Xe robot tránh chướng ngại vật sử dụng Raspberry Pi

Xe robot tránh chướng ngại vật sử dụng Raspberry Pi là một dự án robotics thú vị… 58 trang · Vietnam National University, Hanoi International School · 2021.

• Tác giả: Bui Xuan Hoa
• Người hướng dẫn: Nguyen Thanh Tung
• Trường học: Vietnam National University, Hanoi International School
• Chuyên ngành: Information Computer Engineer
• Đề tài: Xe Robot Tránh Chướng Ngại Vật Sử Dụng Raspberry Pi
• Loại tài liệu: graduation project
• Năm xuất bản: 2021
• Địa điểm: Hanoi

Mục lục chi tiết

• LETTER OF DECLARATION
• ACKNOWLEDGEMENT
• CONTENTS
• 1. CHAPTER 1: OVERVIEW OF RASPBERRY PI EMBEDDED COMPUTER SYSTEM
• 1.1. General introduction to Raspberry Pi
• 1.1.1. Concept of Raspberry Pi
• 1.2. Applications of Raspberry Pi
• 1.3. Advantages of Raspberry Pi
• 1.4. Hardware Structure Raspberry Pi
• 1.4.1. Specifications
• 1.4.2. Raspberry Pi block diagram
• 1.5. Operating systems on Raspberry Pi
• 1.6. Display images via Raspberry Pi
• 1.6.1. Basic theory of image display
• 1.6.2. How to perform
• 1.7. Application of raspberry pi in image processing
• 1.7.1. Some theoretical foundations of image processing
• 1.8. Why choose Raspberry for project?
• 2. CHAPTER 2: OBJECT DETECTION USES SSD MODEL
• 2.1. Introduction
• 2.2. Why use SSDs for Raspberry pi?
• 2.3. Overview
• 2.4. SSD Algorithm - SINGLE SHOT DETECTOR in Object Detection
• List Of Figure
• TABLE OF NOTATIONS AND ABBREVIATIONS

Tóm tắt

I. Tổng quan về Xe Robot Tránh Chướng Ngại Vật Raspberry Pi

Xe robot tránh chướng ngại vật sử dụng Raspberry Pi là một dự án robotics thú vị và đầy thử thách, kết hợp giữa phần cứng và phần mềm để tạo ra một hệ thống tự động. Raspberry Pi, một máy tính đơn bảng nhỏ gọn và mạnh mẽ, đóng vai trò là bộ não của robot, xử lý dữ liệu từ các cảm biến và điều khiển các động cơ để robot di chuyển và tránh vật cản. Dự án này không chỉ là một bài tập thực hành kỹ năng lập trình và điện tử, mà còn là một bước tiến quan trọng trong việc khám phá các ứng dụng của robot tự hành trong nhiều lĩnh vực khác nhau. Theo tài liệu gốc, dự án này sử dụng Raspberry Pi để xây dựng một chiếc xe robot có khả năng tự động di chuyển và tránh chướng ngại vật, thể hiện sự phát triển của khoa học và công nghệ trong lĩnh vực robotics.

1.1. Khái niệm cơ bản về Raspberry Pi cho Robot

Raspberry Pi là một máy tính đơn bảng (SBC) nhỏ gọn, được phát triển tại Vương quốc Anh bởi Raspberry Pi Foundation với mục đích ban đầu là thúc đẩy việc giảng dạy khoa học máy tính cơ bản. Nó tích hợp mọi thứ cần thiết để sử dụng như một máy tính, bao gồm CPU, GPU, RAM, khe cắm thẻ microSD, Wi-Fi, Bluetooth và cổng USB. Khi sử dụng Pi, chỉ cần cài đặt hệ điều hành, kết nối chuột, bàn phím và màn hình để bắt đầu. Raspberry Pi ban đầu dựa trên hệ thống trên chip (SoC) BCM2835 của Broadcom, bao gồm bộ xử lý ARM1176JZF-S 700 MHz, GPU VideoCore IV và ban đầu được xuất xưởng với 256 MB RAM.

1.2. Ứng dụng đa dạng của Robot Raspberry Pi

Raspberry Pi không chỉ là một công cụ học tập, mà còn là một nền tảng mạnh mẽ cho nhiều ứng dụng khác nhau. Nó có thể được sử dụng như một trình phát phim HD, máy chơi game cầm tay, máy tải torrent, VPN cá nhân, NAS, camera an ninh, thiết bị điều khiển nhà thông minh, robot điều khiển từ xa và nhiều hơn nữa. Với khả năng xử lý mạnh mẽ và tính linh hoạt cao, Raspberry Pi mở ra vô số khả năng sáng tạo cho các nhà phát triển và người dùng.

1.3. Ưu điểm nổi bật của Raspberry Pi trong Robotics

Raspberry Pi có nhiều ưu điểm khiến nó trở thành lựa chọn lý tưởng cho các dự án robotics. Giá thành rẻ (chỉ từ 5 USD cho phiên bản Raspberry Pi Zero), dễ sử dụng, tiết kiệm không gian, tiêu thụ ít điện năng và có tính di động cao. Ngoài ra, Raspberry Pi còn hỗ trợ nhiều ngôn ngữ lập trình và có cộng đồng người dùng lớn, giúp người dùng dễ dàng tìm kiếm hỗ trợ và tài liệu tham khảo.

II. Thách Thức và Giải Pháp Lập Trình Robot Tránh Chướng Ngại Vật

Việc lập trình cho xe robot tránh chướng ngại vật đòi hỏi sự kết hợp giữa phần cứng và phần mềm. Một trong những thách thức lớn nhất là làm thế nào để robot có thể nhận biết và phản ứng với môi trường xung quanh một cách chính xác và nhanh chóng. Điều này đòi hỏi việc lựa chọn cảm biến phù hợp, xây dựng thuật toán xử lý dữ liệu hiệu quả và thiết kế hệ thống điều khiển động cơ linh hoạt. Ngoài ra, vấn đề về nguồn điện và quản lý năng lượng cũng cần được quan tâm để đảm bảo robot hoạt động ổn định và liên tục. Theo tài liệu gốc, dự án bao gồm các chủ đề chính như tổng quan về hệ thống máy tính nhúng Raspberry Pi, ứng dụng Raspberry Pi và thử nghiệm xây dựng xe robot sử dụng Raspberry Pi.

2.1. Lựa chọn cảm biến khoảng cách cho Robot Raspberry Pi

Việc lựa chọn cảm biến phù hợp là yếu tố then chốt để xây dựng một hệ thống tránh chướng ngại vật hiệu quả. Các loại cảm biến phổ biến bao gồm cảm biến siêu âm (như HC-SR04), cảm biến hồng ngoại, LiDAR và camera. Mỗi loại cảm biến có ưu và nhược điểm riêng, cần được xem xét kỹ lưỡng dựa trên yêu cầu cụ thể của dự án. Ví dụ, cảm biến siêu âm có giá thành rẻ và dễ sử dụng, nhưng có độ chính xác hạn chế. LiDAR có độ chính xác cao hơn, nhưng giá thành cũng đắt hơn.

2.2. Thuật toán Tránh Chướng Ngại Vật Python cho Robot Pi

Việc xây dựng thuật toán tránh chướng ngại vật là một phần quan trọng trong quá trình lập trình robot. Các thuật toán phổ biến bao gồm PID control, A*, Dijkstra và các phương pháp dựa trên học máy. Thuật toán PID control đơn giản và dễ triển khai, nhưng có thể không hiệu quả trong môi trường phức tạp. A* và Dijkstra là các thuật toán tìm đường hiệu quả, nhưng có thể tốn nhiều tài nguyên tính toán. Các phương pháp dựa trên học máy có thể học cách tránh chướng ngại vật từ dữ liệu, nhưng đòi hỏi lượng dữ liệu lớn và thời gian huấn luyện.

2.3. Điều khiển động cơ Robot sử dụng Driver và Raspberry Pi

Việc điều khiển động cơ là một phần không thể thiếu trong hệ thống robot. Việc lựa chọn motor driver phù hợp là rất quan trọng để đảm bảo động cơ hoạt động ổn định và hiệu quả. Các motor driver phổ biến bao gồm L298N, TB6612FNG và các loại driver dựa trên chip MOSFET. Ngoài ra, việc lập trình Raspberry Pi để điều khiển động cơ cũng cần được thực hiện một cách cẩn thận để đảm bảo robot di chuyển theo đúng ý muốn.

III. Hướng Dẫn Từng Bước Chế Tạo Xe Robot Tránh Vật Cản Raspberry Pi

Quá trình chế tạo xe robot tránh chướng ngại vật bao gồm nhiều bước, từ việc lựa chọn linh kiện đến lắp ráp và lập trình. Bước đầu tiên là lựa chọn Raspberry Pi, cảm biến, động cơ, motor driver và các linh kiện khác. Sau đó, cần lắp ráp các linh kiện lại với nhau để tạo thành khung xe và hệ thống điện. Cuối cùng, cần lập trình Raspberry Pi để điều khiển các cảm biến và động cơ, giúp robot có thể tránh chướng ngại vật một cách tự động. Tài liệu gốc cho biết, với sự phát triển của khoa học và công nghệ, sự đa dạng của các linh kiện điện tử kỹ thuật số và thiết bị điều khiển tự động, các công nghệ cũ đang dần được thay thế bằng những công nghệ hiện đại.

3.1. Lựa chọn linh kiện và công cụ cần thiết cho Robot

Để bắt đầu dự án, cần chuẩn bị đầy đủ các linh kiện và công cụ cần thiết. Các linh kiện bao gồm Raspberry Pi (phiên bản 3 hoặc 4), cảm biến siêu âm HC-SR04, động cơ DC, motor driver L298N, bánh xe, khung xe, pin, dây điện và các linh kiện điện tử khác. Các công cụ cần thiết bao gồm mỏ hàn, máy cắt, kìm, tua vít và đồng hồ đo điện.

3.2. Lắp ráp phần cứng Khung xe và hệ thống điện

Sau khi đã chuẩn bị đầy đủ linh kiện và công cụ, bước tiếp theo là lắp ráp phần cứng. Đầu tiên, cần lắp ráp khung xe bằng cách sử dụng các vật liệu như gỗ, nhựa hoặc kim loại. Sau đó, cần gắn các động cơ, bánh xe, cảm biến và Raspberry Pi lên khung xe. Cuối cùng, cần kết nối các linh kiện điện tử lại với nhau để tạo thành hệ thống điện.

3.3. Lập trình Raspberry Pi để điều khiển robot tự hành

Sau khi đã lắp ráp xong phần cứng, bước cuối cùng là lập trình Raspberry Pi để điều khiển robot. Có thể sử dụng ngôn ngữ Python và các thư viện như RPi.GPIO để điều khiển các chân GPIO của Raspberry Pi. Cần viết code để đọc dữ liệu từ cảm biến, xử lý dữ liệu và điều khiển động cơ để robot di chuyển và tránh chướng ngại vật.

IV. Ứng Dụng Thực Tế và Nghiên Cứu Phát Triển Robot Tránh Vật Cản

Xe robot tránh chướng ngại vật không chỉ là một dự án học tập, mà còn có nhiều ứng dụng thực tế trong đời sống. Robot có thể được sử dụng trong các nhà kho để vận chuyển hàng hóa, trong các bệnh viện để phân phát thuốc men, trong các môi trường nguy hiểm để thực hiện các nhiệm vụ cứu hộ và trong nhiều lĩnh vực khác. Các nghiên cứu phát triển về robot tránh chướng ngại vật đang tập trung vào việc cải thiện khả năng nhận biết môi trường, tăng cường độ chính xác và tốc độ di chuyển, và tích hợp các tính năng thông minh như học máy và trí tuệ nhân tạo. Tài liệu gốc đề cập đến tầm quan trọng của việc xử lý ảnh trong nhiều ứng dụng thực tế của khoa học và công nghệ, cũng như trong cuộc sống hàng ngày.

4.1. Ứng dụng trong công nghiệp Vận chuyển và Logistics

Trong ngành công nghiệp và logistics, robot tránh chướng ngại vật có thể được sử dụng để vận chuyển hàng hóa trong các nhà kho và trung tâm phân phối. Robot có thể tự động di chuyển giữa các kệ hàng, lấy hàng và giao hàng đến các vị trí khác nhau, giúp tăng hiệu quả và giảm chi phí.

4.2. Ứng dụng trong y tế Hỗ trợ bệnh nhân và điều dưỡng

Trong ngành y tế, robot tránh chướng ngại vật có thể được sử dụng để hỗ trợ bệnh nhân và điều dưỡng. Robot có thể vận chuyển thuốc men, thức ăn và các vật dụng cần thiết khác đến cho bệnh nhân, giúp giảm gánh nặng cho nhân viên y tế.

4.3. Ứng dụng trong cứu hộ và thám hiểm môi trường nguy hiểm

Trong các môi trường nguy hiểm như khu vực bị ô nhiễm hóa chất, khu vực có phóng xạ hoặc khu vực bị sạt lở đất, robot tránh chướng ngại vật có thể được sử dụng để thực hiện các nhiệm vụ cứu hộ và thám hiểm. Robot có thể thu thập thông tin, tìm kiếm người bị nạn và vận chuyển các vật dụng cần thiết mà không gây nguy hiểm cho con người.

V. Kết Luận và Hướng Phát Triển Xe Robot Tránh Chướng Ngại Vật

Xe robot tránh chướng ngại vật sử dụng Raspberry Pi là một dự án đầy tiềm năng, mở ra nhiều cơ hội sáng tạo và ứng dụng trong nhiều lĩnh vực khác nhau. Với sự phát triển của công nghệ và sự ra đời của các linh kiện mới, robot sẽ ngày càng trở nên thông minh, linh hoạt và hiệu quả hơn. Trong tương lai, chúng ta có thể kỳ vọng vào sự xuất hiện của các loại robot có khả năng tự học hỏi, thích nghi với môi trường xung quanh và thực hiện các nhiệm vụ phức tạp một cách tự động. Tài liệu gốc khẳng định rằng, nhận thức được điều này, tác giả đã quyết định chọn đề tài "Ứng dụng bộ kít Raspberry Pi trong xử lý ảnh" để đưa ra một số giải pháp xử lý ảnh có thể áp dụng vào dự án.

5.1. Tích hợp AI và Machine Learning để tăng cường khả năng

Trong tương lai, việc tích hợp trí tuệ nhân tạo (AI) và học máy (Machine Learning) vào robot tránh chướng ngại vật sẽ giúp tăng cường đáng kể khả năng của robot. Robot có thể học cách nhận biết và phân loại các vật thể, dự đoán các tình huống nguy hiểm và đưa ra các quyết định tối ưu dựa trên dữ liệu thu thập được.

5.2. Phát triển hệ thống SLAM để lập bản đồ và định vị

SLAM (Simultaneous Localization and Mapping) là một công nghệ cho phép robot đồng thời lập bản đồ môi trường xung quanh và xác định vị trí của chính nó. Việc phát triển hệ thống SLAM cho robot tránh chướng ngại vật sẽ giúp robot có thể di chuyển trong môi trường phức tạp mà không cần bản đồ trước.

5.3. Ứng dụng ROS Robot Operating System để xây dựng hệ thống

ROS (Robot Operating System) là một framework phần mềm mạnh mẽ cho phép các nhà phát triển xây dựng các hệ thống robot phức tạp một cách dễ dàng. Việc sử dụng ROS cho robot tránh chướng ngại vật sẽ giúp tăng tốc độ phát triển và giảm chi phí.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Sự phát triển nhanh chóng của khoa học kỹ thuật trong lĩnh vực linh kiện điện tử số và thiết bị điều khiển tự động đang từng bước thay thế các công nghệ cũ bằng các giải pháp hiện đại. Các hệ thống điều khiển có thể lập trình sử dụng vi điều khiển, bộ vi xử lý, PLC và các thiết bị điều khiển từ xa ngày càng được ứng dụng rộng rãi trong thực tế. Các sản phẩm thông minh thế hệ mới đòi hỏi khả năng tích hợp công nghệ cao nhằm giải quyết các bài toán thực tiễn phức tạp như gắp vật thể, tránh chướng ngại vật, bám quỹ đạo di chuyển và điều khiển thiết bị tự động.

Đồ án tốt nghiệp đại học ngành Kỹ sư Tin học (Information Computer Engineer) của tác giả Bùi Xuân Hòa, dưới sự hướng dẫn của TS. Nguyễn Thanh Tùng tại Khoa Quốc tế – Đại học Quốc gia Hà Nội (thực hiện năm 2021), tập trung vào đề tài: "Xe robot tránh chướng ngại vật sử dụng Raspberry Pi" (Robot car avoids obstacles using Raspberry Pi).

Nhiệm vụ và mục tiêu nghiên cứu của đồ án bao gồm:

1. Nghiên cứu tổng quan về hệ thống máy tính nhúng Raspberry Pi, cấu trúc phần cứng, hệ điều hành và khả năng ứng dụng máy tính nhúng trong xử lý ảnh số.
2. Tìm hiểu cơ sở lý thuyết về thị giác máy tính và thuật toán nhận dạng đối tượng thời gian thực sử dụng mạng nơ-ron tích chập SSD (Single Shot MultiBox Detector).
3. Thiết kế, chế tạo phần cứng và lập trình tích hợp hệ thống xe robot hoàn chỉnh có gắn cánh tay robot gắp vật, kết nối điều khiển và giám sát từ xa qua nền tảng Internet of Things (IoT) Blynk.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Máy tính nhúng Raspberry Pi (các thế hệ Raspberry Pi 2, 3 và Raspberry Pi 4 Model B), vi điều khiển NodeMCU ESP32, kit Arduino Uno WiFi (WeMos D1), mô hình nhận dạng đối tượng SSD kết hợp mạng trích xuất đặc trưng VGG16, cùng các cơ cấu chấp hành (động cơ servo MG90, động cơ giảm tốc DC) và nền tảng IoT Blynk.
• Phạm vi triển khai: Mô hình xe robot 4 bánh tích hợp cánh tay robot gắp vật thể, hoạt động trong không gian thực nghiệm trong nhà, truyền hình ảnh thời gian thực qua webcam và điều khiển thông qua mạng không dây Wi-Fi.

---

Cơ sở lý thuyết và phương pháp

Đồ án xây dựng dựa trên sự kết hợp giữa lý thuyết xử lý ảnh số, thị giác máy tính dựa trên học sâu (Deep Learning) và kỹ thuật thiết kế hệ thống nhúng điều khiển tự động:

1. Khung lý thuyết xử lý ảnh và thị giác máy tính:

   • Xử lý ảnh số: Bao gồm các bước thu nhận ảnh từ cảm biến/webcam, tiền xử lý (nâng cao chất lượng, khử nhiễu, chuyển đổi không gian màu sang ảnh xám 8-bit với 256 mức xám), trích xuất đặc trưng và nhận dạng đối tượng.
   • Mô hình nhận diện đối tượng thời gian thực: Áp dụng thuật toán Single Shot MultiBox Detector (SSD). Khác với mô hình Faster R-CNN vốn sử dụng mạng đề xuất vùng (Region Proposal Network - RPN) với tốc độ xử lý chậm (khoảng 7 khung hình/giây), SSD loại bỏ hoàn toàn bước đề xuất vùng riêng biệt để phát hiện đối tượng trực tiếp chỉ trong một lượt truyền thẳng (single forward pass), giúp đạt tốc độ xử lý thời gian thực phù hợp với các thiết bị phần cứng nhúng.

2. Phương pháp nghiên cứu:

   • Phương pháp phân tích - tổng hợp lý thuyết: Khảo cứu tài liệu kỹ thuật về kiến trúc phần cứng các dòng Raspberry Pi, vi điều khiển ESP32, vi điều khiển ATmega328P tích hợp ESP8266; nguyên lý hoạt động của giao thức truyền thông không dây và nền tảng IoT Blynk.
   • Phương pháp toán học và mô hình hóa: Phân tích cấu trúc toán học của mạng nơ-ron SSD, hàm mất mát đa nhiệm (Multi-task Loss) kết hợp giữa sai số vị trí (Localization Loss dạng Smooth L1) và sai số phân loại (Confidence Loss dạng Softmax), phương pháp tính chỉ số tương đồng giao diện IoU (Intersection over Union) / Jaccard Overlap, cùng công thức nội suy tỷ lệ kích thước khung mặc định ($s_k$).
   • Phương pháp thiết kế và thực nghiệm kỹ thuật: Phân rã hệ thống thành các khối chức năng độc lập (khối xử lý trung tâm, khối điều khiển ngoại vi, khối truyền thông IoT, khối chấp hành và khối nguồn); tiến hành gia công khung gầm, lắp ráp mạch điện tử, nạp chương trình điều khiển và kiểm thử vận hành thực tế.

---

Nội dung chính theo từng chương

Chương 1: Overview of Raspberry Pi Embedded Computer System

Chương 1 trình bày tổng quan về hệ thống máy tính nhúng Raspberry Pi do Raspberry Pi Foundation phát triển, bao gồm lịch sử phát triển từ các phiên bản sử dụng SoC Broadcom BCM2835 (ARM1176JZF-S 700 MHz, GPU VideoCore IV, RAM 256MB/512MB), Compute Module (2014) đến Raspberry Pi 2 (BCM2836 4 nhân ARM Cortex-A7 900 MHz, RAM 1GB), Raspberry Pi 3 (BCM2837 ARM Cortex-A53 64-bit) và các thông số kỹ thuật chuẩn:

• Cấu trúc phần cứng: Cổng giao tiếp ngoại vi 40 chân GPIO (hỗ trợ UART, I2C, SPI), cổng Camera Serial Interface (CSI) hỗ trợ camera 1080p, cổng Display Serial Interface (DSI) cho màn hình LCD/OLED, cổng HDMI hỗ trợ xuất video số, cổng Ethernet RJ45, 4 cổng USB 2.0 và khe cắm thẻ nhớ MicroSD dùng làm bộ nhớ lưu trữ hệ điều hành.
• Hệ điều hành và môi trường phần mềm: Các bản phân phối Linux như Raspbian (Raspberry Pi OS), Ubuntu Mate, Snappy Core Ubuntu, Arch Linux ARM, Windows 10 IoT Core, OpenELEC; ngôn ngữ lập trình chính là Python cùng sự hỗ trợ của C, C++, Java, Perl, Ruby.
• Kỹ thuật truyền phát và xử lý ảnh: Cơ chế thu nhận luồng hình ảnh từ webcam/camera module và truyền phát qua mạng (webstream) hoặc qua thư viện OpenCV trên nền Python; các nguyên lý cơ bản của một hệ thống xử lý ảnh số từ tiền xử lý, trích xuất đặc trưng đến nhận dạng và phân loại mẫu.

Chương 2: Object Detection Uses SSD Model

Chương 2 đi sâu vào kiến trúc và giải thuật của mô hình nhận diện đối tượng SSD (Single Shot MultiBox Detector):

• Cấu trúc mạng: Sử dụng mạng cơ sở (Base Network) là VGG16 đã loại bỏ các tầng kết nối đầy đủ (Fully Connected Layers), kết hợp thêm các tầng tích chập phụ trợ (Extra Feature Layers) có kích thước giảm dần từ Conv4_3, Conv7, Conv8_2, Conv9_2, Conv10_2 đến Conv11_2.
• Cơ chế dự đoán đa tỷ lệ (Multi-scale Feature Maps): Các bản đồ đặc trưng có độ phân giải cao ở các tầng đầu (như Conv4_3 kích thước $38 \times 38$) chịu trách nhiệm phát hiện các đối tượng kích thước nhỏ, trong khi các tầng có độ phân giải thấp hơn ở phía sau chịu trách nhiệm phát hiện các đối tượng kích thước lớn.
• Khung neo mặc định (Default/Anchor Bounding Boxes): Tại mỗi ô lưới trên feature map, mạng tạo ra một số lượng khung mặc định nhất định (4 hoặc 6 khung) với các tỷ lệ khung hình khác nhau ($1, 2, 3, 1/2, 1/3$). Tác giả trình bày chi tiết cách xác định hệ số co giãn $s_k$ theo công thức: $$s_k = s_{min} + \frac{s_{max} - s_{min}}{m - 1}(k - 1), \quad k \in [1, m]$$ với $s_{min} = 0.1$ và $s_{max} = 0.9$.
• Tổng số lượng khung dự đoán: Mô hình SSD300 thực hiện dự đoán trên 6 tầng đặc trưng, tạo ra tổng cộng 8.732 khung bao:
  • Tầng Conv4_3 ($38 \times 38 \times 4$): 5.776 khung.
  • Tầng Conv7 ($19 \times 19 \times 6$): 2.166 khung.
  • Tầng Conv8_2 ($10 \times 10 \times 6$): 600 khung.
  • Tầng Conv9_2 ($5 \times 5 \times 6$): 150 khung.
  • Tầng Conv10_2 ($3 \times 3 \times 4$): 36 khung.
  • Tầng Conv11_2 ($1 \times 1 \times 4$): 4 khung.
• Hàm mất mát và quá trình huấn luyện: Hàm mất mát tổng hợp là tổng có trọng số giữa hàm mất mát vị trí và hàm mất mát độ tin cậy: $$L(x, c, p, g) = \frac{1}{N} \left( L_{conf}(x, c) + \alpha L_{loc}(x, p, g) \right)$$ Trong đó, $L_{loc}$ sử dụng hàm sai số Smooth L1 để chuẩn hóa và hồi quy 4 tham số khoảng cách dịch tâm và tỷ lệ chiều rộng/chiều cao $(t_x, t_y, t_w, t_h)$ giữa khung dự đoán ($p$) và khung chuẩn mặt đất ($g$). $L_{conf}$ sử dụng hàm Softmax để tối ưu hóa xác suất phân loại nhãn cho $C$ lớp đối tượng cộng thêm 1 lớp nền (background). Các khung dự đoán có chỉ số IoU $> 0.5$ với ground truth được coi là mẫu dương tính (positive match).

Tầng đặc trưng (Feature Layer)	Kích thước ô lưới (Grid Size)	Số khung mặc định / ô	Tổng số khung dự đoán
Conv4_3	$38 \times 38$	4	5.776
Conv7	$19 \times 19$	6	2.166
Conv8_2	$10 \times 10$	6	600
Conv9_2	$5 \times 5$	6	150
Conv10_2	$3 \times 3$	4	36
Conv11_2	$1 \times 1$	4	4
Tổng cộng toàn mô hình	—	—	8.732

Chương 3: Construction Robot Vehicles Apply Raspberry Pi

Chương 3 trình bày toàn bộ quá trình thiết kế sơ đồ khối, lựa chọn linh kiện phần cứng và nguyên lý hoạt động của xe robot:

• Nền tảng điều khiển IoT Blynk: Khai thác hệ sinh thái Blynk bao gồm Blynk App (giao diện kéo thả trên smartphone Android/iOS), Blynk Server/Cloud (trung gian định tuyến thông điệp) và thư viện Blynk Library để truyền nhận dữ liệu điều khiển qua kết nối Wi-Fi.
• Khối xử lý trung tâm và điều khiển:
  • Bộ xử lý máy tính nhúng Raspberry Pi 4: Trang bị vi xử lý Broadcom BCM2711 4 nhân Cortex-A72 1.5 GHz, RAM LPDDR4, hỗ trợ Wi-Fi băng tần kép, cổng USB 3.0 và cổng camera CSI. Module này đảm nhận việc thu nhận luồng video từ camera, thực thi thuật toán xử lý ảnh và nhận dạng vật thể.
  • Khối điều khiển di chuyển NodeMCU ESP32: Sử dụng chip ESP32-D0WDQ6 (module ESP-WROOM-32, bộ nhớ Flash 32 Mbit), kết nối Wi-Fi chuẩn 802.11 b/g/n, nhận tín hiệu điều khiển từ Blynk App để điều khiển hướng di chuyển của xe.
  • Khối điều khiển cánh tay Arduino Uno WiFi (WeMos D1): Tích hợp vi điều khiển ATmega328P và chip Wi-Fi ESP8266 (bộ nhớ Flash 32Mb, chip nạp CH340G), nhận lệnh từ ứng dụng để điều khiển các khớp servo của cánh tay robot và đọc dữ liệu từ cảm biến siêu âm.
• Khối chấp hành:
  • Cánh tay robot sử dụng các động cơ servo MG90 để điều khiển góc xoay các khớp và thao tác đóng/mở kẹp gắp vật thể.
  • Hệ thống truyền động bánh xe sử dụng các động cơ giảm tốc DC màu vàng (điện áp 3–9VDC, dòng tiêu thụ 110–140mA, tỷ số truyền 1:120, tốc độ 50 vòng/phút ở 3V và 83 vòng/phút ở 5V) gắn cùng bộ bánh xe cao su V1.
• Khối nguồn cấp: Phân tách thành hai nguồn độc lập gồm pin sạc dự phòng 5V (cung cấp cho Raspberry Pi và mạch điều khiển) và khối pin 9V (cung cấp năng lượng cho động cơ truyền động của xe).

---

Thiết kế và triển khai

Hệ thống xe robot tránh chướng ngại vật được thiết kế theo kiến trúc module hóa với sự phối hợp chặt chẽ giữa các thành phần phần cứng và phần mềm:

Khối chức năng	Phần cứng / Công nghệ sử dụng	Thông số kỹ thuật & Chức năng chính
Xử lý thị giác & Nhận dạng	Raspberry Pi 4 Model B + Webcam/Camera	SoC Broadcom BCM2711 4 nhân Cortex-A72 @ 1.5 GHz; chạy thuật toán SSD trên môi trường Python + OpenCV để trích xuất khung nhận dạng vật thể; công suất tiêu thụ tối đa 7.6W khi tải nặng, 3.4W khi không tải.
Điều khiển di chuyển	NodeMCU ESP32 (Module ESP-WROOM-32)	SoC ESP32-D0WDQ6, Flash 32Mbit, Wi-Fi 802.11 b/g/n, điện áp hoạt động 5V (mức logic 3.3V); nhận lệnh điều khiển động cơ bánh xe từ Blynk App qua giao thức mạng.
Điều khiển cơ cấu gắp	Kit Arduino Uno WiFi (WeMos D1)	Vi điều khiển ATmega328P + ESP8266, cổng nạp Micro USB qua chip CH340G, điện áp khuyên dùng 6–9VDC; điều khiển góc quay các động cơ servo của cánh tay robot và thu thập dữ liệu cảm biến siêu âm.
Cơ cấu chấp hành	Động cơ Servo MG90 & Động cơ giảm tốc DC vàng	Servo MG90 điều khiển chuyển động khớp tay gắp; Động cơ DC giảm tốc tỷ số 1:120 (50–83 rpm, dòng 110–140mA) kết hợp bánh xe V1 (nhựa, cao su) dẫn động thân xe.
Khối nguồn	Pin dự phòng 5V & Khối pin 9V	Pin sạc dự phòng 5V cấp nguồn cổng Type-C cho Raspberry Pi và mạch logic; pin 9V độc lập cấp nguồn công suất cho hệ thống động cơ.
Giao diện điều khiển	Ứng dụng Blynk (Android / iOS)	Giao diện điều khiển từ xa dạng nút bấm/thanh trượt kết nối thông qua Blynk Cloud Server hoặc Private Server qua Wi-Fi.

Quy trình vận hành của hệ thống:

1. Luồng video thời gian thực từ webcam kết nối với Raspberry Pi được xử lý bằng các bộ lọc tích chập theo mô hình mạng SSD.
2. Hệ thống xác định tọa độ khung bao và nhãn phân loại của các đối tượng/chướng ngại vật xuất hiện phía trước đường đi.
3. Người dùng theo dõi luồng hình ảnh truyền về máy tính/thiết bị giám sát và gửi lệnh điều khiển di chuyển, né tránh hoặc thao tác gắp vật thể thông qua giao diện Blynk App trên điện thoại thông minh.
4. Tín hiệu điều khiển không dây được chuyển tiếp đến vi điều khiển ESP32 (điều khiển 4 động cơ bánh xe) và WeMos D1 (điều khiển các trục servo cánh tay robot) để thực thi hành động vật lý tương ứng.

---

Kết quả và đóng góp

Đồ án đã hoàn thành việc nghiên cứu, tích hợp và chế tạo thực nghiệm hệ thống xe robot với các kết quả cụ thể:

• Lắp ráp hoàn chỉnh mô hình phần cứng xe robot 4 bánh tích hợp cánh tay gắp linh hoạt, bố trí mạch điện gọn gàng với hệ thống cấp nguồn kép (5V và 9V).
• Triển khai thành công thuật toán Single Shot MultiBox Detector (SSD) trên máy tính nhúng Raspberry Pi, tính toán chi tiết cấu trúc 6 tầng đặc trưng với tổng số 8.732 khung neo mặc định phục vụ nhận dạng đối tượng đa kích thước.
• Thiết lập kênh truyền dữ liệu điều khiển và giám sát từ xa thông qua nền tảng Blynk qua kết nối không dây Wi-Fi, cho phép điều khiển linh hoạt chuyển động của xe và các khớp của cánh tay robot theo thời gian thực.
• Đóng góp về mặt kỹ thuật: Xây dựng giải pháp kết hợp phân tán giữa máy tính nhúng hiệu năng cao (Raspberry Pi 4) chuyên trách thị giác máy tính và các vi điều khiển giá thành thấp (ESP32, WeMos D1) phụ trách giao tiếp ngoại vi và điều khiển động cơ, giúp tối ưu hóa tài nguyên phần cứng.

---

Hạn chế và hướng nghiên cứu tiếp

Văn bản khóa luận đã chỉ ra một số hạn chế kỹ thuật và định hướng cải tiến:

• Hạn chế về độ phân giải đầu vào: Khi đưa hình ảnh vào mô hình mạng SSD tiêu chuẩn (kích thước $300 \times 300$ pixel), kích thước ảnh gốc bị nén giảm đáng kể, dẫn đến việc độ chính xác nhận dạng đối với các vật thể có kích thước quá nhỏ hoặc ở khoảng cách xa chưa cao.
• Hướng nghiên cứu và giải pháp đề xuất:
  • Nâng cao độ phân giải của hình ảnh đầu vào (như chuyển sang kiến trúc SSD500 kích thước $500 \times 500 \times 3$) nhằm cải thiện độ chi tiết của bản đồ đặc trưng.
  • Nghiên cứu thay thế mạng trích xuất đặc trưng VGG16 bằng các kiến trúc mạng nơ-ron tối ưu hóa cho thiết bị biên như MobileNet, ResNet hoặc InceptionNet để cải thiện tốc độ xử lý và giảm tải cho phần cứng máy tính nhúng.

---

Giá trị tham khảo

Tài liệu đồ án là nguồn tham khảo hữu ích cho:

• Sinh viên chuyên ngành Kỹ thuật máy tính, Công nghệ thông tin, Điện tử - Viễn thông và Điều khiển tự động đang thực hiện các đồ án liên quan đến robot tự hành, xe tránh chướng ngại vật hoặc hệ thống nhúng.
• Người nghiên cứu về ứng dụng thị giác máy tính trên thiết bị biên (Edge AI): Phần phân tích cấu trúc mạng SSD, công thức tính hàm mất mát và phân bổ khung mặc định (Chương 2) cung cấp cơ sở toán học rõ ràng cho việc cài đặt mô hình Deep Learning.
• Người phát triển ứng dụng IoT: Phần thiết kế phần cứng giao tiếp giữa ESP32, Arduino Uno WiFi (WeMos D1) và nền tảng Blynk cung cấp cấu hình mạch thực tế và nguyên lý ghép nối module.

---

Câu hỏi thường gặp

1. Tại sao đồ án lại lựa chọn thuật toán SSD thay vì Faster R-CNN cho bài toán phát hiện đối tượng trên Raspberry Pi?
Faster R-CNN sử dụng mạng đề xuất vùng (RPN) riêng biệt để tạo khung bao rồi mới phân loại đặc trưng, khiến tốc độ xử lý chỉ đạt khoảng 7 khung hình/giây (fps), không đáp ứng được yêu cầu thời gian thực. SSD loại bỏ mạng RPN và tích hợp trực tiếp việc dự đoán khung bao cùng xác suất lớp trong một lần truyền thẳng, đồng thời kết hợp bản đồ đặc trưng đa tỷ lệ giúp tốc độ xử lý nhanh hơn nhiều trong khi độ chính xác tiệm cận Faster R-CNN.

2. Tổng số khung bao mặc định (bounding boxes) mà mô hình SSD300 trong đồ án tính toán là bao nhiêu?
Mô hình SSD300 tạo ra tổng cộng 8.732 khung bao mặc định trên 6 tầng tích chập: tầng Conv4_3 ($38 \times 38 \times 4 = 5.776$ khung), Conv7 ($19 \times 19 \times 6 = 2.166$ khung), Conv8_2 ($10 \times 10 \times 6 = 600$ khung), Conv9_2 ($5 \times 5 \times 6 = 150$ khung), Conv10_2 ($3 \times 3 \times 4 = 36$ khung) và Conv11_2 ($1 \times 1 \times 4 = 4$ khung).

3. Khối điều khiển trung tâm của xe robot bao gồm những linh kiện chính nào và nhiệm vụ của từng linh kiện là gì?
Khối điều khiển gồm 3 thành phần chính:

• Raspberry Pi 4: Xử lý ảnh thu nhận từ camera và thực thi thuật toán nhận dạng vật thể SSD.
• NodeMCU ESP32: Kết nối mạng Wi-Fi và nhận tín hiệu điều khiển chuyển động của 4 bánh xe từ Blynk App.
• Arduino Uno WiFi Kit (WeMos D1 - ATmega328P + ESP8266): Điều khiển các khớp động cơ servo MG90 của cánh tay robot và đọc tín hiệu cảm biến siêu âm.

4. Động cơ giảm tốc DC dùng cho chuyển động bánh xe có thông số kỹ thuật ra sao?
Hệ thống sử dụng động cơ giảm tốc DC màu vàng có điện áp hoạt động 3–9VDC, dòng tiêu thụ 110–140mA, tỷ số truyền 1:120, cho tốc độ vòng quay đạt 50 vòng/phút ở điện áp 3VDC và 83 vòng/phút ở điện áp 5VDC, kết hợp cùng bánh xe V1 cấu tạo từ nhựa, cao su và bọt biển.

5. Hệ thống cấp nguồn cho xe robot được phân chia như thế nào?
Hệ thống sử dụng nguồn cấp kép độc lập để tránh sụt áp: một pin sạc dự phòng 5V cấp nguồn cho máy tính nhúng Raspberry Pi cùng các mạch điều khiển logic, và một khối pin 9V chuyên dụng để cấp nguồn công suất cho các động cơ di chuyển của thân xe.

---

Kết luận

Đồ án tốt nghiệp "Xe robot tránh chướng ngại vật sử dụng Raspberry Pi" của tác giả Bùi Xuân Hòa đã giải quyết thành công bài toán tích hợp thuật toán nhận dạng đối tượng học sâu SSD lên nền tảng phần cứng máy tính nhúng kết hợp vi điều khiển. Hệ thống thực nghiệm hoàn chỉnh có khả năng truyền hình ảnh, nhận dạng đối tượng và cho phép điều khiển linh hoạt chuyển động của xe cũng như cánh tay gắp thông qua nền tảng IoT Blynk qua mạng Wi-Fi. Đây là tài liệu kỹ thuật có giá trị thực tiễn cao cho việc nghiên cứu và triển khai các hệ thống robot tự hành ứng dụng trí tuệ nhân tạo ở quy mô vừa và nhỏ.

Trích đoạn nội dung tài liệu

Mẫu: 03/ĐT-KLTN/B VIETNAM NATIONAL UNIVERSITY, HANOI INTERNATIONAL SCHOOL GRADUATION PROJECT PROJECT NAME Robot car avoids obstacles using RASPBERRY PI Student’s name BUI XUAN HOA Hanoi - Year 2021. 1 VIETNAM NATIONAL UNIVERSITY, HANOI INTERNATIONAL SCHOOL GRADUATION PROJECT PROJECT NAME Robot car avoids obstacles using RASPBERRY PI SUPERVISOR: Nguyen Thanh Tung. (Academic title, academic degree, full name) STUDENT: Bui Xuan Hoa. MAJOR: Information computer engineer.

2 LETTER OF DECLARATION I hereby declare that the Graduation Project Robot car avoids obstacles using raspberry pi is the results of my own research and has never been published in any work of others. During the implementation process of this project, I have seriously taken research ethics; all findings of this projects are results of my own research and surveys; all references in this project are clearly cited according to regulations. I take full responsibity for the fidelity of the number and data and other contents of my graduation project. Hanoi, (day) 31 (month) 12 (year) 2021 Student (Signature and Full name) Hòa Bùi Xuân Hòa 3 ACKNOWLEDGEMENT Today with the development of science and technology, the variety of digital electronic components, automatic control devices.

Old technologies are gradually being replaced by modern ones. Advanced technology devices with programmable control systems of microcontrollers, microprocessors, PLCs. and remote control devices are being widely applied in practice. In the current popular research, the application of science and technology has made important contributions, especially in the field of electronics.

Today a smarter product means that it has to have new innovations that are superior to previous generations, so it cannot be without the application of technology to work. From identification to control, technology can solve many practical problems such as picking objects, avoiding obstacles, tracking routes, controlling devices, etc. The topic includes the following main topics: Chapter 1: Overview of the Raspberry Pi embedded computer system. Applications raspberry pi.

Experimenting with building a robot car using Raspberry Pi With my own efforts to learn and learn, and with the dedicated help of the teachers of the Faculty of Informatics - Computer Engineering, especially the dedicated attention and guidance of the teachers. Directly instructing, especially supervisor Nguyen Thanh Tung Although I have tried a lot, but due to limited knowledge and time, it is inevitable that I will make mistakes. I look forward to receiving the contributions and guidance of teachers and friends. Once again I would like to express my gratitude and respect to my teachers throughout my career and to everyone who has helped me during my graduation thesis.

4 Contents LETTER OF DECLARATION. 4 TABLE OF NOTATIONS AND ABBREVIATIONS. 9 CHAPTER1: OVERVIEW OF RASPBERRY PI EMBEDDED COMPUTER SYSTEM .1: General introduction to Raspberry Pi .1: Concept of Raspberry Pi .2: Applications of Raspberry Pi .3: Advantages of Raspberry Pi .2: Hardware Structure Raspberry Pi .2: Raspberry Pi block diagram.3: Operating systems on Raspberry Pi .4: Display images via Raspberry Pi.1: Basic theory of image display: .2: How to perform : .5: Application of raspberry pi in image processing.1: Some theoretical foundations of image processing .6: Why choose Raspberry for project?. 18 CHAPTER 2: OBJECT DETECTION USES SSD MODEL .2: Why use SSDs for Raspberry pi? .4: SSD Algorithm - SINGLE SHOT DETECTOR in Object Detection .7: Stage 1: SSD model using VGG16 base network to extract feature map .8: Stage 2: Using convolution predictors for object detection.1: Multi-scale feature maps for detection .2: Default Bbx: Anchor Box can be understood as stacked bbx.

It helps to detect objects: .3: Bbx covers more audience types:. CONSTRUCTION ROBOT VEHICLES APPLY RASPBERRY PI .1: Design system block diagram .2: Working principle of each block: .2: Central processing unit .3: Working principle of the system.1: Control the car by blynk app.2: Arm control by blynk app. 57 6 List Of Figure Figure 1: Raspberry Pi 4 Embedded Computer Model NO .11 Figure 2: Construction of Raspberry Pi 3 Model RED .13 Figure 3: Raspberry Pi Pinout Foot Diagram.14 Figure 4: Image from webcam .16 Figure 5: Image processing .17 Figure 6: General diagram of an image processing system .17 Figure 7: Simulate SSD algorithm .20 Figure 8: Model Architecture .21 Figure 9: Image of the location of bounding boxes .25 Figure 10: Distance simulation .29 Figure 11: Rely on SSD algorithm and coordinates for object detection .33 Figure 12: After detecting the object .33 Figure 13: Object detection using convolution predictor .34 Figure 14: Image scale feature .35 Figure 15: Difference between horizontal and vertical bbx .36 Figure 16:Using feature maps to scale different scales .37 Figure 17: Block diagram image .38 Figure 18: Blynk Overview .39 Figure 19: Arduino IDE interface .41 Figure 20: Appblynk controls the robot .42 Figure 21: Image of ESP 8266 .43 Figure 22: Part diagram of car controlled by esp8266 .44 Figure 23: Image of Raspberry Pi 4 .45 Figure 24: Image of GPIO pins of Raspberry Pi 4 .46 Figure 25: Image of a robotic arm attached to a vehicle .46 Figure 26:Image of Arduino Esp8266 .47 7 Figure 27: Image of Servo motor .48 Figure 28: Control car motor .49 Figure 29: Raspberry Pi Power Backup Battery .50 Figure 30: Battery for car power .51 Figure 32: Result of object recognition.53 Figure 33: Finished results after assembly and programming .54 Figure 34: Result after completion of assembly .55 8 TABLE OF NOTATIONS AND ABBREVIATIONS Abbreviation Meaning CPU Central Processing Unit GPU Graphics Processing Unit RAM Random Access Memory DSI Display Serial Interface CSI Camera Serial Interface GPIO General Purpose Input and Output API Application Programming Interface UART Universal Asynchronous Receiver /Transmitte ARM Advanced RISC Machines SSD Single Shot Detector IoU Intersection of Union Yolo You only live once IoT Internet of Things FCC Flexible Flat Cable 9 CHAPTER1: OVERVIEW OF RASPBERRY PI EMBEDDED COMPUTER SYSTEM 1.1: General introduction to Raspberry Pi 1.1: Concept of Raspberry Pi Raspberry Pi is a word for single-board computers (also known as embedded computers) the size of a credit card, developed in the UK by the Raspberry Pi Foundation with the original purpose of promoting the Teaching basic computer science in schools and developing countries. The manufacturer has integrated everything necessary in it to use as a computer.

The Pi's board has CPU, GPU, RAM, microSD card slot, Wi-Fi, Bluetooth and 4 USB 2. When using Pi, just install the operating system, attach the mouse, keyboard and monitor to start using. The Raspberry Pi was originally based on Broadcom's BCM2835 system-on- chip (SoC), consisting of a 700 MHz ARM1176JZF-S processor, VideoCore IV GPU, and was initially shipped with 256 MB of RAM, later shipped upgrade (models B and B+) up to 512 MB. This board also has a Secure Digital (SD) socket (models A and B) or a MicroSD (models A+ and B+) used as a boot device and persistent storage.

In 2014, the Raspberry Pi Foundation released the Compute Module, packing a BCM2835 with 512 MB of RAM and an eMMC flash chip into a module for use as part of an embedded system. This organization provides Debian and Arch Linux ARM for users to download. Tools are available for Python as the primary programming language, with support for BBC BASIC (via RISC OS image or Brandy Basic clone for Linux), C, C++, Java, Perl and Ruby. 10 Figure 1: Raspberry Pi 4 Embedded Computer Model NO 1.2: Applications of Raspberry Pi Raspberry Pi is a mini computer with a full range of microprocessors and microcontrollers to perform most functions such as: - HD movie player like Android Box, full KODI support.

- Handheld game consoles, consoles, arcade games. Play like the old tape machine, emulating many systems. - Plug in the Torrent downloader 24/24. - Use as a personal VPN.

- Turn a normal hard drive into a network hard drive (NAS). - Making security cameras, remote monitoring. - Display weather, display intranet information. - Music player, book reader.

- Make a portable Terminal machine with screen, keyboard, backup battery to use anytime, anywhere, detect Wi-Fi pass. 11 - Make a Smart Home control device, control all electronic devices in the house. - Remote control robot, wireless printer, Airplay.3: Advantages of Raspberry Pi - Cheap price: from only 5 USD, you can buy a Pi (shortened version Raspberry Pi Zero). The Pi 3 version is the most powerful currently, with full Wi-Fi, Bluetooth, the highest configuration.

- Simple, easy to use, save space: use for simple office tasks, type Word, Excel or create PowerPoint, surf the web. - Self-taught programming with Pi's simple apps, children can also learn. - Consumes very little electricity: For example, downloading Torrent, instead of plugging in a computer with a capacity of hundreds of Watts continuously 24/24, just use a Pi with a capacity of less than 5W. - Highly portable: can be put in a pocket to take anywhere, suitable for portable music player, ebook reader, Wi-Fi pass detector, handheld game console.2: Hardware Structure Raspberry Pi 1.1: Specifications - Broadcom BCM2837 chipset running at 1.

- 64-bit quad-core ARM Cortex-A53 - Wireless LAN 802.1 (Classic & Low Energy) - Dual-core Videocore IV® multimedia coprocessor - 1 GB LPDDR2 memory - Supports all latest ARM GNU/Linux distributions and Windows 10 IoT - MicroUSB connector for 2.5 A power supply - 1 x 10/100 Ethernet port - 1 x HDMI video/audio connector 12 - 1 x RCA video/audio connector - 4 USB 2.0 ports - 40 GPIO pins - Antenna chip - DSI display connector - MicroSD card slot - Dimensions: 85 x 56 x 17 mm 1.2: Raspberry Pi block diagram Raspberry Pi 3 Model B has all the components like a regular computer. Figure 2: Construction of Raspberry Pi 3 Model RED - CPU: The “heart” of the circuit board. Raspberry Pi 2 uses Broadcom's BCM2836 processor. This is a SoC (system on chip) type.

- CPU: 900 MHz, 4 cores, ARM Cortex-A7 architecture. Because it uses ARM Cortex-A7, Raspberry Pi 2 can run Ubuntu core and Windows 10 core smoothly. 13 - SD RAM: 1 GB - GPU: Broadcom VideoCore IV @ 250 MHz Figure 3: Raspberry Pi Pinout Foot Diagram - Micro SD card slot: It can be noticed that there will be no hard drive on the Raspberry Pi and an SD memory card instead. All data will be stored on this memory card.

At least 4GB class 4 (4MB/s) card is required for Raspberry Pi (8GB class 10 card is recommended). - USB ports: Raspberry Pi 2 has 4 USB 2. Enough for you to plug in the necessary peripherals such as mouse, keyboard and wifi usb. - Ethernet port: The Model 2 has a standard RJ45 Ethernet port.

- HDMI port: Used to transmit digital Video and Audio signals. Up to 14 video standards are supported, and HDMI signals can be easily converted to other standards such as DVI, RCA, or SCART. - Audio-Video Output: This output is a standard 3.5mm jack, supporting users without HDMI-enabled monitors. The sound and picture output from this port is slightly lower quality than from the HDMI port.

Micro USB power supply port: One of the first things that may be noticed is that the Raspberry Pi does not have a power button. Micro USB is selected as the power supply port. Power supply for Raspberry Pi is 5v voltage (required) and current 14 should be greater than 1A. Power supply exceeding 5v will easily burn the circuit board.

- DSI port (Display Serial Interface): This port is used to connect to LCD or OLED display. - CSI (Camera Serial Interface) port: This port is used to connect to the Raspberry Pi's own camera module. This module captures quality images up to 1080p. - GPIO (General Purpose Input and Output): Like the pins of the microcontroller, these IOs of the Raspberry Pi are also used to output signals to leds, devices.

or read input signals from push buttons and switches, sensors… There are also IOs that integrate UART, I2C and SPI data transmission standards.