Giới thiệu dự án

Sự bùng nổ của quá trình đô thị hóa và công nghiệp hóa toàn cầu đang đặt ra thách thức nghiêm trọng về quản lý chất thải rắn. Theo thống kê từ Ngân hàng Thế giới (World Bank), nhân loại thải ra khoảng 2,01 tỷ tấn rác thải sinh hoạt mỗi năm, và con số này dự kiến sẽ tăng mạnh khi dân số thế giới chạm mốc 9,7 tỷ người vào năm 2050. Đáng lo ngại, chỉ có khoảng 16% tổng lượng rác thải được thu gom và tái chế hiệu quả. Trong đó, rác thải nhựa chiếm tới 12% tổng khối lượng nhưng hơn 91% không được tái chế, gây ô nhiễm nghiêm trọng đến môi trường đất và đại dương.

       THỰC TRẠNG RÁC THẢI TOÀN CẦU & MỤC TIÊU DỰ ÁN
+-------------------------------------------------------------+
| Rác thải đô thị toàn cầu: 2,01 tỷ tấn/năm                   |
| Tỷ lệ tái chế hiệu quả: ~16%                                |
| Rác thải nhựa: 12% tổng lượng | Không được tái chế: >91%    |
+-------------------------------------------------------------+
                              |
                              v
        [GIẢI PHÁP TỰ ĐỘNG HÓA TÍCH HỢP AI & FOTA]
  +--------------------+  +------------------+  +-------------+
  |  Robot Delta 3-DoF |  | Thị giác YOLOv8  |  |  FOTA VPN   |
  |  Tốc độ gắp cao    |  | Phân loại chuẩn  |  | Cập nhật    |
  |  Khí nén chân không|  | mAP@0.5 > 90%    |  |  từ xa 100% |
  +--------------------+  +------------------+  +-------------+

Tại các bãi tập kết và nhà máy xử lý rác, quy trình phân loại thủ công bộc lộ nhiều điểm nghẽn:

  • Năng suất lao động thấp: Một nhân công chỉ có thể phân loại trung bình 20 tấn rác/giờ, trong khi các dây chuyền tự động hóa đạt công suất từ 60 đến 80 tấn/giờ.
  • Rủi ro an toàn sinh học: Người lao động thường xuyên tiếp xúc trực tiếp với hóa chất độc hại, kim tiêm, mầm bệnh và vật sắc nhọn.
  • Chi phí vận hành và bảo trì cao: Việc bảo trì, hiệu chỉnh thuật toán cho các thiết bị công nghiệp phân tán đòi hỏi kỹ sư phải có mặt trực tiếp tại hiện trường (on-site), gây gián đoạn dây chuyền (downtime).

Nhằm giải quyết triệt để các vấn đề trên, đề tài "Ứng dụng công nghệ nâng cấp từ xa và trí tuệ nhân tạo cho robot Delta phân loại rác" được triển khai với các mục tiêu cụ thể:

  1. Thiết kế, mô phỏng trên SolidWorks và chế tạo mô hình Robot Delta 3 bậc tự do (3-DoF) kết hợp cơ cấu gắp hút chân không chuyên dụng.
  2. Thiết lập mô hình toán học động học thuận (Forward Kinematics) và động học nghịch (Inverse Kinematics) để điều khiển chính xác vị trí khâu tác động cuối (end-effector).
  3. Triển khai mô hình học sâu YOLOv8 (You Only Look Once version 8) phát hiện và định vị theo thời gian thực hai nhóm rác thải phổ biến: chai nhựa và hộp carton.
  4. Xây dựng giải pháp nâng cấp vi chương trình qua sóng vô tuyến FOTA (Firmware Over-The-Air) trên nền tảng mạng riêng ảo ZeroTier SD-WAN, cho phép nạp và cập nhật chương trình cho vi điều khiển STM32F4 từ xa mà không cần can thiệp phần cứng trực tiếp.
  5. Tích hợp giao diện giám sát và điều khiển đồ họa (GUI) trên máy tính nhúng, đồng bộ hóa chu trình: Băng tải $\rightarrow$ Nhận diện AI $\rightarrow$ Chuyển đổi tọa độ $\rightarrow$ Robot Delta gắp thả.

Phạm vi và giới hạn đề tài:

  • Đối tượng phân loại: Chai nhựa PET và vỏ hộp carton trên hệ thống băng tải phẳng.
  • Điều kiện môi trường: Hoạt động tối ưu trong điều kiện ánh sáng công nghiệp ổn định ($\ge 300\text{ lux}$).
  • Nền tảng điều khiển: Máy tính xử lý hình ảnh kết nối vi điều khiển trung tâm STM32F4 qua giao thức nối tiếp (UART/USB).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi đề xuất giải pháp tích hợp, một nghiên cứu so sánh chuyên sâu giữa các phương pháp xử lý rác thải hiện hữu đã được thực hiện:

Tiêu chí Phân loại thủ công Cánh tay Robot 6-DoF truyền thống Robot Scara + Xử lý ảnh cơ bản Robot Delta + YOLOv8 + FOTA (Đề xuất)
Tốc độ gắp/phút 15 - 25 lần/phút 20 - 35 lần/phút 30 - 45 lần/phút 50 - 70 lần/phút
Độ chính xác nhận diện 75% - 85% (phụ thuộc thể lực) 85% - 90% (Template matching/Color) 80% - 88% (YOLOv5 cơ bản) > 92% (YOLOv8 Anchor-free)
Bảo trì / Cập nhật code Đào tạo lại nhân công Kỹ sư cắm nạp ST-Link tại chỗ Nạp offline qua cáp nạp FOTA nạp từ xa qua ZeroTier VPN
Chi phí đầu tư phần cứng Thấp ban đầu, chi phí nhân sự cao Rất cao ($> 15.000\text{ USD}$) Trung bình ($2.000 - 4.000\text{ USD}$) Tối ưu ($< 1.500\text{ USD}$ ở quy mô thử nghiệm)
Rủi ro môi trường độc hại Rất cao Không có Không có Không có

Phân tích yêu cầu hệ thống theo mô hình MoSCoW:

  • Must have (Bắt buộc có):
    • Tính toán động học thuận/nghịch chính xác cho cơ cấu 3 bậc tự do Delta.
    • Mô hình YOLOv8 nhận diện chính xác 2 lớp plastic_bottle và carton_box.
    • Bộ nạp Bootloader tự phát triển trên STM32F4 hỗ trợ nhận file .bin qua UART và ghi đè vào Flash Application.
  • Should have (Nên có):
    • Mạng ảo bảo mật ZeroTier mã hóa kết nối giữa kỹ sư và trạm phân loại.
    • Giao diện GUI hiển thị video stream thời gian thực và log trạng thái nạp Flash.
  • Could have (Có thể mở rộng):
    • Khả năng phân loại nhiều hơn 5 nhóm rác thải (lon nhôm, rác hữu cơ, pin).
    • Tự động chuyển đổi dự phòng (dual-bank flash recovery) khi nạp FOTA lỗi.
  • Won't have (Chưa thực hiện trong giai đoạn này):
    • Vỏ bảo vệ chuẩn IP67 chịu môi trường ăn mòn axit cao.

Thiết kế hệ thống

Kiến trúc hệ thống bao gồm 3 tầng chính: Tầng giám sát & Thị giác máy tính, Tầng truyền thông & FOTA Cloud, và Tầng chấp hành thời gian thực.

graph TD
    subgraph Cloud_Engineer ["Kỹ sư từ xa (Remote Station)"]
        DevPC["Máy tính phát triển / VS Code"]
        ZeroTierCloud["Mạng riêng ảo ZeroTier (SD-WAN)"]
    end

    subgraph Edge_Vision ["Tầng tính toán biên & Xử lý ảnh"]
        Cam["Camera Full HD 1080p"]
        MiniPC["Máy tính nhúng / PC (YOLOv8 + PyQt GUI)"]
        Cam -->|Video Stream| MiniPC
    end

    subgraph Embedded_Control ["Tầng điều khiển thời gian thực"]
        STM32["Vi điều khiển STM32F407 (ARM Cortex-M4)"]
        Driver["Bộ điều khiển động cơ bước (Step Drivers)"]
        Pneumatic["Hệ thống van khí nén & Giác hút chân không"]
        Conveyor["Băng tải rác thải"]
        DeltaMech["Cơ cấu Robot Delta 3-DoF"]
    end

    DevPC <-->|SSH / SFTP / FOTA Commands| ZeroTierCloud
    ZeroTierCloud <-->|VPN Encrypted Tunnel| MiniPC
    MiniPC <-->|USB-UART Protocol (115200 bps)| STM32
    STM32 -->|Xung Step/Dir| Driver
    Driver --> DeltaMech
    STM32 -->|Digital I/O Relay| Pneumatic
    STM32 -->|PWM/Relay Control| Conveyor

Technology Stack & Phiên bản:

  • AI & Computer Vision: Python v3.10+, PyTorch v2.1.0, Ultralytics YOLOv8 (v8.1.0), OpenCV v4.8.1, Roboflow Annotator API.
  • Embedded & Firmware: STM32CubeIDE v1.14.0, GNU ARM Toolchain, C/C++ (C11 standard), Vi điều khiển STM32F407VGT6 (168 MHz Cortex-M4, 1MB Flash, 192KB RAM).
  • Giao tiếp mạng & Nạp từ xa: ZeroTier One v1.12.2, SSH/SFTP (OpenSSH v9.0), Giao thức truyền khung UART tự định nghĩa kèm kiểm tra CRC32.
  • Thiết kế cơ khí: Dassault Systèmes SolidWorks 2022.

Bản đồ phân vùng bộ nhớ Flash trên STM32F4:

+------------------+-------------------------------------------+
| Địa chỉ bắt đầu  | Chức năng phân vùng Flash                 |
+------------------+-------------------------------------------+
| 0x0800 0000      | Sector 0-1 (32 KB): Custom Bootloader     |
| 0x0800 8000      | Sector 2-11 (992 KB): Application Space   |
+------------------+-------------------------------------------+

Phương pháp luận (Methodology)

Dự án áp dụng mô hình phát triển Agile/Scrum rút gọn kết hợp phương pháp luận kỹ thuật cơ điện tử (V-Model for Mechatronics):

  • Sprint 1 (Tuần 1 - 4): Thiết kế mô hình 3D trên SolidWorks, giải bài toán động học thuận nghịch trên MATLAB/Python, xác định không gian làm việc (workspace).
  • Sprint 2 (Tuần 5 - 8): Thu thập dữ liệu rác thải, gắn nhãn trên Roboflow, huấn luyện mô hình YOLOv8 trên GPU, hiệu chỉnh ma trận biến đổi tọa độ Camera $\rightarrow$ Robot.
  • Sprint 3 (Tuần 9 - 12): Lập trình Firmware STM32F4, viết Custom Bootloader hỗ trợ cập nhật nhị phân qua UART, thiết lập mạng VPN ZeroTier.
  • Sprint 4 (Tuần 13 - 16): Tích hợp toàn hệ thống, chạy thực nghiệm phân loại liên tục trên băng tải, đo kiểm thông số FOTA và đánh giá độ chính xác.

Implementation và kết quả

Quá trình phát triển và Thuật toán cốt lõi

1. Động học Robot Delta 3 bậc tự do

Cấu tạo Robot Delta gồm đế cố định $A$ bán kính $f$, đế di động $B$ bán kính $e$, 3 cánh tay chủ động $F_iJ_i$ chiều dài $r_f$ và 3 cánh tay bị động hình bình hành $J_iE_i$ chiều dài $r_e$.

           HỆ TỌA ĐỘ ĐỘNG HỌC THUẬN ROBOT DELTA
                  +Z 
                   |   / +Y
                   |  /
                   | /
       ------------O------------ +X   (Đế cố định A)
                  /|\
                 / | \
                /  |  \ (Khâu chủ động r_f)
               /   |   \
              J1   J2   J3
              | \  |  / |
              |  \ | /  |
              |   \|/   | (Khâu bị động r_e - Hình bình hành)
              +----+----+
                 \ E0 /       (Đế di động B: Tọa độ x0, y0, z0)
                  \__/

Bài toán động học thuận (Forward Kinematics): Khi biết 3 góc quay của động cơ $\theta_1, \theta_2, \theta_3$, tọa độ điểm khâu cuối $E_0(x_0, y_0, z_0)$ là giao điểm của 3 mặt cầu tâm $J'_i$ bán kính $r_e$: $$(x - x_i)^2 + (y - y_i)^2 + (z - z_i)^2 = r_e^2 \quad (i = 1, 2, 3)$$

Sau khi biến đổi tuyến tính, ta đưa về phương trình bậc hai ẩn $z$: $$a z^2 + b z + c = 0$$ Do cơ cấu Delta luôn hoạt động ở nửa không gian âm của trục Z, nghiệm hợp lệ được chọn là nghiệm âm: $z_0 = \frac{-b - \sqrt{b^2 - 4ac}}{2a}$, từ đó suy ra $x_0, y_0$.

Bài toán động học nghịch (Inverse Kinematics): Cho trước tọa độ đích $E_0(x_0, y_0, z_0)$, cần tính góc khớp $\theta_1, \theta_2, \theta_3$. Đối với khâu thứ nhất (chuyển động trong mặt phẳng $YZ$): Góc $\theta_1$ được xác định qua hàm lượng giác: $$\theta_1 = \text{atan2}(z_{J_1}, y_{J_1} - y_{F_1})$$

Để tính $\theta_2$ và $\theta_3$, áp dụng ma trận xoay quanh trục $Z$ góc $\pm 120^\circ$: $$\begin{bmatrix} x_0' \ y_0' \ z_0' \end{bmatrix} = \begin{bmatrix} \cos(120^\circ) & \sin(120^\circ) & 0 \ -\sin(120^\circ) & \cos(120^\circ) & 0 \ 0 & 0 & 1 \end{bmatrix} \begin{bmatrix} x_0 \ y_0 \ z_0 \end{bmatrix}$$

Giới hạn góc quay được thiết lập để đảm bảo tránh điểm kỳ dị (singularity): $-42^\circ \le \theta_i \le 85^\circ$.

2. Biến đổi tọa độ từ Camera sang Tọa độ Thế giới Robot

Để chuyển đổi điểm ảnh tâm vật thể $(u, v)$ trong ảnh thu được từ Camera thành tọa độ thực $(X_w, Y_w, Z_w)$ của Robot Delta: $$s \begin{bmatrix} u \ v \ 1 \end{bmatrix} = K \cdot [R \mid T] \begin{bmatrix} X_w \ Y_w \ Z_w \ 1 \end{bmatrix}$$ Trong đó $K$ là ma trận nội sai (Intrinsic Matrix), $[R \mid T]$ là ma trận ngoại sai (Extrinsic Matrix) thu được qua quá trình hiệu chuẩn Checkerboard.

import numpy as np

def pixel_to_world_coords(u, v, z_const, K_matrix, R_matrix, T_vector):
    """
    Chuyen doi toa do pixel (u, v) sang he toa do the gioi cua Robot Delta
    z_const: Do cao mat bang tai so voi goc toa do robot (mm)
    """
    uv_homo = np.array([[u], [v], [1.0]], dtype=np.float64)
    inv_K = np.linalg.inv(K_matrix)
    inv_R = np.linalg.inv(R_matrix)
    
    # Vector tia tu tam quang hoc camera
    ray_cam = inv_K @ uv_homo
    ray_world = inv_R @ ray_cam
    cam_pos_world = -inv_R @ T_vector
    
    # Tinh he so ty le s dua tren do cao bang tai da biet
    s = (z_const - cam_pos_world[2, 0]) / ray_world[2, 0]
    P_world = cam_pos_world + s * ray_world
    
    return float(P_world[0, 0]), float(P_world[1, 0]), float(z_const)

3. Giao thức Nâng cấp Từ xa FOTA

Chương trình Bootloader chạy trên STM32F4 giao tiếp với Mini PC thông qua cấu trúc gói tin nghiêm ngặt:

+---------------+---------------+--------------------+---------------+
| Length (1 Byte| Cmd Code (1B) | Payload (0-256 B)  | CRC32 (4 Byte)|
+---------------+---------------+--------------------+---------------+

Mã nguồn điều khiển bước nhảy (Jump to Application) trong Custom Bootloader:

#define FLASH_APP_START_ADDR  0x08008000U

typedef void (*pFunction)(void);

void jump_to_application(void) {
    uint32_t app_stack = *(__IO uint32_t*)FLASH_APP_START_ADDR;
    
    /* Kiem tra MSP (Main Stack Pointer) co nam trong vung RAM hop le */
    if ((app_stack & 0x2FFE0000) == 0x20000000) {
        /* Vo hieu hoa toan bo Interrupt truoc khi nhay */
        __disable_irq();
        
        /* Lay dia chi Reset Handler cua Application */
        uint32_t jump_addr = *(__IO uint32_t*)(FLASH_APP_START_ADDR + 4);
        pFunction app_entry = (pFunction)jump_addr;
        
        /* Chuyen doi Vector Table sang vung nho Application */
        SCB->VTOR = FLASH_APP_START_ADDR;
        
        /* Khoi tao lai Stack Pointer */
        __set_MSP(app_stack);
        
        /* Thuc thi Application */
        app_entry();
    }
}

Các mã lệnh điều khiển FOTA hỗ trợ:

  • BL_GET_VER (0x51): Kiểm tra phiên bản Bootloader hiện tại.
  • BL_FLASH_ERASE (0x56): Xóa các sector tương ứng từ Sector 2 đến Sector 11.
  • BL_MEM_WRITE (0x57): Ghi khối nhị phân 256 bytes kèm đối soát CRC32.
  • BL_GO_TO_ADDR (0x55): Chuyển con trỏ thực thi về địa chỉ 0x08008000.

Kiểm thử và Đánh giá thực nghiệm

1. Đánh giá Mô hình Trí tuệ Nhân tạo YOLOv8

Tập dữ liệu huấn luyện gồm 1.200 ảnh thực tế của chai nhựa và vỏ hộp carton trên băng tải, được làm giàu (Data Augmentation) bằng kỹ thuật xoay góc, điều chỉnh độ sáng, CutMix và Mosaic lên 3.600 ảnh.

       ĐỒ THỊ PRECISION - RECALL TỔNG THỂ (YOLOv8)
  Precision
    1.0 |-------------------------\ (Chai nhựa: AP=95.2%)
    0.8 |                          \
    0.6 |                           \-----\ (Hộp carton: AP=92.8%)
    0.4 |                                  \
    0.2 |                                   \
    0.0 +------------------------------------+
        0.0   0.2   0.4   0.6   0.8   1.0   Recall

Kết quả đo kiểm trên tập kiểm thử (Test Set):

Đối tượng Số lượng mẫu kiểm thử Precision (%) Recall (%) mAP@0.5 (%) Inference Time (ms/frame)
Chai nhựa 240 94.6% 93.1% 95.2% 18.2 ms
Hộp carton 220 92.4% 91.8% 92.8% 18.5 ms
Trung bình 460 93.5% 92.45% 94.0% 18.35 ms (~54 FPS)

2. Đánh giá Hiệu năng Hệ thống Nâng cấp Từ xa FOTA

Thử nghiệm được thực hiện thông qua mạng 4G/Wi-Fi với máy tính kỹ sư tại vị trí cách xa hệ thống thực nghiệm:

Thông số đánh giá Kết quả thực nghiệm Ghi chú kỹ thuật
Kích thước file nhị phân (.bin) 42.6 KB Nhẹ hơn 58% so với file định dạng .hex (101.4 KB)
Thời gian truyền qua SFTP/ZeroTier 1.45 giây Băng thông mạng trung bình 15 Mbps
Thời gian xóa Flash STM32F4 1.82 giây Xóa từ Sector 2 đến Sector 5
Thời gian ghi Flash qua UART (115.2 kbps) 11.36 giây Tốc độ truyền 256 bytes/packet có ACK
Tổng thời gian cập nhật hoàn tất 14.63 giây Hệ thống tự khởi động lại vào Firmware mới
Tỷ lệ nạp thành công 100% (50/50 lần) Không xảy ra lỗi brick hay hỏng phân vùng Bootloader 
          THỜI GIAN THỰC THI CÁC BƯỚC NÂNG CẤP FOTA
[Truyền file SFTP: 1.45s]
  |===>
[Xóa Flash STM32: 1.82s]
  |=====>
[Ghi bộ nhớ qua UART: 11.36s]
  |===================================================>
                                       [Tổng thời gian: 14.63s]

3. Kết quả Phân loại Tổng thể

Khi vận hành băng tải ở tốc độ $0.15\text{ m/s}$:

  • Tỷ lệ gắp và phân loại thành công chai nhựa: 91.5% (183/200 mẫu).
  • Tỷ lệ gắp và phân loại thành công hộp carton: 89.0% (178/200 mẫu).
  • Năng suất trung bình hệ thống đạt: 52 vật phẩm/phút.

Đổi mới và đóng góp

  1. Kiến trúc Tích hợp Kép AI & FOTA cho Robot Công nghiệp: Khác với các nghiên cứu robot Delta truyền thống vốn chỉ tập trung vào điều khiển chuyển động hoặc xử lý ảnh độc lập, đồ án đã tích hợp thành công chu trình khép kín: Nhận diện thời gian thực $\rightarrow$ Điều khiển động học $\rightarrow$ Quản trị và nâng cấp phần mềm từ xa qua mạng ảo an toàn.
  2. Cơ chế Bootloader Phân vùng Kép Chống Brick: Việc tự phát triển Custom Bootloader độc lập tại Sector 0 giúp vi điều khiển STM32F4 luôn được bảo vệ an toàn. Ngay cả khi đường truyền Internet bị ngắt đột ngột giữa quá trình nạp, hệ thống vẫn duy trì khả năng khôi phục mà không cần thiết bị nạp chuyên dụng ST-Link.
  3. Cải thiện Năng suất và Giảm Chi phí Vận hành:
    • Tăng năng suất phân loại lên 160% so với phân loại thủ công của 1 nhân công.
    • Giảm 95% thời gian và chi phí bảo trì on-site nhờ khả năng cập nhật thuật toán phân loại và bù sai số động học trực tiếp từ xa trong chưa đầy 15 giây.

Ứng dụng thực tế và triển khai

Kịch bản Triển khai Thực tế

+-------------------------------------------------------------+
|                 MÔ HÌNH NHÀ MÁY THÔNG MINH                  |
|                                                             |
|   [Trạm Robot 1]      [Trạm Robot 2]      [Trạm Robot N]    |
|   Phân loại Nhựa      Phân loại Carton    Phân loại Kim loại|
|         \                   |                   /           |
|          \                  |                  /            |
|           +-----------------+-----------------+             |
|                             |                               |
|               [ZeroTier SD-WAN Security Mesh]               |
|                             |                               |
|                 [Trung tâm Điều hành R&D]                   |
|              Giám sát & Nâng cấp Thuật toán                 |
+-------------------------------------------------------------+
  • Nhà máy xử lý và tái chế rác thải đô thị: Lắp đặt theo cụm robot trên các băng chuyền rác sau khâu sàng lọc thô để phân loại tự động nhựa tái chế và giấy carton.
  • Dây chuyền logistics và đóng gói bưu kiện: Ứng dụng nhận diện mã vạch/kích thước hộp carton và phân luồng hàng hóa tự động.

Phân tích Hiệu quả Đầu tư (ROI)

  • Chi phí đầu tư phần cứng: Ước tính khoảng $35.000.000\text{ VNĐ}$ cho một mô hình trạm đơn (bao gồm cơ khí Delta, động cơ bước, mạch điều khiển, camera và máy tính xử lý).
  • Tiết kiệm chi phí nhân sự: Thay thế 02 công nhân làm việc 2 ca/ngày (tiết kiệm khoảng $16.000.000\text{ VNĐ/tháng}$).
  • Thời gian hoàn vốn (Payback Period): Ước tính từ 4 đến 6 tháng vận hành thực tế.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Độ rung cơ khí: Khi cơ cấu Delta di chuyển ở gia tốc cao ($> 1.5\text{ m/s}^2$), khung máy thử nghiệm xuất hiện hiện tượng rung lắc nhẹ làm giảm độ chính xác gắp hút.
  • Phụ thuộc điều kiện chiếu sáng: Độ chính xác nhận diện của mô hình YOLOv8 suy giảm khoảng 8-12% khi cường độ ánh sáng môi trường xuống dưới 150 lux.
  • Số lượng phân lớp: Hệ thống hiện mới chỉ tập trung phân loại 2 nhóm rác thải chính.

Hướng phát triển tiếp theo

  • Nâng cấp hệ thống khung cơ khí bằng nhôm định hình đúc nguyên khối và sử dụng động cơ Servo AC để tăng tốc độ gắp lên $\ge 80\text{ lần/phút}$.
  • Tích hợp Camera 3D (RGB-D) để trích xuất trực tiếp bản đồ độ sâu (depth map), hỗ trợ gắp các vật thể bị xếp chồng lấn.
  • Tối ưu hóa mô hình AI qua TensorRT và triển khai trên các kit nhúng chuyên dụng như NVIDIA Jetson Orin Nano để giảm độ trễ xử lý xuống $< 10\text{ ms}$.
  • Mở rộng giao thức FOTA với cơ chế Dual-bank Flash Memory (phân vùng nhị phân A/B) có chức năng tự động Rollback khi phát hiện lỗi logic sau khởi động.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành: Tài liệu tham khảo toàn diện về tích hợp hệ thống Cơ điện tử, Robotics, Thị giác máy tính và Lập trình nhúng vi điều khiển STM32.
  • Kỹ sư Tự động hóa & IoT: Cung cấp giải pháp mẫu (design pattern) hoàn chỉnh để xây dựng tính năng FOTA an toàn trên vi điều khiển ARM Cortex-M thông qua mạng VPN.
  • Doanh nghiệp Môi trường & Xử lý Chất thải: Giải pháp công nghệ khả thi với chi phí hợp lý giúp hiện đại hóa và tự động hóa các dây chuyền phân loại tái chế.

Câu hỏi thường gặp

1. Yêu cầu phần cứng tối thiểu để triển khai hệ thống là gì?

  • Khối xử lý AI: Máy tính trang bị CPU Intel Core i5/AMD Ryzen 5 (hoặc Kit NVIDIA Jetson), RAM 8GB, GPU tối thiểu 4GB VRAM (nếu chạy real-time $>30\text{ FPS}$).
  • Khối điều khiển: Vi điều khiển ARM Cortex-M4 (khuyến nghị dòng STM32F4/F7/H7) có tối thiểu 512KB Flash.
  • Khí nén: Máy nén khí mini áp suất $4 - 6\text{ bar}$, giác hút chân không tạo áp âm qua đầu hút Ejector.

2. Quá trình FOTA có an toàn không nếu mất điện hoặc mất mạng giữa chừng?

Hệ thống sử dụng Custom Bootloader nằm độc lập tại Sector 0 (0x08000000) và không bao giờ bị xóa trong quá trình cập nhật. Nếu quá trình truyền file bị ngắt quãng, Bootloader sẽ phát hiện checksum CRC32 không hợp lệ, từ chối nhảy vào Application và duy trì trạng thái chờ để kỹ sư thực hiện nạp lại lệnh mà không làm hỏng chip (no-brick guarantee).

3. Làm sao để mở rộng nhận diện thêm các loại rác thải khác (như lon nhôm, rác y tế)?

Người dùng chỉ cần chụp bổ sung dữ liệu hình ảnh của các đối tượng mới, tải lên nền tảng Roboflow để gắn nhãn thêm class (ví dụ: aluminum_can), sau đó tái huấn luyện mô hình YOLOv8 trên máy chủ và cập nhật trọng số .pt / .engine mới vào phần mềm xử lý ảnh mà không cần thay đổi phần cứng cơ khí.

4. Hệ thống kết nối ZeroTier có yêu cầu IP tĩnh công cộng không?

Không. ZeroTier hoạt động theo cơ chế P2P Virtual LAN mã hóa đầu-cuối (End-to-End Encryption), cho phép các thiết bị kết nối trực tiếp với nhau xuyên qua các lớp NAT/Firewall mà không cần mở cổng (Port Forwarding) hay thuê IP tĩnh.

5. Chi phí bảo trì hàng năm của hệ thống ước tính bao nhiêu?

Chi phí vận hành và bảo trì ước tính chiếm dưới 5% tổng chi phí đầu tư ban đầu mỗi năm, chủ yếu dùng cho việc thay thế định kỳ núm hút cao su khí nén và bảo dưỡng tra dầu mỡ định kỳ cho khớp cầu Delta.

Kết luận

Đồ án tốt nghiệp "Ứng dụng công nghệ nâng cấp từ xa và trí tuệ nhân tạo cho robot Delta phân loại rác" đã giải quyết trọn vẹn bài toán tự động hóa phân loại rác thải có khả năng bảo trì từ xa linh hoạt. Với việc kết hợp giữa động học Robot Delta tốc độ cao, mô hình thị giác học sâu tiên tiến YOLOv8 đạt độ chính xác 94.0% mAP, cùng giải pháp FOTA qua ZeroTier VPN đạt độ tin cậy 100%, đề tài khẳng định tính ứng dụng thực tiễn cao, mở ra hướng đi bền vững cho các giải pháp nhà máy thông minh và công nghệ môi trường tại Việt Nam.