Đồ Án Thiết Kế và Thi Công Mô Hình Xe Lăn Tự Hành Trong Nhà Dùng Camera 3D

Khám phá đồ án HCMUTE thiết kế và thi công mô hình xe lăn tự hành trong nhà sử dụng camera 3D, mang lại giải pháp tiện ích cho người khuyết tật.

• Tác giả: Huỳnh Tấn Cường
• Người hướng dẫn: ThS. 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 Truyền Thông
• Đề tài: Thiết Kế Và Thi Công Mô Hình Xe Lăn Tự Hành Trong Nhà Sử Dụng Camera 3D
• Loại tài liệu: đồ án tốt nghiệp
• Năm xuất bản: 2019
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. ĐẶT VẤN ĐỀ
• 1.2. MỤC TIÊU
• 1.3. NỘI DUNG NGHIÊN CỨU
• 1.4. GIỚI HẠN
• 1.5. BỐ CỤC
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. TỔNG QUAN VỀ XỬ LÝ ẢNH VÀ CÁC THƯ VIỆN LIÊN QUAN
• 2.1.1. Giới thiệu xử lý ảnh
• 2.1.2. Những kiến thức cơ bản trong xử lý ảnh
• 2.1.3. Phương pháp nhận dạng vật mốc
• 2.2. TRUYỀN DỮ LIỆU BLUETOOTH
• 2.2.1. Giới thiệu
• 2.2.2. Ứng dụng của Bluetooth
• 2.2.3. Ưu và nhược điểm của công nghệ Bluetooth
• 2.3. NGÔN NGỮ PYTHON
• 2.3.1. Ưu điểm và nhược điểm Python
• 2.3.2. Ứng dụng của Arduino
• 2.4. GIỚI THIỆU PHẦN CỨNG
• 2.4.1. Camera Intel RealSense D435
• 2.4.2. Kit Arduino Nano
• 2.4.3. Module Điều Khiển Động Cơ BTS7960
• 3. CHƯƠNG 3: TÍNH TOÁN VÀ THIẾT KẾ
• 3.1. THIẾT KẾ HỆ THỐNG PHẦN CỨNG
• 3.1.1. Khối thu tín hiệu
• 3.1.2. Khối xử lý và khối hiển thị
• 3.1.3. Khối giao tiếp và điều khiển
• 3.2. CÁC TÍNH TOÁN TRONG XỬ LÝ ẢNH ĐẦU VÀO
• 3.2.1. Nhận dạng vật mốc bằng ảnh màu của camera
• 3.2.2. Tính khoảng cách dựa vào ảnh độ sâu nhận được từ camera
• 4. CHƯƠNG 4: THI CÔNG HỆ THỐNG
• 4.1. THI CÔNG HỆ THỐNG
• 4.1.1. Các linh kiện và model cần thiết cho mô hình
• 4.1.2. Kết nối, lắp ráp và kiểm tra mô hình
• 4.2. THI CÔNG MÔ HÌNH
• 4.2.1. Kết nối bộ phận điều khiển động lực với nguồn
• 4.2.2. Kết nối bộ phận camera với laptop
• 4.2.3. Mô hình hoàn chỉnh
• 4.3. LẬP TRÌNH HỆ THỐNG
• 4.3.1. Lập trình ngôn ngữ Python với Sublime Text 3
• 4.3.2. Lập trình Arduino với Arduino IDE
• 4.4. VIẾT TÀI LIỆU HƯỚNG DẪN SỬ DỤNG, THAO TÁC
• 4.4.1. Viết tài liệu hướng dẫn sử dụng
• 4.4.2. Quy trình thao tác
• 5. CHƯƠNG 5: KẾT QUẢ NHẬN XÉT ĐÁNH GIÁ
• 5.1. XÁC ĐỊNH VẬT CẢN
• 5.2. NHẬN DẠNG VẬT MỐC
• 5.3. KẾT QUẢ TRÁNH VẬT CẢN
• 5.4. KẾT QUẢ ĐO KHOẢNG CÁCH CỦA XE LĂN
• 6. CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 6.1. Kết quả đạt được
• 6.2. Những mặt hạn chế
• 6.3. HƯỚNG PHÁT TRIỂN
• LIỆT KÊ HÌNH VẼ
• LIỆT KÊ BẢNG

Tóm tắt

I. Mô hình xe lăn tự hành Tổng quan và mục tiêu

Đề tài tập trung vào mô hình xe lăn tự hành trong nhà sử dụng camera 3D. Mục tiêu chính là thiết kế và xây dựng một xe lăn tự lái có khả năng phát hiện chướng ngại vật và nhận dạng vật mốc, cho phép người khuyết tật di chuyển an toàn và độc lập trong môi trường nhà ở. Công nghệ camera 3D đóng vai trò then chốt trong việc thu thập dữ liệu môi trường, hỗ trợ hệ thống điều hướng. Nghiên cứu hướng đến việc ứng dụng thực tiễn, giải quyết bài toán di chuyển cho người khuyết tật, mang lại giá trị xã hội cao. Thiết kế xe lăn tự hành cần đảm bảo tính khả thi về mặt kỹ thuật và kinh tế.

1.1. Đặt vấn đề

Số lượng người khuyết tật tại Việt Nam đáng kể. Hệ thống hạ tầng hỗ trợ người khuyết tật chưa hoàn thiện. Xe lăn là thiết bị hỗ trợ cần thiết, nhưng việc điều khiển thủ công gây khó khăn. Các nghiên cứu trước đây về xe lăn tự lái còn hạn chế về thiết kế và độ tin cậy. Đề tài này nhằm khắc phục những thiếu sót đó, hướng tới một xe lăn thông minh dễ sử dụng và hiệu quả hơn. Ứng dụng camera 3D trong điều hướng robot mang lại sự chính xác và khả năng định vị tốt hơn so với các cảm biến truyền thống.

1.2. Mục tiêu nghiên cứu

Mục tiêu chính là thiết kế và thi công một mô hình xe lăn tự hành trong nhà sử dụng camera 3D. Hệ thống cần đạt được các mục tiêu cụ thể: phát hiện chướng ngại vật và dừng lại an toàn; nhận dạng vật mốc và di chuyển đến vị trí định sẵn; điều hướng xe lăn tự lái hiệu quả trong môi trường nhà ở. Việc sử dụng camera 3D trong điều hướng xe lăn sẽ được nghiên cứu kỹ lưỡng, đảm bảo độ chính xác cao và khả năng hoạt động ổn định. Hệ thống định vị cho xe lăn tự hành cần được tối ưu để đảm bảo tính chính xác và độ tin cậy.

1.3. Nội dung nghiên cứu

Nội dung bao gồm: Nghiên cứu thuật toán điều khiển xe lăn tự hành, phân tích xử lý ảnh 3D cho xe lăn tự hành, thiết kế hệ thống phần cứng và phần mềm, kiểm soát xe lăn tự hành, thử nghiệm và đánh giá hiệu quả của mô hình xe lăn tự hành. Camera 3D cho robot đóng vai trò quan trọng trong quá trình thu thập và xử lý dữ liệu hình ảnh. An toàn xe lăn tự hành trong nhà là yếu tố được đặt lên hàng đầu trong quá trình thiết kế và vận hành hệ thống. Phân tích dữ liệu cảm biến cho xe lăn tự hành được sử dụng để cải thiện hiệu suất và độ tin cậy của hệ thống.

II. Cơ sở lý thuyết và phương pháp

Phần này trình bày cơ sở lý thuyết về xử lý ảnh và các thuật toán điều khiển xe lăn tự hành. Các thuật toán xử lý ảnh cần thiết cho việc phát hiện chướng ngại vật và nhận dạng vật mốc sẽ được nghiên cứu. Camera 3D Intel RealSense D435 được lựa chọn vì khả năng cung cấp dữ liệu độ sâu chính xác. Việc lựa chọn và tích hợp các module phần cứng như Arduino Nano và Bluetooth cũng được đề cập đến. Hệ thống điều khiển xe lăn tự hành sử dụng ngôn ngữ lập trình Python và Arduino IDE. Nhận diện môi trường cho xe lăn tự hành dựa trên dữ liệu từ camera 3D trong điều hướng xe lăn.

2.1. Xử lý ảnh và các thư viện liên quan

Phần này tập trung vào các khái niệm cơ bản của xử lý ảnh, bao gồm điểm ảnh, ảnh nhị phân, ảnh màu và các phương pháp xử lý ảnh số. Phương pháp nhận dạng vật mốc được nghiên cứu kỹ lưỡng. Các thư viện như OpenCV, pyrealsense được sử dụng để hỗ trợ quá trình xử lý ảnh 3D cho xe lăn tự hành. Thuật toán định vị cho xe lăn tự hành được nghiên cứu nhằm đảm bảo khả năng di chuyển chính xác và an toàn. An toàn và bảo mật xe lăn tự hành được xem xét trong việc lựa chọn và thiết kế hệ thống.

2.2. Truyền dữ liệu Bluetooth

Công nghệ Bluetooth được sử dụng để truyền dữ liệu giữa camera 3D và bộ điều khiển Arduino Nano. Ưu điểm và nhược điểm của công nghệ Bluetooth trong ứng dụng này được đánh giá. Sự lựa chọn này dựa trên tính đơn giản, chi phí thấp và khả năng tương thích với các thiết bị khác. Kiểm soát xe lăn tự hành thông qua giao tiếp không dây Bluetooth đảm bảo tính linh hoạt trong thiết kế và vận hành. Vận hành xe lăn tự hành được thực hiện dễ dàng và thuận tiện hơn nhờ việc sử dụng công nghệ Bluetooth.

2.3. Ngôn ngữ lập trình Python và Arduino

Python được sử dụng cho xử lý ảnh và điều khiển cấp cao, trong khi Arduino IDE được dùng để điều khiển động cơ và các thiết bị ngoại vi. Ưu điểm và nhược điểm của mỗi ngôn ngữ được phân tích để đảm bảo sự lựa chọn phù hợp cho từng nhiệm vụ. Lập trình điều khiển xe lăn tự hành là phần quan trọng, cần được thực hiện chính xác và hiệu quả. Việc tích hợp hai ngôn ngữ này đảm bảo hệ thống vận hành một cách mượt mà và chính xác.

III. Thiết kế hệ thống và thi công

Phần này trình bày chi tiết về thiết kế hệ thống phần cứng và phần mềm của mô hình xe lăn tự hành. Sơ đồ khối hệ thống được minh họa rõ ràng. Quá trình thi công mô hình xe lăn tự hành được mô tả cụ thể, bao gồm các bước kết nối, lắp ráp và kiểm tra. Lập trình hệ thống bao gồm lập trình Python và Arduino IDE. Giải thuật điều khiển được giải thích, tập trung vào thuật toán xử lý hình ảnh và điều khiển động cơ.

3.1. Thiết kế phần cứng

Thiết kế hệ thống phần cứng bao gồm camera 3D Intel RealSense D435, Arduino Nano, module điều khiển động cơ BTS7960 và các linh kiện điện tử khác. Việc chọn lựa các linh kiện dựa trên các tiêu chí kỹ thuật, chi phí và độ tin cậy. Cấu trúc phần cứng được thiết kế sao cho gọn nhẹ và dễ lắp ráp. Kết nối các module cần đảm bảo sự ổn định và độ tin cậy của hệ thống. An toàn xe lăn tự hành được đảm bảo bằng việc lựa chọn các linh kiện có chất lượng tốt và thiết kế mạch điện an toàn.

3.2. Lập trình phần mềm

Phần mềm được phát triển trên hai nền tảng: Python và Arduino IDE. Mã nguồn Python xử lý dữ liệu hình ảnh từ camera 3D, phát hiện vật cản và vật mốc. Mã nguồn Arduino điều khiển động cơ dựa trên tín hiệu từ Python. Giao tiếp giữa Python và Arduino được thực hiện qua giao tiếp nối tiếp. Hiệu chỉnh hệ thống được thực hiện để tối ưu hóa hiệu suất của hệ thống. An toàn xe lăn tự hành được đảm bảo bằng việc kiểm tra kỹ lưỡng mã nguồn và cài đặt các biện pháp an toàn cần thiết.

3.3. Thi công và thử nghiệm

Quá trình thi công mô hình được mô tả chi tiết, bao gồm các bước lắp ráp, kết nối và kiểm tra. Thử nghiệm hệ thống được thực hiện trong môi trường nhà ở mô phỏng. Kết quả thử nghiệm được ghi nhận và phân tích để đánh giá hiệu quả của hệ thống. Thử nghiệm xe lăn tự hành được thực hiện với nhiều điều kiện khác nhau để đảm bảo tính ổn định và độ tin cậy của hệ thống. An toàn xe lăn tự hành được đặt lên hàng đầu trong quá trình thử nghiệm.

IV. Kết quả và đánh giá

Phần này trình bày kết quả thử nghiệm của mô hình xe lăn tự hành. Hiệu quả của hệ thống trong việc phát hiện chướng ngại vật và nhận dạng vật mốc được đánh giá. Các thống kê kết quả được trình bày một cách rõ ràng. Độ chính xác và tốc độ hoạt động của hệ thống được phân tích. Những hạn chế của mô hình cũng được đề cập đến, cùng với các hướng phát triển trong tương lai.

4.1. Phân tích kết quả

Kết quả thử nghiệm cho thấy hệ thống có khả năng phát hiện chướng ngại vật và nhận dạng vật mốc với độ chính xác cao. Khoảng cách phát hiện vật cản và tốc độ di chuyển được đánh giá. Hiệu suất hoạt động của hệ thống trong các điều kiện khác nhau được phân tích. Dữ liệu thử nghiệm được sử dụng để đánh giá hiệu quả của thuật toán điều khiển xe lăn tự hành. An toàn xe lăn tự hành được đảm bảo trong quá trình thử nghiệm và phân tích kết quả.

4.2. Đánh giá và hạn chế

Ưu điểm của mô hình bao gồm khả năng di chuyển tự động, an toàn và dễ sử dụng. Nhược điểm của mô hình là chỉ hoạt động hiệu quả trong môi trường nhà ở, không phù hợp với địa hình phức tạp. Những hạn chế về độ chính xác, tốc độ và khả năng hoạt động trong điều kiện ánh sáng yếu cũng được đề cập. So sánh với các mô hình khác được thực hiện để đánh giá tính hiệu quả của mô hình này. Tiến bộ công nghệ xe lăn tự hành được nhắc đến như một hướng phát triển trong tương lai.

4.3. Hướng phát triển

Các hướng phát triển trong tương lai bao gồm nâng cao độ chính xác của hệ thống phát hiện chướng ngại vật, mở rộng khả năng hoạt động trong môi trường phức tạp hơn. Tích hợp thêm các tính năng như điều khiển bằng giọng nói hoặc cử chỉ cũng được đề xuất. Nghiên cứu các thuật toán tiên tiến để cải thiện hiệu suất của hệ thống. Ứng dụng thực tiễn của mô hình trong các bệnh viện, nhà ở, và các cơ sở chăm sóc người khuyết tật cũng được đề cập. Tương lai của xe lăn tự hành được nhìn nhận một cách tích cực.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Theo số liệu công bố ngày 11/01/2019 của Tổng cục Thống kê và Quỹ Nhi đồng Liên Hợp Quốc (UNICEF), tại Việt Nam có hơn 7% dân số từ 2 tuổi trở lên (khoảng 6,2 triệu người) là người khuyết tật. Ngoài ra, có 13% dân số (gần 12 triệu người) sống chung trong các hộ gia đình có người khuyết tật. Các dạng khuyết tật phổ biến bao gồm khuyết tật vận động, nghe nói, nhìn, thần kinh/tâm thần, trí tuệ và các dạng khuyết tật khác. Thực tế cho thấy cơ sở hạ tầng giao thông và công trình công cộng trong nước vẫn chưa hoàn thiện các hạng mục chuyên biệt hỗ trợ đối tượng này. Mặc dù nhà nước đã có các chính sách trợ cấp phương tiện hỗ trợ như chân tay giả hay xe lăn, nhưng việc tự điều khiển xe lăn đối với người suy giảm chức năng vận động vẫn gặp nhiều trở ngại lớn.

Các công trình nghiên cứu trước đây đã phát triển một số giải pháp điều khiển xe lăn điện như điều khiển bằng cử động đầu hoặc sử dụng cảm biến gia tốc (tiêu biểu như công trình "Gyro-Accelerometer based Control of an Intelligent Wheelchair" năm 2018 của nhóm tác giả Rafia Hassani, Mohamed Boumehraz, Maroua Hamzi, Zineb Habba). Tuy nhiên, các hệ thống này vẫn tồn tại hạn chế: cơ cấu điều khiển còn sơ sài và việc lắp đặt quá nhiều cảm biến siêu âm xung quanh khung xe gây cồng kềnh, mất thẩm mỹ và độ tin cậy chưa cao trong không gian hẹp. Nhằm khắc phục các nhược điểm trên, đề tài "Thiết kế và thi công mô hình xe lăn tự hành trong nhà dùng camera 3D" được thực hiện bởi sinh viên Huỳnh Tấn Cường (ngành Công nghệ Kỹ thuật Điện tử Truyền thông, Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh, dưới sự hướng dẫn của ThS. Ngô Bá Việt) hướng tới việc ứng dụng công nghệ xử lý ảnh 3D để tạo ra phương tiện di chuyển tự hành linh hoạt, an toàn cho người khuyết tật.

Mục tiêu cốt lõi của đề tài là xây dựng hoàn chỉnh mô hình xe lăn tự hành có khả năng nhận diện không gian xung quanh, phát hiện vật cản phía trước, nhận dạng các vật mốc định hướng trong phòng và tự động điều hướng hoặc dừng đỗ chính xác tại vật mốc. Nhiệm vụ nghiên cứu được phân chia thành 6 nội dung cụ thể:

1. Tìm hiểu phương pháp nhận dạng vật mốc.
2. Tổng quan về các kỹ thuật xử lý ảnh số.
3. Tìm hiểu cấu tạo, nguyên lý camera 3D Intel RealSense D435 và các module phần cứng liên quan.
4. Lập trình hệ thống trên môi trường Python và Arduino IDE.
5. Thi công, lắp ráp hoàn chỉnh mô hình phần cứng và phần mềm.
6. Thử nghiệm và đánh giá kết quả thực hiện của mô hình.

Đối tượng nghiên cứu là hệ thống xe lăn điện tự hành dẫn động bằng hai động cơ DC, tích hợp khối thu nhận thị giác máy tính và khối điều khiển nhúng. Phạm vi nghiên cứu được xác lập trong không gian trong nhà (như phòng ở gia đình, hành lang bệnh viện) với bề mặt địa hình bằng phẳng, không gồ ghề. Giới hạn kỹ thuật của hệ thống bao gồm: khoảng cách phát hiện vật cản tối ưu dưới 1,5 mét; độ cao vật cản nhận diện tối thiểu từ 0,5 mét trở lên so với mặt sàn; khu vực vận hành cần tránh ánh sáng mặt trời chiếu trực tiếp để hạn chế hiện tượng nhiễu quang học trên cảm biến hồng ngoại của camera 3D.

Cơ sở lý thuyết và phương pháp

Khung lý thuyết của đề tài tập trung vào lĩnh vực thị giác máy tính và kỹ thuật điều khiển tự động. Về xử lý ảnh số, hệ thống phân tích các cấu trúc dữ liệu ảnh bao gồm ảnh nhị phân (1-bit), ảnh mức xám (8-bit biểu diễn 256 mức cường độ sáng), ảnh màu đa kênh (hệ màu RGB/BGR, 8-bit trên mỗi kênh màu) và ảnh độ sâu (depth map biểu diễn giá trị khoảng cách vật lý thực tế dọc theo trục Oz từ tâm camera đến bề mặt vật thể).

Thuật toán nhận dạng vật mốc được sử dụng là SIFT (Scale-Invariant Feature Transform) do David Lowe phát minh năm 1999. Thuật toán này có khả năng trích xuất các đặc trưng cục bộ bất biến với phép co giãn tỷ lệ (scale-invariant) và phép quay (rotation-invariant). Quy trình xử lý của SIFT gồm 4 bước:

• Phát hiện cực trị không gian tỷ lệ (Scale-space extrema detection): Sử dụng hàm DoG (Difference of Gaussians) để quét ảnh qua các mức tỷ lệ khác nhau nhằm tìm các điểm cực trị cục bộ khi so sánh với 8 điểm lân cận cùng scale và 18 điểm tương ứng ở hai scale liền kề.
• Nội địa hóa điểm đặc trưng (Keypoint localization): Khai triển chuỗi Taylor mở rộng để xác định chính xác tọa độ cực trị; loại bỏ các điểm có độ tương phản thấp (giá trị ngưỡng nhỏ hơn 0,03) và sử dụng ma trận Hessian kích thước 2x2 để loại trừ các điểm biên không ổn định.
• Phân công định hướng (Orientation assignment): Gán một hoặc nhiều hướng chính cho từng điểm đặc trưng dựa trên gradient cường độ ảnh cục bộ.
• Mô tả điểm đặc trưng (Keypoint descriptor): Lấy vùng lân cận kích thước 16x16 pixel xung quanh keypoint, chia thành 16 khối con (sub-blocks) kích thước 4x4. Mỗi khối con tạo lược đồ 8 hướng (orientation bins), hình thành một vector mô tả đặc trưng gồm 128 chiều ($16 \times 8 = 128$).

Để đối sánh ảnh mốc đã lưu trước và ảnh thu nhận trực tiếp từ camera, hệ thống ứng dụng thư viện tìm kiếm láng giềng gần nhất FLANN (Fast Library for Approximate Nearest Neighbors) để tính khoảng cách Euclid giữa hai tập hợp vector đặc trưng $A$ (ảnh mốc) và $B$ (ảnh camera), từ đó xác định tập giao $A \cap B = C$ chứa các điểm tương đồng.

Phương pháp tính toán tránh vật cản được xây dựng dựa trên ma trận ảnh độ sâu kích thước $M \times N$ ($M$ hàng, $N$ cột). Giá trị trong ma trận đại diện cho khoảng cách $Z$ từ camera đến đối tượng. Thuật toán quét từng cột $i$ trong ma trận để xác định khoảng cách nhỏ nhất theo cột:

$$Z_{i_min} = \min(Z(i))$$

Sau khi thu được mảng một chiều gồm các giá trị $Z_{i_min}$, hệ thống tìm giá trị nhỏ nhất toàn cục $Z_{min}$:

$$Z_{min} = \min(Z_{i_min}(j))$$

Dựa vào giá trị $Z_{min}$, thuật toán tiến hành phân vùng không gian để phát hiện vật cản và tìm dải cột có bề rộng lớn nhất vượt qua ngưỡng an toàn, từ đó xác định góc đánh lái điều hướng cho xe lăn.

Nghiên cứu áp dụng phương pháp thiết kế kỹ thuật thực nghiệm kết hợp lập trình nhúng. Nguồn dữ liệu phục vụ nghiên cứu bao gồm tập dữ liệu ảnh chụp thực tế từ camera Intel RealSense D435, các thư viện mã nguồn mở OpenCV, pyrealsense trên nền tảng ngôn ngữ Python 3, cùng môi trường phát triển Arduino IDE trên hệ điều hành Ubuntu 16.04.

Thiết kế và triển khai

Hệ thống xe lăn tự hành được tổ chức thành một cấu trúc phần cứng và phần mềm khép kín, bao gồm 6 khối chức năng chính liên kết chặt chẽ với nhau:

Thành phần khối	Thiết bị / Linh kiện chính	Thông số kỹ thuật & Chức năng
Khối thu tín hiệu	Camera Intel RealSense D435	Tích hợp 2 camera RGB (độ phân giải 1280x960), cảm biến hồng ngoại IR Projector, chip xử lý D4 (24 MHz); giao tiếp qua cổng USB 3.0.
Khối xử lý trung tâm	Máy tính Laptop	CPU Intel Core i5 tốc độ 3,4 GHz; chạy hệ điều hành Ubuntu 16.04, đảm nhận xử lý thuật toán SIFT và phân tích ma trận độ sâu.
Khối hiển thị	Màn hình Laptop	Hiển thị luồng video RGB thời gian thực, bản đồ độ sâu và các thông số điều hướng vận hành.
Khối giao tiếp	Module Bluetooth HC-06	Chip CSR Bluetooth V2.0, băng tần 2,4 GHz, điện áp 3,3V - 5V, dòng tiêu thụ 20 - 30 mA, giao tiếp UART (TX, RX).
Khối điều khiển	Kit Arduino Nano	Vi điều khiển ATmega328 8-bit, 16 MHz, 14 chân Digital I/O (6 chân PWM), 8 chân Analog; tiếp nhận lệnh điều khiển từ laptop.
Khối công suất	2 Mạch cầu H BTS7960	Điện áp 6 - 27 VDC, dòng tải cực đại 43A; điều khiển đảo chiều và điều tốc PWM cho 2 động cơ độc lập.
Khối chấp hành	2 Động cơ DC xe lăn	Điện áp định mức 24 VDC, công suất định mức 250W, dòng định mức 15,8A, tốc độ định mức 83 vòng/phút.
Khối nguồn	Bình Ắc quy & LM2596	Bình ắc quy 24 VDC - 12Ah cấp nguồn động lực; mạch giảm áp xung LM2596 (3A) hạ áp về 5V cấp cho vi điều khiển và cảm biến.

Về mặt cơ khí và bố trí thiết bị, camera 3D được gắn ở phía trước khung xe lăn và đặt lệch tâm 0,1 mét để tối ưu hóa góc nhìn không gian, giảm thiểu điểm mù và tránh cản trở tư thế ngồi của người sử dụng. Bộ phận mạch công suất, vi điều khiển và module Bluetooth được tích hợp bên trong hộp bảo vệ bằng nhựa PVC kích thước 160x90x57 mm gắn chắc chắn ở phía sau xe.

Khối nguồn được tính toán dựa trên công thức phóng điện của bình ắc quy:

$$t = \frac{A \cdot V \cdot \eta}{P}$$

Trong đó $A$ là dung lượng bình (12Ah), $V$ là điện áp (24V), $\eta$ là hệ số hiệu dụng (lấy chuẩn 0,7), và $P$ là tổng công suất tải tiêu thụ. Khi xe lăn chở tải trọng người ngồi trung bình khoảng 65 kg ở chế độ di chuyển định mức, thông số đo đạc thực tế gồm: hai động cơ tiêu thụ ở mức 7,5V - 4A mỗi động cơ; Arduino Nano tiêu thụ 5V - 40mA; module HC-06 tiêu thụ 5V - 30mA. Kết quả tính toán cho thấy thời gian vận hành liên tục của ắc quy đạt khoảng 0,34 giờ ở chế độ tải công suất cao.

Quy trình xử lý phần mềm diễn ra tuần tự: Camera 3D thu nhận đồng thời luồng ảnh RGB và ảnh độ sâu (kích thước chuẩn 480x640 pixel, tốc độ 30 khung hình/giây). Chương trình Python chạy trên laptop sẽ tính toán mảng giá trị $Z_{i_min}$ theo từng cột ảnh depth để nhận định sự xuất hiện của chướng ngại vật trong cự ly an toàn. Nếu có vật cản, thuật toán định hướng tìm dải cột an toàn có bề rộng lớn nhất để xác định góc rẽ (rẽ trái hoặc rẽ phải). Đồng thời, thuật toán SIFT liên tục trích xuất 128 đặc trưng vector từ luồng ảnh màu để so khớp với ảnh vật mốc mục tiêu. Khi nhận dạng đúng vật mốc qua thuật toán FLANN, hệ thống tính toán khoảng cách trục $Z$ từ xe đến vật mốc và gửi mã lệnh điều khiển số qua sóng Bluetooth HC-06 xuống vi điều khiển Arduino Nano để điều khiển hai cầu H BTS7960 dừng xe chính xác trước điểm mốc.

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 thiết lập tính cấp thiết của đề tài dựa trên số liệu thực tế về tỷ lệ người khuyết tật tại Việt Nam; phân tích tổng quan các công trình nghiên cứu trong và ngoài nước về xe lăn điện thông minh; chỉ rõ các nhược điểm của phương pháp điều khiển truyền thống và hệ thống cảm biến siêu âm. Chương này công bố rõ mục tiêu nghiên cứu, 6 nhiệm vụ trọng tâm, các giới hạn vận hành của mô hình (khoảng cách phát hiện vật cản dưới 1,5m, chiều cao vật trên 0,5m, địa hình bằng phẳng trong nhà) cùng cấu trúc tổng thể 6 chương của bản đồ án.

Chương 2: Cơ sở lý thuyết

Chương 2 trình bày có hệ thống các kiến thức nền tảng phục vụ thiết kế:

• Nguyên lý biểu diễn ảnh số, các không gian màu và xử lý tín hiệu thị giác máy tính.
• Cấu trúc và 4 giai đoạn trích xuất đặc trưng của thuật toán SIFT, giải thuật đối sánh FLANN.
• Công nghệ truyền thông không dây Bluetooth băng tần 2,4 GHz, giao thức nối tiếp UART và thông số module HC-06.
• Môi trường lập trình ngôn ngữ Python, thư viện thị giác máy tính OpenCV và bộ công cụ pyrealsense.
• Kiến trúc phần cứng vi điều khiển ATmega328 trên board Arduino Nano và phần mềm Arduino IDE.
• Cấu tạo phần cứng, nguyên lý hoạt động của camera 3D Intel RealSense D435 với cảm biến hồng ngoại IR Projector và chip xử lý RealSense Vision Processor D4.
• Nguyên lý điều khiển động cơ DC dùng mạch cầu H tích hợp chip BTS7960.

Chương 3: Tính toán và thiết kế

Chương 3 đi sâu vào thiết kế sơ đồ khối toàn hệ thống và tính toán chi tiết cho từng phân hệ:

• Thiết kế sơ đồ nguyên lý khối thu tín hiệu hình ảnh, khối xử lý trung tâm, khối giao tiếp không dây, khối điều khiển động lực và khối nguồn ắc quy 24VDC có mạch giảm áp LM2596 xuống 5V.
• Phân tích thông số kỹ thuật động cơ xe lăn (24VDC, 250W, 15,8A, 83 vòng/phút) và tính toán thời gian phóng điện của bình ắc quy 12Ah dựa trên công thức cân bằng công suất và dòng điện tiêu thụ đo đạc thực tế.
• Xây dựng mô hình toán học cho bài toán nhận dạng vật mốc bằng phép giao hai tập hợp vector đặc trưng SIFT $A \cap B = C$.
• Thiết lập công thức tính toán khoảng cách nhỏ nhất theo cột $Z_{i_min}$ và khoảng cách nhỏ nhất toàn cục $Z_{min}$ trên ma trận ảnh độ sâu $M \times N$ để phục vụ thuật toán phân vùng tránh vật cản.

Chương 4: Thi công hệ thống

Chương 4 mô tả toàn bộ quy trình chế tạo, lắp ráp cơ khí, kết nối điện tử và lập trình mô hình:

• Bảng danh mục linh kiện, cấu hình laptop Intel Core i5 (3,4 GHz), camera Intel RealSense D435 (hỗ trợ tối đa 2560x960 @ 60fps), Arduino Nano, HC-06 và BTS7960.
• Quy trình gia công hộp điều khiển động cơ bằng nhựa PVC (kích thước 160x90x57 mm), bố trí dây cáp tín hiệu, jack cắm công suất và cố định camera lệch tâm 0,1 mét phía trước xe lăn.
• Xây dựng lưu đồ giải thuật chính của hệ thống và các lưu đồ giải thuật con về quét ma trận độ sâu $Z_{min}$, xử lý ảnh màu RGB, phân loại chướng ngại vật và truyền dữ liệu điều khiển qua cổng nối tiếp.
• Hướng dẫn cấu hình môi trường lập trình Sublime Text 3 cho Python, cài đặt thư viện OpenCV/pyrealsense và nạp chương trình điều khiển động cơ qua Arduino IDE trên hệ điều hành Ubuntu 16.04.

Chương 5: Kết quả nhận xét và đánh giá

Chương 5 trình bày toàn bộ dữ liệu thực nghiệm thu được từ quá trình chạy thử nghiệm mô hình xe lăn trong nhà:

• Đánh giá khả năng hiển thị đồng thời luồng ảnh RGB và ảnh độ sâu từ camera Intel RealSense D435.
• Kết quả xác định vị trí và khoảng cách tối đa nhìn thấy vật cản của camera qua các bài đo thực nghiệm.
• Kết quả nhận dạng vật mốc mục tiêu qua 3 trường hợp thực nghiệm với các góc nhìn, khoảng cách và điều kiện xoay/thu phóng khác nhau nhờ thuật toán SIFT.
• Đánh giá khả năng điều hướng chuyển động của xe lăn: thực hiện chính xác các lệnh đi thẳng, rẽ trái, rẽ phải khi xuất hiện vật cản và dừng hẳn khi tiếp cận vật mốc định trước.

Chương 6: Kết luận và hướng phát triển

Chương 6 tổng kết các kết quả đạt được đối chiếu với mục tiêu ban đầu; thẳng thắn chỉ ra các mặt hạn chế về cự ly quan sát, sự phụ thuộc vào điều kiện ánh sáng môi trường và kích thước phần cứng; đồng thời đề xuất các hướng mở rộng kỹ thuật như tối ưu hóa thuật toán thị giác máy tính và tích hợp các board máy tính nhúng chuyên dụng.

Kết quả và đóng góp

Hệ thống đã chế tạo thành công một mô hình xe lăn tự hành hoàn chỉnh, tích hợp đồng bộ giữa cơ cấu chấp hành công suất lớn và hệ thống thị giác máy tính 3D. Các kết quả kỹ thuật thu được từ thực nghiệm gồm:

• Độ chính xác nhận diện vật cản: Camera 3D ghi nhận bản đồ độ sâu ổn định trong cự ly dưới 1,5 mét đối với các chướng ngại vật có độ cao từ 0,5 mét trở lên. Ma trận độ sâu phân tách rõ ràng ranh giới vật thể dựa trên sự suy giảm đột ngột của giá trị trục $Z$, không bị phụ thuộc vào sự tương đồng màu sắc của môi trường nền.
• Hiệu quả nhận dạng vật mốc bằng SIFT: Thuật toán trích xuất thành công 128 chiều đặc trưng cục bộ, đối sánh chính xác tập keypoint giữa ảnh mẫu và ảnh thu nhận thực tế trong cả 3 trường hợp thử nghiệm góc chụp khác nhau. Hệ thống tự động xác định được khoảng cách dừng đỗ an toàn trước vật mốc.
• Khả năng điều hướng tự động: Mạch điều khiển động lực BTS7960 kết hợp vi điều khiển Arduino Nano tiếp nhận dữ liệu không dây qua Bluetooth HC-06 với độ trễ thấp, thực thi mượt mà 4 trạng thái chuyển động: đi thẳng, rẽ trái, rẽ phải để vượt vật cản và dừng cố định trước mốc mục tiêu.

Đóng góp chính của đề tài là đề xuất một giải pháp công nghệ mới cho phương tiện hỗ trợ người khuyết tật, thay thế hệ thống cảm biến siêu âm cồng kềnh bằng một camera 3D duy nhất có khả năng cung cấp đồng thời thông tin màu sắc và tọa độ không gian. Giải pháp này giúp xe lăn vận hành gọn gàng, tăng tính thẩm mỹ, đồng thời chứng minh tính khả thi của việc ứng dụng các thuật toán thị giác máy tính hiện đại (SIFT, ma trận độ sâu) vào các thiết bị hỗ trợ y sinh và đời sống thường ngày.

Hạn chế và hướng nghiên cứu tiếp

Mặc dù đã đạt được các mục tiêu thiết kế cơ bản, tác giả cũng chỉ rõ một số hạn chế còn tồn tại trong văn bản:

• Phạm vi vận hành chỉ giới hạn trên các địa hình bằng phẳng trong nhà; hệ thống chưa có cơ cấu vượt chướng ngại vật gồ ghề hoặc bậc thang.
• Camera 3D sử dụng cảm biến hồng ngoại nên rất nhạy cảm với ánh sáng mặt trời; khi hoạt động dưới ánh nắng trực tiếp sẽ xảy ra hiện tượng nhiễu bản đồ độ sâu, làm giảm độ chính xác đo khoảng cách.
• Giới hạn nhận diện vật cản bị khống chế trong cự ly dưới 1,5 mét và chỉ phát hiện được vật cản có chiều cao từ 0,5 mét trở lên so với mặt sàn.
• Mô hình thử nghiệm vẫn phải đặt một máy tính laptop trực tiếp trên thân xe để xử lý hình ảnh, gây cồng kềnh và chưa tối ưu về mặt công thái học.
• Tốc độ trích xuất vector đặc trưng và chi phí tính toán đối sánh của thuật toán SIFT trên ảnh độ phân giải cao vẫn còn chiếm dụng tài nguyên xử lý lớn.

Các hướng phát triển tiếp theo được đề xuất bao gồm:

• Thay thế laptop xử lý trung tâm bằng các kit máy tính nhúng chuyên dụng kích thước nhỏ gọn (như các dòng kit xử lý AI nhúng) gắn ngầm dưới khung xe.
• Nghiên cứu tối ưu hóa các thuật toán thị giác máy tính để nâng cao tốc độ xử lý khung hình và giảm tải bộ nhớ.
• Cải tiến cảm biến và thuật toán xử lý để mở rộng phạm vi hoạt động ra môi trường ngoài trời có ánh sáng phức tạp.
• Nâng cấp cơ cấu cơ khí và hệ thống truyền động giúp xe lăn thích ứng được với nhiều dạng địa hình phức tạp hơn.

Giá trị tham khảo

Đồ án là tài liệu tham khảo kỹ thuật hữu ích cho sinh viên, học viên và kỹ sư thuộc các chuyên ngành Kỹ thuật Điện - Điện tử, Công nghệ Kỹ thuật Điện tử Truyền thông, Tự động hóa, Cơ điện tử và Kỹ thuật Y sinh.

Các nội dung có giá trị ứng dụng cao gồm:

• Quy trình tích hợp và lập trình giao tiếp camera 3D Intel RealSense D435 bằng ngôn ngữ Python thông qua thư viện OpenCV và pyrealsense.
• Phương pháp xây dựng thuật toán phân tích ma trận ảnh độ sâu ($Z_{i_min}, Z_{min}$) để phát hiện vật cản và điều hướng chuyển động cho robot/xe tự hành.
• Sơ đồ nguyên lý thiết kế mạch công suất cầu H BTS7960 chịu dòng tải lớn (43A) điều khiển động cơ DC 24V kết hợp vi điều khiển Arduino Nano và truyền thông không dây Bluetooth HC-06.
• Công thức tính toán cân bằng năng lượng, dung lượng bình ắc quy và phân bổ nguồn hạ áp cho hệ thống nhúng di động.

Câu hỏi thường gặp

1. Khóa luận sử dụng thiết bị nào để thu nhận hình ảnh và nguyên lý đo chiều sâu của thiết bị này là gì?
Khóa luận sử dụng camera Intel RealSense D435 tích hợp 2 camera RGB độ phân giải 1280x960, cảm biến hồng ngoại IR Projector và chip xử lý RealSense Vision Processor D4. Nguyên lý đo độ sâu dựa trên sự phối hợp giữa cặp cảm biến RGB trái/phải cùng chùm chiếu hồng ngoại để tính toán bản đồ độ sâu (depth map), cung cấp giá trị khoảng cách dọc theo trục Oz cho từng điểm ảnh.

2. Thuật toán nào được dùng để nhận dạng vật mốc và nguyên lý hoạt động cốt lõi là gì?
Tác giả sử dụng thuật toán SIFT (Scale-Invariant Feature Transform) do David Lowe phát minh năm 1999. Thuật toán trích xuất các vector đặc trưng 128 chiều từ vùng lân cận 16x16 pixel của các điểm cực trị không gian tỷ lệ (DoG). Sau đó, thuật toán FLANN được dùng để tìm các cặp đặc trưng có khoảng cách Euclid nhỏ nhất giữa ảnh mốc mẫu và ảnh camera để xác định vật mốc mục tiêu.

3. Thuật toán tránh vật cản xử lý dữ liệu ma trận độ sâu như thế nào để điều hướng xe?
Hệ thống quét ma trận độ sâu kích thước $M \times N$, tìm giá trị khoảng cách nhỏ nhất trên mỗi cột ($Z_{i_min}$), sau đó tìm giá trị nhỏ nhất toàn cục ($Z_{min}$). Dựa vào $Z_{min}$, chương trình phân vùng không gian phía trước và tìm dải cột có bề rộng lớn nhất vượt qua ngưỡng an toàn để tính toán góc đánh lái, điều khiển xe rẽ trái, rẽ phải hoặc đi thẳng.

4. Cấu hình khối công suất và nguồn cấp của xe lăn điện gồm những gì?
Khối công suất gồm 2 mạch cầu H BTS7960 (dòng tải cực đại 43A, điện áp 6-27VDC) điều khiển 2 động cơ DC 24VDC - 250W (dòng định mức 15,8A, tốc độ 83 vòng/phút). Nguồn cấp sử dụng bình ắc quy 24VDC - 12Ah, kết hợp mạch giảm áp LM2596 (3A) để hạ điện áp xuống 5V cấp nguồn cho vi điều khiển Arduino Nano và module Bluetooth HC-06.

5. Mô hình xe lăn tự hành này có những giới hạn hoạt động cụ thể nào?
Hệ thống chỉ hoạt động trên địa hình bằng phẳng trong nhà, cự ly phát hiện vật cản hiệu quả dưới 1,5 mét, chiều cao vật cản nhận diện tối thiểu từ 0,5 mét trở lên so với mặt đất, và phải tránh ánh sáng mặt trời chiếu trực tiếp để không làm nhiễu cảm biến hồng ngoại của camera.

Kết luận

Đồ án tốt nghiệp "Thiết kế và thi công mô hình xe lăn tự hành trong nhà dùng camera 3D" của sinh viên Huỳnh Tấn Cường đã thiết kế, chế tạo và thử nghiệm thành công mô hình xe lăn điện tự hành khép kín phục vụ người khuyết tật. Công trình đã làm chủ kỹ thuật trích xuất đặc trưng SIFT để nhận dạng vật mốc và thuật toán quét ma trận độ sâu từ camera Intel RealSense D435 để phát hiện, né tránh vật cản tự động trong cự ly 1,5 mét. Các kết quả tính toán mạch động lực BTS7960, truyền thông Bluetooth và xử lý ảnh trên môi trường Python/Arduino cung cấp một tài liệu kỹ thuật hoàn chỉnh, có giá trị tham khảo thực tiễn cao cho các nghiên cứu phát triển robot y sinh và phương tiện tự hành trong nhà.

Trích đoạn nội dung tài liệu

đặt vấn đề dẫn nhập lý do chọn đề tài, mục tiêu, nôi dung nghiên cứu, các giới hạn thông số và bố cục đồ án.  Chương 2: Cơ sở lý thuyết Chương này sẽ trình bày cơ bản về xử lý ảnh, phương pháp cơ bản để nhận dạng và phân loại ảnh, tính kích thước sản phẩm, giới thiệu cơ bản về camera3D và thư viện liên quan.  Chương 3: Thiết kế và tính toán Chương này sẽ đi tìm hiểu kỹ các thuật toán nhận dạng sản phẩm theo hình dạng, thuật toán tính kích thước và thiết kế mô hình sản phẩm.  Chương 4: Thi công hệ thống Nội dung chương này là quá trình thi công cùng với việc chạy chương trình về phân loại sản phẩm cũng như tính kích thước sản phẩm.

 Chương 5: Kết quả nhận xét và đánh giá Nội dung chương này là tổng hợp các kết quả đạt được sau khi thi công mô hình và kết quả đạt được khi phân loại sản phẩm.  Chương 6: Kết luận và hướng phát triển Kết quả nhận được khi hoàn thiện đề tài, đưa ra các hướng phát triển hoàn thiện. do an CHƯƠNG 2: CƠ SỞ LÝ THUYẾT CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2.1 TỔNG QUAN VỀ XỬ LÝ ẢNH VÀ CÁC THƯ VIỆN LIÊN QUAN 2.1 Giới thiệu xử lý ảnh Xử lý ảnh không còn là đề tài quá mới, nó được áp dụng từ trong các hoạt động thường ngày cho đến việc nâng cao sản xuất. Nó giúp ích cho cá nhân hay gia đình, mà còn ứng dụng cả trong Chính trị, Y tế, Giáo dục… Xử lý tín hiệu là một môn học trong kỹ thuật điện tử, viễn thông và trong toán học.

Liên quan đến nghiên cứu và xử lý tín hiệu kỹ thuật số và analog, giải quyết các vấn đề về lưu trữ, các thành phần bộ lọc, các hoạt động khác trên tín hiệu. Các tín hiệu này bao gồm truyền dẫn tín hiệu, âm thanh hoặc giọng nói, hình ảnh, và các tín hiệu khác… Trong số các phương pháp xử lý tín hiệu kể trên, lĩnh vực giải quyết với các loại tín hiệu mà đầu vào là một hình ảnh và đầu ra cũng là một hình ảnh, sản phẩm đầu ra được thực hiện trong một quá trình xử lý. Đó chính là quá trình xử lý ảnh. Nó có thể được chia thành xử lý hình ảnh tương tự và xử lý hình ảnh kỹ thuật số.

Để có 1 bức ảnh số ta có quá trình thực hiện như sau: Chụp ảnh từ một máy ảnh là một quá trình vật lý. Ánh sáng mặt trời sử dụng như một nguồn năng lượng. Một dãy cảm biến được sử dụng cho việc thu lại của hình ảnh. Vì vậy, khi ánh sáng mặt trời rơi trên người đối tượng, sau đó số lượng ánh sáng phản xạ của đối tượng được cảm nhận từ các cảm biến, và một tín hiệu điện áp liên tục được tạo ra bởi số lượng dữ liệu cảm biến đó.

Để tạo ra một hình ảnh kỹ thuật số, chúng ta cần phải chuyển đổi dữ liệu này thành một dạng kỹ thuật số. Điều này liên quan đến việc lấy mẫu và lượng tử hóa. Kết quả của việc lấy mẫu và lượng tử hóa sau một quá trình xử lý là một hình ảnh kỹ thuật số. BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 19 do an CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2.2 Những kiến thức cơ bản trong xử lý ảnh A.

Điểm ảnh: Là đơn vị cơ bản nhất để tạo nên một bước ảnh kỹ thuật số, địa chỉ của điểm ảnh được xem như là một tọa độ (x,y) nào đó. Một bức ảnh kỹ thuật số - có thể được tạo ra bằng cách chụp hoặc bằng một phương pháp đồ họa nào khác - được tạo nên từ hàng ngàn hoặc hàng triệu pixel riêng lẻ. Bức ảnh càng chứa nhiều pixel thì càng chi tiết. Một triệu pixel thì tương đương với 1 megapixel.

Ảnh số: là tập hợp hữu hạn các điểm ảnh với mức xám phù hợp dùng để mô tả ảnh gần với ảnh thật. Số điểm ảnh xác định độ phân giải của ảnh. Ảnh có độ phân giải càng cao thì càng thể hiện rõ nét các đặt điểm của tấm hình càng làm cho tấm ảnh trở nên thực và sắc nét hơn. Một hình ảnh là một tín hiệu hai chiều.

Nó được xác định bởi hàm toán học f(x, y) trong đó x và y là hai tọa độ theo chiều ngang và chiều dọc. Các giá trị của f(x, y) tại bất kỳ điểm nào là cung cấp các giá trị điểm ảnh (pixel ) tại điểm đó của một hình ảnh. Phân loại ảnh: Mức xám của điểm ảnh là cường độ sáng, gán bằng một giá trị tại điểm đó. Các mức ảnh xám thông thường: 16, 32, 64, 128, 256.

Mức được sử dụng thông dụng nhất là 256, tức là dùng 1 byte để biểu diễn mức xám. Ảnh nhị phân: Là ảnh có 2 mức trắng và đen. Chỉ có 2 giá trị 0 và 1 và chỉ sử dụng 1 bit dữ liệu trên 1 điểm ảnh. Ảnh đen trắng: Là ảnh có hai màu đen, trắng (không chứa màu khác) với mức xám ở các điểm ảnh có thể khác nhau.

Ảnh màu: Là ảnh kết hợp của 3 màu cơ bản lại với nhau để tạo ra một thế giới màu sinh động. Người ta thường dùng 3 byte để mô tả mức màu, tức là có khoảng 16,7 triệu mức màu. Hiện nay xử lý ảnh được giảng dạy trường đại học và ứng dụng vào thực tế rất nhiều như các phần mềm chỉnh sửa hình ảnh hay nhận biết khuôn mặt. Chính vì thế có rất nhiều BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 20 do an CHƯƠNG 2: CƠ SỞ LÝ THUYẾT công cụ để chúng ta lập trình ứng dụng vào thực tế, Như phải kể đến Matlap, hay ngôn ngữ Python… 2.3 Phương pháp nhận dạng vật mốc Với đề tài “Thiết kế và thi công mô hình xe lăn tự hành trong nhà dùng camera 3D.” Thiết kế mô hình phân có khả năng nhận dạng các vật xung để có quyết định cho xe lăn.

Trong cuộc sống hiện nay,mỗi gia đình đều trang bị rất nhiều vật dụng trong nhà với vô số màu sắc, hình dáng. Mỗi vật mốc đều có một hình dáng , màu sắc khác nhau. Vì thế mỗi vật mốc có điểm đặc biệt riêng. Ở đây ta chúng ta nhận dạng vật mốc bằng các điểm đặc đó của vật mốc.

Có nhiều giải thuật để nhận dạng vật mốc như SUFT,YOLO., trong phần này tôi đề cập tới giải thuật SIFT (Scale-Invariant Feature Transform) là phát minh đã được đăng kí bản quyền của David Lowe, là giải thuật trong lĩnh vực Computer Vision, dùng để nhận dạng và miêu tả những điểm đặc trưng(local features) trong ảnh. Giải thuật lần đầu được giới thiệu bởi David Lowe năm 1999. Giải thuật này(cùng với giải thuật anh em là SURF) được ứng dụng rộng rãi trong Nhận dạng đối tượng(object recognition), mô hình hóa 3D(3D modeling),.2 TRUYỀN DỮ LIỆU BLUETOOTH 2.1 Giới thiệu Bluetooth là sự trao đổi dữ liệu không dây tầm gần giữa các thiết bị điện tử. Công nghệ này hỗ trợ việc truyền dữ liệu qua các khoảng cách ngắn giữa các thiết bị di động như điện thoại di động, tablet, laptop với nhau và với thiết bị cố định mà không cần một sợi cáp để truyền tải.

Bluetooth sử dụng sóng Radio tần số 2. Tuy sử dụng cùng tần số với công nghệ Wifi nhưng chúng không hề xung đột với nhau vì Bluetooth sử dụng tần số có bước sóng ngắn hơn. BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 21 do an CHƯƠNG 2: CƠ SỞ LÝ THUYẾT Hình 1 : Bluetooth Bluetooth là một chuẩn điện tử, điều đó có nghĩa là các hãng sản xuất muốn có đặt tính này trong sản phẩm thì họ phải tuân theo các yêu cầu của chuẩn của Bluetooth cho sản phẩm của mình. Những chỉ tiêu kỹ thuật này bảo đảm cho các thiết bị có thể nhận ra và tương tác với nhau khi sử dụng công nghệ Bluetooth.2 Ứng dụng của Bluetooth Các ứng dụng nổi bật của Bluetooth gồm: + Điều khiển và giao tiếp không dây giữa một điện thoại di động và tai nghe không dây.

+ Mạng không dây giữa các máy tính cá nhân trong một không gian hẹp đòi hỏi ít băng thông. + Giao tiếp không dây với các thiết bị vào ra của máy tính, chẳng hạn như chuột, bàn phím và máy in. + Thay thế các giao tiếp nối tiếp dùng dây truyền thống giữa các thiết bị đo, thiết bị định vị, thiết bị y tế, máy quét mã vạch, và các thiết bị điều khiển giao thông. + Thay thế các điều khiển dùng tia hồng ngoại.

+ Gửi các các tập tin qua lại các thiết bị dùng Bluetooth khác. + Điều khiển từ xa cho các thiết bị trò chơi điện tử. + Kết nối Internet cho máy tính bằng cách dùng điện thoại di động thay modem. Trong đề tài của tôi, Bluetooth đóng vai trò truyền lệnh điều khiển của bộ phận xử lý tới bộ phận động lực, giúp cho xe lăn di chuyển mà không cần dây dẫn rườm rà.

BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 22 do an CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2.3 Ưu và nhược điểm của công nghệ Bluetooth Ưu điểm:  Thay thế hoàn toàn dây nối.  Hoàn toàn không nguy hại đến sức khoẻ con người.  Bảo mật an toàn với công nghệ mã hóa trong. Một khi kết nối được thiết lập thì khó có một thiết bị nào có thể nghe trộm hoặc lấy cắp dữ liệu.

 Các thiết bị có thể kết nối với nhau trong vòng 20m mà không cần trực diện (hiện nay có loại Bluetooth kết nối lên đến 100m)  Kết nối điện thoại và tai nghe Bluetooth khiến cho việc nghe máy khi lái xe hoặc bận việc dễ dàng.  Giá thành rẻ.  Tốn ít năng lượng, chờ tốn 0.3mAh, tối đa 30mAh trong chế độ truyền dữ liệu.  Không gây nhiễu các thiết bị không dây khác.

 Tính tương thích cao nên được nhiều nhà sản xuất phần cứng và phần mềm hỗ trợ. Nhược điểm:  Tốc độ thấp, khoảng 720kbps tối đa.  Bắt sóng kém khi có vật cản.  Thời gian thiết lập lâu.3 NGÔN NGỮ PYTHON 2.1 Giới thiệu Python là một ngôn ngữ lập trình được sử dụng phổ biến ngày nay từ trong môi trường học đường cho tới các dự án lớn.

Ngôn ngữ phát triển nhiều loại ứng dụng, phần mềm khác nhau như các chương trình chạy trên desktop, server, lập trình các ứng dụng web. Ngoài ra Python cũng là ngôn ngữ ưa thích trong xây dựng các chương trình trí tuệ nhân tạo trong đó bao gồm machine learning. Ban đầu, Python được phát triển để chạy trên nền Unix. Nhưng sau này, nó đã chạy trên mọi hệ điều hành từ MS-DOS đến Mac OS, OS/2, Windows, Linux và các hệ điều hành khác thuộc họ Unix.