Giới thiệu dự án

Trong kỷ nguyên Công nghiệp 4.0 và sản xuất thông minh (Smart Manufacturing), việc tự động hóa khâu hậu cần nội bộ (Intralogistics) đóng vai trò then chốt trong việc tối ưu hóa chuỗi cung ứng. Theo báo cáo của Liên đoàn Robot Quốc tế (IFR - International Federation of Robotics), thị trường robot di động tự hành (AMR - Autonomous Mobile Robot) đạt tốc độ tăng trưởng kép hàng năm (CAGR) trên 28.5%, dần thay thế các hệ thống xe tự hành truyền thống (AGV - Automated Guided Vehicle) nhờ khả năng vận hành linh hoạt, không phụ thuộc vào hạ tầng dẫn đường cố định như dải từ hay mã QR dán sàn.

Bối cảnh và vấn đề kỹ thuật thực tế (Problem Statement)

Tại các nhà máy gia công cơ khí và lắp ráp điện tử quy mô vừa và nhỏ tại Việt Nam, quy trình vận chuyển phôi liệu, bán thành phẩm giữa các công đoạn sản xuất phần lớn vẫn phụ thuộc vào phương thức đẩy tay thủ công hoặc các dòng xe kéo thô sơ. Thực trạng này phát sinh nhiều điểm nghẽn nghiêm trọng:

  • Tổn hao nhân lực và chi phí vận hành: Chi phí lao động trực tiếp cho khâu luân chuyển vật tư chiếm từ 15% đến 22% tổng chi phí vận hành phân xưởng, nhưng giá trị gia tăng tạo ra xấp xỉ bằng không.
  • Rủi ro an toàn lao động và tỷ lệ sự cố: Tình trạng va chạm do yếu tố con người, ùn tắc luồng giao thông nội bộ vào các khung giờ cao điểm làm gián đoạn chu kỳ sản xuất (cycle time) từ 10% đến 18%.
  • Hạn chế của AGV truyền thống: Các dòng AGV chạy theo đường line từ tính đòi hỏi chi phí bảo trì bề mặt sàn cao, thiếu tính linh hoạt khi cần tái cấu trúc mặt bằng (layout) xưởng sản xuất, đồng thời không có khả năng tự động tìm đường vòng tránh chướng ngại vật động.

Nhằm giải quyết triệt để các bài toán trên, đồ án tốt nghiệp "Nghiên cứu, thiết kế và chế tạo robot AMR ứng dụng trong nhà máy sản xuất" (ngành Công nghệ Kỹ thuật Cơ điện tử, Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh) đã triển khai nghiên cứu toàn diện từ thiết kế cơ khí, tích hợp hệ thống điện - điện tử đến xây dựng thuật toán điều hướng tự율 trên nền tảng hệ điều hành Robot (ROS - Robot Operating System).

graph LR
    A[Mặt bằng nhà máy thay đổi liên tục] --> D[Hệ thống AMR Tự hành Linh hoạt]
    B[Yêu cầu giảm chi phí vận hành & nhân công] --> D
    C[Hạn chế dẫn đường cố định của AGV] --> D
    D --> E[Tự động lập bản đồ SLAM]
    D --> F[Định vị thích nghi AMCL]
    D --> G[Né vật cản thời gian thực DWA]

Mục tiêu nghiên cứu cụ thể

  1. Thiết kế và chế tạo kết cấu cơ khí hoàn chỉnh: Xây dựng khung gầm chịu tải tĩnh và động tối thiểu 50 kg, tích hợp hệ thống treo giảm chấn độc lập bảo vệ cụm dẫn động.
  2. Thiết kế hệ thống điện và tích hợp phần cứng nhúng: Phân phối nguồn DC cách ly, kết nối máy tính điều khiển trung tâm x86 với vi điều khiển chấp hành cấp thấp qua giao tiếp chuỗi thời gian thực.
  3. Phát triển ngăn xếp phần mềm điều hướng tự hành (Navigation Stack): Ứng dụng thuật toán Gmapping (SLAM) xây dựng bản đồ 2D, thuật toán AMCL phục vụ định vị toàn cục, và thuật toán DWA (Dynamic Window Approach) hoạch định quỹ đạo tránh chướng ngại vật.
  4. Xây dựng giao diện giám sát Web GUI: Kết nối điều khiển, hiển thị trạng thái robot theo thời gian thực qua giao thức WebSockets.

Phạm vi và giới hạn hoạt động (Scope & Limitations)

  • Môi trường hoạt động: Không gian nhà xưởng công nghiệp trong nhà (indoor), mặt sàn phẳng (bê tông mài hoặc sơn phủ epoxy), độ dốc mặt sàn $\le 3^\circ$.
  • Khả năng chuyên chở: Tải trọng định mức chuyên chở hữu ích 50 kg (tổng tải trọng toàn hệ thống khi đầy tải xấp xỉ 70 kg).
  • Vận tốc vận hành an toàn: Tối đa 1.0 m/s khi không tải và 0.6 m/s khi đầy tải.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng và đánh giá thị trường

Tiêu chí kỹ thuật Xe đẩy tay thủ công Xe tự hành AGV (Dải từ) Robot AMR công nghiệp nhập khẩu (MiR / ABB) Giải pháp Robot AMR nghiên cứu
Chi phí đầu tư ban đầu Rất thấp (< 5 triệu VNĐ) Trung bình (100 - 250 triệu VNĐ) Rất cao (800 triệu - 1.5 tỷ VNĐ) Tối ưu (~45 - 65 triệu VNĐ)
Tính linh hoạt bản đồ Hoàn toàn theo con người Thấp (phải dán lại dải từ/QR khi đổi layout) Rất cao (tự động quét và cập nhật bản đồ số) Rất cao (SLAM LIDAR 2D)
Khả năng né chướng ngại vật Tùy thuộc người điều khiển Dừng lại chờ chướng ngại vật rời đi Tự động tính toán đường tránh thời gian thực Tự động tính toán đường tránh thời gian thực
Khả năng làm chủ công nghệ Không yêu cầu Thấp (phụ thuộc nhà cung cấp đóng gói) Rất thấp (hệ thống đóng kín, khó tùy biến) Hoàn toàn làm chủ phần cứng và mã nguồn

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must have (Bắt buộc phải có): Khung gầm chịu tải 50 kg; cảm biến LiDAR 360° phát hiện vật cản; thuật toán SLAM tạo bản đồ; thuật toán AMCL định vị; điều khiển động cơ vòng kín với bộ điều khiển PID; nút dừng khẩn cấp E-stop phần cứng.
  • Should have (Nên có): Hệ thống treo giảm xóc độc lập; thuật toán DWA tránh vật cản động; giao diện Web GUI điều khiển từ xa qua Wi-Fi; giám sát điện áp pin.
  • Could have (Có thể mở rộng): Tự động về trạm sạc khi pin yếu; cơ cấu bàn nâng kiện hàng tích hợp; giao tiếp đồng bộ với hệ thống quản lý sản xuất MES/WMS.
  • Won't have (Chưa thực hiện trong giai đoạn này): Cảm biến 3D LiDAR đắt tiền; điều hướng ngoài trời (outdoor); khả năng vượt địa hình dốc cao gồ ghề.

Thiết kế kiến trúc hệ thống

graph TD
    subgraph Máy tính trung tâm - Intel NucBox ZX01 Pro
        A[ROS Master - Ubuntu 20.04 LTS]
        B[SLAM Gmapping / Map Server]
        C[AMCL Localization Node]
        D[Move Base Navigation Node]
        E[Rosbridge WebSocket Server]
    end

    subgraph Cảm biến ngoại vi
        F[RPLIDAR A2M12 - USB Serial] -->|LaserScan /scan| A
        G[IMU 9-DOF MPU-9250 - I2C] -->|Imu /imu/data| H[Board vi điều khiển OPEN-iAR]
    end

    subgraph Chấp hành & Điều khiển cấp thấp
        H -->|rosserial UART 115200bps| A
        A -->|Twist /cmd_vel| H
        H -->|PWM / DIR| I[Driver GUX-2-50]
        I --> J[Động cơ BLDC GGM K8XH50N2-E x2]
        J -->|Encoder Feedback| H
    end

    subgraph Giám sát & Điều khiển
        K[Web GUI Dashboard - HTML5/JS] <-->|JSON over WS| E
    end

Danh mục công nghệ và thông số phiên bản (Technology Stack)

  • Hệ điều hành cấp cao: Ubuntu Linux 20.04 LTS (Kernel 5.15).
  • Robot Framework: ROS 1 Noetic Ninjemys (hỗ trợ C++14 và Python 3.8.10).
  • Mô phỏng và thiết kế CAD: Dassault Systèmes SolidWorks 2022, Autodesk Inventor 2022 (FEM Stress Analysis).
  • Phần cứng xử lý trung tâm: Mini PC Intel NucBox ZX01 Pro (CPU Intel Celeron N5105 Quad-Core 2.0 GHz boost 2.9 GHz, 8GB LPDDR4, 128GB eMMC/SSD).
  • Phần cứng vi điều khiển cấp thấp: Board OPEN-iAR (ARM Cortex-M4 32-bit core, 168 MHz, tương thích OpenCR).
  • Truyền thông phần cứng - phần mềm: Gói thư viện rosserial_server và rosserial_embeddedlinux qua chuẩn UART (Baud rate 115,200 bps).

Thiết kế cơ khí và kiểm nghiệm bền kết cấu (FEM Analysis)

Khung robot sử dụng vật liệu thép tấm C45 gia công cắt laser CNC và hàn liên kết khối hộp:

  • Giới hạn bền kéo đứt ($\sigma_b$): $610\text{ MPa}$.
  • Giới hạn chảy uốn ($\sigma_c$): $360\text{ MPa}$.
  • Kích thước phủ bì khung: $670\text{ mm} \times 500\text{ mm} \times 137\text{ mm}$.
  • Trọng lượng khung thô: $22.5\text{ kg}$.

Phân tích phần tử hữu hạn (Finite Element Analysis - FEA) trên Autodesk Inventor với tải trọng đặt lên mặt sàn xe là $P = 700\text{ N}$ (tương đương 70 kg gồm tải hàng và pin):

  • Ứng suất Von Mises cực đại: $\sigma_{\max} = 86.17\text{ MPa} \ll [\sigma] = 360\text{ MPa}$ (Hệ số an toàn $s \approx 4.17$).
  • Độ võng / chuyển vị lớn nhất: $d_{\max} = 0.2384\text{ mm}$ tại vị trí tâm bản đáy, hoàn toàn nằm trong dung sai cơ khí cho phép ($< 0.5\text{ mm}$).

Hệ dẫn động sử dụng cơ cấu vi sai 2 bánh chủ động nhôm gia công CNC đường kính $D = 150\text{ mm}$ bọc PU kết hợp 4 bánh xe caster đa hướng chịu tải phân bố tại 4 góc. Cụm bánh chủ động tích hợp hệ thống treo giảm chấn độc lập với con trượt tròn SCS16UU và cặp lò xo inox $l_0 = 60\text{ mm}$, độ cứng định mức chịu biến dạng nén $\Delta l = 10\text{ mm}$ dưới tải, giúp duy trì lực ma sát bám sàn liên tục khi di chuyển qua các điểm nối sàn không bằng phẳng.

Implementation và kết quả

Mô hình động học robot vi sai (Differential Drive Kinematics)

Hệ thống di chuyển trong mặt phẳng $Oxy$, vị trí robot được biểu diễn bằng vector trạng thái $q = [x, y, \theta]^T$.

$$\begin{cases} \dot{x} = v \cos\theta = \dfrac{R}{2}(v_r + v_l)\cos\theta \ \dot{y} = v \sin\theta = \dfrac{R}{2}(v_r + v_l)\sin\theta \ \dot{\theta} = \omega = \dfrac{R}{L}(v_r - v_l) \end{cases}$$

Trong đó:

  • $R = 0.075\text{ m}$: Bán kính bánh xe chủ động.
  • $L = 0.420\text{ m}$: Khoảng cách giữa 2 tâm bánh xe chủ động.
  • $v, \omega$: Vận tốc dài và vận tốc góc của tâm robot.
  • $v_r, v_l$: Vận tốc dài của bánh xe bên phải và bánh xe bên trái.

Chuyển đổi ngược từ lệnh vận tốc $(v, \omega)$ nhận được từ ROS topic /cmd_vel thành vận tốc góc mong muốn của từng bánh xe:

$$\omega_r = \frac{2v + \omega L}{2R}, \quad \omega_l = \frac{2v - \omega L}{2R}$$

// Trích đoạn mã nguồn tính toán động học và giao tiếp rosserial trên bo mạch OPEN-iAR
#include <ros.h>
#include <geometry_msgs/Twist.h>
#include <nav_msgs/Odometry.h>

ros::NodeHandle nh;

const float WHEEL_RADIUS = 0.075; // meters
const float WHEEL_BASE   = 0.420; // meters

float target_vel_x = 0.0;
float target_vel_z = 0.0;

void cmdVelCallback(const geometry_msgs::Twist& cmd_msg) {
    target_vel_x = cmd_msg.linear.x;
    target_vel_z = cmd_msg.angular.z;
    
    // Inverse Kinematics calculation
    float target_rpm_r = ((2.0 * target_vel_x + target_vel_z * WHEEL_BASE) / (2.0 * WHEEL_RADIUS)) * (60.0 / (2.0 * M_PI));
    float target_rpm_l = ((2.0 * target_vel_x - target_vel_z * WHEEL_BASE) / (2.0 * WHEEL_RADIUS)) * (60.0 / (2.0 * M_PI));
    
    // Set setpoint to Low-Level PID Motor Controllers
    set_motor_target_rpm(MOTOR_RIGHT, target_rpm_r);
    set_motor_target_rpm(MOTOR_LEFT,  target_rpm_l);
}

ros::Subscriber<geometry_msgs::Twist> sub_cmd_vel("/cmd_vel", &cmdVelCallback);

Bộ điều khiển vận tốc PID vòng kín (Closed-loop PID)

Để triệt tiêu sai số trượt và độ bất đối xứng giữa hai động cơ BLDC GGM K8XH50N2-E (50W, hộp giảm tốc 1:10), thuật toán PID số rời rạc được áp dụng trực tiếp tại tầng vi điều khiển với tần số lấy mẫu $f_s = 50\text{ Hz}$ ($\Delta t = 20\text{ ms}$):

$$u(t) = K_p e(t) + K_i \int_0^t e(\tau)d\tau + K_d \frac{de(t)}{dt}$$

# Thuật toán hoạch định vị trí điểm đến move_base_goal tự động
import rospy
import actionlib
from move_base_msgs.msg import MoveBaseAction, MoveBaseGoal

def send_goal(x, y, yaw_deg):
    client = actionlib.SimpleActionClient('move_base', MoveBaseAction)
    client.wait_for_server()

    goal = MoveBaseGoal()
    goal.target_pose.header.frame_id = "map"
    goal.target_pose.header.stamp = rospy.Time.now()
    
    goal.target_pose.pose.position.x = x
    goal.target_pose.pose.position.y = y
    
    # Chuyển đổi góc Yaw sang Quaternion
    from tf.transformations import quaternion_from_euler
    q = quaternion_from_euler(0, 0, yaw_deg * 3.14159265 / 180.0)
    goal.target_pose.pose.orientation.x = q[0]
    goal.target_pose.pose.orientation.y = q[1]
    goal.target_pose.pose.orientation.z = q[2]
    goal.target_pose.pose.orientation.w = q[3]

    rospy.loginfo(f"Sending goal location: X={x}, Y={y}, Yaw={yaw_deg} deg")
    client.send_goal(goal)
    client.wait_for_result()
    return client.get_state()

Kết quả kiểm nghiệm và thực nghiệm vận hành

pie title Tỷ lệ trạng thái kiểm thử điều hướng (100 kịch bản di chuyển)
    "Đạt điểm đích chính xác (<20mm)" : 88
    "Đạt điểm đích có hiệu chỉnh (<35mm)" : 9
    "Tắc nghẽn phải hồi phục (Recovery)" : 2
    "Thất bại do vật cản che khuất LiDAR" : 1

Đánh giá các chỉ số kỹ thuật thực nghiệm

Tham số vận hành Giá trị thiết kế Giá trị thực nghiệm đạt được Đánh giá sai số / Tỷ lệ hoàn thành
Tải trọng chuyên chở hữu ích $50.0\text{ kg}$ $50.0\text{ kg}$ Đạt $100%$ thiết kế
Vận tốc tuyến tính lớn nhất (có tải) $0.60\text{ m/s}$ $0.58\text{ m/s}$ Đạt $96.6%$
Sai số dừng tại điểm đích (Goal Tolerance) $\le \pm 30\text{ mm}$ $\pm 18.5\text{ mm}$ Vượt $38.3%$ độ chính xác kỳ vọng
Sai số góc quay tại điểm đích $\le \pm 5.0^\circ$ $\pm 2.4^\circ$ Vượt $52.0%$ độ chính xác kỳ vọng
Tần số quét dữ liệu Lidar RPLIDAR A2M12 $10\text{ Hz}$ $10.2\text{ Hz}$ Ổn định theo thông số NSX
Thời lượng pin liên tục (Tải 30 kg) $\ge 4.0\text{ giờ}$ $4.8\text{ giờ}$ (Pin LiFePO4 24V 20Ah) Vượt $20%$ chỉ tiêu
Thời gian phản hồi né vật cản động $\le 200\text{ ms}$ $145\text{ ms}$ (DWA Local Planner) Đảm bảo an toàn công nghiệp

Đổi mới và đóng góp

  1. Cơ cấu giảm chấn treo độc lập tích hợp: Thay vì gắn cứng cụm trục động cơ vào khung như các dòng xe AGV chi phí thấp, robot sử dụng cơ cấu trượt tuyến tính SCS16UU kết hợp lò xo nén kép. Giải pháp này giúp triệt tiêu hiện tượng nhấc bánh mất lực ma sát khi xe chạy qua các gờ phân cách hoặc bề mặt sàn có độ mấp mô $\le 8\text{ mm}$, nâng cao $35%$ độ chính xác của Odometry từ bánh xe.
  2. Kiến trúc phần cứng phân tầng tối ưu chi phí: Kết hợp máy tính nhúng mini x86 (chạy ROS Master, thuật toán nặng SLAM/AMCL) với bo mạch OPEN-iAR STM32F4 (chạy PID cứng tần số $50\text{ Hz}$), giảm tải $100%$ các tác vụ thời gian thực cho CPU máy tính, cho phép hệ thống hoạt động ổn định không bị hiện tượng trễ khung truyền nhận (packet dropping).
  3. Hiệu quả kinh tế vượt trội: Tổng chi phí chế tạo hệ thống hoàn chỉnh chỉ bằng khoảng $8%$ đến $12%$ so với việc trang bị các dòng robot thương mại quốc tế có cùng tải trọng (như MiR100 hay Omron LD-60), mang lại tính khả thi rất cao khi triển khai tại các doanh nghiệp vừa và nhỏ (SMEs).

Ứng dụng thực tế và triển khai

Kịch bản vận hành thực tế tại nhà máy (Use Cases)

  • Vận chuyển bảng mạch điện tử (PCBA) trong phân xưởng SMT: Robot nhận lệnh tự động di chuyển từ phòng đệm sạch đến từng dây chuyền gắn chip SMT, nhận khay hàng chứa bảng mạch hoàn thiện và vận chuyển về khu vực kiểm tra quang học tự động (AOI).
  • Cấp phát dao cụ và phôi cho trung tâm gia công CNC: Tự động lấy phôi thô từ kho nguyên liệu, vận chuyển đến cửa máy CNC theo lịch trình lệnh gia công đồng bộ, giảm thời gian máy dừng chờ phôi (Downtime).

Yêu cầu hạ tầng triển khai

  • Mặt bằng sàn xưởng: Đảm bảo độ mấp mô không vượt quá $\pm 8\text{ mm}$, độ dốc mặt sàn $\le 3^\circ$.
  • Hạ tầng truyền thông mạng: Hệ thống Wi-Fi công nghiệp băng tần kép $2.4\text{ GHz} / 5.0\text{ GHz}$ phủ sóng liên tục với mức tín hiệu RSSI $\ge -65\text{ dBm}$ tại mọi vị trí trong phân xưởng.
  • Điểm mốc nhận diện: Không yêu cầu dán line hay gắn gương phản xạ; chỉ cần thiết lập tọa độ các điểm trạm (Storage, Station A, Station B) trực tiếp trên bản đồ số thông qua giao diện Web.
sequenceDiagram
    autonumber
    actor Operator as Quản đốc / Công nhân
    participant Web as Web GUI Dashboard
    participant Master as ROS Master (Mini PC)
    participant HW as Vi điều khiển & Động cơ
    
    Operator->>Web: Chọn điểm đến "Trạm gia công A"
    Web->>Master: Gửi tọa độ Pose (/move_base_simple/goal)
    Master->>Master: AMCL định vị & Global Planner (A*) tính đường đi
    loop Quá trình di chuyển (50Hz)
        Master->>Master: DWA quét LiDAR né vật cản động
        Master->>HW: Xuất lệnh vận tốc (/cmd_vel)
        HW->>HW: Bộ điều khiển PID bám tốc độ động cơ
        HW->>Master: Phản hồi Odometry & IMU
    end
    Master->>Web: Báo trạng thái "Đã đến đích (Goal Reached)"
    Web->>Operator: Hiển thị thông báo hoàn thành nhiệm vụ

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Cảm biến quét 2D đơn tầng: Cảm biến RPLIDAR A2M12 đặt ở cao độ $210\text{ mm}$ chỉ phát hiện vật cản trong một mặt phẳng phẳng cắt ngang. Các vật thể nhô ra ở tầm cao (như mép bàn, càng xe nâng nhô cao) hoặc các gờ quá thấp dưới sàn ($< 50\text{ mm}$) chưa thể nhận dạng đầy đủ.
  • Giới hạn thuật toán Gmapping: Thuật toán SLAM dựa trên bộ lọc hạt Rao-Blackwellized tiêu tốn nhiều bộ nhớ RAM khi mở rộng diện tích quét bản đồ vượt quá $5,000\text{ m}^2$.

Hướng phát triển và mở rộng

  1. Nâng cấp cảm biến thị giác 3D (RGB-D Depth Camera): Tích hợp thêm camera RealSense D435i phía trước để phát hiện vật cản 3 chiều ở vùng điểm mù của LiDAR.
  2. Chuyển đổi sang hệ điều hành ROS 2 (Humble / Iron): Nâng cấp kiến trúc truyền thông DDS (Data Distribution Service) nhằm tăng tính bảo mật chuẩn công nghiệp và hỗ trợ quản lý điều phối đồng thời nhiều robot (Fleet Management Multi-Robot).
  3. Tích hợp cơ cấu nâng hạ tự động: Phát triển bàn nâng trục vít - đai ốc hoặc cắt kéo tải trọng 100 kg điều khiển qua giao tiếp CANopen để tự động nhận và trả pallet hàng.

Đối tượng hưởng lợi

  • Sinh viên và học viên ngành Cơ điện tử / Tự động hóa: Tài liệu tham khảo thực chiến về quy trình thiết kế hoàn chỉnh hệ thống cơ điện tử kết hợp ROS, từ tính toán giải tích động học, mô phỏng kết cấu FEM đến tích hợp phần cứng thực tế.
  • Kỹ sư phát triển Robot (Robotics Developers): Cung cấp cấu trúc mã nguồn mẫu, giải pháp giao tiếp rosserial ổn định, kinh nghiệm căn chỉnh bộ thông số Costmap và DWA Local Planner tránh vật cản động.
  • Doanh nghiệp sản xuất (SMEs): Bản thiết kế có tính khả thi cao, chi phí sản xuất thấp, giúp hiện thực hóa việc ứng dụng giải pháp chuyển đổi số và tự động hóa nhà kho với thời gian thu hồi vốn (ROI) nhanh chóng từ 8 đến 12 tháng.
  • Các nhà nghiên cứu ứng dụng: Nền tảng phần cứng mở (Open-architecture mobile platform) phục vụ thử nghiệm các thuật toán định vị nâng cao, SLAM quang học hoặc điều khiển bám quỹ đạo phi tuyến.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai và bảo trì robot AMR trong nhà xưởng là gì?

Nhà xưởng cần có bề mặt sàn phẳng (bê tông mài, sơn epoxy), hệ thống mạng Wi-Fi phủ sóng ổn định với băng thông tối thiểu $10\text{ Mbps}$, và nguồn sạc $220\text{VAC}$ tiêu chuẩn tại trạm nghỉ. Việc bảo trì định kỳ bao gồm vệ sinh mặt kính cảm biến quang học LiDAR mỗi tuần một lần và kiểm tra độ mòn bề mặt lốp PU, độ căng lò xo giảm chấn định kỳ 3 tháng một lần.

2. Giới hạn khả năng mở rộng diện tích làm việc của robot là bao nhiêu?

Với cấu hình phần cứng Intel Celeron N5105 và 8GB RAM hiện tại, hệ thống hoạt động tối ưu với diện tích bản đồ nhà xưởng dưới $8,000\text{ m}^2$. Khi nâng cấp sang thuật toán Cartographer SLAM hoặc chia nhỏ bản đồ thành nhiều vùng hoạt động (multi-submap), robot có thể vận hành tại các kho bãi quy mô trên $25,000\text{ m}^2$.

3. Hệ thống có thể tích hợp với phần mềm quản lý kho WMS/ERP có sẵn không?

Hoàn toàn có thể. Do hệ thống sử dụng module rosbridge_server chuẩn hóa giao tiếp qua giao thức WebSockets và chuẩn định dạng dữ liệu JSON, mọi hệ thống MES/WMS/ERP đều có thể gửi lệnh điều phối (Dispatching Command) và nhận dữ liệu tọa độ thời gian thực của robot thông qua các API HTTP/REST hoặc WebSocket endpoint.

4. Hệ thống đảm bảo an toàn cho công nhân làm việc xung quanh như thế nào?

Robot áp dụng hệ thống bảo vệ an toàn 2 cấp độ:

  • Cấp độ thuật toán (Software Safety): Thiết lập 2 lớp vùng an toàn (Safety Zones) trên Local Costmap. Khi vật cản đi vào vùng cảnh báo ($r = 0.8\text{ m}$), robot tự động giảm tốc độ còn $50%$; khi vật cản đi vào vùng nguy hiểm ($r = 0.35\text{ m}$), thuật toán DWA lập tức phát lệnh dừng khẩn cấp.
  • Cấp độ phần cứng (Hardware Safety): Nút dừng khẩn cấp E-Stop gắn trực tiếp trên vỏ xe, ngắt nguồn điện cấp cho Driver động cơ ngay lập tức thông qua rơ-le an toàn khi được kích hoạt.

5. Dự toán chi phí đầu tư và thời gian hoàn vốn (ROI) được tính toán ra sao?

Tổng chi phí linh kiện gia công và thiết bị điện tử của robot xấp xỉ 55 triệu VNĐ. So với việc thuê 1 nhân công vận chuyển luân chuyển vật tư thủ công (mức lương trung bình 8.5 triệu VNĐ/tháng), hệ thống giúp doanh nghiệp tiết kiệm chi phí nhân sự và đạt điểm hoàn vốn đầu tư chỉ sau khoảng 6.5 đến 8 tháng vận hành liên tục.

Kết luận

Đề tài tốt nghiệp "Nghiên cứu, thiết kế và chế tạo robot AMR ứng dụng trong nhà máy sản xuất" của nhóm tác giả tại Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh đã hoàn thành xuất sắc toàn bộ các mục tiêu đặt ra:

  • Chế tạo thành công nguyên mẫu robot AMR với kết cấu cơ khí chắc chắn, vượt qua các kiểm nghiệm bền chịu tải $50\text{ kg}$ với hệ số an toàn $s > 4$.
  • Ứng dụng thành công hệ điều hành ROS và các thuật toán SLAM Gmapping, AMCL, DWA, giúp robot tự động định vị, thiết lập bản đồ và điều hướng bám quỹ đạo chính xác với sai số điểm đích dưới $\pm 20\text{ mm}$.
  • Tích hợp hệ thống điện - điện tử phân tầng khoa học, đảm bảo khả năng vận hành liên tục gần 5 giờ đồng hồ và giao tiếp mượt mà qua giao diện Web GUI trực quan.

Kết quả nghiên cứu không chỉ mang giá trị học thuật sâu sắc trong lĩnh vực cơ điện tử và robot di động mà còn chứng minh tính khả thi kinh tế vượt trội, mở ra tiềm năng ứng dụng thực tế to lớn cho các dây chuyền sản xuất thông minh tại Việt Nam.

Bạn đang tìm kiếm giải pháp chuyển đổi số Intralogistics hoặc tham khảo mã nguồn điều khiển robot tự hành? Hãy tham khảo chi tiết các tài liệu kỹ thuật, sơ đồ điện và mã nguồn ROS Navigation được lưu trữ tại thư viện đồ án của Trường Đại học Sư phạm Kỹ thuật TP.HCM hoặc liên hệ hợp tác chuyển giao công nghệ cùng nhóm nghiên cứu.