Tổng quan nghiên cứu

Trong bối cảnh công nghiệp hóa hiện đại, robot ngày càng trở nên phổ biến và được ứng dụng rộng rãi trong nhiều lĩnh vực như quân sự, công nghiệp, y tế và cứu hộ. Theo ước tính, việc sử dụng robot tự hành giúp giảm thiểu rủi ro cho con người trong các môi trường độc hại và nguy hiểm. Đặc biệt, robot di động với khả năng tự hành và cảm biến môi trường đang được quan tâm phát triển mạnh mẽ. Luận văn tập trung nghiên cứu thiết kế, thi công và lập trình điều khiển robot nhện 4 chân ứng dụng công nghệ IoT (Internet of Things), nhằm nâng cao khả năng di chuyển và nhận dạng đối tượng trong các môi trường phức tạp.

Mục tiêu cụ thể của nghiên cứu bao gồm: phân tích và áp dụng phương pháp tính động học thuận và nghịch cho robot 4 chân; thiết kế quỹ đạo chuyển động và các dáng đi phù hợp; phát triển hệ thống điều khiển dựa trên vi điều khiển Arduino Mega 2560; lập trình ứng dụng điều khiển trên nền tảng Android; và ứng dụng deep learning để nhận dạng khuôn mặt người bị nạn. Nghiên cứu được thực hiện trong phạm vi thời gian năm 2020 tại Thành phố Hồ Chí Minh, với trọng tâm là robot 4 chân sử dụng 3 động cơ RC servo cho mỗi chân.

Ý nghĩa của đề tài thể hiện qua việc phát triển một hệ thống robot có khả năng dò tìm, trinh sát và cứu nạn tại những khu vực con người không thể tiếp cận, góp phần nâng cao hiệu quả công tác an ninh, quốc phòng và cứu hộ khẩn cấp. Các chỉ số hiệu suất như độ chính xác nhận dạng khuôn mặt và khả năng di chuyển ổn định của robot được đánh giá thông qua các thử nghiệm thực tế.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai khung lý thuyết chính: động học robot và deep learning.

  1. Động học robot: Nghiên cứu sử dụng bộ thông số Denavit-Hartenberg (DH) để mô tả vị trí và hướng của các khâu trong robot 4 chân. Phương pháp tính động học thuận giúp xác định vị trí điểm cuối của chân robot dựa trên các góc quay khớp, trong khi động học nghịch được áp dụng để tính toán các góc khớp cần thiết cho vị trí chân mong muốn. Các dáng đi của robot được phân loại thành dáng di chuyển liên tục và không liên tục (2 pha và 4 pha), với các sơ đồ bước chân và đồ thị chuyển động chi tiết nhằm đảm bảo độ ổn định và tốc độ di chuyển phù hợp.

  2. Deep learning: Ứng dụng mạng nơ ron tích chập (CNN) trong việc nhận dạng khuôn mặt người bị nạn. Mạng CNN được xây dựng với các lớp tích chập, lớp phi tuyến tính (ReLU), lớp tổng hợp (max pooling), lớp làm phẳng và lớp kết nối đầy đủ để trích xuất đặc trưng và phân loại hình ảnh. Mô hình MobileNet-v1 được lựa chọn làm bộ trích xuất đặc trưng nhờ khả năng giảm thiểu chi phí tính toán đến gần 90% so với phương pháp tích chập tiêu chuẩn, trong khi vẫn giữ được độ chính xác trên 71% với tập dữ liệu ImageNet. Phần nhận dạng sử dụng mô hình Single Shot Detector (SSD) để phát hiện và xác định vị trí đối tượng trong ảnh với độ chính xác mAP trên 80% trong các bộ dữ liệu chuẩn.

Phương pháp nghiên cứu

Nguồn dữ liệu chính bao gồm các thông số kỹ thuật của robot, dữ liệu hình ảnh thu thập từ camera Logitech C270, và các tín hiệu điều khiển từ vi điều khiển Arduino Mega 2560. Cỡ mẫu nghiên cứu là một robot 4 chân được thiết kế và thi công hoàn chỉnh, sử dụng 12 động cơ RC servo TowerPro MG946R, module Bluetooth HC-05 để giao tiếp không dây, và ứng dụng Android để điều khiển từ xa.

Phương pháp phân tích bao gồm:

  • Tính toán động học thuận và nghịch dựa trên ma trận biến đổi DH để mô phỏng chuyển động chân robot.
  • Thiết kế và mô phỏng quỹ đạo chuyển động bằng phần mềm SolidWorks 2015.
  • Lập trình điều khiển robot trên nền tảng Arduino IDE, sử dụng thuật toán điều khiển vị trí động cơ bằng tín hiệu PWM.
  • Huấn luyện mô hình deep learning trên tập dữ liệu hình ảnh khuôn mặt, sử dụng kiến trúc MobileNet kết hợp SSD để nhận dạng và phát hiện người bị nạn.
  • Thời gian nghiên cứu kéo dài trong 6 tháng, từ tháng 1 đến tháng 7 năm 2020, với các giai đoạn thiết kế, thi công, lập trình và thử nghiệm.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hoàn thiện thiết kế và thi công robot 4 chân: Robot được thiết kế với chiều dài chân 115 mm, cẳng chân 110 mm, sử dụng 3 động cơ RC servo cho mỗi chân, đảm bảo khả năng xoay 180 độ. Kết quả thi công cho thấy robot có thể di chuyển linh hoạt với các dáng đi liên tục và không liên tục, đạt độ ổn định cao với hệ số sử dụng chân trên 75% trong dáng đi 4 pha không liên tục.

  2. Điều khiển chuyển động chính xác: Thuật toán điều khiển dựa trên động học thuận và nghịch được lập trình thành công trên Arduino Mega 2560, với tần suất cập nhật vị trí chân đạt 50 Hz, giúp robot di chuyển mượt mà và ổn định. Tốc độ di chuyển trung bình đạt khoảng 0.15 m/s trong dáng đi liên tục, giảm xuống 0.1 m/s trong dáng đi 4 pha không liên tục do ưu tiên độ ổn định.

  3. Ứng dụng deep learning trong nhận dạng khuôn mặt: Mô hình MobileNet kết hợp SSD được huấn luyện và triển khai trên robot, đạt độ chính xác nhận dạng khuôn mặt trên 85% trong điều kiện ánh sáng tiêu chuẩn. Thời gian xử lý trung bình cho mỗi khung hình là 200 ms, phù hợp với yêu cầu nhận dạng thời gian thực. So sánh với các thuật toán truyền thống, deep learning cho kết quả vượt trội về độ chính xác và khả năng nhận dạng trong môi trường phức tạp.

  4. Giao tiếp và điều khiển từ xa hiệu quả: Module Bluetooth HC-05 cho phép kết nối ổn định với ứng dụng Android, với độ trễ truyền tín hiệu dưới 100 ms, đảm bảo điều khiển robot linh hoạt trong phạm vi 10 mét.

Thảo luận kết quả

Các kết quả trên cho thấy sự thành công trong việc tích hợp các lý thuyết động học robot với công nghệ deep learning và IoT để phát triển một robot nhện 4 chân có khả năng tự hành và nhận dạng đối tượng. Việc sử dụng bộ thông số DH và ma trận biến đổi giúp mô phỏng chính xác chuyển động chân, đồng thời các dáng đi được thiết kế phù hợp với đặc điểm cơ học của động cơ RC servo, đảm bảo robot có thể di chuyển ổn định trên địa hình bằng phẳng.

So với các nghiên cứu trước đây về robot chân, việc ứng dụng deep learning để nhận dạng khuôn mặt người bị nạn là điểm mới và sáng tạo, nâng cao khả năng ứng dụng trong cứu hộ và trinh sát. Kết quả nhận dạng đạt độ chính xác cao hơn khoảng 15% so với các phương pháp truyền thống dựa trên đặc trưng thủ công.

Dữ liệu có thể được trình bày qua biểu đồ so sánh tốc độ di chuyển và độ ổn định của các dáng đi, bảng thống kê độ chính xác nhận dạng khuôn mặt giữa các mô hình, và biểu đồ thời gian xử lý tín hiệu điều khiển qua Bluetooth. Những biểu đồ này giúp minh họa rõ ràng hiệu quả của từng thành phần trong hệ thống robot.

Đề xuất và khuyến nghị

  1. Tăng cường khả năng tracking đối tượng: Phát triển thuật toán deep learning nâng cao để robot có thể theo dõi chuyển động của người bị nạn liên tục, cải thiện khả năng cứu hộ trong môi trường động. Mục tiêu đạt độ chính xác tracking trên 90% trong vòng 12 tháng, do nhóm nghiên cứu và kỹ sư phần mềm thực hiện.

  2. Nâng cấp hệ thống cảm biến và vi điều khiển: Thay thế hoặc bổ sung các cảm biến khoảng cách và cảm biến địa hình để robot có thể hoạt động hiệu quả trên địa hình phức tạp hơn. Thời gian thực hiện dự kiến 6 tháng, do bộ phận kỹ thuật phần cứng đảm nhiệm.

  3. Tối ưu hóa thuật toán điều khiển và tiết kiệm năng lượng: Cải tiến thuật toán điều khiển động cơ để giảm tiêu thụ năng lượng, kéo dài thời gian hoạt động của robot trong các nhiệm vụ cứu hộ kéo dài. Mục tiêu giảm 20% mức tiêu thụ điện năng trong 9 tháng, do nhóm nghiên cứu điều khiển tự động thực hiện.

  4. Phát triển ứng dụng điều khiển đa nền tảng: Mở rộng ứng dụng điều khiển robot trên các hệ điều hành khác như iOS và web, tăng tính linh hoạt và khả năng tiếp cận người dùng. Thời gian phát triển dự kiến 4 tháng, do nhóm phát triển phần mềm đảm nhận.

Đối tượng nên tham khảo luận văn

  1. Sinh viên và nghiên cứu sinh ngành Công nghệ kỹ thuật điều khiển và tự động hóa: Luận văn cung cấp kiến thức chuyên sâu về động học robot, lập trình điều khiển và ứng dụng deep learning, hỗ trợ nghiên cứu và phát triển các dự án robot tương tự.

  2. Kỹ sư phát triển robot và tự động hóa: Tài liệu chi tiết về thiết kế phần cứng, lựa chọn động cơ và vi điều khiển giúp kỹ sư áp dụng vào thực tế sản xuất và cải tiến robot di động.

  3. Chuyên gia trong lĩnh vực trí tuệ nhân tạo và thị giác máy tính: Phần ứng dụng mạng nơ ron tích chập và mô hình MobileNet-SSD trong nhận dạng khuôn mặt là tài liệu tham khảo quý giá cho các dự án AI nhúng.

  4. Cơ quan an ninh, quốc phòng và cứu hộ: Nghiên cứu cung cấp giải pháp robot tự hành có khả năng dò tìm, trinh sát và cứu nạn trong môi trường nguy hiểm, hỗ trợ công tác bảo vệ và cứu hộ hiệu quả.

Câu hỏi thường gặp

  1. Robot 4 chân có ưu điểm gì so với robot bánh xe?
    Robot 4 chân có khả năng di chuyển linh hoạt trên địa hình phức tạp, vượt chướng ngại vật tốt hơn so với robot bánh xe, phù hợp với các nhiệm vụ cứu hộ và trinh sát trong môi trường không bằng phẳng.

  2. Phương pháp tính động học thuận và nghịch được áp dụng như thế nào?
    Động học thuận tính vị trí chân dựa trên góc quay khớp, trong khi động học nghịch tính ngược lại để xác định góc khớp cần thiết cho vị trí chân mong muốn, giúp lập trình chuyển động chính xác.

  3. Deep learning được sử dụng ra sao trong nhận dạng khuôn mặt?
    Mạng CNN MobileNet kết hợp SSD được huấn luyện để trích xuất đặc trưng và phát hiện khuôn mặt trong ảnh, đạt độ chính xác trên 85% và xử lý thời gian thực, hỗ trợ robot nhận dạng người bị nạn hiệu quả.

  4. Vi điều khiển Arduino Mega 2560 có phù hợp cho điều khiển robot không?
    Arduino Mega 2560 với 54 chân I/O, 16 chân analog và tốc độ 16 MHz đáp ứng tốt yêu cầu điều khiển nhiều động cơ servo và cảm biến, đồng thời dễ dàng lập trình và mở rộng.

  5. Robot có thể hoạt động trong môi trường nào?
    Robot được thiết kế chủ yếu cho môi trường bằng phẳng và không bị ràng buộc bởi mặt phẳng nằm ngang, phù hợp với các khu vực cứu hộ, trinh sát trong nhà hoặc ngoài trời có địa hình tương đối ổn định.

Kết luận

  • Đã thiết kế, thi công và lập trình thành công robot nhện 4 chân với khả năng di chuyển linh hoạt và ổn định.
  • Ứng dụng deep learning MobileNet-SSD giúp robot nhận dạng khuôn mặt người bị nạn với độ chính xác cao và thời gian xử lý nhanh.
  • Hệ thống điều khiển dựa trên Arduino Mega 2560 và module Bluetooth HC-05 đảm bảo giao tiếp và điều khiển từ xa hiệu quả.
  • Các dáng đi liên tục và không liên tục được nghiên cứu và áp dụng phù hợp với đặc điểm cơ học của robot, tối ưu hóa tốc độ và độ ổn định.
  • Hướng phát triển tiếp theo tập trung vào nâng cao khả năng tracking đối tượng, mở rộng cảm biến và tối ưu hóa năng lượng.

Đề nghị các nhà nghiên cứu và kỹ sư quan tâm đến lĩnh vực robot tự hành và AI ứng dụng tiếp tục phát triển dự án, đồng thời áp dụng các giải pháp đề xuất để nâng cao hiệu quả và khả năng ứng dụng thực tế của robot nhện IoT.