Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh tự động hóa và trí tuệ nhân tạo phát triển nhanh chóng, các giải pháp xe tự hành (Automated Guided Vehicle - AGV) đóng vai trò then chốt trong hiện đại hóa chuỗi cung ứng, kho vận và nhà máy sản xuất. Việc sử dụng AGV giúp doanh nghiệp tối ưu chi phí vận hành, nâng cao năng suất bốc dỡ hàng hóa và giảm thiểu các rủi ro về an toàn lao động. Tuy nhiên, phần lớn các dòng AGV truyền thống vẫn phụ thuộc vào đường dẫn vật lý cố định như băng từ hoặc đường ray, làm giảm tính linh hoạt khi cần tái cấu trúc mặt bằng sản xuất. Để nâng cao tính cơ động, xu hướng hiện nay tập trung vào việc ứng dụng cơ cấu bánh lái chủ động (steering wheel) kết hợp cùng hệ thống thị giác máy tính 3D.

Cơ cấu steering wheel mang lại ưu điểm về khả năng điều hướng linh hoạt và tính ổn định cao, trong khi camera 3D cho phép thu nhận trường chiều sâu không gian, nhận diện vật thể và hoạt động tốt ngay cả trong điều kiện ánh sáng biến đổi. Dù vậy, việc tích hợp phần cứng cơ khí, bộ điều khiển công nghiệp với các giải pháp thị giác trí tuệ nhân tạo đòi hỏi phải giải quyết bài toán phức tạp về truyền thông thời gian thực và thuật toán điều khiển động học. Đề tài "Xây dựng và điều khiển xe tự hành dùng cụm steering wheel và điều hướng bằng camera 3D vận chuyển hàng" của tác giả Đỗ Hùng Anh và Nguyễn Tuấn Kiệt (ngành Công nghệ Kỹ thuật Điều khiển và Tự động hóa, Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh, thực hiện tháng 06/2025 dưới sự hướng dẫn của ThS. Nguyễn Tử Đức) được triển khai nhằm giải quyết các thách thức kỹ thuật nêu trên.

Mục tiêu nghiên cứu được xác định cụ thể trong văn bản gồm bốn nội dung:

  1. Thiết kế xe tích hợp cụm steering wheel để đảm bảo khả năng vận hành ổn định và chính xác.
  2. Sử dụng camera 3D để phân tích không gian xung quanh, nhận diện chướng ngại vật và lập bản đồ điều hướng.
  3. Xây dựng thuật toán giúp xe di chuyển một cách tối ưu, tránh chướng ngại vật và xác định tuyến đường tối ưu.
  4. Kiểm tra khả năng hoạt động trong các môi trường khác nhau và tối ưu hóa hệ thống.

Để đạt được các mục tiêu trên, nhóm tác giả thực hiện các nhiệm vụ kỹ thuật: thiết kế và chế tạo phần cứng khung vỏ xe AGV; lập trình giải thuật điều khiển chuyển động động học; xây dựng chương trình nhận diện và bám theo người dùng bằng thị giác máy tính; thiết kế giao diện điều khiển và giám sát.

Đối tượng nghiên cứu của đồ án là mô hình xe tự hành kích thước nhỏ dẫn động bằng cụm steering wheel, tích hợp camera chiều sâu Intel RealSense D435i và bộ điều khiển logic khả trình (PLC) Mitsubishi dòng Q. Phạm vi nghiên cứu được giới hạn trong môi trường kiểm soát (phòng thí nghiệm hoặc khu vực giới hạn), áp dụng trên mô hình xe kích thước 450 x 400 x 300 mm (dung sai ±10%), sử dụng camera 3D làm cảm biến thu thập thông tin không gian chính (không trang bị GPS hay cảm biến siêu âm) và hệ thống vẫn kết nối dây cáp Ethernet với máy tính xách tay để truyền dữ liệu xử lý thuật toán.

Cơ sở lý thuyết và phương pháp

Đồ án dựa trên nền tảng lý thuyết tổng hợp từ kỹ thuật điều khiển tự động, kỹ thuật cơ điện tử và thị giác máy tính:

  • Lý thuyết phân loại và điều hướng xe tự hành: Hệ thống AGV được tổng quan qua lịch sử phát triển từ năm 1953 (nguyên mẫu dùng dây dẫn), phát triển qua các giai đoạn sử dụng dải từ (thập niên 1960), cảm biến laser (thập niên 1980–1990) đến thế hệ tích hợp trí tuệ nhân tạo, cảm biến quán tính IMU và camera 3D. Văn bản phân loại AGV theo chức năng (xe có hướng dẫn tự động AGC, xe nâng Forklift AGV, xe kéo Towing AGV, xe mini Small Load Carrier, robot di động tự hành AMR) và phân loại theo phương thức điều hướng (đường băng dải từ, đường dây dẫn, đường ray, Laser SLAM, cảm biến quang học, Visual SLAM qua camera, GPS).
  • Lý thuyết động học hệ thống bánh xe: Tác giả phân tích hai nhóm chuyển động chính trong robot học:
    • Hệ thống Holonomic: Robot có số bậc tự do điều khiển bằng số bậc tự do không gian, di chuyển tự do theo các trục x, y và xoay quanh trục z đồng thời (bánh Mecanum, Omni, Swerve).
    • Hệ thống Non-holonomic: Robot bị ràng buộc động học, không thể dịch chuyển ngang tức thời mà phải đổi hướng tuần tự (bánh Standard, Differential Drive, Steering Wheel, Caster). Mô hình của đồ án sử dụng cụm Steering Wheel kết hợp bánh Caster thuộc hệ thống Non-holonomic.
  • Lý thuyết điều khiển lập trình PLC công nghiệp: Nghiên cứu cấu trúc và nguyên lý vận hành của PLC dòng Q (Mitsubishi Electric) với kiến trúc đa bộ xử lý Multi-Processor (tối đa 4 CPU chạy song song), tốc độ xử lý đạt 34 ns/LD, chu kỳ quét từ 1 ms đến 100 ms, hỗ trợ tối đa 8.192 điểm I/O và tập lệnh điều khiển logic, đếm xung tốc độ cao, điều khiển phát xung vị trí và chuyển đổi tương tự - số (A/D, D/A).
  • Lý thuyết truyền động điện: Nguyên lý và đặc tính vận hành của động cơ một chiều không chổi than (Brushless DC motor - BLDC) dùng cảm biến từ trường rotor điều chỉnh tốc độ qua biến đổi điện áp; động cơ bước (Stepping DC motor) chuyển đổi chuỗi xung rời rạc thành các góc quay chính xác để bẻ hướng lái.
  • Lý thuyết thị giác máy tính và học sâu: Cấu trúc mạng nơ-ron tích chập (CNN) gồm các lớp Convolution, bước nhảy Stride, lớp gộp Max-pooling/Average-pooling, lớp kết nối đầy đủ Fully Connected; kiến trúc mạng phát hiện đối tượng thời gian thực YOLOv8; thuật toán theo dõi đa đối tượng Norfair dựa trên khoảng cách Euclidean.
  • Lý thuyết truyền thông công nghiệp: Bộ giao thức Internet Protocol Suite (TCP/IP) và giao thức MC-Protocol (MELSEC Communication Protocol) của Mitsubishi phục vụ truyền nhận dữ liệu trực tiếp giữa chương trình Python trên máy tính và vùng nhớ PLC.

Phương pháp nghiên cứu thực tế gồm ba nhóm chính:

  • Phương pháp thiết kế và tính toán kỹ thuật: Tính chọn thông số công suất động cơ dẫn động và động cơ bẻ lái; tính chọn dung lượng pin nguồn 24V; thiết kế cơ khí và sơ đồ đấu nối mạch điện công nghiệp.
  • Phương pháp tích hợp hệ thống phần mềm: Huấn luyện mô hình YOLOv8 trên tập dữ liệu ảnh thực tế bằng nền tảng Google Colab; cấu hình module phần cứng trên phần mềm GX Works2; lập trình thuật toán ước lượng tọa độ 3D và giao thức truyền thông MC-Protocol bằng ngôn ngữ Python.
  • Phương pháp thực nghiệm kiểm chứng: Tiến hành chạy thử nghiệm vật lý theo các kịch bản thực tế (bám thẳng, rẽ góc, chống nhiễu đối tượng, dừng an toàn) để đánh giá độ ổn định và sai lệch điều hướng.

Nguồn dữ liệu của đề tài bao gồm tập ảnh tự thu thập (bộ ảnh "myself") dùng để huấn luyện mô hình YOLOv8 trên Google Colab; dữ liệu hình ảnh màu RGB (1920 x 1080 @ 30 fps) và trường chiều sâu (1280 x 720 @ 90 fps) từ camera Intel RealSense D435i; dữ liệu trạng thái điều khiển thời gian thực được trích xuất qua thanh ghi của PLC CPU Q03UDE.

Thiết kế và triển khai

Hệ thống xe tự hành được xây dựng hoàn chỉnh với sự kết hợp chặt chẽ giữa cơ cấu cơ khí, khối điều khiển phần cứng công nghiệp và khối thuật toán xử lý hình ảnh cấp cao.

Phần cứng và bố trí cơ khí

Mô hình xe có kích thước vật lý tổng thể là 450 x 400 x 300 mm (dung sai ±10%). Bánh xe dẫn động có đường kính 90 mm và bề rộng 38 mm. Cụm dẫn động chính sử dụng cơ cấu steering wheel: hướng chuyển động được điều khiển bởi động cơ bước VEXTA Stepping DC motor thông qua góc bẻ lái, trong khi vận tốc di chuyển được cung cấp bởi động cơ không chổi than VEXTA Brushless DC motor. Hệ thống bổ sung các bánh xe phụ dạng caster (bánh xe tự lựa) để giữ thăng bằng và phân bố đều tải trọng khung xe. Camera Intel RealSense D435i được cố định trên cụm 4 trụ đỡ hướng về phía trước xe nhằm tối ưu hóa trường nhìn không gian (FOV: 85.2° x 58° x 94°).

Tên thiết bị Mã hiệu / Model Vai trò và thông số kỹ thuật
Bộ ngắt mạch bảo vệ CP30-BA Thiết bị bảo vệ ngắn mạch và quá dòng toàn hệ thống
Khối nguồn PLC Q61P Cung cấp nguồn điện một chiều ổn định cho base PLC
Bộ xử lý trung tâm PLC Q03UDE CPU xử lý logic chính, tích hợp cổng Ethernet truyền thông MC-Protocol
Module điều khiển vị trí QD75D4 Module phát xung tốc độ cao 4 trục, điều khiển góc quay động cơ bước
Module vào/ra kết hợp QH42P Module tiếp nhận tín hiệu số và xuất lệnh kích hoạt điều khiển
Module chuyển đổi D/A Q62DAN Module xuất điện áp tương tự (Analog) điều khiển tốc độ driver động cơ BLDC
Driver động cơ không chổi than AXHD30K Mạch điều khiển tốc độ và momen cho động cơ Brushless
Driver động cơ bước CSD5807-P Mạch nhận xung/hướng từ module QD75D4 điều khiển động cơ Stepping
Động cơ dẫn động chính VEXTA Brushless DC Tạo lực kéo di chuyển cho bánh xe steering wheel
Động cơ điều hướng lái VEXTA Stepping DC Xoay góc trục bánh xe steering wheel để chuyển hướng
Bộ Relay trung gian Relay khối Cách ly tín hiệu và đóng cắt các cơ cấu phụ trợ
Camera chiều sâu 3D Intel RealSense D435i Thu nhận ảnh màu RGB và trường chiều sâu Stereo IR chủ động kèm IMU
Nguồn cấp động lực Nguồn pin 24V Cung cấp năng lượng cho hệ thống động cơ và các bộ điều khiển

Kiến trúc phần mềm và truyền thông

Kiến trúc phần mềm được phân tầng rõ ràng giữa tầng xử lý thuật toán cấp cao và tầng điều hành chấp hành cấp thấp:

  1. Tầng xử lý thị giác (Python trên máy tính trạm):

    • Thu thập luồng dữ liệu hình ảnh RGB và dữ liệu chiều sâu (depth map) đồng bộ từ camera Intel RealSense D435i.
    • Luồng RGB được đưa vào mạng nơ-ron YOLOv8 để phát hiện đối tượng con người, xuất ra tọa độ khung bao (bounding box).
    • Thuật toán Norfair tiếp nhận các tâm điểm từ bounding box, áp dụng hàm tính khoảng cách Euclidean kết hợp bộ lọc để theo dõi liên tục và duy trì mã định danh (ID) duy nhất cho mục tiêu, hạn chế hiện tượng mất dấu khi người bị che khuất tạm thời.
    • Kết hợp tọa độ 2D của bounding box với ma trận chiều sâu từ RealSense SDK để tính toán tọa độ không gian 3 chiều $(X, Y, Z)$ của mục tiêu so với tâm robot.
    • Giải thuật điều khiển tính toán sai lệch góc để xác định góc quay cần thiết cho cụm bánh lái, đồng thời tính toán khoảng cách thực tế để xác định vận tốc dài mong muốn cho động cơ kéo.

  2. Tầng truyền thông dữ liệu:

    • Sử dụng thư viện giao tiếp Python kết nối với PLC Mitsubishi qua giao thức MC-Protocol trên nền tảng mạng Ethernet TCP/IP.
    • Các giá trị tính toán (vận tốc đặt, góc lái đặt, cờ lệnh cho phép chạy/dừng) được ghi trực tiếp vào các thanh ghi dữ liệu nội vi ($D$) và bit nhớ ($M$) của CPU Q03UDE theo chu kỳ thời gian thực.

  3. Tầng điều khiển chấp hành (GX Works2 trên PLC Mitsubishi dòng Q):

    • PLC đọc dữ liệu từ thanh ghi và kích hoạt logic điều khiển quy trình máy.
    • Module analog Q62DAN chuyển đổi dữ liệu số thành mức điện áp tương tự đưa vào driver AXHD30K để điều chỉnh tốc độ quay động cơ Brushless.
    • Module định vị QD75D4 phát chuỗi xung với tần số và số lượng xung tương ứng đưa vào driver CSD5807-P để xoay động cơ bước đến đúng góc bẻ lái xác định.

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 thiết lập khung nghiên cứu tổng thể của đề tài. Tác giả trình bày tính cấp thiết của việc tự động hóa hoạt động kho vận logistics, so sánh lợi thế của cơ cấu steering wheel kết hợp camera 3D so với các giải pháp AGV truyền thống. Chương này công bố chi tiết bốn mục tiêu nghiên cứu, phương pháp tiếp cận đa ngành (cơ điện tử, điều khiển công nghiệp, thị giác máy tính), xác định rõ các giới hạn kỹ thuật (quy mô phòng thí nghiệm, chưa loại bỏ dây mạng Ethernet) và phân tích các trường hợp ứng dụng thực tế của AGV trong vận chuyển nhà xưởng, bệnh viện và dịch vụ lưu trú.

Chương 2: Cơ sở lý thuyết

Chương 2 cung cấp nền tảng khoa học chi tiết cho toàn bộ đề tài:

  • Lịch sử phát triển và phân loại toàn diện các hệ thống AGV/AMR trong công nghiệp.
  • Phân tích động học hệ thống bánh xe, so sánh cơ cấu bánh holonomic và non-holonomic, chỉ ra đặc tính vận hành của cụm steering wheel.
  • Tổng quan cấu trúc phần cứng, ưu nhược điểm và nguyên lý hoạt động của PLC dòng Q Mitsubishi (chu kỳ quét, bộ đếm, bộ định thời, giao thức mạng CC-Link, MELSECNET-H).
  • Cấu tạo và nguyên lý điều khiển của động cơ không chổi than (Brushless DC) và động cơ bước (Stepping motor).
  • Thông số kỹ thuật và nguyên lý làm việc của camera Intel RealSense D435i sử dụng công nghệ phát tia hồng ngoại chủ động (Active Stereo IR) kết hợp cảm biến quán tính IMU.
  • Nguyên lý hoạt động của giao thức truyền thông MC-Protocol và giao thức mạng Internet Protocol Suite (TCP/IP, HTTP).
  • Giới thiệu môi trường phần mềm lập trình GX Works2.

Chương 3: Thiết kế và thi công phần cứng

Chương 3 trình bày các bước thiết kế và chế tạo vật lý mô hình xe:

  • Tính toán lựa chọn công suất động cơ kéo và động cơ lái dựa trên tải trọng xe và vận tốc yêu cầu.
  • Tính toán phụ tải và lựa chọn nguồn cấp điện pin 24V.
  • Lựa chọn thiết bị đóng cắt bảo vệ (CB CP30-BA), các module trên base PLC (bộ nguồn Q61P, CPU Q03UDE, module QD75D4, QH42P, Q62DAN).
  • Lựa chọn driver điều khiển động cơ AXHD30K và CSD5807-P; thông số bộ relay trung gian.
  • Quy trình lắp ráp cơ khí: chế tạo khung vỏ xe, lắp ghép bánh xe dẫn động steering wheel với khung xe, gắn cụm bánh xe phụ caster, gia công lắp đặt 4 trụ đỡ camera D435i, đi dây mạch điện công nghiệp và đấu nối hệ thống hoàn chỉnh.

Chương 4: Thuật toán nhận diện

Chương 4 tập trung vào giải thuật xử lý dữ liệu hình ảnh và tính toán động học:

  • Khái quát lý thuyết mạng nơ-ron nhân tạo và kiến trúc mạng nơ-ron tích chập (CNN).
  • Cấu trúc và nguyên lý phát hiện đối tượng của mô hình YOLOv8, phương pháp tích hợp mô hình với luồng hình ảnh từ camera D435i.
  • Nguyên lý cơ chế theo dõi đối tượng Norfair dựa trên khoảng cách Euclidean, giải pháp duy trì bounding box và gán ID mục tiêu ổn định khi xảy ra hiện tượng mất dấu tạm thời.
  • Thuật toán trích xuất vị trí không gian 3 chiều $(X, Y, Z)$ từ trường chiều sâu RealSense và công thức toán học tính toán vận tốc dài cùng tốc độ góc của bánh xe.

Chương 5: Thiết kế phần mềm

Chương 5 mô tả chi tiết quá trình lập trình hệ thống:

  • Xây dựng lưu đồ giải thuật và quy trình công nghệ tổng thể của xe tự hành.
  • Lập trình điều khiển trên GX Works2: cấu hình phần cứng PLC, thiết lập bảng thông số (parameter) cho module phát xung QD75D4 và module analog Q62DAN.
  • Triển khai chương trình Python: tải mô hình YOLOv8 đã huấn luyện trên Google Colab với tập dữ liệu "myself", tích hợp module theo dõi Norfair, tính toán tọa độ đối tượng.
  • Xây dựng giao diện điều khiển, hiển thị hình ảnh thời gian thực, khung nhận diện và các thông số giám sát chuyển động bằng mã nguồn Python.

Chương 6: Chạy thực nghiệm

Chương 6 ghi nhận kết quả vận hành mô hình thực tế qua các kịch bản thử nghiệm:

  • Kiểm chứng trạng thái xe đứng yên khi trong khung hình camera không xuất hiện đối tượng con người.
  • Thử nghiệm nhận diện mục tiêu: hệ thống xác định đúng đối tượng và đánh dấu bằng bounding box kèm ID.
  • Thử nghiệm bám mục tiêu khi có nhiễu: khi xuất hiện người thứ hai hoặc vật thể di chuyển cắt ngang, hệ thống vẫn duy trì bám chính xác đối tượng đã gán ID ban đầu.
  • Thử nghiệm chuyển hướng: xe điều khiển góc bẻ lái bám theo người chuyển động qua các góc cua.
  • Thử nghiệm kiểm soát an toàn: xe tự động giảm tốc và dừng lại hoàn toàn khi cự ly đến mục tiêu đạt khoảng cách giới hạn an toàn định mức.
  • Đưa ra nhận xét, đánh giá về độ tin cậy và sai số bám mục tiêu của toàn hệ thống.

Chương 7: Kết luận và hướng phát triển

Chương 7 tổng kết toàn bộ kết quả thực hiện của đồ án so với nhiệm vụ ban đầu, thẳng thắn chỉ ra các điểm còn tồn tại của mô hình thử nghiệm và đề xuất các giải pháp nâng cấp trong tương lai nhằm hoàn thiện hệ thống hướng tới ứng dụng thực tiễn công nghiệp.

Kết quả và đóng góp

Kết quả kỹ thuật đạt được

Đồ án đã chế tạo và vận hành thành công mô hình xe tự hành bám người với các thông số và tính năng kỹ thuật được xác nhận trong báo cáo:

  • Thi công hoàn chỉnh mô hình phần cứng cơ điện tử có kích thước 450 x 400 x 300 mm (±10%), bánh xe đường kính 90 mm, bề rộng 38 mm, kết cấu khung vỏ cứng vững, cụm 4 trụ đỡ camera vững chắc, hệ thống dây dẫn được đấu nối công nghiệp gọn gàng và phân tách rõ ràng giữa mạch điều khiển và mạch động lực.
  • Cấu hình và điều khiển thành công hệ thống PLC Mitsubishi dòng Q gồm CPU Q03UDE, module QD75D4 điều khiển động cơ bước VEXTA, module Q62DAN điều khiển động cơ Brushless VEXTA qua các bộ driver chuyên dụng AXHD30K và CSD5807-P, được bảo vệ qua CB CP30-BA và nguồn pin 24V.
  • Thiết lập kênh truyền thông MC-Protocol ổn định qua giao thức TCP/IP trên cổng mạng Ethernet, đảm bảo trao đổi thông số vận tốc và góc lái từ phần mềm Python xuống PLC theo thời gian thực.
  • Tích hợp thành công mô hình YOLOv8 huấn luyện từ Google Colab và thuật toán theo dõi Norfair với camera Intel RealSense D435i, cho phép trích xuất tọa độ không gian 3 chiều chính xác.
  • Thử nghiệm thực tế ghi nhận các trạng thái làm việc đạt yêu cầu đề ra:
    • Xe giữ trạng thái dừng khi không có người trong tầm nhìn.
    • Xe nhận diện và gán ID mục tiêu chính xác khi có người bước vào phạm vi hoạt động.
    • Xe duy trì bám đối tượng liên tục kể cả khi có người gây nhiễu xuất hiện trong khung hình.
    • Xe thực hiện bẻ lái linh hoạt để bám mục tiêu khi đi qua các khúc cua.
    • Xe tự động dừng lại khi khoảng cách đến mục tiêu đạt ngưỡng khoảng cách an toàn quy định.

Đóng góp của đề tài

Đồ án có những đóng góp kỹ thuật rõ ràng so với các nghiên cứu xe tự hành sinh viên trước đây:

  • Đã hiện thực hóa giải pháp kết hợp giữa bộ điều khiển công nghiệp cấp thấp (PLC Mitsubishi System Q) có độ tin cậy phần cứng cao với các thuật toán trí tuệ nhân tạo và thị giác máy tính cấp cao (YOLOv8, Norfair) chạy trên môi trường Python.
  • Ứng dụng thành công cơ cấu cụm steering wheel trên mô hình AGV cỡ nhỏ, chứng minh khả năng điều hướng linh hoạt và ổn định hơn so với cấu hình bánh vi sai thông thường khi điều khiển bám người trong không gian hẹp.
  • Xây dựng quy trình khép kín từ khâu thu thập dữ liệu ảnh thực tế, huấn luyện mô hình học sâu, tính toán tọa độ không gian 3D đến truyền thông điều khiển công nghiệp.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế

Tác giả đã chỉ ra các mặt hạn chế còn tồn tại của đề tài:

  • Hệ thống chưa đáp ứng đầy đủ tiêu chuẩn của một robot di động hoàn chỉnh (mobile robot độc lập) vì việc giao tiếp và điều khiển vẫn cần dây cáp mạng Ethernet vật lý kết nối giữa xe và máy tính xách tay xử lý thuật toán.
  • Tính thẩm mỹ của khung xe và các chi tiết cơ khí bảo vệ bên ngoài mới chỉ đạt mức tương đối, mang tính chất mô hình thử nghiệm phòng thí nghiệm.
  • Camera chiều sâu Intel RealSense D435i bộc lộ hạn chế khi khoảng cách đo vượt quá 10 m, đồng thời dữ liệu chiều sâu dễ bị ảnh hưởng bởi ánh sáng hồng ngoại mạnh trong môi trường thực tế và mức tiêu thụ điện tương đối cao.
  • Hệ thống chỉ được thử nghiệm trong môi trường có kiểm soát (phòng thí nghiệm hoặc khu vực giới hạn), chưa thử nghiệm trong môi trường công nghiệp thực tế có mật độ chướng ngại vật phức tạp và không trang bị các cảm biến bổ trợ như GPS hay cảm biến siêu âm.

Hướng nghiên cứu tiếp

Nhằm hoàn thiện mô hình, các hướng mở rộng được đề xuất gồm:

  • Chuyển đổi phương thức truyền thông sang mạng không dây (Wi-Fi công nghiệp hoặc sóng vô tuyến RF) hoặc tích hợp trực tiếp máy tính nhúng xử lý AI (như máy tính công nghiệp mini/Nvidia Jetson) lên thân xe để loại bỏ hoàn toàn dây cáp mạng Ethernet.
  • Gia công lại hệ thống khung vỏ cơ khí bằng vật liệu công nghiệp, hoàn thiện nắp đậy bảo vệ để nâng cao độ bền, khả năng chống bụi và tính thẩm mỹ.
  • Bổ sung thêm các cảm biến phụ trợ như Lidar, cảm biến siêu âm hoặc kết hợp sâu dữ liệu cảm biến quán tính IMU nhằm nâng cao độ chính xác điều hướng và triển khai thuật toán SLAM hoàn chỉnh trong nhà kho lớn.

Giá trị tham khảo

Đồ án là tài liệu tham khảo hữu ích cho sinh viên, giảng viên và kỹ sư thuộc các chuyên ngành Công nghệ Kỹ thuật Điều khiển và Tự động hóa, Kỹ thuật Cơ điện tử, Robotics và Kỹ thuật Máy tính:

  • Cung cấp phương pháp chi tiết về cách thức thiết lập giao thức truyền thông MC-Protocol giữa chương trình Python và dòng PLC Mitsubishi Q qua kết nối TCP/IP.
  • Là tài liệu thực hành mẫu mực cho bài toán tích hợp camera 3D (Intel RealSense D435i) với mô hình mạng nơ-ron học sâu (YOLOv8) và thuật toán bám dấu (Norfair) để điều khiển bám mục tiêu di động.
  • Cung cấp dữ liệu thiết kế và lập trình điều khiển vị trí (module phát xung QD75D4 cho động cơ bước) kết hợp điều khiển analog (module Q62DAN cho động cơ không chổi than) trên nền phần mềm GX Works2.

Câu hỏi thường gặp

1. Mô hình xe tự hành trong đồ án sử dụng cấu hình chuyển động nào và thuộc nhóm holonomic hay non-holonomic?
Mô hình xe sử dụng cụm steering wheel (gồm động cơ bẻ lái và động cơ kéo) kết hợp các bánh xe tự lựa caster. Đây là cơ cấu thuộc nhóm chuyển động non-holonomic (chuyển động không toàn năng), bị ràng buộc động học và không thể dịch chuyển ngang tức thời mà phải xoay góc bánh lái để đổi hướng di chuyển.

2. Giao thức truyền thông nào được dùng để kết nối giữa thuật toán xử lý ảnh trên máy tính và PLC Mitsubishi?
Hệ thống sử dụng giao thức truyền thông MC-Protocol (MELSEC Communication Protocol) của Mitsubishi Electric, truyền nhận gói tin qua cổng Ethernet theo bộ giao thức Internet Protocol Suite (TCP/IP), cho phép mã nguồn Python đọc và ghi trực tiếp dữ liệu vào các thanh ghi của CPU Q03UDE.

3. Nhóm tác giả dùng thuật toán nào để nhận diện và theo dõi liên tục người dùng?
Hệ thống kết hợp mô hình mạng nơ-ron tích chập YOLOv8 để phát hiện và khoanh vùng người trong khung hình, cùng với thuật toán Norfair sử dụng khoảng cách Euclidean để theo dõi chuyển động và duy trì mã định danh (ID) cố định của mục tiêu, tránh mất dấu khi đối tượng bị che khuất tạm thời hoặc có người khác xuất hiện gây nhiễu.

4. Khối điều khiển PLC Mitsubishi Q trên xe bao gồm các module cụ thể nào?
Hệ thống PLC được gắn trên base gồm: khối nguồn Q61P, bộ xử lý trung tâm CPU Q03UDE, module điều khiển vị trí phát xung 4 trục QD75D4 (điều khiển driver CSD5807-P và động cơ bước), module vào/ra số kết hợp QH42P, và module chuyển đổi số - tương tự analog Q62DAN (xuất áp điều khiển driver AXHD30K và động cơ không chổi than).

5. Vì sao nhóm nghiên cứu nhận định mô hình chưa đáp ứng trọn vẹn yêu cầu của một robot di động độc lập (mobile robot)?
Do giới hạn thiết kế hiện tại, hệ thống vẫn phải sử dụng dây cáp mạng Ethernet vật lý kết nối từ thân xe đến máy tính xách tay bên ngoài để truyền nhận dữ liệu thị giác và điều khiển, chưa được trang bị bộ truyền thông không dây hoặc máy tính xử lý nhúng độc lập trên khung xe.

Kết luận

Đồ án tốt nghiệp "Xây dựng và điều khiển xe tự hành dùng cụm steering wheel và điều hướng bằng camera 3D vận chuyển hàng" của hai sinh viên Đỗ Hùng Anh và Nguyễn Tuấn Kiệt đã hoàn thành trọn vẹn mục tiêu thiết kế và tích hợp thành công mô hình xe tự hành kết hợp giữa PLC Mitsubishi dòng Q và camera chiều sâu Intel RealSense D435i. Công trình đã hiện thực hóa việc đồng bộ thuật toán học sâu YOLOv8 kết hợp Norfair trên máy tính với cơ cấu chấp hành công nghiệp thông qua giao thức MC-Protocol, cho phép robot nhận diện và bám theo người dùng ổn định qua nhiều kịch bản vận hành thực nghiệm. Dù vẫn còn một số hạn chế về dây nối Ethernet vật lý và phạm vi thử nghiệm phòng lab, kết quả nghiên cứu đã cung cấp cơ sở kỹ thuật và phương pháp luận rõ ràng cho các ứng dụng AGV bám người trong nhà kho thông minh.