Giới thiệu dự án

Trong kỷ nguyên chuyển đổi số và tự động hóa công nghiệp 4.0, an ninh và giám sát cơ sở hạ tầng đóng vai trò then chốt trong việc bảo vệ tài sản và tính mạng con người. Theo các báo cáo thị trường an ninh toàn cầu, chi phí nhân sự dành cho lực lượng tuần tra truyền thống liên tục tăng 6–8% mỗi năm, trong khi hệ thống camera giám sát cố định (CCTV) vẫn tồn tại nhiều góc khuất (blind spots) và không thể chủ động can thiệp khi có sự cố.

Đề tài "Nghiên cứu và thiết kế mô hình robot tuần tra" (Research and Design Patrol Robot) được thực hiện nhằm giải quyết bài toán tự động hóa công tác tuần tra, phát hiện xâm nhập trái phép và phát cảnh báo thời gian thực với chi phí tối ưu, khắc phục sự cồng kềnh và đắt đỏ của các giải pháp robot công nghiệp nhập ngoại.

graph LR
    A[Camera IMX219 8MP] -->|Video Stream| B[NVIDIA Jetson Nano B01]
    B -->|YOLOv5n Edge AI| C{Phát hiện người?}
    C -->|Có| D[Bật còi & Đèn cảnh báo]
    C -->|Có| E[Gửi Email qua SMTP]
    C -->|Có| F[Đồng bộ Firebase Cloud]
    B -->|Điều khiển PWM| G[Động cơ DC JetBot Kit]

Mục tiêu dự án

  1. Chế tạo phần cứng linh hoạt: Xây dựng khung robot di động hai bánh chủ động vi sai dựa trên nền tảng máy tính nhúng AI và kit di chuyển chuyên dụng.
  2. Triển khai thị giác máy tính biên (Edge AI): Tích hợp mô hình học sâu (Deep Learning) phát hiện người theo thời gian thực trực tiếp trên thiết bị nhúng với độ trễ thấp.
  3. Cảnh báo đa kênh tức thời: Xây dựng cơ chế phát tín hiệu còi/đèn tại hiện trường kết hợp gửi email cảnh báo đính kèm hình ảnh và đẩy dữ liệu lên máy chủ đám mây.
  4. Tối ưu hóa chi phí: Hiện thực hóa giải pháp robot tuần tra thông minh có giá thành chế tạo thấp hơn từ 80–90% so với các sản phẩm thương mại hiện hành.

Phạm vi và thông số kỹ thuật giới hạn

  • Kích thước robot: Tối đa $35 \times 30 \times 40\text{ cm}$.
  • Phạm vi di chuyển: Lộ trình phẳng định tuyến sẵn dài tối đa $100\text{ m}$.
  • Thời lượng vận hành: Tối thiểu $2.0\text{ giờ}$ liên tục với cụm pin 3S Li-ion 18650.
  • Tầm phát hiện đối tượng: Lên đến $15\text{ m}$ trong điều kiện đủ sáng.
  • Thời gian đáp ứng phản hồi cảnh báo: $< 1.0\text{ s}$ kể từ thời điểm nhận diện xâm nhập.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trên thị trường hiện nay, các mẫu robot tuần tra thương mại cao cấp như GUOXING WT1000 hay SMP Robotics S5.2 PTZ (Picard) được trang bị nhiều cảm biến hiện đại (LiDAR 3D, Radar, Camera 360, Cảm biến nhiệt). Tuy nhiên, rào cản chi phí và độ phức tạp vận hành khiến các thiết bị này khó tiếp cận với các doanh nghiệp vừa và nhỏ tại Việt Nam.

Tiêu chí Camera CCTV cố định Robot tuần tra thương mại (SMP S5.2 / WT1000) Robot tuần tra Jetson Nano (Đề tài)
Tính cơ động Cố định, góc chết lớn Rất cao, tự hành ngoài trời phức tạp Trung bình, tối ưu cho mặt sàn phẳng
Xử lý AI Cần Server trung tâm đắt đỏ Tích hợp sẵn trên phần cứng công nghiệp Xử lý trực tiếp tại biên (Edge AI GPU)
Cảnh báo tức thời Phụ thuộc nhân viên trực màn hình Báo động đa kênh, tích hợp VMS Còi/Đèn tại chỗ + Email SMTP + Firebase
Chi phí đầu tư Thấp ($50 - $200/cam), dây dẫn phức tạp Rất cao ($15,000 - $50,000+) Rất thấp ($200 - $300)

Phân loại yêu cầu theo mô hình MoSCoW

  • Must have: Tự hành trên mặt phẳng phẳng, stream camera, phát hiện người thời gian thực bằng mô hình AI, phát còi báo động, gửi email cảnh báo khi có xâm nhập.
  • Should have: Lưu trữ ảnh/video xâm nhập lên Firebase Cloud, hiển thị trạng thái hệ thống qua màn hình OLED $128 \times 32$.
  • Could have: Điều khiển từ xa thông qua tay cầm không dây (Wireless Gamepad) hoặc giao diện Web.
  • Won't have (phiên bản này): Tránh vật cản 3D động bằng LiDAR đa tầng, di chuyển vượt địa hình gồ ghề/cầu thang.

Thiết kế hệ thống

Kiến trúc phần cứng

Hệ thống phần cứng robot tuần tra phân bổ thành 3 tầng chức năng kết nối theo chiều dọc:

  1. Tầng xử lý trung tâm: Bo mạch NVIDIA Jetson Nano Developer Kit B01 (GPU 128-core Maxwell @ 921 MHz, CPU Quad-core ARM Cortex-A57 @ 1.43 GHz, 4GB 64-bit LPDDR4).
  2. Tầng cảm biến & hiển thị: Camera góc rộng Sony IMX219 8MP (160° FOV, giao tiếp MIPI-CSI-2), màn hình OLED 0.91 inch ($128 \times 32$ pixels, giao tiếp I2C).
  3. Tầng chấp hành & nguồn: Khung gầm Waveshare JetBot AI Kit, mạch điều khiển động cơ I2C Motor Driver, 2 động cơ DC giảm tốc vi sai, cụm pin $3 \times 18650$ kèm mạch sạc bảo vệ quá dòng/giám sát điện áp, card mạng không dây Intel Wireless-AC 8265 (Dual-band WiFi 2.4/5GHz + Bluetooth 4.2).
+-------------------------------------------------------------------+
|                        HỆ THỐNG ROBOT TUẦN TRA                    |
|                                                                   |
|  [ CSI Camera IMX219 ]        [ Cảm biến / OLED ]   [ Gamepad ]   |
|          |                            |                  |        |
|          v                            v                  v        |
|  +-------------------------------------------------------------+  |
|  |             NVIDIA Jetson Nano Developer Kit B01            |  |
|  |  - Hệ điều hành: Ubuntu 18.04 LTS (JetPack 4.6)             |  |
|  |  - Edge AI Inference: YOLOv5n (PyTorch + CUDA Acceleration) |  |
|  |  - Process Controller: Python 3.6.9                         |  |
|  +-------------------------------------------------------------+  |
|          |                            |                  |        |
|          v                            v                  v        |
|  [ Mạch Motor Driver I2C ]    [ Còi / Đèn Cảnh Báo ]  [ WiFi ]    |
|          |                                               |        |
+----------|-----------------------------------------------|--------+
           v                                               v
    [ 2x Động cơ DC ]                        +---------------------------+
                                             |  - Server: Firebase Cloud |
                                             |  - Alert: SMTP Mail Server|
                                             +---------------------------+

Technology Stack và phiên bản chi tiết

  • Hệ điều hành: Ubuntu 18.04 LTS (nhúng trong NVIDIA JetPack 4.6).
  • Nền tảng tính toán song song: NVIDIA CUDA 10.2, cuDNN 8.2.1.
  • Deep Learning Framework: PyTorch v1.10.0a0+git36449ea, Torchvision v0.11.0a0+fa347eb.
  • Mô hình thị giác máy tính: Ultralytics YOLOv5 (biến thể YOLOv5n nano).
  • Ngôn ngữ lập trình: Python 3.6.9 / C++ (trình điều khiển I2C).
  • Cloud & Protocol: Firebase Admin SDK (Cloud Storage), SMTPlib (giao thức bảo mật SSL/TLS qua port 465).

Methodology

Dự án áp dụng phương pháp nghiên cứu thực nghiệm kết hợp quy trình phát triển lặp nhanh (Iterative Engineering Workflow):

Tuần 1-2: Khảo sát lý thuyết, nghiên cứu HOG, R-CNN, Faster R-CNN, họ mô hình YOLO (v1 -> v5).
Tuần 3-4: Chuẩn bị dữ liệu CrowdHuman, cấu hình pipeline huấn luyện YOLOv5n/s/m/l trên Kaggle GPU.
Tuần 5-6: Lắp ráp cơ khí JetBot AI Kit, tích hợp bo mạch Jetson Nano B01, đo đạc phân phối nguồn.
Tuần 7-8: Cài đặt JetPack 4.6, thiết lập môi trường CUDA/PyTorch, tối ưu hóa inference thời gian thực.
Tuần 9-10: Lập trình module cảnh báo (Buzzer, SMTP Mail, Firebase SDK synchronization).
Tuần 11-12: Thử nghiệm thực địa, đo đạc mAP, ma trận nhầm lẫn (Confusion Matrix), kiểm thử độ trễ.

Quản trị rủi ro kỹ thuật (Risk Assessment & Mitigation)

  1. Nghẽn cổ chai tính toán (Compute Bottleneck): Nguồn lực GPU 128-core Maxwell hạn chế $\rightarrow$ Lựa chọn kiến trúc thu gọn YOLOv5n có kích thước tham số tối thiểu (~1.9M params, kích thước file weight chỉ 3.5MB).
  2. Sụt áp khi động cơ khởi động: Dòng tức thời của 2 motor DC gây sập nguồn Jetson Nano $\rightarrow$ Phân tách đường cấp nguồn qua bo mạch Jetbot Expansion Board chuyên dụng với mạch đệm tụ và IC ổn áp 5V/4A.
  3. Mất kết nối mạng: Robot di chuyển vào vùng sóng yếu $\rightarrow$ Thiết lập cơ chế lưu đệm hình ảnh cục bộ trên thẻ nhớ SanDisk 64GB MicroSD trước khi đẩy tuần tự lên Firebase khi tái lập kết nối.

Implementation và kết quả

Development process & Core Algorithms

1. Nguyên lý trích xuất đặc trưng và dự đoán đối tượng

Kiến trúc YOLOv5 sử dụng CSPDarknet53 làm Backbone kết hợp lớp Focus nhằm giảm tải tính toán mà vẫn giữ lại trọn vẹn thông tin không gian ảnh. Cổ mạng (Neck) sử dụng mô hình kim tự tháp đặc trưng FPN (Feature Pyramid Network) kết hợp PANet (Path Aggregation Network) giúp bảo toàn vị trí chi tiết của đối tượng ở các tầng thấp.

Các công thức cốt lõi sử dụng trong đánh giá mô hình:

  • Chỉ số giao thoa trên diện tích kết hợp (Intersection over Union - IoU): $$\text{IoU} = \frac{\text{Area}(B_{\text{ground_truth}} \cap B_{\text{predicted}})}{\text{Area}(B_{\text{ground_truth}} \cup B_{\text{predicted}})}$$

  • Độ chính xác (Precision) & Độ thu hồi (Recall): $$\text{Precision} = \frac{TP}{TP + FP}, \quad \text{Recall} = \frac{TP}{TP + FN}$$

  • Điểm cân bằng $F_1$-Score: $$F_1 = 2 \times \frac{\text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}}$$

  • Độ chính xác trung bình (Mean Average Precision - mAP): $$\text{mAP}@\alpha = \frac{1}{N} \sum_{i=1}^{N} \text{AP}_i$$

2. Cấu hình Dataset YAML cho tập dữ liệu CrowdHuman

Dataset huấn luyện là CrowdHuman gồm 15,000 ảnh huấn luyện, 4,370 ảnh validation và 5,018 ảnh test với tổng cộng 339,565 người (trung bình 22.64 người/ảnh), có độ chồng lấn (occlusion) rất cao.

# File: crowdhuman.yaml
path: /kaggle/input/crowdhuman/crowdhuman  # Dataset root dir
train: images/train                      # 15,000 images
val: images/val                          # 4,370 images
test: images/test                        # 5,018 images

# Classes
nc: 2                                    # Số lượng class
names: ['person', 'head']                # Nhãn đối tượng

3. Lệnh triển khai phát hiện người trên Jetson Nano

# Thực thi phát hiện người từ CSI Camera bằng mô hình YOLOv5n đã train
python3 detect.py \
  --weights /home/jetbot/yolov5/weights/best_crowdhuman_v5n.pt \
  --source 0 \
  --data data/crowdhuman.yaml \
  --device 0 \
  --img 640 \
  --conf-thres 0.4 \
  --project /home/jetbot/patrol_results/

4. Module cảnh báo đa kênh (SMTP Alert + Firebase Cloud Sync)

import smtplib
from email.mime.multipart import MIMEMultipart
from email.mime.text import MIMEText
from email.mime.image import MIMEImage
import firebase_admin
from firebase_admin import credentials, storage

def init_firebase(cred_json_path, storage_bucket):
    cred = credentials.Certificate(cred_json_path)
    firebase_admin.initialize_app(cred, {'storageBucket': storage_bucket})

def upload_evidence_to_cloud(local_file_path, remote_blob_name):
    bucket = storage.bucket()
    blob = bucket.blob(remote_blob_name)
    blob.upload_from_filename(local_file_path)
    blob.make_public()
    return blob.public_url

def send_security_alert(sender_email, app_password, receiver_email, img_path):
    msg = MIMEMultipart()
    msg['From'] = sender_email
    msg['To'] = receiver_email
    msg['Subject'] = "[CẢNH BÁO AN NINH] Phát hiện người xâm nhập vùng tuần tra"
    
    body = "Hệ thống Robot tuần tra phát hiện đối tượng xâm nhập. Xem ảnh đính kèm:"
    msg.attach(MIMEText(body, 'plain'))
    
    with open(img_path, 'rb') as f:
        img_data = f.read()
    img_attachment = MIMEImage(img_data, name="intruder_detected.jpg")
    msg.attach(img_attachment)
    
    # Kết nối SMTP Gmail Server qua cổng bảo mật 465 (SSL)
    with smtplib.SMTP_SSL("smtp.gmail.com", 465) as server:
        server.login(sender_email, app_password)
        server.send_message(msg)
        server.quit()

Testing và validation

Quá trình đánh giá thực nghiệm được thực hiện trên Kaggle GPU (Tesla P100/T4) trong 6 giờ với các biến thể mô hình YOLOv5, sau đó triển khai trực tiếp mô hình tối ưu nhất lên bo mạch nhúng Jetson Nano B01.

Kiến trúc Kích thước tham số Trọng lượng file weight $mAP_{50}$ (Validation) Tốc độ trên Jetson Nano (FPS) Đánh giá độ khả thi
YOLOv5n (Nano) 1.9M 3.514 MB 0.684 18 - 22 FPS (FP16) Tối ưu nhất cho Jetson Nano
YOLOv5s (Small) 7.2M 14.1 MB 0.742 8 - 11 FPS Tốc độ biên giới hạn
YOLOv5m (Medium) 21.2M 40.8 MB 0.791 3 - 5 FPS Trễ khung hình, không real-time
YOLOv5l (Large) 46.5M 89.3 MB 0.825 1 - 2 FPS Quá tải bộ nhớ, tràn RAM 
Chi tiết độ đo mô hình YOLOv5n trên tập CrowdHuman (Validation Set):
- Precision: 0.712
- Recall: 0.648
- F1-Score tối ưu tại ngưỡng Confidence = 0.366 (đạt F1 = 0.68)
- Loss Box: Giảm từ 0.082 -> 0.031 sau 20 epochs
- Loss Cls: Giảm từ 0.045 -> 0.012 sau 20 epochs

Kết quả đạt được

Hệ thống đã hoàn thiện toàn bộ các tính năng đề ra với độ chính xác cao và vận hành ổn định trong môi trường thực địa:

  1. Hiệu suất thị giác máy tính: Nhận diện chính xác đối tượng người trong phạm vi từ $1.0\text{ m}$ đến $15.0\text{ m}$ với góc quan sát rộng 160°.
  2. Độ trễ hệ thống: Thời gian xử lý từ lúc camera bắt khung hình $\rightarrow$ nhận diện có người $\rightarrow$ kích hoạt còi/đèn và phát email thành công chỉ mất $0.78\text{ s}$ (đáp ứng tiêu chuẩn $< 1.0\text{ s}$).
  3. Thời lượng hoạt động độc lập: Cụm pin 3S cung cấp thời gian tuần tra liên tục $2.1\text{ giờ}$ (vượt chỉ tiêu ban đầu là 2.0 giờ).
  4. Đồng bộ hóa đám mây: $100%$ các sự kiện phát hiện người đều được lưu trữ ảnh định dạng .jpg và metadata tọa độ Bounding Box lên Firebase Storage mà không xảy ra hiện tượng mất mát dữ liệu.

Đổi mới và đóng góp

  • Tối ưu hóa Edge AI cho vi xử lý nhúng cấp độ nhập môn: Triển khai thành công mô hình YOLOv5n trên nền tảng Jetson Nano 4GB Maxwell với tốc độ khung hình đạt ngưỡng thời gian thực ($> 18\text{ FPS}$ ở chế độ FP16), chứng minh tính khả thi của việc đưa Deep Learning tiên tiến vào phần cứng giá rẻ.
  • Bộ dữ liệu huấn luyện đặc thù cho môi trường phức tạp: Huấn luyện trên CrowdHuman Dataset thay vì các tập dữ liệu tổng quát thông thường (như COCO 80 lớp), giúp mô hình có khả năng phân biệt chính xác người và đầu người ngay cả khi bị che khuất một phần (occlusion) hoặc trong điều kiện đông đúc.
  • Kiến trúc liên lạc IoT phân tán: Kết hợp thông minh giữa cảnh báo âm thanh/ánh sáng tại biên (Edge Action) và lưu trữ phân tán trên Cloud (Firebase) cùng cơ chế gửi mail thông qua giao thức SMTP tiêu chuẩn, loại bỏ chi phí thuê máy chủ trung gian tốn kém.
  • Tiết kiệm chi phí chế tạo: Giảm chi phí phần cứng đến $92%$ so với các hệ thống robot tuần tra thương mại nhập khẩu, mở ra cơ hội thương mại hóa đại trà cho các nhà kho, bến bãi vừa và nhỏ tại Việt Nam.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng (Use Cases)

  1. Tuần tra kho hàng và trung tâm logistics ban đêm: Robot tự động di chuyển dọc theo các hành lang giữa các kệ hàng theo lộ trình định sẵn, phát hiện kẻ gian đột nhập và truyền hình ảnh tức thời về trung tâm điều hành.
  2. Giám sát hành lang bệnh viện/viện dưỡng lão: Tận dụng khả năng nhận diện người để kiểm tra bệnh nhân rời khỏi phòng vào các khung giờ cấm hoặc phát hiện người ngã trong khu vực kiểm soát.
  3. Giám sát an ninh tòa nhà văn phòng ngoài giờ làm việc: Hỗ trợ đội ngũ bảo vệ giảm bớt tần suất đi tuần thủ công, quét sạch các điểm mù của hệ thống camera gắn tường.
sequenceDiagram
    autonumber
    actor Intruder as Đối tượng xâm nhập
    participant Robot as Robot (CSI Cam + YOLOv5n)
    participant Alarm as Còi & Đèn cảnh báo
    participant Cloud as Firebase Storage
    participant Mail as SMTP Mail Server
    actor Guard as Nhân viên an ninh / Chủ sở hữu

    Intruder->>Robot: Xuất hiện trong vùng quét (<= 15m)
    Robot->>Robot: Phát hiện người (Confidence >= 0.4)
    par Phản ứng tại chỗ
        Robot->>Alarm: Bật còi hú và đèn chớp
    and Đồng bộ dữ liệu
        Robot->>Cloud: Tải ảnh chụp đối tượng lên Firebase
        Robot->>Mail: Gửi email cảnh báo đính kèm ảnh
    end
    Mail-->>Guard: Nhận email cảnh báo (< 1s)
    Guard->>Cloud: Truy cập kiểm tra ảnh bằng chứng

Chi phí chế tạo (BOM) & Đánh giá hiệu quả đầu tư (ROI)

Hạng mục linh kiện Thông số chi tiết Số lượng Chi phí ước tính (VNĐ)
Bo mạch xử lý chính NVIDIA Jetson Nano Dev Kit B01 4GB 1 2,800,000
Kit khung gầm & Driver Waveshare JetBot AI Kit 1 1,650,000
Cảm biến hình ảnh Camera Sony IMX219 8MP 160° FOV 1 450,000
Cụm pin & nguồn sạc 3x Pin 18650 Panasonic + Sạc 12.6V 1 350,000
Module không dây Card WiFi Intel AC8265 Dual Band 1 380,000
Thẻ nhớ & phụ kiện Thẻ SanDisk 64GB MicroSD Class 10 1 220,000
TỔNG CỘNG 5,850,000 VNĐ (~$240 USD)

[!NOTE] Hiệu quả kinh tế: Chi phí thuê 1 nhân sự bảo vệ tuần tra ban đêm dao động từ 7,000,000 – 9,000,000 VNĐ/tháng. Việc đầu tư mô hình robot tuần tra với tổng chi phí chưa đến 6,000,000 VNĐ giúp doanh nghiệp thu hồi vốn đầu tư (ROI) chỉ sau chưa đầy 1 tháng vận hành.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Khả năng vượt địa hình: Bánh xe nhỏ và gầm thấp khiến robot chỉ hoạt động tốt trên bề mặt phẳng nhẵn, chưa thể leo dốc cao, bậc thang hoặc mặt đường gồ ghề.
  • Cảm biến quang học ban đêm: Camera IMX219 tiêu chuẩn thiếu bộ lọc hồng ngoại (IR-cut) tự động và đèn trợ sáng chuyên dụng, khiến độ chính xác giảm sút khi ánh sáng môi trường $< 10\text{ lux}$.
  • Tránh vật cản động: Hệ thống chưa trang bị cảm biến khoảng cách quét 360° (LiDAR) nên chưa thể chủ động tính toán đường đi vòng tránh các chướng ngại vật bất ngờ xuất hiện.

Hướng phát triển nâng cao

  1. Tích hợp cảm biến LiDAR 2D và khung ROS 2: Xây dựng bản đồ môi trường đồng thời và tự định vị (SLAM - Simultaneous Localization and Mapping) giúp robot tự tìm đường và lập lộ trình tuần tra thông minh thay vì đi theo tuyến cố định.
  2. Tối ưu hóa mô hình bằng TensorRT: Chuyển đổi trọng số YOLOv5n sang định dạng NVIDIA TensorRT INT8 Engine, giúp gia tăng tốc độ suy luận lên $> 30\text{ FPS}$ và giảm thêm $40%$ mức tiêu thụ điện năng của Jetson Nano.
  3. Nâng cấp Camera cảm biến nhiệt (Thermal Sensor): Bổ sung camera cảm biến nhiệt độ giúp phát hiện thân nhiệt con người trong điều kiện bóng tối hoàn toàn ($0\text{ lux}$) hoặc cảnh báo sớm nguy cơ cháy nổ trong nhà xưởng.

Đối tượng hưởng lợi

  • Sinh viên & Học viên ngành Kỹ thuật: Tiếp cận một tài liệu nghiên cứu hoàn chỉnh, tích hợp liên ngành từ Thiết kế cơ khí, Lập trình nhúng (Embedded Linux), Thị giác máy tính (Deep Learning) đến Điện toán đám mây (Cloud IoT).
  • Kỹ sư phát triển phần mềm nhúng & AI: Nắm vững quy trình tối ưu hóa mô hình học sâu kích thước nhỏ trên phần cứng giới hạn năng lượng, áp dụng trực tiếp các design pattern về truyền thông SMTP và Firebase SDK.
  • Doanh nghiệp & Đơn vị quản lý cơ sở vật chất: Sở hữu bản thiết kế mẫu khả thi về mặt tài chính để triển khai hệ thống an ninh tự động hóa cho chuỗi cửa hàng, nhà máy hoặc kho lưu trữ.
  • Nhà nghiên cứu thị giác máy tính: Tham khảo dữ liệu thực nghiệm so sánh hiệu năng của các biến thể YOLO trên tập dữ liệu đám đông lớn (CrowdHuman) khi chạy suy luận tại biên.

Câu hỏi thường gặp

1. Cấu hình phần cứng tối thiểu để triển khai hệ thống Robot tuần tra này là gì?

Cấu hình tối thiểu yêu cầu bo mạch NVIDIA Jetson Nano (bản 2GB hoặc 4GB), thẻ nhớ MicroSD tối thiểu 32GB (tốc độ đọc ghi U3/Class 10), Camera tương thích chuẩn MIPI-CSI (như Sony IMX219) hoặc USB Camera chuẩn UVC, cùng nguồn cấp tối thiểu $5\text{V}/3\text{A}$ qua cổng DC Jack để đảm bảo không bị sụt áp khi GPU hoạt động tối đa công suất.

2. Giới hạn mở rộng (Scalability) của hệ thống khi cần quản lý nhiều robot cùng lúc?

Kiến trúc sử dụng Firebase Cloud Storage và giao thức gửi tin phân tán cho phép mở rộng không giới hạn số lượng robot tuần tra (Fleet Management). Mỗi robot được cấp một ID định danh duy nhất (Robot_ID) để đẩy dữ liệu vào các collection riêng biệt trên Firebase Firestore/Storage, giúp trung tâm giám sát có thể quản lý hàng trăm thiết bị cùng lúc.

3. Hệ thống có thể tích hợp với các phần mềm quản lý camera an ninh (VMS) hiện hữu không?

Hoàn toàn có thể. Nhờ chạy trên nền tảng Linux tiêu chuẩn, Jetson Nano có thể dễ dàng thiết lập luồng phát video trực tiếp qua giao thức RTSP (Real-Time Streaming Protocol) thông qua GStreamer pipeline. Các phần mềm giám sát chuyên nghiệp (như Milestone, Hikvision VMS, Synology Surveillance Station) có thể kết nối trực tiếp đến địa chỉ IP của robot như một IP Camera thông thường.

4. Yêu cầu bảo trì, cập nhật phần mềm và chi phí vận hành định kỳ như thế nào?

Chi phí vận hành định kỳ của robot gần như bằng không (chỉ gồm tiền điện sạc pin ước tính $< 5,000\text{ VNĐ/tháng}$). Định kỳ 3–6 tháng cần vệ sinh bụi ở quạt tản nhiệt của Jetson Nano và kiểm tra độ mòn bánh xe. Phần mềm có thể được cập nhật từ xa thông qua SSH qua mạng WiFi nội bộ.

5. Phân tích chi tiết tổng chi phí linh kiện (BOM) và thời gian thu hồi vốn (ROI)?

Tổng chi phí linh kiện hoàn thiện một robot là $5,850,000\text{ VNĐ}$ (chưa đến $250\text{ USD}$). So với chi phí vận hành bảo vệ truyền thống ($84,000,000 - $108,000,000\text{ VNĐ/năm}$ cho 1 vị trí trực), hệ thống giúp doanh nghiệp tiết kiệm hơn $90%$ ngân sách an ninh và đạt điểm hòa vốn đầu tư (ROI) ngay trong tháng đầu tiên đưa vào sử dụng.

Kết luận

Đề tài "Nghiên cứu và thiết kế mô hình robot tuần tra" đã giải quyết thành công bài toán tích hợp thị giác máy tính hiện đại trên hệ thống nhúng cỡ nhỏ, mang lại một giải pháp an ninh tự hành toàn diện, hiệu quả và có tính ứng dụng cao. Bằng việc kết hợp sức mạnh xử lý song song của máy tính nhúng NVIDIA Jetson Nano B01 với sự linh hoạt của mô hình học sâu YOLOv5n được tinh chỉnh trên tập dữ liệu CrowdHuman, robot đảm bảo khả năng phát hiện người chính xác trong cự ly $15\text{ m}$ và kích hoạt cảnh báo đa kênh tức thời dưới $1.0\text{ s}$.

Kết quả nghiên cứu không chỉ chứng minh tính khả thi kỹ thuật vượt trội mà còn mở ra hướng tiếp cận kinh tế đột phá cho các bài toán an ninh tự động hóa tại Việt Nam, thu hẹp khoảng cách giữa nghiên cứu học thuật và triển khai sản phẩm công nghệ thực tiễn.