Bối cảnh và vấn đề nghiên cứu

Lý do chọn đề tài và bối cảnh thực tiễn

Theo các số liệu và phân tích được tác giả trích dẫn từ hãng nghiên cứu thị trường Gartner, công nghệ xe tự lái được dự báo sẽ trở thành trang bị tiêu chuẩn trên các phương tiện tương lai, với khoảng 3 triệu phương tiện tự hành lưu thông vào năm 2023 và có thể chiếm hơn 50% thị trường xe điện toàn cầu vào năm 2030. Xu hướng này thúc đẩy các tập đoàn công nghệ và ô tô lớn trên thế giới đầu tư mạnh mẽ, tiêu biểu như liên doanh phát triển nền tảng xe tự lái trị giá 4 tỷ USD giữa Hyundai Motor Group và Aptiv Plc (2019), hay thương vụ đầu tư 7 tỷ USD vào Argo AI của Ford và Volkswagen. Tại Việt Nam, Tập đoàn FPT đã nghiên cứu và phát triển nền tảng xe tự lái từ năm 2016 (FPT Automatic Driving Platform), thử nghiệm thành công xe tự hành đạt cấp độ 3/6 tại khu đô thị Ecopark vào tháng 4/2019.

Tuy nhiên, phần lớn các hệ thống xe tự hành trước đây chủ yếu sử dụng camera kết hợp với các thuật toán xử lý ảnh và trí tuệ nhân tạo (AI/Deep Learning). Nhược điểm cố hữu của phương pháp thị giác máy tính là phụ thuộc lớn vào điều kiện ánh sáng, thời tiết và tính chất đặc trưng bề mặt của môi trường (cần nhiều góc cạnh, độ tương phản cao). Để khắc phục các hạn chế này trong môi trường không gian hẹp, nhóm tác giả đề xuất giải pháp ứng dụng cảm biến quét laser (LiDAR) kết hợp hệ điều hành Robot Operating System (ROS) để xây dựng hệ thống robot tự hành trong nhà có khả năng số hóa bản đồ 2D và tránh vật cản tự động.

Mục tiêu và nhiệm vụ nghiên cứu

Khóa luận đặt ra 5 mục tiêu kỹ thuật cụ thể cần hoàn thiện:

  1. Chế tạo hoàn chỉnh mô hình robot 4 bánh sử dụng cơ chế bánh đa hướng (Mecanum wheels), dẫn động bởi 4 động cơ DC.
  2. Tầm quét hiệu dụng của cảm biến LiDAR đạt từ 20 cm đến 500 cm trong điều kiện không gian phòng học.
  3. Thời gian tối thiểu để hoàn thành quét và số hóa không gian phòng học diện tích 50 $\text{m}^2$ là 10 phút.
  4. Tốc độ di chuyển của robot đạt 10 km/h trong điều kiện không có vật cản và 5 km/h khi xuất hiện vật cản.
  5. Khả năng nhận diện và phát hiện vật thể cản có kích thước tối thiểu từ $30 \times 30 \times 30\text{ cm}$.

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Hệ thống robot tự hành phục vụ quét bản đồ 2D trong nhà (SLAM) và thuật toán điều hướng, né tránh vật cản tự động (Navigation Stack).
  • Phạm vi không gian: Không gian trong nhà, cụ thể thử nghiệm tại Phòng Lab FPT E6 và hành lang tầng 6 Nhà E thuộc Trường Đại học Công nghệ Thông tin – ĐHQG-HCM.
  • Phạm vi thời gian và tổ chức: Khóa luận kỹ sư ngành Kỹ thuật Máy tính, hoàn thành vào tháng 01 năm 2021 theo Quyết định số 64/QĐ-ĐHCNTT của Hiệu trưởng Trường Đại học Công nghệ Thông tin – ĐHQG-HCM, dưới sự hướng dẫn của ThS. Nguyễn Duy Xuân Bách và ThS. Phạm Minh Quân.

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và mô hình ứng dụng

Nghiên cứu xây dựng trên nền tảng các lý thuyết và cấu trúc phần mềm chuyên dụng trong ngành Robot:

  1. Hệ điều hành Robot (Robot Operating System - ROS):

    • Tầng Filesystem: Quản lý phần mềm thông qua Packages (đơn vị cơ sở chứa node, thư viện, file cấu hình), Metapackages (gom nhóm package), Package Manifests (package.xml), Stacks, cùng các tệp định nghĩa dữ liệu Message types và Service types.
    • Tầng Computation Graph: Mạng lưới xử lý dữ liệu ngang hàng (P2P) gồm Nodes (tiến trình tính toán runtime), ROS Master (định danh và quản lý kết nối), Parameter Server (lưu trữ tham số tập trung), Topics (truyền thông bất đồng bộ dạng publish/subscribe), Services (truyền thông đồng bộ dạng request/response), và Bags (ghi và phát lại dữ liệu thông điệp).
    • Tầng Community: Phân phối các phiên bản ROS (ROS Distributions), chia sẻ mã nguồn qua kho lưu trữ (Repositories) và tài liệu ROS Wiki.

  2. Công nghệ định vị và lập bản đồ đồng thời (SLAM): Sử dụng cảm biến đo đạc không gian chưa biết trước để xác định vị trí robot và dựng bản đồ môi trường. Thuật toán SLAM khai thác các bộ lọc thống kê (Kalman filter, Particle filter/Monte Carlo) để ước lượng trạng thái. Nghiên cứu đối chiếu hai gói giải thuật tiêu chuẩn trên ROS: hector_slam và slam_gmapping.

  3. 2D Navigation Stack: Khung điều hướng nhận dữ liệu từ cảm biến đo xa, Odometry, vị trí mục tiêu (goal pose) và chuyển đổi hệ tọa độ (tf), sau đó xuất tín hiệu vận tốc điều khiển (cmd_vel). Hệ thống tích hợp các thành phần:

    • Costmap 2D: Lưới ô vuông biểu diễn chi phí chiếm dụng không gian với các mức: cost_lethal (254 - va chạm tuyệt đối), cost_inscribed (253 - tâm robot nằm trong bán kính nội tiếp vật cản), cost_possibly_circumscribed (128 - phụ thuộc hướng quay), cost_freespace (0 - không gian trống), và cost_unknown (vùng chưa quét).
    • Global Planner: Sử dụng thuật toán Dijkstra để tìm đường đi ngắn nhất trên đồ thị $G = (V, E)$ từ điểm xuất phát $s$ đến đích, tối ưu hóa toàn cục theo trọng số các cạnh dương.
    • Local Planner: Ứng dụng thuật toán Dynamic Window Approach (DWA) để tính toán vận tốc tức thời $(v, \omega)$. Không gian tìm kiếm được thu hẹp qua ba bước: quỹ đạo tròn, vận tốc an toàn cho phép $V_a$, và cửa sổ động $V_d$ tương ứng với giới hạn gia tốc thực tế của robot: $$V_r = V_s \cap V_a \cap V_d$$ Hàm mục tiêu tối ưu hóa được xác định bởi: $$G(v, \omega) = \alpha \cdot \text{heading}(v, \omega) + \beta \cdot \text{dist}(v, \omega) + \gamma \cdot \text{vel}(v, \omega)$$ Trong đó: $\text{heading}(v, \omega) = 180^\circ - \theta$ (đo độ lệch hướng tới đích), $\text{dist}(v, \omega)$ là khoảng cách tới vật cản gần nhất trên quỹ đạo cong, $\text{vel}(v, \omega)$ là thành phần vận tốc tịnh tiến, cùng các trọng số $\alpha, \beta, \gamma$.

  4. Nguyên lý đo khoảng cách của cảm biến RPLiDAR A1: Sử dụng chùm tia laser quang học quét 360 độ kết hợp nguyên lý thời gian truyền phản hồi (Time-of-Flight/đo pha tam giác) theo công thức: $$d = \frac{1}{2} \cdot c \cdot t$$ Trong đó $d$ là khoảng cách cần xác định, $c$ là tốc độ ánh sáng ($299.792.458\text{ m/s}$), và $t$ là thời gian trễ từ khi phát tín hiệu đến khi thu nhận tín hiệu phản xạ.

Phương pháp nghiên cứu thực tế

  • Phương pháp thiết kế và tích hợp kỹ thuật: Phân tách hệ thống thành 3 khối độc lập (Khối chấp hành phần cứng, Khối điều khiển cấp thấp, Khối xử lý trung tâm cấp cao).
  • Phương pháp thực nghiệm kiểm chứng: Chạy thử nghiệm thực tế việc quét không gian và điều hướng tự động trong môi trường phòng lab và hành lang; so sánh đặc tính bản đồ giữa hector_slam và slam_gmapping.

Thiết kế và triển khai hệ thống

Kiến trúc phần cứng

Cấu trúc cơ khí và phần cứng của robot được phân thành 2 tầng vật lý cắt bằng mica trên nền bản vẽ SolidWorks và AutoCAD:

  • Tầng 1 (Tầng đáy): Bố trí 4 cụm động cơ DC Servo giảm tốc JGB37-178RBM kèm đĩa quang Encoder 2 kênh AB; 2 mạch cầu H công suất XY-160D (mỗi mạch tải 2 động cơ, công suất cực đại 160W/kênh, sử dụng MOSFET có tích hợp opto cách ly, chống nhiễu TVS/ESD); vi điều khiển Arduino Mega 2560; và cảm biến quán tính 6 trục (IMU) MPU6050 kết nối qua giao tiếp $\text{I}^2\text{C}$.
  • Tầng 2 (Tầng trên): Đặt khối nguồn, máy tính nhúng NVIDIA Jetson Nano Developer Kit và cảm biến quét laser 360 độ RPLiDAR A1 đặt ở vị trí cao nhất để tránh che khuất góc quét.
  • Cơ cấu truyền động: 4 bánh xe Mecanum đa hướng đường kính 9,6 cm, cho phép robot di chuyển tịnh tiến, xoay ngang và chuyển hướng linh hoạt mà không cần đổi hướng thân xe.
Thành phần phần cứng Thông số kỹ thuật chi tiết Vai trò trong hệ thống
NVIDIA Jetson Nano CPU Quad-core ARM A57 @ 1.43 GHz, GPU 128-core Maxwell (472 GFLOPS), RAM 4 GB 64-bit LPDDR4, lưu trữ microSD Xử lý ROS Master, thuật toán SLAM, Navigation stack, Costmap, Path planning
Arduino Mega 2560 Chip ATmega2560 (16 MHz), 54 chân I/O (14 chân PWM), 16 Analog In, 4 cổng UART Nhận lệnh vận tốc, thực thi thuật toán điều khiển PID cho 4 động cơ, tính toán Odometry và tf
Cảm biến RPLiDAR A1 Tần số quét 2–10 Hz, điện áp 5V, góc quét $360^\circ$, tầm quét tối đa 12 m Quét khoảng cách môi trường xung quanh phục vụ lập bản đồ và phát hiện vật cản
Cảm biến MPU6050 Module GY-521 6DOF (3 trục Gyroscope + 3 trục Accelerometer) Đo vận tốc góc và gia tốc hướng, bù sai số điều hướng góc cho Odometry
Động cơ JGB37-178RBM Động cơ DC Servo giảm tốc tích hợp Encoder kênh AB Dẫn động 4 bánh xe Mecanum, phản hồi xung tốc độ về vi điều khiển
Mạch nguồn PCB Thiết kế Altium, dùng module XL4016 8A (định hướng nâng cấp DC-DC Buck 20A, dải áp 1.2V–36V) Cấp nguồn 12V độc lập cho 2 cụm động cơ trước/sau và hạ áp nuôi Jetson Nano, Arduino, LiDAR

Kiến trúc phần mềm và cấu hình ROS

Hệ thống sử dụng ROS Melodic cài đặt trên nền hệ điều hành Linux của Jetson Nano, giao tiếp với Arduino Mega 2560 thông qua chuẩn UART Serial:

  1. Khối điều khiển Arduino: Lập trình giải thuật điều khiển kín PID tốc độ cho từng bánh xe dựa trên phản hồi xung Encoder; tính toán giá trị dịch chuyển Odometry và hệ tọa độ chuyển đổi tf, sau đó publish lên các topic tương ứng của ROS.
  2. Cấu hình Costmap 2D:
    • costmap_common_params.yaml: Khai báo nguồn dữ liệu laser_scan_sensor từ topic /base_scan/scan, thiết lập phạm vi chèn vật cản obstacle_range: 2.3m, khoảng cách an toàn inflation_radius và kích thước hình học footprint.
    • global_costmap_params.yaml: Xác định global_frame: /map, robot_base_frame: /base_footprint, tần số cập nhật update_frequency: 1.0 Hz, sử dụng bản đồ tĩnh static_map: true.
    • local_costmap_params.yaml: Cấu hình khung cục bộ với rolling_window: false, kích thước cửa sổ width: 10m, độ phân giải resolution theo mét.
  3. Cấu hình thuật toán di chuyển (base_local_planner_params.yaml): Thiết lập các giới hạn động học cho robot: max_vel_x: 1.0 m/s, min_vel_x: 0.5 m/s, vận tốc xoay tối đa max_rotational_vel: 1.0 rad/s, vận tốc xoay tại chỗ tối thiểu min_in_place_rotational_vel: 0.4 rad/s, giới hạn gia tốc xoay acc_lim_th: 3.5 rad/s², và tham số holonomic_robot: false.

Nội dung chính theo từng chương

Chương 1. Tình hình nghiên cứu trong và ngoài nước

Chương này khảo sát các công trình xe tự hành tiêu biểu trong nước và quốc tế để làm rõ cơ sở lựa chọn công nghệ:

  • Mô hình xe tự hành của FPT Software: Nền tảng FPT Automatic Driving Platform ứng dụng AI, Deep Learning và Behavior Cloning trên khung xe Yamaha tại Ecopark (đạt cấp độ tự hành 3/6).
  • Mô hình xe tự hành trong nhà dùng stereo camera (ĐH Bách Khoa TP.HCM - 2018): Đề tài của Phan Minh Trí (hướng dẫn: TS. Nguyễn Vĩnh Hảo). Hệ thống dùng 2 động cơ DC, khung xe $35 \times 35 \times 45\text{ cm}$, sai số cho phép khi đến đích là bán kính 20 cm, góc lệch $0^\circ$. Nhược điểm là phụ thuộc lớn vào ánh sáng môi trường và yêu cầu bề mặt vật thể phải có nhiều đặc trưng góc cạnh để tính toán bản đồ độ sâu.
  • Mô hình robot Turtlebot3 Waffle Pi và Burger (Robotis - Hàn Quốc): Sản phẩm thương mại hóa hoàn chỉnh chạy ROS, cho phép di chuyển và quét bản đồ chính xác nhưng giá thành thiết bị rất cao.

Nhóm tác giả tổng hợp tiêu chí so sánh giữa các mô hình qua Bảng 1.1:

Tiêu chí Turtlebot3 Burger Đề tài dùng Stereo Camera (ĐH Bách Khoa) Mục tiêu đề tài của nhóm
Ảnh hưởng của môi trường Ít chịu tác động của môi trường Chịu ảnh hưởng nhiều của yếu tố ánh sáng Không bị phụ thuộc vào môi trường
Khả năng xác định vật thể Vật cản kích thước $20 \times 20 \times 20\text{ cm}$ Vật cản kích thước $20 \times 20 \times 30\text{ cm}$ Vật cản kích thước $30 \times 30 \times 30\text{ cm}$
Chi phí Chi phí cao Chi phí cao Chi phí hợp lý
Xây dựng bản đồ số hóa Bản đồ đặc trưng góc cạnh rõ ràng Bản đồ thiếu đặc trưng góc cạnh Bản đồ đặc trưng góc cạnh rõ ràng
Sai số cho phép N/A Sai số trong phạm vi 20 cm, góc lệch $0^\circ$ Sai số trong phạm vi 20 cm, góc lệch $0^\circ$

Chương 2. Cơ sở lí thuyết và thực nghiệm

Trình bày chi tiết lý thuyết nền tảng về ROS (Filesystem, Computation Graph với cơ chế Node-Topic-Service-Message-Master, Community Level), cấu trúc gói điều hướng Navigation Stack (move_base, costmap 2D, global/local planner), nguyên lý cảm biến RPLiDAR A1, thuật toán tìm đường ngắn nhất Dijkstra và thuật toán tránh vật cản DWA. Tác giả cũng thực hiện so sánh sơ bộ giữa hai thuật toán dựng bản đồ hector_slam và slam_gmapping, khẳng định hector_slam cho độ nét bản đồ cao hơn và giảm thiểu hiện tượng nhiễu hạt.

Chương 3. Hiện thực mô hình robot

Mô tả quá trình thiết kế, chế tạo và thử nghiệm hệ thống thực tế:

  • Thiết kế khung cơ khí 2 tầng kích thước $30 \times 25 \times 15\text{ cm}$ bằng SolidWorks/AutoCAD, gia công cắt mica, sử dụng bánh xe Mecanum 9,6 cm.
  • Thiết kế mạch in nguồn PCB bằng phần mềm Altium, bố trí module XL4016 8A và mạch cấp nguồn riêng biệt cho động cơ và vi điều khiển.
  • Tích hợp vi điều khiển Arduino Mega 2560 để điều khiển 4 động cơ qua mạch cầu H XY-160D và đọc dữ liệu IMU MPU6050.
  • Cài đặt Jetson Nano Developer Kit, cấu hình hệ điều hành ROS Melodic, thiết lập gói rplidar_ros, lập trình lại các gói phần mềm và tích hợp thuật toán điều khiển PID.
  • Triển khai thuật toán tính toán Odometry và ma trận chuyển đổi tọa độ tf từ tín hiệu Encoder và IMU.
  • Tiến hành thực nghiệm quét bản đồ (Mapping) và điều hướng tự động (Autonomous Navigation) tại Phòng Lab FPT E6 và hành lang tầng 6 Nhà E, giám sát toàn bộ trạng thái node, topic và bản đồ thông qua công cụ trực quan hóa Rviz.

Chương 4. Kết luận và kiến nghị

Tổng kết các ưu điểm, nhược điểm trong quá trình hiện thực hóa mô hình phần cứng và giải thuật phần mềm, đồng thời vạch ra các hướng phát triển tiếp theo nhằm hoàn thiện sản phẩm.

Kết quả và đóng góp

Kết quả chính

  • Chế tạo thành công phần cứng: Hoàn thiện mô hình robot 4 bánh Mecanum kích thước $30 \times 25 \times 15\text{ cm}$, tích hợp đầy đủ mạch điều khiển động cơ XY-160D, vi điều khiển Arduino Mega 2560, cảm biến IMU MPU6050, cảm biến quét laser RPLiDAR A1 và máy tính xử lý trung tâm NVIDIA Jetson Nano.
  • Xây dựng giải thuật điều khiển và điều hướng: Lập trình thành công bộ điều khiển PID tốc độ cho 4 động cơ; thiết lập liên lạc thông suốt qua UART giữa Arduino và Jetson Nano; xử lý và publish chính xác dữ liệu Odometry, hệ tọa độ tf, dữ liệu LaserScan lên hệ thống ROS.
  • Thực nghiệm quét bản đồ: Quét và dựng thành công bản đồ 2D không gian thực tế tại Phòng Lab FPT E6 và hành lang tầng 6 Nhà E; bản đồ thu được có độ rõ nét cao, thể hiện chính xác cấu trúc góc cạnh tường và vật cản trong phòng.
  • Thử nghiệm điều hướng tự động: Cấu hình thành công Navigation stack với Global Planner (Dijkstra) và Local Planner (DWA), cho phép robot tự động hoạch định đường đi tới điểm đích chỉ định trên giao diện Rviz và né tránh các vật thể cản trên đường đi.

Đóng góp của đề tài

  • Đề xuất và hiện thực hóa thành công mô hình robot tự hành trong nhà sử dụng cảm biến LiDAR kết hợp bánh xe đa hướng Mecanum với mức chi phí linh kiện hợp lý, thay thế cho các hệ thống đắt tiền như Turtlebot3 Burger.
  • Khắc phục nhược điểm phụ thuộc vào điều kiện ánh sáng và đặc trưng bề mặt của các hệ thống tự hành dùng Stereo Camera trước đây, đảm bảo độ chính xác và độ ổn định cao khi số hóa bản đồ không gian phòng học.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế được ghi nhận

  1. Khối nguồn: Mạch nguồn sử dụng module hạ áp XL4016 8A chỉ duy trì được dòng tải tối đa 8A trong thời gian ngắn, trong khi dòng điện này chỉ vừa đủ cung cấp cho toàn bộ hệ thống khi hoạt động ở mức công suất cao, có thể gây mất ổn định khi nhiều tải cùng đạt đỉnh.
  2. Trạng thái phần mềm: Đến thời điểm báo cáo, việc điều khiển xe thu thập và quét bản đồ đã hoàn thiện, tuy nhiên các gói tin xử lý chạy tự động và né vật cản đa môi trường vẫn đang trong giai đoạn tiếp tục tối ưu hóa.

Hướng phát triển

  1. Nâng cấp phần cứng nguồn: Thay thế module XL4016 8A bằng mạch nguồn hạ áp DC-DC Buck Converter Step-Down công suất 20A (dải điện áp điều chỉnh từ 1.2V đến 36V) có khả năng tinh chỉnh dòng và áp bằng biến trở để đảm bảo cấp nguồn ổn định liên tục cho toàn bộ robot.
  2. Hoàn thiện giải thuật: Tối ưu hóa các gói package điều hướng tự động và né vật cản, nâng cao khả năng định vị chính xác và xử lý tình huống khi gặp các vật cản động di chuyển với tốc độ cao.

Giá trị tham khảo

Tài liệu khóa luận này mang lại giá trị tham khảo thiết thực cho:

  • Sinh viên và học viên ngành Kỹ thuật Máy tính, Điện tử - Tự động hóa, Cơ điện tử và Robot: Là tài liệu tham khảo chi tiết về quy trình chế tạo một robot tự hành từ thiết kế khung cơ khí 2 tầng (SolidWorks/AutoCAD), thiết kế mạch nguồn (Altium), lập trình nhúng trên vi điều khiển (Arduino Mega 2560/PID) đến tích hợp máy tính nhúng hiệu năng cao (NVIDIA Jetson Nano).
  • Người nghiên cứu hệ điều hành ROS và công nghệ SLAM: Cung cấp tài liệu hướng dẫn thực tế về cách cấu hình 2D Navigation Stack, thiết lập các tệp tham số Costmap (costmap_common_params.yaml, global_costmap_params.yaml, local_costmap_params.yaml, base_local_planner_params.yaml), nguyên lý thuật toán Dijkstra và thuật toán tránh vật cản DWA.

Câu hỏi thường gặp

1. Tại sao nhóm tác giả lựa chọn cảm biến LiDAR thay vì Stereo Camera để xây dựng bản đồ trong nhà?

Theo phân tích của nhóm tác giả, phương pháp sử dụng Stereo Camera để tính ảnh độ sâu phụ thuộc rất lớn vào chất lượng ánh sáng môi trường và yêu cầu bề mặt không gian phải có nhiều đặc trưng góc cạnh rõ rệt mới đảm bảo độ chính xác. Sử dụng cảm biến quét laser RPLiDAR A1 giúp hệ thống hoạt động ổn định, không bị phụ thuộc vào điều kiện chiếu sáng và cho ra bản đồ số hóa 2D với các đường biên góc cạnh rõ ràng, ít nhiễu.

2. Thuật toán nào được sử dụng để hoạch định đường đi toàn cục và né vật cản cục bộ trong khóa luận?

Hệ thống sử dụng thuật toán Dijkstra cho bộ hoạch định toàn cục (Global Planner) để tìm kiếm đường đi ngắn nhất trên đồ thị từ vị trí xuất phát đến điểm đích. Đối với bộ hoạch định cục bộ (Local Planner), hệ thống sử dụng thuật toán Dynamic Window Approach (DWA) để tính toán vận tốc tịnh tiến và vận tốc góc an toàn tối ưu nhằm tránh các vật cản tức thời.

3. Cấu hình phần cứng xử lý của robot được phân chia như thế nào giữa Arduino và Jetson Nano?

Hệ thống phân chia xử lý theo 2 cấp:

  • Arduino Mega 2560 (Cấp thấp): Đọc cảm biến IMU MPU6050 qua $\text{I}^2\text{C}$, đọc xung Encoder động cơ, thực thi giải thuật điều khiển kín PID tốc độ cho 4 động cơ DC qua mạch cầu H XY-160D, tính toán giá trị Odometry và hệ tọa độ tf.
  • NVIDIA Jetson Nano (Cấp cao): Chạy ROS Melodic, tiếp nhận dữ liệu quét từ RPLiDAR A1, nhận dữ liệu Odometry từ Arduino qua UART, chạy các package SLAM (hector_slam/gmapping) để lập bản đồ và thực thi Navigation Stack để hoạch định lộ trình.

4. Bánh xe Mecanum mang lại lợi thế gì cho thiết kế di chuyển của robot?

Bánh xe Mecanum (đường kính 9,6 cm) với kết cấu con lăn đặt nghiêng cho phép robot thực hiện chuyển động đa hướng (holonomic drive), bao gồm di chuyển tiến/lùi, đi ngang sang hai bên và xoay tại chỗ một cách linh hoạt trong các không gian chật hẹp của phòng học hoặc hành lang mà không cần chuyển hướng toàn bộ khung xe.

5. Hạn chế lớn nhất về phần cứng mà tác giả chỉ ra cần được nâng cấp là gì?

Hạn chế chính nằm ở module hạ áp XL4016 8A của mạch nguồn chỉ chịu được dòng tối đa 8A trong thời gian ngắn, mức này chỉ vừa khít với công suất tổng của toàn bộ thiết bị (Jetson Nano, 4 động cơ, Arduino, LiDAR). Tác giả kiến nghị thay thế bằng module DC-DC Buck Converter 20A để đảm bảo robot hoạt động ổn định lâu dài.

Kết luận

Khóa luận tốt nghiệp của sinh viên Lê Chí Bảo và Phan Anh Kiệt đã hoàn thiện việc nghiên cứu, thiết kế và chế tạo mô hình robot tự hành quét bản đồ trong nhà và tránh vật cản dựa trên hệ điều hành ROS và cảm biến LiDAR. Hệ thống kết hợp hiệu quả giữa máy tính nhúng NVIDIA Jetson Nano, vi điều khiển Arduino Mega 2560, cơ cấu truyền động 4 bánh Mecanum cùng các giải thuật SLAM, Dijkstra và DWA. Kết quả thực nghiệm tại Trường Đại học Công nghệ Thông tin – ĐHQG-HCM khẳng định tính khả thi của mô hình trong việc số hóa bản đồ 2D chính xác và tự động điều hướng trong không gian hẹp với chi phí chế tạo hợp lý.