GIỚI THIỆU
Tính cấp thiết của đề tài
Khi di chuyển đồ vật nặng và cồng kềnh trong các môi trường như trường học, bệnh viện, nhà kho hay sân bay, cần một loại robot thông minh để hỗ trợ thay vì sử dụng xe đẩy hàng thông thường Sự phát triển của công nghệ thị giác máy đã thúc đẩy nghiên cứu và phát triển robot hỗ trợ vận chuyển hàng hóa, thu hút sự quan tâm của nhiều quốc gia Việc thiết kế robot có khả năng nhận diện và điều hướng theo người cụ thể để hỗ trợ vận chuyển là rất cần thiết Do đó, nhóm tác giả đã phát triển đề tài “Nghiên Cứu, Thiết Kế và Chế Tạo Xe”.
Giải pháp "Hỗ Trợ Vận Chuyển Hàng Hóa Thông Minh" mang lại lợi ích vượt trội trong việc tiết kiệm thời gian và công sức cho người vận chuyển hàng hóa Phương pháp này tối ưu hóa quy trình vận chuyển trong nhiều môi trường khác nhau, giúp nâng cao hiệu quả công việc.
Robot được thiết kế để nhận diện và theo dõi một người cụ thể bằng cách nhận diện màu áo của họ, đồng thời duy trì khoảng cách an toàn Khi gặp vật cản, robot có khả năng dừng lại hoặc chuyển sang chế độ tìm kiếm nếu người cần theo dõi đi quá xa Để thực hiện các chức năng này, robot được trang bị camera với cảm biến RGB cung cấp thông tin chi tiết về môi trường xung quanh và cảm biến chiều sâu để thu thập dữ liệu 3D.
Ý nghĩa khoa học và thực tiễn của đề tài
Nghiên cứu và phát triển trí tuệ nhân tạo (AI) cùng với xử lý ảnh là rất quan trọng trong việc nhận diện và theo dõi người trong xe vận chuyển hàng hóa thông minh Việc áp dụng các thuật toán tiên tiến không chỉ nâng cao khả năng nhận diện mà còn mở ra nhiều tiềm năng ứng dụng trong các lĩnh vực khác, góp phần vào sự phát triển chung của AI và xử lý ảnh.
Việc phát triển thuật toán xử lý ảnh nhằm nhận diện và theo dõi người trong xe vận chuyển hàng hóa thông minh yêu cầu nghiên cứu, thử nghiệm và cải tiến các thuật toán hiện tại Điều này không chỉ mang tính khoa học mà còn góp phần vào việc tìm hiểu và đề xuất các phương pháp mới, từ đó nâng cao hiệu suất và độ chính xác của các thuật toán.
Tiềm năng phát triển và ứng dụng trong tương lai của công nghệ nhận diện và bám theo người là rất lớn Nghiên cứu và phát triển các công nghệ này không chỉ mở ra cơ hội mới mà còn thúc đẩy sự đổi mới trong nhiều lĩnh vực khác nhau.
Công nghệ có thể được áp dụng rộng rãi trong nhiều lĩnh vực như dịch vụ chăm sóc sức khỏe, hỗ trợ người già và người khuyết tật, và giao thông thông minh Việc nghiên cứu và phát triển các ứng dụng tương lai trong lĩnh vực này không chỉ mang ý nghĩa khoa học mà còn hứa hẹn mang lại nhiều lợi ích cho xã hội.
Xe vận chuyển hàng hóa thông minh giúp tối ưu hóa quá trình vận chuyển bằng cách nhận diện và bám theo người, từ đó tiết kiệm thời gian và sức lao động, tăng năng suất và hiệu quả lao động Ứng dụng của xe này rất đa dạng, có thể được sử dụng trong các ngành công nghiệp như kho vận, nhà máy sản xuất, hệ thống phân phối và logistics, cũng như trong các bệnh viện, trường học và sân bay.
Xe vận chuyển hàng hóa thông minh giúp giảm thiểu rủi ro va chạm và tai nạn trong quá trình vận chuyển nhờ khả năng nhận diện và bám theo người Điều này không chỉ bảo vệ an toàn cho hàng hóa mà còn giảm thiểu nguy cơ chấn thương cho người lao động khi vận chuyển vật nặng trên quãng đường dài.
Mục tiêu nghiên cứu của đề tài
Có thể nhận diện một người cụ thể và theo dõi chuyển động của họ bằng cách sử dụng camera tích hợp, cung cấp thông tin chi tiết về môi trường xung quanh thông qua hình ảnh màu từ cảm biến RGB và dữ liệu chiều sâu 3D từ cảm biến chiều sâu.
Robot có khả năng duy trì khoảng cách an toàn với người đã được nhận diện, hỗ trợ vận chuyển hàng hóa và tự động dừng lại khi gặp vật cản Đồng thời, robot cũng có thể tìm kiếm người đã nhận diện nếu người đó di chuyển quá xa.
Thiết kế cơ khí kết hợp phuộc cho phép robot hoạt động linh hoạt không chỉ trên bề mặt phẳng như nhà kho và bệnh viện, mà còn trên các địa hình khác như đường nhựa và khuôn viên trường học.
Đối tượng và phạm vi nghiên cứu
Robot hỗ trợ giao hàng thông minh ứng dụng xử lý ảnh để có thể nhận diện và điều hướng theo một người cụ thể
Nghiên cứu các robot cùng lĩnh vực hiện có ở Việt Nam và trên thế giới
Thiết kế robot có thể di chuyển theo người để hỗ trợ vận chuyển hàng
Phạm vi hoạt động trong khu vực nhà kho, khuôn viên bệnh viện, khuôn viên trường học hay các không gian ngoài trời
Nghiên cứu và tham khảo các mẫu robot tiêu biểu từ các hãng sản xuất hàng đầu trên thế giới, đồng thời tìm hiểu các công nghệ và điều kiện phù hợp với đề tài Qua đó, lựa chọn công nghệ và giải pháp tối ưu cho dự án.
Phương pháp nghiên cứu
1.5.1 Cơ sở phương pháp luận
Phương pháp nghiên cứu tài liệu
Phương pháp phân tích tổng hợp
Phương pháp thu thập thông tin, dữ liệu
1.5.2 Các phương pháp nghiên cứu cụ thể
Dựa trên tài liệu tham khảo từ các robot hiện có trên thị trường trong nước và quốc tế, cùng với kiến thức từ các môn học liên quan, chúng tôi đã tiến hành nghiên cứu và phân tích để hiểu rõ hơn về công nghệ robot.
Nghiên cứu, tính toán và thiết kế cấu tạo liên quan đến cấu tạo cơ khí
Tính toán lựa chọn cơ cấu truyền động, động học của robot
Phân tích kết cấu, độ bền, khả năng chịu tải, lựa chọn động cơ
Mô phỏng và thử nghiệm trên phần mềm Solidwork
Nghiên cứu và ứng dụng xử lý ảnh để có thể nhận diện được người cần đi theo
Thiết kế mạch điều khiển
Lập trình điều khiển robot
Khảo sát chế độ điều khiển và cơ cấu truyền động của các robot đã được dùng rộng rãi trong công nghiệp, dịch vụ
Tham khảo các kết quả nghiên cứu đã có trong nước
Tìm hiểu khả năng về kinh phí và độ phức tạp của mô hình là bước quan trọng trong quá trình thiết kế Đồng thời, cần xem xét điều kiện công nghệ chế tạo trong thực tế để đưa ra phương án thiết kế phù hợp nhất.
Kết cấu của đồ án tốt nghiệp
Đồ án tốt nghiệp bao gồm 10 chương, trong đó:
Chương 1: Tổng quan về tính cấp thiết của đề tài, ý nghĩa về mặt khoa học và áp dụng và thực tiễn Chương này sẽ làm rõ mục tiêu nghiên cứu của đề tài, cũng như phạm vi nghiên cứu và nêu lên phương pháp giải quyết vấn đề
Chương 2: Chương này bao gồm tình hình nghiên cứu trong và ngoài nước về robot hỗ trợ vận chuyển hàng hóa thông minh Đồng thời nêu ra những điểm giới hạn của đề tài khi tiến hành thực hiện đề tài
Chương 3: Trình bày cơ sở lý thuyết ứng dụng vào ĐATN
Chương 4: Nêu lên chức năng, những đăc tính về kỹ thuật và từ đó đề ra phương án thiết kế tối ưu nhất Đồng thời tóm tắt quá trình nghiển cứu và thực hiện đề tài
Chương 5: Trình bày quá trình tính toán thiết kế cơ khí Lựa chọn động cơ, giảm xóc, trục… dựa trên yêu cầu về khả năng vận hành và sức bền của chi tiết
Chương 6: Sơ lược về chức năng của từng khối câu thành bộ điều khiển Giới thiệu về thông số kỹ thuật, chức năng và cách thức hoạt động của các linh kiện
Chương 7: Giải thích thuật toán xử lý ảnh để nhận diện người muốn tracking
Chương 8: Lý thuyết về điều khiển PID và các tính toán lựa chọn thông số PID cho robot Ứng dụng PID vào điều khiển vận tốc của robot
Chương 9 Thi công mô hình và phân tích kết quả đạt được
Chương 10 Kết luận và hướng phát triển
TỔNG QUAN NGHIÊN CỨU ĐỀ TÀI
Giới thiệu
Mobile robot là lĩnh vực nghiên cứu trong robot học, tập trung vào thiết kế các robot di động tự động tương tác với môi trường Chúng tôi đã phát triển một mobile robot thông minh dùng để vận chuyển hàng hóa, sử dụng camera và thuật toán xử lý ảnh để nhận diện và theo dõi người sử dụng Camera cung cấp dữ liệu cho robot, giúp nhận biết và tương tác với người và vật thể trong quá trình vận chuyển Ứng dụng của robot này là hỗ trợ vận chuyển hàng hóa một cách thông minh và tự động, với khả năng xác định vị trí và điều chỉnh tốc độ để theo kịp người sử dụng Điều này không chỉ nâng cao hiệu suất và an toàn trong vận chuyển mà còn giảm công sức và tài nguyên con người Với sự phát triển của công nghệ mobile robot, xử lý ảnh và trí tuệ nhân tạo, đề tài này có tiềm năng ứng dụng rộng rãi trong các ngành công nghiệp và giao thông thông minh.
Nghiên cứu tổng quan trong và ngoài nước
2.2.1 Tình hình nghiên cứu ở nước ngoài
Piaggio Fast Forward là một trong những công ty công nghệ hàng đầu tại Mỹ, nổi bật với những ưu thế về khoa học và công nghệ Công ty đã phát triển và triển khai robot có khả năng nhận diện và điều hướng theo người, giúp hỗ trợ vận chuyển hàng hóa trong nhiều ứng dụng, đặc biệt trong môi trường đô thị.
Hình 2 1: Robot vận chuyển hàng tự động Piaggio Gita
Robot Piaggio Gita có thiết kế hình tròn và khung chắc chắn, bảo vệ hàng hóa bên trong Với kích thước nhỏ gọn, nó có thể dễ dàng di chuyển trên vỉa hè và qua các cửa hẹp, đồng thời đủ lớn để chứa một lượng hàng hóa đáng kể Trọng tải tối đa của Piaggio Gita là khoảng 18 kg, cho phép nó vận chuyển các vật dụng như túi xách, hành lý, thực phẩm và đồ dùng hàng ngày.
Piaggio Gita được trang bị cảm biến và camera tiên tiến để theo dõi môi trường xung quanh, giúp di chuyển an toàn Robot này sử dụng công nghệ định vị và nhận dạng để xác định vị trí, di chuyển theo con người hoặc xe đi trước Gita có khả năng hoạt động trên nhiều loại địa hình, bao gồm đường phố, vỉa hè, cầu thang và thang máy.
Piaggio Gita là một robot tương tác dễ dàng với con người thông qua giao diện điều khiển đơn giản, cho phép người dùng chỉ định đích đến hoặc hướng dẫn robot theo ý muốn Nó có khả năng tự động theo sát người dùng, giữ khoảng cách an toàn và bảo vệ hàng hóa trong suốt quá trình di chuyển Mục tiêu của Piaggio Gita là giảm bớt gánh nặng vận chuyển hàng hóa cho con người trong môi trường đô thị, mang lại sự tiện lợi và giảm thiểu công sức khi di chuyển hàng hóa từ nơi này đến nơi khác.
Hình 2 2: Khoang hàng của robot Piaggio Gita
Robot có khả năng di chuyển 9,5 km trong thời gian tối đa 4 giờ Khoang hàng của robot có thể chứa nhiều món đồ như laptop 14 inch, sách vở, tài liệu và thức ăn Một trong những ưu điểm nổi bật của robot là được trang bị nhiều công nghệ tiên tiến.
Nhược điểm: Tải trọng nhỏ, giá thành cao khó có thể tiếp cận
CHƯƠNG 2 TỔNG QUAN NGHIÊN CỨU ĐỀ TÀI
2.2.2 Tình hình nghiên cứu trong nước
Thị trường robot, đặc biệt là robot hỗ trợ vận chuyển hàng hóa thông minh tại Việt Nam, hiện chưa được quan tâm đúng mức do nhiều lý do Địa hình và giao thông phức tạp gây khó khăn trong nghiên cứu và phát triển Việc thay thế lao động bằng robot cũng đặt ra vấn đề về quy định lao động và quyền lợi của người lao động, yêu cầu sự điều chỉnh từ các cơ quan chức năng Thêm vào đó, chi phí chế tạo, bảo trì và vận hành robot là thách thức lớn cho nhiều doanh nghiệp Tuy nhiên, việc điều chỉnh và thích ứng với những vấn đề này là cần thiết để sử dụng robot hiệu quả, nâng cao năng suất lao động, tăng tính cạnh tranh và đảm bảo an toàn cho người lao động, đồng thời thúc đẩy phát triển nhiều ngành công nghiệp, đặc biệt là với các robot có tính ứng dụng cao.
Giới hạn đề tài
Robot di chuyển trong điều kiện địa hình bằng phẳng hoặc tương đối bằng phẳng
Kích thước tổng thể (D×R×C) = (90cm×60cm×60cm)
Khối lượng robot ước tính 30kg
Khối lượng tải ước tính 30-40kg
Vận tốc di chuyển tối đa 2m/s
Thời gian làm việc ước tính 4h
Phạm vi hoạt động trong khu vực nhà kho, khuôn viên bệnh viện, khuôn viên trường học hay các không gian ngoài trời
CƠ SỞ LÝ THUYẾT
Phương pháp điều chế độ rộng xung PWM
Động cơ trong dự án sử dụng là động cơ kích từ độc lập với nam châm vĩnh cửu Để điều chỉnh tốc độ, cần thay đổi điện áp cung cấp cho roto, nhưng việc cấp điện áp một chiều thường gặp khó khăn Do đó, phương pháp điều chỉnh hiệu quả nhất là sử dụng điều chế độ rộng xung (PWM - Pulse Width Modulation).
Hình 3 1: Điều chế độ rộng xung PWM Điều chế độ rộng xung PWM
Phương pháp điều khiển tốc độ động cơ PWM sử dụng chuỗi xung mở và đóng nhanh chóng để cấp nguồn cho động cơ Nguồn DC được chuyển đổi thành tín hiệu xung vuông với hai mức điện áp là 0V và gần bằng điện áp hoạt động Khi tần số chuyển mạch đạt đủ cao, động cơ sẽ duy trì tốc độ ổn định, phụ thuộc vào moment của trục quay.
Phương pháp điều chỉnh tốc độ động cơ này liên quan đến việc thay đổi độ rộng của xung, tức là thay đổi thời gian mức cao của chuỗi xung vuông cấp cho động cơ Sự điều chỉnh này ảnh hưởng đến điện áp trung bình cung cấp cho động cơ, dẫn đến việc thay đổi tốc độ của nó Cụ thể, khi độ rộng xung tăng lên, tốc độ động cơ cũng sẽ tăng theo.
Bộ điều khiển PID
Bộ điều khiển vi tích phân tỉ lệ (PID) là một loại bộ điều khiển phản hồi vòng, được áp dụng rộng rãi trong các hệ thống công nghiệp nhờ vào cơ chế hồi tiếp hiệu quả PID giúp điều chỉnh giá trị đầu vào nhằm giảm thiểu sai số giữa đầu vào và đầu ra Đây là lựa chọn tối ưu cho các hệ thống có mô hình toán học không xác định Để đạt hiệu quả cao nhất, cần điều chỉnh các thông số của bộ điều khiển PID phù hợp với đặc tính của từng hệ thống cụ thể.
CHƯƠNG 3 CƠ SỞ LÝ THUYẾT
Hình 3 2: Sơ đồ khối cơ bản của bộ điều khiển PID
Bộ điều khiển PID bao gồm ba thông số chính: khâu tỉ lệ (P), khâu tích phân (I) và khâu đạo hàm (D), mỗi khâu đảm nhiệm một vai trò quan trọng trong quá trình điều khiển Khâu tỉ lệ (P) xác định tác động của sai số hiện tại, khâu tích phân (I) tính toán tác động của tổng sai số trong quá khứ, và khâu đạo hàm (D) dự đoán tác động của tốc độ biến đổi sai số Sự kết hợp của ba khâu này điều chỉnh đầu ra của hệ thống thông qua các phần tử điều khiển như van hoặc bộ nguồn gia nhiệt Giá trị của P, I và D giúp hiểu rõ hơn về mối quan hệ thời gian trong quá trình điều khiển, với khâu P điều chỉnh theo sai số hiện tại, khâu I phụ thuộc vào sai số tích lũy, và khâu D dự đoán sai số tương lai Tương tác giữa ba khâu này mang lại sự cân chỉnh và điều khiển chính xác, ổn định cho quá trình.
Phương pháp bán thực nghiệm là một trong những phương pháp phổ biến để xác định các thông số PID từ kết quả vận hành thực nghiệm của hệ thống Phương pháp này có thể áp dụng cho các quá trình có mô hình toán dạng bậc nhất hoặc có thể quy về dạng bậc nhất, như điều khiển nhiệt độ, áp suất và tốc độ Trình tự thực hiện của phương pháp này rất quan trọng để đạt được kết quả chính xác.
Chuẩn bị dữ liệu đầu vào là quá trình thu thập đồ thị đáp ứng từ các thí nghiệm thực tế trong điều kiện vòng hở và không hồi tiếp Cụ thể, quá trình này bao gồm việc tác động lên biến điều khiển và đo đạc các giá trị của cả biến điều khiển lẫn biến được điều khiển.
Để tìm mô hình toán cho quá trình, chúng ta sử dụng các công thức từ phương pháp đường cong đáp ứng Đường cong đáp ứng của biến được điều khiển khi thay đổi đầu vào được biểu diễn dưới dạng hàm bậc thang (Step function).
Hình 3 3: Công thức tìm mô hình toán hệ thống từ đường cong đáp ứng
- Tìm thông số PID từ mô hình toán: áp dụng các công thức thực nghiệm như Ziegler-Nichols, Direct Synthesis, IMC, …
Lý thuyết về xử lý ảnh và ứng dụng học sâu (Deep Learning)
Xử lý ảnh là lĩnh vực nghiên cứu và kỹ thuật tập trung vào việc phân tích hình ảnh nhằm trích xuất thông tin giá trị Hiện nay, một trong những xu hướng nổi bật trong xử lý ảnh là nhận diện người, bao gồm việc xác định, theo dõi và phân loại các đặc điểm của con người trong hình ảnh.
Học sâu (Deep Learning) là một nhánh quan trọng của trí tuệ nhân tạo, chuyên về việc phát triển các mô hình và thuật toán mạnh mẽ, giúp máy tính tự động học hỏi từ dữ liệu.
Mạng CNN (Convolutional Neural Network) là mô hình học sâu hàng đầu trong xử lý ảnh, nổi bật với khả năng tự động học và trích xuất đặc trưng từ hình ảnh Thông qua các lớp tích chập, mạng CNN kết hợp các đặc trưng để đưa ra dự đoán chính xác về các đối tượng trong ảnh.
CHƯƠNG 3 CƠ SỞ LÝ THUYẾT
Mạng CNN có khả năng nhận diện người bằng cách được huấn luyện trên tập dữ liệu hình ảnh chứa cả người và không người Quá trình này giúp mạng học các đặc trưng quan trọng để phân biệt và nhận diện người từ hình ảnh Sau khi hoàn thành huấn luyện, mạng CNN có thể thực hiện nhận diện người trong thời gian thực Với khả năng học từ dữ liệu lớn và phức tạp, mô hình trở nên linh hoạt và hiệu quả hơn trong việc nhận diện.
Hình 3 4: Mô tả tổng quát về CNN
The ResNet-34 architecture, utilized in this study, is a type of Convolutional Neural Network (CNN) proposed by Kaiming He, Xiangyu Zhang, Shaoqing Ren, and Jian Sun in their 2015 paper, "Deep Residual Learning for Image Recognition." As indicated by its name, this architecture consists of 34 layers, which include convolutional layers and fully connected layers.
Mục tiêu chính của ResNet là giải quyết vấn đề của các mạng nơ-ron sâu với nhiều lớp, nơi thường gặp hiện tượng "suy giảm đạo hàm đột ngột" và "phát triển nhanh đạo hàm" Những hiện tượng này gây khó khăn trong quá trình huấn luyện mạng Để khắc phục vấn đề này, ResNet áp dụng các khối cơ bản gọi là "Residual blocks".
Hình 3 5: Cơ bản cấu trúc của ResNet-34
Cấu trúc của ResNet-34 bao gồm 34 lớp, trong đó có:
A convolutional layer with a kernel size of 7x7 and a stride of 2 is followed by a max pooling layer with a kernel size of 3x3 and a stride of 2 This configuration effectively reduces the size of the input image.
4 nhóm (group) của Residual blocks, với số lượng blocks tăng dần theo cấp số nhân 2, bắt đầu từ 64, 128, 256 và 512 filters (hoặc channels) tương ứng
Một lớp Global Average Pooling (GAP) để giảm kích thước cuối cùng của các feature maps thành một vector đặc trưng duy nhất
Một lớp Fully Connected (FC) để thực hiện phân loại các đặc trưng vào các lớp class
Hình 3 6: So sánh tổng quát accuracy của các model CNN thông dụng
CHƯƠNG 3 CƠ SỞ LÝ THUYẾT
So với MobileNet v2 thì ResNet34 có độ chính xác cao hơn tuy nhiên lại có kích thước lớn hơn
PHƯƠNG HƯỚNG VÀ CÁC GIẢI PHÁP THIẾT KẾ
Yêu cầu của đề tài và Thông số thiết kế
Robot sử dụng Camera độ sâu để nhận diện và xác định khoảng cách với người sử dụng Nhờ vào các thuật toán tiên tiến, robot có thể điều hướng và điều chỉnh tốc độ phù hợp, nhằm duy trì khoảng cách an toàn với chủ nhân.
Robot có thể được sử dụng để hỗ trợ vận chuyển hàng hóa trong các khu vực như trường học, bệnh viện, sân bay và nhà máy, giúp giảm bớt gánh nặng cho con người.
Bảng 4 1: Yêu cầu kỹ thuật của robot Đại lượng Giá trị
Khối lượng tải hàng hóa ~40 kg
Kích thước(D×R×C) (90×60×60) cm Đường kính bánh xe 14,5 cm
Thời gian làm việc (3-4) giờ
4.1.3 Giả thiết về khả năng vận hành của robot
Giả thiết ban đầu về khả năng vận hành của robot đó là nó có thể di chuyển linh hoạt trong các môi trường đã đề ra
Xe có thể tải được khối lượng hàng hóa như yêu cầu đặt ra
Robot cần có khả năng nhận diện và điều hướng chính xác theo người mà nó theo dõi Nó phải dừng lại khi gặp vật cản gần để đảm bảo an toàn và có thể tìm kiếm người cần theo dõi từ khoảng cách xa Đồng thời, robot cũng cần đảm bảo không làm hư hỏng hàng hóa trong quá trình vận chuyển.
CHƯƠNG 4 PHƯƠNG HƯỚNG VÀ CÁC GIẢI PHÁP THIẾT KẾ
Phương hướng và giải pháp thực hiện thiết kế hệ thống lái
4.2.1 Phương án 1: Sử dụng hệ thống bánh xích
Hình 4 1: Hệ thống bánh xích Ưu điểm: Vượt địa hình tốt, hạn chế bị mắc lầy
Nhược điểm: Thiết kế bánh xích phức tạp, di chuyển chậm, thiết kế bánh xích phức tạp, khó tìm kiếm trên thị trường
4.2.2 Phương án 2: Di chuyển 4 bánh với hệ thống lái ở cầu trước và bộ visai cho cầu sau
Hình 4 2: Hệ thống lái xe 4 bánh Ưu điểm: Xe hoạt động ổn định, trơn tru, tốc độ cao
Nhược điểm: Hệ thống visai và truyền động phức tạp, nếu không có visai thì bánh xe sẽ bị trượt khi chuyển hướng, bánh kính quay lớn
4.2.3 Phương án 3: Cơ cấu lái với 4 bánh chủ động
Hình 4 3: Hệ thống lái 4 bánh xe chủ động Ưu điểm: Bán kính quay bằng 0, dễ dàng di chuyển theo người khi rẽ hướng
Nhược điểm của hệ thống này là cấu tạo phức tạp, yêu cầu mỗi bánh xe phải có động cơ dẫn hướng và dẫn động, với tối thiểu 4 động cơ cho 4 bánh, dẫn đến việc điều khiển trở nên phức tạp hơn và chi phí cao.
4.2.4 Phương án 4: Di chuyển bằng 2 bánh xe chủ động ở cầu sau và hai bánh xe tự lựa ở cầu trước
Hệ thống lái có 2 bánh tự lựa mang lại nhiều ưu điểm, bao gồm khả năng di chuyển và chuyển hướng linh hoạt, bán kính quay nhỏ, tiết kiệm số lượng động cơ, cùng với thiết kế đơn giản và hiệu quả mà không cần cơ cấu bẻ lái.
Xe có nhược điểm là khó điều khiển để chạy thẳng do sử dụng hai động cơ độc lập, tốc độ di chuyển không cao, và dễ mất ổn định khi di chuyển trên địa hình không bằng phẳng.
CHƯƠNG 4 PHƯƠNG HƯỚNG VÀ CÁC GIẢI PHÁP THIẾT KẾ
Lựa chọn phương án thiết kế
Dựa trên các phương án đã đề xuất, nhóm quyết định chọn phương án 3 cho thiết kế robot, nhằm đảm bảo robot có bán kính quay nhỏ để theo sát chuyển động của người cần giám sát và duy trì sự ổn định trong quá trình hoạt động.
Sau khi xác định được đối tượng cần theo dõi, tọa độ trọng tâm và độ sâu của khung hình sẽ được truyền đến vi điều khiển để điều khiển động cơ thực hiện các bước tiếp theo.
Robot sẽ so sánh tọa độ trọng tâm của người đã được nhận diện với tọa độ trọng tâm của khung hình camera Từ đó, robot tính toán độ lệch và điều khiển để người được nhận diện luôn ở chính giữa khung hình camera bằng cách quay trái hoặc phải.
Đối với độ sâu của khung hình người đã được nhận diện, thông số độ sâu sẽ được sử dụng để tính toán vận tốc duy trì cần thiết Điều này giúp robot di chuyển theo người với vận tốc ổn định, tự động dừng lại khi khoảng cách quá gần và tăng tốc để bắt kịp khi người đó di chuyển quá xa.
Trình tự công việc tiến hành
Nghiên cứu robot hỗ trợ vận chuyển hàng trong và ngoài nước
Chọn phương án thiết kế robot
Tính toán công suất cần thiết để chọn động cơ
Tổng quan về hệ thống điều khiển trên robot
Thiết kế bản vẽ chi tiết và bản vẽ lắp cho robot
Thiết kế mạch điện điều khiển
Lập trình ứng dụng xử lý ảnh để phân biệt được người
Lập trình điều khiển robot
TÍNH TOÁN, THIẾT KẾ HỆ THỐNG CƠ KHÍ
Xác định trọng tâm và điều kiện lật của robot
Trọng tâm của xe là yếu tố quan trọng trong thiết kế, cần được xác định chính xác để đảm bảo tính ổn định khi di chuyển Việc tính toán trọng tâm càng thấp càng tốt giúp robot duy trì sự ổn định và tăng khả năng bám đường trên các địa hình nghiêng, đồng thời nâng cao góc nghiêng tối đa của xe Dưới đây là hình ảnh phân tích tổng quát về phân bố trọng lượng của các bộ phận chính trong robot.
Hình 5 1: Phân tích trọng tâm của robot (đơn vị: mm)
CHƯƠNG 5 TÍNH TOÁN, THIẾT KẾ HỆ THỐNG CƠ KHÍ
Bảng 5 1: Bảng phân bố trọng lượng xe
2 Trọng lượng thùng chứa đầy hàng G2 400 305 417
3 Trọng lượng pin và mạch điều khiển G3 20 705 327
4 Trọng lượng 2 bánh xe sau và 2 động cơ phía sau G4 40 110 73
5 Trọng lượng 2 bánh xe trước và 2 động cơ phía trước G5 40 653 73
Hình 5 2: Phân tích lực và moment khi xe lên dốc
Fdoc: Là lực cản khi xe lên dốc
P: Là trọng lượng của toàn bộ xe
N1, N2: Là phản lực pháp tuyến của mặt đường tác dụng lên các bánh xe ở cầu trước, cầu sau
MA: Là moment cản lăn ở bánh xe α: Góc dốc của mặt đường
Hình 5 3: Phân tích lực khi xe chuyển động trên đường nghiêng
P: Là trọng lượng của toàn bộ xe
N1, N2: Là phản lực pháp tuyến của mặt đường tác dụng lên hai bánh xe
MA: Là moment cản lăn ở bánh xe bên trái β: Góc nghiêng của mặt đường
5.1.1 Khi xe không chở hàng
Trọng tâm của xe khi không chở hàng là:
Trọng tâm của xe theo phương X là:
CHƯƠNG 5 TÍNH TOÁN, THIẾT KẾ HỆ THỐNG CƠ KHÍ
Trọng tâm của xe theo phương Z là:
Trọng tâm xe theo phương Y được xác định là GY = 300 mm Việc thiết kế xe cần đảm bảo sự cân bằng đối xứng hai bên, nhằm duy trì sự ổn định trong quá trình di chuyển.
Góc nghiêng cho phép để xe không bị lật
- Trường hợp 1: Khi xe lên dốc Điều kiện lật: N1 = 0
Vậy để xe không lật thì độ dốc tối đa mà xe có thể đi được là αmax = 55º
Chênh lệch độ cao tối đa giữa bánh trước và bánh sau so với mặt phẳng ngang để xe không bị lật là:
- Trường hợp 2: Khi xe di chuyển trên đường nghiêng không chở hàng Điều khiện lật: N2 = 0
Vậy để xe không lật thì góc nghiên tối đa mà xe đi được là βmax = 60º
Chênh lệch độ cao tối đa giữa hai bánh xe trên 1 cầu so với mặt phẳng ngang để xe không bị lật là:
5.1.2 Khi xe chở đầy hàng
Trọng tâm của xe khi chở đầy hàng
Trọng tâm của xe theo phương X là:
Trọng tâm của xe theo phương Z là:
Trọng tâm của xe theo phương Y được xác định là GY = 300 mm, điều này rất quan trọng để thiết kế xe đảm bảo sự cân bằng đối xứng hai bên, từ đó giúp xe di chuyển ổn định hơn.
Góc nghiêng cho phép để xe không bị lật
- Trường hợp 1: Khi xe lên dốc Điều kiện lật: N1 = 0
CHƯƠNG 5 TÍNH TOÁN, THIẾT KẾ HỆ THỐNG CƠ KHÍ
Vậy để xe không lật thì độ dốc tối đa mà xe có thể đi được là αmax = 38º
Chênh lệch độ cao tối đa giữa bánh trước và bánh sau so với mặt phẳng ngang để xe không bị lật là:
- Trường hợp 2: Khi xe di chuyển trên đường nghiêng Điều khiện lật: N2 = 0
Vậy để xe không lật thì góc nghiên tối đa mà xe đi được là βmax = 45º
Chênh lệch độ cao tối đa giữa hai bánh xe trên 1 cầu so với mặt phẳng ngang để xe không bị lật là:
Tính toán công suất động cơ và phân phối tỉ số truyền
Hình 5 4: Sơ đồ phân tích các lực và moment tác dụng lên robot khi lên dốc
Khi robot di chuyển lên dốc, nó phải chịu lực cản do góc nghiêng α Trong quá trình di chuyển, nếu không tính đến sự trượt của bánh xe, sẽ có lực ma sát tác động lên hai bánh xe Khi bánh xe quay theo chiều kim đồng hồ, cần một lực ma sát trên mặt đường để cản lại chiều quay của bánh xe, giúp robot tiến về phía trước Do đó, lực ma sát fms sẽ có hướng ngược lại với chiều quay của bánh xe.
P: Là trọng lượng của toàn bộ robot
Fk: Là lực kéo tiếp tuyến tác động lên bánh xe fms1: Là lực cản lăn ở bánh xe trước fms2: Là lực cản lăn ở bánh xe sau
Fdoc: Là lực cản khi xe lên dốc
N1, N2: Là phản lực pháp tuyến của mặt đường tác dụng lên các bánh xe ở trước và sau
MA: Là moment cản lăn ở bánh xe sau
MB: Là moment cản lăn ở bánh xe trước α: Là góc nghiêng của bề mặt dốc
L: Là khoảng cách giữa hai trục bánh xe robot h: Là khoảng cách từ mặt đất đến trọng tâm của robot
CHƯƠNG 5 TÍNH TOÁN, THIẾT KẾ HỆ THỐNG CƠ KHÍ
5.2.1 Các lực tác dụng lên robot (khi tăng tốc và khi leo dốc)
Tại trọng tâm có: Trọng lượng P = m.g, được phân thành
Lực cản quán tính của xe là:
Lực kéo tiếp tuyến được tính theo công thức 4.1 [1] trang 53:
𝑁 1 + 𝑁 2 = mg cosα [N] (5 24) Lực cản lăn tổng được tính theo công thức 4.4 [1] trang 53:
𝐹 𝑚𝑠𝑡 = (𝑁 1 + 𝑁 2 )à = mg cosα à [N] (5 25) Lực cản lên dốc được tính theo công thức 4.8 [1] trang 54:
𝐹 𝑑𝑜𝑐 = 𝑃 𝑥 = mg sinα [N] (5 26) Trong đó : μ = 0.015: hệ số cản lăn giữa bánh xe cao su với đường
Me: Moment xoắn tác dụng lên động cơ (N.m) utl: Tỉ số truyền của bộ truyền ntl: Hiệu suất của bộ truyền (0 - 1) r: Bán kính bánh xe (m)
Do xe di chuyển với tốc độ chậm và kích thước robot nhỏ, lực cản không khí có thể được bỏ qua Giả sử bánh xe robot không bị trượt trong quá trình di chuyển, phương trình cân bằng lực kéo được tính theo công thức 4.43 [1] trang 60.
Lực kéo tiếp tuyến ở bánh xe giúp khắc phục các lực cản chuyển động Phương trình cân bằng lực kéo thể hiện mối quan hệ giữa lực kéo tại bánh xe và các lực cản này.
- Xét dấu cho Fqt: khi robot tăng tốc Fqt > 0, khi robot giảm tốc Fqt < 0
- Xét dấu cho Fdoc: khi robot lên dốc Fdoc > 0, khi robot xuống dốc Fdoc < 0
5.2.2 Tính toán moment xoắn và công suất cho động cơ
Trường hợp 1: Giả sử khi robot lên dốc vận tốc không đổi, suy ra F qt = 0
Công suất kéo cần thiết để xe lên dốc với tốc độ không đổi 1 m/s là:
𝑃 𝑘 = 𝐹 𝑘 𝑣 = 218.6 × 1 = 218.6 [𝑊] (5 29) Suy ra công suất cần thiết của mỗi động cơ là:
Moment cần thiết của mỗi động cơ là:
Trường hợp 2: Giả sử khi robot chuyển động trên đường thẳng và tăng tốc
(a ≠ 0), xe đạt vận tốc 1,3 m/s trong khoảng thời gian 2s, ta có gia tốc của xe là:
Từ các điều kiện trên ta có phương trình cân bằng lực kéo là:
Công suất kéo cần thiết lên bánh xe là:
𝑃 𝑘 = 𝐹 𝑘 𝑣 = 28 × 1.3 = 36.4[𝑊] (5 34) Suy ra công suất cần thiết của mỗi động cơ là:
Moment cần thiết của mỗi động cơ tác dụng lên mỗi bánh xe là:
CHƯƠNG 5 TÍNH TOÁN, THIẾT KẾ HỆ THỐNG CƠ KHÍ
1 × 1 = 2.03 [𝑁𝑚] (5 36) Tốc độ của động cơ cần thiết để đạt vận tốc v = 1.3 m/s là:
2 𝜋 × 145 = 85.6 ≈ 86 [𝑅𝑃𝑀] (5 37) Vậy chọn động cơ có các thông số theo yêu cầu sau:
Chọn động cơ cho robot có thông số như sau:
Bảng 5 2: Thông số động cơ truyền động cho bánh xe
STT THÔNG SỐ GIÁ TRỊ
1 Loại động cơ DC servo
5 Độ phân giải Encoder 13ppr
Hình 5 5: Hình ảnh thực tế của động cơ Planet
Tính toán lựa chọn lò xo giảm xóc
5.3.1 Phân tích lực tác dụng lên giảm xóc
Trong trường hợp xe chở hàng có tải trọng tối đa 40kg và trọng lượng xe là 40kg, tổng trọng lượng đạt 80kg, tương đương với lực P= 800N được phân bố đều lên 4 bánh xe Điều này dẫn đến phản lực tại mỗi bánh xe, với phản lực của mỗi bánh xe được tính toán dựa trên tổng trọng lượng.
P: là trọng lực của xe và hàng hóa
𝑌 𝐴 : là phản lực tại bánh xe A
𝑌 𝐵 : là phản lực tại bánh xe B
Hình 5 6: Phân tích lực tác dụng lên giảm xóc
CHƯƠNG 5 TÍNH TOÁN, THIẾT KẾ HỆ THỐNG CƠ KHÍ
Tính toán lực tác dụng lên giảm xóc tại bánh xe A:
Giả thiết JK là thanh cứng và giải phóng liên kết tại điểm J là một khớp xoay và H cũng là
Trường hợp robot chở khối lượng hàng tối đa (40kg) thì P= 800 (N)
Ta có phương trình cân bằng moment tại H:
5.3.2 Tính toán lựa chọn và kiểm nghiệm độ bền của lò xo
5.3.2.1 Giới thiệu và phân loại lò xo
Lò xo là một thành phần quen thuộc trong cuộc sống hàng ngày, thường được sử dụng trong nhiều loại máy móc hiện đại Chức năng chính của lò xo bao gồm việc lưu trữ năng lượng, cung cấp lực nén hoặc kéo, và hỗ trợ các chuyển động linh hoạt trong các thiết bị cơ khí.
- Tạo lực ép (trong bộ li hợp của xe gắn máy, oto, phanh…)
- Giảm chấn và dao động (trong giảm xóc của hầu hết các loại xe gắn máy, oto, tàu hỏa…)
Hình 5 7: Phân tích lực tác dụng lên giảm xóc tại bánh xe A
- Tích lũy cơ năng (trong đồng hồ cơ…)
- Đo lực, đo khối lượng (trong lực kế, cân …)
Chính vì vậy có rất nhiều kiểu phân loại lò xo, điển hình là những kiểu phân loại như:
- Phân loại theo ứng xuất sinh ra trong dây lò xo: lò xo xoắn, lò xo kéo, lò xo nén…
- Phân loai theo kết cấu: lò xo xoắn ốc phẳng, lò xo xoắn ốc trụ, lò xo dĩa…
Lò xo xoắn ốc là loại lò xo có đường kính dây và bước lò xo không đổi, thường được cuộn từ dây thép tròn hoặc chữ nhật Dây thép tròn có chi phí thấp hơn và khả năng chịu xoắn tốt hơn, trong khi lò xo cuộn từ dây thép hình chữ nhật thường được sử dụng khi cần lực nén lớn.
Để giảm chấn và triệt tiêu rung động trên toàn thân xe, nhóm tác giả đã chọn lò xo xoắn ốc nén, một loại lò phổ biến trong các bộ giảm xóc ô tô hiện nay Việc sử dụng lò xo này không chỉ đảm bảo độ ổn định của xe mà còn mở rộng phạm vi hoạt động, giúp xe hoạt động hiệu quả trong nhiều điều kiện địa hình khác nhau.
Bảng 5 3: Những thông số cần quan tâm khi sử dụng lò xo xoắn ốc nén
Kí hiệu Đơn vị Hệ số - đại lượng d mm Đường kính dây
D mm Đường kính trung bình c Chỉ số của lò xo n Vòng Số vòng làm việc của lò xo
Hình 5 8: Lò xo xoắn ốc nén tiết diện tròn
CHƯƠNG 5 TÍNH TOÁN, THIẾT KẾ HỆ THỐNG CƠ KHÍ
31 p mm Bước của lò xo tan (𝛾) Độ Góc nâng vòng xoắn ốc
H mm Chiều dài (cao) của lò xo
𝐾 𝑑 Hệ số ảnh hưởng của lực cắt
𝛼 𝑏 MPa Giới hạn bềm của vật liệu làm lò xo
Các trạng thái của lò xo trong quá trình hoạt động:
Hình 5 9: Chiều cao của lò xo dưới tải trong tác dụng khác nhau a) Tải trọng F=0; b) Ban đầu F min; c) Làm việc F; d) Các vòng sít nhau
5.3.2.2 Tính toán và kiểm nghiệm về độ bền
Khi 1 dây kim loại có tiết diện tròn có đường kính d được uốn thành lò xo xoắn ốc, ứng suất lớn nhất được xác định theo công thức:
Với 𝐾 𝑑 và c được xác định theo công thức:
Chỉ số của lò xo c được xác định dựa trên đường kính dây d Để đảm bảo độ bền của lò xo trong suốt quá trình làm việc, ứng suất lớn nhất (𝜏 𝑚𝑎𝑥) cần phải nhỏ hơn ứng suất cho phép của lò xo (𝜏).
𝜋𝑑 3 ≤ 𝛼 𝑏 (5 45) Trong đó 𝛼 𝑏 là giới hạn bền của vật liệu làm lò xo, xác định theo bảng sau: Đường kính dây d được chọn theo tiêu chuẩn: 1.8; 2; 2.3; 2.5; 2.8; 3; 3.5; 4; 4.5; 5; 5.6… Căn cứ vào lực tác dụng lên bộ giảm xóc lớn nhất:
Lựa chọn lò xo được cuộn từ dây thép tiết diện tròn có đường kính dây d = 2.5 - 4mm và giới hạn bền 𝛼 𝑏 = 1600 (𝑀𝑃𝑎)
Hình 5 10: Thông tin chọn chỉ số lò xo c
Hình 5 11: Cơ tính của vật liệu làm lò xo
CHƯƠNG 5 TÍNH TOÁN, THIẾT KẾ HỆ THỐNG CƠ KHÍ
Kiểm nghiệm độ bền của lò xo:
Trường hợp 1: đường kính dây d = 4 và chỉ số lò xo c = 10
Theo phân tích lực, lực tác dụng lên thanh cứng JK cũng chính là lực tác dụng lên lò xo do đó có thể xác định:
Trường hợp 2: đường kính dây d = 2.5 và chỉ số lò xo c = 10
Theo phân tích lực, lực tác dụng lên thanh cứng JK cũng chính là lực tác dụng lên lò xo, do đó có thể xác định:
⇒ 𝜏 𝑚𝑎𝑥 = 2732.8 ≤ 1600 ⇒ không thỏa điều kiện bền
Kết quả tính toán cho thấy có thể chọn lò xo với đường kính dây d = 3.5 mm và đường kính ngoài D = 32 mm, dựa trên khảo sát các loại lò xo hiện có trên thị trường Tiến hành tính toán lại để kiểm nghiệm độ bền của lò xo này.
Theo phân tích lực, lực tác dụng lên thanh cứng JK cũng chính là lực tác dụng lên lò xo
Do đó có thể xác định:
Tính toán và kiểm nghiệm độ bền của trục
Chọn vật liệu cho trục là bước quan trọng, và nhóm đã quyết định sử dụng thép C45 Loại thép này được ưa chuộng trong ngành công nghiệp nhờ vào độ bền, độ dẻo và độ cứng lý tưởng cho gia công cơ khí và chế tạo chi tiết máy Thép C45 có ứng suất cho phép [δ] đạt 360 MPa, phù hợp với các yêu cầu kỹ thuật.
Trong trường hợp xe chở hàng có tải trọng tối đa 40kg, tổng trọng lượng xe đạt 80kg, tương đương với lực P = 800N được phân bố đều lên 4 bộ giảm xóc Do đó, lực tác dụng lên trục xe được tính bằng công thức 𝐹 = 𝑃.
Hình 5 12: Mô hình phân tích lực tác dụng lên trục
CHƯƠNG 5 TÍNH TOÁN, THIẾT KẾ HỆ THỐNG CƠ KHÍ
Hình 5 13: Biểu đồ ứng suất trên trục dẫn động
Từ mô hình hóa như hình 5.11, ta có thể phân tích sơ đồ tải trọng tác dụng lên trục như hình 5.12,trong đó:
- B là điểm kết nối giảm xóc với trục
⇔ −𝑌 𝐶 × 0.05 + 200 × 0.025 = 0 ⇒ 𝐹 𝐶 = 100(𝑁) (5 61) Tổng hợp lực theo phương Y, ta có:
⇔ 𝑌 𝐴 + 100 − 200 = 0 ⇒ 𝐹 𝐴 = 100(𝑁) (5 63) Tính moment tương đương tại tiết diện nguy hiểm:
Từ công thức 10.15 [2] và 10.16 [2] trang 194, ta có moment tương tại tiết diện nguy hiểm là:
𝑀 𝑡𝑑 = √𝑀 2 𝑥 2 + 𝑀 𝑦 2 + 0.75𝜏 2 = √𝑀 2 𝑥 2 = 𝑀 𝑥 = 2500 (𝑁𝑚𝑚) (5 65) Tính toán đường kính trục cho phép, áp dụng công thức 10.17 [2] trang 194:
Vậy đường kính trục tối thiểu 𝑑 𝑚𝑖𝑛 = 5 (𝑚𝑚)
Sau khi thực hiện các tính toán, chúng tôi quyết định chọn trục có đường kính 8mm Lựa chọn này không chỉ đảm bảo độ bền cần thiết mà còn phù hợp với loại giảm xóc hiện tại, có đường kính lỗ là ∅8mm.
XÂY DỰNG HỆ THỐNG ĐIỆN ĐIỀU KHIỂN
Sơ đồ khối hệ thống điện điều khiển
Hình 6 1: Sơ đồ khối tổng quát hệ thống điện điều khiển
Hệ thống điện của robot gồm 5 khối:
Khối 1 là khối nguồn cung cấp điện cho toàn bộ hệ thống:
- Nguồn 24VDC từ Pin Li-Ion: cấp nguồn cho 4 mạch H-Bridge điều khiển 4 động cơ, hệ thống đèn báo và mạch đo dung lượng Pin
The Buck Converter circuit efficiently steps down a 24VDC Li-Ion battery to 5VDC, delivering a maximum power of 200W This power supply supports various control boards, including Jetson Nano and STM32, as well as peripherals like cameras and encoder sensors.
Khối 2 là khối cảm biến chính của robot: Intel RealSense Camera D435 thu dữ liệu hình ảnh từ môi trường và dữ liệu này được xử lí trên Board Jetson Nano
Khối 3 là khối xử lí dữ liệu chính: Board Jetson Nano tính toán, xử lí dữ liệu từ camera và truyền tham số điều khiển (tốc độ động cơ)
Khối 4 là khối điều khiển: Board STM32 nhận về tín hiệu tốc độ từ khối 2 và điều khiển tốc độ động cơ sử dụng PID
Khối 5 là cơ cấu chấp hành: gồm 4 động cơ Servo DC và cụm HMI (Human-Machine Interface) gồm 3 đèn báo trạng thái hệ thống và mạch đo điện áp thể hiện dung lượng hiện tại của Pin
Khối nguồn
Khối nguồn trong hệ thống cung cấp điện cho toàn bộ thiết bị, với Pin Li-Ion 6S 24VDC là nguồn chính cho khối chấp hành Qua mạch hạ áp, điện áp được chuyển đổi xuống 5VDC để cấp nguồn cho các board mạch điện khác.
6.2.2 Tính toán, lựa chọn thiết bị
Công suất hoạt động của các linh kiện được ước tính như sau:
Bảng 6 1: Ước tính công suất tiêu thụ các linh kiện
Thiết bị Công suất tiêu thụ Ghi chú
4x Động cơ Planet 24VDC 60W/ động cơ Công suất định mức
Các Mạch và thiết bị điện còn lại Bỏ qua do công suất tỏa nhiệt nhỏ
Tổng công suất tối đa sử dụng:
𝑃 = 60 × 4 + 20 + 2.5 + 5 + 1 × 3 = 270.5 (𝑊) (6 1) Công thức tính dung lượng pin cần thiết:
P: tổng công suất tiêu thụ (W)
CHƯƠNG 6 XÂY DỰNG HỆ THỐNG ĐIỆN ĐIỀU KHIỂN
V: điện áp cung cấp của pin (V)
𝜂 hệ số sử dụng, chọn 𝜂 = 0.7
Giả sử với T = 1h là thời gian robot có thể hoạt động liên tục với công suất như trên Dung lượng pin cần thiết:
Chọn pin Li-Ion có thể sạc lại, đặc biệt là loại pin 18650 với dung lượng 5000 mAh và điện áp định mức 3.7V, dựa trên yêu cầu và nhu cầu của thị trường.
Với các thông số của loại pin được chọn, để đáp ứng mức điện áp 24VDC, số lượng pin cần thiết 24
Để tạo thành khối pin 24VDC, cần mắc nối tiếp 6 viên pin 4.2V Để đáp ứng dung lượng pin gần đúng với tính toán và phù hợp với các mức dung lượng có sẵn trên thị trường, cần thiết phải mắc 3 dãy pin song song Kết quả cuối cùng là khối pin với các thông số đã được xác định.
Bảng 6 2: Thông số khối pin đã chọn
Thông số Giá trị Ghi chú Điện áp 24 VDC 6 × 3 = 18 viên pin 18650
Gồm 3 dãy pin mắc song song, mỗi dãy 6 viên có dung lượng 5000 mAh
Hình 6 3: Hình ảnh thực tế của khối pin, kèm mạch cân bằng cell pin và mạch sạc
6.2.2.2 Mạch hạ áp DC-DC
Trong hệ thống, tất cả các thiết bị điện, cảm biến và board vi xử lý đều hoạt động với nguồn điện áp 5V Do đó, việc sử dụng mạch hạ áp DC-DC là cần thiết Dòng điện và công suất tiêu thụ của các thiết bị điện trong mạch có thể được ước tính một cách chính xác.
Bảng 6 3: Ước tính công suất các thiết bị sử dụng nguồn 5VDC
Thiết bị Dòng điện/ Công suất
Các Mạch điện còn lại Bỏ qua do công suất tỏa nhiệt nhỏ
Tổng công suất của các thiết bị điện trong hệ thống là 30.5W, được tính từ 20 + 2.5 + 5 + 1 × 3 Để đáp ứng nhu cầu về dòng điện và đảm bảo an toàn, mạch buck converter XH-M404 XL4016E1 được lựa chọn.
CHƯƠNG 6 XÂY DỰNG HỆ THỐNG ĐIỆN ĐIỀU KHIỂN
Bảng 6 4: Thông số mạch buck converter XH-M404 XL4016E1
Thông số Giá trị Ghi chú Điện áp đầu vào 4-40 VDC Đầu vào sử dụng: 24V Điện áp đầu ra 1.25-36 VDC Đầu ra sử dụng: 5V
Các tính năng khác Hiển thị mức điện áp ngõ ra thông qua Led 7 đoạn tích hợp
Chống ngắn mạch Chống ngược cực Bảo vệ quá nhiệt (tự động ngắt điện ngõ ra)
Hình 6 4: Hình ảnh thực tế của mạch buck converter XH-M404 XL4016E1
Khối cảm biến chính
Khối cảm biến Intel Realsense Camera D435 hoạt động như mắt của robot, cho phép robot phát hiện và theo dõi người dựa trên hai loại thông tin: hình ảnh màu và hình ảnh độ sâu của đối tượng.
Camera Intel RealSense D435, thuộc dòng D400 series, được phát triển dựa trên hơn 10 năm kinh nghiệm trong lĩnh vực Stereo Camera Đây là một hệ thống Stereo Vision Depth Camera, sử dụng hai hoặc nhiều cảm biến hình ảnh để mô phỏng thị giác hai mắt của con người, từ đó mang lại khả năng cảm nhận độ sâu chính xác.
Hình 6 5: Hình ảnh thực tế Intel RealSense Dept Camera D435
Những ứng dụng phổ biến của D435:
- Drones (máy bay không người lái)
- Ngoại vi cho máy tính
Camera RealSense được cấu tạo từ ba thành phần chính: ống kính thường, ống kính hồng ngoại và ống kính laser hồng ngoại Sự kết hợp của những ống kính này cho phép thiết bị đo chiều sâu bằng cách phát hiện ánh sáng hồng ngoại phản xạ từ các đối tượng phía trước.
Thông số kỹ thuật Realsense Camera D435 cần quan tâm:
- Môi trường sử dụng: Trong nhà hoặc ngoài trời
- Khoảng cách hoạt động lí tưởng của camera: 0.6 – 6m
- Tỷ lệ khung hình RGB: 30 fps
- Độ phân giải khung hình: 1280 × 800
- Kích thước: 124 mm × 26 mm × 29 mm
CHƯƠNG 6 XÂY DỰNG HỆ THỐNG ĐIỆN ĐIỀU KHIỂN
- Độ phân giải cảm biến RGB: 1 MP
- Tầm nhìn sâu: 87° x 58° (theo chiều ngang x chiều dọc camera)
Khối xử lý dữ liệu
Khối xử lý dữ liệu trên Board NVIDIA Jetson Nano hoạt động như bộ não của robot, cho phép robot cảm nhận môi trường và xác định vị trí so với con người Bằng cách sử dụng dữ liệu từ cảm biến camera, Jetson Nano không chỉ giúp robot định vị mà còn điều khiển và hướng dẫn nó Thông qua giao tiếp chuẩn UART, Jetson Nano tính toán và gửi dữ liệu vận tốc cài đặt tới board STM32, một phần quan trọng trong khối điều khiển của robot.
Máy tính nhúng là hệ thống máy tính nhỏ gọn, tích hợp trên một bo mạch, được thiết kế để đáp ứng các yêu cầu, ứng dụng hoặc chức năng cụ thể.
Máy tính nhúng như Raspberry Pi và NVIDIA Jetson nổi bật với kích thước nhỏ gọn và tích hợp nhiều tính năng đa dạng Chúng thường được trang bị GPU (Graphics Processing Unit) để xử lý đồ họa và thực hiện các tác vụ liên quan đến thị giác máy tính và trí tuệ nhân tạo Nhờ vào kích thước nhỏ, máy tính nhúng rất phù hợp cho nhiều ứng dụng trong các ngành công nghiệp khác nhau, bao gồm công nghệ xe tự hành, máy móc công nghiệp, thiết bị y tế thông minh, máy bay không người lái và hệ thống IoT.
NVIDIA Jetson Nano là một máy tính nhúng mạnh mẽ, được thiết kế để chạy các thuật toán trí tuệ nhân tạo (AI) và hỗ trợ xử lý đồng thời nhiều mạng neural Với khả năng xử lý đa cảm biến có độ phân giải cao, Jetson Nano mang lại hiệu suất ấn tượng trong một nền tảng nhỏ gọn Đặc biệt, sản phẩm này dễ sử dụng và tiêu thụ điện năng rất thấp, chỉ dưới 5W.
Jetson Nano được trang bị NVIDIA JetPack, một bộ công cụ phần mềm chạy trên hệ điều hành Linux, cung cấp các gói hỗ trợ cho bo mạch (BSP), CUDA, cuDNN và thư viện TensorRT cho các ứng dụng như deep learning, computer vision, và GPU computing Bộ SDK này cũng hỗ trợ cài đặt các framework mã nguồn mở Machine Learning như TensorFlow, PyTorch, Caffe/Caffe2, Keras và MXNet, giúp các nhà phát triển dễ dàng tích hợp các mô hình AI và framework vào dự án của mình.
Hình 6 6: Hình ảnh thực tế của NVIDIA Jetson Nano Embedded Computer
Các kết nối của board Jetson Nano với khối camera và giao tiếp với STM32 được mô tả như sau:
Hình 6 7: Sơ đồ khối mô tả các kết nối giữa Jetson Nano và STM32 Board
Khối điều khiển
Khối điều khiển được trang bị board vi điều khiển STM32F411RE, 4 mạch cầu H để điều khiển 4 động cơ DC Servo, cùng với cụm 3 đèn báo trạng thái hệ thống điều khiển thông qua relay.
CHƯƠNG 6 XÂY DỰNG HỆ THỐNG ĐIỆN ĐIỀU KHIỂN
STM32F411RE nhận tín hiệu vận tốc từ Jetson Nano qua giao thức UART và điều khiển tốc độ của 4 động cơ bằng bộ điều khiển PID.
6.5.2 Thông tin và cấu hình các thiết bị
6.5.2.1 Board vi điều khiển STM32F411RE NUCLEO
STM32 là dòng chip phổ biến của ST với nhiều họ như F0, F1, F4, H5, H7 Board vi điều khiển STM32F411RE NUCLEO thuộc dòng NUCLEO-64, được thiết kế với vi điều khiển STM32F411RE tích hợp mạch nạp ST-Link V2 và các ngoại vi cơ bản Đây là board hiệu suất cao với tốc độ xung nhịp tối đa 100MHz, bộ nhớ flash 512KB, nhiều ngoại vi đi kèm, giá cả hợp lý và dễ sử dụng Mạch nạp và công cụ lập trình của dòng chip này đa dạng và thân thiện với người dùng.
Hình 6 8: Hình ảnh thực tế của NUCLEO-F411RE Board
Cấu hình các chân của vi điều khiển được sử dụng như sau:
Hình 6 9: Cấu hình các chân vi điều khiển
Trong đó, các ngoại vi được sử dụng bao gồm:
Bảng 6 5: Cấu hình ngoại vi của vi điều khiển
Tên ngoại vi Cấu hình Chức năng
Timer 1 Encoder mode Đọc encoder động cơ
CHƯƠNG 6 XÂY DỰNG HỆ THỐNG ĐIỆN ĐIỀU KHIỂN
Timer 2 Encoder mode Đọc encoder động cơ
Timer 3 PWM Tạo xung pwm điều khiển động cơ
Timer 4 PWM Tạo xung pwm điều khiển động cơ
Timer 11 Time base Tạo task 10ms cho các hoạt động của giải thuật điều khiển
GPIO Output Tín hiệu digital điều khiển các đèn báo thông qua relay
UART 1 Asynchronous, Rx with DMA Giao tiếp với Board Jetson nano
6.5.2.2 Module mạch cầu H điều khiển động cơ BTS7960
Mạch cầu H (H-bridge) là mạch công suất cơ bản, phổ biến trong điều khiển động cơ điện DC Trên thị trường có nhiều loại mạch cầu H, và việc lựa chọn phù hợp cần dựa vào các yêu cầu thực tế như dòng điện, áp điều khiển, tần số và các yếu tố khác.
Module BTS7960 là một giải pháp hiệu quả để điều khiển động cơ DC với dòng hoạt động cao, phù hợp cho các ứng dụng công suất lớn Nó tích hợp một MOSFET kênh p và một MOSFET kênh n, cho phép giao tiếp dễ dàng với vi điều khiển thông qua vi mạch điều khiển tích hợp và các đầu vào mức logic Đặc biệt, module này còn được trang bị các tính năng bảo vệ như chống quá nhiệt, quá áp, quá dòng và ngắn mạch, đảm bảo an toàn và độ bền cho hệ thống.
Bảng 6 6: Thông số kỹ thuật của module BTS7960 H-Driver
Thông số Giá trị Ghi chú Điện áp cung cấp 6 ~ 27 VDC
Các tính năng khác Tự động ngắt khi áp dưới 5.5V, và mở lại sau khi áp lớn hơn
Hình 6 10: Hình ảnh thực tế module BTS7960
Cấu hình các chân của mạch được sử dụng như sau:
Bảng 6 7: Cấu hình kết nối các chân của BTS7960 với vi điều khiển
Tên chân Cấu hình Chức năng
RPWM Kết nối với các chân tạo xung
PWM của vi điều khiển Điều khiển nửa cầu phải
LPWM Kết nối với các chân tạo xung
PWM của vi điều khiển Điều khiển nửa cầu trái
CHƯƠNG 6 XÂY DỰNG HỆ THỐNG ĐIỆN ĐIỀU KHIỂN
R_EN Kết nối với VCC (5V) Cho phép nửa cầu phải hoạt động
L_EN Kết nối với VCC (5V) Cho phép nửa cầu phải hoạt động
R_IS Không sử dụng Giới hạn dòng nửa cầu phải
R_IS Không sử dụng Giới hạn dòng nửa cầu trái
VCC Kết nối với VCC (5V) Nguồn hoạt động của IC
GND Kết nối với GND Nguồn hoạt động của IC
6.5.2.3 Module 4 relay 5V với Opto cách ly
Module 4 relay 5V với Opto cách ly là một module bao gồm 4 relay được hoạt động ở mức điện áp 5VDC và có khả năng chịu hiệu điện thế lên đến 250VAC 10A Module này đã tích hợp mạch kích relay sử dụng MOSFET và IC cách ly quang, đảm bảo mạch điều khiển được hoàn toàn cách ly với relay, mang lại an toàn và ổn định cho vi điều khiển Module này sử dụng chân kích mức thấp (0V) Khi có tín hiệu 0V được đưa vào chân IN, relay sẽ chuyển sang chế độ cực thường mở (NO) Relay này có thể sử dụng được cho cả nguồn điện DC và
- Điện áp điều khiển: 5VDC
- Dòng điện tiêu thụ: khoảng 200mA/1Relay
- Tín hiệu điều khiển: mức cao (5V) hoặc mức thấp (0V), lựa chọn được bằng Jumper
- Relay trên mạch: o Nguồn cấp: 5VDC o Tiếp điểm đóng ngắt tối đa: 250VAC-10A hoặc 30VDC-10A
Hình 6 11: Hình ảnh thực tế module relay
Các chân của relay được kết nối như sau:
Bảng 6 8: Cấu hình kết nối module relay và vi điều khiển
Tên chân Cấu hình Chức năng
IN1 Kết nối với chân PC1 (R_LED) của vi điều khiển Điều khiển Led đỏ thông qua Relay 1
IN2 Kết nối với chân PC2 (G_LED) của vi điều khiển Điều khiển Led lục thông qua Relay 2
IN3 Kết nối với chân PC3 (Y_LED) của vi điều khiển Điều khiển Led vàng thông qua Relay 3
VCC Kết nối với VCC (5V) Nguồn nuôi của relay
CHƯƠNG 6 XÂY DỰNG HỆ THỐNG ĐIỆN ĐIỀU KHIỂN
GND Kết nối với GND Nguồn nuôi của relay
Các cặp tiếp điểm K1, K2, K3 được kết nối với các đèn báo sử dụng mức điện áp 24VDC.
Khối chấp hành
Khối chấp hành được trang bị 4 động cơ Planet 320 RPM 24V 60W với encoder 13 xung, đảm bảo chuyển động hiệu quả cho xe Cụm HMI tích hợp 3 đèn báo, giúp người dùng dễ dàng theo dõi tình trạng hệ thống và mạch đo dung lượng pin.
6.6.2 Động cơ Planet với encoder tích hợp Động cơ DC là một loại động cơ điện hoạt động bằng dòng điện một chiều Được cấu tạo từ hai phần chính: một phần là stato tĩnh và phần còn lại là roto quay so với stato (được gọi là phần kích từ, thường được đặt trên stato) Khi một mạch từ tạo ra từ trường đi qua các vòng dây quấn trên phần roto và dòng điện chạy qua mạch từ, các thanh dẫn trong phần roto sẽ trải qua tác động của các lực điện từ, tác động này xảy ra theo hướng song song với bề mặt của trục roto và dẫn đến việc quay của roto
Về phân loại, có các loại động cơ sau, phụ thuộc vào cách cuộn dây của roto và stato được kết nối:
Động cơ kích từ độc lập là loại động cơ có cuộn dây kích từ và cuộn dây phần ứng được kết nối riêng biệt, cho phép cung cấp nguồn riêng Ngoài ra, cuộn dây kích từ có thể được thay thế bằng nam châm vĩnh cửu, tạo ra động cơ điện một chiều sử dụng nam châm vĩnh cửu.
- Động cơ kích từ nối tiếp: Đây là loại động cơ có cuộn dây kích từ được kết nối nối tiếp với cuộn dây phần ứng
Để điều chỉnh tốc độ của động cơ kích từ độc lập sử dụng nam châm vĩnh cửu, cần thay đổi điện áp cung cấp cho roto Động cơ Planet DC Servo với encoder tích hợp được lựa chọn cho dự án này nhằm đáp ứng các yêu cầu và thuận tiện trong sử dụng Thông tin chi tiết về phương pháp tính toán và đặc điểm của động cơ được trình bày trong chương 5.
Encoder là cảm biến quan trọng dùng để xác định vị trí góc của đĩa quay, đồng thời đo quãng đường di chuyển của bánh xe, trục động cơ hoặc các thiết bị có chuyển động quay khác Thiết bị này giúp xác định độ dịch chuyển một cách chính xác, đóng vai trò quan trọng trong các ứng dụng tự động hóa và điều khiển.
Có hai loại encoder chính là encoder tuyệt đối và encoder tương đối Encoder tuyệt đối cung cấp vị trí chính xác mà không cần xử lý, trong khi encoder tương đối cần xử lý tín hiệu xung để xác định vị trí quay Encoder tương đối có giá thành thấp hơn, dễ tích hợp trên động cơ và không yêu cầu quá nhiều công đoạn xử lý phức tạp, do đó là lựa chọn phù hợp cho đề tài này.
Hình 6 12: Mô tả cấu tạo cơ bản encoder tương đối
Encoder tương đối bao gồm ba phần chính: đĩa quay với các rãnh, cảm biến nguồn phát và cảm biến thu Mỗi khi động cơ quay một vòng, sóng hồng ngoại từ nguồn phát xuyên qua rãnh trên đĩa encoder đến cảm biến quang, tạo ra tín hiệu Số lượng rãnh trên đĩa quyết định độ phân giải của encoder, ảnh hưởng đến độ chính xác của bộ điều khiển và phương pháp điều khiển Để điều khiển động cơ hiệu quả, cần nắm rõ độ phân giải của cảm biến encoder đang sử dụng.
Encoder thường có 2 kênh A và B, trong đó tín hiệu từ kênh B có tần số giống kênh A nhưng lệch pha 90 độ Bằng cách phân tích tín hiệu từ cả hai kênh, ta có thể xác định được hướng quay của động cơ.
CHƯƠNG 6 XÂY DỰNG HỆ THỐNG ĐIỆN ĐIỀU KHIỂN
Hình 6 13: Mô tả cách đọc encoder tương đối và cách xác định hướng động cơ
Encoder được sử dụng là loại encoder tương đối được tích hợp sẵn trên trục của động cơ được chọn, có các thông số như sau:
Bảng 6 9: Thông tin encoder tích hợp trên động cơ đã chọn
Điện áp hoạt động của thiết bị là 5VDC, với độ phân giải đạt 13 PPR (xung/vòng) khi đo trên vòng quay trục chính của động cơ Thiết bị có 2 kênh A và B hoạt động cùng tần số, với xung lệch pha 90 độ.
6.6.4 Cụm đèn báo AD16-22DS và module hiển thị điện áp - mức dung lượng Pin
Hình 6 14: Hình ảnh thực tế đèn AD16-22DS
Cụm đèn báo AD16-22DS, hoạt động với điện áp 24VDC và dòng điện chỉ 20mA, được điều khiển thông qua Module Relay Hệ thống bao gồm 3 đèn, mang lại hiệu suất cao và tiết kiệm năng lượng.
• Đèn đỏ: hệ thống xảy ra lỗi, dừng hoạt động
• Đèn vàng: robot không phát hiện được người sử dụng, hoặc không phát hiện được bất kì vật thể nào
• Đèn xanh: hệ thống hoạt động bình thường
Hình 6 15: Hình ảnh thực tế Module hiển thị điện áp - mức dung lượng Pin
CHƯƠNG 6 XÂY DỰNG HỆ THỐNG ĐIỆN ĐIỀU KHIỂN
Module hiển thị điện áp là thiết bị đo mức điện áp trên nguồn pin từ 12VDC đến 60VDC, sử dụng volt kế tích hợp với độ chính xác khoảng 2% Thiết bị này hiển thị mức điện áp qua đèn LED 7 đoạn và thể hiện trạng thái pin hiện tại thông qua 8 mức đèn LED khác nhau.
Khi đo điện áp từ nguồn pin 24VDC, các mức sáng của đèn có thể được ước tính như sau:
• Điện áp lớn hơn 21.4V, sáng mức 1
• Điện áp lớn hơn 22.2V, sáng mức 2
• Điện áp lớn hơn 23.0V, sáng mức 3
• Điện áp lớn hơn 23.6V, sáng mức 4
• Điện áp lớn hơn 24.0V, sáng mức 5
• Điện áp lớn hơn 24.6V, sáng mức 6
• Điện áp lớn hơn 25.2V, sáng mức 7
• Điện áp lớn hơn 26.0V, sáng mức 8
XÂY DỰNG THUẬT TOÁN XỬ LÝ ẢNH
Nhiệm vụ của thuật toán
Thuật toán xử lý ảnh sử dụng tín hiệu từ camera để xác định các thông số cần thiết cho việc điều khiển robot di chuyển theo người mà nó bám theo, đồng thời duy trì khoảng cách an toàn Ngoài ra, thuật toán còn có nhiệm vụ phát hiện và phân biệt các đối tượng, cung cấp thông tin chính xác cho hệ thống điều khiển.
- Tín hiệu hình ảnh lấy từ camera (RGB và dept)
- Dải HSV giới hạn trên và dưới màu áo của người sử dụng Đầu ra của quá trình xử lý ảnh:
- Khoảng cách giữa camera và người sử dụng (m)
Giá trị độ lệch của người sử dụng so với trọng tâm khung hình (pixel) được tối ưu hóa thông qua việc chia nhỏ các giải thuật trên board Jetson Nano thành nhiều luồng (thread) khác nhau Các luồng này hoạt động song song với nhau, nhờ vào thư viện Thread của Python, nhằm nâng cao hiệu quả trong quá trình đọc, xử lý và gửi dữ liệu.
- Thread 1: Thuật toán phát hiện người (Person Detection)
- Thread 2: Thuật toán phát hiện màu áo (Shirt Detection)
- Thread 3: Xử lý và gửi nhận dữ liệu qua UART (Data processing)
Các luồng hoạt động song song với nhau sẽ giúp tăng hiệu quả thuật toán, giảm thiểu lỗi và hoạt động ổn định
CHƯƠNG 7 XÂY DỰNG THUẬT TOÁN XỬ LÝ ẢNH
Hình 7 1: Lưu đồ thuật toán xử lý ảnh
Thuật toán phát hiện người (Person Detection)
Do cấu hình phần cứng của vi điều khiển Jetson Nano tương đối yếu, nhóm đã quyết định sử dụng các mô hình pre-trained trong khối mô hình DetectNet do Nvidia phát triển Việc áp dụng mô hình pre-trained không chỉ tiết kiệm thời gian tạo dữ liệu và huấn luyện, mà còn giúp đạt được tốc độ thời gian thực cao nhờ sự hỗ trợ và tối ưu hóa từ thư viện TensorRT (Tensor Runtime) của Nvidia.
Thư viện TensorRT được phát triển nhằm tối ưu hóa hiệu suất và giảm độ trễ, từ đó tăng tốc độ xử lý tính toán và tiết kiệm tài nguyên phần cứng khi triển khai các mô hình deep learning trên hệ thống GPU.
Mô hình SSD Mobilenet-v2 trong khối mô hình DetectNet của Nvidia là lựa chọn phổ biến nhất nhờ tốc độ thực thi cao, đặc biệt trên Jetson Nano với khả năng đạt tới 39 Fps và độ chính xác tương đối tốt Tuy nhiên, nhược điểm của mô hình này là khả năng nhận diện 91 đối tượng khác nhau theo tập dữ liệu COCO, điều này có thể gây khó khăn trong việc phát hiện người trong khung hình khi robot hoạt động trong môi trường phức tạp.
Trong môi trường phức tạp như khuôn viên mở với nhiều phương tiện giao thông, việc xử lý và loại bỏ dữ liệu không cần thiết từ 91 lớp đối tượng trở nên khó khăn và tốn thời gian, đặc biệt là khi cần đảm bảo tính chính xác và ổn định cho lớp đối tượng con người Sau thời gian thử nghiệm với mô hình SSD Mobilenet-v2, nhóm nghiên cứu đã quyết định chuyển sang mô hình PeopleNet, một phần của khối mô hình DetectNet do Nvidia phát triển, chỉ tập trung vào việc phát hiện 3 lớp đối tượng: con người, khuôn mặt và túi xách.
Mô hình PeopleNet được phát triển dựa trên Detectnet_v2 của Nvidia và ResNet34, sử dụng làm bộ trích xuất đặc trưng Kiến trúc này áp dụng hồi quy khung giới hạn trên Uniform Grid để dự đoán bốn tham số giới hạn chuẩn hóa của một bounding-box cùng với giá trị độ tin cậy cho từng loại đối tượng trong mô hình.
Mô hình PeopleNet sử dụng Resnet34 làm bộ trích xuất đặc trưng trên Jetson Nano đạt độ chính xác 84% và tốc độ 10 FPS, cho phép sử dụng hiệu quả trong thời gian thực với khung hình đầu vào có độ phân giải 640 x 544.
CHƯƠNG 7 XÂY DỰNG THUẬT TOÁN XỬ LÝ ẢNH
Sau khi nhận khung hình từ camera, cần chuyển vị trí lưu trữ để xử lý trên GPU nhằm tăng tốc độ inference bằng cách sử dụng hàm jetson.utils.cudaFromNumpy().
Hình 7 3: Lưu đồ phát hiện người và tạo bounding box
Sau khi phát hiện người, thuật toán sẽ tạo bounding-box và trích xuất tọa độ trọng tâm của bounding-box thông qua các tham số xc và yc trong bốn tham số giới hạn đã được chuẩn hóa.
Thuật toán phát hiện màu áo (Shirt Color Detection)
Sau khi xác định tọa độ trọng tâm xc, yc của khung bounding box từ thuật toán phát hiện người, nhiệm vụ tiếp theo là phân biệt các đối tượng người đã được phát hiện thông qua thuật toán phát hiện màu áo Phương pháp chính được sử dụng là hệ màu HSV, trong đó thuật toán so sánh giá trị của từng pixel trong khoảng mong muốn để kiểm tra xem chúng có nằm trong giá trị màu HSV cần phát hiện hay không.
Hình 7 4: Mô tả hệ màu HSV
Hệ màu HSV bao gồm 3 thông số:
H (Hue - Hồi quang) đại diện cho màu sắc của pixel, thể hiện vị trí trên vòng màu Các màu cơ bản như đỏ, xanh lá cây và xanh dương được biểu thị bởi các giá trị góc khác nhau trên vòng màu.
S (Saturation - Độ bão hòa): Đại diện cho độ tươi sáng và độ bão hòa của màu Giá trị của
S càng cao, màu sắc càng tươi sáng và sặc sỡ Khi S bằng 0, màu sắc trở thành trắng, và khi
S đạt giá trị tối đa (thường là 1), màu sắc đạt độ bão hòa cao nhất
Giá trị V (Value) thể hiện độ sáng của màu sắc Khi giá trị V tăng, màu sắc sẽ trở nên sáng hơn Nếu V bằng 0, màu sẽ chuyển thành đen, và khi V đạt giá trị tối đa (thường là 1), màu sắc sẽ có độ sáng cao nhất.
CHƯƠNG 7 XÂY DỰNG THUẬT TOÁN XỬ LÝ ẢNH
Hình 7 5: Lưu đồ detect người sử dụng với điều kiện màu áo
Thuật toán sử dụng thư viện OpenCV để chuyển đổi dữ liệu ảnh RGB từ camera sang định dạng HSV Sau khi chuyển đổi, thuật toán sẽ xác định một vùng cần phát hiện màu cụ thể, với kích thước khung hình vuông 40 x 40 pixel (ROI frame) xung quanh tọa độ xc, yc được xác định từ thuật toán phát hiện người, nhằm phát hiện màu sắc trong khu vực áo của người cần phân biệt.
Sau khi xác định ROI frame, thuật toán sẽ tạo mặt nạ cho các pixel có giá trị trong khoảng HSV đã được nhập qua Color HSV Range Tiếp theo, nó sẽ đếm số lượng pixel trong ROI frame, với độ phân giải 40 x 40 tương đương 1600 pixel Màu áo sẽ được xác định khi số lượng pixel nằm trong dải HSV của màu đó vượt quá 50% tổng số pixel trong ROI frame.
Nếu số lượng pixel vượt quá 50%, hệ thống sẽ xác nhận đối tượng cần phát hiện, đồng thời tăng giá trị box count lên 1 và chuyển giao dữ liệu cần thiết đến luồng thuật toán xử lý dữ liệu.
Xử lý dữ liệu (Data Processing) và gửi dữ liệu qua UART
Sau khi xác định người mà robot cần theo dõi, hệ thống sẽ kiểm tra các thuật toán phát hiện người và màu áo Trạng thái của hệ thống cùng với tọa độ và độ sâu (tính bằng mét) của trọng tâm bounding box sẽ được gửi đến vi điều khiển qua giao tiếp UART Tiếp theo, hệ thống sẽ tính toán độ lệch của trọng tâm người được phát hiện so với khung hình.
𝛼: độ lệch giữa trọng tâm người sử dụng và trọng tâm khung hình (pixel)
𝑥 𝐶 : tọa độ trọng tâm người sử dụng theo phương ngang
Tính toán giá trị khoảng cách giữa người và robot:
Trường hợp khoảng cách giữa người và robot nhỏ hơn 1m: 𝑑 = 0
Trường hợp khoảng cách giữa người và robot lớn hơn 1m:
Robot sẽ gửi thông tin khoảng cách d (m) mà dept camera đọc được qua UART
Jetson sẽ truyền một biến đến vi điều khiển để thông báo trạng thái hệ thống hiện tại, cụ thể là việc phát hiện hoặc không phát hiện người sử dụng Các biến này được sử dụng để tính toán các thông số vận tốc cài đặt và độ lệch vận tốc giữa hai bên, hỗ trợ cho việc định hướng di chuyển của robot.
THUẬT TOÁN ĐIỀU KHIỂN CHUYỂN ĐỘNG ROBOT
Nhiệm vụ thuật toán
Sau khi áp dụng thuật toán xử lý ảnh, robot có khả năng xác định vị trí của người bằng cách sử dụng hai thông tin chính: khoảng cách từ robot đến người và độ lệch ngang của người trong khung hình Nhiệm vụ của thuật toán điều khiển quỹ đạo robot là tính toán vận tốc cho từng bánh xe dựa vào sự thay đổi của hai thông tin này, sử dụng phương pháp PID để đảm bảo robot có thể theo sát người Thuật toán này được triển khai trên STM32, cho phép tính toán giá trị cài đặt vận tốc và thực hiện điều khiển tốc độ cho từng động cơ thông qua bộ điều khiển PI.
Cấu trúc bộ điều khiển PI điều khiển tốc độ động cơ
8.2.1 Sơ đồ khối của bộ điều khiển Để xác định được các thông số cho bộ điều khiển PI, cần mô hình hóa hệ thống để tìm được các thông số đặc trưng cho đáp ứng của hệ thống Để đơn giản hóa trong việc tính toán, chọn hàm truyền của động cơ có dạng bậc nhất có trễ:
Cấu trúc bộ điều khiển tốc độ động cơ được xây dựng dựa trên sơ đồ khối tổng quát như sau:
Hình 8 1: Sơ đồ cơ bản bộ điều khiển động cơ
SP: tốc độ cài đặt hoặc tốc độ động cơ mong muốn
MV: tín hiệu điều khiển mức điện áp cấp cho động cơ, cụ thể là giá trị PWM
PV: tốc độ thực tế của động cơ được tính từ giá trị encoder trả về
Để bộ điều khiển hoạt động chính xác, cần bổ sung các khâu giới hạn và khâu chống bão hòa tích phân nhằm giảm sai số giữa tốc độ mong muốn và tốc độ thực tế (64 e = SP – PV).
Hình 8 2: Sơ đồ khối chi tiết của bộ điều khiển động cơ
8.2.2 Tìm hàm truyền của hệ thống bằng phương pháp bán thực nghiệm
Để điều chỉnh tốc độ quay của trục động cơ, cần thay đổi điện áp điều khiển bằng phương pháp PWM Biến điều khiển MV được xác định bằng giá trị PWM (bit) trong khoảng từ 0 đến 999, trong khi biến được điều khiển CV là vận tốc trục động cơ tính theo RPM.
Công thức tính vận tốc trục động cơ dựa trên giá trị đọc được từ PWM:
Trong đó: Δ: số xung đọc được trong khoảng thời gian lấy mẫu T
N: chế độ đọc encoder Để tăng độ chính xác cho vận tốc đọc được từ encoder, chọn chế độ đọc x4, N = 4
T: chu kì lấy mẫu (s), chọn 𝑇 = 10 𝑚𝑠 = 10 × 10 −3 𝑠
PPR (Pulses Per Revolution): độ phân giải của encoder, PPR = 13 u: Tỉ số truyền hộp giảm tốc động cơ, u = 19.2
Các bước xác định hàm truyền của hệ được mô tả như sau:
Bước 1: Chuẩn bị dữ liệu đầu vào
CHƯƠNG 8 THUẬT TOÁN ĐIỀU KHIỂN CHUYỂN ĐỘNG ROBOT
Kết nối động cơ với mạch driver và vi điều khiển STM32, cung cấp nguồn 24VDC, với điều kiện tải trọng chỉ là khối lượng bản thân robot mà không có tải khác Nghiên cứu sự thay đổi tốc độ động cơ khi điều chỉnh biến điều khiển MV, cụ thể là giá trị PWM trong khoảng từ 200 đến giá trị tối đa.
600 (đồ thị 1) và từ 400 → 800 (đồ thị 2), lấy khoảng 300 giá trị với chu kì lấy mẫu 10 ms dưới dạng hàm bậc thang (Step change), kết quả như sau:
Hình 8 3: Đường cong đáp ứng của vận tốc (RPM) khi thay đổi giá trị PWM
Dựa trên các bảng dữ liệu đã cung cấp, chúng tôi áp dụng công thức đường cong đáp ứng của hàm truyền có trễ bậc nhất theo phương pháp 2 để tính toán hàm truyền của hệ thống.
Tính thông số 𝐾 𝑝 của 2 đường cong đáp ứng:
Tính thông số 𝜏 𝑝 của 2 đường cong đáp ứng:
𝜏 𝑝2 = 1.5(𝜏 63% (2) − 𝜏 28% (2) ) = 1.5 × (0.0834 − 0.0302) = 0.0798 (𝑠) (8 6) Tính thông số 𝜃 𝑝 của hai đường cong đáp ứng:
𝜃 𝑝2 = 𝜏 63% (2) − 𝜏 𝑝2 = 0.0834 − 0.0798 = 0.0036 (𝑠) (8 8) Lấy giá trị trung bình của các tham số từ hai đồ thị, hàm truyền của hệ thống có dạng như sau:
8.2.3 Tính toán hệ số PID
Dựa trên hàm truyền đã xác định, chúng tôi áp dụng các phương pháp phổ biến để tìm hệ số PID, tập trung vào các thông số đặc trưng của đường cong đáp ứng Mục tiêu là lựa chọn bộ số PI có chất lượng điều khiển tốt nhất Đối với phương pháp Tổng hợp Trực tiếp, bộ số được tính toán như sau:
0.068875= 234.7624 (8 16) Đối với phương pháp IMC, bộ số tính toán được như sau:
CHƯƠNG 8 THUẬT TOÁN ĐIỀU KHIỂN CHUYỂN ĐỘNG ROBOT
Trong quá trình kiểm nghiệm thực tế các bộ số PI đã tính, bộ số được tính theo phương pháp IMC cho đáp ứng tốt nhất
8.2.4 Tính toán vận tốc cài đặt cho các động cơ trong việc dẫn hướng robot
Robot di chuyển dựa vào hai yếu tố chính: vận tốc mong muốn và độ chênh lệch vận tốc giữa các bánh xe Thông tin này được gửi từ board Jetson Nano tới vi điều khiển qua giao thức UART Giải thuật này giúp robot theo sát người dùng với vận tốc tương ứng, tự động rẽ theo khi vị trí của người dùng lệch khỏi trọng tâm khung hình camera Robot sẽ duy trì khoảng cách 1m với người dùng; nếu khoảng cách nhỏ hơn 1m hoặc không phát hiện được người dùng, robot sẽ dừng lại.
Khi khung ảnh nhận diện người dùng, Jetson sẽ xác định và tính toán trọng tâm của người đó, sau đó so sánh với trọng tâm khung ảnh để xác định độ lệch Độ lệch này sẽ ảnh hưởng đến sự chênh lệch tốc độ của các động cơ bên trái và bên phải của robot thông qua một công thức cụ thể.
𝑛 𝑜𝑓𝑓𝑠𝑒𝑡 : độ lệch vận tốc giữa hai động cơ (RPM)
𝛼: độ lệch giữa trọng tâm khung hình và trọng tâm của người sử dụng (pixel)
Thông qua kiểm nghiệm thực tế, chọn 𝐾 𝑜𝑓𝑓𝑠𝑒𝑡 = 0.875 để đảm bảo robot hoạt động ổn định Khi 𝐾 𝑜𝑓𝑓𝑠𝑒𝑡 = 200, độ lệch tối đa đạt được là:
Tốc độ mong muốn của robot được tính toán dựa trên khoảng cách giữa robot và người sử dụng, được đo bằng camera D435 Khoảng cách này (m) sẽ được sử dụng để xác định tốc độ tối ưu, nhằm đảm bảo sự tương tác an toàn và hiệu quả giữa robot và người dùng.
𝑛 𝑠𝑒𝑡𝑝𝑜𝑖𝑛𝑡 : vận tốc cài đặt (RPM)
𝑑: khoảng cách giữa robot và người sử dụng (m)
Qua kiểm nghiệm thực tế, lựa chọn 𝐾 𝑠𝑒𝑡𝑝𝑜𝑖𝑛𝑡 = 50 giúp đảm bảo robot hoạt động ổn định Khi 𝐾 𝑠𝑒𝑡𝑝𝑜𝑖𝑛𝑡 đạt 50, vận tốc cài đặt tối đa có thể đạt 66 RPM khi khoảng cách lớn hơn 2 m Vận tốc tối đa của xe được tính theo đơn vị m/s.
𝑣: vận tốc cài đặt (m/s) r: bán kính bánh xe (mm), r = 145 mm
Vậy vận tốc cài đặt tối đa của xe sẽ đạt 1 m/s khi khoảng cách lớn hơn 2 m.
Lưu đồ giải thuật điều khiển và đèn báo
Xét về tổng quan, khối điều khiển gồm các giải thuật sau:
- Giải thuật đọc dữ liệu và xét trạng thái lỗi
- Giải thuật điều khiển chính
- Giải thuật xét trạng thái đèn
Các giải thuật được trình bày trong các lưu đồ sau:
CHƯƠNG 8 THUẬT TOÁN ĐIỀU KHIỂN CHUYỂN ĐỘNG ROBOT
Hình 8 4: Giải thuật đọc dữ liệu từ Jetson Nano
Hình 8 5: Giải thuật điều khiển chính
CHƯƠNG 8 THUẬT TOÁN ĐIỀU KHIỂN CHUYỂN ĐỘNG ROBOT
Hình 8 6: Giải thuật xét trạng thái đèn
THI CÔNG MÔ HÌNH VÀ PHÂN TÍCH KẾT QUẢ
Kết quả thi công mô hình
Hình 9 1: Kết quả khung cơ khí của mô hình
Hình 9 2: Kết quả mạch điện điều khiển
CHƯƠNG 9 THI CÔNG MÔ HÌNH VÀ PHÂN TÍCH KẾT QUẢ
Hình 9 3: Cụm đèn báo và công tắc
Nhận xét: Mô hình về cơ bản đã đạt được các yêu cầu đặt ra về hình dạng, các chức năng như đã trình bày.
Kết quả giải thuật xử lý ảnh
Hình 9 4: Kết quả Detect người của model PeopleNet
Hình 9 5: Kết quả thuật toán xử lý phát hiện màu áo đỏ
Nhận xét: Mô hình đã nhận diện được người và điều kiện phân biệt (màu áo) ở điều kiện ngoài trời với độ chính xác cao (> 90%)
CHƯƠNG 9 THI CÔNG MÔ HÌNH VÀ PHÂN TÍCH KẾT QUẢ
Kết quả giải thuật điều khiển và kiểm nghiệm tải trọng
Bảng 9 1: Bảng so sánh giá trị thiết kế và giá trị thực tế của mô hình Đại lượng Giá trị ước tính Giá trị thực tế đo được
Khối lượng robot ~35 kg 36.6 kg
Khối lượng tải hàng hóa ~40 kg ≥ 41.6 kg
Kích thước(D×R×C) 90×60×60 cm (89.8×60.2×60.1) cm Độ nghiên tối đa 15 độ ≥ 15 độ
Thời gian làm việc (3-4) giờ > 4 giờ
Hình 9 6: Mô hình vận hành khi leo vỉa hè (độ nghiêng 15 độ)
Hình 9 7: Mô hình vận hành khi xuống khỏi vỉa hè (độ nghiêng 15 độ)
Nhận xét: Mô hình đã đáp ứng được các giá trị ước tính và hoạt động bình thường với các kết quả này
CHƯƠNG 9 THI CÔNG MÔ HÌNH VÀ PHÂN TÍCH KẾT QUẢ
77 Đồ thị đáp ứng của vận tốc động cơ không tải với hệ số PI đã tính toán, đầu vào là hàm ramp:
Đồ thị đáp ứng vận tốc của động cơ cho thấy hiệu suất khi vận tốc cài đặt đạt 100 RPM mà không có tải trọng Khi áp dụng hệ số PI đã tính toán với đầu vào là hàm ramp và trọng tải 41.6kg trên mặt đường nhựa với độ nghiêng 15 độ, kết quả thể hiện rõ sự ổn định và phản ứng của động cơ trong điều kiện này.
Hình 9 9: Đồ thị đáp ứng vận tốc khi vận tốc cài đặt là 50 RPM, có tải trọng
Hình 9 10: Đồ thị đáp ứng vận tốc khi vận tốc cài đặt là 100 RPM, có tải trọng
Bộ điều khiển phản ứng nhanh và chính xác, không xảy ra hiện tượng vọt lố Tuy nhiên, vẫn tồn tại một số dao động do nhiễu tải và giới hạn tính toán của thiết bị.