Giới thiệu dự án

Sự bùng nổ của cuộc Cách mạng Công nghiệp 4.0 và xu hướng tự động hóa gia dụng đã thúc đẩy thị trường Robot di động tự hành (Autonomous Mobile Robot - AMR), đặc biệt là robot hút bụi thông minh, tăng trưởng với tốc độ kép hàng năm (CAGR) ước tính đạt 15–20% trên toàn cầu. Mặc dù các thiết bị thương mại như iRobot Roomba, Xiaomi Mi Robot hay Neato Botvac sở hữu nhiều tính năng vượt trội, phần lớn các hệ thống này đều sử dụng mã nguồn đóng, chi phí bảo trì và thay thế linh kiện cao, đồng thời giới hạn khả năng tùy biến nghiên cứu cho môi trường nội địa tại Việt Nam.

Đồ án tốt nghiệp “Nghiên cứu, thiết kế, chế tạo Robot hút bụi tự động sạc pin” do nhóm sinh viên ngành Công nghệ Kỹ thuật Cơ điện tử, Trường Đại học Sư phạm Kỹ thuật TP.HCM (HCMUTE) thực hiện (GVHD: TS. Hà Lê Như Ngọc Thành; SVTH: Tạ Duy Tú, Trịnh Nhật Tiến, Liên Hữu Lộc) giải quyết các điểm nghẽn kỹ thuật trong việc phát triển một hệ thống robot hút bụi mã nguồn mở, chi phí tối ưu nhưng vẫn đảm bảo đầy đủ các tính năng hiện đại: tự định vị, xây dựng bản đồ, điều hướng thông minh và tự động quay về trạm sạc.

                  +--------------------------------------------------+
                  |         KIẾN TRÚC ĐIỀU KHIỂN HỆ THỐNG ROBOT      |
                  +--------------------------------------------------+
                                           |
                   +-----------------------+-----------------------+
                   |                                               |
         [XỬ LÝ CẤP CAO - ROS 2]                        [ĐIỀU KHIỂN CẤP THẤP]
       (Raspberry Pi 4 - BCM2711)                     (Arduino Uno - ATmega328P)
                   |                                               |
         +---------+---------+                            +--------+--------+
         |                   |                            |                 |
   [RPLidar A1M8]     [Nav2 / SLAM]                 [L298N Driver]    [Encoder A-B]
   (Quét 360 độ)    (AMCL / Costmap)                      |           (Đọc xung 4x)
                                                    [2x JGA25-370]
                                                    (Động cơ vi sai)

Mục tiêu kỹ thuật trọng tâm

  1. Thiết kế & Chế tạo phần cứng tối ưu: Ứng dụng công nghệ in 3D với vật liệu nhựa kỹ thuật PLA-ES để chế tạo thân vỏ robot (đường kính $\varnothing 300\text{ mm}$, chiều cao $73.3\text{ mm}$) và trạm sạc tự động nhỏ gọn ($85 \times 100 \times 72\text{ mm}$).
  2. Xây dựng hệ thống SLAM và Navigation: Tích hợp cảm biến LiDAR RPLidar A1M8 kết hợp hệ điều hành robot ROS 2 (Robot Operating System 2), triển khai gói thuật toán slam_toolbox và Navigation2 (Nav2) trên nền tảng máy tính nhúng Raspberry Pi 4 Model B.
  3. Phát triển thuật toán điều khiển truyền động vi sai: Ứng dụng giải thuật PID (Proportional - Integral - Derivative) trên vi điều khiển 8-bit ATmega328P (Arduino Uno R3) để điều khiển vòng kín vận tốc 2 động cơ DC Geared Motor JGA25-370 tích hợp bộ mã hóa Encoder quang học hai kênh.
  4. Tự động hóa chu trình năng lượng: Thiết kế hệ thống quản lý nguồn pin Lithium-ion 3S 26650 dung lượng $5100\text{ mAh}$ ($64.2\text{ Wh}$) kèm mạch tiếp điểm cơ-điện tự động căn chỉnh và kết nối với dock sạc khi mức năng lượng giảm dưới ngưỡng an toàn.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng và so sánh giải pháp

Tiêu chí so sánh iRobot Roomba j7+ Xiaomi Mi Robot Vacuum Neato Botvac D7 Đồ án HCMUTE (Robot Tự Hành)
Công nghệ định vị Camera vSLAM Cảm biến Laser LDS (LiDAR) LaserSmart LiDAR RPLidar A1M8 360° + ROS 2 SLAM
Hệ điều hành / Stack Độc quyền (Proprietary) Độc quyền (Linux Based) Độc quyền ROS 2 (Humble/Foxy) + Nav2 Stack
Cơ cấu truyền động Vi sai 2 bánh + 1 caster Vi sai 2 bánh + 1 caster Vi sai 2 bánh hình chữ D Vi sai 2 bánh chủ động + 1 caster
Kiến trúc phần cứng SoC nhúng đóng kín SoC chuyên dụng Board điều khiển tích hợp Raspberry Pi 4 + Arduino Uno R3
Khả năng mở rộng Không Hạn chế qua API đám mây Hạn chế Hoàn toàn mở (Mã nguồn & Phần cứng)
Chi phí chế tạo Rất cao ($>800 USD) Trung bình ($250–$350 USD) Cao ($500–$600 USD) Thấp ($120–$150 USD)

Phân tích yêu cầu hệ thống theo mô hình MoSCoW

  • Must-Have: Tự hành tránh vật cản thời gian thực; quét 2D LiDAR lập bản đồ môi trường phòng; phản hồi vận tốc bằng encoder và điều khiển kín PID; tự tìm về trạm sạc khi pin yếu.
  • Should-Have: Giao diện trực quan hóa dữ liệu Rviz2; công suất hút bụi ly tâm tối thiểu đạt $6.72\text{ W}$; cấu trúc module hóa dễ tháo lắp.
  • Could-Have: Điều khiển từ xa qua Wi-Fi/Web GUI; tự động phân vùng phòng làm việc.
  • Won't-Have (Giai đoạn này): Cụm trạm hút bụi tự động gom rác lớn (Auto-empty dustbin); nhận diện vật thể bằng AI Camera 3D.

Thiết kế hệ thống cơ - điện và động học

1. Mô hình toán học động học truyền động vi sai (Differential Drive Kinematics)

Robot sử dụng 2 bánh xe chủ động bán kính $r = 0.0325\text{ m}$ (đường kính $65\text{ mm}$), khoảng cách giữa hai bánh xe $2a = 0.21\text{ m}$ ($a = 0.105\text{ m}$) và 1 bánh xe đa hướng (caster wheel) chịu tải phía trước.

Vector tư thế của robot trong hệ tọa độ phẳng: $$P = \begin{bmatrix} x_Q \ y_Q \ \phi \end{bmatrix}, \quad \dot{P} = \begin{bmatrix} \dot{x}_Q \ \dot{y}_Q \ \dot{\phi} \end{bmatrix}$$

Mối quan hệ giữa vận tốc tuyến tính $v_Q$, vận tốc góc $\omega = \dot{\phi}$ với vận tốc góc bánh trái $\dot{\theta}_l$ và bánh phải $\dot{\theta}_r$: $$v_Q = \frac{r}{2}(\dot{\theta}_r + \dot{\theta}_l), \quad \dot{\phi} = \frac{r}{2a}(\dot{\theta}_r - \dot{\theta}_l)$$

Ma trận Jacobian biểu diễn động học thuận: $$\begin{bmatrix} \dot{x}_Q \ \dot{y}_Q \ \dot{\phi} \end{bmatrix} = \begin{bmatrix} \frac{r}{2}\cos\phi & \frac{r}{2}\cos\phi \ \frac{r}{2}\sin\phi & \frac{r}{2}\sin\phi \ \frac{r}{2a} & -\frac{r}{2a} \end{bmatrix} \begin{bmatrix} \dot{\theta}_r \ \dot{\theta}_l \end{bmatrix}$$

2. Tính toán động cơ và công suất hệ thống

  • Khối lượng tổng thể ước tính ($m$): $2.5\text{ kg}$
  • Vận tốc thiết kế tối đa ($v$): $1.0\text{ m/s}$ (Vận tốc làm việc định mức: $0.25\text{ m/s}$)
  • Thời gian gia tốc ($t$): $1.0\text{ s}$ $\rightarrow$ Gia tốc $a_t = 0.25\text{ m/s}^2$
  • Mô-men xoắn yêu cầu trên trục bánh xe ($M$): $0.35\text{ N}\cdot\text{m}$ $\rightarrow$ Mô-men mỗi động cơ $M_p \approx 0.175\text{ N}\cdot\text{m}$.
  • Tốc độ vòng quay trục ra: $n = \frac{v \times 60}{2\pi r} = 147.06\text{ vòng/phút}$.

$\rightarrow$ Lựa chọn: Động cơ DC Geared Motor JGA25-370 (12VDC, 280 RPM không tải, tỷ số truyền 21.3:1, công suất định mức 13.2W, tích hợp Hall Encoder 11 xung/vòng $\times$ 21.3 $\approx$ 234.3 xung/vòng trục ra).

3. Hệ thống hút bụi và phân phối công suất

  • Quạt hút bụi: 02 quạt hút ly tâm 7530 12VDC ($PBT$ housing, $1600\text{ RPM}$, áp suất làm việc $\Delta P = 126\text{ Pa}$, lưu lượng gió $Q$, độ ồn $< 45.8\text{ dBA}$). Công suất tính toán tối thiểu yêu cầu $6.72\text{ W}$.
  • Cân bằng năng lượng toàn tải:
    • 2 Động cơ DC servo/geared: $12\text{V} \times 4.0\text{A (peak)} = 48.0\text{W}$
    • Driver L298N: $12\text{V} \times 0.036\text{A} = 0.43\text{W}$
    • 2 Quạt hút ly tâm: $12\text{V} \times 0.46\text{A} = 5.52\text{W}$
    • Arduino Uno R3: $12\text{V} \times 0.1\text{A} = 1.2\text{W}$
    • Raspberry Pi 4 Model B (8GB): $5\text{V} \times 1.5\text{A} = 7.5\text{W}$ (qua mạch hạ áp DC-DC $9\text{--}36\text{V} \rightarrow 5.2\text{V}/5\text{A}$)
    • RPLidar A1M8: $5\text{V} \times 0.1\text{A} = 0.5\text{W}$
    • Tổng công suất cực đại ($P_{max}$): $63.15\text{ W}$.
    • Nguồn cấp: Bộ 3 cell Pin Li-ion 26650 mắc nối tiếp (3S1P: $11.1\text{V}\text{--}12.6\text{V}$, dung lượng $5100\text{ mAh}$, lưu trữ $64.2\text{ Wh}$), đáp ứng liên tục trên 60 phút hoạt động hỗn hợp.

Implementation và kết quả

Kiến trúc phần mềm và giải thuật điều khiển

Hệ thống được chia thành 2 phân tầng xử lý giao tiếp qua chuẩn UART/Serial:

  1. Tầng nhúng cấp thấp (Arduino Uno R3): Chịu trách nhiệm ngắt đọc xung Encoder (chế độ X4 Decode), tính toán vận tốc thực tế, chạy bộ điều khiển số PID Discrete Time và xuất xung PWM điều khiển cầu H L298N.
  2. Tầng tính toán cấp cao (Raspberry Pi 4 - Ubuntu Mate/Server chạy ROS 2): Tiếp nhận dữ liệu laser /scan từ RPLidar A1M8, nhận /odom từ vi điều khiển, thực thi thuật toán slam_toolbox để lập bản đồ (Occupancy Grid Map), tính toán vị trí với AMCL và điều hướng quỹ đạo thông qua Nav2 Controller Server xuất topic /cmd_vel.
               KIẾN TRÚC PHẦN MỀM ĐIỀU KHIỂN & ĐIỀU HƯỚNG
               
   +-------------------------------------------------------------+
   |                  ROS 2 (Raspberry Pi 4)                     |
   |                                                             |
   |   [RPLidar A1M8] ---> topic: /scan                          |
   |                             |                               |
   |                             v                               |
   |                     [slam_toolbox] / [AMCL]                 |
   |                             |                               |
   |                             v                               |
   |                     [Nav2 Planner & Costmap]                |
   |                             |                               |
   |                             v                               |
   |                     [Nav2 Controller Server]                |
   |                             |                               |
   |                             +---> topic: /cmd_vel           |
   +---------------------------------------|---------------------+
                                           | (Serial UART)
                                           v
   +-------------------------------------------------------------+
   |                 Arduino Uno R3 (ATmega328P)                 |
   |                                                             |
   |   [Bộ điều khiển PID] <----+ [Đọc xung Encoder Chế độ 4x]   |
   |            |                                                |
   |            v                                                |
   |   [Tín hiệu PWM / DIR] ---> [Driver L298N] ---> [Động cơ]   |
   +-------------------------------------------------------------+

// Code snippet: Thuật toán điều khiển PID vận tốc động cơ trên Arduino Uno
#include <Arduino.h>

volatile long encoderTicksLeft = 0;
volatile long encoderTicksRight = 0;
double targetRpmLeft = 0.0, actualRpmLeft = 0.0;
double kp = 1.85, ki = 0.45, kd = 0.08;
double integralErrorLeft = 0.0, lastErrorLeft = 0.0;
unsigned long lastTime;

void IRAM_ATTR readEncoderLeftA() {
  if (digitalRead(2) == digitalRead(3)) {
    encoderTicksLeft++;
  } else {
    encoderTicksLeft--;
  }
}

void computePID() {
  unsigned long now = millis();
  double dt = (double)(now - lastTime) / 1000.0;
  if (dt >= 0.05) { // Chu kỳ lấy mẫu 50ms
    // Tính RPM thực tế từ xung encoder (234.3 xung / vòng)
    actualRpmLeft = (encoderTicksLeft / 234.3) * (60.0 / dt);
    encoderTicksLeft = 0;
    
    double error = targetRpmLeft - actualRpmLeft;
    integralErrorLeft += error * dt;
    double derivative = (error - lastErrorLeft) / dt;
    
    double outputPwm = kp * error + ki * integralErrorLeft + kd * derivative;
    outputPwm = constrain(outputPwm, -255, 255);
    
    // Điều khiển chiều và độ rộng xung PWM qua L298N
    if (outputPwm >= 0) {
      digitalWrite(7, HIGH); // IN1
      digitalWrite(8, LOW);  // IN2
      analogWrite(9, (int)outputPwm); // ENA
    } else {
      digitalWrite(7, LOW);
      digitalWrite(8, HIGH);
      analogWrite(9, (int)(-outputPwm));
    }
    
    lastErrorLeft = error;
    lastTime = now;
  }
}

Thử nghiệm và kết quả thực nghiệm

  Trạng thái thực tế: Quá trình tạo bản đồ 2D Occupancy Grid qua Rviz2
  ----------------------------------------------------------------------
  [Bản đồ phòng thí nghiệm 25m²]       Sai số định vị: < 2.5 cm
  [Vật cản tĩnh (tường, bàn ghế)]      Phát hiện chính xác qua LiDAR
  [Quỹ đạo di chuyển Local Path]       DWB Local Planner tối ưu hóa
  [Trạm sạc tiếp xúc]                  Tự động quay về dock thành công

1. Đánh giá đáp ứng động học động cơ qua bộ điều khiển PID

  • Thời gian xác lập ($t_s$): Đạt $0.42\text{ s}$ khi thay đổi tín hiệu đặt vận tốc đột ngột từ $0\text{ m/s}$ lên $0.5\text{ m/s}$.
  • Độ vọt lố (Overshoot): Khống chế dưới $6.8%$, triệt tiêu hoàn toàn hiện tượng lệch hướng khi robot di chuyển tịnh tiến đường thẳng dài $5\text{ m}$.

2. Khả năng lập bản đồ (SLAM) và điều hướng (Navigation)

  • Thử nghiệm trong môi trường phòng thí nghiệm diện tích $25\text{ m}^2$ với nhiều chướng ngại vật tĩnh và động.
  • LiDAR RPLidar A1M8 quét ổn định ở tần số $5.5\text{ Hz}$, tầm hoạt động hiệu quả $0.15\text{--}12\text{ m}$.
  • Bản đồ Occupancy Grid Map xây dựng đạt độ phân giải $0.05\text{ m/pixel}$. Độ lệch vị trí ước lượng qua AMCL so với thực tế $< 2.5\text{ cm}$, góc xoay sai lệch $< 3.2^\circ$.

3. Hiệu suất hút bụi và chu trình tự sạc

  • Khả năng làm sạch: Thử nghiệm hút hạt bụi tiêu chuẩn, giấy vụn, cát mịn rải trên sàn gạch men diện tích $10\text{ m}^2$: Tỷ lệ thu hồi rác đạt $91.4%$ sau một chu trình làm việc đơn.
  • Thử nghiệm tự động quay về trạm sạc: Thực hiện 20 lần kích hoạt ngẫu nhiên từ các tọa độ khác nhau trong phòng: 19/20 lần kết nối dock sạc chính xác ngay lần thử đầu tiên (tỷ lệ thành công $95%$), thời gian tiếp cận trung bình $48\text{ giây}$.

Đổi mới và đóng góp

  1. Tối ưu hóa chi phí phần cứng nhờ công nghệ in 3D FDM: Ứng dụng nhựa PLA-ES với độ dày thành đế chịu lực $8\text{ mm}$ (tính toán dựa trên mô-đun đàn hồi $E = 3150\text{ N/mm}^2$ và hệ số an toàn $n = 3.0$), giúp cắt giảm $65%$ chi phí gia công cơ khí so với việc phay CNC nhôm hoặc đúc khuôn nhựa công nghiệp.
  2. Kiến trúc điều khiển phân tầng mở trên ROS 2: Khác với các nghiên cứu trước đây chỉ sử dụng vi điều khiển đơn lẻ (chỉ chạy thuật toán tránh vật cản ngẫu nhiên), hệ thống tích hợp đầy đủ hệ điều hành ROS 2 Navigation2, đưa robot tiếp cận tiêu chuẩn công nghiệp với khả năng tái sử dụng mã nguồn và tích hợp các cảm biến hiện đại.
  3. Cơ chế dock sạc tiếp điểm đàn hồi tự lựa: Thiết kế dạng vấu trượt tiếp xúc kết hợp lò xo nén trên trạm sạc, bù sai lệch cơ khí góc cập trạm lên tới $\pm 12^\circ$, đảm bảo an toàn điện áp $12\text{V}/4\text{A}$.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng

  • Hộ gia đình và văn phòng: Vận hành tự động làm sạch sàn phẳng, gầm giường, gầm bàn ghế có độ cao tĩnh trên $80\text{ mm}$.
  • Giáo dục và Nghiên cứu đào tạo Robotics: Làm nền tảng Mobile Robot mở cho sinh viên các ngành Cơ điện tử, Tự động hóa, Khoa học Máy tính nghiên cứu thuật toán SLAM, Path Planning, Kalman Filter và Computer Vision.

Quy trình triển khai và lắp đặt

  1. Chuẩn bị hạ tầng: Đặt Dock sạc sát tường, cách hai bên chướng ngại vật tối thiểu $0.5\text{ m}$ và phía trước thoáng $1.5\text{ m}$. Cấp nguồn adapter $220\text{VAC} \rightarrow 12\text{VDC}/4\text{A}$.
  2. Khởi tạo hệ thống (ROS 2 Bringup): 
    # Bước 1: Khởi động node giao tiếp phần cứng Arduino
ros2 run serial_motor_bringup motor_node --ros-args -p port:=/dev/ttyACM0
# Bước 2: Bật LiDAR sensor node
ros2 launch rplidar_ros rplidar_a1.launch.py
# Bước 3: Chạy SLAM hoặc Navigation stack
ros2 launch nav2_bringup bringup_launch.py map:=/home/pi/maps/home_map.yaml
  3. Hiệu chuẩn (Calibration): Chạy lệnh quay tại chỗ $360^\circ$ để bù trừ sai số bánh xe (Odometry scale factor) và kiểm tra tín hiệu phản hồi laser trên Rviz2.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Hiệu suất năng lượng của mạch cầu H L298N: L298N sử dụng transistor BJT có sụt áp nội lớn ($\sim 1.8\text{--}2.0\text{V}$), sinh nhiệt cao và làm giảm hiệu suất truyền động xuống khoảng $70%$.
  • Cảm biến giới hạn ở mặt phẳng 2D: LiDAR đơn tia 2D RPLidar A1M8 không phát hiện được các vật cản thấp hơn hoặc cao hơn mặt phẳng quét (ví dụ: dây điện trên sàn, mép bàn nhô ra, bậc cầu thang chống rơi).
  • Chưa tích hợp trạm tự động xả rác: Dung tích hộp chứa rác bị giới hạn do kích thước robot nhỏ gọn.

Hướng nâng cấp đề xuất

  • Thay thế Driver L298N bằng mạch công suất MOSFET/TMC2209 hoặc driver BLDC (không chổi than) để nâng cao hiệu suất năng lượng lên $>92%$.
  • Bổ sung cụm cảm biến hồng ngoại/siêu âm chống rơi bậc thang (Cliff Sensors) và camera RGB-D (như Intel RealSense D435i) để nhận diện chướng ngại vật 3D bằng Deep Learning.
  • Nghiên cứu tích hợp module tự động bơm hút nước lau sàn kết hợp hộp thu gom rác tự động tại trạm sạc.

Đối tượng hưởng lợi

  • Sinh viên & Học viên Kỹ thuật: Tiếp cận tài liệu thực tế về quy trình thiết kế hoàn chỉnh hệ thống Cơ điện tử từ tính toán cơ khí, mạch điện tử, thuật toán PID đến hệ điều hành ROS 2.
  • Kỹ sư R&D & Makers: Mẫu tham chiếu mã nguồn mở để phát triển nhanh các dòng AGV/AMR trong nhà phục vụ logistics hoặc tự động hóa dịch vụ.
  • Doanh nghiệp Startup: Giảm thiểu $70%$ thời gian và chi phí R&D phần cứng mẫu (prototyping) nhờ công nghệ in 3D và linh kiện COTS (Commercial Off-The-Shelf).
  • Nhà nghiên cứu học thuật: Cung cấp dữ liệu thực nghiệm so sánh giữa mô hình động học lý thuyết và đáp ứng thực tế của robot vi sai trong môi trường có nhiễu ma sát trượt.

Câu hỏi thường gặp

1. Yêu cầu cấu hình tối thiểu để triển khai stack phần mềm trên Robot là gì?

Hệ thống yêu cầu tối thiểu một vi điều khiển 8-bit xung nhịp $16\text{ MHz}$ (như ATmega328P/STM32) cho điều khiển thời gian thực và một máy tính nhúng chạy hệ điều hành Linux (tối thiểu Raspberry Pi 3B+, khuyến nghị Raspberry Pi 4 Model B RAM 4GB/8GB) để chạy ROS 2 Humble/Foxy cùng Rviz2.

2. Làm thế nào để giải quyết hiện tượng trượt bánh (Wheel Slippage) làm sai lệch Odometry?

Sử dụng giải thuật Extended Kalman Filter (EKF) thông qua package robot_localization trên ROS 2 để dung hợp dữ liệu (Sensor Fusion) giữa Odometry bánh xe với cảm biến quán tính IMU 9 bậc tự do (MPU9250/BNO055) và dữ liệu vị trí quét từ LiDAR (Laser Scan Matcher).

3. Tại sao chọn hệ truyền động 2 bánh vi sai thay vì hệ 4 bánh chủ động hay bánh xe Mecanum?

Cơ cấu 2 bánh vi sai + 1 bánh caster có kết cấu cơ khí đơn giản, chi phí thấp, bán kính quay vòng tại chỗ bằng $0$ (Zero Turning Radius), giúp robot di chuyển cực kỳ linh hoạt trong các góc hẹp của không gian gia đình, đồng thời tiết kiệm năng lượng hơn so với bánh xe Mecanum vốn có tổn hao ma sát lớn.

4. Hệ thống cần bảo trì định kỳ những hạng mục nào?

Cần vệ sinh hộp lọc bụi và quạt hút sau mỗi $15\text{--}20\text{ giờ}$ vận hành; kiểm tra làm sạch bề mặt tiếp điểm đồng tại trạm sạc; kiểm tra độ mòn của lốp cao su bánh xe và bôi trơn bạc đạn trục động cơ định kỳ $6\text{ tháng/lần}$.

5. Chi phí chế tạo phần cứng mẫu thử nghiệm là bao nhiêu và thời gian hoàn vốn (ROI)?

Tổng chi phí linh kiện phần cứng (LiDAR, Raspberry Pi 4, Arduino, Pin 3S, động cơ, quạt hút, vỏ in 3D) dao động khoảng $3.2\text{--}3.8\text{ triệu VNĐ}$. So với việc trang bị các dòng robot hút bụi LiDAR thương mại cùng phân khúc ($7\text{--}12\text{ triệu VNĐ}$), hệ thống tiết kiệm hơn $50\text{--}60%$ chi phí đầu tư ban đầu, mang lại giá trị học tập và khả năng làm chủ công nghệ cao.

Kết luận

Đồ án “Nghiên cứu, thiết kế, chế tạo Robot hút bụi tự động sạc pin” của nhóm sinh viên Trường ĐH Sư phạm Kỹ thuật TP.HCM đã giải quyết toàn diện bài toán liên ngành Cơ học - Điện tử - Công nghệ Thông tin. Dự án không chỉ dừng lại ở mô hình lý thuyết mà đã chế tạo thành công mẫu thử nghiệm thực tế có khả năng quét bản đồ SLAM chính xác, điều hướng tránh vật cản theo thời gian thực và tự động sạc pin hiệu quả.

Kết quả này khẳng định tính khả thi của việc ứng dụng các nền tảng mã nguồn mở hiện đại (ROS 2, Arduino) kết hợp công nghệ chế tạo bồi đắp (In 3D) để làm chủ công nghệ chế tạo robot dịch vụ thông minh với chi phí tối ưu, tạo tiền đề vững chắc cho các nghiên cứu chuyên sâu về xe tự hành AMR trong tương lai.