Giới thiệu dự án

Xu hướng tự động hóa trong kỷ nguyên Công nghiệp 4.0 đang thúc đẩy sự bùng nổ của các phương tiện tự hành (Autonomous Guided Vehicles - AGV) và robot di động tự hành (Autonomous Mobile Robots - AMR). Theo báo cáo từ Gartner, đến năm 2023 có hơn 3 triệu phương tiện tự hành vận hành thực tế và dự kiến chiếm hơn 50% thị phần phương tiện di chuyển vào năm 2030. Các tập đoàn công nghệ hàng đầu thế giới như Google (Waymo), Tesla, cùng các liên doanh nghìn tỷ như Hyundai - Aptiv (4 tỷ USD) và Argo AI (Ford - Volkswagen rót vốn 7 tỷ USD) đã đầu tư mạnh mẽ vào các nền tảng tự hành. Tại Việt Nam, FPT Software cũng đã nghiên cứu phát triển nền tảng FPT Automatic Driving Platform đạt cấp độ 3/6.

Tuy nhiên, phần lớn các hệ thống tự hành giá rẻ trước đây phụ thuộc vào Stereo Camera hoặc xử lý ảnh AI truyền thống, vốn rất nhạy cảm với điều kiện ánh sáng thay đổi, bề mặt tường thiếu đặc trưng góc cạnh (textureless walls), dẫn đến sai số định vị trôi dạt (odometry drift) lớn và tỷ lệ mất dấu cao trong môi trường trong nhà. Để khắc phục triệt để điểm yếu này, đề tài "Xây dựng robot tự hành quét bản đồ trong nhà và tránh vật cản" (Implement SLAM Robot for Indoor Map Construction and Object Avoidance) của nhóm kỹ sư ngành Kỹ thuật Máy tính - Trường Đại học Công nghệ Thông tin (ĐHQG TP.HCM) tập trung ứng dụng cảm biến quét laser 2D (LiDAR) tích hợp hệ điều hành Robot chuyên dụng (ROS).

+-------------------------------------------------------------------------+
|                              ROS Master                                 |
|   +-------------------+  /scan   +-----------------+  /map   +-------+  |
|   | rplidar_ros Node  |--------->|  gmapping Node  |-------->| Rviz  |  |
|   +-------------------+          +-----------------+         +-------+  |
|             ^                             |                      ^      |
|             | (Laser Data)                v (Occupancy Grid)     |      |
|   +-------------------+          +-----------------+             |      |
|   |   RPLiDAR A1      |          |    move_base    |-------------+      |
|   +-------------------+          |  (Costmap 2D)   | (Path /tf)         |
|                                  +-----------------+                    |
|                                     |           |                       |
|                 /cmd_vel (Twist)    v           v Global Plan (Dijkstra)|
|             +--------------------------+   Local Plan (DWA)             |
|             | rosserial / Jetson Nano  |                                |
|             +--------------------------+                                |
|                         | (UART Serial)                                 |
|                         v                                               |
|             +--------------------------+                                |
|             |    Arduino Mega 2560     |                                |
|             | (PID, Encoder, MPU6050)  |                                |
|             +--------------------------+                                |
|                         | (PWM / Direction)                             |
|                         v                                               |
|             +--------------------------+                                |
|             | 4x DC Servo + Mecanum    |                                |
|             +--------------------------+                                |
+-------------------------------------------------------------------------+

Mục tiêu cụ thể của dự án

  1. Thiết kế phần cứng cơ điện tử: Xây dựng khung gầm xe 2 tầng nhỏ gọn (30x25x15 cm) sử dụng hệ truyền động 4 bánh đa hướng Mecanum (đường kính 9.6 cm), cho phép di chuyển đa hướng linh hoạt (holonomic movement).
  2. Tích hợp hệ thống cảm biến đo đạc: Ứng dụng cảm biến laser RPLiDAR A1 quét 360 độ (bán kính phát hiện 0.2m – 12m, tần số quét 2 – 10 Hz) kết hợp đơn vị đo lường quán tính IMU 6-DOF MPU6050.
  3. Phát triển hệ thống điều khiển nhúng phân tầng: Sử dụng máy tính nhúng NVIDIA Jetson Nano (472 GFLOPS, Quad-core ARM A57, 128-core GPU Maxwell) đóng vai trò bộ xử lý trung tâm cấp cao và Arduino Mega 2560 (ATmega2560 16MHz) xử lý tác vụ điều khiển động cơ vòng kín (PID Control) theo thời gian thực.
  4. Hiện thực hóa giải thuật SLAM 2D: Áp dụng thuật toán Gmapping/Hector SLAM để số hóa môi trường phòng học/văn phòng diện tích 50 m² thành bản đồ lưới chiếm chỗ (Occupancy Grid Map) với thời gian quét dưới 10 phút.
  5. Điều hướng tự động và né vật cản: Cấu hình ngăn xếp điều hướng ROS Navigation Stack (move_base), sử dụng thuật toán Dijkstra cho hoạch định đường đi toàn cục (Global Planner) và thuật toán Dynamic Window Approach (DWA) cho hoạch định đường đi cục bộ (Local Planner), né tránh vật thể có kích thước từ 30x30x30 cm ở vận tốc 5 – 10 km/h.

Phạm vi và giới hạn

  • Phạm vi: Robot hoạt động trong môi trường trong nhà (indoor) có mặt sàn phẳng, chướng ngại vật tĩnh và động trong không gian tầng văn phòng hoặc phòng lab.
  • Giới hạn: Cảm biến LiDAR 2D chỉ quét trên một mặt phẳng phẳng ngang (horizontal plane) cố định ở độ cao đặt cảm biến, không quét được các vật cản quá thấp (dưới 15 cm) hoặc các vật thể treo lơ lửng phía trên tầm quét.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các giải pháp robot tự hành trong nhà hiện nay chủ yếu phân thành ba nhóm chính: thương mại cao cấp, nghiên cứu học thuật bằng thị giác máy tính và hệ thống dựa trên quét laser mã nguồn mở.

Tiêu chí so sánh Mô hình thương mại TurtleBot3 Burger Đề tài Stereo Camera (ĐH Bách Khoa) Giải pháp đề tài (LiDAR + Mecanum)
Cảm biến chính 360° LiDAR LDS-01 Stereo Camera 360° RPLiDAR A1 Laser Scanner
Cơ chế di chuyển Vi sai 2 bánh (Differential Drive) Vi sai 2 bánh DC 4 bánh Mecanum đa hướng (Holonomic)
Độ phụ thuộc ánh sáng Rất thấp Rất cao (Cần độ sáng & feature phong phú) Hoàn toàn không phụ thuộc
Bộ xử lý trung tâm Raspberry Pi 3/4 Laptop/PC nhúng NVIDIA Jetson Nano + Arduino Mega
Chi phí chế tạo Rất cao (> 15-20 triệu VNĐ) Cao (Do giá thành Camera Stereo chất lượng) Tối ưu, hợp lý trong phòng lab
Độ chính xác định vị Bán kính sai số < 10 cm Bán kính sai số ~ 20 cm, lệch góc $\pm 0^\circ$ Bán kính sai số < 10 cm, triệt tiêu góc xoay nhờ Mecanum

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must have: Dựng bản đồ 2D chính xác bằng SLAM; Nhận lệnh vị trí mục tiêu (Goal Pose) qua ROS Rviz; Tự động tìm đường và né vật cản tĩnh/động; Kiểm soát vòng kín vận tốc động cơ bằng PID.
  • Should have: Giao tiếp ổn định giữa Jetson Nano và Arduino qua cổng UART/rosserial; Tự động phục hồi khi bị kẹt đường đi (Recovery Behaviors).
  • Could have: Di chuyển trượt ngang không cần xoay thân xe nhờ cấu hình 4 bánh Mecanum; Tích hợp hiển thị dữ liệu IMU trên Rviz.
  • Won't have (ở giai đoạn hiện tại): Nhận diện khuôn mặt, định vị SLAM 3D PointCloud hoặc tương tác giọng nói.

Thiết kế hệ thống

Kiến trúc hệ thống được phân thành 3 lớp rõ ràng:

+--------------------------------------------------------------------------+
|                        LỚP ỨNG DỤNG & GIÁM SÁT                           |
|       [Rviz Visualizer] <---> [Map Server] <---> [Navigation GUI]        |
+--------------------------------------------------------------------------+
                                    |
                                    v (ROS Network: Topics/Services)
+--------------------------------------------------------------------------+
|                     LỚP XỬ LÝ TRUNG TÂM (JETSON NANO)                    |
|  * ROS Melodic trên nền Ubuntu 18.04 LTS                                 |
|  * SLAM Package: Gmapping / Hector SLAM                                  |
|  * Navigation Stack: move_base, Costmap 2D, Dijkstra, DWA Local Planner  |
|  * Node Chuyển đổi Tọa độ: Transform (tf) broadcaster                    |
+--------------------------------------------------------------------------+
                                    |
                                    v (Giao thức UART / Serial Stream)
+--------------------------------------------------------------------------+
|                   LỚP ĐIỀU KHIỂN & CHẤP HÀNH CƠ ĐIỆN TỬ                  |
|  * Vi điều khiển: Arduino Mega 2560 (Bộ điều khiển PID 4 kênh)           |
|  * Cảm biến: RPLiDAR A1 (Laser 2D), GY-521 MPU6050 (IMU)                 |
|  * Driver & Động cơ: 2x Cầu H XY-160D (160W MOSFET) + 4x DC JGB37       |
|  * Nguồn: Nguồn cách ly 12V 20A Buck Converter + Pin Li-ion              |
+--------------------------------------------------------------------------+

Ngăn xếp công nghệ chi tiết (Technology Stack)

  • Hệ điều hành & Framework: ROS Melodic Morenia chạy trên Ubuntu 18.04 Bionic LTS (nhân Linux tối ưu hóa cho ARM64 Jetpack 4.4).
  • Phần cứng tính toán: NVIDIA Jetson Nano Developer Kit B01 (Quad-Core ARM Cortex-A57 @ 1.43 GHz, GPU 128 lõi kiến trúc Maxwell, 4GB LPDDR4 64-bit 25.6 GB/s).
  • Khối điều khiển thời gian thực: Arduino Mega 2560 R3 (ATmega2560, 54 chân I/O số, 16 ngõ Analog, 4 bộ UART phần cứng).
  • Giao tiếp ngoại vi: Cổng USB-Serial chuyển đổi tốc độ baud 115200 bps kết nối máy tính chủ và bo điều khiển; giao thức I2C tần số 400kHz đọc dữ liệu con quay hồi chuyển từ MPU6050.
  • Driver công suất: 2 bo mạch điều khiển động cơ DC XY-160D tải dòng cực đại 7A mỗi kênh, tích hợp Optocoupler cách ly quang chống nhiễu xung điện áp ngược từ động cơ.

Phương pháp nghiên cứu và phát triển (Methodology)

Dự án áp dụng mô hình phát triển phần mềm và phần cứng song song (Agile Hardware-Software Co-design) qua 4 mốc quan trọng:

[Tuần 1-3: Nghiên cứu & Thiết kế CAD/PCB]
                   |
                   v
[Tuần 4-7: Chế tạo cơ khí, Lắp ráp mạch & Test PID Motor]
                   |
                   v
[Tuần 8-11: Cấu hình ROS, SLAM Mapping & Transform tf]
                   |
                   v
[Tuần 12-14: Thử nghiệm Navigation Stack, Benchmark & Tối ưu]
  • Đánh giá rủi ro và giải pháp:
    • Sụt áp nguồn khi 4 động cơ khởi động đồng thời: Sử dụng mạch nguồn hạ áp công suất lớn Buck Converter 20A thay thế cho dòng IC hạ áp LM2596/XL4016 thông thường, tách biệt đường nguồn logic 5V cho Jetson Nano và 12V cho động cơ.
    • Nhiễu từ trường động cơ tác động lên IMU: Cách ly vật lý cảm biến IMU và bo mạch xử lý tín hiệu lên tầng thứ 2 của khung xe mica, bọc chống nhiễu cho cáp tín hiệu encoder.

Hiện thực hóa và kết quả thực nghiệm

Quá trình phát triển và thuật toán cốt lõi

1. Thuật toán đo khoảng cách RPLiDAR A1

Cảm biến RPLiDAR A1 sử dụng nguyên lý đo khoảng cách quang học tam giác (Optical Triangulation) kết hợp bước sóng laser hồng ngoại: $$d = \frac{1}{2} \cdot c \cdot t$$ Trong đó $c$ là tốc độ ánh sáng ($299.792.458 \text{ m/s}$), $t$ là khoảng thời gian từ lúc phát chùm xung ánh sáng đến khi mảng cảm biến thu nhận tín hiệu phản xạ. Dữ liệu quét xuất ra dạng chùm tia quét (sensor_msgs/LaserScan) chứa mảng góc quét và khoảng cách tương ứng.

2. Cấu hình Costmap 2D đa lớp trong ROS

Bản đồ chi phí (Costmap) được thiết lập thông qua tệp tham số costmap_common_params.yaml nhằm xác định các vùng an toàn, vùng nguy hiểm (Inscribed, Circumscribed) và vùng va chạm chết người (Lethal Obstacle - cost value 254):

# costmap_common_params.yaml
obstacle_range: 2.5
raytrace_range: 3.0
footprint: [[-0.15, -0.125], [-0.15, 0.125], [0.15, 0.125], [0.15, -0.125]]
inflation_radius: 0.35
cost_scaling_factor: 5.0

observation_sources: laser_scan_sensor
laser_scan_sensor: {
  sensor_frame: laser_base_link,
  data_type: LaserScan,
  topic: /scan,
  marking: true,
  clearing: true
}

# base_local_planner_params.yaml
TrajectoryPlannerROS:
  max_vel_x: 0.45
  min_vel_x: 0.1
  max_vel_theta: 1.0
  min_vel_theta: -1.0
  min_in_place_vel_theta: 0.4
  acc_lim_x: 2.0
  acc_lim_theta: 3.2
  holonomic_robot: true
  yaw_goal_tolerance: 0.05
  xy_goal_tolerance: 0.10

3. Thuật toán Dynamic Window Approach (DWA) cho Local Planner

Thuật toán DWA rút gọn không gian tìm kiếm vận tốc về một cửa sổ động $V_r = V_s \cap V_a \cap V_d$, trong đó $V_s$ là dải vận tốc cơ học, $V_a$ là vận tốc cho phép dừng an toàn trước vật cản, $V_d$ là dải vận tốc có thể đạt được trong chu kỳ gia tốc tiếp theo $\Delta t$: $$V_d = \left{(v, \omega) \mid v \in [v_a - \dot{v}\Delta t, v_a + \dot{v}\Delta t] \wedge \omega \in [\omega_a - \dot{\omega}\Delta t, \omega_a + \dot{\omega}\Delta t]\right}$$

Hàm mục tiêu đánh giá vector quỹ đạo tối ưu: $$G(v, \omega) = \alpha \cdot \text{heading}(v, \omega) + \beta \cdot \text{dist}(v, \omega) + \gamma \cdot \text{vel}(v, \omega)$$ Trong đó:

  • $\text{heading}(v, \omega)$: Đánh giá góc lệch giữa hướng robot và đích đến ($180^\circ - \theta$).
  • $\text{dist}(v, \omega)$: Khoảng cách ngắn nhất từ đường cong quỹ đạo tới vật cản gần nhất.
  • $\text{vel}(v, \omega)$: Vận tốc tịnh tiến nhằm tối ưu hóa thời gian di chuyển.
  • $\alpha, \beta, \gamma$: Các trọng số tối ưu hóa thực nghiệm.
Thuật toán Dijkstra tìm đường đi toàn cục (Global Path):
======================================================
1. Khởi tạo dist[v] = vô cùng cho mọi đỉnh v thuộc đồ thị G, ngoại trừ dist[source] = 0.
2. Tập hợp Q chứa tất cả các node trong bản đồ Occupancy Grid.
3. Vòng lặp: Khi Q khác rỗng:
   a. Lấy node u trong Q có dist[u] nhỏ nhất.
   b. Loại u ra khỏi tập Q.
   c. Với mỗi node lân cận v của u:
      alt = dist[u] + khoảng_cách(u, v)
      Nếu alt < dist[v]:
         dist[v] = alt
         previous[v] = u
4. Truy vết mảng previous[] từ target node về source node để sinh ra global trajectory.

Thử nghiệm và đánh giá thực nghiệm

Quá trình kiểm thử diễn ra trực tiếp tại Phòng Lab FPT và hành lang tầng 6 Nhà E (Trường ĐH Công nghệ Thông tin):

+--------------------------------------------------------------------------+
|                  KẾT QUẢ ĐO KIỂM HIỆU NĂNG THỰC TẾ                       |
+------------------------------------+------------------+------------------+
| Chỉ số kiểm thử                    | Kế hoạch đề ra   | Kết quả đạt được |
+------------------------------------+------------------+------------------+
| Bán kính quét RPLiDAR A1           | 0.2 m - 5.0 m    | 0.2 m - 12.0 m   |
| Thời gian dựng bản đồ phòng 50 m²  | <= 10 phút       | 6.5 phút         |
| Tốc độ di chuyển né vật cản        | 5.0 km/h         | 4.8 km/h         |
| Kích thước vật cản phát hiện nhỏ   | 30 x 30 x 30 cm  | 15 x 15 x 20 cm  |
| Sai số vị trí tại điểm đích (Goal) | <= 20 cm         | 5 - 8 cm         |
| Sai số góc xoay thân xe            | <= 5 độ          | < 2 độ           |
| Tải tính toán CPU (Jetson Nano)    | <= 85%           | 45% - 60%        |
| Tốc độ khung hình xử lý SLAM       | >= 5 Hz          | 10 Hz (Realtime) |
+------------------------------------+------------------+------------------+

Bản đồ 2D xuất ra từ node gmapping thể hiện rõ các bức tường, mép bàn, góc cạnh hành lang mà không gặp hiện tượng bóng ma hoặc méo mó bản đồ do sai số tích lũy odometry đã được bù đắp bởi dữ liệu quét laser liên tục.

Đổi mới và đóng góp

Các điểm cải tiến kỹ thuật nổi bật

  1. Kiến trúc truyền động 4 bánh Mecanum tích hợp cấu hình Holonomic: Không giống các mẫu robot Turtlebot3 vi sai chỉ có thể tiến/lùi và quay tại chỗ, robot trong đề tài có khả năng tịnh tiến theo bất kỳ phương nào trên mặt phẳng ($v_x, v_y, \omega_z$), giúp việc né vật cản trong hành lang hẹp diễn ra mượt mà, giảm 40% thời gian đổi hướng di chuyển.
  2. Hệ thống tính toán Odometry kết hợp Encoder và IMU: Giải thuật tính toán tọa độ Odometry được xây dựng độc lập trên vi điều khiển Arduino Mega qua việc đếm xung Encoder 2 kênh A-B từ 4 động cơ JGB37, kết hợp bộ lọc bù trừ góc lệch từ cảm biến IMU 6-DOF MPU6050, giải quyết hiện tượng trượt bánh của bánh xe Mecanum.
  3. Tối ưu hóa chi phí phần cứng nhưng giữ nguyên năng lực tính toán: Thay vì sử dụng máy tính công nghiệp đắt tiền hoặc vi xử lý yếu như Raspberry Pi, dự án ứng dụng NVIDIA Jetson Nano cho phép mở rộng xử lý song song các tác vụ SLAM phức tạp, xử lý mượt mà bản đồ kích thước lớn với mức chi phí tiết kiệm hơn 60% so với việc nhập khẩu robot nguyên bộ từ nước ngoài.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tiễn

  • Nhà kho thông minh (Smart Logistics): Robot đóng vai trò AGV/AMR chuyên chở các thùng linh kiện giữa các dây chuyền sản xuất, tự động định tuyến không cần kẻ vạch từ trên sàn.
  • Robot khử khuẩn và phục vụ bệnh viện: Tích hợp đèn UV hoặc khay vận chuyển thuốc men di chuyển tự động tới từng giường bệnh trong khu vực cách ly khép kín.
  • Tuần tra an ninh văn phòng: Tự động đi tuần theo các mốc tọa độ định sẵn trên bản đồ số, quét phát hiện đồ vật bị dịch chuyển hoặc có người xâm nhập trái phép vào ban đêm.

Hướng dẫn triển khai nhanh (Quick Deployment Guide)

# 1. Khởi động môi trường ROS Melodic trên Jetson Nano
source /opt/ros/melodic/setup.bash
source ~/catkin_ws/devel/setup.bash

# 2. Chạy node kết nối phần cứng LiDAR và Arduino
roslaunch rplidar_ros rplidar.launch
rosrun rosserial_python serial_node.py /dev/ttyACM0 _baud:=115200

# 3. Dựng bản đồ không gian mới bằng Gmapping
roslaunch my_robot_slam gmapping.launch

# 4. Lưu bản đồ đã quét
rosrun map_server map_saver -f ~/maps/floor_lab_e6

# 5. Khởi chạy chế độ tự hành Navigation Stack
roslaunch my_robot_navigation autonomous_nav.launch map_file:=~/maps/floor_lab_e6.yaml

Hạn chế và hướng phát triển

Các hạn chế kỹ thuật hiện tại

  • Cảm biến RPLiDAR A1 sử dụng laser đơn tầng 2D nên không thể nhận diện các vật cản nằm bên ngoài mặt phẳng quét (như gầm bàn quá thấp hoặc chướng ngại vật dạng bậc thang, mép hố sâu).
  • Mạch hạ áp nguồn sơ cấp XL4016 (8A) có thể bị quá nhiệt khi cả 4 động cơ bị kẹt hoặc tăng tải đột ngột; cần nâng cấp chính thức lên module Buck Converter đồng bộ 20A có tản nhiệt nhôm lớn.
  • Chưa tích hợp cơ chế sạc tự động (Auto-docking station) khi điện áp pin giảm xuống dưới ngưỡng an toàn.

Định hướng nghiên cứu tiếp theo

  • Bổ sung cảm biến độ sâu RGB-D (Intel RealSense D435 hoặc Orbbec Astra) kết hợp thuật toán RTAB-Map để thực hiện SLAM 3D toàn diện.
  • Nâng cấp toàn bộ hệ thống lên nền tảng ROS 2 (Humble/Foxy) nhằm tăng cường tính năng bảo mật DDS và hỗ trợ xử lý đa robot phân tán (Multi-Agent System).
  • Nghiên cứu tích hợp các thuật toán học tăng cường sâu (Deep Reinforcement Learning) cho tác vụ tránh vật cản động thông minh trong môi trường có người đi lại liên tục.

Đối tượng hưởng lợi

  • Sinh viên ngành Kỹ thuật Máy tính, Cơ điện tử, IoT: Nắm bắt quy trình thực chiến từ thiết kế CAD, chế tạo mạch phần cứng, lập trình nhúng C/C++ đến tích hợp nền tảng ROS cấp cao.
  • Lập trình viên và Kỹ sư Robotics: Tiếp cận mã nguồn cấu hình Costmap, thuật toán DWA, Dijkstra và kỹ thuật xử lý tf (Transform Tree) trong môi trường robot thực tế.
  • Doanh nghiệp vừa và nhỏ: Cơ sở nghiên cứu để chế tạo các phiên bản AMR phục vụ tự động hóa kho bãi với chi phí đầu tư ban đầu thấp.
  • Nhà nghiên cứu ứng dụng: Nền tảng phần cứng chuẩn để thử nghiệm các thuật toán định vị, lọc Kalman mở rộng (EKF) và điều hướng hiện đại.

Câu hỏi thường gặp

1. Cấu hình phần cứng tối thiểu để chạy hệ thống SLAM này là gì?

Hệ thống yêu cầu tối thiểu một board máy tính nhúng có RAM từ 2GB trở lên (khuyến nghị 4GB như Jetson Nano hoặc Raspberry Pi 4), vi điều khiển hỗ trợ ngắt ngoài và bộ đếm Timer tốc độ cao (như Arduino Mega 2560 hoặc STM32F4), cảm biến LiDAR 2D có tần số quét tối thiểu 5Hz và động cơ có gắn encoder phản hồi vị trí.

2. Làm thế nào để khắc phục hiện tượng trượt bánh gây sai lệch bản đồ khi dùng bánh Mecanum?

Bánh xe Mecanum có cấu tạo gồm nhiều con lăn nhỏ nghiêng $45^\circ$, rất dễ xảy ra hiện tượng trượt vi mô (micro-slipping). Giải pháp được áp dụng là kết hợp thuật toán dung hợp cảm biến (Sensor Fusion) thông qua bộ lọc EKF (robot_localization package), kết hợp dữ liệu tính toán từ Encoder vòng kín với tốc độ góc của cảm biến con quay hồi chuyển IMU 6-DOF MPU6050.

3. Robot có hoạt động được trong môi trường hoàn toàn không có ánh sáng không?

Có. Do cảm biến chính là RPLiDAR A1 hoạt động dựa trên cơ chế tự phát xạ và thu nhận chùm tia laser hồng ngoại, hệ thống hoàn toàn không bị ảnh hưởng bởi bóng tối hay ánh sáng yếu, vượt trội hơn hẳn so với các giải pháp dựa trên Camera quang học thông thường.

4. Chi phí chế tạo một mô hình robot tự hành này ước tính khoảng bao nhiêu?

Tổng chi phí linh kiện phần cứng dao động trong khoảng 7.000.000 – 9.000.000 VNĐ (bao gồm Jetson Nano, RPLiDAR A1, 4 động cơ encoder, mạch cầu H, khung xe mica và pin nguồn), thấp hơn đáng kể so với mức giá từ 25.000.000 – 40.000.000 VNĐ của các nền tảng thương mại nhập khẩu cùng phân khúc tính năng.

5. Tại sao nên chọn thuật toán DWA thay vì TEB Local Planner trong bài toán này?

Thuật toán DWA (Dynamic Window Approach) có ưu điểm tính toán nhanh, ít tốn tài nguyên GPU/CPU của máy tính nhúng, hoạt động ổn định và đáp ứng mượt mà với mô hình động học holonomic của xe 4 bánh Mecanum trong không gian văn phòng tiêu chuẩn.

Kết luận

Đề tài "Xây dựng robot tự hành quét bản đồ trong nhà và tránh vật cản" đã giải quyết thành công bài toán tự hành trong nhà thông qua sự kết hợp tối ưu giữa phần cứng cơ điện tử vững chắc và ngăn xếp phần mềm ROS hiện đại. Các kết quả thực nghiệm tại phòng Lab và hành lang thực tế đã chứng minh tính chính xác, khả năng hoạt động thời gian thực và độ tin cậy cao của giải pháp SLAM laser 2D kết hợp thuật toán điều hướng DWA/Dijkstra. Đây là tài liệu tham khảo kỹ thuật giá trị và là bước đệm vững chắc cho các ứng dụng robot thông minh trong kho bãi và dịch vụ đời sống.