Bối cảnh và vấn đề nghiên cứu

Trong quá trình tập luyện và thi đấu môn quần vợt (tennis), việc bóng văng rải rác khắp mặt sân sau mỗi lượt đánh là một thực tế diễn ra thường xuyên. Thao tác dừng buổi tập để thu gom bóng lặp đi lặp lại làm gián đoạn quá trình rèn luyện, tiêu tốn thời gian và thể lực của người chơi. Các phương pháp thu gom truyền thống chủ yếu dựa vào thủ công như sử dụng ống nhựa hút bóng, vợt gom bóng hoặc giỏ có bánh xe đẩy tay. Mặc dù các công cụ này có chi phí thấp và cấu tạo đơn giản, hiệu suất làm việc hoàn toàn phụ thuộc vào sức người và không đáp ứng tốt các buổi tập cường độ cao với số lượng bóng lớn.

Trên thế giới, các mô hình xe tự hành thu gom bóng tự động ứng dụng cảm biến và thị giác máy tính đã được nghiên cứu với các cơ cấu như hút bằng quạt, tay gắp cơ khí hoặc trục cuốn bánh lăn. Tuy nhiên, độ phức tạp kỹ thuật và chi phí gia công cao vẫn là rào cản cho việc phổ biến thực tế. Từ bối cảnh đó, đề tài "Xe tự hành thu gom bóng tennis - ứng dụng xử lý ảnh thu gom bóng tennis" được thực hiện nhằm xây dựng một mô hình xe tự hành kết hợp xử lý ảnh và học sâu, đáp ứng yêu cầu thu gom bóng tự động với chi phí hợp lý.

Nhiệm vụ nghiên cứu của đề tài được phân định cụ thể thành hai nội dung chính:

  • Nhiệm vụ 1 (NV1): Nghiên cứu phương pháp xử lý ảnh bao gồm thu thập tập dữ liệu hình ảnh, xử lý dữ liệu và truyền lệnh điều khiển từ bộ xử lý trung tâm đến xe.
  • Nhiệm vụ 2 (NV2): Nghiên cứu xây dựng mô hình xe phần cứng, vận hành di chuyển và phản hồi dữ liệu trạng thái về máy tính nhúng.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Hệ thống xe tự hành trang bị cơ cấu thu gom bóng tennis, tích hợp máy tính nhúng nhận dạng đối tượng qua camera và vi điều khiển nhận lệnh chấp hành; hỗ trợ hai chế độ vận hành (tự động và thủ công qua giao diện điện thoại).
  • Phạm vi nghiên cứu: Ứng dụng mô hình học sâu YOLO để nhận dạng bóng tennis; xây dựng cơ cấu thu bóng và truyền nhận tín hiệu điều khiển qua giao thức UART; thử nghiệm hệ thống trong môi trường được kiểm soát với điều kiện ánh sáng ổn định và không gian hoạt động không quá phức tạp.
  • Mục tiêu tổng quát: Phát triển hoàn thiện hệ thống xe tự hành thu gom bóng tennis tự động dựa trên thị giác máy tính và học sâu, kiểm nghiệm tính khả thi của việc tích hợp phần cứng và thuật toán thông minh trong bài toán tự động hóa thể thao.

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và mô hình ứng dụng

Đề tài dựa trên nền tảng lý thuyết về học sâu (Deep Learning), thị giác máy tính (Computer Vision), kỹ thuật điều khiển nhúng và truyền thông nối tiếp:

  • Mạng nơ-ron và Deep Learning: Sử dụng cấu trúc mạng nơ-ron nhân tạo nhiều lớp với các nút mạng (node), hàm kích hoạt (activation function) và trọng số kết nối để trích xuất đặc trưng hình ảnh.
  • Mô hình nhận dạng YOLO (You Only Look Once): Ứng dụng kiến trúc phát hiện vật thể đơn tầng, chia ảnh đầu vào thành lưới $S \times S$ ô, dự đoán đồng thời tọa độ khung bao (bounding box), điểm tin cậy (confidence score) và xác suất phân lớp. Sử dụng thuật toán Non-Maximum Suppression (NMS) để loại bỏ các khung bao trùng lặp dựa trên chỉ số giao nhau trên hợp (Intersection over Union - IoU). Đề tài tập trung vào phiên bản YOLOv8 phát triển bởi Ultralytics với kiến trúc không dùng điểm neo (anchor-free), tối ưu hóa cân bằng giữa độ chính xác và tốc độ xử lý thời gian thực.
  • Thư viện OpenCV (Open Source Computer Vision): Cung cấp các công cụ xử lý ảnh đầu vào như trích xuất khung hình từ luồng video, chuyển đổi không gian màu (RGB, BGR, Grayscale, HSV), cắt vùng quan tâm (ROI) và thay đổi kích thước ảnh.
  • Giao thức truyền thông UART (Universal Asynchronous Receiver-Transmitter): Chuẩn giao tiếp nối tiếp không đồng bộ sử dụng hai đường truyền độc lập $TX$ (truyền) và $RX$ (nhận). Cấu trúc khung truyền dữ liệu gồm: bit bắt đầu (Start bit - kéo từ mức cao xuống thấp trong 1 chu kỳ xung nhịp), khung dữ liệu (5 đến 8 hoặc 9 bit), bit kiểm tra tính chẵn lẻ (Parity bit) và bit dừng (Stop bit - 1 đến 2 bit mức cao). Độ lệch tần số xung nhịp giữa bên phát và bên thu được khống chế trong ngưỡng sai số cho phép dưới 10%.
  • Động học bánh xe đa hướng Mecanum: Cấu tạo con lăn đặt nghiêng góc $45^\circ$ so với trục bánh, cho phép xe di chuyển đa hướng (tiến, lùi, dạt ngang trái/phải, xoay tròn tại chỗ) mà không cần thay đổi góc hướng của khung xe.

Phương pháp nghiên cứu và thực nghiệm

  1. Phương pháp thiết kế - tích hợp phần cứng: Lựa chọn, phối ghép các khối linh kiện điện tử, máy tính nhúng, vi điều khiển, mạch nguồn, mạch cầu công suất và cảm biến; thiết kế cơ khí khung gầm và gia công mạch in PCB.
  2. Phương pháp xử lý dữ liệu và huấn luyện mô hình: Thu thập tập dữ liệu ảnh bóng tennis thực tế, sử dụng phần mềm Label Studio để gán nhãn khung bao đối tượng theo chuẩn định dạng YOLO. Dữ liệu được phân chia thành hai tập train (huấn luyện) và val (kiểm thử). Cấu hình tệp YAML xác định đường dẫn và danh mục lớp đối tượng (Tennis_ball, Red_flag), thực hiện huấn luyện mô hình qua thư viện Ultralytics với số chu kỳ huấn luyện epochs=500.
  3. Phương pháp thực nghiệm kiểm thử: Đánh giá độ chính xác của mô hình nhận dạng trên tập kiểm thử thông qua các tham số tối ưu (best.pt); kiểm tra khả năng truyền nhận lệnh điều khiển giữa máy tính nhúng và vi điều khiển; đo đạc độ ổn định di chuyển và tỷ lệ thu gom bóng thành công trên mô hình thực tế.

Thiết kế và triển khai hệ thống kỹ thuật

Kiến trúc tổng thể và phần cứng hệ thống

Hệ thống được tổ chức theo cấu trúc phân tầng gồm các khối chức năng chính:

  • Khối xử lý trung tâm (Máy tính nhúng): Sử dụng bo mạch NVIDIA Jetson Nano Developer Kit chịu trách nhiệm chạy mô hình YOLOv8 nhận diện bóng từ camera và tính toán quỹ đạo điều khiển.
  • Khối thu nhận hình ảnh: Webcam Logitech C615 kết nối với Jetson Nano qua cổng USB 2.0.
  • Khối điều khiển chấp hành: Kit vi điều khiển ESP32 NodeMCU-32S nhận tín hiệu từ Jetson Nano qua giao tiếp UART (hoặc nhận tín hiệu điều khiển thủ công từ điện thoại qua giao tiếp không dây), xuất tín hiệu xung PWM điều khiển động cơ chuyển động và cơ cấu thu bóng.
  • Khối cảm biến hỗ trợ: Cảm biến siêu âm Ultrasonic HC-SR04 và cảm biến vật cản hồng ngoại IR Infrared Obstacle Avoidance giúp phát hiện chướng ngại vật trong quá trình vận hành.
  • Khối truyền động và cơ cấu thu gom: 04 động cơ DC giảm tốc GA25 kết hợp driver công suất điều khiển 04 bánh xe Mecanum; động cơ DC RS-555VC đảm nhiệm truyền động cơ cấu trục cuốn thu gom bóng vào khoang chứa.
  • Khối nguồn: Bộ cấp nguồn tích hợp mạch Waveshare UPS Module (B) dùng 04 cell pin Li-ion 18650 cấp nguồn 5V 5A ổn định cho Jetson Nano qua chân tiếp xúc Pogo Pins; kết hợp mạch hạ áp DC-DC LM2596 cung cấp các mức điện áp phù hợp cho vi điều khiển, cảm biến và động cơ.
Thiết bị / Linh kiện Thông số kỹ thuật chính ghi nhận trong đồ án
NVIDIA Jetson Nano GPU kiến trúc Maxwell 128 lõi CUDA (0.5 TFLOPS FP16); CPU Quad-core ARM Cortex-A57; RAM 4 GB 64-bit LPDDR4 (25.6 GB/s); Bộ nhớ trong 16 GB eMMC 5.1; Giao tiếp: 3x UART, 2x SPI, 4x I2C, GPIO, USB 3.0, Gigabit Ethernet.
Waveshare UPS Module (B) Điện áp ngõ ra 5V (dòng tối đa 5A); Điện áp sạc 8.4V 2A; Giao tiếp quản lý I2C; Kết nối chân Pogo Pins mặt dưới; Kích thước 100mm × 79mm; Lắp 04 pin 18650.
Pin Li-ion 18650 Điện áp danh định 3.7VDC (sạc đầy 4.2VDC); Dung lượng 2500mAh; Dòng xả liên tục tối đa 25A (10C); Nội trở 12mΩ - 14mΩ; Kích thước 18 × 65mm.
Mạch hạ áp LM2596 Điện áp ngõ vào 3V - 30V; Điện áp ngõ ra điều chỉnh 1.5V - 30V; Dòng đáp ứng tối đa 3A; Hiệu suất chuyển đổi 92%; Công suất 15W; Kích thước 45 × 20 × 14mm.
Vi điều khiển ESP32 SoC ESP32 NodeMCU-32S CH340 Ai-Thinker; Tích hợp WiFi, BLE; 18 kênh ADC 12-bit, PWM, UART0 (TX-GPIO1, RX-GPIO3), I2C (SDA-GPIO21, SCL-GPIO22).
Động cơ DC giảm tốc GA25 Điện áp hoạt động 3V - 12VDC; Đường kính thân động cơ 25mm; Đường kính trục 4mm; Điều khiển đảo chiều và công suất qua mạch cầu H.
Webcam Logitech C615 Độ phân giải quay video Full HD 1080p (lên đến 1920 × 1080 pixels); Gọi video HD 720p; Công nghệ hình ảnh Logitech Fluid Crystal; Cổng giao tiếp USB 2.0.
Mạch chuyển RS232 - TTL IC điều khiển MAX3232; Điện áp hoạt động 3V - 5V DC; Cổng COM 9 chân kết nối truyền thông.

Nguyên lý vận hành và lưu đồ điều khiển

Hệ thống vận hành theo hai chế độ lựa chọn qua giao diện điều khiển:

  1. Chế độ tự động (Auto Mode):
    • Camera thu nhận khung hình liên tục và truyền về Jetson Nano.
    • Luồng chương trình Python sử dụng thư viện OpenCV và mô hình YOLOv8 trích xuất tọa độ tâm của quả bóng tennis trên khung ảnh.
    • Thuật toán định vị tính toán độ lệch giữa tâm đối tượng và tâm khung hình, xác định hướng di chuyển và khoảng cách cần tiếp cận.
    • Máy tính nhúng đóng gói lệnh điều khiển và gửi qua cổng nối tiếp UART xuống ESP32.
    • ESP32 giải mã gói tin, phát xung PWM đến mạch driver điều khiển 4 bánh xe Mecanum di chuyển xe áp sát bóng, đồng thời kích hoạt động cơ RS-555VC quay trục cuốn đưa bóng vào giỏ chứa.
  2. Chế độ thủ công (Manual Mode):
    • Người dùng trực tiếp điều khiển các hướng di chuyển (tiến, lùi, dạt trái, dạt phải, xoay vòng) và kích hoạt cơ cấu cuốn bóng thông qua giao diện ứng dụng trên điện thoại di động kết nối với ESP32.
    • Hệ thống phản hồi số lượng bóng đã thu gom về hiển thị trực tiếp trên giao diện người dùng.

Nội dung chính theo từng chương

Chương 1: Giới thiệu

Chương 1 thiết lập tính cấp thiết của đề tài, nêu bật sự bất tiện của các phương pháp thu gom bóng thủ công trong thể thao quần vợt. Tác giả xác định mục tiêu thiết kế mô hình xe tự hành thu gom bóng có chi phí hợp lý, xác lập đối tượng nghiên cứu (hệ thống nhận dạng bóng bằng máy tính nhúng, cơ cấu thu gom cơ khí, giao diện điều khiển thủ công qua điện thoại) và phạm vi nghiên cứu (xử lý ảnh YOLOv8, truyền thông UART, thử nghiệm môi trường kiểm soát). Chương này cũng phân tích tiềm năng ứng dụng của mô hình trong sân tập thể thao, vệ sinh công nghiệp và làm nền tảng cho các nghiên cứu robot tự hành chuyên sâu.

Chương 2: Tổng quan về xử lý ảnh và mô hình học sâu

Chương 2 trình bày có hệ thống các kiến thức lý thuyết và thông số linh kiện phần cứng:

  • Giới thiệu ngôn ngữ Python, khái niệm trí tuệ nhân tạo (AI), học máy (Machine Learning) và học sâu (Deep Learning); nguyên lý mạng nơ-ron đa lớp.
  • Phân tích cơ chế hoạt động của thuật toán YOLO, kỹ thuật phân chia lưới ô, dự đoán bounding box, chỉ số IoU và giải thuật NMS. So sánh các biến thể của YOLOv8 (YOLOv8n, YOLOv8s, YOLOv8m, YOLOv8l, YOLOv8x) về mối quan hệ giữa tốc độ và độ chính xác.
  • Giới thiệu các chức năng cốt lõi của thư viện OpenCV (không gian màu, xử lý ảnh/video) và thư viện Ultralytics (cấu trúc thư mục dataset, định dạng tệp YAML, câu lệnh huấn luyện và kiểm thử mô hình).
  • Phân tích cấu trúc gói tin và chu trình truyền thông UART nối tiếp không đồng bộ.
  • Trình bày thông số kỹ thuật chi tiết của các linh kiện: Jetson Nano, Waveshare UPS Module (B), Webcam Logitech C615, cell pin Li-ion 18650, module giảm áp LM2596, kit ESP32 NodeMCU-32S, mạch chuyển đổi RS232-TTL, động cơ GA25, động cơ RS-555VC, mạch cầu H L298N/BTS7960, cảm biến siêu âm HC-SR04, cảm biến hồng ngoại và cơ cấu bánh Mecanum.

Chương 3: Mô tả và thiết kế hệ thống

Chương 3 tập trung vào thiết kế kỹ thuật chi tiết:

  • Trình bày sơ đồ khối hệ thống, sơ đồ khối chi tiết, sơ đồ nguyên lý và sơ đồ đấu nối dây giữa các thành phần linh kiện.
  • Phân tích nguyên lý nhận dạng bóng tennis, nguyên lý điều khiển cơ cấu thu gom bóng, nguyên lý điều khiển động cơ DC qua tín hiệu PWM và nguyên lý phối hợp chuyển động của 4 bánh xe Mecanum.
  • Xây dựng lưu đồ giải thuật chương trình xử lý ảnh trên máy tính nhúng Jetson Nano, lưu đồ thuật toán điều khiển trên vi điều khiển ESP32 và lưu đồ phối hợp toàn hệ thống.
  • Thiết kế các bản vẽ hình học khung xe (mặt chiếu bằng, mặt chiếu đứng, mặt chiếu cạnh, mặt trên, mặt trước, mặt ngang) và thực hiện thi công mạch in PCB cùng khung xe thực tế.
  • Thiết kế giao diện điều khiển thủ công và hiển thị dữ liệu trạng thái trên điện thoại.

Chương 4: Kết quả và đánh giá

Chương 4 công bố các kết quả thực nghiệm thu được từ mô hình:

  • Kết quả huấn luyện mô hình YOLOv8 trên tập dữ liệu ảnh thu thập, hiển thị các đồ thị đánh giá hiệu năng huấn luyện và các trường hợp nhận dạng bóng tennis thực tế qua camera.
  • Đánh giá khả năng hoạt động thực tế của khung xe, mạch PCB, cơ cấu thu bóng và tính ổn định của các chế độ điều khiển qua hình ảnh và video thực nghiệm.
  • Lập bảng tổng hợp các kết quả thử nghiệm và đưa ra phân tích, đánh giá định lượng về độ chính xác và độ trễ của hệ thống.

Chương 5: Kết luận và hướng phát triển

Chương 5 đúc kết các ưu điểm và hạn chế rút ra từ quá trình thi công phần cứng, lập trình giải thuật và thử nghiệm thực tế; đồng thời đề xuất các định hướng nâng cấp, hoàn thiện hệ thống trong các giai đoạn tiếp theo.

Kết quả và đóng góp

Kết quả thực hiện

  • Về mô hình AI và phần mềm: Hoàn thiện tập dữ liệu ảnh gán nhãn bóng tennis bằng Label Studio; xây dựng tệp cấu hình YAML (Tennis_ball, Red_flag) và huấn luyện thành công mô hình nhận diện đối tượng YOLOv8 qua thư viện Ultralytics (epochs=500). Chương trình nhận dạng chạy ổn định trên nền hệ điều hành của máy tính nhúng Jetson Nano, xử lý luồng khung hình từ webcam Logitech C615 theo thời gian thực.
  • Về phần cứng và cơ khí: Thiết kế và thi công hoàn chỉnh khung xe với cơ cấu thu gom bóng hoạt động bằng động cơ RS-555VC; gia công mạch in PCB tích hợp kết nối giữa vi điều khiển ESP32, mạch chuyển đổi tín hiệu, driver động cơ và các cảm biến HC-SR04, hồng ngoại; tích hợp bộ nguồn độc lập dùng module UPS Waveshare B và mạch giảm áp LM2596.
  • Về điều khiển và giao tiếp: Thiết lập thành công giao thức truyền thông nối tiếp UART giữa Jetson Nano và ESP32; điều khiển hệ thống bánh xe Mecanum thực hiện trơn tru các chuyển động đa hướng (tiến, lùi, dạt ngang, xoay tại chỗ); hoàn thiện giao diện điều khiển thủ công và giám sát số lượng bóng thu gom trên điện thoại.

Đóng góp của đề tài

  • Hiện thực hóa mô hình robot di động thu gom bóng tennis cỡ nhỏ với cấu trúc cơ điện tử hoàn chỉnh, kết hợp khả năng tính toán biên (Edge AI) trên Jetson Nano với khả năng điều khiển thời gian thực trên vi điều khiển ESP32.
  • Chứng minh tính khả thi của việc ứng dụng mô hình học sâu hiện đại (YOLOv8) và cơ chế di chuyển bánh xe Mecanum đa hướng trong bài toán tự động hóa hỗ trợ hoạt động thể thao với mức chi phí chế tạo phù hợp.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của hệ thống

  • Hệ thống mới chỉ được thử nghiệm trong môi trường kiểm soát với điều kiện cường độ ánh sáng ổn định và mặt bằng di chuyển bằng phẳng, chưa đánh giá toàn diện trong điều kiện thời tiết ngoài trời phức tạp hoặc ánh sáng thay đổi mạnh.
  • Khả năng tính toán và tốc độ xử lý khung hình bị giới hạn bởi tài nguyên phần cứng của máy tính nhúng phân khúc thấp; hệ thống chỉ vận hành đơn lẻ, chưa hỗ trợ điều hướng tự động nâng cao trong không gian rộng có nhiều vật cản động.

Hướng nghiên cứu tiếp

  • Nâng cấp giải thuật điều hướng tự động nâng cao (advanced autonomous navigation) và lập bản đồ không gian để tối ưu hóa lộ trình thu gom bóng trên toàn bộ mặt sân.
  • Cải thiện thuật toán xử lý ảnh nhằm tăng cường độ chính xác nhận dạng bóng trong các điều kiện ánh sáng yếu hoặc có bóng đổ phức tạp.
  • Phát triển tính năng tương tác người - robot (human-robot interaction) và nghiên cứu mô hình phối hợp đa robot (multi-robot system) cùng thu gom trên một sân thể thao.

Giá trị tham khảo

Đồ án là tài liệu tham khảo chuyên môn phù hợp cho sinh viên, học viên và kỹ sư thuộc các ngành:

  • Kỹ thuật Điều khiển và Tự động hóa: Tham khảo phương pháp xây dựng hệ thống nhúng điều khiển robot di động, kỹ thuật điều khiển động cơ DC qua PWM, thiết kế mạch cầu H và điều khiển chuyển động đa hướng với bánh Mecanum.
  • Kỹ thuật Điện tử - Viễn thông / Cơ điện tử: Tham khảo quy trình thiết kế phần cứng, gia công mạch in PCB, phân bổ hệ thống nguồn pin Li-ion kết hợp mạch sạc UPS và thiết lập truyền thông UART giữa các vi xử lý.
  • Khoa học Dữ liệu / Trí tuệ Nhân tạo ứng dụng: Tham khảo quy trình thu thập, gán nhãn dữ liệu bằng Label Studio, cấu hình và huấn luyện mô hình YOLOv8 trên thư viện Ultralytics và triển khai mô hình học sâu trên phần cứng máy tính nhúng Jetson Nano.

Câu hỏi thường gặp

1. Tại sao đề tài lại lựa chọn mô hình YOLOv8 thay vì các thuật toán phát hiện đối tượng truyền thống?

YOLOv8 sử dụng kiến trúc không dùng điểm neo (anchor-free) kết hợp cấu trúc backbone và neck cải tiến, giúp tối ưu hóa sự cân bằng giữa độ chính xác và tốc độ tính toán. So với các thuật toán truyền thống hoặc các dòng mô hình phát hiện hai giai đoạn (như Faster R-CNN) vốn phải trích xuất vùng quan tâm rồi mới phân loại, YOLOv8 thực hiện dự đoán vị trí và phân lớp trong một lần truyền ảnh duy nhất, đáp ứng yêu cầu xử lý thời gian thực trên các thiết bị nhúng có tài nguyên tính toán giới hạn như Jetson Nano.

2. Vai trò cụ thể của máy tính nhúng Jetson Nano và vi điều khiển ESP32 trong hệ thống là gì?

Hệ thống sử dụng cấu trúc xử lý phân tầng:

  • Jetson Nano: Đóng vai trò là bộ xử lý cấp cao (Master), tiếp nhận dữ liệu hình ảnh từ webcam Logitech C615, chạy thuật toán YOLOv8 để nhận diện bóng tennis, tính toán tọa độ và xác định hướng di chuyển của xe, sau đó gửi lệnh qua giao tiếp UART.
  • ESP32: Đóng vai trò là bộ điều khiển chấp hành cấp thấp (Slave), nhận lệnh từ Jetson Nano (hoặc từ giao diện điện thoại ở chế độ thủ công), trực tiếp xuất tín hiệu PWM điều khiển các driver động cơ bánh xe, động cơ thu gom bóng và đọc dữ liệu từ các cảm biến khoảng cách/hồng ngoại.

3. Ưu điểm của việc sử dụng 4 bánh xe Mecanum trong cấu trúc truyền động của xe là gì?

Bánh xe Mecanum có các con lăn phụ đặt nghiêng $45^\circ$ quanh chu vi. Khi phối hợp vận tốc và chiều quay của 4 động cơ độc lập, xe có thể thực hiện chuyển động đa hướng tự do: tiến, lùi, dạt ngang sang trái/phải và xoay tròn tại chỗ mà không cần đổi hướng đầu xe. Điều này giúp xe di chuyển linh hoạt trong không gian hẹp trên sân tennis và tiếp cận bóng một cách nhanh chóng.

4. Giao thức truyền thông giữa Jetson Nano và ESP32 được cấu hình như thế nào?

Dữ liệu giữa Jetson Nano và ESP32 được truyền nối tiếp không đồng bộ thông qua giao thức UART qua các chân $TX$ và $RX$. Gói tin truyền đi có cấu trúc định chuẩn bao gồm: 1 bit bắt đầu (Start bit) kéo đường truyền từ mức cao xuống mức thấp, khung dữ liệu (Data bits) mang lệnh điều khiển hoặc số lượng bóng, 1 bit kiểm tra chẵn lẻ (Parity bit) để phát hiện lỗi dữ liệu, và 1-2 bit dừng (Stop bit) báo hiệu kết thúc gói tin. Tốc độ baud được thiết lập đồng bộ trên cả hai thiết bị với sai số thời gian cho phép dưới 10%.

Kết luận

Đồ án tốt nghiệp "Xe tự hành thu gom bóng tennis - ứng dụng xử lý ảnh thu gom bóng tennis" của sinh viên Nguyễn Thị Hương Giang đã hoàn thành đầy đủ hai nhiệm vụ nghiên cứu cốt lõi về xử lý ảnh và thiết kế mô hình robot chấp hành. Hệ thống tích hợp thành công mô hình học sâu YOLOv8 trên nền tảng máy tính nhúng NVIDIA Jetson Nano kết hợp vi điều khiển ESP32, làm chủ cơ chế truyền động đa hướng bánh Mecanum và cơ cấu thu bóng cơ khí. Kết quả nghiên cứu thể hiện tính khả thi cao trong việc ứng dụng thị giác máy tính và công nghệ nhúng vào giải quyết các bài toán tự động hóa phục vụ thể thao, đồng thời tạo tiền đề kỹ thuật vững chắc cho các nghiên cứu phát triển robot tự hành thông minh sau này.