Tổng quan nghiên cứu

Sự bùng nổ của cuộc cách mạng công nghiệp lần thứ tư đã thúc đẩy nhu cầu tự động hóa trong mọi lĩnh vực đời sống và sản xuất. Theo ước tính từ các báo cáo thị trường tự động hóa quốc tế, nhu cầu ứng dụng robot di động tự hành (Autonomous Mobile Robot - AMR) trong kho bãi và y tế đạt mức tăng trưởng hơn 20% mỗi năm. Nghiên cứu tập trung giải quyết bài toán phát triển mô hình xe tự hành trong nhà có kích thước nhỏ gọn 260x190 mm, khả năng chịu tải trọng 2 kg, tích hợp công nghệ cảm biến LiDAR trên nền tảng Robot Operating System (ROS).

Vấn đề cốt lõi được đặt ra là làm thế nào để tối ưu hóa khả năng tự định vị, thiết lập bản đồ số không gian kín và di chuyển tránh chướng ngại vật linh hoạt trong môi trường có nhiều biến động mà không cần đường dẫn cố định. Mục tiêu cụ thể của đề tài bao gồm việc thiết kế hoàn chỉnh hệ thống cơ khí 2 tầng bằng vật liệu mica dày 3 mm, xây dựng phần cứng điều khiển nhúng thời gian thực và lập trình các thuật toán định vị, điều hướng thông minh.

Phạm vi nghiên cứu được thực hiện thực nghiệm trong môi trường phòng chức năng khép kín tại Trường Đại học Bách khoa TP. Hồ Chí Minh trong khung thời gian 5 tháng (từ tháng 3/2021 đến tháng 7/2021). Ý nghĩa khoa học và thực tiễn của công trình thể hiện qua việc giảm thiểu hơn 30% chi phí chế tạo phần cứng so với các sản phẩm thương mại, đồng thời đạt độ chính xác định vị cao với sai số tọa độ dưới 5 cm. Đây là tiền đề công nghệ vững chắc phục vụ chế tạo robot khử khuẩn y tế và xe vận chuyển hàng hóa thông minh.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu ứng dụng toàn diện hệ sinh thái Robot Operating System (ROS) với cấu trúc phân tầng gồm 3 cấp độ: Cấp độ hệ thống tệp (Filesystem Level), Cấp độ đồ thị tính toán (Computation Graph Level) và Cấp độ cộng đồng (Community Level). Mô hình trao đổi dữ liệu phân tán dựa trên cơ chế xuất bản và đăng ký (Publish/Subscribe) qua các Topic, Service và Parameter Server, giúp chuẩn hóa việc truyền nhận dữ liệu giữa các node tính toán độc lập.

Bên cạnh đó, lý thuyết điều khiển tự động kinh điển được triển khai thông qua thuật toán tỉ lệ - tích phân - vi phân (PID) rời rạc. Bộ điều khiển PID tính toán tín hiệu điều chế độ rộng xung (PWM) để điều khiển chính xác vận tốc của 2 động cơ DC giảm tốc có gắn encoder hồi tiếp.

Trong lĩnh vực định vị và điều hướng, khung lý thuyết bao gồm 3 thuật toán nền tảng:

  • Thuật toán SLAM (Simultaneous Localization and Mapping) dựa trên bộ lọc hạt Rao-Blackwellized Particle Filter để xây dựng bản đồ lưới chiếm dụng (Occupancy Grid Map) với giá trị chi phí từ 0 đến 255.
  • Thuật toán định vị Monte-Carlo thích nghi (AMCL) kết hợp mô hình chuyển động xác suất và mô hình quan sát LiDAR để ước lượng tọa độ tức thời của robot.
  • Thuật toán Dijkstra cho bộ lập kế hoạch toàn cục (Global Planner) kết hợp thuật toán tiếp cận cửa sổ động (Dynamic Window Approach - DWA) cho bộ lập kế hoạch cục bộ (Local Planner) nhằm tối ưu hóa quỹ đạo chuyển động cong và tránh va chạm thời gian thực.

Phương pháp nghiên cứu

Phương pháp nghiên cứu kết hợp giữa mô hình hóa toán học, thiết kế kỹ thuật phần cứng và kiểm nghiệm thực nghiệm trên nền tảng thực tế:

  • Nguồn dữ liệu sơ cấp được thu thập trực tiếp từ cảm biến quét laser RPLidar A1 với tầm quét 360 độ, cảm biến quán tính IMU 6 bậc tự do (GY-25 MPU6050) và encoder 2 kênh đo xung động cơ với chu kỳ lấy mẫu 10 ms.
  • Cỡ mẫu thực nghiệm bao gồm 50 lần chạy thử nghiệm lặp lại trên các kịch bản môi trường tĩnh và động với nhiều dạng chướng ngại vật khác nhau.
  • Phương pháp chọn mẫu theo dạng phân tầng ngẫu nhiên các vị trí mục tiêu trong không gian phòng thử nghiệm diện tích khoảng 30 m2 nhằm bảo đảm tính đại diện của không gian hoạt động.
  • Phương pháp phân tích dữ liệu sử dụng kỹ thuật đối chiếu sai số hình học giữa bản đồ dựng thực tế và sơ đồ kiến trúc chuẩn, kết hợp phân tích đáp ứng quá độ của bộ điều khiển PID bằng công cụ trực quan đồ họa. Timeline nghiên cứu được phân bổ chặt chẽ theo 5 giai đoạn: thiết kế cơ khí (tháng 3/2021), lập trình nhúng STM32F407 (tháng 4/2021), tích hợp ROS trên Raspberry Pi 3B+ (tháng 5/2021), tối ưu thuật toán SLAM/Navigation (tháng 6/2021) và đánh giá thực nghiệm (tháng 7/2021).

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình nghiên cứu và thử nghiệm đã ghi nhận 4 kết quả thực nghiệm nổi bật:

  • Xây dựng bản đồ phòng chính xác cao: Thuật toán Gmapping kết hợp cảm biến RPLidar A1 tái tạo không gian phòng 30 m2 thành lưới ô vuông occupancy grid map với độ phân giải 0.05 m/cell, độ sai lệch hình học so với kích thước thực tế chỉ ở mức 2.4%.
  • Khả năng tự định vị ổn định của bộ lọc AMCL: Khi robot di chuyển với dải vận tốc từ 0.2 m/s đến 0.5 m/s, tập hạt particle filter hội tụ nhanh chóng chỉ sau 3 đến 5 chu kỳ quét laser, giữ sai số định vị góc yaw dưới 3.5 độ.
  • Hiệu quả điều hướng và tránh vật cản động: Thuật toán Dijkstra tìm ra đường đi ngắn nhất đến điểm đích với thời gian tính toán trung bình 0.12 giây. Thuật toán DWA phản xạ chuyển hướng tránh vật cản bất ngờ xuất hiện trong bán kính an toàn 0.4 m với tỷ lệ thành công đạt 96%.
  • Tối ưu hóa điều khiển động cơ: Bộ điều khiển PID số trên chip STM32F407 đáp ứng ổn định với thời gian xác lập dưới 0.25 giây, độ quá điều chỉnh vận tốc dưới 4.8%, giúp triệt tiêu hiện tượng trượt bánh và đảm bảo tính chính xác của dữ liệu Odometry.

Thảo luận kết quả

Các phát hiện thực nghiệm chứng minh sự tương thích vượt trội khi phân chia kiến trúc xử lý 2 tầng: vi điều khiển STM32F407 xử lý tác vụ điều khiển thời gian thực và máy tính nhúng Raspberry Pi 3B+ (vi xử lý Quad-core 1.4 GHz, RAM 1 GB) đảm nhiệm các thuật toán tính toán nặng. Nguyên nhân giúp robot lập bản đồ chính xác là nhờ sự phối hợp mượt mà giữa mô hình chuyển động từ encoder và mô hình quan sát laser.

Khi biểu diễn dữ liệu đối sánh qua bảng số liệu thực tế, các cạnh tường kích thước 4.5 m và 6.2 m được robot tái tạo lại với giá trị tương ứng là 4.42 m và 6.11 m, phản ánh độ tin cậy vượt bậc. So với các nghiên cứu trước đây vốn chỉ sử dụng cảm biến siêu âm đơn thuần với góc mở hạn chế, việc ứng dụng LiDAR 360 độ giúp giảm thiểu hơn 80% điểm mù quan sát. Ý nghĩa quan trọng của kết quả là đã khẳng định tính khả thi của việc thương mại hóa dòng robot tự hành chi phí thấp phục vụ dân dụng tại Việt Nam.

Đề xuất và khuyến nghị

Dựa trên các kết quả đạt được, nghiên cứu đưa ra 4 giải pháp trọng tâm nhằm nâng cao chất lượng và quy mô ứng dụng của hệ thống:

  • Tối ưu hóa thuật toán định vị và tránh vật cản: Áp dụng thuật toán Cartographer của Google nhằm thay thế Gmapping để nâng cao độ chính xác lập bản đồ trong không gian lớn trên 500 m2. Target metric là giảm sai số quỹ đạo tích lũy xuống dưới 1.5%. Timeline thực hiện trong 3 tháng do nhóm kỹ sư thuật toán đảm nhiệm.
  • Nâng cấp phần cứng cảm biến đa phương thức: Tích hợp thêm cảm biến Depth Camera 3D để quét chướng ngại vật ở các cao độ khác nhau (ngoài mặt phẳng quét laser 2D hiện tại). Target metric là loại bỏ 100% rủi ro va chạm với vật cản lơ lửng. Timeline triển khai trong vòng 4 tháng do bộ phận phần cứng phụ trách.
  • Tăng cường năng lực tính toán nhúng: Nâng cấp bo mạch Raspberry Pi 3B+ lên các dòng máy tính biên chuyên dụng như NVIDIA Jetson Nano hoặc Jetson Xavier để triển khai các mô hình học sâu nhận diện vật thể. Target metric là tăng tốc độ xử lý khung hình lên trên 30 FPS. Timeline thực hiện trong 6 tháng do nhóm phát triển hệ thống điều khiển thực hiện.
  • Thiết kế cơ chế tự động sạc và quản lý năng lượng: Xây dựng trạm sạc tự động (Docking Station) kết hợp mạch giám sát dung lượng pin thời gian thực. Target metric là nâng cao thời gian vận hành liên tục lên hơn 8 giờ mỗi ngày. Timeline triển khai trong 2 tháng do kỹ sư điện tử hoàn thiện.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang giá trị học thuật và thực tiễn sâu sắc, phù hợp cho 4 nhóm đối tượng chính:

  • Kỹ sư và chuyên gia nghiên cứu Robotics: Tài liệu cung cấp quy trình bài bản từ khâu thiết kế cơ khí, điện tử, lập trình nhúng STM32 đến cấu hình hệ thống ROS Navigation Stack phục vụ phát triển các hệ thống robot tự hành hiện đại.
  • Giảng viên và sinh viên ngành Tự động hóa, Cơ điện tử: Luận văn là tài liệu tham khảo trực quan, chi tiết về việc ứng dụng lý thuyết điều khiển PID rời rạc, bộ lọc hạt AMCL và các giải thuật tìm đường trên đồ thị vào mô hình thực tế.
  • Doanh nghiệp sản xuất phương tiện tự hành AGV và kho vận thông minh: Nguồn thông tin hữu ích để nghiên cứu giải pháp tối ưu hóa chi phí phần cứng, xây dựng xe tự hành vận chuyển hàng hóa nội bộ trong nhà xưởng mà không cần cải tạo hạ tầng sàn.
  • Các đơn vị phát triển thiết bị y tế và dịch vụ công cộng: Cung cấp nền tảng khung xe tự hành di chuyển linh hoạt để tích hợp module khử khuẩn bằng tia cực tím UV, máy đo thân nhiệt tự động hoặc robot phục vụ trong khu vực cách ly.

Câu hỏi thường gặp

Cảm biến LiDAR đóng vai trò gì trong hoạt động của xe tự hành?

LiDAR là cảm biến cốt lõi phát tia laser quét 360 độ xung quanh để đo khoảng cách chính xác đến các vật cản. Cảm biến cung cấp dữ liệu đám mây điểm theo thời gian thực giúp robot xây dựng bản đồ môi trường thông qua thuật toán Gmapping và xác định vị trí hiện tại với độ chính xác từng centimet.

Tại sao hệ thống cần sử dụng kết hợp STM32F407 và Raspberry Pi 3B+?

Kiến trúc này phân tách rõ ràng hai tầng nhiệm vụ. STM32F407 đảm nhiệm các tác vụ thời gian thực nghiêm ngặt như đọc xung encoder chu kỳ 10 ms và điều khiển PID động cơ. Raspberry Pi 3B+ chạy hệ điều hành Linux/ROS để xử lý các thuật toán nặng như AMCL, Dijkstra và DWA.

Thuật toán AMCL giúp robot tự định vị như thế nào khi bị mất dấu?

AMCL là bộ lọc Monte-Carlo thích nghi dựa trên việc phân bố các hạt xác suất (particles). Khi robot bị thay đổi vị trí đột ngột hoặc mất dấu, thuật toán tự động gia tăng các hạt ngẫu nhiên trên toàn bản đồ và dựa vào dữ liệu quét laser để hội tụ lại vị trí chính xác chỉ sau vài giây.

Bộ điều khiển PID số giải quyết vấn đề gì trên robot vi sai?

Robot chuyển động vi sai rất dễ bị lệch hướng nếu tốc độ hai bánh không đồng đều do ma sát hoặc tải trọng. Bộ điều khiển PID rời rạc liên tục bù sai số vận tốc thực tế từ encoder so với vận tốc đặt, giữ độ vọt lố dưới 4.8% và giúp xe chạy thẳng ổn định.

Chi phí chế tạo mô hình xe tự hành này có cao không?

Mô hình được tối ưu hóa chi phí nhờ sử dụng khung xe mica gia công nội địa, vi điều khiển STM32 và máy tính nhúng Raspberry Pi phổ thông cùng các mã nguồn mở ROS. Tổng chi phí phần cứng thấp hơn khoảng 60% so với việc trang bị các bộ kit nghiên cứu nhập khẩu tương đương.

Kết luận

  • Đề tài đã thiết kế và chế tạo thành công mô hình xe tự hành trong nhà kích thước nhỏ gọn 260x190 mm với cấu trúc 2 tầng mica vững chắc, chịu tải 2 kg.
  • Tích hợp hoàn chỉnh hệ thống điều khiển nhúng phân tầng giữa STM32F407 (PID thời gian thực) và Raspberry Pi 3B+ chạy nền tảng Robot Operating System (ROS).
  • Ứng dụng thành công thuật toán Gmapping và LiDAR để xây dựng bản đồ phòng chuẩn xác với độ phân giải lưới 0.05 m/cell và sai số kích thước dưới 2.4%.
  • Triển khai mượt mà bộ lọc AMCL, thuật toán Dijkstra và Dynamic Window Approach giúp robot tự định vị, lập đường đi tối ưu và tránh vật cản linh hoạt.
  • Đóng góp chính của nghiên cứu là cung cấp một giải pháp robot di động tự hành mã nguồn mở hoàn chỉnh, chi phí thấp và có khả năng ứng dụng thực tế cao.

Kế hoạch tiếp theo trong giai đoạn tới là nâng cấp hệ thống cảm biến 3D Depth Camera và thử nghiệm tích hợp module khử khuẩn UV tự động trong các cơ sở y tế. Quý độc giả, các nhà nghiên cứu và doanh nghiệp quan tâm có thể khai thác toàn bộ tài liệu kỹ thuật và mã nguồn để phát triển các ứng dụng robot phục vụ cộng đồng.