Thiết kế và thi công bộ điều khiển xe lăn điện ứng dụng mạng học sâu

Khóa luận: Thiết kế và thi công bộ điều khiển xe lăn điện học sâu - ĐH SPKT TP.HCM

• Tác giả: Bùi Thị Kiều Oanh
• Người hướng dẫn: TS. Nguyễn Thanh Nghĩa
• Trường học: Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh
• Chuyên ngành: Kỹ thuật Y Sinh
• Đề tài: Thiết kế và thi công bộ điều khiển xe lăn điện ứng dụng mạng học sâu
• Loại tài liệu: Khóa luận tốt nghiệp
• Năm xuất bản: 2025
• Địa điểm: Hồ Chí Minh

Tóm tắt

I. Tổng quan về bộ điều khiển xe lăn điện ứng dụng học sâu

Bộ điều khiển xe lăn điện ứng dụng học sâu đánh dấu bước đột phá trong ngành kỹ thuật y sinh. Đề tài tốt nghiệp năm 2025 tại Đại học Sư phạm Kỹ thuật TP.HCM phát triển giải pháp này. Nghiên cứu tập trung hỗ trợ người suy giảm chức năng vận động chi. Bệnh nhân liệt tứ chi thường gặp khó khăn khi dùng cần gạt tay cầm truyền thống. Thiết bị mới thu nhận chuyển động đầu để thay thế thao tác tay. Hệ thống tích hợp cảm biến quán tính MPU6050 và mạch nhúng hiện đại. Vi điều khiển tiếp nhận thông số góc nghiêng và truyền tới thuật toán trí tuệ nhân tạo. Mạng nơ-ron xử lý dữ liệu phức tạp với tốc độ phản hồi nhanh. Xe phản ứng linh hoạt theo từng cử động nhỏ của đầu người lái. Cơ chế này đem lại sự tự chủ tối đa trong sinh hoạt hằng ngày. Chi phí thi công thiết bị ở mức hợp lý. Mô hình mở ra hướng ứng dụng công nghệ cao trong phục hồi chức năng.

1.1. Bối cảnh nghiên cứu tại ĐH SPKT TP.HCM

Đề tài xuất phát từ nhu cầu thực tiễn của ngành Kỹ thuật Y Sinh. Khoa Điện - Điện tử trường ĐH SPKT TP.HCM định hướng nghiên cứu ứng dụng thực tế. Người khuyết tật vận động nặng cần phương tiện hỗ trợ thông minh. Việc điều khiển xe cơ học thông thường đòi hỏi sức mạnh cơ bắp tay. Nhiều bệnh nhân chấn thương tủy sống hoàn toàn mất khả năng này. Do đó, nhóm nghiên cứu đề xuất ứng dụng trí tuệ nhân tạo. Trọng tâm của đề tài là xây dựng bộ điều khiển nhận dạng cử chỉ tự nhiên. Thiết bị tận dụng cảm biến quán tính gắn trên mũ hoặc trán. Hệ thống giải quyết bài toán giao tiếp giữa người và máy một cách an toàn.

1.2. Mục tiêu phát triển hệ thống điều khiển thông minh

Mục tiêu hàng đầu là nâng cao tính độc lập cho người bệnh. Hệ thống cho phép người dùng tự điều khiển xe bằng cử động đầu nhẹ nhàng. Bộ điều khiển cần đạt độ chính xác cao trong nhận diện tư thế. Độ trễ xử lý phải ở mức tối thiểu để đảm bảo an toàn di chuyển. Ngoài ra, thiết kế kết hợp module Joystick dự phòng nhằm tăng tính linh hoạt. Người chăm sóc có thể can thiệp điều khiển khi cần thiết. Quá trình thu thập dữ liệu chuyển động được chuẩn hóa qua phần mềm PLX-DAQ. Toàn bộ thuật toán được tối ưu để vận hành trơn tru trên vi điều khiển nhúng. Dự án hướng đến việc tạo ra một sản phẩm y sinh giá thành thấp và hiệu quả cao.

II. Vấn đề của bộ điều khiển xe lăn điện ứng dụng học sâu cũ

Nhiều phương thức giao tiếp người và máy đã được thử nghiệm trên xe lăn điện. Các phương pháp phổ biến gồm điều khiển bằng giọng nói, sóng não và ánh mắt. Tuy nhiên, các giải pháp này bộc lộ nhiều nhược điểm nghiêm trọng khi đưa vào môi trường thực tế. Nhận dạng giọng nói thường bị nhiễu bởi âm thanh môi trường xung quanh. Tiếng ồn đường phố làm sai lệch mệnh lệnh vận hành xe. Người bị tổn thương thanh quản hoặc phát âm yếu không thể sử dụng phương pháp này. Trong khi đó, thiết bị đọc sóng não EEG có chi phí rất đắt đỏ. Điện cực tiếp xúc trên da đầu dễ bị nhiễu do mồ hôi và rung lắc. Hệ thống theo dõi ánh mắt đòi hỏi camera chuyên dụng và ánh sáng ổn định. Khi người dùng mỏi mắt hoặc nhấp nháy, xe dễ phản hồi sai lệch. Các bộ điều khiển truyền thống thiếu khả năng tự thích nghi với thói quen của người bệnh. Do đó, việc ứng dụng học sâu vào cử động đầu là hướng đi cấp thiết để vượt qua các rào cản kỹ thuật trên.

2.1. Hạn chế của các phương thức điều khiển truyền thống

Các phương pháp điều khiển cơ bản bộc lộ nhiều điểm nghẽn kỹ thuật. Cần điều khiển Joystick đòi hỏi lực cổ tay liên tục. Điều này bất khả thi với bệnh nhân bại liệt hoặc teo cơ tủy sống. Phương pháp nhận dạng giọng nói gặp khó khăn trước tiếng ồn đô thị. Tỷ lệ nhận diện lệnh tụt giảm mạnh khi có âm thanh lạ xen vào. Tín hiệu sóng não EEG lại cực kỳ nhạy cảm với nhiễu chuyển động cơ học. Thiết bị điện não đồ cồng kềnh, khó đeo cố định cả ngày. Hệ thống quang học theo dõi đồng tử yêu cầu phần cứng đắt tiền và liên tục căn chỉnh tiêu cự. Những yếu tố này gây mệt mỏi và ức chế cho người khuyết tật khi di chuyển đường dài.

2.2. Thách thức trong xử lý tín hiệu cử động đầu thời gian thực

Xử lý tín hiệu cử động đầu đặt ra bài toán khó về độ chính xác. Cảm biến gia tốc và con quay hồi chuyển thường phát sinh sai số trôi theo thời gian. Tín hiệu chuyển động dễ bị lẫn tạp âm do rung chấn mặt đường khi xe chạy. Các thuật toán ngưỡng cố định truyền thống không thể phân biệt cử động vô thức với lệnh lái xe có chủ đích. Hiện tượng trễ tín hiệu gây nguy hiểm trực tiếp tại các khúc cua gấp. Bộ xử lý nhúng bị giới hạn dung lượng bộ nhớ và năng lượng tiêu thụ. Vì vậy, hệ thống đòi hỏi một mô hình học sâu vừa gọn nhẹ vừa có độ chính xác nhận dạng vượt trội.

III. Thiết kế bộ điều khiển xe lăn điện ứng dụng học sâu SPKT

Giải pháp từ ĐH SPKT TP.HCM kết hợp hài hòa giữa phần cứng nhúng và phần mềm trí tuệ nhân tạo. Nhóm tác giả sử dụng cảm biến IMU MPU6050 để ghi nhận góc nghiêng Yaw và Roll của đầu. Vi điều khiển Arduino Nano 33 BLE đóng vai trò trung tâm thu thập dữ liệu và điều phối hệ thống. Dữ liệu thô được truyền lên máy tính qua công cụ PLX-DAQ để lưu trữ dưới định dạng bảng tính Excel. Mỗi thao tác cử động đầu kéo dài trong 3,5 giây với 34 mẫu dữ liệu trên mỗi trục tín hiệu. Tổng cộng mỗi mẫu huấn luyện gồm 68 giá trị số được ghép nối hoàn chỉnh. Tần số lấy mẫu đạt mức xấp xỉ 10 Hz, đảm bảo ghi nhận đầy đủ đặc trưng chuyển động. Sau đó, mô hình mạng học sâu được huấn luyện trên nền tảng Google Colab. Mô hình học sâu phân loại chính xác các cử động: rẽ trái, rẽ phải, tiến, lùi và dừng lại. Lệnh điều khiển được xuất trực tiếp sang mạch công suất để lái động cơ xe lăn.

3.1. Thu thập dữ liệu cử động đầu bằng MPU6050 và PLX DAQ

Quy trình xây dựng tập dữ liệu đóng vai trò quyết định chất lượng mô hình. Cảm biến MPU6050 được gắn trên đầu người dùng để ghi nhận các dao động góc. Phần mềm PLX-DAQ thiết lập giao tiếp trực tiếp giữa vi điều khiển Arduino Nano 33 BLE và máy tính. Người thử nghiệm bấm Connect trên giao diện để kích hoạt chu kỳ ghi nhận dữ liệu. Trong mỗi phiên kéo dài 3,5 giây, người dùng thực hiện một cử động đầu dứt khoát. Hệ thống tự động trích xuất 34 điểm dữ liệu góc Yaw và 34 điểm góc Roll. Mảng 68 mẫu tín hiệu này được lưu thành hàng trong tệp Excel định dạng CSV. Quá trình lặp lại nhiều lần để tạo tập mẫu phong phú cho khâu đào tạo.

3.2. Huấn luyện mạng học sâu và tích hợp Arduino Nano 33 BLE

Tập dữ liệu sau khi chuẩn hóa được đưa lên nền tảng Google Colab để huấn luyện mô hình. Cấu trúc mạng học sâu trích xuất các đặc trưng phi tuyến từ chuỗi thời gian của góc nghiêng đầu. Thuật toán tối ưu hóa giúp giảm thiểu hàm mất mát và ngăn chặn tình trạng quá khớp dữ liệu. Sau khi đạt độ chính xác cao, mô hình được nén gọn để nạp vào Arduino Nano 33 BLE. Vi điều khiển nhúng thực hiện suy luận trực tiếp với độ trễ cực thấp. Ngoài ra, bo mạch còn giao tiếp với module cần gạt Joystick. Cấu hình kép này cho phép chuyển đổi chế độ điều khiển linh hoạt, đảm bảo an toàn tuyệt đối cho người khuyết tật.

IV. Ứng dụng bộ điều khiển xe lăn điện ứng dụng học sâu 2025

Bộ điều khiển xe lăn điện ứng dụng học sâu mang lại giá trị nhân văn và tính thực tiễn to lớn. Hệ thống giúp bệnh nhân tổn thương tủy sống hoặc chấn thương chi lấy lại khả năng di chuyển độc lập. Người dùng chỉ cần nghiêng đầu nhẹ nhàng để điều hướng xe một cách trực quan. Chi phí chế tạo hệ thống thấp hơn đáng kể so với các sản phẩm nhập ngoại đắt tiền. Sự kết hợp giữa Arduino Nano 33 BLE và cảm biến MPU6050 tạo nên phần cứng gọn nhẹ và tiết kiệm năng lượng. Ngoài ra, thiết kế module Joystick đi kèm tạo sự an tâm tối đa cho người chăm sóc khi cần can thiệp. Kết quả thử nghiệm chứng minh độ ổn định và độ tin cậy cao của thuật toán trí tuệ nhân tạo. Trong tương lai, mô hình có thể tích hợp thêm cảm biến phát hiện vật cản và cảnh báo khẩn cấp qua IoT. Đây là bước tiến quan trọng thúc đẩy sự phát triển của thiết bị y tế thông minh tại Việt Nam.

4.1. Khả năng ứng dụng thực tế trong hỗ trợ người khuyết tật

Bộ điều khiển phù hợp trang bị tại các trung tâm điều trị và phục hồi chức năng. Người bệnh bại liệt chi có thể chủ động di chuyển trong phòng hoặc ngoài trời. Thao tác điều khiển bằng đầu đơn giản, không đòi hỏi sức bền thể lực lớn. Thiết kế công thái học giúp giảm áp lực cơ cổ khi vận hành trong thời gian dài. Hệ thống mạch nhúng gọn gàng dễ dàng lắp đặt lên các khung xe lăn điện tiêu chuẩn có sẵn. Khả năng tự chủ trong đi lại giúp bệnh nhân hòa nhập cộng đồng tốt hơn, giảm tải áp lực cho người thân chăm sóc.

4.2. Tiềm năng nâng cấp và phát triển hệ sinh thái y tế thông minh

Đề tài mở ra tiềm năng mở rộng lớn cho các thế hệ xe lăn thông minh tiếp theo. Hệ thống có thể tích hợp thêm cảm biến siêu âm hoặc radar để tự động phanh khi phát hiện chướng ngại vật. Tính năng giám sát tư thế hỗ trợ cảnh báo té ngã và gửi tín hiệu cứu hộ khẩn cấp qua sóng GSM hoặc Internet. Việc kết nối mạng IoT giúp bác sĩ theo dõi sức khỏe bệnh nhân từ xa qua ứng dụng di động. Nền tảng học sâu cũng có thể tiếp tục cập nhật để cá nhân hóa thói quen cử động của từng người dùng cụ thể.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. TỔNG QUAN Chương này trình bày những kết quả đã đạt được trong thời gian nghiên cứu, một số hình ảnh của bộ điều khiển, kết quả xử lý tín hiệu (thu, lọc nhiễu), kết quả mô hình nhận dạng tín hiệu, kết quả điều khiển xe lăn trong môi trường thực tế, bảng số liệu so sánh với hệ thống đã được thực hiện trước đó. Từ đó, đưa ra đánh giá, nhận xét về toàn bộ hệ thống điều khiển xe lăn. ● Chương 6: Kết luận và Hướng Phát Triển Chương này sẽ trình bày về những phần nhóm đã thực hiện được và chưa thực hiện được trong đề tài, cũng như hiệu quả của bộ điều khiển xe lăn trong thực tế.

Đưa ra hướng phát triển của hệ thống theo phương pháp tối ưu và tính thương mại trong tương lai. BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 5 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT CHƯƠNG 2.1 TỔNG QUAN VỀ XE LĂN ĐIỆN CÙNG PHƯƠNG PHÁP ĐIỀU KHIỂN 2.1 Lịch sử phát triển xe lăn điện Năm 1783 đánh dấu sự xuất hiện xe lăn điện của John Dawson, tuy nhiên xe được đánh giá có khá nhiều bất tiện. Vì vậy sau đó đã có những cải tiến và bằng sáng chế đầu tiên được trao cho xe lăn vào năm 1869 [8].

Năm 1916 chiếc xe lăn có trang bị động cơ được sử dụng lần đầu ở LonDon [8]. Những sự cải tiến tiếp tục được triển khai và xe lăn gấp hiện đại được phát minh bởi kỹ sư Harry Jennings, cấu trúc của nó khá giống với mô hình những chiếc lăn hiện tại [8]. Mãi đến năm 1953 trải qua nhiều cải tiến khung xe, cho phép người dùng tự mình vận hành xe nhưng vẫn tồn tại những hạn chế chế nhất định đối những mô hình xe lăn này [8]. Năm 1916, George Klein cho ra đời xe lăn chạy bằng điện hoàn toàn đầu tiên trên thế giới, với bản mô hình đầu tiên thì xe đã có bánh xe khá nặng và khả năng quay hạn chế, sau đó nó cải tiến dần dần và đã được sản xuất hàng loạt [8].

Vì thế suốt nửa sau thế kỷ 20, sự phát triển của xe lăn tập trung chủ yếu về mặt điều chỉnh trọng lượng và thiết kế khung xe.1: George Klein bên chiếc xe lăn điện 2.2 Phương pháp sử dụng chuyển động đầu trong không gian ba chiều Hướng di chuyển của đầu trong không gian ba chiều có thể được định nghĩa theo 3 trục: Yaw, Pitch, Roll. Trong đó, Yaw (horizontal movement) là sự xoay quanh trục dọc theo trục z khi đầu xoay sang trái hoặc phải. Pitch (vertical movement) là sự BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 6 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT xoay quanh trục ngang theo trục y khi gật đầu hoặc ngửa đầu.2: Mô tả chuyển động đầu trong không gian 3 chiều [9] Các hướng di chuyển của đầu sẽ có những đặc trưng khác nhau.

Dựa vào những đặc điểm đó, ta có thể thu được những mẫu dữ liệu phục vụ cho việc huấn luyện đào tạo dữ liệu điều khiển xe. Các tín hiệu thu được từ cảm biến sẽ được chuyển đổi thành dạng dữ liệu mà máy tính có thể đọc và xử lý nhờ vào sự hỗ trợ của vi xử lý. Đề tài của nhóm tập trung vào việc áp dụng các cử động đầu như: gật đầu, ngửa đầu, xoay đầu trái hay phải, và giữ nguyên đầu để điều khiển và định hướng chuyển động của xe lăn điện.3 Mô hình xe lăn điện sử dụng để điều khiển Xe lăn điện vận hành có sự hỗ trợ của động cơ điện và hệ thống điều hướng. Hệ thống truyền động điện cho xe lăn thường bao gồm bộ điều khiển, động cơ và bộ nguồn (acquy, pin).

Bên cạnh ba thành phần chính, khung xe, bánh xe, ghế ngồi, thắng xe, đèn tín hiệu, bánh xe cũng là phần quan trọng cấu tạo nên xe lăn điện.4 bên dưới mô tả xe lăn điện mà nhóm đã sử dụng để thực hiện đề tài. BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 7 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT Hình 2.3: Cấu tạo mặt bên của xe lăn điện thực tế.4: Cấu tạo mặt sau của xe lăn điện thực tế.2 MỘT SỐ PHƯƠNG PHÁP ĐIỀU KHIỂN XE LĂN ĐIỆN ĐÃ ĐƯỢC THỰC HIỆN 2.1 Các phương pháp điều khiển xe lăn điện truyền thống Cho đến nay, đã có nhiều đề tài nghiên cứu về phương pháp điều khiển xe lăn truyền thống. Có thể kể đến như xe lăn thông minh điều khiển bằng cử động tay sử dụng hệ thống gồm Arduino và cảm biến gia tốc MPU6050.

Hệ thống có hai thành BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 8 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT phần chính gồm một vi điều khiển Arduino và một cảm biến gia tốc. Ưu điểm nổi bật của hệ thống là đáp ứng thời gian thực, hỗ trợ cho người khuyết tật có thể bình thường hóa trong những hoạt động thường ngày. Sử dụng phương pháp nhận dạng tín hiệu cử động bàn tay, cải tiến khả năng điều khiển xe điện cho những người bị liệt không thể cử động ngón tay để điều khiển Joystick.

Nhược điểm của hệ thống vì hệ thống xe lăn điện điều khiển bằng cử động bàn tay nên không thể sử dụng cho người teo cơ, bị liệt toàn bộ cánh tay [4]. Dự án Xe lăn thông minh điều khiển bằng cử động tay dùng trong hệ thống chăm sóc sức khỏe, thông qua việc thiết lập các module cảm biến sàng lọc nhịp tim cũng như mức nồng độ oxy có ở trong máu, dữ liệu sức khỏe được chuyển lên đám mây để kích hoạt cảnh báo gửi qua SMS hoặc email khi có tình huống bất thường. Hệ thống được chia thành 2 phần gồm hệ thống viễn thông IOT ở phía khách hàng và nền tảng Arduino ở phía máy chủ. Hạn chế của hệ thống là các cảm biến không nên bị chuyển dịch nhiều, chúng phải được đặt đúng vị trí để có được những đặc tính chính xác.

Hệ thống cần có kết nối Wi-Fi tốt để xử lý thông tin được chuyển từ đám mây và tạo email/sms có trên ứng dụng mà người dùng có thể cài đặt [10].2 Các phương pháp điều khiển xe lăn điện sử dụng mạng CNN Ngoài những phương pháp truyền thống nêu trên, cùng với sự bùng nổ của Trí tuệ nhân tạo (AI), hệ thống xe lăn thông minh tự động nhờ công nghệ thị giác máy tính và học sâu. Điển hình có thể kể đến những phương pháp như hệ thống tương tác thực tế giữa người và máy tính trong ứng dụng điều khiển xe lăn thông qua theo dõi hướng nhìn của mắt và phát hiện chớp mắt. Trong hệ thống này, đồng tử từ ảnh chụp mắt được trích xuất sau quá trình nhị phân hóa, trung tâm của đồng tử được xác định để bắt chước quỹ đạo của chuyển động mắt và xác định hướng của ánh nhìn mắt. Các mạng nơ-ron tích chập được xây dựng để trích xuất đặc trưng và phân loại hình ảnh mắt mở và mắt đóng.

Dựa trên quỹ đạo di chuyển của mắt, vùng mắt nhìn của người tham gia được xác định để có thể thu thập thông tin mà người tham gia muốn diễn đạt thông qua ánh mắt. Sử dụng tỉ lệ pixel, máy vector hỗ trợ (SVM), và mạng nơ- ron tích chập (CNN) để xác định chớp mắt. Theo kết quả thí nghiệm, tỷ lệ nhận dạng sử dụng CNN cao nhất với độ chính xác 99% [11]. BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 9 CHƯƠNG 2.

CƠ SỞ LÝ THUYẾT Để khắc phục những hiện tượng té ngã ở người sử dụng, hệ thống xe lăn thông minh điều khiển bằng cử chỉ với cơ chế phát hiện té ngã hỗ trợ IoT đã được ra đời. Hệ thống nhận dạng cử chỉ bằng mô hình CNN, sử dụng camera RGB để phát hiện chuyển động, cử chỉ. Hệ thống được điều khiển theo thời gian thực bằng Raspberry Pi 4 Model B. Có thể sử dụng cùng một camera RGB cho nhiều cơ chế điều khiển.

Hệ thống được đề xuất cũng bao gồm tính năng phát hiện chướng ngại vật và phát hiện rơi, với cảnh báo SMS khẩn cấp hỗ trợ IoT để đảm bảo an toàn cho người dùng. Mô hình được huấn luyện có độ chính xác và giá trị mất mát tương ứng là 96,85% và 99,42%, và 0,0914 và 0,00035 [12]. Giọng nói là phương tiện giao tiếp quan trọng nhất của con người. Bằng cách sử dụng cảm biến micro, giọng nói có thể được sử dụng để tương tác với máy tính và đóng vai trò là phương pháp tiềm năng cho tương tác giữa người và máy tính (HCI).

Để khắc phục sự thiếu chính xác trong việc phân biệt và phân loại giọng nói của bệnh nhân, nhiều nhà nghiên cứu đã sử dụng kỹ thuật mạng nơ ron tích chập (CNN). Phần cứng bao gồm xe lăn tiêu chuẩn, điện thoại thông minh Android (Huawei Y9—CPU: Octa-core, 4 × 2,2 GHz), động cơ điện DC, pin, model rơle, Raspberry Pi4 và nút ấn khẩn cấp trong trường hợp hệ thống phản hồi bất thường. Phần mềm hệ thống gồm ứng dụng di động, mô hình nhận dạng giọng nói và mô hình CNN. Theo các thí nghiệm sự khác biệt giữa dự đoán đúng và sai xấp xỉ trên 150% [13].3 TỔNG QUAN VỀ PHẦN MỀM LƯU TRỮ PLX-DAQ VÀ ĐƠN VỊ ĐO LƯỜNG QUÁN TÍNH (IMU) 2.1 Phần mềm lưu trữ PLX-DAQ Hình 2.5: Cửa sổ công cụ thu dữ liệu PLX-DAQ BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 10 CHƯƠNG 2.

CƠ SỞ LÝ THUYẾT Với mục đích thu nhận các tín hiệu cử động đầu theo thời gian thực và lưu trữ dữ liệu dưới dạng file .csv nhằm phục vụ cho mục đích đào tạo mô hình nhận dạng tín hiệu. Đồng thời trực quan hóa các dữ liệu tín hiệu cử động đầu, nhóm quyết định sử dụng phần mềm PLX-DAQ để hỗ trợ thực hiện đề tài. PLX-DAQ là một công cụ đơn giản hỗ trợ giao tiếp dữ liệu giữa cổng giao tiếp của máy tính (COM) với các ô cell (ô dữ liệu trong file Excel). Phần mềm được sử dụng để lưu trữ các giá trị đo lường theo thời gian thực từ cảm biến thông qua Arduino và lưu trữ các giá trị đó trong các ô dữ liệu của Excel.

Điều này giúp người sử dụng có thể trực tiếp giám sát và thao tác với các dữ liệu thu được thông qua các công cụ của Excel. Cửa sổ giao diện của phần mềm PLX-DAQ được minh họa ở hình 2.2 Đơn vị đo lường quán tính (IMU) Đơn vị đo quán tính ( Inertial Measurement Unit - IMU) là một thiết bị được dùng trong các hệ thống định vị và đặc biệt là đo lường [15]. Một IMU cơ bản bao gồm hai cảm biến chính: gia tốc kế (accelerometer), con quay hồi chuyển (gyroscope). Các cảm biến này kết hợp để tính toán chính xác về chuyển động và định hướng của vật thể trong không gian ba chiều [15].