Giới thiệu dự án

Bối cảnh và thực trạng ngành giao nhận chặng cuối

Sự bùng nổ của thương mại điện tử (E-commerce) với tốc độ tăng trưởng kép hàng năm (CAGR) vượt mức 20% tại Đông Nam Á đã tạo áp lực khổng lồ lên hạ tầng logistics. Trong chuỗi cung ứng, khâu giao hàng chặng cuối (last-mile delivery) chiếm tới 40–53% tổng chi phí vận chuyển và thường xuyên đối mặt với tình trạng quá tải cục bộ. Đặc biệt, tại các đợt cao điểm khuyến mãi, lượng đơn đặt hàng có thể tăng đột biến từ 300% đến 600%.

Tại các môi trường khép kín đặc thù như khuôn viên trường đại học (campus), bệnh viện hoặc khu đô thị thông minh, xe máy và shipper truyền thống bị hạn chế hoặc cấm lưu thông nhằm đảm bảo an toàn giao thông và giảm khí thải. Việc chuyển giao hàng hóa từ cổng bảo vệ đến từng giảng đường, ký túc xá trở thành điểm nghẽn nghiêm trọng, làm gia tăng thời gian chờ đợi và chi phí vận hành.

Vấn đề nghiên cứu cụ thể

Đồ án giải quyết bài toán cốt lõi: Thiết kế, chế tạo và thử nghiệm một hệ thống Robot tự hành (Autonomous Delivery Robot) có khả năng chuyên chở hàng hóa trọng tải từ 10 kg đến 30 kg, tự chủ định vị, hoạch định đường đi tối ưu và tránh vật cản động/tĩnh trong khuôn viên Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh (HCMUTE).

Mục tiêu dự án

  1. Thiết kế cơ khí chính xác: Xây dựng kết cấu khung gầm 4 bánh (2 bánh chủ động vi sai, 2 bánh dẫn hướng/bị động) sử dụng nhôm định hình 30×30 mm, trang bị hệ thống giảm xóc độc lập, đáp ứng tải trọng an toàn tĩnh và động lên đến 30 kg.
  2. Tích hợp hệ thống điện - điện tử: Thiết kế mạch phân phối nguồn 16.8V Li-ion, bộ chuyển đổi DC-DC, mạch bảo vệ và tích hợp máy tính nhúng Raspberry Pi 4 cùng vi điều khiển Arduino Mega 2560.
  3. Phát triển thuật toán điều hướng tự động: Triển khai hệ điều hành Robot (ROS - Robot Operating System), kết hợp thuật toán Dijkstra (toàn cục) và Dynamic Window Approach - DWA (cục bộ) dựa trên dữ liệu dung hợp cảm biến từ LiDAR 2D, IMU 9-DOF và GPS.
  4. Xây dựng giao diện điều khiển và giám sát IoT: Thiết kế Web Server/MQTT cho phép người dùng theo dõi tọa độ thời gian thực, mở khóa thùng hàng an toàn và quản lý trạm giao nhận.

Phương pháp tiếp cận giải pháp

Hệ thống kết hợp mô hình vi sai (Differential Drive Robot), phân tầng điều khiển theo kiến trúc phần cứng Master-Slave:

  • Tầng cao cấp (High-level Controller): Máy tính nhúng Raspberry Pi 4 chạy ROS Noetic trên Ubuntu 20.04 LTS, đảm nhận xử lý bản đồ 2D (Slamtec RPLIDAR A1M8), dung hợp cảm biến (Extended Kalman Filter qua gói robot_localization), thuật toán hoạch định Dijkstra và DWA.
  • Tầng chấp hành cấp thấp (Low-level Controller): Arduino Mega 2560 R3 chịu trách nhiệm đọc tín hiệu Encoder cầu phương, thực thi thuật toán điều khiển kín PID vị trí/vận tốc cho hai động cơ DC giảm tốc thông qua mạch công suất H-Bridge BTS7960 43A.

Kết quả kỳ vọng và chỉ số định lượng

  • Tốc độ di chuyển danh định: 0.5 – 1.2 m/s (tối đa 4.32 km/h).
  • Độ chính xác dừng đỗ tại tọa độ mục tiêu: Sai số khoảng cách $\Delta d \le \pm 0.15\text{ m}$, sai số góc xoay $\Delta \theta \le \pm 3^\circ$.
  • Khả năng vượt dốc và giảm xóc: Vận hành ổn định trên bề mặt gồ ghề, vượt dốc nghiêng $\ge 10^\circ$.
  • Thời lượng hoạt động liên tục: $\ge 4$ giờ cho một chu kỳ sạc với khối pin 16.8V / 10Ah.

Phạm vi và giới hạn nghiên cứu

  • Phạm vi: Thử nghiệm trong mạng lưới đường nội bộ, vỉa hè và sảnh lớn của khuôn viên trường đại học; chuyên chở bưu kiện, văn phòng phẩm và thực phẩm đóng gói.
  • Giới hạn: Robot hoạt động trong điều kiện thời tiết khô ráo hoặc mưa nhỏ; chưa tích hợp nhận diện đèn tín hiệu giao thông đô thị phức tạp bằng Deep Learning Camera (chủ yếu dựa trên quét mây điểm 2D LiDAR và GPS).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng và đánh giá thị trường

Giải pháp hiện có Ưu điểm Nhược điểm Chi phí ước tính Khả năng tùy biến trong nước
Starship Robot (Estonia/USA) Tự hành cấp độ 4, 6 bánh vượt chướng ngại vật tốt, hệ thống định vị 3D hoàn thiện. Giá thành rất cao, hạ tầng phần mềm đóng kín, khó tích hợp với bản đồ Việt Nam. > 10.000 USD/xe Rất thấp (Hệ thống đóng)
Serve Robotics (USA) Thiết kế chuyên nghiệp, tích hợp LiDAR cao cấp và màn hình tương tác. Đòi hỏi hạ tầng mạng 5G cực kỳ ổn định, tiêu thụ nhiều năng lượng. > 8.000 USD/xe Thấp
Alpha Asimov (Việt Nam) Tải trọng 50 kg, tốc độ 15–25 km/h, thiết kế cho chặng cuối đô thị. Kích thước lớn, khó di chuyển linh hoạt trong hành lang và sảnh hẹp trường học. Cao (Bản thương mại) Trung bình
Đồ án HCMUTE (Đề xuất) Tối ưu cho campus, chi phí chế tạo thấp, mã nguồn mở ROS, dễ bảo trì và mở rộng. Phạm vi cảm biến 2D (tầm quét 12m), phụ thuộc vào chất lượng GPS cục bộ. ~ 15 – 20 triệu VND Rất cao (Làm chủ 100% phần cứng/phần mềm)

Yêu cầu người dùng theo ma trận MoSCoW

  • Must Have (Bắt buộc): Di chuyển ổn định theo tọa độ đặt trước; né tránh vật cản tĩnh/động trong thời gian thực bằng LiDAR A1M8; dừng khẩn cấp khi gặp vật cản sát ngưỡng an toàn (< 0.3m); khóa thùng hàng bằng chốt điện từ.
  • Should Have (Nên có): Giao diện Web GUI hiển thị vị trí thời gian thực trên bản đồ campus; ước lượng Odometry chính xác qua bộ lọc Kalman dung hợp IMU GY-87 + Encoder.
  • Could Have (Có thể có): Màn hình LED ma trận P5 hiển thị trạng thái cảm xúc robot; giọng nói thông báo khi đến trạm nhận hàng.
  • Won't Have (Chưa thực hiện): Cơ cấu tự leo bậc thang cao (> 10 cm); tay gắp tự động bốc dỡ kiện hàng lên xuống xe.

Kiến trúc hệ thống điều khiển

Danh mục công nghệ và phần cứng tích hợp

Phương pháp luận phát triển (Methodology)

Đề tài áp dụng mô hình phát triển song song phần cứng - phần mềm theo quy trình V-Model cải tiến:

  1. Giai đoạn 1 (Tuần 1–4): Tính toán động học, thiết kế mô hình 3D trên SolidWorks 2022, kiểm nghiệm ứng suất phần tử hữu hạn (FEA) cho hệ khung chịu lực và trục bánh xe.
  2. Giai đoạn 2 (Tuần 5–8): Gia công cơ khí (cắt laser, tiện trục, lắp ghép khung nhôm), đấu nối hệ thống phân phối nguồn và bo mạch vi điều khiển.
  3. Giai đoạn 3 (Tuần 9–13): Xây dựng file mô tả Robot URDF (Unified Robot Description Format), mô phỏng động lực học trên môi trường ảo Gazebo, nhận dạng hàm truyền động cơ và tinh chỉnh thông số bộ điều khiển PID.
  4. Giai đoạn 4 (Tuần 14–17): Triển khai thuật toán ROS navigation stack (Dijkstra, DWA, EKF) lên phần cứng thực tế, tối ưu hóa thông số Costmap và thử nghiệm thực địa trong khuôn viên HCMUTE.

Implementation và kết quả

Mô hình động học vi sai của Robot

Robot sử dụng hệ dẫn động vi sai hai bánh chủ động độc lập có bán kính $r$, khoảng cách giữa hai bánh xe là $2d$. Vận tốc dài $v(t)$ và vận tốc góc $\omega(t)$ của trọng tâm Robot liên hệ với vận tốc góc của bánh trái ($\omega_L$) và bánh phải ($\omega_R$) theo hệ phương trình:

$$\begin{bmatrix} v(t) \ \omega(t) \end{bmatrix} = \begin{bmatrix} \frac{r}{2} & \frac{r}{2} \ -\frac{r}{2d} & \frac{r}{2d} \end{bmatrix} \begin{bmatrix} \omega_L(t) \ \omega_R(t) \end{bmatrix}$$

Mối quan hệ chuyển đổi vận tốc trong hệ quy chiếu toàn cục ${O, X_O, Y_O}$ theo góc hướng $\theta(t)$:

$$\dot{X}_O = v(t) \cos\theta(t), \quad \dot{Y}_O = v(t) \sin\theta(t), \quad \dot{\theta}(t) = \omega(t)$$

                       Y_O ^

Nhận dạng hàm truyền và bộ điều khiển PID động cơ

Hàm truyền hệ hở của động cơ DC giảm tốc kèm tải được xấp xỉ theo mô hình quán tính bậc nhất có trễ FOPDT (First-Order Plus Dead-Time):

$$\hat{G}(s) = \frac{K}{Ts + 1} e^{-Ls}$$

Dựa trên phương pháp kẻ tiếp tuyến thực nghiệm tại điểm uốn của đáp ứng nấc:

  • Hệ số khuếch đại tĩnh: $K \approx 2.15$
  • Hằng số thời gian: $T = 2.85\text{ s}$
  • Thời gian trễ quán tính: $L = 0.26\text{ s}$

Bộ điều khiển PID liên tục được số hóa rời rạc trên Arduino Mega 2560 theo phương pháp sai phân lùi (Backward Difference) với chu kỳ lấy mẫu $T_s = 10\text{ ms}$:

$$u(k) = K_p e(k) + K_i T_s \sum_{j=0}^{k} e(j) + K_d \frac{e(k) - e(k-1)}{T_s}$$

Trích đoạn mã nguồn điều khiển PID trên Arduino Mega 2560

#include <Arduino.h>

// Định nghĩa thông số cấu hình phần cứng
const double PULSES_PER_REV = 1320.0; // Xung/vòng (Encoder sau hộp số)
const double WHEEL_RADIUS = 0.085;    // Bán kính bánh xe (m)
const double TRACK_WIDTH = 0.42;     // Khoảng cách 2 bánh (m)

// Hệ số PID cho động cơ bánh trái và phải sau tinh chỉnh Ziegler-Nichols
double Kp_L = 4.25, Ki_L = 12.80, Kd_L = 0.045;
double Kp_R = 4.30, Ki_R = 12.85, Kd_R = 0.048;

volatile long encoderPosLeft = 0;
volatile long encoderPosRight = 0;
double setpointVelLeft = 0.0, setpointVelRight = 0.0;
double errorSumLeft = 0.0, lastErrorLeft = 0.0;

void computePID_Left(double currentVel, double dt) {
    double error = setpointVelLeft - currentVel;
    errorSumLeft += error * dt;
    // Anti-windup cho khâu tích phân
    errorSumLeft = constrain(errorSumLeft, -100.0, 100.0);
    double dError = (error - lastErrorLeft) / dt;
    
    double output = Kp_L * error + Ki_L * errorSumLeft + Kd_L * dError;
    lastErrorLeft = error;
    
    int pwmValue = (int)constrain(abs(output), 0, 255);
    bool dir = (output >= 0) ? HIGH : LOW;
    
    // Xuất tín hiệu sang Driver BTS7960
    digitalWrite(DIR_PIN_LEFT, dir);
    analogWrite(PWM_PIN_LEFT, pwmValue);
}

void isrEncoderLeft() {
    if (digitalRead(ENCODER_B_PIN_LEFT) == HIGH) encoderPosLeft++;
    else encoderPosLeft--;
}

Thuật toán điều hướng toàn cục (Dijkstra) và tránh vật cản (DWA)

  1. Hoạch định toàn cục (Global Path Planning): Thuật toán Dijkstra tìm kiếm tuyến đường ngắn nhất trên bản đồ lưới ô vuông (Occupancy Grid Map). Tại mỗi bước lặp, thuật toán chọn nút có hàm chi phí lũy kế $g_cost(n)$ nhỏ nhất trong Open List, cập nhật các nút lân cận và truy vết ngược từ đích $N$ về điểm khởi hành $Q$.
  2. Hoạch định cục bộ (Local Path Planning): Thuật toán DWA (Dynamic Window Approach) giới hạn không gian vận tốc khả thi $(v, \omega)$ dựa trên gia tốc cực đại của động cơ, đồng thời tối ưu hóa hàm đánh giá Heuristic:

$$G(v, \omega) = \sigma \Big( \alpha \cdot \text{heading}(v, \omega) + \beta \cdot \text{dist}(v, \omega) + \gamma \cdot \text{velocity}(v, \omega) \Big)$$

Trong đó:

  • $\text{heading}(v, \omega)$: Điểm góc lệch giữa quỹ đạo robot với hướng điểm đích.
  • $\text{dist}(v, \omega)$: Khoảng cách nhỏ nhất từ quỹ đạo mô phỏng tới vật cản gần nhất (dữ liệu quét từ LiDAR A1M8).
  • $\text{velocity}(v, \omega)$: Vận tốc tịnh tiến nhằm tối ưu hóa thời gian di chuyển.
  • $\alpha = 0.08, \beta = 0.05, \gamma = 0.1$: Các trọng số tối ưu hóa thực nghiệm.

Trích đoạn cấu hình Costmap và DWA trên ROS Noetic (dwa_local_planner_params.yaml)

DWAPlannerROS:
  # Cấu hình giới hạn vận tốc
  max_vel_x: 0.8
  min_vel_x: -0.1
  max_vel_theta: 1.5
  min_vel_theta: -1.5
  acc_lim_x: 1.2
  acc_lim_theta: 2.5

  # Trọng số mục tiêu Heuristic
  path_distance_bias: 32.0
  goal_distance_bias: 24.0
  occdist_scale: 0.04
  forward_point_distance: 0.325
  stop_time_buffer: 0.2
  scaling_speed: 0.25

  # Dung sai mục tiêu
  xy_goal_tolerance: 0.10
  yaw_goal_tolerance: 0.08
  latch_xy_goal_tolerance: true

Kiểm nghiệm ứng suất kết cấu cơ khí (SolidWorks FEA)

  • Khung nhôm định hình 30×30 mm: Dưới tải trọng tĩnh 30 kg, ứng suất Von Mises cực đại ghi nhận là $18.42\text{ MPa}$, thấp hơn nhiều so với giới hạn chảy của hợp kim nhôm 6063-T5 ($\sigma_y = 145\text{ MPa}$), hệ số an toàn $SF = 7.8$.
  • Trục bánh xe chịu lực: Chuyển vị dịch chuyển cực đại (Displacement) đạt $\delta_{\max} = 0.042\text{ mm}$, đảm bảo trục không bị biến dạng dẻo khi robot chở đầy tải qua gờ giảm tốc.

Kết quả đo kiểm thực nghiệm

   SAI SỐ VỊ TRÍ DỪNG ĐỖ THEO KHOẢNG CÁCH DI CHUYỂN
   Sai số (m)
              5m            10m           20m           50m       100m
                                   Khoảng cách đặt (m)
  • Hiệu suất điều khiển vận tốc PID: Thời gian xác lập $t_s \le 0.45\text{ s}$, độ vọt lố $POT < 4.8%$, triệt tiêu hoàn toàn sai số xác lập khi chở tải $10\text{ kg}$.
  • Độ chính xác điều hướng: Trên quãng đường di chuyển thực tế 100m lượn quanh các tòa nhà A1, trung tâm dữ liệu tại HCMUTE, robot đạt độ lệch quỹ đạo trung bình $0.08\text{ m}$, sai số vị trí dừng đích cuối cùng đạt $0.13\text{ m}$.
  • Khả năng nhận diện và né vật cản: Tỷ lệ tránh né thành công người đi bộ và chướng ngại vật ngẫu nhiên đạt $96.5%$ với khoảng cách an toàn duy trì tối thiểu $0.4\text{ m}$.

Đổi mới và đóng góp

Các điểm cải tiến kỹ thuật nổi bật

  1. Dung hợp cảm biến đa tầng (Sensor Fusion Architecture): Khắc phục triệt để hiện tượng trượt bánh của encoder trên bề mặt gạch trơn bằng cách kết hợp thuật toán Extended Kalman Filter (EKF) lọc dữ liệu gia tốc/góc quay từ IMU GY-87 và mốc định vị GPS NEO-M8N.
  2. Hệ thống treo giảm chấn độc lập: Thiết kế cơ cấu phuộc nhún lò xo đôi cho cụm bánh dẫn hướng, giúp ổn định góc quét LiDAR khi xe đi qua địa hình mấp mô, giảm nhiễu mây điểm (point cloud noise) lên tới $42%$.
  3. Cơ chế lọc động dữ liệu LiDAR 2D: Viết node tiền xử lý dữ liệu quét LaserScan trên ROS nhằm loại bỏ tia quét chạm mặt đất do rung lắc cơ khí, tăng độ tin cậy khi dựng bản đồ gmapping/cartographer.

Đóng góp cho ngành và học thuật

  • Cung cấp bộ hồ sơ thiết kế cơ khí hoàn chỉnh (SolidWorks CAD/FEA) và gói mã nguồn ROS mã nguồn mở làm tài liệu tham khảo chất lượng cao cho sinh viên ngành Kỹ thuật Cơ điện tử, Tự động hóa và Robot.
  • Chứng minh tính khả thi của việc ứng dụng các dòng cảm biến phổ thông (LiDAR A1M8, IMU GY-87) kết hợp thuật toán tối ưu để giải quyết bài toán xe tự hành cấp độ 3 trong khuôn viên giáo dục.

Ứng dụng thực tế và triển khai

Kịch bản vận hành thực tế (Campus Delivery Scenario)

  1. Tiếp nhận đơn hàng: Người dùng đặt đồ ăn/văn phòng phẩm qua Web App. Quản trị viên xếp hàng vào thùng xe và chọn điểm đến (Ví dụ: "Tòa nhà trung tâm - Sảnh tầng 1").
  2. Tự hành di chuyển: Robot tự động mở chốt an toàn, phát tín hiệu âm thanh cảnh báo, kích hoạt thuật toán Dijkstra vạch đường đi ngắn nhất tránh các khu vực đông người và di chuyển với tốc độ $0.8\text{ m/s}$.
  3. Xử lý tình huống: Khi phát hiện sinh viên băng qua đường trong phạm vi 1.5m, thuật toán DWA chủ động giảm tốc và tính toán quỹ đạo lách sang phải an toàn.
  4. Giao hàng & Hoàn tất: Đến trạm đích, robot gửi tin nhắn/thông báo qua MQTT đến điện thoại người nhận kèm mã PIN OTP. Người nhận nhập OTP trên giao diện web để mở nắp thùng hàng. Sau 3 phút, robot tự động đóng thùng và quay về trạm sạc trung tâm.

Yêu cầu triển khai hạ tầng

  • Hạ tầng mạng: Mạng Wi-Fi phủ sóng toàn diện khuôn viên hoặc Module 4G/LTE gắn trên Raspberry Pi để duy trì kết nối WebSocket.
  • Mặt đường: Đường nhựa hoặc bê tông có độ dốc $< 15^\circ$, độ gồ ghề mặt đường $< 3\text{ cm}$.

Phân tích hiệu quả kinh tế (ROI)

  • Chi phí đầu tư ban đầu: ~ 18.000.000 VND/robot.
  • Chi phí nhân sự truyền thống: 1 nhân viên giao hàng nội khu nhận lương ~ 7.000.000 VND/tháng.
  • Điện năng tiêu thụ: Khoảng 0.5 kWh/ngày (~ 1.500 VND/ngày).
  • Thời gian hoàn vốn (ROI): Dưới 3.5 tháng vận hành liên tục cho một điểm nút logistics trường học.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Cảm biến LiDAR 2D đặt tại độ cao cố định 25 cm dễ bị điểm mù đối với các vật cản thấp sát mặt đất (dưới 5 cm) hoặc các vật thể nhô ra từ trên cao (nhánh cây, rào chắn nâng hạ).
  • GPS module trong đô thị bị suy giảm độ chính xác (sai số có thể lên đến 3m khi đi sát mép các tòa nhà cao tầng).
  • Chưa trang bị hệ thống trạm sạc không dây tự động (Auto-docking charging station).

Hướng phát triển tiếp theo

  • Nâng cấp cảm biến thị giác máy tính với Stereo Camera (Intel RealSense D435i) hoặc 3D LiDAR để dựng bản đồ không gian 3D dạng OctoMap, nhận diện làn đường và người đi bộ bằng mô hình YOLOv8.
  • Ứng dụng công nghệ định vị vệ tinh độ chính xác cao RTK-GPS (Real-Time Kinematic) nhằm giảm sai số định vị ngoài trời xuống dưới $2\text{ cm}$.
  • Phát triển thuật toán quản lý đội xe (Fleet Management System) ứng dụng điều khiển bầy đàn (Swarm Robotics) để tối ưu hóa việc phân phối nhiều robot cùng lúc.

Đối tượng hưởng lợi

  • Sinh viên & Giảng viên: Tiếp cận trực tiếp một mô hình nghiên cứu cơ điện tử tích hợp hoàn chỉnh; rút ngắn thời gian giao nhận tài liệu, đồ ăn nội khu từ 20 phút xuống còn 5–7 phút.
  • Kỹ sư & Lập trình viên Robot: Tham khảo kiến trúc kết nối chuẩn mực giữa ROS và phần cứng nhúng Arduino, phương pháp xử lý bộ điều khiển PID thực tế và thuật toán tránh vật cản DWA.
  • Doanh nghiệp & Đơn vị Logistics: Sở hữu giải pháp tự hành hóa chi phí thấp, tối ưu hóa lợi nhuận cho bài toán giao hàng chặng cuối trong các khu công nghiệp, resort và bệnh viện.
  • Nhà nghiên cứu khoa học: Cung cấp số liệu thực nghiệm về sai số động học, đáp ứng thời gian thực của thuật toán điều hướng để tiếp tục phát triển các mô hình tối ưu hóa nâng cao.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật phần cứng tối thiểu để triển khai hệ thống ROS cho Robot là gì?

Robot cần một máy tính nhúng có cấu hình tối thiểu tương đương Raspberry Pi 4 (4GB RAM) hoặc Jetson Nano chạy hệ điều hành Ubuntu 20.04 LTS và ROS Noetic. Tầng chấp hành yêu cầu vi điều khiển có tối thiểu 2 bộ Timer hỗ trợ ngắt ngoài và xung PWM tần số cao như Arduino Mega 2560 hoặc STM32F4.

2. Làm thế nào để Robot xử lý khi gặp chướng ngại vật đột ngột hoặc người đi bộ cắt ngang?

Cảm biến LiDAR quét liên tục với tần số 5.5–10 Hz. Khi chướng ngại vật xuất hiện trong vùng đệm an toàn (Costmap Inflation Radius = 0.4m), thuật toán DWA sẽ lập tức giảm vận tốc tuyến tính $v$ về 0 và tính toán lại quỹ đạo vòng tránh. Nếu vật cản nằm trong bán kính dừng khẩn cấp ($< 0.25\text{ m}$), rơ-le an toàn sẽ lập tức ngắt xung PWM cấp cho động cơ.

3. Hệ thống có thể tích hợp với các nền tảng phần mềm quản lý kho hoặc ERP sẵn có không?

Có. Nhờ kiến trúc mở sử dụng giao thức truyền thông tiêu chuẩn MQTT và RESTful API thông qua máy chủ Web trung gian, hệ thống có thể dễ dàng đồng bộ dữ liệu trạng thái đơn hàng, tọa độ robot và mức pin với bất kỳ hệ thống ERP hoặc phần mềm quản lý kho vận nào.

4. Chi phí bảo dưỡng và tuổi thọ pin của Robot như thế nào?

Khối pin Li-ion 16.8V 10Ah đạt tuổi thọ trung bình 800–1000 chu kỳ nạp xả (tương đương 2–3 năm vận hành). Chi phí bảo dưỡng định kỳ (bôi trơn trục, kiểm tra đai truyền động và chổi than động cơ nếu có) ước tính dưới 500.000 VND/năm.

5. Robot hoạt động như thế nào khi đi vào khu vực mất sóng GPS?

Khi tín hiệu GPS bị gián đoạn (như đi dưới mái che hoặc sảnh kín), gói thuật toán robot_localization sẽ tự động chuyển sang chế độ dự phòng Dead Reckoning, dựa hoàn toàn vào dữ liệu tích hợp từ cảm biến góc quay IMU 9-DOF và Encoder bánh xe để duy trì vị trí với sai số tích lũy dưới $2%$ trên quãng đường 30m.

Kết luận

Đồ án tốt nghiệp “Nghiên cứu, thiết kế và chế tạo Robot vận chuyển hàng hóa trong khuôn viên trường đại học” của nhóm sinh viên ngành Công nghệ Kỹ thuật Cơ điện tử, Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh đã giải quyết trọn vẹn và chuyên sâu bài toán tự động hóa logistics chặng cuối.

Thông qua việc kết hợp chặt chẽ giữa thiết kế cơ khí chính xác, mạch điện tử công suất bền bỉ và các thuật toán điều hướng hiện đại (Dijkstra, DWA, PID), đề tài không chỉ khẳng định năng lực ứng dụng công nghệ cao của sinh viên kỹ thuật mà còn mở ra tiềm năng thương mại hóa mạnh mẽ cho các giải pháp vận chuyển thông minh tại Việt Nam.

Bạn đang tìm kiếm tài liệu chuyên sâu hoặc muốn hợp tác phát triển hệ thống Robot tự hành? Hãy kết nối với nhóm nghiên cứu tại Bộ môn Cơ điện tử – Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh để cùng trao đổi và nâng tầm công nghệ tự hành Việt Nam.