Trần Xuân Bách
Kỹ Sư Phần Mềm Robot Cấp Độ Junior
Nhân tài
HanoiThành viên từ 1 tháng 6, 2026
ROS2Nav2SLAMYOLOTensorRTNhận thức RGB-DUltralyticsIntel RealSense D455LiDARIMUSPIDockerMATLABGazeboMuJoCo
·
Thuê người này
Gửi đề nghị công việc trực tiếp cho ứng viên này
ROS2Nav2SLAMYOLOTensorRT
Giới thiệu
Kỹ Sư Phần Mềm Robot Cấp Độ Junior với kinh nghiệm thực tế trong các hệ thống AMR dựa trên ROS2, SLAM/Nav2, tích hợp cảm biến LiDAR/RGB-D, triển khai trên NVIDIA Jetson, Docker và nhận thức thời gian thực sử dụng YOLOv8m được tối ưu hóa bằng TensorRT. Có kinh nghiệm trong kiểm thử robot thực tế, tối ưu hóa hiệu suất và quy trình điều hướng tự động.
Kinh nghiệm
Robot Di Động Tự Động (AMR) Dựa Trên ROS2 - School
(2025-06 - 2026-01)
- Xây dựng và phát triển các mô-đun cốt lõi của hệ thống AMR dựa trên ROS2 từ đầu đến cuối sử dụng SLAM, Nav2, cảm biến IMU kết hợp, hai cảm biến LiDAR, dòng Intel RealSense và các phương pháp định vị bao gồm Visual Odometry và AMCL.
- Triển khai và đánh giá các thuật toán lập kế hoạch đường đi như A* và RRT* trong MATLAB.
- Đề xuất quy trình mô phỏng trước sử dụng môi trường Gazebo, RViz2, MuJoCo để xác thực các chiến lược điều hướng và điều khiển trước khi triển khai thực tế, giảm chi phí lặp lại thực nghiệm.
- Đóng gói toàn bộ ngăn xếp phần mềm robot bằng Docker nhằm cải thiện tính nhất quán khi triển khai, đồng bộ hóa gói và khả năng bảo trì hệ thống.
Cộng Tác Viên Phần Mềm Robot — Robocon ABU 2026 - Lab CLB Robotics & Technologies
(2026-01 - 2026-06)
- Tích hợp kiến trúc ROS2 trên nền tảng Jetson như hệ thống tính toán trung tâm cho hoạt động robot tự động trong Robocon ABU 2026.
- Tối ưu hóa pipeline nhận thức YOLOv8m được tối ưu bằng TensorRT, đạt khoảng 30 FPS trên Jetson với tích hợp cảm biến RGB-D bất chấp giới hạn băng thông USB 2.0 và độ chính xác phát hiện trên 90% mAP.
- Cải thiện độ ổn định điều hướng tự động với sai số định vị được duy trì trong phạm vi ±5 cm và giảm độ trễ xử lý nhận thức từ 120 ms xuống còn 65 ms.
- Áp dụng logic lập kế hoạch đường đi cho chuyển động robot tự động trong các tình huống thi đấu thực tế.
- Tối ưu hóa hiệu suất hệ thống bằng cách sử dụng đa luồng, thực thi tác vụ bất đồng bộ, điều chỉnh giao tiếp DDS và phân bổ nhân CPU, cải thiện tốc độ khởi chạy và thời gian chạy khoảng 80%.
Học vấn
Cử Nhân - Tự Động Hóa - University of Economics - Technology for Industries (2022 - 2026)
Kỹ năng
Kỹ Sư Phần Mềm Robot Cấp Độ Junior

