Thiết kế bộ điều khiển cho robot di động hai bánh lái vi sai tránh vật cản động dựa trên ROS

Đồ án thiết kế bộ điều khiển robot di động vi sai tránh vật cản động tại ĐH SPKT TP.HCM

• Tác giả: Đoàn Lê Bảo Duy
• Người hướng dẫn: PGS.TS Trần Đức Thiện
• 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: Thiết kế bộ điều khiển cho robot di động hai bánh lái vi sai tránh vật cản động dựa trên ROS
• Loại tài liệu: Đồ án tốt nghiệp
• Năm xuất bản: 2025
• Địa điểm: Thành phố Hồ Chí Minh

Tóm tắt

I. Tổng quan về robot di động vi sai tránh vật cản động ĐH SPKT HCM

Nghiên cứu robot di động tự hành đóng vai trò cốt lõi trong thời đại tự động hóa. Đề tài tốt nghiệp tại Đại học Sư phạm Kỹ thuật TP.HCM tập trung phát triển robot hai bánh lái vi sai. Hệ thống hướng đến mục tiêu tự hành hoàn toàn trong môi trường kín. Mô hình cơ khí có kích thước tiêu chuẩn 600x350x270 mm. Cấu trúc hai bánh vi sai mang lại tính cơ động cao và bán kính quay nhỏ. Robot vận hành tốt trong các lối đi hẹp của nhà xưởng hoặc tòa nhà văn phòng. Hệ thống tích hợp bộ điều khiển trung tâm mạnh mẽ cùng các cảm biến hiện đại. Cảm biến LiDAR và đo quán tính IMU cung cấp dữ liệu môi trường liên tục. Robot xây dựng bản đồ số chuẩn xác thông qua phần mềm ROS. Kiến trúc phần mềm phân tán cho phép xử lý song song các tác vụ phức tạp. Dự án khẳng định năng lực nghiên cứu ứng dụng kỹ thuật cao của sinh viên ngành Điều khiển và Tự động hóa. Sản phẩm đáp ứng yêu cầu vận chuyển hàng hóa tự động an toàn và thông minh.

1.1. Mục tiêu và bối cảnh nghiên cứu đề tài

Nhu cầu tự động hóa logistics nội bộ ngày càng cấp thiết. Đề tài ra đời nhằm giải quyết bài toán vận chuyển tự động trong môi trường có người di chuyển. Nhóm nghiên cứu tại ĐH SPKT TP.HCM thiết kế robot có khả năng phản xạ nhanh. Robot phải di chuyển an toàn từ điểm xuất phát đến đích đến định trước. Hệ thống không gây va chạm với chướng ngại vật bất ngờ. Đề tài kiểm thử hoạt động tại tầng 2 tòa C của nhà trường. Không gian hành lang thử nghiệm có nhiều người qua lại thường xuyên. Mục tiêu cốt lõi là xây dựng phần cứng bền vững và thuật toán định vị ổn định. Công trình tạo tiền đề vững chắc cho việc phát triển các dòng robot vận chuyển công nghiệp thế hệ mới.

1.2. Cấu trúc phần cứng mô hình robot vi sai

Mô hình robot được thiết kế hoàn chỉnh trên phần mềm Solidworks 2023. Khung xe chế tạo từ vật liệu cơ khí chịu tải tốt. Cơ cấu truyền động gồm hai bánh dẫn động độc lập và hai bánh xe đa hướng hỗ trợ thăng bằng. Động cơ DC tích hợp encoder cung cấp phản hồi số vòng quay chuẩn xác. Mạch điều khiển trung tâm tiếp nhận tín hiệu từ cảm biến LiDAR để phát hiện chướng ngại vật. Cảm biến góc quay IMU hỗ trợ đo lường gia tốc và vận tốc góc. Bo mạch mở rộng quản lý nguồn điện và bảo vệ các linh kiện nhạy cảm. Giao diện Python hiển thị các thông số thời gian thực trên màn hình máy tính giám sát. Thiết kế phần cứng đảm bảo tính module hóa và dễ dàng thay thế khi cần bảo trì kỹ thuật.

II. Phân tích thách thức điều hướng robot khi gặp vật cản động

Môi trường làm việc thực tế luôn biến đổi không ngừng. Vật cản động như con người hay phương tiện khác xuất hiện bất thình lình. Hiện tượng này phá vỡ quỹ đạo tính toán sẵn của robot. Robot di động hai bánh lái vi sai sở hữu ràng buộc không holonomic. Phương tiện không thể di chuyển tức thời theo phương ngang mà phải quay thân xe. Quá trình quay xe tạo ra độ trễ điều khiển nhất định. Ngoài ra, cảm biến đo đạc luôn chứa sai số ngẫu nhiên do trượt bánh hoặc rung lắc cơ học. Dữ liệu hồi tiếp từ encoder tích lũy sai số dần theo quãng đường lăn bánh. Tín hiệu LiDAR có thể bị nhiễu do bề mặt phản xạ hoặc vật cản che khuất. Nếu thuật toán không cập nhật trạng thái kịp thời, robot dễ va chạm chướng ngại vật. Việc duy trì tốc độ ổn định và giữ khoảng cách an toàn đòi hỏi năng lực tính toán cực cao. Hệ thống điều khiển phải dự đoán chuyển động của vật cản và tái hoạch định đường đi tức thời. Đây là bài toán kỹ thuật trọng tâm cần giải quyết triệt để.

2.1. Hạn chế của hệ dẫn động vi sai phi holonomic

Hệ dẫn động vi sai điều khiển hướng di chuyển thông qua chênh lệch tốc độ hai bánh. Cấu trúc cơ khí này áp đặt ràng buộc phi holonomic khắt khe. Robot không thể trượt ngang lập tức để né tránh va chạm trực diện. Khi gặp vật cản di động với vận tốc cao, xe buộc phải giảm tốc độ hoặc dừng hẳn. Thao tác quay vòng tại chỗ làm tăng thời gian di chuyển giữa các điểm mốc. Lực quán tính khi đổi hướng đột ngột dễ gây hiện tượng trượt bánh trên sàn. Trượt bánh phá hỏng tính toán vị trí ước lượng từ encoder. Sai số góc xoay yaw tích lũy khiến đường đi thực tế lệch xa lộ trình dự kiến. Do đó, thuật toán điều khiển bắt buộc phải tính toán trước giới hạn gia tốc góc của phương tiện.

2.2. Vấn đề nhiễu đo lường và tích lũy sai số định vị

Định vị chuẩn xác là nền tảng sống còn của chuyển động tự hành. Cảm biến quán tính IMU thường trôi giá trị theo thời gian. Tín hiệu encoder chịu ảnh hưởng nặng nề bởi bề mặt tiếp xúc của bánh xe. Trong môi trường trong nhà, tín hiệu LiDAR có thể phản xạ tán xạ khi gặp kính hoặc bề mặt bóng. Bản đồ chiếm dụng tĩnh không thể hiện đầy đủ trạng thái của các vật cản chuyển động. Khi vật cản che khuất tầm quét, bộ định vị cục bộ dễ đánh mất vị trí chuẩn. Thuật toán truyền thống thường phản ứng chậm trước các chuyển động cắt ngang đột ngột. Sự chậm trễ này dẫn đến quyết định phanh gấp hoặc dao động quỹ đạo điều khiển. Điều này gây hao mòn cơ khí và suy giảm độ tin cậy của hệ thống.

III. Giải pháp điều khiển robot tránh vật cản bằng MPC và DWA

Nghiên cứu đề xuất mô hình điều khiển phân tầng trên nền tảng ROS. Kiến trúc tích hợp bộ lọc Kalman mở rộng EKF và giải thuật AMCL. EKF kết hợp dữ liệu encoder với IMU nhằm triệt tiêu trôi dạt định vị. Giải thuật SLAM Toolbox đảm nhận nhiệm vụ tạo lập bản đồ 2D chính xác. Quá trình điều hướng chia thành hai cấp độ toàn cục và cục bộ. Bộ hoạch định toàn cục xác định đường đi ngắn nhất không va chạm vật cản tĩnh. Thuật toán Model Predictive Control tối ưu hóa việc bám quỹ đạo theo hàm mục tiêu. MPC dự đoán trạng thái tương lai của robot trong khoảng thời gian xác định. Đồng thời, thuật toán Dynamic Window Approach tính toán vận tốc tức thời an toàn. DWA liên tục quét không gian vận tốc khả thi để tránh vật cản động. Mô hình được kiểm chứng kỹ lưỡng trên môi trường mô phỏng Gazebo trước khi triển khai thực tế. Sự kết hợp này mang lại khả năng thích ứng linh hoạt và độ mượt mà cao cho chuyển động của robot.

3.1. Định vị phức hợp với EKF và bản đồ SLAM

Bộ lọc EKF dung hợp nguồn dữ liệu từ odometry bánh xe và cảm biến IMU. Ma trận hiệp phương sai sai số được cập nhật liên tục qua hai bước dự đoán và hiệu chỉnh. Quá trình dự đoán dựa trên mô hình động học phi tuyến của robot vi sai. Quá trình hiệu chỉnh sử dụng số đo góc quay từ IMU để triệt tiêu sai lệch tích lũy. Bản đồ môi trường được xây dựng bằng SLAM Toolbox dựa trên dữ liệu quét LiDAR 2D. Thuật toán AMCL sử dụng các hạt xác suất để định vị chính xác vị trí robot trên bản đồ đã có. Kết quả dung hợp tạo ra tọa độ vị trí với độ tin cậy vượt trội. Tọa độ chính xác là điều kiện tiên quyết giúp robot điều hướng an toàn.

3.2. Thuật toán né vật cản kết hợp MPC và DWA

MPC đảm nhận kiểm soát quỹ đạo chuyển động dài hạn. Bộ điều khiển giải bài toán tối ưu có ràng buộc về vận tốc và gia tốc ở mỗi chu kỳ. MPC giữ cho robot bám sát quỹ đạo tham chiếu mà không bị giật cục. Khi cảm biến phát hiện vật cản chuyển động cắt ngang, DWA kích hoạt ngay lập tức. DWA thu hẹp không gian tìm kiếm vận tốc dựa trên khả năng phanh hãm thực tế của động cơ. Giải thuật chấm điểm các quỹ đạo cung tròn mô phỏng và chọn quỹ đạo an toàn nhất. Robot chủ động giảm tốc và lách qua vật thể chuyển động mượt mà. Sau khi vượt qua chướng ngại, MPC đưa phương tiện trở lại lộ trình ban đầu nhanh chóng.

IV. Đánh giá thực nghiệm và tiềm năng ứng dụng robot vi sai ĐH SPKT

Quá trình thử nghiệm thực tế diễn ra tại tầng 2 tòa C Đại học Sư phạm Kỹ thuật TP.HCM. Bản đồ số được thiết lập hoàn chỉnh với độ chính xác cao. Robot di chuyển ổn định theo quỹ đạo đặt trước mà không gặp hiện tượng mất định vị. Khi người đi bộ xuất hiện đột ngột cắt ngang hành lang, hệ thống phản hồi trong vòng vài phần trăm giây. Robot tự động điều chỉnh tốc độ, lùi hoặc chuyển hướng nhẹ để né tránh va chạm. Sai số bám quỹ đạo duy trì ở mức tối thiểu. Giao diện Python giám sát ghi nhận dữ liệu liên tục và hiển thị trực quan trạng thái hoạt động. Kết quả chứng minh giải pháp tích hợp phần cứng và phần mềm hoạt động trơn tru. Hệ thống có độ bền cơ học cao và chi phí chế tạo hợp lý. Đề tài mở ra tiềm năng ứng dụng lớn trong vận chuyển hàng hóa tự động tại nhà kho, bệnh viện và siêu thị. Đây là bước tiến quan trọng trong nghiên cứu robot di động tự hành tại Việt Nam.

4.1. Kết quả thực nghiệm tại cơ sở ĐH SPKT TP.HCM

Thực nghiệm tại tầng 2 tòa C chứng minh tính khả thi của giải thuật. Robot hoàn thành xuất sắc các lộ trình di chuyển phức tạp giữa các phòng thí nghiệm. Khả năng lập bản đồ bằng SLAM Toolbox cho độ nét cao và loại bỏ tạp âm hiệu quả. Khi đối mặt với người đi bộ di chuyển cắt mặt, xe phản hồi tức thì và duy trì cự ly an toàn trên 0.4 mét. Độ trễ điều khiển rất thấp nhờ tính toán cục bộ nhanh của DWA. Hệ thống không xảy ra hiện tượng dừng đột ngột gây giật tải hoặc mất phương hướng. Dữ liệu từ encoder và IMU hòa hợp hoàn hảo thông qua bộ lọc EKF. Mức tiêu thụ năng lượng của động cơ duy trì ở ngưỡng danh định.

4.2. Khả năng ứng dụng công nghiệp và hướng phát triển

Kết quả nghiên cứu mở ra tiềm năng thương mại hóa lớn trong lĩnh vực tự động hóa kho hàng. Mô hình robot vi sai có thể nâng cấp thành xe tự hành AGV hoặc AMR chuyên dụng. Doanh nghiệp dễ dàng triển khai thiết bị trong các dây chuyền lắp ráp điện tử và kho vận. Chi phí sản xuất mô hình thấp hơn nhiều so với các sản phẩm nhập ngoại cùng phân khúc. Trong tương lai, hệ thống có thể tích hợp thêm camera 3D để nhận diện vật cản ba chiều. Thuật toán học sâu sẽ giúp nhận diện chính xác từng chủng loại chướng ngại vật khác nhau. Việc tối ưu hóa mạng truyền thông 5G cũng cho phép điều phối đồng thời nhiều robot trong cùng không gian.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong xu thế phát triển của cuộc Cách mạng công nghiệp 4.0, tự động hóa đang trở thành yêu cầu thiết yếu trong nhiều lĩnh vực như sản xuất công nghiệp, logistics, y tế và dịch vụ thông minh. Các hệ thống robot di động (mobile robot) ngày càng được ứng dụng rộng rãi nhằm nâng cao năng suất lao động, chuẩn hóa quy trình vận hành và hạn chế sự phụ thuộc vào con người trong các công việc có tính chất lặp lại hoặc tiềm ẩn rủi ro nguy hiểm. Trên thực tế, robot di động tự hành đã được triển khai để vận chuyển vật liệu và phân phối hàng hóa tự động trong nhà kho, hỗ trợ vận chuyển thuốc và vật tư y tế trong các cơ sở bệnh viện (đặc biệt trong giai đoạn phòng chống dịch Covid-19), phục vụ buồng phòng trong khách sạn, cũng như tuần tra và hướng dẫn di chuyển tại các tòa nhà thông minh.

Đặc trưng chung của các ứng dụng này là đòi hỏi robot phải có khả năng tự định vị, bám quỹ đạo chính xác đến mục tiêu được chỉ định, đồng thời tương thích và phản ứng linh hoạt trước những biến đổi bất định của môi trường xung quanh. Đối với môi trường hoạt động trong nhà, không gian thường bị giới hạn về diện tích và liên tục xuất hiện các vật cản động (như con người hoặc các phương tiện vận chuyển khác). Do đó, robot cần được trang bị hệ thống điều khiển có khả năng tính toán thời gian thực nhằm đảm bảo sự ổn định và an toàn khi vận hành.

Xuất phát từ yêu cầu thực tiễn đó, đề tài "Thiết kế bộ điều khiển cho robot di động hai bánh lái vi sai tránh vật cản động dựa trên ROS" được nhóm tác giả lựa chọn nhằm giải quyết bài toán tích hợp hệ thống phần cứng, xây dựng bản đồ, định vị và điều hướng tự hành tránh vật cản động.

Mục tiêu nghiên cứu của đề tài được xác định cụ thể qua 4 nội dung chính:

1. Thiết kế và thi công mô hình robot di động hai bánh lái vi sai.
2. Xây dựng giải thuật điều hướng MPC (Model Predictive Control) và DWA (Dynamic Window Approach) giúp robot tránh vật cản và di chuyển đến đích trên cả mô phỏng và thực nghiệm.
3. Xây dựng bản đồ thực tế diện tích lớn thông qua các gói hỗ trợ SLAM: Hector SLAM và SLAM Toolbox.
4. Thu thập dữ liệu theo thời gian thực để so sánh hiệu quả giữa hai giải thuật điều hướng.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Mô hình động học robot di động hai bánh lái vi sai; hệ thống cảm biến đo đạc (LiDAR, IMU, Encoder); các thuật toán định vị và lọc trạng thái (EKF, AMCL); các thuật toán lập bản đồ (Hector SLAM, SLAM Toolbox); các giải thuật điều khiển và điều hướng tránh vật cản (Dijkstra, DWA, MPC).
• Phạm vi không gian: Bản đồ thực nghiệm được triển khai tại Tầng 2 tòa C, Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh.
• Phạm vi thời gian: Đề tài được thực hiện từ ngày 22/02/2025 đến ngày 10/06/2025.
• Giới hạn nghiên cứu được tác giả quy định: Mô hình robot do nhóm tự thiết kế và gia công nên chưa đánh giá được độ bền và độ ổn định dài hạn; cảm biến LiDAR chỉ quét 180 độ về phía trước và hệ thống chỉ nhận diện các vật cản nằm trong phạm vi quét này; robot chỉ di chuyển tiến về phía trước mà không thực hiện chuyển động lùi; giới hạn vận tốc tối đa được cài đặt ở mức 0. [văn bản gốc khuyết giá trị thập phân]; chưa tiến hành khảo sát tốc độ và độ trễ truyền nhận tín hiệu giữa máy chủ và máy khách qua mạng ROS Network.

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng hệ thống điều khiển dựa trên các nền tảng toán học, động học và khung phần mềm chuyên dụng:

Khung lý thuyết và mô hình toán học

• Động học robot hai bánh lái vi sai: Vị trí và tư thế của robot trong hệ quy chiếu toàn cục được biểu diễn thông qua vector trạng thái $p = [x_Q, y_Q, \theta]^T$, với $(x_Q, y_Q)$ là tọa độ tâm robot và $\theta$ là góc hướng di chuyển. Giả định bánh xe không bị trượt, vận tốc tuyến tính $v_Q$ và vận tốc góc $\omega$ của robot được xác định từ vận tốc tuyến tính bánh phải ($v_r$) và bánh trái ($v_l$) theo khoảng cách hai bánh xe ($2a$) và bán kính bánh xe ($r$): $$v_Q = \frac{v_r + v_l}{2}, \quad \omega = \frac{v_r - v_l}{2a}$$ Mối liên hệ vi phân giữa vận tốc góc của từng bánh xe $(\omega_r, \omega_l)$ trong không gian khớp và vận tốc chuyển động trong không gian làm việc được thiết lập thông qua ma trận Jacobian $J$: $$\dot{p} = J \dot{q}$$
• Hệ điều hành Robot (ROS) và ROS Navigation Stack: Hệ thống khai thác kiến trúc phân tán dựa trên các node, topic, service và message. Trong đó, ngăn xếp điều hướng (Navigation Stack) đóng vai trò trung tâm với các thành phần cốt lõi: move_base (nút điều phối), Costmap (bản đồ chi phí thể hiện chướng ngại vật cục bộ và toàn cục), AMCL (định vị dựa trên bộ lọc hạt Particle Filter), Global Planner (hoạch định đường đi toàn cục) và Local Planner (hoạch định đường đi cục bộ tránh va chạm).
• Thuật toán SLAM (Simultaneous Localization and Mapping): Khóa luận phân tích cấu trúc SLAM gồm hai khối: Front-end (tiếp nhận dữ liệu thô từ LiDAR, IMU, dự đoán mô hình chuyển động, trích xuất đặc trưng hình học) và Back-end (phát hiện vòng lặp - Loop Closure Detection và tối ưu hóa đồ thị vị trí - Pose Graph Optimization). Hai thuật toán được khảo sát là Hector SLAM (dựa trên phương pháp khớp quét Scan Matching bằng thuật toán Gauss-Newton, không đòi hỏi dữ liệu odometry) và SLAM Toolbox (tiếp cận theo đồ thị Pose-graph SLAM, sử dụng thư viện Ceres Solver để giải bài toán tối ưu phi tuyến bình phương tối thiểu toàn cục).
• Bộ lọc Kalman mở rộng (Extended Kalman Filter - EKF): Ứng dụng để ước lượng trạng thái phi tuyến của robot thông qua vector trạng thái $x_k = [x_k, y_k, \theta_k]^T$. Thuật toán vận hành theo hai chu trình lặp: dự đoán trạng thái (Time Update/Predict) kết hợp ma trận hiệp phương sai lỗi $P_k$ và cập nhật đo lường (Measurement Update) dựa trên độ lợi Kalman $K_k$, ma trận Jacobian $J_f$ từ mô hình động học và ma trận đo lường $H_{imu}$ từ cảm biến IMU.
• Thuật toán điều hướng: Dijkstra được sử dụng để tìm đường đi ngắn nhất trên bản đồ toàn cục; Dynamic Window Approach (DWA) tính toán lệnh vận tốc tối ưu $(v, \omega)$ trong không gian vận tốc khả thi dựa trên khoảng cách tới vật cản và hướng đích; Model Predictive Control (MPC) tối ưu hóa quỹ đạo chuyển động trong cửa sổ dự báo hữu hạn (receding horizon) có xét đến các ràng buộc động học và điều kiện an toàn tránh va chạm.

Phương pháp nghiên cứu

Tác giả kết hợp bốn phương pháp nghiên cứu chính:

• Phân tích dữ liệu: Sử dụng phần mềm MATLAB và công cụ QT Designer để trích xuất, trực quan hóa và đánh giá đáp ứng đồ thị vận hành, sai số bám quỹ đạo và tính ổn định của hệ thống.
• Phân tích mô phỏng: Thiết lập mô hình động lực học và môi trường 3D trên nền tảng Gazebo kết nối qua ROS nhằm kiểm thử thuật toán SLAM và các kịch bản tránh vật cản động trước khi đưa vào ứng dụng thực tế.
• Phân tích thực nghiệm: Chế tạo phần cứng, lắp đặt cảm biến, nạp thuật toán và kiểm chứng trực tiếp trong môi trường hành lang thực tế tại Tòa C trường Đại học Sư phạm Kỹ thuật TP.HCM.
• Đánh giá hiệu quả hệ thống: Đo đạc sai số bám quỹ đạo đặt, so sánh trực tiếp chất lượng tạo bản đồ giữa Hector SLAM và SLAM Toolbox, cũng như đối đối sánh khả năng né tránh vật cản giữa MPC và DWA.

Thiết kế và triển khai

Hệ thống robot được phát triển hoàn chỉnh từ kết cấu cơ khí, phần cứng điện tử đến kiến trúc điều khiển phần mềm.

Kết cấu phần cứng và cơ khí

Mô hình robot được thiết kế trên phần mềm SolidWorks 2023 với kích thước phủ bì: chiều dài 600 mm, chiều rộng 350 mm và chiều cao 270 mm. Cơ cấu cơ khí gồm các cụm bộ phận chính:

• Khung gầm và bệ đỡ: Mặt đế được gia công chắc chắn chịu tải trọng của ắc quy và thiết bị; tích hợp giá đỡ cụm động cơ truyền động và giá đỡ cảm biến LiDAR, IMU.
• Cơ cấu chuyển động: Sử dụng hai bánh xe dẫn động độc lập hai bên để tạo kiểu lái vi sai, kết hợp cụm 4 bánh xe mắt trâu đặt tại 4 góc ngoài của thân nhằm phân bổ trọng lực và giữ thăng bằng cho hệ thống.
• Vỏ bảo vệ: Được tạo hình và in 3D bằng chất liệu nhựa PLA, phân tách thành ba phần: phần thân chính, phần bảo vệ phía trước cụm cảm biến LiDAR và khoang chứa hàng hóa phía sau.

Phần cứng điện tử và phân tầng điều khiển

Hệ thống điều khiển phân cấp gồm hai tầng xử lý:

• Tầng tính toán cấp cao (Master): Trang bị máy tính nhúng Nvidia Jetson Orin đảm nhiệm chạy hệ điều hành ROS, thực thi các giải thuật xử lý dữ liệu nặng như xây dựng bản đồ SLAM, lọc EKF, lập kế hoạch di chuyển toàn cục và thuật toán tối ưu hóa điều hướng MPC/DWA.
• Tầng điều khiển cấp thấp (Slave): Sử dụng vi điều khiển Arduino Mega 2560 chịu trách nhiệm đọc tín hiệu phản hồi xung từ Encoder động cơ, giao tiếp I2C/SPI với cảm biến IMU, tính toán vòng điều khiển PID vận tốc và phát xung PWM điều khiển mạch công suất động cơ.
• Cảm biến tích hợp: Cảm biến LiDAR 2D góc quét 180 độ gắn phía trước, cảm biến IMU đo gia tốc và vận tốc góc trên 3 trục chuyển động, cảm biến Encoder quang học đo số vòng quay của trục động cơ.
• Mạch in điện tử: Tác giả tự thiết kế và thi công bo mạch PCB tích hợp các đường cấp nguồn, mạch bảo vệ nút dừng khẩn cấp (EMG), giắc kết nối cảm biến và chuyển đổi mức tín hiệu.
• Giao tiếp truyền thông: Kết nối vật lý giữa Jetson Orin và Arduino Mega 2560 thông qua chuẩn UART, tích hợp thư viện ROS Serial để đồng bộ hóa dữ liệu topic vận tốc (/cmd_vel) và thông tin odometry. Quá trình giám sát từ xa sử dụng mô hình ROS Network qua giao thức IP kết nối giữa máy tính trạm và Jetson Orin.

Giao diện điều khiển và giám sát (GUI)

Giao diện người dùng được lập trình bằng ngôn ngữ Python với thư viện Qt Designer, bao gồm ba phân hệ chức năng: Giao diện điều khiển chính, Giao diện quan sát đồ thị (hiển thị sai số bám, vận tốc tức thời, đáp ứng quỹ đạo theo thời gian thực) và Giao diện phát lệnh điều khiển thủ công.

Bảng so sánh kỹ thuật giữa hai công cụ SLAM được nhóm tác giả khảo sát trong đồ án:

Thông số / Tiêu chí	Hector SLAM	SLAM Toolbox
Bản chất thuật toán	Scan Matching (Gauss-Newton)	Graph-based SLAM (Pose Graph)
Phương thức tối ưu	Tối ưu cục bộ từng bước quét	Tối ưu toàn bộ pose graph bằng Ceres Solver
Cơ chế định vị	So khớp scan-to-map (chủ yếu từ LiDAR)	Khớp scan-to-map kết hợp đồ thị đo lường
Yêu cầu dữ liệu odometry	Không bắt buộc odometry	Hỗ trợ odometry và IMU để nâng độ chính xác
Phát hiện vòng lặp (Loop closure)	Không hỗ trợ	Có hỗ trợ, tự động hiệu chỉnh đồ thị
Tốc độ xử lý	Rất nhanh, gần như thời gian thực	Tương đối nhanh, có thể giảm khi đồ thị mở rộng

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 thiết lập cơ sở khoa học và thực tiễn của đề tài. Tác giả phân tích nhu cầu ứng dụng robot di động trong công nghiệp, dịch vụ và y tế, tổng quan tình hình nghiên cứu quốc tế (các hướng kết hợp thuật toán A* và DWA, RRT* và DWA, áp dụng MPC trong bám quỹ đạo và tránh va chạm cho đa robot, ứng dụng mô hình học tăng cường). Tại Việt Nam, tác giả điểm qua các nghiên cứu về hệ thống điều hướng trên ROS, sử dụng Point Cloud Library để dựng bản đồ, ứng dụng bộ điều khiển trường tiềm năng và các nghiên cứu bước đầu về MPC tại RICLab (ĐH Sư phạm Kỹ thuật TP.HCM). Từ đó, chương xác định mục tiêu, các giới hạn vận hành, phạm vi nghiên cứu và phương pháp tiếp cận của đồ án.

Chương 2: Cơ sở lý thuyết

Chương 2 cung cấp nền tảng toán học và kỹ thuật chuyên ngành. Tác giả trình bày phân loại robot di động (mặt đất, trên không, dưới nước; các dạng di chuyển bằng bánh xe, bánh xích, chân); thiết lập mô hình toán học động học robot hai bánh lái vi sai và ma trận Jacobian vi phân. Chương đi sâu vào hệ điều hành ROS (khái niệm, ưu nhược điểm, hệ thống tập tin, node, topic, service, ROS Master, Parameter Server, ROS Bag) và cấu trúc Navigation Stack. Lý thuyết SLAM được phân rã thành Front-end và Back-end, so sánh bản chất giữa Hector SLAM và SLAM Toolbox. Ngoài ra, chương làm rõ lý thuyết bộ lọc EKF phục vụ kết hợp dữ liệu cảm biến, các thuật toán Dijkstra, DWA, bộ điều khiển dự báo mô hình MPC, cấu tạo nguyên lý cảm biến LiDAR, IMU, Encoder, bộ điều khiển phản hồi PID và chuẩn truyền thông nối tiếp UART.

Chương 3: Thiết kế và thi công hệ thống

Chương 3 tập trung vào quy trình kỹ thuật chế tạo phần cứng và xây dựng phần mềm nhúng. Tác giả phân tích lực tác động lên robot, tính toán mô-men và công suất để lựa chọn động cơ truyền động; lựa chọn danh mục thiết bị (Jetson Orin, Arduino Mega 2560, cảm biến LiDAR, IMU, bánh xe). Bản vẽ 3D được dựng trên SolidWorks gồm các chi tiết mặt đế, giá đỡ động cơ, giá đỡ cảm biến, bộ 4 bánh phụ và cụm vỏ bảo vệ PLA. Chương mô tả quy trình thiết kế, thi công mạch in PCB, đấu nối hệ thống dây điện và cơ cấu an toàn. Về mặt phần mềm, chương xây dựng lưu đồ thuật toán điều khiển cấp thấp trên Arduino Mega 2560, lưu đồ xử lý cấp cao trên Jetson Orin và thiết kế giao diện đồ họa GUI bằng Python.

Chương 4: Thiết kế giải thuật điều khiển

Chương 4 tập trung vào việc hiện thực hóa các giải thuật điều khiển tự hành trên ROS. Tác giả xây dựng sơ đồ phối hợp giữa các node ROS, cấu hình node EKF để dung hợp dữ liệu tư thế từ odometry bánh xe và góc xoay từ IMU. Thuật toán MPC được thiết lập toán học chi tiết với hàm mục tiêu giảm thiểu sai số bám quỹ đạo đặt, đồng thời tích hợp các điều kiện ràng buộc phi tuyến về khoảng cách an toàn nhằm né tránh vật cản tĩnh và động. Song song đó, thuật toán DWA được thiết kế dựa trên mô hình cửa sổ vận tốc động để làm cơ sở đối sánh hiệu năng điều khiển cục bộ.

Chương 5: Mô phỏng giải thuật điều khiển

Chương 5 tiến hành kiểm thử các thuật toán trong không gian ảo Gazebo trước khi triển khai trên phần cứng. Mô hình 3D từ SolidWorks được xuất sang định dạng mô phỏng; các thông số vật lý của robot, bánh xe, bề mặt tiếp xúc và cảm biến (LiDAR, IMU) được cấu hình theo Bảng 5-1 đến Bảng 5-4. Bản đồ môi trường mô phỏng được xây dựng với kích thước xác định (Bảng 5-5). Quá trình lập bản đồ mô phỏng được thực hiện để kiểm tra tính năng SLAM. Sau đó, tác giả thực hiện mô phỏng thuật toán điều hướng tránh vật cản qua 5 trường hợp cụ thể:

• Trường hợp 1: Di chuyển trong môi trường không có vật cản.
• Trường hợp 2: Di chuyển né tránh 3 vật cản tĩnh bố trí trên đường đi.
• Trường hợp 3: Điều hướng né tránh 1 vật cản động di chuyển.
• Trường hợp 4: Điều hướng né tránh 2 vật cản động với quỹ đạo đan xen.
• Trường hợp 5: Điều hướng né tránh 3 vật cản động phức tạp. Dữ liệu di chuyển và đồ thị đáp ứng của MPC và DWA trong từng trường hợp được thu thập để đánh giá tính ổn định và khả năng tạo quỹ đạo mượt mà.

Chương 6: Thực nghiệm giải thuật điều khiển

Chương 6 đưa hệ thống vào thử nghiệm thực tế tại Tầng 2 tòa C, ĐH Sư phạm Kỹ thuật TP.HCM. Tác giả thực hiện cấu hình mạng Master - Slave qua địa chỉ IP giữa Jetson Orin và máy tính điều khiển. Thực nghiệm xây dựng bản đồ được tiến hành tuần tự bằng Hector SLAM và SLAM Toolbox; dữ liệu sai lệch hình học và độ sắc nét biên dạng bản đồ được ghi nhận và so sánh. Tiếp theo, hệ thống thực hiện thử nghiệm điều hướng bám quỹ đạo qua các điểm đích chỉ định theo các kịch bản:

• Kịch bản di chuyển không có vật cản với thuật toán MPC và DWA.
• Kịch bản di chuyển né tránh vật cản tĩnh và người đang đi lại trong hành lang với thuật toán MPC và DWA. Dữ liệu thực nghiệm được trích xuất qua đồ thị để phân tích sai số bám vị trí, độ vọt lố vận tốc và thời gian đáp ứng của từng bộ điều khiển.

Chương 7: Kết luận và hướng phát triển

Chương 7 tổng kết toàn bộ các kết quả đạt được về mặt chế tạo mô hình, lập trình điều khiển nhúng, dựng bản đồ và thực nghiệm điều hướng. Tác giả chỉ rõ các giới hạn kỹ thuật của hệ thống hiện tại và đề xuất các giải pháp nâng cấp, mở rộng cho các nghiên cứu tiếp theo.

Kết quả và đóng góp

Kết quả chính

• Về phần cứng: Nhóm tác giả đã thiết kế và thi công hoàn chỉnh mô hình robot hai bánh lái vi sai kích thước 600 x 350 x 270 mm, tích hợp cụm bánh mắt trâu giữ thăng bằng, bo mạch điều khiển PCB tự gia công, hệ thống máy tính nhúng Jetson Orin kết hợp vi điều khiển Arduino Mega 2560 vận hành ổn định qua giao thức UART và ROS Serial.
• Về xây dựng bản đồ (SLAM): Thử nghiệm thực tế tại hành lang Tầng 2 tòa C chứng minh SLAM Toolbox vượt trội hơn Hector SLAM trong môi trường không gian rộng. Nhờ cơ chế tối ưu hóa đồ thị Pose Graph bằng Ceres Solver và khả năng phát hiện vòng lặp (loop closure), SLAM Toolbox khử được hiện tượng trôi dạt (drift) tích lũy, giúp bản đồ khép kín và giữ đúng tỷ lệ hình học của hành lang. Ngược lại, Hector SLAM do chỉ dựa vào khớp quét Scan Matching nên dễ bị biến dạng bản đồ khi robot chuyển động quay nhanh hoặc trượt bánh.
• Về thuật toán điều hướng tránh vật cản:
  • Cả hai thuật toán MPC và DWA đều hoàn thành việc đưa robot di chuyển qua các điểm đích được chỉ định trên mô phỏng và thực tế.
  • Trong môi trường tĩnh không có vật cản, cả hai giải thuật đều cho khả năng bám quỹ đạo tốt.
  • Trong môi trường xuất hiện vật cản động (vật thể di chuyển cắt ngang hoặc người đi bộ), thuật toán MPC chứng minh ưu thế nhờ khả năng dự đoán trước quỹ đạo trong cửa sổ thời gian hữu hạn và tích hợp trực tiếp ràng buộc an toàn, giúp robot chủ động giảm tốc và lượn vòng mượt mà hơn. Ngược lại, DWA do chỉ phản ứng trong cửa sổ vận tốc ngắn hạn nên quỹ đạo né tránh có hiện tượng đổi hướng đột ngột và dao động khi vật cản thay đổi tốc độ bất ngờ.

Đóng góp của đề tài

• Hoàn thiện quy trình thiết kế, chế tạo và tích hợp hoàn chỉnh một nền tảng robot di động hai bánh lái vi sai tự hành từ phần cứng cơ khí, điện tử, vi điều khiển nhúng đến hệ điều hành robot ROS.
• Cung cấp dữ liệu đánh giá và so sánh thực nghiệm song song giữa hai thuật toán SLAM phổ biến (Hector SLAM vs SLAM Toolbox) trên cùng một điều kiện phần cứng thực tế.
• Triển khai và đánh giá đối sánh trực tiếp giữa thuật toán điều khiển dự báo mô hình MPC và giải thuật truyền thống DWA trong bài toán tránh vật cản động trên nền tảng ROS, cung cấp cơ sở kiểm chứng thực nghiệm cho các nghiên cứu điều khiển chuyển động robot tại Việt Nam.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của đề tài

Các hạn chế được nhóm tác giả thẳng thắn chỉ ra dựa trên điều kiện thực hiện:

• Mô hình robot do nhóm tự thiết kế và gia công cơ khí thủ công, chưa trải qua quá trình thử nghiệm công nghiệp nên chưa đủ cơ sở đánh giá độ bền cơ học và tính ổn định dài hạn khi vận hành liên tục.
• Cảm biến LiDAR trang bị chỉ có góc quét 180 độ hướng về phía trước, do đó tồn tại vùng mù hoàn toàn 180 độ phía sau. Hệ thống chỉ xử lý và tránh được các vật cản xuất hiện trong trường nhìn của cảm biến.
• Thuật toán điều khiển chỉ cho phép robot di chuyển tiến về phía trước, chưa hỗ trợ cơ chế lùi xe khi gặp đường cụt hoặc không gian bị tắc nghẽn hoàn toàn.
• Vận tốc tối đa của robot bị giới hạn ở mức 0. [giá trị khuyết số thập phân theo văn bản], làm hạn chế khả năng cơ động nhanh của robot.
• Đề tài chưa khảo sát và định lượng được ảnh hưởng của độ trễ truyền thông không dây (latency/packet loss) trong mạng ROS Network giữa máy tính trạm giám sát và Jetson Orin.

Hướng phát triển

Dựa trên các hạn chế đã nêu, các hướng mở rộng tiếp theo bao gồm:

• Nâng cấp phần cứng cảm biến lên LiDAR 360 độ hoặc tích hợp thêm cảm biến 3D LiDAR/Camera chiều sâu để loại bỏ các điểm mù xung quanh thân xe.
• Cải tiến giải thuật điều khiển cục bộ cho phép robot thực hiện chuyển động lùi linh hoạt khi rơi vào các khu vực bế tắc (deadlock).
• Tối ưu hóa cấu trúc truyền thông ROS Network, nghiên cứu chuyển đổi sang nền tảng ROS 2 để tăng tính bảo mật, giảm độ trễ và hỗ trợ tốt hơn cho hệ thống phân tán thời gian thực.
• Hoàn thiện kết cấu cơ khí công nghiệp để nâng cao độ bền và khả năng chịu tải trọng lớn hơn phục vụ ứng dụng chuyên chở hàng hóa thực tế.

Giá trị tham khảo

Đồ án tốt nghiệp là tài liệu tham khảo có giá trị kỹ thuật cao cho:

• Sinh viên và học viên cao học các ngành Công nghệ Kỹ thuật Điều khiển và Tự động hóa, Kỹ thuật Cơ điện tử, Kỹ thuật Robot, Khoa học Máy tính và Hệ thống Nhúng.
• Người nghiên cứu đang thực hiện các đề tài liên quan đến robot tự hành (AGV/AMR), hệ điều hành robot ROS, và điều khiển xe tự hành trong nhà.
• Các nội dung đặc biệt đáng tham khảo trong tài liệu:
  • Phương pháp thiết lập mô hình động học vi sai và tính toán ma trận Jacobian.
  • Cấu hình và kết nối hệ thống cảm biến (LiDAR, IMU, Encoder) thông qua bộ lọc EKF trong ROS.
  • Kiến trúc phân tầng điều khiển kết hợp giữa máy tính nhúng Nvidia Jetson Orin và Arduino Mega 2560 bằng ROS Serial.
  • Thiết kế chi tiết hàm mục tiêu và điều kiện ràng buộc cho thuật toán điều khiển dự báo mô hình MPC tránh va chạm vật cản động.
  • Mã nguồn và cấu trúc thiết kế giao diện giám sát dữ liệu thời gian thực (GUI) bằng Python kết nối với hệ sinh thái ROS.

Câu hỏi thường gặp

1. Mô hình robot trong đề tài sử dụng cơ chế truyền động nào và kích thước phần cứng thực tế là bao nhiêu?
Robot sử dụng cơ chế truyền động hai bánh lái vi sai độc lập đặt ở hai bên thân xe để tạo chuyển động tiến, quay hướng, kết hợp cùng 4 bánh xe mắt trâu đặt tại 4 góc để giữ thăng bằng. Kích thước mô hình thực tế được thiết kế và thi công với các thông số: chiều dài 600 mm, chiều rộng 350 mm và chiều cao 270 mm.

2. Sự phân chia nhiệm vụ xử lý giữa Jetson Orin và Arduino Mega 2560 được thực hiện như thế nào?
Hệ thống phân tầng điều khiển rõ ràng: Nvidia Jetson Orin đóng vai trò máy chủ cấp cao (Master), chạy hệ điều hành ROS để xử lý các thuật toán nặng gồm xây dựng bản đồ SLAM, bộ lọc vị trí EKF, lập kế hoạch toàn cục và điều khiển cục bộ MPC/DWA. Trong khi đó, Arduino Mega 2560 là vi điều khiển cấp thấp (Slave), đảm nhiệm việc đọc xung tốc độ từ Encoder, đọc gia tốc/góc xoay từ IMU, thực thi thuật toán PID vận tốc và băm xung PWM điều khiển động cơ, hai khối giao tiếp với nhau qua giao thức UART/ROS Serial.

3. Đồ án so sánh hai gói SLAM nào và kết quả thực nghiệm ra sao?
Đề tài tiến hành so sánh giữa Hector SLAM (thuật toán Scan Matching dùng phương pháp Gauss-Newton) và SLAM Toolbox (thuật toán Graph-based SLAM giải bài toán tối ưu đồ thị pose-graph bằng Ceres Solver). Kết quả thực nghiệm tại Tòa C cho thấy SLAM Toolbox vượt trội hơn nhờ có cơ chế phát hiện vòng lặp (loop closure) giúp bản đồ không bị biến dạng và khử trôi dạt trong không gian lớn, trong khi Hector SLAM dễ bị lệch bản đồ do phụ thuộc hoàn toàn vào tốc độ quét laser và không dùng dữ liệu odometry.

4. Khả năng tránh vật cản động của bộ điều khiển MPC có điểm gì ưu việt hơn so với DWA trong kết quả nghiên cứu?
Thuật toán MPC có khả năng dự đoán trạng thái tương lai của robot trong một khoảng thời gian hữu hạn (horizon) và đưa các điều kiện biên ràng buộc về an toàn trực tiếp vào bài toán tối ưu, giúp robot nhận diện sớm chuyển động của vật cản động và tạo quỹ đạo né tránh mượt mà, chủ động giảm tốc. Ngược lại, DWA chỉ tính toán trên cửa sổ vận tốc động tức thời ngắn hạn, dẫn đến việc đổi hướng đột ngột, chuyển động giật cục hoặc dễ rơi vào trạng thái bế tắc khi gặp chướng ngại vật thay đổi hướng liên tục.

5. Phạm vi giới hạn an toàn của hệ thống cảm biến LiDAR trên robot được cấu hình như thế nào?
Cảm biến LiDAR trên mô hình robot chỉ quét một góc 180 độ về phía trước. Do đó, hệ thống chỉ có khả năng phát hiện, phân tích và thực hiện thao tác tránh né đối với những chướng ngại vật (tĩnh hoặc động) nằm hoàn toàn trong phạm vi quét bán nguyệt phía trước, bỏ qua các vật thể xuất hiện ở vùng mù 180 độ phía sau thân xe.

Kết luận

Khóa luận tốt nghiệp của sinh viên Đoàn Lê Bảo Duy và Huỳnh Nguyễn Thanh Duy đã hoàn thành trọn vẹn mục tiêu thiết kế, chế tạo và kiểm chứng thực nghiệm mô hình robot di động hai bánh lái vi sai tự hành trên nền tảng ROS. Bằng việc tích hợp thành công bộ lọc Kalman mở rộng (EKF), đối sánh hiệu quả giữa Hector SLAM và SLAM Toolbox, cùng việc triển khai thuật toán điều khiển dự báo mô hình MPC né tránh vật cản động, đề tài đã chứng minh tính khả thi và độ tin cậy của hệ thống trong môi trường thực nghiệm tại Tầng 2 tòa C Trường Đại học Sư phạm Kỹ thuật TP.HCM. Công trình cung cấp một tài liệu kỹ thuật hoàn chỉnh, kết hợp hài hòa giữa cơ sở lý thuyết toán học động học và giải pháp thực thi phần cứng - phần mềm điều khiển tự động hóa hiện đại.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN Một trong những công trình tiêu biểu là bài báo “Thiết kế và điều khiển robot di động ứng dụng cho điều hướng thông minh trên cơ sở ROS” [10] của nhóm tác giả Nguyễn Đức Điển và cộng sự. Nghiên cứu này đã xây dựng một hệ thống điều hướng hoàn chỉnh sử dụng ROS, tích hợp các gói SLAM, lập kế hoạch đường đi và local planner dựa trên các thuật toán tiêu chuẩn như A* và DWA, đồng thời triển khai thực nghiệm trên robot tự chế. Hệ thống cho phép robot di chuyển tự động trong môi trường trong nhà, né tránh vật cản và xác định chính xác vị trí theo thời gian thực. Bên cạnh đó, hướng tiếp cận bằng Model Predictive Control (MPC) cũng đã bắt đầu được quan tâm trong các nghiên cứu trong nước.

Đề tài “Thiết kế bộ điều khiển dự báo chuyển động cho robot di động vi sai tránh vật cản động” [11] đề xuất một mô hình điều khiển dựa trên MPC kết hợp logic mờ nhằm dự đoán và tránh chướng ngại động. Mô phỏng cho thấy khả năng phản ứng nhanh và tính tối ưu trong điều hướng của hệ thống MPC so với các phương pháp điều khiển phản xạ truyền thống. Ngoài ra, một số nghiên cứu khác cũng hướng đến việc kết hợp học tăng cường vào điều hướng robot. Trong đó, Nguyễn Anh Tú và cộng sự đã áp dụng thuật toán Q-learning để đào tạo robot tự học cách tránh vật cản trong môi trường không xác định, thông qua mô phỏng trên nền ROS và Gazebo.

Những kết quả bước đầu đã chứng minh hiệu quả của việc tích hợp học máy vào điều hướng robot di động trong điều kiện môi trường phức tạp. Tại Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh, các công trình nghiên cứu về robot di động chủ yếu tập trung vào bản đồ hóa, tránh vật cản và điều khiển trong thời gian thực. Trong bài báo “Xây dựng bản đồ 2D cho robot di động sử dụng Point Cloud Library” [12], nhóm tác giả sử dụng dữ liệu từ camera Kinect để xây dựng bản đồ môi trường trong nhà thông qua thư viện PCL, góp phần nâng cao hiệu quả định vị và dẫn đường.

Nghiên cứu “Development of Path Tracking and Obstacle Avoidance based on an Advanced Potential Field Controller” [13] đề xuất một bộ điều khiển trường tiềm năng nâng cao, giúp robot tự động điều chỉnh quỹ đạo khi phát hiện vật cản. Đặc biệt, nghiên cứu “A Model Predictive Control for Dynamic Obstacle Avoidance of a Mobile Robot Based on ROS” [14] đã triển khai thành công bộ điều khiển MPC tích hợp trong ROS để điều hướng tránh vật cản động. Hệ thống sử dụng cảm biến LiDAR và dữ liệu từ bản đồ cục bộ để dự đoán chuyển động và đưa ra lệnh vận tốc tối ưu. Kết quả thực nghiệm cho thấy tính hiệu quả và ổn định của MPC trong môi trường thực, mở ra khả năng ứng dụng rộng rãi trong các hệ thống robot di động thông minh tại Việt Nam.

Tổng thể, các nghiên cứu trong nước đã bước đầu tiếp cận và triển khai các thuật toán điều hướng hiện đại như DWA và MPC trên nền tảng ROS. Tuy nhiên, phần lớn các công trình – bao gồm cả đề tài hiện tại – vẫn mới dừng lại ở việc triển khai và đánh giá độc lập từng thuật toán. Việc tích hợp và so sánh trực tiếp giữa các 4 CHƯƠNG 1: TỔNG QUAN phương pháp như Dijkstra với DWA hoặc MPC trong một hệ thống điều hướng thống nhất chưa được nghiên cứu một cách toàn diện.