Tổng quan về Mobile robot và trí tuệ nhân tạo (AI)
Tổng quan về Mobile Robot
1.1.1 Khái niệm về Mobile Robot
Robot di động là loại robot có khả năng di chuyển tự động mà không cần sự điều khiển từ bên ngoài Khác với robot công nghiệp thường chỉ hoạt động trong một không gian cố định, robot di động có thể di chuyển linh hoạt trong một khu vực làm việc đã được xác định để đạt được các mục tiêu cụ thể Tính năng di động này giúp chúng trở thành giải pháp lý tưởng cho nhiều ứng dụng trong cả môi trường có cấu trúc và phi cấu trúc.
1.1.2 Ứng dụng của Mobile Robot
1.1.2.1 Robot di động trong cơ sở y tế
Viện Đổi mới Nghiên cứu Y khoa Texas tại Houston đã tiến hành thử nghiệm robot hợp tác YuMi của ABB, sử dụng nó như một kỹ thuật viên phòng thí nghiệm di động Robot hai cánh tay này có khả năng thực hiện nhiều nhiệm vụ, bao gồm hút chất lỏng, phân loại ống nghiệm và quản lý thiết bị mang theo.
Hình 1.1 Robot phòng thí nghiệm di động của ABB
1.1.2.2 Khách sạn và dịch vụ khách hàng
Chatbot và công cụ giao tiếp phần mềm đã trở thành yếu tố quan trọng trong ngành khách sạn và bán lẻ trong nhiều năm qua, và giờ đây, công nghệ này đã phát triển mạnh mẽ sang các dạng vật lý Một ví dụ điển hình là các khách sạn tại Nhật Bản, nơi nhân viên robot được sử dụng để phục vụ khách hàng.
13 đến Rollbot, nơi có thể mang đến cho khách một cuộn giấy vệ sinh , công nghệ này hứa hẹn sẽ cải thiện trải nghiệm của khách hàng
Robot tự động Mamut của Cambridge Consultants được thiết kế để khám phá các cánh đồng và thu thập dữ liệu hữu ích nhằm cải thiện năng suất cây trồng Quá trình thu thập dữ liệu hoàn toàn tự động giúp loại bỏ sự cần thiết của nông dân và các nhóm nghiên cứu trên cánh đồng, mang lại hiệu quả cao trong nông nghiệp.
Hình 1.3 Robot tự động Mamut của Cambridge Consultants
1.1.2.4 Lưu kho và thực hiện đơn hàng
Nhiều liên kết trong chuỗi cung ứng, từ nhà máy đến giao hàng, đang được tự động hóa Sự mua lại Kiva Systems bởi Amazon đã mở đường cho việc sử dụng nhiều robot khác trong kho hàng và hỗ trợ các doanh nghiệp trong việc thực hiện đơn hàng.
14 gồm 6 LocusBots của River Systems 'Chuck, Locus Robotics', CarryPick của Swisslog và Racrew của Hitachi
Hình 1.4 6 River Systems—Collaborative Mobile Robots for Faster
Trong những năm gần đây, các công ty như Alphabet, Amazon, FedEx và UPS đã phát triển máy bay không người lái để giao hàng tại địa phương Tuy nhiên, tiến độ phát triển bị chậm lại do những lo ngại về an toàn, quy định, sự cạnh tranh từ các lựa chọn khác và các thách thức kỹ thuật.
Amazon đã giới thiệu robot giao hàng mang tên Amazon Scout, hoạt động trên bánh xe Dự đoán rằng trong năm tới, sẽ có ít sự phát triển trong lĩnh vực này, đặc biệt từ các công ty vận chuyển khác.
1.1.2.6 Robot di động cho giáo dục
Các bộ STEM (khoa học, công nghệ, kỹ thuật và toán học) được thiết kế để truyền cảm hứng cho cả giới trẻ và người lớn, đồng thời giúp họ phát triển kỹ năng lập trình.
Ozobot là một robot giáo dục được thiết kế dành cho giáo viên và học sinh, giúp nâng cao trải nghiệm học tập Robot này có khả năng phản ứng với màu sắc và đường vẽ trên nhiều bề mặt như bảng, giấy hoặc các bề mặt tùy chỉnh Ngoài ra, Ozobot còn có thể chơi trò chơi với người dùng, từ đó giúp họ khám phá và hiểu sâu hơn về các khái niệm học tập.
Hình 1.6 Bộ công cụ lớp học Evo
1.1.2.7 Phục hồi thiên tai và ứng phó khẩn cấp
Robot tự động, như Zebro, có khả năng thực hiện nhiều nhiệm vụ cứu hộ, từ phục hồi dưới nước đến chữa cháy và cứu thương Việc triển khai robot di động vào năm 2020 hứa hẹn sẽ nâng cao khả năng sống sót cho con người trong các tình huống khẩn cấp.
Hình 1.7 Robot tìm kiếm những người sống sót sau trận động đất
Tổng quan về trí nhân tạo (AI)
1.2.1 Khái niệm về trí nhân tạo (AI)
Trí tuệ nhân tạo (AI) là phần mềm tiên tiến thực hiện các nhiệm vụ tương tự như bộ não con người, thông qua việc cảm nhận và phản ứng với môi trường xung quanh AI có khả năng học hỏi để giải quyết vấn đề một cách sáng tạo, nhận biết các sắc thái trong giọng nói, và thể hiện những hình thức sáng tạo tương tự con người.
1.2.2 Ứng dụng của trí nhân tạo (AI)
Trí tuệ nhân tạo (AI) đang trở thành một phần thiết yếu của xã hội hiện đại, với nhiều ứng dụng quan trọng trong các lĩnh vực như chăm sóc sức khỏe, giải trí, tài chính và giáo dục AI giúp giải quyết các vấn đề phức tạp một cách hiệu quả, mang lại sự thoải mái và nhanh chóng cho cuộc sống hàng ngày của chúng ta.
Hình 1.8 Ứng dụng của AI
Sau đây là một số lĩnh vực có ứng dụng Trí tuệ nhân tạo:
1.2.2.1 AI trong Thiên văn học
Trí tuệ nhân tạo đóng vai trò quan trọng trong việc giải quyết các vấn đề phức tạp của vũ trụ, giúp chúng ta hiểu rõ hơn về cách thức hoạt động và nguồn gốc của nó Công nghệ AI không chỉ hỗ trợ trong việc phân tích dữ liệu mà còn cung cấp những cái nhìn sâu sắc về các hiện tượng vũ trụ.
1.2.2.2 AI trong Chăm sóc sức khỏe
Trong 5 đến 10 năm qua, AI ngày càng trở nên thuận lợi hơn đối với ngành chăm sóc sức khỏe và sẽ có tác động đáng kể đến ngành này
Ngành chăm sóc sức khỏe đang ngày càng áp dụng trí tuệ nhân tạo (AI) để nâng cao khả năng chẩn đoán, nhanh chóng và chính xác hơn so với con người AI không chỉ hỗ trợ bác sĩ trong việc đưa ra chẩn đoán mà còn cảnh báo khi tình trạng bệnh nhân xấu đi, giúp cung cấp sự can thiệp y tế kịp thời trước khi bệnh nhân cần nhập viện.
AI có khả năng chơi game, đặc biệt là các trò chơi chiến lược như cờ vua, nơi mà máy cần phân tích và xem xét nhiều vị trí khác nhau để đưa ra quyết định chính xác.
Ngành tài chính và trí tuệ nhân tạo (AI) đang có sự kết hợp mạnh mẽ, với việc tài chính ứng dụng tự động hóa, chatbot, trí thông minh thích ứng, giao dịch thuật toán và học máy vào các quy trình của mình Sự phát triển này không chỉ nâng cao hiệu quả mà còn cải thiện trải nghiệm khách hàng trong lĩnh vực tài chính.
1.2.2.5 AI trong bảo mật dữ liệu
Bảo mật dữ liệu là yếu tố quan trọng hàng đầu đối với các công ty, đặc biệt khi các cuộc tấn công mạng đang gia tăng trong thế giới số Việc ứng dụng trí tuệ nhân tạo (AI) có thể giúp nâng cao mức độ an toàn và bảo mật cho dữ liệu của bạn Chẳng hạn, bot AEG và nền tảng AI2 được thiết kế để phát hiện lỗi phần mềm và các cuộc tấn công mạng một cách hiệu quả hơn.
1.2.2.6 AI trong Truyền thông xã hội
Các mạng xã hội như Facebook, Twitter và Snapchat sở hữu hàng tỷ hồ sơ người dùng, đòi hỏi việc lưu trữ và quản lý hiệu quả Công nghệ trí tuệ nhân tạo (AI) có khả năng tổ chức và quản lý khối lượng dữ liệu lớn, đồng thời phân tích để nhận diện các xu hướng mới, hashtag phổ biến và nhu cầu của người dùng khác nhau.
1.2.2.7 AI trong Du lịch & Giao thông vận tải
AI đang ngày càng trở thành yếu tố quan trọng trong ngành du lịch, với khả năng thực hiện nhiều nhiệm vụ như sắp xếp chuyến đi, đề xuất khách sạn, chuyến bay và lộ trình tối ưu cho khách hàng Các doanh nghiệp du lịch hiện đang áp dụng chatbot AI để tạo ra trải nghiệm tương tác tự nhiên, giúp phản hồi nhanh chóng và hiệu quả hơn cho khách hàng.
1.2.2.8 AI trong ngành công nghiệp ô tô
Nhiều ngành công nghiệp ô tô hiện nay đang áp dụng trí tuệ nhân tạo (AI) để phát triển các trợ lý ảo, nhằm nâng cao hiệu suất sử dụng cho người dùng Điển hình là Tesla với sản phẩm TeslaBot, một trợ lý ảo thông minh, mang lại trải nghiệm tối ưu cho khách hàng.
Nhiều ngành công nghiệp hiện đang làm việc để phát triển ô tô tự lái có thể giúp hành trình của bạn an toàn và chắc chắn hơn
Trí tuệ nhân tạo đóng vai trò quan trọng trong lĩnh vực robot, cho phép tạo ra những robot thông minh có khả năng thực hiện nhiệm vụ dựa trên trải nghiệm của chính chúng, thay vì chỉ dựa vào lập trình lặp đi lặp lại như trước đây.
Robot hình người đại diện cho sự phát triển vượt bậc của trí tuệ nhân tạo trong ngành robot Gần đây, hai robot thông minh mang tên Erica và Sophia đã được giới thiệu, với khả năng giao tiếp và hành xử giống như con người.
Chúng tôi đang áp dụng các ứng dụng AI trong cuộc sống hàng ngày, đặc biệt là trong các dịch vụ giải trí như Netflix và Amazon Nhờ vào các thuật toán Machine Learning (ML) và AI, những dịch vụ này có khả năng đưa ra các gợi ý chính xác cho người dùng về các chương trình hoặc bộ phim phù hợp.
Nông nghiệp hiện đại yêu cầu nhiều nguồn lực, bao gồm lao động, tài chính và thời gian, để đạt được hiệu quả tối ưu Trong bối cảnh chuyển đổi số, công nghệ AI đang ngày càng được áp dụng trong nông nghiệp, với các ứng dụng như robot nông nghiệp, giám sát chất lượng đất và cây trồng, cùng với phân tích dự đoán để nâng cao năng suất và quản lý hiệu quả.
AI trong nông nghiệp có thể giúp ích rất nhiều cho nông dân
1.2.2.12 AI trong thương mại điện tử
AI đang tạo ra lợi thế cạnh tranh cho ngành thương mại điện tử, đồng thời làm cho môi trường kinh doanh trở nên khắt khe hơn Công nghệ này hỗ trợ người tiêu dùng trong việc tìm kiếm sản phẩm dựa trên kích thước, màu sắc và thương hiệu được gợi ý, từ đó nâng cao trải nghiệm mua sắm trực tuyến.
Cơ sở lý thuyết
Thuật toán Yolo
Chúng tôi đã tái cấu trúc việc phát hiện đối tượng thành một bài toán hồi quy duy nhất, chuyển đổi trực tiếp từ pixel hình ảnh sang tọa độ hộp giới hạn và xác suất lớp Hệ thống của chúng tôi, được gọi là YOLO (You Only Look Once), cho phép dự đoán các đối tượng hiện diện trong hình ảnh chỉ bằng một lần nhìn YOLO mang đến sự đơn giản và hiệu quả trong việc phát hiện đối tượng.
Hình 2.1 Hệ thống phát hiện YOLO
Xử lý hình ảnh với YOLO rất đơn giản và dễ hiểu
1- Thay đổi kích thước hình ảnh đầu vào thành 448 × 448
2- Chạy một mạng phức hợp duy nhất trên hình ảnh
3- Ngưỡng các phát hiện kết quả theo độ tin cậy của mô hình
Mạng tích chập đơn YOLO có khả năng dự đoán đồng thời nhiều hộp giới hạn và xác suất cho từng hộp, giúp tối ưu hóa hiệu suất phát hiện một cách trực tiếp So với các phương pháp phát hiện đối tượng truyền thống, mô hình thống nhất này mang lại nhiều lợi ích vượt trội.
Hệ thống của chúng tôi phân chia hình ảnh đầu vào thành một lưới S × S, trong đó mỗi ô lưới sẽ chịu trách nhiệm phát hiện đối tượng nếu tâm của đối tượng rơi vào ô đó.
Mỗi ô lưới dự đoán các ô giới hạn B và chỉ số tin cậy cho các ô đó, phản ánh mức độ tin cậy của mô hình trong việc xác định hộp chứa đối tượng Đồng thời, chỉ số này cũng cho thấy độ chính xác của dự đoán hộp đó.
Độ tin cậy được định nghĩa là Pr(𝑂𝑏𝑗𝑒𝑐𝑡) ∗ 𝐼𝑂𝑈 𝑝𝑟𝑒𝑑 𝑡𝑟𝑢𝑡ℎ Nếu không có đối tượng nào trong ô, điểm tin cậy sẽ là không Ngược lại, điểm tin cậy sẽ tương ứng với giao điểm qua liên hợp (𝐼𝑂𝑈) giữa hộp dự đoán và giá trị cơ bản.
Mỗi hộp giới hạn chứa 5 dự đoán: 𝑥, 𝑦, 𝑤, ℎ và độ tin cậy Tọa độ (𝑥, 𝑦) xác định tâm của hộp trong ô lưới, trong khi chiều rộng và chiều cao được đo so với toàn bộ hình ảnh Cuối cùng, độ tin cậy thể hiện chỉ số 𝐼𝑂𝑈 giữa hộp dự đoán và các hộp chân lý cơ bản.
Mỗi ô lưới trong mô hình dự đoán xác suất lớp có điều kiện C, Pr(Class i | Object) Các xác suất này được điều chỉnh dựa trên sự hiện diện của một đối tượng trong ô lưới Chúng tôi chỉ đưa ra một tập xác suất lớp cho mỗi ô lưới, bất kể số lượng ô B.
Tại thời điểm kiểm tra, chúng tôi nhân các xác suất của lớp có điều kiện và các dự đoán về độ tin cậy của hộp riêng lẻ
Công thức Pr(𝐶𝑙𝑎𝑠𝑠 𝑖 |𝑂𝑏𝑗𝑒𝑐𝑡 ∗ Pr(𝑂𝑏𝑗𝑒𝑐𝑡) ∗ 𝐼𝑂𝑈 𝑝𝑟𝑒𝑑 𝑡𝑟𝑢𝑡ℎ = Pr(𝐶𝑙𝑎𝑠𝑠 𝑖 ) ∗ 𝐼𝑂𝑈 𝑝𝑟𝑒𝑑 𝑡𝑟𝑢𝑡ℎ (1) mang lại điểm tin cậy cho từng ô, phản ánh xác suất xuất hiện của lớp trong hộp và mức độ phù hợp của hộp dự đoán với đối tượng.
Hệ thống của chúng tôi sử dụng mô hình hồi quy để phát hiện đối tượng trong hình ảnh Nó chia hình ảnh thành lưới S × S và dự đoán các ô giới hạn B, độ tin cậy cho từng ô và xác suất lớp C cho mỗi ô Các dự đoán này được mã hóa thành tensor có kích thước S × S × (B ∗ 5 + C).
Trong quá trình đào tạo, chúng tôi tối ưu hóa chức năng mất mát nhiều phần sau:
Trong mô hình dự đoán, 1 𝑖 𝑜𝑏𝑗 thể hiện sự hiện diện của đối tượng trong ô 𝑖, trong khi 1 𝑖𝑗 𝑜𝑏𝑗 chỉ ra rằng bộ dự đoán hộp giới hạn thứ 𝑗 trong ô 𝑖 "chịu trách nhiệm" cho dự đoán Hàm mất mát chỉ phạt lỗi phân loại khi có đối tượng trong ô lưới, đồng thời chỉ phạt lỗi tọa độ hộp giới hạn nếu bộ dự đoán đó có IOU cao nhất với hộp sự thật cơ bản trong ô lưới.
YOLO áp dụng các ràng buộc không gian chặt chẽ cho dự đoán hộp giới hạn, với mỗi ô lưới chỉ dự đoán hai hộp và một lớp duy nhất Những ràng buộc này hạn chế số lượng đối tượng lân cận mà mô hình có thể nhận diện, gây khó khăn cho việc phát hiện các vật thể nhỏ xuất hiện theo nhóm, như đàn chim.
Mô hình của chúng tôi gặp khó khăn trong việc khái quát hóa các đối tượng ở tỷ lệ hoặc cấu hình mới do nó học cách dự đoán các hộp giới hạn từ dữ liệu Bên cạnh đó, việc sử dụng các tính năng tương đối thô để dự đoán các hộp giới hạn cũng là một hạn chế, bởi kiến trúc của mô hình có nhiều lớp lấy mẫu xuống từ hình ảnh đầu vào.
Trong quá trình đào tạo về hàm mất mát xấp xỉ hiệu suất phát hiện, chúng tôi nhận thấy rằng hàm mất mát của mình xử lý các lỗi trong các hộp giới hạn nhỏ và lớn một cách khác nhau Cụ thể, một lỗi nhỏ trong hộp lớn thường không gây ảnh hưởng nghiêm trọng, trong khi một lỗi tương tự trong hộp nhỏ lại có tác động lớn đến chỉ số IOU Nguyên nhân chính dẫn đến vấn đề này là do bản địa hóa không chính xác.
Chúng tôi so sánh YOLO với các hệ thống phát hiện thời gian thực khác trên PASCAL VOC 2007 để làm rõ sự khác biệt giữa các biến thể YOLO và R-CNN Qua việc phân tích lỗi của YOLO và Fast R-CNN, một trong những phiên bản R-CNN hiệu suất cao nhất, chúng tôi chỉ ra rằng YOLO có khả năng đánh giá lại các phát hiện của Fast R-CNN và giảm thiểu lỗi dương tính giả, từ đó nâng cao hiệu suất Bên cạnh đó, chúng tôi cũng trình bày kết quả trên VOC 2012 và so sánh mAP với các phương pháp hiện đại nhất Cuối cùng, nghiên cứu cho thấy YOLO có khả năng tổng quát tốt hơn trên các miền mới so với các hệ thống phát hiện khác trên hai tập dữ liệu tác phẩm nghệ thuật.
2.1.6 So sánh với các hệ thống thời gian thực khác
Nhiều nỗ lực nghiên cứu trong việc phát hiện đối tượng tập trung vào việc làm cho các đường ống phát hiện tiêu chuẩn trở nên nhanh chóng [49] [82] [75]
Sadeghi và cộng sự đã phát triển một hệ thống phát hiện đối tượng hoạt động trong thời gian thực với tốc độ 30 khung hình/giây hoặc cao hơn Chúng tôi đã so sánh hiệu suất của YOLO với triển khai GPU DPM của họ, chạy ở 30Hz và 100Hz Mặc dù một số nỗ lực khác không đạt được tiêu chuẩn thời gian thực, chúng tôi cũng đã tiến hành so sánh mAP và tốc độ của các hệ thống này để đánh giá sự cân bằng giữa độ chính xác và hiệu suất trong phát hiện đối tượng.
Động học kiểu vi sai
Véc tơ trạng thái và vận tốc của robot di động kiểu sai p = [
Vận tốc bánh xe trái và bánh xe phải
Vận tốc tại điểm giữa hai bánh xe
Hình 2.4 Biểu diễn chuyển động của mobie robot trong không gian 2 chiều
Phương trình động học thuận:
] [𝜃̇ 𝑟 𝜃̇ 𝑙 ] Phương trình động học nghịch
Bán kính cong tức thời:
Detect đối tượng (người)
Chúng tôi sử dụng Yolo V4 để detect đối tượng trong thời gian thực mô hình này khá phổ biến và cho tốc độ, độ chính xác khá cao
Phát hiện đối tượng là một khía cạnh quan trọng trong thị giác máy tính, liên quan đến việc nhận diện các đối tượng khác nhau trong hình ảnh hoặc video kỹ thuật số Các đối tượng có thể được phát hiện bao gồm người, ô tô, ghế, đá, tòa nhà và động vật.
Hồi quy hộp giới hạn:
Hộp giới hạn là một đường viền làm nổi bật một đối tượng trong hình ảnh đã được detect
Mỗi hộp giới hạn trong hình ảnh bao gồm các thuộc tính sau:
• Lớp (ví dụ: người, ô tô, đèn giao thông, v.v.) - Được thể hiện bằng chữ cái
• Đường viền tâm hộp (bx, by)
Hình ảnh sau đây cho thấy một ví dụ về hộp giới hạn Hộp giới hạn đã được thể hiện bằng một đường viền màu vàng
Hình 2.5.Hộp giới hạn đã được thể hiện bằng một đường viền màu vàng
YOLO áp dụng hồi quy hộp giới hạn đơn để dự đoán chiều cao, chiều rộng, tâm và lớp của đối tượng Hình ảnh minh họa cho xác suất xuất hiện của một đối tượng trong hộp giới hạn.
Chúng tôi dự đoán tọa độ, chiều cao và chiều rộng của hộp giới hạn cho đối tượng, sau đó xây dựng thuật toán để tính toán khoảng cách từ đối tượng đến camera.
Thuật toán PID
PID là một hệ thống điều khiển bao gồm ba thành phần chính: điều khiển tỉ lệ, điều khiển tích phân và điều khiển vi phân Hệ thống này giúp điều chỉnh sai số ở mức tối thiểu, tăng cường tốc độ phản hồi, giảm thiểu độ vọt lố và hạn chế dao động.
Bộ điều khiển PID, viết tắt của Proportional-Integral-Derivative, là một kỹ thuật điều khiển quá trình quan trọng, giúp giảm thiểu sai số bằng cách kết hợp ba yếu tố: tỉ lệ, tích phân và vi phân Kỹ thuật này hoạt động dựa trên việc điều chỉnh tín hiệu sai số để đạt được hiệu suất tối ưu, thường được áp dụng trong các hệ thống điện, tự động hóa và điện tử Điều khiển PID là phương pháp hồi tiếp vòng kín phổ biến, mang lại hiệu quả cao trong việc duy trì sự ổn định của các quá trình điều khiển.
Kp Ki Kd lấy giá trị không âm và tương ứng với độ ảnh hưởng của 3 thành phần P I hay D vào giá trị trả về
Phân tích về 3 thành phần:
Độ lỗi hiện tại được xác định dựa trên giá trị tên pivot, đây là giá trị lý tưởng mà động cơ cần đạt được Từ giá trị pivot, có thể suy ra mức độ lỗi của động cơ.
Độ lỗi của toàn bộ quá trình ảnh hưởng đến giá trị điều chỉnh của động cơ Giá trị này được xác định dựa trên trung bình độ lỗi tại mỗi thời điểm trước đó, phản ánh hiệu suất hoạt động của động cơ trong suốt quá trình.
Đạo hàm độ lỗi trong một khoảng thời gian trước đó có ý nghĩa quan trọng, vì nó cho phép dự đoán xu hướng của động cơ và điều chỉnh cho hợp lý Giá trị điều chỉnh này giúp cải thiện hiệu suất và độ chính xác trong quá trình vận hành.
Vậy để thuật toán có thể hoạt động, cần các giá trị:
• Giá trị lý tưởng (giá trị mốc), dựa vào giá trị này để tính độ lỗi
• Cần đo được giá trị thực tế ở mỗi thời điểm
Sơ đồ khối của 1 hệ kín có bộ PID
Tính toán, thiết kế mobile robot kiểu vi sai
Tính toán, thiết kế hệ thống Robot
3.1.1 Cấu tạo tổng quát của mobile robot
Mobile robot được thiết kế gồm có các bộ phận chính như sau:
Bộ phận khung và vỏ của robot đóng vai trò quan trọng trong việc liên kết các bộ phận khác, đồng thời tăng cường độ cứng vững và bảo vệ robot khỏi các tác động bên ngoài.
Bộ phận công suất của robot đóng vai trò quan trọng trong việc cung cấp năng lượng cho hoạt động của nó Để đảm bảo hiệu suất tối ưu, bộ phận này cần có công suất lớn nhưng vẫn giữ được khối lượng nhẹ Do đó, robot di động thường sử dụng pin Lithium 3S - 12V làm nguồn năng lượng chính.
Bộ phận truyền động của robot di động bao gồm hai bánh chủ động và một bánh dẫn hướng Hai động cơ DC giảm tốc điều khiển các bánh chủ động, giúp robot di chuyển linh hoạt và chính xác.
Robot sử dụng camera để phát hiện đối tượng và được trang bị module NRF24L01 nhằm hỗ trợ giao tiếp với chương trình xử lý ảnh trên máy tính.
Bộ phận mạch điều khiển của mobile robot bao gồm module điều khiển trung tâm, có chức năng điều khiển hoạt động của robot bằng cách xử lý tín hiệu từ camera, điều khiển động cơ thông qua module L298N và giao tiếp với máy tính qua NRF24L01 Arduino Nano được sử dụng làm board điều khiển cho hệ thống này.
3.1.2 Thiết kế phần khung, vỏ cho mobile robot Để mobile robot hoạt động ổn định thì phần khung, vỏ đóng vai trò rất quan trọng Khung, vỏ của robot giúp kết nối, cố định và sắp xếp hợp lý các bộ phận của robot như bánh xe, các linh kiện, bảng mạch và pin Từ đó, giúp cho robot có được sự ổn định và vững chắc trong quá trình vận hành Ngoài ra, phần khung vỏ
Việc sử dụng tôn trong thiết kế và chế tạo khung vỏ của robot không chỉ đáp ứng các yêu cầu về tính cá nhân hóa mà còn nâng cao tính thẩm mỹ.
Khung của mobile robot kiểu vi sai được thiết kế đảm bảo đầy đủ các yêu cầu sau:
• Sắp xếp hợp lý các bộ phận
• Tiện lợi trong quá trình sử dụng
Dựa trên các yêu cầu trên, mô hình của robot được thiết kế như bản vẽ ở cuối báo cáo.
Thiết kế hệ thống điều khiển và tính toán cơ khí
3.2.1 Thiết kế hệ thống điều khiển mobie robot
Hệ thống điều khiển mobie robot gồm như hình gồm 2 module chính:
• Module truyền dữ liệu gồm 1 board Arduino và 1 chip NRF24L01+ Chương trình xử lý ảnh sẽ gửi dữ liệu tới mobile robot qua module truyền dữ liệu
Hình 3.1 Module truyền dữ liệu
• Module nhận dữ liệu mobie robot gồm gồm :
Sau khi nhận được dữ liệu thì module L298 sẽ điều khiển 2 động cơ
Hình 3.2 Module nhận dữ liệu
❖ Cách đấu nối: NRF24L01+với arduino uno r3
Cách đấu nối, các chân của chip NRF24L01+ lần lượt đc đấu với các chân của board Arduino như sau:
MISO-chân 12, SCK-chân 13, CE-chân 7, GND- GND, MOSI-chân số 11,CS-chân 8, VCC-3V3
❖ Cách đấu nối: L298 với arduino uno
Để đấu nối chip L298 với board Arduino, các chân được kết nối như sau: ENA đến chân 9, IN1 đến chân A0, IN2 đến chân A1, IN3 đến chân A2, IN4 đến chân A3, ENB đến chân 10 và chân 5V đến Vin.
Hình 3.4 Bánh xe đa hướng
Robot di động được trang bị hai bánh chủ động và một bánh dẫn hướng, trong đó sử dụng bánh xe robot V3 85mm Loại bánh này nổi bật với chất lượng tốt, giá cả phải chăng, dễ dàng lắp ráp và phù hợp cho thiết kế robot nhỏ Bánh xe 85mm thường được kết hợp với khớp nối lục giác để kết nối với động cơ Lốp được chế tạo từ cao su chất lượng cao, mang lại hệ số ma sát lớn, khả năng chịu tải tốt và độ bám đường xuất sắc.
Bánh xe dẫn hướng được lựa chọn là loại bánh xe đa hướng với đường kính 40mm và độ dày 20mm Kết cấu giá đỡ của bánh xe này được thiết kế với 4 vị trí gắn ốc, cho phép cố định bánh xe với khung sườn của mô hình robot Phần dưới của bánh xe được thiết kế đặc biệt, giúp nó có khả năng xoay và di chuyển linh hoạt đa hướng, hỗ trợ điều hướng cho robot Dưới đây là hình ảnh của bánh xe được sử dụng.
Hình 3.3 Bánh xe robot lựa chọn
Hình 3.5 Sơ đồ phân tích lực
Khi lựa chọn động cơ cho robot di động, cần xem xét các tiêu chí như công suất, tốc độ, kích thước và trọng lượng để đảm bảo phù hợp với mô hình xe Trong quá trình di chuyển, giả định rằng không có sự biến dạng của bánh xe và lực cản của không khí.
Các thông số của robot là:
• Khối lượng ước tính 1-2 (kg)
• Khối lượng tối đa 2 (kg)
• Đường kính bánh xe 2r (mm)
• Tốc độ tối đa của xe 1,2 (m/s)
• Tỉ số bộ truyền ước tính là 1:1
• M1,M2 là momen của động cơ tác động lên các bánh (N/m);
• N1,N2 là phản lực của mặt sàn (N);
• P 1 , P 2 là trọng lực tác động vào các bánh xe (N)
• F ms1, Fms2 là lực ma sát sinh ra trong quá trình chuyển động (N);
• F w1, Fw2 là lực ma sát sinh ra trong quá trình chuyển động (N);
• m là tổng khối lượng của robot và hàng (kg)
Gỉa sử chuyển động của robot là chuyển động thẳng Tốc độ quay của bánh xe là:
Tốc độ quay của động cơ qua bộ truyền là :
1= 269,63(𝑟𝑝𝑚) Phương trình cân bằng lực tác động lên một bánh:
Với a là gia tốc của xe, khi xe chuyển động đề vận tốc không đổi với v=1,2 (m/s), a=0 (m/s 2 ) Khi đó:
3 = 6,53(𝑁) Lực kéo sinh ra do momen của bánh động lực là:
𝐹 𝑤1 = 𝐹 𝑀𝑆1 = 𝜇 𝑁 1 = 0,05.6,53 = 0.33(𝑁) (Với hệ số ma sát lăn 𝜇𝑙 = 0,05 khi xe di chuyển trên sàn bê tông)
Do các con lăn được bố trí 45 độ so với bánh xe nên lực kéo sinh ra do moment của bánh động lực khi chuyển động chéo là:
𝐹 𝑑𝑐 = 0,33 cos 45° = 0,47(𝑁) Lực kéo của động cơ qua bộ truyền là:
1 = 0,47(𝑁) Công suất cần thiết để xe di chuyển ổn định với vận tốc 1,2 (m/s) là:
− Khi xe tăng tốc: Xe tăng tốc với gia tốc 𝑎 = 0,7 𝑚/𝑠 2 , lực kéo sinh ra do momen của bánh động lực là:
Với hệ số ma sát tĩnh 𝜇𝑛 = 0,8, lực kéo sinh ra từ moment của bánh động lực khi chuyển động chéo được xác định do các con lăn được bố trí ở góc 45 độ so với bánh xe.
𝐹 𝑑𝑐 = 5,7 cos 45° = 8,06(𝑁) Lực kéo cần thiết của động cơ qua bộ truyền là:
1 = 8,06(𝑁) Momen xoắn cần thiết của động cơ để xe tăng tốc là:
𝑀 1= 𝐹 𝑑𝑐 𝑟 = 8,06.0,0425 = 0,342(𝑁𝑚) Công suất cần thiết của động cơ để xe tăng tốc lên 1,2 (m/s) là:
Dựa trên kết quả phân tích, momen xoắn cần thiết của động cơ là 0,342 N.m và công suất động cơ cần thiết là 9,67 W Do đó, động cơ DC Servo Giảm Tốc GA25 với điện áp 12 VDC, công suất 13,2 W và tốc độ không tải qua hộp giảm tốc là 320 rpm được lựa chọn.
Hình 3.6 Động cơ DC giảm tốc GA25
Hình 3.2.4 Động cơ sử dụng
3.2.2.3 Phân tích chân của hệ thống điều khiển và truyền nhận tín hiệu 3.2.2.4 Arduino Uno
Arduino UNO có 14 chân digital dùng để đọc hoặc xuất tín hiệu
• 2 chân Serial: 0 (RX) và 1 (TX): dùng để gửi (transmit – TX) và nhận
(receive – RX) dữ liệu TTL Serial
• Chân PWM (~): 3, 5, 6, 9, 10, và 11: cho phép bạn xuất ra xung PWM
• Chân giao tiếp SPI: 10(SS),11(MOSI), 12 (MISO), 13 (SCK)
• LED 13: Khi bấm nút Reset, bạn sẽ thấy đèn này nhấp nháy để báo hiệu Nó được nối với chân số 13
Arduino UNO có 6 chân analog (A0 đến A5) với độ phân giải tín hiệu 10 bit, cho phép đọc giá trị điện áp từ 0V đến 5V Chân AREF trên board giúp bạn cung cấp điện áp tham chiếu khi sử dụng các chân analog Đặc biệt, Arduino UNO còn trang bị 2 chân A4 (SDA) và A5 (SCL) hỗ trợ giao tiếp I2C/TWI với các thiết bị khác.
• Chân CE ( Pin chọn mode TX hoặc RX ) : Ngõ vào số
• Chân CSN ( Pin chọn chip SPI ) : Ngõ vào số
• Chân SCK ( Pin clock SPI ) : Ngõ vào số
• Chân MOSI ( SPI Slave Data input ) : Ngõ vào số
• Chân MISO ( SPI Slave Data output, với 3 lựa chọn ) : Ngõ ra số
• Chân IRQ ( Pin kết nối ngắt, tích cực mức thấp ) : Ngõ ra số
• Chân12V Power cấp nguồn cho mạch L298 và là nguồn động lực cho động cơ
• Chân5V Power có thể dùng cấp nguồn cho Arduino, khi có Jumper 5V Enable
• Chân GND là chân cấp MASS cho mạch, khi sử dụng khi vi điều khiển thì cần nối GND mạch với GND của vi điều khiển
• Chân Enable là chân cho phép ngỏ ra động cơ hoạt động hoặc dừng Mặc định mạch có Jumper A Enable va B Enable như hình là cho phép chạy
• Chân IN1, IN2 điều khiển chiều và tốc độ động cơ 1 thông qua ngỏ ra output A
• Chân IN3, IN4 điều khiển chiều và tốc độ động cơ 2 thông qua ngỏ ra output B
• Chân output A, output B chân ngỏ ra động cơ 1, 2
3.2.3 Thiết lập sơ đồ tín hiệu giao tiếp vs mobie robot
Hình 3.10 Sơ đồ tín hiệu giao tiếp với mobie robot
Chương trình xử lý ảnh trên máy tính sẽ gửi dữ liệu đến module phát thông qua board Arduino qua giao tiếp Serial, với tốc độ Baud mặc định là 9600, đã được tích hợp sẵn trên Arduino.
Hai module NRF24L01 có khả năng truyền nhận hai chiều, giao tiếp qua sóng radio ở tần số 2.4 GHz
Các board Arduino sử dụng giao tiếp SPI để kết nối với module NRF24L01, một giao thức truyền thông nối tiếp đồng bộ cho khoảng cách ngắn, thường được áp dụng trong hệ thống nhúng Để thiết lập giao tiếp giữa board Arduino và module NRF24L01, cần thực hiện theo các bước cụ thể.
• Thiết lập chân giao tiếp
• Khởi tạo địa chỉ giao tiếp
• Gán địa chỉ giao tiếp
• Thiết lập mức khuếch đại
• Thiết lập module NRF24L01 là module nhận hay phát dữ liệu + Truyền, nhận dữ liệu
Camera của mobie robot giao tiếp với hệ thống sử lý ảnh của robot qua kết nối wifi.
Xây dựng và đo khoảng cách từ người đến camera
3.3.1 Tính khoảng cách từ Camera đến một đối tượng với OpenCV
• a1 : Độ dài của người trong mẫu
• h1 : Độ dài thật của con người
• a2 : Độ dài của người trong ảnh cần đo khoảng cách
• d1 : Khoảng cách từ người đến camera
Để đo khoảng cách từ người đến camera trong ảnh, chúng ta sẽ áp dụng tính tương tự của tam giác nhằm xác định khoảng cách từ máy ảnh đến một vật thể hoặc điểm đánh dấu đã biết.
Sự đồng dạng của tam giác được thể hiện qua việc xác định kích thước của một đối tượng có chiều rộng W đã biết, đặt cách máy ảnh một khoảng D Sau khi chụp ảnh đối tượng, chúng ta đo chiều rộng bề mặt bằng pixel P, từ đó tính được tiêu cự F cảm nhận được của máy ảnh.
Giả sử tôi đặt một tờ giấy tiêu chuẩn kích thước 8,5 x 11 inch (chiều ngang; W = 11) với độ dài D = 24 inch trước máy ảnh và chụp ảnh Khi đo chiều rộng của tờ giấy trong hình ảnh, tôi nhận thấy chiều rộng cảm nhận được là P = 248 pixel.
Tiêu cự F của tôi sau đó là:
Khi di chuyển máy ảnh gần hoặc xa hơn đối tượng, tôi áp dụng phép đồng dạng tam giác để xác định khoảng cách giữa đối tượng và máy ảnh.
Để tính toán chiều rộng cảm nhận của một mảnh giấy khi di chuyển máy ảnh ra xa 3 ft (hoặc 36 inch), ta sử dụng công thức 𝐷 ′ = (𝑅ộ𝑛𝑔 × 𝐹)/𝑃 Sau khi chụp ảnh, kết quả xử lý hình ảnh tự động cho thấy chiều rộng cảm nhận của mảnh giấy là 170 pixel Cắm giá trị này vào phương trình sẽ giúp chúng ta có được kết quả chính xác hơn.
170 = 35(𝑖𝑛𝑐ℎ) Hoặc khoảng 36 inch, là 3 feet
Lưu ý rằng trong quá trình chụp ảnh ví dụ, thước dây của tôi bị chùng, dẫn đến kết quả lệch khoảng 1 inch Ngoài ra, các bức ảnh được chụp vội vàng và không hoàn toàn chính xác trên các điểm đánh dấu chân.
Sử dụng thước dây 45 inch có thể làm tăng sai số lên đến 1 inch, nhưng sự tương đồng của tam giác vẫn được bảo toàn Phương pháp này cho phép bạn dễ dàng tính toán khoảng cách từ một đối tượng hoặc điểm đánh dấu đến máy ảnh của bạn.
3.4 Xây dựng giới hạn của đối tượng trong khung ảnh để robot hoạt động 3.4.1 Giới hạn trái, phải và khoảng cách của đối tượng
Hình 3.17 Giới hạn trái, phải
Khung ảnh có kích thước 640x480 pixel với khoảng cách 150 pixel từ lề bên trái và bên phải Đây là giới hạn cho đối tượng trong khung ảnh, giúp robot có không gian di chuyển hiệu quả.
Chúng tôi còn xây dựng khoảng cách trong khoảng 170-220 cm
3.4.2 Robot di chuyển từ điều kiện giới hạn
• Người nằm trong khoảng cách 170
