Nghiên cứu hệ thống robot di động tự hành trong nhà dùng 2D LiDAR

Luận văn nghiên cứu hệ thống robot di động tự hành trong nhà dùng 2D LiDAR tại HCMUTE

• Tác giả: Vũ Xuân Hiệp
• Người hướng dẫn: TS. Cái Việt Anh Dũng
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Công nghệ kỹ thuật ô tô
• Đề tài: Nghiên cứu hệ thống robot di động tự hành trong nhà dùng 2D LiDAR
• Loại tài liệu: Khóa luận tốt nghiệp
• Năm xuất bản: 2024
• Địa điểm: Thành phố Hồ Chí Minh

Tóm tắt

I. Tổng quan robot di động tự hành trong nhà dùng 2D LiDAR HCMUTE

Đề tài nghiên cứu hệ thống robot di động tự hành trong nhà dùng 2D LiDAR tại Đại học Sư phạm Kỹ thuật TP.HCM (HCMUTE) tập trung phát triển nền tảng tự hành hoàn chỉnh. Thiết kế hướng tới ứng dụng trong kho bãi và nhà xưởng thông minh. Robot sử dụng khung gầm bốn bánh Mecanum đa hướng. Cơ cấu này cho phép phương tiện di chuyển linh hoạt trong không gian hẹp. Hệ thống phần cứng chia làm hai tầng xử lý rõ rệt. Tầng cấp thấp sử dụng vi điều khiển ESP32 để thu thập dữ liệu cảm biến và điều khiển động cơ. Tầng cấp cao sử dụng máy tính nhúng chạy hệ điều hành robot ROS để xử lý thuật toán phức tạp. Cảm biến 2D LiDAR đóng vai trò thu nhận dữ liệu không gian xung quanh. Thiết bị liên tục quét và đo khoảng cách đến các vật cản bằng chùm laser. Nền tảng này tích hợp thuật toán SLAM nhằm xây dựng bản đồ môi trường đồng thời với định vị phương tiện. Kiến trúc điều khiển phân tầng đảm bảo khả năng mở rộng và tiết kiệm chi phí phần cứng.

1.1. Cấu trúc phần cứng của robot Mecanum

Hệ thống cơ khí của robot sử dụng bốn bánh xe Mecanum độc lập. Mỗi bánh xe được dẫn động bởi một động cơ DC JGB37-520 có gắn encoder giám sát vòng quay. Mạch cầu H kép L298N đảm nhận việc điều khiển tốc độ và đảo chiều quay động cơ qua tín hiệu PWM. Khối nguồn sử dụng ắc quy hoặc pin 12V DC cấp năng lượng cho mạch động lực và hạ áp 5V ổn định cho vi điều khiển. ESP32 đóng vai trò bộ điều khiển cấp cơ sở, đọc xung từ encoder và tính toán vận tốc thực tế của từng bánh. Dữ liệu đo đạc được đóng gói và truyền lên máy tính xử lý trung tâm qua giao thức truyền thông tuần tự.

1.2. Ứng dụng cảm biến 2D LiDAR trong nhà

Cảm biến 2D LiDAR là thành phần cốt lõi đảm bảo khả năng nhận thức môi trường trong nhà. Thiết bị phát ra các tia laser phẳng theo góc quay 360 độ để quét các bức tường và chướng ngại vật xung quanh. Dữ liệu trả về gồm khoảng cách và góc quét dưới dạng các đám mây điểm hai chiều (LaserScan). Tần số quét cao giúp hệ thống cập nhật tức thời sự thay đổi của vật thể chuyển động. Thông tin từ 2D LiDAR kết hợp chặt chẽ với cảm biến quán tính IMU và odometry bánh xe. Sự kết hợp này bù trừ sai số trượt của bánh xe Mecanum và loại bỏ hiện tượng trôi vị trí trong không gian kín.

II. Phân tích thách thức định vị robot tự hành dùng 2D LiDAR HCMUTE

Quá trình triển khai robot di động tự hành trong nhà đối mặt nhiều thách thức kỹ thuật phức tạp. Vấn đề đầu tiên xuất phát từ đặc tính cơ học của bánh xe Mecanum. Bánh xe này sử dụng các con lăn nghiêng 45 độ để tạo lực đẩy đa hướng. Sự trượt ma sát giữa con lăn và mặt sàn nhà xưởng gây ra sai số tích lũy lớn trong dữ liệu Odometry bánh xe. Nếu chỉ dựa vào encoder, robot sẽ nhanh chóng mất phương hướng sau một quãng đường ngắn. Vấn đề thứ hai liên quan đến năng lực tính toán của phần cứng nhúng. Các bộ xử lý giá rẻ thường bị quá tải khi chạy đồng thời thuật toán SLAM và định vị Nav2 trong thời gian thực. Độ trễ chu kỳ điều khiển dẫn đến phản ứng chậm chạp khi gặp chướng ngại vật xuất hiện bất ngờ. Ngoài ra, môi trường trong nhà có nhiều bề mặt phản xạ hoặc vật cản kính trong suốt làm giảm độ chính xác của cảm biến 2D LiDAR. Các đám mây điểm bị nhiễu tạo ra các chướng ngại vật ảo trên bản đồ occupancy grid. Những hạn chế này đòi hỏi thuật toán xử lý dữ liệu cảm biến phải có tính thích nghi và lọc nhiễu cao.

2.1. Sai số trôi trượt của bánh xe Mecanum

Bánh xe Mecanum sở hữu cấu tạo con lăn tự do xoay quanh trục phụ. Khi xe di chuyển, lực ma sát không đồng đều giữa bốn bánh làm phát sinh hiện tượng trượt ngang. Tín hiệu xung từ encoder chỉ ghi nhận số vòng quay của trục động cơ chứ không phản ánh chuyển động thực trên mặt sàn. Hiện tượng trôi dữ liệu này tích lũy theo thời gian khiến vị trí ước lượng lệch xa tọa độ thực tế. Sai số trôi ảnh hưởng nghiêm trọng đến thuật toán Dead Reckoning. Nếu hệ thống điều khiển không bù trôi liên tục, robot sẽ định vị sai lệch khi di chuyển trên các bề mặt sàn trơn nhẵn hoặc gồ ghề.

2.2. Giới hạn tài nguyên tính toán phần cứng nhúng

Dự án nghiên cứu tại HCMUTE sử dụng các bộ xử lý nhúng chi phí thấp nhằm tối ưu ngân sách sản xuất. Tuy nhiên, việc vận hành ngăn xếp ROS 2 Nav2 đòi hỏi năng lực xử lý rất lớn. Hệ thống phải thực thi đồng thời nhiều tác vụ nặng như giải thuật lập bản đồ, lọc hạt Monte Carlo và tính toán đường đi. Bộ vi xử lý yếu dễ gặp hiện tượng nghẽn cổ chai CPU và quá tải bộ nhớ RAM. Khi tần số xuất lệnh điều khiển bị sụt giảm, robot có nguy cơ va chạm với vật cản xung quanh. Việc tối ưu hóa cấu hình thuật toán và phân bổ luồng xử lý hợp lý là bài toán then chốt cần giải quyết.

III. Giải pháp điều khiển hệ thống robot tự hành 2D LiDAR HCMUTE

Nhóm tác giả đề xuất giải pháp điều khiển tích hợp trên nền tảng ROS 2 để giải quyết các hạn chế phần cứng. Kiến trúc điều hướng Nav2 đóng vai trò trung tâm điều phối toàn bộ hành vi tự hành. Khối Global Planner tính toán quỹ đạo di chuyển tối ưu toàn cục dựa trên thuật toán tìm đường trên lưới chi phí Costmap. Khối Local Planner liên tục giám sát môi trường để tránh va chạm với các vật cản động theo thời gian thực. Hệ thống sử dụng Behavior Tree Navigation Server để quản lý trạng thái di chuyển và kích hoạt quy trình Recovery Server khi phương tiện bị kẹt. Dữ liệu từ 2D LiDAR kết hợp thuật toán Cartographer để xây dựng bản đồ chi tiết với độ chính xác cao. Ở tầng điều khiển chấp hành, vi điều khiển ESP32 thực thi thuật toán điều khiển PID vận tốc vòng kín cho từng động cơ. Phương trình động học ngược chuyển đổi vận tốc góc và vận tốc dài thành tín hiệu điều khiển xung PWM độc lập. Quy trình này triệt tiêu rung lắc và duy trì độ ổn định chuyển động của khung gầm Mecanum.

3.1. Thuật toán SLAM và kiến trúc điều hướng Nav2

Hệ thống áp dụng thuật toán SLAM nền tảng đồ thị kết hợp dữ liệu quét 2D LiDAR để vẽ sơ đồ kho hàng. Thuật toán khớp mây điểm liên tục so sánh chùm tia laser hiện tại với bản đồ đã lập nhằm khử sai lệch vị trí. Bản đồ dạng lưới tĩnh Occupancy Grid được cập nhật liên tục với độ phân giải cao. Ngăn xếp Nav2 sử dụng bản đồ này để cấu hình lớp chi phí toàn cục và cục bộ. Khi nhận tọa độ đích, bộ lập kế hoạch vạch ra lộ trình ngắn nhất không va chạm. Thuật toán bám quỹ đạo liên tục tinh chỉnh vector vận tốc giúp robot bám sát tuyến đường định sẵn với dung sai nhỏ nhất.

3.2. Thuật toán PID và động học chuyển động Mecanum

Mô hình động học nghịch đóng vai trò chuyển hóa vector vận tốc tổng quát thành tốc độ quay mục tiêu cho bốn động cơ DC. Vi điều khiển ESP32 triển khai bốn vòng lặp PID độc lập với tần số lấy mẫu cao. Thuật toán đo đạc sai số giữa tốc độ đặt và tốc độ thực từ encoder để điều chỉnh chu kỳ xung PWM. Phương pháp điều khiển này hạn chế tối đa độ vọt lố và triệt tiêu sai số xác lập khi khởi động hoặc phanh gấp. Nhờ đó, phương tiện phản hồi nhạy bén trước các lệnh vận tốc từ ROS 2. Sự đồng bộ giữa bốn bánh xe giúp chuyển động tịnh tiến và xoay chuyển mượt mà trên bề mặt sàn phẳng.

IV. Kết luận và triển khai thực tế robot tự hành 2D LiDAR HCMUTE

Nghiên cứu về robot di động tự hành trong nhà dùng 2D LiDAR tại HCMUTE đã chứng minh tính khả thi của mô hình tự hành chi phí thấp. Hệ thống vận hành ổn định trong môi trường thực nghiệm với sai số định vị thấp. Khả năng né tránh chướng ngại vật tĩnh và động diễn ra mượt mà nhờ ngăn xếp Nav2 tối ưu. Đề tài mở ra tiềm năng ứng dụng to lớn trong lĩnh vực logistics và nhà kho thông minh. Các doanh nghiệp vừa và nhỏ có thể tận dụng thiết kế này để tự động hóa vận chuyển hàng hóa nội bộ. Mô hình giúp giảm thiểu chi phí đầu tư ban đầu so với việc nhập khẩu các dòng xe AGV đắt đỏ. Hơn nữa, kiến trúc mã nguồn mở cho phép kỹ sư dễ dàng nâng cấp các tính năng thông minh mới. Trong giai đoạn phát triển tiếp theo, hệ thống có thể tích hợp thêm camera RGB-D và cảm biến siêu âm. Việc nâng cấp bộ xử lý nhúng lên các dòng máy tính biên hỗ trợ GPU sẽ tăng cường tốc độ xử lý AI. Công trình này đóng góp giải pháp thực tiễn cho bài toán tự động hóa công nghiệp hiện đại.

4.1. Hiệu quả ứng dụng trong kho hàng tự động

Mô hình robot tự hành chứng minh hiệu quả vận hành vượt trội trong kho bãi có mật độ hàng hóa cao. Xe di chuyển linh hoạt qua các hành lang hẹp nhờ cơ cấu bánh xe Mecanum chuyển động không cần góc quay đầu. Dữ liệu bản đồ từ 2D LiDAR duy trì sự ổn định ngay cả khi điều kiện ánh sáng thay đổi liên tục. Hệ thống thay thế nhân công vận chuyển các pallet nhỏ giúp giảm thiểu rủi ro tai nạn lao động. Khả năng lập lịch trình tự động giúp chuỗi cung ứng tối ưu hóa thời gian trung chuyển vật tư. Việc đưa robot vào hoạt động thực tế nâng cao năng suất sản xuất cho phân xưởng.

4.2. Định hướng phát triển công nghệ tự hành tương lai

Nghiên cứu mở ra hướng hoàn thiện phương pháp kết hợp đa cảm biến Sensor Fusion. Việc bổ sung thị giác máy tính với camera chiều sâu giúp nhận diện chính xác các chướng ngại vật treo hoặc vật thể thấp dưới mặt sàn. Đội ngũ nghiên cứu dự kiến ứng dụng các giải thuật học tăng cường để tối ưu hóa việc phân luồng chuyển động khi triển khai nhiều robot cùng lúc. Mạng truyền thông không dây công nghiệp 5G sẽ hỗ trợ giám sát trung tâm và đồng bộ hóa dữ liệu thời gian thực. Những cải tiến này hứa hẹn đưa nền tảng robot tự hành HCMUTE tiến gần hơn tới tiêu chuẩn thương mại hóa trong cuộc cách mạng công nghiệp 4.0.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh công nghiệp hóa và hiện đại hóa quy trình sản xuất, công nghệ robot tự hành đóng vai trò ngày càng quan trọng nhằm giảm thiểu sự can thiệp của con người và nâng cao độ chính xác khi vận hành. Các hệ thống robot di động (Autonomous Mobile Robots - AMR) hiện được ứng dụng rộng rãi trong nhiều lĩnh vực như kho vận thương mại điện tử, nông nghiệp công nghệ cao, giao thông và công nghiệp sản xuất. Để có thể di chuyển độc lập trong các môi trường chưa xác định hoặc thay đổi liên tục, robot cần được trang bị các giải pháp nhận thức không gian chính xác, trong đó cảm biến 2D LiDAR kết hợp với các thuật toán định vị và lập bản đồ đồng thời (SLAM) đóng vai trò nền tảng.

Tại Việt Nam, các nghiên cứu về robot tự hành ứng dụng 2D LiDAR đã đạt được nhiều bước tiến đáng kể:

• Nguyễn Hải Anh (2023) nghiên cứu ứng dụng cảm biến 2D LiDAR cho xe tự hành trong kho thương mại điện tử, tập trung tối ưu hóa điều hướng trong không gian hẹp và tránh vật cản động.
• Trần Quốc Tuấn và Nguyễn Thành Tâm (2020) phát triển thuật toán quy hoạch đường đi trong nhà dựa trên dữ liệu 2D LiDAR, giải quyết bài toán cực tiểu cục bộ và bế tắc (local minima và deadlock).
• Phạm Thị Lan Hương và Nguyễn Thị Duyên (2023) khảo sát bộ quy hoạch quỹ đạo cục bộ trên nền tảng ROS ứng dụng cho xe tự hành trong nhà kính nông nghiệp.
• Trần Trọng Tiến và các cộng sự (2022) tích hợp 2D LiDAR với kỹ thuật SLAM phục vụ lập bản đồ 2D sơ bộ cho không gian hẹp trước khi mở rộng sang 3D.
• Phan Hoàng Anh và các cộng sự (2020) nghiên cứu dung hợp dữ liệu giữa 2D LiDAR và các cảm biến khác trên hệ điều hành robot (ROS).

Trên bình diện quốc tế, các công trình khoa học đã hoàn thiện nhiều khuôn khổ phần mềm và thuật toán chuyên sâu:

• Steve Macenski và các cộng sự (2020) công bố hệ thống dẫn đường The Marathon 2, tích hợp Cây hành vi (Behavior Trees) cùng các bộ quy hoạch toàn cục (global planner), quy hoạch cục bộ (local planner) và máy chủ phục hồi lỗi (recovery server).
• Macenski và các cộng sự (2022) phân tích kiến trúc Robot Operating System 2 (ROS2), chứng minh tính năng thời gian thực và khả năng tính toán phân tán.
• Macenski và Ivona Jambrecic (2021) phát triển công cụ SLAM Toolbox, giải quyết bài toán lập bản đồ trong môi trường động.
• Muhammad Umair Shafiq và các cộng sự (2024) nghiên cứu mô hình động học thuận/nghịch cho robot sử dụng bánh xe Mecanum kết hợp 2D LiDAR dẫn đường thời gian thực.
• Roman Fedorenko và Boris Gurenko (2016) nghiên cứu phương pháp quy hoạch chuyển động hai cấp (toàn cục và cục bộ) cho phương tiện không người lái.

Khóa luận tốt nghiệp của sinh viên Vũ Xuân Hiệp và Nguyễn Chí Thanh thuộc ngành Công nghệ Kỹ thuật Ô tô, Trường Đại học Sư phạm Kỹ thuật TP.HCM (hướng dẫn bởi TS. Cái Việt Anh Dũng, thực hiện tại RAI Lab) tập trung vào đề tài: "Research on Indoor Autonomous Mobile Robot Systems Using 2D LiDAR".

Văn bản xác định 5 mục tiêu nghiên cứu cụ thể:

1. Nghiên cứu thuật toán lập bản đồ hiệu quả nhằm phân tích và thiết kế mô hình biểu diễn môi trường chính xác, có khả năng mở rộng.
2. Khảo sát các kỹ thuật Định vị và Lập bản đồ Đồng thời (SLAM), đánh giá hiệu năng trong các tình huống vận hành khác nhau, tập trung vào độ chính xác định vị và hiệu quả xử lý thời gian thực.
3. Tích hợp hệ thống đa cảm biến nhằm thực hiện dung hợp dữ liệu thời gian thực, tối ưu hóa quá trình ra quyết định của robot.
4. Khảo sát động học thuận và động học nghịch nhằm giải quyết bài toán điều khiển chuyển động cho robot bánh Mecanum.
5. Nghiên cứu các thuật toán quy hoạch đường đi nhằm đảm bảo quỹ đạo di chuyển tối ưu, không va chạm trong môi trường động và phi cấu trúc.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Robot di động 4 bánh Mecanum; cảm biến 2D LiDAR (RPLIDAR A1), cảm biến đo lường quán tính (IMU MPU6050), cảm biến góc quay Hall (Encoder); vi điều khiển ESP32 và máy tính nhúng Raspberry Pi 4B; hệ điều hành Linux Ubuntu và khung phần mềm ROS2 Humble.
• Phạm vi không gian: Thử nghiệm trong nhà (indoor), cụ thể là mô hình nhà kho có các bức tường bao quanh để quét bản đồ, có ít sự hiện diện của con người.
• Thời gian thực hiện: Từ ngày 15/09/2024 đến ngày 22/12/2024.

---

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng hệ thống dựa trên các nền tảng lý thuyết và công cụ kỹ thuật chuẩn hóa:

Khung lý thuyết và mô hình toán học

• Động học bánh Mecanum (Mecanum Kinematics): Bánh xe Mecanum có các con lăn ngoại vi nghiêng góc 45°, chuyển đổi một phần lực quay thành lực vuông góc với hướng bánh xe. Dựa trên sơ đồ hình học, mối quan hệ giữa vận tốc thân xe $[v_x, v_y, \omega_z]^T$ và vận tốc góc của 4 bánh xe $[\omega_1, \omega_2, \omega_3, \omega_4]^T$ được mô tả qua hệ phương trình động học:

$$\begin{bmatrix} v_x \ v_y \ \omega_z \end{bmatrix} = \frac{R}{4} \begin{bmatrix} 1 & 1 & 1 & 1 \ -1 & 1 & 1 & -1 \ -\frac{1}{l_x + l_y} & \frac{1}{l_x + l_y} & -\frac{1}{l_x + l_y} & \frac{1}{l_x + l_y} \end{bmatrix} \begin{bmatrix} \omega_1 \ \omega_2 \ \omega_3 \ \omega_4 \end{bmatrix}$$

Trong đó $R$ là bán kính bánh xe; $\omega_i$ là vận tốc góc của bánh thứ $i$ ($i = 1 \dots 4$); $l_x, l_y$ là khoảng cách hình học từ tâm robot đến các trục bánh xe.

• Định vị và Tư thế (Localization & Pose): Tư thế robot trong mặt phẳng hai chiều biểu diễn qua vector $(x, y, \theta)^T$. Độ dịch chuyển sau mỗi chu kỳ điều khiển $\Delta t$ được cập nhật theo công thức:

$$\begin{pmatrix} x \ y \ \theta \end{pmatrix} = \begin{pmatrix} x_0 \ y_0 \ \theta_0 \end{pmatrix} + \begin{pmatrix} \Delta x \ \Delta y \ \Delta \theta \end{pmatrix}$$

• Bản đồ lưới chiếm chỗ (Occupancy Grid Map): Không gian được chia thành mảng 2 chiều gồm các ô vuông đồng nhất, mỗi ô lưu giữ giá trị xác suất đại diện cho 3 trạng thái:
  • Occupied (Bị chiếm dụng): Ô chứa chướng ngại vật (xác suất gần 1 hoặc 100%).
  • Free (Trống): Không gian trống có thể đi qua (xác suất gần 0 hoặc 0%).
  • Unknown (Chưa xác định): Trạng thái khởi tạo ban đầu khi tia quét cảm biến chưa tiếp cận.
• Quy hoạch và bám quỹ đạo (Path Planning & Path Following): Sử dụng thuật toán tìm đường A* nhằm tối ưu hóa chi phí tính toán đường đi từ điểm xuất phát đến điểm đích; kết hợp bộ điều khiển thời gian thực và các điểm mốc (waypoints) để hiệu chỉnh sai lệch chuyển động.
• Khung phần mềm ROS2: Vận hành trên nền Linux Ubuntu; sử dụng mô hình nút (Node), cơ chế truyền nhận dữ liệu Publish/Subscriber qua Topic (bất đồng bộ) và Service/Client (đồng bộ).

Phương pháp nghiên cứu

Tác giả áp dụng các phương pháp kỹ thuật thực nghiệm:

1. Nghiên cứu tài liệu lý thuyết, giải thuật động học và các hệ thống robot tự hành tương đồng.
2. Phân tích, khảo sát các gói mã nguồn mở (open-source packages) trên nền tảng ROS2.
3. Thiết kế mô hình 3D khung cơ khí trên phần mềm SolidWorks; tính toán lựa chọn linh kiện mạch điều khiển điện tử.
4. Lắp ráp mô hình thực tế, lập trình nhúng trên ESP32 và tích hợp xử lý cấp cao trên Raspberry Pi 4B chạy ROS2; thử nghiệm trực tiếp trên mô hình vật lý không qua công cụ mô phỏng.

Nguồn dữ liệu

Dữ liệu sử dụng trong quá trình vận hành hệ thống thu nhận trực tiếp từ phần cứng:

• Dữ liệu đám mây điểm quét cự ly 360 độ từ cảm biến 2D LiDAR (RPLIDAR A1).
• Tín hiệu quán tính 6 bậc tự do (6 DoF) từ cảm biến MPU6050 giao tiếp qua bus I2C.
• Dữ liệu xung đếm tốc độ từ cảm biến hiệu ứng Hall tích hợp ở đuôi động cơ DC JGB37-520.

---

Thiết kế và triển khai hệ thống

Hệ thống robot tự hành trong đồ án được thiết kế đồng bộ từ cơ khí, mạch điện tử đến phần mềm điều khiển.

Kết cấu cơ khí và khung gầm

Khung xe được xây dựng theo dạng module bằng nhôm định hình kết hợp các ke góc 90°:

Thông số kết cấu	Giá trị kỹ thuật
Thanh nhôm hai bên	2 thanh nhôm định hình 2040 (tổng khối lượng ~400 g)
Thanh nhôm trung tâm	2 thanh nhôm định hình 2020 (tổng khối lượng ~250 g)
Liên kết khung	4 ke góc 90 độ (tổng khối lượng ~60 g)
Tổng khối lượng khung xe	Khoảng 710 g
Kích thước bao khung	Chiều dài 30 cm × Chiều rộng 23 cm
Chiều dài cơ sở (Wheelbase)	219,68 mm
Vệt bánh xe (Wheel track)	239,41 mm
Khoảng sáng gầm xe (Ground clearance)	22 mm
Bánh xe Mecanum	Đường kính 97 mm; trục lục giác 8,4 mm (khớp trục 8,3 mm); vật liệu nhựa ABS + cao su mềm; góc con lăn 45°

Hệ thống điện và phần cứng điều khiển

Hệ thống phần cứng điều khiển được phân tầng giữa vi điều khiển cấp thấp và máy tính nhúng cấp cao:

Thành phần linh kiện	Thông số kỹ thuật chi tiết	Vai trò trong hệ thống
Nguồn cấp điện	Pin Li-ion 12V 6S 18650 tích hợp mạch BMS; dung lượng 6 Ah; điện áp 10,8–12,6 V; dòng xả tối đa 10 A	Cung cấp toàn bộ năng lượng cho hệ thống
Hạ áp nguồn ESP32	IC ổn áp tuyến tính LM7805 kết hợp 2 tụ lọc làm phẳng	Hạ từ 12 VDC xuống 5 VDC cấp nguồn bo ESP32
Mạch lái động cơ	2 mạch cầu H L298N; điện áp 5–30 VDC; dòng tải tối đa 2 A mỗi cầu H; kích thước 43×43×27 mm	Điều khiển độc lập chiều quay và tốc độ 4 động cơ
Động cơ DC	4 động cơ JGB37-520; 12 VDC; tỷ số truyền 1:168; dòng không tải 120 mA (60 RPM); tải định mức 1 A (46 RPM, 19 kg.cm); dòng kẹt 2,3 A (31 kg.cm)	Dẫn động 4 bánh xe Mecanum
Cảm biến Encoder	Cảm biến Hall 2 kênh gắn trục động cơ; độ phân giải 11 xung/vòng	Phản hồi tốc độ và chiều quay về vi điều khiển
Cảm biến IMU	MPU6050; độ phân giải ADC 16-bit; giao tiếp I2C; tích hợp DMP; kích thước 21×16 mm	Đo góc nghiêng, hướng chuyển động và gia tốc
Cảm biến LiDAR	RPLIDAR A1 (cảm biến quét laser 2D 360 độ)	Quét môi trường, phát hiện vật cản, tạo bản đồ
Vi điều khiển	ESP32; 2 nhân Xtensa LX6 (tần số tối đa 240 MHz); 38 chân GPIO; ADC 12-bit; DAC 8-bit; kích thước 55×24 mm	Xử lý ngắt encoder, đọc IMU, xuất PWM điều khiển cầu H
Máy tính nhúng	Raspberry Pi 4B; CPU Quad-core Cortex-A72 64-bit 1,5 GHz; RAM 4 GB LPDDR4; Gigabit Ethernet, USB 3.0, nguồn 5V/3A USB-C	Chạy ROS2, xử lý thuật toán SLAM và điều hướng Nav2

Triển khai phần mềm và kiến trúc điều khiển

Quy trình điều khiển được cấu trúc theo 4 khối chức năng chính:

1. Khối Odometry: Vi điều khiển ESP32 đọc dữ liệu góc quay từ 4 cảm biến Hall encoder và dữ liệu quán tính từ MPU6050, tính toán vector chuyển vị theo mô hình động học rồi gửi lên Raspberry Pi 4B.
2. Khối Lập bản đồ (Mapping): Raspberry Pi 4B tiếp nhận luồng dữ liệu LaserScan từ RPLIDAR A1 và dữ liệu Odometry, vận hành thuật toán SLAM để cập nhật liên tục trạng thái các ô trong Occupancy Grid Map (đánh dấu ô bị chiếm dụng và xóa ô trống).
3. Khối Điều hướng (Navigation - Nav2 Stack): Dựa trên bản đồ đã quét, vị trí hiện tại và điểm đích (goal pose) được người dùng thiết lập, bộ quy hoạch toàn cục (Global Planner sử dụng thuật toán A*) tính toán tuyến đường tối ưu. Bộ quy hoạch cục bộ (Local Planner) liên tục phát hiện vật cản phát sinh từ dữ liệu LiDAR thời gian thực để né tránh. Máy chủ phục hồi (Recovery Server) xử lý khi robot gặp bế tắc, dưới sự điều phối của Cây hành vi (Behavior Tree).
4. Khối Chấp hành: Vận tốc chỉ lệnh (cmd_vel) từ hệ thống điều hướng được giải mã thông qua mô hình động học nghịch thành tốc độ góc của từng bánh xe, chuyển thành lệnh PWM gửi xuống hai mạch cầu H L298N.

---

Nội dung chính theo từng chương

Báo cáo khóa luận được cấu trúc thành 5 chương chính:

Chapter 1: Introduction

Chương này trình bày tính cấp thiết và xu hướng phát triển của robot tự hành trong công nghiệp. Tác giả tổng hợp các công trình nghiên cứu tiêu biểu trong nước (Nguyễn Hải Anh, Trần Quốc Tuấn, Phạm Thị Lan Hương, Trần Trọng Tiến, Phan Hoàng Anh) và quốc tế (Steve Macenski, Muhammad Umair Shafiq, Roman Fedorenko). Nội dung tiếp theo xác định 5 mục tiêu nghiên cứu, đối tượng nghiên cứu, phạm vi ứng dụng trong môi trường nhà kho và kế hoạch triển khai gồm 5 hạng mục chính từ thu thập dữ liệu, lập trình thuật toán điều khiển đến thử nghiệm tối ưu hóa.

Chapter 2: Literature Review

Nội dung chương 2 tập trung xây dựng cơ sở lý thuyết toán học và phần mềm cho hệ thống:

• Trình bày nguyên lý hoạt động của bánh xe Mecanum và thiết lập hệ phương trình ma trận động học chuyển đổi giữa vận tốc thân xe và vận tốc góc của 4 bánh.
• Phân tích khái niệm tư thế robot (Pose) gồm tọa độ $(x, y)$ và góc hướng $\theta$, cùng công thức cập nhật vị trí tích lũy theo thời gian.
• Trình bày cấu trúc bản đồ lưới chiếm chỗ (Occupancy Grid Map), mô tả cơ chế xác suất với 3 trạng thái ô lưới (Occupied, Free, Unknown) và quy trình cập nhật thông qua tia quét cảm biến.
• Giới thiệu thuật toán quy hoạch đường đi A* và các nguyên lý điều khiển bám đường (Path following) dựa trên chuỗi điểm mốc (waypoints).
• Phân tích kiến trúc ROS 2 bản phân phối Humble, định nghĩa vai trò của các nút (Nodes), cơ chế xuất bản/đăng ký nhận tin (Publisher/Subscriber) và mô hình dịch vụ (Service/Client).

Chapter 3: System Design

Chương 3 trình bày toàn bộ quá trình tính toán, thiết kế và chế tạo hệ thống vật lý:

• Thiết kế kết cấu cơ khí chassis trên SolidWorks; lựa chọn nhôm định hình 2040 và 2020 kết hợp 4 ke góc tạo khung xe kích thước 30 × 23 cm, khối lượng 710 g; tính toán kích thước chiều dài cơ sở (219,68 mm) và vệt bánh xe (239,41 mm).
• Thiết lập sơ đồ khối hệ thống điện và lựa chọn linh kiện: khối nguồn pin 12V 6S 18650 Li-ion dung lượng 6 Ah; cụm hạ áp LM7805 cấp nguồn 5V cho vi điều khiển ESP32.
• Thiết kế mạch công suất gồm hai driver cầu H L298N điều khiển 4 động cơ DC JGB37-520 (tỷ số truyền 1:168); kết nối chân tín hiệu điều khiển chiều quay IN1–IN4 và chân điều chế độ rộng xung ENA, ENB.
• Tích hợp cảm biến đo quán tính MPU6050 qua bus I2C và kết nối tín hiệu xung từ cảm biến Hall encoder về chân GPIO/ADC của ESP32.
• Thiết lập giao tiếp phần cứng giữa vi điều khiển ESP32 và máy tính nhúng Raspberry Pi 4B (Quad-core 1,5 GHz, 4 GB RAM).

Chapter 4: Experiment Results

Chương 4 mô tả quy trình và kết quả thử nghiệm thực tế hệ thống:

• Thiết lập môi trường thử nghiệm thực tế dưới hai điều kiện: môi trường không có chướng ngại vật và môi trường có chướng ngại vật.
• Tiến hành cài đặt chương trình điều khiển, khởi tạo vị trí robot (spawn) và thiết lập hệ thống máy tính điều khiển quá trình lập bản đồ.
• Vận hành robot di chuyển để cảm biến LiDAR quét và tạo lập hoàn chỉnh bản đồ không gian dạng Occupancy Grid Map cho cả hai trường hợp có và không có vật cản.
• Thực hiện thiết lập điểm xuất phát gốc (original point) và điểm đích (goal point) trên giao diện điều khiển.
• Kiểm tra khả năng tự lập kế hoạch quỹ đạo và điều hướng di chuyển tự động của robot đến điểm đích đã chỉ định.

Chapter 5: Conclusion and Recommendations

Chương cuối tóm tắt mức độ hoàn thành nhiệm vụ nghiên cứu: chế tạo thành công mô hình robot 4 bánh Mecanum, tích hợp hoàn chỉnh hệ thống cảm biến 2D LiDAR, vi điều khiển ESP32 và Raspberry Pi 4B trên nền tảng ROS2. Chương này cũng phân tích các hạn chế kỹ thuật hiện tại và đưa ra các đề xuất nâng cấp hệ thống trong tương lai.

---

Kết quả và đóng góp

Kết quả chính của đề tài

1. Chế tạo phần cứng hoàn chỉnh: Xây dựng thành công nguyên mẫu robot di động 4 bánh Mecanum với khung nhôm định hình 2020 và 2040 có tổng khối lượng khung 710 g, kích thước 30 × 23 cm, chiều dài cơ sở 219,68 mm, vệt bánh xe 239,41 mm, khoảng sáng gầm 22 mm, sử dụng động cơ giảm tốc JGB37-520 (1:168) và nguồn pin Li-ion 12V 6 Ah.
2. Tích hợp hệ thống điều khiển đa tầng: Kết nối thành công vi điều khiển ESP32 điều khiển công suất động cơ qua hai mạch cầu H L298N, thu thập dữ liệu xung encoder (11 xung/vòng) và IMU MPU6050; truyền thông ổn định với máy tính nhúng Raspberry Pi 4B chạy ROS2 Humble.
3. Thực nghiệm lập bản đồ môi trường: Hệ thống đã quét và trích xuất thành công bản đồ lưới chiếm chỗ (Occupancy Grid Map) môi trường trong nhà dưới hai kịch bản: môi trường không có chướng ngại vật và môi trường có chướng ngại vật.
4. Thực nghiệm điều hướng tự hành: Hệ thống tiếp nhận thành công tọa độ điểm xuất phát và tọa độ điểm đích, tính toán đường đi tránh vật cản bằng thuật toán quy hoạch và điều khiển robot di chuyển chạm đích thành công (Reach the goal).

Giải pháp kỹ thuật tác giả đề xuất

• Đề xuất kiến trúc điều khiển phân tầng: tách biệt tác vụ điều khiển động cơ thời gian thực cấp thấp (giao cho ESP32 xử lý ngắt và PWM) khỏi các tác vụ tính toán thuật toán định vị, lập bản đồ và dẫn đường nặng (giao cho Raspberry Pi 4B chạy ROS2).
• Sử dụng cơ cấu chuyển động 4 bánh Mecanum kết hợp mô hình động học tính toán vector nhằm đạt khả năng di chuyển đa hướng trong không gian kho hẹp mà không cần thay đổi góc quay của thân xe.

Đóng góp của đề tài

Tác giả đã hiện thực hóa việc ứng dụng khung phần mềm ROS2 Humble kết hợp cảm biến 2D LiDAR trên một nền tảng robot phần cứng giá thành thấp, cung cấp tài liệu kỹ thuật chi tiết về thiết kế mạch, mô hình toán học và quy trình thực nghiệm dẫn đường tự động trong nhà.

---

Hạn chế và hướng nghiên cứu tiếp

Các hạn chế được nhóm tác giả nêu rõ trong phần Research limitation:

1. Phụ thuộc gói phần mềm mở: Toàn bộ hệ thống điều hướng và lập bản đồ dựa trên việc sử dụng các gói mã nguồn mở (open source packages), chưa tự tối ưu hóa sâu cấu trúc giải thuật lõi.
2. Giới hạn ngân sách chế tạo: Ngân sách dành cho linh kiện cơ khí và mạch điện tử còn thấp, dẫn đến việc phải sử dụng các linh kiện tiêu chuẩn phổ thông (driver L298N, vi điều khiển ESP32).
3. Giải thuật điều khiển động cơ đơn giản: Hệ thống chỉ mới sử dụng bộ điều khiển PID cơ bản để duy trì vận tốc động cơ, chưa có các giải pháp điều khiển thích nghi bù trượt cho bánh Mecanum.
4. Năng lực tính toán của vi xử lý: Bộ vi xử lý của Raspberry Pi 4B còn hạn chế về hiệu năng khi phải gánh đồng thời nhiều tác vụ nặng như SLAM, xử lý đám mây điểm LiDAR và quy hoạch đường đi trong môi trường lớn.
5. Thiếu công tác mô phỏng: Đề tài hoàn toàn không thực hiện bước mô phỏng động lực học trên phần mềm chuyên dụng (như Gazebo) trước khi triển khai chế tạo phần cứng.

Hướng nghiên cứu tiếp theo (dựa trên hạn chế được công bố):

• Nâng cấp phần cứng máy tính nhúng có năng lực tính toán cao hơn để tối ưu hóa thời gian xử lý dữ liệu.
• Xây dựng mô hình mô phỏng hoàn chỉnh trên môi trường Gazebo để đánh giá các thông số động lực học trước khi thử nghiệm thực địa.
• Cải tiến bộ điều khiển chuyển động vượt trên mức PID cơ bản nhằm hạn chế hiện tượng trượt bánh của cơ cấu Mecanum.

---

Giá trị tham khảo

Báo cáo khóa luận cung cấp tài liệu tham khảo cho:

• Đối tượng: Sinh viên, học viên và nhóm nghiên cứu thuộc các chuyên ngành Công nghệ Kỹ thuật Ô tô, Kỹ thuật Cơ điện tử, Robot và Trí tuệ Nhân tạo, Kỹ thuật Điều khiển và Tự động hóa đang thực hiện các dự án thiết kế xe tự hành AGV/AMR.
• Nội dung có giá trị tham khảo cao:
  • Mô hình toán học động học thuận và nghịch của hệ thống 4 bánh xe Mecanum cùng phương trình ma trận chuyển đổi vận tốc.
  • Sơ đồ nguyên lý thiết kế mạch nguồn và mạch giao tiếp động lực giữa ESP32, IC LM7805 và hai mạch cầu H L298N.
  • Quy trình cấu hình và tích hợp các khối tính toán Odometry, SLAM và Nav2 Stack trên nền tảng ROS2 Humble phục vụ điều hướng tự hành trong nhà.

---

Câu hỏi thường gặp

1. Cơ cấu chuyển động của robot sử dụng loại bánh xe nào và kích thước khung xe thực tế là bao nhiêu?

Robot sử dụng hệ thống chuyển động 4 bánh xe Mecanum đường kính 97 mm, vật liệu nhựa ABS và cao su mềm, góc nghiêng con lăn 45°, trục lục giác 8,4 mm. Khung gầm được lắp ráp từ hai thanh nhôm định hình 2040 và hai thanh nhôm 2020 nối bằng 4 ke góc 90°, tổng khối lượng khung khoảng 710 g, kích thước dài 30 cm × rộng 23 cm. Chiều dài cơ sở (wheelbase) đạt 219,68 mm, vệt bánh xe (wheel track) đạt 239,41 mm và khoảng sáng gầm xe là 22 mm.

2. Hệ thống phân chia nhiệm vụ xử lý giữa ESP32 và Raspberry Pi 4B như thế nào?

Hệ thống áp dụng kiến trúc phân tầng:

• Vi điều khiển ESP32 (vi xử lý 2 nhân Xtensa LX6, 240 MHz) đảm nhiệm điều khiển cấp thấp thời gian thực: tiếp nhận xung từ 4 encoder Hall của động cơ (11 xung/vòng), đọc dữ liệu góc nghiêng từ IMU MPU6050 qua giao tiếp I2C, tính toán Odometry sơ bộ và xuất tín hiệu xung PWM điều khiển hai driver cầu H L298N.
• Máy tính nhúng Raspberry Pi 4B (CPU 4 nhân Cortex-A72 1,5 GHz, RAM 4 GB) đảm nhiệm các tác vụ tính toán cấp cao trên hệ điều hành ROS2 Humble: tiếp nhận dữ liệu quét từ 2D LiDAR RPLIDAR A1, chạy thuật toán SLAM tạo Occupancy Grid Map, tính toán quy hoạch quỹ đạo A* (Nav2 Stack) và gửi lệnh vận tốc cmd_vel xuống ESP32.

3. Nguồn điện của robot được thiết kế ra sao để cấp cho các khối tải có mức điện áp khác nhau?

Hệ thống sử dụng bộ pin Li-ion 12V 6S 18650 tích hợp mạch bảo vệ pin (BMS), dung lượng 6 Ah, dải điện áp làm việc từ 10,8 V đến 12,6 V và dòng xả tối đa 10 A. Nguồn 12 V từ pin được cấp trực tiếp đến chân VS của hai module cầu H L298N để cấp năng lượng cho 4 động cơ DC JGB37-520. Đồng thời, nguồn 12 V được dẫn qua một mạch hạ áp sử dụng IC ổn áp tuyến tính LM7805 cùng hai tụ lọc để tạo ra nguồn 5 VDC ổn định nuôi vi điều khiển ESP32.

4. Dữ liệu bản đồ được biểu diễn dưới dạng nào và thuật toán tìm đường nào được áp dụng?

Bản đồ môi trường được biểu diễn dưới dạng bản đồ lưới chiếm chỗ (Occupancy Grid Map), chia không gian 2D thành các ô vuông với ba trạng thái xác suất: Chiếm dụng (Occupied - có vật cản, xác suất xấp xỉ 100%), Trống (Free - không gian di chuyển được, xác suất xấp xỉ 0%), và Chưa xác định (Unknown - trạng thái mặc định ban đầu). Khi lập kế hoạch đường đi toàn cục, hệ thống sử dụng thuật toán A* (A-star) kết hợp với các điểm mốc (waypoints) để tìm đường đi ngắn nhất, ít tốn chi phí tính toán từ điểm gốc đến mục tiêu.

5. Những rào cản kỹ thuật chính mà nhóm tác giả thừa nhận trong báo cáo là gì?

Tác giả đã chỉ ra 5 hạn chế trực tiếp: việc phụ thuộc vào các gói mã nguồn mở chưa được tinh chỉnh sâu; kinh phí hạn chế dẫn đến sử dụng linh kiện phần cứng cơ bản; bộ điều khiển tốc độ động cơ mới chỉ dừng ở mức PID truyền thống; vi xử lý của Raspberry Pi 4B còn yếu khi chạy các thuật toán tự hành phức tạp; và quá trình thực hiện hoàn toàn thiếu bước mô phỏng động lực học (trên phần mềm như Gazebo) trước khi lắp ráp thực tế.

---

Kết luận

Khóa luận tốt nghiệp của sinh viên Vũ Xuân Hiệp và Nguyễn Chí Thanh đã thiết kế, chế tạo và thử nghiệm thành công mô hình robot di động tự hành 4 bánh Mecanum ứng dụng cảm biến 2D LiDAR trên nền tảng ROS2 Humble. Công trình giải quyết đồng bộ các bài toán kỹ thuật từ động học chuyển động đa hướng, thiết kế mạch công suất điều khiển động cơ đến lập bản đồ lưới chiếm chỗ và điều hướng tránh vật cản trong nhà. Dù còn một số giới hạn về năng lực tính toán phần cứng và thiếu vắng khâu mô phỏng động lực học, kết quả thực nghiệm đạt được đã chứng minh tính khả thi của giải pháp tích hợp phần cứng giá thành thấp phục vụ điều hướng tự hành trong môi trường kho bãi khép kín.

Trích đoạn nội dung tài liệu

MINISTRY OF EDUCATION AND TRAINING HO CHI MINH CITY UNIVERSITY OF TECHNOLOGY AND EDUCATION GRADUATION THESIS MAJOR: AUTOMOTIVE ENGINEERING TECHNOLOGY RESEARCH ON INDOOR AUTONOMOUS MOBILE ROBOT SYSTEMS USING 2D LIDAR INSTRUCTOR: CAI VIET ANH DUNG STUDENT: VU XUAN HIEP NGUYEN CHI THANH Ho Chi Minh city, December 2024 HO CHI MINH CITY UNIVERSITY OF TECHNOLOGY AND EDUCATION FACULTY OF INTERNATIONAL EDUCATION GRADUATION PROJECT RESEARCH ON INDOOR AUTONOMOUS MOBILE ROBOT SYSTEMS USING 2D LIDAR VU XUAN HIEP Student ID: 20145413 NGUYEN CHI THANH Student ID: 20145435 Major: AUTOMOTIVE ENGINEERING TECHNOLOGY Supervisor: CAI VIET ANH DUNG, PhD. Ho Chi Minh City, DECEMBER 2024 HO CHI MINH CITY UNIVERSITY OF TECHNOLOGY AND EDUCATION FACULTY OF INTERNATIONAL EDUCATION GRADUATION PROJECT RESEARCH ON INDOOR AUTONOMOUS MOBILE ROBOT USING 2D LIDAR VU XUAN HIEP Student ID: 20145413 NGUYEN CHI THANH Student ID: 20145435 Major: AUTOMOTIVE ENGINEERING TECHNOLOGY Supervisor: CAI VIET ANH DUNG, PhD. Ho Chi Minh City, DECEMBER 2024 THE SOCIALIST REPUBLIC OF VIETNAM Independence – Freedom– Happiness -------- Ho Chi Minh City, December 23, 2024 GRADUATION PROJECT ASSIGNMENT Student name: Vu Xuan Hiep Student ID: 20145413 Student name: Nguyen Chi Thanh Student ID: 20145435 Major: Automotive Engineering Technology Class: 20145CLA Supervisor: Cai Viet Anh Dung Phone number: _________________ Date of assignment: 15/09/2024 Date of submission: 22/12/2024 1. Project title: RESEARCH ON INDOOR AUTONOMOUS MOBILE ROBOT SYSTEMS USING 2D LIDAR 2.

Initial materials provided by supervisor: Computer, 2D LIDAR 3. Content of the project: Research on SLAM algorithm using 2D LIDAR. Final product: Algorhithm for robot’s autonomous navigation CHAIR OF THE PROGRAM SUPERVISOR (Sign with full name) (Sign with full name) THE SOCIALIST REPUBLIC OF VIETNAM Independence – Freedom– Happiness -------- ---- SUPERVISOR’S EVALUATION SHEET Student name:Vu Xuan Hiep. Student name: Nguyen Chi Thanh.

Supervisor: Cai Viet Anh Dung, Ph. Content of the project:. Approval for oral defense? (Approved or denied) .) Ho Chi Minh City, December , 2024 SUPERVISOR (Sign with full name) THE SOCIALIST REPUBLIC OF VIETNAM Independence – Freedom– Happiness -------- PRE-DEFENSE EVALUATION SHEET Student name:Vu Xuan Hiep. Student ID: 20145413 Student name: Nguyen Chi Thanh.

Student ID: 20145435 Major:. Supervisor: Cai Viet Anh Dung, Ph.D Name of Examiner:. Content and workload of the project. Approval for oral defense? (Approved or denied) .) Ho Chi Minh City, December , 2024 EXAMINER (Sign with full name) THE SOCIALIST REPUBLIC OF VIETNAM Independence – Freedom– Happiness -------- EVALUATION SHEET OF DEFENSE COMMITTEE MEMBER Student name:Vu Xuan Hiep.

Student name: Nguyen Chi Thanh. Supervisor: Cai Viet Anh Dung, Ph.D Name of Defense Committee Member:. Content and workload of the project. Mark: ……………… (in words: .) Ho Chi Minh City, , 2025 COMMITTEE MEMBER (Sign with full name) Disclaimer This thesis represents the collective work of the authors and reflects their joint interpretations and conclusions.

The authors bear no responsibility for decisions made based on this content. Readers are advised to verify the information independently Acknowledgements This Graduation Thesis Report on the topic “RESEARCH ON INDOOR AUTONOMOUS ROBOT SYSTEMS USING 2D LIDAR” signifies the culmination of our team’s extensive research endeavors and technical commitment. Its completion has been made possible through the invaluable mentorship and expertise provided by the faculty at the Automotive Engineering Technology Department and Mechanical Engineering Department, Ho Chi Minh University of Technology and Education. Firstly, we wish to convey our profound gratitude to our principal supervisor, Dr.

Cai Viet Anh Dung, for his steadfast support, expert insights, and meticulous guidance, which played a pivotal role in bringing this project to fruition. We also wish to express heartfelt thanks to our friends and colleagues at the RAI Lab, who generously shared their knowledge and provided assistance during the project. Their encouragement and expertise significantly contributed to our learning and progress. Finally, we express our sincere appreciation to our families for their unwavering encouragement, valuable advice, and enduring support throughout the entire development of this thesis.

Table of Contents Chapter 1: INTRODUCTION. Research progress in domestic. Research progress in foreign. 8 Chapter 2: LITERATURE REVIEW .1 Overview about ROS .3 Publisher and Subscriber.

Service and Client. 19 Chapter 3: SYSTEM DESIGN. Designing Robots chassis .3 Overall electrical components block diagram .4 Motor controlling circuit. 76 Chapter 5: CONCLUSION AND IMPROVEMENT .2 Recommendations for Improvement.

82 Abbreviations Abbreviation Full Term 2D LiDAR Two-Dimensional Light Detection and Ranging SLAM Simultaneous Localization and Mapping ROS Robot Operating System IMU Inertial Measurement Unit FOV Field of View A* A-star (Pathfinding Algorithm) RRT* Rapidly-exploring Random Tree Star D* Dynamic A* LIDAR Light Detection and Ranging RTK Real-Time Kinematic EKF Extended Kalman Filter VSLAM Visual Simultaneous Localization and Mapping UAV Unmanned Aerial Vehicle GPS Global Positioning System UWB Ultra-Wideband GPU Graphics Processing Unit CPU Central Processing Unit MCU Microcontroller Unit GPIO General Purpose Input/Output ADC Analog-to-Digital Converter DAC Digital-to-Analog Converter PWM Pulse Width Modulation PCB Printed Circuit Board VRM Voltage Regulator Module IC Integrated Circuit MOSFET Metal-Oxide-Semiconductor Field-Effect Transistor I2C Inter-Integrated Circuit SPI Serial Peripheral Interface UART Universal Asynchronous Receiver- Transmitter LED Light Emitting Diode VCC Voltage at the Common Collector GND Ground VDD Voltage at the Drain or Source RTC Real-Time Clock SMPS Switched-Mode Power Supply LDO Low Dropout Regulator R/C Resistor/Capacitor List of figures Figure 2.1: Calculation scheme of the mathematical model [23] .3: Occupancy grid map [15] .4: ROS2 humble distro .6: Publisher and Subscriber [27] .7: Service and Client [28] .1: 2020& 2040 Extrusion aluminum and keel .2: Mecanum wheel& Hex nut .3: 3D model of mobile robot .5: Electrical block diagram .6: 12V 6S 18650 battery with BMs .7: ESP32 dev module .9b: Power supply for ESP32 schematic .9c: H bridge Motor driver schematic .15: Motion control diagram .17: Two types of hall sensor [29] .18: Hall-sensor mount on DC motor [29] .19: Channel of hall sensor [30] .20: Encoder flow chart .21: Six degree of freedom in IMU .22: Logic table of odometry .24: RPLidar A1 working schematic [31] .25: Data description of Lidar [31] .26 : The RPLIDAR A1 Sample Point Data Frames [31] .28: Occupancy grid map [32] .29: State of the cells in occupancy grid [33] .30: Example of a map .32: Position of lidar frame [35] .36: Marking and Clearing cells [35] .38: Mapping flow chart .40; Obstacle judgment of the A* algorithm ([38]) .41a: Evaluation of the next cells [39] .41b: Example of how A* algorithm work [39].43: Path following using way point [41] .44: Path flowing flow chart .1a: Environment without obstacle .1b: Environment with obstacle .2a: Computer setup for mapping.2b: Map when the robot spawn .2c: The map with obstacle after finish mapping process .2d: The map without obstacle after finish mapping process .3a: Setting up the program .3b: Setting the original point.3c: Setting the goal point.3e: Reach the goal. 79 List of Tables Table 3.3: RP LIDAR A1 specs [31]. 52 Abstract This thesis explores the design and implementation of an indoor autonomous robot using a 2D LiDAR sensor for navigation and mapping in dynamic environments. The primary objective of the research is to develop an efficient localization and mapping strategy for the robot, utilizing Simultaneous Localization and Mapping (SLAM) algorithms.

By integrating the 2D LiDAR with a microcontroller and real-time data processing, the robot is able to generate an accurate map of its surroundings while continuously updating its position within that map. The research investigates the performance of various SLAM techniques in indoor environments, focusing on optimizing the robot’s ability to avoid obstacles and navigate autonomously. Key challenges addressed include improving sensor accuracy, handling sensor noise, and minimizing computational load. Additionally, the study evaluates the integration of path planning algorithms, such as A* and RANSAC, to ensure efficient movement and collision-free navigation.

The results demonstrate that the proposed system significantly improves the robot’s navigation precision and responsiveness, with a smoother and more reliable performance in cluttered indoor environments. Keywords: Autonomous Robot, 2D LiDAR, SLAM, Path Planning, Obstacle Avoidance, Localization Chapter 1: INTRODUCTION 1.1 Overview Development Trends: Improved Automation: Recent research emphasizes advancing robot automation to minimize human involvement and achieve higher precision in task execution. These improvements are designed to boost the productivity of industrial processes and machinery. Broad Applications: With the rapid evolution of the industrial revolution, autonomous robots are increasingly essential, not only in manufacturing but also in sectors such as agriculture, transportation, and logistics.

Sensors and Technology: Sensor Technologies: Devices like 2D and 3D LiDAR are instrumental for mapping and avoiding obstacles, while IMUs and encoders facilitate simultaneous localization and odometry. Integration of Multiple Sensors: Emerging trends focus on combining different types of sensors to enhance detection accuracy and environmental awareness. Incorporating sensors such as RGB-D cameras can improve environmental understanding and landmark recognition, leading to more precise localization. Additionally, GPS and Wi-Fi sensors offer enhanced positioning capabilities.

Localization and Mapping: Advanced SLAM Techniques: Research has yielded SLAM methodologies that leverage deep learning to achieve superior object recognition and localization in complex scenarios. 1 Planning and Control: Innovative Planning Algorithms: Efforts are concentrated on developing dynamic algorithms like RRT* and D* to optimize path planning in challenging environments. Adaptive Control Mechanisms: Self-learning approaches, including reinforcement learning, are being implemented to refine robotic movement and decision-making. Research progress in domestic.

In Vietnam, there has been growing research on autonomous robots, especially in the context of 2D LiDAR technology for navigation, mapping, and path planning. Several studies have made significant strides in this domain, particularly focusing on the integration of 2D LiDAR with other sensors and algorithms to enhance robot autonomy. Nguyễn Hải Anh (2023) explored the use of 2D LiDAR for autonomous vehicles in e-commerce warehouses. The study aimed to optimize navigation within confined spaces using 2D LiDAR sensors to map the environment.

The research highlighted the importance of integrating 2D LiDAR with localization algorithms to ensure accurate positioning and obstacle avoidance in dynamic warehouse environments. This approach significantly improved the operational efficiency of autonomous robots, reducing errors and improving path planning. Trần Quốc Tuấn and Nguyễn Thành Tâm (2020) developed path planning algorithms for mobile robots, with a particular focus on the application of 2D LiDAR data for navigation in indoor environments. They optimized algorithms to process the 2D LiDAR data efficiently, addressing challenges such as local minima and deadlock avoidance.

This research contributed to improving the overall navigation capabilities of mobile robots, ensuring safer and more reliable movement in environments with complex layouts. 2 Phạm Thị Lan Hương and Nguyễn Thị Duyên (2023) examined the use of 2D LiDAR for local path planning on ROS platforms, specifically in agricultural settings such as greenhouses. Their study focused on using 2D LiDAR to build accurate local maps, which helped to guide autonomous robots through narrow aisles and obstacles within the agricultural environment. The research provided insights into how local planners can be optimized using LiDAR-based data to ensure safe navigation and effective task completion in real-world scenarios.

Trần Trọng Tiến et al. (2022) investigated the integration of 2D LiDAR with SLAM techniques for mobile robots in confined indoor environments. While their work primarily focused on 3D SLAM, it also highlighted the significant role of 2D LiDAR in the initial stages of mapping and localization. Their work demonstrated how 2D LiDAR could provide real-time data for creating precise 2D maps, which served as a foundation for more complex 3D mapping in cluttered and dynamic spaces.

Phan Hoàng Anh et al. (2020) provided a comprehensive analysis of simultaneous localization and mapping (SLAM) on ROS platforms, with a focus on the use of 2D LiDAR. The study showed how 2D LiDAR can be integrated into ROS-based systems to achieve accurate and efficient SLAM. Their research emphasized the importance of data fusion techniques, combining 2D LiDAR with other sensor data, to improve the overall performance and reliability of autonomous robots in real-world applications.

These studies highlight the increasing importance of 2D LiDAR in the development of autonomous robots, especially in the context of navigation, mapping, and path planning.