Bối cảnh và vấn đề nghiên cứu

Sự gia tăng tỷ lệ người cao tuổi trên phạm vi toàn cầu, đặc biệt tại các nền kinh tế phát triển, đang tạo ra nhu cầu cấp thiết về các giải pháp kỹ thuật hỗ trợ sinh hoạt hàng ngày. Trong hoạt động mua sắm tại các siêu thị và trung tâm thương mại lớn, việc mang xách giỏ hàng hoặc đẩy các xe mua sắm truyền thống gây ra gánh nặng thể chất đáng kể đối với người cao tuổi và những người có khả năng vận động hạn chế. Khảo sát thực tế không gian siêu thị cho thấy các lối đi giữa kệ hàng thường có bề rộng dao động trong khoảng từ 1,0 m đến 1,5 m, đòi hỏi phương tiện hỗ trợ phải có kích thước nhỏ gọn và bán kính quay vòng linh hoạt.

Từ thực tiễn đó, đề tài tập trung vào việc nghiên cứu, thiết kế và chế tạo xe tự hành AGV (Automated Guided Vehicle) đóng vai trò như một robot dịch vụ chở hàng có khả năng nhận diện và bám theo người mua sắm. Mục tiêu nghiên cứu của đồ án được xác định cụ thể qua bốn nội dung:

  1. Nghiên cứu và hiểu rõ hơn về nhu cầu, yêu cầu đặc biệt của người gặp khó khăn trong việc di chuyển hàng hóa trong siêu thị và nhu cầu về sự tiện lợi cho người mua khi mua sắm.
  2. Xây dựng hệ thống cơ khí của robot, hệ thống điện điều khiển, xử lý dữ liệu từ camera, giúp robot nhận biết người.
  3. Tạo ra một giải pháp thông minh, an toàn và tiện lợi cho việc vận chuyển hàng hóa trong siêu thị.
  4. Thực nghiệm và đưa ra kết quả, định hướng phát triển cho đề tài.

Đối tượng nghiên cứu của đề tài là nhóm khách hàng mua sắm, trọng tâm là người lớn tuổi và những người bị hạn chế về khả năng vận chuyển đồ đạc trong siêu thị. Phạm vi nghiên cứu giới hạn ở việc chế tạo một robot tự hành hoạt động trên bề mặt sàn gạch bằng phẳng, trong môi trường trong nhà có điều kiện chiếu sáng tốt. Robot được thiết kế để theo dõi đối tượng người dùng mặc trang phục chuyên dụng có màu sắc xác định trước. Về mặt an toàn, phạm vi đề tài tập trung vào việc phát hiện chướng ngại vật ở cự ly gần để phát cảnh báo hoặc dừng xe nhằm tránh va chạm, chưa bao gồm giải thuật tự động quy hoạch quỹ đạo né vật cản, đồng thời chưa tích hợp tính năng tự quay về trạm sạc tự động.

Cơ sở lý thuyết và phương pháp

Đồ án xây dựng trên nền tảng tích hợp liên ngành giữa cơ học truyền động, điện tử điều khiển tự động và thị giác máy tính. Về cơ cấu chuyển động, tác giả phân tích và lựa chọn cơ cấu truyền động vi sai (differential drive) với hai bánh dẫn động độc lập và các bánh tự do đa hướng. Cơ cấu này cho phép điều chỉnh hướng di chuyển linh hoạt thông qua việc thay đổi tỷ số tốc độ giữa hai bánh chủ động mà không cần cơ cấu lái phức tạp.

Trong lĩnh vực thị giác máy tính và xử lý ảnh, nghiên cứu khai thác hệ thống không gian màu RGB để phân tích đặc trưng màu sắc phục vụ phân loại người dùng. Bài toán phát hiện đối tượng (Object Detection) được xây dựng dựa trên kiến trúc mạng nơ-ron tích chập SSD (Single Shot MultiBox Detector) kết hợp mô hình nền MobileNetV2 (retrain trên tập dữ liệu COCO). Kiến trúc SSD sử dụng các khung mặc định (default boxes) ở nhiều tỷ lệ khung hình (aspect ratio) khác nhau trên các bản đồ đặc trưng (feature maps) để dự đoán tọa độ khung bao (bounding box) và độ tin cậy của lớp đối tượng, tối ưu hóa đồng thời hàm mất mát định vị (localization loss qua hàm Smooth L1) và hàm mất mát phân loại (confidence loss qua hàm Softmax).

Về kỹ thuật thu nhận dữ liệu không gian ba chiều, tác giả khảo sát các công nghệ camera 3D gồm Stereo camera, Time-of-Flight (ToF) và Structured Light camera. Nghiên cứu sử dụng camera Microsoft Kinect v2 hoạt động theo nguyên lý ToF (đo thời gian phản xạ của tia hồng ngoại với sai số khoảng 1 cm) để thu nhận đồng thời dữ liệu màu RGB và ma trận độ sâu (Depth), từ đó trích xuất thông tin khoảng cách và góc lệch của mục tiêu.

Hệ thống điều khiển kín sử dụng thuật toán điều khiển tỉ lệ - tích phân (PI) để ổn định vận tốc động cơ truyền động, loại bỏ sai số xác lập và bảo đảm độ ổn định khi xe mang tải. Phần mềm trung gian Robot Operating System (ROS) được triển khai trên máy tính nhúng, vận hành theo kiến trúc hướng nút (node-based) giao tiếp bất đồng bộ qua các chủ đề (topic) và thông điệp (message), bảo đảm khả năng đồng bộ dữ liệu giữa các tiến trình xử lý ảnh và khối điều khiển chấp hành.

Phương pháp nghiên cứu kết hợp giữa:

  • Phương pháp phân tích tài liệu và kế thừa các nghiên cứu trong và ngoài nước.
  • Phương pháp tính toán lý thuyết cơ học (tính chọn công suất động cơ, kiểm nghiệm bộ truyền đai răng, tính toán nội lực và dung sai trục).
  • Phương pháp thực nghiệm mô phỏng và nhận dạng hệ thống (sử dụng công cụ System Identification Tool trong MATLAB để xác định hàm truyền động cơ).
  • Phương pháp chế tạo nguyên mẫu và đánh giá thực nghiệm từng khối chức năng.

Dữ liệu nghiên cứu bao gồm tập dữ liệu hình ảnh người từ COCO dataset, dữ liệu cảm biến đo sâu và hình ảnh thực tế từ camera Kinect v2, cùng các thông số phản hồi vận tốc từ encoder động cơ.

Thiết kế và triển khai hệ thống kỹ thuật

Hệ thống robot được thiết kế tổng thể theo cấu trúc ba phân hệ chính: cơ khí, điện - điều khiển, và thuật toán thị giác máy tính.

Hạng mục kỹ thuật Thông số / Linh kiện lựa chọn Chức năng kỹ thuật
Kích thước phủ bì $430 \times 480 \times 480\text{ mm}$ Phù hợp di chuyển trong lối đi siêu thị từ $1,0 - 1,5\text{ m}$
Tấm đế chịu lực Thép SS400, kích thước $460 \times 410 \times 3\text{ mm}$ Gia công cắt CNC laser, tạo khung sàn chịu lực chính
Khung đỡ và nắp Nhôm định hình $20 \times 20\text{ mm}$; mica $370 \times 270 \times 2\text{ mm}$ Đỡ giỏ hàng, che chắn bảo vệ thiết bị điện
Tải trọng và vận tốc Tải trọng tối đa $50\text{ kg}$; Vận tốc tối đa $v = 1\text{ m/s}$ Vận chuyển hàng hóa tương đương tốc độ đi bộ $0,7 - 1\text{ m/s}$
Động cơ chấp hành Động cơ DC Servo Planet $12-24\text{VDC}$, $30\text{W}$, $600\text{ rpm}$ Hộp số hành tinh $1/19,2$, mô men $9500\text{ gf.cm}$, encoder 12 xung
Bộ truyền trung gian Bộ truyền đai răng, tỷ số truyền $u = 2$ Tăng mô men kéo; puly $Z_1 = 20$, $Z_2 = 40$ răng; bước đai $p = 5\text{ mm}$
Bánh xe dẫn động Bánh cao su đường kính $d_{xe} = 145\text{ mm}$ Tăng độ bám đường trên bề mặt sàn gạch trơn nhẵn
Cảm biến thị giác Camera Microsoft Kinect v2 Thu nhận ảnh màu RGB và dữ liệu độ sâu ToF
Khối xử lý trung tâm Jetson Nano Developer Kit ($4\text{GB}$) Chạy hệ điều hành ROS, xử lý mạng SSD-MobileNetV2
Khối điều khiển động cơ Vi điều khiển STM32 kết hợp mạch cầu H Đọc tín hiệu encoder, băm xung PWM thực thi bộ điều khiển PI
Nguồn điện hệ thống Ắc quy Eagle $12\text{V } 5\text{Ah}$, pin sạc dự phòng, hạ áp DC-DC Cung cấp nguồn riêng biệt cho tải động lực và mạch điều khiển

Hệ thống cơ khí được tính toán xuất phát từ phương trình động lực học kéo xe trên sàn gạch phẳng (hệ số ma sát lăn tham khảo $f = 0,01$). Với tổng khối lượng $50\text{ kg}$, lực kéo yêu cầu xấp xỉ $30\text{ N}$. Sau khi tính đến hiệu suất của bộ truyền đai răng ($\eta_đ = 0,95$) và các cặp ổ lăn ($\eta_{ol} = 0,99$), công suất cần thiết tính toán cho mỗi động cơ là $P \ge 15,95\text{ W}$. Nhóm nghiên cứu lựa chọn động cơ DC Planet công suất $30\text{W}$ kết hợp bộ giảm tốc đai răng tỷ số truyền $u = 2$ để truyền động tới trục bánh xe inox 304.

Hệ thống điện được phân tầng rõ rệt: máy tính nhúng Jetson Nano đóng vai trò bộ xử lý cấp cao (Master), giao tiếp với vi điều khiển STM32 (Slave). Jetson Nano tiếp nhận luồng hình ảnh từ camera Kinect v2, thực thi node xử lý ảnh process_img để định vị người thông qua mô hình SSD-MobileNetV2 và trích xuất tọa độ không gian 3D. Dữ liệu độ sâu tại vị trí khung bao được chuyển tiếp sang node data_processing để tính toán khoảng cách $d$ và góc lệch $\alpha$ giữa người và trục đối xứng của robot. Từ đó, giải thuật dẫn hướng phát lệnh vận tốc dài và vận tốc góc qua giao tiếp nối tiếp tới STM32. Vi điều khiển STM32 thực hiện thuật toán PI tốc độ kín, phát xung PWM điều khiển mạch công suất cầu H để dẫn động độc lập hai bánh xe, đảm bảo xe duy trì khoảng cách bám an toàn.

Nội dung chính theo từng chương

CHƯƠNG 1: GIỚI THIỆU

Chương này thiết lập tính cấp thiết của việc áp dụng xe AGV làm xe đẩy thông minh trong bán lẻ nhằm phục vụ người cao tuổi và người suy giảm khả năng vận động. Tác giả trình bày ý nghĩa khoa học trong việc kết hợp đa ngành (cơ khí, điện tử, xử lý ảnh và hệ thống nhúng) và ý nghĩa thực tiễn nâng cao chất lượng dịch vụ mua sắm. Mục tiêu nghiên cứu được cụ thể hóa thành 4 nhiệm vụ kỹ thuật. Đối tượng và phạm vi nghiên cứu được xác định rõ: xe hoạt động trên sàn gạch phẳng siêu thị, nhận diện bám theo người dùng mặc áo chuyên dụng, giới hạn tải trọng $50\text{ kg}$, chỉ dừng hoặc cảnh báo khi có vật cản và không có cơ chế tự sạc. Phương pháp luận nghiên cứu gồm nghiên cứu tài liệu, thiết kế mô phỏng và thực nghiệm kiểm chứng.

CHƯƠNG 2: TỔNG QUAN NGHIÊN CỨU ĐỀ TÀI

Chương 2 tổng hợp bức tranh toàn cảnh về xu hướng robot dịch vụ trên thế giới và tại Việt Nam. Tác giả phân tích các mô hình robot dịch vụ thương mại như robot WiiGo Retail (Bồ Đào Nha - giỏ hàng tự điều khiển thử nghiệm tại hệ thống siêu thị Les Mousquetaires, Auchan), robot phục vụ bàn BellaBot và PuduBot (nặng $30\text{ kg}$, chở $10\text{ kg}$/khay, pin hoạt động liên tục $24\text{ giờ}$), robot giao hàng Starship, Robotic Shopping Cart của Five Elements Robotics và robot giỏ hàng ELI (hỗ trợ điều hướng, nhận dạng giọng nói, quét vị trí đỗ xe). Đối với nghiên cứu trong nước, tác giả phân tích mô hình Followbot của sinh viên Trường Đại học Sư phạm Kỹ thuật TP.HCM (kích thước $506 \times 466 \times 680\text{ mm}$, khối lượng $18,5\text{ kg}$, vận tốc tối đa $0,7\text{ m/s}$, tải trọng $15\text{ kg}$), chỉ ra các điểm cần hoàn thiện về khả năng phân biệt đối tượng và phân chia hệ thống điều khiển.

CHƯƠNG 3: CƠ SỞ LÝ THUYẾT

Chương này trình bày các lý thuyết nền tảng phục vụ thiết kế:

  • So sánh các cơ cấu di động AGV: cơ cấu hai bánh vi sai, cơ cấu điều khiển vô lăng (dùng cho xe 3 bánh, xe nâng), và cơ cấu lái kết hợp; qua đó chứng minh tính tối ưu của cơ cấu vi sai trên sàn phẳng.
  • Cơ sở xử lý ảnh 2D trên không gian màu RGB và phân biệt ba cấp độ bài toán thị giác máy: phân loại ảnh (Classification), định vị đối tượng (Localization) và phát hiện đối tượng (Object Detection).
  • Kiến trúc mạng phát hiện đối tượng SSD (Single Shot MultiBox Detector): cơ chế tạo default boxes trên các feature maps, tính toán chỉ số giao thoa trên diện tích kết hợp (Intersection over Union - IoU), và tối ưu hàm mất mát định vị (Smooth L1) cùng hàm mất mát độ tin cậy. Đánh giá các mạng trích xuất đặc trưng (VGG16, ResNet50, InceptionV3, MobileNetV2) và lựa chọn MobileNetV2 vì kích thước gọn nhẹ, sử dụng tích chập tách biệt theo chiều sâu (depthwise separable convolution), tương thích tối ưu với tài nguyên phần cứng Jetson Nano.
  • Tổng quan các công nghệ camera 3D (Stereo, ToF, Structured Light) và cấu trúc dữ liệu đám mây điểm (Point Cloud) cùng ảnh màu kết hợp độ sâu (RGB-D).
  • Lý thuyết điều khiển PID vòng kín và tác động của các khâu P, I, D lên đáp ứng sai số hệ thống.
  • Kiến trúc hệ điều hành robot ROS: các khái niệm nền tảng bao gồm Node, Topic, Message, Service, Package, Launch file và vai trò quản lý truyền thông của Roscore.

CHƯƠNG 4: CÁC GIẢI PHÁP THỰC HIỆN ĐỀ TÀI VÀ TÍNH TOÁN THIẾT KẾ HỆ THỐNG CƠ KHÍ

Chương 4 tập trung vào quá trình hiện thực hóa kết cấu cơ khí. Tác giả so sánh hai phương án thiết kế phần cứng:

  • Phương án 1: Sử dụng camera Kinect v2, phân loại màu áo, vi điều khiển STM32 và Jetson Nano 4GB.
  • Phương án 2: Sử dụng camera Intel RealSense D435i, cảm biến LiDAR, thuật toán tracking nhận diện khuôn mặt/dáng người không phụ thuộc màu áo.

Nhóm tác giả quyết định chọn Phương án 1 nhằm bảo đảm tính khả thi về kinh phí và thời gian thực hiện.

Nội dung tính toán kỹ thuật bao gồm:

  • Tính toán động lực học kéo xe: khối lượng $50\text{ kg}$, vận tốc $v = 1\text{ m/s}$, đường kính bánh dẫn động $145\text{ mm}$, suy ra số vòng quay bánh xe $n_{bx} = 127,3\text{ rpm}$.
  • Xác định công suất động cơ làm việc $P \ge 15\text{ W}$, công suất tiêu hao qua bộ truyền $\approx 0,95\text{ W}$, từ đó chọn động cơ DC Planet 24VDC 60W (thực tế sử dụng bản 30W, hộp số $1/19,2$, tốc độ ngõ ra $600\text{ rpm}$, mô men xoắn $9500\text{ gf.cm}$).
  • Thiết kế bộ truyền đai răng: chọn tỷ số truyền $u = 2$, mô đun $m = 1,5\text{ mm}$, bước đai sơ bộ $p = 4,71\text{ mm}$, số răng đĩa nhỏ $Z_1 = 20$, số răng đĩa lớn $Z_2 = 40$, chiều dài đai tiêu chuẩn $L = 380\text{ mm}$, khoảng cách trục $a = 95\text{ mm}$. Bảng thông số thực tế sử dụng đai bước $p = 5\text{ mm}$, bề rộng bánh răng $B = 9\text{ mm}$.
  • Kết cấu khung vỏ: đế thép SS400 dày $3\text{ mm}$ ($460 \times 410\text{ mm}$) gia công CNC laser, nắp mica dày $2\text{ mm}$ ($370 \times 270\text{ mm}$), khung nhôm định hình $20 \times 20\text{ mm}$, trục đặc inox 304.
  • Thiết lập phương trình động học chuyển động thẳng và chuyển động quay vòng quanh tâm quay tức thời (ICR).

CHƯƠNG 5: TÍNH TOÁN THIẾT KẾ HỆ THỐNG ĐIỆN VÀ THIẾT KẾ BỘ PI CHO ĐỘNG CƠ

Chương 5 thiết lập sơ đồ khối kết nối phần cứng và xây dựng giải thuật điều khiển tốc độ:

  • Phân tích khối cảm biến (camera Kinect v2), khối xử lý dữ liệu chính (Jetson Nano), khối điều khiển cấp thấp (STM32), và cơ cấu chấp hành (động cơ DC Servo Planet tích hợp encoder gia tăng 12 xung, mạch cầu H công suất).
  • Phân phối nguồn: ắc quy chì-gel Eagle Thái Lan 12V 5Ah, pin sạc dự phòng 15000 mAh cấp cho board mạch nhúng, mô đun hạ áp DC-DC hạ áp xuống 5V 5A cấp cho vi điều khiển và cảm biến.
  • Thu thập dữ liệu thực nghiệm thay đổi tốc độ động cơ theo thời gian tương ứng với mức điện áp cấp $24,3\text{VDC}$.
  • Ứng dụng công cụ System Identification Tool trong môi trường MATLAB để nhận dạng hàm truyền tương đối của động cơ dẫn động bên trái và bên phải.
  • Thiết lập và tinh chỉnh thông số bộ điều khiển tỉ lệ - tích phân (PI) cho từng động cơ, bảo đảm triệt tiêu sai số vận tốc khi xe vận hành mang tải.

CHƯƠNG 6: XÂY DỰNG THUẬT TOÁN XỬ LÝ ẢNH

Chương 6 xây dựng luồng phần mềm thị giác máy tính tích hợp trên nền ROS:

  • Khởi tạo node process_img: tiếp nhận luồng dữ liệu hình ảnh màu và dữ liệu độ sâu từ driver của camera Kinect v2.
  • Áp dụng mô hình SSD-MobileNetV2 để nhận diện người trong khung hình và trích xuất tọa độ bounding box.
  • Triển khai khối phân loại màu sắc ("Classifier"): kiểm tra giá trị màu RGB trên vùng áo của đối tượng phát hiện được để xác định chính xác người dùng mục tiêu, loại bỏ các đối tượng người xung quanh.
  • Khai thác dữ liệu độ sâu ToF tại tâm bounding box để tính toán cự ly thực tế giữa robot và người dùng.
  • Tính toán góc lệch tâm $\alpha$ giữa vị trí người và trục quang học trung tâm của robot dựa trên mô hình hình học phép chiếu 3D.
  • Thiết lập node data_processing: xử lý dữ liệu khoảng cách và góc lệch, đưa ra tín hiệu đặt vận tốc tuyến tính và vận tốc góc, điều khiển robot duy trì khoảng cách ổn định theo sau người sử dụng.

CHƯƠNG 7: THỰC NGHIỆM VÀ ĐÁNH GIÁ

Chương 7 trình bày các kịch bản kiểm nghiệm thực tế trên mô hình nguyên mẫu:

  • Đánh giá chất lượng gia công cơ khí: độ cứng vững của đế thép SS400, khả năng chịu tải trọng của khung nhôm định hình và độ chính xác ăn khớp của bộ truyền đai răng.
  • Kiểm nghiệm đáp ứng của bộ điều khiển PI tốc độ động cơ trong hai trường hợp: chạy không tải và chạy có tải thực tế; kết quả cho thấy hệ thống bám tốt giá trị vận tốc đặt, đáp ứng nhanh và ổn định.
  • Thử nghiệm chức năng thị giác máy qua bốn kịch bản:
    1. Nhận diện người đơn lẻ trong không gian mở.
    2. Phân loại và nhận diện người mặc áo có màu sắc quy định.
    3. Xử lý nhận dạng khi xuất hiện thêm người khác di chuyển qua lại trong khung hình (robot không bị đổi đối tượng bám).
    4. Duy trì trạng thái nhận dạng khi người dùng thay đổi tư thế (cúi người xuống kệ hàng để lấy đồ).
  • Đánh giá khả năng di chuyển đồng bộ của toàn hệ thống khi chạy bám theo người dùng trên sàn thực nghiệm.

Kết quả và đóng góp

Nghiên cứu đã hoàn thành việc chế tạo một nguyên mẫu xe AGV chở hàng dịch vụ với các thông số kỹ thuật và kết quả thực nghiệm được ghi nhận trong văn bản:

  • Hoàn thiện hệ thống cơ khí xe đẩy tự hành có kích thước $430 \times 480 \times 480\text{ mm}$, sử dụng đế thép SS400 cắt laser và khung nhôm định hình $20 \times 20\text{ mm}$, tải trọng vận chuyển thiết kế đạt $50\text{ kg}$.
  • Ứng dụng thành công hệ thống truyền động vi sai thông qua hai động cơ DC Servo Planet công suất $30\text{W}$ kết hợp bộ truyền đai răng giảm tốc tỷ số truyền $u = 2$, đạt vận tốc di chuyển tối đa $1\text{ m/s}$ ($3,6\text{ km/h}$).
  • Nhận dạng thành công mô hình toán học của động cơ bằng công cụ System Identification Tool trong MATLAB, thiết kế bộ điều khiển PI bảo đảm đáp ứng tốc độ ổn định cho cả hai bánh xe trong điều kiện có tải và không tải.
  • Triển khai thành công kiến trúc phần mềm trên nền ROS với máy tính nhúng Jetson Nano $4\text{GB}$, tích hợp mô hình SSD-MobileNetV2 kết hợp camera đo sâu Kinect v2. Hệ thống nhận dạng chính xác người dùng thông qua màu áo chuyên dụng, trích xuất cự ly và góc lệch $\alpha$ để điều khiển xe bám theo người liên tục trong các tình huống đi thẳng, rẽ vòng và khi người dùng cúi xuống lấy hàng.
  • So với các nghiên cứu tương tự trong nước (như mô hình Followbot có kích thước $506 \times 466 \times 680\text{ mm}$, nặng $18,5\text{ kg}$, tải trọng $15\text{ kg}$), đồ án đã nâng tải trọng thiết kế lên $50\text{ kg}$, đồng thời giải quyết bài toán phân biệt đối tượng bám thông qua sự kết hợp giữa mô hình học sâu và lọc màu trang phục.

Các giải pháp và kiến nghị nâng cấp do tác giả đề xuất gồm:

  • Nâng cấp phần cứng máy tính nhúng để có đủ tài nguyên tính toán cho các thuật toán theo dõi (tracking) đối tượng chuyên sâu, xử lý tình huống mất dấu mục tiêu mà không cần dựa vào màu áo chuyên dụng.
  • Tích hợp cảm biến LiDAR quét 2D/3D phục vụ bài toán xây dựng bản đồ (SLAM), hỗ trợ tự động né tránh chướng ngại vật linh hoạt thay vì chỉ dừng lại khi gặp vật cản.
  • Bổ sung chức năng tự định vị quay về điểm xuất phát và tự động sạc pin sau khi hoàn thành phiên làm việc.
  • Cải tiến thiết kế kiểu dáng công nghiệp và nắp che cơ khí để nâng cao tính thẩm mỹ và độ thân thiện với người tiêu dùng.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế chính của đề tài xuất phát từ các giới hạn phần cứng và phạm vi đã khoanh vùng:

  • Robot còn phụ thuộc vào việc người dùng phải mặc trang phục có dải màu chuyên dụng xác định trước; hiệu quả nhận diện màu sắc dễ bị biến đổi dưới các điều kiện nguồn sáng phức tạp hoặc khi có sự trùng lặp màu áo trong đám đông.
  • Nền tảng máy tính nhúng Jetson Nano 4GB có năng lực tính toán giới hạn, chưa đủ khả năng thực thi đồng thời các giải thuật visual tracking đa đối tượng nâng cao ở tốc độ khung hình cao.
  • Khả năng xử lý vật cản còn đơn giản: robot mới chỉ dừng lại hoặc đưa ra cảnh báo cự ly gần chứ chưa thể tự động quy hoạch quỹ đạo để né tránh vật cản động.
  • Chưa tích hợp tính năng tự hành quay về trạm sạc và định vị toàn cục trong không gian siêu thị.

Hướng nghiên cứu tiếp theo được tác giả định hướng:

  • Thay thế hoặc nâng cấp bộ xử lý nhúng để tích hợp các thuật toán bám người (person tracking) tiên tiến, cho phép bám theo đặc trưng nhân trắc học của bất kỳ người dùng nào mà không cần mặc áo chuyên dụng.
  • Tích hợp cảm biến LiDAR và thuật toán điều hướng tự động để robot quét bản đồ môi trường, tự quy hoạch đường đi né vật cản và tự tìm về dock sạc pin sau khi khách hàng sử dụng xong.
  • Hoàn thiện kiểu dáng công nghiệp của phần vỏ cơ khí nhằm tăng tính thẩm mỹ và độ an toàn khi tương tác trực tiếp với con người trong không gian công cộng.

Giá trị tham khảo

Đồ án là tài liệu tham khảo hữu ích cho sinh viên, học viên kỹ thuật thuộc các chuyên ngành Kỹ thuật Cơ điện tử, Kỹ thuật Điều khiển và Tự động hóa, Robot và Hệ thống thông minh, cũng như Kỹ thuật Máy tính. Các kỹ sư và nhóm nghiên cứu đang phát triển robot dịch vụ, xe tự hành AGV hoặc hệ thống thị giác máy tính nhúng có thể tham khảo nhiều nội dung cụ thể:

  • Phương pháp tính toán cơ học truyền động: quy trình tính chọn công suất động cơ dẫn động vi sai dựa trên lực cản lăn, phương pháp thiết kế và kiểm nghiệm bộ truyền đai răng chịu tải.
  • Kỹ thuật điều khiển tự động thực hành: quy trình thu thập dữ liệu đáp ứng thực nghiệm để nhận dạng hàm truyền động cơ DC bằng System Identification Tool trong MATLAB và phương pháp cài đặt bộ điều khiển PI trên vi điều khiển STM32.
  • Kiến trúc tích hợp hệ thống thị giác nhúng trên ROS: cách thức tổ chức các ROS node (process_img, data_processing), thu nhận dữ liệu không gian 3D từ camera Kinect v2 và triển khai mô hình mạng SSD-MobileNetV2 trên board mạch nhúng Jetson Nano.

Câu hỏi thường gặp

1. Robot sử dụng cơ cấu di động nào và nguyên nhân nhóm nghiên cứu lựa chọn cơ cấu đó?
Robot sử dụng cơ cấu truyền động hai bánh vi sai độc lập kết hợp với các bánh xe tự do đa hướng. Cơ cấu này được lựa chọn vì tính linh hoạt cao, cho phép robot quay vòng với bán kính nhỏ trên bề mặt sàn gạch bằng phẳng của siêu thị, dễ dàng điều khiển chuyển hướng thông qua việc thay đổi tỷ số vận tốc giữa hai động cơ dẫn động mà không cần bố trí thêm cơ cấu cơ khí lái phức tạp như hệ thống lái vô lăng.

2. Nhóm tác giả giải quyết bài toán phân biệt người dùng cần bám theo bằng phương pháp nào?
Do máy tính nhúng Jetson Nano 4GB có giới hạn về tài nguyên phần cứng, nhóm nghiên cứu không sử dụng các thuật toán tracking phức tạp mà kết hợp mô hình SSD-MobileNetV2 (retrain trên tập dữ liệu COCO) để xác định vị trí khung bao của người, sau đó sử dụng thuật toán phân loại dải màu RGB trên vùng áo để nhận diện người mặc áo chuyên dụng được quy định trước.

3. Camera Microsoft Kinect v2 đóng vai trò kỹ thuật gì trong hệ thống robot?
Camera Kinect v2 là cảm biến thị giác chính hoạt động theo nguyên lý Time-of-Flight (ToF). Thiết bị này cung cấp đồng thời luồng hình ảnh màu RGB để mạng nơ-ron nhận dạng người, và luồng dữ liệu độ sâu (Depth) với sai số khoảng 1 cm để đo chính xác khoảng cách $d$ cùng góc lệch $\alpha$ giữa tâm người dùng và robot, làm cơ sở tính toán lệnh điều khiển bám đuôi.

4. Khối điều khiển điện tử của robot được phân chia kiến trúc như thế nào giữa các vi xử lý?
Hệ thống điều khiển được phân tầng thành hai khối: máy tính nhúng Jetson Nano đóng vai trò bộ xử lý cấp cao (chạy hệ điều hành ROS, giao tiếp camera Kinect v2, chạy mô hình xử lý ảnh SSD-MobileNetV2 và thuật toán dẫn hướng), sau đó gửi lệnh vận tốc qua giao tiếp nối tiếp tới vi điều khiển STM32 đóng vai trò điều khiển cấp thấp (đọc tín hiệu encoder, thực thi thuật toán PI vòng kín và phát xung PWM tới mạch cầu H dẫn động hai động cơ).

5. Các thông số vận hành cơ bản về tải trọng, kích thước và vận tốc của xe được thiết kế là bao nhiêu?
Robot có kích thước tổng thể $430 \times 480 \times 480\text{ mm}$, tải trọng thiết kế tối đa đạt $50\text{ kg}$ (bao gồm trọng lượng bản thân xe và hàng hóa), và vận tốc di chuyển tối đa được giới hạn ở mức $1\text{ m/s}$ (tương đương $3,6\text{ km/h}$), hoàn toàn phù hợp với tốc độ đi bộ thông thường của con người trong siêu thị ($0,7 - 1\text{ m/s}$).

Kết luận

Đồ án đã nghiên cứu, thiết kế và chế tạo thành công nguyên mẫu xe tự hành AGV hai bánh vi sai ứng dụng xử lý ảnh hỗ trợ vận chuyển hàng hóa cho người mua sắm trong siêu thị. Hệ thống kết hợp đồng bộ giữa kết cấu cơ khí bằng thép SS400 và nhôm định hình, hệ thống điều khiển vận tốc kín PI trên vi điều khiển STM32, cùng nền tảng xử lý thị giác máy tính SSD-MobileNetV2 tích hợp dữ liệu độ sâu từ camera Kinect v2 trên máy tính nhúng Jetson Nano vận hành hệ điều hành ROS. Kết quả thực nghiệm khẳng định robot có khả năng bám theo người mặc trang phục quy định một cách ổn định trên mặt sàn phẳng ở vận tốc tối đa $1\text{ m/s}$ với tải trọng $50\text{ kg}$. Đây là cơ sở thực nghiệm vững chắc để tiếp tục tích hợp cảm biến LiDAR, thuật toán visual tracking nâng cao và cơ chế tự hành hoàn toàn trong các giai đoạn phát triển tiếp theo.