Bối cảnh và vấn đề nghiên cứu

Sự phát triển của cơ khí chính xác, điều khiển tự động và trí tuệ nhân tạo đã thúc đẩy sự chuyển dịch từ các hệ thống robot công nghiệp hoạt động theo kịch bản cố định sang các hệ thống robot tự hành (Autonomous Mobile Robot - AMR). Trong các môi trường vận hành dân dụng và bán công nghiệp như nhà kho, siêu thị hay bệnh viện, nhu cầu sử dụng robot tự hành để hỗ trợ con người thực hiện các tác vụ vận chuyển hàng hóa lặp đi lặp lại hoặc mang vác nặng ngày càng gia tăng. Trong số các cấu hình robot di động, cấu hình sử dụng bốn bánh xe đa hướng Mecanum (4-MWMR) sở hữu khả năng xoay xở linh hoạt, di chuyển đa hướng mà không cần thay đổi góc quay của thân xe. Tuy nhiên, thách thức lớn đặt ra cho hệ thống là khả năng nhận dạng, bám đuổi chính xác một đối tượng mục tiêu ("chủ nhân") trong môi trường đông đúc, có nhiều đối tượng gây nhiễu, đồng thời phải tự động phát hiện và né tránh chướng ngại vật mà không cần thiết lập bản đồ tĩnh từ trước.

Để giải quyết vấn đề kỹ thuật này, đề tài "Thiết kế và chế tạo Mobile Robot sử dụng bánh xe Mecanum để vận chuyển hàng bám theo người" được thực hiện nhằm xây dựng một robot tự hành có khả năng xử lý hình ảnh thời gian thực, bám theo người và vận hành an toàn. Cụ thể, các mục tiêu và nhiệm vụ nghiên cứu được văn bản xác định gồm 4 nội dung:

  1. Thiết kế và chế tạo hệ thống cơ khí cho robot với khả năng chịu tải tối đa 5 kg.
  2. Xây dựng bộ điều khiển PID đảm bảo điều khiển vận tốc và hướng di chuyển ổn định.
  3. Phát triển thuật toán xử lý ảnh để nhận diện và theo dõi mục tiêu trong môi trường có nhiều đối tượng gây nhiễu.
  4. Hoàn thiện thuật toán tránh vật cản từ dữ liệu cảm biến nhằm đảm bảo robot di chuyển an toàn và tin cậy.

Về đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Mô hình Mobile Robot 4 bánh Mecanum tích hợp máy tính nhúng, vi điều khiển, camera độ sâu (RGB-D), cảm biến khoảng cách LiDAR và các thuật toán thị giác máy tính, điều khiển chuyển động.
  • Phạm vi không gian: Hoạt động thử nghiệm trong môi trường trong nhà (indoor), di chuyển trên bề mặt bằng phẳng; không xét các địa hình phức tạp như dốc, bậc thang hoặc mặt sàn gồ ghề.
  • Phạm vi môi trường hoạt động: Thử nghiệm trong các điều kiện chiếu sáng trong nhà (đủ sáng và thiếu sáng ở mức độ nhất định); không thực hiện trong môi trường bóng tối hoàn toàn hoặc nơi có cường độ ánh sáng quá mạnh gây chói cảm biến quang học; không xét trường hợp đối tượng mục tiêu bị nhầm lẫn với các đối tượng có ngoại hình quá tương đồng (người mặc trang phục giống hệt nhau hoặc sinh đôi).
  • Thời gian thực hiện: Đồ án hoàn thành vào tháng 01 năm 2026 tại Trường Đại học Công nghệ Kỹ thuật TP. Hồ Chí Minh.

Cơ sở lý thuyết và phương pháp

Đề tài kết hợp nền tảng lý thuyết điều khiển tự động cổ điển, mô hình hóa động học robot di động, hệ điều hành robot và các mô hình học sâu trong thị giác máy tính:

  • Phân loại robot tự hành: Phân biệt nguyên lý hoạt động giữa AGV (Automated Guided Vehicle - di chuyển theo đường dẫn định sẵn bằng vạch từ, băng phản quang) và AMR (Autonomous Mobile Robot - tự nhận biết môi trường, tự lập lộ trình di chuyển nhờ hệ thống cảm biến). Đồ án so sánh các cơ cấu dẫn động phổ biến: truyền động vi sai, bánh xe Omni (3 bánh, 4 bánh), bánh xe Mecanum và cụm bánh Swerve.
  • Mô hình động học robot 4 bánh Mecanum: Xây dựng hệ quy chiếu quán tính ($X_{world}, Y_{world}$), hệ quy chiếu thân robot ($X_{robot}, Y_{robot}$) và hệ quy chiếu gắn với từng bánh xe ($X_{wheel}, Y_{wheel}$). Thiết lập ma trận động học nghịch để quy đổi vector vận tốc tuyến tính ($v_x, v_y$) và vận tốc góc ($\omega_z$) của robot thành vận tốc góc của 4 bánh xe ($\omega_{fl}, \omega_{fr}, \omega_{rl}, \omega_{rr}$) thông qua kích thước hình học ($l_x, l_y$) và bán kính bánh xe ($r$). Thiết lập mô hình động học thuận để tính toán ngược lại trạng thái chuyển động của robot.
  • Lý thuyết điều khiển PID: Ứng dụng vòng lặp điều khiển phản hồi với ba thành phần tỷ lệ ($K_p$), tích phân ($K_i$) và vi phân ($K_d$) nhằm điều chỉnh sai số vận tốc của các động cơ chấp hành về 0, đảm bảo robot di chuyển ổn định và đáp ứng mượt mà.
  • Hệ thống điều hành robot (ROS2 Framework): Sử dụng kiến trúc truyền thông phân tán dựa trên chuẩn DDS (Data Distribution Service) với mô hình xuất bản - đăng ký dữ liệu DCPS (Data-Centric Publish-Subscribe), loại bỏ điểm nghẽn Node Master tập trung của phiên bản ROS1, nâng cao khả năng quản lý tài nguyên và kiểm soát chất lượng dịch vụ (QoS).
  • Mô hình học sâu và thị giác máy tính:
    • Tiền xử lý ảnh trong các không gian màu RGB và HSV.
    • Mạng nơ-ron tích chập (CNN) và kiến trúc MobileNet kết hợp Single Shot MultiBox Detector (MobileNet-SSD) phục vụ trích xuất đặc trưng và phát hiện người theo thời gian thực.
    • Thuật toán theo dõi đa đối tượng DeepSORT (Deep Simple Online and Realtime Tracking), kết hợp bộ lọc Kalman để dự đoán quỹ đạo chuyển động và thuật toán gán ghép Hungarian để tối ưu hóa việc liên kết định danh (ID) giữa các khung hình liên tiếp.

Về phương pháp nghiên cứu, tác giả triển khai kết hợp 6 phương pháp:

  1. Phương pháp nghiên cứu tài liệu: Tổng hợp lý thuyết về robot tự hành, động học Mecanum, thị giác máy tính RGB-D, thuật toán DeepSORT và công nghệ tránh vật cản bằng LiDAR.
  2. Phương pháp phân tích và thiết kế hệ thống: Phân rã cấu trúc hệ thống thành các khối chức năng độc lập (cơ khí, điện - điều khiển, xử lý ảnh, cảm biến độ sâu, thuật toán an toàn) trước khi tích hợp toàn diện.
  3. Phương pháp tính toán kỹ thuật: Xác định lực ma sát lăn, tính chọn công suất động cơ, tỷ số truyền, nguồn cấp pin và thiết lập hệ phương trình ma trận động học.
  4. Phương pháp thực nghiệm: Chạy thử nghiệm mô hình thực tế qua nhiều kịch bản: bám một người, bám khi có người lạ cắt ngang (nhiễu), che khuất tạm thời, thay đổi hướng đột ngột và thay đổi điều kiện chiếu sáng.
  5. Phương pháp đo lường và đánh giá định lượng: Đánh giá hệ thống bằng các thông số khách quan như độ chính xác theo dõi đa mục tiêu (MOTA), chỉ số duy trì định danh (IDF1), tỷ lệ khóa mục tiêu (Lock Rate), tốc độ xử lý (FPS) và độ trễ (Latency).
  6. Phương pháp tham vấn chuyên gia: Trao đổi định kỳ với giảng viên hướng dẫn nhằm điều chỉnh cấu trúc phần cứng và tối ưu hóa giải thuật điều khiển.

Nguồn dữ liệu của nghiên cứu bao gồm: dữ liệu hình ảnh màu và bản đồ chiều sâu thời gian thực từ camera Intel RealSense D455, dữ liệu quét mặt phẳng 2D từ cảm biến LiDAR, cùng các tín hiệu hồi tiếp xung từ encoder động cơ và cảm biến quán tính 9 bậc tự do (IMU).

Thiết kế và triển khai

Hệ thống được thiết kế theo cấu trúc phần cứng phân tầng và kiến trúc phần mềm hướng module, bảo đảm tính thời gian thực và độ an toàn khi vận hành:

Cấu tạo phần cứng và thiết bị điều khiển

Phân hệ / Thiết bị Mã hiệu / Quy cách kỹ thuật Vai trò và chức năng trong hệ thống
Khung xe & Cơ cấu chuyển động 4 bánh xe Mecanum, khung nhôm định hình và tấm liên kết Mica Tạo kết cấu chịu lực, cho phép xe di chuyển đa hướng (tiến, lùi, sàng ngang, đi chéo, xoay tại chỗ); chịu tải thử nghiệm 5 kg.
Động cơ chấp hành Động cơ DC Encoder JGB37–545 (12V, 200 rpm) Dẫn động độc lập từng bánh xe Mecanum, tích hợp encoder quang học để phản hồi số vòng quay phục vụ điều khiển kín vận tốc.
Mạch công suất Mạch cầu H kép BTS7960 Điều khiển đóng cắt dòng điện công suất lớn, điều chỉnh tốc độ và đảo chiều quay 4 động cơ DC qua tín hiệu PWM.
Máy tính nhúng cấp cao Orange Pi 5 Plus Đóng vai trò máy tính xử lý trung tâm, chạy hệ điều hành Linux và framework ROS2; thực thi mô hình học sâu và thuật toán theo dõi.
Vi điều khiển cấp thấp STM32F407VET6 (lõi ARM Cortex-M4) Đọc xung encoder, giao tiếp cảm biến IMU, tính toán bộ điều khiển PID vận tốc động cơ và giải thuật động học nghịch.
Cảm biến thị giác Camera độ sâu Intel RealSense D455 Cung cấp đồng thời luồng ảnh màu RGB và ảnh chiều sâu (Depth) để nhận diện người và định vị khoảng cách không gian thực.
Cảm biến môi trường Cảm biến LiDAR và Cảm biến IMU 9DOF (GY-9250 / MPU9250) LiDAR quét 360 độ phát hiện vật cản xung quanh; IMU đo đạc gia tốc và vận tốc góc nhằm hỗ trợ cân bằng và định hướng xe.
Hệ thống nguồn điện Pin LiPo Vant Battery 3S (11.1V - 12.6V, 7600 mAh, dòng xả 75C) Cung cấp nguồn năng lượng tập trung cho toàn bộ hệ thống động lực, máy tính nhúng và các cảm biến thông qua các mạch hạ áp.

Kiến trúc phần mềm và thuật toán điều khiển

Kiến trúc phần mềm được phân chia thành các luồng xử lý độc lập giao tiếp qua ROS2 Topics:

  • Quy trình xử lý ảnh và bám đuổi mục tiêu: Sử dụng mô hình MobileNet-SSD để nhận diện người trong khung hình RGB. Khi phát hiện người dùng chỉ định, thuật toán DeepSORT tiến hành gán ID và theo dõi chuyển động. Dữ liệu chiều sâu từ Intel RealSense D455 được trích xuất tại vùng quan tâm (ROI) của hộp giới hạn (Bounding Box), lấy giá trị theo phân vị 10% chiều sâu nhằm loại bỏ các điểm ảnh biên và nhiễu nền, từ đó xác định khoảng cách chính xác giữa robot và người.
  • Điều khiển bám đuổi (Visual Servoing): Dựa trên độ lệch góc $\alpha$ giữa tâm hộp giới hạn đối tượng với trục quang học của camera và sai lệch khoảng cách thực tế so với cự ly an toàn đặt trước, hệ thống sinh ra vector vận tốc dài và vận tốc góc tương ứng để điều khiển robot hướng về phía mục tiêu.
  • Hệ thống an toàn và xử lý vật cản: Dữ liệu quét từ LiDAR được áp dụng cơ chế phân vùng và "Masking" (che điểm ảnh) đối với góc quét tương ứng với vị trí của người đang được bám đuổi, tránh trường hợp robot nhận nhầm chính chủ nhân là vật cản cần né. Đối với các vật thể khác, hệ thống tính toán chỉ số thời gian va chạm (Time-To-Collision - TTC) để phát hiện vật cản tĩnh và vật cản động.
  • Cơ chế điều phối và hợp nhất vận tốc (Velocity Arbitration / Behavior Merging): Lệnh vận tốc sinh ra từ hành vi bám người (Following Behavior) và hành vi tránh va chạm (Obstacle Avoidance Behavior) được đưa qua bộ điều phối để hợp nhất vector di chuyển cuối cùng. Tín hiệu này sau đó đi qua bộ lọc làm mượt (Smoothing Filter - EMA) nhằm triệt tiêu các biến thiên vận tốc đột ngột trước khi truyền qua giao tiếp UART xuống vi điều khiển STM32F407.

Nội dung chính theo từng chương

Chương 1: Tổng quan đề tài

Trình bày tính cấp thiết của đề tài trong bối cảnh tự động hóa kho bãi, dịch vụ và logistics hiện đại. Phân tích lịch sử phát triển của robot hình người (điển hình như Asimo của Honda) và các hệ thống robot tự hành AGV trong kho vận (hệ thống của Amazon). Khảo sát các công trình nghiên cứu về AMR tại các trường đại học lớn ở Việt Nam. Xác định rõ mục tiêu chế tạo hệ thống xe Mecanum 4 bánh có khả năng chịu tải 5 kg, xây dựng bộ điều khiển PID, phát triển thuật toán bám người bằng xử lý ảnh và giải thuật tránh vật cản bằng cảm biến. Đồng thời, chương này xác định phạm vi hoạt động trong nhà, trên nền phẳng và nêu rõ các giới hạn môi trường thử nghiệm.

Chương 2: Cơ sở lý thuyết

Cung cấp hệ thống lý thuyết phục vụ toàn bộ quá trình thiết kế và thuật toán:

  • Phân tích ưu nhược điểm giữa công nghệ điều hướng cố định của AGV và điều hướng linh hoạt bằng cảm biến của AMR. So sánh các cơ cấu dẫn hướng: vi sai, bánh xe Omni (loại 3 bánh lệch $120^\circ$, 4 bánh lệch $90^\circ$), bánh xe Mecanum và cụm bánh Swerve.
  • Thiết lập chi tiết toán học mô hình động học thuận và nghịch của robot 4 bánh Mecanum bằng phương pháp chuyển đổi ma trận hệ quy chiếu qua các góc đặt con lăn $\gamma$ và góc bánh $\beta$.
  • Giới thiệu cấu trúc, hàm truyền và ưu nhược điểm của bộ điều khiển PID trong hệ thống phản hồi vòng kín.
  • Trình bày kiến trúc phần mềm ROS2, so sánh đối chiếu với ROS1, phân tích sâu về tiêu chuẩn truyền thông DDS, mô hình phân tán DCPS, cùng các thành phần Filesystem và Computation Graph (Node, Topic, Service, Parameter Server).
  • Nêu cơ sở xử lý ảnh số (hệ màu RGB, HSV), kiến trúc mạng nơ-ron tích chập CNN, bài toán phát hiện đối tượng MobileNet-SSD, và thuật toán theo dõi đối tượng DeepSORT sử dụng bộ lọc Kalman và thuật toán Hungarian.

Chương 3: Tính toán và thiết kế hệ thống

Tập trung vào quá trình tính toán cơ - điện và thiết kế phần cứng:

  • Xây dựng sơ đồ khối chức năng của hệ thống robot di động. Tính toán các lực cản chuyển động, hệ số ma sát lăn và tải trọng để lựa chọn động cơ DC giảm tốc JGB37–545 12V 200 rpm tích hợp encoder.
  • Phân tích thông số kỹ thuật và lý do lựa chọn bo mạch máy tính nhúng Orange Pi 5 Plus, vi điều khiển STM32F407VET6, mạch điều khiển động cơ BTS7960, cảm biến góc GY-9250 (MPU9250), camera chiều sâu Intel RealSense D455 và cảm biến quét laser LiDAR.
  • Thiết kế mô hình 3D hoàn chỉnh trên phần mềm Solidworks gồm hệ khung đỡ, vỏ bảo vệ, vị trí gá đặt bánh xe Mecanum và các tầng chứa linh kiện điện tử, pin LiPo 3S 7600 mAh.
  • Thiết kế sơ đồ nguyên lý mạch điện, sơ đồ kết nối đi dây phần cứng và lựa chọn vật liệu gia công khung xe từ nhôm định hình kết hợp nhựa Mica.

Chương 4: Thiết kế phần mềm

Mô tả chi tiết các giải thuật và cấu trúc logic điều khiển trên nền tảng ROS2:

  • Xây dựng nguyên lý vận hành thông qua hệ thống máy trạng thái hữu hạn (Finite State Machine - FSM) từ trạng thái khởi động, nhận diện đối tượng, bám đuổi cho đến dừng khẩn cấp.
  • Thiết lập đường ống (pipeline) xử lý ảnh với MobileNet-SSD nhằm phát hiện người và DeepSORT để duy trì bám đuổi đúng đối tượng mục tiêu; áp dụng trích xuất đặc trưng ngoại hình kết hợp phân vị 10% chiều sâu từ ảnh Depth trong vùng ROI.
  • Thiết kế thuật toán điều khiển bám đuổi Visual Servoing, tính toán khoảng cách và góc lệch $\alpha$ giữa robot và người để sinh vector vận tốc ($v_x, \omega_z$).
  • Xây dựng giải thuật an toàn và tránh vật cản: phân tích dữ liệu LiDAR, áp dụng cơ chế Masking loại trừ người cần theo dõi khỏi tập dữ liệu vật cản; ước lượng thời gian va chạm TTC để nhận diện vật cản động.
  • Phát triển cơ chế điều phối và hợp nhất lệnh vận tốc (Behavior Merging), bộ lọc làm mượt tín hiệu vận tốc EMA, và thuật toán giải mã động học nghịch tại vi điều khiển STM32 để xuất tín hiệu PWM điều khiển 4 bánh xe.

Chương 5: Kết quả – Nhận xét – Đánh giá

Trình bày kết quả thử nghiệm thực tế của hệ thống:

  • Đánh giá kết quả gia công cơ khí mô hình trên Solidworks và mô hình thực tế, kiểm tra độ bền vững kết cấu khi mang tải trọng 5 kg; đánh giá độ ổn định của hệ thống điện và sụt áp của khối pin LiPo qua các mốc thời gian hoạt động.
  • Đo đạc thực nghiệm độ chính xác của giải thuật đo khoảng cách từ ảnh Depth (phân vị 10% trong ROI) so với khoảng cách đo thực tế.
  • Thử nghiệm thuật toán bám đuổi trong các kịch bản thực tế: môi trường đủ sáng có một mục tiêu; môi trường có nhiều người gây nhiễu đi cắt ngang; đối tượng gây nhiễu đổi hướng; đối tượng gây nhiễu mặc trang phục tương đồng; và các kịch bản tương tự trong điều kiện thiếu sáng.
  • Kiểm thử giải thuật né vật cản tĩnh và vật cản động bằng LiDAR; kiểm tra đáp ứng của cơ chế hợp nhất vận tốc.
  • Đánh giá định lượng hiệu năng của các biến thể thuật toán theo dõi thông qua các bảng dữ liệu đo lường MOTA, IDF1, Lock Rate, tốc độ khung hình (FPS), độ trễ (Latency) và chỉ số hiệu quả tính toán ($Efficiency = MOTA \times FPS / 100$).

Chương 6: Kết luận và hướng phát triển

Tổng kết mức độ hoàn thành so với các mục tiêu ban đầu đề ra của đồ án và chỉ ra các định hướng mở rộng nghiên cứu tiếp theo nhằm nâng cấp hệ thống robot.

Kết quả và đóng góp

Nghiên cứu đã chế tạo thành công mô hình phần cứng robot tự hành 4 bánh Mecanum hoàn chỉnh và kiểm chứng hoạt động thực tế với các kết quả cụ thể:

  • Thi công cơ khí và hệ thống điện: Kết cấu robot chế tạo từ nhôm định hình và Mica vận hành chắc chắn, mang tải trọng thực nghiệm 5 kg mà không gây biến dạng khung hay sụt giảm đột ngột hiệu suất chuyển động. Hệ thống điện, mạch công suất BTS7960 và pin LiPo 3S 7600 mAh cấp nguồn ổn định cho toàn bộ máy tính nhúng Orange Pi 5 Plus, vi điều khiển STM32 và các cảm biến.
  • Độ chính xác xác định khoảng cách: Thuật toán trích xuất khoảng cách sử dụng phân vị 10% trong vùng ROI của ảnh chiều sâu (Intel RealSense D455) đạt độ tương thích cao với khoảng cách thực tế, triệt tiêu hiệu quả hiện tượng nhiễu viền bóng của đối tượng.
  • Khả năng bám đuổi và né tránh vật cản: Hệ thống nhận dạng và bám đuổi ổn định mục tiêu người trong nhà ở cả hai điều kiện đủ sáng và thiếu sáng. Thuật toán duy trì khóa đúng mục tiêu ngay cả khi có người khác xuất hiện gây nhiễu, đi cắt ngang hoặc khi đối tượng gây nhiễu di chuyển đổi hướng. Cơ chế Masking LiDAR kết hợp dự đoán va chạm TTC cho phép robot tự động lách qua vật cản tĩnh và người đi bộ cắt ngang mà không làm đứt đoạn hành vi bám mục tiêu.
  • Đánh giá định lượng hiệu năng thuật toán: Báo cáo đã tiến hành đánh giá so sánh thực nghiệm giữa các biến thể thuật toán theo dõi trên 3 kịch bản thử nghiệm (Scene 1, Scene 2, Scene 3). Kết quả được ghi nhận chi tiết qua các chỉ số: độ chính xác theo dõi đa mục tiêu (MOTA), độ ổn định định danh (IDF1), tỷ lệ khóa mục tiêu (Lock Rate), tốc độ xử lý (FPS) và độ trễ (Latency), đồng thời xác lập được điểm cân bằng tối ưu giữa tốc độ và độ chính xác (Speed–Accuracy Trade-off) dựa trên chỉ số hiệu quả tính toán ($Efficiency = MOTA \times FPS / 100$).

Về mặt đóng góp khoa học và kỹ thuật, công trình có các điểm chính sau:

  • Tích hợp thành công mô hình robot 4-MWMR bám theo người dùng vận hành ổn định trong môi trường thực tế chưa được thiết lập bản đồ tĩnh từ trước.
  • Xây dựng giải pháp kết hợp hiệu quả giữa mạng nơ-ron MobileNet-SSD và thuật toán DeepSORT tích hợp dữ liệu chiều sâu đa chiều, khắc phục tình trạng hoán đổi định danh (ID switch) khi mục tiêu bị che khuất ngắn hạn hoặc có người cắt ngang.
  • Đề xuất cơ chế che dữ liệu (Masking) trên mặt phẳng quét LiDAR chuyên biệt cho đối tượng bám đuổi, giải quyết triệt để xung đột giữa hành vi bám theo người và hành vi tránh va chạm trong các hệ thống robot phục vụ.

Hạn chế và hướng nghiên cứu tiếp

Dựa trên các giới hạn được tác giả công bố trong văn bản, đề tài còn tồn tại một số hạn chế kỹ thuật:

  • Robot chỉ hoạt động tối ưu trên các bề mặt sàn bằng phẳng trong nhà, chưa thể thích nghi với các địa hình dốc, bậc tam cấp hoặc mặt đường gồ ghề ngoài trời do đặc tính vật lý của bánh xe Mecanum.
  • Thuật toán bám đuổi vẫn có khả năng nhận nhầm mục tiêu khi gặp các đối tượng gây nhiễu có ngoại hình, vóc dáng và trang phục quá tương đồng (ví dụ: người mặc đồng phục giống hệt nhau hoặc anh chị em sinh đôi).
  • Hệ thống thị giác chưa thể hoạt động tin cậy trong các điều kiện môi trường quá tối (thiếu sáng trầm trọng) hoặc nơi có nguồn ánh sáng chiếu trực diện quá mạnh gây lóa cảm biến camera chiều sâu.
  • Tải trọng thử nghiệm mới dừng lại ở mức 5 kg, giới hạn khả năng vận chuyển các kiện hàng nặng trong logistics công nghiệp.

Các hướng phát triển tiếp theo được đề xuất bao gồm:

  • Cải tiến hệ thống treo và kết cấu cơ khí để mở rộng khả năng di chuyển trên nhiều dạng địa hình phức tạp hơn.
  • Nâng cấp mạng trích xuất đặc trưng nhận dạng (Re-Identification) với các mô hình học sâu sâu hơn nhằm phân biệt đối tượng có trang phục tương đồng.
  • Bổ sung các cảm biến phụ trợ hoặc thuật toán bù trừ ánh sáng để nâng cao độ tin cậy trong môi trường biến động quang học mạnh.

Giá trị tham khảo

Đồ án là tài liệu kỹ thuật có giá trị tham khảo thiết thực cho sinh viên, học viên cao học và kỹ sư thuộc các chuyên ngành Điều khiển và Tự động hóa, Cơ điện tử, Kỹ thuật Robot, Điện tử - Viễn thông và Khoa học Máy tính.

Các nội dung có giá trị tham khảo cao nhất trong tài liệu gồm:

  • Phương pháp mô hình hóa động học robot Mecanum: Tài liệu cung cấp chi tiết các bước thiết lập ma trận động học thuận và nghịch, hữu ích cho người làm đề tài về điều khiển chuyển động robot di động đa hướng.
  • Kiến trúc phần mềm ROS2 tích hợp đa cấp: Cách thức tổ chức hệ thống phân tán giữa máy tính nhúng (Orange Pi 5 Plus) xử lý AI cấp cao và vi điều khiển (STM32F407) điều khiển động cơ cấp thấp là mô hình tham chiếu thực tế cho các đồ án phát triển robot tự hành.
  • Thuật toán Visual Servoing và xử lý dữ liệu Depth: Phương pháp tính khoảng cách bằng phân vị 10% trong ROI ảnh Depth và giải thuật kết hợp DeepSORT là hướng tiếp cận có thể tái sử dụng trực tiếp cho các bài toán robot bám mục tiêu hoặc xe tự hành thông minh.
  • Cơ chế Masking LiDAR và điều phối vận tốc: Giải pháp xử lý xung đột giữa bám người và né vật cản cung cấp tư liệu tham khảo tốt cho các nghiên cứu về an toàn trong tương tác người - robot.

Câu hỏi thường gặp

1. Khung gầm và cơ cấu dẫn động của robot sử dụng loại bánh xe nào và khả năng tải trọng ra sao?
Robot sử dụng cấu hình 4 bánh xe đa hướng Mecanum (4-MWMR), dẫn động độc lập bởi 4 động cơ DC Encoder JGB37–545 (12V, 200 rpm). Khung xe được thiết kế trên Solidworks và thi công từ nhôm định hình kết hợp tấm Mica, đáp ứng khả năng chịu tải thử nghiệm 5 kg trên mặt phẳng.

2. Hệ thống phân chia nhiệm vụ tính toán giữa máy tính nhúng và vi điều khiển như thế nào?
Hệ thống sử dụng máy tính nhúng Orange Pi 5 Plus chạy ROS2 để thực thi các tác vụ tính toán nặng bao gồm xử lý ảnh từ camera Intel RealSense D455 (MobileNet-SSD, DeepSORT), xử lý đám mây điểm LiDAR, máy trạng thái FSM và hợp nhất vận tốc. Tín hiệu vận tốc sau đó được truyền xuống vi điều khiển STM32F407VET6 để giải toán động học nghịch, đọc xung encoder và điều khiển vòng kín PID tốc độ động cơ thông qua mạch cầu H BTS7960.

3. Làm thế nào để robot đo khoảng cách đến người dùng từ camera Intel RealSense D455 mà không bị sai số do hậu cảnh?
Từ hộp giới hạn (Bounding Box) của người do MobileNet-SSD phát hiện, thuật toán khoanh vùng quan tâm (ROI) trên ảnh chiều sâu (Depth image) và lấy giá trị khoảng cách tại phân vị 10% (10th percentile). Cách làm này loại bỏ các điểm ảnh thuộc hậu cảnh xa hoặc nhiễu biên, phản ánh chính xác khoảng cách bề mặt cơ thể người đối diện robot.

4. Robot giải quyết xung đột như thế nào khi cảm biến LiDAR nhận nhầm người đang bám theo là vật cản?
Hệ thống triển khai cơ chế "Masking" trên dữ liệu LiDAR. Căn cứ vào góc lệch và khoảng cách của người dùng xác định từ camera thị giác, thuật toán sẽ che (loại bỏ) các chùm tia laser LiDAR quét trúng vùng không gian của người đó. Nhờ vậy, hệ thống tránh vật cản không kích hoạt nhầm lệnh phanh hoặc né tránh đối với chính người đang dẫn đường.

5. Hiệu năng của các biến thể thuật toán theo dõi mục tiêu được đánh giá qua những chỉ số định lượng nào?
Tác giả sử dụng hệ thống chỉ số chuẩn gồm: MOTA (Độ chính xác theo dõi đa đối tượng), IDF1 (Điểm F1 duy trì định danh), Lock Rate (Tỷ lệ khóa đúng mục tiêu), FPS (Tốc độ khung hình xử lý), Latency (Độ trễ thời gian) và chỉ số hiệu quả tính toán được chuẩn hóa ($Efficiency = MOTA \times FPS / 100$) trên 3 kịch bản thực nghiệm khác nhau.

Kết luận

Đồ án tốt nghiệp của nhóm tác giả Vũ Tiến Phát và Vũ Quốc Khánh đã hoàn thành trọn vẹn việc thiết kế, chế tạo và thử nghiệm mô hình Mobile Robot 4 bánh Mecanum vận chuyển hàng hóa bám theo người dùng. Bằng việc kết hợp kiến trúc phân tầng giữa máy tính nhúng Orange Pi 5 Plus trên nền tảng ROS2 và vi điều khiển STM32F407, hệ thống đáp ứng tốt khả năng điều khiển chuyển động đa hướng và xử lý thị giác thời gian thực. Các giải thuật học sâu MobileNet-SSD, DeepSORT tích hợp ảnh chiều sâu và cơ chế Masking LiDAR cho phép robot duy trì bám đuổi ổn định, né tránh vật cản an toàn trong môi trường trong nhà chịu tải 5 kg. Nghiên cứu cung cấp tài liệu tham khảo hoàn chỉnh về mặt kỹ thuật, mở ra tiềm năng ứng dụng thực tế trong lĩnh vực tự động hóa kho hàng và robot dịch vụ.