Giới thiệu dự án

Trong kỷ nguyên Cách mạng Công nghiệp 4.0, tự động hóa và công nghệ robot di động (Autonomous Mobile Robots - AMR) đang trở thành trụ cột của các hệ thống logistics thông minh, kho bãi tự động và hoạt động trinh sát môi trường nguy hiểm. Theo các báo cáo thị trường gần đây, ngành công nghiệp robot di động toàn cầu đạt tốc độ tăng trưởng kép hàng năm (CAGR) trên 19.5%, phản ánh nhu cầu cấp thiết về các giải pháp tự hành an toàn, chính xác và tối ưu chi phí.

Một trong những bài toán hóc búa nhất của robot tự hành là khả năng định vị và lập bản đồ đồng thời (Simultaneous Localization and Mapping - SLAM) trong môi trường kín (GPS-denied environments) hoặc các khu vực rủi ro cao đối với con người như hang động, vùng sụp đổ, nhà xưởng cháy nổ. Các giải pháp AGV (Automated Guided Vehicle) truyền thống phụ thuộc vào vạch từ hay mã QR dán sàn thiếu tính linh hoạt khi môi trường thay đổi. Ngược lại, các robot AMR cao cấp sử dụng cảm biến công nghiệp đắt tiền lại khó tiếp cận đối với các ứng dụng vừa và nhỏ hoặc mục đích nghiên cứu ứng dụng.

Đồ án tốt nghiệp ngành Hệ thống Nhúng và IoT tại Trường Đại học Sư phạm Kỹ thuật TP.HCM với đề tài "Xây dựng Robot Di động Sử dụng LiDAR Hỗ trợ Khám phá Môi trường" giải quyết trực tiếp thách thức này bằng cách xây dựng một hệ thống robot bánh xích mã nguồn mở, tích hợp cảm biến LiDAR và thị giác máy tính với chi phí tối ưu.

Mục tiêu cụ thể của dự án được xác định rõ ràng:

  1. Thiết kế và chế tạo mô hình robot di động sử dụng khung gầm bánh xích linh hoạt, có khả năng vượt địa hình gồ ghề và mang tải ổn định.
  2. Xây dựng cấu trúc điều khiển phân tầng (Hierarchical Architecture) tách biệt giữa máy tính nhúng trung tâm Raspberry Pi 4 Model B (4GB) và vi điều khiển điều khiển động cơ Arduino Nano.
  3. Tích hợp cảm biến LiDAR LD19 (công nghệ DTOF) và Webcam Full HD Rapoo XW180 để thu thập dữ liệu không gian và stream hình ảnh thời gian thực.
  4. Triển khai thuật toán SLAM Toolbox trên hệ điều hành robot ROS2 (Robot Operating System 2) để tự động tái tạo bản đồ 2D với sai số kích thước dưới 3%.
  5. Xây dựng hệ thống điều khiển từ xa, giám sát trực quan thông qua giao diện RViz2 và mạng truyền thông không dây băng tần kép.
                  +-----------------------------------+
                  |  Trạm điều khiển (PC / RViz2 GUI) |
                  +-----------------+-----------------+
                                    ^ (ROS2 DDS / WiFi 5GHz)
                                    v
+-----------------------------------+-----------------------------------+
| ROBOT DI ĐỘNG                                                         |
|                                                                       |
|  +--------------------+                   +------------------------+  |
|  | Cảm biến LiDAR     |                   | Camera Rapoo XW180     |  |
|  | DTOF LD19 (360°)   |                   | (1080p @ 30 FPS)       |  |
|  +---------+----------+                   +-----------+------------+  |
|            | (UART 230400 bps)                        | (USB 2.0)     |
|            v                                          v               |
|  +---------+------------------------------------------+------------+  |
|  |             MÁY TÍNH NHÚNG TRUNG TÂM: RASPBERRY PI 4B           |  |
|  |            (ROS2 Humble, SLAM Toolbox, Nav2 Costmap)            |  |
|  +-----------------------------+-----------------------------------+  |
|                                | (UART / ROS Serial)                  |
|                                v                                      |
|  +-----------------------------+-----------------------------------+  |
|  |             MOTOR CONTROLLER: ARDUINO NANO                      |  |
|  |                  (PID Control Loop @ 50Hz)                      |  |
|  +--------------------+-------------------+------------------------+  |
|                       | (PWM / DIR)       ^ (Encoder A/B)             |
|                       v                   |                           |
|  +--------------------+-------------------+------------------------+  |
|  | Driver L298N  -->  2x Động cơ DC Giảm tốc có Encoder (Bánh xích)|  |
|  +-----------------------------------------------------------------+  |
|                                                                       |
|  +-----------------------------------------------------------------+  |
|  | NGUỒN CẤP: Pin Li-ion 4S (14.8V-16.8V) -> 2x Buck DC-DC XL4015   |  |
|  +-----------------------------------------------------------------+  |
+-----------------------------------------------------------------------+

Phạm vi nghiên cứu tập trung vào môi trường trong nhà (indoor) với diện tích từ $50\text{ m}^2$ đến $200\text{ m}^2$, địa hình mặt phẳng hoặc dốc nhẹ. Giới hạn đề tài nằm ở việc chưa xử lý nhận diện vật cản 3D trên cao và thuật toán tập trung vào lập bản đồ 2D thời gian thực.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Quá trình khảo sát các thuật toán SLAM 2D hiện hành trên nền tảng ROS cho thấy sự khác biệt rõ rệt về hiệu năng tính toán và độ chính xác:

Thuật toán SLAM Cảm biến yêu cầu Ưu điểm Hạn chế Mức độ phù hợp với đề tài
Hector SLAM LiDAR tốc độ cao, IMU Không yêu cầu Odometry, tính toán nhanh Dễ mất dấu khi robot quay nhanh, không hỗ trợ loop closure lớn Trung bình
Gmapping LiDAR + Odometry bánh xe Dễ cấu hình, thuật toán Rao-Blackwellized Particle Filter chuẩn Tiêu tốn nhiều RAM/CPU khi map mở rộng, khó sửa sai bản đồ cũ Khá
Karto SLAM LiDAR + Odometry Tối ưu đồ thị (Graph-based), độ chính xác ổn định Tốc độ xử lý giảm dần khi số lượng node tăng cao Khá
SLAM Toolbox LiDAR + Odometry + IMU Quản trị đồ thị linh hoạt, hỗ trợ Lifelong Mapping, tối ưu hóa đa luồng Yêu cầu cấu hình tham số kỹ lưỡng Tối ưu nhất (Lựa chọn)

Định mức yêu cầu kỹ thuật theo mô hình MoSCoW:

  • Must Have (Bắt buộc): Quét laser 360 độ tần số $\ge 10\text{ Hz}$, điều khiển động cơ vòng kín với phản hồi encoder, truyền nhận lệnh qua ROS2 topic, tạo bản đồ 2D tĩnh không bị méo.
  • Should Have (Nên có): Stream video 1080p độ trễ $< 200\text{ ms}$, giao diện hiển thị RViz2 đầy đủ transform tree (TF).
  • Could Have (Có thể có): Cơ chế chống trôi tích phân PID (Anti-windup), tính năng tự động lưu bản đồ định dạng .pgm và .yaml.
  • Won't Have (Chưa thực hiện): Điều hướng tự động vượt chướng ngại vật 3D trên không, hệ thống sạc tự động (Auto-docking).

Thiết kế hệ thống

Kiến trúc hệ thống phần mềm dựa trên nền tảng ROS2 Humble Hawksbill cài đặt trên hệ điều hành Ubuntu 22.04 LTS Server 64-bit:

  • Cấu hình phần cứng xử lý: Bo mạch Raspberry Pi 4 Model B trang bị SoC Broadcom BCM2711, 4 nhân ARM Cortex-A72 xung nhịp 1.5 GHz, 4GB LPDDR4 RAM.
  • Cảm biến LiDAR LD19: Công nghệ DTOF (Direct Time of Flight), bước sóng laser 905 nm, phạm vi đo $0.02\text{ m} - 12\text{ m}$, tần số lấy mẫu $4500\text{ Hz}$, tần số quét $10\text{ Hz}$, độ chính xác $\pm 45\text{ mm}$, giao tiếp UART baudrate 230400 bps.
  • Cơ cấu chấp hành và Driver: Vi điều khiển ATmega328P (Arduino Nano) phụ trách điều chế xung PWM tần số $20\text{ kHz}$ qua mạch cầu H kép L298N, điều khiển 2 động cơ DC giảm tốc kèm đĩa quang encoder hai kênh pha A/B.
  • Thiết kế nguồn điện: Khối pin Li-ion 4S (điện áp danh định $14.8\text{ V}$, sạc đầy $16.8\text{ V}$, dung lượng $4000\text{ mAh}$) cung cấp năng lượng qua hai mạch giảm áp Buck DC-DC XL4015 độc lập: một đường hạ áp về $5.1\text{ V}/3\text{ A}$ nuôi riêng Raspberry Pi 4B, một đường hạ áp về $12\text{ V}/5\text{ A}$ cấp công suất cho driver động cơ. Việc cách ly nguồn này triệt tiêu xung nhiễu điện áp do cảm ứng từ cuộn dây động cơ gây sập nguồn máy tính nhúng.

Hệ thống giao tiếp thông qua các ROS2 Topics chuẩn:

Tên Topic Kiểu Message Tần số Mục đích
/scan sensor_msgs/msg/LaserScan 10 Hz Dữ liệu quét LiDAR 360 độ
/image_raw/compressed sensor_msgs/msg/CompressedImage 30 Hz Luồng hình ảnh nén từ camera
/cmd_vel geometry_msgs/msg/Twist 20 Hz Vận tốc dài và vận tốc góc đặt cho robot
/odom nav_msgs/msg/Odometry 50 Hz Tọa độ và vận tốc tính toán từ Encoder
/map nav_msgs/msg/OccupancyGrid 1 Hz Bản đồ lưới xác suất chiếm chỗ

Phương pháp luận (Methodology)

Quy trình phát triển hệ thống áp dụng mô hình lặp (Iterative Engineering):

  1. Giai đoạn 1 (CAD & Động học): Thiết kế mô hình 3D trên SolidWorks, xây dựng bảng thông số Denavit-Hartenberg (DH) và thiết lập mô hình động học vi sai (Differential Drive Kinematics).
  2. Giai đoạn 2 (Xử lý cấp thấp): Lập trình vi điều khiển Arduino, tinh chỉnh giải thuật PID vận tốc động cơ với bộ lọc số cho encoder.
  3. Giai đoạn 3 (Mô phỏng & Tích hợp ROS2): Xây dựng tệp mô tả robot URDF/Xacro, mô phỏng toàn diện cảm biến và chuyển động trên Gazebo trước khi triển khai phần cứng.
  4. Giai đoạn 4 (Triển khai thực tế & Đánh giá): Thử nghiệm chạy thực tế trong các điều kiện ánh sáng và cấu trúc phòng khác nhau, tinh chỉnh costmap và SLAM loop closure.

Implementation và kết quả

Quá trình phát triển và thuật toán cốt lõi

Động học thuận của robot di động hai bánh xích dẫn động vi sai được biểu diễn qua phương trình vận tốc thẳng $v$ và vận tốc góc $\omega$:

$$v = \frac{v_r + v_l}{2}, \quad \omega = \frac{v_r - v_l}{L}$$

Trong đó $v_r, v_l$ lần lượt là vận tốc tuyến tính của dải xích phải và dải xích trái, $L$ là khoảng cách giữa hai tâm tiếp xúc của dải xích ($L = 0.18\text{ m}$).

Tại tầng vi điều khiển, thuật toán PID rời rạc với chu kỳ lấy mẫu $T_s = 20\text{ ms}$ ($50\text{ Hz}$) được lập trình trên Arduino Nano để đảm bảo hai bánh xe quay đúng vận tốc mong muốn nhận được từ topic /cmd_vel:

// Thuật toán PID vận tốc động cơ với bộ khử bão hòa tích phân (Anti-windup)
double computePID(double setpoint, double measured, double &integral, double &prev_error, 
                  double Kp, double Ki, double Kd, double min_out, double max_out) {
    double error = setpoint - measured;
    integral += error * 0.02; // Ts = 0.02s
    
    // Anti-windup clamping
    if (integral > max_out) integral = max_out;
    else if (integral < min_out) integral = min_out;
    
    double derivative = (error - prev_error) / 0.02;
    prev_error = error;
    
    double output = (Kp * error) + (Ki * integral) + (Kd * derivative);
    
    // Giới hạn điện áp PWM đầu ra
    if (output > max_out) output = max_out;
    if (output < min_out) output = min_out;
    
    return output;
}

Trên máy tính nhúng Raspberry Pi 4B, tệp cấu hình tham số slam_toolbox_params.yaml được tối ưu hóa cho cảm biến LD19:

slam_toolbox:
  ros__parameters:
    solver_plugin: solver_plugins::CeresSolver
    ceres_linear_solver: SPARSE_NORMAL_CHOLESKY
    ceres_preconditioner: JACOBI
    map_frame: map
    odom_frame: odom
    base_frame: base_footprint
    scan_topic: /scan
    mode: mapping
    minimum_travel_distance: 0.10
    minimum_travel_heading: 0.08
    scan_buffer_size: 15
    link_match_minimum_response_fine: 0.8
    resolution: 0.05
    max_laser_range: 12.0

Thử nghiệm và đánh giá thực nghiệm

Hệ thống được thử nghiệm qua 2 môi trường: môi trường ảo hóa nhà kho trên Gazebo và môi trường thực tế tại phòng thí nghiệm diện tích $8\text{ m} \times 6\text{ m}$.

      +----------------- 8.0 m -----------------+
      | [Vật cản A]                             |
      |                     +-------+           |
      |                     | Bàn   |           |
      |                     | thí   |           |
      |  (Bắt đầu)          | nghiệm|           |
 6.0 m|     [ROBOT] ---->   +-------+           |
      |        |                                |
      |        v                                |
      |   (Quỹ đạo quét)                        |
      |                     [Cửa ra vào]        |
      +-----------------------------------------+

Độ chính xác đo khoảng cách của cảm biến LiDAR LD19 hiển thị trong RViz2 so với khoảng cách đo thực tế bằng thước laser chuẩn:

Điểm đo kiểm Khoảng cách thực tế (m) Đo được trên RViz (m) Sai số tuyệt đối (mm) Tỉ lệ sai số (%)
Vị trí 1 1.000 0.992 8 0.80%
Vị trí 2 2.000 1.985 15 0.75%
Vị trí 3 3.500 3.472 28 0.80%
Vị trí 4 5.000 4.960 40 0.80%
Vị trí 5 8.000 7.935 65 0.81%

Kết quả đạt được

  • Tải hệ thống: Tần số xử lý trung bình của node SLAM Toolbox đạt $10\text{ Hz}$ đồng bộ với tốc độ quét của LiDAR. CPU Raspberry Pi 4B duy trì ở mức $68% - 74%$, nhiệt độ $58^\circ\text{C}$ (với quạt tản nhiệt chủ động), RAM tiêu thụ $1.85\text{ GB} / 4.0\text{ GB}$.
  • Hiệu năng Streaming: Luồng video nén chuẩn MJPEG truyền qua ROS2 image topic đạt độ phân giải 720p @ 25 FPS với độ trễ mạng trung bình $145\text{ ms}$ trong phạm vi phủ sóng WiFi $25\text{ m}$.
  • Độ chính xác bản đồ: Bản đồ Occupancy Grid 2D xuất ra có độ phân giải $0.05\text{ m/pixel}$ ($5\text{ cm}$), thể hiện rõ nét các góc tường, chân bàn ghế và các chướng ngại vật cố định mà không xuất hiện hiện tượng vỡ map hay bóng ma (ghost obstacles).

Đổi mới và đóng góp

  1. Kiến trúc phần cứng phân tán tối ưu chi phí: Khác với các thiết kế robot truyền thống sử dụng máy tính công nghiệp đắt tiền hoặc cắm trực tiếp chân điều khiển vào GPIO của máy tính nhúng, giải pháp sử dụng Arduino Nano làm bộ đệm điều khiển cấp thấp giúp giải phóng hoàn toàn CPU Raspberry Pi 4 cho các tác vụ nặng (SLAM, Image Processing, DDS Network).
  2. Triển khai SLAM Toolbox trên ROS2: Đa số các đồ án trước đây chỉ ứng dụng Gmapping trên ROS1 (đã ngừng hỗ trợ). Dự án này đi tiên phong trong việc chuẩn hóa toàn bộ pipeline trên nền tảng ROS2 Humble, tận dụng giao thức DDS (Data Distribution Service) cho phép giao tiếp phi tập trung, tăng độ tin cậy và khả năng mở rộng đa robot (Multi-agent System).
  3. Cải tiến độ bám và khả năng vượt địa hình: Việc ứng dụng cơ cấu bánh xích thay vì bánh xe vi sai cao su thông thường giúp robot hoạt động ổn định trên các bề mặt trơn trượt, thảm hoặc gờ giảm tốc nhẹ trong môi trường công nghiệp mà không làm trượt bánh gây sai số odometry nghiêm trọng.
  4. Hiệu quả kinh tế: Giảm thiểu hơn $75%$ chi phí chế tạo so với việc nhập khẩu các kit robot nghiên cứu tương đương như TurtleBot3 Burger hoặc Pioneer P3-DX, trong khi vẫn cung cấp đầy đủ khả năng quét LiDAR 360 độ và stream video thời gian thực.

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế

  • Trinh sát môi trường độc hại/sập đổ: Robot có thể được điều khiển đi vào các khu vực nghi rò rỉ khí gas, hầm lò hoặc tòa nhà có nguy cơ sập sau thảm họa. Dữ liệu LiDAR kết hợp video Full HD giúp đội cứu hộ tái dựng mặt bằng và quan sát từ khoảng cách an toàn.
  • Khảo sát tạo bản đồ số cho nhà xưởng: Robot tự động di chuyển quét các phân xưởng sản xuất để tạo bản đồ số (Digital Map) hỗ trợ việc tích hợp các hệ thống xe tự hành AGV vận chuyển hàng tự động.
  • Hỗ trợ đào tạo và nghiên cứu: Trở thành nền tảng phần cứng chuẩn (Open Platform) cho các phòng thí nghiệm đại học phục vụ nghiên cứu các thuật toán Path Planning (A*, Dijkstra, TEB Local Planner) và Multi-sensor Fusion.
       [Khu vực khảo sát nguy hiểm]
                    |
                    v
    +-------------------------------+
    |  Robot di động LiDAR LD19     |
    |  - Quét 2D SLAM               |
    |  - Stream Camera Full HD      |
    +---------------+---------------+
                    |
                    | (WiFi 2.4GHz / 5GHz)
                    v
    +-------------------------------+
    |  Trung tâm chỉ huy cứu nạn    |
    |  - Bản đồ thời gian thực      |
    |  - Quan sát hình ảnh trực tiếp|
    +-------------------------------+

Bảng dự toán chi phí phần cứng (BOM)

Linh kiện Thông số kỹ thuật chính Số lượng Chi phí ước tính (VNĐ)
Raspberry Pi 4 Model B 4GB RAM, Broadcom BCM2711 1 1.850.000
Cảm biến LiDAR LD19 DTOF 360°, 12m, 4500Hz, UART 1 1.950.000
Webcam Rapoo XW180 Full HD 1080p, Noise Reduction 1 420.000
Vi điều khiển Arduino Nano ATmega328P CH340 1 85.000
Mạch cầu H L298N Dual H-Bridge Driver 1 55.000
Mạch Buck DC-DC XL4015 5A High Power Step-down 2 70.000
Động cơ DC giảm tốc + Encoder 12V, 330 RPM, Encoder Hall 2 kênh 2 360.000
Bộ khung gầm bánh xích + Pin Khung nhôm, Pin Li-ion 4S 4000mAh 1 950.000
Tổng chi phí phần cứng 5.740.000 VNĐ

Lộ trình triển khai (Roadmap)

[Quý 1: Tối ưu hóa Odometry & IMU Fusion (EKF)]
       │
       ▼
[Quý 2: Triển khai Điều hướng tự hành Nav2 (Path Planning)]
       │
       ▼
[Quý 3: Nâng cấp Edge AI (YOLOv8) nhận diện vật thể thời gian thực]
  • Giai đoạn 1 (1-2 tháng): Tích hợp cảm biến quán tính IMU 9 trục (MPU9250) kết hợp thuật toán Extended Kalman Filter (EKF) thông qua package robot_localization để triệt tiêu hoàn toàn sai số trôi dạt odometry khi quay góc lớn.
  • Giai đoạn 2 (2-3 tháng): Thiết lập trọn vẹn ngăn xếp điều hướng tự động ROS2 Navigation2 (Nav2), thiết lập các vùng cấm di chuyển (Keep-out zones) trên bản đồ tĩnh.
  • Giai đoạn 3 (3-4 tháng): Tích hợp bo mạch tăng tốc trí tuệ nhân tạo (như Hailo-8L hoặc nâng cấp lên Jetson Orin Nano) để chạy mạng nơ-ron nhận diện biển báo, người và chướng ngại vật động.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Cảm biến LiDAR 2D: Chỉ quét dữ liệu trên một mặt phẳng phẳng cắt ngang ngang thân robot, dẫn đến việc không thể phát hiện các vật cản thấp hơn sàn quét hoặc các chướng ngại vật treo lơ lửng trên cao.
  • Nhiễu quang học: Cảm biến DTOF LD19 sử dụng ánh sáng hồng ngoại bước sóng $905\text{ nm}$ dễ bị suy giảm độ chính xác và xuất hiện nhiễu khi hoạt động ngoài trời dưới ánh nắng mặt trời gắt hoặc môi trường có nhiều bề mặt gương kính phản chiếu.
  • Thời lượng pin: Bộ pin $4S\text{ }4000\text{ mAh}$ duy trì hoạt động liên tục trong khoảng $1.5 - 2.0\text{ giờ}$ khi chạy đồng thời SLAM, xử lý video và kéo tải động cơ liên tục.

Hướng nâng cấp đề xuất

  • Bổ sung cảm biến độ sâu RGB-D Camera (như Intel RealSense D435i) để chuyển đổi sang hệ thống 3D Visual-LiDAR SLAM đa phương thức.
  • Ứng dụng giao thức truyền thông không dây tầm xa LoRaWAN cho dữ liệu tọa độ telemetry kết hợp mạng 4G/5G để stream dữ liệu khi robot hoạt động ngoài tầm phủ sóng của mạng WiFi cục bộ.

Đối tượng hưởng lợi

  • Sinh viên & Nghiên cứu sinh: Cung cấp tài liệu tham khảo chi tiết về chu trình khép kín phát triển một robot AMR từ thiết kế phần cứng, tính toán động học, lập trình vi điều khiển đến cấu hình các package chuyên sâu trên hệ điều hành ROS2.
  • Kỹ sư & Lập trình viên Hệ thống nhúng: Nắm bắt kỹ thuật tách tầng kiến trúc phần cứng, phương pháp chống nhiễu nguồn công suất lớn và cách thức tối ưu hóa luồng truyền dữ liệu UART/DDS trên vi điều khiển và máy tính nhúng.
  • Doanh nghiệp & Đơn vị sản xuất vừa và nhỏ: Sở hữu giải pháp mẫu có chi phí khả thi để phát triển các dòng sản phẩm robot chuyên dụng như robot lau sàn công nghiệp, robot giám sát an ninh tuần tra ban đêm hoặc robot vận chuyển nội bộ.
  • Lực lượng cứu nạn & Quan trắc: Có thêm phương án phương tiện cơ động chi phí thấp để khảo sát tiền trạm, giảm thiểu rủi ro sinh mạng cho con người trong các tình huống khẩn cấp.

Câu hỏi thường gặp

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

Hệ thống yêu cầu tối thiểu một máy tính nhúng có cấu trúc vi xử lý 64-bit (tối thiểu 4 nhân ARM, xung nhịp $\ge 1.5\text{ GHz}$), dung lượng RAM tối thiểu $2\text{ GB}$ (khuyến nghị $4\text{ GB}$ để chạy ổn định ROS2 và SLAM), kèm thẻ nhớ MicroSD Class 10 U3 tốc độ cao. Cảm biến LiDAR cần có tần số quét tối thiểu $5\text{ Hz}$ và giao tiếp UART chuẩn.

2. Robot có thể lập bản đồ không gian rộng tối đa bao nhiêu mét vuông mà không bị trôi tọa độ?

Với cấu hình tham số hiện tại của SLAM Toolbox kết hợp Ceres Solver, robot hoạt động tối ưu trong không gian kín lên đến $500\text{ m}^2$. Khi mở rộng không gian lớn hơn, cần bổ sung thêm cảm biến quán tính IMU chất lượng cao và cấu hình chế độ Lifelong Mapping để thực hiện đóng vòng lặp (Loop Closure) định kỳ.

3. Làm thế nào để tích hợp robot này với hệ thống quản lý kho (WMS) hoặc IoT Server hiện có?

Do xây dựng trên nền tảng ROS2, robot có thể dễ dàng kết nối với các hệ thống máy chủ bên ngoài thông qua ROS2 Bridge hoặc giao thức MQTT/WebSocket. Dữ liệu bản đồ tọa độ và trạng thái pin có thể được đóng gói dưới dạng JSON và gửi về WMS qua API RESTful hoặc Kafka stream.

4. Tần suất bảo trì và các điểm cần lưu ý về mặt kỹ thuật phần cứng/phần mềm là gì?

  • Phần cứng: Cần kiểm tra độ căng của dải xích cao su và làm sạch bụi quang học trên bề mặt thấu kính LiDAR sau mỗi 50 giờ hoạt động. Đảm bảo điện áp các cell pin Li-ion luôn cân bằng thông qua mạch BMS.
  • Phần mềm: Cần sao lưu định kỳ các file cấu hình .yaml và hiệu chuẩn lại hệ số xung Encoder (Ticks per meter) khi thay đổi loại bánh xích hoặc bề mặt sàn hoạt động.

5. Chi phí đầu tư chế tạo mô hình và thời gian hoàn vốn (ROI) dự kiến?

Tổng chi phí linh kiện phần cứng để hoàn thiện một mô hình hoàn chỉnh rơi vào khoảng $5.5 - 6.0\text{ triệu VNĐ}$. Đối với các doanh nghiệp ứng dụng vào việc khảo sát tự động hóa hoặc đào tạo nội bộ, giải pháp này giúp tiết kiệm đến $70% - 80%$ chi phí đầu tư ban đầu so với việc mua các kit thương mại, mang lại thời gian hoàn vốn ước tính dưới 6 tháng.

Kết luận

Đồ án tốt nghiệp "Xây dựng Robot Di động Sử dụng LiDAR Hỗ trợ Khám phá Môi trường" đã hoàn thành xuất sắc các mục tiêu đề ra cả về mặt lý thuyết lẫn thực nghiệm chế tạo. Dự án chứng minh tính khả thi vượt trội của việc kết hợp kiến trúc điều khiển phân tầng giữa máy tính nhúng Raspberry Pi 4 và Arduino Nano, tận dụng sức mạnh của cảm biến DTOF LiDAR LD19 và thuật toán SLAM Toolbox trên nền tảng ROS2 Humble.

Kết quả của đề tài không chỉ cung cấp một mô hình robot di động bánh xích vận hành ổn định, chính xác với sai số đo đạc dưới 1%, mà còn đóng góp một bộ tài liệu kỹ thuật hoàn chỉnh về quy trình thiết kế, chế tạo và cấu hình robot tự hành mã nguồn mở. Hệ thống mở ra tiềm năng ứng dụng to lớn trong công tác cứu hộ cứu nạn, số hóa mặt bằng công nghiệp và là bước đệm vững chắc cho các nghiên cứu chuyên sâu về xe tự hành thông minh trong tương lai.