Giới thiệu dự án
Trong bối cảnh chuyển đổi số và tự động hóa khuôn viên học đường (Smart Campus), nhu cầu ứng dụng robot dịch vụ nhằm nâng cao chất lượng quản lý, hướng dẫn thông tin và giảm tải áp lực hành chính ngày càng trở nên cấp thiết. Theo các báo cáo từ Liên đoàn Robot Quốc tế (IFR), thị trường robot dịch vụ chuyên nghiệp đạt mức tăng trưởng kép hàng năm (CAGR) trên 15% trong giai đoạn 2020–2025. Tuy nhiên, phần lớn các giải pháp lễ tân thương mại hiện nay đều có chi phí đầu tư rất cao (dao động từ 15.000 đến 35.000 USD), kiến trúc đóng kín và chưa tích hợp linh hoạt các nghiệp vụ học đường như tra cứu học phí, liên thông cổng thông tin đào tạo hay cơ chế tương tác thang máy liên tầng.
Đồ án "Xây dựng robot lễ tân ứng dụng trong trường học" được nghiên cứu và phát triển bởi nhóm sinh viên ngành Công nghệ Kỹ thuật Điều khiển và Tự động hóa – Trường Đại học Sư phạm Kỹ thuật TP.HCM (HCMUTE), dưới sự hướng dẫn của TS. Đặng Xuân Ba. Đề tài giải quyết trực tiếp bài toán chế tạo một hệ thống robot dịch vụ thông minh tự hành với chi phí tối ưu, tích hợp khả năng định vị dẫn đường, giao tiếp đa phương thức và tương tác vật lý.
+-----------------------------------------------------------------------------------+
| KIẾN TRÚC TỔNG THỂ ROBOT |
+-----------------------------------------------------------------------------------+
| [Tương tác & Xử lý AI] |
| - Google Vertex AI LLM (Hỏi đáp ngữ cảnh) |
| - gTTS & SpeechRecognition (Voice Pipeline Tiếng Việt) |
| - MediaPipe (Face/Pose Tracking 33 landmarks) |
| - Stereo Camera (Định vị 3D nút thang máy) |
+-----------------------------------------------------------------------------------+
|
v
+-----------------------------------------------------------------------------------+
| [Hệ điều hành Robot - ROS Noetic trên Ubuntu 20.04 LTS] |
| - SLAM: SLAMTEC M1M1 Mapper (Tạo bản đồ Lidar 2D, diện tích 300x300m) |
| - Navigation Stack: Dijkstra (Global Planner) + DWA (Local Planner) |
| - Quản lý tọa độ Waypoint: MySQL Database Server |
+-----------------------------------------------------------------------------------+
|
v
+-----------------------------------------------------------------------------------+
| [Phần cứng & Điều khiển tầng thấp (Low-Level Hardware)] |
| - Mobile Base: 2 bánh vi sai + 2 bánh dẫn hướng (Động cơ DC Servo JGB37-545) |
| - Bộ điều khiển chuyển động: Arduino Mega 2560 Pro + Driver BTS7960 (PID) |
| - Cơ cấu ấn thang máy: Cánh tay 3 bậc tự do (Nema 17 Stepper + Driver A4988) |
| - Truyền thông IoT: ESP8266 Wi-Fi (MQTT HiveMQ Cloud / WebRTC / Flask / Ngrok) |
+-----------------------------------------------------------------------------------+
Mục tiêu kỹ thuật cốt lõi
- Thiết kế phần cứng: Chế tạo khung vỏ hình trụ nhân bản (chiều cao 140 cm, đường kính đế 60 cm, trọng lượng 30 kg), tối ưu hóa trọng tâm và phân bố động lực học cho hệ 2 bánh vi sai kết hợp 2 bánh xoay đa hướng (caster).
- Xây dựng hệ thống dẫn đường tự hành: Tích hợp cảm biến Lidar SLAMTEC Mapper M1M1 cùng thuật toán SLAM (Simultaneous Localization and Mapping), hoạch định đường đi toàn cục với Dijkstra và tránh vật cản động thời gian thực bằng Dynamic Window Approach (DWA).
- Cơ chế ấn thang máy cơ học: Tính toán động học thuận/nghịch cho cánh tay 3 bậc tự do (3-DOF), kết hợp camera kép (Stereo Camera) để nhận diện tọa độ không gian $(X, Y, Z)$ của bảng điều khiển nút bấm.
- Giao tiếp và nhận thức đa giác quan: Xây dựng hệ thống tương tác giọng nói tiếng Việt hai chiều (Speech-to-Text, Text-to-Speech), tích hợp mô hình ngôn ngữ lớn (LLM) qua Vertex AI và bám bắt chuyển động người (Person Tracking) bằng Google MediaPipe.
- Giám sát và điều phối từ xa: Phát triển giao diện Web/GUI đa nền tảng kết nối qua MQTT Broker (HiveMQ Cloud), truyền phát video trực tiếp (Video Streaming) thông qua Flask Server và đường hầm Ngrok.
- Tích hợp cơ sở dữ liệu học đường: Lưu trữ và quản lý danh sách tọa độ các phòng ban (Waypoint Navigation) trên MySQL Workbench, hỗ trợ kết nối trang quản lý đào tạo và cổng thanh toán học phí trực tuyến.
Phạm vi và giới hạn kỹ thuật
- Môi trường hoạt động: Khuôn viên trong nhà (Indoor), bề mặt sàn phẳng có độ dốc $< 5^\circ$, không gian quét bản đồ tối đa $300 \times 300\text{ m}$.
- Hệ thống cảm biến: Định vị 2D dựa trên Lidar quét đơn mặt phẳng kết hợp Odometry từ encoder động cơ DC; xử lý thị giác qua Stereo Camera độ phân giải HD 720p.
- Giới hạn nhận dạng: Nhận dạng giọng nói và hội thoại phụ thuộc vào độ ổn định của kết nối Internet tới hạ tầng máy chủ đám mây (Google Cloud Services).
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
| Tiêu chí so sánh |
Robot Pangolin Amy (Thương mại) |
Viettel VOR (Nghiên cứu) |
Robot Lễ tân HCMUTE (Đồ án) |
| Hệ thống điều hướng |
Lidar 2D + Mốc sàn (Reflector) |
2D Lidar SLAM tiêu chuẩn |
SLAMTEC M1M1 Mapper tích hợp SLAM phần cứng |
| Tương tác thang máy |
Giao tiếp không dây qua IoT Module |
Không hỗ trợ |
Cánh tay robot 3-DOF kết hợp Stereo Vision 3D |
| Nền tảng trí tuệ nhân tạo |
Chatbot cục bộ theo kịch bản mẫu |
Nhận diện giọng nói cơ bản |
Mô hình ngôn ngữ lớn Google Vertex AI + MediaPipe |
| Cơ sở dữ liệu phòng ban |
Cấu hình cứng (Hardcoded Config) |
Quản lý qua máy chủ trung tâm |
Quản lý động qua cơ sở dữ liệu MySQL Workbench |
| Khả năng mở rộng phần mềm |
Kiến trúc đóng, khó tùy chỉnh |
Module ROS nội bộ |
Mã nguồn mở trên nền tảng ROS Noetic / Python 3 |
| Chi phí ước tính phần cứng |
12.000 – 18.000 USD |
8.000 – 10.000 USD |
< 1.200 USD |
Phân loại yêu cầu người dùng theo mô hình MoSCoW
- Must-have (Bắt buộc có): Tự động xây dựng bản đồ, điều hướng tránh vật cản động, di chuyển chính xác đến các phòng ban đã lưu, hiển thị giao diện cảm ứng tương tác, nhận dạng giọng nói cơ bản.
- Should-have (Nên có): Bám theo người dùng bằng thị giác máy tính, điều khiển cánh tay 3-DOF bấm thang máy khi di chuyển đa tầng, tra cứu học phí và quy chế đào tạo.
- Could-have (Có thể có): Giao tiếp ngôn ngữ tự nhiên thông minh bằng Generative AI, điều khiển thủ công và giám sát camera từ xa qua mạng diện rộng (WAN).
- Won't-have (Chưa triển khai trong giai đoạn này): Di chuyển trên địa hình bậc thang, tích hợp cánh tay mang vác hành lý tải trọng nặng.
Thiết kế hệ thống
Kiến trúc tổng thể phần mềm và phần cứng
Hệ thống vận hành theo mô hình phân tầng Master-Slave:
- Tầng xử lý trung tâm (High-Level Computing): Trang bị máy tính nhúng Mini PC chạy hệ điều hành Ubuntu 20.04 LTS và nền tảng Robot Operating System (ROS Noetic). Đảm nhận các tác vụ tính toán nặng bao gồm SLAM, Navigation Stack (Global/Local Planner), thị giác máy tính OpenCV/MediaPipe, giao tiếp API đám mây và Web Server.
- Tầng điều khiển chấp hành (Low-Level Microcontroller): Bo mạch Arduino Mega 2560 Pro kết nối với Mini PC qua giao tiếp UART/Serial. Vi điều khiển trực tiếp xuất xung PWM điều khiển động cơ DC Servo JGB37-545 thông qua mạch cầu H công suất kép BTS7960, đọc phản hồi từ Optical Encoder để chạy vòng lặp kín PID vận tốc.
- Tầng mở rộng IoT: Vi điều khiển ESP8266 nhận lệnh điều khiển thủ công và dữ liệu chuyển tầng từ Web Client thông qua giao thức MQTT (HiveMQ Cloud Broker), sau đó chuyển tiếp tín hiệu cho Arduino xử lý.
[Web Client / Mobile App]
│
(MQTT / Ngrok WAN)
▼
[ESP8266 NodeMCU] ────(UART)────┐
▼
[Mini PC - ROS Noetic] ──(UART)──> [Arduino Mega 2560] ──> [BTS7960] ──> [Động cơ DC]
├── SLAMTEC M1M1 Lidar └──> [A4988] ──> [Nema 17 Stepper]
├── Stereo Camera C310
└── Vertex AI / MySQL
Technology Stack và phiên bản công nghệ
- Hệ điều hành: Linux Ubuntu 20.04.6 LTS (Focal Fossa).
- Khung làm việc robot: ROS Noetic Ninjemys (C++11 / Python 3.8.10).
- Xử lý thị giác & AI: OpenCV 4.5.4, MediaPipe 0.8.11, Google Cloud Vertex AI Python SDK v1.38.0.
- Nhận diện giọng nói: SpeechRecognition 3.10.0, PyAudio 0.2.11, gTTS (Google Text-to-Speech) 2.3.2.
- Cơ sở dữ liệu & Giao diện: MySQL Server 8.0, PyQt5 / Qt Designer 5.15, Flask 2.2.5, HTML5/JavaScript.
- Giao thức mạng: MQTT v3.1.1 (HiveMQ Cloud), HTTP/HTTPS RESTful API, WebSocket.
Thiết kế cơ sở dữ liệu (Database Schema)
Bảng dữ liệu tbl_rooms trên MySQL lưu trữ tọa độ không gian 2D và góc định hướng (Yaw) của từng địa điểm trong trường:
CREATE TABLE tbl_rooms (
room_id VARCHAR(10) PRIMARY KEY,
room_name VARCHAR(100) NOT NULL,
pos_x FLOAT NOT NULL,
pos_y FLOAT NOT NULL,
pos_z FLOAT DEFAULT 0.0,
ori_x FLOAT DEFAULT 0.0,
ori_y FLOAT DEFAULT 0.0,
ori_z FLOAT NOT NULL,
ori_w FLOAT NOT NULL,
floor_number INT NOT NULL DEFAULT 1,
description TEXT
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;
Methodology
Quy trình nghiên cứu áp dụng phương pháp phát triển lặp xoắn ốc (Iterative Spiral Methodology) kết hợp kiểm thử mô phỏng (Model-in-the-Loop) trước khi triển khai phần cứng thực nghiệm:
+--------------------+ +----------------------+ +----------------------+
| 1. Khảo sát & Toán | ---> | 2. Thiết kế 3D CAD | ---> | 3. Mô phỏng Động học |
| (DH Parameters) | | (SolidWorks 2021) | | (Matlab/Simulink) |
+--------------------+ +----------------------+ +----------------------+
|
+--------------------+ +----------------------+ v
| 6. Đánh giá & Tối | <--- | 5. Tích hợp AI / ROS | <--- | 4. Thi công Phần cứng|
| ưu sai số | | (Navigation, DWA) | | (Arduino, BTS7960)|
+--------------------+ +----------------------+ +----------------------+
- Khảo sát và tính toán lý thuyết: Thiết lập mô hình toán học động học thuận/nghịch cho hệ truyền động 2 bánh vi sai và cánh tay 3 bậc tự do dựa trên phương pháp ma trận biến đổi tọa độ Denavit-Hartenberg (DH).
- Thiết kế cơ khí và phân tích tải: Dựng toàn bộ mô hình 3D trên phần mềm SolidWorks 2021, tối ưu hóa không gian chứa linh kiện, pin LiPo và vị trí lắp đặt cảm biến Lidar/Camera nhằm tránh điểm mù.
- Mô phỏng động học: Sử dụng Matlab/Simulink để kiểm chứng quỹ đạo chuyển động của xe và kiểm tra tính hội tụ của thuật toán điều khiển vị trí trước khi nạp code thực tế.
- Thi công phần cứng & Đấu nối mạch: Gia công khung vỏ kim loại và composite; lắp ráp động cơ bước Nema 17, động cơ DC Servo, mạch nguồn hạ áp và bộ giải mã xung Encoder.
- Lập trình tích hợp module: Phát triển song song các node ROS điều hướng, luồng xử lý thị giác MediaPipe/Stereo Camera và luồng kết nối API trợ lý ảo.
- Kiểm thử thực địa: Đánh giá sai số điều hướng, độ trễ nhận diện giọng nói và độ chính xác của cơ cấu ấn nút thang máy trong các điều kiện môi trường thực tế tại khuôn viên tòa nhà trung tâm HCMUTE.
Implementation và kết quả
Development process
Cơ sở động học và thuật toán điều khiển xe tự hành
Robot sử dụng hệ thống truyền động vi sai 2 bánh chủ động (bán kính $r = 0.05\text{ m}$, khoảng cách hai bánh $L = 0.45\text{ m}$) và 2 bánh caster tự lựa.
▲ Y_w (Tọa độ toàn cục)
│
│ Robot [X_r, Y_r]
│ ┌─────────┐
│ │ [+] │ (Bánh phải: v_R)
│ │ | │
│ │ *----> v (Vận tốc tức thời)
│ │ | │
│ │ [+] │ (Bánh trái: v_L)
│ └─────────┘
│ \ θ (Góc hướng - Yaw)
│ \
└──────────────────┴──────────────► X_w
Hệ phương trình vi phân mô tả chuyển động của robot trong hệ tọa độ toàn cục ${O, X_w, Y_w}$:
$$\begin{bmatrix} \dot{x}_t \ \dot{y}_t \ \dot{\theta}_t \end{bmatrix} = \begin{bmatrix} \cos\theta_t & 0 \ \sin\theta_t & 0 \ 0 & 1 \end{bmatrix} \begin{bmatrix} v_t \ \omega_t \end{bmatrix}$$
Mối liên hệ giữa vận tốc dài $v_t$, vận tốc góc $\omega_t$ của thân xe với vận tốc góc của bánh trái ($\dot{\phi}_L$) và bánh phải ($\dot{\phi}_R$):
$$v_t = \frac{r(\dot{\phi}_R + \dot{\phi}_L)}{2}, \quad \omega_t = \frac{r(\dot{\phi}_R - \dot{\phi}_L)}{L}$$
Nghịch đảo động học phục vụ điều khiển tầng chấp hành cấp thấp:
$$\dot{\phi}_R = \frac{v_t + \frac{\omega_t L}{2}}{r}, \quad \dot{\phi}_L = \frac{v_t - \frac{\omega_t L}{2}}{r}$$
Bảng thông số Denavit-Hartenberg (DH) cánh tay 3 bậc tự do
| Khâu ($i$) |
$\alpha_{i-1}$ |
$a_{i-1}$ |
$d_i$ |
$\theta_i$ |
| 1 |
$0^\circ$ |
$0$ |
$l_1 - l_3$ |
$\theta_1$ |
| 2 |
$90^\circ$ |
$0$ |
$0$ |
$\theta_2$ |
| 3 |
$0^\circ$ |
$l_2$ |
$0$ |
$\theta_3$ |
| Điểm cuối (EE) |
$0^\circ$ |
$l_4$ |
$0$ |
$0$ |
Tọa độ vị trí đầu công tác (End-Effector) so với hệ tọa độ gốc:
$$\begin{cases} P_x = l_4 \cos\theta_1 \cos(\theta_2 + \theta_3) + (l_1 - l_3)\sin\theta_1 + l_2 \cos\theta_1 \cos\theta_2 \ P_y = l_4 \sin\theta_1 \cos(\theta_2 + \theta_3) - (l_1 - l_3)\cos\theta_1 + l_2 \sin\theta_1 \cos\theta_2 \ P_z = l_4 \sin(\theta_2 + \theta_3) + l_2 \sin\theta_2 \end{cases}$$
Triển khai trích xuất dữ liệu độ sâu từ Stereo Camera (Python)
import cv2
import numpy as np
class StereoDepthEstimator:
def __init__(self, baseline=0.06, focal_length=700.0):
self.baseline = baseline # Khoang cach giua 2 camera (met)
self.focal_length = focal_length # Tieu cu (pixel)
self.stereo = cv2.StereoSGBM_create(
minDisparity=0,
numDisparities=16 * 4,
blockSize=5,
P1=8 * 3 * 5 ** 2,
P2=32 * 3 * 5 ** 2,
disp12MaxDiff=1,
uniquenessRatio=10,
speckleWindowSize=100,
speckleRange=32
)
def compute_3d_coordinates(self, img_left, img_right, target_pixel):
gray_l = cv2.cvtColor(img_left, cv2.COLOR_BGR2GRAY)
gray_r = cv2.cvtColor(img_right, cv2.COLOR_BGR2GRAY)
disparity_map = self.stereo.compute(gray_l, gray_r).astype(np.float32) / 16.0
u, v = target_pixel
disp = disparity_map[v, u]
if disp <= 0.0:
return None # Khong xac dinh duoc do sau
Z = (self.focal_length * self.baseline) / disp
X = (u - img_left.shape[1] / 2.0) * Z / self.focal_length
Y = (v - img_left.shape[0] / 2.0) * Z / self.focal_length
return np.array([X, Y, Z])
Testing và validation
Thông số kỹ thuật của cảm biến Lidar SLAMTEC Mapper M1M1
- Phạm vi quét: $20\text{ m}$ (Bán kính), diện tích quét $300\text{ m} \times 300\text{ m}$.
- Tốc độ lấy mẫu: $7000\text{ Hz}$.
- Tần số làm mới: $8\text{ Hz}$.
- Độ phân giải bản đồ: $0.05\text{ m}$ ($5\text{ cm}$).
- Độ chính xác tái định vị (Relocalization Accuracy): $< 0.02\text{ m}$ ($2\text{ cm}$).
- Góc quét: $360^\circ$ toàn hướng.
Lidar M1M1 Scan (360 độ, 7000Hz, R=20m)
\ | /
\ | /
Obstacle [x] o [x] Obstacle
/ | \
/ | \
Robot (Local Base)
Đánh giá sai số định vị thực tế tại các điểm kiểm tra (Waypoints)
| Điểm kiểm tra (Phòng) |
Tọa độ đặt $(X, Y)$ (m) |
Tọa độ đo thực tế $(X, Y)$ (m) |
Sai số khoảng cách $\Delta D$ (cm) |
Sai số góc quay $\Delta \theta$ (độ) |
| C201 |
$(3.45, 1.20)$ |
$(3.47, 1.22)$ |
$2.82$ |
$+0.8^\circ$ |
| C202 |
$(8.70, 1.20)$ |
$(8.74, 1.18)$ |
$4.47$ |
$-1.2^\circ$ |
| C203 |
$(14.10, 1.20)$ |
$(14.06, 1.23)$ |
$5.00$ |
$+1.5^\circ$ |
| C204 |
$(19.50, 1.20)$ |
$(19.54, 1.17)$ |
$5.00$ |
$-0.9^\circ$ |
| C205 |
$(24.80, 1.20)$ |
$(24.83, 1.22)$ |
$3.60$ |
$+1.1^\circ$ |
$$\Delta D = \sqrt{(X_{\text{thực}} - X_{\text{đặt}})^2 + (Y_{\text{thực}} - Y_{\text{đặt}})^2}$$
Sai số định vị trung bình đạt $4.18\text{ cm}$ và sai số hướng trung bình đạt $1.1^\circ$, hoàn toàn nằm trong dung sai cho phép đối với robot phục vụ trong nhà (ngưỡng an toàn quy định $< 10\text{ cm}$).
Kết quả đạt được
- Bản đồ hóa và Dẫn đường: Thuật toán Dijkstra cùng DWA Local Planner giúp robot di chuyển mượt mà với vận tốc tối đa $0.8\text{ m/s}$, tránh các vật cản động như người đi bộ trong hành lang với thời gian phản hồi tái quy hoạch đường đi $< 150\text{ ms}$.
- Nhận diện và Bám bắt đối tượng (Person Tracking): Tích hợp thành công thư viện MediaPipe, cho phép camera tự động quay quét góc $\pm 45^\circ$ theo dõi khách thăm với tỷ lệ bám bắt thành công đạt $94.2%$ trong khoảng cách từ $1.0$ đến $3.5\text{ m}$.
- Tương tác nút bấm thang máy: Thuật toán Stereo Vision kết hợp động học nghịch giúp cánh tay ấn trúng tâm phím gọi tầng với tỷ lệ thành công đạt $88.0%$ (22/25 lần thử nghiệm thực tế).
- Hạ tầng hội thoại AI: Thời gian trễ trung bình của chuỗi xử lý Voice Pipeline (Speech-to-Text $\rightarrow$ Vertex AI API $\rightarrow$ Text-to-Speech) đạt $1.45\text{ giây}$, phản hồi chính xác thông tin phòng ban và quy chế trường học.
Đổi mới và đóng góp
- Cơ chế ấn thang máy cơ học độc lập: Khác với các dòng robot dịch vụ thương mại bắt buộc phải can thiệp phần cứng tủ điều khiển thang máy qua sóng vô tuyến (Wireless Relay), giải pháp của đề tài sử dụng cơ chế cánh tay 3-DOF kết hợp thị giác máy tính 3D, cho phép robot sử dụng mọi thang máy thông thường mà không cần cải tạo hạ tầng tòa nhà.
- Kiến trúc dữ liệu động (Dynamic Waypoint Management): Toàn bộ bản đồ tọa độ được quản trị qua hệ quản trị MySQL, cho phép người quản trị cập nhật, thay đổi tên phòng hoặc tái cấu trúc sơ đồ di chuyển thông qua giao diện Web mà không cần biên dịch lại mã nguồn ROS.
- Mô hình tương tác hybrid: Kết hợp xử lý cục bộ trên Linux (ROS/OpenCV/MediaPipe) cho các tác vụ thời gian thực và điện toán đám mây (Google Vertex AI/HiveMQ) cho các tác vụ thông minh bậc cao, tối ưu hóa năng lực tính toán của phần cứng nhúng chi phí thấp.
Ứng dụng thực tế và triển khai
Kịch bản vận hành thực tế
Khi khách đến sảnh khoa Điện - Điện tử:
- Robot tự động phát hiện người tiến vào vùng quét và kích hoạt giao diện chào đón.
- Khách yêu cầu: "Dẫn tôi đến văn phòng bộ môn Tự động điều khiển".
- Bộ xử lý giọng nói chuyển đổi âm thanh thành văn bản, truy vấn cơ sở dữ liệu MySQL để lấy tọa độ phòng
C201.
- Robot phát âm thanh xác nhận: "Xin mời quý khách đi theo tôi", đồng thời kích hoạt ROS Action Server dẫn đường, tự động né tránh chướng ngại vật trên hành lang.
- Nếu phòng ở tầng khác, robot tự điều hướng vào buồng thang máy, dùng cánh tay cơ học ấn nút chọn tầng tương ứng.
[Khách đến sảnh] ──> [MediaPipe phát hiện] ──> [Chào đón & Nhận diện giọng nói]
│
▼
[Dẫn đường tới phòng đích] <── [Quy hoạch Dijkstra] <── [Truy vấn MySQL lấy Tọa độ]
│
└── (Nếu khác tầng) ──> [Vào thang máy] ──> [Stereo Vision + Cánh tay 3-DOF ấn nút]
Phân tích hiệu quả kinh tế (Cost-Benefit Analysis)
- Chi phí gia công và linh kiện hoàn thiện mô hình thực nghiệm: ~28.500.000 VNĐ (tương đương 1.150 USD).
- So với việc trang bị robot ngoại nhập (trên 350.000.000 VNĐ), giải pháp tiết kiệm hơn 91.8% chi phí đầu tư ban đầu, mang lại khả năng ứng dụng rộng rãi tại các trường đại học, bệnh viện công và cơ quan hành chính nhà nước.
Hạn chế và hướng phát triển
Hạn chế kỹ thuật
- Cảm biến Lidar 2D quét trên một mặt phẳng cố định nên chưa nhận diện được các vật cản thấp hơn hoặc cao hơn mặt phẳng quét (như gờ giảm tốc cao, dây cáp treo lơ lửng).
- Hệ thống nhận diện giọng nói tiếng Việt phụ thuộc vào băng thông kết nối Internet; môi trường sảnh có độ ồn lớn ($> 75\text{ dB}$) làm giảm độ chính xác nhận dạng từ khóa.
- Cơ cấu ấn thang máy chưa có cảm biến lực (Load Cell) để tự động điều chỉnh lực ép đầu ngón tay.
Hướng phát triển tương lai
- Nâng cấp lên cảm biến 3D LiDAR hoặc tích hợp cụm Camera độ sâu RGB-D (như Intel RealSense D435i) để xây dựng bản đồ Octomap 3D hoàn chỉnh.
- Chuyển đổi toàn bộ kiến trúc phần mềm sang ROS 2 (Humble Hawksbill) nhằm tận dụng tính năng Real-Time Publish-Subscribe (RTPS) và tăng cường tính bảo mật phân tán.
- Huấn luyện mô hình nhận diện giọng nói cục bộ (Offline Voice Engine) dựa trên kiến trúc nơ-ron thu gọn (Tiny Whisper) để vận hành không phụ thuộc vào kết nối đám mây.
Đối tượng hưởng lợi
- Sinh viên & Nghiên cứu sinh: Cung cấp tài liệu tham khảo hoàn chỉnh từ tính toán lý thuyết động học, mô hình DH, đến mã nguồn tích hợp ROS, OpenCV và vi điều khiển.
- Kỹ sư phát triển Robot: Nắm bắt được phương pháp kết nối giữa hệ sinh thái phần mềm mã nguồn mở (ROS/Linux) với hạ tầng IoT và dịch vụ đám mây công nghiệp (Google Cloud/HiveMQ).
- Các tổ chức giáo dục & Doanh nghiệp: Có thể ứng dụng trực tiếp mô hình để xây dựng hệ thống tự động hóa tiếp đón khách hàng với chi phí chỉ bằng 1/10 các giải pháp thương mại.
Câu hỏi thường gặp
1. Yêu cầu cấu hình phần cứng tối thiểu để triển khai phần mềm robot?
Hệ thống yêu cầu máy tính nhúng (Mini PC hoặc Industrial PC) trang bị CPU tối thiểu Intel Core i5 thế hệ 8 (4 nhân, 8 luồng), RAM 8GB DDR4, ổ cứng SSD 128GB, hỗ trợ cổng kết nối USB 3.0 và chạy hệ điều hành Ubuntu 20.04 LTS.
2. Robot xử lý như thế nào khi đi vào khu vực mất sóng Wi-Fi?
Các tính năng an toàn, SLAM định vị, tránh vật cản (DWA) và di chuyển theo tọa độ đã lưu trong bộ nhớ đệm (Local Cache) vẫn hoạt động hoàn toàn độc lập mà không cần mạng. Khi mất kết nối Internet, chỉ có tính năng hỏi đáp thông minh qua LLM và điều khiển từ xa qua Web WAN bị tạm ngắt.
3. Làm thế nào để tích hợp robot vào hệ thống thang máy của tòa nhà khác?
Người vận hành chỉ cần cho robot quét lại vị trí bảng điều khiển thang máy bằng Stereo Camera, sau đó lưu tọa độ các nút bấm tầng mới vào cơ sở dữ liệu MySQL mà không cần can thiệp hệ thống điện của thang máy.
4. Nguồn điện của robot có thể hoạt động liên tục trong bao lâu?
Robot sử dụng 2 khối pin riêng biệt để chống nhiễu: Pin LiPo 6S 5300mAh cho động cơ truyền động và Pin 4S 2300mAh cho Mini PC và cảm biến, đảm bảo thời gian vận hành liên tục từ 4 đến 5 giờ trước khi cần sạc lại.
5. Thời gian hoàn vốn (ROI) khi ứng dụng giải pháp này trong trường học?
Với chi phí sản xuất khoảng 28,5 triệu VNĐ và chi phí điện năng tiêu thụ không đáng kể, giải pháp giúp tiết kiệm chi phí nhân sự lễ tân trực sảnh, mang lại thời gian thu hồi vốn ước tính chỉ từ 4 đến 6 tháng hoạt động.
Kết luận
Đồ án "Xây dựng robot lễ tân ứng dụng trong trường học" đã hoàn thành toàn diện các mục tiêu đề ra: từ việc nghiên cứu tính toán lý thuyết động học, thiết kế cơ khí 3D, thi công hệ thống phần cứng đến phát triển kiến trúc phần mềm tích hợp ROS Noetic, xử lý thị giác máy tính và AI đám mây. Sản phẩm thử nghiệm hoạt động ổn định, đạt độ chính xác cao trong định vị dẫn đường, tương tác thông minh và chứng minh tính khả thi vượt trội về mặt kinh tế. Đây là tiền đề kỹ thuật vững chắc để tiếp tục hoàn thiện, hướng tới thương mại hóa và ứng dụng rộng rãi trong các mô hình trường học và đô thị thông minh tại Việt Nam.
