Khóa Luận Tốt Nghiệp: Ứng Dụng Công Nghệ Định Vị Động Thời Lập Bản Đồ Trên Robot

• Tác giả: Trần Anh Minh
• Người hướng dẫn: Thầy Phan Đình Duy
• Trường học: Đại học Quốc gia TP. Hồ Chí Minh
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Ứng Dụng Công Nghệ Định Vị Đồng Thời Lập Bản Đồ Trên Robot
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2024
• Địa điểm: TP. Hồ Chí Minh

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TÔNG QUAN DE TÀI
• 1.1. Tổng quan về để tài. Mục tiêu và giới hạn của đề tài
• 1.2. Mục tiêu đề tài. Giới hạn của đề tài. Phương pháp thực hiện. Tìm hiểu về lý thuyết
• 1.3. Vận dụng thực tế
• 1.3.1. Dữ liệu đầu vào
• 1.3.2. Dữ liệu đầu ra
• 1.4. Tổng quan về ROS
• 1.4.1. Khái niệm về ROS
• 1.4.2. Chức năng của ROS
• 1.4.3. Môi trường của ROS
• 1.4.3.1. Tầng ROS Filesystem
• 1.4.3.2. Tầng ROS Computation graph
• 1.4.3.3. Tầng ROS community
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Tổng quan về ROS. Khái niệm về ROS. Chức năng của ROS
• 2.2. Môi trường của ROS. Mô hình của ROS. Tầng ROS Filesystem. Tầng ROS Computation graph. Tầng ROS community. Ưu điểm của ROS
• 2.3. Laser Imaging, Detection And Ranging (LIDAR). Simultaneous Localization And Mapping (SLAM). Expected Robot behavior. APT của Movebase
• 2.4. Setup Frontier_exploration. Nvidia Jetson Nano BT. RP Lidar AIMB. Mạch nguồn. Mạch điều khiển động cơ. Động cơ DC Servo JGB37 - 52. Màn hình 7 inch HDMI LCD
• 3. CHƯƠNG 3: PHÂN TÍCH VÀ THIẾT KẾ HỆ THỐNG
• 3.1. Phân tích phần cứng
• 3.2. Thiết kế phần cứng
• 3.3. Phân tích phần mềm
• 3.3.1. Phần mềm trên Jetson Nano
• 3.3.2. Phần mềm trên Esp32. Tính toán Odometry, Điều khiển PID. Điều khiển PID
• 4. THỰC NGHIỆM VÀ ĐÁNH GIÁ
• 4.1. Cài đặt môi trường
• 4.1.1. Cài đặt ROS. Thiết lập môi trường ROS cho máy tính cá nhân và Jetson Nano. Thứ tự chạy các lệnh Map và Navigation
• 4.1.2. Đánh giá mức độ vẽ Map. Đánh giá mức độ Navigation trong môi trường không có vật cản và có vật cản. Đánh giá độ chính xác trong phép định vị của robot
• 5. KẾT LUẬN VÀ KIẾN NGHỊ
• 5.1. Kết quả đạt được
• 5.2. Ưu điểm — Nhược điểm của khóa luận
• DANH MỤC HÌNH
• DANH MỤC BẢNG
• DANH MỤC TỪ VIẾT TẮT

I. Tổng quan về Ứng Dụng Công Nghệ Định Vị Trong Robot

Công nghệ định vị trong robot, đặc biệt là Công nghệ SLAM, đã trở thành một phần quan trọng trong việc phát triển robot tự hành. SLAM, viết tắt của Simultaneous Localization and Mapping, cho phép robot xác định vị trí của mình trong môi trường chưa biết và đồng thời tạo ra bản đồ của môi trường đó. Việc ứng dụng công nghệ này không chỉ giúp robot hoạt động hiệu quả hơn mà còn mở ra nhiều cơ hội mới trong các lĩnh vực như giao thông, logistics và dịch vụ. Nghiên cứu này sẽ đi sâu vào các khía cạnh của SLAM và cách nó được áp dụng trong robot tự hành.

1.1. Khái niệm về SLAM và Robot Tự Hành

SLAM là một thuật toán cho phép robot tự hành xác định vị trí của mình trong không gian ba chiều. Robot sử dụng các cảm biến như LIDAR và camera để thu thập dữ liệu về môi trường xung quanh. Từ đó, robot có thể xây dựng bản đồ và điều hướng một cách tự động.

1.2. Lợi ích của Công Nghệ Định Vị Trong Robot

Công nghệ định vị giúp robot tự hành hoạt động hiệu quả hơn trong môi trường phức tạp. Nó cho phép robot tránh vật cản, lập kế hoạch di chuyển và thực hiện các nhiệm vụ một cách chính xác. Điều này không chỉ tiết kiệm thời gian mà còn giảm thiểu rủi ro trong quá trình hoạt động.

II. Thách Thức Trong Ứng Dụng Công Nghệ SLAM

Mặc dù Công nghệ SLAM mang lại nhiều lợi ích, nhưng vẫn tồn tại một số thách thức lớn trong việc triển khai nó trong robot tự hành. Các vấn đề như độ chính xác của cảm biến, xử lý dữ liệu lớn và khả năng hoạt động trong môi trường không ổn định là những yếu tố cần được xem xét. Nghiên cứu này sẽ phân tích các thách thức chính và đề xuất giải pháp để vượt qua chúng.

2.1. Độ Chính Xác Của Cảm Biến

Độ chính xác của cảm biến là yếu tố quyết định trong việc thực hiện SLAM. Các cảm biến như LIDAR có thể bị ảnh hưởng bởi điều kiện môi trường như ánh sáng và độ ẩm, dẫn đến sai số trong việc xác định vị trí.

2.2. Xử Lý Dữ Liệu Lớn

Robot thu thập một lượng lớn dữ liệu từ cảm biến trong thời gian thực. Việc xử lý và phân tích dữ liệu này đòi hỏi các thuật toán mạnh mẽ và hiệu quả để đảm bảo robot có thể hoạt động mượt mà.

III. Phương Pháp Giải Quyết Vấn Đề Trong SLAM

Để giải quyết các thách thức trong Công nghệ SLAM, nhiều phương pháp đã được phát triển. Các thuật toán như EKF-SLAM, FastSLAM và GraphSLAM đã chứng minh hiệu quả trong việc cải thiện độ chính xác và tốc độ xử lý. Nghiên cứu này sẽ trình bày chi tiết về các phương pháp này và cách chúng được áp dụng trong thực tế.

3.1. EKF SLAM Phương Pháp Cổ Điển

EKF-SLAM (Extended Kalman Filter SLAM) là một trong những phương pháp đầu tiên được sử dụng trong SLAM. Nó sử dụng bộ lọc Kalman mở rộng để ước lượng vị trí và bản đồ, giúp cải thiện độ chính xác trong việc định vị.

3.2. FastSLAM Tối Ưu Hóa Thời Gian

FastSLAM là một phương pháp cải tiến cho phép robot xử lý dữ liệu nhanh hơn. Nó sử dụng các bộ lọc particle để ước lượng vị trí và bản đồ, giúp robot hoạt động hiệu quả hơn trong thời gian thực.

IV. Ứng Dụng Thực Tiễn Của Công Nghệ SLAM Trong Robot

Công nghệ SLAM đã được áp dụng rộng rãi trong nhiều lĩnh vực khác nhau. Từ robot hút bụi trong gia đình đến robot tự hành trong kho bãi, SLAM giúp cải thiện hiệu suất và độ chính xác. Nghiên cứu này sẽ xem xét một số ứng dụng thực tiễn nổi bật của công nghệ này.

4.1. Robot Hút Bụi Thông Minh

Robot hút bụi thông minh sử dụng SLAM để lập bản đồ không gian sống và tối ưu hóa lộ trình làm việc. Điều này giúp robot hoạt động hiệu quả hơn và tiết kiệm thời gian.

4.2. Robot Tự Hành Trong Kho Bãi

Trong môi trường kho bãi, robot tự hành sử dụng SLAM để di chuyển và vận chuyển hàng hóa một cách tự động. Điều này không chỉ giảm thiểu nhân lực mà còn tăng cường hiệu quả trong quản lý kho.

V. Kết Luận và Tương Lai Của Công Nghệ SLAM

Công nghệ SLAM đang ngày càng phát triển và mở ra nhiều cơ hội mới cho robot tự hành. Với sự tiến bộ của công nghệ cảm biến và thuật toán, SLAM hứa hẹn sẽ trở thành một phần không thể thiếu trong tương lai của robot. Nghiên cứu này sẽ tóm tắt những điểm chính và đưa ra dự đoán về tương lai của công nghệ này.

5.1. Xu Hướng Phát Triển Công Nghệ SLAM

Xu hướng phát triển công nghệ SLAM sẽ tập trung vào việc cải thiện độ chính xác và tốc độ xử lý. Các nghiên cứu mới sẽ tiếp tục tìm kiếm các giải pháp sáng tạo để tối ưu hóa hiệu suất của robot.

5.2. Tương Lai Của Robot Tự Hành

Robot tự hành sẽ ngày càng trở nên phổ biến trong nhiều lĩnh vực. Công nghệ SLAM sẽ đóng vai trò quan trọng trong việc phát triển các ứng dụng mới, từ giao thông đến dịch vụ khách hàng.