Thuật toán di chuyển cho mobile robot sử dụng cảm biến LiDAR

Đồ án thuật toán di chuyển cho mobile robot dùng cảm biến LiDAR - ĐH SPKT TP.HCM 2023

• Tác giả: Nguyễn Thị Huế
• Người hướng dẫn: ThS. Võ Lâm Chương
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Cơ điện tử
• Đề tài: Thuật toán di chuyển cho mobile robot sử dụng cảm biến LiDAR
• Loại tài liệu: Đồ án tốt nghiệp
• Năm xuất bản: 2023
• Địa điểm: Hồ Chí Minh

Tóm tắt

I. Tổng quan về thuật toán di chuyển mobile robot dùng LiDAR

Mobile robot là hệ thống cơ điện tử tự hành, có khả năng di chuyển trong không gian thực mà không cần can thiệp trực tiếp từ con người. Tại Trường Đại học Sư phạm Kỹ thuật TP.HCM (HCMUTE), nhóm sinh viên Nguyễn Thị Huế, Nguyễn Đức Thành và Phạm Ngọc Duy đã nghiên cứu và xây dựng thuật toán di chuyển cho mobile robot sử dụng cảm biến LiDAR kết hợp với nền tảng ROS (Robot Operating System). Đây là đề tài tốt nghiệp thuộc Bộ môn Cơ Điện tử, Khoa Cơ khí Chế tạo máy, năm học 2022–2023, dưới sự hướng dẫn của ThS. Võ Lâm Chương. Robot được thiết kế với khối lượng khoảng 10 kg, kích thước R200 x H110 mm, phù hợp cho môi trường trong nhà với nhiều vật cản. Hệ thống sử dụng động cơ DC servo để truyền động, kết hợp bộ điều khiển PI để điều chỉnh vận tốc chính xác. LiDAR đóng vai trò cảm biến chính, cung cấp dữ liệu quét môi trường xung quanh theo thời gian thực, giúp robot nhận thức không gian và lập kế hoạch đường đi an toàn. Nghiên cứu này mang ý nghĩa thực tiễn cao, đặt nền tảng cho các ứng dụng robot tự hành trong nhà máy, bệnh viện và nhà hàng.

1.1. Cảm biến LiDAR trong hệ thống mobile robot

LiDAR (Light Detection and Ranging) là công nghệ cảm biến sử dụng tia laser để đo khoảng cách và xây dựng bản đồ môi trường xung quanh. Trong hệ thống mobile robot, LiDAR phát ra các xung ánh sáng laser theo nhiều góc độ và đo thời gian phản xạ để xác định vị trí vật cản. Đây là lựa chọn ưu việt so với camera thông thường vì hoạt động hiệu quả trong điều kiện ánh sáng kém, cung cấp dữ liệu độ sâu chính xác và xử lý nhanh theo thời gian thực. Kết hợp với nền tảng ROS, LiDAR cho phép robot xây dựng bản đồ động và thực hiện định vị đồng thời (SLAM), nền tảng thiết yếu cho điều hướng tự hành trong môi trường phức tạp.

1.2. Vai trò của ROS trong điều hướng robot tự hành

ROS (Robot Operating System) là nền tảng phần mềm mã nguồn mở cung cấp tập hợp các thư viện và công cụ hỗ trợ phát triển ứng dụng robot. Trong đề tài tại HCMUTE, ROS đóng vai trò trung tâm điều phối dữ liệu giữa các module: cảm biến LiDAR, bộ điều khiển động cơ và thuật toán lập kế hoạch đường đi. Kiến trúc publish-subscribe của ROS giúp các node độc lập giao tiếp theo thời gian thực, đảm bảo độ trễ thấp. Các gói như move_base, gmapping và AMCL trong ROS hỗ trợ trực tiếp cho bài toán điều hướng mobile robot, giúp rút ngắn đáng kể thời gian phát triển hệ thống so với xây dựng từ đầu.

II. Phân tích thách thức điều hướng robot trong môi trường trong nhà

Điều hướng mobile robot trong môi trường trong nhà đặt ra nhiều thách thức kỹ thuật đặc thù. Khác với không gian ngoài trời, môi trường trong nhà có cấu trúc thay đổi liên tục: vật cản di động như người đi lại, đồ vật bị dịch chuyển, ánh sáng không đồng đều và không gian hẹp. Hệ thống cần giải quyết đồng thời ba bài toán cốt lõi: định vị chính xác vị trí robot, xây dựng bản đồ môi trường và lập kế hoạch đường đi an toàn. Đây là bài toán SLAM (Simultaneous Localization and Mapping) phức tạp, đòi hỏi thuật toán xử lý nhanh và hiệu quả về bộ nhớ. Các thuật toán lập kế hoạch đường đi phổ biến như Dijkstra, A* (A-Star) và Dynamic Window Approach (DWA) mỗi loại đều có ưu nhược điểm khác nhau. Thuật toán Dijkstra không xử lý được trọng số âm và trở nên chậm với đồ thị lớn. Thuật toán A* cải thiện tốc độ tìm kiếm nhờ hàm heuristic nhưng phụ thuộc vào chất lượng hàm ước lượng. Việc lựa chọn thuật toán phù hợp quyết định trực tiếp đến hiệu suất và độ an toàn của robot trong môi trường thực tế.

2.1. Hạn chế của thuật toán Dijkstra trong môi trường thực

Thuật toán Dijkstra là một trong những phương pháp tìm đường ngắn nhất kinh điển, hoạt động theo cơ chế duyệt tham lam trên đồ thị có trọng số không âm. Tuy nhiên, trong ứng dụng mobile robot thực tế, thuật toán này bộc lộ nhiều hạn chế. Thứ nhất, độ phức tạp tăng phi tuyến khi đồ thị lớn, khiến robot phản ứng chậm trước vật cản xuất hiện đột ngột. Thứ hai, thuật toán yêu cầu bộ nhớ phụ lớn để lưu khoảng cách đến tất cả đỉnh trong đồ thị. Thứ ba, không xử lý được môi trường động nơi trọng số cạnh thay đổi liên tục theo thời gian thực. Những hạn chế này thúc đẩy việc nghiên cứu các thuật toán thay thế hiệu quả hơn cho robot tự hành.

2.2. Bài toán tránh vật cản động trong không gian hẹp

Tránh vật cản động là thách thức khó nhất trong điều hướng robot trong nhà. Không gian hẹp như hành lang bệnh viện hay lối đi nhà hàng đòi hỏi robot phản ứng nhanh, chính xác khi người hay vật thể di chuyển vào vùng quét. Cảm biến LiDAR cung cấp dữ liệu điểm đám mây theo thời gian thực, cho phép phát hiện vật cản ở cự ly gần với độ phân giải cao. Tuy nhiên, xử lý lượng dữ liệu lớn này đòi hỏi thuật toán lọc hiệu quả và bộ điều khiển có khả năng điều chỉnh quỹ đạo tức thời. Sự kết hợp giữa lập kế hoạch toàn cục và cục bộ là hướng tiếp cận được nhóm nghiên cứu tại HCMUTE áp dụng để giải quyết bài toán này.

III. Giải pháp thuật toán và thiết kế hệ thống mobile robot LiDAR

Nhóm nghiên cứu tại HCMUTE xây dựng giải pháp tích hợp gồm ba lớp: phần cứng cơ khí, hệ thống điều khiển động cơ và thuật toán điều hướng phần mềm. Về cơ cấu di chuyển, nhóm lựa chọn bánh xe dạng đĩa — loại phổ biến nhất trong mobile robot phục vụ trong nhà — vì chi phí thấp, kết cấu đơn giản và khả năng điều hướng linh hoạt. Động cơ DC servo được điều khiển bằng bộ điều khiển PI, đảm bảo vận tốc ổn định và đáp ứng nhanh. Phân tích ổn định hệ thống theo tiêu chuẩn Routh xác nhận bộ điều khiển PI đáp ứng điều kiện ổn định với hệ số KP và KI được chỉnh định phù hợp. Về phần mềm điều hướng, hệ thống kết hợp thuật toán lập kế hoạch toàn cục — xác định đường đi tổng thể từ điểm xuất phát đến đích — với thuật toán cục bộ Dynamic Window Approach (DWA) để tránh vật cản theo thời gian thực. Dữ liệu từ LiDAR được xử lý qua ROS, tích hợp vào bản đồ lưới nghề và cập nhật liên tục trong quá trình robot di chuyển. Kết quả là hệ thống mobile robot hoàn chỉnh, có khả năng tự lập kế hoạch và điều hướng an toàn trong môi trường trong nhà phức tạp.

3.1. Thiết kế bộ điều khiển PI cho động cơ DC servo

Bộ điều khiển PI (Proportional-Integral) được thiết kế dựa trên hàm truyền hệ thống động cơ DC servo. Từ phân tích hàm truyền với các tham số a = 1,216×10⁻⁵, b = 33,47 và c = 244,8, nhóm áp dụng tiêu chuẩn ổn định Routh để xác định dải giá trị KP và KI đảm bảo hệ thống ổn định. Bộ điều khiển PI loại bỏ sai số tĩnh và cải thiện đáp ứng tốc độ, phù hợp với yêu cầu điều khiển vận tốc chính xác. Việc không sử dụng khâu vi phân (KD = 0) giúp tránh khuếch đại nhiễu đo lường từ encoder, đảm bảo hoạt động ổn định trong điều kiện thực nghiệm với robot 10 kg.

3.2. Tích hợp SLAM và lập kế hoạch đường đi với ROS

Hệ thống SLAM được triển khai trên nền tảng ROS, sử dụng gói gmapping để xây dựng bản đồ lưới nghề từ dữ liệu LiDAR và odometry. Robot đồng thời định vị bản thân trên bản đồ đang xây dựng, không cần hạ tầng GPS hay marker. Sau khi bản đồ hoàn chỉnh, gói AMCL thực hiện định vị thích nghi Monte Carlo để theo dõi vị trí robot với độ chính xác cao. Move_base kết hợp lập kế hoạch toàn cục Navfn với DWA cục bộ, tự động điều chỉnh quỹ đạo khi gặp vật cản mới. Kiến trúc modular của ROS cho phép thay thế hoặc nâng cấp từng thành phần độc lập, tạo nền tảng mở rộng cho nghiên cứu tiếp theo.

IV. Kết quả nghiên cứu và ứng dụng thực tiễn tại HCMUTE

Đề tài tốt nghiệp tại Trường Đại học Sư phạm Kỹ thuật TP.HCM đạt được mô hình mobile robot hoàn chỉnh, tích hợp đầy đủ phần cứng và phần mềm điều hướng. Robot có thể tự động xây dựng bản đồ không gian trong nhà, định vị chính xác và lập kế hoạch đường đi tránh vật cản tĩnh lẫn động. Hệ thống điều khiển PI được kiểm chứng ổn định theo tiêu chuẩn Routh, đảm bảo vận tốc robot nhất quán trong suốt hành trình. Kết quả thực nghiệm cho thấy robot di chuyển mượt mà trong không gian hẹp, phản ứng kịp thời với vật cản xuất hiện đột ngột. Về ý nghĩa ứng dụng, nghiên cứu mở ra hướng triển khai robot phục vụ trong nhà hàng, bệnh viện và kho hàng — lĩnh vực đang phát triển mạnh tại Việt Nam. Phương pháp kết hợp LiDAR và ROS được chứng minh là hướng đi khả thi, tiết kiệm chi phí phát triển và dễ mở rộng. Đề tài cũng đặt nền tảng vững chắc cho các nghiên cứu tiếp theo về robot đa tác nhân, điều hướng ngoài trời và tích hợp trí tuệ nhân tạo trong nhận thức môi trường.

4.1. Đánh giá hiệu suất hệ thống điều hướng thực nghiệm

Thực nghiệm được tiến hành trong môi trường phòng thí nghiệm Bộ môn Cơ Điện tử, HCMUTE, mô phỏng không gian trong nhà với nhiều vật cản tĩnh và động. Robot khối lượng 10 kg di chuyển ổn định, bộ điều khiển PI duy trì vận tốc đặt với sai số nhỏ. Cảm biến LiDAR cung cấp dữ liệu quét chính xác, bản đồ lưới nghề được xây dựng đủ chi tiết để lập kế hoạch đường đi tin cậy. Hệ thống phát hiện vật cản ở khoảng cách an toàn và điều chỉnh quỹ đạo thành công trong phần lớn các tình huống thử nghiệm, xác nhận tính khả thi của giải pháp đề xuất.

4.2. Hướng phát triển và ứng dụng trong công nghiệp Việt Nam

Kết quả nghiên cứu tại HCMUTE mở ra nhiều hướng phát triển tiếp theo. Về phần cứng, có thể tích hợp thêm camera độ sâu để nâng cao khả năng nhận diện vật thể. Về phần mềm, áp dụng học tăng cường (reinforcement learning) để tối ưu chiến lược điều hướng trong môi trường không xác định. Về ứng dụng công nghiệp, nền tảng này phù hợp triển khai robot AGV (Automated Guided Vehicle) trong nhà kho thông minh, robot phục vụ trong cơ sở y tế và hệ thống giám sát an ninh tự hành. Xu hướng tự động hóa đang tăng tốc tại Việt Nam tạo ra nhu cầu lớn cho các giải pháp robot linh hoạt, chi phí hợp lý như mô hình nghiên cứu tại HCMUTE.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh khoa học kỹ thuật và tự động hóa phát triển, nhu cầu ứng dụng robot tự hành (mobile robot) nhằm thay thế con người trong các công việc nặng nhọc, nguy hiểm và độc hại ngày càng gia tăng. Các môi trường làm việc đặc thù như nhà xưởng sản xuất, khu vực hóa chất, môi trường phóng xạ, không gian hạn chế tầm nhìn, cũng như các ứng dụng dân dụng phục vụ đời sống (vệ sinh, khử trùng, vận chuyển hàng hóa) đòi hỏi các phương tiện tự hành phải có khả năng di chuyển linh hoạt và định vị chính xác. Trong lĩnh vực robot tự hành, bài toán điều hướng (navigation) đóng vai trò trung tâm, bao gồm việc xây dựng bản đồ môi trường, xác định vị trí của robot, hoạch định đường đi (path planning) tối ưu và né tránh các chướng ngại vật trên đường di chuyển.

Khóa luận tốt nghiệp mã số 22223DT181 với đề tài "Thuật toán di chuyển cho mobile robot sử dụng cảm biến LiDAR" được thực hiện bởi nhóm sinh viên Nguyễn Thị Huế, Nguyễn Đức Thành, Phạm Ngọc Duy dưới sự hướng dẫn của ThS. Võ Lâm Chương tại Bộ môn Cơ điện tử, Khoa Cơ khí Chế tạo máy, Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh (niên khóa 2022–2023, hoàn thành tháng 08/2023).

Nhóm tác giả xác định 7 mục tiêu nghiên cứu cụ thể:

1. Thiết kế mô hình mobile robot có khả năng di chuyển linh hoạt trong không gian hai chiều.
2. Tính toán và lựa chọn động cơ, cơ cấu truyền động phù hợp cho hệ thống robot.
3. Xây dựng hệ phương trình động học tương thích với cơ cấu di chuyển đã thiết kế.
4. Thiết kế mạch điều khiển và phân phối nguồn cho toàn bộ hệ thống robot.
5. Thiết kế bộ điều khiển tốc độ động cơ vòng kín, đảm bảo tính ổn định chuyển động.
6. Nghiên cứu thuật toán di chuyển bao gồm tránh vật cản và dẫn hướng robot đến các tọa độ chỉ định bằng cảm biến LiDAR kết hợp hệ điều hành robot (ROS).
7. Xây dựng bản đồ môi trường hoạt động và định vị chính xác vị trí robot trên bản đồ đã thiết lập.

Đối tượng và phạm vi nghiên cứu của đồ án:

• Đối tượng nghiên cứu: Động cơ DC servo có tích hợp encoder, máy tính nhúng Raspberry Pi 4 Model B, kit vi điều khiển STM32F103C8T6, cảm biến quét laser RPLiDAR A1M8, nền tảng hệ điều hành robot (ROS) và các giải thuật xử lý bản đồ, điều hướng (Hector SLAM, AMCL, Dijkstra).
• Phạm vi nghiên cứu: Mô hình mobile robot ba bậc tự do sử dụng cơ cấu ba bánh xe đa hướng (Omni-wheel) bố trí đối xứng; không gian hoạt động giới hạn trong môi trường trong nhà (indoor) trên bề mặt phẳng; xây dựng bản đồ lưới 2D và dẫn hướng bám quỹ đạo tránh vật cản tĩnh và động.

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và các bài toán cốt lõi của robot tự hành

Theo lý thuyết điều hướng robot học được trích dẫn từ Lagoudakis (2002), để di chuyển độc lập trong môi trường thực tế, mobile robot phải giải quyết đồng thời bốn bài toán thành phần:

• Xây dựng bản đồ (Mapping): Khảo sát và số hóa không gian vật lý xung quanh thành dạng dữ liệu không gian mà máy tính có thể xử lý (bản đồ lưới occupancy grid map).
• Định vị robot (Localization): Ước lượng liên tục vị trí và góc hướng của robot trong hệ tọa độ của bản đồ đã tạo.
• Hoạch định đường đi (Path planning): Tính toán quỹ đạo chuyển động hình học từ điểm xuất phát đến vị trí mục tiêu sao cho tối ưu hóa quãng đường hoặc thời gian di chuyển.
• Tránh vật cản (Obstacle avoidance): Phát hiện chướng ngại vật xuất hiện đột xuất trên hành trình và điều chỉnh quỹ đạo cục bộ theo thời gian thực để ngăn ngừa va chạm.

So sánh các thuật toán hoạch định đường đi

Nhóm tác giả tiến hành tổng quan và phân tích ưu, nhược điểm của các giải thuật hoạch định quỹ đạo phổ biến trong lĩnh vực robot tự hành:

Thuật toán	Nguyên lý hoạt động	Ưu điểm chính	Hạn chế chính
Trường thế năng (Potential Field)	Xem robot là điểm chuyển động dưới tác dụng của lực hút từ mục tiêu và lực đẩy từ vật cản.	Cấu trúc tính toán đơn giản, phản ứng nhanh trong môi trường động, không đòi hỏi bản đồ trước.	Dễ rơi vào trạng thái bế tắc tại cực tiểu cục bộ (local minimum); dao động trước nhiều rào cản gần nhau.
Bản đồ đường (Road Map)	Biểu diễn không gian di chuyển bằng mạng lưới các đường đi định trước kết nối các nút.	Giảm độ phức tạp tính toán thời gian thực, độ tin cậy cao trong môi trường có cấu trúc cố định.	Phụ thuộc hoàn toàn vào độ chính xác của bản đồ dựng trước; tốn tài nguyên cập nhật khi môi trường thay đổi.
Giải thuật di truyền (GA)	Tối ưu hóa ngẫu nhiên dựa trên cơ chế tiến hóa sinh học (chọn lọc, lai ghép, đột biến quần thể gen).	Khám phá không gian tìm kiếm đa chiều rộng lớn; giải quyết tốt bài toán đa mục tiêu phức tạp.	Thời gian tính toán lớn, hội tụ chậm, khó đáp ứng yêu cầu điều khiển thời gian thực trực tiếp.
Thuật toán bầy đàn (PSO)	Mô phỏng hành vi di chuyển tìm mồi của bầy chim hoặc đàn cá để cập nhật vị trí nghiệm tối ưu.	Cấu trúc giải thuật đơn giản, dễ cài đặt, ít tham số điều chỉnh hơn so với giải thuật di truyền.	Dễ vướng vào cực tiểu cục bộ; tốc độ hội tụ suy giảm trong bài toán đa ràng buộc phức tạp.
Thuật toán Dijkstra	Duyệt đồ thị có trọng số không âm bằng chiến lược nhánh cận (greedy) sử dụng hàng đợi ưu tiên.	Đảm bảo tính toán chính xác đường đi ngắn nhất toàn cục; tin cậy cao trên đồ thị dạng lưới.	Không áp dụng được cho đồ thị trọng số âm; chi phí bộ nhớ và thời gian tăng nhanh khi kích thước đồ thị lớn.

Từ phân tích trên, nhóm nghiên cứu lựa chọn thuật toán Dijkstra (được tích hợp trong gói phần mềm Navfn của ROS Navigation Stack) làm giải thuật hoạch định đường đi toàn cục nhờ tính tối ưu tuyệt đối và độ ổn định cao trên bản đồ lưới tĩnh.

Phương pháp nghiên cứu thực nghiệm và mô hình hóa

• Mô hình hóa động học: Thiết lập hệ phương trình toán học mô tả quan hệ vận tốc giữa các bánh xe omni và vận tốc tổng hợp của thân robot thông qua ma trận chuyển đổi hệ tọa độ toàn cục và hệ tọa độ cục bộ.
• Nhận dạng hệ thống thực nghiệm: Cấp tín hiệu xung PWM bậc thang vào động cơ, đo đạc đáp ứng vận tốc góc qua encoder và sử dụng công cụ System Identification Toolbox trên phần mềm Matlab để xây dựng hàm truyền đạt thực nghiệm của cơ cấu truyền động.
• Tổng hợp hệ thống điều khiển: Sử dụng thuật toán điều khiển tỉ lệ - tích phân (PI), áp dụng tiêu chuẩn ổn định đại số Routh-Hurwitz để xác định dải tham số độ lợi đảm bảo hệ thống kín ổn định.
• Tích hợp phần mềm nguồn mở: Ứng dụng hệ điều hành robot ROS (Robot Operating System) để kết nối đồng bộ các luồng thông tin cảm biến, thuật toán Hector SLAM, thuật toán định vị hạt thích nghi (AMCL) và khối điều hướng ROS Navigation Stack.

Thiết kế và triển khai hệ thống kỹ thuật

Thiết kế cơ khí và tính toán động lực học

Nhóm tác giả khảo sát ba dạng cơ cấu di chuyển phổ biến: cơ cấu hai bánh chủ động kết hợp một bánh dẫn hướng (vi sai), cơ cấu bốn bánh Mecanum và cơ cấu ba bánh Omni. Cơ cấu ba bánh Omni được lựa chọn nhờ cấu trúc cơ học đối xứng, khả năng chuyển động toàn hướng (omni-directional) linh hoạt trong không gian hẹp mà không cần quay góc thân xe, đồng thời tiết kiệm số lượng động cơ so với hệ bốn bánh Mecanum. Ba trục bánh xe được bố trí lệch nhau từng đôi một góc 120°, tâm các bánh xe cách đều tâm hình học của robot một khoảng cách $L$.

Dựa trên các thông số thiết kế đầu vào: khối lượng robot toàn tải $M = 10\text{ kg}$, vận tốc cực đại mong muốn $v_{\max} = 1\text{ m/s}$, thời gian gia tốc $t = 1\text{ s}$ (tương ứng gia tốc $a = 1\text{ m/s}^2$), bán kính bánh xe Omni $R = 0,039\text{ m}$, khối lượng mỗi bánh xe $m = 0,35\text{ kg}$ và hệ số an toàn tính toán $k = 2$.

Từ mô hình cân bằng mô-men quay và định luật II Newton: $$\tau - F_{\text{ms}} R = I \gamma$$ $$F_{\text{ms}} = \frac{1}{2} (M + m) a$$

Nhóm tính toán được tốc độ quay định mức của động cơ: $$n = \frac{60 \cdot v_{\max}}{2 \pi R} \approx 245\text{ vòng/phút}$$ Công suất kéo yêu cầu của mỗi động cơ: $$P = \tau \omega \approx 11,05\text{ W}$$

Từ kết quả trên, nhóm lựa chọn loại động cơ Planet giảm tốc 24VDC có công suất định mức 30W, tốc độ không tải 600 vòng/phút, dòng điện tiêu thụ 3600 mA, khả năng chịu tải trọng tối đa 25 kg, tích hợp bộ encoder quang học 2 kênh A-B độ phân giải 12 xung/vòng (ppr). Thân vỏ và khung đế robot được thiết kế bằng phần mềm CAD và chế tạo bằng công nghệ in 3D với vật liệu nhựa sinh học PLA-FS, tạo nên kết cấu hình trụ tròn có kích thước tổng thể đường kính 200 mm và chiều cao 110 mm.

Thiết kế hệ thống điện và phần cứng điều khiển

Hệ thống điện của robot phân chia thành hai tầng xử lý: tầng tính toán cao cấp (chạy ROS) và tầng điều khiển chấp hành cấp thấp (giao tiếp vi điều khiển và công suất).

Thiết bị	Chức năng kỹ thuật	Thông số kỹ thuật danh định
RPLiDAR A1M8	Quét laser 2D đo khoảng cách và lập bản đồ	Góc quét 360°, tầm đo 0,15–12 m, tần số quét 10 Hz, tốc độ lấy mẫu 8000 điểm/giây, giao tiếp UART, điện áp 5VDC.
Raspberry Pi 4 Model B	Máy tính nhúng chạy hệ điều hành Linux và ROS	Vi xử lý Broadcom BCM2711, 4 nhân ARM Cortex-A72, kết nối Wi-Fi, Ethernet, USB 3.0, nguồn cấp 5V/3A.
STM32F103C8T6	Vi điều khiển xử lý vòng lặp PID và đọc encoder	Lõi ARM Cortex-M3, 32-bit, tần số xung nhịp tối đa 72 MHz, 64/128 KB Flash, 20 KB SRAM, ngoại vi Timer 4X.
BTS7960	Mạch điều khiển cầu H công suất cho động cơ DC	Điện áp 6–27VDC, dòng tải cực đại 43A, tần số điều chế độ rộng xung (PWM) tối đa 25 kHz, tích hợp cảm biến nhiệt và bảo vệ sụt áp.
LM2596	Mạch giảm áp Buck DC-DC	Dải điện áp vào 4–30VDC, điện áp ra điều chỉnh 1,5–30VDC, dòng ra tối đa 3A, hiệu suất chuyển đổi cao.
Pin LiPo 6S	Nguồn cấp cho hệ thống động cơ và mạch công suất	Cấu tạo 6 cell mắc nối tiếp, điện áp danh định 22,2V, dung lượng 6000 mAh (hoặc 6500 mAh), hệ số xả tức thời 45C, khối lượng 1880g.
Nguồn sạc dự phòng	Nguồn cấp độc lập cho bo mạch Raspberry Pi 4	Điện áp 5VDC, dòng định mức 3A, tách biệt mass nhằm chống sụt áp và nhiễu từ động cơ công suất.

Hệ thống hạ áp gồm hai mạch LM2596 nhận nguồn từ pin LiPo 22,2V: một mạch chuyển đổi xuống 12VDC cấp cho các đầu vào logic của mạch cầu H BTS7960, một mạch chuyển đổi xuống 5VDC cấp nguồn nuôi cho các vi điều khiển và mạch ngoại vi.

Nội dung chính theo từng chương

CHƯƠNG 1: GIỚI THIỆU

Chương này trình bày tính cấp thiết của đề tài trong xu thế phát triển của tự động hóa và robot công nghiệp. Tác giả nêu rõ mục tiêu nghiên cứu tập trung vào việc làm chủ thiết kế cơ khí ba bánh omni, mô hình hóa toán học, tích hợp cảm biến LiDAR và ứng dụng hệ điều hành robot ROS để thực hiện tự hành trong nhà. Chương 1 đồng thời xác lập đối tượng nghiên cứu, phạm vi không gian thử nghiệm trong nhà, phương pháp tiếp cận và kết cấu phân bổ sáu chương của đồ án.

CHƯƠNG 2: TỔNG QUAN ĐỀ TÀI

Chương 2 tổng hợp cơ sở lý thuyết về robot tự hành và phân tích chi tiết bốn bài toán cốt lõi: Mapping, Localization, Path planning và Obstacle avoidance theo tài liệu học thuật chuyên ngành. Tác giả thực hiện khảo sát lý thuyết, phân tích cơ chế, ưu điểm và nhược điểm của năm phương pháp hoạch định quỹ đạo: trường thế năng (Potential Field), bản đồ đường (Road Map), giải thuật di truyền (GA), thuật toán bầy đàn (PSO) và thuật toán Dijkstra. Kết quả chương này đặt tiền đề lý luận cho việc tích hợp thuật toán Dijkstra thông qua nền tảng ROS.

CHƯƠNG 3: THIẾT KẾ PHẦN CỨNG HỆ THỐNG

Chương 3 trình bày toàn bộ quá trình tính toán và hiện thực hóa phần cứng của robot:

• So sánh ưu nhược điểm của ba loại cơ cấu bánh xe (bánh đĩa truyền thống, bánh Mecanum, bánh Omni) và đưa ra quyết định chọn hệ ba bánh Omni lệch góc 120°.
• Xây dựng mô hình toán cơ cấu động học bánh xe chủ động, tính toán công suất yêu cầu ($P \approx 11,05\text{ W}$) và tốc độ quay ($n \approx 245\text{ vòng/phút}$), từ đó lựa chọn động cơ Planet 24V 30W 600rpm có gắn encoder 12 ppr.
• Thiết kế kết cấu cơ khí khung và vỏ bảo vệ trên phần mềm CAD, sau đó gia công chế tạo hoàn chỉnh bằng công nghệ in 3D nhựa PLA-FS.
• Lựa chọn linh kiện điện tử: cảm biến RPLiDAR A1M8, máy tính nhúng Raspberry Pi 4, vi điều khiển STM32F103C8T6, mạch công suất BTS7960, mạch giảm áp LM2596 và hệ thống nguồn pin LiPo 6S kết hợp pin dự phòng độc lập.
• Thiết lập sơ đồ nguyên lý mạch điều khiển kết nối toàn bộ hệ thống.

CHƯƠNG 4: ĐỘNG HỌC – ĐIỀU KHIỂN

Chương 4 tập trung giải quyết bài toán mô hình hóa động học và tổng hợp hệ thống điều khiển vòng kín cho robot:

• Động học ba bánh Omni: Thiết lập ma trận biến đổi tọa độ $R(\theta)$ từ hệ quy chiếu toàn cục $Oxy$ sang hệ quy chiếu cục bộ robot $MV_nV$. Xây dựng phương trình động học thuận và nghịch, biểu diễn mối liên hệ giải tích giữa vận tốc dài của ba bánh xe $(v_1, v_2, v_3)$ với các thành phần vận tốc của khung robot $(v, v_n, \omega)$: $$v_1(t) = -\sin(\theta) v(t) + \cos(\theta) v_n(t) + L \omega(t)$$ $$v_2(t) = -\sin\left(\frac{\pi}{3} - \theta\right) v(t) - \cos\left(\frac{\pi}{3} - \theta\right) v_n(t) + L \omega(t)$$ $$v_3(t) = \sin\left(\frac{\pi}{3} + \theta\right) v(t) - \cos\left(\frac{\pi}{3} + \theta\right) v_n(t) + L \omega(t)$$
• Mô phỏng động học trên Matlab: Thực hiện năm kịch bản kiểm chứng mô phỏng: (1) Quỹ đạo đường tròn với $v_1 = -1,7\text{ m/s}, v_2 = 2,5\text{ m/s}, v_3 = 2\text{ m/s}$; (2) Quỹ đạo thẳng chiều âm với $v_1 = -5\text{ m/s}, v_2 = 2,5\text{ m/s}, v_3 = 2,5\text{ m/s}$; (3) Quỹ đạo thẳng chiều dương với $v_1 = 0\text{ m/s}, v_2 = -2\text{ m/s}, v_3 = 2\text{ m/s}$; (4) Quỹ đạo ngang với $v_1 = -1\text{ m/s}, v_2 = 0\text{ m/s}, v_3 = 1\text{ m/s}$; (5) Quỹ đạo dọc với $v_1 = 1\text{ m/s}, v_2 = -2\text{ m/s}, v_3 = 1\text{ m/s}$.
• Kỹ thuật đọc encoder: Sử dụng khối Timer phần cứng của vi điều khiển STM32 ở chế độ đọc 4X (bắt cả hai sườn lên và sườn xuống của hai pha A và B) giúp tăng độ phân giải lên gấp 4 lần, giải phóng tài nguyên xử lý CPU so với phương pháp ngắt ngoài truyền thống.
• Nhận dạng hàm truyền động cơ: Khảo sát đáp ứng tốc độ với điện áp kích thích xung PWM ở mức 20% $PWM_{\max}$ ($PWM = 0,1$). Bằng công cụ System Identification trên Matlab, nhóm xác định hàm truyền xấp xỉ của hệ động cơ có trễ: $$G(s) = \frac{1,216 \times 10^5}{s^2 + 33,47s + 244,8} e^{-0,00667s}$$ với độ chính xác đạt 95,48%. Tác giả đồng thời xác định hàm truyền riêng biệt của từng động cơ $G_1(s), G_2(s), G_3(s)$ nhằm đánh giá sự sai lệch chế tạo.
• Tính toán bộ điều khiển: Lập phương trình đặc trưng vòng kín, áp dụng bảng tiêu chuẩn Routh-Hurwitz tổng quát và xác lập điều kiện biên cho các thông số độ lợi. Trong bài toán điều khiển vận tốc, tác giả lược bỏ khâu vi phân ($K_D = 0$) để tránh khuếch đại nhiễu đo lường, áp dụng bộ điều khiển PI rời rạc.
• Giao tiếp phần cứng: Thiết lập kênh truyền dữ liệu nối tiếp UART tốc độ cao giữa bo mạch chủ Raspberry Pi và các kit STM32.

CHƯƠNG 5: XÂY DỰNG PHẦN MỀM TRÊN ROS

Chương 5 hiện thực hóa toàn bộ thuật toán điều khiển thông minh trên hệ điều hành robot ROS:

• Khái quát kiến trúc trao đổi dữ liệu phân tán trong ROS thông qua cơ chế Master, Node, Topic (xuất bản/đăng ký dữ liệu cảm biến, vận tốc cmd_vel) và Service (giao tiếp yêu cầu - phản hồi).
• Thiết lập gói phần mềm ROS Navigation Stack để liên kết các tầng xử lý: nhận dữ liệu laser scan từ RPLiDAR A1M8, nhận thông tin odometry từ vi điều khiển, cập nhật chi phí bản đồ (costmap) toàn cục và cục bộ.
• Triển khai thuật toán Hector SLAM: Sử dụng thuật toán khớp mẫu quét laser (scan matching) dựa trên phép tối ưu Gauss-Newton để lập bản đồ lưới không gian 2D với độ phân giải cao mà không phụ thuộc tuyệt đối vào sai số tích lũy của odometry bánh xe.
• Định vị bằng giải thuật thích nghi Adaptive Monte Carlo Localization (AMCL): Sử dụng bộ lọc hạt (particle filter) để ước lượng tọa độ và hướng của robot dựa trên sự tương đồng giữa tia quét laser thực tế và bản đồ tĩnh do Map Server lưu trữ.
• Hoạch định đường đi với thuật toán Dijkstra: Tự động tính toán đường đi ngắn nhất không va chạm từ vị trí hiện tại đến điểm đích do người dùng chỉ định trên giao diện Rviz, đồng thời bám quỹ đạo và phản ứng linh hoạt né tránh chướng ngại vật xuất hiện tức thời.

CHƯƠNG 6: KẾT LUẬN – HƯỚNG PHÁT TRIỂN

Chương 6 tổng kết các kết quả thực nghiệm đạt được trên mô hình vật lý hoàn chỉnh: khả năng bám quỹ đạo di chuyển định trước, độ chính xác của bản đồ 2D thu thập được từ cảm biến LiDAR, và tính ổn định khi tránh chướng ngại vật tĩnh lẫn chướng ngại vật động. Tác giả thẳng thắn đánh giá những hạn chế còn tồn tại của hệ thống và đề xuất các phương hướng cải tiến nghiên cứu tiếp theo.

Kết quả và đóng góp

Kết quả kỹ thuật đạt được

• Về cơ khí và phần cứng: Chế tạo thành công mô hình robot tự hành ba bánh Omni hoàn chỉnh, kích thước đường kính 200 mm, chiều cao 110 mm, tổng khối lượng xấp xỉ 10 kg. Hệ thống khung vỏ in 3D nhựa PLA-FS hoạt động vững chắc, liên kết chặt chẽ các cụm chấp hành, driver công suất, cảm biến và mạch nguồn.
• Về mô hình hóa và điều khiển:
  • Xây dựng thành công hệ phương trình động học cho cơ cấu 3 bánh omni lệch 120°, xác nhận qua 5 kịch bản mô phỏng quỹ đạo chuẩn (đường tròn, chuyển động tịnh tiến dọc, ngang và xiên) trên Matlab.
  • Xác định chính xác hàm truyền đạt thực nghiệm của động cơ Planet 24V 30W với độ khớp mô hình đạt 95,48% ($G(s) = \frac{1,216 \times 10^5}{s^2 + 33,47s + 244,8} e^{-0,00667s}$).
  • Ứng dụng thành công tiêu chuẩn Routh-Hurwitz để lựa chọn tham số bộ điều khiển PI, điều khiển độc lập và đồng bộ ba động cơ bám sát vận tốc đặt, xử lý tín hiệu xung encoder qua Timer chế độ 4X không gây trễ vi điều khiển.
• Về phần mềm và thuật toán di chuyển:
  • Ứng dụng Hector SLAM xây dựng thành công bản đồ lưới 2D của môi trường trong nhà có chướng ngại vật với ranh giới rõ ràng.
  • Thuật toán AMCL duy trì hội tụ đám hạt hạt định vị, xác định chính xác vị trí robot trong bản đồ.
  • Thuật toán Dijkstra trên ROS Navigation Stack tính toán thành công đường đi ngắn nhất tới mục tiêu, bám quỹ đạo ổn định trong cả hai trường hợp: môi trường tĩnh không có vật cản và môi trường có vật cản động xuất hiện bất ngờ cắt ngang hành trình.

Giải pháp và kiến nghị kỹ thuật của nhóm tác giả

• Phân tách hệ thống nguồn điện: Tách riêng nguồn cấp 5V từ sạc dự phòng cho bo mạch tính toán Raspberry Pi 4 và nguồn pin LiPo 6S 22,2V cho tầng động cơ công suất nhằm loại bỏ hiện tượng sụt áp gây khởi động lại máy tính nhúng khi động cơ khởi động dòng cao.
• Đọc xung encoder bằng Timer phần cứng: Chuyển đổi phương pháp bắt cạnh ngắt ngoài sang sử dụng bộ đếm Timer nội vi trên chip STM32 ở chế độ 4X, giúp triệt tiêu hiện tượng nghẽn ngắt khi động cơ quay tốc độ cao và hạn chế tối đa sai số do nhiễu xung.
• Sử dụng bộ điều khiển PI lược bỏ vi phân: Nhận diện việc sử dụng khâu vi phân ($K_D$) dễ khuếch đại xung nhiễu từ bộ truyền động bánh răng và tín hiệu phản hồi encoder, do đó cố định $K_D = 0$ và chỉ điều chỉnh tỉ lệ $K_P$, tích phân $K_I$ để đảm bảo tính trơn mượt của đáp ứng vận tốc.

Đóng góp của công trình

So với các đề tài nghiên cứu mobile robot sử dụng cấu hình vi sai thông thường, công trình đã làm chủ việc thiết kế, chế tạo và điều khiển dòng robot toàn hướng ba bánh Omni kết hợp với hệ điều hành robot chuyên dụng ROS. Nghiên cứu cung cấp quy trình bài bản từ khâu tính toán giải tích động lực học, nhận dạng hàm truyền đối tượng thực tế trên Matlab đến việc tích hợp các gói phần mềm SLAM và điều hướng LiDAR tiêu chuẩn công nghiệp.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của hệ thống

• Hiện tượng trượt bánh cơ học: Cơ cấu bánh xe Omni trượt tự do trên con lăn nhỏ dễ xảy ra hiện tượng trượt vi mô khi tăng giảm tốc đột ngột, gây ra sai số tích lũy nhất định cho hệ thống đo đạc odometry thuần túy.
• Giới hạn không gian hoạt động: Đề tài chỉ mới thử nghiệm kiểm chứng trong môi trường phòng thí nghiệm trong nhà có mặt sàn tương đối phẳng, chưa đánh giá được hiệu năng khi bề mặt có độ dốc, gồ ghề hoặc trơn trượt.
• Tải trọng giới hạn: Khung vỏ chế tạo bằng công nghệ in 3D nhựa PLA-FS có tính thẩm mỹ và trọng lượng nhẹ nhưng khả năng chịu tải trọng nặng và hấp thụ rung động va đập còn hạn chế.
• Phụ thuộc vào cảm biến 2D: Cảm biến RPLiDAR A1M8 là dòng quét laser đơn mặt phẳng ngang (2D LiDAR), do đó hệ thống không thể phát hiện các chướng ngại vật nằm quá thấp dưới gầm quét hoặc quá cao vượt khỏi mặt phẳng quét.

Hướng nghiên cứu mở rộng

• Nghiên cứu tích hợp thêm cảm biến đo lường quán tính (IMU) đa trục và áp dụng các thuật toán lọc Kalman mở rộng (EKF) để dung hợp dữ liệu giữa cảm biến IMU, odometry bánh xe và LiDAR, giúp nâng cao độ chính xác định vị.
• Nâng cấp kết cấu khung vỏ bằng vật liệu hợp kim nhôm hoặc gia cường cơ khí nhằm tăng tải trọng hữu ích, cho phép gắn thêm các cơ cấu chấp hành như tay gắp hoặc băng tải hàng hóa.
• Nghiên cứu ứng dụng các thuật toán hoạch định quỹ đạo cục bộ tiên tiến hơn (như TEB Local Planner hoặc DWA) để cải thiện độ mượt và tối ưu hóa vận tốc của robot khi tránh các vật cản động tốc độ cao.
• Mở rộng phạm vi hoạt động của robot ra môi trường ngoài trời hoặc liên tầng thông qua tích hợp cảm biến 3D LiDAR và thuật toán điều hướng không gian ba chiều.

Giá trị tham khảo

Bản đồ án tốt nghiệp là tài liệu tham khảo có giá trị học thuật và ứng dụng kỹ thuật thực tế cho:

• Sinh viên và học viên ngành Kỹ thuật Cơ điện tử, Robot học và Kỹ thuật Điều khiển - Tự động hóa: Cung cấp tài liệu tham khảo chi tiết về quy trình mô hình hóa động học robot ba bánh omni lệch góc 120°, phương pháp thiết lập ma trận biến đổi tọa độ và giải thuật toán học tương ứng.
• Kỹ sư phát triển phần cứng và hệ thống nhúng: Hướng dẫn chi tiết phương pháp nhận dạng hàm truyền đạt của động cơ DC servo từ dữ liệu thực nghiệm thông qua công cụ Matlab System Identification Toolbox; kỹ thuật lập trình Timer đọc xung encoder ở chế độ 4X trên vi điều khiển STM32F103C8T6; giải pháp thiết kế phân tầng nguồn cấp điện để chống nhiễu sụt áp.
• Các nhà nghiên cứu ứng dụng ROS: Cung cấp kiến trúc tích hợp thực tế giữa máy tính nhúng Raspberry Pi 4 chạy ROS với các kit vi điều khiển thông qua giao thức truyền thông nối tiếp UART; tài liệu cấu hình chi tiết gói Hector SLAM, AMCL và Navfn (Dijkstra) phục vụ bài toán điều hướng tự hành trong nhà.

Câu hỏi thường gặp

1. Tại sao nhóm nghiên cứu lại lựa chọn cơ cấu ba bánh xe Omni thay vì bánh xe vi sai truyền thống hay bánh xe Mecanum?

Nhóm tác giả lựa chọn cơ cấu ba bánh xe Omni bố trí cách đều nhau một góc 120° vì cấu trúc này mang lại khả năng di chuyển toàn hướng (holonomic), cho phép robot tịnh tiến theo bất kỳ hướng nào và vừa tịnh tiến vừa xoay mà không cần thay đổi góc hướng thân xe. So với cơ cấu hai bánh vi sai truyền thống, bánh Omni linh hoạt hơn nhiều trong không gian hẹp. So với cơ cấu bốn bánh Mecanum, hệ ba bánh Omni có cấu trúc tổng thể nhỏ gọn hơn, tiết kiệm chi phí và giảm số lượng động cơ chấp hành (chỉ cần 3 động cơ thay vì 4 động cơ).

2. Các thông số động lực học nào đã được sử dụng để tính toán lựa chọn động cơ kéo cho robot?

Nhóm tác giả dựa trên các thông số ban đầu: khối lượng robot toàn tải $M = 10\text{ kg}$, vận tốc lớn nhất $v_{\max} = 1\text{ m/s}$, thời gian gia tốc mong muốn $t = 1\text{ s}$ (gia tốc $a = 1\text{ m/s}^2$), bán kính bánh xe $R = 0,039\text{ m}$, khối lượng bánh xe $m = 0,35\text{ kg}$ và hệ số an toàn $k = 2$. Từ đó tính toán được công suất yêu cầu của động cơ là $P \approx 11,05\text{ W}$ và tốc độ quay định mức $n \approx 245\text{ vòng/phút}$. Trên cơ sở này, nhóm lựa chọn động cơ Planet 24VDC có công suất 30W và tốc độ không tải 600 vòng/phút.

3. Hàm truyền đạt của hệ thống động cơ được xác định bằng cách nào và đạt độ tin cậy bao nhiêu?

Hàm truyền đạt của động cơ được nhóm xác định bằng phương pháp thực nghiệm: cấp tín hiệu kích thích xung PWM ở mức 20% công suất ($PWM = 0,1$), thu thập dữ liệu phản hồi vận tốc góc qua encoder và xử lý bằng công cụ System Identification Toolbox trên Matlab. Hàm truyền xấp xỉ dạng bậc hai có khâu trễ thu được là $G(s) = \frac{1,216 \times 10^5}{s^2 + 33,47s + 244,8} e^{-0,00667s}$, đạt độ chính xác mô hình hóa là 95,48%.

4. Giải pháp thiết kế nguồn điện nào được áp dụng để đảm bảo hệ thống không bị lỗi khởi động lại trong quá trình vận hành?

Nhóm áp dụng giải pháp tách biệt hai nguồn điện độc lập: sử dụng một nguồn sạc dự phòng chuyên dụng 5V/3A cấp riêng cho máy tính nhúng Raspberry Pi 4 Model B; nguồn động lực sử dụng pin LiPo 6S (22,2V, dung lượng 6000 mAh/6500 mAh, dòng xả tối đa 45C) đi qua hai mạch giảm áp LM2596 để cấp nguồn 12V cho các mạch công suất cầu H BTS7960 và nguồn 5V cho vi điều khiển cùng các cảm biến ngoại vi. Thiết kế này ngăn chặn triệt để hiện tượng sụt áp tức thời do dòng khởi động của 3 động cơ gây ảnh hưởng đến hệ điều hành của máy tính nhúng.

5. Những thuật toán phần mềm cụ thể nào trên nền tảng ROS được sử dụng để giải quyết bài toán tự hành?

Hệ thống sử dụng ba thuật toán chính: thuật toán Hector SLAM dựa trên cơ chế khớp mẫu quét laser (scan matching) để vẽ bản đồ lưới 2D của môi trường; thuật toán định vị hạt thích nghi AMCL (Adaptive Monte Carlo Localization) để liên tục xác định vị trí và hướng của robot trên bản đồ; và thuật toán Dijkstra (tích hợp trong gói Navfn của ROS Navigation Stack) để hoạch định đường đi ngắn nhất toàn cục và điều khiển robot bám quỹ đạo tránh chướng ngại vật tĩnh cũng như chướng ngại vật động.

Kết luận

Đồ án tốt nghiệp "Thuật toán di chuyển cho mobile robot sử dụng cảm biến LiDAR" của nhóm sinh viên Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh đã giải quyết trọn vẹn và đồng bộ từ khâu tính toán thiết kế cơ khí, chế tạo phần cứng đến lập trình điều khiển tự động cho mô hình robot tự hành ba bánh Omni. Nhóm tác giả đã xây dựng thành công mô hình động học chính xác, nhận dạng hàm truyền đạt động cơ với độ khớp 95,48% và thiết lập bộ điều khiển PI vận tốc ổn định theo tiêu chuẩn Routh-Hurwitz. Bằng việc tích hợp cảm biến RPLiDAR A1M8 trên nền tảng ROS Navigation Stack kết hợp giải thuật Hector SLAM, AMCL và Dijkstra, hệ thống robot thực tế đã tự hành vẽ bản đồ không gian trong nhà, định vị và bám quỹ đạo tối ưu để né tránh chướng ngại vật một cách hiệu quả. Công trình là tài liệu học thuật và kỹ thuật thực nghiệm hoàn chỉnh, có giá trị ứng dụng cao cho nghiên cứu và phát triển các dòng phương tiện tự hành trong lĩnh vực Cơ điện tử.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: GIỚI THIỆU: Nêu tính cấp thiết và lý do hình thành đề tài, mục tiêu nghiên cứu, đối tượng, phạm vi nghiên cứu của đề tài, kết cấu luận văn và phân định nội dung của vấn đề nghiên cứu. CHƯƠNG 2: TỔNG QUAN ĐỀ TÀI: Giới thiệu các vấn đề liên quan về đề tài, các nghiên cứu liên quan. CHƯƠNG 3: THIẾT KẾ PHẦN CỨNG: Thiết kế phần cứng cho robot bao gồm thiết kế cơ khí: lựa chọn động cơ, cơ cấu phù hợp và thiết kế phần điện. CHƯƠNG 4: ĐỘNG HỌC – ĐIỀU KHIỂN: Tính toán động học cho robot, xây dựng hệ thống điện – điều khiển cho robot hoạt động ổn định.

CHƯƠNG 5: XÂY DỰNG PHẦN MỀM TRÊN ROS: Giới thiệu về hệ điều hành cho robot. Xây dựng bản đồ môi trường robot hoạt động, kết hợp với ROS nghiên cứu thuật toán hoạch định di chuyển cho robot và giúp robot di chuyển đến mục tiêu bằng đường di chuyển ngắn nhất. CHƯƠNG 6: KẾT LUẬN, HƯỚNG PHÁT TRIỂN: Kiểm nghiệm lại kết quả và đúc kết lại quá trình làm đồ án. TỔNG QUAN ĐỀ TÀI 2.

Giới thiệu Robot tự hành, hay còn được gọi là mobile robot, là một loại xe robot có khả năng tự di chuyển và tự vận hành dưới sự điều khiển tự động để thực hiện các tác vụ được giao. Theo lý thuyết, mobile robot có thể hoạt động trong nhiều loại môi trường, bao gồm đất, nước, không khí, không gian vũ trụ hoặc sự kết hợp giữa chúng. Nó có thể di chuyển trên các bề mặt đa dạng, từ bề mặt phẳng đến các bề mặt có độ cong lồi hoặc lõm [33]. Robot khử trùng Decimator b.

Robot vận chuyển hàng hóa Dynamo Hình 2. Một số hình ảnh mobile robot Trong thời đại khoa học, công nghệ, kỹ thuật phát triển mạnh mẽ và có nhiều bước tiến như hiện nay, nền công nghiệp robot đã và đang đóng vai trò quan trọng và là một phần không thể thiếu trong cuộc sống. Trong đó, xe tự hành là một thành phần có vai trò quan trọng trong ngành robot học. Cùng với sự phát triển vượt bậc của ngành Cơ – Điện tử, mobile robot ngày càng được hoàn thiện và ứng dụng nhiều hơn nhằm tạo sự tự động hóa trong quá trình sản xuất, giảm sức lao động con người.

Tiềm năng ứng dụng của mobile robot vào cuộc sống là rất lớn, có thể kể đến robot vận chuyển hàng hóa trong các nhà máy, robot phục vụ quét dọn, robot phun sơn, robot hàn, robot khử trùng dùng trong bệnh viện.1 [26] cho thấy một vài mobile robot khác nhau được ứng dụng vào thực tế. Để nghiên cứu về lĩnh vực mobile robot thì những vấn đề đặt ra là vị trí (đang ở đâu, sẽ đi đến đâu), cách thức di chuyển (đi đến mục tiêu bằng cách nào) và làm sao để di chuyển từ điểm xuất phát đến điểm kết thúc và tránh va chạm các vật cản. 3 Theo Lagoudakis, Michail G thì để di chuyển được, robot cần thực hiện một loạt các tác vụ (còn gọi là task), mỗi tác vụ này sẽ gắn với một bài toán nhỏ trong bài toán di chuyển (navigation) [14]. Các bài toán đó bao gồm: - Mapping (xây dựng bản đồ): Xây dựng bản đồ môi trường hoạt động của robot - Localization (định vị robot): robot phải có khả năng biết được vị trí mình đang ở đâu trong bản đồ - Path planning (tạo đường đi): sau khi robot có được bản đồ và biết mình đang ở vị trí nào thì sẽ hoạch định di chuyển để đi tới mục tiêu - Obstacle avoidance (tránh vật cản): mobile robot có khả năng tránh vật cản trên đường di chuyển.

Trong những bài toán nêu trên, bài toán được quan tâm nhiều nhất là bài toán “hoạch định di chuyển”. Nó dữ vai trò quan trọng giúp cho robot di chuyển từ điểm xuất phát đến mục tiêu một cách tối ưu. Và để giải quyết bài toán này, cũng đã có nhiều nghiên cứu được công bố như: phương pháp trường thế năng (Potential Field), phương pháp bản đồ đường (Road Map), phương pháp thuật toán di truyền (Genetic Algorithm), phương pháp PSO (Particle Swarm Optimization) … Ngoài ra, trong ROS cũng cung cấp nhiều package để hoạch định di chuyển cho mobile robot, có thể kể đến navfn (navigation function) package. Navfn sử dụng thuật toán Dijkstra để hoạch định di chuyển cho robot.

Một số thuật toán di chuyển cho mobile robot Bài toán hoạch định di chuyển là xác định một quỹ đạo đường đi để cho mobile robot di chuyển đến mục tiêu đã định mà không va chạm với vật cản trong không gian làm việc. Như đã nêu ở mục 2.1, hiện nay có rất nhiều phương pháp hoạch định di chuyển cho mobile robot, sau đây nhóm sẽ làm rõ một vài phương pháp nổi bật. Phương pháp trường thế năng Phương pháp trường thế năng hay Potential Field [12] sẽ xem robot như một điểm di chuyển trong một môi trường thế năng do mục tiêu và các vật cản trong môi trường tạo ra, mục tiêu sẽ tạo ra một lực hút đến robot trong khi đó vật cản sẽ tác dụng một lực đẩy vào robot. Robot trong trường thế năng là chịu tác động của lực hút từ gradient của thế hút để đưa robot đến mục tiêu, đồng thời chịu tác động của lực đẩy từ gradient của thế đẩy để tránh vật cản.

Tổng hợp lực của vector lực hút và vector lực đẩy đóng vai trò như lực gia tốc làm cho robot di chuyển tới vị trí mới và giải thuật này lặp lại cho tới khi robot đạt mục tiêu. Ưu điểm: - Đơn giản và dễ triển khai: Phương pháp trường thế năng khá đơn giản và dễ triển khai, không yêu cầu nhiều thông tin về môi trường và không cần xây dựng bản đồ trước 4 - Tính tương tác: robot có khả năng tương tác với môi trường xung quanh thông qua trường thế năng. Nó có thể tránh va chạm với các rào cản và tìm đường đi an toàn - Tính linh hoạt: Phương pháp trường thế năng cho phép điều khiển robot di chuyển trong môi trường động và không xác định trước. Robot có thể phản ứng nhanh chóng với các thay đổi trong môi trường - Khả năng tránh vật cản: Trường thế năng cản trở giúp robot tránh va chạm với các vật cản và di chuyển an toàn trong môi trường phức tạp Nhược điểm: - Mắc kẹt trong trạng thái bất động: Trong một số trường hợp, robot có thể bị mắc kẹt trong các vùng trạng thái bất động (local minimum) trong trường thế năng.

Điều này có thể xảy ra khi robot không thể tìm được đường đi tối ưu đến mục tiêu - Khó xử lý trong môi trường có nhiều rào cản: Khi môi trường có nhiều rào cản gần nhau, robot có thể gặp khó khăn trong việc điều hướng qua chúng. Các lực cản trở từ các rào cản gần nhau có thể tạo ra trường thế năng phức tạp và làm cho việc tìm đường đi tối ưu trở nên khó khăn - Độ chính xác bị hạn chế: Phương pháp trường thế năng có thể không đảm bảo độ chính xác tuyệt đối trong việc định vị và điều hướng robot. Nó có thể gây ra một số sai số và không đạt được đường đi tối ưu nhất 2. Phương pháp bản đồ đường Phương pháp bản đồ đường hay Road Map [16] là phương pháp điều khiển mobile robot trong môi trường động bằng cách sử dụng một bản đồ trước (roadmap) đã được xây dựng trước đó.

Roadmap là một biểu diễn không gian bằng cách mô phỏng các đường đi và mối quan hệ giữa chúng. Tính hiệu quả: Sử dụng roadmap giúp giảm độ phức tạp của việc tìm đường đi bằng cách sử dụng trước các thông tin về các đường đi tối ưu trong môi trường. Điều này giúp giảm thời gian tính toán và tăng tốc độ di chuyển của robot. Ưu điểm: - Tính linh hoạt: Roadmap có thể được xây dựng cho nhiều loại môi trường và áp dụng cho nhiều ứng dụng khác nhau.

Nó cung cấp một cách tiếp cận linh hoạt để điều khiển mobile robot trong các môi trường có cấu trúc. - Độ tin cậy: Khi roadmap được xây dựng và kiểm tra kỹ lưỡng, nó có thể đảm bảo tính tin cậy và độ chính xác cao trong việc tìm đường đi. Điều này giúp tránh các lỗi và xảy ra tai nạn trong quá trình di chuyển. 5 - Khả năng tương tác: Mobile robot có thể tương tác với roadmap và thực hiện các hành động điều chỉnh trong quá trình di chuyển.

Khi có thay đổi trong môi trường, roadmap có thể được cập nhật và robot có thể điều chỉnh đường đi dựa trên thông tin mới nhất. Nhược điểm: - Phụ thuộc vào roadmap: Phương pháp này phụ thuộc vào việc xây dựng roadmap chính xác và đầy đủ. Nếu roadmap không đáp ứng đúng yêu cầu hoặc không cập nhật đúng, robot có thể gặp khó khăn trong việc tìm đường đi tối ưu hoặc gặp lỗi trong quá trình di chuyển. - Giới hạn môi trường: Roadmap thích hợp cho các môi trường có cấu trúc và hạn chế các tình huống phức tạp hoặc môi trường không xác định trước.

Trong môi trường phức tạp, roadmap có thể trở nên quá lớn và khó quản lý. - Khó xử lý thay đổi: Khi có thay đổi trong môi trường, roadmap cần được cập nhật để đảm bảo tính chính xác. Quá trình cập nhật roadmap có thể tốn thời gian và công sức, đặc biệt trong môi trường động và thay đổi liên tục. - Giới hạn độ chính xác: Roadmap xây dựng trước có thể không đảm bảo đường đi tối ưu tuyệt đối cho mọi tình huống.

Điều này có thể dẫn đến các đường đi dài hơn hoặc không tối ưu trong một số trường hợp. Phương pháp thuật toán di truyền Phương pháp thuật toán di truyền hay Genetic Algorithms (GA) [11] là phương pháp tìm kiếm đường đi toàn cục và tối ưu hóa ngẫu nhiên dựa trên kỹ thuật tiến hóa, thông qua các quá trình cơ bản như: chọn lọc tự nhiên, lai ghép và đột biến. Thuật toán di truyền hoạt động dựa trên khái niệm về cái kiểu di truyền và đa dạng di truyền trong tự nhiên. Nó giải quyết vấn đề bằng cách sử dụng một tập hợp các cá thể (individuals) biểu diễn bằng các chuỗi các giá trị gọi là "gen".

Mỗi cá thể đại diện cho một giải pháp tiềm năng trong không gian tìm kiếm. Ưu điểm: - Tìm kiếm không gian lớn: GA có khả năng khám phá và tìm kiếm trong không gian giải pháp lớn, bao gồm cả không gian liên tục và không gian rời rạc. Điều này làm cho thuật toán này phù hợp cho các bài toán tối ưu có không gian lớn và phức tạp. - Tính đa dạng và khả năng khám phá: GA duy trì một quần thể các cá thể và khả năng tiến hóa thông qua quá trình lai ghép và đột biến.