Giới thiệu dự án

Trong kỷ nguyên Y tế 4.0, các cơ sở y tế đối mặt với áp lực quá tải hạ tầng và thiếu hụt nhân sự trầm trọng. Theo thống kê của Tổ chức Y tế Thế giới (WHO), hệ thống y tế toàn cầu dự kiến thiếu hụt hơn 10 triệu nhân viên y tế vào năm 2030. Tại Việt Nam, tỷ lệ điều dưỡng và nhân viên hỗ trợ y tế trên giường bệnh tại các bệnh viện tuyến trung ương thường xuyên duy trì ở mức thấp, khiến 40–50% thời gian của nhân viên hành chính bị tiêu tốn vào các tác vụ cơ bản: tiếp đón, chỉ dẫn luồng di chuyển của bệnh nhân và sàng lọc phân luồng sơ bộ.

Vấn đề cốt lõi (Problem Statement) tập trung vào tình trạng tắc nghẽn cục bộ tại khu vực lễ tân tiếp đón và nguy cơ lây nhiễm chéo giữa các khoa phòng khám bệnh đông đúc. Bệnh nhân mất trung bình 25–45 phút chỉ để tìm phòng khám chuyên khoa phù hợp và thực hiện thủ tục phân loại ban đầu.

Đề tài "Nghiên cứu, Thiết kế, Chế tạo Robot phục vụ khám bệnh trong bệnh viện" do nhóm nghiên cứu ngành Công nghệ Kỹ thuật Cơ Điện tử, Trường Đại học Sư phạm Kỹ thuật TP.HCM (HCMUTE) thực hiện nhằm phát triển một hệ thống xe tự hành thông minh (Autonomous Mobile Robot – AMR) tích hợp trí tuệ nhân tạo (AI), đảm nhiệm vai trò hướng dẫn viên và trợ lý chẩn đoán sơ bộ.

+--------------------------------------------------------------------------------+
|                   HỆ THỐNG ROBOT PHỤC VỤ KHÁM BỆNH BỆNH VIỆN                   |
+-----------------------------------+--------------------------------------------+
|        HỆ THỐNG DI CHUYỂN         |              HỆ THỐNG TRÍ TUỆ NHÂN TẠO     |
| - Dẫn động vi sai 2 bánh chủ động | - Mạng nơ-ron sâu (DNN) phân loại bệnh     |
| - 2 bánh tự lựa giảm chấn lật     | - Sàng lọc 40 bệnh lý phổ biến             |
| - ROS Navigation & SLAM Lidar     | - Nhận diện giọng nói và hướng dẫn lộ trình|
+-----------------------------------+--------------------------------------------+

Mục tiêu của dự án

  1. Thiết kế & chế tạo cơ khí robot tự hành: Xây dựng khung vỏ kích thước chuẩn công nghiệp $500 \times 400 \times 800\text{ mm}$, tải trọng hữu ích $15\text{ kg}$, sử dụng hệ dẫn động vi sai (Differential Drive) với bán kính quay vòng bằng 0 ($R = 0\text{ m}$).
  2. Xây dựng hệ thống điều khiển & cảm biến hợp nhất (Sensor Fusion): Kết hợp cảm biến quán tính IMU 6-DOF MPU6050 và Encoder quang học LPD3806-600BM (600 xung/vòng) qua bộ lọc Kalman (Kalman Filter), duy trì sai số định vị tích lũy dưới $3%$.
  3. Phát triển thuật toán SLAM & Navigation Stack trên ROS: Ứng dụng thuật toán Gmapping (Rao-Blackwellized Particle Filter) cùng bộ định vị hạt AMCL (Adaptive Monte Carlo Localization), cho phép robot lập bản đồ 2D và tránh chướng ngại vật động với thời gian đáp ứng dưới $100\text{ ms}$.
  4. Xây dựng module AI chẩn đoán sơ bộ: Huấn luyện mô hình mạng nơ-ron sâu đa tầng (Deep Neural Network – DNN) trên nền tảng TensorFlow, có khả năng nhận diện và phân loại sơ bộ 40 bệnh lý thường gặp dựa trên vector triệu chứng đầu vào với độ chính xác đạt trên $90%$.

Phạm vi và giới hạn đề tài

  • Môi trường hoạt động: Không gian trong nhà phẳng (mặt sàn bệnh viện), độ dốc $< 5^\circ$, không có bậc thang.
  • Quy mô chẩn đoán: Sàng lọc sơ bộ hỗ trợ phân luồng 40 bệnh lý tiêu chuẩn, không thay thế chẩn đoán lâm sàng của bác sĩ chuyên khoa.
  • Giao tiếp: Tương tác cục bộ thông qua màn hình cảm ứng kết hợp xử lý giọng nói độc lập.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Robot SoftBank Pepper (Nhật Bản) Robot Diligent Moxi (Hoa Kỳ) Robot Học viện KTQS (Việt Nam) Robot HCMUTE (Đề tài)
Mục đích chính Giao tiếp, giải trí, lễ tân Vận chuyển vật tư, mẫu xét nghiệm Vận chuyển hàng hóa khu cách ly Hướng dẫn di chuyển + Chẩn đoán AI
Cơ cấu di chuyển 3 bánh xe đa hướng (Omni) 4 bánh vi sai / Mecanum Bánh xích / bánh lốp tải nặng 2 bánh chủ động vi sai + 2 bánh tự lựa
Khả năng quay $R = 0\text{ m}$ (Dễ trượt trên sàn bóng) $R = 0\text{ m}$ Bán kính quay lớn $R = 0\text{ m}$ (Độ bám cao)
Tích hợp chẩn đoán Không Không Không Mạng DNN 40 bệnh lý
Chi phí triển khai Rất cao ($> 20.000\text{ USD}$) Cực cao ($> 50.000\text{ USD}$) Trung bình (Dạng công nghiệp) Tối ưu hóa ($< 1.500\text{ USD}$) 
               [YÊU CẦU HỆ THỐNG THEO MoSCoW]
  +--------------------------------------------------------+
  | MUST HAVE:                                             |
  |  * SLAM 2D thời gian thực qua Lidar                    |
  |  * Tránh vật cản động & thuật toán DWA                 |
  |  * Mô hình AI chẩn đoán 40 bệnh lý đạt Acc > 85%       |
  |  * Bộ điều khiển PID bám vận tốc Setpoint              |
  +--------------------------------------------------------+
  | SHOULD HAVE:                                           |
  |  * Hợp nhất dữ liệu Kalman Filter (MPU6050 + Encoders) |
  |  * Chuyển động êm ái nhờ bộ truyền đai răng S5M/GT2   |
  +--------------------------------------------------------+
  | COULD HAVE:                                            |
  |  * Tích hợp điều khiển giọng nói tiếng Việt            |
  +--------------------------------------------------------+
  | WON'T HAVE (Giai đoạn này):                            |
  |  * Tích hợp cánh tay gắp hàng hóa đa chức năng         |
  +--------------------------------------------------------+

Thiết kế hệ thống

Kiến trúc hệ thống được phân tầng thành 3 lớp chính: Lớp chấp hành phần cứng (Hardware Layer), Lớp điều khiển thời gian thực (Embedded Control Layer) và Lớp tính toán cao cấp (High-Level Computing Layer).

+-----------------------------------------------------------------------+
|                    HIGH-LEVEL COMPUTING (Linux OS / ROS)              |
|  - ROS Core (ROS Master, roscore)                                     |
|  - Navigation Stack (move_base, costmap_2d, AMCL, Global/Local Plan)  |
|  - Gmapping SLAM (RBPF Algorithm) & Map Server                        |
|  - TensorFlow AI Engine (DNN Multi-label Classification Model)        |
+-----------------------------------+-----------------------------------+
                                    | UART / Serial Protocol
+-----------------------------------+-----------------------------------+
|               EMBEDDED CONTROLLER (Arduino Mega 2560)                 |
|  - Closed-loop PID Motor Velocity Control (Ziegler-Nichols Tuned)     |
|  - Sensor Fusion via Discrete 1D/2D Kalman Filter                     |
|  - PWM Signal Generation & Encoder Pulse Interrupt Service Routine    |
+-----------------------------------+-----------------------------------+
                                    | Driver H-Bridge XY160D
+-----------------------------------+-----------------------------------+
|                  HARDWARE & ACTUATION PLATFORM                        |
|  - 2x DC Geared Motors + Encoders LPD3806 (600 PPR)                   |
|  - 1x RPLidar M1C1 (Laser 360-degree scanner)                         |
|  - 1x 6-DOF IMU MPU6050 + SKF W 638-2Z Bearings + Timing Belt GT2/S5M |
+-----------------------------------------------------------------------+

Technology Stack và phiên bản phần mềm

  • Hệ điều hành nền tảng: Ubuntu 20.04.6 LTS (Focal Fossa).
  • Khung middleware robot: ROS Noetic Ninjemys.
  • Môi trường lập trình điều khiển: C++11 (Arduino IDE 1.8.19), Python 3.8.10.
  • Thư viện AI/Deep Learning: TensorFlow 2.12.0, Keras API, NumPy 1.23.5, Scikit-learn 1.2.2.
  • Phần mềm thiết kế cơ khí & mô phỏng: Autodesk Inventor Professional 2024.

Động học hệ thống dẫn động vi sai (Differential Drive Kinematics)

Mô hình toán học mô tả tư thế robot $P = [x, y, \varphi]^T$ trong hệ tọa độ toàn cục:

$$\begin{bmatrix} \dot{x}_M \ \dot{y}_M \ \dot{\varphi}_M \end{bmatrix} = \begin{bmatrix} \cos\varphi & 0 \ \sin\varphi & 0 \ 0 & 1 \end{bmatrix} \begin{bmatrix} v \ \omega \end{bmatrix}$$

Trong đó vận tốc dài $v$ và vận tốc góc $\omega$ được xác định từ vận tốc tiếp tuyến của hai bánh xe trái ($v_l$) và phải ($v_r$):

$$v = \frac{v_r + v_l}{2} = \frac{R(\dot{\varphi}_r + \dot{\varphi}_l)}{2}, \quad \omega = \frac{v_r - v_l}{L} = \frac{R(\dot{\varphi}_r - \dot{\varphi}_l)}{L}$$

  • $R$: Bán kính bánh xe chủ động ($R = 0.065\text{ m}$).
  • $L$: Khoảng cách giữa 2 tâm bánh xe dẫn động ($L = 0.38\text{ m}$).

Phương pháp nghiên cứu và quy trình triển khai

Quy trình phát triển sản phẩm tuân thủ mô hình chữ V (V-Model) kết hợp phương pháp luận Agile/Scrum:

[Phân tích yêu cầu] ----------------------------> [Kiểm thử nghiệm thu UAT]
      \                                                  /
  [Thiết kế kiến trúc] --------------------> [Kiểm thử tích hợp hệ thống]
        \                                            /
    [Thiết kế chi tiết] --------------> [Kiểm thử module PID / AI]
          \                                    /
           -------> [Hiện thực hóa & Gia công] -
  • Giai đoạn 1 (Tuần 1–4): Tính toán sức bền vật liệu, mô phỏng lực uốn/xoắn trục bánh xe trên Inventor, gia công khung nhôm định hình và lắp ráp bộ truyền đai răng S5M/GT2.
  • Giai đoạn 2 (Tuần 5–8): Thiết kế mạch công suất cầu H XY160D, lập trình ngắt đọc Encoder, viết giải thuật lọc Kalman cho MPU6050 trên Arduino Mega 2560.
  • Giai đoạn 3 (Tuần 9–12): Thiết lập ROS Core trên máy tính nhúng, cấu hình Gmapping SLAM qua Lidar RPLidar M1C1, tối ưu hóa Costmap 2D và tham số DWA Local Planner.
  • Giai đoạn 4 (Tuần 13–16): Thu thập dữ liệu triệu chứng, xây dựng mạng DNN trên TensorFlow, huấn luyện và kiểm thử chẩn đoán 40 bệnh lý; tiến hành đánh giá thực địa tại hành lang bệnh viện.

Implementation và kết quả

Quá trình phát triển và thuật toán cốt lõi

1. Bộ điều khiển bám vận tốc PID động cơ DC (Arduino C++)

#include <Arduino.h>

// Thông số cấu hình PID bám tốc độ động cơ
class MotorPIDController {
private:
    float Kp, Ki, Kd;
    float integral_error;
    float prev_error;
    unsigned long last_time;

public:
    MotorPIDController(float p, float i, float d) : Kp(p), Ki(i), Kd(d), integral_error(0.0f), prev_error(0.0f) {
        last_time = millis();
    }

    int computePWM(float target_rpm, float current_rpm) {
        unsigned long current_time = millis();
        float dt = (float)(current_time - last_time) / 1000.0f;
        if (dt <= 0.0f) dt = 0.001f;

        float error = target_rpm - current_rpm;
        integral_error += error * dt;
        
        // Chống bão hòa tích phân (Anti-windup clamping)
        integral_error = constrain(integral_error, -100.0f, 100.0f);
        
        float derivative = (error - prev_error) / dt;
        float output = (Kp * error) + (Ki * integral_error) + (Kd * derivative);

        prev_error = error;
        last_time = current_time;

        // Ép dải xung PWM đầu ra cho mạch cầu H XY160D
        return constrain((int)output, -255, 255);
    }
};

2. Kiến trúc mạng Deep Neural Network (DNN) chẩn đoán bệnh (Python/TensorFlow)

import tensorflow as tf
from tensorflow.keras import layers, models, regularizers

def build_disease_diagnostic_dnn(input_dim: int, num_classes: int = 40) -> models.Sequential:
    """
    Xây dựng kiến trúc mạng nơ-ron sâu (DNN) chẩn đoán 40 bệnh lý
    từ vector đặc trưng triệu chứng nhị phân (Binary Symptom Vectors).
    """
    model = models.Sequential([
        # Input Layer & Dense Block 1
        layers.Input(shape=(input_dim,)),
        layers.Dense(128, activation='relu', kernel_regularizer=regularizers.l2(0.001)),
        layers.BatchNormalization(),
        layers.Dropout(0.3),

        # Dense Block 2
        layers.Dense(64, activation='relu', kernel_regularizer=regularizers.l2(0.001)),
        layers.BatchNormalization(),
        layers.Dropout(0.2),

        # Dense Block 3
        layers.Dense(32, activation='relu'),
        
        # Output Classification Layer
        layers.Dense(num_classes, activation='softmax')
    ])

    optimizer = tf.keras.optimizers.Adam(learning_rate=0.001)
    model.compile(
        optimizer=optimizer,
        loss='sparse_categorical_crossentropy',
        metrics=['accuracy']
    )
    return model

Thử nghiệm và đánh giá chất lượng (Testing & Validation)

Hệ thống trải qua 3 giai đoạn đánh giá nghiêm ngặt:

  1. Đánh giá phản hồi động cơ: Tinh chỉnh PID theo phương pháp Ziegler-Nichols kết hợp tinh chỉnh thủ công. Kết quả thời gian xác lập ($t_s$) giảm từ $1.8\text{ s}$ xuống còn $0.32\text{ s}$, độ vọt lố ($POT$) kiểm soát ở mức $< 4.8%$.
  2. Khảo sát sai số định vị (Odometry & Kalman Filter): Thử nghiệm di chuyển quãng đường $10\text{ m}$ khép kín. Dữ liệu thô từ Encoder sinh ra sai số góc tích lũy là $12.4^\circ$. Khi kích hoạt Sensor Fusion (Kalman Filter kết hợp IMU MPU6050), sai số góc giảm xuống chỉ còn $1.6^\circ$.
[Sai số góc tích lũy sau 10m quỹ đạo khép kín]
Encoder thô  : |==============================| 12.4 độ
Kalman Filter: |===| 1.6 độ (Giảm 87.1%)
  1. Hiệu năng mạng nơ-ron DNN: Bộ dữ liệu bao gồm 4.920 mẫu triệu chứng phân bổ trên 40 danh mục bệnh lý. Mô hình đạt độ chính xác tập huấn luyện $96.8%$ và tập kiểm thử (Test Set) đạt $92.4%$ sau 120 epochs.
Epoch 120/120 - Loss: 0.1842 - Accuracy: 0.9681 - Val_Loss: 0.2915 - Val_Accuracy: 0.9240
Chỉ số kiểm thử Kế hoạch ban đầu Kết quả thực nghiệm đạt được Trạng thái
Vận tốc tối đa $0.8\text{ m/s}$ $0.75\text{ m/s}$ (Ổn định trên sàn gạch) Đạt
Bán kính quay vòng $R = 0\text{ m}$ $R = 0\text{ m}$ (Nhờ cơ cấu dẫn động vi sai) Đạt
Độ chính xác dừng đỗ $\pm 10\text{ cm}$ $\pm 4.2\text{ cm}$ Vượt chỉ tiêu
Độ chính xác chẩn đoán AI $\ge 85%$ $92.4%$ Vượt chỉ tiêu
Thời gian vận hành pin $\ge 3\text{ giờ}$ $4.2\text{ giờ}$ (Ắc quy 12V 20Ah) Vượt chỉ tiêu

Đổi mới và đóng góp

  • Cải tiến cơ cấu cơ khí chống lật: Khác với các dòng robot 3 bánh truyền thống dễ mất ổn định khi cua gấp, thiết kế của nhóm sử dụng kết cấu 4 điểm tựa gồm 2 bánh xe dẫn động trung tâm và 2 bánh xe tự lựa đàn hồi (Caster wheels) ở trước/sau, hạ thấp trọng tâm khối lượng pin và khung xuống dưới $250\text{ mm}$, loại bỏ hoàn toàn hiện tượng trượt lật khi phanh gấp.
  • Bộ truyền đai răng S5M/GT2 khử tiếng ồn y tế: Thay vì dùng hộp số bánh răng kim loại thông thường phát ra tiếng ồn $> 68\text{ dB}$, hệ thống truyền động đai răng giảm độ ồn vận hành xuống dưới $48\text{ dB}$, đáp ứng tiêu chuẩn âm thanh nghiêm ngặt tại khu điều trị nội trú.
  • Mô hình Hybrid AI & Robotics: Tích hợp trực tiếp engine chẩn đoán bệnh lý 40 nhóm vào hệ điều hành di động ROS, cho phép robot vừa thực hiện nhiệm vụ điều hướng dẫn đường vừa cung cấp tư vấn y tế thông minh theo thời gian thực mà không cần kết nối liên tục với máy chủ đám mây.

Ứng dụng thực tế và triển khai

Kịch bản vận hành thực tế tại bệnh viện

[Bệnh nhân đến sảnh]
        |
        v
[Tương tác màn hình / Giọng nói] ---> Nhập triệu chứng bệnh (Sốt, ho, đau ngực...)
        |
        v
[AI DNN Inference Engine] -----------> Xuất kết quả sơ bộ: Nghi ngờ Viêm phế quản cấp
        |                              Chỉ định: Phòng khám Hô hấp (Phòng 204)
        v
[ROS Navigation Stack] --------------> Kích hoạt chu trình dẫn đường tự động
        |
        v
[Bệnh nhân đi theo Robot] -----------> Né vật cản động, đến chính xác cửa phòng 204

Phân tích hiệu quả kinh tế (ROI) và khả năng mở rộng

  • Chi phí đầu tư phần cứng: Tổng chi phí chế tạo mẫu thử nghiệm xấp xỉ 28.500.000 VNĐ (~1.150 USD), chỉ bằng $5–8%$ chi phí nhập khẩu các dòng robot dịch vụ thương mại cùng phân khúc từ nước ngoài.
  • Tối ưu hóa nhân lực: Mỗi robot có khả năng tiếp đón và phân luồng trung bình 180–220 lượt bệnh nhân/ngày, tương đương năng suất làm việc của 1.5 nhân viên điều dưỡng hướng dẫn tại sảnh tiếp đón.
  • Thời gian hoàn vốn (Payback Period): Ước tính từ 7 đến 9 tháng vận hành thông qua việc cắt giảm chi phí nhân sự hành chính ngoài giờ và giảm thiểu tắc nghẽn cục bộ.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Cảm biến Lidar 2D (RPLidar M1C1): Chỉ quét trên một mặt phẳng cắt ngang cố định ($200\text{ mm}$ cách mặt sàn), chưa nhận diện được các vật thể treo lơ lửng ở tầm cao hoặc chướng ngại vật quá thấp dưới mặt sàn (như dây điện sàn).
  • Khả năng đồng bộ: Hiện tại robot hoạt động độc lập cục bộ, chưa tích hợp giao thức truyền thông không dây IoT để kết nối với hệ thống quản lý bệnh viện tổng thể (HIS – Hospital Information System).

Hướng phát triển tiếp theo

  • Bổ sung cảm biến camera đo chiều sâu 3D (Intel RealSense D435i) nhằm nâng cấp thành 3D SLAM và nhận diện hành vi bệnh nhân qua thị giác máy tính.
  • Phát triển thuật toán điều phối đa robot (Fleet Management) dựa trên giao thức MQTT / WebRTC khi triển khai đồng loạt trên 5–10 robot trong cùng một tòa nhà bệnh viện đa tầng.

Đối tượng hưởng lợi

  • Sinh viên & Học viên Kỹ thuật: Cung cấp tài liệu tham khảo chi tiết về việc kết hợp giữa động học cơ cấu vi sai, tính toán bền cơ khí (Inventor), hệ điều hành ROS và học sâu (Deep Learning).
  • Kỹ sư & Nhà phát triển Robot: Tham khảo mã nguồn điều khiển PID thời gian thực, giải thuật lọc Kalman kết hợp dữ liệu IMU/Odometry và cấu hình ROS Navigation Stack tối ưu.
  • Bệnh viện & Cơ sở Y tế: Sở hữu giải pháp tự động hóa chi phí thấp, nâng cao chỉ số hài lòng của người bệnh và giảm áp lực trực tiếp lên đội ngũ y bác sĩ tuyến đầu.
  • Nhà nghiên cứu Y tế thông minh: Khung mô hình phân loại triệu chứng 40 bệnh lý có thể mở rộng huấn luyện trên các tập dữ liệu bệnh án điện tử (EMR) lớn hơn.

Câu hỏi thường gặp

1. Yêu cầu phần cứng tối thiểu để triển khai phần mềm điều khiển robot là gì?

Máy tính điều khiển trung tâm cần trang bị CPU lõi tứ (tương đương Intel Core i5 thế hệ 8 hoặc bo mạch nhúng NVIDIA Jetson Nano / Raspberry Pi 4 RAM 4GB trở lên), chạy Ubuntu 20.04 LTS, bộ nhớ trống tối thiểu 32GB SSD để lưu trữ bản đồ và mô hình AI.

2. Robot xử lý tình huống gặp vật cản bất ngờ (người qua lại) như thế nào?

Module costmap_2d cục bộ liên tục cập nhật dữ liệu quét từ RPLidar M1C1 ở tần số $10\text{ Hz}$. Khi xuất hiện vật cản trong bán kính an toàn ($0.5\text{ m}$), thuật toán DWA (Dynamic Window Approach) sẽ ngay lập tức tính toán lại vector vận tốc $[v, \omega]$ để đi vòng qua vật thể. Nếu vật cản chặn hoàn toàn lối đi, robot sẽ dừng an toàn và phát thông báo xin nhường đường.

3. Hệ thống có khả năng tự động quay về trạm sạc khi hết pin không?

Về mặt phần mềm, ROS Navigation Stack hỗ trợ thiết lập điểm tọa độ trạm sạc (Docking Station Pose). Khi cảm biến điện áp ắc quy báo mức pin dưới $15%$, robot có thể tự động chuyển trạng thái để điều hướng về điểm sạc định sẵn.

4. Mô hình AI chẩn đoán 40 bệnh lý dựa trên những nguồn dữ liệu nào?

Tập dữ liệu huấn luyện được xây dựng từ bảng ánh xạ triệu chứng lâm sàng chuẩn của 40 bệnh phổ biến (hô hấp, tiêu hóa, da liễu, cơ xương khớp), được mã hóa thành các vector nhị phân (One-hot/Binary vectors) gồm 132 thuộc tính triệu chứng đầu vào.

5. Chi phí bảo trì định kỳ cho hệ thống cơ khí và cảm biến là bao nhiêu?

Hệ thống sử dụng vòng bi kín SKF W 638-2Z và bộ truyền đai răng có tuổi thọ cao, không cần tra dầu mỡ thường xuyên. Chi phí bảo dưỡng thay thế định kỳ (dây đai, chổi than động cơ hoặc bánh xe cao su) ước tính dưới 1.500.000 VNĐ/năm.

Kết luận

Đồ án tốt nghiệp "Nghiên cứu, Thiết kế, Chế tạo Robot phục vụ khám bệnh trong bệnh viện" của nhóm sinh viên Trường Đại học Sư phạm Kỹ thuật TP.HCM đã giải quyết trọn vẹn bài toán cơ điện tử ứng dụng trong y tế. Dự án không chỉ hoàn thành xuất sắc các chỉ tiêu thiết kế cơ khí chính xác, dẫn động vi sai linh hoạt, điều hướng tự hành chính xác qua ROS SLAM, mà còn mở ra tiềm năng ứng dụng AI chẩn đoán sơ bộ hỗ trợ phân luồng thông minh. Đây là bước tiến thực tiễn quan trọng, đóng góp vào công cuộc chuyển đổi số y tế toàn diện tại Việt Nam.