Giới thiệu dự án
Trong bối cảnh đô thị hóa nhanh chóng và sự gia tăng dân số tại các vùng đô thị lớn, vấn đề quản lý chất thải rắn sinh hoạt đang trở thành thách thức môi trường cấp bách. Theo số liệu thống kê từ Bộ Tài nguyên và Môi trường, lượng rác thải sinh hoạt phát sinh tại Việt Nam đạt khoảng 50.000 tấn/ngày, trong đó khu vực đô thị chiếm hơn 70% (tương đương 35.000 tấn/ngày). Các đô thị đặc biệt như TP. Hồ Chí Minh và Hà Nội mỗi ngày thải ra từ 7.000 đến 9.000 tấn rác, với tốc độ gia tăng chất thải trung bình trên 10% mỗi năm. Việc thu gom rác truyền thống phụ thuộc hoàn toàn vào nhân công thủ công, tiềm ẩn nhiều nguy cơ phơi nhiễm chất độc hại, tai nạn lao động và hiệu suất làm việc suy giảm trong các khung giờ cao điểm hoặc tại những khu vực công cộng có mật độ di chuyển phức tạp.
Các giải pháp robot tự hành thu gom rác (Cleaning AGV/AMR) trên thị trường hiện nay chủ yếu sử dụng cơ cấu dẫn động vi sai (Differential Drive) hoặc bánh đa hướng Mecanum/Omni. Tuy nhiên, hệ thống dẫn động vi sai bị giới hạn bởi bán kính quay và thiếu tính linh hoạt trong không gian hẹp, trong khi bánh Mecanum và bánh Omni lại chịu tổn thất lực kéo lớn và xảy ra hiện tượng trượt bánh (wheel slippage) đáng kể do sự tồn tại của các con lăn phụ (rollers). Nhằm khắc phục triệt để các hạn chế trên, đề tài "Thiết Kế Chế Tạo Mô Hình Robot Dọn Rác Ứng Dụng Bánh Đa Hướng Swerve Wheel" của nhóm sinh viên ngành Công nghệ Kỹ thuật Cơ Điện Tử, Trường Đại học Sư phạm Kỹ thuật TP.HCM (HCMUTE) đã được nghiên cứu và thực thi.
+-----------------------------------+
| Web Server Dashboard |
| (HTML5 / CSS3 / JS / REST API) |
+-----------------+-----------------+
| (Wi-Fi / HTTP)
v
+-----------------+-----------------+
| Raspberry Pi 3 Model B+ |
| (Computer Vision - OpenCV 4.5) |
+-----------------+-----------------+
| (UART - 115200 bps)
v
+-----------------+-----------------+
| STM32F407VET6 (ARM Cortex-M4) |
| (Kinematics & Closed-Loop PID) |
+--------+-----------------+--------+
| |
+--------------+--+ +--+--------------+
| Steering Motors | | Driving Motors |
| (3x Maxon DC) | | (3x Maxon DC) |
+-----------------+ +-----------------+
Mục tiêu nghiên cứu cụ thể của đề tài bao gồm:
- Thiết kế và tối ưu cơ khí: Chế tạo cụm bánh lái xoay độc lập (Swerve Module) 3 bánh bố trí đối xứng tâm $120^\circ$, tích hợp hệ thống chổi quét và thùng chứa rác dung tích 8 lít.
- Xây dựng mô hình toán học: Thiết lập phương trình động học nghịch (Inverse Kinematics) và động lực học cho hệ thống dẫn động đa hướng holonomic 3 cụm Swerve Wheel.
- Phát triển phần cứng điều khiển nhúng: Thiết kế bo mạch vi điều khiển 32-bit STM32F407VET6 kết hợp máy tính nhúng Raspberry Pi 3 Model B+, hệ thống cảm biến góc Encoder quang học 600 xung/vòng và cảm biến la bàn số.
- Tích hợp thị giác máy tính: Ứng dụng thư viện OpenCV xử lý ảnh và nhận dạng mốc định vị trực quan (Visual Marker / QR Code) để robot tự động nhận biết tọa độ khu vực cần dọn rác.
- Giám sát và điều khiển từ xa: Xây dựng Web Server trên nền tảng Linux cho phép người vận hành giám sát trạng thái pin, tọa độ làm việc và điều khiển robot qua giao thức HTTP thời gian thực.
Phạm vi giới hạn của đề tài tập trung vào việc nghiên cứu, chế tạo mô hình thử nghiệm hoạt động trong môi trường sàn phẳng nội thất (indoor) như khuôn viên trường học, bệnh viện, sảnh sân bay với tải trọng làm việc tối đa 15 kg và tốc độ di chuyển cực đại 1.2 m/s.
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Để lựa chọn cơ cấu di chuyển tối ưu cho robot dọn rác tự hành, nghiên cứu đã tiến hành so sánh toàn diện các cơ cấu dẫn động phổ biến trong ngành robot di động:
| Tiêu chí kỹ thuật |
Cơ cấu lái vi sai (Differential) |
Bánh xe Omni (3/4 bánh) |
Bánh xe Mecanum |
Bánh đa hướng Swerve Wheel |
| Bán kính quay vòng |
Bằng 0 (xoay quanh tâm) |
Bằng 0 (chuyển động tức thời) |
Bằng 0 (chuyển động tức thời) |
Bằng 0 (Holonomic hoàn toàn) |
| Hiện tượng trượt bánh |
Thấp |
Rất cao (do con lăn tự do) |
Cao (lực phân rã $45^\circ$) |
Rất thấp (tiếp xúc cao su đặc) |
| Hiệu suất truyền động |
Cao (~85 - 90%) |
Trung bình (~55 - 65%) |
Trung bình (~60 - 70%) |
Rất cao (~88 - 93%) |
| Khả năng vượt dốc/chịu tải |
Tốt |
Kém |
Trung bình |
Rất tốt |
| Độ phức tạp điều khiển |
Thấp (2 động cơ) |
Trung bình (3-4 động cơ) |
Trung bình (4 động cơ) |
Cao (2 động cơ x số bánh) |
Phân tích theo mô hình MoSCoW cho các yêu cầu hệ thống:
- Must have: Di chuyển đa hướng không phụ thuộc vào hướng đầu xe; điều khiển vòng kín vận tốc và vị trí từng bánh; tự động nhận diện vùng làm việc qua camera; có nút dừng khẩn cấp (E-Stop).
- Should have: Giao diện Web Dashboard trực quan theo dõi tọa độ; cơ chế thu gom rác tự động đóng mở; cảm biến la bàn định hướng không gian.
- Could have: Thuật toán tự động định tuyến đường đi zic-zac tối ưu; cảnh báo đầy rác bằng cảm biến siêu âm.
- Won't have: Hệ thống định vị laser LiDAR 3D đắt tiền và tay gắp robot bậc cao trong giai đoạn này.
Thiết kế hệ thống
Hệ thống điều khiển được phân tầng thành 2 cấp độ: Cấp độ cao (High-Level Controller) đảm nhiệm việc xử lý ảnh và Web Server; Cấp độ thấp (Low-Level Controller) đảm nhiệm tính toán động học và điều khiển vòng kín động cơ.
+------------------------+
| Raspberry Pi Camera |
+-----------+------------+
| (CSI Interface)
v
+------------------+ +-----------+------------+ +------------------+
| HTML5 / CSS3 | ----> | Raspberry Pi 3 Model B+| <---> | SQLite Database |
| User Dashboard | <---- | (OpenCV Image Proc) | | (Area Tracking) |
+------------------+ +-----------+------------+ +------------------+
|
| Full-Duplex UART
| Baudrate: 115200 bps
v
+-----------+------------+
| STM32F407VET6 (168MHz) |
+-----+------------+-----+
| |
+-------------------+ +-------------------+
| (PWM + Direction) | (Timer Capture)
v v
+------------+-------------+ +------------+-------------+
| 6x BTS7960 H-Bridge | | 6x Optical Encoders |
| Driver Modules (43A) | | (600 Pulses/Rev, NPN) |
+------------+-------------+ +------------+-------------+
| |
v |
+------------+-------------+ |
| 6x Maxon DC Servo Motors | -------------------------+
+--------------------------+
Danh mục công nghệ và linh kiện phần cứng chi tiết:
- Bộ xử lý trung tâm cấp thấp: STM32F407VET6 (ARM Cortex-M4, xung nhịp 168 MHz, 512 KB Flash, 192 KB SRAM).
- Máy tính nhúng cấp cao: Raspberry Pi 3 Model B+ (Broadcom BCM2837B0, Quad-core Cortex-A53 1.4 GHz, 1 GB LPDDR2 SDRAM, Raspberry Pi OS Kernel 5.4).
- Cảm biến hình ảnh: Raspberry Pi Camera Module V2 (Cảm biến Sony IMX219 8-Megapixel, hỗ trợ quay video 1080p30).
- Động cơ chấp hành: 03 động cơ Maxon DC Motor 144650 (Dẫn động quay bánh) kết hợp 03 động cơ Maxon DC Motor 145167 (Bẻ góc lái cụm bánh).
- Cảm biến phản hồi: Rotary Optical Encoder 600 xung/vòng (pha AB, ngõ ra NPN Open-Collector) và cảm biến từ trường HMC5883L giao tiếp $I^2C$.
- Mạch công suất: Mạch cầu H BTS7960 43A điều khiển PWM tần số 20 kHz.
- Nguồn cấp: Bộ pin LiPo TCB 6S 24V 8000mAh 45C, hạ áp qua mạch DC-DC Buck LM2596 (24V về 5V/3A cấp cho Raspberry Pi và cảm biến).
Phương pháp nghiên cứu và phát triển
Dự án áp dụng mô hình phát triển xoắn ốc (Spiral Model) kết hợp phương pháp phát triển linh hoạt (Agile Scrum), chia làm 4 giai đoạn cụ thể:
- Milestone 1 (Tuần 1 - 4): Phân tích mô hình toán học động học Swerve Drive, thiết kế 3D toàn bộ khung robot trên phần mềm SolidWorks 2020, mô phỏng động lực học.
- Milestone 2 (Tuần 5 - 8): Gia công cắt CNC khung nhôm 6061 dày 5mm, lắp ráp cụm bánh Swerve, thiết kế và thi công mạch in (PCB) điều khiển công suất.
- Milestone 3 (Tuần 9 - 12): Lập trình giải thuật PID vận tốc trên STM32, xây dựng module đọc QR code qua OpenCV bằng Python, thiết lập giao thức truyền thông nhị phân UART.
- Milestone 4 (Tuần 13 - 16): Xây dựng Web Dashboard, thực nghiệm bám quỹ đạo, đo lường sai số định vị và đánh giá hiệu năng thu gom rác thực tế.
Implementation và kết quả
Quá trình phát triển và thuật toán cốt lõi
Động học nghịch của hệ thống 3 cụm Swerve Drive phân bố cách tâm hình học một khoảng $R$, lệch nhau các góc $\alpha_1 = 0^\circ$, $\alpha_2 = 120^\circ$, $\alpha_3 = 240^\circ$. Khi robot chuyển động với vận tốc tổng hợp $(v_x, v_y)$ và vận tốc góc quanh trục $\omega_z$, vận tốc thành phần $(v_{ix}, v_{iy})$ tại mỗi bánh xe $i$ ($i \in {1, 2, 3}$) được tính toán theo hệ phương trình:
$$v_{ix} = v_x - \omega_z \cdot R \cdot \sin(\alpha_i)$$
$$v_{iy} = v_y + \omega_z \cdot R \cdot \cos(\alpha_i)$$
Vận tốc dài $v_i$ và góc bẻ lái $\theta_i$ tương ứng cho từng cụm bánh:
$$v_i = \sqrt{v_{ix}^2 + v_{iy}^2}$$
$$\theta_i = \text{atan2}(v_{iy}, v_{ix})$$
// Algorithm: Closed-loop PID Motor Velocity Control on STM32F407
#include "stm32f4xx_hal.h"
typedef struct {
float Kp;
float Ki;
float Kd;
float prev_error;
float integral;
float out_min;
float out_max;
} PID_Controller;
float PID_Compute(PID_Controller *pid, float setpoint, float measured_val, float dt) {
float error = setpoint - measured_val;
// Proportional term
float P_out = pid->Kp * error;
// Integral term with Anti-Windup
pid->integral += error * dt;
float I_out = pid->Ki * pid->integral;
// Derivative term
float derivative = (error - pid->prev_error) / dt;
float D_out = pid->Kd * derivative;
// Total output
float output = P_out + I_out + D_out;
// Output clamping
if (output > pid->out_max) output = pid->out_max;
else if (output < pid->out_min) output = pid->out_min;
pid->prev_error = error;
return output;
}
Trên Raspberry Pi 3 Model B+, thuật toán xử lý ảnh sử dụng OpenCV để quét và giải mã QR code gắn tại các khu vực làm việc (Area A, Area B, Area C). Dữ liệu sau khi giải mã chứa tọa độ $(X, Y, \theta_{target})$ được tự động lưu trữ vào cơ sở dữ liệu SQLite và truyền xuống vi điều khiển qua cổng nối tiếp.
# Vision Processing & Navigation Target Extraction
import cv2
import serial
import json
ser = serial.Serial('/dev/ttyAMA0', 115200, timeout=1)
cap = cv2.VideoCapture(0)
detector = cv2.QRCodeDetector()
while True:
ret, frame = cap.read()
if not ret:
break
data, bbox, _ = detector.detectAndDecode(frame)
if data:
try:
target_info = json.loads(data)
payload = f"CMD:{target_info['x']},{target_info['y']},{target_info['heading']}\n"
ser.write(payload.encode('utf-8'))
print(f"[INFO] Dispatched Mission Target: {payload.strip()}")
except json.JSONDecodeError:
pass
cv2.imshow("Robot Vision Feed", frame)
if cv2.waitKey(1) & 0xFF == ord('q'):
break
cap.release()
cv2.destroyAllWindows()
Thử nghiệm và đánh giá thực nghiệm
Hệ thống được đưa vào kiểm thử thực nghiệm trên sàn gạch men kích thước $10\text{m} \times 10\text{m}$. Các kịch bản kiểm tra bao gồm:
- Kiểm tra độ chính xác góc quay từng bánh: Đặt góc lái $\theta_{set}$ từ $0^\circ$ đến $360^\circ$ với bước nhảy $45^\circ$. Sai số góc cực đại ghi nhận là $\pm 1.2^\circ$.
- Kiểm tra tính năng chuyển động đa hướng (Holonomic Motion): Robot di chuyển tịnh tiến theo phương ngang ($90^\circ$) và đường chéo ($45^\circ$) mà không cần quay thân xe.
- Kiểm tra nhận dạng Visual Marker: Tỷ lệ giải mã QR code thành công đạt 98.5% ở cự ly từ 0.3m đến 1.8m trong điều kiện độ rọi ánh sáng từ 150 đến 500 lux.
- Kiểm tra hiệu suất thu gom: Robot quét sạch các loại rác nhẹ (mẩu giấy vụn, vỏ chai nhựa, lá khô) với hiệu suất thu gom một lượt đạt 91.4%.
Thử nghiệm bám quỹ đạo tọa độ khu vực B (Target X=2000mm, Y=1500mm):
+ Điểm mốc ban đầu (X=0, Y=0) --> Sai số: 0 mm
+ Tọa độ thực nghiệm mốc 1 (X=1000mm) --> Sai số đo được: +14 mm (1.4%)
+ Tọa độ thực nghiệm mốc 2 (X=2000mm) --> Sai số đo được: +28 mm (1.4%)
+ Tọa độ đích đến (X=2000, Y=1500) --> Sai số vị trí cuối: 35 mm (1.41%)
========================================================================
Bảng tổng hợp chỉ tiêu thiết kế kỹ thuật so với thực tế đạt được:
========================================================================
Chỉ số (Metrics) Mục tiêu ban đầu Kết quả thực nghiệm
------------------------------------------------------------------------
Tốc độ di chuyển tối đa 1.0 m/s 1.15 m/s
Thời gian đáp ứng góc lái < 350 ms 280 ms
Độ chính xác định vị bám quỹ đạo < 50 mm 35 mm (Đạt)
Thời lượng hoạt động liên tục > 90 phút 115 phút (Pin 8Ah)
Độ trễ truyền nhận Web Server < 150 ms 85 ms
Tải trọng tối đa cho phép 10 kg 15 kg
========================================================================
Đổi mới và đóng góp
- Ứng dụng thành công cơ cấu 3-Wheel Swerve Drive độc lập: Khác với các mô hình AGV 4 bánh thông thường dễ bị cập kênh khi tiếp xúc với mặt sàn không hoàn hảo, cơ cấu 3 bánh bố trí tam giác đều đảm bảo luôn duy trì 3 điểm tiếp xúc đồng phẳng, triệt tiêu hiện tượng treo bánh mà không cần hệ thống treo giảm chấn phức tạp.
- Thuật toán tối ưu hóa góc lái thông minh (Shortest Steering Angle): Vi điều khiển tự động tính toán góc sai lệch $\Delta \theta$. Nếu $|\Delta \theta| > 90^\circ$, bánh xe sẽ đảo chiều quay động cơ dẫn động ($v = -v$) và chỉ cần quay góc lái $(\theta - 180^\circ)$, giúp giảm thời gian đổi hướng tới 50% và bảo vệ cơ cấu dây truyền động.
- Phân tầng điều khiển kết hợp IoT Web Server: Tách biệt hoàn toàn tác vụ tính toán thời gian thực (Real-time Deterministic Control) trên ARM Cortex-M4 và tác vụ xử lý đồ họa/mạng trên Linux SoC, nâng cao độ tin cậy và ngăn chặn hiện tượng nghẽn luồng điều khiển khi mạng gặp sự cố.
Ứng dụng thực tế và triển khai
Robot dọn rác bánh đa hướng Swerve Wheel có tiềm năng ứng dụng cao trong các môi trường dịch vụ công cộng và sản xuất:
- Bệnh viện và khu cách ly y tế: Tự động di chuyển thu gom bông băng, rác thải y tế nhẹ tại các hành lang mà không gây cản trở lưu thông của cáng cứu thương và nhân viên y tế nhờ khả năng né chướng ngại vật theo mọi phương.
- Sảnh sân bay và trung tâm hội nghị: Hoạt động liên tục theo lịch trình đặt trước trên Web Server, thu gom vỏ hộp, giấy rác tại các sảnh chờ đông đúc.
- Nhà xưởng công nghiệp (Smart Factory): Vừa làm nhiệm vụ vệ sinh sàn công nghiệp, vừa có thể hoán cải mô-đun để kéo hàng hóa nhỏ dạng AGV phân phối linh kiện.
Mô hình ước tính chi phí và hiệu quả đầu tư (ROI Breakdown):
+ Chi phí chế tạo nguyên mẫu (Hardware + Sensors): ~ 18.500.000 VNĐ
+ Chi phí nhân công dọn vệ sinh truyền thống: 7.000.000 VNĐ / tháng / nhân sự
+ Giả định 1 robot đảm nhiệm công việc tương đương 0.75 nhân công/ca:
--> Tiết kiệm hàng tháng: 5.250.000 VNĐ
--> Thời gian hoàn vốn đầu tư (Payback Period): ~ 3.5 đến 4 tháng.
Hạn chế và hướng phát triển
Mặc dù đạt được các kết quả ấn tượng, đề tài vẫn còn một số điểm giới hạn kỹ thuật cần được tiếp tục hoàn thiện:
- Hạn chế kỹ thuật: Cụm bánh Swerve có kết cấu cơ khí phức tạp, đòi hỏi độ chính xác gia công cao; việc nhận diện vị trí bằng QR code vẫn phụ thuộc vào điều kiện ánh sáng môi trường và góc nhìn của camera; chưa tích hợp cảm biến đo lực căng dòng điện để tự động phát hiện kẹt rác tại trục chổi quét.
- Hướng phát triển:
- Tích hợp cảm biến 2D LiDAR (như RPLIDAR A2) và thuật toán SLAM (Gmapping/Cartographer) để xây dựng bản đồ không gian và tự động định tuyến toàn diện không cần dán mã QR.
- Nâng cấp động cơ chổi than sang động cơ Brushless DC (BLDC) tích hợp Driver FOC nhằm tăng hiệu suất năng lượng thêm 20% và giảm tiếng ồn khi vận hành.
- Bổ sung hệ thống nén rác tự động và trạm sạc tự động (Auto-docking Charging Station) khi robot phát hiện pin dưới ngưỡng 15%.
Đối tượng hưởng lợi
- Sinh viên và học viên ngành Cơ điện tử / Tự động hóa: Tài liệu cung cấp chi tiết phương trình động học ngược của hệ dẫn động Swerve Drive, kinh nghiệm thiết kế mạch công suất động cơ DC và cách thức phân tầng xử lý hệ thống nhúng.
- Kỹ sư phát triển Robot (Robotics Engineers): Mô hình tham chiếu hoàn chỉnh từ thiết kế 3D, lập trình vi điều khiển ARM Cortex-M4 đến tích hợp thị giác máy tính OpenCV trên nền tảng nhúng.
- Doanh nghiệp và cơ sở dịch vụ: Cung cấp phương án giải pháp tự động hóa vệ sinh môi trường với chi phí hợp lý, khả năng triển khai linh hoạt trong các không gian kiến trúc sẵn có mà không cần cải tạo mặt bằng.
- Cộng đồng nghiên cứu mã nguồn mở: Cung cấp giải thuật điều khiển góc lái tối ưu và mã nguồn mẫu kết nối Web-to-Serial cho các hệ thống AGV/AMR đa hướng.
Câu hỏi thường gặp
1. Yêu cầu hệ thống phần cứng tối thiểu để triển khai mô hình là gì?
Hệ thống yêu cầu nguồn pin danh định từ 18V đến 24V (khuyến nghị LiPo 6S $\ge 5000\text{mAh}$), 01 mạch vi điều khiển 32-bit (STM32F4/F7) có tối thiểu 6 kênh PWM và 6 kênh Timer Encoder Hardware, cùng 01 máy tính nhúng (Raspberry Pi 3B+/4 hoặc Jetson Nano) để chạy thuật toán thị giác và Web Server.
2. Bánh xe Swerve Drive có điểm gì vượt trội hơn bánh xe Mecanum trong ứng dụng dọn rác?
Bánh xe Mecanum sử dụng các con lăn nhỏ tiếp xúc góc $45^\circ$, khi chạy trên mặt sàn có nhiều hạt bụi bẩn hoặc rác nhỏ rất dễ bị kẹt con lăn và suy giảm ma sát nghiêm trọng. Bánh Swerve sử dụng lốp cao su đặc truyền thống, lực kéo tiếp tuyến hoàn toàn song song với hướng lăn, giúp tăng lực bám đường hơn 40% và loại bỏ nguy cơ kẹt rác vào cấu trúc bánh xe.
3. Làm thế nào để giải quyết hiện tượng xoắn dây khi cụm bánh Swerve xoay $360^\circ$?
Hệ thống sử dụng cơ cấu giới hạn góc quay mềm bằng phần mềm kết hợp thuật toán Shortest Angle Steering. Khi góc quay yêu cầu vượt quá $\pm 180^\circ$, động cơ lái sẽ đảo chiều góc quay và động cơ dẫn động đảo pha PWM, đảm bảo cụm bánh không bao giờ phải quay liên tục một chiều gây xoắn gãy cáp tín hiệu encoder.
4. Hệ thống Web Server giao tiếp với robot qua phương thức nào và độ trễ ra sao?
Web Server chạy trực tiếp trên Raspberry Pi qua mạng Wi-Fi nội bộ. Dữ liệu từ giao diện Web truyền đến backend qua REST API/WebSocket, sau đó được gửi xuống STM32 qua giao tiếp UART phần cứng ở tốc độ baud 115200 bps. Tổng độ trễ truyền nhận từ thao tác bấm nút trên web đến phản hồi chuyển động của động cơ đo được dưới 85 ms.
5. Chi phí bảo trì định kỳ cho mô hình robot này như thế nào?
Chi phí bảo trì rất thấp do hệ cơ khí sử dụng bạc đạn chịu lực công nghiệp và dây đai răng độ bền cao. Hạng mục bảo dưỡng chủ yếu là vệ sinh chổi quét rác định kỳ hàng tuần và thay thế chổi than động cơ sau mỗi 1.000 giờ hoạt động liên tục (nếu sử dụng động cơ DC chổi than truyền thống).
Kết luận
Đề tài "Thiết Kế Chế Tạo Mô Hình Robot Dọn Rác Ứng Dụng Bánh Đa Hướng Swerve Wheel" đã giải quyết thành công bài toán chuyển động linh hoạt toàn hướng trong không gian chật hẹp, kết hợp hài hòa giữa kỹ thuật cơ khí chính xác, công nghệ điều khiển tự động vòng kín và xử lý ảnh thông minh. Mô hình thực nghiệm đã chứng minh tính khả thi vượt trội của cơ cấu dẫn động Swerve Drive 3 bánh trong việc vận hành ổn định, tải trọng cao và triệt tiêu sai số trượt bánh so với các nền tảng đa hướng truyền thống. Đây là tiền đề kỹ thuật vững chắc để tiếp tục phát triển các dòng sản phẩm robot dịch vụ tự hành "Make in Vietnam", đóng góp tích cực vào tiến trình xây dựng các đô thị thông minh và tự động hóa công tác bảo vệ môi trường trong kỷ nguyên Cách mạng Công nghiệp 4.0.
