Tổng quan nghiên cứu

Trong bối cảnh phát triển nhanh chóng của công nghệ robot dịch vụ, việc nghiên cứu hệ thống định vị và dẫn đường cho robot hoạt động trong môi trường trong nhà trở nên cấp thiết. Theo ước tính, diện tích các không gian trong nhà như văn phòng, bảo tàng, phòng trưng bày ngày càng được ứng dụng robot tự hành để hỗ trợ con người. Tuy nhiên, các hệ thống định vị ngoài trời như GNSS không thể hoạt động hiệu quả trong môi trường trong nhà do sóng vô tuyến bị cản trở. Do đó, hệ thống định vị trong nhà (IPS) với độ chính xác cao, sai số chỉ khoảng ±2cm, trở thành giải pháp tối ưu cho robot di động trong không gian hạn chế.

Mục tiêu nghiên cứu của luận văn là phát triển một hệ thống định vị và dẫn đường mô-đun, kết hợp IPS sử dụng sóng siêu âm tần số cao và robot tạo lập bản đồ TurtleBot, nhằm nâng cao độ chính xác định vị và khả năng lập kế hoạch đường đi trong môi trường trong nhà. Nghiên cứu tập trung vào môi trường phòng trưng bày của Đại học Quốc gia Hà Nội với diện tích khoảng 50 m², nơi có nhiều vật cản tĩnh và động, đòi hỏi robot phải di chuyển linh hoạt, tránh va chạm và dẫn đường chính xác.

Ý nghĩa của nghiên cứu được thể hiện qua việc cải thiện độ chính xác định vị, tăng tính ổn định khi di chuyển, đồng thời giảm chi phí so với các hệ thống cảm biến cao cấp khác. Hệ thống được phát triển có thể mở rộng cho nhiều loại robot và ứng dụng khác nhau, đặc biệt trong lĩnh vực robot hướng dẫn viên trong nhà, góp phần thúc đẩy ứng dụng robot dịch vụ trong đời sống và công nghiệp.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình nghiên cứu sau:

  • Lý thuyết định vị và xây dựng bản đồ đồng thời (SLAM): SLAM là kỹ thuật cho phép robot vừa định vị chính xác vị trí của mình trong môi trường vừa xây dựng bản đồ môi trường đó. Thuật toán Particle Filter (bộ lọc hạt) được sử dụng để xử lý dữ liệu cảm biến Lidar, giúp robot xác định tọa độ và cập nhật bản đồ 2D liên tục.

  • Hệ thống định vị trong nhà (IPS): Sử dụng sóng siêu âm tần số cao kết hợp giao tiếp vô tuyến băng tần ISM để xác định vị trí robot dựa trên độ trễ tín hiệu (Time of Flight - ToF) và thuật toán trilateration trong không gian 2D. IPS cung cấp dữ liệu tọa độ với độ chính xác ±2cm, phù hợp với môi trường trong nhà.

  • Bộ lọc Kalman mở rộng (EKF): Thuật toán EKF được áp dụng để kết hợp dữ liệu từ IPS, cảm biến gia tốc, con quay hồi chuyển và bộ mã hóa bánh xe nhằm lọc nhiễu, tăng độ ổn định và chính xác của dữ liệu định vị.

  • Thuật toán lập kế hoạch đường đi Dijkstra: Thuật toán tìm đường đi ngắn nhất trên bản đồ 2D được sử dụng để tạo đường đi cho robot từ vị trí hiện tại đến điểm đích, đảm bảo tránh vật cản tĩnh và động.

Các khái niệm chính bao gồm: SLAM, IPS, EKF, trilateration, lập kế hoạch đường đi, bánh xe đa hướng (Omni wheel).

Phương pháp nghiên cứu

Nguồn dữ liệu chính bao gồm:

  • Dữ liệu cảm biến Lidar 360° trên robot TurtleBot để xây dựng bản đồ 2D.
  • Dữ liệu tọa độ từ hệ thống IPS Marvelmind với 6 beacon cố định và beacon di động trên robot.
  • Dữ liệu từ cảm biến IMU (MPU6050) gồm gia tốc kế và con quay hồi chuyển.
  • Dữ liệu vận tốc từ bộ mã hóa bánh xe Maxon.

Phương pháp phân tích:

  • Thu thập dữ liệu định vị thô từ IPS và cảm biến nội vi.
  • Áp dụng bộ lọc Kalman mở rộng để xử lý và hợp nhất dữ liệu, giảm nhiễu và sai số.
  • Sử dụng thuật toán Particle Filter trong SLAM để xây dựng và cập nhật bản đồ môi trường.
  • Áp dụng thuật toán Dijkstra để lập kế hoạch đường đi trên bản đồ đã xây dựng.
  • Thiết kế và điều khiển hệ thống di chuyển bánh xe đa hướng dựa trên mô hình động học và thuật toán điều khiển vận tốc từng bánh.

Timeline nghiên cứu kéo dài trong năm 2020, với các giai đoạn: thiết kế hệ thống, chế tạo robot, phát triển phần mềm ROS, thử nghiệm và đánh giá tại phòng trưng bày Đại học Quốc gia Hà Nội.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Độ chính xác định vị IPS: Hệ thống IPS với 6 beacon cố định cung cấp dữ liệu tọa độ robot với sai số dao động khoảng ±20 cm khi robot đứng yên. Sau khi áp dụng bộ lọc Kalman mở rộng, sai số giảm đáng kể, dữ liệu trở nên mượt mà và ổn định hơn, giúp robot di chuyển chính xác và tránh va chạm hiệu quả.

  2. Hiệu quả xây dựng bản đồ bằng TurtleBot: Robot TurtleBot sử dụng cảm biến Lidar 360° và thuật toán Gmapping tạo ra bản đồ 2D chi tiết với độ phân giải cao, phân biệt rõ vùng di chuyển tự do, vật cản tĩnh và khu vực chưa khám phá. Bản đồ tích hợp thêm Costmap2D giúp mở rộng vùng vật cản để đảm bảo an toàn khi di chuyển.

  3. Lập kế hoạch đường đi và tránh vật cản động: Thuật toán Dijkstra tạo đường đi ngắn nhất với tốc độ xử lý khoảng 10 Hz, đáp ứng tốt yêu cầu di chuyển trong môi trường có nhiều vật cản động. Robot sử dụng camera Realsense để phát hiện vật cản di động, cập nhật bản đồ và tái lập kế hoạch đường đi kịp thời, tránh va chạm hiệu quả.

  4. Ứng dụng thực tế robot hướng dẫn viên: Robot được thử nghiệm tại phòng trưng bày 50 m² của Đại học Quốc gia Hà Nội, hoạt động ổn định khi có hơn 10 khách tham quan. Robot di chuyển mượt mà, dẫn đường chính xác và thuyết minh tại từng khu vực trưng bày, thể hiện tính ứng dụng cao của hệ thống.

Thảo luận kết quả

Nguyên nhân chính giúp hệ thống đạt hiệu quả là sự kết hợp giữa IPS với độ chính xác cao và bộ lọc Kalman mở rộng, giúp giảm nhiễu và sai số dữ liệu định vị. Việc sử dụng TurtleBot với thuật toán SLAM cho phép xây dựng bản đồ chi tiết, hỗ trợ lập kế hoạch đường đi chính xác. So với các nghiên cứu chỉ sử dụng cảm biến Lidar hoặc camera, hệ thống này khắc phục được hạn chế về vật cản động và môi trường đông người.

Kết quả so sánh cho thấy dữ liệu định vị sau lọc Kalman ổn định hơn khoảng 30-40% so với dữ liệu thô, giúp robot tránh va chạm hiệu quả hơn. Tốc độ lập kế hoạch đường đi 10 Hz đảm bảo robot có thể phản ứng nhanh với thay đổi môi trường. Hệ thống mô-đun hóa cho phép mở rộng và tích hợp với nhiều loại robot khác nhau, tăng tính linh hoạt và ứng dụng thực tiễn.

Dữ liệu có thể được trình bày qua biểu đồ tọa độ X, Y theo thời gian trước và sau lọc Kalman, bản đồ 2D với vùng vật cản và đường đi, cũng như hình ảnh robot tránh vật cản động trong quá trình di chuyển.

Đề xuất và khuyến nghị

  1. Tăng cường tích hợp cảm biến đa dạng: Kết hợp thêm cảm biến siêu âm, camera RGB-D và cảm biến tiệm cận để nâng cao khả năng nhận diện vật cản động và môi trường phức tạp, cải thiện độ tin cậy của hệ thống định vị và dẫn đường.

  2. Phát triển thuật toán lọc dữ liệu nâng cao: Nghiên cứu và áp dụng các bộ lọc phi tuyến khác như Unscented Kalman Filter (UKF) hoặc Particle Filter để xử lý dữ liệu định vị trong môi trường nhiều nhiễu, tăng độ chính xác và ổn định.

  3. Mở rộng phạm vi ứng dụng: Triển khai hệ thống cho các loại robot có kích thước và hình dạng khác nhau, đồng thời thử nghiệm trong các môi trường trong nhà đa dạng như bệnh viện, sân bay, nhà máy để đánh giá tính thích nghi và hiệu quả.

  4. Tối ưu hóa phần mềm điều khiển: Cải tiến thuật toán lập kế hoạch đường đi để giảm thời gian tính toán, đồng thời phát triển hệ thống phản hồi người dùng trực quan qua giao diện điều khiển từ xa, nâng cao trải nghiệm vận hành.

Các giải pháp trên nên được thực hiện trong vòng 1-2 năm tới, với sự phối hợp giữa nhóm nghiên cứu, nhà sản xuất robot và các đơn vị ứng dụng thực tế nhằm đảm bảo tính khả thi và hiệu quả.

Đối tượng nên tham khảo luận văn

  1. Nhà nghiên cứu và sinh viên ngành robot và tự động hóa: Luận văn cung cấp kiến thức chuyên sâu về hệ thống định vị trong nhà, SLAM, bộ lọc Kalman và lập kế hoạch đường đi, hỗ trợ phát triển các đề tài nghiên cứu liên quan.

  2. Kỹ sư phát triển robot dịch vụ: Tham khảo để thiết kế và tích hợp hệ thống định vị và dẫn đường cho robot hoạt động trong môi trường trong nhà, đặc biệt là robot hướng dẫn viên, robot vận chuyển.

  3. Doanh nghiệp sản xuất và ứng dụng robot: Áp dụng mô hình mô-đun và giải pháp kỹ thuật trong luận văn để phát triển sản phẩm robot có khả năng di chuyển tự động, tăng tính cạnh tranh và hiệu quả sử dụng.

  4. Quản lý và vận hành các không gian công cộng trong nhà: Hiểu rõ về công nghệ robot tự hành và hệ thống định vị để triển khai robot hỗ trợ trong bảo tàng, phòng trưng bày, sân bay, bệnh viện, nâng cao chất lượng dịch vụ và trải nghiệm khách hàng.

Câu hỏi thường gặp

  1. Hệ thống định vị trong nhà IPS hoạt động như thế nào?
    IPS sử dụng mạng lưới beacon siêu âm cố định và beacon di động trên robot. Vị trí được xác định dựa trên độ trễ tín hiệu siêu âm (ToF) giữa các beacon, áp dụng thuật toán trilateration để tính tọa độ chính xác trong không gian 2D.

  2. Tại sao cần sử dụng bộ lọc Kalman mở rộng (EKF)?
    Dữ liệu định vị thô từ IPS và cảm biến thường bị nhiễu và dao động. EKF kết hợp dữ liệu từ nhiều cảm biến, lọc nhiễu và ước lượng trạng thái chính xác hơn, giúp robot di chuyển ổn định và tránh va chạm hiệu quả.

  3. Robot sử dụng thuật toán gì để lập kế hoạch đường đi?
    Thuật toán Dijkstra được sử dụng để tìm đường đi ngắn nhất trên bản đồ 2D đã xây dựng, đảm bảo robot di chuyển từ vị trí hiện tại đến điểm đích một cách tối ưu và tránh vật cản.

  4. Làm thế nào robot tránh được vật cản động trong quá trình di chuyển?
    Robot trang bị camera Realsense thu thập dữ liệu chiều sâu, phát hiện vật cản động như người. Dữ liệu này được cập nhật vào bản đồ, thuật toán lập kế hoạch đường đi sẽ tái tính toán để tránh vật cản kịp thời.

  5. Hệ thống có thể áp dụng cho các loại robot khác không?
    Hệ thống được thiết kế mô-đun, dễ dàng mở rộng và tích hợp với nhiều loại robot có hình dạng và kích thước khác nhau, phù hợp với nhiều ứng dụng trong môi trường trong nhà.

Kết luận

  • Hệ thống định vị và dẫn đường kết hợp IPS và robot TurtleBot đã được phát triển thành công, cung cấp độ chính xác định vị ±2cm và khả năng lập kế hoạch đường đi hiệu quả trong môi trường trong nhà.
  • Bộ lọc Kalman mở rộng giúp giảm nhiễu dữ liệu định vị, nâng cao độ ổn định và an toàn khi robot di chuyển.
  • Robot hướng dẫn viên thử nghiệm tại phòng trưng bày Đại học Quốc gia Hà Nội hoạt động ổn định, đáp ứng tốt yêu cầu di chuyển và tương tác với khách tham quan.
  • Hệ thống được thiết kế mô-đun, có thể mở rộng và tích hợp cho nhiều loại robot và ứng dụng khác nhau trong tương lai.
  • Đề xuất tiếp tục phát triển cảm biến đa dạng, thuật toán lọc nâng cao và tối ưu hóa phần mềm để nâng cao hiệu quả và phạm vi ứng dụng.

Hành động tiếp theo: Triển khai thử nghiệm mở rộng trong các môi trường phức tạp hơn, đồng thời phát triển giao diện điều khiển và giám sát từ xa để nâng cao trải nghiệm người dùng và hiệu quả vận hành robot.