chạy qua và chịu tác động của một từ trường đặt vuông góc. Hiệu ứng này được ứng dụng trong cảm biến để đo lường dòng điện và điện áp mà không làm tiêu hao năng lượng lớn.

Phương pháp nghiên cứu thực tế là phương pháp thực nghiệm và tích hợp hệ thống phần cứng - phần mềm nhúng: thu nhận dữ liệu hình ảnh thời gian thực từ camera, tính toán xử lý trên máy tính nhúng, đo đạc thông số dòng/áp từ cảm biến chuyên dụng, quét địa chỉ MAC/RSSI của các trạm mốc phát sóng BLE, và truyền dữ liệu qua giao thức MQTT lên giao diện bảng điều khiển trung tâm xây dựng bằng Node-RED.

Thiết kế và triển khai hệ thống

Hệ thống được tổ chức thành 4 khối chức năng liên kết chặt chẽ: Dò line điều khiển chuyển động, Giám sát động cơ, Giám sát điện năng tiêu thụ và Giám sát vị trí hoạt động.

Thành phần phần cứng Model / Thông số kỹ thuật chính Vai trò trong hệ thống
Máy tính nhúng Raspberry Pi 3 Model B (SoC Broadcom BCM2837 64-bit 1.2GHz, 1GB RAM, Wi-Fi BCM43438, BLE) Xử lý ảnh dò line bằng OpenCV, nhận diện đèn báo giao lộ, xuất tín hiệu điều khiển sang Arduino
Camera Camera Raspberry Pi V2 8MP (Cảm biến Sony IMX219, độ phân giải ảnh $3280 \times 2464$, hỗ trợ video 1080p30, cáp ribbon 15cm) Ghi nhận hình ảnh mặt đường và đèn báo tín hiệu khu vực giao nhau
Bộ điều khiển trung tâm Arduino Uno R3 (Vi điều khiển ATmega328P 8-bit, 16MHz, 14 chân Digital I/O, 6 chân Analog) Tiếp nhận tín hiệu từ Raspberry Pi, đọc cảm biến siêu âm, điều khiển cầu H, truyền dữ liệu lên iNut
Mạch điều khiển động cơ Cầu H L298N (Điện áp động cơ tối đa 46V, dòng tải 2A/kênh, công suất tối đa 25W, IC L298 tích hợp 78M05) Điều khiển hướng quay và tốc độ của động cơ DC
Động cơ truyền động Động cơ giảm tốc DC (Điện áp 3-9VDC, dòng tiêu thụ 110-140mA, tỉ số truyền 1:48, tốc độ 125-208 vòng/phút, bánh xe 65mm) Dẫn động di chuyển mô hình xe
Cảm biến khoảng cách HY-SRF05 (Tần số 40kHz, dải đo 2cm - 450cm, độ phân giải 0.3cm, góc quét rộng) Phát hiện vật cản phía trước xe; ngắt động cơ khi khoảng cách $\le 30$ cm
Cảm biến dòng/áp MCU-219 INA219 (Giao tiếp I2C/SMBUS, độ phân giải 12-bit, đo điện áp bus 0-26V, dòng tối đa 3.2A, sai số $\pm 1%$) Đo dòng điện và điện áp nguồn cấp theo nguyên lý hiệu ứng Hall
Khối nguồn & Hạ áp 3 cell pin Panasonic NCR18650B 3400mAh 3.7V nối tiếp (~12V); Mạch Buck DC-DC XL4015 5A (Tần số 180kHz) Cung cấp nguồn tổng 12V cho động cơ và hạ áp 5V nuôi Raspberry Pi, Arduino, iNut
Mô-đun phát mốc vị trí Thẻ iBeacon NRF51822 (SoC ARM Cortex-M0 32-bit, 256KB Flash, tần số 2.4GHz BLE 4.0, công suất -20 đến +4 dBm) Đặt cố định dọc đường line trong kho, phát chu kỳ gói tin định danh MAC
Mô-đun thu vị trí trên xe ESP32 (Xtensa Dual-Core LX6 32-bit 160-240MHz, 520KB SRAM, tích hợp Wi-Fi 802.11 b/g/n và BLE 4.2 BR/EDR) Quét gói tin BLE từ các Beacon, trích xuất RSSI, chọn Beacon gần nhất, truyền qua UART tới Arduino
Mô-đun truyền thông IoT iNut Cảm biến (Vi điều khiển ESP8266EX, chuẩn Wi-Fi 802.11 b/g/n, hỗ trợ TCP/IP, WPA/WPA2) Nhận dữ liệu từ Arduino qua I2C (chuẩn hóa dạng float), xuất bản dữ liệu lên MQTT Broker
Nền tảng giao diện Node-RED (Hỗ trợ MQTT client từ v0.14) kết nối MQTT Broker Hiển thị bảng điều khiển, trạng thái động cơ, pin và vị trí xe trên bản đồ thu nhỏ

Cơ chế xử lý ảnh và điều hướng động cơ

Camera Pi được lắp đặt hướng xuống với bề mặt thấu kính song song với mặt đường. Hình ảnh thu nhận được truyền qua cáp CSI về Raspberry Pi 3B. Sử dụng thuật toán Hough Transform trong OpenCV, hệ thống lọc tách đường line đen và đặt vào góc phần tư thứ nhất của hệ trục tọa độ Descartes. Nhóm tác giả xác định 4 điểm biên của vạch line: $A$ (thấp nhất mép trái), $B$ (thấp nhất mép phải), $C$ (cao nhất mép trái), $D$ (cao nhất mép phải). Giao điểm của đoạn thẳng $AD$ và $BC$ được xác định là tâm của đường line. Độ lệch giữa tọa độ tâm line và tâm khung hình chụp là căn cứ để điều hướng:

  • Lệch phải: Raspberry Pi xuất chân GPIO 7 mức THẤP (Low), GPIO 8 mức CAO (High). Chân Digital 2 của Arduino nhận Low, chân Digital 3 nhận High $\rightarrow$ Arduino điều khiển L298N cho xe rẽ phải.
  • Lệch trái: Raspberry Pi xuất chân GPIO 7 mức CAO (High), GPIO 8 mức THẤP (Low). Chân Digital 2 của Arduino nhận High, chân Digital 3 nhận Low $\rightarrow$ Arduino điều khiển L298N cho xe rẽ trái.
  • Đi thẳng: Raspberry Pi xuất chân GPIO 7 mức CAO (High), GPIO 8 mức CAO (High). Chân Digital 2 và 3 của Arduino đều nhận mức High $\rightarrow$ Arduino xuất xung điều khiển xe tiếp tục đi thẳng.

Chu kỳ chụp, lọc ảnh và ra quyết định điều hướng diễn ra liên tục với độ trễ giữa hai lần chụp nhỏ hơn 0,1 giây (dưới 100 ms). Khi gặp ngã rẽ có đèn báo màu đặt trên mặt đường tại giao lộ giữa khu vực làm việc và trạm sạc, thuật toán nhận diện màu sắc của OpenCV sẽ phát hiện đèn báo để xe chuyển hướng về trạm sạc nếu mức pin thấp. Đồng thời, cảm biến siêu âm HY-SRF05 liên tục quét chướng ngại vật: nếu phát hiện vật cản ở cự ly $\le 30$ cm, xe lập tức dừng hẳn; nếu khoảng cách $> 30$ cm, xe duy trì hành trình dò line.

Cơ chế giám sát điện năng và vị trí

  • Giám sát động cơ: Biến trạng thái cờ hiệu (flag) nhận giá trị 0 (xe dừng) hoặc 1 (xe đang chạy/rẽ) trong mã nguồn Arduino Uno, truyền qua giao tiếp I2C sang mô-đun iNut để gửi lên web.
  • Tính toán điện năng tiêu thụ: Cảm biến MCU-219 INA219 mắc nối tiếp với nguồn pin 12V (3 cell 18650). Tỷ suất phần trăm dung lượng pin còn lại ($E$) được tính theo công thức: $$E = \left( \frac{\Delta V - (V_1 - V_2)}{\Delta V} \right) \times 100$$ Trong đó: $\Delta V$ là hiệu số giữa điện áp khi pin sạc đầy ($V_1$) và ngưỡng điện áp tối thiểu trước khi xe dừng hoạt động hoàn toàn; $V_2$ là điện áp tức thời đo được tại đầu cực nguồn pin.
  • Định vị lân cận trong nhà: Các thẻ iBeacon NRF51822 được gắn cố định dọc theo tuyến đường line với tầm phủ sóng lý thuyết khoảng 5 mét trong môi trường không vật cản. Mô-đun ESP32 gắn trên xe liên tục quét sóng BLE, thu thập địa chỉ MAC và RSSI, tính toán khoảng cách và chọn ra giá trị khoảng cách nhỏ nhất (Beacon gần xe nhất). Dữ liệu vị trí mốc được chuyển tiếp qua giao tiếp nối tiếp UART sang Arduino Uno $\rightarrow$ iNut $\rightarrow$ Broker MQTT $\rightarrow$ hiển thị vị trí tương ứng trên bản đồ kho xưởng của Node-RED.

Nội dung chính theo từng chương

Chương 1: Tổng quan đề tài

Trình bày thực trạng ứng dụng xe tự hành AGV trong các quy trình sản xuất và kho vận hiện đại. Khảo sát chi tiết giải pháp xe tự hành tại Công ty Cổ phần Ứng dụng Công nghệ & CNC Việt Nam (CNC-VINA) với các dòng AGV kéo hàng dẫn đường bằng băng từ, tải trọng từ 200 kg đến 1500 kg, tốc độ 10–50 m/phút và Công ty Cổ phần Tự động hóa Tân Phát (TPA) với các dòng AGV sử dụng công nghệ dẫn đường Magnetic, QR Code, SLAM. Phân tích sự cần thiết của hệ thống giám sát tập trung từ xa khi số lượng xe và diện tích kho gia tăng. Xác định 4 mục tiêu nghiên cứu, phương pháp sử dụng Raspberry Pi, OpenCV, iNut, Beacon, Node-RED và phạm vi áp dụng trong nhà xưởng $100 - 1000\ m^2$ có hạ tầng Wi-Fi.

Chương 2: Cơ sở lý thuyết

Trình bày cơ sở toán học và kỹ thuật của giải thuật biến đổi Hough Transform kết hợp thuật toán tách biên Canny để nhận diện đường thẳng từ ma trận điểm ảnh. Giới thiệu lịch sử, tổng quan ứng dụng và cấu trúc 10 module chức năng của thư viện OpenCV (core, imgproc, video, calib3d, features2d, objdetect, highgui, videoio, GPU, module hỗ trợ). Phân tích chỉ số RSSI, công suất đo được chuẩn hóa tại 1 mét, khoảng thời gian phát xung nháy (100 ms – 2000 ms) và công thức quy đổi khoảng cách dựa trên tham số suy hao môi trường $N$. Trình bày bản chất vật lý của hiệu ứng Hall trong đo lường dòng điện. Phân tích kiến trúc giao thức MQTT (Broker, Publisher, Subscriber), các ưu điểm về tiết kiệm băng thông và các nền tảng ứng dụng (Adafruit IO, Microsoft Azure IoT Hub, Home Assistant, Node-RED). Khảo sát công nghệ BLE Beacon, định dạng khung truyền dữ liệu quảng bá 47 bytes và so sánh hai chuẩn giao thức iBeacon (Apple) và Eddystone (Google).

Chương 3: Phân tích và thiết kế hệ thống

Thiết lập sơ đồ khối tổng thể gồm 4 khối chức năng vận hành độc lập và gửi dữ liệu về giao diện trung tâm. Chi tiết hóa thiết kế phần cứng và nguyên lý hoạt động của từng phân hệ:

  • Phân hệ dò line: tích hợp Raspberry Pi 3B (BCM2837), Camera Pi V2 8MP (Sony IMX219), vi điều khiển Arduino Uno R3 (ATmega328P), mạch cầu H L298N, động cơ giảm tốc DC (tỉ số truyền 1:48) và cảm biến siêu âm HY-SRF05. Chi tiết hóa thuật toán xác định tọa độ tâm đường line và quy ước logic mức điện áp giữa GPIO 7, 8 (Raspberry Pi) và GPIO 2, 3 (Arduino) cùng cơ chế phát hiện chướng ngại vật cự ly 30 cm.
  • Phân hệ giám sát động cơ: cơ chế cờ hiệu 0/1 trên Arduino truyền qua I2C.
  • Phân hệ giám sát điện năng: sử dụng 3 cell pin Panasonic NCR18650B 3400mAh, mạch giảm áp DC-DC XL4015 5A, cảm biến MCU-219 INA219 giao tiếp I2C và công thức tính phần trăm năng lượng $E$.
  • Phân hệ giám sát vị trí: tích hợp mốc phát iBeacon NRF51822 (ARM Cortex-M0) với mô-đun thu ESP32 (Xtensa Dual-Core) xử lý gói tin, chọn Beacon gần nhất qua RSSI và truyền qua UART.
  • Phân hệ giao diện: cấu hình mô-đun iNut Cảm biến (ESP8266EX) truyền dữ liệu chuẩn hóa float qua giao thức TCP/IP/Wi-Fi lên MQTT Broker và thiết kế bảng điều khiển Node-RED.

Chương 4: Thực nghiệm và kết quả

Trình bày các kết quả thử nghiệm thực tế của mô hình hệ thống:

  • Kết quả xử lý ảnh dò line: hiển thị chuỗi ảnh nhận diện vạch line đen trong các điều kiện di chuyển thẳng, rẽ trái và rẽ phải thông qua thuật toán Hough Transform.
  • Kết quả giám sát trạng thái động cơ: ghi nhận trạng thái hoạt động thực tế (chạy/dừng) đồng bộ với chuyển động của xe.
  • Kết quả giám sát điện năng tiêu thụ: ghi nhận các thông số dòng điện, điện áp và phần trăm dung lượng pin còn lại hiển thị chính xác theo thời gian thực.
  • Kết quả giám sát vị trí: xác định chính xác vị trí lân cận của xe dựa trên việc nhận diện địa chỉ MAC của các iBeacon gắn dọc tuyến đường.
  • Giao diện giám sát hoàn chỉnh: tích hợp toàn bộ các trường thông tin (tình trạng động cơ, điện áp, mức pin, vị trí mốc) trực quan hóa trên nền tảng web có sơ đồ phác thảo mặt bằng kho thu nhỏ.

Chương 5: Kết luận và hướng phát triển

Đánh giá mức độ hoàn thành so với mục tiêu đề ra ban đầu, tổng kết các ưu điểm và nhược điểm kỹ thuật còn tồn tại của hệ thống, từ đó đề xuất các định hướng phát triển nhằm nâng cao tính chính xác và khả năng ứng dụng thực tế.

Kết quả và đóng góp

Kết quả kỹ thuật đạt được

  • Chế tạo thành công mô hình xe tự hành dẫn đường bằng xử lý ảnh thông qua camera 8MP và thuật toán Hough Transform trên Raspberry Pi 3B với chu kỳ xử lý dưới 100 ms, kết hợp tính năng tự động dừng khi gặp vật cản trong cự ly $\le 30$ cm bằng cảm biến siêu âm HY-SRF05.
  • Thiết lập hệ thống giám sát đa thông số từ xa hoàn chỉnh, cho phép theo dõi đồng thời trạng thái bật/tắt của động cơ, giá trị dòng điện/điện áp/tỷ suất phần trăm pin thực tế (nhờ cảm biến INA219 và công thức suy hao điện áp), cùng vị trí mốc di chuyển (nhờ mô-đun iBeacon NRF51822 và ESP32).
  • Xây dựng giao diện web giám sát tập trung trên nền tảng Node-RED kết nối thông qua giao thức MQTT và phần cứng iNut ESP8266EX, hiển thị trực quan sơ đồ kho và trạng thái phương tiện.

Giải pháp và kiến nghị của tác giả

  • Tự động chuyển hướng nạp năng lượng: Tác giả đề xuất bố trí mặt bằng kho thành 2 khu vực riêng biệt (khu làm việc và trạm sạc), lắp đặt vạch line giao nhau kèm đèn báo màu trên mặt đường. Dựa trên dữ liệu điện áp đo từ INA219, camera nhận diện màu đèn tại giao lộ để tự động rẽ vào trạm sạc khi pin xuống thấp hoặc tiếp tục vào khu làm việc khi pin đủ.
  • Tối ưu hóa năng lượng và xử lý biên: Sử dụng mạch hạ áp XL4015 5A hiệu suất cao và phân bổ nhiệm vụ xử lý ảnh nặng cho Raspberry Pi, trong khi việc điều khiển thời gian thực và ghép nối cảm biến giao cho Arduino Uno và ESP32 nhằm đảm bảo tính ổn định của hệ thống nhúng.

Đóng góp kỹ thuật tự nêu

  • Kết hợp giải pháp thị giác máy tính chi phí thấp (OpenCV trên Raspberry Pi) thay thế cho các phương pháp dẫn đường bằng cảm biến từ truyền thống trên xe mô hình.
  • Đề xuất kiến trúc tích hợp linh hoạt giữa vi điều khiển đa dụng (Arduino Uno), bộ thu phát IoT (ESP32, iNut ESP8266EX) và giao thức MQTT nhằm tạo ra hệ thống giám sát từ xa không dây có khả năng mở rộng cho nhiều xe tự hành cùng lúc.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của hệ thống

  • Phụ thuộc vào điều kiện môi trường: Độ chính xác của xử lý ảnh dò line chịu ảnh hưởng lớn bởi cường độ ánh sáng môi trường và độ tương phản của vạch line trên nền sàn kho.
  • Dao động của tín hiệu RSSI: Cường độ sóng vô tuyến BLE dễ bị hấp thụ, giao thoa và nhiễu xạ bởi các vật cản kim loại hoặc kết cấu nhà xưởng, làm suy giảm độ chính xác tuyệt đối khi ước lượng khoảng cách hình học.
  • Phạm vi mô hình thử nghiệm: Hệ thống mới được thử nghiệm ở quy mô mô hình xe RC và khu vực thực nghiệm giới hạn, chưa đánh giá đầy đủ trong môi trường công nghiệp có tải trọng nặng và độ rung chấn cao.

Hướng phát triển tiếp

  • Nâng cấp thuật toán lọc và xử lý ảnh để xe hoạt động ổn định trong các điều kiện chiếu sáng biến đổi phức tạp hoặc vạch line bị mờ.
  • Áp dụng các thuật toán lọc nâng cao (như Kalman Filter) để làm mịn giá trị RSSI thu nhận từ Beacon, cải thiện độ chính xác của phép định vị trong nhà.
  • Mở rộng quy mô hệ thống để quản lý đồng thời nhiều xe tự hành, tích hợp thuật toán điều phối giao thông tránh xung đột giữa các xe tại các điểm giao cắt trong kho bãi.

Giá trị tham khảo

Tài liệu khóa luận là nguồn tài liệu kỹ thuật có giá trị tham khảo cho:

  • Sinh viên và học viên ngành Kỹ thuật Máy tính, Điện tử - Viễn thông, Công nghệ Thông tin, Kỹ thuật Điều khiển và Tự động hóa: Cung cấp tài liệu tham khảo thực tế về cách tích hợp hệ thống nhúng lai (kết hợp giữa máy tính nhúng Linux như Raspberry Pi và vi điều khiển thời gian thực AVR/ESP).
  • Kỹ sư nghiên cứu và phát triển giải pháp IoT và Robotics: Cung cấp sơ đồ kết nối chân, nguyên lý giao tiếp phần cứng qua các chuẩn UART, I2C, SPI và cách cấu hình truyền nhận dữ liệu qua giao thức MQTT lên bảng điều khiển Node-RED.
  • Các đề tài nghiên cứu về xe tự hành AGV quy mô vừa và nhỏ: Tham khảo phương pháp dò line bằng giải thuật biến đổi Hough Transform trên OpenCV, mô hình tính toán dung lượng pin dựa trên cảm biến dòng INA219 và giải pháp định vị trong nhà bằng BLE iBeacon.

Câu hỏi thường gặp

1. Hệ thống sử dụng cơ chế nào để điều hướng xe di chuyển theo vạch line đen?
Raspberry Pi 3B nhận hình ảnh từ Camera Pi V2 8MP, sử dụng thuật toán Canny và biến đổi Hough Transform trong OpenCV để tìm vạch line đen. Hệ thống xác định 4 điểm biên $A, B, C, D$ và lấy giao điểm của $AD$ và $BC$ làm tâm vạch line. Nếu tâm line lệch phải, Raspberry Pi xuất GPIO 7 (Low), GPIO 8 (High) sang Arduino GPIO 2 (Low), GPIO 3 (High) để rẽ phải; nếu lệch trái, xuất GPIO 7 (High), GPIO 8 (Low) để rẽ trái; nếu thẳng hàng, xuất GPIO 7 (High), GPIO 8 (High) để đi thẳng.

2. Xe tự hành phát hiện và xử lý vật cản phía trước bằng cách nào?
Xe được trang bị mô-đun cảm biến siêu âm HY-SRF05 kết nối trực tiếp với Arduino Uno R3. Khi phát hiện khoảng cách đến vật cản phía trước nhỏ hơn hoặc bằng 30 cm, Arduino Uno sẽ ngắt tín hiệu điều khiển động cơ để dừng xe khẩn cấp; khi khoảng cách lớn hơn 30 cm, xe mới tiếp tục nhận lệnh điều hướng từ Raspberry Pi.

3. Mức điện năng tiêu thụ và phần trăm pin còn lại của xe được tính toán ra sao?
Nguồn hệ thống gồm 3 viên pin Panasonic NCR18650B 3400mAh mắc nối tiếp (nguồn 12V). Cảm biến MCU-219 INA219 mắc nối tiếp với nguồn để đo điện áp tức thời ($V_2$). Phần trăm pin còn lại ($E$) được tính bằng công thức:
$$E = \left( \frac{\Delta V - (V_1 - V_2)}{\Delta V} \right) \times 100$$
với $V_1$ là điện áp khi pin đầy và $\Delta V$ là khoảng điện áp khả dụng từ lúc sạc đầy đến khi xe ngừng hoạt động.

4. Vị trí của xe trong kho bãi được xác định bằng công nghệ và thuật toán nào?
Hệ thống sử dụng các thẻ iBeacon NRF51822 phát sóng BLE 2.4GHz đặt cố định dọc tuyến đường (tầm phủ sóng lý thuyết 5m). Trên xe, mô-đun ESP32 thu nhận các gói tin quảng bá, đọc địa chỉ MAC và chỉ số RSSI, sau đó áp dụng công thức suy hao tín hiệu $d = 10^{\frac{P - RSSI}{10 \times N}}$ để chọn ra Beacon có khoảng cách nhỏ nhất (gần xe nhất) và gửi về trung tâm.

5. Dữ liệu giám sát được truyền tải và hiển thị lên giao diện người dùng như thế nào?
Arduino Uno tổng hợp dữ liệu trạng thái động cơ (cờ hiệu 0/1), điện năng (từ INA219) và vị trí Beacon (từ ESP32 qua UART), sau đó truyền qua I2C sang mô-đun iNut Cảm biến (ESP8266EX). Mô-đun iNut gửi dữ liệu chuẩn hóa dạng float qua Wi-Fi lên MQTT Broker. Giao diện trung tâm xây dựng bằng Node-RED đăng ký nhận dữ liệu từ Broker để hiển thị các thông số và định vị xe trên bản đồ kho xưởng thu nhỏ.

Kết luận

Khóa luận tốt nghiệp của sinh viên Nguyễn Quốc Tiến và Lê Thanh Bình đã thiết kế và triển khai thành công mô hình hệ thống giám sát toàn diện cho xe tự hành theo line trong kho bãi. Đề tài tích hợp hiệu quả nền tảng thị giác máy tính trên Raspberry Pi 3B để điều hướng di chuyển và nhận diện giao lộ sạc pin, phối hợp với Arduino Uno R3, cảm biến INA219, mô-đun iBeacon NRF51822 và ESP32 để thu thập chính xác các thông số hoạt động, năng lượng và vị trí. Toàn bộ dữ liệu được quản lý tập trung và trực quan hóa theo thời gian thực trên giao diện Node-RED thông qua giao thức MQTT. Kết quả nghiên cứu là tài liệu kỹ thuật hoàn chỉnh, có giá trị ứng dụng cao cho việc phát triển các giải pháp IoT và tự động hóa kho vận thông minh.