Nghiên cứu, thiết kế và chế tạo robot bám theo người hỗ trợ vận chuyển hàng hóa trong nhà xưởng

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH ĐỒ ÁN TỐT NGHIỆP NGÀNH CNKT CƠ ĐIỆN TỬ NGHIÊN CỨU, THIẾT KẾ VÀ CHẾ TẠO ROBOT BÁM THEO NGƯỜI HỖ TRỢ VẬN CHUYỂN HÀNG HÓA TRONG NHÀ XƯỞNG GVHD: TS HÀ LÊ NHƯ NGỌC THÀNH SVTH: LƯƠNG ANH KIỆT NGÔ VĂN HỮU LUÂN NGUYỄN THÀNH VINH SKL011132 Tp Hồ Chí Minh, Tháng năm 2023 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP HỒ CHÍ MINH KHOA CƠ KHÍ CHẾ TẠO MÁY ĐỒ ÁN TỐT NGHIỆP Đề tài: “NGHIÊN CỨU, THIẾT KẾ VÀ CHẾ TẠO ROBOT BÁM THEO NGƯỜI HỖ TRỢ VẬN CHUYỂN HÀNG HÓA TRONG NHÀ XƯỞNG” Giảng viên hướng dẫn: TS HÀ LÊ NHƯ NGỌC THÀNH Sinh viên thực hiện: LƯƠNG ANH KIỆT MSSV: 19146347 Lớp: 191462A NGÔ VĂN HỮU LUÂN MSSV: 19146352 Lớp: 191462A NGUYỄN THÀNH VINH MSSV: 19146426 Lớp: 191462C Khóa: 2019 - 2023 Tp Hồ Chí Minh, tháng 07 năm 2023 i TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP HỒ CHÍ MINH KHOA CƠ KHÍ CHẾ TẠO MÁY BỘ MÔN CƠ ĐIỆN TỬ ĐỒ ÁN TỐT NGHIỆP Đề tài: “NGHIÊN CỨU, THIẾT KẾ VÀ CHẾ TẠO ROBOT BÁM THEO NGƯỜI HỖ TRỢ VẬN CHUYỂN HÀNG HÓA TRONG NHÀ XƯỞNG” Giảng viên hướng dẫn: TS HÀ LÊ NHƯ NGỌC THÀNH Sinh viên thực hiện: Khóa: LƯƠNG ANH KIỆT MSSV: 19146347 Lớp: 191462A NGÔ VĂN HỮU LUÂN MSSV: 19146352 Lớp: 191462A NGUYỄN THÀNH VINH MSSV: 19146426 Lớp: 191462C 2019 – 2023 ii Tp Hồ Chí Minh, tháng 07 năm 2023 TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP.HCM CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM KHOA CƠ KHÍ CHẾ TẠO MÁY Độc lập – Tự – Hạnh phúc Bộ môn Cơ điện tử NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP Học kỳ / năm học 2023 Giảng viên hướng dẫn: TS Hà Lê Như Ngọc Thành Sinh viên thực hiện: Lương Anh Kiệt MSSV: 19146347 Điện thoại: 0398657323 Ngô Văn Hữu Luân MSSV: 19146352 Nguyễn Thành Vinh MSSV: 19146426 Điện thoại: 0332936343 Điện thoại: 0947007803 Mã số đề tài: 22223DT117 Tên đề tài: Nghiên cứu, thiết kế chế tạo robot bám theo người hỗ trợ vận chuyển hành lí, hàng hóa - Các số liệu, tài iệu ban đầu: Khối lượng 15kg Vận tốc 5km/h Kích thước 300x200x150mm - Mơi trường làm việc: nhà xưởng Nội dung đồ án: - Thiết kế, chế tạo robot Thiết kế điều khiển động robot bám theo người Các sản phẩm dự kiến: Mơ hình robot Cuốn báo cáo, tóm tắt Thuật toán điều khiển robot Ngày giao đồ án: 22/02/2023 Ngày nộp đồ án: 21/07/2023 Ngôn ngữ trình bày: Bản báo cáo: Trình bày bảo vệ: iii Tiếng Anh  Tiếng Anh  Tiếng Việt ✓ Tiếng Việt ✓ TRƯỞNG KHOA (Ký, ghi rõ họ tên) TRƯỞNG BỘ MÔN (Ký, ghi rõ họ tên) GIẢNG VIÊN HƯỚNG DẪN (Ký, ghi rõ họ tên)  Được phép bảo vệ (GVHD ký, ghi rõ họ tên) iv LỜI CAM KẾT - Tên đề tài: Nghiên cứu, thiết kế chế tạo robot bám theo người hỗ trợ vận chuyển hành lí, hàng hóa - GVHD: TS Hà Lê Như Ngọc Thành Họ tên sinh viên: Lương Anh Kiệt - MSSV: 19146347 - Địa sinh viên: 5/22 Lê Văn Chí, phường Linh Trung, TP Thủ Đức, TPHCM - Số điện thoại liên lạc: 0398657323 Email: 19146347@student.hcmute.edu.vn Họ tên sinh viên: Ngô Văn Hữu Luân MSSV: 19146352 Lớp: 191462A - Địa sinh viên: 29/6 đường số 8, phường Linh Trung, TP Thủ Đức, TPHCM Số điện thoại liên lạc: 0332936343 - Email: 19146352@student.hcmute.edu.vn Họ tên sinh viên: Nguyễn Thành Vinh MSSV: 19146426 Lớp: 191462C - Địa sinh viên: 20/22/24/14 đường 160 phường Tăng Nhơn Phú A, TP Thủ Đức, TPHCM Số điện thoại liên lạc: 0947007803 - Email: 19146426@student.hcmute.edu.vn Ngày nộp khóa luận tốt nghiệm (ĐATN): - Lời cam kết: “Chúng xin cam đốn khóa luận tốt nghiệp (ĐATN) cơng trình nhóm tơi nghiên cứu thực Chúng không chép từ viết Lớp: 191462A cơng bố mà khơng trích dẫn nguồn gốc Nếu có vi phạm nào, tơi xin chịu hồn tồn trách nhiệm” Tp Hồ Chí Minh, ngày 16 tháng 07 năm 2023 Ký tên v LỜI CẢM ƠN Đầu tiên, em xin gửi lời cảm ơn chân thành đến thầy Hà Lê Như Ngọc Thành đồng hành chúng em từ đồ án truyền động khí đến đồ án tốt nghiệp lần Chúng em xin gửi lời cảm ơn chân thành đến thầy bảo tận tình chúng em Cảm ơn thầy định hướng cho chúng em đến đề tài tốt nghiệp lần Sau đó, em xin cảm ơn đến tất giảng viên mơn Cơ điện tử khoa Cơ khí chế tạo máy trường Đại học Sư phạm Kỹ thuật TPHCM trang bị đầy đủ kiến thức kinh nghiệm để chúng em có tảng thực đồ án lần Bên cạnh chúng em xin cảm ơn tất anh chị khóa người hỗ trợ em nhiều trình thực đồ án Cuối cũng, chúng em xin gửi lời cảm ơn đến Ba Mẹ, người cố gắng hỗ trợ cho chúng em suốt q trình học tập ln ủng hộ chúng em mục tiêu khác tương lai TP Hồ Chí Minh, ngày 16 tháng 07 năm 2023 Nhóm thực Lương Anh Kiệt Ngơ Văn Hữu Ln vi Nguyễn Thành Vinh TÓM TẮT ĐỒ ÁN Trong lĩnh vực vận chuyển, robot di chuyển bám theo người hỗ trợ vận chuyển hàng hóa giải pháp tiềm để tối ưu hóa, nâng cao hiệu trình vận chuyển giảm thiểu phụ thuộc vào lao động Đề tài tập trung vào việc thiết kế, chế tạo mơ hình robot di chuyển bám theo người với tốc độ 5km/h, sử dụng cấu khí rocker-bogie tinh giản, đồng thời sử dụng hệ thống nhận diện và phân loại đối tượng ‘SSD-Mobilenet’, kết hợp thuật toán theo vết đối tượng CSRT thuộc cơng cụ xử lí hình ảnh OpenCV để nhận diện theo vết đối tượng Máy tính nhúng Jetson Nano sử dụng làm vi xử lý trung tâm để xử lý phân tích hình ảnh từ camera, vi điều khiển STM32F103C8T6 tích hợp để điều khiển động thiết bị ngoại vi khác Qua việc kết hợp hai tảng này, nhóm thiết kế triển khai hệ thống hồn chỉnh có khả thực nhận dạng hình ảnh điều khiển động cách xác linh hoạt Sau hồn thành nghiên cứu, robot có khả vận chuyển hàng hóa hành lí khu vực nhà xưởng, sân bay, khu công nghiệp, trung tâm thương mại Robot giúp tăng hiệu công việc trình vận chuyển, giảm thiểu phụ thuộc vào sức người tối ưu hóa q trình vận chuyển hàng hóa vii ABSTRACT In the transportation field, a robot that follows a human to assist in carrying goods is a potential solution for optimizing and enhancing efficiency during transportation while reducing dependence on labor This research focuses on designing and fabricating a robot model capable of following a human at a speed of km/h, utilizing a simplified rocker-bogie mechanical mechanism Additionally, the robot incorporates the 'SSD-Mobilenet' object detection and classification system, combined with the CSRT object tracking algorithm from the OpenCV image processing toolkit, to detect and track objects The Jetson Nano embedded computer serves as the central processing unit to handle image processing and analysis from the camera, while the STM32F103C8T6 microcontroller is integrated to control the motors and other peripheral devices By combining these two platforms, we have designed and deployed a complete system capable of accurately and flexibly performing image recognition and motor control Upon completion of this study, the robot will be able to transport goods and luggage in areas such as airports, industrial zones, shopping centers, and warehouses This robot will enhance work efficiency during the transportation process, reduce dependence on human labor, and optimize the goods transportation workflow viii MỤC LỤC CHƯƠNG 1: TỔNG QUAN ĐỀ TÀI 1.1 Tính cấp thiết đề tài 1.2 Tình hình nghiên cứu ngồi nước 1.2.1 Các nghiên cứu liên quan giới 1.2.2 Các nghiên cứu liên quan nước 1.3 Mục tiêu nghiên cứu đề tài 1.4 Phạm vi nội dung nghiên cứu đề tài 1.5 Kết cấu đồ án tốt nghiệp CHƯƠNG 2: CƠ SỞ LÍ THUYẾT 2.1 Mô hình hóa robot 2.2 Cơ cấu Rocker-Bogie tinh giản 2.3 Nhận dạng xử lí theo dõi người 11 2.3.1 Kiến trúc mạng thần kinh MobileNet SSD v2 11 2.3.2 Nguyên lý Maximum a Posteriori Probabilities (MAP) 15 2.4.1 Xác định khoảng cách người bám theo robot 15 2.4.2 Thuật toán điều khiển robot 21 2.4.3 Tìm thơng số cho điều khiển động 24 CHƯƠNG 3: TÍNH TỐN CÁC THƠNG SỐ, THIẾT KẾ VÀ THI CƠNG MƠ HÌNH 27 3.1 Tính toán bền cho khung robot 27 3.2 Tính tốn chọn động 28 3.3 Chế tạo mơ hình khí 29 3.3.1 Khung sườn robot 29 3.3.2 Thanh vi sai 31 3.3.3 Cụm rocker 34 3.3.4 Vỏ robot 36 3.3.5 Trục thân robot 39 3.3.6 Cụm gá bánh tự lựa 39 3.3.7 Bản vẽ tổng thể robot 43 3.4 Phần điện thiết bị điều khiển 44 3.4.1 Jetson nano developer kit A02 44 ix CHƯƠNG 3: TÍNH TỐN CÁC THƠNG SỐ, THIẾT KẾ VÀ THI CƠNG MƠ HÌNH Như kết mơ phỏng, hai điều khiển PID hai động cho kết đáp ứng tốt nhất: - Đạt đáp ứng tới giá trị đặt (setpoint) - Không có vọt lố - Độ ổn định cao Như vậy, với kết tính tốn hàm truyền, thơng số điều khiển PID theo Ziegler– Nichols thứ kết việc mô phỏng, hai động sử dụng điều khiển PID với thông số sau: - Động bên trái: ➢ Kp = 1.018 ➢ Ki = 0.25 ➢ Kd = 0.0625 ➢ Hàm truyền: 𝐺𝐿 (𝑠) - = 18.1618 1.9274𝑠+1 Động bên phải: ➢ Kp = 0.9422 ➢ Ki = 0.25 ➢ Kd = 0.0625 ➢ Hàm truyền: 𝐺𝑅 (𝑠) = 18.4368 1.8095𝑠+1 Tuy nhiên, cặp driver động có đáp ứng vận tốc khác nhau, hàm truyền, tốc độ đáp ứng, thời gian đáp ứng tất có sai lệch Vậy nên trình điều khiển, để robot chuyển động thẳng cách mượt mà, robot cần thêm thuật toán PID trung gian để điều khiển giảm bớt sai lệch vận tốc đáp ứng động trình vận hành Hàm PID cân đáp ứng hoạt động lưu đồ giải thuật sau: 67 CHƯƠNG 3: TÍNH TỐN CÁC THƠNG SỐ, THIẾT KẾ VÀ THI CƠNG MƠ HÌNH Hình 55: Lưu đồ PID cân động 3.6.2 Lưu đồ phận xử lí ảnh theo dõi CSRT (Channel and Spatial Reliability Tracker) thuật toán theo dõi đối tượng từ video, sử dụng phương pháp học sâu (deep learning) Nó kết hợp kênh màu khơng gian ảnh để xác định vị trí đối tượng sử dụng mơ hình học máy để dự đốn vị trí đối tượng khung hình Nguyên lý hoạt động CSRT Tracker xác định vị trí ban đầu đối tượng khung hình video sử dụng thuật toán hoạt động dựa nguyên lý Maximum a Posteriori Probabilities (MAP) Nó dự đốn vị trí đối tượng theo tọa độ xác suất cao dựa video đầu vào Mơ hình học máy sử dụng lọc đa kênh để xác định đặc trưng đối tượng, cịn gọi mơ hình theo dõi Trong q trình theo dõi, CSRT Tracker sử dụng mơ hình theo dõi để dự đốn vị trí đối tượng khung hình Nó sử dụng tiêu chí đánh giá độ tin cậy để định xem liệu có tin tưởng vào dự đốn mơ hình hay khơng Nếu độ tin cậy đủ cao, CSRT Tracker tiếp tục dự đốn vị trí đối tượng bị khỏi tầm nhìn người dùng yêu cầu dừng trình theo dõi 68 CHƯƠNG 3: TÍNH TỐN CÁC THƠNG SỐ, THIẾT KẾ VÀ THI CƠNG MƠ HÌNH Hình 56: Lưu đồ nhận diện "Hello AI World" NVIDIA Jetson Nano công cụ phát triển phần mềm (SDK) cung cấp tài liệu, mã nguồn mở ví dụ nhằm phát triển ứng dụng trí tuệ nhân tạo (AI) tảng Jetson Nano "Hello AI World" cho phép tìm hiểu cách sử dụng Jetson Nano để phát triển ứng dụng nhận dạng đối tượng, phân loại hình ảnh, xử lý ngơn ngữ tự nhiên 69 CHƯƠNG 3: TÍNH TỐN CÁC THƠNG SỐ, THIẾT KẾ VÀ THI CƠNG MƠ HÌNH nhiều Bộ SDK bao gồm công cụ cần thiết để cài đặt môi trường phát triển, tạo huấn luyện mô hình AI, triển khai chúng Jetson Nano NVIDIA cung cấp số mơ hình AI huấn luyện sẵn để sử dụng Jetson Nano thông qua SDK "Hello AI World" Các mơ hình bao gồm mơ hình phổ biến YOLO (You Only Look Once) SSD (Single Shot Multibox Detection) cho nhận dạng đối tượng mơ hình GoogleNet ResNet cho phân loại hình ảnh Hình 3.57: Giao diện tải xuống thư viện NIVIDIA Hello AI World Trong dự án này, mơ hình huấn luyện sẵn MobileNet SSD v2 tích hợp công cụ Hello AI World ứng dụng với mục đích phát người khung hình Khi thuật tốn nhận khung hình từ camera, chương trình sử dụng mơ hình để xác định vị trí người xuất khung hình, trường hợp khung hình chưa có chủ thể bước vào, chương trình nhận diện khung hình mơ hình nhận diện đối tượng ‘person’ từ khung hình trả giá trị tọa độ hình chữ nhật bao quanh chủ thể 70 CHƯƠNG 3: TÍNH TỐN CÁC THƠNG SỐ, THIẾT KẾ VÀ THI CƠNG MƠ HÌNH Hình 578: Thuật tốn CSRT theo vết đối tượng định Việc phân chia trình nhận diện theo vết thành hai tiến trình riêng biệt nhau, ưu điểm chương trình khơng thời gian để tải lại mơ hình huấn luyện sẵn nhận diện khung hình Điều giúp cho tốc độ khung hình dao động ổn định khung hình giây (FPS) Do giới hạn khả xử lí theo vết CSRT thiết bị phần cứng, chương trình sử dụng tốc độ khung hình cho việc nhận diện theo vết đối tượng Từ giá trị tọa độ hình chữ nhật bao quanh chủ thể trên, thuật tốn theo vết đối tượng CSRT tiến hành lưu trữ liệu có khung chữ nhật sử dụng mơ hình theo dõi để dự đốn vị trí đối tượng khung hình Đầu thuật toán theo vết đối tượng CSRT tọa độ chủ thể khung hình, từ giá trị tọa độ này, ta xác định vị trí chủ thể lệch khoảng giá trị so với trọng tâm khung hình, đồng thời khoảng giá trị lệch so với hướng nhìn thẳng robot 71 CHƯƠNG 3: TÍNH TỐN CÁC THƠNG SỐ, THIẾT KẾ VÀ THI CƠNG MƠ HÌNH Hình 59: Hiển thị chương trình xử lí hình ảnh Hình 60: Biểu đồ giá trị khoảng cách đo trình theo vết đối tượng Sau nhận giá trị sai lệch chủ thể, kết hợp giá trị trả từ cảm biến siêu âm Chương trình tính tốn truyền tín hiệu để điều khiển động dựa điều khiển PID trình bày phần 3.6.1 Thiết kế điều khiển để điều chỉnh giá trị khoảng lệch dần tiến 72 CHƯƠNG 3: TÍNH TỐN CÁC THƠNG SỐ, THIẾT KẾ VÀ THI CƠNG MƠ HÌNH 3.6.3 Lưu đồ tổng hệ thống Hình 3.61: Lưu đồ tổng hợp toàn hệ thống Sự tương tác trung tâm điều khiển robot thể qua lưu đồ Đầu tiên, chương trình đọc khung hình từ camera nhận diện chủ thể cần theo dõi Sau xác định giá trị sai lệch robot chủ thể, chương trình trả tín hiệu điều khiển từ Jetson Nano sang vi điều khiển STM32F103C8T6 Từ đó, vi điều khiển tiếp tục tính tốn thơng số qua PID thiết lập từ trước điều khiển động đồng thời chương trình phải thỏa điều kiện khoảng cách đo từ cảm biến 73 CHƯƠNG 4: KẾT QUẢ THỰC NGHIỆM 4.1 Kết thực nghiệm Các phận khí chế tạo nằm khoảng dung sai lắp ghép thành mơ hình khí hồn thiện cho robot bám theo người Robot áp dụng cấu đơn giản cấu Rocker-Bogie sử dụng NASA chiến dịch thám hiểm Hỏa Robot bám theo người hỗ trợ vận chuyển hành lí hàng hóa đề tài lần sử dụng khu vực nhà xưởng, kho bãi trung tâm thương mại nên việc sử dụng cấu đơn giản RockerBogie lựa chọn mẻ hợp lí Hình 1: Mơ hình robot thực tế Camera đóng vai trị việc làm thị giác cho robot Nhờ robot kết hợp với mơ hình huấn luyện sẵn để nhận dạng người theo dõi vị trí người để đưa lệnh cho robot rẻ trái rẻ phải thẳng để thực hành động bám theo người định Hình 2: Nhận diện robo 74 CHƯƠNG 4: KẾT QUẢ THỰC NGHIỆM Robot nhận diện nhờ vào mô hình nhận diện người MobileNet-SSD sau sử dụng theo dõi OpenCV để theo dõi người định Người định người xuất khung hình mà robot nhìn thấy Khi hình chữ nhật bao quanh người người rẽ trái phải lệch bên khung hình Khi robot nhận diện rẽ trái phải Tùy thuộc vào độ lệch trái phải robot nhận tín hiệu để rẻ nhanh chậm Tốc độ đáp ứng robot điều khiển thông qua PID thể bên hình Ta thấy tốc độ động có chút khác biệt đáp ứng vận tốc định Hình 3: Tốc độ đáp ứng động bên trái Hình 4: Tốc độ đáp ứng động bên phải 75 CHƯƠNG 4: KẾT QUẢ THỰC NGHIỆM Hình 4.5: Tốc độ đáp ứng robot 4.2 Nhận xét kết Robot bám theo người ổn định nhờ vào thuật toán nhận diện xử lí ảnh Hai động dùng cho robot khiểu khiển để chúng đồng tốc với để robot hoạt động ổn định Tuy nhiên, đơi lúc hoạt động robot mắc phải trường hợp camera động đáp ứng bị lệch khoảng thời gian so với thực tế, vọt lố xảy di chuyển dạng địa hình xấu nên robot khơng thể di chuyển với dự tính dẫn đến việc robot phương hướng Nguyên nhân cho vấn đề bắt nguồn từ phần cứng robot Việc phần cứng camera chưa đủ tốt xử lí trung tâm cho xử lí ảnh Jetson nano chưa đủ khả để đáp ứng khả nhận dạng thời gian thực Giải pháp cho vấn đề cần nâng cấp phần cứng Trong đề tài lần này, robot sử dụng webcam kết hợp với cảm biến siêu âm để nhận diện giữ khoảng cách với người điều làm cho việc xử lí chậm lại phải tiếp nhận từ nhiều nguồn thông tin rời rạc 76 CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 5.1 Kết luận Robot bám theo người xu hướng giới tương lai để giảm bớt sức lao động chi phí khơng cần thiết cho việc vận chuyển hàng hóa, hành lí Robot nghiên cứu lần đáp ứng yêu cầu cơng việc vận chuyển hàng hóa bám theo người Về phần thiết kế khí, việc sở hữu cấu rocker – bogie tinh giản giúp robot di chuyển ổn định địa hình khơng phẳng Với vật liệu thiết bị phần cứng chọn, với đơn giản thiết kế cách vận hành nên robot khơng cần có đội ngũ hỗ trợ kĩ thuật viên có chun mơn lĩnh vực điều khiển vận hành, đồng thời giá thành sản xuất robot tương đối rẻ so sánh lợi ích mà robot mang lại Về phần hệ thống điều khiển, việc áp dụng điều khiển PID vào chương trình điều khiển hai động giúp động ổn định việc tiến tới giá trị đặt đạt trạng thái ổn định giá trị đặt Thêm vào đó, việc áp dụng hàm PID cân làm điều khiển trung gian hai động giải vấn đề đồng tốc độ đáp ứng giá trị tối đa điều khiển hai động Phần thuật tốn nhận diện xử lí ảnh ứng dụng hiệu mơ hình huấn luyện sẵn “SSDMobilenet-v2” tích hợp thư viện NVIDIA Hello World máy tính nhúng Jetson Nano Tuy nhiên, q trình nhận diện cịn chưa tối ưu mơ hình huấn luyện sẵn tích hợp nhiều lớp nhận diện khơng cần dùng đến cho đề tài lần Cùng với đó, thuật tốn theo vết CSRT xử lí hình ảnh OpenCV hoạt động hiệu nhiều môi trường, đáp ứng nhu cầu nhận diện theo vết cho việc vận chuyển hàng nhà xưởng 5.2 Hướng phát triển Robot bám theo người hỗ trợ vận chuyển hành lí hàng hóa đề tài nghiên cứu lần đáp ứng yêu cầu robot vận chuyển bám theo người điều chưa đủ để thương mại hóa đưa vào sử dụng hoạt động bình thường người Mặc dù đáp ứng yêu cầu bản, để ứng dụng vào hệ thống nhà xưởng, robot cần cải tiến phần cứng phần mềm 77 Đầu tiên, khối lượng hàng hóa mà mơ hình vận chuyển tối đa khoảng kg Để tăng hiệu suất công việc áp dụng hệ thống robot vào nhà xưởng, mơ hình phải nâng cấp để tăng khả chuyên chở xe robot Tiếp theo, việc theo vết sử dụng theo vết CSRT cịn mang khuyến điểm sử dụng CPU để thuật tốn xử lí hình ảnh đầu vào Để tăng tốc độ xử lí chương trình, thuật tốn nên cấu hình lại để hoạt động GPU, tốc độ xử lí cải thiện cách đáng kể Mặt khác, để hệ thống tinh giản hơn, việc đầu tư camera chiều sâu camera với cơng nghệ LiDar để chương trình xác định khoảng cách xác mở thêm nhiều ứng dụng cho đề tài Cuối cùng, robot vận chuyển hàng hóa bám theo người cịn phát triển chức để phục vụ người dùng tốt nhận diện gương mặt, giao hàng đến điểm định, phát triển thêm khả nhận diện tính tốn số lượng hàng hóa thùng chứa hàng 78 TÀI LIỆU THAM KHẢO [1] Vcc-trading, Xe tự hành AGV gì? Tổng hợp điều cần biết xe tự hành [2] Yong Liu, Xiaofei Wu, J Jim Zhu, Jae Lew, Omni-directional mobile robot controller design by trajectory linearization, 2003 [3] ETEK, Giới thiệu Robot AMR ứng dụng thực tiễn., 2023 [4] Christina Dube, ASRS 101: Automated Storage and Retrieval Systems, 2023 [5] Abhisek Verma, Chandrajeet Yadav, Bandana Singh, Arpit Gupta, Jaya Mishra, Abhishek Saxena, Design of Rocker-Bogie Mechanism, 2017 [6] Viettel family, Robot kho vận Make in Vietnam [7] Hossein Pishro-Nik, Introduction To Probability, Statistics and Random Processes, chapter 9, section 9.1.2, 2014 [8] Matthijs Hollemans, MobileNet version 2, 2015 [9] Roboflow, What is MobileNet SSD v2? [10] Andrew G Howard, Menglong Zhu, Bo Chen, Dmitry Kalenichenko, Weijun Wang, Tobias Weyand, Marco Andreetto, Hartwig Adam, MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications, 2017 [11] Synopsys, What is LIDAR? 79 PHỤ LỤC TẬP BẢN VẼ CƠ KHÍ 80 S K L 0