Robot giám sát nhà máy tự hành kết hợp xử lý ảnh nhận diện lửa, khói

Đồ án robot giám sát nhà máy tự hành kết hợp xử lý ảnh nhận diện lửa khói ĐH SPKT TP.HCM

• Tác giả: Võ Hoài Nam
• Người hướng dẫn: ThS. Nguyễn Trần Minh Nguyệt
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Công nghệ Kỹ thuật Điều khiển và Tự động hóa
• Đề tài: Robot giám sát nhà máy tự hành kết hợp xử lý ảnh nhận diện lửa, khói
• Loại tài liệu: Đồ án tốt nghiệp
• Năm xuất bản: 2024
• Địa điểm: Thành phố Hồ Chí Minh

Tóm tắt

I. Tổng quan về robot giám sát nhà máy tự hành nhận diện lửa khói

Robot giám sát nhà máy tự hành kết hợp xử lý ảnh nhận diện lửa, khói là đề tài tốt nghiệp của sinh viên Phan Nguyễn Bảo Long và Võ Hoài Nam thuộc ngành Công Nghệ Kỹ Thuật Điều Khiển và Tự Động Hóa, Trường Đại học Sư Phạm Kỹ Thuật TP.HCM. Đề tài được thực hiện dưới sự hướng dẫn của Th.S Nguyễn Trần Minh Nguyệt, hoàn thành vào tháng 12 năm 2024. Mô hình robot có dạng hình tròn với đường kính 270mm, chiều cao 390mm và khối lượng tổng thể khoảng 4kg. Hệ thống tích hợp nhiều công nghệ hiện đại gồm vi xử lý Raspberry Pi, hệ điều hành ROS Noetic, thuật toán lập bản đồ và điều hướng tự động, cùng với module xử lý ảnh sử dụng Python để nhận diện lửa và khói trong thời gian thực. Robot có khả năng di chuyển tự hành trong môi trường nhà máy, quét bản đồ không gian xung quanh và phát hiện sớm các nguy cơ cháy nổ mà không cần sự can thiệp trực tiếp của con người. Đây là bước tiến quan trọng trong ứng dụng tự động hóa vào an toàn công nghiệp tại Việt Nam.

1.1. Mục tiêu và phạm vi thực hiện đề tài

Đề tài hướng đến xây dựng một robot di động tự hành có khả năng giám sát liên tục trong môi trường nhà máy. Mục tiêu chính gồm thiết kế mô hình cơ khí trên SolidWorks, thi công thực tế, lập trình bộ điều khiển và tích hợp chức năng nhận diện lửa khói qua xử lý ảnh. Robot được kiểm thử trong môi trường trong nhà, thực hiện quét bản đồ và di chuyển theo bản đồ đã quét. Đề tài nhận vào ngày 30/08/2024 và nộp vào ngày 06/01/2025, thể hiện quy trình nghiên cứu bài bản và có kế hoạch cụ thể.

1.2. Nhóm thực hiện và giảng viên hướng dẫn

Đề tài do hai sinh viên thực hiện: Phan Nguyễn Bảo Long (MSSV: 20151057) và Võ Hoài Nam (MSSV: 20151397), cùng thuộc Khoa Điện – Điện Tử, Trường ĐH Sư Phạm Kỹ Thuật TP.HCM. Giảng viên hướng dẫn là Th.S Nguyễn Trần Minh Nguyệt – chuyên gia trong lĩnh vực điều khiển và tự động hóa. Sản phẩm bàn giao gồm mô hình robot thực tế, quyển báo cáo đồ án tốt nghiệp và video tổng hợp quá trình hoạt động của hệ thống.

II. Phân tích thách thức giám sát an toàn nhà máy bằng phương pháp truyền thống

Giám sát an toàn tại các nhà máy sản xuất luôn là vấn đề cấp thiết. Phương pháp truyền thống phụ thuộc hoàn toàn vào nhân lực tuần tra và hệ thống camera cố định. Cách tiếp cận này có nhiều hạn chế rõ ràng. Nhân lực tuần tra không thể hoạt động liên tục 24/7 và dễ mắc lỗi do mệt mỏi. Camera cố định chỉ bao quát được góc nhìn nhất định, tạo ra các điểm mù nguy hiểm. Khi hỏa hoạn xảy ra ở khu vực khuất, thời gian phát hiện bị kéo dài đáng kể, gây thiệt hại lớn về tài sản và nguy hiểm đến tính mạng. Hệ thống cảm biến khói truyền thống chỉ phát cảnh báo khi khói đã lan rộng, không xác định được vị trí chính xác của nguồn phát. Nhu cầu thực tế đặt ra yêu cầu về một giải pháp tự động hóa có thể di chuyển linh hoạt trong không gian nhà máy, phát hiện sớm lửa và khói với độ chính xác cao, đồng thời phản hồi nhanh mà không phụ thuộc vào con người. Robot tự hành kết hợp xử lý ảnh chính là câu trả lời cho bài toán này.

2.1. Hạn chế của hệ thống giám sát cố định trong môi trường công nghiệp

Hệ thống camera cố định và cảm biến nhiệt độ truyền thống không thể bao phủ toàn bộ không gian nhà máy. Các góc chết, khu vực hàng hóa chồng chất hoặc vị trí khuất sau thiết bị máy móc thường không được giám sát hiệu quả. Khi lửa bùng phát tại những điểm này, hệ thống cố định không phát hiện kịp thời. Ngoài ra, chi phí lắp đặt và bảo trì hệ thống camera diện rộng rất cao. Mỗi điểm mù tiềm ẩn rủi ro nghiêm trọng trong môi trường sản xuất có vật liệu dễ cháy.

2.2. Thách thức kỹ thuật trong nhận diện lửa và khói theo thời gian thực

Nhận diện lửa và khói bằng xử lý ảnh đặt ra nhiều thách thức kỹ thuật. Ánh sáng thay đổi trong môi trường công nghiệp ảnh hưởng đến độ chính xác của thuật toán. Khói ở giai đoạn đầu có màu sắc và mật độ khó phân biệt với bụi hay hơi nước. Lửa nhỏ trong giai đoạn phát sinh có diện tích pixel rất nhỏ trên khung hình. Hệ thống phải xử lý luồng video liên tục với tốc độ đủ nhanh để phản hồi kịp thời. Đây là lý do các thuật toán học máy và thư viện OpenCV kết hợp Python trở thành lựa chọn tối ưu cho bài toán này.

III. Giải pháp kỹ thuật tích hợp ROS Raspberry Pi và xử lý ảnh nhận diện lửa khói

Giải pháp được nhóm nghiên cứu xây dựng dựa trên nền tảng tích hợp ba thành phần cốt lõi. Thứ nhất là phần cứng robot: khung cơ khí được thiết kế trên SolidWorks với kích thước tối ưu cho di chuyển trong hành lang nhà máy, trang bị động cơ và encoder để điều khiển chính xác. Thứ hai là nền tảng phần mềm ROS Noetic chạy trên Raspberry Pi, cung cấp hệ sinh thái đầy đủ cho lập bản đồ (mapping) và điều hướng tự động (navigation). ROS Noetic là phiên bản thứ 12 của Robot Operating System, phát hành tháng 5/2020, hỗ trợ đa dạng gói phần mềm và tài liệu cộng đồng phong phú. Thứ ba là module xử lý ảnh viết bằng Python sử dụng OpenCV, khai thác camera gắn trên robot để phân tích hình ảnh theo thời gian thực. Pipeline xử lý ảnh gồm các bước tuần tự: thu nhận ảnh, tiền xử lý (khử nhiễu, cân bằng sáng), phân đoạn ảnh và trích xuất đặc trưng để nhận diện vùng lửa, khói. Khi phát hiện nguy cơ, hệ thống gửi cảnh báo tức thời. Kiến trúc node-based của ROS cho phép các module giao tiếp linh hoạt qua cơ chế publish/subscribe.

3.1. Hệ thống lập bản đồ và điều hướng tự động sử dụng ROS Noetic

ROS Noetic cung cấp các gói phần mềm SLAM (Simultaneous Localization and Mapping) giúp robot vừa xây dựng bản đồ vừa xác định vị trí trong không gian chưa biết trước. Cơ chế giao tiếp giữa các Node trong ROS thông qua Topics (publish/subscribe) và Services (request/reply) cho phép module điều hướng và module cảm biến hoạt động độc lập nhưng phối hợp nhịp nhàng. Robot sử dụng dữ liệu cảm biến lidar hoặc sonar để xây dựng bản đồ 2D của nhà máy, sau đó tự lập kế hoạch di chuyển tuần tra theo lộ trình đã định sẵn mà không cần điều khiển thủ công.

3.2. Pipeline xử lý ảnh nhận diện lửa và khói bằng Python và OpenCV

Module xử lý ảnh được viết bằng Python, tận dụng thư viện OpenCV và các thư viện tiêu chuẩn mạnh mẽ. Luồng xử lý bắt đầu từ bước thu nhận ảnh từ camera của robot. Tiền xử lý áp dụng bộ lọc Gaussian để khử nhiễu và cân bằng histogram để tăng tương phản. Phân đoạn ảnh sử dụng kỹ thuật thresholding theo không gian màu HSV nhằm cô lập vùng có màu đặc trưng của lửa và khói. Trích xuất đặc trưng bằng Canny edge detection giúp xác định biên vùng nguy hiểm. Kết quả được truyền qua ROS topic để kích hoạt cảnh báo khi phát hiện nguy cơ.

IV. Kết quả kiểm thử và ứng dụng thực tiễn trong công nghiệp hiện đại

Kết quả kiểm thử cho thấy hệ thống robot giám sát tự hành hoạt động ổn định trong môi trường trong nhà. Robot thực hiện thành công việc quét bản đồ không gian và di chuyển tự động theo bản đồ đã xây dựng. Module xử lý ảnh nhận diện lửa và khói đạt độ chính xác đáng kể trong điều kiện ánh sáng phòng thí nghiệm. Sản phẩm hoàn thiện gồm mô hình robot vật lý, quyển báo cáo kỹ thuật chi tiết và video minh họa quá trình hoạt động. Hướng phát triển tiếp theo có thể tích hợp thuật toán học sâu (deep learning) để nâng cao độ chính xác nhận diện trong điều kiện ánh sáng phức tạp. Việc bổ sung kết nối mạng không dây và dashboard giám sát từ xa sẽ mở rộng khả năng ứng dụng thực tế. Mô hình nghiên cứu này có tiềm năng triển khai tại các nhà máy sản xuất, kho hàng, cơ sở lưu trữ hóa chất và các công trình yêu cầu giám sát an toàn liên tục. Đây là minh chứng rõ nét cho năng lực nghiên cứu ứng dụng của sinh viên Trường ĐH Sư Phạm Kỹ Thuật TP.HCM trong lĩnh vực tự động hóa công nghiệp.

4.1. Đánh giá hiệu suất hệ thống qua quá trình kiểm thử thực tế

Quá trình kiểm thử được thực hiện trong môi trường trong nhà mô phỏng điều kiện nhà máy thực tế. Robot di chuyển linh hoạt, tránh vật cản và bám theo lộ trình đã lập bản đồ. Module xử lý ảnh phản hồi nhanh khi xuất hiện lửa và khói trong khung hình camera. Các kết quả thực nghiệm được ghi lại và tổng hợp trong báo cáo đồ án. Nhóm thực hiện xác nhận hệ thống đáp ứng yêu cầu cơ bản đặt ra, đồng thời ghi nhận một số hạn chế cần cải tiến ở điều kiện ánh sáng thấp và khi có nhiều vật cản phức tạp.

4.2. Tiềm năng mở rộng và ứng dụng trong an toàn công nghiệp Việt Nam

Robot giám sát tự hành nhận diện lửa khói có tiềm năng ứng dụng rộng rãi trong bối cảnh công nghiệp hóa tại Việt Nam. Các khu công nghiệp, nhà máy dệt may, cơ sở chế biến gỗ và kho hóa chất đều có nhu cầu giám sát an toàn liên tục. Tích hợp thêm cảm biến khí độc và hệ thống cảnh báo không dây sẽ nâng cấp giải pháp thành hệ thống an toàn toàn diện. Mô hình đồ án tốt nghiệp này là nền tảng học thuật có giá trị để phát triển sản phẩm thương mại hóa trong tương lai.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong xu thế hiện đại hóa quy trình sản xuất, các nhà máy tự hành ngày càng được nhân rộng nhằm tối ưu hóa năng suất và giảm thiểu lao động thủ công. Đi kèm với sự mở rộng quy mô sản xuất là nhu cầu cấp thiết về công tác kiểm tra, giám sát an toàn vận hành, duy trì tính liên tục và giảm thiểu rủi ro sự cố. Trong đó, nguy cơ hỏa hoạn là một trong những nguyên nhân hàng đầu gây tổn thất nghiêm trọng về tài sản và đe dọa tính mạng con người. Khói và ngọn lửa là các dấu hiệu đặc trưng xuất hiện sớm nhất của các vụ cháy nổ. Do đó, việc ứng dụng các phương tiện di động tự hành kết hợp thị giác máy tính để tự động tuần tra, phát hiện sớm hiểm họa cháy là giải pháp kỹ thuật cần thiết.

Đồ án tốt nghiệp "Robot giám sát nhà máy tự hành kết hợp xử lý ảnh nhận diện lửa, khói" được thực hiện bởi nhóm tác giả Võ Hoài Nam và Phan Nguyễn Bảo Long, dưới sự hướng dẫn của ThS. Nguyễn Trần Minh Nguyệt tại Khoa Điện – Điện tử, Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh (thời gian thực hiện từ 30/08/2024 đến 06/01/2025).

Mục đích của đề tài là tiếp cận, làm chủ các thuật toán định vị, xây dựng bản đồ, điều hướng tự động và thị giác máy tính trên hệ thống nhúng, từ đó thiết kế, thi công một mô hình robot di động hoàn chỉnh có thể vận hành ổn định trong môi trường nhà xưởng. Cụ thể, tác giả xác định 5 mục tiêu nghiên cứu đánh số như sau:

1. Xây dựng được mô hình phần cứng Robot có thể hoạt động ổn định.
2. Thiết kế mô hình và mạch điện cho Robot.
3. Lập trình Robot di chuyển ở chế độ điều khiển bằng tay và trong quá trình di chuyển nó sẽ ghi lại bản đồ nơi nó đi qua.
4. Lập trình Robot di chuyển tự động giữa hai điểm đặt trước trong bản đồ đã lập.
5. Lập trình Robot xử lý ảnh nhận diện khói, lửa trên đường đi.

Đối tượng nghiên cứu của đồ án bao gồm: hệ điều hành robot (ROS Noetic), ngôn ngữ lập trình C++ và Python, cảm biến quét laser LiDAR, camera Raspberry Pi V1, máy tính nhúng Raspberry Pi 4 Model B, vi điều khiển Arduino, thuật toán xử lý ảnh YOLO (phiên bản YOLOv8) và mô hình robot tự hành thực tế. Phạm vi nghiên cứu giới hạn ở không gian bên trong nhà xưởng (indoor) với bề mặt sàn phẳng; kết cấu cơ khí sử dụng vật liệu gia công đơn giản (nhựa in 3D, mica); hệ thống điều khiển tốc độ động cơ tập trung vào thuật toán PID vận tốc; tải trọng và năng lượng thiết kế đáp ứng khả năng mang tải các thiết bị điều khiển, cảm biến trong phạm vi thí nghiệm.

Cơ sở lý thuyết và phương pháp

Đồ án xây dựng nền tảng kỹ thuật dựa trên các công nghệ và khung lý thuyết chuyên ngành kỹ thuật điều khiển và tự động hóa:

• Hệ điều hành robot (Robot Operating System - ROS): Tác giả sử dụng phiên bản ROS Noetic Ninjemys (phát hành tháng 5/2020 trên nền tảng Ubuntu 20.04 LTS Focal Fossa). Kiến trúc của ROS được phân tích theo 3 cấp độ: Cấp độ hệ thống tệp (ROS Filesystem Level gồm Packages, Stacks, msg, srv), cấp độ đồ thị tính toán (ROS Computation Graph Level gồm Nodes, Master, Parameter Server, Messages, Topics, Services, Bags) và cấp độ cộng đồng (ROS Community Level gồm Distributions, Repositories, ROS Wiki).
• Công nghệ LiDAR và phương pháp quét bản đồ Hector SLAM: LiDAR (Light Detection and Ranging) phát tia laser để đo thời gian phản hồi, từ đó tính khoảng cách và dựng đám mây điểm (point cloud). Thuật toán Hector SLAM thực hiện đồng thời việc định vị và lập bản đồ (Simultaneous Localization and Mapping) dựa trên kỹ thuật khớp mẫu quét (scan matching), đặc biệt hữu ích khi dữ liệu odometry từ bánh xe không đáng tin cậy hoặc bị trượt. Quy trình xử lý gồm 4 bước chính (thu thập dữ liệu laser, xử lý tạo bản đồ cục bộ, đối chiếu khớp mẫu scan matching, cập nhật vị trí robot lên bản đồ toàn cục) cùng các kỹ thuật tiền xử lý: lọc nhiễu (bộ lọc trung bình, bộ lọc Gaussian), hiệu chỉnh cảm biến, chuẩn hóa dữ liệu, phân vùng và gom cụm, hiệu chỉnh biến dạng và tích hợp dữ liệu cảm biến (sử dụng bộ lọc Kalman).
• Thuật toán tìm đường toàn cục Dijkstra: Mô hình hóa không gian di chuyển thành đồ thị dạng lưới điểm (grid map), trong đó các điểm có chướng ngại vật có chi phí vô cùng ($\infty$). Thuật toán tìm đường đi ngắn nhất giữa hai điểm dựa trên hàm tối ưu hóa khoảng cách và độ khó vượt qua các cạnh giữa các nút.
• Thuật toán tránh vật cản cục bộ Dynamic Window Approach (DWA): Tác giả sử dụng phương pháp DWA để điều khiển chuyển động theo thời gian thực dựa trên các ràng buộc động học của robot (giới hạn vận tốc tuyến tính $v$, vận tốc góc $\omega$ và gia tốc tương ứng). Hàm đánh giá quỹ đạo tổng quát $G(v, \omega)$ được tính theo công thức: $$G(v, \omega) = \alpha \cdot heading(v, \omega) + \beta \cdot velocity(v, \omega) + \gamma \cdot clearance(v, \omega)$$ Trong đó, $heading$ thể hiện khả năng hướng về đích, $velocity$ đánh giá tốc độ di chuyển, $clearance$ đo khoảng cách an toàn tới vật cản gần nhất; $\alpha, \beta, \gamma$ là các trọng số điều chỉnh. Đồng thời, không gian an toàn xung quanh robot được phân định thành 3 vùng: vùng 1 (base_footprint) bao sát thân robot cho phép xoay tự do; vùng 2 cảnh báo nguy cơ va chạm; vùng 3 mở rộng theo tầm quét LiDAR để phát hiện chướng ngại vật xuất hiện từ xa.
• Thuật toán thị giác máy tính YOLO (You Only Look Once - YOLOv8): Ứng dụng mạng nơ-ron tích chập (Convolutional Neural Network) để dự đoán đồng thời vị trí bounding box và phân loại đối tượng chỉ qua một lần quét ảnh. Tác giả khai thác các đặc trưng quang học riêng biệt của đám cháy (màu sắc phổ đỏ, cam, vàng) và khói (độ lan tỏa, mờ đục, chuyển động tán xạ) để huấn luyện mô hình nhận diện.

Phương pháp nghiên cứu kết hợp giữa mô hình hóa hình học, tính toán thông số động học, thiết kế mô phỏng 3D trên phần mềm SolidWorks, tích hợp hệ thống nhúng phần cứng và lập trình thực nghiệm trên thiết bị thật. Nguồn dữ liệu gồm dữ liệu khoảng cách laser từ LiDAR, tín hiệu hồi tiếp encoder từ động cơ và tập dữ liệu hình ảnh (dataset) thu nhận để huấn luyện mô hình nhận diện khói, lửa, con người và vật liệu cháy (hộp carton, pallet).

Thiết kế và triển khai hệ thống

Hệ thống được thiết kế dưới dạng robot di động dạng tròn, cấu trúc cơ khí phân tầng vững chắc, tích hợp các khối chức năng phần cứng và phần mềm chuyên biệt.

Thông số / Thành phần	Quy cách thiết kế và triển khai thực tế
Kích thước mô hình	Hình trụ tròn, đường kính 270 mm, chiều cao 390 mm
Khối lượng tổng thể	Dự kiến 4,0 kg (bao gồm toàn bộ khung vỏ, pin, cơ cấu chấp hành và mạch)
Kết cấu khung thân	Thiết kế 3 tầng trên SolidWorks; thi công bằng nhựa in 3D kết hợp tấm nền mica
Khối xử lý trung tâm	Raspberry Pi 4 Model B (chạy Ubuntu 20.04, ROS Noetic, xử lý SLAM, Navigation, YOLO)
Khối vi điều khiển	Arduino (nhận lệnh vận tốc, tính toán PID, đọc tín hiệu encoder, xuất xung điều khiển)
Động cơ & Chấp hành	Động cơ giảm tốc DC JGB37 tốc độ 60 rpm, tích hợp đĩa encoder quang học
Mạch công suất	Module mạch cầu H L298N điều khiển đảo chiều và điều chế độ rộng xung (PWM)
Cảm biến định vị	Cảm biến LiDAR quét laser 360 độ (thu thập dữ liệu đám mây điểm cho Hector SLAM)
Cảm biến thị giác	Module Camera Raspberry Pi V1 gắn trên giá đỡ phía trước thân robot
Hệ thống nguồn điện	Bộ pin nguồn được ghép và đóng mạch chuyên dụng, cấp nguồn độc lập cho mạch số và động cơ

Kiến trúc phần mềm phân tầng rõ rệt: Khối cấp thấp trên Arduino chịu trách nhiệm tính toán thông tin đo lường Odometry từ encoder và thực thi điều khiển kín tốc độ động cơ theo giải thuật PID. Khối cấp cao trên Raspberry Pi 4 đảm nhiệm việc thu nhận dữ liệu LiDAR qua cổng giao tiếp để chạy node Hector SLAM, thiết lập bản đồ lưới môi trường. Khi vận hành tự động, hệ thống kết hợp giải thuật Dijkstra lập đường đi toàn cục và thuật toán DWA tính toán quỹ đạo cục bộ để né vật cản động. Luồng dữ liệu video từ Camera Pi V1 được cấp trực tiếp cho node xử lý ảnh chạy thuật toán YOLOv8 nhằm phát hiện khói, ngọn lửa, công nhân và thùng giấy theo thời gian thực.

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 trình bày bối cảnh công nghiệp hóa gắn liền với nhu cầu giám sát an toàn tự động tại các phân xưởng, nhà máy. Tác giả khảo sát các nghiên cứu nước ngoài liên quan, tiêu biểu như robot hỗ trợ cứu hỏa của Đại học Rey Juan Carlos kết hợp Đại học Autónoma de Madrid, cùng các hệ thống giám sát AI từ các tập đoàn công nghiệp lớn như Siemens và ABB. Ở trong nước, tác giả dẫn chứng các đề tài robot tự hành tiếng Việt phục vụ dịch vụ, cứu nạn tại Đại học Bách khoa Hà Nội và các ứng dụng robot tuần tra của Công ty Cổ phần Công nghệ Robot Việt Nam. Từ đó, chương xác định mục đích, 5 mục tiêu cụ thể, đối tượng nghiên cứu, phạm vi ứng dụng trong nhà xưởng, tóm tắt cấu trúc 6 chương của luận văn và các công cụ đánh giá (SolidWorks, Google Scholar).

Chương 2: Cơ sở lý thuyết

Chương 2 tập trung phân tích sâu các cơ sở toán học và thuật toán kỹ thuật. Nội dung khởi đầu bằng việc làm rõ hệ điều hành ROS Noetic cùng 3 cấp độ cấu trúc (Filesystem, Computation Graph, Community). Tiếp theo, tác giả trình bày bản chất công nghệ LiDAR và giải thuật Hector SLAM gồm 4 bước xử lý cùng các bước tiền xử lý lọc nhiễu Gaussian/Mean filter, chuẩn hóa, gom cụm và kỹ thuật scan matching. Phần tiếp theo mô tả thuật toán tìm đường Dijkstra, giải thích bảng kết quả dò đường mẫu trên đồ thị với 6 bước lặp tìm đường tối ưu từ điểm gốc A tới điểm Z ($path = 25$ qua các nút A-C-F-Z). Sau đó, chương phân tích thuật toán DWA, các ràng buộc vận tốc, gia tốc, hàm đánh giá chuyển động $G(v, \omega)$ và nguyên lý phân định 3 vùng bảo vệ an toàn xung quanh thân xe. Cuối chương giới thiệu ngôn ngữ C++, tổng quan các bước xử lý ảnh số và nguyên lý mạng nơ-ron YOLO trong phân loại ngọn lửa, khói dựa vào đặc trưng màu sắc và chuyển động tán xạ.

Chương 3: Thiết kế và thi công hệ thống

Chương 3 chi tiết hóa quá trình hiện thực hóa mô hình vật lý. Tác giả trình bày sơ đồ khối hệ thống, nêu cơ sở lựa chọn các linh kiện phần cứng then chốt: vi xử lý Raspberry Pi 4 Model B, động cơ DC JGB37 60rpm có encoder, mạch công suất L298N, Camera Raspberry Pi V1 và thiết kế khối nguồn pin cấp tải ổn định. Phần thi công mô hình thể hiện bản vẽ 3D trên SolidWorks với kích thước đường kính 270 mm, chiều cao 390 mm. Cấu trúc cơ khí được triển khai gồm 3 tầng: tầng 1 gắn đế và động cơ chấp hành; tầng 2 chứa khối điều khiển Arduino, mạch L298N và hệ thống nguồn pin; tầng 3 bố trí máy tính nhúng Raspberry Pi 4 cùng cụm LiDAR quét 360 độ và giá đỡ camera phía trước. Các sơ đồ kết nối chân từ động cơ, encoder sang L298N và Arduino được bảng biểu hóa chi tiết.

Chương 4: Chương trình điều khiển

Chương 4 mô tả cấu trúc phần mềm điều khiển và liên lạc giữa các tiến trình. Hệ thống sử dụng ngăn xếp điều hướng tự động ROS Navigation stack. Chương trình nạp trên vi điều khiển Arduino đảm nhiệm việc đọc xung encoder, giải mã tín hiệu để trích xuất thông tin Odometry và thực thi thuật toán PID vòng kín để đồng tốc hai bánh xe. Trên môi trường ROS, các thư viện cần thiết được cấu hình đồng bộ nhằm tích hợp dữ liệu quét laser và dữ liệu odometry. Phần thị giác máy tính triển khai mạng YOLOv8, được huấn luyện thông qua các bộ ảnh mẫu về lửa, khói, người và vật liệu cháy (thùng giấy, pallet). Lưu đồ giải thuật điều khiển minh họa quá trình chuyển trạng thái hoạt động: từ quét bản đồ thủ công, nhận lệnh điểm đích đến, tự động tính toán lộ trình và phát tín hiệu cảnh báo khi nhận diện thấy nguồn cháy.

Chương 5: Kết quả thi công

Chương 5 báo cáo kết quả thực nghiệm hoàn chỉnh của đồ án cả về mặt cơ điện tử lẫn thuật toán điều khiển:

• Mô hình phần cứng được chế tạo hoàn thiện, kết cấu 3 tầng vững chắc, các khối mạch kết nối chính xác và cấp nguồn hoạt động ổn định.
• Chế độ điều khiển bằng tay: Vận hành trơn tru thông qua bảng điều khiển máy tính, robot di chuyển ổn định trong khi LiDAR ghi nhận dữ liệu đám mây điểm và thuật toán Hector SLAM dựng nên bản đồ lưới hoàn chỉnh của khu vực khảo sát.
• Chế độ tự hành Navigation: Thử nghiệm thành công việc di chuyển tự động giữa 2 điểm đặt trước trong 3 kịch bản: (1) môi trường không có vật cản; (2) môi trường xuất hiện vật cản tĩnh cố định; (3) môi trường xuất hiện vật cản bất ngờ cắt ngang (robot kích hoạt thuật toán DWA, giảm tốc, dừng hoặc đổi hướng né vật cản an toàn).
• Chế độ thị giác máy tính: Camera thu nhận hình ảnh thời gian thực, mô hình YOLOv8 nhận diện chính xác các đối tượng mục tiêu gồm người, ngọn lửa, khói và thùng carton trong điều kiện thử nghiệm thực tế.

Chương 6: Kết luận và hướng phát triển

Chương 6 tổng kết các kết quả đạt được đối chiếu với 5 mục tiêu đề ra ban đầu, xác nhận nhóm nghiên cứu đã làm chủ quy trình chế tạo robot tự hành tích hợp ROS, Hector SLAM, Dijkstra, DWA và YOLOv8. Đồng thời, tác giả thẳng thắn chỉ ra các giới hạn kỹ thuật tồn đọng và vạch ra định hướng nghiên cứu tiếp theo nhằm nâng cao chất lượng hệ thống.

Kết quả và đóng góp

Đồ án đã chế tạo thành công một mô hình robot di động tự hành hoàn chỉnh, đáp ứng đầy đủ các thông số kích thước cơ học và yêu cầu kỹ thuật đề ra trong nhiệm vụ tốt nghiệp.

Hạng mục thử nghiệm	Kết quả thực nghiệm trong văn bản	Đánh giá mức độ hoàn thành
Phần cứng cơ điện	Khung tròn đường kính 270 mm, cao 390 mm, nặng 4 kg; kết cấu 3 tầng bằng nhựa in 3D và mica hoạt động ổn định.	Đạt chỉ tiêu thiết kế ban đầu
Quét và lập bản đồ	Thuật toán Hector SLAM phối hợp cùng cảm biến LiDAR quét và tái tạo chính xác bản đồ lưới mặt bằng phòng thí nghiệm/nhà xưởng.	Hoàn thành tốt ở chế độ thủ công
Điều hướng tự động	Dùng thuật toán Dijkstra và DWA di chuyển giữa 2 điểm xác định; xử lý thành công 3 trường hợp: không vật cản, có vật cản cố định và có vật cản bất ngờ.	Hoạt động chính xác, không va chạm
Nhận diện thị giác AI	Thuật toán YOLOv8 phân loại và đóng khung nhận diện thành công: ngọn lửa, khói, con người và thùng giấy.	Phát hiện đúng đối tượng mục tiêu

Đóng góp kỹ thuật do nhóm tác giả tự nêu:

• Tiếp cận và làm chủ quy trình tích hợp hệ thống phức hợp bao gồm hệ điều hành robot ROS Noetic, vi điều khiển Arduino và máy tính nhúng Raspberry Pi 4.
• Ứng dụng thành công giải thuật quét bản đồ Hector SLAM kết hợp kỹ thuật scan matching, cho phép lập bản đồ không gian tin cậy.
• Phối hợp hiệu quả giữa thuật toán tìm đường toàn cục (Dijkstra) và cục bộ (DWA), giải quyết được bài toán tránh vật cản tĩnh và động trong môi trường trong nhà.
• Hiện thực hóa giải pháp nhúng mô hình học sâu YOLOv8 lên thiết bị di động để giám sát, cảnh báo sớm các nguy cơ cháy nổ (lửa, khói) và nhận biết sự hiện diện của con người, vật liệu dễ cháy trong phân xưởng sản xuất.

Hạn chế và hướng nghiên cứu tiếp

Dựa trên những phân tích thực tế được trình bày trong văn bản đồ án, các hạn chế kỹ thuật hiện tại bao gồm:

• Vật liệu thi công cơ khí chủ yếu là nhựa in 3D, tấm mica và các chi tiết lắp ghép đơn giản, do đó hệ thống chưa có cơ sở thực nghiệm đánh giá độ bền cơ học lâu dài, độ chịu nhiệt và tính ổn định trong môi trường công nghiệp khắc nghiệt, bụi bẩn hoặc độ ẩm cao.
• Hệ thống điều khiển truyền động bánh xe mới chỉ dừng lại ở việc áp dụng bộ điều khiển PID kinh điển cho tốc độ động cơ DC, chưa tính đến các bộ điều khiển phi tuyến hoặc tối ưu thích nghi khi tải trọng thay đổi.
• Nguồn kinh phí thực hiện đề tài hạn hẹp và thời gian nghiên cứu hạn chế, khiến các bài kiểm tra thực nghiệm mới dừng lại ở quy mô phòng thí nghiệm và môi trường sàn phẳng trong nhà xưởng nhỏ, chưa thử nghiệm tại các mặt bằng sản xuất phức tạp quy mô lớn.

Hướng phát triển tiếp theo được tác giả đề xuất:

• Nâng cấp kết cấu khung vỏ bằng các vật liệu kim loại hoặc hợp kim chịu lực, chống cháy để nâng cao độ bền công nghiệp.
• Nghiên cứu áp dụng các thuật toán điều khiển nâng cao thay thế hoặc hỗ trợ PID để tối ưu hóa độ bám quỹ đạo của xe.
• Mở rộng tầm quét, nâng cao năng lực tính toán xử lý ảnh để cải thiện tốc độ khung hình và độ nhạy nhận diện khói lửa ở khoảng cách xa.

Giá trị tham khảo

Đồ án là tài liệu kỹ thuật có giá trị tham khảo thiết thực cho:

• Sinh viên và học viên thuộc các ngành: Công nghệ Kỹ thuật Điều khiển và Tự động hóa, Cơ điện tử, Kỹ thuật Robot, Điện – Điện tử và Công nghệ Thông tin đang thực hiện đồ án môn học, khóa luận tốt nghiệp về robot di động (Autonomous Mobile Robot - AMR / Automated Guided Vehicle - AGV).
• Những người đang nghiên cứu việc tích hợp hệ điều hành ROS (đặc biệt là phiên bản ROS Noetic trên Ubuntu 20.04) với các vi điều khiển cấp thấp như Arduino qua chuẩn giao tiếp nối tiếp.

Nội dung đặc biệt đáng tham khảo trong tài liệu:

• Sơ đồ kết nối phần cứng chi tiết giữa Raspberry Pi 4, Arduino, module cầu H L298N và động cơ JGB37 có encoder (Chương 3).
• Phương pháp thiết lập và cấu hình gói ROS Navigation stack, kết hợp thuật toán Hector SLAM (không bắt buộc dùng encoder chính xác tuyệt đối để lập bản đồ) cùng thuật toán tránh vật cản DWA dựa trên mô hình 3 vùng an toàn (Chương 2 và Chương 4).
• Quy trình chuẩn bị dữ liệu và tích hợp mô hình nhận diện khói, lửa, con người bằng YOLOv8 phục vụ cảnh báo an toàn trên thiết bị nhúng.

Câu hỏi thường gặp

1. Kích thước và trọng lượng thực tế của mô hình robot được thiết kế như thế nào?
Theo số liệu thiết kế ban đầu và kết quả gia công được nêu trong đồ án, robot có dạng khối trụ tròn với đường kính 270 mm, chiều cao 390 mm (tính cả khung và hộp bảo vệ mạch điều khiển). Khối lượng tổng thể toàn bộ mô hình đạt xấp xỉ 4,0 kg.

2. Tại sao đồ án lại lựa chọn thuật toán Hector SLAM thay vì các thuật toán SLAM khác?
Hector SLAM sử dụng dữ liệu đám mây điểm từ cảm biến laser LiDAR với tốc độ quét cao và thuật toán khớp mẫu quét (scan matching) đa tầng để xác định vị trí. Thuật toán này có ưu thế lớn là vẫn hoạt động tốt và dựng được bản đồ chính xác ngay cả trong điều kiện thông tin tọa độ đo lường từ bánh xe (odometry) bị sai lệch, không đo được hoặc xảy ra hiện tượng trượt bánh.

3. Ba vùng an toàn xung quanh robot trong thuật toán DWA có cấu trúc và chức năng gì?
Ba vùng bao gồm: Vùng 1 (base_footprint) là hình chữ nhật bao sát kích thước thân xe cho phép robot xoay tự do; Vùng 2 là vùng mở rộng lớn hơn do người dùng cài đặt để phát hiện cảnh báo nguy cơ va chạm; Vùng 3 là khu vực bao quát bên ngoài nằm trong tầm quét của LiDAR. Khi vật cản xuất hiện ở vùng 3, robot quan sát và chờ đợi; nếu vật cản tiến vào vùng 2, robot sẽ giảm tốc, xoay tại chỗ tìm đường né; nếu không tìm được lối đi an toàn, robot sẽ dừng và báo lỗi.

4. Mô hình YOLOv8 trên robot được huấn luyện để nhận diện những đối tượng cụ thể nào?
Theo danh mục hình ảnh và nội dung huấn luyện tại Chương 4, mô hình xử lý ảnh được huấn luyện nhận diện 4 lớp đối tượng phục vụ an toàn nhà xưởng bao gồm: ngọn lửa (fire), khói (smoke), con người (person) và vật liệu cháy (thùng giấy carton, pallet).

5. Hệ thống phần cứng chia tách nhiệm vụ xử lý giữa Raspberry Pi và Arduino như thế nào?
Arduino đóng vai trò vi điều khiển cấp thấp: đọc tín hiệu xung từ hai encoder động cơ, tính toán vận tốc thực tế, chạy giải thuật PID để xuất xung PWM điều khiển động cơ qua mạch L298N và gửi dữ liệu Odometry lên. Raspberry Pi 4 Model B đóng vai trò máy tính nhúng cấp cao: chạy hệ điều hành Ubuntu 20.04/ROS Noetic, giao tiếp với cảm biến LiDAR, Camera Pi V1, thực hiện thuật toán Hector SLAM, Navigation (Dijkstra, DWA) và xử lý hình ảnh nhận diện khói lửa bằng YOLOv8.

Kết luận

Đồ án tốt nghiệp "Robot giám sát nhà máy tự hành kết hợp xử lý ảnh nhận diện lửa, khói" của sinh viên Phan Nguyễn Bảo Long và Võ Hoài Nam đã hoàn thành toàn diện các mục tiêu đề ra về mặt thiết kế cơ khí, mạch điện tử và thuật toán phần mềm. Bằng việc kết hợp hệ điều hành ROS Noetic, công nghệ quét laser LiDAR, các giải thuật định vị, điều hướng Hector SLAM, Dijkstra, DWA cùng mạng thị giác máy tính YOLOv8 trên nền tảng Raspberry Pi 4 và Arduino, hệ thống đã vận hành ổn định trong môi trường thực nghiệm. Mô hình thể hiện khả năng tự hành di chuyển linh hoạt, né tránh chướng ngại vật tĩnh và động, đồng thời phát hiện chuẩn xác các nguy cơ gây cháy nổ. Công trình là tài liệu tham khảo có giá trị kỹ thuật thực tiễn cao cho sinh viên và kỹ sư thuộc chuyên ngành Điều khiển và Tự động hóa trong việc nghiên cứu phát triển các dòng robot di động tự hành phục vụ an toàn công nghiệp.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan - Sẽ trình bày ngắn gọn tổng quát về hệ thống, nói rõ về tính cấp thiết của đề tài, đối tượng và phạm vi nghiên cứu của đề tài. Chương 2: Cơ sở lý thuyết - Chương này sẽ trình bày sơ lược về nguyên lý hoạt động của hệ thống, những khái niệm, lý thuyết liên quan đến Robot. Sơ lược về các bộ điều khiển. Một số lý thuyết cơ bản về các thuật toán sử dụng trong đề tài.

Chương 3: Thiết kế và thi công phần cứng - Chương này sẽ trình bày về trình tự thiết kế cũng như việc lựa chọn thiết bị cho phần cứng. Chương 4: Thiết kế chương trình điều khiển cho robot Chương 5: Kết quả, nhận xét và đánh giá - Chương này sẽ trình bày các kết quả mà đề tài thu được, kiểm chứng và đánh giá kết quả. Chương 6: Kết luận và hướng phát triển - Chương này sẽ kết luận quá trình nghiên cứu và hướng phát triển sau này cho đề tài. Công cụ đánh giá.

Phân tích dữ liệu: sử dụng những công cụ tìm kiếm phổ biến như Google, Google Scholar, Edge,. Phân tích mô phỏng: Nhóm sử dụng phần mềm Soliworks để xây dựng chính xác mô hình Robot. Các tiêu chí đánh giá hiệu quả phương pháp điểu khiển: Sai số thấp, độ chính xác tương đối, thực hiên được các chế độ yêu cầu và hoạt động ổn định. 5 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2.

Tổng quan về Robot Operating System ( ROS ). Giới thiệu về ROS. Theo định nghĩa về ROS: ROS (Robot Operating System) là một hệ điều hành mã nguồn mở dành cho robot, được phát triển để đơn giản hóa việc tạo ra các tác vụ phức tạp cho robot trên nhiều các nền tảng khác nhau. 1: Hệ điều hành ROS Dưới đây là một số điểm nổi bật và lợi ích của ROS: ➢ Mã Nguồn Mở: ROS là mã nguồn mở, thu hút sự quan tâm và đóng góp từ cộng đồng, giúp phát triển các công cụ và thư viện phong phú.

➢ Tái Sử Dụng và Chia Sẻ: ROS cho phép chia sẻ và tái sử dụng phần mềm trên nhiều phần cứng khác nhau mà không cần phải xây dựng lại từ đầu, tiết kiệm thời gian và công sức. ➢ Khả Năng Tương Thích: ROS hỗ trợ nhiều loại phần cứng và các thiết bị robot, giúp tạo ra các sản phẩm chất lượng tốt hơn. ➢ Cộng Đồng Phát Triển: Các tổ chức nghiên cứu và công ty trên toàn thế giới sử dụng ROS, đóng góp vào nguồn thông tin phong phú về phần cứng và phần mềm. ➢ Tập Hợp Công Cụ và Thư Viện: ROS bao gồm một tập hợp các công cụ, thư viện và quy ước giúp đơn giản hóa nhiệm vụ tạo ra hành vi robot phức tạp.

➢ Phát Hành Phiên Bản Mới: Các phiên bản mới của ROS, gọi là ROS Distribution, cung cấp các phần mềm tương thích và cập nhật. 6 ➢ Giảm Khối Lượng Công Việc Kỹ Thuật: Khi sử dụng ROS, khối lượng công việc kỹ thuật cơ bản giảm, cho phép tập trung vào việc nghiên cứu các ứng dụng chuyên sâu và đạt hàm lượng khoa học cao hơn. Đây là một số điểm hạn chế của ROS: ➢ Chỉ Chạy Trên Unix: Hiện nay, ROS chỉ chạy trên nền tảng Unix, chủ yếu là trên Ubuntu và Mac OS X. ➢ Yêu Cầu Kỹ Thuật: Việc sử dụng ROS yêu cầu hiểu biết về các hệ điều hành Unix và kỹ thuật lập trình.

Kết luận: ROS đã mang lại những lợi ích đáng kể trong việc phát triển và nghiên cứu robot. Bằng cách giảm khối lượng công việc kỹ thuật cơ bản và tạo điều kiện thuận lợi cho việc chia sẻ và tái sử dụng phần mềm, ROS đã trở thành một nền tảng quan trọng trong lĩnh vực robot học. Cộng đồng phát triển mạnh mẽ và các công cụ, thư viện phong phú của ROS giúp thúc đẩy sự phát triển và cải tiến liên tục trong lĩnh vực này. Cấu trúc của ROS.

Kiến trúc ROS có ba cấp khái niệm: Filesystem, Computation Graph và Community. ROS Filesystem Level. Hệ thống tệp tin của ROS chủ yếu bao gồm các tài nguyên được lưu trữ và thực thi trên bộ nhớ hệ thống, cụ thể như sau: Hình 2. 2: ROS Filesystem ➢ Gói tin (Packages): Chứa các lệnh thực thi (các nodes), thư viện phụ thuộc, tập dữ liệu, các tệp cấu hình, và các dữ liệu khác cần thiết cho hệ thống.xml): Cung cấp thông tin chi tiết về một gói tin, bao gồm thông tin về giấy phép, cờ biên dịch, và các thông tin khác.

➢ Chồng gói (Stacks): Là tập hợp các gói tin được phối hợp để thực hiện một chức năng cụ thể, chẳng hạn như Navigation stack. ➢ Manifest của Stack (stack.xml): Cung cấp thông tin chi tiết về một chồng gói, bao gồm thông tin về giấy phép và các phụ thuộc vào các chồng gói khác. ➢ Thông điệp (msg): Là cấu trúc dữ liệu được sử dụng để truyền và nhận thông tin trong ROS. ➢ Dịch vụ (srv): Định nghĩa cấu trúc dữ liệu cho các yêu cầu (request) và phản hồi (response) của các dịch vụ trong ROS.

ROS Computation Graph Level. Đồ thị tính toán (Computation Graph) trong ROS là một mạng lưới nơi các quy trình có thể kết nối và tương tác với nhau. Bất kỳ node nào trong hệ thống cũng có khả năng truy cập vào mạng này để trao đổi dữ liệu và tương tác với các node khác. Các thành phần cơ bản của đồ thị tính toán bao gồm node, Master, Parameter Server, messages, services, topics và bags.

Cụ thể: Hình 2. 3: Đồ thị tính toán của ROS ➢ Node: Là một quy trình đảm nhiệm việc tính toán hoặc điều khiển. Nodes được tạo ra khi một package được biên dịch thành công và một package có thể chứa nhiều 8 node. Để giao tiếp với các nodes khác, một node phải kết nối với mạng ROS.

Mỗi node trong hệ thống có một chức năng riêng biệt. ➢ Master: ROS Master cung cấp cơ chế đăng ký và tra cứu tên cho toàn bộ đồ thị tính toán. Nếu không có ROS Master, các nodes sẽ không thể tìm thấy nhau, trao đổi messages hoặc gọi các services. ➢ Parameter Server: Cho phép lưu trữ dữ liệu dưới dạng từ khóa tại một vị trí trung tâm, là một phần của Master.

Các biến này có thể được sử dụng để cấu hình các nodes khi đang hoạt động hoặc thay đổi hành vi của chúng. ➢ Messages: Các nodes giao tiếp với nhau thông qua messages, là các cấu trúc dữ liệu chứa các trường như số nguyên, số thực, boolean,. Messages có thể bao gồm các cấu trúc và mảng lồng nhau, và các kiểu message tùy chỉnh có thể được phát triển dựa trên các message chuẩn. ➢ Topics: Messages được định tuyến qua hệ thống publish/subscribe.

Một node gửi messages bằng cách publish lên một topic định trước. Topic chỉ là một tên để nhận dạng nội dung của message. Node có thể subscribe vào một topic với tên và kiểu dữ liệu đã khai báo. Nhiều publishers và subscribers có thể truy cập cùng một topic, và một node có thể publish và subscribe nhiều topics.

Publishers và subscribers không cần biết đến sự tồn tại của nhau. ➢ Services: Mô hình publish/subscribe rất linh hoạt nhưng không phù hợp cho kiểu giao tiếp request/reply. Kiểu truyền thông request/reply được thực hiện qua services. Service được định nghĩa bởi một cặp cấu trúc dữ liệu: request và reply.

Node cung cấp service thông qua một tên định danh, và client sử dụng service bằng cách gửi request message và chờ đợi phản hồi. ➢ Bags: Là định dạng để lưu và phát lại dữ liệu messages ROS. Bags rất quan trọng để lưu trữ dữ liệu, như dữ liệu cảm biến, cần thiết cho phát triển và thử nghiệm các thuật toán của robot. Bags rất hữu ích khi làm việc với các cơ chế phức tạp của robot.

4: Giao tiếp giữa các Node 2. ROS Community Level. ROS Community Level là khái niệm về các nguồn tài nguyên trong ROS. Các nguồn tài nguyên đó bao gồm: • Distributions: Là tổng hợp các phiên bản của stack mà người dùng có thể cài đặt.

ROS Distributions có vai trò tương tự như các Linux Distributions. • Repositories: Là nguồn tài nguyên dựa trên cộng đồng, bao gồm mạng lưới các tổ chức khác nhau phát triển và phát hành các mô hình riêng của họ. • The ROS Wiki: Bao gồm nhiều tài liệu về ROS. Bất kỳ ai cũng có thể chia sẻ tài liệu, cung cấp các bản cập nhật, viết các bài hướng dẫn,.

thông qua tài khoản đã đăng ký. Phiên bản ROS NOETIC. 5: ROS Noetic 10 Trong đồ án này sẽ sử dụng phiên bản ROS Noetic. ROS Noetic Ninjemys là phiên bản thứ 12 và là phiên bản mới nhất của ROS (Robot Operating System) được phát hành vào tháng 5 năm 2020.

Noetic là một trong các phiên bản ROS được phát triển và hỗ trợ chính thức bởi Open Robotics. Dưới đây là các thông tin về ROS Noetic: ➢ Đặc điểm: • Noetic phát triển dựa vào ngôn ngữ lập trình Python. • Hỗ trợ chạy trên Ubuntu 20.04 LTS (Focal Fossa) và các phiên bản mới hơn. ➢ Cải tiến: • Noetic giới thiệu các cải tiến về tích hợp và ổn định hơn so với phiên bản trước đó là ROS Melodic.

• Cung cấp sự hỗ trợ cho các gói phần mềm và thư viện mới, cũng như các công nghệ mới như TensorFlow 2. ➢ Hỗ trợ công cụ và thư viện: • Noetic hỗ trợ sử dụng các công cụ như Gazebo, Rviz và MoveIt! để mô phỏng, hiển thị và điều khiển robot. • Giúp dùng các thư viện như: ROS Navigation, ROS Control và ROS Perception để thực hiện và phát triển các chức năng điều hướng, điều khiển và xử lý dữ liệu cảm biến của robot. ➢ Quá trình phát triển: • Noetic là một phiên bản LTS của ROS.

• Phiên bản Noetic có thể hỗ trợ cho đến năm 2025. Lidar là gì ? Lidar là một công nghệ sử dụng tia laser để đo khoảng cách và tạo ra hình ảnh 3D của môi trường xung quanh. Tên gọi Lidar là viết tắt của "Light Detection and Ranging" (giúp ta phát hiện và đo khoảng cách bằng laser). Lidar hoạt động dựa trên nguyên tắc phát ra tia laser và đo thời gian để tia laser quay lại sau khi nó chạm vào một đối tượng.

Thông 11 qua thời gian này và tốc độ ánh sáng, khoảng cách từ Lidar đến đối tượng có thể được xác định. Công nghệ Lidar đã được sử dụng trong nhiều ứng dụng khác nhau nhờ khả năng cung cấp thông tin chính xác về môi trường xung quanh. Dưới đây là một số ứng dụng phổ biến của Lidar: Hình 2. 6: Nguyên lý hoạt động của LIDAR • Nguyên tắc hoạt động: Thông qua thời gian tia laser chạm vào một đối tượng và tốc độ ánh sáng, khoảng cách từ Lidar đến đối tượng có thể được xác định.