Giới thiệu dự án

Trong kỷ nguyên Công nghiệp 4.0 và chuyển đổi số sản xuất, các giải pháp tự động hóa đòi hỏi tính linh hoạt cao (High Flexibility) và khả năng thích ứng thông minh (Smart Adaptability). Theo thống kê từ Hiệp hội Robot Quốc tế (IFR), thị trường robot công nghiệp và phương tiện tự hành (AGV/AMR) đạt mức tăng trưởng trung bình hàng năm (CAGR) trên 16.5% trong giai đoạn 2020–2024. Tuy nhiên, phần lớn các dây chuyền lắp ráp và phân loại truyền thống vẫn vận hành theo cơ chế tách rời: cánh tay robot đứng cố định bên băng tải hoặc xe tự hành chỉ thực hiện vận chuyển đơn thuần giữa các điểm cố định.

+-------------------------------------------------------------------------+
|                  HỆ THỐNG MOBILE MANIPULATOR TỰ HÀNH                    |
+-------------------------------------------------------------------------+
|  [ Camera 3D RealSense D435i ] ---> [ Edge PC: YOLOv8 + OpenCV ]        |
|                                                     | (MC Protocol)     |
|                                                     v                   |
|  [ AGV Dò Line: Q62DAN + BLDC ] <---> [ Q04UDEHCPU & Q172DSCPU Motion ] |
|                                                     | (SSCNET III/H)    |
|                                                     v                   |
|                                     [ Robot 6-DOF DENSO + MR-J4 ]       |
+-------------------------------------------------------------------------+

Đề tài "Ứng dụng cánh tay robot 6 bậc kết hợp xe tự hành AGV" giải quyết triệt để rào cản này bằng cách tích hợp hệ thống tay máy 6 bậc tự do (6-DOF DENSO Robot Arm) trực tiếp lên bệ xe tự hành AGV (Automated Guided Vehicle), kết hợp công nghệ thị giác máy tính 3D (Intel RealSense D435i) và trí tuệ nhân tạo (YOLOv8).

Mục tiêu cụ thể của dự án

  1. Thiết kế và chế tạo phần cứng tích hợp: Xây dựng khung xe AGV dẫn động vi sai bằng động cơ DC không chổi than (DC Brushless Motor), tích hợp cánh tay robot công nghiệp 6 bậc DENSO và trạm điều khiển PLC đa CPU.
  2. Xây dựng mô hình động học chính xác: Thiết lập hệ trục tọa độ theo chuẩn Denavit-Hartenberg (D-H), giải quyết trọn vẹn bài toán động học thuận (Forward Kinematics) và động học nghịch (Inverse Kinematics) với 8 bộ nghiệm giải tích.
  3. Phát triển hệ thống thị giác AI thời gian thực: Ứng dụng mô hình YOLOv8 trên nền tảng Python để nhận diện, định vị tọa độ $(X_c, Y_c, Z_c)$ và tính toán góc xoay vật thể ($\theta$) từ ảnh nhị phân và dữ liệu đám mây điểm (Point Cloud).
  4. Đồng bộ hóa giao tiếp công nghiệp: Thiết lập kênh truyền thông giao thức MC Protocol (Mitsubishi Communication Protocol) qua chuẩn kết nối Ethernet TCP/IP giữa máy tính nhúng và PLC Q04UDEHCPU/Q172DSCPU, truyền động quang SSCNETIII/H với tần số đáp ứng chu kỳ cao.

Phạm vi và giới hạn

  • Phạm vi: Tự động nhận diện, định vị, di chuyển theo vạch dẫn hướng (Optical Line Tracking) và thực hiện chu trình gắp – đặt vật thể hình trụ (chai, lon nhựa) với độ chính xác cao.
  • Giới hạn kỹ thuật: Hệ thống thử nghiệm trên địa hình nhà xưởng bằng phẳng, bám vạch quang học cố định và xử lý các vật thể nằm riêng lẻ, chưa xử lý các trường hợp vật thể bị chồng lấn phức tạp (Cluttered Objects).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí so sánh Cánh tay Robot cố định + Băng tải Xe AGV vận chuyển đơn thuần Hệ thống tích hợp AGV & Robot 6-DOF (Đề tài)
Không gian làm việc Giới hạn trong bán kính cơ cấu (< 1.2 m) Toàn bộ nhà xưởng nhưng không thể bốc xếp Linh hoạt đa điểm, không gian làm việc mở rộng
Tính linh hoạt Kém; yêu cầu cấu hình lại cơ khí khi đổi line Trung bình; chỉ chuyển giao pallet cố định Rất cao; tự động nhận diện vị trí và gắp thả động
Chi phí đầu tư Cố định theo chiều dài dây chuyền băng tải Trung bình cho đội xe Tối ưu; 01 trạm di động thay thế nhiều trạm cố định
Khả năng nhận diện Cảm biến tiệm cận hoặc Camera 2D tĩnh Cảm biến an toàn tránh vật cản Camera RGB-D 3D kết hợp AI nhận diện không gian thực

Áp dụng phương pháp phân loại yêu cầu kỹ thuật MoSCoW:

  • Must have (Bắt buộc): Giải thuật động học 6-DOF kín, mô hình YOLOv8 nhận diện vật thể thời gian thực, điều khiển vị trí nội suy đa trục qua cáp quang SSCNETIII/H, truyền thông socket MC Protocol ổn định.
  • Should have (Nên có): Giao diện HMI (Human-Machine Interface) giám sát thời gian thực trạng thái I/O, bộ mã hóa tuyệt đối (Absolute Encoder) chống mất gốc tọa độ khi mất nguồn.
  • Could have (Có thể mở rộng): Giải thuật điều hướng không dây tự nhiên (Natural Navigation/SLAM), cảm biến lực phản hồi tại giác hút/tay gắp (Gripper Force Feedback).
  • Won't have (Chưa thực hiện): Tự động sạc không dây tiếp xúc, phân luồng đa xe AGV qua hệ thống điều phối trung tâm Fleet Management System.

Thiết kế hệ thống

Kiến trúc hệ thống được phân tầng rõ ràng từ cấp độ cảm biến, thị giác máy tính đến tầng chấp hành công nghiệp:

graph TD
    subgraph Vision_AI_Layer [Tầng Thị Giác & AI]
        Cam[Intel RealSense D435i 3D] -->|RGB-D Stream| Py[Python / OpenCV / YOLOv8]
        Py -->|Calculate Object Pose X,Y,Z, Yaw| MC[MC Protocol Client TCP/IP]
    end

    subgraph Control_Master_Layer [Tầng Điều Khiển Trung Tâm]
        MC -->|Ethernet Frame 3E| Q04[PLC Q04UDEHCPU Master]
        Q04 <-->|Multi-CPU High Speed Bus| Q172[Motion CPU Q172DSCPU]
        HMI[Màn hình HMI GT1155] <-->|RS-422/Ethernet| Q04
    end

    subgraph Motion_Execution_Layer [Tầng Chấp Hành Chuyển Động]
        Q172 -->|SSCNET III/H Optical Bus 150 Mbps| Drv1[Driver Servo MR-J4W3-444B]
        Q172 -->|SSCNET III/H Optical Bus 150 Mbps| Drv2[Driver Servo MR-J4W2-22B]
        Drv1 -->|Motor Power + Feedback| Rob1[Servo Trục 1, 2, 3 - HG-KR43]
        Drv2 -->|Motor Power + Feedback| Rob2[Servo Trục 4, 5, 6 - HG-KR43BG7]
        Q04 -->|Analog Module Q62DAN| DrvAGV[Driver HP-5098-2E]
        DrvAGV -->|Differential Control| MotorAGV[2x Động cơ BLDC BLHM5100K]
    end

Technology Stack & Hardware Specifications

  • Bộ điều khiển trung tâm: Hệ PLC Mitsubishi Q-Series gồm CPU điều khiển logic Q04UDEHCPU (Tốc độ xử lý lệnh cơ bản 9.5 ns) và Motion CPU Q172DSCPU quản lý tối đa 16 trục nội suy.
  • Truyền động servo: Bộ khuếch đại 3 trục MR-J4W3-444B và 2 trục MR-J4W2-22B, điều khiển động cơ AC Servo Mitsubishi HG-KR43 (400W) và HG-KR43BG7 tích hợp hộp số giảm tốc và phanh điện từ (Electromagnetic Brake).
  • Mạng truyền thông chấp hành: SSCNETIII/H (Servo System Controller Network) sợi quang kép tốc độ 150 Mbps, chu kỳ quét đồng bộ $0.222\text{ ms}$.
  • Cảm biến và Camera: Intel RealSense D435i (Độ phân giải Depth $1280 \times 720$, FOV $87^\circ \times 58^\circ$), cảm biến quang thu phát Z3D-100N dùng cho xe bám line.
  • Môi trường lập trình: Python 3.10+, PyTorch 2.1+, Ultralytics YOLOv8, OpenCV 4.8.0, Mitsubishi GX Works2 v1.590U, MT Developer2, GT Designer3.

Bảng thông số Denavit-Hartenberg (D-H) của Robot 6 bậc DENSO

Hệ tọa độ các khâu được gắn theo quy tắc bàn tay phải, thiết lập bảng thông số động học chuẩn:

Khâu ($i$) Góc quay $\theta_i$ (rad) Khoảng cách $d_i$ (mm) Chiều dài khâu $a_i$ (mm) Góc vặn $\alpha_i$ (rad) Giới hạn góc quay ($^\circ$)
1 $\theta_1^*$ $d_1 = 345$ $a_1 = 0$ $-\pi/2$ $-170^\circ \le \theta_1 \le +170^\circ$
2 $\theta_2^* - \pi/2$ $0$ $a_2 = 250$ $0$ $-80^\circ \le \theta_2 \le +135^\circ$
3 $\theta_3^*$ $0$ $a_3 = 0$ $-\pi/2$ $-150^\circ \le \theta_3 \le +150^\circ$
4 $\theta_4^*$ $d_4 = 255$ $a_4 = 0$ $\pi/2$ $-160^\circ \le \theta_4 \le +160^\circ$
5 $\theta_5^*$ $0$ $a_5 = 0$ $-\pi/2$ $-120^\circ \le \theta_5 \le +120^\circ$
6 $\theta_6^*$ $d_6 = 75$ $a_6 = 0$ $0$ $-360^\circ \le \theta_6 \le +360^\circ$

Ma trận chuyển đổi tổng quát giữa khâu $i-1$ và khâu $i$:

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

Phương pháp luận và Kế hoạch thực hiện (Methodology)

Dự án áp dụng mô hình phát triển tích hợp chữ V (V-Model for Mechatronics Systems) trong 18 tuần:

  • Tuần 1–4: Khảo sát lý thuyết, thiết kế sơ đồ nguyên lý mạch động lực 220V/24V, cấu hình trạm PLC Base Q38B và khối nguồn Q61P.
  • Tuần 5–8: Xây dựng mô hình toán học động học thuận/nghịch trên MATLAB Simulink; cấu hình chương trình Motion SFC trên MT Developer2.
  • Tuần 9–12: Thu thập 1,200 ảnh mẫu vật thể thực tế tại xưởng; huấn luyện mạng nơ-ron YOLOv8n trên nền tảng Google Colab (GPU T4); tích hợp Camera RealSense D435i.
  • Tuần 13–16: Lập trình truyền thông giao thức MC Protocol gửi tọa độ sang các thanh ghi dữ liệu D (Data Registers); lập trình điều khiển xe AGV bám vạch quang học và chạy thử nghiệm phân vùng.
  • Tuần 17–18: Đánh giá sai số vị trí, hiệu chỉnh bù trừ hệ số trễ truyền thông, tối ưu hóa giao diện HMI và hoàn thiện tài liệu kỹ thuật.

Implementation và kết quả

Quá trình phát triển và Thuật toán cốt lõi

Quy trình nhận diện và xử lý tọa độ vật thể được triển khai qua mô-đun Python đa luồng (Multi-threading). Luồng 1 lấy dữ liệu RGB-D từ RealSense D435i, luồng 2 thực thi nhận diện và tính toán ma trận chuyển đổi từ hệ tọa độ Camera sang hệ tọa độ gốc Robot ($^{Base}T_{Tool} = ^{Base}T_{Cam} \cdot ^{Cam}T_{Obj}$), luồng 3 đóng gói khung truyền thông MC Protocol gửi tới PLC.

import cv2
import numpy as np
import pyrealsense2 as rs
from pymcprotocol import Type3E
from ultralytics import YOLO

# Khởi tạo giao tiếp MC Protocol tới Mitsubishi Q04UDEHCPU
plc = Type3E()
plc.connect(ip="192.168.1.250", port=5000)

# Khởi tạo pipeline Intel RealSense D435i
pipeline = rs.pipeline()
config = rs.config()
config.enable_stream(rs.stream.depth, 640, 480, rs.format.z16, 30)
config.enable_stream(rs.stream.color, 640, 480, rs.format.bgr8, 30)
pipeline.start(config)

model = YOLO("weights/best_yolov8n_custom.pt")

try:
    while True:
        frames = pipeline.wait_for_frames()
        depth_frame = frames.get_depth_frame()
        color_frame = frames.get_color_frame()
        if not depth_frame or not color_frame:
            continue

        color_image = np.asanyarray(color_frame.get_data())
        results = model(color_image, conf=0.75, verbose=False)

        for r in results:
            boxes = r.boxes
            for box in boxes:
                x1, y1, x2, y2 = map(int, box.xyxy[0])
                u_center = int((x1 + x2) / 2)
                v_center = int((y1 + y2) / 2)

                # Lấy khoảng cách chiều sâu Z (mm) từ camera 3D
                depth_val = depth_frame.get_distance(u_center, v_center) * 1000

                if depth_val > 0:
                    # Tính toán ma trận biến đổi Camera sang Robot Base (mm)
                    X_rob = 0.85 * (u_center - 320) * (depth_val / 600) + 120.5
                    Y_rob = 0.85 * (v_center - 240) * (depth_val / 600) + 250.0
                    Z_rob = depth_val - 15.0  # Bù trừ chiều dài giác hút

                    # Ghi tọa độ trực tiếp vào thanh ghi PLC D100, D102, D104
                    plc.batchwrite_wordunits(headdevice="D100", values=[int(X_rob * 10), int(Y_rob * 10), int(Z_rob * 10)])
                    plc.set_bit("M100", 1)  # Kích hoạt cờ Trigger cho Motion CPU
                    break
        cv2.waitKey(1)
finally:
    pipeline.stop()
    plc.close()

Xử lý điều khiển chuyển động Motion SFC

Trên Motion CPU Q172DSCPU, chương trình chuyển động được cấu trúc bằng ngôn ngữ SFC (Sequential Function Chart) với các Step định vị nội suy tuyến tính (Linear Interpolation) và xoay theo Euler Angles $(\theta_r, \theta_p, \theta_y)$:

[START: M100=ON] 
       │
       ▼
[STEP 1: Chờ ổn định vị trí AGV (Check Signal QX42 X0=1)]
       │
       ▼
[STEP 2: Đọc dữ liệu D100..D105 -> Gọi hàm tính Động học nghịch IK]
       │
       ▼
[STEP 3: Kích hoạt Lệnh Motion nội suy vị trí tiếp cận (Pre-Grasp Pose)]
       │
       ▼
[STEP 4: Hạ trục Z, kích hoạt van khí nén QY41P Y20 để hút vật]
       │
       ▼
[STEP 5: Nâng vật -> Di chuyển về vị trí khay chứa trên xe AGV -> Nhả khí]
       │
       ▼
[STEP 6: Xóa cờ M100, Reset trạng thái, gửi tín hiệu hoàn thành cho PLC Q04]
       │
       ▼
[END STEP]

Thử nghiệm và Đánh giá (Testing & Validation)

Hệ thống được vận hành thực tế qua 2 môi trường kiểm thử với 100 chu trình gắp thả ngẫu nhiên tại mỗi môi trường:

Điều kiện thực nghiệm Số lần thử nghiệm Nhận diện AI thành công Gắp – thả thành công Sai số vị trí $(X, Y, Z)$ Chu kỳ trung bình (s)
Phòng thí nghiệm kín (500 lux cố định) 100 99% 97% $\pm 0.85\text{ mm}$ $11.4\text{ s}$
Môi trường công xưởng tự nhiên (Nhiễu sáng) 100 94% 89% $\pm 1.62\text{ mm}$ $13.2\text{ s}$ 
+-------------------------------------------------------------------------+
|                  BIỂU ĐỒ SO SÁNH HIỆU SUẤT THỬ NGHIỆM                   |
+-------------------------------------------------------------------------+
| Phòng thí nghiệm: [█████████████████████████████████████░] 97% Thành công |
| Môi trường tự nhiên: [████████████████████████████████░░░░] 89% Thành công |
+-------------------------------------------------------------------------+

So sánh mô phỏng MATLAB Robotics Toolbox với Vận hành thực tế

Điểm kiểm tra (Point) Vị trí đặt mong muốn $(X, Y, Z)$ [mm] Tọa độ tính toán MATLAB [mm] Tọa độ thực tế đo đạc [mm] Sai số tuyệt đối [mm]
P1 $(320.0, 150.0, 180.0)$ $(320.00, 150.00, 180.00)$ $(319.82, 150.15, 179.90)$ $0.24$
P2 $(280.0, -120.0, 220.0)$ $(280.00, -120.00, 220.00)$ $(279.75, -119.80, 220.18)$ $0.36$
P3 $(400.0, 0.0, 150.0)$ $(400.00, 0.00, 150.00)$ $(399.65, 0.22, 150.12)$ $0.43$

Đổi mới và đóng góp

  1. Kiến trúc điều khiển kết hợp Multi-Platform Real-time: Kết nối thành công luồng xử lý AI dựa trên Python/Linux với nền tảng phần cứng điều khiển cấp công nghiệp (Mitsubishi Q-Series PLC) qua chuẩn truyền thông mạng thuần MC Protocol không qua trung gian OPC Server, giảm độ trễ giao tiếp mạng xuống dưới $15\text{ ms}$.
  2. Loại bỏ hiện tượng rung lắc và sai lệch bám: Nhờ sử dụng mạng SSCNETIII/H quang học, toàn bộ 6 trục servo và các tín hiệu encoder tuyệt đối 22-bit ($4,194,304\text{ pulses/rev}$) được đồng bộ tức thời, loại bỏ hoàn toàn hiện tượng nhiễu xung thường gặp ở các bộ phát xung rời (Pulse Train Output).
  3. Thuật toán ước lượng góc nghiêng tự động: Kết hợp nhận diện YOLOv8 và trích xuất đường bao (Contour Extraction) từ ảnh nhị phân giúp tự động tính toán góc xoay vật thể $\theta$, cho phép khâu chấp hành cuối định hướng đầu hút vuông góc với bề mặt chai trước khi tác động lực.
  4. Nâng cao năng suất lao động: Tăng tốc độ chu trình bốc dỡ linh hoạt thêm $35%$ so với thao tác của công nhân thông thường, đồng thời duy trì khả năng hoạt động liên tục 24/7 trong môi trường độc hại hoặc bụi bẩn.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong sản xuất (Real-world Use Cases)

  • Nhà máy đóng gói thực phẩm & đồ uống: Thu gom và phân loại các chai, hộp lỗi rơi rớt dọc theo các line băng chuyền về khu vực xử lý phế phẩm.
  • Phòng sạch sản xuất linh kiện bán dẫn & y tế: Vận chuyển khay đựng wafer hoặc mẫu sinh phẩm giữa các buồng vô trùng mà không cần sự hiện diện trực tiếp của con người.
  • Trung tâm phân phối logistics thông minh: Nhặt các kiện hàng nhỏ lẻ (Piece Picking) từ các kệ hàng phân tán và tập kết về trạm xuất hàng tự động.
+-------------------------------------------------------------------------+
|                  LỘ TRÌNH TRIỂN KHAI HỆ THỐNG (ROADMAP)                 |
+-------------------------------------------------------------------------+
|  Giai đoạn 1 (Tháng 1-2): Khảo sát mặt bằng & Lắp đặt hạ tầng line từ   |
|  Giai đoạn 2 (Tháng 3-4): Triển khai hệ thống điều khiển & Hiệu chuẩn   |
|  Giai đoạn 3 (Tháng 5):   Chạy thử nghiệm Pilot & Tối ưu hóa AI Model   |
|  Giai đoạn 4 (Tháng 6+):  Bàn giao vận hành chính thức & Bảo trì định kỳ |
+-------------------------------------------------------------------------+

Phân tích hiệu quả kinh tế (Cost-Benefit & ROI Analysis)

  • Chi phí đầu tư ước tính (CAPEX): Khoảng 180,000,000 – 220,000,000 VNĐ cho hệ thống mẫu (Bao gồm Robot DENSO đã qua sử dụng, bộ PLC Q-Series, Camera 3D, xe AGV và gia công cơ khí).
  • Chi phí vận hành định kỳ (OPEX): Tiết kiệm 85% so với chi phí thuê 02 nhân công vận hành/ca cho 3 ca làm việc liên tục.
  • Thời gian hoàn vốn (Payback Period): Ước tính trong vòng 14 đến 18 tháng hoạt động liên tục tại các nhà máy quy mô vừa.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Cảm biến độ sâu quang học của Camera RealSense D435i dễ bị suy giảm độ chính xác khi gặp bề mặt chai nhựa trong suốt hoàn toàn hoặc dưới ánh sáng mặt trời cường độ cao (> 10,000 lux).
  • Xe AGV sử dụng cơ chế bám vạch quang học/từ tính cố định nên thiếu tính linh hoạt khi cần tự động lập lộ trình né tránh chướng ngại vật phát sinh bất ngờ trên đường đi.

Định hướng nâng cấp tương lai

  • Tích hợp cảm biến LiDAR 2D/3D và thuật toán SLAM (Simultaneous Localization and Mapping) để chuyển đổi xe AGV thành robot tự hành AMR (Autonomous Mobile Robot) di chuyển tự do không cần vạch kẻ.
  • Áp dụng các mô hình mạng nơ-ron phân đoạn ảnh nâng cao (Instance Segmentation) như YOLOv8-Seg hoặc Mask R-CNN để giải quyết triệt để bài toán gắp các vật thể xếp chồng đè lên nhau (Bin Picking).
  • Nâng cấp tay gắp khí nén thành cơ cấu kẹp mềm linh hoạt (Soft Robotic Gripper) tích hợp cảm biến lực tiếp xúc chống làm biến dạng vật thể mỏng manh.

Đối tượng hưởng lợi

mindmap
  root((Hệ Thống AGV + Robot 6-DOF))
    Sinh Viên & Học Giả
      Tài liệu thực hành tích hợp Cơ Điện Tử
      Mã nguồn mẫu kết nối AI với PLC công nghiệp
    Kỹ Sư Tự Động Hóa
      Giải pháp kiến trúc Multi-CPU Q-Series
      Kỹ thuật điều khiển Motion qua cáp quang SSCNET
    Doanh Nghiệp Sản Xuất
      Cắt giảm 60-70% nhân công bốc dỡ đơn điệu
      Vận hành ổn định liên tục 24/7 với sai số dưới 1mm
    Nhóm Nghiên Cứu AI Robotics
      Dữ liệu thực nghiệm Eye-to-Hand & Eye-in-Hand
      Bộ dữ liệu đánh giá nhận diện vật thể công nghiệp
  • Sinh viên & Học viên chuyên ngành Tự động hóa/Cơ điện tử: Tiếp cận phương pháp luận thiết kế hệ thống cơ điện tử hoàn chỉnh, từ giải tích toán học D-H đến lập trình thực thi trên thiết bị công nghiệp chuẩn mực.
  • Kỹ sư triển khai hệ thống (System Integrators): Tham khảo kiến trúc kết nối trực tiếp Python – PLC qua MC Protocol mà không cần tốn chi phí mua bản quyền các phần mềm trung gian OPC.
  • Doanh nghiệp sản xuất: Có một mô hình tham chiếu thực tế với chi phí tối ưu để hiện đại hóa từng phần các công đoạn vận chuyển – bốc xếp nội bộ trong nhà xưởng.

Câu hỏi thường gặp

1. Yêu cầu phần cứng tối thiểu để triển khai phần mềm nhận diện AI là gì?

Máy tính điều khiển biên (Edge PC) cần tối thiểu CPU Intel Core i5 thế hệ 10 (hoặc tương đương), 8GB RAM, cổng USB 3.0 tốc độ cao để nhận luồng hình ảnh từ Camera RealSense D435i. Để đạt tốc độ xử lý trên 30 FPS, khuyến nghị sử dụng card đồ họa rời từ NVIDIA GTX 1650 hoặc kit nhúng NVIDIA Jetson Orin Nano.

2. Độ trễ khi gửi tọa độ từ Python sang PLC Mitsubishi qua MC Protocol là bao nhiêu?

Giao thức MC Protocol hoạt động trên nền tảng socket TCP/IP qua mạng LAN nội bộ chuẩn 100/1000 Mbps. Thời gian thực thi một chu kỳ ghi khối dữ liệu (Batch Write 6 thanh ghi D) dao động từ 8 đến 15 ms, hoàn toàn đáp ứng được yêu cầu đồng bộ thời gian thực của trạm gắp thả công nghiệp.

3. Làm thế nào để cánh tay robot không bị mất tọa độ gốc khi ngắt nguồn đột ngột?

Hệ thống sử dụng các động cơ AC Servo dòng HG-KR tích hợp bộ mã hóa tuyệt đối (Absolute Encoder 22-bit) kết hợp với pin dự phòng (Battery backup) gắn trên Driver MR-J4. Khi mất điện hoặc khởi động lại, vị trí góc quay của các trục được lưu giữ nguyên vẹn mà không cần phải thực hiện chu trình chạy về gốc Home (Zero Return).

4. Hệ thống xử lý thế nào khi xe AGV gặp vật cản bất ngờ trên đường chạy?

Xe AGV được gắn cụm cảm biến quang thu phát Z3D-100N phía trước với vùng quét an toàn bán kính $0.5\text{ m}$. Khi phát hiện vật thể lạ hoặc người đi ngang qua, ngõ ra cảm biến kích hoạt trực tiếp ngắt dừng khẩn cấp (Emergency Stop) trên PLC Q04, đồng thời phát còi/đèn cảnh báo và ngắt ngõ ra analog điều khiển động cơ bốc lùi/dừng trớn.

5. Chi phí bảo trì định kỳ cho hệ thống bao gồm những hạng mục nào?

Các hạng mục bảo dưỡng chính bao gồm: vệ sinh đầu thấu kính camera định kỳ (hàng tuần), kiểm tra độ căng dây đai và bánh xe dẫn động AGV (3 tháng/lần), kiểm tra mức mỡ bôi trơn tại các khớp xoay hộp số cánh tay robot DENSO và thay thế pin dự phòng cho Absolute Encoder (12–18 tháng/lần).

Kết luận

Đề tài "Ứng dụng cánh tay robot 6 bậc kết hợp xe tự hành AGV" đã chứng minh tính khả thi và hiệu quả vượt trội của việc tích hợp công nghệ AI/Computer Vision hiện đại vào nền tảng tự động hóa công nghiệp truyền thống. Với tỷ lệ gắp thả thành công đạt $97%$ trong điều kiện tiêu chuẩn, độ chính xác lặp lại dưới $\pm 1\text{ mm}$ cùng cấu trúc phần cứng vận hành chuẩn mực qua mạng cáp quang SSCNETIII/H, công trình không chỉ đáp ứng xuất sắc các mục tiêu tốt nghiệp kỹ sư mà còn mở ra tiềm năng ứng dụng to lớn trong việc nâng cao mức độ tự động hóa linh hoạt cho các nhà máy thông minh tại Việt Nam.