Original Title: Mechatronics Design and Motion Simulation of a Hybrid Wheeled-SCARA Mobile Robot Coupled with Artificial Vision for Solid Waste Collection on Stone Beaches
Source: doi.org/10.18178/ijmerr.14.2.114-133
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ការរចនាមេកាត្រូនិច និងការក្លែងធ្វើចលនានៃមនុស្សយន្តចល័តកង់-SCARA កូនកាត់ រួមបញ្ចូលជាមួយចក្ខុសិប្បនិម្មិតសម្រាប់ការប្រមូលកាកសំណល់រឹងនៅលើឆ្នេរថ្ម

ចំណងជើងដើម៖ Mechatronics Design and Motion Simulation of a Hybrid Wheeled-SCARA Mobile Robot Coupled with Artificial Vision for Solid Waste Collection on Stone Beaches

អ្នកនិពន្ធ៖ Juan Alva (Universidad Ricardo Palma), Renzo Meza (Universidad Ricardo Palma), Ricardo Palomares (Universidad Ricardo Palma), Jose Cornejo (Universidad Tecnológica del Peru)

ឆ្នាំបោះពុម្ព៖ 2025 International Journal of Mechanical Engineering and Robotics Research

វិស័យសិក្សា៖ Mechatronics and Robotics

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ បញ្ហាបំពុលដោយប្លាស្ទិកនៅលើឆ្នេរសមុទ្រកំពុងប៉ះពាល់យ៉ាងធ្ងន់ធ្ងរដល់បរិស្ថាន ដែលទាមទារឱ្យមានដំណោះស្រាយប្រកបដោយភាពច្នៃប្រឌិត។ ឯកសារនេះលើកឡើងពីការរចនាមនុស្សយន្តសម្រាប់ប្រមូលកាកសំណល់ដបប្លាស្ទិកនៅលើផ្ទៃឆ្នេរដែលមានផ្ទាំងថ្មដោយស្វ័យប្រវត្តិ។

វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់វិធីសាស្ត្រចម្រុះរួមមានការរចនាគ្រឿងម៉ាស៊ីន ការក្លែងធ្វើចលនា និងប្រព័ន្ធចក្ខុសិប្បនិម្មិតសម្រាប់ការកំណត់អត្តសញ្ញាណវត្ថុ។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
YOLOv8n (Nano Model)
ម៉ូដែល YOLOv8 ខ្នាតតូច (Nano)
មានទំហំតូចបំផុតត្រឹមតែ ៦,២ MB និងចំណាយពេលដំណើរការលឿន (Inference ៦២,១ ms) ស័ក្តិសមសម្រាប់ការប្រើប្រាស់ជាក់ស្តែងលើខួរក្បាលកុំព្យូទ័រខ្នាតតូច (Raspberry Pi)។ កម្រិតទំនុកចិត្តអាចទាបជាងម៉ូដែលខ្នាតធំបន្តិចបន្តួច ក្នុងបរិស្ថានដែលមានរូបភាពស្មុគស្មាញខ្លាំង។ កំណត់អត្តសញ្ញាណដបបានទាំង ៥ ដោយជោគជ័យ ជាមួយនឹងកម្រិតទំនុកចិត្តអប្បបរមា (Minimum confidence) ០,៨៤។
YOLOv8l (Large Model)
ម៉ូដែល YOLOv8 ខ្នាតធំ (Large)
មានបណ្តាញសរសៃប្រសាទជ្រៅ និងមានសមត្ថភាពខ្ពស់ក្នុងការវិភាគរូបភាពលម្អិត។ ទំហំធំរហូតដល់ ៨៧,៧ MB ដែលស៊ីពេលគណនាយូរជាង និងងាយចាប់កំហុស (False positive) ក្នុងមជ្ឈដ្ឋានដែលមានវត្ថុស្រដៀងគ្នា។ រាវរកឃើញដបចំនួន ៦ (មាន១ជាកំហុស False positive) ជាមួយនឹងកម្រិតទំនុកចិត្តអប្បបរមាត្រឹមតែ ០,៦១។
Wheeled ROVER Robot
មនុស្សយន្តចល័តប្រើកង់ (ROVER)
ស៊ីថាមពលតិច មានស្ថិរភាពខ្ពស់លើផ្ទៃរដិបរដុប (តាមរយៈប្រព័ន្ធបូមអកម្ម) និងអាចទ្រទម្ងន់បានច្រើនជាងមនុស្សយន្តមានជើង (Legged robots)។ អាចជួបការលំបាកប្រសិនបើត្រូវជម្នះឧបសគ្គ ឬផ្ទាំងថ្មដែលមានទំហំធំខ្លាំង និងចោតខ្លាំងពេក។ មានលម្អៀងទីតាំងត្រឹមតែ ២,៩ សង់ទីម៉ែត្រ ប៉ុណ្ណោះ ក្នុងពេលធ្វើចលនារង្វង់កាំ ១ ម៉ែត្រ។

ការចំណាយលើធនធាន (Resource Cost)៖ ឯកសារនេះបានបញ្ជាក់យ៉ាងលម្អិតអំពីតម្រូវការផ្នែករឹង (Hardware) ផ្នែកទន់ (Software) និងការរចនាគ្រឿងម៉ាស៊ីន ដែលប្រើប្រាស់ថវិកាសមរម្យសម្រាប់ការស្រាវជ្រាវ និងការអភិវឌ្ឍន៍។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការធ្វើតេស្តត្រូវបានអនុវត្តជាចម្បងនៅក្នុងបរិស្ថាននិម្មិត (CoppeliaSim) និងប្រើប្រាស់រូបភាពហ្វឹកហាត់ត្រឹមតែ ១០០ សន្លឹកប៉ុណ្ណោះ ដែលជារបាំងកម្រិតសមត្ថភាព (Data limit) ប្រសិនបើត្រូវយកមកប្រើនៅកម្ពុជា។ ឆ្នេរសមុទ្រកម្ពុជាមានប្រភេទដីខ្សាច់ ល្បាយថ្ម និងកាកសំណល់ចម្រុះជាច្រើនប្រភេទ មិនមែនមានតែដបប្លាស្ទិកសុទ្ធនោះទេ ដូច្នេះទាមទារឱ្យមានទិន្នន័យជាក់ស្តែងធំជាងនេះដើម្បីធានាប្រសិទ្ធភាព។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

បច្ចេកវិទ្យារួមបញ្ចូលគ្នារវាងមនុស្សយន្ត ROVER និងកាមេរ៉ា AI នេះ មានសក្តានុពលខ្ពស់ក្នុងការយកមកកែច្នៃសម្រាប់ដោះស្រាយបញ្ហាសំណល់រឹងនៅកម្ពុជា។

ជារួម ការសិក្សានេះផ្តល់នូវគំរូដើម (Prototype) ដ៏រឹងមាំមួយ ដែលអ្នកស្រាវជ្រាវ និងវិស្វករកម្ពុជាអាចយកមកអភិវឌ្ឍបន្តទៅជាមនុស្សយន្តសម្អាតបរិស្ថានខ្នាតធំ សម្របទៅតាមស្ថានភាពភូមិសាស្ត្រជាក់ស្តែងក្នុងស្រុក។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. រចនា និងក្លែងធ្វើគ្រឿងម៉ាស៊ីន (Mechanical Design & Simulation): ប្រើប្រាស់កម្មវិធី SolidWorks ដើម្បីរចនាតួខ្លួនមនុស្សយន្ត ROVER និងដៃ SCARA រួចនាំចេញ (Export) ទៅកាន់ CoppeliaSim ដើម្បីក្លែងធ្វើ និងតេស្តពីលំនឹងលើផ្ទៃរដិបរដុប (ដូចជាគំនរថ្ម)។
  2. ប្រមូល និងបណ្តុះបណ្តាលទិន្នន័យ AI (Data Collection & AI Training): ប្រមូលរូបភាពកាកសំណល់ប្លាស្ទិកនៅតាមឆ្នេរកម្ពុជា រួចបិទស្លាកចំណាំ (Bounding box) ដោយប្រើកម្មវិធី Labelme និងធ្វើការហ្វឹកហាត់ម៉ូដែល YOLOv8n ដោយដំណើរការលើ Google Colab
  3. អភិវឌ្ឍប្រព័ន្ធបញ្ជាចលនា (Motion Control Development): ប្រើប្រាស់ MATLAB និង Simulink រួមជាមួយកម្មវិធីជំនួយ Simscape ដើម្បីរៀបចំប្រព័ន្ធគ្រប់គ្រងត្រឡប់ PID Controller សម្រាប់បញ្ជាកង់មនុស្សយន្ត និងដៃចាប់ឱ្យមានភាពសុក្រឹតខ្ពស់។
  4. តភ្ជាប់ផ្នែករឹង និងអេឡិចត្រូនិក (Hardware Integration): រៀបចំប្រព័ន្ធកុំព្យូទ័រកណ្តាលដោយប្រើ Raspberry Pi 4 B ដើម្បីដំណើរការកាមេរ៉ា និងវិភាគរូបភាព រួចភ្ជាប់វាទៅកាន់ Arduino UNO តាមរយៈខ្សែសញ្ញាដើម្បីបញ្ជាម៉ូទ័រ DC 12V និង Servo ។
  5. រៀបចំប្រព័ន្ធថាមពល និងសាកល្បងជាក់ស្តែង (Power System & Field Testing): ដំឡើងប្រព័ន្ធថ្ម Lithium 3S15P ជាមួយបន្ទះ BMS និងភ្ជាប់បន្ទះសូឡាខ្នាតតូច រួចយកមនុស្សយន្តទៅធ្វើតេស្តប្រមូលដបផ្ទាល់នៅលើឆ្នេរខ្សាច់ ឬឆ្នេរថ្មពិតប្រាកដ។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
SCARA robot ជាប្រភេទដៃមនុស្សយន្តឧស្សាហកម្មដែលមានសន្លាក់អាចបត់បែនបានតាមអ័ក្សផ្ដេក (X និង Y) ប៉ុន្តែរឹងមាំតាមអ័ក្សបញ្ឈរ (Z) ដែលស័ក្តិសមបំផុតសម្រាប់ការចាប់យក និងដាក់វត្ថុពីកន្លែងមួយទៅកន្លែងមួយទៀតយ៉ាងរហ័សនិងមានលំនឹង។ ដូចជាដៃរបស់មនុស្សយើងដែលដាក់នៅលើតុ ហើយអាចកម្រើកឆ្វេងស្តាំបានយ៉ាងលឿន ប៉ុន្តែមិនអាចកាច់ឡើងលើចុះក្រោមបានតាមចិត្តនោះទេ (ក្រៅពីសង្កត់ចុះត្រង់)។
ROVER robot ជាមនុស្សយន្តចល័តប្រើកង់ដែលមានប្រព័ន្ធបូមឬទម្រអកម្ម (Passive suspension) អាចឱ្យវាធ្វើចលនាឆ្លងកាត់ផ្ទៃរដិបរដុប ឬឧបសគ្គផ្សេងៗបានដោយរក្សាលំនឹងតួខ្លួនបានល្អ ភាគច្រើនប្រើក្នុងការរុករកអវកាស។ ដូចជារថយន្តរុករកនៅលើភពអង្គារ ដែលមានកង់ច្រើននិងអាចវារកាត់ផ្ទាំងថ្មដោយមិនក្រឡាប់ ឬរលាក់ខ្លាំង។
YOLOv8 ជាក្បួនដោះស្រាយ (Algorithm) នៃបញ្ញាសិប្បនិម្មិត (AI) ប្រភេទបណ្ដាញសរសៃប្រសាទកាឡៃ (CNN) ដែលអាចរកឃើញ និងកំណត់អត្តសញ្ញាណវត្ថុផ្សេងៗក្នុងរូបភាព ឬវីដេអូបានយ៉ាងលឿនក្នុងពេលជាក់ស្តែង (Real-time)។ ដូចជាភ្នែកវេទមន្តដែលអាចមើលឃើញរូបថតមួយសន្លឹកភ្លាម ដឹងភ្លែតថានៅត្រង់ណាមានមនុស្ស ត្រង់ណាមានសត្វ ឬត្រង់ណាមានដបប្លាស្ទិក។
PID Controller ជាប្រព័ន្ធបញ្ជាត្រឡប់ (Feedback control system) ដែលគណនាកំហុសរវាងទីតាំងចង់បាន និងទីតាំងជាក់ស្តែង រួចធ្វើការកែតម្រូវល្បឿន ឬកម្លាំងម៉ូទ័រដោយប្រើប្រភាគ (Proportional), អាំងតេក្រាល (Integral), និងដេរីវេ (Derivative) ដើម្បីឱ្យមនុស្សយន្តធ្វើចលនាបានរលូននិងមិនងាករេខុសផ្លូវ។ ដូចជាអ្នកបើកបរឡានដែលចេះស្មានល្បឿន ជាន់ហ្វ្រាំងមុនដល់ភ្លើងស្តុបដើម្បីកុំឱ្យជ្រុលគំនូស ដោយផ្អែកលើចម្ងាយដែលនៅសល់ ល្បឿនបច្ចុប្បន្ន និងបទពិសោធន៍។
Forward and Inverse Kinematics គីនេម៉ាទិចផ្ទាល់ (Forward) គឺការគណនាទីតាំងចុងបញ្ចូនរបស់ដៃមនុស្សយន្តដោយផ្អែកលើមុំនៃសន្លាក់នីមួយៗ ចំណែកឯគីនេម៉ាទិចច្រាស (Inverse) គឺការគណនាមុំដែលសន្លាក់នីមួយៗត្រូវបត់ ដើម្បីឱ្យចុងដៃមនុស្សយន្តទៅដល់ទីតាំងគោលដៅដែលយើងចង់បាន។ ដូចជាការប្រាប់ថា "បោះជំហាន២ម៉ែត្រទៅមុខ រួចបត់ស្តាំ១ម៉ែត្រ" (Forward) ធៀបនឹងការប្រាប់ថា "ដើរទៅចាប់ដបទឹកនៅលើតុនោះទៅ" រួចខួរក្បាលអ្នកគណនាដោយខ្លួនឯងថាត្រូវដើរប៉ុន្មានជំហាននិងលូកដៃយ៉ាងម៉េច (Inverse)។
Denavit-Hartenberg convention ជាវិធីសាស្ត្រស្តង់ដារក្នុងវិស្វកម្មមនុស្សយន្តសម្រាប់ផ្ដល់ប្រព័ន្ធកូអរដោនេទៅលើសន្លាក់នីមួយៗរបស់ដៃមនុស្សយន្ត ដើម្បីបង្កើតជាម៉ាទ្រីសគណនាចលនារបស់វានៅក្នុងលំហ 3D។ ដូចជាការគូរផែនទីនិងដាក់ឈ្មោះផ្លូវនៅតាមសន្លាក់ឆ្អឹងដៃនីមួយៗ ដើម្បីងាយស្រួលប្រាប់ផ្លូវឱ្យច្បាស់លាស់ពីស្មាទៅដល់ចុងម្រាមដៃ។
Lagrange formulation ជាវិធីសាស្ត្រគណនាឌីណាមិចរបស់ប្រព័ន្ធមេកានិច ដោយប្រើប្រាស់ថាមពលស៊ីនេទិច (Kinetic energy) និងថាមពលប៉ូតង់ស្យែល (Potential energy) ដើម្បីស្វែងរកកម្លាំងរមួល (Torque) ដែលទាមទារសម្រាប់បញ្ជាសន្លាក់មនុស្សយន្តឱ្យមានចលនា។ ដូចជាការគិតគូរជាមុនពីកម្លាំងដែលយើងត្រូវប្រើដើម្បីលើកវត្ថុធ្ងន់មួយ ដោយផ្អែកលើទម្ងន់វត្ថុនោះ (ប៉ូតង់ស្យែល) និងល្បឿនដែលយើងចង់លើកវាឡើង (ស៊ីនេទិច)។
CoppeliaSim ជាកម្មវិធីក្លែងធ្វើ (Simulator) បរិស្ថានរូបវិទ្យា ដែលអនុញ្ញាតឱ្យវិស្វករសាកល្បងចលនា ការគ្រប់គ្រង និងការឆ្លើយតបរបស់មនុស្សយន្តជាមួយនឹងវត្ថុផ្សេងៗ (ដូចជាដីរដិបរដុប) តាមបែបឌីជីថលមុនពេលផលិតមនុស្សយន្តពិតប្រាកដ។ ដូចជាការលេងហ្គេមវីដេអូដែលរូបវិទ្យាក្នុងហ្គេមនោះដើរតួដូចពិភពពិត ដើម្បីតេស្តមើលថាតើឡានដែលយើងរចនាអាចបើកកាត់ថ្មបានដោយជោគជ័យឬអត់។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖