Question 1

ROS2 chuyển từ ROSMaster sang DDS middleware giải quyết những vấn đề gì mà ROS1 gặp phải? Hãy giải thích cơ chế peer-to-peer discovery và QoS policies trong DDS.

Accepted Answer

Vấn đề ROS1 ROSMaster: (1) Single point of failure - nếu roscore chết, toàn bộ hệ thống sập; (2) Không có real-time guarantees - message delivery không deterministic; (3) Không có built-in security - mọi node trong mạng đều tin tưởng nhau; (4) Multi-robot coordination phức tạp - cần bridge giữa các namespace. DDS giải quyết: (1) Peer-to-peer discovery qua SPDP (Simple Participant Discovery Protocol) và SEDP (Simple Endpoint Discovery Protocol) - không cần server trung gian; (2) QoS policies: RELIABILITY (BEST_EFFORT vs. RELIABLE), DURABILITY (VOLATILE vs. TRANSIENT_LOCAL), DEADLINE (message phải đến trong bao lâu), LIVELINESS (node còn sống không), HISTORY (giữ bao nhiêu message); (3) DDS Security plugins cho authentication và encryption. Vendors phổ biến: FastDDS (eProsima, default ROS2), CycloneDDS (Eclipse, hiệu năng tốt cho embedded). Chọn QoS: sensor data dùng BEST_EFFORT (latency thấp), command/control dùng RELIABLE. Hỏi ứng viên đã từng debug network issue trong DDS chưa - ví dụ multicast bị block bởi switch trong môi trường nhà máy (cần config FASTDDS_DEFAULT_PROFILES hoặc dùng unicast). Ứng viên mạnh biết ROS_DOMAIN_ID để isolate nhiều robot trong cùng mạng và cách tune rmw_cyclonedds để giảm latency. Hỏi về kinh nghiệm với ros2 doctor và ros2 daemon để troubleshoot discovery issues.

Question 2

Trong ROS2, khi nào bạn dùng Publisher/Subscriber, khi nào dùng Service/Client, và khi nào dùng Action? Cho ví dụ thực tế với robot kho hàng.

Accepted Answer

Ba communication patterns và khi nào dùng: (1) Publisher/Subscriber - data stream liên tục, không cần response, fire-and-forget: sensor data (LiDAR scan, camera frame, IMU), odometry, robot state. Ví dụ kho: publish /scan từ LiDAR tại 10Hz cho Nav2 costmap; (2) Service/Client - request/response một lần, synchronous, thời gian ngắn (< 1 giây): get robot status, set parameter, trigger one-shot action. Ví dụ kho: /get_map service để client xin bản đồ hiện tại từ map server; (3) Action - long-running task có feedback và có thể cancel: navigation đến điểm đích, arm manipulation sequence, charging. Ví dụ kho: NavigateToPose action - goal (tọa độ đích), feedback (vị trí hiện tại, ETA), result (success/failure), có thể cancel khi có obstacle. Quy tắc: duration > 1s + cần feedback + có thể preempt -> dùng Action. Nhà tuyển dụng đánh giá khả năng lựa chọn đúng cơ chế giao tiếp trong ROS2 dựa trên đặc điểm của từng tác vụ, không chỉ thuộc lý thuyết. Ứng viên mạnh giải thích được vòng đời của Action từ ACCEPTED đến EXECUTING rồi SUCCEEDED/ABORTED/CANCELED và biết khi nào nên dùng Action thay vì Service cho tác vụ kéo dài - đặc biệt là khả năng hủy giữa chừng và nhận phản hồi định kỳ. Điểm cộng nếu ứng viên đề cập đến cách xử lý goal preemption khi robot đang thực thi lệnh cũ và nhận mục tiêu mới, cũng như hiểu về Managed Nodes trong ROS2.

Question 3

Trung tâm phân loại của GHN tại Bình Dương cần tự động hóa di chuyển hàng hóa. Bạn sẽ chọn AMR hay AGV và tại sao? Phân tích các yếu tố kỹ thuật và vận hành cụ thể.

Accepted Answer

Phân tích so sánh: AGV (Automated Guided Vehicle): (1) Navigation: fixed path - magnetic tape, QR code, reflector trên sàn; (2) Ưu điểm: chi phí thấp hơn, đơn giản, dễ maintain locally, phù hợp đường đi cố định; (3) Nhược điểm: flexible layout không được, sửa đường dẫn tốn thời gian, không tự tránh chướng ngại vật động; (4) Phù hợp: dây chuyền sản xuất cố định, hành lang hẹp. AMR (Autonomous Mobile Robot): (1) Navigation: SLAM + dynamic path planning (Nav2), tự xây bản đồ; (2) Ưu điểm: flexible layout, self-navigating tránh chướng ngại vật người/hàng hóa real-time, dễ thêm bớt điểm dừng; (3) Nhược điểm: chi phí cao hơn (~$15,000-40,000/unit UR-style), cần commissioning kỹ, LiDAR bẩn gây lỗi; (4) Phù hợp: logistics sorting với layout thay đổi. Kết luận cho GHN Bình Dương: AMR là lựa chọn tốt hơn vì sorting center có layout thay đổi theo mùa, có người công nhân đi lại cần tránh, và cần scale linh hoạt. Nhưng cần xem xét: sàn nhà phẳng không (AMR sensitiv với sàn), Wi-Fi coverage đủ không, ngân sách bao nhiêu. Đây là câu hỏi case study thực tế. Tìm ứng viên có tư duy systems: không chỉ tech spec mà còn TCO (Total Cost of Ownership), uptime SLA (GHN có SLA giao hàng), local support/maintenance (rất quan trọng ở VN vì vendor support chậm). Hỏi thêm về fleet management software, charging strategy (opportunity charging vs. full charging), và integration với WMS (Warehouse Management System).

Question 4

So sánh LiDAR-SLAM (Cartographer) và Visual SLAM (ORB-SLAM3) về độ chính xác, chi phí, và điều kiện hoạt động. Bạn sẽ chọn cái nào cho nhà kho hàng ở Việt Nam và tại sao?

Accepted Answer

LiDAR-SLAM (Cartographer - Google): (1) Độ chính xác: 2-5cm trong môi trường có cấu trúc, nhất quán theo thời gian; (2) Chi phí: LiDAR 2D (RPLIDAR) $150-500, LiDAR 3D (Velodyne, Ouster) $2,000-15,000; (3) Hoạt động: không bị ảnh hưởng bởi ánh sáng, ổn định trong bụi nhẹ, gặp vấn đề ở môi trường featureless (hành lang dài), không tốt ở ngoài trời (mưa); (4) Map: 2D occupancy grid hoặc 3D pointcloud; (5) Compute: nhẹ, chạy được trên Jetson Nano. Visual SLAM (ORB-SLAM3): (1) Độ chính xác: 1-3cm trong điều kiện lý tưởng nhưng drift nếu không có loop closure; (2) Chi phí: camera stereo $100-300, camera fisheye rẻ hơn; (3) Hoạt động: nhạy cảm với ánh sáng thay đổi, texture-poor environment (trắng đơn điệu), motion blur, bụi trên lens; (4) Map: sparse 3D map (keypoints) hoặc dense với RGBD; (5) Compute: nặng hơn, cần GPU hoặc ARM mạnh. Kết luận cho nhà kho Việt Nam: LiDAR-SLAM (Cartographer) ưu việt hơn vì: ánh sáng nhà kho thay đổi (cửa ra vào mở/đóng), bụi phổ biến trong kho hàng, cần reliability cao hơn accuracy tuyệt đối, 2D LiDAR chi phí phù hợp với SME Việt Nam. Nhà tuyển dụng đánh giá khả năng phân tích các phương án kỹ thuật dựa trên điều kiện môi trường thực tế, không chỉ so sánh lý thuyết. Ứng viên mạnh đề xuất phương án kết hợp hợp lý - LiDAR-SLAM cho định vị và điều hướng, camera cho phát hiện vật thể và tránh va chạm - kèm lý giải phù hợp với điều kiện nhà kho Việt Nam như bụi, ánh sáng không đồng đều và vật cản động (người đi lại). Điểm cộng nếu ứng viên có kinh nghiệm tinh chỉnh tham số Cartographer thực tế và biết xử lý vấn đề định vị lại sau khi robot mất điện.

Question 5

Hãy giải thích kiến trúc Nav2 cho autonomous navigation trong nhà kho: AMCL, Global Costmap, Local Costmap và Behavior Tree phối hợp với nhau như thế nào?

Accepted Answer

Kiến trúc Nav2 - pipeline đầy đủ: (1) AMCL (Adaptive Monte Carlo Localization): particle filter-based localization, dùng LiDAR scan match với known map để estimate pose; số particles tự điều chỉnh theo uncertainty (adaptive). Input: /scan + /map, Output: /amcl_pose; (2) Global Costmap: bản đồ tĩnh + vùng inflation xung quanh obstacles, dùng cho global path planning (NavFn hoặc Smac Planner). Resolution thường 5-10cm. Layers: static layer (từ map server), obstacle layer, inflation layer; (3) Local Costmap: cửa sổ nhỏ xung quanh robot (thường 3x3m đến 5x5m), update real-time từ sensor, dùng cho local path planning và obstacle avoidance. Layers: obstacle layer (LiDAR), voxel layer (3D). Controller: DWB (Dynamic Window Approach B) hoặc Regulated Pure Pursuit; (4) Behavior Tree (Nav2 BT): orchestrate toàn bộ navigation - ComputePathToPose -> FollowPath -> nếu stuck: ClearCostmaps -> Spin -> Wait -> Replanning. BT cho phép define recovery behaviors phức tạp theo cấu trúc cây; (5) Lifecycle management: mỗi node trong Nav2 là LifecycleNode - configure -> activate -> deactivate -> cleanup, giúp system startup/shutdown an toàn. Hỏi về kinh nghiệm tune Nav2 params thực tế: inflation_radius (quá nhỏ robot đụng tường, quá lớn robot không qua hành lang hẹp), cost_scaling_factor, controller frequency. Ứng viên mạnh biết cách viết custom BT node cho use case đặc thù (ví dụ: dock với charging station). Hỏi về nav2_bringup và cách modify default behavior tree XML.

Question 6

Bạn cần tích hợp YOLOv11 với robot pick-and-place để bin picking linh kiện điện tử hỗn hợp. Hãy mô tả pipeline từ detection đến execution, xử lý các trường hợp overlap và occlusion.

Accepted Answer

Pipeline đầy đủ: (1) Perception: RGB-D camera (Intel RealSense D435 hoặc ZED 2) cung cấp color image + depth map. YOLOv11 instance segmentation (không chỉ bounding box) để detect từng component và mask; (2) 3D pose estimation: project bounding box/mask lên depth map, tính centroid 3D trong camera frame. Dùng PCA trên pointcloud của object để estimate orientation (grasp angle); (3) Grasp planning: lọc objects có confidence > threshold, ưu tiên object không bị che (visible area/total area > 0.7). Tính grasp point tránh collision với bin walls và neighboring objects. GraspNet-1Billion hoặc geometric heuristics; (4) Coordinate transform: camera -> robot base frame qua hand-eye calibration matrix. Dùng tf2 trong ROS2; (5) Motion planning: MoveIt2 với collision objects từ depth map. Pre-grasp pose -> approach -> grasp -> retreat; (6) Xử lý overlap/occlusion: chọn object trên cùng (highest centroid Z); sau mỗi pick, re-detect để update scene; implement re-try logic nếu grasp fail (force sensor feedback). Evaluation: Grasp success rate target > 90% cho single-SKU, > 80% cho mixed bin. Nhà tuyển dụng đánh giá khả năng thiết kế pipeline hoàn chỉnh từ phát hiện đối tượng đến thực thi gắp trong môi trường thực tế phức tạp. Ứng viên mạnh đề cập đến chiến lược dữ liệu huấn luyện cho linh kiện điện tử - vốn ít dữ liệu công khai - bằng cách sinh dữ liệu tổng hợp qua NVIDIA Isaac Sim hoặc BlenderProc, và giải thích tại sao phân đoạn theo từng đối tượng riêng lẻ quan trọng hơn phân đoạn ngữ nghĩa khi xử lý các vật chồng lên nhau. Điểm cộng nếu ứng viên đề cập đến cảm biến lực/mô-men để phát hiện gắp thành công và xử lý trượt, cũng như chiến lược phát hiện lại sau mỗi lần gắp.

Question 7

Bạn được giao triển khai cobot Universal Robots UR10e làm việc cạnh công nhân trong nhà máy điện tử tại Đồng Nai. Trình bày quy trình đảm bảo tuân thủ ISO 10218 và ISO/TS 15066, và các vấn đề thực tế ở Việt Nam.

Accepted Answer

Quy trình compliance đầy đủ: (1) ISO 10218-1 (robot manufacturer) + ISO 10218-2 (integrator/system integrator) - phân chia trách nhiệm rõ ràng. UR10e đã certified ISO 10218-1, nhưng integrator (bạn) phải comply ISO 10218-2 cho toàn bộ workcell; (2) ISO/TS 15066 - 4 collaborative modes: Hand-Guiding (công nhân dắt robot bằng tay), Safety-Rated Monitored Stop (robot dừng khi người vào zone), Speed and Separation Monitoring (robot chậm lại khi người gần, Safety laser scanner như SICK microScan3), Power and Force Limiting - PFL (robot tự limit lực khi va chạm - đây là mode UR10e thường dùng, cần validate với biomechanical limits); (3) Risk Assessment theo ISO 12100: xác định hazard (pinch point, crush, entanglement), estimate risk (S×E×P matrix), giảm risk theo hierarchy (elimination -> safeguarding -> PPE); (4) Validation PFL: đo contact force và pressure thực tế bằng force measurement device (Pilz PMC), so sánh với ISO/TS 15066 Annex A biomechanical limits (ví dụ: ngực người tối đa 140N); (5) Thực tế Việt Nam: QCVN chưa có tiêu chuẩn cobot riêng; nhà máy FDI (Foxconn, Samsung) yêu cầu CE marking; cần document bằng tiếng Việt cho công nhân; training công nhân về collaborative workspace awareness; local safety engineer thường chưa quen với ISO/TS 15066. Hỏi về kinh nghiệm với UR Safety Configuration (safety planes, joint limits, tool speed limit trong Universal Robots Polyscope) và cách integrate safety laser scanner vào safety circuit (PLC an toàn). Ứng viên mạnh biết rằng cobot 'collaborative' không có nghĩa là an toàn tuyệt đối - vẫn cần risk assessment và trong nhiều case vẫn cần fencing nếu tốc độ cao hoặc tải nặng.

Question 8

Bạn đang fuse LiDAR và IMU bằng EKF. Sau 10 phút hoạt động, covariance matrix bắt đầu diverge và robot mất định vị. Bạn sẽ debug và xử lý như thế nào?

Accepted Answer

Nguyên nhân covariance diverge: (1) Process noise (Q matrix) quá nhỏ - EKF quá tin vào model, không update đủ từ sensor; (2) Measurement noise (R matrix) quá nhỏ - EKF tin sensor quá mức, amplify noise; (3) IMU bias drift - accelerometer và gyroscope drift theo nhiệt độ và thời gian (IMU cần warm-up); (4) LiDAR feature-poor environment - hành lang dài không có đặc điểm nổi bật (degenerate case); (5) Time synchronization lệch - timestamp IMU và LiDAR không đồng bộ (phải < 0.5ms); (6) Extrinsic calibration sai - transform từ LiDAR frame sang IMU frame. Debug process: (a) Plot covariance eigenvalues theo thời gian để xác định diverge theo trục nào; (b) Kiểm tra IMU raw data - có spike bất thường không; (c) Check LiDAR scan quality - điểm scan đủ dày không; (d) Verify timestamps bằng ros2 topic hz và ros2 topic delay. Xử lý: (1) Tune Q và R matrix qua Allan variance analysis cho IMU; (2) Thêm covariance capping để ngăn diverge hoàn toàn; (3) Implement relocalization trigger khi uncertainty quá cao; (4) Hardware fix: dùng IMU grade cao hơn (MEMS vs. tactical grade). Đây là câu hỏi phân biệt người có kinh nghiệm thực tế với người chỉ biết lý thuyết EKF. Ứng viên giỏi sẽ ngay lập tức hỏi về môi trường (hành lang thẳng dài là degenerate cho LiDAR) và sẽ biết Allan variance là công cụ chuẩn để characterize IMU noise. Hỏi thêm về kinh nghiệm với robot_localization package (ROS2) và cách configure ekf_node.yaml.