Giới thiệu dự án

Trong kỷ nguyên Công nghiệp 4.0 và sự bùng nổ của thương mại điện tử toàn cầu, hoạt động quản lý kho vận (Intralogistics & Warehouse Management) đóng vai trò sống còn đối với chuỗi cung ứng. Theo các báo cáo thị trường logistics, chi phí vận hành kho bãi và xử lý đơn hàng chiếm từ 20% đến 50% tổng chi phí logistics của doanh nghiệp, trong đó việc bốc dỡ, phân loại và di chuyển hàng hóa thủ công chiếm hơn 55% thời gian làm việc của nhân công. Sự chuyển dịch sang các hệ thống tự động hóa lưu kho (Automated Storage and Retrieval Systems - AS/RS) và Robot tự hành (Autonomous Mobile Robot - AMR) là xu thế tất yếu nhằm tối ưu hóa năng suất và giảm thiểu sai sót do con người.

                  +----------------------------------------------+
                  |           HỆ THỐNG QUẢN LÝ KHO (WMS)         |
                  |     (Giao diện Web Giám sát & Điều khiển)    |
                  +----------------------+-----------------------+
                                         | HTTP / REST API / WebSockets
                                         v
                  +----------------------------------------------+
                  |             ESP32 WEBSERVER & CLIENT         |
                  +----------------------+-----------------------+
                                         | MQTT Protocol (Wi-Fi 2.4GHz)
                                         v
                  +----------------------------------------------+
                  |         RASPBERRY PI 4B (MQTT Broker)        |
                  |   - Xử lý thị giác máy tính (OpenCV / QR)   |
                  |   - Máy tính điều khiển trung tâm            |
                  +----------------------+-----------------------+
                                         | UART (Baudrate 115200 bps)
                                         v
                  +----------------------------------------------+
                  |              ARDUINO MEGA 2560               |
                  |  (Tính toán Động học ngược & Điều khiển băm xung)
                  +----------------------+-----------------------+
                                         | Step / Dir Signals
                    +--------------------+--------------------+
                    |                                         |
                    v                                         v
         +----------------------+                  +----------------------+
         | 4x DRV8825 + NEMA 17 |                  |   SERVO MG996R LIFT  |
         |  Bánh xe Mecanum 45° |                  |   Cơ cấu nâng hạ     |
         +----------------------+                  +----------------------+

Vấn đề thực tế (Problem Statement)

Các doanh nghiệp vừa và nhỏ (SMEs) tại Việt Nam đang đối mặt với bài toán tối ưu hóa diện tích kho bãi và chi phí đầu tư thiết bị tự động. Các giải pháp AGV (Automated Guided Vehicle) truyền thống dẫn đường bằng đường line từ tính (magnetic tape) thiếu tính linh hoạt khi cần tái cấu trúc sơ đồ kho, trong khi các dòng AMR cao cấp sử dụng cảm biến LiDAR kết hợp thuật toán SLAM (Simultaneous Localization and Mapping) lại có chi phí triển khai quá đắt đỏ ($15,000 - $40,000/robot).

Mục tiêu dự án

  1. Thiết kế cơ khí và động học: Chế tạo mô hình Mobile Robot 4 bánh Mecanum đa hướng (Omnidirectional Mobile Robot) cho phép chuyển động tịnh tiến, xoay tròn tại chỗ và di chuyển xiên linh hoạt trong không gian kho hẹp.
  2. Hệ thống thị giác định vị: Xây dựng thuật toán nhận diện và giải mã mã ma trận 2 chiều (QR Code Navigation) thông qua camera để hiệu chỉnh tọa độ và điều hướng robot chính xác đến từng ô kệ.
  3. Kiến trúc truyền thông IoT: Thiết lập mô hình mạng phân tán dựa trên giao thức MQTT (Message Queuing Telemetry Transport) kết hợp hệ thống máy chủ môi giới (MQTT Broker) và máy trạm (MQTT Client).
  4. Hệ thống giám sát SCADA/Web: Xây dựng Web Server điều khiển và giám sát vị trí, trạng thái xuất/nhập kho theo thời gian thực (Real-time Monitoring & Control Dashboard).

Phạm vi và giới hạn đề tài

  • Môi trường hoạt động: Mặt phẳng nhà kho tiêu chuẩn, độ dốc 0°, không có vật cản đột ngột ngoài bản đồ định vị.
  • Tải trọng tối đa: 5.0 kg trên toàn bộ khung gầm 4 bánh.
  • Phương pháp định vị: Định vị mốc rời rạc (Discrete Landmark Positioning) thông qua lưới ma trận QR dán trên mặt sàn và mã định danh trên thùng hàng.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí so sánh AGV Dẫn đường Line từ (Magnetic Line) AMR Định vị LiDAR SLAM Mobile Robot Mecanum + QR Code (Đề tài)
Độ linh hoạt điều hướng Thấp (Cố định theo đường dán trên sàn) Rất cao (Tự tạo bản đồ, né vật cản) Cao (Lưới tọa độ QR đa hướng, dễ cấu hình lại)
Bán kính quay vòng Phụ thuộc bán kính bẻ lái bánh vi sai Xoay tại chỗ (Zero turning radius) Bằng 0 (Xoay tại chỗ, di chuyển ngang không cần quay đầu)
Chi phí triển khai Trung bình ($5,000 - $10,000) Rất cao ($15,000 - $50,000) Tối ưu/Thấp (< $1,000 cho mô hình R&D)
Bảo trì bản đồ Phức tạp khi thay đổi layout kho Cần quét lại toàn bộ Point Cloud Đơn giản (Chỉ cần dán/thay thế mã QR mới)
Độ ổn định định vị Cao trên đường line cố định Bị trôi (drift) trong môi trường đối xứng Tuyệt đối tại các nút giao có mốc QR

Ma trận phân loại yêu cầu hệ thống (MoSCoW Prioritization)

  • Must-have: Giải thuật động học nghịch 4 bánh Mecanum; Nhận diện mã QR chính xác ở độ phân giải tiêu chuẩn; Giao tiếp MQTT thời gian thực giữa Web, Pi và MCU; Cơ cấu nâng hạ thùng hàng tự động.
  • Should-have: Giao diện Web hiển thị trực quan sơ đồ kho (Slot Grid Map) với tọa độ A1-C3; Phản hồi trạng thái (Feedback loop) qua UART.
  • Could-have: Tự động tính toán đường đi tối ưu khi xuất nhiều kiện hàng liên tiếp; Chế độ điều khiển manual bằng Joystick trên Web.
  • Won't-have (giai đoạn này): Tích hợp cảm biến LiDAR 2D/3D tránh vật cản động; Hệ thống quản lý đội xe đa robot (Multi-agent Fleet Manager).

Thiết kế hệ thống

Ngăn xếp công nghệ (Technology Stack)

  • Xử lý trung tâm & Thị giác: Raspberry Pi 4 Model B (Broadcom BCM2711, Quad-core Cortex-A72 1.5GHz, 4GB RAM), chạy hệ điều hành Raspberry Pi OS (Debian 11 Bullseye 64-bit), Python v3.9.2, OpenCV v4.5.5, Pyzbar v0.1.9, Mosquitto MQTT Broker v2.0.11.
  • Xử lý nhúng cấp thấp & Động lực: Arduino Mega 2560 (ATmega2560 8-bit MCU, 16MHz Clock, 256KB Flash), Arduino IDE v2.1.0, Thư viện AccelStepper v1.61.
  • Vi điều khiển Gateway & Webserver: ESP32-WROOM-32 (Xtensa Dual-Core 32-bit LX6 240MHz, 520KB SRAM), PubSubClient v2.8, ESPAsyncWebServer v1.2.3.
  • Giao diện người dùng (Frontend Web): HTML5, CSS3, JavaScript (ES6+), AJAX Asynchronous Fetch API.
  • Cơ cấu chấp hành & Cảm biến: 4 Động cơ bước NEMA 17 (1.8°/step, Holding torque 4.2 kg.cm), 4 Mạch công suất StepStick DRV8825, 1 Động cơ RC Servo MG996R (Metal Gear, 11 kg.cm), 1 Camera 8MP Sony IMX219 (Raspberry Pi Camera Module V2).

Mô hình toán học động học Robot 4 bánh Mecanum (Kinematic Model)

Robot sử dụng 4 bánh xe Mecanum đặt đối xứng với các con lăn nghiêng góc $\gamma = 45^\circ$. Phương trình quan hệ giữa vận tốc không gian làm việc của thân xe $\dot{p} = [v_x, v_y, \omega_z]^T$ và vận tốc góc của 4 bánh xe $\dot{q} = [\omega_1, \omega_2, \omega_3, \omega_4]^T$ thông qua ma trận Jacobian $J$:

$$\begin{bmatrix} \omega_1 \ \omega_2 \ \omega_3 \ \omega_4 \end{bmatrix} = \frac{1}{r} \begin{bmatrix} 1 & -1 & -(l_x + l_y) \ 1 & 1 & (l_x + l_y) \ 1 & 1 & -(l_x + l_y) \ 1 & -1 & (l_x + l_y) \end{bmatrix} \begin{bmatrix} v_x \ v_y \ \omega_z \end{bmatrix}$$

Trong đó:

  • $r = 0.03\text{ m}$: Bán kính ngoài của bánh xe Mecanum.
  • $l_x = 0.10\text{ m}$: Khoảng cách từ trọng tâm robot đến trục bánh xe theo trục X.
  • $l_y = 0.085\text{ m}$: Khoảng cách từ trọng tâm robot đến tâm bánh xe theo trục Y.
  • $v_x, v_y$: Vận tốc tịnh tiến dọc và ngang của robot (m/s).
  • $\omega_z$: Vận tốc góc xoay quanh trục thẳng đứng (rad/s).

Methodology

Dự án áp dụng quy trình phát triển lặp kết hợp mô hình V-Model cho phần cứng nhúng và Agile/Scrum cho phần mềm điều khiển.

       Đặc tả yêu cầu hệ thống               Kiểm thử toàn diện & Đánh giá
              \                                       /
         Thiết kế Kiến trúc                     Kiểm thử Tích hợp hệ thống
              \                                       /
           Thiết kế Module                 Kiểm thử Đơn vị (Unit Test)
                \                                   /
                 +---> Hiện thực hóa phần cứng & Mã nguồn <---+

Ma trận rủi ro và giải pháp khắc phục (Risk Management)

  • Rủi ro trượt bánh Mecanum trên sàn: Hệ số ma sát không đồng đều dẫn đến sai số vị trí tích lũy. Giải pháp: Sử dụng mã QR mốc tuyệt đối để reset sai số vị trí sau mỗi chu kỳ di chuyển $0.5\text{ m}$.
  • Độ trễ xử lý ảnh camera: Phân giải cao gây sụt giảm FPS. Giải pháp: Giảm độ phân giải khung hình xử lý xuống $1280 \times 960$ và chuyển đổi ảnh sang không gian màu Grayscale trước khi đưa vào thuật toán giải mã QR.
  • Nhiễu điện từ do động cơ bước: Xung đóng cắt từ DRV8825 ảnh hưởng đến đường truyền UART và logic vi điều khiển. Giải pháp: Tách rời nguồn công suất động cơ (Pin LiPo 3S 11.1V) và nguồn logic (mạch Buck 5V 3A độc lập), bố trí tụ lọc nguồn $100\mu\text{F}$ tại mỗi chân nguồn driver.

Implementation và kết quả

Development process

Quá trình hiện thực hóa hệ thống được chia thành 3 pha then chốt:

1. Xử lý thị giác và định vị QR (Raspberry Pi 4B)

Chương trình Python chạy luồng độc lập để bắt luồng video từ Camera Module V2, tiền xử lý ảnh và bóc tách dữ liệu tọa độ mốc:

import cv2
import numpy as np
from pyzbar.pyzbar import decode
import paho.mqtt.client as mqtt

# Khởi tạo VideoCapture từ PiCamera V2
cap = cv2.VideoCapture(0)
cap.set(cv2.CAP_PROP_FRAME_WIDTH, 1280)
cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 960)

detector = cv2.QRCodeDetector()

def process_frame():
    while cap.isOpened():
        ret, frame = cap.read()
        if not ret:
            break
            
        # Chuyển đổi sang ảnh xám để tối ưu tốc độ nhận diện
        gray_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        
        # Nhận diện và giải mã tọa độ QR
        data, bbox, _ = detector.detectAndDecode(gray_frame)
        if data:
            # Format dữ liệu mã QR: "NODE_X_Y" (Ví dụ: "LOC_C1")
            print(f"[VISION] Detected Landmark ID: {data}")
            mqtt_client.publish("warehouse/robot/position", payload=data, qos=1)
            
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break
            
    cap.release()

2. Điều khiển động lực cấp thấp (Arduino Mega 2560)

Nhận lệnh chuyển động qua cổng Serial1 từ Raspberry Pi, tính toán số bước và xuất xung điều khiển Step/Dir tới các mạch DRV8825:

// Cấu hình chân Step/Dir cho 4 động cơ bước
const int stepPin[4] = {2, 4, 6, 8};
const int dirPin[4]  = {3, 5, 7, 9};

void setMecanumSpeeds(float vx, float vy, float wz) {
  float r = 0.03;      // Bán kính bánh 30mm
  float L = 0.10 + 0.085; // lx + ly
  
  // Tính toán vận tốc góc từng bánh (rad/s) theo Jacobian nghịch
  float w1 = (vx - vy - L * wz) / r;
  float w2 = (vx + vy + L * wz) / r;
  float w3 = (vx + vy - L * wz) / r;
  float w4 = (vx - vy + L * wz) / r;

  executeStepPulses(w1, w2, w3, w4);
}

void executeStepPulses(float w1, float w2, float w3, float w4) {
  // Ánh xạ vận tốc góc sang tần số phát xung microstepping 1/16
  // Logic băm xung chính xác theo timer ngắt
}

3. Cấu hình truyền thông MQTT Broker & ESP32 Gateway

  • Cấu hình Mosquitto Broker: Lắng nghe tại cổng tiêu chuẩn 1883, thiết lập QoS Level 1 đảm bảo gói tin vận hành không bị thất lạc trong mạng nội bộ.
  • Hệ thống Topics:
    • warehouse/control/command: ESP32 xuất lệnh điều khiển (Nhập hàng, Xuất hàng, Điểm đến).
    • warehouse/robot/position: Raspberry Pi xuất bản vị trí QR đọc được.
    • warehouse/robot/status: Phản hồi trạng thái hoạt động của cơ cấu nâng hạ và pin.

Testing và validation

Đánh giá hiệu năng giải mã mã QR ở các độ phân giải khác nhau

Độ phân giải (Pixels) Không gian màu FPS trung bình Độ trễ giải mã (Latency) Tỷ lệ nhận diện thành công (%)
$3840 \times 2160$ (4K) RGB 4.2 FPS $238.1\text{ ms}$ 99.2%
$3840 \times 2160$ (4K) Grayscale 6.8 FPS $147.0\text{ ms}$ 99.4%
$1280 \times 960$ (HD) RGB 18.5 FPS $54.0\text{ ms}$ 98.7%
$1280 \times 960$ (HD) Grayscale 29.4 FPS $34.0\text{ ms}$ 98.9%

Nhận xét thực nghiệm: Cấu hình ảnh Grayscale ở độ phân giải $1280 \times 960$ mang lại sự cân bằng tối ưu giữa thời gian trễ ($34\text{ ms}$) và độ chính xác nhận diện ($98.9%$), đáp ứng điều kiện xe di chuyển liên tục mà không bị lỡ khung hình mốc tọa độ.

Thử nghiệm độ chính xác chuyển động và cơ cấu nâng hạ

  • Vận tốc di chuyển định mức: $0.25\text{ m/s}$ (vận tốc tối đa đạt $0.42\text{ m/s}$).
  • Sai số vị trí dừng mốc (Positional Repeatability): $\pm 2.5\text{ mm}$ dọc theo trục X và Y.
  • Thời gian hoàn thành một chu trình nâng/hạ kiện hàng: $3.2\text{ s}$ với tải trọng $1.5\text{ kg}$.

Kết quả đạt được

Hệ thống đã triển khai thực nghiệm thành công toàn bộ các tác vụ lưu kho tự động trong không gian mô hình lưới $3 \times 4$ vị trí lưu trữ:

  • Tác vụ nhập hàng (Inbound Storage): Robot nhận lệnh từ giao diện Web, di chuyển đến cổng bốc dỡ hàng, nhận diện mã QR trên kiện hàng, quét mốc sàn di chuyển đến vị trí C1 hoặc A4, điều khiển Servo MG996R đặt hàng vào ô kệ và truyền thông báo hoàn tất về Web Server.
  • Tác vụ xuất hàng (Outbound Retrieval): Nhận lệnh xuất hàng từ ô C2 trên Web Dashboard, robot định tuyến chính xác đến vị trí C2, nâng kiện hàng, vận chuyển về cổng xuất kho và cập nhật dữ liệu tồn kho tức thời.

Đổi mới và đóng góp

  1. Khả năng cơ động đa hướng (Omnidirectional Agility): Nhờ ứng dụng động học 4 bánh Mecanum, robot có thể di chuyển ngang (crabbing motion) và xoay chuyển hướng tức thời mà không cần bán kính quay vòng (Zero Turning Radius). Điều này giúp giảm độ rộng lối đi trong kho từ $1.5\times$ thân xe xuống chỉ còn $1.1\times$ thân xe, tăng mật độ chứa hàng lên thêm 25%.
  2. Kiến trúc điều khiển phân tầng phân tán (Distributed Embedded Architecture): Phân tách rõ ràng giữa tầng tính toán thị giác biên (Raspberry Pi), tầng điều khiển thời gian thực cứng (Arduino Mega băm xung động cơ bước) và tầng truyền thông mạng/Web (ESP32). Thiết kế này giải quyết triệt để bài toán nghẽn CPU và mất xung bước khi xử lý đa tác vụ trên một vi điều khiển đơn lẻ.
  3. Chi phí tiếp cận tối ưu: Toàn bộ hệ thống được xây dựng trên nền tảng phần cứng mã nguồn mở và linh kiện tiêu chuẩn công nghiệp phổ biến, giúp giảm giá thành chế tạo thử nghiệm xuống dưới 10 triệu VNĐ, tạo tiền đề ứng dụng khả thi cho các kho hàng thông minh quy mô nhỏ.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng (Use Cases)

  • Kho dược phẩm và thiết bị y tế: Tự động hóa lấy các khay thuốc theo đơn yêu cầu độ chính xác và sạch sẽ tuyệt đối.
  • Trung tâm phân loại bưu kiện vi mô (Micro-fulfillment Center): Vận chuyển các kiện hàng nhỏ trong các trạm trung chuyển nội đô với diện tích mặt bằng hạn chế.
  • Dây chuyền cấp phát linh kiện điện tử: Cung ứng linh kiện tự động từ kho phụ trợ đến các bàn lắp ráp SMT trong nhà máy chế tạo.

Ước tính chi phí đầu tư và thời gian hoàn vốn (ROI Analysis)

  • Chi phí phần cứng một đơn vị robot: ~8,500,000 VNĐ.
  • Chi phí dán nhãn định vị QR cho kho 100m²: ~500,000 VNĐ.
  • Hiệu quả kinh tế: Một robot hoạt động liên tục có thể thay thế 1.5 ca làm việc thủ công của công nhân vận chuyển, giúp doanh nghiệp hoàn vốn đầu tư trong vòng 4 - 6 tháng vận hành.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Phụ thuộc vào điều kiện chiếu sáng: Camera nhận diện mã QR dễ bị suy giảm độ chính xác khi độ rọi sáng môi trường xuống dưới 100 Lux hoặc bị chói sáng cục bộ.
  • Bề mặt sàn di chuyển: Bánh xe Mecanum tạo độ rung cơ khí nhất định và đòi hỏi mặt sàn có độ phẳng cao để đảm bảo 4 bánh luôn tiếp đất đồng thời.
  • Khả năng lưu trữ dữ liệu: Hệ thống hiện tại cập nhật trạng thái kho theo biến trạng thái động trên RAM của ESP32, chưa tích hợp hệ quản trị cơ sở dữ liệu quan hệ (RDBMS) như MySQL hay PostgreSQL để lưu vết lịch sử giao dịch dài hạn.

Hướng phát triển tiếp theo

  • Tích hợp cảm biến LiDAR 2D và IMU: Sử dụng bộ lọc Kalman mở rộng (EKF) để kết hợp dữ liệu góc quay từ IMU, Odometry bánh xe và mốc QR, nâng cao độ tin cậy khi chuyển động tốc độ cao.
  • Nâng cấp Hệ điều hành Robot (ROS2): Chuyển đổi kiến trúc phần mềm sang ROS2 Galactic trên nền tảng Raspberry Pi để dễ dàng mở rộng sang bài toán điều phối hạm đội nhiều robot (Fleet Management & Dynamic Collision Avoidance).
  • Phát triển Database Backend: Xây dựng máy chủ cơ sở dữ liệu chuyên biệt (Node.js/Django + PostgreSQL) tích hợp giao diện quản lý tồn kho toàn diện ERP/WMS.

Đối tượng hưởng lợi

  • Sinh viên ngành Kỹ thuật Điều khiển & Tự động hóa, Cơ điện tử, Robotics: Nắm vững phương pháp xây dựng mô hình toán học động học robot Mecanum, giải thuật xử lý ảnh OpenCV và thiết kế hệ thống nhúng phân tán.
  • Kỹ sư phát triển hệ thống nhúng & IoT: Tham khảo mô hình kiến trúc phân tầng kết hợp giữa ESP32, Raspberry Pi và Arduino thông qua các giao thức công nghiệp chuẩn (UART, MQTT, HTTP).
  • Doanh nghiệp vừa và nhỏ (SMEs): Có được phương án giải pháp tự động hóa kho hàng khả thi với chi phí đầu tư ban đầu thấp, thời gian triển khai nhanh chóng và dễ bảo trì.
  • Nhà nghiên cứu: Cung cấp dữ liệu thực nghiệm về độ trễ giải mã thị giác và độ chính xác lặp lại của robot di động đa hướng định vị mốc quang học.

Câu hỏi thường gặp

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

Hệ thống yêu cầu sàn phẳng có độ dốc $< 2^\circ$, ánh sáng đồng đều từ 200 - 500 Lux, mã QR kích thước tối thiểu $5 \times 5\text{ cm}$ dán tại tâm mỗi ô lưới, mạng Wi-Fi băng tần 2.4GHz phủ sóng toàn bộ không gian kho để duy trì kết nối MQTT không gián đoạn.

2. Tại sao lại sử dụng bánh xe Mecanum thay vì hệ thống dẫn động 2 bánh vi sai (Differential Drive)?

Bánh xe Mecanum cung cấp 3 bậc tự do phẳng ($v_x, v_y, \omega_z$), cho phép robot di chuyển tịnh tiến ngang mà không cần xoay thân xe. Điều này giúp robot tiếp cận các ô kệ sát mép tường trong không gian cực hẹp mà hệ thống vi sai không thể tiếp cận được.

3. Làm cách nào hệ thống đảm bảo tính toàn vẹn dữ liệu khi mạng Wi-Fi bị chập chờn?

Giao thức MQTT triển khai cơ chế Quality of Service (QoS 1) yêu cầu thông điệp phải được xác nhận nhận thành công (PUBACK). Đồng thời, tính năng Last Will and Testament (LWT) trên Broker giúp hệ thống tự động phát hiện và cảnh báo tức thì khi robot bị ngắt kết nối đột ngột.

4. Việc bảo trì và hiệu chuẩn hệ thống định kỳ bao gồm những gì?

Cần vệ sinh các con lăn cao su trên bánh Mecanum hàng tuần để tránh bám bụi làm giảm ma sát, kiểm tra độ căng của dây đai cơ cấu nâng, và vệ sinh ống kính PiCamera để đảm bảo chất lượng hình ảnh quét mã QR.

5. Chi phí mở rộng hệ thống khi diện tích kho tăng lên được tính toán như thế nào?

Chi phí mở rộng tỷ lệ tuyến tính rất thấp vì chỉ cần in thêm decal mã QR dán sàn và khai báo thêm tọa độ các ô nhớ trong file cấu hình JSON trên Web Server mà không cần lắp đặt thêm cảm biến hay dây dẫn phức tạp.

Kết luận

Đề tài "Thiết kế mô hình và điều khiển hệ thống Mobile Robot lưu kho tự động" đã hiện thực hóa thành công một giải pháp toàn diện kết hợp giữa cơ học chính xác, thị giác máy tính biên và công nghệ truyền thông IoT vạn vật. Bằng việc làm chủ mô hình toán học động học 4 bánh Mecanum cùng kiến trúc phân tầng hiệu năng cao (Raspberry Pi 4B - ESP32 - Arduino Mega 2560), hệ thống đã chứng minh được tính ổn định, độ linh hoạt vượt trội và độ chính xác cao trong các chu trình xuất nhập hàng hóa tự động. Đây là nền tảng kỹ thuật vững chắc mở ra tiềm năng ứng dụng to lớn trong việc hiện đại hóa hệ thống kho vận thông minh tại Việt Nam với mức chi phí đầu tư tối ưu.