Nghiên cứu thuật toán điều khiển bám line và tránh vật cản của mobile robot sử dụng camera

Đồ án điều khiển bám line và tránh vật cản của mobile robot dùng camera tại ĐH SPKT TP.HCM

• Tác giả: Lê Đức Tính
• Người hướng dẫn: TS. Hà Lê Như Ngọc Thành
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Công nghệ Kỹ thuật Cơ điện tử
• Đề tài: Nghiên cứu thuật toán điều khiển bám line và tránh vật cản của mobile robot sử dụng camera
• Loại tài liệu: Đồ án tốt nghiệp
• Năm xuất bản: 2023
• Địa điểm: Hồ Chí Minh

Tóm tắt

I. Tổng quan về thuật toán bám line của mobile robot

Mobile robot là hệ thống cơ điện tử có khả năng di chuyển tự động trong môi trường thực. Nghiên cứu tại Trường Đại học Sư phạm Kỹ thuật TP.HCM (SPKT) tập trung vào hai bài toán cốt lõi: bám line và tránh vật cản. Đây là đề tài tốt nghiệp mã số 22223DT116, thực hiện bởi nhóm sinh viên khóa 2019–2023 thuộc Khoa Cơ khí Chế tạo Máy, dưới sự hướng dẫn của TS. Hà Lê Như Ngọc Thành. Nền tảng phần cứng là mô hình xe tự hành QCar được trang bị camera. Camera đóng vai trò cảm biến chính, thu thập dữ liệu hình ảnh theo thời gian thực. Dữ liệu này được xử lý bằng các thuật toán thị giác máy tính để nhận diện đường line trên mặt đất. Kết quả nhận diện được đưa vào bộ điều khiển để tính toán tín hiệu điều khiển cho động cơ. Hệ thống phải hoạt động ổn định khi gặp cả vật cản tĩnh lẫn vật cản động. Robot sử dụng mô hình động học bánh xe phi toàn phương để mô tả chuyển động. Góc đánh lái và vận tốc tịnh tiến là hai biến điều khiển quan trọng nhất. Đây là hướng nghiên cứu có giá trị ứng dụng cao trong lĩnh vực tự động hóa công nghiệp và giao thông thông minh.

1.1. Mô hình xe tự hành QCar tại SPKT TP.HCM

Mô hình QCar là nền tảng thực nghiệm được sử dụng tại phòng thí nghiệm Khoa Cơ điện tử, ĐH SPKT TP.HCM. Xe được trang bị camera độ phân giải cao, hệ thống động cơ DC servo và bộ xử lý nhúng. Camera thu hình ảnh môi trường phía trước robot theo thời gian thực. Các chương trình mẫu đi kèm hỗ trợ khởi chạy và thiết lập hệ thống nhanh chóng. Cấu trúc phần cứng này tạo nền tảng để triển khai và kiểm thử các thuật toán điều khiển trong điều kiện thực tế, đảm bảo tính khả thi của nghiên cứu.

1.2. Bối cảnh ứng dụng AGV tại Việt Nam

Tại Việt Nam, robot AGV được ứng dụng chủ yếu trong sản xuất công nghiệp với vai trò xe kéo hàng tự động, robot tự hành trong các nhà máy. Các hệ thống này vận hành theo nguyên lý bám line và dừng khi phát hiện vật cản. Trong bối cảnh Công nghiệp 4.0, nhu cầu về robot tự hành thông minh ngày càng tăng cao. Nghiên cứu tại SPKT TP.HCM góp phần xây dựng năng lực nội địa trong lĩnh vực này, cung cấp nền tảng thuật toán phù hợp với điều kiện thực tế tại Việt Nam.

II. Phân tích bài toán bám line và tránh vật cản

Bài toán bám line yêu cầu robot nhận diện chính xác đường kẻ trên mặt đất và duy trì hành trình theo đường đó. Thách thức đầu tiên là xử lý ảnh đầu vào từ camera trong điều kiện ánh sáng thay đổi. Nhiễu hình ảnh, bóng đổ và sự thay đổi màu sắc của line đều ảnh hưởng đến chất lượng nhận diện. Bài toán tránh vật cản phức tạp hơn vì phải xử lý cả vật cản tĩnh lẫn vật cản di động. Vật cản tĩnh có vị trí cố định, dễ lập bản đồ hơn. Vật cản động di chuyển không có quy luật, đòi hỏi phản ứng thời gian thực nhanh. Khi kết hợp hai bài toán, robot phải đồng thời bám line và phát hiện, tránh né vật cản rồi quay lại đường line ban đầu. Đây là bài toán đa mục tiêu có ràng buộc nghiêm ngặt về thời gian xử lý. Mô hình động học của xe dạng bánh phi toàn phương liên hệ vận tốc tịnh tiến và góc đánh lái theo phương trình: θ̇ = v·sinϕ/l, tạo nền tảng cho việc thiết kế bộ điều khiển. Thuật toán phải tính toán tín hiệu điều khiển trong vài mili-giây để đảm bảo an toàn.

2.1. Thách thức trong xử lý ảnh nhận diện line

Thuật toán xử lý ảnh phát hiện line phải hoạt động ổn định trong điều kiện thực tế. Ánh sáng môi trường thay đổi liên tục gây ra sự biến đổi độ sáng trên ảnh. Kỹ thuật phân ngưỡng màu sắc (color thresholding) được dùng để tách line khỏi nền. Biến đổi phối cảnh (perspective transform) giúp chuyển ảnh từ góc nhìn camera sang góc nhìn từ trên xuống. Phát hiện cạnh bằng thuật toán Canny kết hợp phép biến đổi Hough xác định vị trí và hướng của line. Độ trễ xử lý ảnh ảnh hưởng trực tiếp đến chất lượng bám line ở tốc độ cao.

2.2. Yêu cầu điều khiển khi tránh vật cản động và tĩnh

Tránh vật cản đòi hỏi robot phân biệt được vật thể trong trường nhìn của camera. Vật cản tĩnh có thể xử lý bằng cách lập kế hoạch đường đi trước. Vật cản động yêu cầu hệ thống phản ứng tức thì dựa trên dữ liệu hiện tại. Robot cần ước lượng khoảng cách và hướng di chuyển của vật cản. Sau khi né tránh thành công, robot phải tự phục hồi về đường line ban đầu. Bộ điều khiển phải phối hợp nhịp nhàng hai mục tiêu: bám line và an toàn va chạm trong cùng một vòng điều khiển.

III. Giải pháp thuật toán điều khiển mobile robot bằng camera

Nhóm nghiên cứu tại SPKT TP.HCM đề xuất kiến trúc điều khiển phân lớp cho mobile robot. Lớp thứ nhất xử lý ảnh từ camera để trích xuất thông tin về line và vật cản. Lớp thứ hai tính toán sai lệch vị trí của robot so với đường line mong muốn. Lớp thứ ba thực thi chiến lược điều khiển phù hợp với trạng thái hiện tại: bám line bình thường hoặc tránh vật cản. Mô hình toán học của động cơ DC servo được xây dựng dựa trên định luật Kirchhoff và phương trình momen cơ học. Phương trình điện: u − Ri − L·(di/dt) − Ke·ω = 0, trong đó R là điện trở, L là độ tự cảm, Ke là hằng số sức phản điện động. Momen điện từ: T = Km·i(t) với Km là hằng số momen xoắn. Từ mô hình này, nhóm xây dựng hàm truyền và thiết kế bộ điều khiển PID trong môi trường Simulink. Kết quả mô phỏng xác nhận tính khả thi trước khi triển khai thực nghiệm trên xe QCar. Thuật toán bám line và tránh vật cản được kiểm chứng qua nhiều kịch bản thực tế khác nhau tại phòng thí nghiệm.

3.1. Thuật toán xử lý ảnh và nhận diện line bằng camera

Quy trình xử lý ảnh gồm nhiều bước tuần tự. Đầu tiên, ảnh RGB từ camera được chuyển sang không gian màu HSV để tách line dễ hơn. Phép biến đổi phối cảnh chuyển góc nhìn nghiêng thành góc nhìn từ trên xuống (bird-eye view). Sau đó áp dụng phân ngưỡng nhị phân để tách vùng line. Tọa độ trọng tâm của đường line được tính toán và so sánh với tâm ảnh để xác định sai lệch điều khiển. Giá trị sai lệch này là đầu vào cho bộ điều khiển tính toán góc đánh lái phù hợp, đảm bảo robot luôn bám sát đường line với độ chính xác cao.

3.2. Mô hình Simulink và bộ điều khiển PID cho động cơ DC

Mô hình Simulink được xây dựng từ phương trình toán học của động cơ DC servo. Hàm truyền hệ thống liên hệ điện áp đầu vào với tốc độ góc đầu ra qua các tham số R, L, Km, Ke, JM. Bộ điều khiển PID được chỉnh định để đạt thời gian đáp ứng nhanh và sai số xác lập nhỏ. Mô hình Simulink cho phép mô phỏng toàn bộ hệ thống bao gồm động cơ, cơ cấu lái và vòng điều khiển trước khi thử nghiệm thực tế. Kết quả mô phỏng là cơ sở để tinh chỉnh tham số điều khiển, tiết kiệm thời gian và chi phí thực nghiệm.

IV. Kết quả ứng dụng và hướng phát triển của đề tài

Đề tài tốt nghiệp tại SPKT TP.HCM đã đạt được ba sản phẩm chính. Thứ nhất, thuật toán nhận diện và bám line hoạt động ổn định trên xe QCar trong điều kiện phòng thí nghiệm. Thứ hai, thuật toán tránh vật cản tĩnh và động được kiểm chứng qua nhiều kịch bản. Thứ ba, thuật toán tích hợp điều khiển xe tránh vật cản trong khi vẫn duy trì bám line. Kết quả này có ý nghĩa thực tiễn cao trong bối cảnh phát triển robot AGV tại Việt Nam. Các nhà máy sản xuất có thể ứng dụng ngay các thuật toán này vào hệ thống vận chuyển nội bộ. Ở quy mô rộng hơn, công nghệ xe tự hành đang được Amazon, UPS triển khai cho giao hàng tự động, Uber và Lyft phát triển dịch vụ taxi không người lái. Các công ty công nghệ lớn như Google, Apple và Tesla đầu tư mạnh vào lĩnh vực này. Nghiên cứu tại SPKT TP.HCM đóng góp vào năng lực nghiên cứu nội địa, tạo nền tảng cho các đề tài nâng cao hơn về robot tự hành thông minh trong tương lai.

4.1. Ứng dụng thực tế trong công nghiệp và giao thông

Robot AGV ứng dụng thuật toán bám line đang được triển khai rộng rãi trong các nhà máy tại Việt Nam theo mô hình Công nghiệp 4.0. Xe tự hành thay thế nhân công trong các khâu vận chuyển hàng hóa nặng, lặp đi lặp lại. Ở cấp độ quốc tế, các dịch vụ giao hàng tự động của Amazon và FedEx vận hành 24/7 với chi phí thấp hơn. Xe buýt tự động giúp giảm ùn tắc và ô nhiễm tại các đô thị lớn. Nền tảng thuật toán từ đề tài SPKT TP.HCM có thể mở rộng sang các ứng dụng này với những điều chỉnh phù hợp.

4.2. Hướng phát triển và cải tiến thuật toán trong tương lai

Hướng phát triển tiếp theo bao gồm tích hợp học sâu (deep learning) để nâng cao độ chính xác nhận diện line và vật cản trong điều kiện phức tạp hơn. Sử dụng cảm biến LiDAR kết hợp camera tạo hệ thống nhận thức môi trường toàn diện hơn. Thuật toán lập kế hoạch đường đi nâng cao như A* hoặc RRT có thể thay thế phương pháp phản ứng đơn giản. Triển khai trên nền tảng ROS (Robot Operating System) giúp mở rộng hệ thống linh hoạt hơn. Đây là những bước tiến quan trọng để đưa mobile robot từ môi trường phòng thí nghiệm vào ứng dụng thực tế quy mô lớn.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Sự gia tăng mật độ phương tiện giao thông cùng tỷ lệ tai nạn giao thông ngày càng tăng đặt ra yêu cầu cấp thiết về việc phát triển các phương tiện di chuyển thông minh và an toàn. Xe tự hành (Automated Guided Vehicle - AGV hay Autonomous Vehicle) đang dần trở thành hướng phát triển tất yếu trong ngành công nghiệp ô tô với sự tham gia của các tập đoàn công nghệ và sản xuất xe hàng đầu như Tesla, Ford, Apple, Google. Theo thống kê của các hãng phân phối xe ô tô có sản xuất xe tự hành, năm 2021 toàn thế giới đã đưa vào sử dụng khoảng 20,3 triệu chiếc, và con số này được dự báo sẽ đạt mức 62,4 triệu chiếc vào năm 2030. Tại Việt Nam, công nghệ tự hành được ứng dụng chủ yếu trong môi trường công nghiệp dưới dạng xe kéo hàng tự động, robot vận chuyển trong các dây chuyền lắp ráp và kho bãi nhằm thay thế sức lao động thủ công, tối ưu hóa năng suất và giảm thiểu rủi ro va chạm.

Để vận hành an toàn và ổn định, xe tự hành đòi hỏi các thuật toán điều hướng chính xác kết hợp với khả năng phát hiện và né tránh chướng ngại vật theo thời gian thực. Đồ án tốt nghiệp ngành Công nghệ Kỹ thuật Cơ điện tử tại Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh đã tiếp cận vấn đề này thông qua đề tài "Nghiên cứu thuật toán điều khiển bám line và tránh vật cản của mobile robot sử dụng camera" (mã số đề tài: 22223DT116), do nhóm sinh viên Lê Đức Tính, Văn Công Trực, Nguyễn Xuân Hiếu thực hiện dưới sự hướng dẫn của TS. Hà Lê Như Ngọc Thành.

Mục tiêu nghiên cứu của đề tài gồm 3 nội dung:

1. Nghiên cứu thuật toán xử lý ảnh phát hiện line.
2. Nghiên cứu thuật toán điều khiển mobile robot bám theo line.
3. Nghiên cứu thuật toán tránh vật cản động, vật cản tĩnh và bám line.

Nhiệm vụ nghiên cứu được phân định thành 5 nhiệm vụ cụ thể:

1. Xử lý ảnh bằng phương pháp nhận diện màu sắc để nhận diện đường line, từ đó xây dựng thuật toán điều khiển robot di chuyển bám theo quỹ đạo vạch kẻ.
2. Khai thác dữ liệu từ cảm biến LiDAR trên robot để phát hiện chướng ngại vật trong bán kính tùy chỉnh xung quanh thân xe, xây dựng thuật toán né tránh các vật cản này.
3. Mở rộng từ thuật toán tránh né vật cản tĩnh sang xử lý vật cản động trên quỹ đạo di chuyển.
4. Tích hợp đồng bộ thuật toán tránh né và thuật toán bám line để phương tiện vừa bám vạch kẻ vừa tự động vòng tránh chướng ngại vật xuất hiện và quay trở lại đường dẫn hướng.
5. Tiến hành thực nghiệm trên mô hình phần cứng thực tế, thu thập dữ liệu đáp ứng điều khiển và đánh giá hiệu năng hệ thống.

Đối tượng nghiên cứu là mô hình xe tự hành dạng ô tô Quanser QCar hoạt động trong không gian thực nghiệm phòng thí nghiệm (Lab). Phạm vi không gian là khu vực thử nghiệm bằng phẳng, độ rọi sáng ổn định, quỹ đạo đường vẽ bao gồm line thẳng, line cong tròn và line kết hợp, chướng ngại vật khảo sát gồm các khối tĩnh và động bố trí trên đường chạy. Thời gian thực hiện đồ án diễn ra trong Học kỳ II, năm học 2022–2023 (hoàn thành nghiệm thu vào tháng 07/2023).

Cơ sở lý thuyết và phương pháp

Khung lý thuyết điều khiển tự động của đồ án tập trung vào bộ điều khiển PID kinh điển (Proportional - Integral - Derivative) và các biến thể tỉ lệ (P), tỉ lệ - tích phân (PI), tỉ lệ - vi phân (PD). Về mặt toán học, hàm truyền đạt và quan hệ giữa tín hiệu điều khiển $u(t)$ với sai số xác lập $e(t)$ được thiết lập qua biểu thức vi tích phân:

$$u(t) = K_p e(t) + K_i \int_{0}^{t} e(t)dt + K_d \frac{de(t)}{dt}$$

Trong đó, khâu khuếch đại $K_p$ tạo phản ứng nhanh theo biên độ sai số, khâu tích phân $K_i$ triệt tiêu sai số xác lập nhưng có xu hướng gây vọt lố, và khâu vi phân $K_d$ dự báo xu hướng biến thiên để giảm dao động và rút ngắn thời gian quá độ. Nhóm nghiên cứu sử dụng phương pháp Ziegler-Nichols thực nghiệm cùng tiêu chuẩn ổn định bảng Routh để xác định các hệ số điều khiển tới hạn ($K_u$) và chu kỳ dao động tới hạn ($T_u$).

Về xử lý thị giác máy tính, đề tài sử dụng hệ màu HSV (Hue - Saturation - Value) thay thế cho không gian màu RGB tiêu chuẩn. Không gian HSV phân tách độc lập kênh sắc độ (Hue: 0–360°), độ bão hòa (Saturation: 0–100%) và giá trị sáng (Value: 0–100%), giúp thuật toán cô lập và phân ngưỡng màu sắc của vạch kẻ đường mà không bị ảnh hưởng tiêu cực bởi bóng đổ hoặc sự thay đổi độ rọi sáng trong môi trường làm việc.

Mô hình động học của robot được xây dựng dựa trên cơ cấu lái Ackermann với hai biến số điều khiển chính là vận tốc dài $v$ và góc đánh lái $\phi$. Bán kính quay vòng của xe được xác định theo chiều dài cơ sở $l$ qua công thức $R = l / \tan\phi$. Vận tốc góc quay quanh trục thẳng đứng được tính bằng $\dot{\theta} = \omega = (v \sin\phi) / l$. Động cơ chấp hành DC servo được mô hình hóa toán học tích hợp cả phương trình cân bằng điện áp mạch phần ứng theo định luật Kirchhoff ($u - Ri - L \frac{di}{dt} - v_e = 0$, với suất phản điện động $v_e = K_e \omega$) và phương trình cân bằng cơ học theo định luật II/III Newton ($J_M \frac{d\omega}{dt} = K_m i - b\omega^2$).

Phương pháp nghiên cứu thực nghiệm được triển khai thông qua:

• Biến đổi hệ quy chiếu toán học bằng ma trận chuyển vị giữa tọa độ robot và tọa độ bản đồ.
• Xây dựng mô hình tính toán, mô phỏng phản hồi động học và hàm truyền trên phần mềm MATLAB/Simulink.
• Thu thập dữ liệu cảm biến thực tế từ phần cứng: đám mây điểm 2D từ LiDAR RPLIDAR A2, khung hình màu từ CSI Camera và Intel RealSense D435, tín hiệu phản hồi vận tốc từ encoder quang hai pha A-B và góc định hướng từ cảm biến quán tính IMU 9 bậc tự do (9DOF).

Thiết kế và triển khai hệ thống

Nền tảng phần cứng trung tâm của đề tài là robot Quanser QCar mô phỏng cấu trúc cơ khí của xe ô tô thương mại tỷ lệ thu nhỏ, được trang bị hệ thống máy tính nhúng và cảm biến chuyên dụng:

Thành phần phần cứng	Model / Thông số kỹ thuật cụ thể	Chức năng trong hệ thống
Bộ xử lý trung tâm	NVIDIA Jetson TX2 (CPU Quad ARM + Dual Denver 2, 256 CUDA Pascal GPU, 8GB RAM, 32GB eMMC)	Xử lý thuật toán thị giác, điều khiển bám quỹ đạo và tránh vật cản
Camera chiều sâu	Intel RealSense D435 (kích thước 99x20x23 mm, cự ly 0,2–10 m, tốc độ 90 FPS, tích hợp IMU 6DOF)	Phát hiện vật thể chuyển động, ước lượng khoảng cách không gian
Camera quan sát góc rộng	CSI Camera (Góc nhìn FOV 160°, tốc độ khung hình 21–120 FPS)	Thu nhận hình ảnh mặt đường phục vụ nhận diện vạch kẻ line
Cảm biến quét Laser	RPLIDAR A2 2D (tần số quét 5–15 Hz, lấy mẫu 4000 Hz, cự ly quét 1,5–8 m)	Quét đám mây điểm 360°, phát hiện chướng ngại vật tĩnh trên đường chạy
Động cơ đánh lái	Traxxas 2075 Servo (điện áp 6 VDC, mô-men xoắn 0,88 Nm)	Điều khiển góc quay bánh trước thông qua cơ cấu lái
Động cơ dẫn động	Traxxas 3785 Titan 550 12T (đường kính thân 38 mm, tích hợp quạt tản nhiệt)	Truyền động cầu sau tạo vận tốc tiến cho xe
Cảm biến đo tốc độ	US Digital E8T (độ phân giải 720–1280 xung/vòng, điện áp 4,5–5,5 V)	Đếm xung quang học hai pha A-B để xấp xỉ vị trí và vận tốc
Cảm biến đo quán tính	IMU 9DOF (gia tốc kế 3 trục, con quay hồi chuyển 3 trục, từ kế 3 trục)	Đo góc xoay thân xe (Roll, Pitch, Yaw) và gia tốc hướng

Quy trình triển khai thuật toán được tổ chức thành hai nhánh điều khiển song song trên môi trường Simulink:

Nhánh nhận diện và bám line tiếp nhận luồng dữ liệu hình ảnh từ CSI camera, thực hiện chuyển đổi ảnh từ không gian màu RGB sang HSV, so sánh giá trị ảnh với dải thông số HSV ngưỡng đã được hiệu chuẩn trước để tạo ảnh nhị phân logic. Hình ảnh sau đó đi qua khối lọc hình thái học nhằm khử các điểm nhiễu lốm đốm do ánh sáng phản xạ, cắt giảm vùng quan sát (ROI) chỉ giữ lại phần mặt đường phía trước robot. Thuật toán tiến hành tính toán tọa độ trọng tâm (Centroid) của vùng vạch kẻ màu. Sai lệch giữa tọa độ hoành độ của trọng tâm đường line với trục trung tâm của khung ảnh được đưa vào bộ điều khiển PID để tính toán góc đánh lái $\phi$, hiệu chỉnh xe luôn chạy trùng với vạch kẻ.

Nhánh phát hiện và tránh vật cản sử dụng LiDAR để trích xuất tập hợp các điểm phản xạ từ môi trường. Khối lọc dữ liệu loại bỏ các điểm quét nằm ngoài khoảng cách an toàn thiết lập và khử các điểm tán xạ biên. Khi phát hiện chướng ngại vật chắn trên hành trình, thuật toán xác định vị trí tương đối của vật thể lệch về bên trái hay bên phải thân xe, thiết lập một đường tròn an toàn bán kính $R$ bao bọc xung quanh vật cản. Từ vị trí hiện tại của robot, hệ thống dựng hai đường tiếp tuyến tựa vào đường tròn an toàn, tạo ra góc mở $\pm\beta$. Bộ điều khiển PID góc lái sẽ điều hướng robot sao cho góc $\alpha$ (hợp bởi véc-tơ chuyển động và véc-tơ hướng tới tâm vật cản) thỏa mãn điều kiện an toàn:

$$0 < \beta < \alpha < \frac{\pi}{2} \quad \text{hoặc} \quad -\frac{\pi}{2} < -\beta < \alpha < 0$$

Khi kết hợp hai thuật toán, hệ thống duy trì chế độ bám line ở trạng thái mặc định. Nếu chướng ngại vật xuất hiện trong bán kính giám sát của LiDAR, tín hiệu chuyển mạch kích hoạt bộ điều khiển tránh vật cản để robot rẽ ra ngoài quỹ đạo line, di chuyển bám vòng theo đường bao an toàn của chướng ngại vật. Ngay khi vượt qua vật thể và camera ghi nhận lại đường line trong tầm nhìn, hệ thống tự động chuyển đổi ngược lại về bộ điều khiển bám line. Tín hiệu điều khiển góc lái được đưa qua khối lọc trễ "Delay for Reducing Noise" để triệt tiêu dao động giật cục của cơ cấu servo lái.

Nội dung chính theo từng chương

Mở đầu

Trình bày tổng quan về xu hướng xe tự hành trên thế giới, nhấn mạnh tầm quan trọng của việc nghiên cứu hệ thống điều hướng bám vạch và tránh vật cản trên phương tiện di chuyển tự do. Xác định mục tiêu, 5 nhiệm vụ trọng tâm và phương pháp nghiên cứu dựa trên mô hình hóa toán học, mô phỏng Simulink và kiểm chứng thực nghiệm trên nền tảng phần cứng QCar.

Chương 1: Tổng quan về xe tự hành

Cung cấp định nghĩa về phương tiện tự hành (AGV), phân loại các phương thức dẫn đường phổ biến (dẫn đường laser, dây dẫn từ, điểm từ, dây dẫn điện cảm và điều hướng quang học). Tổng thuật các ứng dụng thực tế trên thế giới trong lĩnh vực giao hàng tự động (Amazon, FedEx), phương tiện công cộng, taxi tự hành (Uber, Lyft) và xe du lịch; khảo sát hiện trạng ứng dụng AGV trong nhà máy sản xuất tại Việt Nam phục vụ việc chuyển phôi, phân phối bán thành phẩm, thu hồi rác thải và bốc xếp hàng hóa tự động.

Chương 2: Giới thiệu mô hình nghiên cứu của đề tài

Mô tả chi tiết cấu trúc phần cứng của hệ thống robot QCar hãng Quanser. Giới thiệu các thông số kỹ thuật, cấu tạo cơ khí và nguyên lý hoạt động của các cụm module: máy tính nhúng NVIDIA Jetson TX2, cảm biến LiDAR RPLIDAR A2, camera chiều sâu Intel RealSense D435, động cơ chấp hành góc lái Traxxas 2075 Servo, động cơ kéo Traxxas Titan 550, cảm biến góc IMU 9DOF và bộ mã hóa vòng quay encoder US Digital E8T 720 xung.

Chương 3: Cơ sở lý thuyết

Phân tích chi tiết cấu trúc và đặc tính toán học của các khâu điều khiển P, PI, PD và PID. Nêu rõ cơ sở lựa chọn bộ điều khiển PID cho hệ thống kỹ thuật nhờ khả năng triệt tiêu sai số xác lập, hạn chế độ vọt lố và tính tin cậy cao. Trình bày cơ sở lý thuyết thị giác máy tính, so sánh không gian màu HSV và RGB, làm rõ ưu điểm phân tách kênh màu của HSV khi xử lý nhiễu bóng râm. Trình bày nguyên lý hình học tiếp tuyến và góc an toàn $(\alpha, \beta)$ áp dụng cho bài toán tránh va chạm vật thể.

Chương 4: Đề xuất phương pháp và tính toán bộ điều khiển

Đánh giá ưu nhược điểm của các phương án kỹ thuật: nhận diện line bằng cảm biến hồng ngoại đối chiếu với camera đơn; phát hiện vật cản bằng cảm biến hồng ngoại, camera chiều sâu đối chiếu với cảm biến LiDAR. Xây dựng phương trình động học mô hình xe một bánh và xe tự hành dạng ô tô (Ackermann). Thiết lập mô hình toán học mạch điện phần ứng và cân bằng mô-men cơ học của động cơ DC servo, xác định hàm truyền đạt động cơ qua phương pháp thực nghiệm. Tính toán thông số bộ điều khiển PID bằng phương pháp Ziegler-Nichols, kiểm tra tính ổn định qua bảng Routh. Thiết kế chi tiết các lưu đồ thuật toán: nhận diện line, thuật toán tránh vật cản dựa trên độ dốc tiếp tuyến, mô hình xấp xỉ tọa độ bằng xung encoder và thuật toán lọc nhiễu tín hiệu góc lái trong khối "Delay for Reducing Noise".

Chương 5: Thực nghiệm và đánh giá

Thiết lập các kịch bản thực nghiệm trên sa bàn thực tế bao gồm quỹ đạo đường thẳng, đường cong tròn và đường kết hợp. Tiến hành đo đạc đáp ứng điều khiển trong các trường hợp: bám line thẳng không và có vật cản; bám line tròn ở các mức vận tốc 0,5 m/s, 0,8 m/s, 1,0 m/s, 1,2 m/s; bám line tròn tránh 1 vật cản, 3 vật cản và vật cản bố trí ngẫu nhiên; bám line kết hợp kết hợp tránh vật cản. Ghi nhận đồ thị thực nghiệm về sai lệch tâm đường line, tín hiệu góc đánh lái, khoảng cách LiDAR tới chướng ngại vật và quá trình chuyển mạch giữa hai bộ điều khiển.

Kết quả và đóng góp

Nghiên cứu đã hoàn thành việc thiết kế và thực nghiệm thành công hệ thống bám line kết hợp tránh vật cản trên robot tự hành QCar với các kết quả cụ thể:

Kịch bản thực nghiệm	Thông số vận tốc khảo sát	Đặc tính đáp ứng và kết quả ghi nhận
Nhận diện và bám line thẳng	Vận tốc thiết lập không đổi	Xe bám chính xác theo tim đường, sai số giữa trọng tâm line và trục giữa ảnh dao động nhỏ quanh điểm 0.
Bám line tròn	$v = 0,5 \text{ m/s}$	Quỹ đạo chuyển động ổn định cao, góc đánh lái biến thiên mượt mà theo độ cong bán kính.
Bám line tròn	$v = 0,8 \text{ m/s}$	Robot duy trì bám vạch tốt, biên độ sai lệch vị trí tâm line tăng nhẹ nhưng nằm trong giới hạn kiểm soát.
Bám line tròn	$v = 1,0 \text{ m/s}$ và $v = 1,2 \text{ m/s}$	Vận tốc lớn khiến quán tính xe tăng, xuất hiện hiện tượng dao động góc đánh lái và sai lệch tâm ảnh lớn hơn ở các khúc ngoặt.
Bám line thẳng có vật cản	Vận tốc vận hành ổn định	Xe phát hiện vật thể từ xa qua LiDAR, chuyển đổi mượt sang bộ điều khiển tránh vật cản, đi vòng qua vật cản và bắt lại line.
Bám line tròn có 1 vật cản	Vận tốc vận hành ổn định	Góc đánh lái chuyển trạng thái chính xác theo đường bao an toàn, vượt qua chướng ngại vật và khôi phục quỹ đạo bám line tròn.
Bám line tròn có 3 vật cản / ngẫu nhiên	Vận tốc vận hành ổn định	Xử lý né tránh liên tiếp các chướng ngại vật đặt tại nhiều vị trí khác nhau mà không xảy ra va chạm cơ học.
Bám line kết hợp có vật cản	Chuyển đổi vận tốc thẳng/cong	Xe tự động giảm tốc khi vào khúc cua, thực hiện tránh vật cản trên cả đoạn thẳng lẫn đoạn cong an toàn.

Về mặt đóng góp học thuật và kỹ thuật:

• Đề tài đã đề xuất và triển khai thành công thuật toán kết hợp giữa xử lý ảnh màu HSV bằng camera đơn và định vị đám mây điểm 2D từ LiDAR trên một hệ thống ô tô tự hành thực tế.
• Thay vì chỉ dừng lại ở việc phanh dừng hoặc rẽ hướng ngẫu nhiên khi gặp vật cản, thuật toán của đề tài đã giải quyết được bài toán bám vòng quanh chướng ngại vật dựa trên nguyên lý tiếp tuyến an toàn, cho phép xe tự động tìm và nhập lại đúng quỹ đạo vạch kẻ ban đầu để tiếp tục hành trình.
• Hoàn thiện mô hình tính toán động học và hàm truyền thực nghiệm cho xe tự hành dạng Ackermann trên nền tảng Quanser QCar, cung cấp dữ liệu đối sánh trực quan giữa các dải vận tốc từ 0,5 m/s đến 1,2 m/s.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của nghiên cứu:

• Bộ điều khiển PID tuyến tính chưa đáp ứng được độ ổn định hoàn toàn ở dải vận tốc cao hoặc khi xe gặp các khúc cua có bán kính ngoặt gắt kết hợp vật cản, vẫn còn tồn tại hiện tượng dao động cơ học góc đánh lái.
• Thuật toán nhận diện vạch kẻ dựa trên màu sắc HSV bằng camera đơn vẫn chịu ảnh hưởng nếu môi trường có sự thay đổi ánh sáng đột ngột hoặc xuất hiện nguồn sáng có phổ màu tương đồng với màu vạch kẻ.
• Cảm biến RPLIDAR A2 quét trên một mặt phẳng cắt 2D nên không có khả năng phát hiện các vật cản có chiều cao thấp hơn mặt phẳng quét của tia laser.

Hướng nghiên cứu phát triển tiếp theo:

• Nghiên cứu kết hợp bộ điều khiển PID với các giải thuật điều khiển phi tuyến hiện đại nhằm nâng cao độ bền vững và ổn định động học cho hệ thống khi làm việc ở các dải vận tốc lớn hơn.
• Hoàn thiện thuật toán phát hiện và bám né vật cản động bằng cách khai thác sâu luồng dữ liệu chiều sâu từ camera Intel RealSense D435 thay vì chỉ dựa vào LiDAR 2D.

Giá trị tham khảo

Báo cáo đồ án tốt nghiệp là tài liệu tham khảo có giá trị chuyên môn cao dành cho sinh viên, học viên cao học và kỹ sư thuộc các ngành Công nghệ Kỹ thuật Cơ điện tử, Kỹ thuật Điều khiển và Tự động hóa, Kỹ thuật Robot và Công nghệ Kỹ thuật Ô tô đang nghiên cứu về xe tự hành AGV hoặc hệ thống lái tự động.

Các nội dung có giá trị tham khảo cụ thể bao gồm:

• Toàn bộ phương pháp mô hình hóa động học xe tự hành cơ cấu lái Ackermann và phương pháp nhận dạng hàm truyền động cơ DC servo từ dữ liệu thực nghiệm tại [Chương 4].
• Thuật toán xử lý ảnh HSV, phương pháp phân ngưỡng và trích xuất trọng tâm đường line trên không gian ảnh hai chiều tại [Chương 3, Chương 4].
• Thuật toán dựng đường tròn an toàn và tính toán góc lái tiếp tuyến tránh chướng ngại vật dựa trên tín hiệu LiDAR 2D tại [Chương 4].
• Quy trình tổ chức sơ đồ khối Simulink, các hàm lọc nhiễu góc lái ("Delay for Reducing Noise") và tập dữ liệu kiểm chứng thực nghiệm đa kịch bản tại [Chương 5].

Câu hỏi thường gặp

1. Đề tài sử dụng mô hình phần cứng nào để triển khai và kiểm chứng các thuật toán điều khiển?
Nghiên cứu sử dụng mô hình xe tự hành QCar của hãng Quanser. Phần cứng bao gồm máy tính nhúng NVIDIA Jetson TX2 (256 nhân CUDA GPU Pascal), cảm biến laser RPLIDAR A2, camera chiều sâu Intel RealSense D435, CSI camera góc nhìn 160°, cảm biến góc IMU 9DOF, encoder quang US Digital E8T, động cơ kéo Traxxas Titan 550 và động cơ lái Traxxas 2075 Servo.

2. Tại sao nhóm tác giả lại lựa chọn không gian màu HSV thay vì hệ màu RGB tiêu chuẩn để xử lý nhận diện đường line?
Trong hệ màu RGB, các thành phần màu sắc bị pha trộn và phụ thuộc chặt chẽ vào cường độ chiếu sáng; khi có bóng râm hoặc ánh sáng thay đổi, cả ba thông số R, G, B đều biến thiên khiến thuật toán dễ nhận diện sai. Không gian màu HSV tách biệt sắc độ (Hue), độ bão hòa (Saturation) và độ sáng (Value). Khi có bóng râm che khuất, giá trị Hue của đường line ít bị biến động, chỉ có Value hoặc Saturation thay đổi, giúp thuật toán nhận diện màu sắc ổn định và chính xác hơn trong môi trường thực tế.

3. Nguyên lý toán học của thuật toán tránh vật cản bằng cảm biến LiDAR được thiết lập như thế nào?
LiDAR quét đám mây điểm để xác định tọa độ vật thể gần nhất chắn trên đường di chuyển. Thuật toán tạo một đường tròn bao an toàn có bán kính $R$ quanh tâm vật cản, sau đó từ vị trí robot dựng hai đường tiếp tuyến tựa vào đường tròn này để tính ra góc phân giác $\pm\beta$. Bộ điều khiển PID điều chỉnh góc đánh lái sao cho góc $\alpha$ giữa véc-tơ chuyển động của robot và véc-tơ nối với tâm vật cản luôn thỏa mãn $0 < \beta < \alpha < \frac{\pi}{2}$ (nếu rẽ phải) hoặc $-\frac{\pi}{2} < -\beta < \alpha < 0$ (nếu rẽ trái), đảm bảo robot di chuyển bên ngoài vùng nguy hiểm.

4. Khâu điều khiển tốc độ động cơ DC kéo của robot được tính toán với những thông số nào?
Nhóm nghiên cứu khảo sát đáp ứng động cơ thông qua mô hình toán học và kiểm tra thực nghiệm với bộ điều khiển PI. Kết quả khảo sát đáp ứng vận tốc đạt được tính ổn định và bám giá trị đặt với cặp thông số tối ưu được xác định là hệ số khuếch đại $K_p = 0,3$ và hệ số tích phân $K_i = 1,5$.

5. Kết quả thực nghiệm bám line tròn của robot ở các mức vận tốc khác nhau cho thấy điều gì?
Robot được kiểm nghiệm trên quỹ đạo line cong tròn ở 4 mức vận tốc: 0,5 m/s; 0,8 m/s; 1,0 m/s và 1,2 m/s. Ở dải vận tốc thấp ($v = 0,5$ m/s và $0,8$ m/s), robot bám vạch rất ổn định với sai số tâm ảnh và dao động góc đánh lái nhỏ. Khi nâng vận tốc lên $1,0$ m/s và $1,2$ m/s, lực quán tính tăng lên khiến độ lệch giữa trọng tâm đường line so với trục giữa khung ảnh tăng cao, góc đánh lái dao động mạnh hơn để giữ xe không bị văng ra khỏi quỹ đạo cong.

Kết luận

Đồ án tốt nghiệp đã xây dựng và tích hợp thành công thuật toán điều khiển bám line bằng thị giác máy tính kết hợp tránh va chạm chướng ngại vật bằng cảm biến LiDAR trên nền tảng xe tự hành Quanser QCar. Thông qua bộ điều khiển PID cùng giải thuật dựng góc tiếp tuyến bao quanh vật thể, robot có khả năng tự động bám quỹ đạo vạch kẻ ở các dải vận tốc lên đến 1,2 m/s và thực hiện né tránh an toàn các vật cản trên sa bàn thử nghiệm trước khi tự quay lại đường dẫn hướng. Các kết quả mô phỏng và thực nghiệm thu được phản ánh tính đúng đắn của mô hình động học Ackermann, đồng thời mở ra hướng phát triển tích hợp điều khiển phi tuyến và thị giác 3D để tối ưu hóa độ ổn định cho các dòng xe tự hành trong tương lai.

Trích đoạn nội dung tài liệu

MỞ ĐẦU 1. Lý do chọn đề tài Xe tự hành đang dần trở thành xu hướng trong xã hội hiện nay. Một số hãng xe tiên phong trong lĩnh vực xe tự hành này, tiêu biểu có Tesla, Apple, Ford… Quả thực, đây là hướng phát triển mang nhiều triển vọng trong thời đại công nghệ hiện nay, khi mật độ các phương tiện ngày càng nhiều, tỉ lệ tai nạn khi tham gia giao thông cũng không ngừng tăng cao qua từng năm. Xe tự hành của Ford và Tesla.

Xe tự hành, theo những “ông lớn” trong ngành ô tô như Tesla hay Ford đánh giá, chính là tương lai của xe ô tô. Vì vậy, việc nghiên cứu một thuật toán điều khiển xe tự động lái và tránh vật cản, thu nhỏ lại với quy mô đồ án tốt nghiệp, sẽ là thuật toán điều khiển xe tự hành bám theo vạch kẻ màu và tránh né các chướng ngại vật đặt trên đường chạy, là cần thiết cho xu hướng phát triển của xe tự hành trong tương lai. Theo thống kê của các hãng phân phối xe ô tô có sản xuất xe tự hành, tính đến năm 2021, trên toàn thế giới đã sử dụng 20,3 triệu chiếc, và con số này dự kiến sẽ tăng thành 62,4 triệu vào năm 2030. Bấy nhiêu cũng đủ thấy sự phát triển rất nhanh chóng của xe tự hành, và sớm muộn sẽ trở thành xu thế sau này.

Xe tự hành được lựa chọn vì những khắc phục trong vấn đề an toàn cho người lái, hoặc thậm chí là thay thế người lái để tự điều khiển, do đó, phát triển một thuật toán tối ưu cho xe tự hành sẽ là yêu cầu cần thiết. Nắm được xu hướng ấy mà nhóm quyết định chọn đề tài “Nghiên cứu thuật toán điều khiển bám line và tránh vật cản của mobile robot sử dụng camera”. Mục tiêu và nhiệm vụ nghiên cứu 2. Mục tiêu − Nghiên cứu thuật toán xử lý ảnh phát hiện line.

− Nghiên cứu thuật toán điều khiển mobile robot bám theo line. − Thuật toán tránh vật cản động, vật cản tĩnh và bám line. Nhiệm vụ − Xử lý ảnh bằng nhận diện màu sắc để nhận diện được line, từ đó xây dựng thuật toán để robot di chuyển bám theo line. − Truy cập LiDAR của robot để phát hiện chướng ngại vật trong bán kính tuỳ chỉnh xung quanh robot, từ đó xây dựng thuật toán tránh né các chướng ngại vật này.

− Từ thuật toán tránh né vật cản tĩnh, phát triển thành thuật toán tránh né vật cản động. − Kết hợp các thuận toán tránh né và bám line để robot vừa di chuyển bám theo line vừa có thể tránh được các vật thể xuất hiện trên đường chạy. − Tiến hành thực nghiệm, ghi nhận kết quả và đánh giá. Phương pháp nghiên cứu − Sử dụng các phép biến đổi toán học, biến đổi hệ trục dùng ma trận chuyển vị để tìm ra mối liên hệ giữa các đại lượng về tốc độ robot, góc đánh lái.

− Sử dụng các phần mềm hỗ trợ mô phỏng kết quả tính toán. − Kết hợp với các phương pháp khác: phương pháp thu thập thông tin, dữ liệu; phương pháp nghiên cứu tài liệu; phương pháp phân tích tổng hợp; phương pháp thực nghiệm. Bố cục Mở đầu Nội dung gồm 6 chương: Chương 1: Tổng quan về xe tự hành Chương 2: Giới thiệu mô hình nghiên cứu của đề tài Chương 3: Cơ sở lý thuyết Chương 4: Đề xuất phương pháp Chương 5: Tính toán bộ điều khiển Chương 6: Thực nghiệm và đánh giá Kết luận và hướng phát triển Tài liệu tham khảo. 2 NỘI DUNG CHƯƠNG 1: TỔNG QUAN VỀ XE TỰ HÀNH 1.

Giới thiệu chung Xe tự hành còn gọi là AGV (Automated Guided Vehicle), là một dạng phương tiện di chuyển tự động, thường là trong quá trình sản xuất. Như tên gọi, xe tự hành trong điều kiện làm việc bình thường sẽ không cần đến sự điều khiển của người. Phương pháp điều khiển xe tự hành sẽ dựa vào các loại cảm biến, camera, radar, LiDAR, GPS, cảm biến gia tốc… Hệ thống điều khiển giải thích thông tin cảm giác để tạo ra mô hình ba chiều về môi trường xung quanh xe. Dựa trên mô hình, ô tô sẽ xác định đường dẫn hướng thích hợp và các chiến lược để quản lý điều khiển giao thông (biển báo dừng, đèn tín hiệu, v.) và chướng ngại vật.

Các loại cảm biến dùng trên xe tự hành Các phương pháp điểu hướng cho xe tự hành: − Laser. − Dây dẫn từ, điểm từ. − Dây dẫn điện cảm. − Điều hướng quang.

Các ứng dụng của xe tự hành trên thế giới và ở Việt Nam 1. Trên thế giới 3 Những ứng dụng của xe tự hành đã được phát triển và triển khai trên khắp thế giới, từ các thành phố lớn đến các vùng nông thôn, từ các dịch vụ giao hàng đến các phương tiện công cộng. Sau đây là một số ứng dụng chính của xe tự hành trên thế giới: Giao hàng tự động: Các công ty như Amazon, UPS và FedEx đã triển khai các dịch vụ giao hàng tự động sử dụng các xe tự hành. Nhờ vào tính linh hoạt và khả năng hoạt động 24/7, các xe tự hành có thể cung cấp dịch vụ giao hàng nhanh chóng và tiết kiệm chi phí.

Phương tiện công cộng: Một số thành phố đã triển khai các dịch vụ xe buýt tự động để cải thiện tình trạng kẹt xe và giảm ô nhiễm không khí. Các hệ thống này sử dụng các xe tự hành để vận chuyển hành khách đến các điểm đến trên các tuyến đường cố định. Dịch vụ taxi tự động: Uber và Lyft đã đưa ra kế hoạch triển khai các dịch vụ taxi tự động. Nhờ vào tính linh hoạt và tiết kiệm chi phí so với các lái xe truyền thống, các dịch vụ này dự kiến sẽ thay đổi cách thức di chuyển của con người trong tương lai.

Dịch vụ xe du lịch tự động: Một số công ty du lịch đã triển khai các dịch vụ xe du lịch tự động để cung cấp cho khách hàng một trải nghiệm du lịch mới lạ và tiện lợi hơn. Các công ty đang nghiên cứu và phát triển về xe tự hành: Các công ty công nghệ như Google, Apple và Tesla đã đầu tư vào nghiên cứu và phát triển các công nghệ xe tự hành. Các ứng dụng của công nghệ này rất đa dạng và có thể cải thiện hiệu quả và an toàn của các phương tiện giao thông trong tương lai. Ở Việt Nam AGV ở Việt Nam được ứng dụng chủ yếu trong sản xuất, với vai trò xe kéo hàng tự động, robot tự hành, robot kéo hàng…trong các nhà máy, các robot này được ứng dụng công nghệ tự hành ở mức bám line, dừng khi gặp vật cản.

Robot AGV trong công nghiệp 4 Xe tự hành giúp thay thế các phương tiện trong chuỗi cung ứng vật liệu vận hành thủ công như xe nâng tay, xe nâng forklift, xe đẩy tay, xe kéo… Đáp ứng đảm bảo năng suất ngay cả khi thiếu lao động trong công việc này. Cho phép nhân viên được chỉ định lại các khu vực ra vào hàng hóa, nơi họ có thể tăng giá trị cho sản phẩm. Một số ứng dụng chính: Phân phối bán thành phẩm, sản phẩm giữa các khâu của dây chuyền sản xuất, lắp ráp: Xe tự hành AGV - xe kéo AGV kéo hàng đi khắp nhà xưởng, kết nối giữa các công đoạn một cách nhanh chóng. Robot kéo hàng thay thế hệ thống băng tải, sàn nâng, bàn nâng truyền thống vốn tốn nhiều diện tích, không gian và khó khăn trong lắp đặt, dịch chuyển khi thay đổi quy mô sản xuất.

Vận chuyển, loại bỏ chất thải để tái chế: Xe robocar vận chuyển các thùng, sọt, giỏ chất thải rắn, thùng chất thải lỏng từ các khu gia vực gia công, chế biến đưa ra khu vực tập kết rác thải theo lộ trình đã được lập sẵn. Phân phối, lưu trữ và thu hồi sản phẩm (xếp chồng trong kệ, giá để hàng,.) với sự kết hợp của các robot cộng tác hoặc xe nâng tự hành, cánh tay robot 6 trục Universal. Vận chuyển pallet hàng hóa một cách nhanh chóng, chính xác và an toàn. 5 CHƯƠNG 2: GIỚI THIỆU MÔ HÌNH NGHIÊN CỨU CỦA ĐỀ TÀI 2.

Tổng quan về robot QCar QCar là một sản phẩm của hãng Quanser, một công ty chuyên cung cấp giải pháp đào tạo và phát triển thiết bị cho ngành công nghiệp và giáo dục. QCar là một loại xe tự hành được thiết kế để giúp sinh viên và nhà nghiên cứu nghiên cứu và phát triển các ứng dụng của công nghệ xe tự hành. QCar được thiết kế mô phỏng xe ô tô, với cấu tạo và cách thức di chuyển tương tự. Kích thước và cấu tạo robot QCar − Cấu tạo: + 1 camera chiều sâu.

+ 2 động cơ: một động cơ cho vận tốc và một động cơ đánh lái. + 4 bánh xe, 2 bánh sau là bánh chủ động. 6 + Ăng-ten thu sóng wifi. + Bộ cảm biến bao gồm 2D LIDAR, cảm biến gia tốc IMU 9DOF (3 trục gia tốc góc, 3 trục gia tốc hướng, 3 trục đo từ trường), cảm biến chiều sâu, encoder 720 xung, các cổng IO mở rộng.

+ Bộ đèn tín hiệu, đèn chiếu sáng trước và sau xe. + Bộ xử lý NVIDIA Jetson TX2. + Màn hình LCD hiển thị trạng thái. + Micro kép và loa.

+ Tấm chống va chạm trước và sau xe. − Ngôn ngữ lập trình: + C/C++. − Phương thức truyền nhận dữ liệu: + CAN (Controller Area Network). − Phương thức kết nối: + HDMI.

Chi tiết cấu tạo 2. Camera chiều sâu 7 Hình 2. Intel RealSense D435 − Thông số kĩ thuật: + Kích thước: 99 mm x 20 mm x 23 mm. + Tầm hoạt động: 0.2 − 10 m, tuỳ thuộc vào điều kiện sáng.

+ Số khung hình trên giây (FPS): 90. + Cảm biến gia tốc IMU 6 bậc tự do. Sơ đồ cấu tạo của máy ảnh chiều sâu − Nguyên lý hoạt động: 8 (a) (b) Sơ đồ 2. Sơ đồ hoạt động (a) và phương pháp tính khoảng cách (b) Sử dụng hai máy ảnh đơn đặt song song với nhau, chụp và so sánh các điểm ảnh tương ứng với một điểm trên vật, dựa vào khoảng cách cơ sở và vị trí của các điểm ảnh tìm được, tính toán khoảng cách đến vật thể.

Động cơ − Động cơ đánh lái: Traxxas 2075 Servo. Động cơ Traxxas 2075 Servo Động cơ servo bao gồm động cơ DC, hệ thống bánh răng, cảm biến vị trí và mạch điều khiển. Các động cơ DC được cung cấp năng lượng từ pin, chạy ở tốc độ cao và mô-men xoắn thấp. Cụm bánh răng và trục được kết nối với động cơ DC hạ tốc độ, khiến mô-men xoắn cao hơn.

Cảm biến vị trí cảm nhận vị trí của trục từ vị trí xác định của nó và cung cấp thông tin cho mạch điều khiển.