Giới thiệu dự án

Trong kỷ nguyên Công nghiệp 4.0 và chuyển đổi số quy trình sản xuất, tự động hóa logistics nội bộ và xử lý vật liệu (material handling) là bài toán cốt lõi giúp các doanh nghiệp tối ưu hóa chi phí vận hành. Theo các báo cáo thị trường tự động hóa quốc tế, tốc độ tăng trưởng kép hàng năm (CAGR) của thị trường Robot di động tự hành (AMR - Autonomous Mobile Robot) và Xe tự hành (AGV - Automated Guided Vehicle) đạt mức trên 20% trong giai đoạn 2023–2030. Tuy nhiên, phần lớn các giải pháp hiện nay trong nhà máy vẫn tách rời giữa hai bộ phận: phương tiện di chuyển cố định theo vạch (AGV) và cánh tay robot cố định tại trạm (Stationary Robotic Arm).

+-------------------------------------------------------------------------------+
|                             KIẾN TRÚC TỔNG THỂ MOBILE MANIPULATOR             |
+-------------------------------------------------------------------------------+
|  [Trọng tâm xử lý cấp cao: Máy tính công nghiệp Advantech ARK-1123]           |
|  Ubuntu 20.04 LTS | ROS Noetic | 2D LiDAR Navigation (SICK TiM551)            |
|  Depth Camera Kinect V2 (Docking AMR) | Azure Kinect (6DoF Pose Estimation)   |
+---------------------------------------+---------------------------------------+
                                        | (TCP/IP & RS-232 / RS-485)
+---------------------------------------v---------------------------------------+
|  [Bộ điều khiển chấp hành cấp thấp: Vi điều khiển ESP32-WROOM-32U & Driver]   |
|  Kinematics D-H 6DoF | Closed-Loop Stepper (Fastech Ezi-Servo) | HMI Nextion   |
+-------------------------------------------------------------------------------+

Sự phân tách này bộc lộ những điểm nghẽn nghiêm trọng:

  • Tính linh hoạt kém: AGV truyền thống di chuyển theo đường dẫn cố định (từ trường, quang học), tốn kém chi phí cải tạo sàn nhà xưởng và không thể tự động xử lý khi có vật cản động.
  • Lãng phí tài nguyên: Cánh tay robot cố định chỉ phục vụ một dây chuyền đơn lẻ, tạo thời gian chết (idle time) lớn khi trạm ngừng cấp liệu.
  • Rào cản chi phí: Các dòng robot kết hợp di động (Mobile Manipulator) thương mại từ châu Âu hoặc Nhật Bản có giá thành từ 50.000 đến 120.000 USD, rất khó tiếp cận đối với các doanh nghiệp vừa và nhỏ (SMEs).

Đề tài "Thiết kế và lập trình Robot tự hành kết hợp mang cánh tay Robot 6 bậc tự do ứng dụng Robot Operating System và Depth Camera" do sinh viên Huỳnh Quốc Toàn thực hiện dưới sự hướng dẫn của TS. Nguyễn Văn Thái (Khoa Điện – Điện tử, Trường Đại học Sư phạm Kỹ thuật TP.HCM) và sự tài trợ thiết bị từ Công ty I&C Engineering Service Co., Ltd, được triển khai nhằm giải quyết triệt để bài toán tích hợp linh hoạt này với chi phí tối ưu.

Mục tiêu nghiên cứu cụ thể

  1. Thiết kế cơ - điện toàn diện: Chế tạo hoàn thiện phần cứng Robot tự hành dẫn động vi sai (Differential Drive AMR) và Cánh tay robot công nghiệp 6 bậc tự do (6-DoF Articulated Robot Arm) kèm khối thân tủ điện trung gian.
  2. Xây dựng hệ thống điều khiển chuyển động nhúng: Tính toán động học thuận/nghịch (Forward/Inverse Kinematics) dựa trên quy tắc Denavit-Hartenberg (D-H), thiết kế mạch điều khiển trung tâm sử dụng vi điều khiển ESP32-WROOM-32U điều khiển mạng Driver Fastech Ezi-Servo qua giao thức RS-485 Modbus RTU.
  3. Phát triển hệ thống điều hướng thông minh (Navigation): Tích hợp hệ điều hành Robot (ROS), cảm biến quét laser LiDAR SICK TiM551 và thuật toán SLAM/AMCL để xây dựng bản đồ 2D và lập quỹ đạo tự động tránh vật cản động theo thời gian thực.
  4. Xử lý thị giác máy tính 3D (3D Computer Vision): Ứng dụng hệ thống camera đo chiều sâu (Dual Depth Camera: Microsoft Azure Kinect và Kinect V2) để thực hiện hiệu chuẩn (Camera Calibration), căn chỉnh dữ liệu RGB-D (Depth Alignment) và ước lượng tư thế không gian 6 bậc tự do (6DoF Pose Estimation) của khay hàng qua mã ArUco Marker, cho phép gắp và trả hàng chính xác tại trạm.

Phạm vi và giới hạn đề tài

  • Phạm vi: 01 hệ thống Mobile Manipulator hoàn chỉnh hoạt động thử nghiệm trong môi trường xưởng bán công nghiệp tại Công ty I&C Engineering Service.
  • Giới hạn: Tập trung vào bài toán động học vị trí và hướng, điều khiển bám quỹ đạo; chưa đi sâu vào mô hình hóa ma trận động lực học mô-men quán tính toàn phần trong điều kiện tải nặng thay đổi liên tục.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Giải pháp AGV + Robot truyền thống Mobile Manipulator cao cấp (KUKA KMR / Mir+UR) Giải pháp Đề tài (AMR + 6DoF Arm + ROS)
Dẫn đường Dải từ / QR Code cố định trên sàn Laser SLAM / Lidar 3D tiên tiến 2D LiDAR SLAM (SICK TiM551) kết hợp AMCL
Tính thích ứng Rất thấp, tốn chi phí đổi layout Rất cao, tự động tái định tuyến Cao, tự động phát hiện và tránh vật cản tĩnh/động
Thị giác máy tính Camera 2D đơn giản hoặc cảm biến quang Hệ thống 3D Vision tích hợp độc quyền Dual Depth Camera (Azure Kinect + Kinect V2) + ArUco 6DoF
Mức độ mở hệ thống Đóng, giao thức độc quyền API đóng / Bán mở, khó can thiệp sâu Mã nguồn mở ROS Noetic, ESP32 mã nguồn mở
Chi phí đầu tư Trung bình ($15,000 - $25,000) Rất cao ($60,000 - $120,000+) Tối ưu (~$4,000 - $7,000 phần cứng)

Phân tích yêu cầu theo mô hình MoSCoW

  • Must Have (Bắt buộc): Lập bản đồ 2D (Gmapping/Cartographer), định vị tự hành AMCL, giải thuật động học D-H cho cánh tay 6DoF, giao tiếp RS-485 mạng Driver servo, nhận diện ArUco Marker 6DoF.
  • Should Have (Nên có): Bộ Teach Pendant cầm tay qua màn hình HMI Nextion (giao tiếp RS-232), căn chỉnh ảnh Color-Depth phần cứng, bù sai số góc tiếp cận trạm bằng Kinect V2.
  • Could Have (Có thể mở rộng): Lập quỹ đạo tránh vật cản 3D bằng Point Cloud voxel grid, tích hợp chuẩn truyền thông công nghiệp CANopen/EtherCAT.
  • Won't Have (Chưa thực hiện): Điều khiển bầy đàn đa robot (Fleet Management) và thuật toán tối ưu hóa năng lượng pin tự động về trạm sạc.

Thiết kế hệ thống

Hệ thống được thiết kế theo cấu trúc điều khiển phân tầng (Hierarchical Architecture) gồm tầng tính toán cấp cao (High-level Processing) và tầng điều khiển cấp thấp (Low-level Real-time Control).

graph TD
    subgraph High_Level_Computation["TẦNG XỬ LÝ CẤP CAO (Industrial PC Advantech ARK-1123)"]
        OS["Ubuntu 20.04 LTS"] --> ROS["ROS Noetic"]
        ROS --> SLAM_Nav["Navigation Stack (Costmap 2D, Move Base, AMCL)"]
        ROS --> Vision["Vision Node (OpenCV 4.5, Open3D, ArUco 6DoF)"]
        LiDAR["LiDAR SICK TiM551 (Ethernet TCP/IP)"] --> SLAM_Nav
        Kinect2["Kinect V2 - AMR Pose Adjust (USB 3.0 / Libfreenect2)"] --> Vision
        AzureKinect["Azure Kinect - Arm Picking (USB-C / K4A SDK)"] --> Vision
    end

    subgraph Low_Level_Control["TẦNG ĐIỀU KHIỂN CẤP THẤP (Embedded Controllers)"]
        ESP32["Vi điều khiển ESP32-WROOM-32U"]
        INDEX_Board["Board điều khiển trung gian INDEX V1"]
        NextionHMI["Màn hình HMI Teach Pendant (Nextion RS-232)"]
        
        Driver_Base["Driver Oriental Motor AZD-KD (Động cơ di sai AMR)"]
        Driver_Arm["Mạng Driver Fastech Ezi-Servo Plus-R (Khớp 1-6)"]
    end

    High_Level_Computation -->|Giao tiếp RS-232 / Serial Protocol| Low_Level_Control
    ESP32 -->|RS-485 Modbus RTU / 115200 bps| Driver_Arm
    INDEX_Board -->|Xung / Chiều Step/Dir| Driver_Base
    NextionHMI <-->|UART / RS-232| ESP32

Chi tiết Tech Stack và Thông số Kỹ thuật

+--------------------------------------------------------------------------------+
|                             BẢNG THÔNG SỐ CÔNG NGHỆ                            |
+----------------------+---------------------------------------------------------+
| Hệ điều hành         | Ubuntu 20.04 LTS (Focal Fossa)                          |
| Middleware           | ROS Noetic Ninjemys (C++14 / Python 3.8)               |
| Thư viện thị giác    | OpenCV 4.5.4, Open3D 0.14.1, Libfreenect2 v0.2          |
| Máy tính công nghiệp | Advantech ARK-1123 (Intel Atom/Celeron, 8GB RAM, SSD)   |
| Vi điều khiển        | ESP32-WROOM-32U (Dual-core 240MHz, 520KB SRAM)          |
| Cảm biến 2D LiDAR    | SICK TiM551 (Tầm quét 10m, góc quét 270°, Ethernet)     |
| Camera 3D #1 (Gắp)   | Microsoft Azure Kinect DK (1-MP ToF Depth, 12-MP RGB)   |
| Camera 3D #2 (Chỉnh) | Microsoft Kinect V2 (ToF Depth 512x424, RGB 1080p)      |
| Động cơ di chuyển    | Oriental Motor DGM130R-AZMK + Driver AZD-KD             |
| Động cơ cánh tay     | Fastech EZI-Servo Plus-R 60M & 60L Closed-loop Stepper   |
| Màn hình điều khiển  | Nextion HMI Touchscreen LCD Display (RS-232)            |
+----------------------+---------------------------------------------------------+

Phương pháp nghiên cứu và Quy trình phát triển

Dự án áp dụng mô hình phát triển chữ V (V-Model) kết hợp các chu kỳ lặp Agile:

  1. Giai đoạn 1 (Tuần 1 - 7): Thiết kế CAD 3D (SolidWorks), gia công CNC cơ khí cánh tay 6DoF, thiết kế layout PCB mạch điều khiển vi sai/công suất trên Altium Designer, lập bảng D-H và xây dựng giao diện Teach Pendant trên Nextion Editor.
  2. Giai đoạn 2 (Tuần 8 - 12): Thiết kế khung gầm AMR vi sai, tích hợp hệ thống nguồn 24VDC/48VDC, cấu hình ROS Navigation Stack và khởi chạy thuật toán SLAM với LiDAR SICK TiM551.
  3. Giai đoạn 3 (Tuần 13 - 18): Chế tạo thân vỏ tủ điện liên kết hai robot, cấu hình driver Libfreenect2 và Azure Kinect SDK (K4A), giải toán ArUco Pose Estimation và liên kết truyền thông RS-232 giữa ROS và ESP32.
  4. Giai đoạn 4 (Tuần 19 - 20): Tích hợp toàn diện, cân chỉnh sai số thực địa và nghiệm thu đánh giá chất lượng.

Implementation và kết quả

Quá trình phát triển và Thuật toán cốt lõi

1. Động học thuận và nghịch cánh tay Robot 6 bậc tự do (Kinematics)

Hệ tọa độ được thiết lập theo quy tắc Denavit-Hartenberg tiêu chuẩn. Ma trận biến đổi thuần nhất tổng quát giữa hai khớp liền kề $i-1$ và $i$:

$$T_{i}^{i-1} = \begin{bmatrix} \cos(\theta_i) & -\sin(\theta_i)\cos(\alpha_i) & \sin(\theta_i)\sin(\alpha_i) & a_i \cos(\theta_i) \ \sin(\theta_i) & \cos(\theta_i)\cos(\alpha_i) & -\cos(\theta_i)\sin(\alpha_i) & a_i \sin(\theta_i) \ 0 & \sin(\alpha_i) & \cos(\alpha_i) & d_i \ 0 & 0 & 0 & 1 \end{bmatrix}$$

Cánh tay robot 6DoF được thiết kế với cơ cấu cổ tay cầu (Spherical Wrist) tại 3 trục cuối ($\theta_4, \theta_5, \theta_6$ cắt nhau tại một điểm tâm $W_c$). Điều này cho phép tách bài toán động học nghịch thành 2 bước đại số độc lập:

  1. Xác định vị trí tâm cổ tay ($W_c$): Sử dụng vị trí đích $(P_x, P_y, P_z)$ và ma trận hướng tiếp cận để tính toán $(\theta_1, \theta_2, \theta_3)$ theo phương pháp hình học giải tích.
  2. Xác định hướng cổ tay: Sử dụng tích ma trận nghịch đảo $R_{3}^{0}(\theta_1, \theta_2, \theta_3)^{-1} \cdot R_{6}^{0}$ để tính toán góc Euler tương ứng cho $(\theta_4, \theta_5, \theta_6)$.

2. Thuật toán ước lượng tư thế 6 bậc tự do (6DoF Pose Estimation) qua ArUco Marker

Hệ thống sử dụng camera Microsoft Azure Kinect. Nhờ dữ liệu ma trận nội thông số Camera Intrinsic $K$ và hệ số méo $D$ thu được từ quá trình Camera Calibration (bàn cờ Chessboard $9 \times 6$), thuật toán trích xuất vector tịnh tiến $T = [x, y, z]^T$ và vector quay Rodrigues $R = [r_x, r_y, r_z]^T$:

import cv2
import numpy as np

def estimate_aruco_6dof(color_frame, camera_matrix, dist_coeffs, marker_length=0.05):
    """
    Ước lượng ma trận vị trí và góc quay 6DoF của Marker ArUco từ Camera Azure Kinect
    """
    gray = cv2.cvtColor(color_frame, cv2.COLOR_BGR2GRAY)
    aruco_dict = cv2.aruco.getPredefinedDictionary(cv2.aruco.DICT_5X5_250)
    parameters = cv2.aruco.DetectorParameters()
    detector = cv2.aruco.ArucoDetector(aruco_dict, parameters)
    
    corners, ids, rejected = detector.detectMarkers(gray)
    pose_results = []
    
    if ids is not None:
        # Tính toán vector tịnh tiến tvecs và vector quay rvecs
        rvecs, tvecs, _ = cv2.aruco.estimatePoseSingleMarkers(
            corners, marker_length, camera_matrix, dist_coeffs
        )
        for i in range(len(ids)):
            # Chuyển đổi vector quay Rodrigues sang ma trận xoay 3x3
            rot_matrix, _ = cv2.Rodrigues(rvecs[i])
            pose_results.append({
                "id": ids[i][0],
                "translation": tvecs[i][0],  # [X_cam, Y_cam, Z_cam]
                "rotation_matrix": rot_matrix,
                "rvec": rvecs[i][0]
            })
    return pose_results

3. Điều khiển chuyển động vi sai Robot tự hành (AMR Odometry)

Vận tốc dài $v$ và vận tốc góc $\omega$ của robot trên mặt phẳng 2D liên hệ với vận tốc bánh trái ($v_l$) và bánh phải ($v_r$) qua bán kính bánh xe $R$ và khoảng cách giữa hai bánh $L$:

$$v = \frac{v_r + v_l}{2}, \quad \omega = \frac{v_r - v_l}{L}$$

Tọa độ vị trí $(x_r, y_r, \theta_r)$ của robot được tích phân số liên tục theo tần số $50\text{ Hz}$ trong ROS node /base_controller để phát tán topic /odom và broadcast ma trận biến đổi tọa độ tf từ odom sang base_footprint.

Kiểm thử và Đánh giá thực nghiệm

1. Kiểm thử điều hướng và tránh vật cản tự động

  • Bản đồ hóa (Mapping): Tiến hành quét 2D LiDAR SICK TiM551 tại nhà xưởng I&C diện tích $250\text{ m}^2$, độ phân giải lưới ô vuông $0.05\text{ m/pixel}$.
  • Độ chính xác định vị AMCL: Khi di chuyển qua 15 điểm mốc (Waypoints) liên tục trong 30 phút, sai số vị trí trung bình đạt $\Delta d \le 18\text{ mm}$, sai số góc $\Delta \theta \le 1.8^\circ$.
  • Khả năng tránh vật cản động: Khi người đi bộ cắt ngang đường di chuyển ở khoảng cách $1.2\text{ m}$, thuật toán DWA (Dynamic Window Approach) lập tức tính toán lại quỹ đạo trong $45\text{ ms}$, dừng an toàn cách vật cản $0.5\text{ m}$ và chuyển hướng thành công.

2. Kiểm thử căn chỉnh vị trí trạm và gắp hàng

Thực hiện 20 chu trình tiếp cận trạm và gắp phôi hàng với 2 điều kiện ánh sáng:

+-------------------------------------------------------------------------------+
|                      KẾT QUẢ THỰC NGHIỆM GẮP HÀNG TẠI TRẠM                    |
+--------------------+------------------+-------------------+-------------------+
| Điều kiện thử      | Số lần thực hiện | Số lần thành công | Tỷ lệ thành công  |
+--------------------+------------------+-------------------+-------------------+
| Ánh sáng đầy đủ    | 10               | 10                | 100%              |
| (~250 Lux)         |                  |                   |                   |
| Ánh sáng yếu       | 10               | 10                | 100%              |
| (~25 Lux)          |                  |                   |                   |
+--------------------+------------------+-------------------+-------------------+
  • Sai số điều chỉnh tư thế AMR: Trước khi chỉnh, sai số tiếp cận của AMR đạt tối đa $10^\circ$ về góc xoay và $30\text{ cm}$ về khoảng cách. Sau khi kích hoạt thuật toán Visual Servoing với Kinect V2, sai số vị trí hiệu chỉnh còn $\Delta x, \Delta y \le 4\text{ mm}$, sai số góc tiếp cận $\Delta \text{yaw} \le 0.5^\circ$.
  • Độ ổn định gắp bằng Azure Kinect: Nhờ công nghệ cảm biến ToF (Time-of-Flight), dữ liệu chiều sâu không bị nhiễu bởi sự suy giảm ánh sáng môi trường, mang lại độ chính xác bắt tọa độ khay hàng đạt $\pm 1.2\text{ mm}$.

Đổi mới và đóng góp

Các cải tiến kỹ thuật nổi bật

  1. Kiến trúc thị giác máy tính phân tầng (Dual-Camera Vision Strategy): Đổi mới phương pháp căn chỉnh trạm bằng việc tách riêng nhiệm vụ: Camera Kinect V2 gắn ở thân dưới chịu trách nhiệm căn chỉnh tư thế khung gầm AMR theo thời gian thực (Macro-Alignment); Camera Azure Kinect gắn trên khâu chấp hành chịu trách nhiệm nội suy điểm gắp 3D chính xác cao (Micro-Grasping).
  2. Tối ưu hóa phần cứng công nghiệp kết hợp mã nguồn mở: Thay vì sử dụng các bo mạch điều khiển hobby giá rẻ thiếu tin cậy, tác giả thiết kế board công nghiệp INDEX V1 bảo vệ cách ly quang (Optocoupler), chống nhiễu công nghiệp cho các đường truyền RS-485 Modbus RTU và RS-232, đảm bảo giao tiếp ổn định giữa PC công nghiệp Advantech và mạng Driver Fastech Servo.
  3. Bàn dạy học lệnh Teach Pendant độc lập: Thiết kế bộ HMI Nextion chuyên dụng hiển thị tọa độ góc khớp/tọa độ Descartes, cho phép kỹ sư vận hành có thể điều khiển trực tiếp JOG, lưu điểm vị trí (Position Table), kiểm tra trạng thái I/O mà không cần mở máy tính cá nhân hay can thiệp code ROS.
+---------------------------------------------------------------------------------+
|                   SO SÁNH CẢI TIẾN HIỆU NĂNG VỚI CÁC NGHIÊN CỨU TRƯỚC           |
+---------------------+-------------------+------------------+--------------------+
| Chỉ số              | Nghiên cứu cơ bản | Giải pháp thương | Đề tài nghiên cứu  |
|                     | (Open-loop/Webcam)| mại tiêu chuẩn   | này                |
+---------------------+-------------------+------------------+--------------------+
| Thời gian nhận diện | 180 - 250 ms      | 30 - 50 ms       | 42 ms              |
| Độ lặp lại (Arm)    | ±2.5 mm           | ±0.05 mm         | ±0.5 mm            |
| Sai số góc AMR      | ±3.0°             | ±0.2°            | ±0.5°              |
| Độ nhạy ánh sáng    | Kém (Lỗi khi tối) | Rất tốt          | Ổn định (ToF Depth)|
+---------------------+-------------------+------------------+--------------------+

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong nhà máy thông minh

  • Tiểu phân xưởng gia công cơ khí CNC: AMR tự hành nhận lệnh từ hệ thống MES/ERP, tự động di chuyển đến kho phôi, cánh tay 6DoF gắp phôi kim loại đặt lên thân xe, tự hành đến máy phay CNC, mở cửa máy và gắp phôi nạp vào đồ gá kẹp, sau đó nhận chi tiết đã gia công chuyển về kho thành phẩm.
  • Dây chuyền lắp ráp linh kiện điện tử: Vận chuyển khay linh kiện nhạy cảm (SMD, PCB) giữa các phòng sạch mà không cần công nhân mang vác, giảm thiểu phát sinh bụi bẩn và rủi ro phóng tĩnh điện (ESD).
  • Kho dược phẩm và xét nghiệm y tế: Tự động lấy các hộp thuốc, mẫu bệnh phẩm từ tủ bảo quản chuyên dụng và đưa đến các phòng phân tích theo quy trình vô trùng khép kín.
+-------------------------------------------------------------------------------+
|                   LỘ TRÌNH TRIỂN KHAI VÀ THU HỒI VỐN (ROI)                    |
+-------------------+-----------------------------------------------------------+
| Giai đoạn 1       | Khảo sát sàn xưởng, lập bản đồ số hóa 2D LiDAR (2 ngày)   |
| Giai đoạn 2       | Dán mã định vị ArUco tại các trạm nạp/dỡ phôi (1 ngày)    |
| Giai đoạn 3       | Cấu hình tọa độ trạm và chu trình gắp trên HMI (2 ngày)   |
| Giai đoạn 4       | Chạy thử nghiệm đồng bộ và đào tạo nhân sự (3 ngày)       |
+-------------------+-----------------------------------------------------------+
| Phân tích tài chính:                                                          |
| - Chi phí chế tạo hệ thống: ~120 - 150 triệu VNĐ                              |
| - Chi phí 02 công nhân bốc xếp 2 ca: ~240 triệu VNĐ/năm                      |
| - Thời gian hoàn vốn đầu tư (ROI): 6 đến 8 tháng hoạt động                   |
+-------------------------------------------------------------------------------+

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Hệ điều hành: Đang phát triển trên nền tảng ROS1 Noetic (chạy trên Ubuntu 20.04). ROS1 còn phụ thuộc vào nút trung tâm roscore (Master node), tiềm ẩn nguy cơ Single Point of Failure khi mạng không dây gặp sự cố.
  • Tải trọng nâng của cánh tay: Do sử dụng động cơ bước closed-loop Fastech Ezi-Servo kết hợp hộp số giảm tốc hành tinh cơ bản, tải trọng nâng đầu cuối (Payload) giới hạn ở mức $1.5\text{ kg}$.
  • Giao diện điều khiển: Hệ thống vẫn duy trì 2 giao diện riêng biệt (Rviz trên PC cho AMR và Nextion LCD cho cánh tay), chưa hợp nhất thành một Dashboard Web/App duy nhất.

Hướng nâng cấp trong tương lai

  1. Chuyển đổi sang ROS2 (Humble/Iron) & DDS: Ứng dụng kiến trúc phân tán Data Distribution Service (DDS), loại bỏ hoàn toàn Master node, tăng cường tính năng thời gian thực (Real-time determinism) và bảo mật dữ liệu công nghiệp.
  2. Tích hợp thuật toán Deep Learning 6D Pose: Thay thế mã ArUco Marker bằng mạng nơ-ron tích chập học sâu (như DenseFusion, PVNet hoặc YOLOv8-Pose 3D) để nhận diện trực tiếp vật thể phi cấu trúc mà không cần dán nhãn định vị.
  3. Mô phỏng và quy hoạch không gian làm việc với MoveIt2: Xây dựng mô hình URDF chính xác tuyệt đối, tích hợp thuật toán OMPL/CHOMP để cánh tay tự động tính toán đường đi tránh va chạm với chính thân xe AMR.

Đối tượng hưởng lợi

  • Sinh viên ngành Tự động hóa, Cơ điện tử, Robotics: Nguồn tài liệu học thuật thực tế chất lượng cao về tích hợp hệ thống phần cứng (CAD, PCB) với phần mềm hiện đại (ROS, C++, Python, OpenCV).
  • Kỹ sư R&D và Nhà phát triển: Tham khảo trọn vẹn giải thuật giải động học ngược D-H, giao thức cấu trúc khung truyền RS-485 Modbus cho driver Servo Fastech và pipeline xử lý camera 3D ToF.
  • Doanh nghiệp vừa và nhỏ (SMEs): Bản thiết kế chứng minh tính khả thi về mặt kinh tế khi tự chủ sản xuất robot công nghiệp nội địa với chi phí chỉ bằng 15–20% so với thiết bị nhập khẩu.
  • Các nhà nghiên cứu: Cơ sở mở rộng cho các bài toán tối ưu hóa điều khiển phối hợp giữa đế di động và cánh tay (Whole-body Control), điều khiển thích nghi bù trừ rung lắc khi di chuyển.

Câu hỏi thường gặp (FAQ)

1. Cần chuẩn bị cấu hình máy tính công nghiệp như thế nào để vận hành mượt mà hệ thống ROS kết hợp Dual Depth Camera?

Cấu hình tối thiểu đề xuất: CPU Intel Core i5/i7 thế hệ 8 trở lên (hoặc Intel Celeron/Atom chuyên dụng công nghiệp đa nhân), tối thiểu 8GB DDR4 RAM, ổ cứng 128GB NVMe SSD, tối thiểu 2 cổng USB 3.0/USB-C băng thông cao riêng biệt cho Azure Kinect và Kinect V2, cổng mạng Gigabit Ethernet cho LiDAR SICK. Hệ điều hành tối ưu: Ubuntu 20.04 LTS cài đặt ROS Noetic Desktop Full.

2. Khi mất kết nối mạng Wifi trong nhà xưởng, robot có tiếp tục hoạt động an toàn không?

Có. Toàn bộ các tiến trình xử lý SLAM, Navigation, nhận diện 3D và điều khiển động cơ đều chạy trực tiếp (Onboard) trên máy tính Advantech ARK-1123 và vi điều khiển ESP32 đặt bên trong thân robot. Mạng không dây chỉ phục vụ việc truyền telemetry và giám sát từ xa. Nếu mất kết nối, robot vẫn tự động hoàn thành lộ trình đã lập hoặc dừng lại an toàn theo kịch bản bảo vệ.

3. Tại sao hệ thống lại kết hợp cả 2 loại camera Kinect V2 và Azure Kinect thay vì chỉ dùng 1 chiếc?

Kinect V2 có góc nhìn rộng và khoảng cách quan sát tối ưu ở cự ly $0.8 - 2.5\text{ m}$, rất phù hợp để gắn cố định ở thân xe nhằm phát hiện toàn cảnh trạm lấy hàng và hiệu chỉnh góc lệch của AMR. Azure Kinect DK có độ phân giải điểm ảnh chiều sâu cực cao (1-MP ToF) và độ chính xác cỡ milimet ở cự ly gần ($0.3 - 1.0\text{ m}$), được gắn trên cánh tay robot để đảm bảo độ chuẩn xác tuyệt đối khi gắp chi tiết.

4. Giao thức truyền thông giữa vi điều khiển ESP32 và các Driver Servo Fastech hoạt động như thế nào?

Hệ thống sử dụng mạng truyền thông nối tiếp RS-485 chuẩn 2 dây (Half-duplex) với tốc độ Baudrate 115200 bps. Mỗi Driver Fastech Ezi-Servo được gán một địa chỉ cứng (ID từ 1 đến 6). Khung truyền bao gồm: Byte Header/STX, Byte ID thiết bị, Byte mã lệnh điều khiển (Chạy vị trí, Đọc Encoder, Xóa lỗi), chuỗi Byte dữ liệu tọa độ xung và Byte kiểm tra lỗi Checksum.

5. Chi phí đầu tư chế tạo một hệ thống Mobile Manipulator này là bao nhiêu và thời gian khấu hao như thế nào?

Tổng chi phí linh kiện phần cứng (Bao gồm PC công nghiệp, LiDAR SICK, 2 Depth Camera, 8 cụm Động cơ/Driver Servo, khung cơ khí nhôm định hình/CNC và mạch điều khiển) dao động từ 120 đến 150 triệu VNĐ. Với năng suất hoạt động liên tục thay thế 1-2 nhân công bốc xếp thủ công, thời gian hoàn vốn đầu tư (ROI) trung bình ước tính từ 6 đến 8 tháng.

Kết luận

Đồ án tốt nghiệp "Thiết kế và lập trình Robot tự hành kết hợp mang cánh tay Robot 6 bậc tự do ứng dụng Robot Operating System và Depth Camera" của tác giả Huỳnh Quốc Toàn đã hoàn thành xuất sắc các mục tiêu nghiên cứu và ứng dụng thực tiễn đề ra. Đề tài không chỉ hoàn thiện toàn diện về mặt phần cứng cơ khí - điện tử chính xác mà còn làm chủ trọn vẹn các công nghệ phần mềm phức tạp: từ hệ điều hành robot ROS, thuật toán điều hướng 2D LiDAR SLAM/AMCL, cho đến xử lý thị giác 3D ToF và giải toán động học tay máy 6 bậc tự do.

Kết quả thử nghiệm đạt tỷ lệ thành công 100% trong các bài toán điều chỉnh vị trí trạm và gắp phôi tự động dưới nhiều điều kiện môi trường là minh chứng rõ nét cho năng lực nghiên cứu ứng dụng chuyên sâu. Đây chính là tiền đề vững chắc cho việc nội địa hóa các giải pháp Mobile Manipulator công nghệ cao, đóng góp tích cực vào tiến trình hiện đại hóa các nhà máy thông minh tại Việt Nam.