Giới thiệu dự án

Trong bối cảnh công nghiệp 4.0 và chuyển đổi số logistics toàn cầu, việc tối ưu hóa quy trình vận chuyển nội bộ tại các nhà kho và nhà máy thông minh đóng vai trò then chốt trong việc cắt giảm chi phí vận hành (chiếm tới 20–50% tổng chi phí sản xuất theo thống kê công nghiệp). Hệ thống xe tự hành AGV (Automated Guided Vehicle) truyền thống chủ yếu dựa trên dẫn đường bằng đường ray từ, băng dính phản quang hoặc vạch kẻ sàn. Phương pháp này bộc lộ nhiều nhược điểm chí mạng: độ linh hoạt kém, chi phí tái cấu trúc mặt bằng kho bãi lớn khi thay đổi quy trình sản xuất, và không có khả năng tự động xử lý khi phát hiện vật cản bất ngờ.

Đồ án tốt nghiệp "Nghiên Cứu và Thiết Kế Xe Tự Hành AGV Sử Dụng Hệ Thống SLAM (ROS)" được thực hiện bởi nhóm sinh viên Trần Quốc Huy (MSSV: 19146080) và Nguyễn Văn Sơn (MSSV: 19146116) dưới sự hướng dẫn của TS. Vũ Quang Huy tại Trường Đại học Sư phạm Kỹ thuật TP.HCM (HCMUTE). Đề tài tập trung giải quyết bài toán tự hành hóa hoàn toàn cho xe AGV hoạt động trong môi trường nhà kho phức tạp thông qua việc kết hợp hệ điều hành robot chuyên dụng ROS (Robot Operating System), công nghệ cảm biến quét laser LiDAR 2D và thuật toán định vị - lập bản đồ đồng thời SLAM (Simultaneous Localization and Mapping).

+-------------------------------------------------------------------------+
|                          HỆ THỐNG AGV SLAM (ROS)                        |
|                                                                         |
|  +--------------------+     +-------------------+     +---------------+ |
|  |  CẢM BIẾN & ĐẦU VÀO | --> |  TÍNH TOÁN (ROS)  | --> |  TRUYỀN ĐỘNG  | |
|  |  - RPLidar 2D      |     |  - Gmapping/SLAM  |     |  - JGA-370-CE | |
|  |  - IMU MPU-6050    |     |  - Local: DWA     |     |  - Center-    | |
|  |  - Wheel Encoders  |     |  - Global: A*     |     |    Differential|
|  +--------------------+     +-------------------+     +---------------+ |
+-------------------------------------------------------------------------+

Mục tiêu dự án

  1. Thiết kế và chế tạo kết cấu cơ khí AGV: Tối ưu hóa kích thước khung gầm $281 \times 281 \times 156\text{ mm}$, tải trọng vận chuyển hữu ích đạt $5\text{ kg} - 10\text{ kg}$ với hệ dẫn động vi sai 2 bánh chủ động trung tâm và 4 bánh xoay $360^\circ$.
  2. Tích hợp phần cứng điều khiển nhúng: Phối hợp xử lý giữa máy tính đơn bo nhúng Raspberry Pi (chạy Linux Ubuntu và ROS Core) và vi điều khiển Arduino (xử lý PID cho động cơ và giao tiếp cảm biến cấp thấp).
  3. Phát triển hệ thống lập bản đồ 2D SLAM và hoạch định đường đi: Tận dụng cảm biến khoảng cách RPLidar để quét không gian thực tế, tạo bản đồ dạng lưới chiếm chỗ (Occupancy Grid Map), áp dụng thuật toán DWA (Dynamic Window Approach) để điều hướng và né tránh vật cản động theo thời gian thực.
  4. Kiểm nghiệm thực nghiệm và đánh giá độ chính xác: Thực hiện các bài kiểm tra điều hướng đường thẳng và quỹ đạo chữ U, đạt độ chính xác bám mục tiêu trên 80% với vận tốc di chuyển định mức $0.5\text{ m/s}$.

Phạm vi và giới hạn nghiên cứu

  • Phạm vi: Ứng dụng trong môi trường công nghiệp trong nhà (nhà kho, phân xưởng lắp ráp) có bề mặt sàn phẳng, ít bụi cát.
  • Giới hạn: Hệ thống sử dụng cảm biến LiDAR 2D đơn tầng, góc quét trên mặt phẳng cố định nên cần bổ sung cảm biến siêu âm/chống va chạm phụ trợ nếu đối mặt với chướng ngại vật treo lơ lửng nằm ngoài mặt phẳng quét.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các giải pháp dẫn đường cho xe tự hành AGV trên thị trường hiện nay có thể chia thành bốn trường phái chính:

Giải pháp dẫn đường Ưu điểm Nhược điểm Chi phí triển khai Tính linh hoạt
Băng từ / Đường kẻ sàn (Line-following) Thuật toán đơn giản, chi phí xe thấp, độ tin cậy cao trên đường cố định. Phải dán lại băng từ khi đổi tuyến; dễ mòn rách sàn; không tự né vật cản. Trung bình (bảo dưỡng cao) Thấp (Cố định)
Mã QR / Marker định vị Định vị chính xác tuyệt đối tại các mốc, quản lý kho theo dạng lưới tốt. Phải dán hàng ngàn mã trên sàn; nếu mã bị bẩn xe sẽ mất vị trí. Trung bình Trung bình
Visual SLAM (Camera RGB-D/Stereo) Cung cấp thông tin thị giác phong phú, chi phí phần cứng camera rẻ. Nhạy cảm với điều kiện ánh sáng; thuật toán xử lý ảnh ngốn tài nguyên CPU/GPU. Trung bình - Cao Cao
LiDAR SLAM (Giải pháp của dự án) Độ chính xác cao, không phụ thuộc ánh sáng phòng, không cần can thiệp kết cấu sàn. Cần máy tính nhúng đủ mạnh để xử lý đám mây điểm và ma trận biến đổi. Tối ưu hóa (Mã nguồn mở) Rất cao (Tự hành hoàn toàn)

Yêu cầu người dùng (Phân loại MoSCoW)

  • Must Have (Bắt buộc): Quét bản đồ 2D theo thời gian thực; tự tính toán lộ trình từ vị trí hiện tại đến tọa độ đích; dừng hoặc đổi hướng khi có vật cản; tải trọng tối thiểu $5\text{ kg}$.
  • Should Have (Nên có): Tải trọng nâng lên $10\text{ kg}$; vận tốc đạt $0.5\text{ m/s}$; giao diện trực quan RViz hiển thị bản đồ và vị trí xe.
  • Could Have (Có thể có): Khả năng ghi nhớ nhiều điểm dừng (Multi-goal navigation); tích hợp màn hình hiển thị trực tiếp trạng thái trên xe.
  • Won't Have (Chưa thực hiện ở giai đoạn này): Tự động sạc pin không dây; nâng hạ kệ hàng tự động dạng Forklift.

Thiết kế hệ thống và mô hình toán học

1. Động học robot vi sai (Differential Drive Kinematics)

Robot sử dụng 2 bánh xe chủ động lắp trên cùng một trục ngang, có bán kính $r$ và khoảng cách giữa 2 bánh xe là $l$. Vị trí tức thời của xe quay quanh tâm quay tức thời ICC (Instantaneous Center of Curvature).

        ICC [Tâm quay tức thời]
         *
         | \
         |  \
       R |   \ R + l/2
         |    \
   [Bánh Trái]--+--[Bánh Phải]
      (V_l)     |     (V_r)
              <-l->

Mối quan hệ giữa vận tốc dài của 2 bánh ($V_r$, $V_l$), vận tốc góc $\omega$ và bán kính quay $R$ tính từ tâm xe: $$V_r = \omega \cdot \left(R + \frac{l}{2}\right)$$ $$V_l = \omega \cdot \left(R - \frac{l}{2}\right)$$

Từ đó suy ra bán kính quay $R$ và vận tốc góc tức thời $\omega$: $$R = \frac{l}{2} \cdot \frac{V_l + V_r}{V_r - V_l}$$ $$\omega = \frac{V_r - V_l}{l}$$

Phương trình biến thiên vị trí của robot trong hệ tọa độ toàn cục $(x_R, y_R, \theta)$: $$\begin{bmatrix} \dot{x} \ \dot{y} \ \dot{\theta} \end{bmatrix} = \begin{bmatrix} \cos\theta & 0 \ \sin\theta & 0 \ 0 & 1 \end{bmatrix} \begin{bmatrix} v \ \omega \end{bmatrix}$$ Trong đó $v = \frac{V_r + V_l}{2}$ là vận tốc tịnh tiến của trọng tâm xe.

2. Thuật toán điều khiển PID vận tốc động cơ

Nhằm đảm bảo 2 bánh xe quay đồng tốc khi đi thẳng và bám đúng giá trị đặt khi rẽ, tín hiệu điều khiển PWM đưa vào mạch cầu H được điều chỉnh bởi bộ điều khiển PID số: $$u(t) = K_p \cdot e(t) + K_i \int_{0}^{t} e(\tau)d\tau + K_d \cdot \frac{de(t)}{dt}$$

Đoạn mã hiện thực hóa bộ điều khiển PID rời rạc trên vi điều khiển:

// Thuật toán điều khiển vận tốc bánh xe dùng Encoder & PID
double compute_pid(double target_rpm, double current_rpm, double dt) {
    static double integral_error = 0.0;
    static double prev_error = 0.0;
    
    double error = target_rpm - current_rpm;
    integral_error += error * dt;
    double derivative = (error - prev_error) / dt;
    
    // Giới hạn chống bão hòa tích phân (Anti-windup)
    if (integral_error > 255.0) integral_error = 255.0;
    else if (integral_error < -255.0) integral_error = -255.0;
    
    double output = (Kp * error) + (Ki * integral_error) + (Kd * derivative);
    prev_error = error;
    
    // Ép dải xuất xung PWM [0 - 255]
    return constrain(output, -255, 255);
}

3. Hoạch định quỹ đạo cục bộ DWA (Dynamic Window Approach)

Thuật toán DWA tìm kiếm cặp vận tốc $(v, \omega)$ tối ưu trong không gian vận tốc động $V_d$ bị giới hạn bởi khả năng gia tốc của động cơ: $$V_d = \left{ (v, \omega) \mid v \in [v_c - \dot{v}\Delta t, v_c + \dot{v}\Delta t] \wedge \omega \in [\omega_c - \dot{\omega}\Delta t, \omega_c + \dot{\omega}\Delta t] \right}$$

Hàm mục tiêu đánh giá chất lượng quỹ đạo: $$G(v, \omega) = \alpha \cdot \text{heading}(v, \omega) + \beta \cdot \text{dist}(v, \omega) + \gamma \cdot \text{velocity}(v, \omega)$$

  • $\text{heading}(v, \omega)$: Đo góc hướng đầu xe so với vị trí đích.
  • $\text{dist}(v, \omega)$: Khoảng cách từ quỹ đạo mô phỏng đến vật cản gần nhất (đảm bảo không va chạm).
  • $\text{velocity}(v, \omega)$: Tối ưu hóa vận tốc để xe di chuyển nhanh nhất có thể.

Cấu trúc phần cứng và Stack công nghệ

+-----------------------------------------------------------------+
|                        KIẾN TRÚC HỆ THỐNG AGV                   |
|                                                                 |
|   +---------------------------------------------------------+   |
|   |                   CẤP ĐIỀU KHIỂN CẤP CAO                 |   |
|   |            Raspberry Pi 4 / Ubuntu 20.04 LTS            |   |
|   |  - ROS Core (Navigation Stack, Gmapping / AMCL, MoveBase)|  |
|   +---------------------------------------------------------+   |
|                  | (USB Serial / ROS Serial)   ^ (LaserScan /scan)
|                  v                             |                |
|   +--------------------------+   +--------------------------+   |
|   |     VI ĐIỀU KHIỂN PHỤ    |   |     CẢM BIẾN QUAN TRẮC   |   |
|   |       Arduino Mega       |   |       RPLidar 2D A1      |   |
|   | - Nhận lệnh /cmd_vel     |   | - Quét 360 độ            |   |
|   | - Đọc Encoder & MPU-6050 |   | - Phạm vi: 0.15m - 12m   |   |
|   | - Xuất PID điều khiển    |   +--------------------------+   |
|   +--------------------------+                                  |
|                  | (PWM / H-Bridge L298N)                       |
|                  v                                              |
|   +---------------------------------------------------------+   |
|   |                     CƠ CẤU CHẤP HÀNH                    |   |
|   |      2x Động cơ DC Servo JGA-370-CE (Hộp số vi sai)     |   |
|   |         Truyền động đai đệm giảm chấn & bánh D=65mm      |   |
|   +---------------------------------------------------------+   |
+-----------------------------------------------------------------+
  • Bộ điều khiển trung tâm: Máy tính nhúng Raspberry Pi 4 Model B (4GB RAM) chạy hệ điều hành Ubuntu Linux và ROS Noetic / Melodic.
  • Bộ điều khiển động cơ: Vi điều khiển Arduino ATmega kết nối qua giao thức rosserial để nhận topic /cmd_vel và publish topic /odom.
  • Cảm biến LiDAR: RPLidar 2D (tần số quét 5.5 - 10 Hz, độ phân giải góc $\le 1^\circ$, cự ly quét $0.15\text{ m} - 12\text{ m}$).
  • Cảm biến định hướng (IMU): MPU-6050 6-DOF (Gyroscope + Accelerometer) hỗ trợ bù trượt bánh và lọc Kalman cho Odometry.
  • Động cơ chấp hành: 2 Động cơ DC Servo JGA-370-CE tích hợp đĩa quang Encoder xung 2 kênh A-B.
  • Truyền động: Bộ truyền đai êm ái, giảm giật, phân bổ đều mô-men xoắn lên trục bánh cao su $\varnothing 65\text{ mm}$.

Implementation và kết quả

Quy trình phát triển phần mềm trên ROS

Hệ thống được module hóa thành các ROS Nodes độc lập giao tiếp qua Topics và Services:

# Trích xuất cấu hình bộ điều hướng cục bộ dwa_local_planner_params.yaml
DWAPlannerROS:
  # Giới hạn động lực học
  max_vel_x: 0.5
  min_vel_x: 0.05
  max_vel_theta: 1.2
  min_vel_theta: -1.2
  acc_lim_x: 1.5
  acc_lim_theta: 2.5

  # Trọng số hàm mục tiêu
  path_distance_bias: 32.0
  goal_distance_bias: 24.0
  occdist_scale: 0.02
  forward_point_distance: 0.325
  sim_time: 1.7

  # Dung sai đích
  xy_goal_tolerance: 0.08
  yaw_goal_tolerance: 0.15

+------------------+                 /scan                  +------------------+
|   rplidar_node   | -------------------------------------> |                  |
+------------------+                                        |                  |
                                     /odom                  |    move_base     |
+------------------+ -------------------------------------> |  (Lập quỹ đạo &  |
|  base_controller |                                        |    Tránh vật)    |
| (Arduino/Motor)  | <------------------------------------- |                  |
+------------------+               /cmd_vel                 +------------------+

Kịch bản thử nghiệm và Đánh giá hiệu năng thực tế

Hệ thống được đưa vào kiểm thử trong mô hình kho hàng thực nghiệm kích thước $10\text{ m} \times 8\text{ m}$ với 2 bài toán chính:

Thử nghiệm 1: Lập bản đồ SLAM và Di chuyển đường thẳng kiểm tra sai số định vị

  • Thiết lập: Xe bắt đầu tại gốc tọa độ $(0,0)$, quét toàn bộ khu vực bằng Gmapping để xây dựng Occupancy Grid Map ($0.05\text{ m/cell}$). Sau đó, đặt mục tiêu đích cách $5.0\text{ m}$ theo đường thẳng vạch băng keo đen.
  • Kết quả đo đạc: Thực hiện 10 lần chạy thử. Sai lệch trung bình trục ngang $\Delta x = \pm 18\text{ mm}$, sai lệch trục dọc $\Delta y = \pm 25\text{ mm}$, sai lệch góc hướng $\Delta \theta = \pm 2.8^\circ$.

Thử nghiệm 2: Di chuyển quỹ đạo chữ U kết hợp né vật cản động

  • Thiết lập: Đặt điểm đích yêu cầu xe bo 2 khúc cua $90^\circ$ (quỹ đạo chữ U). Trong quá trình xe đang di chuyển, bất ngờ đưa vào một chướng ngại vật cố định kích thước $30 \times 30\text{ cm}$ ngay trên hành lang chính.
  • Kết quả: Cảm biến RPLidar phát hiện chướng ngại vật ở cự ly $1.8\text{ m}$. Node dwa_local_planner mất trung bình $142\text{ ms}$ để tính toán lại Local Costmap, hạ vận tốc từ $0.5\text{ m/s}$ xuống $0.2\text{ m/s}$, bẻ lái vòng qua vật cản với khoảng cách an toàn $0.25\text{ m}$ và tiếp tục hành trình đến đích thành công.
Tiêu chí đánh giá Chỉ tiêu thiết kế Kết quả thực nghiệm Đánh giá hoàn thành
Kích thước cơ khí $281 \times 281 \times 156\text{ mm}$ $281 \times 281 \times 156\text{ mm}$ Đạt 100%
Tải trọng chuyên chở $5.0 - 10.0\text{ kg}$ $10.0\text{ kg}$ (chạy ổn định ở $7.5\text{ kg}$) Đạt yêu cầu
Vận tốc tối đa ($v_{max}$) $0.5\text{ m/s}$ $0.48\text{ m/s}$ Đạt 96%
Thời gian đáp ứng tránh vật cản $< 300\text{ ms}$ $140 - 180\text{ ms}$ Vượt chỉ tiêu
Độ chính xác vị trí đích $\ge 80%$ $84.6%$ (Sai số $< 3\text{ cm}$) Vượt chỉ tiêu
Thời lượng pin liên tục $\ge 60\text{ phút}$ $75\text{ phút}$ (Pin Li-Po 3S 5200mAh) Vượt chỉ tiêu

Đổi mới và đóng góp

  1. Kiến trúc phần cứng mở, chi phí cực thấp: Thay vì sử dụng các bộ quét LiDAR công nghiệp (như SICK hay Hokuyo có giá từ vài ngàn USD) và PLC đắt đỏ, dự án chứng minh tính khả thi của việc kết hợp RPLidar A1 với Raspberry Pi và Arduino, giảm giá thành xuống dưới 10 triệu VNĐ mà vẫn đạt các tính năng tự hành tương đương xe AGV công nghiệp cỡ nhỏ.
  2. Loại bỏ hoàn toàn cơ sở hạ tầng cố định: Nhờ ứng dụng SLAM 2D, AGV có thể triển khai ngay lập tức vào bất kỳ mặt bằng kho xưởng nào trong vòng dưới 30 phút (thời gian lập bản đồ), tiết kiệm đến 85% chi phí thi công băng từ hoặc mã định vị so với phương pháp truyền thống.
  3. Thuật toán DWA thích nghi động: Xử lý mượt mà bài toán tránh vật cản di động (con người, xe đẩy qua lại) mà không bị kẹt hay giật cục nhờ khả năng dự đoán quỹ đạo trong cửa sổ thời gian trượt ($sim_time = 1.7\text{ s}$).

Ứng dụng thực tế và triển khai

+-------------------------------------------------------------------------+
|                        QUY TRÌNH TRIỂN KHAI THỰC TẾ                     |
|                                                                         |
|  [BƯỚC 1] Khảo sát kho -> Chạy AGV chế độ Joystick để vẽ bản đồ SLAM   |
|                                    |                                    |
|                                    v                                    |
|  [BƯỚC 2] Lưu Map (.yaml & .pgm) -> Đánh dấu các trạm sạc & bốc dỡ hàng|
|                                    |                                    |
|                                    v                                    |
|  [BƯỚC 3] Nạp cấu hình Costmap -> Chạy chế độ Autonomous Navigation    |
|                                    |                                    |
|                                    v                                    |
|  [BƯỚC 4] Vận hành tự động -> Giám sát tập trung qua mạng Wi-Fi nội bộ  |
+-------------------------------------------------------------------------+

Các kịch bản ứng dụng

  • Kho hàng dược phẩm & bệnh viện: Vận chuyển thuốc, mẫu xét nghiệm tự động giữa các phòng khoa vô trùng nhằm hạn chế tiếp xúc trực tiếp.
  • Dây chuyền lắp ráp điện tử (SME): Chuyển linh kiện, khay bo mạch từ kho đệm đến từng bàn thao tác của công nhân theo chu kỳ cố định.
  • Nhà kho thương mại điện tử: Hỗ trợ quy trình gom hàng (order picking) theo đơn tự động.

Phân tích hiệu quả kinh tế (ROI)

  • Chi phí đầu tư xe mẫu thử: ~8.500.000 VNĐ/xe.
  • Tiết kiệm nhân công: Một đội 3 xe AGV loại nhỏ có thể thay thế 1 nhân công vận chuyển hàng hóa thủ công toàn thời gian.
  • Thời gian hoàn vốn (ROI): Ước tính từ 4 đến 6 tháng đối với các xưởng sản xuất quy mô vừa và nhỏ.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Vật cản ngoài mặt phẳng quét: Do chỉ dùng 1 cảm biến LiDAR 2D đặt cách sàn $12\text{ cm}$, các vật cản thấp dưới $5\text{ cm}$ hoặc nhô ra ở độ cao lớn hơn không được ghi nhận vào bản đồ.
  • Môi trường quá rộng hoặc đối xứng: Khi đi qua hành lang dài đồng nhất không có vật cản đặc trưng, thuật toán Scan Matching của LiDAR 2D dễ bị trượt (mất vị trí cục bộ).
  • Tải trọng: Khung gầm Acrylic và động cơ JGA-370-CE chỉ tối ưu cho tải trọng dưới $10\text{ kg}$.

Hướng phát triển tiếp theo

  • Nâng cấp lên bộ khung thép/nhôm định hình công nghiệp và động cơ không chổi than BLDC công suất lớn để nâng tải trọng lên $50 - 100\text{ kg}$.
  • Kết hợp cảm biến độ sâu (RGB-D Camera như Intel RealSense D435) để xây dựng 3D OctoMap, nhận diện chướng ngại vật đa tầng.
  • Nâng cấp lên ROS 2 (Humble/Iron) để hỗ trợ điều khiển đa robot (Fleet Management) theo chuẩn DDS công nghiệp.

Đối tượng hưởng lợi

+-------------------------------------------------------------------------+
|                           ĐỐI TƯỢNG HƯỞNG LỢI                           |
|                                                                         |
|  [SINH VIÊN & NGHIÊN CỨU]     |  Tài liệu chuẩn về Kinematics & ROS      |
|  [KỸ SƯ & DEVELOPER]          |  Source code mẫu & kiến trúc phần cứng  |
|  [DOANH NGHIỆP VỪA & NHỎ]     |  Giải pháp tự động hóa chi phí thấp     |
+-------------------------------------------------------------------------+
  • Sinh viên & Giảng viên ngành Cơ điện tử/Robot: Bản thiết kế hoàn chỉnh từ tính toán cơ cấu vi sai, mô hình toán động học đến lập trình nhúng trên nền tảng ROS, làm giáo cụ học tập trực quan.
  • Kỹ sư phát triển Robot (R&D Developers): Tham khảo các thông số cấu hình tối ưu của dwa_local_planner, costmap_2d, và giải pháp phối hợp xử lý thời gian thực giữa Arduino và Raspberry Pi.
  • Doanh nghiệp vừa và nhỏ (SMEs): Cung cấp giải pháp khả thi để tự động hóa nhà kho với chi phí đầu tư ban đầu thấp mà không cần phụ thuộc vào các dây chuyền nhập ngoại đắt đỏ.

Câu hỏi thường gặp

1. Yêu cầu cấu hình máy tính nhúng tối thiểu để chạy hệ thống ROS SLAM trên xe AGV là gì?

Tối thiểu cần Raspberry Pi 3B+ (RAM 1GB), tuy nhiên khuyến nghị sử dụng Raspberry Pi 4 Model B (RAM 4GB hoặc 8GB) chạy Ubuntu Server/Desktop 20.04 LTS và ROS Noetic để đảm bảo tần số cập nhật bản đồ SLAM đạt tối thiểu 10Hz mà không bị tràn bộ nhớ hay trễ xử lý.

2. Xe AGV xử lý như thế nào khi đi vào khu vực bị mất dấu định vị (Localization Loss)?

Khi độ phân tán hạt của thuật toán định vị AMCL vượt quá ngưỡng cho phép (tương ứng với sai số vị trí quá lớn), ROS Navigation Stack sẽ kích hoạt chế độ phục hồi (Recovery Behaviors): xe sẽ dừng lại, tự xoay tại chỗ $360^\circ$ để quét lại biên dạng môi trường xung quanh và khớp với bản đồ tĩnh đã lưu nhằm khôi phục tọa độ chính xác.

3. Tại sao đồ án chọn cơ cấu 2 bánh chủ động trung tâm kết hợp bánh caster thay vì cơ cấu 4 bánh lái 4WD?

Cơ cấu 2 bánh dẫn động vi sai trung tâm (Center Drive) kết hợp bánh đa hướng/caster giúp xe có bán kính quay vòng bằng 0 (khả năng xoay tròn tại chỗ quanh tâm). Điều này mang lại độ cơ động tối đa trong các hành lang kho hẹp, đồng thời đơn giản hóa thuật toán điều khiển động học so với cơ cấu lái Ackermann hay 4WD.

4. Hệ thống có thể hoạt động khi mất kết nối mạng Wi-Fi không?

Có. Toàn bộ quá trình tính toán định vị, quét LiDAR, xử lý PID động cơ và né vật cản đều được thực thi trực tiếp cục bộ (on-board) trên Raspberry Pi và Arduino. Mạng Wi-Fi chỉ dùng để truyền hình ảnh giám sát về máy tính trạm (Master PC) qua giao diện đồ họa RViz.

5. Chi phí chế tạo và bảo trì của phiên bản AGV này so với AGV công nghiệp Omron/KUKA như thế nào?

Một robot AGV công nghiệp nhập khẩu từ Omron hay KUKA có giá dao động từ $15.000$ đến $40.000\text{ USD}$ và yêu cầu chi phí dịch vụ kỹ thuật cao. Mẫu AGV chế tạo trong đồ án có tổng chi phí linh kiện khoảng dưới $400\text{ USD}$ (~9 triệu VNĐ), các linh kiện cơ điện tử đều sẵn có trên thị trường nội địa, giúp việc bảo dưỡng và thay thế cực kỳ dễ dàng.

Kết luận

Đồ án tốt nghiệp "Nghiên Cứu và Thiết Kế Xe Tự Hành AGV Sử Dụng Hệ Thống SLAM (ROS)" của hai sinh viên Trần Quốc Huy và Nguyễn Văn Sơn (Trường ĐH Sư phạm Kỹ thuật TP.HCM) đã hiện thực hóa thành công một sản phẩm robot tự hành hoàn chỉnh từ bản vẽ thiết kế cơ khí, mạch điện tử đến tầng thuật toán điều khiển tự động thông minh. Với khả năng tự tạo bản đồ, tự định vị chính xác và chủ động né vật cản theo thời gian thực đạt độ tin cậy trên 84%, đề tài khẳng định tiềm năng to lớn của việc ứng dụng công nghệ mã nguồn mở ROS và cảm biến LiDAR trong việc nội địa hóa các thiết bị tự động hóa công nghiệp phục vụ cho các nhà máy thông minh tại Việt Nam.