Nghiên cứu và thiết kế mobile robot tự hành trong nhà xưởng sử dụng LiDAR

Đồ án nghiên cứu và thiết kế mobile robot tự hành sử dụng LiDAR tại Đại học SPKT TP.HCM

• Tác giả: Bùi Lê Anh
• Người hướng dẫn: TS. Nguyễn Văn Thái
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Kỹ thuật điều khiển và tự động hóa
• Đề tài: Nghiên cứu và thiết kế mobile robot tự hành trong nhà xưởng sử dụng LiDAR
• Loại tài liệu: Đồ án tốt nghiệp
• Năm xuất bản: 2023
• Địa điểm: Hồ Chí Minh

Tóm tắt

I. Tổng quan về đề tài mobile robot sử dụng LiDAR tại SPKT TP

Đề tài nghiên cứu được thực hiện tại Khoa Đào tạo Chất lượng cao thuộc Đại học Sư phạm Kỹ thuật TP.HCM. Công trình tập trung giải quyết nhu cầu tự động hóa vận chuyển hàng hóa trong các nhà xưởng công nghiệp. Xu hướng chuyển dịch sản xuất hiện đại đòi hỏi phương tiện tự hành linh hoạt thay thế con người. Nhóm tác giả lựa chọn cấu trúc mobile robot hai bánh chủ động kết hợp bánh xe dẫn hướng. Cấu trúc cơ khí này mang lại khả năng di chuyển linh hoạt trong không gian hẹp. Robot trang bị cảm biến quét laser RPLIDAR A1 2D quét 360 độ xung quanh thân xe. Bộ não trung tâm là bo mạch máy tính nhúng Jetson Nano kết hợp vi điều khiển Arduino Uno R3. Hệ điều hành Robot Operating System đóng vai trò hạt nhân quản lý các tác vụ xử lý thông tin. Toàn bộ thiết kế hướng đến sự tối ưu chi phí nhưng vẫn đảm bảo độ tin cậy vận hành. Đề tài khẳng định năng lực ứng dụng công nghệ điều khiển tự động của sinh viên Đại học Sư phạm Kỹ thuật TP.HCM. Hệ thống hoàn chỉnh đáp ứng đầy đủ tiêu chí kỹ thuật về định vị và di chuyển an toàn.

1.1. Mục tiêu và phạm vi nghiên cứu của đề tài

Mục tiêu cốt lõi của đề tài là chế tạo mẫu mobile robot tự hành phục vụ vận tải nội bộ. Phạm vi nghiên cứu giới hạn trong môi trường xưởng sản xuất có mặt sàn bằng phẳng. Robot cần nhận diện chính xác các chướng ngại vật tĩnh và động xung quanh. Thiết bị phải tự động vạch lộ trình di chuyển tối ưu từ điểm xuất phát tới đích đến. Quá trình di chuyển đòi hỏi độ ổn định cao, tránh rung lắc và không xảy ra va chạm. Nhóm nghiên cứu tiến hành tính toán động lực học chi tiết cho hệ dẫn động vi sai. Thiết kế cơ khí đảm bảo trọng tâm thấp và khả năng chịu tải phù hợp. Kết quả nghiên cứu tạo tiền đề triển khai robot dịch vụ trong công nghiệp.

1.2. Vai trò của cảm biến LiDAR trong robot tự hành

Cảm biến LiDAR đóng vai trò là đôi mắt quét không gian cho mobile robot. Cảm biến RPLIDAR A1 phát chùm tia laser hồng ngoại với tần số quét liên tục 360 độ. Sóng phản xạ từ bề mặt vật cản giúp xác định khoảng cách với độ chuẩn xác milimet. Dữ liệu đám mây điểm trả về liên tục cung cấp hình ảnh không gian thời gian thực. Nhờ đó, robot dễ dàng phân biệt hành lang, tường bao và các vật cản chuyển động. So với cảm biến siêu âm, LiDAR ít chịu ảnh hưởng bởi góc tới của chùm sóng. Thiết bị cho khoảng cách đo xa đến 12 mét trong điều kiện ánh sáng trong nhà. Đây là linh kiện quan trọng hỗ trợ thuật toán xây dựng bản đồ số.

II. Phân tích bài toán điều hướng mobile robot sử dụng LiDAR nhà xưởng

Điều hướng robot tự hành trong nhà xưởng là thách thức kỹ thuật phức tạp. Môi trường công nghiệp chứa nhiều máy móc kim loại, công nhân đi lại và hàng hóa thay đổi liên tục. Sai số trượt bánh xe do quán tính hoặc nền trơn gây ra hiện tượng tích lũy sai lệch vị trí. Nếu chỉ dựa vào bộ mã hóa vòng quay encoder, sai số định vị sẽ tăng dần theo thời gian di chuyển. Robot sẽ nhanh chóng mất phương hướng và va chạm vào chướng ngại vật xung quanh. Hơn nữa, việc giao tiếp dữ liệu giữa tầng điều khiển cấp cao và tầng vi điều khiển đòi hỏi độ trễ cực thấp. Khối lượng dữ liệu quét từ cảm biến laser RPLIDAR A1 rất lớn và cần xử lý liên tục theo chu kỳ thực. Bộ điều khiển phải vừa thu nhận dữ liệu khoảng cách, vừa cập nhật tọa độ vừa tính toán xung PWM cho động cơ. Nếu luồng xử lý bị nghẽn, xe sẽ giật cục và mất kiểm soát quỹ đạo. Do đó, việc xây dựng mô hình liên lạc đồng bộ và thuật toán bù sai số là yêu cầu sống còn. Đề tài đã phân tích cặn kẽ các nguồn nhiễu để đưa ra phương án khắc phục triệt để.

2.1. Thách thức về định vị và sai số tích lũy động học

Sai số đo lường trong mô hình robot hai bánh vi sai phát sinh từ nhiều yếu tố vật lý. Bánh xe trượt nhẹ trên bề mặt sàn gạch men hoặc bê tông bóng làm encoder đếm sai số xung. Đường kính thực tế của bánh xe mòn không đồng đều tạo độ lệch vận tốc hai bên. Ngoài ra, cảm biến quán tính MPU9250 thường bị trôi điểm không theo thời gian hoạt động. Nếu tích hợp trực tiếp gia tốc để tìm vị trí, sai số sẽ khuếch đại theo hàm bậc hai. Sự kết hợp giữa sai số góc quay và quãng đường khiến bản đồ xây dựng bị méo mó. Robot không thể nhận ra những góc tường quen thuộc sau quãng đường dài. Việc triệt tiêu sai số này bắt buộc phải có thuật toán hiệu chỉnh vòng kín liên tục.

2.2. Vấn đề truyền thông và đồng bộ dữ liệu Jetson Nano với Arduino

Hệ thống điều khiển phân tầng chia làm hai bộ xử lý độc lập gồm Jetson Nano và Arduino Uno. Jetson Nano chạy hệ điều hành Linux quản lý thuật toán định vị cấp cao. Trong khi đó, Arduino đảm nhận đọc xung encoder và điều chế xung PWM cấp thấp. Chuẩn giao tiếp UART nối tiếp đóng vai trò cầu nối thông tin giữa hai bo mạch. Tốc độ truyền baud rate phải lựa chọn ở mức cao để hạn chế độ trễ truyền gói tin. Tuy nhiên, tốc độ cao dễ dẫn đến thất thoát dữ liệu do tràn bộ đệm nhận. Xung nhiễu điện từ phát ra từ hai động cơ công suất DCM50-775 cũng làm sai lệch tín hiệu logic. Việc thiết kế cấu trúc bản tin truyền nhận có mã kiểm tra tính toàn vẹn trở thành bài toán bắt buộc.

III. Phương pháp thiết kế mobile robot sử dụng LiDAR trên nền tảng ROS

Nhóm tác giả đề xuất giải pháp kiến trúc phần cứng kết hợp phần mềm theo chuẩn module hóa. Khung xe chế tạo từ vật liệu chịu lực vững chắc với hai động cơ DC giảm tốc DCM50-775. Mạch cầu BTS7960 chịu dòng cao được sử dụng để điều khiển chiều quay và tốc độ động cơ. Nguồn pin Li-ion cấp điện thông qua mạch giảm áp Buck DC-DC XL4005 nhằm tạo điện áp ổn định cho các mạch điều khiển. Trên phương diện phần mềm, hệ điều hành mã nguồn mở ROS đóng vai trò trung gian kết nối các tác vụ. Dữ liệu từ RPLIDAR A1 được đưa vào gói thuật toán SLAM Gmapping để tái tạo bản đồ 2D nhà xưởng. Dữ liệu đo quãng đường từ encoder và cảm biến MPU9250 được dung hợp để ước lượng trạng thái di chuyển. Quá trình dẫn đường sử dụng ngăn xếp Navigation Stack với các thuật toán định tuyến toàn cục và cục bộ. Xe tự động tính toán vận tốc tuyến tính và vận tốc góc để vượt qua vật cản linh hoạt. Nhờ kiến trúc này, toàn bộ quá trình vận hành đạt sự mượt mà và chính xác cao.

3.1. Thiết kế phần cứng và cấu hình mạch công suất điều khiển

Phần cứng robot được tối ưu theo sơ đồ khối rõ ràng và dễ bảo trì. Khối nguồn sử dụng pin cung cấp năng lượng độc lập cho động cơ và mạch số. Mạch Buck DC-DC XL4005 hạ áp ổn định về mức 5V cấp cho bo mạch Jetson Nano và Arduino Uno. Khối chấp hành dùng hai động cơ DCM50-775 gắn kèm đĩa encoder quang học để hồi tiếp vận tốc quay. Mạch cầu H BTS7960 cung cấp dòng điện định mức lớn, hỗ trợ phanh hãm và đảo chiều nhanh chóng. Khối thu nhận tín hiệu gồm RPLIDAR A1 kết nối cổng USB và MPU9250 kết nối giao tiếp I2C. Bố cục linh kiện được sắp xếp cân đối, giảm thiểu rung động khi xe tăng tốc.

3.2. Thuật toán SLAM và thiết lập cơ chế tránh vật cản tự động

Thuật toán SLAM Gmapping dựng bản đồ lưới chiếm chỗ dựa trên dữ liệu quét tia laser. Khi robot di chuyển, các điểm đo từ RPLIDAR A1 liên tục khớp nối với bản đồ đã có. Vị trí xe được ước lượng chuẩn xác thông qua bộ lọc hạt thích nghi. Sau khi lưu bản đồ nhà xưởng, gói Navigation chuyển sang chế độ định vị AMCL. Thuật toán A* hoặc Dijkstra tính toán đường đi ngắn nhất trên bình đồ toàn cục. Đồng thời, thuật toán TEB Local Planner tạo quỹ đạo chuyển động tránh vật cản động phát sinh tức thời. Cảm biến LiDAR phát hiện vật thể lạ ở khoảng cách thiết lập và giảm tốc xe an toàn. Xe chủ động lách qua chướng ngại vật hoặc dừng hẳn nếu lối đi bị bít kín.

IV. Kết luận và ứng dụng thực tiễn của mobile robot sử dụng LiDAR

Đề tài tốt nghiệp tại Đại học Sư phạm Kỹ thuật TP.HCM chế tạo thành công mẫu mobile robot tự hành hoàn chỉnh. Kết quả thử nghiệm thực tế chứng minh hệ thống hoạt động ổn định và chính xác cao trong môi trường xưởng thực nghiệm. Bản đồ số dựng bằng LiDAR có độ tương đồng lớn so với kích thước thực địa của phòng thí nghiệm. Khả năng tự định vị AMCL giúp robot bám sát quỹ đạo định trước với sai số vị trí rất nhỏ. Thời gian phản hồi tránh vật cản diễn ra gần như tức thời khi có người hoặc vật cản xuất hiện bất ngờ. Mô hình mobile robot này mở ra tiềm năng lớn cho các ứng dụng thực tế trong chuỗi logistics và dây chuyền kho bãi. Thiết bị có thể chuyên chở linh kiện điện tử, bưu kiện hoặc bán thành phẩm giữa các dây chuyền lắp ráp. Việc áp dụng mô hình giúp doanh nghiệp cắt giảm chi phí nhân công vận chuyển và giảm thiểu rủi ro tai nạn lao động. Nghiên cứu là minh chứng rõ rệt cho việc gắn kết nghiên cứu học thuật với nhu cầu thực tiễn sản xuất công nghiệp 4.0.

4.1. Đánh giá hiệu năng hoạt động thực nghiệm tại xưởng

Thử nghiệm thực tế tại phòng thực hành cho thấy robot đáp ứng tốt yêu cầu kỹ thuật ban đầu. Khả năng bám đường thẳng và bám cung tròn duy trì ổn định ở dải tốc độ từ 0.2 đến 0.5 m/s. Sai số vị trí điểm dừng mục tiêu chỉ dao động trong phạm vi dưới 3 centimet. Tần số quét của RPLIDAR A1 đạt mức 5.5 Hz, đủ nhanh để xử lý bản đồ không gian liên tục. Mạch công suất BTS7960 không bị nóng bất thường trong suốt 30 phút chạy tải liên tục. Nguồn điện từ khối pin qua bộ Buck XL4005 duy trì điện áp ổn định, không sụt áp đột ngột. Mô hình vận hành tin cậy và không xuất hiện hiện tượng mất kết nối UART giữa các bộ điều khiển.

4.2. Hướng phát triển và khả năng thương mại hóa công nghệ

Đề tài mở ra tiềm năng thương mại hóa rất lớn cho các giải pháp vận chuyển thông minh. Trong tương lai, hệ thống có thể nâng cấp lên LiDAR 3D để nhận diện không gian đa chiều toàn diện hơn. Việc tích hợp thêm camera độ sâu sẽ gia tăng năng lực tránh vật cản treo lơ lửng trên không. Hệ thống quản lý tập trung nhiều robot (Fleet Management) có thể triển khai qua mạng WiFi công nghiệp. Các xưởng may mặc, linh kiện điện tử và kho vận logistics là khách hàng tiềm năng đón nhận sản phẩm. Nghiên cứu cũng có thể mở rộng cơ chế sạc không dây tự động tại các trạm dừng cố định. Hướng hoàn thiện này giúp nâng cao tính tự động hóa và giá trị gia tăng kinh tế bền vững.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh công nghiệp hóa và hiện đại hóa, robot tự hành (Autonomous Mobile Robot - AMR hoặc Autonomous Guided Vehicle - AGV) đóng vai trò thay thế con người thực hiện các tác vụ nặng nhọc, độc hại và làm việc trong môi trường khó tiếp cận, góp phần tiết kiệm thời gian, nhân lực và chi phí sản xuất. Tại Việt Nam, việc tiếp cận công nghệ robot tự hành trong nhà xưởng còn gặp nhiều rào cản kỹ thuật và chi phí. Xuất phát từ nhu cầu thực tiễn đó, đồ án tốt nghiệp "Nghiên cứu và thiết kế mobile robot tự hành trong nhà xưởng sử dụng LIDAR" được thực hiện bởi nhóm tác giả thuộc Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, theo đơn đặt hàng nghiên cứu và tiếp nhận chuyển giao của Công ty I&C.

Mục tiêu nghiên cứu là thiết kế, chế tạo hoàn chỉnh mô hình robot tự hành có kích thước 65 x 45 x 30 (cm), có khả năng vận chuyển hàng hóa với vận tốc lớn hơn 0,4 m/s, hoạt động tự động trong môi trường nhà xưởng thông qua bản đồ số hóa và cảm biến laser.

Nhiệm vụ nghiên cứu cụ thể bao gồm:

1. Tìm hiểu hệ điều hành dành cho robot (Robot Operating System - ROS).
2. Nghiên cứu giao thức truyền nhận dữ liệu giữa máy tính nhúng NVIDIA Jetson Nano và vi điều khiển Arduino Uno qua UART.
3. Thiết kế kết cấu phần cứng mobile robot và lập trình thuật toán PID để điều khiển chính xác tốc độ động cơ cũng như góc quay của robot.
4. Lập bản đồ môi trường bằng cảm biến LIDAR sử dụng công nghệ SLAM và định vị vị trí bằng AMCL.
5. Triển khai thuật toán tìm đường đi ngắn nhất (Dijkstra) và thuật toán tránh né vật cản động (Dynamic Window Approach - DWA).
6. Thiết kế giao diện điều khiển, giám sát qua nền tảng web và hệ thống nút nhấn vật lý.
7. Thử nghiệm thực địa, hiệu chỉnh mô hình, đánh giá khả năng chịu tải và viết báo cáo tổng kết.

Đối tượng nghiên cứu là xe tự hành bánh vi sai tích hợp cảm biến LIDAR quét 2D. Phạm vi nghiên cứu về không gian là bề mặt sàn phẳng trong môi trường nhà máy, xưởng sản xuất; phạm vi tải trọng danh định giới hạn tối đa khoảng 25 kg; thời gian thực hiện đồ án từ ngày 23/02/2023 đến ngày 30/06/2023.

---

Cơ sở lý thuyết và phương pháp

Hệ thống lý thuyết và phương pháp tiếp cận của đồ án bao gồm các thành phần:

Khung lý thuyết và mô hình toán học:

• Động học và động lực học robot: Sử dụng bảng quy ước Denavit - Hartenberg (D-H) để xác định hệ trục tọa độ và thiết lập ma trận biến đổi thuần nhất giữa các khâu từ hệ tọa độ gốc đến tâm robot. Phương trình động lực học tổng quát được thiết lập theo phương pháp Euler - Lagrange: $\tau = M(\theta)\ddot{\theta} + C(\theta, \dot{\theta})\dot{\theta} + G(\theta)$. Do robot chuyển động trên mặt sàn nằm ngang vuông góc với vectơ gia tốc trọng trường nên thế năng $U = 0$, từ đó xác định phương trình mô-men tác động lên động cơ bánh trái ($\tau_l$) và bánh phải ($\tau_r$).
• Định vị Odometry: Ước lượng vị trí $(x, y, \theta)$ thông qua số xung encoder đọc được từ hai bánh xe độc lập dựa trên chỉ số xung trên mét (tick_meter). Do việc tích lũy sai số trượt từ encoder gây sai lệch góc xoay, hệ thống tích hợp thêm cảm biến quán tính IMU MPU9250 để đo đạc trực tiếp góc quay và gia tốc góc.
• Kiến trúc Robot Operating System (ROS): Tổ chức hệ thống theo cấu trúc Filesystem (Packages, Stacks, Messages, Services) và Computation Graph Level (Nodes, Master, Parameter Server, Messages, Topics, Services, Bags).
• Bản đồ số và điều hướng (Navigation Stack): Ứng dụng công nghệ Laser SLAM (Simultaneous Localization and Mapping) để tạo bản đồ lưới chiếm chỗ từ dữ liệu đám mây điểm 2D của cảm biến RPLIDAR A1. Thuật toán Adaptive Monte Carlo Localization (AMCL) được dùng để định vị robot trên bản đồ có sẵn. Cấu hình bản đồ chi phí Costmap 2D phân cấp thành Global Costmap và Local Costmap với các tham số quan trọng như obstacle_range, inflation_radius, static_map, rolling_window.
• Thuật toán điều hướng toàn cục (Global Planner): Thuật toán Dijkstra tìm kiếm đường đi ngắn nhất giữa các đỉnh trong đồ thị có trọng số không âm với độ phức tạp $O(n^2 + m)$.
• Thuật toán điều hướng cục bộ (Local Planner): Thuật toán Dynamic Window Approach (DWA) thực hiện cắt giảm không gian vận tốc tìm kiếm ($V_r = V_s \cap V_a \cap V_d$) dựa trên quỹ đạo tròn, vận tốc cho phép dừng an toàn và giới hạn gia tốc; sau đó tối ưu hóa hàm mục tiêu: $G(v, \omega) = \alpha \cdot \text{heading}(v, \omega) + \beta \cdot \text{dist}(v, \omega) + \gamma \cdot \text{vel}(v, \omega)$.
• Điều khiển vòng kín PID: Thuật toán PID được áp dụng nhằm điều chỉnh độ rộng xung PWM cấp cho động cơ DC qua mạch công suất, đảm bảo bám sát vận tốc đặt từ máy tính nhúng.

Phương pháp nghiên cứu kết hợp giữa phân tích lý thuyết toán học (mô hình động học vi sai, giải thuật tối ưu hóa đường đi) và thực nghiệm kỹ thuật (thiết kế cơ điện tử, nạp chương trình vi điều khiển, thử nghiệm thực tế trong nhà xưởng). Dữ liệu thu thập phục vụ tính toán gồm dữ liệu laser scan 360 độ từ RPLIDAR A1, dữ liệu 9 trục từ IMU MPU9250 và xung dịch chuyển góc từ hai bộ optical encoder.

---

Thiết kế và triển khai

Hệ thống được thiết kế theo cấu trúc phần cứng phân tầng và phần mềm phân tán, kết nối đồng bộ qua mạng nội bộ và đường truyền nối tiếp.

Nhóm phần cứng	Tên thiết bị / linh kiện	Thông số và vai trò kỹ thuật
Bộ xử lý trung tâm	NVIDIA Jetson Nano B01	Chạy hệ điều hành Ubuntu và ROS, xử lý SLAM, chạy navigation stack, xử lý Rviz, giao tiếp máy chủ web
Bộ điều khiển tầng dưới	Arduino Uno R3	Đọc xung encoder, đọc dữ liệu IMU, chạy thuật toán PID vận tốc, xuất tín hiệu PWM điều khiển động cơ
Cảm biến quét môi trường	RPLIDAR A1 2D 360°	Quét laser đo khoảng cách mặt phẳng 2D, phát hiện vật cản, hỗ trợ lập bản đồ và định vị
Cảm biến định hướng	MPU9250 (IMU 9 trục)	Cung cấp góc xoay, vận tốc góc, khử sai số tích lũy góc quay của encoder
Động cơ và truyền động	DCM50-775 (kèm encoder)	Động cơ DC giảm tốc tạo lực kéo cho 2 bánh xe chủ động
Mạch cầu công suất	BTS7960	Mạch cầu H công suất cao điều khiển đảo chiều và điều tốc hai động cơ qua PWM
Hạ áp và quản lý nguồn	XL4015 (Buck DC-DC 5A)	Giảm áp từ nguồn chính xuống điện áp ổn định cấp cho vi điều khiển và cảm biến
Nguồn lưu trữ	Bộ ắc-quy chuyên dụng	Cung cấp nguồn DC tải dòng cao cho toàn bộ hệ thống động cơ và mạch logic
Cơ cấu cân bằng	Bánh xe đa hướng	Đảm bảo thăng bằng cho khung xe cấu hình 2 bánh chủ động vi sai

Về thiết kế cơ khí, mô hình khung xe được tính toán và dựng hình 3D trên phần mềm SolidWorks với kết cấu 3 tầng bằng vật liệu tấm kết hợp trụ đồng chịu lực:

• Tầng 1: Bố trí hệ thống động cơ DCM50-775, giá gá động cơ chịu lực, ắc-quy và mạch công suất BTS7960 nhằm hạ thấp trọng tâm xe.
• Tầng 2: Gắn bo mạch Arduino Uno R3, cảm biến MPU9250 đặt ở trục tâm, mạch giảm áp Buck DC-DC XL4015 và hệ thống dây nối tín hiệu.
• Tầng 3: Bố trí máy tính nhúng Jetson Nano Developer Kit B01 và cảm biến RPLIDAR A1 trên đỉnh để đảm bảo tầm quét 360 độ không bị che khuất bởi khung xe.

Về kiến trúc phần mềm, hệ thống vận hành thông qua các ROS node liên kết:

• Node Key Teleop: Chuyển đổi lệnh điều khiển từ người dùng thành các giá trị vận tốc tuyến tính $v$ (m/s) và vận tốc góc $\omega$ (rad/s).
• Node Twist to Motor: Phân tích vận tốc $(v, \omega)$ từ dạng geometry_msgs/Twist thành vận tốc góc của từng bánh xe riêng biệt ($v_L, v_R$) dựa trên kích thước cơ sở xe $b$.
• Node Odometry: Thu nhận thông tin số xung động cơ và góc từ IMU để tính toán và công bố dữ liệu tọa độ vị trí thực tế của xe (nav_msgs/Odometry).
• Giao tiếp phần cứng qua UART: Arduino Uno và Jetson Nano giao tiếp nối tiếp 2 chiều (chân TX/RX) với tốc độ baud rate cấu hình đồng nhất trong khoảng từ 9600 bps đến 115200 bps.
• Giao diện người dùng: Thiết kế giao diện trên nền web kết hợp các nút bấm vật lý hỗ trợ bật/tắt, điều hướng quét bản đồ và giám sát lộ trình.

---

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 trình bày tổng quan về vai trò của robot tự hành trong sản xuất hiện đại và tính cấp thiết của đề tài khi ứng dụng vào thực tế tại Việt Nam. Tác giả xác định rõ đề tài được xây dựng theo đơn đặt hàng nghiên cứu của Công ty I&C. Nội dung chương công bố các mục tiêu kỹ thuật cụ thể: robot có kích thước 65 x 45 x 30 (cm), vận tốc hoạt động tối thiểu đạt 0,4 m/s, khối lượng vận chuyển tối đa khoảng 25 kg. Chương này cũng phân định phạm vi, phương pháp nghiên cứu và bố cục 6 chương của toàn bộ cuốn báo cáo.

Chương 2: Cơ sở lý thuyết

Chương 2 tập trung xây dựng cơ sở toán học và cơ sở phần mềm cho mobile robot:

• Xây dựng mô hình động học vi sai, bảng thông số D-H và thiết lập ma trận chuyển đổi tọa độ thuần nhất qua các khâu.
• Thiết lập phương trình động lực học theo giải thuật Euler - Lagrange, tính toán động năng $K$, thế năng $U=0$ và đưa ra phương trình mô-men kéo cho từng bánh xe.
• Trình bày kiến trúc hệ điều hành ROS (cấu trúc Filesystem và Computation Graph Level) cùng các node cốt lõi: Key Teleop, Twist to Motor, Odometry, SLAM/AMCL, RPLIDAR, Robot State Publisher, Map Server, Move Base, Rviz.
• Trình bày nguyên lý công nghệ Laser SLAM, cấu trúc dữ liệu Navigation Stack 2D và thiết lập Costmap 2D (phân tách global costmap và local costmap).
• Trình bày thuật toán tìm đường Dijkstra (độ phức tạp $O(n^2 + m)$) cho bộ điều hướng toàn cục và thuật toán DWA cho bộ điều hướng cục bộ tránh vật cản động.
• Trình bày nguyên lý giao tiếp nối tiếp không đồng bộ UART giữa Jetson Nano và Arduino Uno, cùng cấu trúc bộ điều khiển PID vận tốc động cơ.

Chương 3: Thiết kế phần cứng

Chương 3 trình bày chi tiết quá trình tính toán, lựa chọn linh kiện và mô hình hóa cơ khí:

• Thiết lập sơ đồ khối chức năng toàn hệ thống, sơ đồ nối dây phần cứng giữa mạch công suất, máy tính nhúng, vi điều khiển và cảm biến.
• Thiết kế mô hình 3D khung xe 3 tầng trên phần mềm SolidWorks, bao gồm chi tiết gá động cơ, trụ đồng chịu lực và bánh xe đa hướng.
• Đưa ra bảng lựa chọn thiết bị chi tiết: máy tính nhúng Jetson Nano B01, vi điều khiển Arduino Uno R3, cảm biến RPLIDAR A1, cảm biến MPU9250, động cơ DC giảm tốc DCM50-775 tích hợp encoder, mạch cầu BTS7960, mạch Buck XL4015 5A và ắc-quy.
• Hoàn thiện chế tạo và lắp ráp mô hình robot thực tế bám sát bản vẽ thiết kế.

Chương 4: Thiết kế chương trình điều khiển

Chương 4 mô tả quy trình xây dựng các khối phần mềm và thuật toán điều khiển:

• Xây dựng lưu đồ giải thuật điều khiển trung tâm trên nền tảng ROS.
• Thiết lập thuật toán xử lý tín hiệu ngắt đọc xung encoder, giải mã dữ liệu góc xoay từ cảm biến IMU MPU9250 trên vi điều khiển Arduino.
• Cài đặt thuật toán PID số xuất tín hiệu PWM cho mạch cầu H điều khiển tốc độ hai bánh xe độc lập.
• Lập trình truyền nhận dữ liệu chuỗi byte qua giao thức UART giữa vi điều khiển và ROS Master.
• Triển khai quy trình quét lập bản đồ môi trường thời gian thực (Scan matching) bằng cảm biến LIDAR trên công cụ đồ họa Rviz.
• Cấu hình các tệp tham số cho Navigation Stack (costmap_common_params.yaml, global_costmap_params.yaml, local_costmap_params.yaml, dwa_local_planner_params.yaml).
• Lập trình giao diện web điều khiển và cấu hình các nút chức năng phần cứng.

Chương 5: Kết quả thực nghiệm

Chương 5 cung cấp toàn bộ dữ liệu kiểm tra, đánh giá định lượng hoạt động của robot:

• Khảo sát đáp ứng vận tốc của bộ điều khiển PID trên động cơ bánh trái và bánh phải, biểu đồ cho thấy hệ thống bám sát giá trị đặt với độ ổn định cao.
• Thực nghiệm quét tạo bản đồ số môi trường bằng RPLIDAR A1 hiển thị trên Rviz/Rviz2 và lưu trữ thông qua Map Server dưới định dạng YAML và tệp ảnh; đối chiếu kích thước hình học thu được trên bản đồ số khớp với kích thước môi trường đo thực tế.
• Thử nghiệm điều hướng tự động: robot quay chính xác góc 90 độ so với vị trí ban đầu; tự tìm đường ngắn nhất đến các tọa độ đích định trước trong không gian bản đồ.
• Thử nghiệm tránh vật cản: robot tự nhận diện vật cản bất ngờ xuất hiện trên đường đi, tự động cập nhật local costmap, tính toán quỹ đạo vòng tránh và tiếp tục di chuyển về đích an toàn.
• Thử nghiệm điều hướng tuần tự: robot di chuyển qua nhiều điểm mốc liên tiếp và tự động định hướng quay trở lại vị trí xuất phát.
• Thử nghiệm tải trọng: thực hiện đo đạc di chuyển với các mức tải trọng lần lượt là 5 kg, 10 kg và 15 kg; robot duy trì khả năng di chuyển ổn định và đến đích chính xác ở các mức tải khảo sát.

Chương 6: Kết luận và hướng phát triển

Chương 6 tổng kết các kết quả đạt được: hoàn thành chế tạo mô hình robot tự hành đúng yêu cầu thiết kế, vận hành ổn định trên nền ROS, ứng dụng hiệu quả công nghệ LIDAR SLAM và thuật toán Dijkstra, DWA. Đồng thời, tác giả chỉ ra các điểm còn tồn tại của hệ thống và đề xuất phương hướng nâng cấp, mở rộng nghiên cứu trong tương lai.

---

Kết quả và đóng góp

Kết quả thực nghiệm chính của đề tài bao gồm:

• Chế tạo thành công mô hình mobile robot tự hành hoàn chỉnh với kích thước thực tế đạt chuẩn 65 x 45 x 30 (cm), kết cấu cơ khí 3 tầng vững chắc, trọng tâm thấp.
• Thuật toán PID điều khiển vận tốc hai bánh xe đạt độ bám tốt, đáp ứng nhanh và vận tốc tuyến tính của robot khi hoạt động thực tế đạt trên 0,4 m/s.
• Bản đồ số nhà xưởng được xây dựng thông qua Laser SLAM và Rviz2 có độ phân giải cao, thể hiện chính xác các biên giới bờ tường và vật cản tĩnh với sai lệch hình học không đáng kể so với kích thước thực tế.
• Thuật toán Dijkstra và DWA hoạt động hiệu quả trong môi trường thực: robot tự định vị vị trí nhờ AMCL, tự động lập quỹ đạo ngắn nhất đến tọa độ mục tiêu, quay góc chính xác (đã kiểm chứng qua bài test quay góc 90 độ), và tự phát hiện vật cản để tái hoạch định lộ trình vòng tránh thành công.
• Về khả năng chịu tải, robot đã thực hiện các bài kiểm tra thực nghiệm tải trọng mang vác vật nặng trên thân xe ở các mức xấp xỉ 5 kg, 10 kg và 15 kg; robot hoàn thành toàn bộ chu trình di chuyển từ điểm xuất phát đến điểm kết thúc mà không xảy ra hiện tượng mất bước hay sai lệch quỹ đạo lớn.

Giải pháp và đóng góp khoa học - công nghệ:

• Giải pháp kết hợp dữ liệu IMU MPU9250 với encoder bánh xe đã khắc phục triệt để hiện tượng sai số trượt góc tích lũy của mô hình robot vi sai truyền thống.
• Cung cấp một quy trình hoàn chỉnh từ thiết kế cơ khí 3D trên SolidWorks, tích hợp mạch điều khiển phần cứng tầng thấp (Arduino, BTS7960) đến hệ điều hành robot cấp cao (ROS trên Jetson Nano).
• Mô hình nghiên cứu có tính ứng dụng trực tiếp, sẵn sàng chuyển giao kết quả thực nghiệm cho Công ty I&C để phục vụ nhu cầu tự động hóa vận chuyển nội bộ trong dây chuyền sản xuất công nghiệp.

---

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của đề tài:

• Khối lượng tải thử nghiệm thực tế trong báo cáo mới dừng lại ở mức 15 kg, chưa kiểm nghiệm đầy đủ đến mức tải trọng giới hạn trần 25 kg như mục tiêu lý thuyết ban đầu.
• Cảm biến RPLIDAR A1 là dòng laser quét mặt phẳng 2D, do đó robot chỉ nhận biết được các vật cản nằm ngang trong mặt phẳng cắt của tia laser; các chướng ngại vật treo lơ lửng phía trên hoặc các vật cản thấp dưới tầm quét chưa thể phát hiện được.
• Đề tài mới chỉ thử nghiệm trong điều kiện mặt sàn nhà xưởng phẳng, chưa đánh giá phản ứng của robot khi di chuyển trên các bề mặt có độ dốc lớn, trơn trượt mạnh hoặc nhiều gờ giảm tốc.

Hướng nghiên cứu và phát triển tiếp theo:

• Nâng cấp kết cấu truyền động và tối ưu hóa công suất động cơ để nâng mức tải trọng làm việc thực tế vượt trên 25 kg.
• Tích hợp thêm cảm biến thị giác máy tính như Camera chiều sâu (Depth Camera 3D) hoặc mảng cảm biến siêu âm bổ trợ để loại bỏ hoàn toàn điểm mù không gian phía trên và phía dưới mặt phẳng quét LIDAR.
• Ứng dụng bộ lọc Kalman mở rộng (Extended Kalman Filter - EKF) để dung hợp dữ liệu đa cảm biến (IMU, Odometry, Laser) nhằm nâng cao hơn nữa độ chính xác của bài toán định vị trong môi trường nhiễu.
• Mở rộng hệ thống quản lý điều phối trung tâm (Fleet Management) để vận hành đồng thời nhiều robot tự hành cùng di chuyển và tránh va chạm trong cùng một phân xưởng sản xuất.

---

Giá trị tham khảo

Đề tài là tài liệu tham khảo giá trị cho các đối tượng và mục đích sau:

• Sinh viên, học viên chuyên ngành Công nghệ Kỹ thuật Điều khiển và Tự động hóa, Cơ điện tử, Kỹ thuật Robot hoặc Công nghệ Thông tin đang thực hiện đồ án tốt nghiệp, đề tài nghiên cứu liên quan đến xe tự hành AGV/AMR, hệ thống kho thông minh.
• Kỹ sư nghiên cứu và phát triển (R&D) trong lĩnh vực cơ điện tử và tự động hóa nhà máy có nhu cầu xây dựng các dòng mobile robot chi phí thấp dựa trên máy tính nhúng và hệ điều hành mã nguồn mở ROS.

Các phần nội dung đáng chú ý để tham khảo bao gồm:

• Toàn bộ phương pháp thiết lập phương trình động lực học Euler - Lagrange và tính toán ma trận chuyển đổi D-H cho robot vi sai (Chương 2).
• Phương pháp cấu hình bộ điều hướng 2D Navigation Stack, các thông số kỹ thuật thực tế cho global_costmap và local_costmap, cũng như cách thức tinh chỉnh thuật toán DWA (Chương 2 và Chương 4).
• Bản vẽ bố trí kết cấu cơ khí 3 tầng trên SolidWorks và sơ đồ kết nối phần cứng phân tầng giữa Jetson Nano, Arduino Uno R3 và mạch cầu BTS7960 (Chương 3).
• Phương pháp luận tổ chức thực nghiệm kiểm thử: từ khảo sát PID, vẽ bản đồ số bằng Rviz, đến các kịch bản kiểm tra di chuyển tránh vật cản và thử tải trọng (Chương 5).

---

Câu hỏi thường gặp

1. Hệ thống điều khiển của mobile robot trong đồ án được phân tầng kiến trúc phần cứng như thế nào?
Hệ thống sử dụng kiến trúc phân tầng 2 cấp: cấp xử lý cao cấp là máy tính nhúng NVIDIA Jetson Nano B01 chạy hệ điều hành Ubuntu và ROS, đảm nhiệm các tác vụ nặng như thuật toán SLAM, định vị AMCL, xử lý dữ liệu RPLIDAR A1, quy hoạch quỹ đạo Dijkstra/DWA và máy chủ web; cấp điều khiển thời gian thực tầng dưới là vi điều khiển Arduino Uno R3, đảm nhiệm việc đọc ngắt encoder, đọc dữ liệu IMU MPU9250, tính toán giải thuật PID và xuất xung PWM điều khiển động cơ qua mạch cầu H BTS7960. Hai cấp giao tiếp với nhau qua đường truyền nối tiếp UART.

2. Tại sao nhóm nghiên cứu phải tích hợp thêm cảm biến IMU MPU9250 thay vì chỉ dùng Encoder để tính Odometry?
Theo kết quả thử nghiệm của tác giả được trình bày trong Chương 2, việc chỉ sử dụng số xung đọc từ encoder hai bánh xe để tính toán tốc độ góc và góc quay của robot thường gặp phải sai số trượt lớn (do hiện tượng bánh xe bị trượt trên mặt sàn). Sai số này tích lũy theo thời gian khiến thông tin vị trí $(x, y, \theta)$ bị trôi nghiêm trọng, làm sai lệch bản đồ và định vị. Do đó, cảm biến IMU MPU9250 được tích hợp để đọc trực tiếp giá trị góc quay của robot, giúp triệt tiêu sai số tích lũy này.

3. Thuật toán Dijkstra và thuật toán DWA đảm nhiệm vai trò gì trong hệ thống điều hướng của robot?
Thuật toán Dijkstra được sử dụng trong bộ quy hoạch toàn cục (Global Planner) để tìm kiếm đường đi ngắn nhất từ vị trí hiện tại đến vị trí đích trên đồ thị lưới của bản đồ đã được số hóa trước. Trong khi đó, thuật toán Dynamic Window Approach (DWA) đóng vai trò bộ quy hoạch cục bộ (Local Planner), liên tục tính toán không gian vận tốc cho phép trong một cửa sổ động nhằm đưa ra vận tốc tuyến tính và vận tốc góc tối ưu nhất, giúp xe bám theo lộ trình toàn cục đồng thời tự động né tránh các vật cản xuất hiện đột ngột trong phạm vi gần.

4. Robot đã được kiểm tra chịu tải thực tế ở những mức trọng lượng nào và kết quả ra sao?
Trong Chương 5, nhóm tác giả đã tiến hành thử tải thực tế với các kiện hàng có khối lượng lần lượt xấp xỉ 5 kg, 10 kg và 15 kg. Kết quả ghi nhận tại các mốc kiểm tra cho thấy robot đều khởi động, di chuyển theo quỹ đạo và dừng tại vị trí kết thúc đúng mục tiêu đặt ra, chứng minh kết cấu khung xe và hệ thống truyền động đáp ứng tốt yêu cầu mang tải trong dải tải trọng khảo sát.

5. Bản đồ chi phí (Costmap 2D) được cấu hình với những thông số quan trọng nào trong ROS?
Theo tài liệu, các tham số cốt lõi được thiết lập bao gồm: obstacle_range (khoảng cách tối đa cảm biến laser nhận biết vật cản để đưa vào bản đồ), inflation_radius (bán kính vùng an toàn giữ khoảng cách nhỏ nhất giữa tâm robot và chướng ngại vật), laser_scan_sensor (khai báo loại cảm biến LIDAR dùng để cập nhật/xóa vật cản), global_frame và robot_base_frame (khai báo các hệ trục tọa độ tham chiếu), cùng các tần số cập nhật dữ liệu update_frequency và publish_frequency.

---

Kết luận

Đồ án tốt nghiệp của sinh viên Bùi Lê Anh và Nguyễn Quốc Kiệt đã hoàn thành toàn diện việc nghiên cứu, thiết kế cơ khí, phát triển hệ thống điện tử và lập trình tích hợp mobile robot tự hành kích thước 65 x 45 x 30 (cm) ứng dụng trong nhà xưởng. Công trình làm chủ thành công việc kết hợp nền tảng ROS trên máy tính nhúng Jetson Nano với vi điều khiển Arduino, khai thác hiệu quả cảm biến laser RPLIDAR A1 qua công nghệ SLAM và các giải thuật định tuyến Dijkstra, DWA để robot tự hành tìm đường và né tránh vật cản chính xác. Các kết quả thực nghiệm về điều khiển vận tốc PID, khả năng mang tải lên đến 15 kg và độ chính xác của bản đồ số đã chứng minh tính khả thi của mô hình, đáp ứng trực tiếp yêu cầu chuyển giao công nghệ cho doanh nghiệp đặt hàng là Công ty I&C.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan về robot. Chương 2: Động lực học robot, giới thiệu hệ điều hành ROS, khái niệm về các gói dữ liệu trong ROS cần sử dụng khi điều khiển robot, giới thiệu về các cách truyền dữ liệu và PID. Chương 3: Vẽ thiết kế phần cứng cho robot trên solidworks, các linh kiện cần dùng để xây dựng phần cứng robot. Chương 3: Tìm hiểu chọn lựa các thiết bị như vi điều khiển, động cơ, nguồn, … phù hợp với robot.

Chương 4: Xây dựng chương trình điều khiển cho robot, nghiên cứu thiết lập các thông số để cho việc tạo bản đồ và di chuyển tránh vật cản của robot ngoài thực tế. Chương 5: Trình bày kết quả từ thực nghiệm của robot của phần cứng và phần mềm. Chương 6: Kết luận và hướng phát triển. 3 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT CHƯƠNG 2 CƠ SỞ LÝ THUYẾT 2.

Động lực học của robot Hình 2.1: Hệ trục toạ độ của mobile robot Bảng D-H của robot cần dựa theo quy tắc bàn tay phải về cách đặt hệ trục tọa độ cho các khớp như sau: i 𝑎𝑖−1 𝛼𝑖−1 𝑑𝑖 𝜃𝑖−1 𝑍0 𝑍1 𝑋0 1 0 0 0 𝜃1 𝑋0 𝑋1 𝑍1 𝑍1 𝑍2 𝑋1 2 d 0 0 0 𝑋1 𝑋2 𝑍2 Bảng 2.1: Bảng D-H của mobile robot 4 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT Trong đó: ai-1 là khoảng cách từ trục zi-1 đến trục zi dọc theo trục xi-1. αi-1 là góc lệch của trục zi-1 đến trục zi dọc theo trục xi-1. di là khoảng cách từ trục xi-1 đến trục xi dọc theo trục zi. θi là góc quay từ trục xi-1 dọc theo trục zi.

Động học thuận của robot: Từ bảng D-H, với cách đặt hệ trục tọa độ như trên, ta có thể tính các ma trận chuyển đổi đồng nhất giữa các hệ trục tọa độ theo công thức sau: cos( ) − sin( )cos( ) sin( )sin( ) a cos( )   sin( ) cos( )cos( ) − cos( )sin( ) a sin( )  Ti +1 =  i  (2.1)  0 sin( ) cos( ) d     0 0 0 1   cos( ) = c  sin( ) = s  Đặt:   cos( ) = c  sin( ) = s Từ công thức trên, ta sẽ tính được các ma trận chuyển động đồng nhất. Ma trận chuyển đổi từ hệ trục 0 và hệ trục 1: c1 − s1 0 0 s c1 0 0  T1 =  1 0 (2.2) 0 0 1 0   0 0 0 1 Ma trận chuyển đổi đồng nhất từ hệ trục 1 và hệ trục 2: 1 0 0 d 0 1 0 0  T21 =  (2.3) 0 0 1 0   0 0 0 1 5 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT Thêm đó ta có thêm ma trận chuyển đổi đồng nhất giữa hệ trục tại gốc toạ độ và tại ví trí bắt đầu của robot.4) 0 0 1 0   0 0 0 1 Nhân hai ma trận chuyển đổi từ trục 0 đến trục 1 và trục 1 đến trục 2 ta sẽ thu được ma trận chuyển đổi đồng nhất từ trục 0 đến trục 2.5) 0 0 1 0    0 0 0 1  Tương tự ta sẽ tìm được ma trận đồng nhất giữa hệ trục gốc tọa độ và hệ trục 2. c − s 0 x + dc  1 1 1 map map 0  s1 c1 0 y + ds1  (2.T =   2 0 2 0 0 1 0  0 0 0 1   Từ ma trận tính toán trên ta có thể tìm được tọa độ điểm cuối so với tọa độ ban đầu.7) 1    0  6 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2.