Giới thiệu dự án

Nông nghiệp thông minh (Smart Agriculture) và tự động hóa thu hoạch đang trở thành xu hướng tất yếu trong bối cảnh thiếu hụt lao động nông nghiệp toàn cầu. Tại Việt Nam cũng như các nước có nền nông nghiệp tiên tiến (Mỹ, Tây Ban Nha, Hàn Quốc, Nhật Bản), ớt chuông (Capsicum annuum) là nông sản có giá trị kinh tế cao, đòi hỏi quy trình canh tác và thu hoạch nghiêm ngặt trong môi trường nhà kính hoặc giàn thủy canh. Chi phí nhân công thu hoạch hiện chiếm từ 35% đến 50% tổng chi phí vận hành trang trại, trong khi việc thu hái thủ công dễ gây dập nát, trầy xước vỏ quả và giảm thời gian bảo quản.

Bài toán kỹ thuật đặt ra là: Làm thế nào để tự động hóa toàn diện quy trình định vị, đánh giá độ chín và cắt hái ớt chuông trong môi trường nhà kính với chi phí chế tạo tối ưu, thích ứng với điều kiện nông nghiệp Việt Nam?

Đề tài tốt nghiệp "Thiết kế và chế tạo robot thu hoạch ớt chuông" do nhóm sinh viên ngành Công nghệ Kỹ thuật Cơ điện tử, Trường Đại học Sư phạm Kỹ thuật TP.HCM (HCMUTE) thực hiện dưới sự hướng dẫn của TS. Bùi Hà Đức đã giải quyết trực tiếp thách thức này thông qua hệ thống robot tự hành kết hợp tay máy công nghiệp và thị giác máy tính.

                  +----------------------------------------------+
                  |           NVIDIA JETSON NANO (AI Host)       |
                  |  - Intel RealSense D435 (RGB-D 3D Sensing)   |
                  |  - Deep Learning Detection (YOLO Object Det) |
                  |  - 3D Coordinate De-projection (Pointcloud)  |
                  +----------------------+-----------------------+
                                         | UART (115200 bps)
                  +----------------------v-----------------------+
                  |         STM32 MASTER CONTROLLER              |
                  |  - Kinematics / Trajectory Planning          |
                  |  - Closed-loop PID Velocity Control          |
                  +-----------+----------------------+-----------+
                              |                      |
             +----------------v-------+    +---------v------------------+
             |    HỆ THỐNG DI CHUYỂN  |    |  CÁNH TAY SCARA 4-DOF      |
             | - DC Planetary 24V 60W |    | - NEMA 23/17 Stepper Motor |
             | - Cầu H HI216 + Encoder|    | - TB6600 Driver + Vít me T8|
             | - Bánh xe vi sai D145mm|    | - Khâu cắt giữ cuống quả   |
             +------------------------+    +----------------------------+

Mục tiêu của dự án:

  1. Thiết kế và chế tạo khung xe tự hành (AMR): Khung nhôm định hình $700 \times 500 \times 450\text{ mm}$, tải trọng tĩnh/động tối đa $50\text{ kg}$, sử dụng cơ cấu truyền động vi sai 2 bánh chủ động kết hợp 4 bánh đa hướng giúp di chuyển linh hoạt trong luống trồng hẹp ($0.8 - 1.0\text{ m}$).
  2. Nghiên cứu và chế tạo cánh tay robot SCARA 4 bậc tự do (4-DOF): Tích hợp trục nâng hạ vít me bi T8 và cơ cấu chấp hành cuối (End-Effector) dạng lưỡi cắt giữ cuống chuyên dụng.
  3. Phát triển hệ thống thị giác máy tính AI 3D: Ứng dụng camera chiều sâu Intel RealSense Depth D435 kết hợp mạng nơ-ron tích chập (CNN) YOLO trên máy tính nhúng NVIDIA Jetson Nano nhằm nhận diện phân loại quả chín/xanh và tính toán tọa độ không gian 3 chiều $(X, Y, Z)$ theo thời gian thực.
  4. Xây dựng giải thuật điều khiển chuyển động bám quỹ đạo: Thiết kế bộ điều khiển PID số trên vi điều khiển ARM Cortex-M3 (STM32F103) cho động cơ DC Servo có encoder phản hồi, sai số vị trí cánh tay $\le \pm 2\text{ mm}$.

Phạm vi và giới hạn: Robot hoạt động tối ưu trên bề mặt sàn phẳng (bê tông hoặc nền cứng trong nhà kính thủy canh), khoảng cách giữa 2 hàng cây từ $60\text{ cm}$, tầm với cánh tay bao phủ chiều cao tán cây từ $0.3\text{ m}$ đến $1.5\text{ m}$.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí so sánh Thu hoạch thủ công Hệ thống Gantry cố định Robot thu hoạch di động (Đề tài)
Chi phí đầu tư ban đầu Rất thấp (dụng cụ cầm tay) Rất cao (lắp đặt toàn bộ nhà kính) Trung bình (linh hoạt mở rộng quy mô)
Tốc độ & Năng suất $50 - 60\text{ kg/ngày/người}$ Tốc độ cao nhưng giới hạn vùng $15 - 20\text{ giây/quả}$, vận hành liên tục
Độ chính xác chọn lọc Phụ thuộc cảm tính con người Khó phân loại chính xác từng quả Định lượng qua AI (màu sắc, kích thước)
Tác động cơ học lên quả Dễ bầm dập do dùng lực tay Cồng kềnh, dễ gãy cành lân cận Cơ cấu kẹp cắt trực tiếp, giảm dập nát
Tính linh hoạt không gian Cao Cố định, không thể tái cấu trúc Tự hành linh hoạt giữa các luống

So với các giải pháp thương mại trên thế giới như robot Rubion (thu hoạch dâu tây - Bỉ), robot Argist (thu hoạch dưa chuột - Nhật Bản) hay Virgo 1 (thu hoạch cà chua - Mỹ), giải pháp trong đề tài này tập trung tối ưu hóa cấu trúc SCARA 4-DOF với kết cấu in 3D chịu lực kết hợp gia công CNC chính xác, giúp giảm giá thành sản xuất xuống dưới $1,500\text{ USD}$ trong khi vẫn đảm bảo độ cứng vững tương đương các dòng máy công nghiệp.

Yêu cầu người dùng (Mô hình MoSCoW):

  • Must have: Nhận diện chính xác ớt chuông chín (đỏ/vàng) và chưa chín (xanh); truyền tọa độ $(X, Y, Z)$ về bộ điều khiển; cơ cấu kẹp và cắt dứt điểm cuống quả; phanh dừng an toàn khi gặp chướng ngại vật.
  • Should have: Điều khiển bám quỹ đạo mượt mà bằng PID; giao tiếp không dây giám sát trạng thái; tối ưu hóa quỹ đạo chuyển động nhằm giảm thời gian chu kỳ thu hoạch.
  • Could have: Tích hợp cảm biến lực trên tay gắp để kiểm soát lực ép vỏ quả; hệ thống tự động đưa quả vào thùng chứa.
  • Won't have (lần này): Khả năng vượt địa hình bùn lầy ngoài cánh đồng hở; tính năng tự động sạc không dây.

Thiết kế hệ thống

1. Kiến trúc phần cứng & Công nghệ cốt lõi

  • Khối xử lý trung tâm (Edge AI Host): Bo mạch nhúng NVIDIA Jetson Nano 4GB (Ubuntu 18.04 LTS, JetPack 4.6, TensorRT, OpenCV 4.5.4, Python 3.6).
  • Khối cảm biến thị giác: Camera Intel RealSense Depth D435 (Active IR Stereo Depth, RGB Global Shutter, tầm hoạt động $0.2\text{ m} - 3.0\text{ m}$, sai số chiều sâu $< 2%$ ở khoảng cách $1\text{ m}$).
  • Khối điều khiển chấp hành cấp thấp: Vi điều khiển STM32F103RCT6 (72MHz ARM Cortex-M3, 256KB Flash) xử lý động học và PID bánh xe; STM32F103C8T6 phụ trách điều khiển động cơ bước cánh tay SCARA qua giao thức UART (Baudrate: 115200 bps).
  • Hệ thống dẫn động & Nguồn:
    • 2 Động cơ DC Planetary $24\text{V} - 60\text{W}$, tốc độ $320\text{ RPM}$, gắn Encoder quang học 13 xung/vòng (PPR), tỷ số truyền hộp số $1:30$.
    • Mạch công suất cầu H HI216 ($30\text{A}$ đỉnh).
    • Động cơ bước NEMA 23 (57HS56, 57HS112) và NEMA 17 (17HD4401S) điều khiển các khớp SCARA thông qua Driver TB6600 ($4.0\text{A}, 9-42\text{V}$).
    • Nguồn cấp: Pin Lithium Li-ion $12\text{V} - 19.6\text{Ah}$ kết hợp mạch Boost $24\text{V}$ và module giảm áp Buck LM2596 ($12\text{V} \rightarrow 5\text{V}/3.3\text{V}$).
+-----------------------------------------------------------------------------------+
|                            HỆ THỐNG ĐIỆN VÀ PHÂN PHỐI NGUỒN                       |
|                                                                                   |
|  [Battery 12V 19.6Ah] ---> [Boost DC-DC 24V] ---> [Mạch Cầu H HI216] ---> (DC Motors)|
|                       ---> [Buck LM2596 5V]  ---> [Jetson Nano / Sensor]          |
|                       ---> [Step-down 5V/3V3]---> [STM32 Dual MCU]                |
|                       ---> [Driver TB6600]   ---> [NEMA 23/17 Stepper Motors]     |
+-----------------------------------------------------------------------------------+

Phương pháp nghiên cứu & Tính toán cơ khí

Nhóm áp dụng mô hình thiết kế V-Model kết hợp mô phỏng kỹ thuật số (CAE/CAD) trên SolidWorks và MATLAB/Simulink.

1. Tính toán động lực học khung xe

  • Tổng khối lượng toàn tải: $m = 50\text{ kg}$; Vận tốc thiết kế tối đa: $v = 1.0\text{ m/s}$; Thời gian tăng tốc: $t = 2.0\text{ s} \implies a = 0.5\text{ m/s}^2$.
  • Đường kính bánh dẫn động: $D = 145\text{ mm} \implies R = 0.0725\text{ m}$.
  • Hệ số ma sát lăn giữa bánh cao su và sàn bê tông: $\mu = 0.01$.
  • Lực ma sát lăn tổng cộng: $$F_{ms} = \mu \cdot m \cdot g = 0.01 \cdot 50 \cdot 9.81 = 4.905\text{ N}$$
  • Lực kéo tiếp tuyến yêu cầu khi tăng tốc: $$F_k = F_{ms} + m \cdot a = 4.905 + (50 \cdot 0.5) = 29.905\text{ N}$$
  • Công suất kéo toàn phần trên 2 bánh chủ động: $$P_k = F_k \cdot v = 29.905 \cdot 1.0 = 29.905\text{ W} \implies P_{1đc} = 14.95\text{ W}$$
  • Với hiệu suất bộ truyền đai $\eta_đ = 0.95$ và hiệu suất ổ lăn $\eta_{ol} = 0.99$: $$P_{ct} = \frac{P_{1đc}}{\eta_đ \cdot \eta_{ol}} = \frac{14.95}{0.95 \cdot 0.99} \approx 15.91\text{ W}$$
  • Tốc độ quay của bánh xe: $$n_{bx} = \frac{60 \cdot v}{\pi \cdot D} = \frac{60 \cdot 1.0}{\pi \cdot 0.145} \approx 131.7\text{ RPM}$$
  • Với tỉ số truyền đai răng $u = \frac{72}{20} = 3.6$, tốc độ động cơ cần đạt: $$n_{đc} = 131.7 \cdot 3.6 \approx 474.12\text{ RPM}$$
  • Nhóm lựa chọn động cơ DC Planet $24\text{V} - 60\text{W} - 320\text{ RPM}$ (kèm hộp số) với dải moment danh định $12\text{ Nm}$, hoàn toàn đáp ứng hệ số an toàn $S_F \ge 1.8$.

2. Kiểm nghiệm ứng suất khung nhôm trên SolidWorks Simulation

  • Vật liệu khung: Hợp kim nhôm 6063-T5 (Giới hạn chảy dẻo $\sigma_y = 145\text{ MPa}$).
  • Tải trọng thử nghiệm: $F = 490\text{ N}$ phân bố đều trên các thanh dầm đỡ.
  • Kết quả phân tích phần tử hữu hạn (FEA):
    • Ứng suất Von Mises cực đại: $\sigma_{max} = 5.145\text{ MPa}$ ($5.145 \times 10^6\text{ N/m}^2$), tương đương $3.54%$ giới hạn bền cho phép.
    • Độ võng chuyển vị cực đại: $\Delta L_{max} = 0.042\text{ mm}$, đảm bảo khung xe không bị biến dạng đàn hồi làm lệch trục đo đạc của camera.

Implementation và kết quả

Quy trình phát triển & Giải thuật điều khiển

1. Động học cánh tay robot SCARA (Thuận và Nghịch)

Mô hình cánh tay 4-DOF bao gồm 1 khớp tịnh tiến $d_1$ (trục $Z$ nâng hạ bằng vít me T8 bước $8\text{ mm}$) và 3 khớp quay $\theta_1, \theta_2, \theta_3$ hoạt động trong mặt phẳng ngang song song sàn.

                  Z ^
                    |   [Khớp 1: Tịnh tiến d1 - Vít me T8]
                    |===|
                        |
                        +---> [Khớp 2: Quay theta_1, chiều dài L1 = 250mm]
                              \
                               \
                                +---> [Khớp 3: Quay theta_2, chiều dài L2 = 200mm]
                                      \
                                       +---> [Khớp 4: Quay theta_3 + End-Effector]

Bảng thông số Denavit-Hartenberg (D-H):

Khâu ($i$) $\alpha_{i-1}$ $a_{i-1}$ $d_i$ $\theta_i$
1 $0^\circ$ $0$ $d_1$ (biến thiên $0 - 400\text{ mm}$) $0^\circ$
2 $0^\circ$ $L_1 = 250\text{ mm}$ $0$ $\theta_1$ (biến thiên $-90^\circ \to +90^\circ$)
3 $0^\circ$ $L_2 = 200\text{ mm}$ $0$ $\theta_2$ (biến thiên $-135^\circ \to +135^\circ$)
4 $0^\circ$ $L_3 = 100\text{ mm}$ $0$ $\theta_3$ (hướng lưỡi cắt)

Phương trình động học thuận xác định vị trí đầu công tác $(X_E, Y_E, Z_E)$: $$X_E = L_1 \cos(\theta_1) + L_2 \cos(\theta_1 + \theta_2) + L_3 \cos(\theta_1 + \theta_2 + \theta_3)$$ $$Y_E = L_1 \sin(\theta_1) + L_2 \sin(\theta_1 + \theta_2) + L_3 \sin(\theta_1 + \theta_2 + \theta_3)$$ $$Z_E = d_1$$

Từ tọa độ mục tiêu $(X, Y, Z)$ do camera cung cấp, góc khớp nghịch được tính toán theo phương pháp hình học giải tích trên vi điều khiển STM32: $$\cos(\theta_2) = \frac{X'^2 + Y'^2 - L_1^2 - L_2^2}{2 L_1 L_2} \quad \text{với } X' = X - L_3\cos(\phi), ; Y' = Y - L_3\sin(\phi)$$ $$\theta_2 = \text{atan2}\left(\pm\sqrt{1 - \cos^2(\theta_2)}, , \cos(\theta_2)\right)$$ $$\theta_1 = \text{atan2}(Y', X') - \text{atan2}\left(L_2\sin(\theta_2), , L_1 + L_2\cos(\theta_2)\right)$$

2. Xử lý ảnh 3D & Trích xuất tọa độ trên Jetson Nano

Thuật toán trích xuất đám mây điểm (Pointcloud De-projection) từ ma trận nội tại camera (Camera Intrinsics Matrix):

import pyrealsense2 as rs
import numpy as np
import cv2
import serial
import struct

# Khởi tạo RealSense Pipeline
pipeline = rs.pipeline()
config = rs.config()
config.enable_stream(rs.stream.color, 640, 480, rs.format.bgr8, 30)
config.enable_stream(rs.stream.depth, 640, 480, rs.format.z16, 30)
profile = pipeline.start(config)

# Lấy thông số nội tại camera (Intrinsics)
depth_profile = rs.video_stream_profile(profile.get_stream(rs.stream.depth))
intrinsics = depth_profile.get_intrinsics()

# Cấu hình UART gửi dữ liệu tới STM32
ser = serial.Serial('/dev/ttyTHS1', 115200, timeout=1)

def get_3d_coordinates(bbox, depth_frame):
    # Tâm của bounding box từ mạng YOLO (u, v)
    u = int((bbox[0] + bbox[2]) / 2)
    v = int((bbox[1] + bbox[3]) / 2)
    
    # Lấy khoảng cách chiều sâu Z (mét)
    depth_val = depth_frame.get_distance(u, v)
    if depth_val <= 0.0 or depth_val > 1.5:
        return None
    
    # Chiếu ngược sang hệ tọa độ thực Descartes 3D của Camera
    point_3d = rs.rs2_deproject_pixel_to_point(intrinsics, [u, v], depth_val)
    # point_3d trả về [X_c, Y_c, Z_c] theo đơn vị mét
    return point_3d

def send_target_to_mcu(x_mm, y_mm, z_mm):
    # Đóng gói dữ liệu Binary chuẩn: [Header 0xAA 0x55] [X] [Y] [Z] [Checksum]
    header = bytes([0xAA, 0x55])
    payload = struct.pack('<fff', float(x_mm), float(y_mm), float(z_mm))
    checksum = sum(payload) & 0xFF
    packet = header + payload + bytes([checksum])
    ser.write(packet)

3. Bộ điều khiển vận tốc PID trên STM32

Hàm truyền rời rạc của bộ điều khiển PID số cài đặt trong ngắt Timer $10\text{ ms}$:

#include "stm32f10x.h"

typedef struct {
    float Kp, Ki, Kd;
    float prev_error;
    float integral;
    float output_limit;
} PID_Controller;

float PID_Compute(PID_Controller *pid, float setpoint, float feedback, float dt) {
    float error = setpoint - feedback;
    
    // Tích phân chống bão hòa (Anti-windup)
    pid->integral += error * dt;
    if (pid->integral > pid->output_limit) pid->integral = pid->output_limit;
    else if (pid->integral < -pid->output_limit) pid->integral = -pid->output_limit;
    
    // Vi phân lọc thông thấp
    float derivative = (error - pid->prev_error) / dt;
    pid->prev_error = error;
    
    float output = (pid->Kp * error) + (pid->Ki * pid->integral) + (pid->Kd * derivative);
    
    // Bão hòa ngõ ra PWM (-1000 đến +1000)
    if (output > pid->output_limit) output = pid->output_limit;
    if (output < -pid->output_limit) output = -pid->output_limit;
    
    return output;
}

Thử nghiệm và đánh giá kết quả

Hệ thống được kiểm nghiệm qua $150$ chu kỳ thu hoạch thực nghiệm trên luống ớt chuông trồng thủy canh:

+-----------------------------------------------------------------------------------+
|               KẾT QUẢ ĐO KIỂM HIỆU SUẤT THU HOẠCH VÀ ĐỘ CHÍNH XÁC                 |
|                                                                                   |
|  [Độ chính xác nhận diện YOLOv8 (mAP@0.5)] : 94.6% (Ớt chín) | 91.2% (Ớt xanh)     |
|  [Tốc độ xử lý AI Inference (Jetson Nano)] : 22.4 FPS                             |
|  [Độ sai lệch vị trí đầu kẹp cắt SCARA]   : +/- 2.1 mm (Mục tiêu: <= +/- 3.0 mm) |
|  [Thời gian trung bình một chu kỳ hái]     : 16.8 giây / quả                      |
|  [Tỷ lệ cắt cuống thành công]              : 88.67% (133/150 lần hái)             |
|  [Tỷ lệ không gây tổn thương cành/quả]     : 96.0%                                |
+-----------------------------------------------------------------------------------+

Ma trận nhầm lẫn (Confusion Matrix) & Độ chính xác AI:

  • Dữ liệu huấn luyện: $1,200$ ảnh chụp thực tế tại vườn với các điều kiện chiếu sáng tự nhiên thay đổi (sáng sớm, trưa gắt, bóng râm lá che khuất).
  • Độ chính xác phát hiện (Precision): $93.8%$; Độ phủ (Recall): $91.5%$.
  • Tốc độ suy luận với TensorRT FP16: $44.6\text{ ms/frame}$ ($\approx 22.4\text{ FPS}$), đảm bảo quét liên tục khi xe di chuyển ở tốc độ $0.2\text{ m/s}$.

Đánh giá điều khiển chuyển động:

  • Thông số PID thực nghiệm tối ưu qua công cụ MATLAB System Identification: $K_p = 1.42$, $K_i = 0.08$, $K_d = 0.015$.
  • Thời gian xác lập tốc độ bánh xe: $t_s = 0.35\text{ s}$, độ vọt lố (Overshoot) $\sigma% < 4.2%$, triệt tiêu hoàn toàn hiện tượng lệch quỹ đạo khi chạy thẳng dài $10\text{ m}$.

Đổi mới và đóng góp kỹ thuật

  1. Kiến trúc điều khiển phân tầng Real-time Edge-to-MCU: Tách biệt hoàn toàn tác vụ tính toán thị giác phức tạp (trên nền Linux của Jetson Nano) và tác vụ điều khiển động cơ với ngắt thời gian thực cứng (Bare-metal C trên STM32), loại bỏ triệt để hiện tượng trễ điều khiển (jitter) khi robot đang tiếp cận vật thể.
  2. Giải thuật khử nhiễu chiều sâu thời gian thực (Depth Bilateral Filtering): Xử lý vùng biên của tán lá phản chiếu ánh sáng mạnh, giúp trích xuất tâm cuống quả với độ sai lệch tọa độ thực tế dưới $2.5\text{ mm}$.
  3. Cơ cấu cắt - giữ tích hợp cơ học thụ động: Lưỡi dao trượt mini kết hợp má kẹp silicon mềm điều khiển qua duy nhất 1 động cơ servo, giảm $50%$ khối lượng phần đầu công tác so với các hệ thống dùng xilanh khí nén cồng kềnh.
  4. Hiệu quả kinh tế vượt trội: Toàn bộ hệ thống cơ điện tử được chế tạo với tổng ngân sách khoảng $32.5$ triệu VNĐ, tiết kiệm hơn $85%$ chi phí so với các cánh tay robot công nghiệp nhập ngoại cùng tải trọng, mở ra tiềm năng ứng dụng thực tế cao cho các hợp tác xã nông nghiệp tại Việt Nam.

Ứng dụng thực tế và triển khai

Kịch bản vận hành thực tế tại nhà kính

Robot di chuyển dọc theo tim đường bê tông giữa 2 luống cây với chế độ bám đường tự động (Line-tracking hoặc Visual Odometry). Camera liên tục quét hai bên sườn:

  1. Khi phát hiện quả ớt chuông đạt độ chín chuẩn ($>80%$ diện tích chuyển màu đỏ/vàng), robot tự động hãm dừng xe tại vị trí tối ưu.
  2. Bộ điều khiển tính toán góc khớp $\theta_1, \theta_2, \theta_3$ và độ cao $d_1$, đưa tay gắp SCARA vươn tới cuống quả.
  3. Má kẹp cố định nhẹ cuống ớt, lưỡi cắt kích hoạt cắt rời cuống trong $1.2\text{ s}$.
  4. Cánh tay rút về và chuyển quả vào thùng chứa gắn sẵn trên khung xe trước khi tiếp tục hành trình.
[Start Run]

Phân tích hiệu quả đầu tư (ROI):

  • Diện tích trang trại mẫu: $2,000\text{ m}^2$ ($8,000$ gốc ớt chuông).
  • Năng suất thu hoạch của robot: Đạt $350 - 450\text{ kg/ngày}$ (vận hành 12 tiếng liên tục).
  • Tiết kiệm: Thay thế tương đương $3$ lao động thời vụ thủ công (chi phí nhân công tiết kiệm: $\approx 18 - 22\text{ triệu VNĐ/tháng}$).
  • Thời gian hoàn vốn ước tính (Payback Period): $6 - 8\text{ tháng}$.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại:

  • Tán lá rậm rạp che khuất (Occlusion): Khi quả bị cụm lá dày che lấp quá $60%$ diện tích, hệ thống thị giác 2D/3D gặp khó khăn trong việc xác định chính xác góc nghiêng của cuống.
  • Hiện tượng trượt vi sai khi sàn ướt: Sàn nhà kính khi tưới tiêu có nước đọng làm tăng hệ số trượt của bánh cao su, dẫn đến tích lũy sai số vị trí theo thời gian nếu chỉ dùng Encoder odometry.

Hướng phát triển tiếp theo:

  • Nâng cấp thuật toán định vị và lập bản đồ đồng thời (Visual SLAM / LiDAR SLAM) kết hợp cảm biến quán tính IMU 9 trục để bù trượt tự động.
  • Phát triển đầu kẹp mềm (Soft Robotics Gripper) bằng vật liệu đàn hồi sinh học để thích ứng với mọi hình thái quả cong queo mà không gây trầy xước.
  • Chuyển đổi kiến trúc phần mềm sang hệ điều hành robot ROS2 (Robot Operating System 2) nhằm tăng cường khả năng mở rộng đa robot (Multi-agent Fleet Management).

Đối tượng hưởng lợi

  • Sinh viên & Kỹ sư Cơ điện tử / Tự động hóa: Cung cấp tài liệu tham khảo hoàn chỉnh từ tính toán sức bền kết cấu nhôm định hình, giải tích động học ngược SCARA đến tích hợp hệ thống nhúng điều khiển phân tán.
  • Chủ trang trại & Doanh nghiệp nông nghiệp công nghệ cao: Có được bản thiết kế kỹ thuật khả thi để nội địa hóa trang thiết bị thu hoạch tự động với chi phí thấp.
  • Nhà nghiên cứu AI trong nông nghiệp: Mô hình xử lý dữ liệu ảnh RGB-D kết hợp mạng CNN gọn nhẹ tối ưu hóa cho phần cứng biên (Edge Computing).

Câu hỏi thường gặp (FAQ)

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

Hệ thống yêu cầu máy tính nhúng tối thiểu NVIDIA Jetson Nano 4GB (hoặc Jetson Orin Nano để đạt tốc độ nhận diện cao hơn), camera Intel RealSense D435/D435i, vi điều khiển ARM Cortex-M3 (STM32F103) và bộ nguồn ắc quy/pin xả dòng tối thiểu $25\text{A}$ ($12\text{V}-24\text{V}$).

2. Robot có thể thu hoạch các loại nông sản khác như cà chua, dâu tây không?

Hoàn toàn có thể. Cần huấn luyện lại mô hình YOLO với tập dữ liệu (dataset) quả mới và điều chỉnh lực kẹp/kích thước lưỡi cắt của khâu chấp hành cuối cho phù hợp với độ mềm của vỏ từng loại quả.

3. Làm thế nào để robot tránh cắt phải thân cây hoặc nhánh chính?

Hệ thống thị giác trích xuất vùng cuống dựa trên phân tích mặt nạ phân vùng (Instance Segmentation). Nếu tọa độ điểm cắt nằm quá sát thân cây chính (sai lệch bán kính $< 15\text{ mm}$ do cảm biến phát hiện), vi điều khiển sẽ tự động hủy lệnh cắt và chuyển sang tư thế tiếp cận khác an toàn hơn.

4. Chi phí bảo trì và độ bền các chi tiết in 3D ra sao?

Các chi tiết chịu lực lớn được in bằng nhựa kỹ thuật PLA+/PETG với mật độ nạp (infill) $80 - 100%$, kết hợp ổ bi chà chịu lực kép. Chi phí thay thế một khớp xoay in 3D khi hỏng hóc dưới $50,000\text{ VNĐ}$ và thời gian in thay thế trong vòng $4 - 6\text{ giờ}$.

5. Khả năng chống chịu nước và bụi của robot trong nhà kính như thế nào?

Toàn bộ tủ điện và bo mạch được thiết kế khép kín với chuẩn kháng bụi/nước tương đương IP54, có quạt thông gió gắn màng lọc bụi mịn, đảm bảo hoạt động an toàn trong môi trường nhà kính có độ ẩm lên tới $85 - 90%$.

Kết luận

Đồ án tốt nghiệp "Thiết kế và chế tạo robot thu hoạch ớt chuông" của nhóm sinh viên Trường Đại học Sư phạm Kỹ thuật TP.HCM là một công trình nghiên cứu ứng dụng toàn diện, kết hợp chặt chẽ giữa kỹ thuật cơ khí chính xác, thiết kế hệ thống điện nhúng và công nghệ trí tuệ nhân tạo thị giác máy tính. Kết quả thực nghiệm với tỷ lệ thu hoạch thành công đạt xấp xỉ $88.7%$ và thời gian chu kỳ $16.8\text{ s/quả}$ đã khẳng định tính khả thi, độ tin cậy và tiềm năng to lớn của việc tự động hóa nông nghiệp chính xác tại Việt Nam, đóng góp tích cực vào tiến trình công nghiệp hóa - hiện đại hóa ngành nông nghiệp nước nhà.