Thiết kế và thi công hệ thống phát hiện và tránh vật cản trên xe lăn điện cho người khuyết tật

Đồ án hệ thống phát hiện và tránh vật cản trên xe lăn điện tại ĐH Sư phạm Kỹ thuật TP.HCM

• Tác giả: Phan Công Đức Quyền
• Người hướng dẫn: TS. Ngô Bá Việt
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Công nghệ Kỹ thuật Điện tử - Viễn thông
• Đề tài: Thiết kế và thi công hệ thống phát hiện và tránh vật cản trên xe lăn điện cho người khuyết tật
• Loại tài liệu: Đồ án tốt nghiệp
• Năm xuất bản: 2025
• Địa điểm: Thành phố Hồ Chí Minh

Tóm tắt

I. Tổng quan hệ thống phát hiện và tránh vật cản cho xe lăn điện

Xe lăn điện đóng vai trò thiết yếu đối với người khuyết tật và người cao tuổi. Phương tiện này giúp họ tự chủ trong sinh hoạt thường nhật. Tuy nhiên, rủi ro va chạm luôn tiềm ẩn trong không gian hẹp hoặc đông đúc. Đề tài tốt nghiệp tại Trường Đại học Sư phạm Kỹ thuật TP.HCM tập trung nghiên cứu giải pháp bảo vệ chủ động. Nhóm tác giả phát triển hệ thống phát hiện và tránh vật cản thông minh gắn trực tiếp lên xe lăn. Đề tài do sinh viên ngành Công nghệ Kỹ thuật Điện tử - Viễn thông thực hiện dưới sự hướng dẫn của TS. Ngô Bá Việt. Mục tiêu cốt lõi là nâng cao tính tự động hóa và đảm bảo an toàn tuyệt đối. Thiết bị sử dụng cảm biến khoảng cách hiện đại để quét không gian phía trước. Dữ liệu môi trường được truyền liên tục về khối xử lý trung tâm. Khi phát hiện chướng ngại vật nguy hiểm, hệ thống lập tức can thiệp vào bộ truyền động. Quá trình hãm phanh diễn ra êm ái, tránh gây giật lắc cho người ngồi. Giải pháp này kết hợp hài hòa giữa cơ khí chính xác, phần cứng điện tử và thuật toán thông minh. Đây là bước tiến quan trọng trong việc ứng dụng công nghệ y sinh vào đời sống.

1.1. Bối cảnh nghiên cứu xe lăn thông minh tại ĐH SPKT TP.HCM

Nghiên cứu xuất phát từ nhu cầu thực tiễn của người suy giảm chức năng vận động. Việc điều khiển xe lăn thủ công đòi hỏi sự tập trung liên tục. Nhiều người gặp khó khăn khi phản xạ trong tình huống bất ngờ. Nhóm nghiên cứu tại Bộ môn Điện tử Công nghiệp – Y sinh đã nắm bắt vấn đề này. Nhóm đặt mục tiêu chế tạo hệ thống hỗ trợ di chuyển an toàn với chi phí hợp lý. Toàn bộ thiết kế được xây dựng dựa trên điều kiện linh kiện sẵn có tại Việt Nam. Đề tài kết hợp giữa nghiên cứu học thuật và chế tạo sản phẩm ứng dụng. Sinh viên trực tiếp thiết kế khung vỏ 3D, lập trình vi điều khiển và chạy thử nghiệm. Dự án phản ánh định hướng đào tạo gắn liền với thực tiễn của nhà trường.

1.2. Mục tiêu kỹ thuật của hệ thống hỗ trợ người khuyết tật

Hệ thống hướng tới việc nâng cao khả năng tự hành của xe lăn điện thông thường. Bộ điều khiển nhận diện chướng ngại vật ở cự ly an toàn từ 20 đến 150 cm. Cơ chế phản hồi phải đạt tốc độ tức thời nhằm ngăn ngừa va chạm. Động cơ tự động giảm tốc khi vật cản xuất hiện trong vùng cảnh báo. Nếu vật cản nằm trong khoảng cách nguy hiểm, xe lập tức dừng hẳn. Hệ thống cũng cho phép người dùng can thiệp bằng cần điều khiển Joystick. Tính năng ghi đè lệnh giúp người lái duy trì quyền kiểm soát cao nhất. Thiết kế phần cứng chú trọng tính gọn nhẹ, tiết kiệm năng lượng và độ bền cao. Thiết bị vận hành ổn định trong nhiều điều kiện ánh sáng và nhiệt độ môi trường.

II. Thách thức an toàn của hệ thống phát hiện và tránh vật cản xe lăn

Xe lăn điện truyền thống mang lại sự tiện lợi nhưng còn tồn tại nhiều mối nguy cơ mất an toàn. Người điều khiển xe lăn thường là người khuyết tật chi dưới, người bại não hoặc người cao tuổi. Khả năng phản xạ và thị lực của họ đôi khi bị suy giảm đáng kể. Trong không gian chật hẹp như hành lang bệnh viện hay nhà ở, va chạm rất dễ xảy ra. Sự cố va đập không chỉ làm hỏng xe mà còn gây chấn thương nghiêm trọng cho người sử dụng. Bên cạnh yếu tố con người, thách thức kỹ thuật trong xử lý tín hiệu cảm biến cũng rất lớn. Môi trường thực tế chứa nhiều nguồn sáng nhiễu như ánh nắng mặt trời hoặc đèn huỳnh quang. Những yếu tố này làm sai lệch dữ liệu đo của các loại cảm biến hồng ngoại thông thường. Hơn nữa, việc điều khiển động cơ công suất lớn đòi hỏi dòng điện cao. Nếu mạch điều khiển không xử lý kịp thời hiện tượng quá dòng, linh kiện sẽ bị cháy nổ. Ngoài ra, độ trễ giữa cảm biến và bộ truyền động có thể dẫn đến phản hồi chậm trễ. Do đó, việc xây dựng một hệ thống phát hiện vật cản có độ tin cậy cao là bài toán cấp bách.

2.1. Hạn chế về khả năng quan sát và phản xạ của người dùng

Người khuyết tật thường gặp trở ngại khi quan sát các góc khuất sau lưng hoặc hai bên sườn xe. Khi điều khiển xe qua các khúc cua hẹp, điểm mù thị giác tăng lên rõ rệt. Thêm vào đó, tốc độ phản ứng của người lớn tuổi chậm hơn người bình thường nhiều lần. Khi bất ngờ xuất hiện vật cản di động như trẻ nhỏ hay thú cưng, người lái khó xử lý kịp. Hành vi luống cuống có thể khiến người lái gạt nhầm cần Joystick về phía trước. Hậu quả là xe tăng tốc đột ngột và đâm trực diện vào chướng ngại vật. Do vậy, xe lăn rất cần một cơ chế trợ lái tự động thông minh. Hệ thống phụ trợ phải đóng vai trò như một giác quan bổ sung, bảo vệ người dùng trong mọi tình huống.

2.2. Khó khăn trong việc xử lý tín hiệu cảm biến thời gian thực

Môi trường xung quanh luôn biến đổi phức tạp với nhiều bề mặt vật liệu khác nhau. Các bề mặt màu đen hoặc hấp thụ ánh sáng làm suy giảm tín hiệu phản xạ. Ngược lại, bề mặt bóng gương lại gây ra hiện tượng phản xạ tán xạ sai lệch. Nếu chỉ dựa vào cảm biến quang học đơn thuần, khoảng cách đo được sẽ có sai số lớn. Ngoài ra, việc đọc tín hiệu cảm biến liên tục đòi hỏi tài nguyên tính toán ổn định. Vi điều khiển giá rẻ thường gặp hiện tượng tràn bộ đệm hoặc treo xung nhịp khi dữ liệu dồn dập. Tiếng ồn từ động cơ điện 24V cũng gây nhiễu đường truyền tín hiệu analog. Do đó, bài toán lọc nhiễu số và đồng bộ hóa truyền thông là rào cản lớn mà nhóm nghiên cứu phải vượt qua.

III. Giải pháp thiết kế hệ thống phát hiện và tránh vật cản xe lăn điện

Để giải quyết triệt để các rào cản kỹ thuật, nhóm nghiên cứu tại ĐH SPKT TP.HCM đã đề xuất cấu trúc hệ thống hoàn chỉnh. Trọng tâm của giải pháp là sự phối hợp nhịp nhàng giữa khối cảm biến, khối điều khiển và khối chấp hành. Nhóm tác giả tích hợp công nghệ cảm biến khoảng cách quét Lidar kết hợp cảm biến phụ trợ. Thiết bị quét không gian liên tục theo thời gian thực để lập bản đồ chướng ngại vật. Dữ liệu thô được đưa qua các thuật toán lọc trung bình và lọc ngưỡng. Phương pháp này giúp loại bỏ hoàn toàn các điểm ảnh nhiễu do bụi bẩn hay ánh sáng tán xạ. Bộ vi điều khiển trung tâm Arduino Nano tiếp nhận dữ liệu đã làm sạch và tính toán cự ly an toàn. Khi xuất hiện vật cản, Arduino điều chế độ rộng xung PWM để gửi tới module công suất BTS7960. Module này kiểm soát dòng điện cung cấp cho hai động cơ DC 24V chịu tải cao. Tốc độ quay của bánh xe được giảm dần theo hàm tuyến tính. Giải pháp đảm bảo xe dừng lại êm dịu trước vật cản ở cự ly định sẵn. Cấu trúc phần cứng được thiết kế theo dạng mô-đun hóa, dễ dàng tháo lắp và bảo trì.

3.1. Cấu trúc phần cứng với cảm biến Lidar và vi điều khiển

Hệ thống phần cứng sử dụng nền tảng Arduino Nano nhỏ gọn và tiết kiệm điện năng. Cảm biến Lidar được gắn ở vị trí trung tâm phía trước xe để tối ưu góc quét. Dữ liệu khoảng cách đo được truyền trực tiếp về vi điều khiển qua giao thức nối tiếp tốc độ cao. Cảm biến phát hiện vật thể chính xác từ khoảng cách vài centimet đến vài mét. Bên cạnh đó, mạch hạ áp buck converter LM2596 đóng vai trò ổn định nguồn nuôi. Module chuyển đổi nguồn 24V từ ắc quy thành nguồn 5V ổn định cho vi điều khiển và cảm biến. Thiết kế mạch tích hợp tụ lọc chống sốc điện và chống sụt áp. Sự bố trí linh kiện khoa học giúp mạch hoạt động bền bỉ, hạn chế tối đa nguy cơ nhiễu tín hiệu.

3.2. Thuật toán điều khiển động cơ DC qua module công suất BTS7960

Module công suất BTS7960 được lựa chọn thay thế cho các mạch cầu H truyền thống như L298N. BTS7960 sở hữu phiến tản nhiệt lớn và khả năng chịu dòng tải lên tới 43A. Mức chịu tải này đáp ứng tốt nhu cầu của hai động cơ DC 24V 15.5A. Vi điều khiển Arduino xuất xung PWM với giá trị điều biến linh hoạt để thay đổi tốc độ xe. Khi hệ thống ở chế độ vận hành thông thường, giá trị PWM được thiết lập ổn định ở mức 60. Dòng điện tiêu thụ thực tế của mỗi động cơ khi đó đạt xấp xỉ 3.65A. Khi phát hiện vật cản gần kề, thuật toán giảm dần giá trị xung PWM về mức 0. Hệ thống ngắt truyền động mượt mà, loại bỏ hiện tượng giật cục gây mất thăng bằng cho người ngồi.

IV. Đánh giá ứng dụng hệ thống phát hiện và tránh vật cản xe lăn điện

Đồ án tốt nghiệp tại Trường Đại học Sư phạm Kỹ thuật TP.HCM đã hoàn thiện mô hình thử nghiệm đạt hiệu quả kỹ thuật vượt bậc. Hệ thống tránh vật cản vận hành chính xác trong nhiều bài kiểm tra mô phỏng thực tế. Thiết bị phản hồi nhanh nhạy khi đối mặt với nhiều loại vật cản tĩnh và động. Khoảng cách dừng xe an toàn được duy trì ổn định, bảo vệ người dùng trước mọi tình huống bất ngờ. Khung gầm xe và các hộp bảo vệ vi mạch thiết kế trên Solidworks đảm bảo độ chắc chắn. Module BTS7960 tản nhiệt tốt, duy trì nhiệt độ ổn định khi xe leo dốc hoặc chạy đường dài. Kết quả thử nghiệm khẳng định tính khả thi cao của giải pháp trong điều kiện thực tiễn. Nghiên cứu mở ra hướng đi triển vọng cho các thiết bị hỗ trợ vận động cá nhân hóa. Công nghệ này có thể mở rộng sang xe điện tự hành trong các bệnh viện, viện dưỡng lão và trung tâm phục hồi chức năng. Sự kết hợp giữa kỹ thuật phần cứng bền bỉ và thuật toán điều khiển thông minh khẳng định năng lực nghiên cứu ứng dụng của sinh viên ngành kỹ thuật điện tử.

4.1. Kết quả thử nghiệm vận hành mô hình xe lăn thực tế

Quá trình thử nghiệm thực địa diễn ra tại khuôn viên Đại học Sư phạm Kỹ thuật TP.HCM. Xe lăn thực hiện nhiều bài kiểm tra di chuyển với tải trọng người ngồi thực tế. Khi gặp bức tường hoặc người đi bộ cắt ngang ở khoảng cách 1 mét, xe tự động hạ tốc. Khi khoảng cách thu hẹp dưới 40 cm, mạch BTS7960 kích hoạt trạng thái dừng hẳn. Thời gian phản hồi từ lúc cảm biến nhận diện đến khi xe dừng lại dưới 0.3 giây. Xe dừng ổn định, không xảy ra hiện tượng trượt bánh hoặc lắc giật mạnh. Cần điều khiển Joystick vẫn duy trì quyền kiểm soát ưu tiên để người dùng rẽ hướng khác. Kết quả đo đạc thực nghiệm cho thấy hệ thống hoạt động chính xác với tỷ lệ thành công trên 95%.

4.2. Tiềm năng hoàn thiện và thương mại hóa thiết bị hỗ trợ

Đề tài mở ra tiềm năng lớn để chuyển giao công nghệ và sản xuất thương mại tại Việt Nam. Giá thành linh kiện của hệ thống thấp hơn đáng kể so với các sản phẩm nhập khẩu nguyên chiếc. Trong giai đoạn phát triển tiếp theo, hệ thống có thể tích hợp thêm định vị GPS và kết nối Internet kết nối vạn vật (IoT). Tính năng cảnh báo tai nạn qua tin nhắn SMS sẽ giúp gia đình theo dõi người dùng từ xa. Thuật toán trí tuệ nhân tạo nhận diện biển báo và làn đường cũng có thể được đưa vào bộ xử lý. Sản phẩm hứa hẹn trở thành thiết bị y tế hỗ trợ đắc lực cho các cơ sở điều dưỡng và gia đình bệnh nhân. Đóng góp này mang giá trị nhân văn sâu sắc, phục vụ cộng đồng yếu thế.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Theo báo cáo của Tổ chức Y tế Thế giới (WHO), người khuyết tật chiếm khoảng 15% dân số toàn cầu, trong đó các khiếm khuyết liên quan đến chức năng vận động là nhóm phổ biến nhất. Tại Việt Nam, số liệu thống kê ghi nhận hơn 7 triệu người khuyết tật (chiếm khoảng 7,8% dân số năm 2015), trong đó khuyết tật vận động chiếm tỷ lệ khoảng 27%. Khảo sát thực tế tại huyện Phú Vang, tỉnh Thừa Thiên Huế cho thấy người khuyết tật vận động từ 18 tuổi trở lên gặp nhiều rào cản trong sinh hoạt và khả năng tự chủ di chuyển. Thống kê năm 2023 cũng chỉ ra rằng ở nhóm từ 16 tuổi trở lên, tỷ lệ khuyết tật vận động thân dưới chiếm mức cao nhất (5,20%), trong khi ở nhóm trẻ em từ 2-4 tuổi và 5-15 tuổi, tỷ lệ khuyết tật về thần kinh chiếm ưu thế (lần lượt là 3,92% và 1,05%).

Xe lăn điện truyền thống điều khiển bằng cần gạt (joystick) đã hỗ trợ việc đi lại của người khuyết tật, song vẫn tiềm ẩn nguy cơ va chạm đối với những người có phản xạ chậm, thị lực suy giảm hoặc suy giảm chức năng chi trên. Một số nghiên cứu trong và ngoài nước đã phát triển xe lăn thông minh ứng dụng cảm biến siêu âm, cảm biến rung, camera định vị hoặc hệ thống tự hành bằng công nghệ quét laser. Nhằm giải quyết yêu cầu hỗ trợ di chuyển an toàn với chi phí hợp lý, đề tài "Thiết kế và thi công hệ thống phát hiện và tránh vật cản trên xe lăn điện cho người khuyết tật" được thực hiện nhằm xây dựng giải pháp tích hợp cảm biến LiDAR quét laser kết hợp cơ cấu nghiêng để nhận diện không gian xung quanh và tự động dừng xe khẩn cấp khi gặp chướng ngại vật.

Đề tài xác định mục tiêu tổng quát là thiết kế và thi công hoàn chỉnh hệ thống phát hiện và tránh vật cản lắp đặt trực tiếp trên xe lăn điện, đảm bảo người sử dụng vận hành độc lập, giảm thiểu nguy cơ tai nạn. Nhiệm vụ nghiên cứu được cụ thể hóa thành 8 nội dung theo văn bản giao việc:

1. Tìm hiểu các sản phẩm, mô hình phát hiện và tránh vật cản đã có; nghiên cứu cấu tạo, nguyên lý hoạt động của cảm biến LiDAR và động cơ servo.
2. Thiết kế sơ đồ khối và sơ đồ nguyên lý hệ thống, tích hợp LiDAR và servo nhằm tối ưu vùng quét chướng ngại vật.
3. Lập trình điều khiển động cơ servo để thay đổi góc quét của LiDAR, kết hợp thu thập và xử lý dữ liệu đám mây điểm.
4. Xây dựng thuật toán tránh vật cản dựa trên dữ liệu quét và xuất lệnh điều khiển xe lăn phù hợp.
5. Thiết kế mạch điện in (PCB) và vẽ mô hình cơ khí 3D của sản phẩm bằng phần mềm chuyên dụng.
6. Thi công mô hình phần cứng, tích hợp hệ thống, vận hành thử nghiệm và hiệu chỉnh thông số.
7. Viết báo cáo tổng kết, đánh giá kết quả đạt được và các vấn đề phát sinh.
8. Báo cáo và bảo vệ đồ án tốt nghiệp trước hội đồng chuyên môn.

Đối tượng nghiên cứu là hệ thống cơ điện tử kết hợp cảm biến quét khoảng cách laser 2D (LiDAR), cơ cấu quét góc nghiêng và hệ thống điều khiển công suất trên xe lăn điện. Phạm vi nghiên cứu được giới hạn: thời gian thực hiện từ ngày 09/09/2024 đến ngày 21/12/2024 tại Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh; cảm biến quét trong phạm vi tối đa 12 m (độ chính xác ổn định nhất dưới 6 m), góc nghiêng servo giới hạn trong 180°; số lượng mẫu lưu trữ tối đa 200 điểm đo mỗi chu kỳ quét; môi trường thử nghiệm là điều kiện khô ráo trong nhà, không chịu tác động trực tiếp của ánh sáng mặt trời mạnh hay mưa bụi.

Cơ sở lý thuyết và phương pháp

Văn bản hệ thống hóa cơ sở lý thuyết về các công nghệ cảm biến phát hiện vật thể, phương pháp điều hướng và các kỹ thuật xử lý dữ liệu không gian:

• Công nghệ cảm biến đo khoảng cách: Cảm biến LiDAR hoạt động theo nguyên lý thời gian bay (Time-of-Flight - ToF) với công thức tính khoảng cách $d = (c \times t) / 2$ (trong đó $c \approx 3 \times 10^8\text{ m/s}$, $t$ là thời gian khứ hồi của xung laser). Tác giả so sánh nguyên lý này với các công nghệ khác như Camera RGB (sử dụng thuật toán tách biên Canny/Sobel, mô hình YOLO, Faster R-CNN, phân vùng ảnh DeepLab/U-Net), Depth Camera (nguyên lý ToF, Stereo Vision, Structured Light tạo bản đồ độ sâu Depth Map và đám mây điểm Point Cloud), Radar (sóng vô tuyến, hiệu ứng Doppler), Cảm biến siêu âm (tần số 20 kHz - 40 kHz, vận tốc âm thanh $v = 343\text{ m/s}$ ở 20°C), Cảm biến hồng ngoại (IR phát/thu và tam giác lượng giác $D = k \times (1 / V_{out})$) và cảm biến đơn điểm ToF (như VL53L0X, VL53L1X).
• Phương pháp tránh vật cản: Phân tích 5 hướng tiếp cận gồm phản ứng trực tiếp (dừng hoặc rẽ ngay khi khoảng cách nhỏ hơn ngưỡng an toàn), thuật toán điều hướng đường đi (A*, D*, thuật toán Bug), bản đồ môi trường (SLAM kết hợp bản đồ tĩnh/động), thuật toán dự đoán chuyển động và ứng dụng trí tuệ nhân tạo (học máy, học tăng cường).
• Phương pháp lọc nhiễu dữ liệu LiDAR: Gồm lọc thống kê khoảng cách lân cận ngoại lai dựa trên ngưỡng $\mu + \alpha \cdot \sigma$; lọc theo mật độ điểm trong bán kính $R$ với số điểm tối thiểu $MinPts$; lọc theo ngưỡng cường độ phản xạ $I_{min} \le I(p_i) \le I_{max}$ (nhằm loại trừ bề mặt gương hoặc kim loại bóng); lọc giới hạn khoảng cách đo; lọc mặt phẳng bằng thuật toán RANSAC thông qua phương trình mặt phẳng $Ax + By + Cz + D = 0$.
• Phương pháp phân cụm dữ liệu: Khảo sát các thuật toán DBSCAN (dựa trên bán kính $\epsilon$ và $MinPts$), K-Means (khoảng cách Euclidean và cập nhật trọng tâm), phân cụm phân cấp (Agglomerative và Divisive), phân cụm dựa trên lưới (Grid-based), Mean Shift và phân cụm dựa trên đồ thị (cây khung nhỏ nhất MST, Spectral Clustering).

Phương pháp nghiên cứu thực tế được triển khai là phương pháp thiết kế kỹ thuật - thực nghiệm cơ điện tử. Tác giả kết hợp thiết kế cơ khí 3D trên Solidworks, thiết kế mạch điện tử trên phần mềm chuyên ngành, lập trình nhúng C/C++ trên nền tảng Arduino IDE và thu thập dữ liệu đám mây điểm thực tế từ cảm biến để phân tích kiểm chứng. Nguồn dữ liệu sử dụng gồm các số liệu thống kê y tế của WHO và cơ quan quản lý về người khuyết tật, thông số kỹ thuật từ datasheet linh kiện sản xuất, cùng toàn bộ chuỗi số liệu thực nghiệm đo đạc khoảng cách và thời gian đáp ứng trên mô hình xe lăn thực tế.

Thiết kế và triển khai hệ thống kỹ thuật

Hệ thống được tổ chức thành 5 khối chức năng chính: Khối nguồn, Khối cảm biến, Khối xử lý trung tâm, Khối điều khiển và Khối thực thi.

+------------+       +-------------------+       +-----------------+       +----------------+
| Khối nguồn | ----> | Khối cảm biến     | ----> | Khối xử lý      | ----> | Khối điều khiển|
| (Ắc quy &  |       | (LiDAR A1, Servo) |       | trung tâm (Due) |       | (Nano, Joystick|
|  LM2596)   |       +-------------------+       +-----------------+       +----------------+
+------------+                                                                      |
       |                                                                            v
       +--------------------------------------------------------------------> +----------------+
                                                                              | Khối thực thi  |
                                                                              | (BTS7960, DC)  |
                                                                              +----------------+

Việc lựa chọn các phần tử kỹ thuật trong từng khối dựa trên việc đối chiếu các tiêu chí kỹ thuật:

Tiêu chuẩn kỹ thuật	RPLIDAR A1	RPLIDAR A2	RPLIDAR A3
Phạm vi quét	0,15 – 12 m	0,2 – 16 m	0,2 – 25 m (hoặc 20 m)
Góc quét	0 – 360°	0 – 360°	0 – 360°
Độ phân giải góc	$\le 1^\circ$	0,9° (hoặc 0,255°)	0,255°
Tần số lấy mẫu	8 kHz	16 kHz	16 kHz
Giao thức và tốc độ	TTL UART, 115200 bps	TTL UART, 256000 bps	TTL UART, 256000 bps

RPLIDAR A1 được chọn vì cự ly 12 m đáp ứng tốt nhu cầu phát hiện vật cản ở phạm vi 5 m và cảnh báo ở cự ly 1,8 m, tốc độ truyền 115200 bps tương thích với khả năng xử lý của vi điều khiển, giúp tối ưu chi phí.

Tiêu chuẩn kỹ thuật	Servo SG90	Servo MG995	Servo MG996R
Khối lượng	9 g	55 g	55 g
Kích thước bao	22,2 $\times$ 11,8 $\times$ 31 mm	40,7 $\times$ 19,7 $\times$ 42,9 mm	40,7 $\times$ 19,7 $\times$ 42,9 mm
Mô-men xoắn dừng	1,8 kgf$\cdot$cm	8,5 kgf$\cdot$cm	9,4 – 11 kgf$\cdot$cm
Tốc độ hoạt động	0,1 s/60° (ở 4,8V)	0,2 s/60° (ở 4,8V)	0,17 s/60° (ở 4,8V)

Servo SG90 được chọn do kết cấu nhỏ gọn, trọng lượng nhẹ, đủ mô-men xoắn để kéo nghiêng cụm LiDAR A1 và giảm quán tính rung động.

Tiêu chí so sánh	Arduino Due	Arduino Uno	ESP32	STM32F103C8T6
Vi xử lý trung tâm	Atmel SAM3X8E ARM Cortex-M3	ATmega328P	Tensilica Xtensa Dual-Core	ARM Cortex-M3
Tần số xung nhịp	84 MHz	16 MHz	240 MHz	72 MHz
Dung lượng Flash / RAM	512 KB / 96 KB	32 KB / 2 KB	4 MB / 520 KB	64 KB / 20 KB
Số chân I/O (PWM, Analog)	54 (12 PWM, 12 Analog)	14 (6 PWM, 6 Analog)	36 (16 PWM, 18 Analog)	37 (15 PWM, 10 Analog)
Cổng giao tiếp UART	4 cổng	1 cổng	3 cổng	3 cổng
Điện áp mức logic	3,3V	5V	3,3V	3,3V
Độ phân giải ADC	12-bit	10-bit	12-bit	12-bit

Arduino Due được chọn làm khối xử lý trung tâm nhờ tần số 84 MHz, 96 KB SRAM đủ sức lưu trữ 200 điểm mây điểm, 4 cổng phần cứng UART và mức logic 3,3V tương thích trực tiếp với chuẩn tín hiệu của RPLIDAR A1.

Tiêu chí	BTS7960	L298N	DRV8825	VNH2SP30
Dải điện áp hoạt động	5,5V – 27V (chịu tối đa 45V)	4,8V – 46V	8,2V – 45V	5,5V – 16V
Dòng tải liên tục / đỉnh	43A (đỉnh)	2A	1,5A (đỉnh 2,5A)	30A
Tần số điều chế PWM	Lên đến 25 kHz	Tần số thấp	Điều khiển bước	Lên đến 20 kHz
Cấu trúc van bán dẫn	Cầu H đôi MOSFET	Cầu H BJT truyền thống	Mạch tích hợp bước	Cầu H MOSFET
Tản nhiệt tích hợp	Khối nhôm tản nhiệt lớn	Khối nhôm nhỏ	Không có sẵn tản lớn	Miếng nhôm nhỏ

Khối thực thi sử dụng module cầu H BTS7960 để điều khiển 2 động cơ DC 24V. Khi cấp xung PWM từ Arduino Nano ở mức giá trị 60 (thang 0–255), dòng điện tiêu thụ của mỗi động cơ có dòng cực đại $I_{max} = 15,5\text{ A}$ được tính toán theo công thức: $$I_{Motor} = I_{max} \times \frac{PWM_Value}{255} = 15,5 \times \frac{60}{255} \approx 3,65\text{ A}$$

Khối điều khiển sử dụng bo mạch Arduino Nano (ATmega328P, 16 MHz, kích thước 18 $\times$ 45 mm, 7 g) kết nối trực tiếp với module Joystick KY-023 (điện áp 5V, biến trở 10 k$\Omega$, góc nghiêng 2 trục X-Y). Khối nguồn sử dụng ắc quy 24V (bộ bình Chilwee 6-DFZ-12) kết hợp mạch hạ áp DC-DC buck converter LM2596 (dòng tải định mức dưới 3A) để hạ áp xuống các mức 5V và 3,3V cấp nguồn cho vi điều khiển, cảm biến và servo.

Về mặt cơ khí và liên kết phần cứng, nhóm nghiên cứu dùng Solidworks thiết kế 3 cụm chi tiết in 3D:

1. Hộp giữ cảm biến LiDAR bảo vệ mạch quét.
2. Cơ cấu nghiêng LiDAR tích hợp trục quay servo SG90 và khoang chứa bo mạch.
3. Đế kết nối trung gian để gắn toàn bộ cụm cảm biến lên hệ khung giá đỡ của xe lăn.

Phần mềm hệ thống vận hành theo cơ chế phân tầng: Arduino Due đảm nhận việc thu thập chuỗi byte từ cổng UART của LiDAR A1, chuyển đổi thành góc quét và khoảng cách, kết hợp góc quay tức thời của servo SG90 để giải bài toán hình học tính cao độ điểm $Z$ (phía trước và phía sau xe). Dữ liệu sau đó được lọc nhiễu và phân cụm. Khi phát hiện vật thể nằm trong phạm vi nguy hiểm (ngưỡng 1,8 m), Arduino Due xuất tín hiệu logic cảnh báo sang Arduino Nano. Arduino Nano chạy chương trình giám sát ưu tiên: ở trạng thái an toàn, Nano đọc giá trị điện áp tương tự từ hai trục Joystick KY-023 để tạo xung PWM 25 kHz điều khiển tiến, lùi, rẽ thông qua module BTS7960; khi nhận tín hiệu cảnh báo vật cản từ Due, Nano lập tức vô hiệu hóa lệnh từ Joystick và hãm dừng động cơ để tránh va chạm.

Nội dung chính theo từng chương

Chương 1: Tổng quan về lĩnh vực nghiên cứu

Chương 1 trình bày tổng quan thực trạng khuyết tật vận động theo thống kê của WHO và các nghiên cứu y tế tại Việt Nam; phân tích sự phát triển của các thế hệ xe lăn từ xe lăn cơ học, xe lăn điện điều khiển bằng cần gạt đến các hệ thống xe lăn thông minh ứng dụng điều khiển bằng chuyển động mắt, nhận diện giọng nói hoặc cảm biến tránh va chạm. Tác giả khảo sát các công trình tiêu biểu của Đại học Phương Đông, Đại học Bách Khoa TP.HCM, Đại học Kỹ thuật Toyohashi (Nhật Bản) và Intel Labs. Từ đó, tác giả xác lập mục tiêu, giới hạn kỹ thuật (phạm vi đo hiệu quả dưới 6 m, giới hạn 200 điểm mẫu, thao tác dừng tự động) và 8 nội dung triển khai của đề tài.

Chương 2: Phương pháp phát hiện vật cản (Cơ sở lý thuyết)

Chương 2 phân tích chuyên sâu các công nghệ cảm biến gồm LiDAR, Camera RGB, Depth Camera, Radar, cảm biến siêu âm, cảm biến hồng ngoại và cảm biến ToF. Tác giả trình bày các giải thuật tránh va chạm kinh điển (phản ứng trực tiếp, thuật toán điều hướng A*, D*, Bug, phương pháp bản đồ SLAM, thuật toán dự đoán và trí tuệ nhân tạo). Đồng thời, chương này trình bày các mô hình toán học phục vụ xử lý tín hiệu đám mây điểm: 5 phương pháp lọc nhiễu dữ liệu LiDAR (thống kê lân cận, mật độ bán kính, ngưỡng cường độ phản xạ, cửa sổ khoảng cách đo và phân tách mặt phẳng RANSAC) cùng 6 giải thuật phân cụm dữ liệu không gian (DBSCAN, K-Means, Hierarchical Clustering, Grid-Based Clustering, Mean Shift và Graph-Based Clustering).

Chương 3: Thiết kế hệ thống

Chương 3 chi tiết hóa việc thiết kế sơ đồ khối toàn hệ thống với 5 khối chức năng. Tác giả xây dựng các bảng so sánh tham số kỹ thuật để lựa chọn các linh kiện: chọn RPLIDAR A1 (thay cho A2, A3), chọn servo SG90 (thay cho MG995, MG996R), chọn Arduino Due (thay cho Uno, ESP32, STM32), chọn Arduino Nano và module Joystick KY-023, chọn module cầu H đôi BTS7960 (thay cho L298N, DRV8825, VNH2SP30). Tác giả tính toán dòng tải động cơ 24V ứng với chu kỳ PWM = 60 đạt xấp xỉ 3,65 A; trình bày nguyên lý hoạt động toàn mạch, sơ đồ mạch in PCB cho Arduino Due, thiết kế bản vẽ 2D/3D hộp giữ LiDAR, cơ cấu nghiêng và đế gá trên phần mềm Solidworks.

Chương 4: Thi công và kết quả thực hiện

Chương 4 mô tả quy trình hiện thực hóa phần cứng và xây dựng thuật toán điều khiển:

• Trình bày lưu đồ thuật toán chương trình chính trên Arduino Due, thuật toán con giải mã dữ liệu LiDAR qua UART, thuật toán tính toán tọa độ cao độ điểm $k$ ở phía trước và phía sau xe, lưu đồ phân cụm dữ liệu, cùng lưu đồ điều khiển chính trên Arduino Nano.
• Trình bày quá trình chế tạo mạch in PCB, gia công cơ khí khung giá đỡ, lắp ráp hộp điều khiển và tích hợp toàn bộ hệ thống lên khung xe lăn điện thực tế.
• Báo cáo kết quả thí nghiệm thực nghiệm: thử nghiệm dựng đám mây điểm của một vật thể đơn lẻ; thử nghiệm quét nhận diện nhiều vật thể từ góc nhìn trên cao và góc nghiêng; thử nghiệm quét bề mặt gương phản xạ; thử nghiệm đo chiều rộng vật cản ở các cự ly khác nhau; thử nghiệm phân biệt vật cản và đánh giá chu kỳ xử lý quét; thực hiện kịch bản điều khiển xe lăn thực tế dừng trước vật cản số 1, vật cản số 2, vật cản số 3 và hệ thống tường chắn, ghi nhận dữ liệu đám mây điểm và chuỗi cảnh báo xuất qua cổng Serial.

Chương 5: Kết luận và hướng phát triển

Chương 5 tổng kết các kết quả đạt được đối với mô hình xe lăn điện thực tế; chỉ ra những mặt tồn tại về cơ cấu cơ học, giới hạn môi trường hoạt động và năng lực xử lý thuật toán; đề xuất các giải pháp kỹ thuật cụ thể nhằm nâng cấp hệ thống trong các giai đoạn nghiên cứu tiếp theo.

Kết quả và đóng góp

Hệ thống sau khi tích hợp hoàn chỉnh đã đạt được các thông số kỹ thuật và kết quả thực nghiệm sau:

• Dựng hình đám mây điểm: Hệ thống quét và tái tạo chính xác tọa độ không gian của các vật cản mẫu trong môi trường thử nghiệm ở các góc nhìn trên cao và góc nghiêng. Trong thử nghiệm với bề mặt gương phẳng, hệ thống ghi nhận hiện tượng tán xạ và sai lệch điểm mây do đặc tính phản xạ ánh sáng của vật liệu kính.
• Đo đạc kích thước và chu kỳ: Thực nghiệm đo đạc chiều rộng vật thể ở các khoảng cách khác nhau cho thấy độ phân giải đo đạc ổn định trong phạm vi kiểm tra dưới 5 m. Chu kỳ lấy mẫu và xử lý gói dữ liệu 200 điểm đảm bảo việc gửi tín hiệu cảnh báo dừng kịp thời.
• Thử nghiệm vận hành thực tế: Xe lăn điện di chuyển và phản hồi tự động dừng chính xác trước 4 kịch bản chướng ngại vật bố trí liên tiếp trong sa bàn thực nghiệm:
  1. Dừng an toàn trước vật cản số 1, in dòng cảnh báo trên Serial Monitor và xuất đám mây điểm tương ứng.
  2. Dừng an toàn trước vật cản số 2.
  3. Dừng an toàn trước kết cấu tường chắn dạng phẳng.
  4. Dừng an toàn trước vật cản số 3.

Về mặt giải pháp kỹ thuật, tác giả đề xuất mô hình quét không gian 3D chi phí thấp bằng cách ghép nối cảm biến LiDAR quét mặt phẳng 2D (RPLIDAR A1) với một động cơ servo SG90 nghiêng góc tuần hoàn, thay thế cho các cảm biến LiDAR 3D chuyên dụng đắt đỏ. Đồng thời, cấu trúc xử lý phân tầng sử dụng hai vi điều khiển (Arduino Due chuyên tính toán mây điểm và Arduino Nano chuyên điều khiển động cơ) giúp cô lập tác vụ tính toán phức tạp khỏi mạch lực công suất cao, đảm bảo xe lăn không bị mất kiểm soát khi vi điều khiển chính đang xử lý dữ liệu.

So với các công trình nghiên cứu đi trước được tổng quan (như hệ thống xe lăn dùng cảm biến siêu âm/GPS của ĐH Phương Đông hay cảm biến rung/nghiêng của ĐH Bách Khoa TP.HCM), đề tài đã nâng cao khả năng bao quát không gian nhờ quét góc 360° kết hợp góc nghiêng, đồng thời kết hợp linh hoạt giữa quyền điều khiển chủ động của người dùng qua Joystick và cơ chế can thiệp an toàn dừng khẩn cấp tự động.

Hạn chế và hướng nghiên cứu tiếp

Văn bản đồ án nêu rõ các hạn chế kỹ thuật hiện tại của hệ thống:

• Phạm vi hoạt động tối ưu của cảm biến chỉ đạt độ chính xác cao ở cự ly dưới 6 m; khả năng phát hiện vật cản bị suy giảm đối với các vật thể có kích thước quá nhỏ hoặc các bề mặt có hệ số phản xạ ánh sáng laser kém.
• Góc quét đứng phụ thuộc vào hành trình xoay 180° của servo SG90, kết cấu cơ khí còn chịu tác động của rung chấn khi xe lăn chuyển động trên mặt sàn không bằng phẳng.
• Tốc độ xử lý của vi điều khiển đặt ra giới hạn trần 200 mẫu đo mỗi chu kỳ quét để tránh gây trễ hệ thống.
• Thao tác tránh vật cản mới dừng lại ở mức phản ứng cơ bản là ngắt động cơ dừng xe khẩn cấp, chưa thực hiện được các thao tác né tránh phức tạp như tự động tính toán quỹ đạo vòng qua chướng ngại vật.
• Môi trường thử nghiệm chỉ giới hạn ở điều kiện khô ráo trong nhà, chưa thể kiểm tra khi vận hành dưới trời mưa, khói bụi dày hoặc ánh sáng mặt trời chiếu trực tiếp.

Hướng phát triển tiếp theo được tác giả đề xuất gồm:

1. Tối ưu hóa thuật toán xử lý dữ liệu đám mây điểm để nâng cao tốc độ tính toán, cho phép tăng số lượng điểm đo mỗi chu kỳ quét mà không làm trễ thời gian phản hồi.
2. Nâng cấp năng lực xử lý phần cứng hoặc tích hợp các mô hình học máy (Machine Learning) để phân loại và nhận diện chính xác các loại vật cản trong thời gian thực.
3. Cải tiến thuật toán điều hướng để xe lăn có thể tự động bẻ lái rẽ nhánh hoặc quay đầu tránh vật cản thay vì chỉ dừng lại.
4. Gia cố cơ cấu cơ khí, bổ sung giảm chấn cho cụm gắn LiDAR và hoàn thiện thiết kế hộp bảo vệ đạt chuẩn chống chịu thời tiết để mở rộng thử nghiệm ngoài trời.

Giá trị tham khảo

Đồ án là tài liệu kỹ thuật có giá trị tham khảo cho sinh viên, học viên và kỹ sư thuộc các chuyên ngành Công nghệ Kỹ thuật Điện tử - Viễn thông, Điện tử Công nghiệp, Kỹ thuật Cơ điện tử, Robot và Kỹ thuật Y sinh đang thực hiện các đề tài về thiết bị hỗ trợ người khuyết tật hoặc robot di động tự hành (AGV/AMR).

Các nội dung có giá trị thực tiễn cao bao gồm:

• Thiết kế cơ cấu cơ khí và giải pháp biến đổi LiDAR quét 2D thành hệ thống quét không gian 3D góc nghiêng điều khiển bởi servo.
• Thiết kế mạch in, phối hợp điện áp logic 3,3V - 5V và giải pháp ghép nối 2 vi điều khiển (Arduino Due và Arduino Nano) qua chuẩn truyền thông nối tiếp để phân tách tầng tính toán và tầng chấp hành.
• Phương pháp tính toán dòng tải điều chế độ rộng xung PWM tần số cao (25 kHz) kết nối module công suất BTS7960 với động cơ DC 24V dòng lớn.
• Quy trình thực nghiệm đánh giá sai số mây điểm của LiDAR khi gặp các bề mặt vật liệu đặc thù (như gương phẳng) và thuật toán phân tích cao độ điểm cản.

Câu hỏi thường gặp

1. Tại sao nhóm tác giả lại lựa chọn cảm biến RPLIDAR A1 thay vì các phiên bản cao hơn như RPLIDAR A2 hay A3?
RPLIDAR A1 có phạm vi quét 0,15 – 12 m và độ phân giải góc $\le 1^\circ$, đáp ứng đầy đủ yêu cầu của bài toán phát hiện vật cản ở phạm vi 5 m và cảnh báo ở cự ly 1,8 m trên xe lăn điện. Tần số lấy mẫu 8 kHz và tốc độ baud 115200 bps của A1 phù hợp với năng lực xử lý và bộ đệm UART của Arduino Due, trong khi các dòng A2 và A3 có tốc độ truyền thông lên tới 256000 bps và tầm quét 16–25 m gây lãng phí năng nguyên và quá tải tính toán không cần thiết.

2. Nhiệm vụ cụ thể của hai vi điều khiển Arduino Due và Arduino Nano trong hệ thống được phân định như thế nào?
Arduino Due đóng vai trò xử lý trung tâm, tiếp nhận chuỗi dữ liệu UART tốc độ cao từ LiDAR A1, tính toán góc quét, khoảng cách, tọa độ chiều cao không gian kết hợp với góc nghiêng servo SG90, sau đó lọc nhiễu và phân cụm điểm cản. Arduino Nano đóng vai trò điều khiển chấp hành, nhận tín hiệu cảnh báo từ Due, đọc tín hiệu điện áp analog từ Joystick KY-023 và trực tiếp phát xung PWM tần số cao (25 kHz) tới module cầu H BTS7960 để điều khiển 2 động cơ DC 24V.

3. Khi cấp xung PWM ở mức 60 từ Arduino Nano, dòng điện tiêu thụ tính toán của mỗi động cơ DC 24V là bao nhiêu?
Động cơ DC 24V có dòng định mức cực đại $I_{max} = 15,5\text{ A}$. Khi áp dụng công thức $I_{Motor} = I_{max} \times (PWM_Value / 255)$ với $PWM_Value = 60$, dòng điện tiêu thụ tính toán của mỗi động cơ xấp xỉ 3,65 A.

4. Nhóm nghiên cứu giải quyết bài toán phát hiện vật cản đa chiều trong không gian bằng cảm biến LiDAR 2D như thế nào?
Cảm biến RPLIDAR A1 vốn chỉ quét trên một mặt phẳng cắt 2D. Tác giả đã gắn cụm LiDAR lên một cơ cấu nghiêng cơ khí điều khiển bởi động cơ servo SG90 (hành trình xoay tối đa 180°). Bằng cách quét laser liên tục trong khi servo thay đổi góc dốc theo trục đứng, hệ thống thu thập được các lát cắt dữ liệu ở nhiều độ cao khác nhau, từ đó phần mềm tính toán tọa độ cao độ điểm $Z$ phía trước và phía sau xe để nhận diện vật thể trong không gian 3D.

5. Những yếu tố môi trường và phần cứng nào giới hạn hiệu năng của hệ thống trong quá trình thử nghiệm?
Hệ thống bị giới hạn bởi: cự ly đo tin cậy chỉ đạt dưới 6 m; bề mặt phản xạ gương làm tán xạ chùm tia laser gây sai số mây điểm; số lượng mẫu bị khống chế tối đa 200 điểm/lần quét để tránh trễ chu kỳ điều khiển; độ rung cơ học của cụm servo khi di chuyển; và hệ thống mới chỉ được kiểm thử trong điều kiện phòng khô ráo, không hoạt động được dưới ánh nắng mặt trời trực tiếp, mưa gió hoặc môi trường nhiều bụi bẩn.

Kết luận

Đồ án "Thiết kế và thi công hệ thống phát hiện và tránh vật cản trên xe lăn điện cho người khuyết tật" đã hoàn thành việc tích hợp phần cứng và phần mềm cho một mô hình xe lăn điện có tính năng an toàn chủ động. Bằng cách kết hợp cảm biến RPLIDAR A1 với cơ cấu nghiêng servo SG90 trên nền tảng vi điều khiển kép Arduino Due và Arduino Nano, hệ thống đã mở rộng khả năng nhận diện vật cản từ mặt phẳng 2D sang không gian 3D với chi phí hợp lý. Các kết quả thực nghiệm khẳng định xe lăn có khả năng dừng tự động chính xác trước các chướng ngại vật và tường chắn ở cự ly cảnh báo 1,8 m, bảo đảm an toàn cho người sử dụng. Dù còn một số hạn chế về năng lực xử lý số lượng mẫu và điều kiện thời tiết ngoài trời, công trình đã xây dựng thành công cơ sở kỹ thuật và thực nghiệm rõ ràng, mở ra hướng ứng dụng thiết thực cho các hệ thống hỗ trợ di chuyển thông minh.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. TỔNG QUAN Chương 2: Cơ sở lý thuyết, chương này trình bày các kiến thức nền tảng liên quan đến hệ thống, bao gồm phương pháp nhận dạng, phát hiện vật cản, xử lý dữ liệu như lọc nhiễu, phân cụm. Chương 3: Thiết kế hệ thống, chương này trình bày chi tiết quá trình thiết kế hệ thống, từ thiết kế phần cứng, mạch điện, cơ cấu lắp đặt, đến thiết kế phần mềm bao gồm điều khiển và xử lý dữ liệu. Chương 4: Thi công và kết quả thực hiện, chương này mô tả quá trình thi công hệ thống, tích hợp phần cứng và phần mềm, thử nghiệm hệ thống trong các môi trường khác nhau, và đánh giá hiệu quả hoạt động của hệ thống.

Chương 5: Kết luận và hướng phát triển, chương này đưa ra các kết luận tổng quát về kết quả đạt được của hệ thống, các hạn chế còn tồn tại, và đề xuất hướng phát triển nhằm cải thiện hiệu năng và ứng dụng trong tương lai. BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 5 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT Chương 2. PHƯƠNG PHÁP PHÁT HIỆN VẬT CẢN Phát hiện vật cản là một lĩnh vực quan trọng, kết hợp các nguyên lý vật lý về sóng (ánh sáng, âm thanh, và sóng vô tuyến) với công nghệ cảm biến để xác định sự hiện diện, vị trí, và đặc điểm của các vật thể trong môi trường.

Sóng âm thanh, như trong sonar hoặc cảm biến siêu âm, được sử dụng để phát sóng âm và đo thời gian phản hồi nhằm xác định khoảng cách đến vật cản, thường được áp dụng trong robot tự hành hoặc xe tự lái. Sóng ánh sáng, dựa trên lý thuyết sóng ánh sáng, được sử dụng trong các hệ thống như LiDAR để đo khoảng cách và tạo bản đồ 3D với độ phân giải cao nhờ bước sóng ngắn, rất phù hợp cho các ứng dụng quét và phát hiện chi tiết. Trong khi đó, sóng vô tuyến, được ứng dụng trong radar và cảm biến, có khả năng xuyên qua nhiều môi trường và hoạt động tốt trong điều kiện ánh sáng yếu, với bước sóng dài hơn, phù hợp để phát hiện các vật thể lớn ở khoảng cách xa. Phát hiện vật cản sử dụng LIDAR LiDAR (Light Detection and Ranging) là một công nghệ cảm biến sử dụng ánh sáng laser để đo khoảng cách và tạo ra bản đồ 3D hoặc 2D của môi trường.

Khi ứng dụng để phát hiện vật cản, LiDAR cung cấp dữ liệu chính xác về khoảng cách và vị trí của các vật thể xung quanh. Hoạt động của lidar gồm: Đầu tiên là phát tia laser dưới dạng xung ánh sáng. Tần số phát xung thường rất cao (hàng ngàn lần mỗi giây). Tiếp theo là nhận phản xạ của tia laser chạm vào bề mặt vật thể và phản xạ trở lại cảm biến LiDAR.

Kế tiếp là tính toán thời gian bay (Time of Flight – ToF), cụ thể là LiDAR đo thời gian từ khi tia laser được phát ra đến khi nhận lại tia phản xạ. Công thức tính khoảng cách: 𝑐×𝑡 d= (2.1) 2 Trong đó, d là khoảng cách từ LiDAR đến vật thể, c là vận tốc ánh sáng (khoảng 3×108 m/s), t là thời gian bay của tia laser. Cuối cùng là xác định góc quét: LiDAR sử dụng động cơ quay hoặc cơ chế xoay để quét xung quanh theo các góc khác nhau. Kết hợp khoảng cách đo được với góc quét, LiDAR xác định vị trí 2D hoặc 3D của vật thể.

BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 6 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT Phân loại LiDAR trong phát hiện vật cản có thể dựa trên phương pháp quét và phạm vi ứng dụng, mỗi loại đáp ứng các nhu cầu cụ thể. Theo kiểu quét, LiDAR tĩnh (Fixed LiDAR) được thiết kế để phát hiện chướng ngại vật trong một góc cố định, thường được sử dụng trong các ứng dụng cố định, nơi cảm biến không di chuyển, cung cấp khả năng quét hạn chế nhưng rất chính xác. Trong khi đó, LiDAR quay (Rotating LiDAR) xoay 360° để quét toàn bộ môi trường xung quanh, mang lại sự linh hoạt cao và thường được ứng dụng trong xe tự hành hoặc robot để cung cấp chế độ xem toàn cảnh.

Theo phạm vi ứng dụng, LiDAR tầm ngắn được sử dụng trong các hệ thống như rô-bốt di động hoặc xe tự hành, giúp phát hiện và điều hướng chướng ngại vật ở khoảng cách gần, thường lên tới 50 mét. Ngược lại, LiDAR tầm xa được áp dụng trong các ứng dụng yêu cầu dữ liệu chi tiết hơn, chẳng hạn như xe tự lái hoặc lập bản đồ địa hình, với khả năng phát hiện các vật thể ở khoảng cách hơn 100 mét. Cấu trúc dữ liệu đầu ra của LiDAR bao gồm ba thành phần chính: khoảng cách, góc quét, và cường độ tín hiệu. Khoảng cách được đo từ cảm biến LiDAR đến vật thể thông qua phương pháp thời gian bay (ToF), cung cấp thông tin cơ bản để xác định vị trí vật cản.

Góc quét là góc thực hiện mỗi phép đo, hỗ trợ xây dựng mô hình 2D hoặc 3D của môi trường, rất quan trọng trong các ứng dụng điều hướng và lập bản đồ. Cường độ tín hiệu (intensity) đo cường độ phản xạ, giúp suy luận đặc tính vật liệu của vật thể, chẳng hạn như kim loại, vật liệu rắn hay mềm. Phương pháp phát hiện vật cản với LiDAR bắt đầu bằng phân tích khoảng cách, trong đó các điểm có khoảng cách nhỏ hơn ngưỡng xác định được ghi nhận là vật cản. Sau đó, các điểm này được phân cụm bằng các thuật toán như DBSCAN hoặc K-Means để nhóm các điểm gần nhau, giúp xác định rõ ràng các vật thể.

Sau khi phân cụm, hệ thống kiểm tra xem có điểm nào thuộc cụm nằm trong phạm vi cảnh báo (ví dụ vùng nguy hiểm trước mặt xe hoặc robot). Nếu phát hiện có điểm thuộc phạm vi này, hệ thống sẽ kích hoạt cảnh báo, dừng di chuyển hoặc điều chỉnh lộ trình để tránh vật cản, đảm bảo phản ứng nhanh chóng và hiệu quả, đặc biệt trong các môi trường phức tạp hoặc đông đúc [9]. BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 7 CHƯƠNG 2. Phát hiện vật cản sử dụng Camera RGB và Depth Camera a) Camera RGB Nguyên lý hoạt động của Camera RGB dựa trên ba bước chính.

Đầu tiên, cảm biến ánh sáng (thường là CCD hoặc CMOS) ghi lại ánh sáng phản xạ từ các vật thể trong môi trường. Cảm biến này có một lưới các điểm ảnh (pixels), mỗi điểm ảnh thu nhận thông tin về cường độ ánh sáng từ ba kênh màu: Đỏ (Red), Xanh lá (Green), và Xanh dương (Blue). Tiếp theo, mỗi pixel được phủ một bộ lọc màu để chỉ cho phép ánh sáng của một màu nhất định (Red, Green, hoặc Blue) đi qua. Các tín hiệu này sau đó được chuyển đổi thành giá trị số và kết hợp lại để tái tạo màu sắc của môi trường.

Kết quả cuối cùng là một hình ảnh 2D, trong đó mỗi pixel có giá trị từ 0 đến 255 cho ba kênh màu RGB, tạo thành một ảnh màu chi tiết và rõ ràng [10]. Ứng dụng của camera RGB trong phát hiện vật cản bao gồm một số phương pháp và thuật toán tiên tiến. Đầu tiên, phát hiện cạnh và biên giới sử dụng các thuật toán như Canny edge detection hay Sobel operator để phát hiện các biên giới trong ảnh, từ đó giúp xác định các vật thể trong môi trường [11]. Tiếp theo, phân loại và nhận diện đối tượng sử dụng các mô hình học máy như YOLO (You Only Look Once) hoặc Faster R- CNN, được huấn luyện để nhận diện các vật thể trong ảnh, chẳng hạn như người, xe, hoặc các vật cản khác [12].

Cuối cùng, phân vùng ảnh (Semantic Segmentation) sử dụng các mạng như U-Net hoặc DeepLab để phân vùng ảnh thành các lớp, ví dụ như đường, vật cản, nền, giúp xác định và phân biệt các vật cản trong môi trường [13]. Dữ liệu từ Camera RGB bao gồm một ma trận 2D kích thước H×W, trong đó H là chiều cao và W là chiều rộng của ảnh. Mỗi pixel trong ma trận này có giá trị cho ba kênh màu: R (độ sáng của màu đỏ, giá trị từ 0 đến 255), G (độ sáng của màu xanh lá, giá trị từ 0 đến 255), và B (độ sáng của màu xanh dương, giá trị từ 0 đến 255). Các giá trị này tạo thành thông tin màu sắc và độ sáng của mỗi điểm ảnh trong ảnh, giúp tái tạo hình ảnh màu sắc đầy đủ từ dữ liệu thu được.

Phương pháp phát hiện vật cản sử dụng các kỹ thuật hình ảnh tiên tiến để xác định và nhận diện vật thể trong môi trường. Đầu tiên, phát hiện cạnh sử dụng các thuật BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 8 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT toán như Canny Edge Detection hoặc Sobel Operator để xác định biên giới của vật thể trong ảnh. Khi các cạnh được phát hiện, hệ thống có thể nhận diện các vật thể dựa trên hình dạng của chúng.

Tiếp theo, phân loại đối tượng sử dụng các mô hình học sâu như mạng CNN (Convolutional Neural Networks), YOLO (You Only Look Once) hoặc Faster R-CNN. Các mô hình này được huấn luyện để nhận diện và phân loại các vật thể trong ảnh, chẳng hạn như người, xe, hoặc vật cản. Cuối cùng, phân vùng ảnh (Semantic Segmentation) sử dụng các mô hình như U-Net hoặc DeepLab để chia ảnh thành các vùng tương ứng với các đối tượng khác nhau, ví dụ như "vật cản", "đường đi", hoặc "nền", giúp hệ thống phát hiện và phân biệt các vật cản trong môi trường. b) Depth Camera Nguyên lý hoạt động của các công nghệ phát hiện vật cản dựa trên ánh sáng bao gồm ba phương pháp chính.

Đầu tiên, Time-of-Flight (ToF) là công nghệ mà camera ToF phát ra ánh sáng hồng ngoại và đo thời gian mà ánh sáng mất để phản xạ trở lại. Công nghệ này hoạt động tốt trong môi trường sáng mạnh, với độ chính xác phụ thuộc vào khoảng cách và năng lượng chiếu sáng. ToF thích hợp cho các tình huống cần đo nhanh và ở phạm vi xa [14]. Thứ hai, Stereo Vision sử dụng sự so sánh hình ảnh từ hai camera đặt ở hai góc khác nhau để tính toán độ sâu.

Tuy nhiên, phương pháp này yêu cầu thuật toán phức tạp để xác định các điểm tương đồng trong hai hình ảnh, và hiệu quả có thể giảm nếu đối tượng thiếu chi tiết bề mặt hoặc màu sắc rõ ràng [15]. Cuối cùng, Structured Light chiếu các mẫu ánh sáng có cấu trúc lên bề mặt vật thể và phân tích sự biến dạng của chúng. Phương pháp này có độ chính xác cao nhưng dễ bị ảnh hưởng bởi ánh sáng môi trường và thường phù hợp với các ứng dụng trong nhà [16].