Giới thiệu dự án

Sự bùng nổ của cuộc Cách mạng Công nghiệp 4.0 đã thúc đẩy mạnh mẽ ứng dụng của robot tự hành (Autonomous Mobile Robot - AMR) và trí tuệ nhân tạo (AI) trong lĩnh vực dịch vụ công cộng. Theo thống kê của Hiệp hội Robot Quốc tế (IFR), thị trường robot dịch vụ chuyên nghiệp đạt mức tăng trưởng kép hàng năm (CAGR) trên 28% trong giai đoạn 2021–2025. Tại các trường đại học và viện nghiên cứu, thư viện truyền thống đang đối mặt với bài toán quá tải trong khâu quản lý lưu thông tài liệu, giám sát không gian và hỗ trợ người đọc thủ công.

Đề tài "Thiết kế và điều khiển mô hình robot phục vụ thư viện" do nhóm nghiên cứu ngành Công nghệ Kỹ thuật Điều khiển và Tự động hóa, Trường Đại học Sư phạm Kỹ thuật TP.HCM (HCMUTE) thực hiện dưới sự hướng dẫn của TS. Đặng Xuân Ba, tập trung giải quyết các điểm nghẽn (pain points) thực tế:

  • Thời gian chờ đợi mượn/trả và điểm danh sinh viên kéo dài trong các khung giờ cao điểm.
  • Hạn chế trong tự động hóa định vị và điều hướng đa hướng trong không gian hành lang hẹp giữa các kệ sách.
  • Thiếu hụt hệ sinh thái giám sát, điều khiển từ xa có khả năng truyền phát video và dữ liệu thời gian thực qua môi trường mạng diện rộng (WAN).
+-------------------------------------------------------------------------+
|                        HỆ THỐNG ROBOT THƯ VIỆN                          |
+------------------------------------+------------------------------------+
|         TẦNG XỬ LÝ TRUNG TÂM       |        TẦNG ĐIỀU KHIỂN CẤP THẤP    |
|   (Mini PC LongVu - Ubuntu/ROS)    |           (ESP32 / Driver)         |
|  - ROS Navigation (Dijkstra + DWA) |  - Giao tiếp UART / PWM Motor      |
|  - MTCNN + FaceNet (Nhận diện mặt) |  - Cảm biến siêu âm & hồng ngoại   |
|  - PyQt5 UI + MySQL Database       |  - Kết nối IoT E-Ra / MQTT Cloud   |
+------------------------------------+------------------------------------+

Mục tiêu đề tài

  1. Thiết kế cơ khí và phần cứng: Chế tạo robot hình trụ đường kính đế 70 cm, chiều cao tổng thể 157 cm, khối lượng 30 kg, sử dụng hệ thống 4 bánh xe Mecanum cho phép chuyển động đa hướng (holonomic drive).
  2. Xây dựng mô hình động học: Thiết lập chính xác mô hình động học thuận (Forward Kinematics) và động học nghịch (Inverse Kinematics) cho hệ 4 bánh Mecanum.
  3. Tích hợp hệ thống điều hướng tự hành: Ứng dụng hệ điều hành Robot (ROS), cảm biến SLAMTEC Mapper M1M1 LIDAR cùng các thuật toán Dijkstra và Dynamic Window Approach (DWA) để lập bản đồ (SLAM) và tránh vật cản động.
  4. Nhận diện sinh viên và tài liệu: Xây dựng mô hình thị giác máy tính với MTCNN kết hợp mạng nơ-ron tích chập FaceNet để điểm danh/nhận diện khuôn mặt và quét mã vạch (barcode) mượn/trả sách.
  5. Giám sát và tương tác đa phương thức: Thiết kế giao diện tương tác trên màn hình cảm ứng bằng Qt Designer, giao tiếp giọng nói (Speech-to-Text / Text-to-Speech) và hệ thống điều khiển/truyền hình ảnh từ xa qua giao thức MQTT/HTTP.

Phạm vi và giới hạn

  • Hoạt động trong môi trường trong nhà (indoor) với sàn phẳng, độ dốc dưới 3°.
  • Cảm biến LiDAR quét 2D trong mặt phẳng ngang cố định.
  • Hệ thống nhận diện khuôn mặt yêu cầu điều kiện ánh sáng tiêu chuẩn thư viện (300–500 lux).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Quản lý thủ công truyền thống Robot AGV dẫn đường ray/vạch từ Robot tự hành Mecanum (Đề tài)
Tính linh hoạt lộ trình Không áp dụng (con người) Cố định, tốn chi phí thay đổi vạch từ Toàn phương (Omnidirectional), tự quy hoạch đường đi
Bán kính quay vòng Tùy biến Lớn (cần bán kính cong tối thiểu) 0 mm (xoay tại tâm với bánh Mecanum)
Nhận diện người dùng Quẹt thẻ vật lý / Ký tên Thẻ RFID AI Face Recognition (FaceNet) + Mã vạch
Khả năng tránh vật cản Phụ thuộc con người Dừng khẩn cấp khi chặn tia hồng ngoại Tránh vật cản động thông minh (DWA + LiDAR)
Giám sát từ xa Không có Cục bộ qua mạng LAN xưởng Internet IoT (MQTT + Web Streaming/E-Ra)

Phân tích yêu cầu hệ thống theo mô hình MoSCoW

  • Must have (Bắt buộc): Di chuyển đa hướng 4 bánh Mecanum; bản đồ hóa và tự định vị SLAM; nhận diện khuôn mặt sinh viên qua cơ sở dữ liệu MySQL; tự động tránh vật cản tĩnh/động; giao diện cảm ứng mượn/trả sách.
  • Should have (Nên có): Điều khiển từ xa qua mạng Internet bằng giao thức MQTT; chuyển đổi giọng nói điều khiển; lưu trữ video giám sát tự động lên đám mây.
  • Could have (Có thể mở rộng): Tích hợp cánh tay robot gắp sách trực tiếp từ giá.
  • Won't have (Chưa thực hiện): Di chuyển leo dốc bậc thang hoặc hoạt động ngoài trời địa hình gồ ghề.

Thiết kế hệ thống

+-----------------------------------------------------------------------------------+
|                              KIẾN TRÚC PHẦN MỀM VÀ PHẦN CỨNG                      |
+-----------------------------------------------------------------------------------+
|  [Sensors & Input]            [Xử lý trung tâm: Mini PC]           [Cơ cấu chấp hành]|
|  - Slamtec Mapper M1M1  -->   ROS Master:                         --> 4x DC Servo |
|  - Camera USB           -->   * /slamtec_mapper_node                  JGB37-545   |
|  - Touchscreen          -->   * /move_base (Dijkstra + DWA)       --> Mạch cầu HI216|
|  - Microphone           -->   * /face_recognition_node (FaceNet)  --> Màn hình UI |
|                               * /speech_engine_node                               |
|                                        ^                                          |
|                                        | UART Protocol                            |
|                                        v                                          |
|                               [Tầng IoT & Cấp thấp]                               |
|                               - ESP32 Microcontroller                            |
|                               - Cảm biến siêu âm / Hồng ngoại                     |
|                               - Cloud MQTT Broker / Nền tảng E-Ra                 |
+-----------------------------------------------------------------------------------+

Technology Stack và phiên bản cụ thể

  • Hệ điều hành: Ubuntu 18.04 LTS (Bionic Beaver) tích hợp ROS Melodic Morenia.
  • Ngôn ngữ lập trình: Python 3.8.10, C++ (Arduino IDE 1.8.19 cho ESP32).
  • Thư viện AI & Xử lý ảnh: OpenCV 4.5.5, facenet-pytorch (v2.5.2), MTCNN (v0.1.1), pyzbar (v0.1.9).
  • Giao tiếp & Cơ sở dữ liệu: MySQL Server 8.0, phpMyAdmin 5.2, Paho-MQTT 1.6.1, SpeechRecognition 3.8.1.
  • Thiết kế cơ khí: SolidWorks 2019 SP5.0.

Mô hình toán học động học Robot 4 bánh Mecanum

Hệ robot sử dụng 4 bánh Mecanum đặt lệch góc con lăn $\phi_i = \pm 45^\circ$. Với vector vận tốc khung robot trong hệ trục cục bộ $\mathbf{v}_B = [v_x, v_y, \omega_z]^T$, bán kính bánh xe $R = 0.075\text{ m}$, khoảng cách từ tâm robot đến trục bánh theo phương x là $L = 0.25\text{ m}$ và theo phương y là $D = 0.22\text{ m}$.

Phương trình động học nghịch (Inverse Kinematics):

$$\begin{bmatrix} \omega_1 \ \omega_2 \ \omega_3 \ \omega_4 \end{bmatrix} = \frac{1}{R} \begin{bmatrix} 1 & -1 & -(L+D) \ 1 & 1 & (L+D) \ 1 & -1 & (L+D) \ 1 & 1 & -(L+D) \end{bmatrix} \begin{bmatrix} v_x \ v_y \ \omega_z \end{bmatrix}$$

Phương trình động học thuận (Forward Kinematics):

$$\begin{bmatrix} v_x \ v_y \ \omega_z \end{bmatrix} = \frac{R}{4} \begin{bmatrix} 1 & 1 & 1 & 1 \ -1 & 1 & -1 & 1 \ -\frac{1}{L+D} & \frac{1}{L+D} & \frac{1}{L+D} & -\frac{1}{L+D} \end{bmatrix} \begin{bmatrix} \omega_1 \ \omega_2 \ \omega_3 \ \omega_4 \end{bmatrix}$$

                Phương x (Tiến)
                     ^
         Bánh 2 [//] | [ \\ ] Bánh 1
                     |
         <-----------+-----------> Phương y (Ngang)
                     |
         Bánh 3 [ \\ ] | [ // ] Bánh 4

Phương pháp nghiên cứu và quản trị dự án

Quy trình phát triển kết hợp phương pháp Agile (Sprint 2 tuần) với các giai đoạn:

  1. Giai đoạn 1 (Tuần 1–4): Tính toán lý thuyết động học, mô phỏng Simulink và thiết kế cơ khí 3D trên SolidWorks.
  2. Giai đoạn 2 (Tuần 5–8): Gia công khung gầm cơ khí, đấu nối tủ điện phân phối nguồn (Inverter kích điện, Buck/Boost DC-DC), tích hợp mạch cầu H HI216 và động cơ DC Servo JGB37-545.
  3. Giai đoạn 3 (Tuần 9–14): Lập trình các node ROS Navigation, thuật toán FaceNet nhận diện khuôn mặt và xây dựng GUI bằng PyQt5.
  4. Giai đoạn 4 (Tuần 15–18): Thử nghiệm thực địa tại không gian thư viện, tối ưu hóa bộ điều khiển PID và triển khai kiểm thử bảo mật IoT qua Ngrok và MQTT.

Implementation và kết quả

Quá trình phát triển và thuật toán cốt lõi

1. Thuật toán điều hướng toàn cục (Global Planner) - Dijkstra

Sử dụng cấu trúc đồ thị lưới ô vuông (Occupancy Grid Map), thuật toán Dijkstra tìm đường đi có chi phí cực tiểu từ vị trí hiện tại của robot $S$ đến đích $G$ với độ phức tạp tính toán $\mathcal{O}(|V|^2 + |E|)$, trong đó $V$ là số nút không gian và $E$ là các cạnh kết nối liên kề.

2. Thuật toán điều hướng cục bộ (Local Planner) - Dynamic Window Approach (DWA)

DWA tính toán không gian vận tốc cho phép $V_r = V_s \cap V_a \cap V_d$ dựa trên giới hạn gia tốc của động cơ và khoảng cách an toàn tới chướng ngại vật từ dữ liệu quét LiDAR, sau đó tối ưu hàm mục tiêu:

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

# Trích xuất thuật toán tính toán vận tốc bánh Mecanum trong ROS Node điều khiển
import rospy
from geometry_msgs.msg import Twist
from std_msgs.msg import Float32MultiArray

class MecanumDriver:
    def __init__(self, wheel_radius=0.075, L=0.25, D=0.22):
        self.R = wheel_radius
        self.L = L
        self.D = D
        self.sub = rospy.Subscriber("/cmd_vel", Twist, self.cmd_vel_callback)
        self.pub_wheel_speeds = rospy.Publisher("/wheel_speeds", Float32MultiArray, queue_size=10)

    def cmd_vel_callback(self, msg):
        vx = msg.linear.x
        vy = msg.linear.y
        wz = msg.angular.z

        # Ma trận động học nghịch Mecanum
        w1 = (vx - vy - (self.L + self.D) * wz) / self.R
        w2 = (vx + vy + (self.L + self.D) * wz) / self.R
        w3 = (vx - vy + (self.L + self.D) * wz) / self.R
        w4 = (vx + vy - (self.L + self.D) * wz) / self.R

        wheel_data = Float32MultiArray(data=[w1, w2, w3, w4])
        self.pub_wheel_speeds.publish(wheel_data)

3. Thị giác máy tính: Pipeline nhận diện khuôn mặt MTCNN + FaceNet

Ảnh đầu vào (Camera)
      │
      ▼
┌──────────────┐
│  P-Net       │ ──> Đề xuất vùng chứa khuôn mặt (Bounding Boxes)
└──────────────┘
      │
      ▼
┌──────────────┐
│  R-Net       │ ──> Lọc bỏ bounding boxes sai, tinh chỉnh tọa độ
└──────────────┘
      │
      ▼
┌──────────────┐
│  O-Net       │ ──> Xác định 5 điểm đặc trưng (Mắt, mũi, khóe miệng)
└──────────────┘
      │
      ▼
Chuẩn hóa & Cắt khuôn mặt (160x160 pixels)
      │
      ▼
┌──────────────────┐
│  FaceNet Model   │ ──> Trích xuất vector nhúng đặc trưng 128 chiều
└──────────────────┘
      │
      ▼
So khớp khoảng cách Euclidean $d(v_1, v_2) < \tau$ (Ngưỡng $\tau = 0.68$) với Database sinh viên

# Trích xuất module so khớp vector đặc trưng khuôn mặt FaceNet
import torch
from facenet_pytorch import InceptionResnetV1
import numpy as np

# Khởi tạo mô hình tiền huấn luyện trên VGGFace2
resnet = InceptionResnetV1(pretrained='vggface2').eval()

def compute_face_embedding(aligned_face_tensor):
    """Trích xuất vector 512 chiều từ tensor khuôn mặt đã chuẩn hóa (160x160)"""
    with torch.no_grad():
        embedding = resnet(aligned_face_tensor.unsqueeze(0))
    return embedding.squeeze().numpy()

def verify_student(input_emb, db_emb, threshold=0.68):
    """Tính khoảng cách Euclidean giữa vector khuôn mặt quét và cơ sở dữ liệu"""
    distance = np.linalg.norm(input_emb - db_emb)
    is_match = distance < threshold
    return is_match, float(distance)

Kiểm thử và đánh giá hiệu năng (Testing & Validation)

Hệ thống được thử nghiệm qua 150 chu kỳ kiểm thử toàn diện tại thư viện Trường Đại học Sư phạm Kỹ thuật TP.HCM:

Chỉ số kiểm thử Mục tiêu thiết kế Kết quả thực nghiệm Đánh giá sai số / Tỷ lệ
Độ chính xác dừng điểm mục tiêu (Navigation) Sai số $\Delta d < 10\text{ cm}$ Sai số trung bình: $3.8\text{ cm}$ Đạt yêu cầu 100%
Sai số góc quay thân xe ($\Delta \theta$) Sai số $\Delta \theta < 5^\circ$ Sai số trung bình: $2.1^\circ$ Đạt yêu cầu
Thời gian nhận diện khuôn mặt (MTCNN + FaceNet) $t < 1.0\text{ s}$ Trung bình: $0.42\text{ s}$ Nhanh hơn 58% so với ngưỡng
Tỷ lệ nhận diện đúng khuôn mặt (Accuracy) $> 90%$ $96.4%$ (100 mẫu sinh viên) Độ tin cậy cao
Khoảng cách phát hiện vật cản LiDAR $0.1\text{ m} - 20\text{ m}$ Tần số quét $10\text{ Hz}$, $7000\text{ pts/s}$ Nhận diện vật thể tĩnh/động mượt mà
Độ trễ truyền tín hiệu điều khiển Internet (MQTT) $t_{delay} < 300\text{ ms}$ Trung bình: $124\text{ ms}$ qua mạng 4G/WiFi Đáp ứng tức thời 
Tần suất phát hiện vật cản và điều chỉnh quỹ đạo:
- Tránh vật cản tĩnh (Bàn ghế, cột nhà): Tỷ lệ thành công 98.6%
- Tránh người đi bộ cắt ngang hành lang: Tỷ lệ thành công 94.2% (DWA cập nhật ở chu kỳ 10 Hz)

Đổi mới và đóng góp kỹ thuật

  1. Khả năng chuyển động đa hướng tối ưu không gian hẹp: Việc ứng dụng cơ cấu 4 bánh Mecanum kết hợp giải thuật động học chính xác giúp robot di chuyển tịnh tiến theo mọi phương $(x, y)$ và xoay tại chỗ ($\omega_z$), giảm 40% thời gian cơ động trong các lối đi hẹp giữa các kệ sách so với các robot dẫn động vi sai (Differential Drive).
  2. Kiến trúc SLAM tích hợp phần cứng SLAMTEC Mapper M1M1: Khác với các hệ thống LiDAR 2D thông thường đòi hỏi máy tính nhúng gánh toàn bộ thuật toán SLAM phức tạp, cảm biến M1M1 tự xử lý thuật toán SLAM trên chip với phạm vi xây dựng bản đồ lên tới $100\text{ m} \times 100\text{ m}$, giúp giảm 35% tải CPU cho máy tính điều khiển trung tâm Mini PC.
  3. Quy trình xác thực sinh viên đa phương thức không tiếp xúc: Tích hợp nhận diện sinh viên qua FaceNet (vector embedding 512 chiều) với quét mã vạch tài liệu tự động, rút ngắn thời gian xử lý một phiên mượn/trả sách từ 45 giây (thủ công) xuống còn dưới 8 giây.
  4. Hệ thống điều khiển phân tầng lai (Hybrid Cloud-Edge Architecture): Tách biệt tầng điều khiển động cơ thời gian thực (ESP32) và tầng xử lý AI/Navigation cao cấp (Ubuntu/ROS), đồng thời mở rộng khả năng điều khiển toàn cầu qua giao thức MQTT/E-Ra và ngrok tunnel, đảm bảo robot hoạt động an toàn ngay cả khi mất kết nối Internet.

Ứng dụng thực tế và triển khai

Kịch bản vận hành thực tế tại thư viện

  1. Chế độ Hướng dẫn & Tra cứu (Kiosk Mode): Sinh viên đứng trước robot, hệ thống kích hoạt MTCNN nhận diện khuôn mặt và hiển thị thông tin cá nhân cùng danh sách sách đang mượn. Sinh viên tra cứu vị trí sách qua giọng nói tiếng Việt ("Tìm sách Tự động hóa quá trình sản xuất").
  2. Chế độ Dẫn đường (Guiding Mode): Robot kích hoạt move_base, sử dụng thuật toán Dijkstra và DWA để di chuyển tự động dẫn sinh viên đến đúng vị trí kệ sách chứa tài liệu.
  3. Chế độ Tuần tra & Giám sát (Security Patrol Mode): Vào ban đêm, người quản lý kích hoạt lộ trình tuần tra tự động qua giao diện Web; camera gửi hình ảnh trực tiếp qua RTSP streaming và tự động lưu video vào Google Drive khi phát hiện chuyển động bất thường.

Phân tích chi phí - lợi ích (Cost-Benefit & ROI)

+-------------------------------------------------------------------------+
|                  BẢNG PHÂN TÍCH TỔNG CHI PHÍ CHẾ TẠO                    |
+---------------------------------------------------+---------------------+
| Hạng mục linh kiện / Thiết bị                      | Chi phí (VNĐ)       |
+---------------------------------------------------+---------------------+
| SLAMTEC Mapper M1M1 LIDAR Kit                     | 12.500.000          |
| Mini PC LongVu + Màn hình cảm ứng ViewSonic       | 8.200.000           |
| 4x Động cơ DC Servo JGB37-545 + Driver HI216      | 3.400.000           |
| Bộ 4 bánh xe Mecanum kim loại tải trọng cao       | 1.800.000           |
| Khung kim loại, vỏ Mica, Inverter, Pin & Phụ kiện | 4.600.000           |
+---------------------------------------------------+---------------------+
| TỔNG CHI PHÍ PHẦN CỨNG                            | 30.500.000 VNĐ      |
+---------------------------------------------------+---------------------+
  • Hiệu quả kinh tế: So với các robot dịch vụ thương mại nhập khẩu cùng tính năng (có giá từ 150.000.000 đến 250.000.000 VNĐ), mô hình tự nghiên cứu giúp tiết kiệm hơn 75% chi phí đầu tư ban đầu. Thời gian hoàn vốn (ROI) ước tính cho một thư viện trường đại học là 14 tháng dựa trên việc cắt giảm chi phí nhân sự trực ca và tối ưu hóa quản lý thất thoát sách.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Bánh xe Mecanum dễ bị trượt vi sai khi di chuyển trên bề mặt sàn quá bóng hoặc ẩm ướt, làm tích lũy sai số tích phân Odometry theo thời gian nếu không có bộ lọc bù Kalman/EKF nâng cao.
  • LiDAR 2D quét tại một mặt phẳng cố định ($z = 35\text{ cm}$), chưa phát hiện được các vật cản nhô ra ở tầm cao (như mép bàn học, giá sách chìa ra ngoài).
  • Băng thông truyền video phụ thuộc vào kết nối WiFi cục bộ của thư viện; độ trễ có thể tăng khi có quá nhiều thiết bị truy cập cùng một Access Point.

Hướng phát triển tiếp theo

  • Nâng cấp cảm biến: Tích hợp thêm cảm biến độ sâu 3D (Intel RealSense D435i hoặc Orbbec Astra) để thiết lập bản đồ đám mây điểm 3D (OctoMap), phát hiện vật cản đa tầng.
  • Cải tiến thuật toán định vị: Kết hợp cảm biến quán tính IMU 9 bậc tự do (9-DOF) với Wheel Odometry thông qua bộ lọc bù mở rộng robot_localization (Extended Kalman Filter) để loại bỏ hoàn toàn hiện tượng trượt bánh Mecanum.
  • Mở rộng tính năng: Tích hợp cánh tay robot cộng tác (Cobot 4 bậc tự do) gắn trên thân xe để tự động lấy sách từ kệ đưa cho người dùng.

Đối tượng hưởng lợi

  • Sinh viên & Bạn đọc: Trải nghiệm dịch vụ số hóa hiện đại, giảm thời gian tìm kiếm tài liệu và thủ tục mượn/trả sách; tương tác trực quan bằng công nghệ nhận diện khuôn mặt và giọng nói.
  • Nhân viên & Ban quản lý thư viện: Tự động hóa khâu điểm danh và kiểm kê tài liệu; giảm tải áp lực trực quầy giờ cao điểm; nâng cao hiệu quả giám sát an ninh 24/7 thông qua dữ liệu đám mây.
  • Kỹ sư & Lập trình viên Robotics: Khung mã nguồn mở kết hợp ROS Melodic, ESP32 và deep learning (FaceNet) là tài liệu tham khảo thực tiễn chuẩn mực cho việc phát triển các dòng xe tự hành AGV/AMR trong nhà.
  • Cộng đồng nghiên cứu học thuật: Cung cấp dữ liệu thực nghiệm chi tiết về sai số động học bánh Mecanum và hiệu năng thuật toán SLAM/DWA trên phần cứng chi phí tối ưu.

Câu hỏi thường gặp

1. Robot sử dụng cấu hình phần cứng tối thiểu nào để vận hành mượt mà hệ thống AI và ROS?

Hệ thống yêu cầu máy tính xử lý trung tâm trang bị CPU tối thiểu Intel Core i3 (khuyến nghị i5/i7 thế hệ 8 trở lên hoặc bo mạch nhúng tương đương như NVIDIA Jetson Xavier NX), RAM tối thiểu 8GB, ổ cứng SSD 120GB chạy hệ điều hành Ubuntu 18.04/20.04 LTS và ROS Melodic/Noetic.

2. Bánh xe Mecanum có bị trượt khi robot mang tải nặng 30 kg không?

Trọng lượng 30 kg phân bố đều lên 4 bánh xe giúp tăng áp lực tiếp xúc giữa con lăn cao su của bánh Mecanum và mặt sàn, từ đó tăng độ bám đường và giảm thiểu độ trượt vi sai. Tuy nhiên, thuật toán điều khiển vẫn cần tích hợp dữ liệu Odometry kết hợp quét laser (LiDAR Scan Matching) để hiệu chỉnh sai số trôi tọa độ theo thời gian thực.

3. Hệ thống xử lý thế nào khi hai người cùng xuất hiện trước camera nhận diện?

Mô hình MTCNN sẽ phát hiện đồng thời nhiều bounding boxes khuôn mặt. Thuật toán chọn khuôn mặt có diện tích bounding box lớn nhất nằm ở vùng trung tâm khung hình (vị trí người đứng trực diện tương tác với màn hình cảm ứng) để trích xuất vector FaceNet và thực hiện truy vấn cơ sở dữ liệu.

4. Nếu mất kết nối Internet, robot có thể tự hành di chuyển được không?

Có. Toàn bộ thuật toán định vị SLAM, quy hoạch đường đi Dijkstra, tránh vật cản DWA và nhận diện khuôn mặt FaceNet đều được tính toán cục bộ (Edge Computing) trên Mini PC. Kết nối Internet chỉ dùng cho tính năng giám sát từ xa qua E-Ra/MQTT và sao lưu video lên Google Drive.

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

Chi phí bảo trì ước tính khoảng 2.000.000 – 3.000.000 VNĐ/năm, chủ yếu dùng để bảo dưỡng con lăn bánh xe Mecanum (sau mỗi 2.000 giờ hoạt động) và kiểm tra dung lượng bình ắc quy/pin Lithium-ion.

Kết luận

Đồ án tốt nghiệp "Thiết kế và điều khiển mô hình robot phục vụ thư viện" của nhóm sinh viên Trường Đại học Sư phạm Kỹ thuật TP.HCM đã giải quyết trọn vẹn bài toán tích hợp hệ thống cơ điện tử phức tạp: từ thiết kế cơ khí chính xác, mô hình hóa động học bánh Mecanum, tích hợp hệ điều hành ROS cho điều hướng tự hành thông minh, đến ứng dụng các mô hình thị giác AI tiên tiến (MTCNN, FaceNet) và điện toán đám mây IoT.

Kết quả thử nghiệm thực tế với độ chính xác dừng điểm sai số dưới 3.8 cm, tỷ lệ nhận diện khuôn mặt đạt 96.4% và thời gian đáp ứng mượn/trả tài liệu dưới 8 giây đã chứng minh tính khả thi, độ ổn định và tiềm năng thương mại hóa cao của sản phẩm trong các thư viện thông minh và tòa nhà dịch vụ công cộng hiện đại.