Giới thiệu dự án

Bối cảnh và thực trạng ngành

Theo thống kê từ Tổ chức Y tế Thế giới (WHO), toàn cầu hiện có hơn 40 triệu người bị cắt cụt chi do tai nạn giao thông, tai nạn lao động và bệnh lý tim mạch/tiểu đường. Tại Việt Nam, nhu cầu phục hồi chức năng chi trên cho người khuyết tật là rất lớn, tuy nhiên khả năng tiếp cận các thiết bị trợ vận động hiện đại còn nhiều rào cản. Các dòng chi giả sinh học cao cấp trên thị trường quốc tế (điển hình như Ottobock Michelangelo hay bebionic) có giá dao động từ 40.000 USD đến hơn 60.000 USD (xấp xỉ 1 - 1,5 tỷ VNĐ). Dù các đơn vị trong nước như Vulcan Augmetics đã nội địa hóa sản phẩm xuống phân khúc 23 - 25 triệu VNĐ, phần lớn các thiết bị này vẫn phụ thuộc hoàn toàn vào tín hiệu điện cơ (Myoelectric Signal - EMG) hoặc các công tắc cơ học gắn ở chi dưới.

+-----------------------------------------------------------------------------+
|                                THỰC TRẠNG                                   |
|  - Chi phí bàn tay sinh học quốc tế: $40,000 - $60,000 (quá cao)           |
|  - Bàn tay Myoelectric truyền thống: Phụ thuộc cơ bắp còn lại của mỏm cụt  |
|  - Thách thức: Bệnh nhân liệt cơ hoàn toàn không thể kích hoạt EMG         |
+-----------------------------------------------------------------------------+
                                       |
                                       v
+-----------------------------------------------------------------------------+
|                             GIẢI PHÁP ĐỀ TÀI                                |
|  - Bàn tay Robot tích hợp Computer Vision (Raspberry Pi + Camera)          |
|  - Tự động nhận diện biên dạng hình học & quyết định thế nắm (Grasping)     |
|  - Tích hợp cảm biến lực DF9-40 & quang trở kiểm soát hành trình kéo dây    |
|  - Chi phí chế tạo mẫu (BOM) < 3.000.000 VNĐ (~$120)                       |
+-----------------------------------------------------------------------------+

Vấn đề kỹ thuật (Problem Statement)

Phương pháp điều khiển bằng tín hiệu điện cơ (EMG) tồn tại hai nhược điểm cốt lõi:

  1. Phụ thuộc nhóm cơ còn lại: Đối với các ca cắt cụt sâu hoặc tổn thương thần kinh vận động khiến cơ bắp bị teo, tín hiệu điện cơ quá yếu hoặc triệt tiêu hoàn toàn, làm vô hiệu hóa cảm biến EMG.
  2. Gánh nặng nhận thức (Cognitive Load): Người dùng phải liên tục tập trung gồng cơ với các ngưỡng điện áp khác nhau để chuyển đổi giữa các chế độ cầm nắm (Grasp patterns), gây mệt mỏi và thiếu tự nhiên khi thao tác thường nhật.

Mục tiêu dự án

  1. Thiết kế cơ khí phỏng sinh học (Biomimetic Mechanical Design): Xây dựng bàn tay 5 ngón hoàn chỉnh với kích thước chuẩn người trưởng thành (chiều dài toàn cánh tay ~506 mm, bề rộng lòng bàn tay 97 mm), chế tạo bằng phương pháp in 3D FDM nhựa PLA kết hợp cắt laser Acrylic.
  2. Tích hợp hệ thống thị giác máy tính nhúng (Embedded Computer Vision): Phát triển pipeline xử lý ảnh 2D trên nền tảng Raspberry Pi 3 Model B+ và Camera Module Rev 1.3 để nhận diện và phân loại kích thước, hình dáng vật thể thời gian thực.
  3. Hiện thực hóa cơ chế điều khiển hồi tiếp kín (Closed-loop Control): Ứng dụng động cơ Servo SG996 kết hợp cảm biến áp lực màng mỏng DF9-40 FSR (Force Sensing Resistor) và cảm biến quang trở (LDR) nhằm tự động dừng lực ép và trả vị trí gốc 0°.
  4. Công bố nghiên cứu khoa học: Nghiên cứu đã được chấp nhận và công bố tại Hội nghị Quốc tế RIVF 2022 (Research, Innovation and Vision for the Future), xuất bản trên cơ sở dữ liệu IEEE Xplore.

Phương pháp tiếp cận

Đề tài tiếp cận bài toán trợ lực chi trên theo hướng Tự động hóa thị giác (Vision-based Autonomous Grasping). Thay vì yêu cầu người dùng kích hoạt cơ, hệ thống sử dụng cảm biến siêu âm HC-SR04 phát hiện khoảng cách vật thể trong phạm vi thao tác (< 20 cm). Camera tích hợp sẽ kích hoạt, chụp ảnh đối tượng, trích xuất đặc trưng hình học (chiều dài, chiều rộng, tỉ lệ bounding box), từ đó bộ vi xử lý trung tâm tự động suy luận và gửi lệnh điều khiển bộ truyền động dây cáp để thực thi động tác nắm bắt phù hợp.

Kết quả kỳ vọng

  • Hệ thống nhận diện chính xác 3 dạng vật thể cơ bản: Hình trụ (Cylindrical), Hình cầu (Spherical) và Hình chữ nhật dẹt (Flat/Rectangular).
  • Thời gian xử lý ảnh và ra quyết định trên vi máy tính nhúng đạt dưới 300 ms.
  • Cơ cấu truyền động thực hiện thành công các thao tác nắm giữ vật thể khối lượng $\le 50\text{g}$ với khả năng tự ngắt lực chống quá tải cơ khí.

Phạm vi và giới hạn

  • Phạm vi vật thể: Nhận diện các vật thể có cấu trúc hình học cố định, độ cứng cao (nhựa cứng, bìa carton, kim loại nhẹ), trọng lượng tối đa 50g.
  • Giới hạn môi trường: Xử lý ảnh 2D phụ thuộc vào điều kiện ánh sáng đồng đều; camera góc nhìn cố định song song với mặt phẳng tiếp cận vật thể.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Ottobock bebionic / Michelangelo Vulcan Augmetics Giải pháp đề tài (Autonomous Vision Hand)
Cơ chế kích hoạt Myoelectric (Điện cơ mỏm cụt) BLE Sensor bàn chân / Mioband EMG Camera 2D + Cảm biến khoảng cách tự động
Mức độ tự động Bán tự động (Người dùng chọn mode) Bán tự động (Chạm ngón chân/chuyển mode) Hoàn toàn tự động khi tiếp cận vật thể
Khả năng cầm nắm 14 thế nắm phức tạp, tải trọng >40kg Cầm nắm cơ bản, xoay cổ tay $360^\circ$ 3 thế nắm chính xác, tự thích ứng biên dạng
Khả năng tiếp cận Không dùng được nếu mất hoàn toàn cơ Cần vận động chi dưới hoặc cơ cẳng tay Sử dụng độc lập không phụ thuộc cơ thể
Giá thành ước tính 40.000 - 60.000 USD 23.000.000 - 25.000.000 VNĐ < 3.000.000 VNĐ (Bản mẫu nguyên cứu)

Phân loại yêu cầu hệ thống theo mô hình MoSCoW

  • Must have (Bắt buộc):
    • Cơ cấu 5 ngón truyền động bằng dây gập duỗi linh hoạt ($0^\circ - 90^\circ$, khớp ngón đạt tới $105^\circ$).
    • Pipeline xử lý ảnh trích xuất được kích thước $W \times H$ và loại bỏ nhiễu biên dạng.
    • Phản hồi lực căng dây bằng cảm biến DF9-40 để ngắt động cơ Servo đúng lúc.
  • Should have (Nên có):
    • Định vị điểm gốc $0^\circ$ thông qua khe quang học puly và cảm biến quang trở (Optical Homing).
    • Khớp ngón cái độc lập có thể xoay góc mở rộng diện tích tiếp xúc.
  • Could have (Có thể có):
    • Tích hợp mô hình học máy (Machine Learning Classifier) phân loại hình ảnh nâng cao.
    • Tối ưu hóa vật liệu in 3D bằng sợi Carbon hoặc nhựa dẻo TPU tại đầu ngón.
  • Won't have (Chưa thực hiện ở giai đoạn này):
    • Cơ chế xoay cổ tay đa trục chủ động $360^\circ$.
    • Khả năng chống nước chuẩn IP67.

Thiết kế hệ thống

+-----------------------------------------------------------------------------------+
|                              RASPBERRY PI 3 MODEL B+                              |
|                                                                                   |
|  +---------------------+      +---------------------+      +-------------------+  |
|  | Pi Camera Rev 1.3   | ---> | Pipeline OpenCV     | ---> | Bounding Box &    |  |
|  | (Frame Capture 2D)  |      | (Gray->Gauss->Canny)|      | Shape Classifier  |  |
|  +---------------------+      +---------------------+      +-------------------+  |
|                                                                      |            |
|  +---------------------+                                             | Decision   |
|  | HC-SR04 Ultrasonic  | --------------------------------------------+ Packet     |
|  | (Distance Trigger)  |                                             |            |
+----------------------------------------------------------------------|------------+
                                                                       | UART (TX/RX)
                                                                       v
+-----------------------------------------------------------------------------------+
|                                 ARDUINO UNO R3                                    |
|                                                                                   |
|  +-------------------------------------+   +-----------------------------------+  |
|  | PWM Motor Control (TowerPro SG996)  |   | ADC Data Acquisition (10-bit)     |  |
|  | - Servo 1: Ngón trỏ + Ngón giữa     |   | - Cảm biến lực FSR DF9-40 (Tendon)|  |
|  | - Servo 2: Ngón áp út + Ngón út     |   | - Mạch quang trở LDR (0 deg Home) |  |
|  | - Servo 3 & 4: Ngón cái (Flex/Rot)  |   +-----------------------------------+  |
+-----------------------------------------------------------------------------------+

Technology Stack và Phần cứng chi tiết

  • Nền tảng xử lý biên (Edge Processing): Raspberry Pi 3 Model B+ (Broadcom BCM2837B0, Quad-core Cortex-A53 64-bit @ 1.4GHz, 1GB LPDDR2 SDRAM), chạy hệ điều hành Raspberry Pi OS (32-bit).
  • Bộ điều khiển chấp hành (Actuator Controller): Arduino Uno R3 (ATmega328P @ 16MHz, 10-bit ADC tích hợp, 6 kênh PWM).
  • Thị giác máy tính (Computer Vision): Python 3.8.x, OpenCV 4.5.x, NumPy 1.21.x.
  • Cảm biến & Cơ cấu chấp hành:
    • Module Camera Raspberry Pi Rev 1.3 (OmniVision OV5647 5MP).
    • Cảm biến siêu âm HC-SR04 (Đo khoảng cách 2cm - 400cm, độ phân giải 3mm).
    • Cảm biến lực màng mỏng DF9-40 FSR (Dải đo 0 - 20kg, thời gian đáp ứng < 10μs).
    • Động cơ Servo TowerPro MG996R / SG996 360° kim loại (Mô-men xoắn 11 kg·cm tại 6V).
  • Giao thức truyền thông: UART Serial (Baudrate 9600 bps, 8-N-1) truyền gói tin lệnh nhị phân chuẩn hóa giữa Raspberry Pi và Arduino.

Mạch điện tử và Hồi tiếp cảm biến

Cảm biến áp lực DF9-40 là một biến trở lực màng mỏng (Force Sensing Resistor). Khi chưa có lực tác dụng, điện trở cảm biến $R_{FSR} \approx 10\text{ M}\Omega$. Khi lực căng dây tăng lên, $R_{FSR}$ giảm mạnh xuống mức vài trăm Ohm. Mạch cầu phân áp được thiết kế như sau:

$$V_{out} = V_{cc} \cdot \left( \frac{R_1}{R_{FSR} + R_1} \right)$$

Trong đó:

  • $V_{cc} = 5\text{V}$ (Cấp nguồn từ Arduino).
  • $R_1 = 1\text{ k}\Omega$ (Điện trở kéo xuống cố định).
  • $V_{out}$ được kết nối trực tiếp với chân Analog $A_0/A_1$ của Arduino Uno R3. Khi ngón tay kéo dây đạt lực siết ngưỡng, giá trị $V_{out}$ vượt mức điện áp quy định, Arduino lập tức ngắt xung PWM cấp cho Servo.

Phương pháp luận (Methodology)

Quá trình phát triển áp dụng mô hình thiết kế đồng thời Phần cứng - Phần mềm (Hardware/Software Co-design):

  1. Giai đoạn 1 (CAD & Prototyping): Thiết kế mô hình 3D trên AutoCAD và Fusion 360, tối ưu hóa các ổ trục khớp xoay ngón tay, gia công in 3D với độ dày lớp in 0.2mm (Infill 60%).
  2. Giai đoạn 2 (Computer Vision Pipeline): Xây dựng thuật toán lọc nhiễu, tách biên Canny và trích xuất đặc trưng hình học trực tiếp trên vi máy tính.
  3. Giai đoạn 3 (Hardware Integration & Tuning): Ghép nối module cơ - điện, hiệu chuẩn cảm biến lực và lập trình máy trạng thái (Finite State Machine) trên vi điều khiển.
  4. Giai đoạn 4 (Verification & Paper Submission): Thực nghiệm nắm giữ các mẫu vật chuẩn, đo lường ma trận nhầm lẫn (Confusion Matrix) và hoàn thiện bài báo khoa học báo cáo tại RIVF 2022.

Implementation và kết quả

Quy trình phát triển và Thuật toán cốt lõi

Pipeline xử lý ảnh trên Raspberry Pi được triển khai qua các bước toán học tuần tự:

+---------------+      +------------------+      +-------------------+
|  Ảnh RGB Gốc  | ---> |  Ảnh Xám 1 Kênh  | ---> |  Gaussian Filter  |
|  (640 x 480)  |      |  (Grayscale)     |      |  (Kernel 5x5)     |
+---------------+      +------------------+      +-------------------+
                                                           |
+---------------+      +------------------+                |
|  External     | <--- |  Erosion /       | <--- +-------------------+
|  Contours     |      |  Dilation (5x5)  |      |  Canny Threshold  |
+---------------+      +------------------+      |  Low=30, High=60  |
        |                                        +-------------------+
        v
+-----------------------------------------------+
|  Bounding Box (W, H) -> Grasp Mode Classifier  |
+-----------------------------------------------+

1. Chuyển đổi không gian màu (Grayscale Conversion)

Chuyển đổi ảnh 3 kênh màu RGB sang ảnh mức xám 1 kênh ma trận 2D:

$$I(x, y) = 0.299 \cdot R(x, y) + 0.587 \cdot G(x, y) + 0.114 \cdot B(x, y)$$

2. Lọc mờ Gaussian làm mịn (Gaussian Blur)

Loại bỏ nhiễu tần số cao bằng tích chập không gian với nhân Gauss 2 chiều kích thước $5 \times 5$, phương sai $\sigma = 1.25$:

$$G(x, y) = \frac{1}{2\pi\sigma^2} \exp\left(-\frac{x^2 + y^2}{2\sigma^2}\right)$$

3. Phát hiện cạnh Canny và Toán tử Hình thái học (Morphology)

Sử dụng bộ lọc Canny với hai ngưỡng $T_{low} = 30$, $T_{high} = 60$. Sau đó áp dụng kỹ thuật Giãn nở (Dilation) và Xói mòn (Erosion) nhân $5 \times 5$ với số lần lặp $\text{iterations} = 1$ để nối liền các điểm đứt gãy trên viền vật thể.

import cv2
import numpy as np

def extract_object_features(image_path):
    # 1. Đọc ảnh và chuyển sang không gian màu xám
    img = cv2.imread(image_path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # 2. Áp dụng lọc Gaussian làm mịn ảnh
    blurred = cv2.GaussianBlur(gray, (5, 5), sigmaX=1.0, sigmaY=1.0)
    
    # 3. Kỹ thuật tách biên Canny với ngưỡng [30, 60]
    edges = cv2.Canny(blurred, threshold1=30, threshold2=60)
    
    # 4. Giãn nở và xói mòn để nối liền nét cạnh
    kernel = np.ones((5, 5), np.uint8)
    dilated = cv2.dilate(edges, kernel, iterations=1)
    eroded = cv2.erode(dilated, kernel, iterations=1)
    
    # 5. Tìm đường viền ngoài cùng (External Contours)
    contours, hierarchy = cv2.findContours(eroded, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    
    if not contours:
        return None
    
    # Lấy viền có diện tích lớn nhất (vật thể chính)
    main_contour = max(contours, key=cv2.contourArea)
    x, y, w, h = cv2.boundingRect(main_contour)
    
    # 6. Xác định thế nắm dựa trên tỉ lệ và kích thước (W, H)
    aspect_ratio = float(w) / h
    grasp_mode = 0
    if aspect_ratio < 0.6:
        grasp_mode = 1  # Cầm vật trụ đứng (Cylindrical Grasp)
    elif 0.6 <= aspect_ratio <= 1.4:
        grasp_mode = 2  # Cầm vật tròn/cầu (Spherical Grasp)
    else:
        grasp_mode = 3  # Cầm vật dẹt/hình hộp ngang (Lateral/Flat Grasp)
        
    return {"width": w, "height": h, "aspect_ratio": aspect_ratio, "mode": grasp_mode}

4. Điều khiển chấp hành trên Arduino

Mã nguồn nhúng trên Arduino Uno R3 nhận diện byte lệnh từ UART và kích hoạt Servo với cơ chế kiểm soát lực hồi tiếp từ cảm biến DF9-40:

#include <Servo.h>

Servo servoFingerPair1; // Ngón trỏ & giữa
Servo servoFingerPair2; // Ngón áp út & út
Servo servoThumbFlex;   // Ngón cái gập
Servo servoThumbRot;    // Ngón cái xoay

const int PIN_FSR = A0;
const int PIN_OPTICAL = A1;
const int FSR_UPPER_LIMIT = 650; // Ngưỡng ngắt áp lực ADC (0-1023)

void setup() {
  Serial.begin(9600);
  servoFingerPair1.attach(9);
  servoFingerPair2.attach(10);
  servoThumbFlex.attach(11);
  servoThumbRot.attach(6);
}

void loop() {
  if (Serial.available() > 0) {
    char cmd = Serial.read();
    executeGraspPattern(cmd);
  }
}

void executeGraspPattern(char pattern) {
  switch (pattern) {
    case '1': // Nắm trụ (Cylindrical)
      servoThumbRot.write(45);
      driveFingersWithForceControl(180, 180, 180);
      break;
    case '2': // Nắm cầu (Spherical)
      servoThumbRot.write(90);
      driveFingersWithForceControl(150, 150, 150);
      break;
    case '3': // Cầm dẹt (Flat Pinch)
      servoThumbRot.write(0);
      driveFingersWithForceControl(120, 0, 120);
      break;
    case '0': // Duỗi thẳng về vị trí gốc (Homing)
      homeFingers();
      break;
  }
}

void driveFingersWithForceControl(int target1, int target2, int targetThumb) {
  servoFingerPair1.write(target1);
  servoFingerPair2.write(target2);
  servoThumbFlex.write(targetThumb);
  
  // Vòng lặp giám sát an toàn lực căng dây
  while (true) {
    int fsrValue = analogRead(PIN_FSR);
    if (fsrValue >= FSR_UPPER_LIMIT) {
      // Dừng động cơ ngay khi đạt lực siết định mức
      servoFingerPair1.write(90); // Servo SG996 360 deg: 90 là Stop
      servoFingerPair2.write(90);
      servoThumbFlex.write(90);
      break;
    }
    delay(10);
  }
}

void homeFingers() {
  // Kéo ngược dây cho đến khi khe quang học kích hoạt LDR
  servoFingerPair1.write(0);
  while (analogRead(PIN_OPTICAL) < 500) {
    // Chờ về 0 độ
  }
  servoFingerPair1.write(90);
}

Thử nghiệm và đánh giá chất lượng (Testing & Validation)

Hệ thống được kiểm thử thực nghiệm trên 150 mẫu vật thể thuộc 3 nhóm hình học chuẩn (50 mẫu/nhóm) trong điều kiện ánh sáng phòng thí nghiệm tiêu chuẩn (400 - 600 Lux).

+-------------------------------------------------------------------------+
|                  CONFUSION MATRIX PHÂN LOẠI THẾ CẦM                     |
+---------------------+-----------------+----------------+----------------+
|  Thực tế \ Dự đoán  |  Trụ (Mode 1)   |  Cầu (Mode 2)  |  Dẹt (Mode 3)  |
+---------------------+-----------------+----------------+----------------+
|  Trụ (Cylindrical)  |      47         |       2        |       1        |
|  Cầu (Spherical)    |       3         |      45        |       2        |
|  Dẹt (Flat/Box)     |       1         |       2        |      47        |
+---------------------+-----------------+----------------+----------------+
  • Độ chính xác phân loại thế cầm (Classification Accuracy):
    • Dạng trụ (Chai nước, lọ dung dịch): $47/50 = 94.0%$
    • Dạng cầu (Quả bóng, quả cam): $45/50 = 90.0%$
    • Dạng chữ nhật/dẹt (Hộp thiếc, sổ tay nhỏ): $47/50 = 94.0%$
    • Độ chính xác trung bình toàn hệ thống: 92.67%
  • Độ trễ vận hành (Latency Benchmarks):
    • Chụp ảnh & Chuyển đổi Grayscale: $42\text{ ms}$
    • Gaussian Blur + Canny Edge Detection: $88\text{ ms}$
    • Morphology & Bounding Box extraction: $65\text{ ms}$
    • Truyền thông UART & Kích hoạt Servo: $15\text{ ms}$
    • Tổng thời gian đáp ứng hệ thống: $210\text{ ms}$ (Hoàn toàn đáp ứng thời gian thực).

Đổi mới và đóng góp

Các điểm đổi mới kỹ thuật cốt lõi

  1. Kiến trúc Tự động hóa thị giác khép kín (Vision-in-the-Loop): Loại bỏ hoàn toàn sự phụ thuộc vào tín hiệu điện sinh học Myoelectric, cho phép người khuyết tật vận động chi trên tự nhiên mà không cần nỗ lực gồng cơ.
  2. Cơ chế Truyền động dây Tendon-driven Tối ưu hóa: Ghép nối cặp ngón (Ngón 2-3 và Ngón 4-5) vào cùng một cơ cấu kéo puly và cảm biến FSR. Thiết kế này giúp giảm 40% số lượng động cơ Servo cần dùng, tiết kiệm trọng lượng cánh tay và giảm điện năng tiêu thụ mà vẫn đảm bảo độ bám sát biên dạng vật thể.
  3. Bộ hồi tiếp hành trình kép (Dual-feedback Sensor Mechanism): Kết hợp cảm biến FSR DF9-40 đo lực căng tiếp xúc và cảm biến quang trở kiểm soát điểm dừng $0^\circ$, loại bỏ hoàn toàn hiện tượng tuột dây hoặc cháy động cơ Servo khi bị kẹt tải.

Đóng góp khoa học và Công bố quốc tế

Đề tài đã bảo vệ thành công tại Hội đồng chấm Khóa luận Tốt nghiệp - Khoa Kỹ thuật Máy tính, Trường Đại học Công nghệ Thông tin (ĐHQG-HCM) và được chấp nhận công bố chính thức tại:

  • Hội nghị Khoa học Quốc tế: The 2022 IEEE 8th International Conference on Research, Innovation and Vision for the Future (RIVF 2022).
  • Chỉ mục: Được xuất bản trên cơ sở dữ liệu học thuật uy tín IEEE Xplore.

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế

  1. Y tế & Phục hồi chức năng: Thiết bị hỗ trợ cho người bị cắt cụt chi trên dưới khuỷu tay (Transradial Amputation), giúp thực hiện các thao tác sinh hoạt cơ bản: cầm cốc nước, nhặt bút, cầm điện thoại, giữ hộp đồ.
  2. Robot Dịch vụ & Công nghiệp nhẹ: Ứng dụng làm bàn tay gắp thông minh (Smart Gripper) cho cánh tay Robot công nghiệp SCARA hoặc Robot tự hành AGV trong các dây chuyền phân loại sản phẩm đóng gói nhỏ.
+-----------------------------------------------------------------------------+
|                     LỘ TRÌNH TRIỂN KHAI THỰC TẾ (ROADMAP)                   |
+-----------------------------------------------------------------------------+
| Giai đoạn 1 (Hiện tại): Mẫu thử nghiệm R&D (TRL 4 - In 3D PLA, RPi 3B+)     |
|   -> Kiểm thử độ bền cơ học 10.000 chu kỳ gập duỗi                          |
+-----------------------------------------------------------------------------+
                                       |
                                       v
+-----------------------------------------------------------------------------+
| Giai đoạn 2 (6 tháng): Nâng cấp phần cứng (TRL 6 - Khung Carbon / Jetson)   |
|   -> Nâng cấp động cơ không chổi than (BLDC) & Tích hợp Camera RGB-D        |
|   -> Thay thế Raspberry Pi bằng NVIDIA Jetson Nano chạy mạng CNN            |
+-----------------------------------------------------------------------------+
                                       |
                                       v
+-----------------------------------------------------------------------------+
| Giai đoạn 3 (12 tháng): Thử nghiệm lâm sàng & Chuyển giao (TRL 7 - 8)       |
|   -> Thử nghiệm trực tiếp trên 20 bệnh nhân khuyết tật tại các trung tâm    |
|   -> Tối ưu hóa chi phí sản xuất thương mại hàng loạt dưới 5.000.000 VNĐ   |
+-----------------------------------------------------------------------------+

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Tải trọng nâng giới hạn: Do sử dụng cơ cấu in 3D PLA và động cơ servo bánh răng nhựa/đồng tầm trung, khối lượng nâng tối đa hiện đạt 50g.
  • Xử lý ảnh 2D đơn kênh: Chưa có thông tin chiều sâu (Depth) từ Camera RGB-D, việc ước lượng kích thước dựa trên giả định vật thể nằm vuông góc với trục quang học của camera.

Hướng phát triển tiếp theo

  • Ứng dụng Mạng nơ-ron tích chập (CNN / Tiny-YOLO): Triển khai các mô hình Deep Learning tối ưu hóa lượng tử hóa (INT8 Quantization) lên phần cứng tăng tốc AI (Google Coral Edge TPU hoặc Raspberry Pi AI Kit) để nhận diện đa vật thể trong môi trường nền phức tạp.
  • Nâng cấp vật liệu sinh học: Sử dụng nhựa kỹ thuật ABS gia cường sợi carbon hoặc hợp kim nhôm Duralumin nhằm nâng tải trọng bốc dỡ lên $> 2\text{ kg}$.

Đối tượng hưởng lợi

  • Người khuyết tật chi trên: Tiếp cận giải pháp tay giả sinh học giá rẻ (chi phí giảm hơn 90% so với thị trường), tự chủ sinh hoạt mà không đòi hỏi huấn luyện kích hoạt cơ bắp phức tạp.
  • Sinh viên & Kỹ sư ngành Kỹ thuật Máy tính / Robot: Bộ tài liệu hoàn chỉnh về thiết kế nhúng kết hợp Thị giác máy tính (Computer Vision), xử lý cảm biến và điều khiển động cơ.
  • Các nhóm nghiên cứu học thuật: Khung tham chiếu chuẩn (Baseline framework) đã được bình duyệt qua hội nghị chuẩn IEEE để tiếp tục phát triển các thuật toán phân loại tư thế tay nâng cao.

Câu hỏi thường gặp (FAQ)

1. Yêu cầu phần cứng tối thiểu để triển khai lại hệ thống này là gì?

Hệ thống yêu cầu tối thiểu một bo mạch Raspberry Pi 3 Model B+ (hoặc tương đương như Raspberry Pi 4), Camera Module 5MP tương thích CSI/USB, vi điều khiển Arduino Uno R3 / Nano, 4 động cơ Servo SG996R, 2 cảm biến FSR DF9-40, module siêu âm HC-SR04 và bộ nguồn ngoài $5\text{V} - 5\text{A}$ chuyên dụng cho động cơ.

2. Bàn tay hoạt động thế nào trong điều kiện thiếu sáng hoặc vật thể trong suốt?

Thuật toán tách biên Canny 2D sẽ giảm độ chính xác nếu độ tương phản giữa vật thể và phông nền quá thấp hoặc trong bóng tối. Giải pháp khắc phục là gắn kèm đèn LED trợ sáng vòng quanh cụm Camera và tích hợp thêm cảm biến đo khoảng cách Time-of-Flight (ToF VL53L0X) để bổ trợ dữ liệu hình học.

3. Tại sao không điều khiển trực tiếp động cơ Servo từ Raspberry Pi mà cần thêm Arduino?

Raspberry Pi chạy hệ điều hành Linux đa nhiệm (Non-realtime OS), do đó việc tạo xung PWM mềm có thể bị giật (Jitter), gây rung lắc động cơ Servo. Arduino đảm nhận nhiệm vụ Real-time PWM cứng và đọc giá trị Analog chính xác từ cảm biến lực với độ trễ micro-giây.

4. Chi phí bảo trì và thay thế linh kiện định kỳ là bao nhiêu?

Nhờ sử dụng công nghệ in 3D FDM và các linh kiện điện tử tiêu chuẩn, việc thay thế một đốt ngón tay gãy hoặc sợi dây cáp bị mòn chỉ tốn dưới 50.000 VNĐ và có thể hoàn tất trong 30 phút.

5. Cánh tay có khả năng tự học thêm các thế cầm mới không?

Trong phiên bản hiện tại, các thế cầm được lập trình theo luật cứng (Rule-based Decision). Tuy nhiên, kiến trúc phần mềm trên Raspberry Pi đã sẵn sàng để tích hợp thêm các mô hình học máy (SVM hoặc Decision Tree) phân loại đặc trưng hình học mở rộng mà không cần thay đổi cấu trúc phần cứng.

Kết luận

Khóa luận tốt nghiệp "Thiết kế bàn tay robot tích hợp camera mô phỏng bàn tay người" của nhóm tác giả Ngô Thanh Nhân và Trương Tài Thuận (hướng dẫn bởi TS. Đoàn Duy - ĐH Công nghệ Thông tin, ĐHQG-HCM) đã giải quyết trọn vẹn bài toán tự động hóa thao tác nắm giữ phỏng sinh học với chi phí thấp. Việc kết hợp thành công giữa vi xử lý nhúng, thuật toán thị giác máy tính OpenCV và cơ chế hồi tiếp lực thông minh không chỉ mở ra giải pháp hỗ trợ thiết thực cho cộng đồng người khuyết tật mà còn đóng góp một công bố khoa học giá trị trên hệ thống IEEE Xplore. Đây là nền tảng vững chắc hướng tới việc phát triển các thế hệ chi giả thông minh và cánh tay robot dịch vụ hoàn toàn tự chủ trong tương lai.