Giới thiệu dự án

Sự bùng nổ của cuộc Cách mạng Công nghiệp 4.0 và xu hướng tự động hóa trong lĩnh vực dịch vụ bán lẻ (Retail Automation) đang thúc đẩy mạnh mẽ việc ứng dụng các dòng xe tự hành thông minh (Automated Guided Vehicle - AGV). Theo các báo cáo thị trường quốc tế, quy mô thị trường tự động hóa bán lẻ dự kiến đạt mốc 29,4 tỷ USD vào năm 2027 với tốc độ tăng trưởng kép hàng năm (CAGR) trên 10,9%. Đồng thời, xu hướng già hóa dân số toàn cầu đặt ra bài toán cấp bách về việc nâng cao trải nghiệm sống và hỗ trợ sinh hoạt độc lập cho người cao tuổi cũng như người suy giảm khả năng vận động.

Tại các đại siêu thị và trung tâm thương mại, khách hàng thường phải di chuyển liên tục từ 1 đến 2 giờ với xe đẩy hàng truyền thống nặng từ 15–30 kg khi chất đầy hàng hóa. Hoạt động này tạo ra gánh nặng thể chất đáng kể, dẫn đến mệt mỏi cơ xương khớp cho người lớn tuổi hoặc người khuyết tật, đồng thời tiềm ẩn nguy cơ va chạm trong các khung giờ cao điểm.

Đồ án tốt nghiệp ngành Công nghệ Kỹ thuật Cơ điện tử tại Trường Đại học Sư phạm Kỹ thuật TP.HCM với đề tài "Nghiên cứu, thiết kế và chế tạo xe tự hành dùng xử lý ảnh bám theo người ứng dụng trong siêu thị" đã giải quyết triệt để bài toán trên thông qua các mục tiêu cụ thể:

  1. Thiết kế và chế tạo kết cấu cơ khí robot di động vi sai (Differential Drive) nhỏ gọn, chịu tải trọng hàng hóa tối đa 50 kg, tối ưu hóa cho không gian lối đi siêu thị (rộng 1,0–1,5 m).
  2. Xây dựng hệ thống thị giác máy tính 3D thời gian thực sử dụng cảm biến độ sâu (Depth Camera) và mô hình mạng nơ-ron tích chập (CNN) phát hiện người kết hợp phân loại màu sắc đặc trưng.
  3. Thiết kế hệ thống điều khiển nhúng phân tầng: Máy tính biên (Edge AI) xử lý thuật toán cấp cao trên nền tảng Robot Operating System (ROS) kết hợp Vi điều khiển 32-bit thực thi thuật toán điều khiển vòng kín PI cho động cơ chấp hành.
  4. Đánh giá thực nghiệm hiệu năng di chuyển, độ chính xác nhận diện và tính ổn định của hệ thống trong môi trường mô phỏng siêu thị thực tế.

Giải pháp lựa chọn cấu trúc điều khiển phân tầng lai (Hybrid Layered Architecture). Kiến trúc này phân tách hoàn toàn tác vụ tính toán thị giác máy nặng trên GPU nhúng (NVIDIA Jetson Nano) và tác vụ điều khiển thời gian thực (Real-time Deterministic Control) trên vi điều khiển STM32, đảm bảo độ trễ thấp, phản ứng nhanh và an toàn tuyệt đối.

Robot có kích thước tổng thể $430 \times 480 \times 480\text{ mm}$, vận tốc tối đa đạt $1,0\text{ m/s}$ ($3,6\text{ km/h}$), sai số bám góc $< 5^\circ$, khoảng cách duy trì an toàn từ $0,8 - 1,5\text{ m}$ và thời lượng hoạt động liên tục xấp xỉ 60 phút. Phạm vi nghiên cứu tập trung vào môi trường trong nhà, mặt sàn phẳng (gạch men siêu thị), độ rọi ánh sáng tiêu chuẩn ($\ge 300\text{ lux}$), nhận diện bám theo đối tượng mang trang phục định danh và cảnh báo dừng khi gặp vật cản.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các giải pháp hỗ trợ vận chuyển trong siêu thị hiện nay tồn tại nhiều ưu nhược điểm khác nhau:

Giải pháp Ưu điểm Nhược điểm Chi phí ước tính
Xe đẩy truyền thống Đơn giản, độ bền cơ học cao, không tốn năng lượng. Đòi hỏi lực đẩy tay lớn, không hỗ trợ người khuyết tật/cao tuổi. Thấp (< 1,5 triệu VNĐ)
wiiGo Retail (Bồ Đào Nha) Tự hành hoàn toàn, nhận diện 3D tốt, tải trọng lớn. Giá thành rất cao, khó bảo trì linh kiện tại Việt Nam. Rất cao (> 200 triệu VNĐ)
FollowBot (HCMUTE - 2022) Nhỏ gọn, điều khiển 1 nút bấm, chạy thuật toán 3D cơ bản. Chưa phân biệt được người dùng cụ thể giữa đám đông, tải trọng thấp (< 15 kg). Trung bình (~ 18 triệu VNĐ)
Giải pháp đề tài (2023) Tải trọng 50 kg, nhận diện định danh qua SSD + Color Masking, điều khiển PI mượt mà. Phụ thuộc vào màu sắc trang phục nhận diện, chưa tích hợp SLAM LiDAR. Tối ưu (~ 12–15 triệu VNĐ)

Yêu cầu kỹ thuật được phân loại theo mô hình MoSCoW:

  • Must have: Khả năng tự hành bám đuôi người mặc áo nhận dạng ở cự ly $1,0 - 1,5\text{ m}$; tải trọng chuyên chở $\ge 30\text{ kg}$ (tối đa $50\text{ kg}$); tự động dừng khi mất dấu đối tượng.
  • Should have: Bộ điều khiển vận tốc PI đáp ứng thời gian xác lập $< 0,5\text{ s}$; kiến trúc module hóa trên ROS.
  • Could have: Cảm biến siêu âm/hồng ngoại cảnh báo vật cản cự ly gần ($< 0,5\text{ m}$).
  • Won't have: Bản đồ số hóa SLAM 2D/3D tự động tìm đường về trạm sạc không dây.

Thiết kế hệ thống

Hệ thống điều khiển được cấu trúc theo 3 khối chức năng chính:

[Camera Kinect v2 (RGB-D)]
[Khối Xử lý Trung tâm: NVIDIA Jetson Nano 4GB]
[Khối Điều khiển Cấp thấp: STM32F103/F4 Microcontroller]
[Cơ cấu Chấp hành: 2 Động cơ Planet DC Servo 24V 30W + Giảm tốc 1/19.2]

Technology Stack và phiên bản phần mềm sử dụng:

  • Hệ điều hành nhúng: Ubuntu 18.04 LTS (Bionic Beaver) với Linux Kernel 4.9 LTS.
  • Middleware Robot: ROS Melodic Morenia.
  • Thư viện thị giác máy: OpenCV 4.5.4, OpenNI2, libfreenect2.
  • Deep Learning Framework: TensorFlow 2.4.1 / TensorRT 8.0 tối ưu hóa mạng SSD-MobileNetV2.
  • Môi trường lập trình MCU: Keil MDK-ARM v5.36, C/C++ chuẩn C99.

Methodology

Dự án áp dụng quy trình phát triển hình chữ V (V-Model) kết hợp các vòng lặp Scrum 2 tuần:

  • Giai đoạn 1 (Tuần 1–4): Khảo sát động học, tính toán công suất động cơ, thiết kế 3D SolidWorks và phân tích ứng suất khung thép SS400.
  • Giai đoạn 2 (Tuần 5–8): Gia công CNC khung đế, lắp ráp cơ khí, gia công trục Inox 304 và căn chỉnh bộ truyền đai răng $u=2$.
  • Giai đoạn 3 (Tuần 9–12): Thiết kế mạch phần cứng, lập trình firmware STM32, nhận dạng hàm truyền động cơ bằng công cụ MATLAB System Identification.
  • Giai đoạn 4 (Tuần 13–16): Xây dựng Node ROS, tích hợp mạng SSD-MobileNetV2, thuật toán trích xuất tọa độ 3D và thử nghiệm tích hợp hệ thống.

Implementation và kết quả

Development process

1. Tính toán động lực học và bộ truyền cơ khí

Robot sử dụng hệ dẫn động vi sai 2 bánh chủ động phía sau ($D = 145\text{ mm}$, bán kính $r = 0,0725\text{ m}$) và 2 bánh xe đa hướng xoay tự do phía trước.

Phương trình cân bằng lực kéo theo định luật II Newton: $$F_k - F_{ms} = m \cdot a$$

Với khối lượng toàn tải $m = 50\text{ kg}$, hệ số ma sát lăn trên sàn gạch $\mu = 0,015$, lực ma sát cản: $$F_{ms} = \mu \cdot m \cdot g = 0,015 \cdot 50 \cdot 9,81 \approx 7,36\text{ N}$$ Lực kéo dư yêu cầu khi khởi động tăng tốc ($a = 0,45\text{ m/s}^2$): $$F_k = F_{ms} + m \cdot a = 7,36 + (50 \cdot 0,45) \approx 29,86\text{ N} \approx 30\text{ N}$$

Công suất cơ học làm việc yêu cầu trên 2 bánh xe ở vận tốc $v = 1,0\text{ m/s}$: $$P_{xe} = F_k \cdot v = 30 \cdot 1,0 = 30\text{ W} \implies P_{lv} = \frac{P_{xe}}{2} = 15\text{ W/động cơ}$$

Hiệu suất truyền động tổng cộng qua bộ truyền đai răng và ổ lăn ($\eta = \eta_d \cdot \eta_{ol}^2 = 0,95 \cdot 0,99^2 \approx 0,931$): $$P_{dc} = \frac{P_{lv}}{\eta} = \frac{15}{0,931} \approx 16,11\text{ W}$$ Nhóm lựa chọn động cơ DC Planet 24V công suất định mức 30W, hộp số hành tinh tỉ số truyền $i = 19,2$, tốc độ đầu ra 600 RPM, mô-men xoắn định mức $9500\text{ gf}\cdot\text{cm} \approx 0,93\text{ N}\cdot\text{m}$.

Bộ truyền đai răng giảm tốc tiếp tục với tỉ số truyền $u = 2$ ($Z_1 = 20\text{ răng}, Z_2 = 40\text{ răng}$, mô-đun $m = 1,5\text{ mm}$, bước đai $p = 4,71\text{ mm}$, chiều dài đai $L = 380\text{ mm}$, chiều rộng đai $b = 12,5\text{ mm}$). Mô-men xoắn trên trục bánh xe đạt: $$T_{bx} = T_{dc} \cdot u \cdot \eta_d = 0,6001 \cdot 2 \cdot 0,95 \approx 1,14\text{ N}\cdot\text{m} = 1140\text{ N}\cdot\text{mm}$$

2. Thuật toán thị giác máy tính và trích xuất tọa độ 3D

Mô hình SSD (Single Shot MultiBox Detector) với mạng xương sống MobileNetV2 được nạp lên GPU Jetson Nano qua TensorRT. Sau khi Bounding Box $[x_{min}, y_{min}, x_{max}, y_{max}]$ của người được định vị, thuật toán trích xuất không gian màu HSV trên vùng áo (Region of Interest - ROI) để lọc dải màu định danh:

# Trích xuất tọa độ 3D và góc lệch từ khung hình Kinect v2
import numpy as np

def calculate_target_position(depth_frame, bbox, camera_intrinsics):
    """
    bbox: [xmin, ymin, xmax, ymax]
    camera_intrinsics: fx, fy, cx, cy (thông số nội camera)
    """
    xmin, ymin, xmax, ymax = bbox
    u_c = int((xmin + xmax) / 2)
    v_c = int((ymin + ymax) / 2)
    
    # Lấy giá trị độ sâu trung vị trong cửa sổ 5x5 quanh tâm bounding box
    depth_roi = depth_frame[v_c-2:v_c+3, u_c-2:u_c+3]
    valid_depths = depth_roi[depth_roi > 0]
    
    if len(valid_depths) == 0:
        return None, None
        
    Z = np.median(valid_depths) / 1000.0  # Chuyển đổi sang mét
    X = ((u_c - camera_intrinsics['cx']) * Z) / camera_intrinsics['fx']
    
    # Khoảng cách Euclide và góc lệch azimuth
    distance = np.sqrt(X**2 + Z**2)
    alpha = np.arctan2(X, Z) * (180.0 / np.pi)
    
    return distance, alpha

3. Mô hình động học vi sai và thuật toán điều khiển PI

Từ khoảng cách $d$ và góc lệch $\alpha$, vận tốc dài $v$ và vận tốc góc $\omega$ của robot được xác định. Vận tốc đặt cho từng bánh xe ($v_R, v_L$) tính theo khoảng cách giữa 2 tâm bánh xe $L_{track} = 0,38\text{ m}$:

$$v_R = v + \frac{\omega \cdot L_{track}}{2}, \quad v_L = v - \frac{\omega \cdot L_{track}}{2}$$

// Thuật toán điều khiển PI tốc độ động cơ trên STM32 (Chu kỳ ngắt Timer 10ms)
typedef struct {
    float Kp;
    float Ki;
    float setpoint;
    float integral;
    float output_limit;
} PI_Controller;

float PI_Update(PI_Controller *pid, float measured_speed, float dt) {
    float error = pid->setpoint - measured_speed;
    pid->integral += error * dt;
    
    // Chống bão hòa tích phân (Anti-windup clamping)
    if (pid->integral > pid->output_limit) pid->integral = pid->output_limit;
    if (pid->integral < -pid->output_limit) pid->integral = -pid->output_limit;
    
    float output = (pid->Kp * error) + (pid->Ki * pid->integral);
    
    if (output > pid->output_limit) output = pid->output_limit;
    if (output < -pid->output_limit) output = -pid->output_limit;
    
    return output; // Giá trị điều chế PWM cấp cho cầu H
}

Testing và validation

Hệ thống được kiểm thử thực nghiệm qua 150 kịch bản vận hành liên tục tại sảnh thực nghiệm:

+-----------------------------------------------------------------------+
|                       KẾT QUẢ THỰC NGHIỆM ĐIỀU KHIỂN                  |
+-----------------------------------------------------------------------+
|  Tốc độ động cơ (RPM)                                                 |
|      0    0.1   0.2   0.3   0.4   0.5   0.6   0.7 (Thời gian - giây)  |
|      [Thời gian đáp ứng xác lập ts = 0.38s | Độ vọt lố Overshoot = 4.2%]|
+-----------------------------------------------------------------------+

Dữ liệu thống kê hiệu năng chi tiết:

  • Tốc độ xử lý Pipeline AI: $24,6\text{ FPS}$ trên Jetson Nano với TensorRT FP16 (độ trễ xử lý $\sim 40,6\text{ ms}$).
  • Độ chính xác nhận diện người: Đạt $94,2%$ trong phạm vi $1,0 - 3,5\text{ m}$; độ chính xác phân biệt màu áo định danh đạt $91,8%$.
  • Khả năng chịu tải động: Thử nghiệm tải $0\text{ kg}, 20\text{ kg}, 35\text{ kg}, 50\text{ kg}$. Bộ điều khiển PI giữ sai số tốc độ ổn định $< 3,8%$ so với vận tốc đặt.
  • Tiêu hao năng lượng: Dòng tiêu thụ trung bình khi mang tải $30\text{ kg}$ là $3,8\text{ A}$ ở điện áp $12\text{ V}$, ắc quy 5Ah duy trì hoạt động liên tục trong 52 phút.

Kết quả đạt được

Tiêu chí Mục tiêu thiết kế ban đầu Kết quả thực nghiệm thực tế Tỷ lệ hoàn thành
Tải trọng tối đa $50\text{ kg}$ $50\text{ kg}$ (chạy ổn định trên sàn gạch) 100%
Tốc độ di chuyển lớn nhất $1,0\text{ m/s}$ ($3,6\text{ km/h}$) $0,95\text{ m/s}$ 95%
Khoảng cách bám an toàn $1,0 - 1,5\text{ m}$ $0,85 - 1,45\text{ m}$ 98%
Độ trễ xử lý khung hình $< 50\text{ ms}$ ($\ge 20\text{ FPS}$) $40,6\text{ ms}$ ($24,6\text{ FPS}$) 100%
Khả năng rẽ góc hẹp Bán kính quay $R = 0$ Quay tại chỗ nhờ cơ cấu vi sai 100%

Đổi mới và đóng góp

  1. Tích hợp Camera Chiều sâu ToF và Mạng Nơ-ron Tối ưu trên Phần cứng Biên Giá rẻ: Thay vì sử dụng các hệ thống máy tính công nghiệp cồng kềnh, đề tài đã triển khai thành công pipeline kết hợp Kinect v2 (công nghệ Time-of-Flight đo chiều sâu sai số $\sim 1\text{ cm}$) cùng mạng SSD-MobileNetV2 trên bo mạch Jetson Nano 4GB, đạt tốc độ suy luận $24,6\text{ FPS}$, tiết kiệm hơn $70%$ chi phí phần cứng xử lý.
  2. Cơ chế Lọc Đa tầng Chống Nhầm lẫn Mục tiêu (Multi-stage Target Filtering): Kết hợp ma trận điểm ảnh 3D (Depth Map) và mặt nạ màu không gian HSV trong vùng ROI. Giải pháp này giúp loại bỏ triệt để hiện tượng mất dấu khi có người thứ hai đi ngang qua khung hình cắt ngang giữa robot và người dùng.
  3. Cấu trúc Cơ khí Bền vững và Hệ Truyền động Kép: Khung xe làm từ thép tấm SS400 kết hợp thanh nhôm định hình $20\times 20\text{ mm}$, sử dụng hộp số hành tinh kết hợp bộ truyền đai răng $u=2$. Thiết kế này tăng gấp đôi mô-men xoắn kéo trục bánh xe ($1140\text{ N}\cdot\text{mm}$), triệt tiêu rung chấn từ mặt đường và bảo vệ động cơ khi khởi động mang tải nặng.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng (Use Cases)

[Khách hàng nhận áo định danh tại cửa siêu thị]
[Robot nhận diện mục tiêu & duy trì bám đuôi cự ly 1.2m]
[Khách dừng chọn hàng]      [Khách di chuyển qua các quầy]
(Robot tự hãm dừng cách     (Robot bám theo linh hoạt,
 khoảng cách an toàn 1m)     tự điều chỉnh góc cua hẹp)
[Khách đến quầy thanh toán -> Bỏ hàng -> Trả xe về trạm]
  • Hỗ trợ người lớn tuổi và phụ nữ mang thai: Loại bỏ hoàn toàn thao tác dùng lực đẩy xe, giảm nguy cơ té ngã do mất thăng bằng trong siêu thị.
  • Hỗ trợ logistics nội bộ quy mô vừa và nhỏ: Ứng dụng chuyên chở linh kiện trong xưởng sản xuất hoặc vận chuyển hồ sơ bệnh án, thuốc trong bệnh viện theo nhân viên y tế.

Phân tích Kinh tế & Lộ trình Đầu tư

  • Chi phí sản xuất thử nghiệm (BOM): Khoảng 14.500.000 VNĐ (bao gồm Jetson Nano, Kinect v2, 2 Động cơ Planet DC Servo, vi điều khiển STM32, ắc quy, vật tư nhôm/thép SS400 gia công).
  • Chi phí khi sản xuất hàng loạt (quy mô 50 chiếc): Ước tính giảm xuống mức 8.500.000 – 9.500.000 VNĐ/chiếc.
  • Thời gian hoàn vốn (ROI): Ước tính từ 6 đến 9 tháng cho một siêu thị quy mô 2000 $m^2$ thông qua việc nâng cao chỉ số hài lòng khách hàng (CSAT tăng $25%$) và tối ưu hóa nhân sự hỗ trợ vận chuyển.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Phương pháp phân loại người bám theo dựa vào màu sắc áo đồng nhất có thể bị ảnh hưởng nếu cường độ ánh sáng môi trường thay đổi đột ngột hoặc có người mặc trang phục cùng màu.
  • Camera Kinect v2 kích thước tương đối lớn và tiêu thụ công suất nguồn phụ $12\text{V} - 2,5\text{A}$ độc lập, làm tăng khối lượng tổng thể của robot.
  • Robot chưa có tính năng tự động lập bản đồ (SLAM) và tự tránh vật cản động một cách chủ động (hiện tại chỉ dừng khẩn cấp khi phát hiện cự ly gần).

Hướng phát triển tiếp theo

  • Thay thế cảm biến sang dòng camera RGB-D chuyên dụng nhỏ gọn hơn như Intel RealSense D435i hoặc OAK-D tích hợp sẵn bộ tăng tốc VPU.
  • Ứng dụng thuật toán theo dõi đa đối tượng DeepSORT / ByteTrack kết hợp trích xuất đặc trưng khuôn mặt (Face Re-identification) để loại bỏ hoàn toàn việc phải mặc áo màu định danh.
  • Tích hợp cảm biến 2D LiDAR (RPLiDAR A2) chạy thuật toán Gmapping / Cartographer để lập bản đồ siêu thị và triển khai tính năng tự động quay về trạm sạc pin (Auto-docking).

Đối tượng hưởng lợi

  • Sinh viên Cơ điện tử và Tự động hóa: Tài liệu mẫu hoàn chỉnh về quy trình thiết kế cơ điện tử từ tính toán cơ khí, thiết kế bộ truyền, mạch điện công suất đến lập trình nhúng thời gian thực và tích hợp middleware ROS.
  • Kỹ sư phát triển Robot (Robotics Developers): Mã nguồn mẫu và phương pháp luận tối ưu hóa mạng nơ-ron tích chập trên nền tảng máy tính nhúng biên GPU giá rẻ.
  • Doanh nghiệp bán lẻ & Siêu thị: Giải pháp công nghệ tự động hóa nâng tầm dịch vụ khách hàng với chi phí đầu tư ban đầu chỉ bằng $1/10$ so với nhập khẩu từ Châu Âu.
  • Nhà nghiên cứu khoa học: Cung cấp tập dữ liệu thực nghiệm về nhận dạng hàm truyền động cơ DC có tải và mô hình điều khiển vi sai bám theo người trong không gian kín.

Câu hỏi thường gặp

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

Hệ thống yêu cầu tối thiểu một máy tính nhúng hỗ trợ CUDA với dung lượng RAM $\ge 4\text{ GB}$ (như NVIDIA Jetson Nano B01 hoặc Jetson Xavier NX) để xử lý mạng Deep Learning. Phía điều khiển cấp thấp cần vi điều khiển 32-bit (STM32F103C8T6 hoặc STM32F401) có tối thiểu 2 bộ Timer hỗ trợ đọc Encoder 4x và tạo xung PWM tần số $10 - 20\text{ kHz}$. Camera yêu cầu dòng có cảm biến độ sâu Time-of-Flight hoặc Stereo Camera (Kinect v2, RealSense D435).

2. Khả năng tải trọng 50 kg của xe được đảm bảo như thế nào về mặt cơ khí?

Khung gầm robot được gia công từ thép tấm SS400 dày $3\text{ mm}$ chịu lực uốn kết hợp thanh nhôm định hình $20\times 20\text{ mm}$ liên kết bulong cường độ cao. Trục bánh xe dẫn động sử dụng thép không gỉ Inox 304 đường kính $\phi 15\text{ mm}$ tôi cứng, tựa trên các cặp ổ lăn đỡ chặn giúp triệt tiêu hoàn toàn lực uốn tác động lên trục ra của hộp số động cơ.

3. Làm sao hệ thống phân biệt được người điều khiển khi siêu thị đông đúc?

Hệ thống sử dụng cơ chế kết hợp 2 giai đoạn: Giai đoạn 1 chạy mạng SSD-MobileNetV2 để định vị toàn bộ người trong khung hình. Giai đoạn 2 thực hiện phân đoạn màu sắc (HSV Color Segmentation) trong vùng ROI thân người để tìm dải màu đặc trưng của áo đồng phục được cấp. Sau đó, khoảng cách 3D từ Depth Map được ánh xạ để khóa đối tượng mục tiêu ở cự ly gần nhất.

4. Quy trình bảo trì và bảo dưỡng hệ thống định kỳ gồm những gì?

  • Hàng tuần: Kiểm tra độ căng của bộ truyền đai răng $L=380\text{ mm}$, vệ sinh bề mặt quang học của cảm biến Kinect v2.
  • Hàng tháng: Kiểm tra độ mòn chổi than động cơ (nếu dùng DC chổi than) hoặc kiểm tra encoder, đo nội trở bình ắc quy/pin Lithium và siết lại toàn bộ ốc vít khung nhôm định hình.
  • Hàng quý: Cập nhật phiên bản phần mềm ROS Nodes, cân chỉnh lại thông số nội của Camera ($f_x, f_y, c_x, c_y$) và hệ số $K_P, K_I$ của động cơ.

5. Chi phí dự toán chi tiết và thời gian hoàn vốn (ROI) cho một siêu thị ra sao?

Tổng chi phí chế tạo một xe hoàn chỉnh ở giai đoạn thử nghiệm khoảng 14,5 triệu VNĐ. Đối với siêu thị trang bị đội xe 10 chiếc (tổng đầu tư 145 triệu VNĐ), robot giúp tăng trải nghiệm khách hàng, kéo dài thời gian lưu lại mua sắm trung bình thêm $18%$, ước tính doanh thu gia tăng bù đắp toàn bộ chi phí đầu tư sau 8 đến 10 tháng vận hành.

Kết luận

Đồ án tốt nghiệp "Nghiên cứu, thiết kế và chế tạo xe tự hành dùng xử lý ảnh bám theo người ứng dụng trong siêu thị" đã chứng minh tính khả thi và hiệu quả vượt trội của việc kết hợp công nghệ Cơ điện tử, Trí tuệ nhân tạo và Thị giác máy tính 3D trong giải quyết các bài toán dịch vụ thực tế. Hệ thống vận hành ổn định với tải trọng 50 kg, đáp ứng mượt mà bám đuôi người sử dụng theo thời gian thực và đảm bảo tính an toàn cao.

Công trình này không chỉ mở ra hướng tiếp cận mới trong việc nội địa hóa các dòng robot dịch vụ thông minh tại Việt Nam với chi phí tối ưu, mà còn tạo nền tảng vững chắc để mở rộng tích hợp các công nghệ tự hành cấp cao như LiDAR SLAM, nhận dạng sinh trắc học và hệ thống quản lý đội xe đa robot (Fleet Management) trong tương lai.