Autonomous Car - Thiết kế chế tạo mô hình xe tự lái từ xe ô tô điện trẻ em.

1. Khảo sát và thiết kế cơ khí

• Lựa chọn khung xe ô tô điện trẻ em có sẵn (tải trọng, kích thước phù hợp).

• Cải tạo hệ thống lái (gắn động cơ bước hoặc servo điều khiển góc đánh lái).

• Bố trí vị trí lắp đặt mạch điện, cảm biến, nguồn pin và camera an toàn trên xe. [1, 2, 3]

2. Thiết kế phần cứng điện - điện tử

• Vi điều khiển trung tâm: Sử dụng các bo mạch như Arduino, Raspberry Pi hoặc Jetson Nano để xử lý dữ liệu.

• Hệ thống cảm biến: Lắp đặt cảm biến siêu âm, hồng ngoại hoặc camera để nhận diện vật cản và vạch kẻ đường.

• Mạch điều khiển động cơ: Tích hợp driver điều khiển tốc độ và chiều quay của động cơ điện một chiều (DC motor).

• Nguồn điện: Quản lý hệ thống nguồn pin sạc cho cả động cơ và mạch xử lý. [1, 2, 3, 4]

3. Xây dựng thuật toán và lập trình

• Lập trình thuật toán nhận diện làn đường (Line tracking/Lane detection).

• Thuật toán phát hiện và tránh vật cản (Obstacle avoidance).

• Viết chương trình điều khiển trung tâm để xe tự động di chuyển theo lộ trình định sẵn. [1, 2, 3, 4]

4. Thử nghiệm và đánh giá

• Kiểm tra khả năng vận hành thực tế của mô hình trên sa hình hoặc đường thử nghiệm.

• Đánh giá độ chính xác của góc lái, tốc độ phản hồi khi gặp vật cản và tối ưu hóa năng lượng tiêu thụ

Tham khảo: 

Sự phát triển nhanh chóng của robot tự hành và trí tuệ nhân tạo (AI) đã làm gia tăng nhu cầu về các nền tảng thực hành hiệu quả trong đào tạo kỹ thuật. Bài báo này trình bày việc thiết kế và phát triển một robot di động kích thước nhỏ, tích hợp cảm biến LiDAR và camera, nhằm phục vụ giảng dạy các nội dung cốt lõi như điều khiển robot, SLAM và AI. Hệ thống phần cứng được xây dựng trên nền tảng tính toán nhúng Raspberry Pi để xử lý dữ liệu cảm biến thời gian thực, trong đó LiDAR được dùng để xây dựng bản đồ 2D và camera hỗ trợ các tác vụ nhận dạng, xử lý ảnh. Về phần mềm, robot được phát triển trên nền tảng ROS2 nhằm đảm bảo tính module và khả năng mở rộng, đồng thời triển khai các thuật toán như SLAM Toolbox và Cartographer để đánh giá khả năng định vị trong môi trường trong nhà. Kết quả thực nghiệm cho thấy hệ thống thực hiện hiệu quả các nhiệm vụ SLAM với độ ổn định cao và sai số chấp nhận được. Với ưu điểm chi phí thấp và dễ triển khai, nền tảng này rất phù hợp cho mục đích đào tạo, giúp sinh viên tiếp cận trực quan với các khái niệm phức tạp trong lĩnh vực robot và AI.

Mẫu robot tham khảo: 

https://www.hiwonder.com/products/rosorin?variant=41983145476183

Khác biệt của đồ án hiện tại:
Thiết kế lại xe ô tô điện trẻ em thành mô hình xe tự lái có tích hợp đầy đủ Camera, Microphone, Lidar , máy tính nhúng