Nghiên Cứu Giải Thuật SLAM Trong Không Gian 3D Ứng Dụng Cho Robot Tự Hành Leo Thang

Khóa luận nghiên cứu giải thuật SLAM trong không gian 3D, ứng dụng cho robot tự hành leo thang, mang lại giải pháp công nghệ tiên tiến.

• Tác giả: Huỳnh Ngọc Hiệp
• Người hướng dẫn: ThS. Phạm Minh Quân
• Trường học: Đại học Quốc gia Thành phố Hồ Chí Minh
• Chuyên ngành: Kỹ thuật máy tính
• Đề tài: Nghiên Cứu Giải Thuật SLAM Trong Không Gian 3D Ứng Dụng Cho Robot Tự Hành Leo Thang
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2023
• Địa điểm: Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: GIỚI THIỆU
• 1.1. Giới thiệu các nghiên cứu có liên quan
• 1.2. Nghiên cứu tích hợp ROS2 và RTOS cho robot tự hành
• 1.3. Các sản phẩm robot có khả năng leo trèo trên bậc thang
• 1.4. Thuật toán HDL Graph SLAM
• 1.5. RTAB-Map
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Hệ điều hành ROS. Các khái niệm trong ROS
• 2.2. Một số thao tác cơ bản trên ROS. Giải thuật SLAM
• 2.3. Giải thuật RTAB-Map
• 2.4. Công suất động cơ. Khảo sát các mô hình cầu thang. Mô hình Six-Wheel Robot
• 3. CHƯƠNG 3: THIẾT KẾ PHẦN CỨNG VÀ PHẦN MỀM
• 3.1. Cảm biến RP-LIDAR A1M8. Cảm biến máy ảnh Astra 3D Camera
• 3.2. Cảm biến tốc độ - Encoder
• 3.3. Mạch điều khiển động cơ. Động cơ một chiều
• 3.4. Thiết kế phần cứng
• 3.5. Kết nối bộ xử lý và các cảm biến. Mô hình robot thử nghiệm
• 3.6. Lập trình Arduino. Điều khiển động cơ
• 3.7. Đọc giá trị cảm biến tốc độ Encoder
• 3.8. Giao tiếp với ROS. Xây dựng hệ thống RTAB-Map trên ROS. Thiết lập môi trường. Vận hành hệ thống
• 3.9. Kết quả đạt được
• 3.10. Hoàn thiện robot. Đọc dữ liệu từ RP-LIDAR. Giao tiếp Arduino với ROS. Mapping với RP-LIDAR và wheel encoders
• 4. CHƯƠNG 4: HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Nghiên Cứu Giải Thuật SLAM Trong Không Gian 3D

Nghiên cứu về giải thuật SLAM (Simultaneous Localization and Mapping) trong không gian 3D đang trở thành một lĩnh vực quan trọng trong công nghệ robot tự hành. SLAM cho phép robot xác định vị trí của mình trong môi trường chưa biết và đồng thời tạo ra bản đồ của môi trường đó. Việc áp dụng SLAM cho robot tự hành leo thang mở ra nhiều cơ hội mới trong việc phát triển các ứng dụng robot trong các tòa nhà cao tầng và môi trường phức tạp.

1.1. Khái Niệm Cơ Bản Về SLAM

SLAM là một thuật toán cho phép robot vừa định vị vừa tạo bản đồ. Nó sử dụng dữ liệu từ các cảm biến như camera và LIDAR để xây dựng bản đồ 3D của môi trường xung quanh.

1.2. Tầm Quan Trọng Của SLAM Trong Robot Tự Hành

SLAM giúp robot tự hành hoạt động hiệu quả trong môi trường không xác định, giảm thiểu va chạm và tối ưu hóa lộ trình di chuyển.

II. Thách Thức Trong Việc Ứng Dụng SLAM Cho Robot Leo Thang

Việc áp dụng giải thuật SLAM cho robot tự hành leo thang gặp nhiều thách thức. Các vấn đề như độ chính xác của cảm biến, khả năng xử lý dữ liệu trong thời gian thực và sự phức tạp của môi trường là những yếu tố cần được xem xét. Đặc biệt, việc leo thang yêu cầu robot phải có khả năng điều chỉnh động cơ và cảm biến một cách linh hoạt để đảm bảo an toàn.

2.1. Độ Chính Xác Của Cảm Biến Trong SLAM

Độ chính xác của cảm biến ảnh hưởng trực tiếp đến khả năng định vị và tạo bản đồ của robot. Các cảm biến như LIDAR và camera cần được hiệu chỉnh để đảm bảo dữ liệu thu thập là chính xác.

2.2. Khả Năng Xử Lý Dữ Liệu Thời Gian Thực

Robot cần có khả năng xử lý dữ liệu từ cảm biến trong thời gian thực để điều chỉnh hành vi của mình. Điều này đòi hỏi phần cứng mạnh mẽ và thuật toán tối ưu.

III. Phương Pháp Nghiên Cứu Giải Thuật SLAM Cho Robot Tự Hành

Nghiên cứu sử dụng thuật toán SLAM RTAB-Map, một phương pháp hiệu quả cho việc định vị và tạo bản đồ trong không gian 3D. RTAB-Map sử dụng dữ liệu từ cảm biến LIDAR và camera để xây dựng bản đồ và xác định vị trí của robot. Phương pháp này cho phép robot hoạt động hiệu quả trong môi trường phức tạp như cầu thang.

3.1. Ứng Dụng RTAB Map Trong SLAM

RTAB-Map là một thuật toán SLAM dựa trên đồ thị, cho phép robot xác định vị trí và tạo bản đồ đồng thời. Nó sử dụng dữ liệu từ nhiều cảm biến để tối ưu hóa quá trình này.

3.2. Tích Hợp Cảm Biến Cho Robot Leo Thang

Robot sử dụng cảm biến LIDAR và camera 3D để thu thập dữ liệu môi trường. Việc tích hợp này giúp robot có khả năng nhận diện và điều chỉnh khi leo cầu thang.

IV. Ứng Dụng Thực Tiễn Của Robot Tự Hành Leo Thang

Robot tự hành leo thang có nhiều ứng dụng thực tiễn trong các lĩnh vực như cứu hộ, vận chuyển hàng hóa và dịch vụ khách hàng. Việc áp dụng giải thuật SLAM giúp robot hoạt động hiệu quả trong các môi trường phức tạp, từ đó nâng cao khả năng phục vụ và giảm thiểu rủi ro.

4.1. Ứng Dụng Trong Cứu Hộ

Robot có thể được sử dụng trong các tình huống khẩn cấp để tiếp cận những khu vực khó khăn, giúp cứu hộ và cung cấp hỗ trợ.

4.2. Vận Chuyển Hàng Hóa Trong Tòa Nhà

Robot tự hành có thể vận chuyển hàng hóa trong các tòa nhà cao tầng, giúp tiết kiệm thời gian và công sức cho nhân viên.

V. Kết Luận Về Nghiên Cứu Giải Thuật SLAM Trong Không Gian 3D

Nghiên cứu về giải thuật SLAM trong không gian 3D cho robot tự hành leo thang mở ra nhiều cơ hội mới trong công nghệ robot. Các thách thức hiện tại cần được giải quyết để nâng cao hiệu quả và độ tin cậy của robot. Tương lai của robot tự hành trong các tòa nhà cao tầng hứa hẹn sẽ mang lại nhiều giá trị cho xã hội.

5.1. Hướng Phát Triển Trong Nghiên Cứu

Nghiên cứu cần tiếp tục phát triển các thuật toán SLAM mới và cải tiến cảm biến để nâng cao hiệu quả hoạt động của robot.

5.2. Tương Lai Của Robot Tự Hành

Robot tự hành sẽ ngày càng trở nên phổ biến trong các lĩnh vực khác nhau, từ dịch vụ đến công nghiệp, nhờ vào sự phát triển của công nghệ SLAM.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong xu thế phát triển của khoa học công nghệ, các hệ thống thông minh phục vụ đời sống con người đang trở thành tâm điểm nghiên cứu, trong đó robot dịch vụ (như robot hút bụi, lau nhà, robot dẫn đường, vận chuyển hàng tại bệnh viện, sân bay, trung tâm thương mại) là nhóm sản phẩm có tiềm năng ứng dụng thực tế cao. Phần lớn các dòng robot tự hành hiện nay chủ yếu vận hành trên bề mặt phẳng và trong không gian giới hạn có chướng ngại vật cố định hoặc di động. Khi đối mặt với môi trường địa hình phân tầng như các tòa nhà nhiều tầng nối nhau bằng hệ thống cầu thang, các giải pháp di chuyển truyền thống bộc lộ rõ hạn chế. Đồng thời, việc tích hợp các cảm biến đặc thù vào hệ thống robot thường gây khó khăn cho việc mở rộng kiến trúc phần cứng và giải thuật.

Khóa luận tốt nghiệp của tác giả Huỳnh Ngọc Hiệp Ý và Trịnh Đăng Dương (ngành Kỹ thuật Máy tính, Trường Đại học Công nghệ Thông tin, Đại học Quốc gia TP.HCM, thực hiện năm 2023 dưới sự hướng dẫn của ThS. Phạm Minh Quân) tập trung giải quyết bài toán định vị trong bản đồ 3D kết hợp khả năng vượt địa hình cầu thang.

Mục tiêu nghiên cứu của đề tài được xác định cụ thể gồm:

1. Sử dụng hệ điều hành ROS (Robot Operating System) thu nhận dữ liệu từ cảm biến laser 2D và camera 3D.
2. Sử dụng thuật toán RTAB-Map để xác định vị trí tương đối của robot so với vị trí gốc khi robot di chuyển.
3. Thực hiện di chuyển đến vị trí được chỉ định và thực hiện nhiệm vụ leo trèo trên các bậc thang từ chân cầu thang.

Đối tượng nghiên cứu của khóa luận là hệ thống định vị và lập bản đồ đồng thời (Simultaneous Localization And Mapping - SLAM) trong không gian 3 chiều và mô hình robot tự hành 6 bánh (Six-Wheel Robot).

Phạm vi nghiên cứu được giới hạn bởi các thông số kỹ thuật và điều kiện vận hành sau:

• Không gian hoạt động: Môi trường trong nhà và khu vực cầu thang thực tế (khảo sát trực tiếp tại các tòa nhà A, B, C, E của Trường Đại học Công nghệ Thông tin, trong đó lấy kích thước bậc thang ngoài trời tại sân trước tòa nhà B làm chuẩn thiết kế).
• Khả năng cơ học: Robot được thiết kế để leo tối thiểu 1 tầng lầu (tương đương 10 bậc thang); không có khả năng nhảy qua vật cản hoặc bay; chuyển động bắt đầu từ chân cầu thang.
• Vận tốc: Tốc độ di chuyển trung bình đạt 1 km/h, tốc độ tối đa cho phép là 5 km/h.
• Tốc độ xử lý giải thuật: Tốc độ khung hình xử lý SLAM đạt tối thiểu 15 khung hình/giây (fps).
• Sai số hệ thống (khi qua bộ lọc): Sai số vị trí không vượt quá 0.1 m và sai số góc quay tối đa là 1 độ.
• Cơ chế vận hành: Tự chủ hoàn toàn (robot tự quyết định hướng đi dựa trên cảm biến và điểm chỉ định), không có sự can thiệp thủ công từ con người sau khi bắt đầu tác vụ.
• Nguồn cấp: Sử dụng bộ nguồn pin LiPo gắn trực tiếp trên robot với tổng dung lượng 10400 mAh, đảm bảo thời gian vận hành liên tục ước tính khoảng 15 phút ở mức công suất tối đa.

Cơ sở lý thuyết và phương pháp

Khóa luận kết hợp chặt chẽ giữa lý thuyết động lực học cơ khí, hệ thống nhúng và xử lý dữ liệu cảm biến đa luồng trong không gian ba chiều:

1. Khung lý thuyết và mô hình tính toán:

   • Hệ điều hành robot (ROS): Ứng dụng nền tảng ROS Melodic Morenia chạy trên hệ điều hành Ubuntu Bionic (18.04). ROS đóng vai trò trừu tượng hóa phần cứng, quản lý giao tiếp giữa các thành phần thông qua kiến trúc phân tán gồm Master (khởi tạo qua XMLRPC trên cổng mặc định 11311), các Node (thực thi tác vụ độc lập), Topic (kênh trao đổi message theo cơ chế Publish/Subscribe qua TCPROS/XMLRPC), Service (giao tiếp đồng bộ hai chiều Client/Server) và hệ thống đóng gói Catkin Workspace.
   • Giải thuật SLAM và Visual SLAM (vSLAM): Khảo sát nguyên lý ước tính quỹ đạo di chuyển đồng thời với việc tái tạo bản đồ môi trường, hạn chế sai số trượt bánh xe thông qua so khớp khung hình liên tiếp.
   • Thuật toán RTAB-Map (Real-Time Appearance-Based Mapping): Sử dụng phương pháp tiếp cận đồ thị RGB-D (RGB-D Graph SLAM) kết hợp bộ phát hiện vòng lặp kín (Loop Closure Detector) dựa trên kỹ thuật từ vựng thị giác (Bag of Visual Words - BoVW) và thuật toán ICP (Iterative Closest Point). Cấu trúc quản lý bộ nhớ của RTAB-Map được chia thành ba tầng: Bộ nhớ ngắn hạn (STM - Short-Term Memory), Bộ nhớ làm việc (WM - Working Memory) và Bộ nhớ dài hạn (LTM - Long-Term Memory). Khi số lượng node trong WM vượt quá ngưỡng thời gian xử lý cho phép, STM sẽ chuyển bớt các node cũ sang LTM, giúp tối ưu hóa biểu đồ tư thế (pose graph) và duy trì khả năng tính toán thời gian thực trong không gian rộng lớn.
   • Động lực học và công suất động cơ: Áp dụng Định luật II Newton để phân tích hợp lực trên mặt phẳng nghiêng góc $\alpha = 45^\circ$. Với khối lượng xe ước tính $m = 5\text{ kg}$, gia tốc trọng trường $g = 10\text{ m/s}^2$, trọng lượng $P = 50\text{ N}$, lực kéo động cơ $F_k$ phải thắng được thành phần trọng lực song song mặt phẳng nghiêng, lực ma sát và lực quán tính ($F_k - P\sin\alpha - T_{ms} = ma$). Để đảm bảo mô-men xoắn thắng lực đối ngẫu của bánh xe ($T_{motor} > T_{wheel}$), hệ thống dẫn động yêu cầu tỉ số truyền hộp số $N > 1$ và công suất động cơ tối thiểu đạt 25W.

2. Phương pháp nghiên cứu thực nghiệm:

   • Phương pháp khảo sát thực địa: Tiến hành đo đạc kích thước thực tế hệ thống bậc thang tại các tòa nhà A, B, C, E trong khuôn viên trường đại học để xác định kích thước tới hạn mà khung gầm robot phải vượt qua.
   • Phương pháp thiết kế mô hình hóa: Lựa chọn cấu trúc Six-Wheel Robot lấy cảm hứng từ cơ cấu Rocker-Bogie Rover (khung gầm có khớp xoay bập bênh, có khả năng chịu độ nghiêng 50 độ không lật và vượt chướng ngại vật cao gấp đôi đường kính bánh). Thiết lập góc nghiêng chân robot 45 độ so với phương thẳng đứng, kết hợp các khớp nối 90 độ và 135 độ tạo thành các tam giác vuông cân để tối ưu phân bổ lực.
   • Phương pháp tích hợp và hợp nhất dữ liệu cảm biến: Thiết lập chuỗi truyền nhận dữ liệu đồng bộ giữa cảm biến laser 2D quét góc 360 độ, camera đo độ sâu RGB-D và cảm biến góc quay bánh xe (wheel encoder).

3. Nguồn dữ liệu:

   • Dữ liệu đám mây điểm 3D (Point Cloud) và ảnh màu/độ sâu thu nhận từ cảm biến máy ảnh ORBBEC Astra 3D Camera qua chuẩn giao tiếp USB 2.0.
   • Dữ liệu quét laser khoảng cách 2D (LaserScan) từ cảm biến RP-LiDAR A1M8 qua giao thức nối tiếp UART.
   • Dữ liệu xung tốc độ (Odometry) từ cảm biến Encoder quang học tích hợp trên trục động cơ một chiều, thu thập thông qua vi điều khiển Arduino UNO R3.

Thiết kế và triển khai

Hệ thống robot tự hành leo thang được xây dựng hoàn chỉnh từ phần cứng cơ khí, mạch điện tử đến tầng phần mềm điều khiển:

Kiến trúc phần cứng và thiết kế cơ khí

Khung robot được chia thành hai phần chính:

• Phần thân trên là bộ khung hộp kích thước $250 \times 240 \times 140\text{ mm}$, dùng để cố định máy tính nhúng, các board vi điều khiển, mạch công suất và cụm cảm biến.
• Phần khung chân di động có tổng chiều cao khoảng $520\text{ mm}$. Cấu trúc chân trước có chiều dài khoảng $26\text{ cm}$, chân sau dài $51\text{ cm}$, thanh đỡ cảm biến dài $25\text{ cm}$, khoảng cách giữa chân trước và thanh đỡ là $26\text{ cm}$.

Thiết bị / Linh kiện	Thông số kỹ thuật chính	Vai trò trong hệ thống
NVIDIA Jetson TX1	CPU 64-bit ARM Cortex-A57, GPU Maxwell 256 nhân (1 TFLOP/s), 4GB LPDDR4, 16GB eMMC, nguồn cấp 19VDC - 5A	Máy tính xử lý trung tâm, chạy hệ điều hành ROS, thực thi thuật toán RTAB-Map và xử lý dữ liệu 3D
STM32F429 Discovery	MCU 32-bit ARM Cortex-M4, 2MB Flash, 256KB RAM, màn hình LCD 2.4 inch QVGA, 144 chân GPIO	Kit phát triển vi điều khiển hỗ trợ các tác vụ điều khiển nhúng
Arduino UNO R3	Vi điều khiển ATmega328P (16 MHz), 14 chân Digital (6 chân PWM ~500Hz), 6 chân Analog, 32KB Flash	Vi điều khiển trung gian, tạo xung PWM điều khiển tốc độ động cơ và đọc xung ngắt từ Encoder
RP-LiDAR A1M8	Tần số quét 10Hz, tầm đo 0.3m – 12m, góc quét 360°, tốc độ lấy mẫu 8000 mẫu/giây, giao tiếp UART (5VDC)	Quét mặt phẳng 2D, phát hiện vật cản và cung cấp dữ liệu scan-matching cho odometry
ORBBEC Astra 3D	Độ phân giải RGB và Depth: 640x480 @ 30fps, tầm quan sát $60^\circ\text{H} \times 49.5^\circ\text{V} \times 73^\circ\text{D}$, sai số $\pm 1 - 3\text{ mm}/1\text{m}$	Thu nhận hình ảnh màu và bản đồ độ sâu phục vụ tái tạo bản đồ 3D và phát hiện vòng lặp
Driver XY-160D	Điện áp 7 – 24VDC, dòng điều khiển 3 – 11mA, công suất tối đa 160W/động cơ, cách ly quang, tần số PWM 0 – 10 kHz	Mạch cầu H điều khiển đảo chiều và điều chế tốc độ cho 2 động cơ DC độc lập
Động cơ JGB37-545	Động cơ DC Servo 12VDC, tốc độ 37 RPM, tích hợp sẵn Encoder tương đối 2 kênh A/B (16 xung/vòng/kênh)	Dẫn động bánh xe giữa ở mỗi bên chân robot, cung cấp lực kéo chính và phản hồi quãng đường
Động cơ GB37-520	Động cơ DC giảm tốc 12VDC, tốc độ quay 7 RPM, mô-men xoắn lớn	Dẫn động các trục bánh phụ chịu lực
Pin LiPo (2 bộ)	Điện áp 12V, dung lượng 5200 mAh/bộ, dòng xả 45C (ghép song song thành 10400 mAh)	Cung cấp nguồn năng lượng độc lập toàn hệ thống

Bảng phân tích công suất tiêu thụ tối đa của toàn bộ thiết bị: $$\sum P = P_{\text{STM}} + P_{\text{TX1}} + 4 \times P_{\text{M520}} + 2 \times P_{\text{M545}} + 6 \times P_{\text{Driver}}$$ Thời gian vận hành liên tục lý thuyết được tính toán theo công thức: $$t = \frac{10400 \times 10^{-3}\text{ (Ah)} \times 12\text{ (V)}}{P_{\text{tổng}}}\text{ (h)}$$ Kết quả tính toán thực tế cho thấy với công suất xả tối đa, bộ pin đáp ứng thời gian chạy liên tục khoảng 15 phút.

Bảng điều khiển trạng thái động cơ qua mạch công suất XY-160D:

ENA / ENB	IN1 / IN3	IN2 / IN4	Chức năng hoạt động
Tùy chọn	0	0	Phanh động cơ
Tùy chọn	1	1	Thả tự do động cơ
PWM	1	0	Quay thuận (tiến) với tốc độ điều biến
PWM	0	1	Quay nghịch (lùi) với tốc độ điều biến
1	1	0	Chạy tiến với tốc độ tối đa
1	0	1	Chạy lùi với tốc độ tối đa

Kiến trúc phần mềm và triển khai nút ROS

Hệ thống RTAB-Map trên ROS Melodic được tổ chức thành các nút liên kết chặt chẽ:

• Nút Lidar: Đọc dữ liệu quét laser từ cảm biến RP-LiDAR A1M8 và xuất ra topic sensor_msgs/LaserScan đến nút rtabmap.
• Nút Camera3D: Đọc dữ liệu ảnh màu và ảnh chiều sâu kèm thông số cấu hình nội suy, xuất ra các topic sensor_msgs/Image (rgb), sensor_msgs/Image (depth) và sensor_msgs/CameraInfo.
• Nút Rgbd_sync: Tiếp nhận các luồng dữ liệu từ camera để đồng bộ tem thời gian (timestamp) trước khi chuyển tiếp thành dữ liệu rtabmap_ros/rgbd_image.
• Nút Rtabmap: Trung tâm xử lý thuật toán SLAM, tiếp nhận tín hiệu quét laser, hình ảnh đã đồng bộ và thông tin tư thế từ nav_msgs/Odometry. Nút xuất ra dữ liệu bản đồ rtabmap/MapData cùng lưới tọa độ 2D (nav_msgs/OccupancyGrid) và lưới không gian 3D (OctoMap / Point Cloud).
• Nút Rviz / rtabmapviz: Công cụ trực quan hóa hỗ trợ người lập trình theo dõi trực tiếp quỹ đạo di chuyển và bản đồ 3D trong thời gian thực.
• Giao tiếp tầng thấp: Arduino UNO R3 đảm nhận đọc tín hiệu xung dịch pha 90 độ giữa kênh A và kênh B của Encoder (tạo độ phân giải 32 xung/vòng) và xuất xung PWM điều khiển động cơ qua driver XY-160D, kết nối dữ liệu hai chiều với ROS qua giao tiếp nối tiếp.

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 khái quát các nghiên cứu liên quan đến robot tự hành và giải thuật SLAM trong và ngoài nước. Tác giả phân tích khóa luận tốt nghiệp của Phùng Văn Hảo và Phan Hữu Đạt (Trường Đại học Công nghệ Thông tin) về việc tích hợp ROS2 và RTOS trên kit Jetson TX2 kết hợp STM32, chỉ ra điểm hạn chế là robot chỉ di chuyển và định vị 2D trên bề mặt phẳng, gặp khó khăn lớn khi tiếp cận địa hình gồ ghề.

Khảo sát các cấu trúc cơ khí leo thang gồm 3 dạng:

• Legged Based Robot: Điển hình là robot Spot của Boston Dynamics (nặng 32 kg, tải trọng 14 kg, tốc độ 5 - 6 km/h, sử dụng 4 chân đệm cao su giảm chấn, tích hợp LiDAR và camera 360 độ).
• Six-Wheel Robot: Cấu trúc Rocker Bogie Rover với thanh bập bênh Rocker chữ V kết nối khớp xoay Bogie, giúp phân bổ đều lực kéo, vượt vật cản gấp đôi đường kính bánh và chịu nghiêng tới 50 độ không lật.
• Track Based Robot: Thiết kế bánh xích kết hợp đai cao su tăng diện tích tiếp xúc và độ bám dốc lớn.

Từ phân tích so sánh độ phức tạp gia công và tính sẵn có của vật liệu, nhóm tác giả lựa chọn mô hình 6 bánh xe. Về mặt giải thuật, chương phân tích chuyên sâu hai thuật toán SLAM 3D: HDL Graph SLAM (gồm 4 node: Prefiltering lọc ngoại lệ bằng bán kính/thống kê, Scan_matching_odometry ước tính tư thế bằng NDT/ICP/GICP/VGICP, Floor_detection nhận diện mặt phẳng sàn bằng RANSAC, và node tối ưu hdl_graph_slam) và RTAB-Map. Tác giả chỉ ra RTAB-Map có ưu thế vượt trội về tính linh hoạt phần cứng, cho phép kết hợp đa dạng cảm biến giá thành thấp và tự động chuyển đổi cấu hình khi thiếu hụt thiết bị. Cuối chương xác lập rõ các mục tiêu và giới hạn kỹ thuật của đề tài.

Chương 2: Cơ sở lý thuyết

Chương 2 thiết lập nền tảng lý thuyết và cơ sở tính toán cho toàn bộ đồ án:

• Lý thuyết hệ điều hành ROS: Trình bày chi tiết các thành phần Master, Node, Package, Topic, Message, Service; các công cụ dòng lệnh kiểm tra topic (rostopic bw, delay, echo, find, hz, info, list, pub, type); quy trình tạo Catkin Workspace, biên dịch gói bằng catkin_make và quản lý thực thi bằng tệp .launch.
• Thuật toán RTAB-Map: Mô tả cơ chế phối hợp đa node, xử lý TF (Transform) xác định tọa độ không gian của từng cảm biến, và cơ chế chuyển đổi node giữa các phân vùng bộ nhớ STM, WM, LTM nhằm kiểm soát kích thước biểu đồ tối ưu hóa.
• Tính toán động lực học: Thiết lập hệ phương trình cân bằng lực trên dốc nghiêng 45 độ, tính toán mô-men xoắn cần thiết của trục bánh xe $T_{\text{wheel}} = r \times T_{\text{motor}}$ để thắng lực ma sát và phản lực mặt đường.
• Khảo sát kích thước cầu thang thực tế:

Địa điểm khảo sát	Chiều cao bậc (mm)	Chiều rộng bậc (mm)	Ghi chú
Cầu thang tiêu chuẩn phổ biến	150	300	Tiêu chuẩn an toàn xây dựng
Tòa nhà A, B, E (UIT)	180	310	Cầu thang bộ trong nhà
Tòa nhà C (UIT)	150	320	Cầu thang bộ trong nhà
Sân trước tòa nhà B (UIT) - Bậc 1	240	810	Bậc thềm ngoài trời
Sân trước tòa nhà B (UIT) - Các bậc sau	180	790	Bậc thềm ngoài trời

Dựa trên kích thước bậc thềm sân trước tòa nhà B (chiều cao bậc lên tới 180 - 240 mm, lớn hơn tiêu chuẩn trong nhà), nhóm tác giả chọn bộ thông số này làm mốc giới hạn để tính toán hình học khung chân 6 bánh: chiều cao chân tối thiểu 18 cm, chân trước 26 cm, chân sau 51 cm, đặt nghiêng góc 45 độ.

• Tính toán nguồn năng lượng: Xác định tổng công suất tiêu thụ tối đa của các thành phần mạch điện (STM32: 0.18W; Jetson TX1: 95W; 4 động cơ GB37-520: 10W; 2 động cơ JGB37-545: 40W; 6 driver XY-160D: 35W) và tính toán dung lượng bộ pin LiPo 10400 mAh đảm bảo duy trì vận hành liên tục khoảng 15 phút.

Chương 3: Thiết lập robot tự hành

Chương 3 đi sâu vào quá trình hiện thực hóa mô hình thực nghiệm:

• Trình bày đặc tả kỹ thuật chi tiết của từng linh kiện: Jetson TX1, STM32F429 Discovery, Arduino UNO R3, RP-LiDAR A1M8, Astra 3D Camera, mạch công suất XY-160D và các động cơ DC.
• Hiện thực mạch điều khiển và đọc tín hiệu Encoder: Phân tích cơ chế lệch pha giữa hai kênh A và B để xác định chiều quay và vận tốc; lập trình hàm analogWrite() trên Arduino để điều biến độ rộng xung PWM (tần số 500Hz, chu kỳ nhiệm vụ 0 - 255) điều khiển tốc độ qua driver XY-160D.
• Kết nối hệ thống vi xử lý và cảm biến: Sơ đồ nối dây giữa cụm cảm biến quét laser, camera chiều sâu với máy tính nhúng qua cổng USB; kết nối Arduino với driver điều khiển động cơ qua các chân logic IN/EN và chân cấp nguồn động lực độc lập.
• Xây dựng hệ thống RTAB-Map trên ROS: Cấu hình môi trường Ubuntu 18.04, thiết lập các file launch đồng bộ dữ liệu đa cảm biến và khởi chạy mô hình thử nghiệm.
• Kết quả kiểm thử thực nghiệm:
  • Hoàn thiện chế tạo khung vỏ cơ khí và đấu nối toàn bộ hệ thống điện tử.
  • Thu nhận thành công dữ liệu quét 360 độ từ RP-LiDAR A1M8 qua package rplidar_ros.
  • Thiết lập kênh truyền thông ổn định giữa Arduino và ROS.
  • Tiến hành lập bản đồ 2D thời gian thực thông qua thuật toán hector_slam và tích hợp thành công dữ liệu wheel encoder với dữ liệu quét laser để cung cấp odometry cho RTAB-Map tái tạo không gian 3D. Tốc độ di chuyển trung bình thực nghiệm đạt 1 km/h.

Chương 5: Hướng phát triển

Chương 5 đề xuất các hướng cải tiến kỹ thuật cho hệ thống:

• Tối ưu hóa thuật toán RTAB-Map để giảm tải tiêu thụ bộ nhớ và tài nguyên xử lý trên máy tính nhúng, cho phép mở rộng quy mô bản đồ lớn hơn.
• Cải thiện kết cấu cơ khí chân robot, nghiên cứu bổ sung vật liệu giảm chấn và cơ cấu tăng ma sát bám đường nhằm tăng tính ổn định khi di chuyển trên các bề mặt cầu thang trơn trượt hoặc có độ dốc thay đổi.
• Tích hợp thêm các bộ lọc trạng thái và cảm biến góc nghiêng (IMU) chuyên dụng để bù trừ sai số tích lũy khi di chuyển trên địa hình phức tạp kéo dài.

Kết quả và đóng góp

Khóa luận đã hoàn thành các mục tiêu đề ra với những kết quả định lượng cụ thể:

• Chế tạo thành công mô hình robot 6 bánh tự hành có kích thước thân $250 \times 240 \times 140\text{ mm}$, chiều cao khung chân $\sim 520\text{ mm}$, góc nghiêng chân $45^\circ$, đáp ứng khả năng leo bậc thang có chiều cao từ 180 mm đến 240 mm (theo chuẩn khảo sát sân tòa nhà B, UIT).
• Tích hợp và đồng bộ hóa thành công 3 luồng dữ liệu cảm biến: Camera ORBBEC Astra 3D (ảnh màu và ảnh độ sâu 640x480 @ 30fps), cảm biến RP-LiDAR A1M8 (tần số quét 10Hz, tầm đo 0.3 - 12m) và cảm biến vận tốc Encoder (độ phân giải 32 xung/vòng).
• Triển khai thành công hệ thống định vị và tái tạo bản đồ 3D dựa trên thuật toán RTAB-Map trên nền tảng ROS Melodic Morenia.
• Vận tốc di chuyển trung bình của robot đạt 1 km/h, tốc độ khung hình xử lý SLAM đạt trên 15 fps, sai số vị trí kiểm soát dưới 0.1 m và sai số góc quay dưới 1 độ.
• Hệ thống hoạt động hoàn toàn bằng nguồn pin tích hợp LiPo 12V - 10400 mAh với thời gian vận hành liên tục khoảng 15 phút ở công suất tối đa.

Giải pháp và kiến nghị kỹ thuật do nhóm tác giả đề xuất:

• Khai thác kiến trúc bộ nhớ phân tầng (STM, WM, LTM) của RTAB-Map để xử lý triệt để hiện tượng tràn bộ nhớ tính toán trong các bài toán SLAM không gian lớn.
• Đề xuất các kịch bản cấu hình dự phòng linh hoạt cho nút ROS khi phần cứng cảm biến bị thiếu hụt: sử dụng thuật toán ICP thông qua package laser_scan_matcher hoặc hector_slam để tạo odometry từ dữ liệu laser 2D khi thiếu encoder; mô phỏng dữ liệu quét laser từ ảnh độ sâu qua package depthimage_to_laserscan khi thiếu cảm biến LiDAR.
• Lựa chọn động cơ một chiều có tỉ số truyền $N > 1$ và công suất từ 25W trở lên nhằm đảm bảo mô-men xoắn thắng lực đối ngẫu của bánh xe khi leo dốc nghiêng.

Đóng góp so với nghiên cứu trước (theo tự đánh giá của tác giả):

• Khắc phục hạn chế của các đề tài trước đó (như nghiên cứu của Phùng Văn Hảo và Phan Hữu Đạt, vốn chỉ dừng lại ở bản đồ 2D và di chuyển trên mặt sàn phẳng, mất khả năng vận hành khi gặp địa hình gồ ghề).
• Hiện thực hóa thành công giải pháp kết hợp giữa cấu trúc cơ khí vượt địa hình 6 bánh và giải thuật SLAM 3D đa cảm biến (RGB-D Graph SLAM), mở ra khả năng ứng dụng thực tế cho robot phục vụ trong các tòa nhà cao tầng mà không bị cô lập giữa các tầng lầu.

Hạn chế và hướng nghiên cứu tiếp

Khóa luận tự chỉ ra các hạn chế kỹ thuật trong quá trình thực nghiệm:

• Thời lượng hoạt động của pin còn ngắn (khoảng 15 phút ở công suất tối đa), do máy tính nhúng và hệ thống 6 động cơ dẫn động tiêu thụ năng lượng lớn.
• Robot bị giới hạn về khả năng vượt chướng ngại vật: không thể bay hoặc nhảy qua các khoảng hở lớn; quá trình leo thang bắt buộc phải tiếp cận và xuất phát từ chân cầu thang.
• Cấu hình các node trong RTAB-Map phức tạp, phụ thuộc nhiều vào năng lực tính toán của phần cứng; trường hợp không có camera 3D thì hệ thống sẽ mất hoàn toàn khả năng phát hiện vòng lặp kín bằng hình ảnh trực quan (Visual BoVW).
• Khả năng vượt địa hình cầu thang mới chỉ được kiểm nghiệm trên mô hình bậc thang ngoài trời sân tòa nhà B và cầu thang tiêu chuẩn của các tòa nhà UIT, chưa đánh giá toàn diện trên các bề mặt vật liệu trơn trượt (như đá hoa cương bóng, gỗ trơn) hoặc bậc thang hở.

Các hướng mở rộng tiếp theo:

• Tối ưu hóa việc phân bổ tài nguyên xử lý giữa tầng tính toán cấp cao (ROS) và tầng nhúng cấp thấp (Arduino/STM32) nhằm giảm tải tiêu thụ điện năng.
• Nâng cấp dung lượng pin hoặc bổ sung cơ chế quản lý năng lượng thông minh cho từng module động cơ.
• Bổ sung cảm biến đo quán tính (IMU 6DOF/9DOF) để tăng cường độ chính xác cho việc ước lượng tư thế robot khi di chuyển trên bề mặt nghiêng lớn.
• Hoàn thiện giải thuật điều khiển chuyển động tự động bám quỹ đạo khi chuyển tiếp giữa mặt sàn phẳng và bậc cầu thang.

Giá trị tham khảo

Báo cáo khóa luận có giá trị tham khảo thiết thực cho:

• Sinh viên, học viên cao học và kỹ sư thuộc các chuyên ngành Kỹ thuật Máy tính, Cơ điện tử, Kỹ thuật Điều khiển và Tự động hóa, Khoa học Máy tính đang thực hiện đề tài tốt nghiệp hoặc dự án nghiên cứu về robot tự hành, xe tự hành trong nhà và ngoài trời.
• Các nhóm nghiên cứu ứng dụng hệ điều hành ROS (ROS1/ROS2), tích hợp giải thuật SLAM 2D/3D (RTAB-Map, Hector SLAM, HDL Graph SLAM), xử lý dữ liệu đám mây điểm (Point Cloud) và thị giác máy tính RGB-D.
• Các nội dung có giá trị tham khảo chuyên sâu:
  • Phương pháp phân tích hợp lực và tính toán công suất động cơ trên mặt phẳng nghiêng kết hợp cơ cấu chân 6 bánh vượt bậc thang (Mục 2.4, 2.6).
  • Quy trình cấu hình, đồng bộ hóa dữ liệu đa cảm biến (LiDAR 2D, Camera 3D, Encoder) và tổ chức các nút chức năng trong package rtabmap_ros (Mục 2.3, Bảng 2.1, Hình 2.2, Hình 2.3).
  • Bản đặc tả kỹ thuật, sơ đồ phối ghép chân và logic điều khiển giữa vi điều khiển, mạch cầu H công suất lớn XY-160D và động cơ DC có Encoder phản hồi (Mục 3.1, Bảng 3.1 đến 3.11).

Câu hỏi thường gặp

1. Robot sử dụng cơ cấu cơ khí nào để leo cầu thang và kích thước khung gầm được thiết kế ra sao? Robot sử dụng cấu trúc Six-Wheel Robot (6 bánh xe) lấy cảm hứng từ cơ cấu Rocker-Bogie Rover, có khả năng chịu độ nghiêng 50 độ không lật. Phần thân trên có kích thước $250 \times 240 \times 140\text{ mm}$ dùng để đặt vi điều khiển và cảm biến; hệ thống chân có chiều cao $\sim 520\text{ mm}$, đặt nghiêng góc 45 độ so với phương thẳng đứng, gồm chân trước dài 26 cm, chân sau dài 51 cm và thanh đỡ cảm biến dài 25 cm.

2. Giải thuật RTAB-Map kiểm soát hiện tượng bùng nổ tài nguyên tính toán khi lập bản đồ không gian lớn bằng cách nào? RTAB-Map phân chia bộ nhớ thành ba tầng gồm bộ nhớ ngắn hạn (STM), bộ nhớ làm việc (WM) và bộ nhớ dài hạn (LTM). Khi số lượng node lưu trữ trong WM đạt ngưỡng thời gian xử lý cho phép, STM sẽ chủ động chuyển các node ít tương quan nhất sang LTM, giúp giữ kích thước WM luôn cố định và đảm bảo thời gian cập nhật bản đồ thời gian thực.

3. Hệ thống nguồn điện trên robot được thiết kế như thế nào và thời gian hoạt động liên tục là bao lâu? Hệ thống sử dụng 2 bộ pin LiPo 12V dung lượng 5200 mAh dòng xả 45C mắc song song, tạo thành bộ nguồn tổng $12\text{V} - 10400\text{ mAh}$. Khi toàn bộ thiết bị (gồm máy tính nhúng Jetson TX1, vi điều khiển STM32, 6 động cơ DC và 6 mạch driver) vận hành ở công suất tối đa, thời gian sử dụng liên tục ước tính đạt khoảng 15 phút.

4. Kích thước bậc thang thực tế nào được nhóm nghiên cứu sử dụng làm chuẩn thiết kế hình học cho robot? Nhóm nghiên cứu đã khảo sát trực tiếp cầu thang các tòa nhà A, B, C, E tại UIT và chọn kích thước bậc thang ngoài trời tại sân trước tòa nhà B làm chuẩn. Bậc đầu tiên tại đây có chiều cao 240 mm, chiều rộng 810 mm; các bậc tiếp theo có chiều cao 180 mm, chiều rộng 790 mm (đều lớn hơn kích thước cầu thang tiêu chuẩn trong nhà là cao 150 mm, rộng 300 mm).

5. Khi hệ thống bị thiếu cảm biến Wheel Odometry hoặc thiếu cảm biến Laser 2D, giải thuật RTAB-Map được xử lý dự phòng như thế nào? Nếu thiếu odometry từ bánh xe, hệ thống sẽ sử dụng dữ liệu quét từ cảm biến laser 2D kết hợp thuật toán so khớp ICP thông qua package laser_scan_matcher hoặc hector_slam để tạo ra node icp_odometry. Trường hợp thiếu cảm biến laser 2D, hệ thống sử dụng package depthimage_to_laserscan để mô phỏng dữ liệu quét laser từ hình ảnh độ sâu của camera 3D.

Kết luận

Khóa luận tốt nghiệp của tác giả Huỳnh Ngọc Hiệp Ý và Trịnh Đăng Dương đã hiện thực hóa thành công một giải pháp kỹ thuật tích hợp hoàn chỉnh giữa cơ cấu cơ khí vượt địa hình 6 bánh và hệ thống định vị, lập bản đồ 3D tự hành bằng giải thuật RTAB-Map trên nền tảng ROS Melodic. Nghiên cứu đã giải quyết được bài toán phối hợp đa cảm biến gồm camera RGB-D Astra 3D, RP-LiDAR A1M8 và cảm biến Encoder để xây dựng bản đồ không gian ba chiều với sai số dưới 0.1 m ở vận tốc 1 km/h. Đồ án cung cấp hệ thống số liệu tính toán động lực học, kích thước hình học khảo sát thực tế và cấu hình phần mềm cụ thể, đóng vai trò tài liệu kỹ thuật có giá trị tham khảo cao cho các nghiên cứu phát triển robot dịch vụ leo cầu thang trong môi trường nhà cao tầng.

Trích đoạn nội dung tài liệu

LỜI MỞ ĐẦU Tính từ thời điểm máy tính đầu tiên được ra đời cho đến nay, thế giới đã chứng kiến sự thong tri vượt trội của công nghệ thông tin, với sự có mặt của nó ở mọi lĩnh vực đời sống. Các sản pham thông minh đáp ứng nhu cầu của con người đang trở thành đối tượng được nghiên cứu nhiều nhất và được coi là trung tâm của cuộc cách mạng công nghệ hiện nay. Trong số các sản phâm đó, robot dịch vụ đang nổi lên là một trong những sản phẩm có nhiều tiềm năng phát triển nhất và hoàn toàn có khả năng thương mại hóa. Rất nhiều loại robot dịch vụ đã được ra đời và trở nên phô biến như robot lau nhà, robot hướng dẫn tại các nơi công cộng như bệnh viện, sân bay, nhà ga, trung tâm thương mại,.

Các robot này đều hoạt động chủ yếu trong môi trường có diện tích giới hạn và có nhiều chướng ngại vật, do đó việc xác định chính xác vị trí tương đối của robot so với các đồ vật xung quanh sẽ làm giảm khả năng gây ra các va chạm khi robot di chuyền. Trên thị trường hiện đã có rất nhiều sản phẩm robot được nghiên cứu và áp dụng nhiều giải thuật và phương pháp khác nhau trong việc dẫn đường robot trong không gian trong nhà. Bên cạnh những thuật toán và phương pháp thực hiện đa dạng, nhiều loại cảm biến khác nhau đến từ nhiều nhà cung cấp cũng được sử dụng dé tạo ra các sản phẩm robot phục vụ cho nhiều mục đích khác nhau. Tuy nhiên, do đặc tính của từng loại cảm biến, các hệ thống robot thường sử dụng các loại cảm biến mang tính đặc thù dé đảm bảo yếu tố về hình dạng, kiểu dáng đặc trưng.

Vì vậy, tính mở rộng của hệ thông cũng là bài toán cân được quan tâm. Mục tiêu của dé tài là nghiên cứu, phát triển một hệ thống định vi trong bản đồ 3D và thực hiện nhiệm vụ leo cầu thang. Các mục tiêu được đặt ra bao gồm: sử dụng hệ điều hành ROS thu nhận dữ liệu từ bất kỳ loại cảm biến laser 2D và camera 3D nào, sử dụng thuật toán RFAB-Map để xác định vị trí tương đối của robot so với vị trí gốc khi robot di chuyền. Kết quả của dé tài sẽ được sử dụng dé phát triển robot dịch vụ có khả năng di chuyên trong các toà nhà cao tang, ứng dụng trong robot don dep, robot dan đường, robot vận chuyền hang.

TONG QUAN Phan Tông quan sé phân tích, đánh giá các hướng nghiên cứu đã có của các tác gia trong và ngoài nước liên quan đên đê tài, từ đó chỉ ra những van đê ma đê tài cân tập trung nghiên cứu giải quyết. Giới thiệu các nghiên cứu có liên quan 1. Nghiên cứu tích hợp ROS2 và RTOS cho robot tự hành Đây là đề tài khoá luận tốt nghiệp của Phùng Văn Hảo và Phan Hữu Đạt, sinh viên khoa Kỹ thuật Máy tính, trường Dai học Công nghệ thông tin. Hệ thống sử dụng kit Jetson TX2 với hệ điều hành ROS2 và STM32 sử dụng hệ điều hành RTOS tích hợp cùng với Micro-Ros.1 Robot định vị và tìm đường di trên bản đồ 2D đã tao Robot tái tạo môi trường và định vi trên bản đồ 2D bằng dữ liệu thu được từ cảm biến laser 2D và thực hiện nhiệm vụ di chuyển đến vị trí được chỉ định trên bản đô, đông thời đảm bảo né tránh các vật cản cô định hoặc di động.

Robot có thé di chuyên và xoay trên bề mặt phăng. Điểm hạn chế là robot sẽ gặp khó khăn khi chạy trên bề mặt ghồ ghé. Các sản phẩm robot có khả năng leo tréo trên bậc thang Sau đây là 3 loại hình robot đáp ứng tốt nhu cầu leo trèo trên bậc thang: e Mô hình “Legged Based Robot” (tạm dich: robot có chân) e Mô hình “Six-Wheel Robot” (tạm dich: robot sáu bánh xe) e M6 hình “Track Based Robot” (tạm dịch: robot với bánh xe xích) Ví dụ cho mô hình Legged Based Robot là Spot đến từ Boston Dynamics.2 Robot Spot cua Boston Dynamics Robot Spot được hãng Boston Dynamics giới thiệu với mục tiêu chính là hỗ trợ con người trong ngành xe hơi. Spot có trọng lượng 32 kg, có khả năng mang vật nặng lên đến 14 kg và tốc độ trung bình khi di chuyển đạt khoảng 5-6 km/h.

Thiết kế của Spot trông giống một chú chó với 4 chân, phần thân và bộ điều khiển nằm phía trước. Đặc biệt, Spot không tạo tiếng ồn khi di chuyển bởi các đệm cao su được bô trí ở phân chân tiêp xúc và các khớp truyền động. Phần thân của Spot có mang cảm biến Lidar để quét môi trường xung quanh và nhận diện vật thé. Khi gắn thêm camera 360°, Spot có thé quan sát môi trường, hỗ trợ cho tính năng dự báo thời tiết.

Ví dụ cho mô hình Six-Wheel Robot là Rocker Bogie Rover đến từ IJSR! - Tạp chí Khoa học và Nghiên cứu Quốc tế. Điểm nổi bật của robot này nằm ở chân và bánh xe của robot. Phần bánh xe với chất liệu cao su có độ ma sắt cao. Động cơ được thiết kế độc lập cho mỗi bánh xe.

Bánh xe phía sau (Rear wheel) được kết nối vào một thanh nối “Rocker” có hình dáng chữ V và vì được cô định trên thân xe (Body) tại điểm gấp khúc nên thanh nói này mới có tên gọi là Rocker (nghĩa là bập bênh). Đầu còn lại của thanh bập bênh “Rocker” được nỗi vào một khớp xoay dé kết nối với một thanh nối khác có tên gọi “Bogie” (nghĩa là giá chuyển hướng). Bogie được kết nối với cặp bánh xe trước (Middle wheel và Front wheel) có nhiệm vụ là các bánh lái của robot. Cấu trúc này được sử dụng khá phổ biến trên hệ thống treo (suspension system) của xe tải sơ mi ro moóc (semi-trailer truck).

! International Journal of Science and Research (www.4 Mô hình 3D cua Rocker Bogie Rover Rocker Bogie có thé chịu được độ nghiêng lên đến 50° theo bat kỳ hướng nào mà không bị lật. Ngoài ra nhờ khung gầm thoáng nên nó có thé vượt qua bat kì chướng ngại vật nào có kích thước, độ cao gấp đôi đường kính bánh xe. Với cấu tạo chân và bánh xe như trên, việc thực hiện nhiệm vụ leo bậc thang sẽ dễ dàng do lực kéo cũng như lực đây được phân bố đều cho mỗi bánh xe. Mô hình robot còn lại là Track Based Robot, sử dụng 2 day đai cao su dé tăng độ bám dính khi bắt đầu leo lên bậc thang, tăng cường lực kéo lên cho toàn bộ robot; chuỗi bánh xe ở phía sau có nhiệm vụ làm lực day robot về phía trước.5 Mô phỏng mô hình robot bánh xe xích Thiết kế này được ứng dụng trong rất nhiều loại xe cơ giới với phần bánh xe xích được thiết kế nâng lên 2 đầu dé xe có thé dé dàng leo trèo trên những địa hình có nhiêu sự chênh lệch vê độ cao hoặc có độ dôc lớn.

Dé tăng độ bám mặt đường khi di chuyên trên bề mặt ghd ghé, có độ dốc lớn hoặc bề mặt sụt lún, có thé kết hợp thiết kế 6 bánh xe và bánh xe xích như hình bên dưới [1]. Six-Wheel Design Track Based Design © eo. Optimal Design Hình 1.6 Mô hình kết hợp thiết kế 6 bánh và bánh xe xích Xét theo độ phức tạp khi xây dựng mô hình cũng như các vật liệu dễ tìm, đề tài sẽ sử dụng mô hình robot 6 bánh xe đề xây dựng robot tự hành leo cầu thang. Một điểm lợi thé khi sử dung mô hình này là giúp tăng độ linh hoạt khi robot di chuyển qua các bề mặt gh6 ghè bởi sự linh hoạt từ khớp xoay của 2 bánh xe trước và lực đây từ bánh sau được tận dụng tối đa.

Thuật toán HDL Graph SLAM HDL Graph SLAM là thuật toán SLAM thời gian thực dành cho laser quét 3D. Nó dựa trên một thuật toán SLAM 3D Graph với một biến đổi phân phối chuẩn? là một quá trình hợp nhất kết quả quét để xác định quỹ đạo. Nó phù hợp cho hệ toạ độ 6DOF gồm có 6 trục, trong đó có 3 trục toạ độ tịnh tiến và 3 trục chuyên động xoay. Thêm vào đó dé scan-matching (so khớp), các đầu vào cảm biến như IMU hoặc GPS có thé được sử dụng như điều kiện biên cho việc xác định quỹ đạo.7 mô tả khái quát 4 node cấu thành HDL Graph SLAM, bao gồm node Prefiltering, node Scan_matching_odometry, node Floor_detection va node thực hiện thuật toán chính hdl_graph_slam.

[3] ? NDT - Normal Distribution Transform 3 Six Degrees of Freedom - 6DOE /velodyne points /filter ed_points | scan matching | /odom /map points Prefiltering odometry hdl graph slam Floor.7 Tổng quan các node của hdl_graph_slam Đầu tiên, đám mây điểm đầu vào được lay mẫu xuống bang Prefiltering, sau đó được chuyên đến các node tiếp theo. Trong khi Scan_matching_odometry ước tính “tư thế” của cảm biến băng cách lặp lại áp dụng quét khớp giữa các khung liên tiếp (nghĩa là ước tinh do đường), thì Floor_detection phát hiện các mặt phang sàn bằng RANSAC. Số đo ước tính và mặt phẳng sàn được phát hiện được gửi tới hdl_graph_slam. Node này sẽ thực hiện loop-closure detection (phát hiện vòng lặp) dé bù cho lỗi tích lũy của quá trình scan matching (so khớp) và tối ưu hóa biéu đồ.

Dữ liệu môi trường thu được từ một cảm biến laser 3D với kiểu dit liệu là point cloud (đám mây điểm). Dữ liệu này được chuyên đến node Prefiltering. Trong node Prefiltering, dữ liệu quét laser được xử lý trước. Các điểm do quá gần hoặc quá xa đều bị loại bỏ.

Điều này có thể được xác định thông qua các giá tri ngưỡng (threshold value) distance_near_thresh và distance_far_thresh. Hơn nữa, các ngoại lệ (the outlires) có thể được loại bỏ khỏi các point cloud trong bước này, thông qua phương pháp bán kính hoặc phương pháp thống kê. e Phương pháp bán kính (radius method) xem xét số lượng điểm lân cận (mật độ lân cận) của một điểm nằm trong bán kính đã cho. Nếu giá tri thấp hơn số lân cận tối thiểu (radius min_neighbours) thì điểm sẽ bị xoá.

e© Phuong pháp thống kê (statistical method): các ngoại lệ có thé được xác định và loại bỏ thông qua độ lệch chuẩn (the standard deviation). Sau khi xử lý đầu vào ở dạng các point cloud, bộ lọc sẽ được xử lý bởi node Scan_matching odometry dé ước tính quỹ đạo và dé dành cho việc nhận diện mặt phẳng (ground surface detection). Việc sử dụng dau ra cho cả 2 node, quỹ đạo sau đó được tối ưu hoá trong node hdl_graph_slam, dẫn đến ban đồ đầu ra mong muốn (desired output map) bao gồm các điểm 3D đã ghi nhận.