Xây Dựng Chương Trình Điều Khiển Robot Hút Bụi iRobot Trên Môi Trường ROS

• Tác giả: Trần Minh Hải
• Người hướng dẫn: TS. Ngô Lam Trung
• Trường học: Trường Đại Học Bách Khoa Hà Nội
• Chuyên ngành: Hệ thống thông tin
• Đề tài: Xây Dựng Chương Trình Điều Khiển Robot Hút Bụi iRobot Trên Môi Trường ROS
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2020
• Địa điểm: Hà Nội

• LỜI CẢM ƠN
• TÓM TẮT NỘI DUNG LUẬN VĂN
• 1. CHƯƠNG 1: GIỚI THIỆU CHUNG
• 1.1. Robot dịch vụ là gì?
• 1.2. Các ứng dụng của robot dịch vụ
• 1.3. Một số robot hút bụi thương mại hiện có trên thị trường
• 1.4. Giới thiệu một số khái niệm
• 1.4.1. Giới thiệu về ROS
• 1.4.2. Giới thiệu về kobuki
• 1.4.3. Giới thiệu về hokuyo
• 1.5. Nội dung đề tài
• 1.6. Các kết quả đạt được
• 2. CHƯƠNG 2: QUÉT BẢN ĐỒ VÀ XÂY DỰNG BẢN ĐỒ LƯỚI
• 2.1. Quét bản đồ trên môi trường giả lập
• 2.2. Quét bản đồ trên môi trường thực tế
• 2.3. Tìm hiểu file ảnh .pgm và file .
• 2.4. Xây dựng bản đồ lưới
• 2.4.1. Khái niệm về cell trong bản đồ lưới
• 2.4.2. Chuyển đổi bản đồ quét được sang bản đồ lưới
• 3. CHƯƠNG 3: ĐIỀU HƯỚNG VÀ ĐỊNH VỊ ROBOT
• 3.1. Điều hướng robot
• 3.2. Định vị robot sử dụng AMCL
• 3.3. Các hàm di chuyển
• 4. CHƯƠNG 4: THUẬT TOÁN BAO PHỦ
• 4.1. Lý thuyết về thuật toán CCD*
• 4.2. Phân tích thuật toán CCD*
• 4.3. Thuật toán Path Transform (PT)
• 4.4. Áp dụng thuật toán CCD* vào bài toán iRobot
• 5. CHƯƠNG 5: CHƯƠNG TRÌNH ĐIỀU KHIỂN IROBOT
• 5.1. Chương trình điều khiển robot hút bụi iRobot
• 5.1.1. Mô hình chung
• 5.1.2. Hàm xử lý phát hiện vật cản
• 5.2. Các trường hợp ngoại lệ
• 5.2.1. Robot di chuyển không chính xác
• 5.2.2. AMCL trả dữ liệu chậm
• 5.2.3. Laser có sai số
• DANH MỤC HÌNH VẼ

I. Tổng Quan Dự Án Xây Dựng Robot Hút Bụi iRobot Trên ROS

Xã hội hiện đại chứng kiến sự nâng cao trong đời sống và nhu cầu tự động hóa các công việc gia đình. Trong đó, việc dọn dẹp nhà cửa, đặc biệt là hút bụi, chiếm nhiều thời gian và công sức. Việc ứng dụng robot hút bụi thông minh để tự động hóa công việc này là một giải pháp thiết thực. Dự án tập trung vào việc xây dựng chương trình điều khiển robot hút bụi iRobot trên môi trường ROS (Robot Operating System). Mục tiêu là tạo ra một hệ thống robot có khả năng tự động quét bản đồ, lên kế hoạch di chuyển và thực hiện việc hút bụi một cách hiệu quả, qua đó giải phóng con người khỏi những công việc lặp đi lặp lại hàng ngày. Đề tài này có tính cấp thiết trong bối cảnh nhu cầu về các thiết bị tự động hóa gia tăng, đồng thời góp phần thúc đẩy nghiên cứu và phát triển trong lĩnh vực robot dịch vụ tại Việt Nam.

1.1. Robot Dịch Vụ Là Gì Và Ứng Dụng Trong Đời Sống

Robot dịch vụ là robot hỗ trợ và thay thế con người trong công việc, đặc biệt là các công việc lặp đi lặp lại, nguy hiểm, hoặc trong môi trường ô nhiễm. Theo định nghĩa của Liên đoàn Robot Quốc tế (IFR), robot dịch vụ hoạt động bán hoặc hoàn toàn tự động để thực hiện các dịch vụ hữu ích cho con người, không bao gồm các hoạt động sản xuất. Ứng dụng của robot dịch vụ rất đa dạng, bao gồm: công nghiệp (kiểm tra, tháo dỡ), nhà hàng, khách sạn (dọn dẹp, phục vụ), gia đình (lau nhà, cắt cỏ), và khoa học (nghiên cứu, khám phá). Sự phát triển của robot dịch vụ mang lại nhiều lợi ích, từ tiết kiệm thời gian và công sức cho con người đến nâng cao hiệu quả và năng suất trong các lĩnh vực khác nhau. Ví dụ, trong gia đình robot hút bụi có thể đóng vai trò người quản gia.

1.2. Các Mẫu Robot Hút Bụi Thương Mại Và Hướng Tiếp Cận

Thị trường hiện nay cung cấp nhiều loại robot hút bụi thông minh với sự khác biệt về giá cả, mẫu mã, và tính năng. Hướng tiếp cận phổ biến là sử dụng cảm biến để tránh vật cản và di chuyển ngẫu nhiên, tuy nhiên phương pháp này thường có tỉ lệ lặp lại cao và bỏ sót nhiều vị trí. Một số mẫu như iLife V5S Pro, Eufy Robovac 11S, Ecovacs N79s... Hướng tiếp cận thứ hai là quét bản đồ trước khi di chuyển, giúp robot di chuyển có kế hoạch và giảm thiểu bỏ sót, được áp dụng trên ILIFE X750, X787, V8s... Một số robot hiện đại sử dụng camera trực quan và thuật toán VSLAM (Visual Simultaneous Localization And Mapping) để tạo bản đồ và điều hướng đồng thời, ví dụ như Roomba i7, Roomba S9, Roomba 960, 980, X800...đây là hướng tiếp cận tiên tiến.

II. ROS Cho iRobot Nền Tảng Lập Trình Robot Hút Bụi Hiệu Quả

ROS (Robot Operating System) là một framework mạnh mẽ cung cấp công cụ và thư viện để phát triển ứng dụng robot. ROS cung cấp các trừu tượng hóa phần cứng, trình điều khiển mức thấp, giao tiếp thông điệp, và quản lý gói. Trong kiến trúc ROS, các tiến trình được triển khai theo cấu trúc đồ thị, với mỗi tiến trình (node) có thể nhận, gửi và kết hợp dữ liệu từ các cảm biến, bộ điều khiển, và các node khác. ROS không phải là hệ điều hành thời gian thực, nhưng vẫn có thể tương tác với các đoạn mã xử lý tức thời. Các công cụ và thư viện chính của ROS được viết bằng C++, Python, hoặc LISP, và được phát hành theo giấy phép BSD mã nguồn mở.

2.1. Tìm Hiểu Về Kiến Trúc ROS Nodes Topics Services Messages

Kiến trúc ROS được chia thành ba tầng: File System Level (tổ chức hệ thống file), Computation Graph Level (xử lý giao tiếp và dữ liệu), và Community Level (chia sẻ kinh nghiệm và thuật toán). Trong đó, tầng Computation Graph bao gồm các thành phần chính như Node (tập tin thực thi giao tiếp với các node khác), Master (quản lý và giúp các node tìm thấy nhau), Parameter Server (lưu trữ dữ liệu), Message (dữ liệu để các node giao tiếp), Topic (kênh truyền thông tin), và Service (cơ chế yêu cầu/trả lời). Hiểu rõ về kiến trúc ROS là yếu tố quan trọng để xây dựng chương trình điều khiển robot hiệu quả.

2.2. Các Thành Phần Hardware Quan Trọng Kobuki Và Hokuyo LiDAR

Kobuki là một thiết bị di động giá rẻ, được thiết kế cho mục đích giáo dục và nghiên cứu trong lĩnh vực robot. Kobuki có khả năng di chuyển liên tục, cung cấp nguồn điện cho máy tính và các cảm biến. Nó sở hữu dụng cụ đo hành trình được cải thiện bằng con quay hồi chuyển, cho phép di chuyển chính xác. LiDAR Hokuyo UTM-30LX là một cảm biến laser được sử dụng để quét môi trường xung quanh robot. Cảm biến này cung cấp dữ liệu khoảng cách, cho phép robot xây dựng bản đồ và tránh vật cản. Kobuki có tốc độ di chuyển tịnh tiến tối đa là 70 cm/s và tốc độ quay góc tối đa là 180 deg/s. Tải trọng của Kobuki là 5kg trên sàn cứng và 4kg trên thảm mềm.

III. Quét Bản Đồ Và Xây Dựng Bản Đồ Lưới Cho Robot Hút Bụi

Để robot hút bụi iRobot có thể hoạt động tự động, việc đầu tiên là phải xây dựng bản đồ môi trường. Quá trình này bao gồm quét bản đồ bằng các cảm biến (ví dụ: LiDAR), xử lý dữ liệu quét, và tạo ra bản đồ lưới. Bản đồ lưới là một biểu diễn rời rạc của không gian, trong đó mỗi ô lưới (cell) thể hiện trạng thái của một vùng nhỏ trong môi trường (ví dụ: có vật cản hoặc không). Bản đồ lưới được sử dụng để lập kế hoạch di chuyển và tránh vật cản cho robot. Sử dụng file ảnh .pgm và file .yaml.

3.1. Quét Bản Đồ Trong Môi Trường Giả Lập Gazebo Và Thực Tế

Việc quét bản đồ có thể được thực hiện trong môi trường giả lập Gazebo hoặc trong môi trường thực tế. Trong môi trường giả lập, robot có thể được thử nghiệm và phát triển chương trình điều khiển một cách an toàn và hiệu quả. Khi chuyển sang môi trường thực tế, cần điều chỉnh các tham số và thuật toán để phù hợp với điều kiện thực tế. Sử dụng Gazebo (Simulator) giúp tiết kiệm chi phí và thời gian phát triển. Việc quét bản đồ trên môi trường thực tế cần chú ý đến sai số của cảm biến và các yếu tố nhiễu khác.

3.2. Chuyển Đổi Bản Đồ Quét Được Sang Bản Đồ Lưới Chi Tiết

Sau khi quét bản đồ, dữ liệu quét được chuyển đổi sang bản đồ lưới. Mỗi cell trong bản đồ lưới đại diện cho một vùng nhỏ trong không gian. Giá trị của cell thể hiện trạng thái của vùng đó (ví dụ: có vật cản hoặc không). Quá trình chuyển đổi bao gồm việc xác định kích thước cell, phân loại các điểm quét vào các cell tương ứng, và gán giá trị cho mỗi cell. Thuật toán lọc Kalman có thể được sử dụng để giảm nhiễu và cải thiện độ chính xác của bản đồ. Kích thước cell ảnh hưởng đến độ chi tiết của bản đồ và hiệu suất tính toán.

IV. Điều Hướng Và Định Vị Robot iRobot Trong Môi Trường ROS

Để robot hút bụi iRobot di chuyển và hoạt động hiệu quả, cần có hệ thống điều hướng và định vị chính xác. Điều hướng robot bao gồm việc lập kế hoạch di chuyển và điều khiển robot theo kế hoạch. Định vị robot là quá trình xác định vị trí của robot trong môi trường. Các phương pháp định vị phổ biến bao gồm sử dụng Odometry, IMU (Inertial Measurement Unit), và SLAM (Simultaneous Localization and Mapping). AMCL(Adaptive Monte Carlo Localization) là một trong những thuật toán định vị phổ biến nhất trong ROS.

4.1. Các Hàm Di Chuyển Cơ Bản Cho Robot Kobuki Trong ROS

Để điều khiển robot Kobuki di chuyển, cần sử dụng các hàm di chuyển cơ bản. Các hàm này cho phép robot di chuyển thẳng, quay tại chỗ, và di chuyển theo đường cong. Các hàm di chuyển này thường được xây dựng dựa trên việc điều khiển tốc độ của các bánh xe. PID controller có thể được sử dụng để điều khiển tốc độ và đảm bảo di chuyển chính xác. Tham số PID cần được điều chỉnh để phù hợp với đặc tính của robot và môi trường.

4.2. Định Vị Robot Sử Dụng AMCL Adaptive Monte Carlo Localization

AMCL (Adaptive Monte Carlo Localization) là một thuật toán định vị xác suất, sử dụng phương pháp Monte Carlo để ước lượng vị trí của robot. AMCL sử dụng bản đồ và dữ liệu cảm biến (ví dụ: LiDAR, Camera robot) để xác định vị trí của robot. AMCL có khả năng xử lý các trường hợp nhiễu và sai số của cảm biến. ROS Navigation Stack cung cấp các công cụ và thư viện để triển khai AMCL. AMCL tạo ra các hạt (particles) để ước lượng vị trí và độ tin cậy của từng vị trí.

V. Thuật Toán Bao Phủ Tối Ưu Hóa Đường Đi Robot Hút Bụi iRobot

Thuật toán bao phủ có mục tiêu đảm bảo robot hút bụi có thể di chuyển đến mọi vị trí trong không gian làm việc. Chọn được thuật toán phù hợp sẽ giúp tối ưu đường đi, giảm thời gian làm việc và tiết kiệm năng lượng cho robot. Có nhiều thuật toán bao phủ được sử dụng trong robot hút bụi, bao gồm thuật toán Path Transform (PT), CCD*(Complete Coverage D*) và các thuật toán dựa trên lƣới.

5.1. Thuật Toán Path Transform PT Trong Điều Khiển Robot

Thuật toán Path Transform (PT) là thuật toán xây dựng trên việc tính toán khoảng cách từ mỗi ô đến vật cản gần nhất. Đường đi của robot được tạo ra dựa trên việc di chuyển dọc theo hướng giảm dần khoảng cách đến vật cản. PT dễ dàng tính toán, nhưng không phải lúc nào cũng đảm bảo bao phủ toàn bộ khu vực. Thuật toán PT có độ phức tạp tính toán thấp và phù hợp với môi trường có nhiều vật cản. PT thích hợp cho các khu vực đơn giản và ít vật cản.

5.2. Thuật Toán CCD Cho Robot Hút Bụi iRobot Trong ROS

CCD* (Complete Coverage D*) là thuật toán bao phủ toàn bộ dựa trên thuật toán tìm đường D*. CCD* đảm bảo rằng robot sẽ bao phủ tất cả các ô trong bản đồ, ngay cả trong môi trường phức tạp. CCD* bao gồm hai giai đoạn: initial complete (tạo đường đi ban đầu) và replanning (tái tạo đường đi khi gặp vật cản). CCD* có độ phức tạp tính toán cao hơn PT, nhưng đảm bảo bao phủ toàn bộ khu vực. Thuật toán CCD* thường được áp dụng cho các robot hút bụi cao cấp.

VI. Chương Trình Điều Khiển iRobot Trên ROS Triển Khai Thực Tế

Chương trình điều khiển robot hút bụi iRobot trên ROS bao gồm các thành phần: nhận dữ liệu cảm biến, xử lý dữ liệu, lập kế hoạch di chuyển, điều khiển động cơ, và xử lý các trường hợp ngoại lệ. Các thành phần này tương tác với nhau thông qua ROS Topics và ROS Services. Mô hình chung là một kiến trúc phức tạp với nhiều thành phần phối hợp. Việc xử lý các trường hợp ngoại lệ (ví dụ: robot bị kẹt, cảm biến bị lỗi) là rất quan trọng để đảm bảo robot hoạt động ổn định.

6.1. Mô Hình Chung Và Trao Đổi Dữ Liệu Giữa Các Thành Phần

Mô hình chung của chương trình điều khiển bao gồm các thành phần: Node nhận dữ liệu cảm biến (LiDAR, IMU, Odometry), Node xử lý dữ liệu (lọc nhiễu, trích xuất đặc trưng), Node lập kế hoạch di chuyển (sử dụng bản đồ và thuật toán bao phủ), Node điều khiển động cơ (điều khiển tốc độ và hướng di chuyển). Các Node này giao tiếp với nhau thông qua ROS Topics và ROS Services. Dữ liệu cảm biến được truyền qua Topics, còn yêu cầu di chuyển và phản hồi trạng thái được truyền qua Services. Việc thiết kế kiến trúc Node và Topic/Service hợp lý giúp hệ thống hoạt động hiệu quả.

6.2. Xử Lý Phát Hiện Vật Cản Và Các Trường Hợp Ngoại Lệ Thường Gặp

Việc phát hiện vật cản là rất quan trọng để tránh va chạm và đảm bảo an toàn cho robot và môi trường. Dữ liệu từ LiDAR được sử dụng để phát hiện vật cản. Các trường hợp ngoại lệ thường gặp bao gồm: robot di chuyển không chính xác (do sai số của động cơ), AMCL trả dữ liệu chậm (do môi trường thay đổi), và LiDAR có sai số (do vật liệu phản xạ kém). Cần có các cơ chế xử lý các trường hợp này, ví dụ: dừng di chuyển khi phát hiện vật cản quá gần, sử dụng thuật toán lọc để giảm sai số cảm biến, và tái lập kế hoạch di chuyển khi AMCL trả dữ liệu chậm.

Tổng quan nghiên cứu

Trong bối cảnh xã hội hiện đại, việc ứng dụng robot dịch vụ ngày càng trở nên phổ biến nhằm hỗ trợ con người trong các công việc lặp đi lặp lại, đặc biệt là trong gia đình. Robot hút bụi là một trong những thiết bị được quan tâm nhiều do khả năng tiết kiệm thời gian và công sức cho người dùng. Theo báo cáo của ngành, các robot hút bụi thương mại hiện nay đa dạng về mẫu mã và công nghệ, tuy nhiên vẫn tồn tại những hạn chế về hiệu quả bao phủ và định vị trong môi trường phức tạp. Luận văn tập trung xây dựng chương trình điều khiển robot hút bụi iRobot trên môi trường ROS (Robot Operating System), sử dụng robot Kobuki kết hợp cảm biến laser Hokuyo UTM-30LX và phần mềm giả lập Gazebo. Mục tiêu nghiên cứu là phát triển hệ thống quét bản đồ, định vị và điều khiển robot di chuyển bao phủ toàn bộ khu vực cần làm sạch với độ chính xác cao. Phạm vi nghiên cứu bao gồm môi trường giả lập và thực tế tại các không gian trong nhà, với thời gian thực hiện từ năm 2018 đến 2020. Kết quả nghiên cứu có ý nghĩa quan trọng trong việc nâng cao hiệu quả hoạt động của robot hút bụi, góp phần phát triển các ứng dụng robot dịch vụ thông minh trong đời sống.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết và mô hình nghiên cứu chính:

• Hệ điều hành robot ROS: ROS cung cấp framework và thư viện mã nguồn mở hỗ trợ phát triển ứng dụng robot, bao gồm các thành phần như node, topic, service, message, và các công cụ quản lý package. ROS cho phép tích hợp các cảm biến, bộ điều khiển và thuật toán định vị, lập bản đồ một cách linh hoạt và hiệu quả.
• Thuật toán bao phủ CCD*: Thuật toán Complete Coverage D* (CCD*) kết hợp thuật toán D* tìm đường đi ngắn nhất và thuật toán Path Transform để sinh đường đi bao phủ toàn bộ bản đồ lưới. CCD* có khả năng tự động phát hiện vật cản và lập lại đường đi, phù hợp với môi trường thay đổi động.

Các khái niệm chính bao gồm:

• Bản đồ lưới (Grid Map): Bản đồ được chia thành các ô vuông (cell), mỗi cell biểu diễn một khu vực nhỏ trong thực tế, có giá trị thể hiện vật cản hay không.
• Định vị AMCL (Adaptive Monte Carlo Localization): Thuật toán định vị dựa trên phương pháp Monte Carlo, sử dụng dữ liệu laser và bản đồ để xác định vị trí robot trên bản đồ lưới.
• Điều khiển robot dựa trên mô hình publisher/subscriber trong ROS: Robot nhận lệnh di chuyển qua các topic velocity và gửi thông tin vị trí qua topic odom.

Phương pháp nghiên cứu

Nguồn dữ liệu chính bao gồm dữ liệu thu thập từ cảm biến laser Hokuyo UTM-30LX gắn trên robot Kobuki, dữ liệu bản đồ thu được từ quá trình quét môi trường giả lập và thực tế, cùng các thông tin vị trí từ hệ thống định vị AMCL.

Phương pháp phân tích gồm:

• Quét bản đồ môi trường sử dụng hai công cụ hector_slam và gmapping trên ROS, cả trong môi trường giả lập Gazebo và thực tế.
• Chuyển đổi dữ liệu bản đồ ảnh (.pgm) sang bản đồ lưới để thuận tiện cho việc xử lý thuật toán bao phủ.
• Áp dụng thuật toán AMCL để định vị robot trên bản đồ lưới, xử lý sai số định vị bằng cách kết hợp dữ liệu từ topic odom.
• Xây dựng các hàm điều khiển robot (di chuyển thẳng, quay) dựa trên message Twist trong ROS, đồng thời xử lý các trường hợp ngoại lệ phát sinh trong thực tế.
• Triển khai thuật toán CCD* để sinh đường đi bao phủ toàn bộ bản đồ, tự động điều chỉnh khi phát hiện vật cản mới.

Quá trình nghiên cứu được thực hiện trong khoảng thời gian từ 2018 đến 2020, với cỡ mẫu là robot Kobuki thực tế và môi trường giả lập mô phỏng căn hộ, tòa nhà. Phương pháp chọn mẫu dựa trên tính đại diện của robot Kobuki và cảm biến laser Hokuyo trong các ứng dụng robot hút bụi phổ biến. Phân tích dữ liệu sử dụng các công cụ ROS, Gazebo, và các thuật toán lập trình C++.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Quét bản đồ chính xác trên môi trường giả lập và thực tế: Sử dụng công cụ hector_slam và gmapping, bản đồ môi trường được quét với độ phân giải 0.05m/pixel, cho kết quả chính xác cao. Ví dụ, bản đồ căn hộ giả lập và tòa nhà B1 thực tế được xây dựng rõ ràng với các vật cản được nhận diện đúng vị trí.
2. Định vị robot bằng AMCL hiệu quả nhưng có độ trễ: Thuật toán AMCL giúp xác định vị trí robot trên bản đồ lưới với sai số nhỏ, tuy nhiên dữ liệu trả về có độ trễ và không liên tục, gây khó khăn trong việc điều khiển chính xác khi robot quay.
3. Hàm điều khiển robot hoạt động ổn định với sai số chấp nhận được: Các hàm di chuyển tiến, lùi và quay được xây dựng dựa trên message Twist, cho phép robot di chuyển chính xác trong phạm vi sai số nhỏ, đủ để thực hiện nhiệm vụ quét và bao phủ.
4. Thuật toán CCD thành công trong việc sinh đường đi bao phủ toàn bộ bản đồ*: Thuật toán CCD* kết hợp D* và Path Transform giúp robot tự động phát hiện vật cản mới và lập lại đường đi, đảm bảo robot đi hết các ô trống trên bản đồ. So với các thuật toán ngẫu nhiên, CCD* giảm tỷ lệ bỏ sót và lặp lại đường đi đáng kể.

Thảo luận kết quả

Kết quả quét bản đồ và xây dựng bản đồ lưới cho thấy việc sử dụng laser Hokuyo kết hợp ROS là giải pháp hiệu quả cho bài toán định vị và điều khiển robot hút bụi. Độ phân giải bản đồ 0.05m/pixel cân bằng tốt giữa chi tiết và khối lượng dữ liệu xử lý. Định vị AMCL tuy có độ trễ, nhưng kết hợp với dữ liệu odom giúp cải thiện độ chính xác định vị. Hàm điều khiển robot dựa trên mô hình publisher/subscriber của ROS cho phép điều khiển linh hoạt và dễ dàng tích hợp các thuật toán cao cấp. Thuật toán CCD* thể hiện ưu thế vượt trội trong việc bao phủ toàn bộ khu vực, đặc biệt trong môi trường có vật cản động, so với các phương pháp di chuyển ngẫu nhiên hoặc dựa trên camera trực quan. Các biểu đồ so sánh tỷ lệ bao phủ và thời gian làm việc giữa CCD* và các thuật toán khác có thể minh họa rõ ràng hiệu quả của phương pháp này. Kết quả phù hợp với các nghiên cứu gần đây về ứng dụng thuật toán D* trong robot dịch vụ.

Đề xuất và khuyến nghị

1. Tối ưu hóa thuật toán định vị AMCL: Cải thiện tốc độ xử lý và độ mượt của dữ liệu định vị bằng cách kết hợp thêm các cảm biến khác như IMU hoặc camera để giảm độ trễ, nâng cao độ chính xác trong môi trường thực tế. Thời gian thực hiện: 6-12 tháng, chủ thể: nhóm nghiên cứu robot.
2. Phát triển thuật toán điều khiển thích ứng: Xây dựng các hàm điều khiển robot có khả năng tự điều chỉnh tốc độ và góc quay dựa trên dữ liệu cảm biến thời gian thực, giảm sai số di chuyển trong môi trường phức tạp. Thời gian thực hiện: 6 tháng, chủ thể: kỹ sư phần mềm.
3. Mở rộng ứng dụng thuật toán CCD cho các loại robot khác*: Áp dụng và điều chỉnh thuật toán CCD* cho các robot hút bụi có cấu hình cảm biến và kích thước khác nhau nhằm tăng tính phổ biến và hiệu quả. Thời gian thực hiện: 12 tháng, chủ thể: viện nghiên cứu và doanh nghiệp robot.
4. Xây dựng hệ thống giám sát và điều khiển từ xa: Phát triển giao diện người dùng trực quan trên nền tảng web hoặc di động để giám sát quá trình làm việc của robot, điều khiển và cập nhật bản đồ từ xa. Thời gian thực hiện: 9 tháng, chủ thể: nhóm phát triển phần mềm.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và phát triển robot dịch vụ: Có thể áp dụng các phương pháp quét bản đồ, định vị và thuật toán bao phủ để phát triển các robot hút bụi hoặc robot dịch vụ khác.
2. Kỹ sư phần mềm ROS: Tham khảo cách tích hợp các node ROS, xây dựng hệ thống điều khiển robot và xử lý dữ liệu cảm biến trong môi trường ROS.
3. Doanh nghiệp sản xuất robot hút bụi: Áp dụng thuật toán CCD* và các giải pháp định vị để nâng cao hiệu quả và độ chính xác của sản phẩm.
4. Sinh viên và giảng viên ngành hệ thống thông tin, kỹ thuật máy tính: Sử dụng luận văn làm tài liệu học tập, nghiên cứu về ứng dụng ROS, thuật toán lập trình robot và xử lý bản đồ lưới.

Câu hỏi thường gặp

1. Robot hút bụi iRobot sử dụng cảm biến gì để quét bản đồ?
   Robot sử dụng cảm biến laser Hokuyo UTM-30LX với phạm vi quét từ 100mm đến 30m, độ chính xác ±30mm, quét trong góc 270º để thu thập dữ liệu môi trường phục vụ xây dựng bản đồ.

2. Thuật toán CCD có ưu điểm gì so với các thuật toán bao phủ khác?*
   CCD* kết hợp thuật toán D* để tìm đường đi ngắn nhất khi gặp vật cản mới và thuật toán Path Transform để sinh đường đi bao phủ toàn bộ, giúp giảm tỷ lệ bỏ sót và lặp lại đường đi so với các thuật toán ngẫu nhiên hoặc dựa trên camera.

3. Làm thế nào để robot định vị chính xác trên bản đồ?
   Robot sử dụng thuật toán AMCL dựa trên dữ liệu laser và bản đồ lưới đã quét, kết hợp với dữ liệu odom từ node kobuki để xác định vị trí hiện tại trên bản đồ với sai số nhỏ.

4. Phương pháp điều khiển robot trong ROS được thực hiện như thế nào?
   Robot được điều khiển thông qua mô hình publisher/subscriber, trong đó các lệnh vận tốc được gửi dưới dạng message Twist đến topic /mobile_base/commands/velocity, và vị trí robot được nhận từ topic /odom.

5. Có thể áp dụng hệ thống này cho các loại robot khác không?
   Có thể, hệ thống được thiết kế dựa trên ROS và các thuật toán chuẩn, do đó có thể điều chỉnh và áp dụng cho các robot có cấu hình cảm biến và kích thước khác nhau với một số tùy biến phần mềm.

Kết luận

• Đã xây dựng thành công hệ thống điều khiển robot hút bụi iRobot trên môi trường ROS, tích hợp robot Kobuki và cảm biến laser Hokuyo.
• Quét bản đồ môi trường chính xác trên cả giả lập và thực tế, chuyển đổi dữ liệu sang bản đồ lưới phục vụ thuật toán bao phủ.
• Thuật toán định vị AMCL và các hàm điều khiển robot hoạt động ổn định, đáp ứng yêu cầu di chuyển và định vị trong môi trường phức tạp.
• Thuật toán CCD* triển khai thành công, giúp robot bao phủ toàn bộ khu vực làm việc, tự động xử lý vật cản mới.
• Đề xuất các hướng phát triển tiếp theo bao gồm tối ưu định vị, điều khiển thích ứng, mở rộng ứng dụng và phát triển hệ thống giám sát từ xa.

Luận văn mở ra cơ hội ứng dụng rộng rãi cho các hệ thống robot dịch vụ thông minh, góp phần nâng cao chất lượng cuộc sống và hiệu quả lao động. Để tiếp tục phát triển, nhóm nghiên cứu khuyến khích các nhà phát triển và doanh nghiệp áp dụng, thử nghiệm và cải tiến các giải pháp trong thực tế.