Huu-Dung Nguyen

Mr. Huu-Dung Nguyen

Department of Mechatronics, Ho Chi Minh City University of Technology (HCMUT), Ho Chi Minh City, Hồ Chí Minh, Vietnam

Research Focus & Metrics

Academic Career Length

1Year (2026-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
23 April 2026 in Journal of Technical Education Science
Verified
Journal Article
Open access
PDF file
QPQuoc-Cuong Pham
Quoc-Cuong Pham
TLThanh-Long Le
Thanh-Long Le
HPHuy-Hoang Pham
Huy-Hoang Pham
HNHuu-Dung Nguyen
Huu-Dung Nguyen
TPThanh Huy Phung
Thanh Huy Phung
Nghiên cứu này tập trung giải quyết vấn đề mất ổn định trong định vị và điều hướng khi robot dịch vụ vận hành ở tốc độ cao tại môi trường bệnh viện. Khi vận tốc thay đổi đột ngột, các rung động cơ học thường gây méo dữ liệu từ cảm biến quét laser, dẫn đến sai lệch nghiêm trọng trong quá trình ghép nối bản đồ và định vị. Để khắc phục, bài báo đề xuất phương pháp tích hợp bộ lọc thông thấp bậc nhất vào chuỗi điều khiển nhằm làm mượt tín hiệu vận tốc tuyến tính và vận tốc góc trước khi gửi xuống bộ dẫn động. Phương pháp được kiểm chứng thực nghiệm trên robot y tá dẫn động vi sai trong kịch bản hành lang tiêu chuẩn với các mức tốc độ tăng dần. Kết quả cho thấy giải pháp đề xuất cải thiện vượt trội độ tin cậy của hệ thống, đặc biệt tại vận tốc 0,9 mét trên giây. Cụ thể, tỷ lệ hoàn thành nhiệm vụ tăng từ 60% lên 92%, trong khi tỷ lệ thất bại trong so khớp dữ liệu quét giảm mạnh từ 40% xuống còn 8%. Những số liệu này chứng minh rằng việc triệt tiêu thành phần tần số cao trong lệnh điều khiển giúp tăng độ chồng phủ dữ liệu quét, qua đó ổn định quá trình định vị. Giải pháp này mang lại hiệu quả thực tiễn cao với chi phí tính toán thấp, phù hợp để triển khai rộng rãi trên các nền tảng robot y tế tự hành.

29 August 2026 in Technologies
Verified
Journal Article
Open access
PDF file
Quoc-Cuong PhamQuoc-Cuong Pham
Quoc-Cuong Pham
TLThanh-Long Le
Thanh-Long Le
HPHuy-Hoang Pham
Huy-Hoang Pham
HNHuu-Dung Nguyen
Huu-Dung Nguyen
Facial emotion recognition (FER) can provide supplementary affective information for human–robot interaction, but deployment on resource-constrained assistive robots requires a balance between recognition performance and computational efficiency. This study presents an edge-based FER framework using a compact CNN operating on 48 × 48 grayscale facial images and retaining all seven FER-2013 expression categories. Square-root-smoothed inverse-frequency weighting is employed to mitigate class imbalance without excessively emphasizing rare classes. On the held-out FER-2013 test set, the proposed model achieves 63.78% Accuracy and 59.32% Macro-F1, achieving higher Accuracy and Macro-F1 than the evaluated ImageNet-pretrained MobileNetV2 and MobileNetV3-Small baselines. INT8 post-training quantization reduces model size by 74.13% relative to FP32, with decreases of only 0.91 and 0.50 percentage points in Accuracy and Macro-F1, respectively. On a Raspberry Pi 3 Model B+, INT8 achieves a mean model-only inference latency of 19.30 ms and a model-only throughput of 51.82 FPS. Using an actor-disjoint RAVDESS protocol comprising 416 videos, EMA stabilization reduces prediction switching by 54.86% on the held-out test actors. These results support the feasibility of compact edge-based FER for assistive robotic interaction while emphasizing that the framework provides supplementary affective cues rather than clinical diagnosis or autonomous decision-making.