Bối cảnh và vấn đề nghiên cứu

Trong xu hướng phát triển của cuộc Cách mạng Công nghiệp lần thứ tư, công nghệ xe tự hành đã và đang trở thành một trong những hướng đi trọng điểm của ngành vận tải thông minh, logistics và giám sát tự động. Các quốc gia phát triển như Hoa Kỳ, Đức, Nhật Bản và Trung Quốc đã thương mại hóa nhiều cấp độ phương tiện tự hành nhằm giảm thiểu tai nạn giao thông, tối ưu hóa năng lượng và giảm tải sự can thiệp của con người. Tuy nhiên, việc vận hành xe tự hành trong môi trường ngoài trời vẫn đối mặt với nhiều thách thức kỹ thuật lớn do sự biến đổi liên tục của điều kiện thời tiết, cường độ ánh sáng, mật độ chướng ngại vật và hiện tượng nhiễu tín hiệu định vị vệ tinh tại các khu vực bị che khuất bởi công trình kiến trúc hoặc cây xanh.

Tại Việt Nam, các nghiên cứu về phương tiện tự hành phần lớn vẫn dừng lại ở quy mô mô phỏng hoặc thử nghiệm trên các mô hình xe nhỏ tỷ lệ 1/10 trong nhà và các môi trường kiểm soát nghiêm ngặt. Việc tiếp cận các hệ thống cảm biến công nghiệp cao cấp như LiDAR đa tia độ phân giải cao thường gặp rào cản lớn về mặt chi phí đầu tư. Trước thực tế đó, tác giả Phan Văn Hoàng Anh đã thực hiện đồ án tốt nghiệp với đề tài "Điều hướng xe tự hành ngoài trời ứng dụng trí tuệ nhân tạo và tích hợp đa cảm biến" nhằm xây dựng một phương tiện thực nghiệm quy mô thực tế, có chi phí hợp lý nhưng vẫn đảm bảo tính chính xác và an toàn khi vận hành ngoài trời.

Mục tiêu cụ thể của đồ án được xác định rõ ràng qua 5 nhiệm vụ trọng tâm:

  1. Thiết kế và triển khai hệ thống phần cứng cảm biến tích hợp gồm GPS RTK, IMU và camera cho xe tự hành hoạt động ngoài trời.
  2. Xây dựng thuật toán nhận diện vật cản theo thời gian thực bằng cách sử dụng mô hình học sâu, kết hợp giữa phát hiện đối tượng (Object Detection) và ước lượng độ sâu (Depth Estimation).
  3. Phát triển thuật toán điều hướng kết hợp đa cảm biến, có khả năng hoạt động ổn định cả trong điều kiện tín hiệu GPS yếu hoặc gián đoạn, bằng cách chuyển đổi linh hoạt giữa định vị vệ tinh và định hướng bằng thị giác máy tính.
  4. Tích hợp và tối ưu hóa hệ thống điều khiển, đảm bảo xe di chuyển an toàn, tránh vật cản hiệu quả trong môi trường thực tế.
  5. Thử nghiệm và đánh giá hệ thống trên mô hình xe thực tế, từ đó phân tích hiệu suất của thuật toán và khả năng ứng dụng thực tiễn.

Đối tượng và phạm vi nghiên cứu của đề tài:

  • Đối tượng nghiên cứu: Nền tảng xe điện chở khách sân golf (Ezgo TXT Golf Cart), hệ thống điều khiển lái – dẫn động, các thuật toán thị giác máy tính (YOLOv11, DepthAnything V2, SegFormer-B0), thuật toán quy hoạch đường đi (A*, Frenet, đa thức bậc 5) và thuật toán bám quỹ đạo Pure Pursuit kết hợp bộ điều khiển PID.
  • Phạm vi không gian: Các tuyến đường nội bộ trong khuôn viên Trường Đại học Sư phạm Kỹ thuật TP.HCM (HCMUTE), với điều kiện giao thông hỗn hợp gồm người đi bộ, chướng ngại vật tĩnh và các khúc cua thực tế.
  • Phạm vi thời gian: Đồ án được triển khai và hoàn thành trong giai đoạn từ tháng 02/2025 đến tháng 06/2025.

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và mô hình học thuật

Đề tài dựa trên tiêu chuẩn phân loại mức độ tự động hóa SAE J3016 của Hiệp hội Kỹ sư Ô tô Hoa Kỳ, hướng tới cấp độ Level 3–4 (tự hành có điều kiện trong phạm vi địa lý xác định mà không cần người lái can thiệp liên tục). Về mặt động học, nghiên cứu sử dụng mô hình động học xe hai bánh (bicycle model) dựa trên nguyên lý lái Ackermann để thiết lập mối quan hệ hình học giữa góc đánh lái của bánh trước, chiều dài cơ sở và bán kính quay vòng.

Về quy hoạch và biểu diễn quỹ đạo, tác giả ứng dụng hệ tọa độ Frenet $(s, d)$. Không giống như hệ tọa độ Descartes $(x, y)$ vốn phức tạp khi tính toán dọc theo các đoạn đường uốn lượn, hệ tọa độ Frenet phân rã chuyển động của xe thành hai thành phần độc lập: tọa độ dọc $s$ theo trục đường tham chiếu và độ lệch ngang $d$ vuông góc với đường tham chiếu. Điều này cho phép làm phẳng các cung đường cong, hỗ trợ quá trình nội suy các quỹ đạo ứng viên bằng đa thức bậc 5 (quintic polynomial) nhằm đảm bảo tính liên tục của vận tốc, gia tốc và độ giật (jerk).

Phương pháp thị giác máy tính và học sâu

Hệ thống sử dụng ba mô hình học sâu chuyên biệt cho từng nhiệm vụ nhận thức:

  • Nhận diện vật thể: Sử dụng mô hình YOLOv11 (You Only Look Once phiên bản 11), một mạng nơ-ron tích chập một giai đoạn (single-stage detector) cho phép dự đoán trực tiếp các hộp bao (bounding box), nhãn phân loại đối tượng (người đi bộ, xe cộ, chướng ngại vật) và điểm tin cậy (confidence score).
  • Ước lượng độ sâu đơn sắc (Monocular Depth Estimation): Sử dụng mô hình DepthAnything V2. Đây là mạng học sâu được huấn luyện trên hơn 60 triệu hình ảnh đa cảnh quan, có khả năng trích xuất bản đồ độ sâu (depth map) chi tiết từ ảnh RGB 2D đơn lẻ mà không cần cụm camera stereo hay cảm biến LiDAR đắt tiền.
  • Phân đoạn làn đường: Sử dụng mô hình SegFormer-B0, một kiến trúc kết hợp giữa Transformer phân cấp (hierarchical Transformer encoder) và bộ giải mã (decoder) đa lớp nhẹ, nhằm trích xuất vùng có thể di chuyển (drivable area) ở cấp độ điểm ảnh phục vụ điều hướng thị giác khi mất tín hiệu GPS.

Phương pháp định vị và điều khiển

  • Định vị toàn cục và cục bộ: Ứng dụng kỹ thuật định vị vi sai động học thời gian thực (GNSS RTK) kết hợp trạm gốc để đạt độ chính xác cấp centimet, bù đắp sai số định vị GPS thông thường (3–10 m). Cảm biến quán tính IMU được tích hợp để đo gia tốc tuyến tính và vận tốc góc, cung cấp thông tin góc hướng (yaw) và hỗ trợ duy trì định vị tương đối khi mất kết nối vệ tinh.
  • Thuật toán lập kế hoạch lộ trình: Thuật toán A* được triển khai trên mô hình đồ thị có trọng số của mạng lưới đường nội bộ để tìm ra đường đi ngắn nhất giữa các điểm waypoint GPS RTK.
  • Thuật toán bám quỹ đạo: Thuật toán Pure Pursuit tính toán góc bẻ lái $\delta$ dựa trên khoảng cách nhìn trước (lookahead distance $l_d$) theo công thức: $$\delta = \arctan\left(\frac{2 L \sin\alpha}{l_d}\right)$$ trong đó $L$ là chiều dài cơ sở của xe, $\alpha$ là góc lệch giữa hướng đầu xe và vector hướng tới điểm mục tiêu. Bộ điều khiển tỉ lệ – tích phân – vi phân (PID) được sử dụng để điều khiển vòng kín góc xoay trục lái.

Thiết kế và triển khai

Hệ thống được thiết kế dưới dạng một phương tiện tự hành hoàn chỉnh, tích hợp chặt chẽ giữa phần cứng cơ điện tử và phần mềm xử lý đa luồng thời gian thực.

Thành phần hệ thống Thiết bị / Công nghệ sử dụng Thông số / Đặc tính kỹ thuật
Nền tảng khung gầm Xe điện Ezgo TXT Golf Cart Nguồn cấp 36 VDC, cơ cấu lái nguyên bản cải tiến
Cảm biến thị giác Camera Sony IMX335 Độ phân giải Full HD, tốc độ 60 fps, góc nhìn $180^\circ$
Định vị vệ tinh GNSS RTK Sino M900 Tần số cập nhật 10 Hz, sai số định vị khoảng $\pm10\text{ cm}$
Cảm biến quán tính Bosch BNO055 IMU Đo vận tốc góc 3 trục, gia tốc 3 trục, xuất góc Euler/Quaternion
Động cơ đánh lái Ezi-SERVO 60L-A-D Động cơ bước hybrid kèm driver vòng kín, kết hợp hộp số giảm tốc
Cảm biến góc lái Omron E6F-AG5C Encoder tuyệt đối (Absolute Encoder), phản hồi chính xác vị trí trục lái
Bộ điều khiển chấp hành Vi điều khiển STM32 Mạch chuyên dụng giao tiếp bộ điều tốc Curtis EZGO PDS qua UART/PWM
Máy tính xử lý trung tâm Máy tính nhúng / Laptop Trang bị GPU NVIDIA GeForce RTX 3050 Ti

Kiến trúc phần mềm và pipeline xử lý

Kiến trúc phần mềm hoạt động theo cơ chế đa luồng (Multithreading) trên nền tảng máy tính trung tâm để đảm bảo tính thời gian thực:

  • Luồng 1 (Cảm biến): Thu thập dữ liệu liên tục từ GNSS RTK Sino M900 (10 Hz), IMU Bosch BNO055 và encoder Omron.
  • Luồng 2 (Nhận thức thị giác): Tiếp nhận luồng ảnh RGB từ camera Sony IMX335. Mô hình YOLOv11 chạy trên GPU RTX 3050 Ti đạt tốc độ suy luận ~84 FPS để trích xuất hộp bao vật cản. Đồng thời, mô hình DepthAnything V2 xuất ra bản đồ độ sâu.
  • Luồng 3 (Tái tạo tọa độ 3D): Trích xuất giá trị trung vị độ sâu $z$ bên trong bounding box của vật cản nhằm triệt tiêu nhiễu. Tọa độ điểm ảnh $(u, v)$ được ánh xạ sang hệ tọa độ camera qua ma trận nội tại $K^{-1}$: $$P_{cam} = z \cdot K^{-1} \begin{bmatrix} u \ v \ 1 \end{bmatrix}$$ Sau đó, tọa độ được biến đổi đồng nhất sang hệ quy chiếu của xe $P_{veh} = T_{cam \to veh} P_{cam}$ dựa trên góc nghiêng lắp đặt $\theta$ và vector tịnh tiến khoảng cách đến trọng tâm xe. Cuối cùng, vị trí được đưa về hệ tọa độ toàn cục $P_{global} = T_{veh \to global} P_{veh}$.
  • Luồng 4 (Lập kế hoạch và né vật cản): Nếu phát hiện vật cản tĩnh trên làn đường tham chiếu, hệ thống sử dụng đa thức bậc 5 trong hệ tọa độ Frenet để tạo chùm quỹ đạo tránh va chạm tối ưu.
  • Luồng 5 (Điều hướng dự phòng thị giác): Khi sai số định vị GNSS vượt ngưỡng an toàn hoặc mất tín hiệu RTK, hệ thống tự động kích hoạt mô-đun SegFormer-B0 để phân đoạn vùng đường đi (drivable area), tính toán chuỗi điểm trung tâm (center points) kèm trọng số khoảng cách để suy ra góc lái bám làn.
  • Luồng 6 (Giao tiếp điều khiển): Đóng gói lệnh góc lái và tốc độ, truyền xuống vi điều khiển STM32 thông qua giao tiếp UART để kích hoạt động cơ servo lái và hệ thống truyền động Curtis EZGO PDS.

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 trình bày tổng quan về lịch sử, tính cấp thiết và xu hướng phát triển của xe tự hành trên thế giới và tại Việt Nam. Tác giả phân tích các dự án xe tự hành tiêu biểu của quốc tế như Waymo, Boss (Carnegie Mellon), Junior (Stanford), Talos (MIT), Skynet (Cornell), Little Ben và TerraMax; đồng thời điểm qua tình hình trong nước với các nghiên cứu của VinAI Research, FPT Software và các mô hình thử nghiệm tại các trường đại học (HCMUT, VNU, HCMUTE). Từ đó, tác giả xác định mục đích, 5 mục tiêu nghiên cứu cụ thể, phạm vi và giới hạn kỹ thuật của đề tài trên nền tảng xe golf điện Ezgo TXT tại khuôn viên HCMUTE.

Chương 2: Cơ sở lý thuyết

Chương 2 cung cấp nền tảng toán học và kỹ thuật của hệ thống tự hành. Nội dung phân loại chi tiết 6 cấp độ tự hành theo chuẩn SAE J3016 (từ Level 0 đến Level 5) và phân biệt môi trường xe tự hành trong nhà và ngoài trời. Tác giả trình bày cấu trúc các hệ thống cảm biến cốt lõi (Camera, GPS RTK, IMU); nguyên lý định vị vi sai RTK và xây dựng bản đồ số độ chính xác cao HD Map. Về phần nhận thức, chương phân tích nguyên lý một giai đoạn của YOLOv11, mô hình ước lượng độ sâu đơn sắc DepthAnything V2 và mạng phân đoạn ngữ nghĩa SegFormer-B0. Về phần điều khiển và quy hoạch chuyển động, tác giả trình bày chi tiết thuật toán tìm đường A*, biểu diễn chuyển động trong hệ tọa độ Frenet $(s, d)$, phương pháp nội suy quỹ đạo mượt bằng đa thức bậc 5 giải hệ phương trình 6 điều kiện biên, thuật toán bám quỹ đạo Pure Pursuit dựa trên hình học Ackermann, bộ điều khiển phản hồi PID và kỹ thuật lập trình đa luồng (Multithreading).

Chương 3: Thiết kế và tính toán

Chương 3 đi sâu vào thiết kế thuật toán và chu trình xử lý toán học cho hệ thống xe tự hành. Tác giả trình bày chi tiết pipeline perception: phát hiện vật thể bằng YOLOv11 đạt tốc độ ~84 FPS trên GPU RTX 3050 Ti, ước lượng ma trận độ sâu từ DepthAnything V2, và phương pháp trích xuất tọa độ 3D thông qua giá trị trung vị độ sâu pixel cùng các ma trận biến đổi thuần nhất giữa các hệ quy chiếu (từ ảnh $\to$ camera $\to$ xe $\to$ toàn cục). Chương này cũng thiết lập phương pháp tính toán góc đánh lái dựa trên trọng số các điểm trung tâm làn đường thu được từ mô hình phân đoạn SegFormer-B0. Đồng thời, tác giả thiết kế bộ quy hoạch đường toàn cục (Global Planner) bằng thuật toán A* trên đồ thị waypoint GPS, bộ sinh quỹ đạo tránh vật cản cục bộ trong hệ tọa độ Frenet bằng đa thức bậc 5, và bộ điều khiển Pure Pursuit bám điểm nhìn trước $l_d$.

Chương 4: Thi công hệ thống

Chương 4 mô tả toàn bộ quá trình hiện thực hóa phần cứng và lắp ráp cơ khí trên xe điện Ezgo TXT Golf Cart. Tác giả trình bày chi tiết bản vẽ thiết kế CAD và cơ cấu chấp hành đánh lái bao gồm động cơ bước lai vòng kín Ezi-SERVO 60L-A-D, hộp số giảm tốc và cơ cấu khớp nối cơ khí gắn trực tiếp vào trục vô-lăng; tích hợp encoder tuyệt đối Omron E6F-AG5C để phản hồi góc lái thực tế. Khối cảm biến gồm camera Sony IMX335 đặt trước đầu xe, bộ thu GNSS RTK Sino M900 và IMU Bosch BNO055. Hệ thống điện tử bao gồm bo mạch điều khiển trung tâm STM32 phân chia thành các khối vi điều khiển, khối giao tiếp, khối phản hồi và khối điều khiển, kết nối trực tiếp với bộ điều tốc dẫn động Curtis EZGO PDS của xe điện.

Chương 5: Kết quả - Nhận xét - Đánh giá

Chương 5 công bố các kết quả thực nghiệm đạt được tại khuôn viên HCMUTE. Tác giả số hóa thành công bản đồ HD Map các tuyến đường nội bộ dưới dạng đồ thị có trọng số và xây dựng giao diện điều khiển, giám sát thời gian thực. Kết quả thực nghiệm bao gồm: thử nghiệm tìm đường tối ưu bằng A* trên hai lộ trình mẫu (tòa Trung Tâm $\to$ tòa Việt Đức; khu C $\to$ xưởng Gỗ); thử nghiệm thuật toán Pure Pursuit bám quỹ đạo với việc đo đạc sai số lệch ngang trên cả đoạn đường thẳng và đường cong; đánh giá sai số ước lượng tọa độ 3D của vật cản ở các cự ly 3 m, 5 m, 8 m và 15 m; thử nghiệm các kịch bản tránh vật cản thực tế (tránh một vật cản tĩnh bên phải, tránh chuỗi nhiều vật cản tĩnh dọc đường, và tránh vật cản xuất hiện ở cả hai bên đường); cùng các kết quả phân đoạn làn đường thực tế của mô hình SegFormer-B0 khi có và không có vật cản.

Chương 6: Kết luận và hướng phát triển

Chương 6 tổng kết toàn bộ kết quả thực hiện của đồ án, khẳng định khả năng vận hành tự hành và né vật cản an toàn của xe trong khuôn viên trường học bằng phương pháp kết hợp đa cảm biến và AI. Đồng thời, tác giả chỉ ra các mặt hạn chế còn tồn tại về phần cứng, khả năng phản ứng với vật thể di động nhanh và đề xuất các hướng cải tiến trong tương lai.

Kết quả và đóng góp

Kết quả định lượng và thử nghiệm thực tế

Đồ án đã triển khai thử nghiệm hệ thống hoàn chỉnh trên xe điện Ezgo TXT tại các tuyến đường nội khu HCMUTE và ghi nhận các số liệu thực nghiệm cụ thể:

  • Tốc độ xử lý mô hình AI: Mô hình YOLOv11 đạt tốc độ suy luận ~84 FPS trên GPU RTX 3050 Ti, đảm bảo khả năng phát hiện vật thể theo thời gian thực mà không gây trễ luồng điều khiển.
  • Quy hoạch đường toàn cục: Thuật toán A* tìm kiếm thành công lộ trình tối ưu trên đồ thị bản đồ số khuôn viên trường, kiểm chứng qua hai hành trình từ tòa nhà Trung Tâm đến tòa Việt Đức và từ khu C đến xưởng Gỗ.
  • Độ chính xác bám quỹ đạo: Thuật toán Pure Pursuit dẫn hướng xe bám sát đường tham chiếu. Đồ thị thực nghiệm phân tích sai số ngang (lateral error) cho thấy độ lệch được duy trì ở mức nhỏ trên cả đoạn đường thẳng và các đoạn rẽ uốn cong.
  • Độ chính xác ước lượng vị trí 3D: Kết hợp giữa YOLOv11 và DepthAnything V2 cùng phép biến đổi hình học cho phép xác định tọa độ vật cản trong không gian với sai số khoảng cách dọc và ngang tăng dần theo cự ly đo đạc thực nghiệm từ 3 m, 5 m, 8 m đến 15 m.
  • Tránh vật cản trong không gian Frenet: Bằng việc nội suy đa thức bậc 5 và đánh giá hàm chi phí, xe đã vượt qua thành công ba tình huống va chạm tiềm ẩn:
    1. Né một vật cản tĩnh xuất hiện bên phải đường và quay trở lại tim đường an toàn.
    2. Né chuỗi nhiều vật cản tĩnh liên tiếp dọc hành lang di chuyển.
    3. Né các vật cản tĩnh bố trí zíc-zắc ở cả hai bên lề đường.
  • Phân đoạn làn đường SegFormer-B0: Mô hình nhận diện chính xác vùng đường có thể di chuyển (vùng màu xanh lá) ngay cả khi bị che khuất một phần bởi chướng ngại vật, tạo cơ sở tính toán góc lái dự phòng ổn định.

Đóng góp kỹ thuật của đề tài

  1. Xây dựng thành công nền tảng phần cứng xe tự hành quy mô thật từ xe điện sân golf thương mại, phát triển cơ cấu trợ lực lái khép kín kết hợp giữa Ezi-SERVO, hộp số giảm tốc và encoder tuyệt đối Omron, điều khiển đồng bộ qua vi điều khiển STM32 và bộ điều tốc Curtis PDS.
  2. Đề xuất giải pháp ước lượng tọa độ 3D vật cản dựa hoàn toàn vào camera đơn sắc thông qua việc kết hợp mô hình nhận diện YOLOv11 và mô hình độ sâu DepthAnything V2, giúp giảm thiểu sự phụ thuộc vào các thiết bị quét LiDAR chi phí cao.
  3. Thiết lập cơ chế điều hướng lai linh hoạt: kết hợp bản đồ HD Map dựa trên GPS RTK/IMU làm kênh điều hướng chính và mô hình phân đoạn SegFormer-B0 làm kênh định hướng thị giác dự phòng khi tín hiệu vệ tinh bị gián đoạn.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế kỹ thuật được đề cập trong văn bản

  • Phạm vi thử nghiệm: Hệ thống chỉ mới được kiểm chứng trong khuôn viên trường đại học với địa hình bằng phẳng và mật độ giao thông có kiểm soát, chưa trải nghiệm trong môi trường giao thông công cộng phức tạp.
  • Khả năng xử lý vật cản động: Thuật toán hiện tại chỉ hoạt động tối ưu với vật cản tĩnh hoặc các đối tượng di chuyển rất chậm; hệ thống chưa xử lý tốt các vật cản chuyển động nhanh do chưa tích hợp cơ chế dự đoán quỹ đạo chuyển động (motion prediction) và bộ lập kế hoạch thích ứng thời gian thực.
  • Giới hạn thuật toán điều khiển: Đề tài chưa áp dụng các kỹ thuật điều khiển tối ưu cao cấp như điều khiển dự báo mô hình (MPC) hay các giải thuật học tăng cường (Reinforcement Learning) để tối ưu hóa hành vi xe trong các điều kiện phi tuyến tính phức tạp.

Hướng nghiên cứu tiếp

  • Tích hợp thêm các mô hình học sâu có khả năng theo dõi đa đối tượng (Multi-Object Tracking) và dự đoán quỹ đạo chuyển động của các phương tiện xung quanh trong thời gian thực.
  • Nghiên cứu ứng dụng bộ điều khiển dự báo mô hình (MPC) thay thế hoặc bổ trợ cho Pure Pursuit nhằm nâng cao tính ổn định của hệ thống lái ở dải tốc độ cao hơn.
  • Mở rộng tập dữ liệu huấn luyện cho mô hình SegFormer-B0 dưới các điều kiện thời tiết khắc nghiệt (mưa lớn, ban đêm, đường ngập nước) để nâng cao độ tin cậy của kênh điều hướng thị giác.

Giá trị tham khảo

Đồ án tốt nghiệp này mang lại giá trị học thuật và thực tiễn cao cho:

  • Sinh viên và học viên sau đại học: Thuộc các chuyên ngành Công nghệ Kỹ thuật Điều khiển và Tự động hóa, Cơ điện tử, Robot và Hệ thống Thông minh, Kỹ thuật Ô tô và Khoa học Máy tính có định hướng nghiên cứu xe tự hành ngoài trời.
  • Phần nội dung đáng tham khảo:
    • Chương 3 (Thiết kế và tính toán): Cung cấp chi tiết các công thức chuyển đổi hệ tọa độ từ ảnh 2D sang không gian 3D, phương pháp toán học giải hệ phương trình điều kiện biên cho đa thức bậc 5 trong hệ tọa độ Frenet, và thuật toán tính góc bẻ lái Pure Pursuit.
    • Chương 4 (Thi công hệ thống): Cung cấp giải pháp kỹ thuật cơ điện tử thực tế trong việc cải tạo cơ cấu lái của xe golf điện bằng động cơ servo vòng kín Ezi-SERVO kết hợp encoder Omron, cũng như sơ đồ ghép nối mạch điều khiển STM32 với bộ điều tốc Curtis EZGO PDS.

Câu hỏi thường gặp

1. Hệ thống sử dụng phương pháp nào để xác định vị trí 3D của vật cản khi không trang bị cảm biến LiDAR?
Hệ thống sử dụng camera đơn sắc Sony IMX335 kết hợp hai mô hình học sâu: YOLOv11 phát hiện hộp bao 2D của vật cản và DepthAnything V2 tạo bản đồ độ sâu. Bằng cách lấy giá trị trung vị độ sâu $z$ của các điểm ảnh trong hộp bao, kết hợp cùng ma trận nội tại của camera $K^{-1}$ và các ma trận chuyển đổi tọa độ thuần nhất ($T_{cam \to veh}$ và $T_{veh \to global}$), hệ thống tính toán chính xác tọa độ không gian 3D của vật thể.

2. Tốc độ xử lý của mô hình phát hiện vật thể YOLOv11 đạt bao nhiêu trên phần cứng thực nghiệm?
Mô hình YOLOv11 đạt tốc độ suy luận xấp xỉ 84 FPS khi vận hành trên máy tính trang bị GPU NVIDIA GeForce RTX 3050 Ti, đáp ứng hoàn toàn yêu cầu xử lý liên tục theo thời gian thực cho hệ thống xe tự hành.

3. Chiến lược điều hướng của xe được xử lý như thế nào khi tín hiệu GPS RTK bị yếu hoặc gián đoạn hoàn toàn?
Khi tín hiệu vệ tinh vượt quá ngưỡng sai số cho phép, hệ thống tự động kích hoạt kênh điều hướng dự phòng bằng thị giác máy tính. Mô hình SegFormer-B0 sẽ phân đoạn vùng đường xe có thể chạy (drivable area), sau đó tính toán góc đánh lái dựa trên trọng số khoảng cách của các điểm trung tâm làn đường để duy trì quỹ đạo di chuyển an toàn cho xe.

4. Thuật toán nào được sử dụng để lập kế hoạch quỹ đạo tránh vật cản trên đường đi của xe?
Tác giả sử dụng hệ tọa độ Frenet $(s, d)$ để phân rã chuyển động, sau đó áp dụng phép nội suy bằng đa thức bậc 5 (quintic polynomial) với 6 điều kiện biên (vị trí, vận tốc và gia tốc ở thời điểm bắt đầu và kết thúc) nhằm tạo ra các đường cong tránh vật cản liên tục, mượt mà và khả thi về mặt động học.

5. Cơ cấu đánh lái vật lý trên nền tảng xe golf Ezgo TXT được thi công bằng các thiết bị nào?
Hệ thống chấp hành lái sử dụng bộ động cơ bước lai vòng kín và driver Ezi-SERVO 60L-A-D kết hợp hộp số giảm tốc gắn vào trục lái cơ khí của xe golf. Vị trí góc xoay thực tế được giám sát và phản hồi liên tục bởi cảm biến encoder tuyệt đối Omron E6F-AG5C, dưới sự điều khiển vòng kín của mạch vi điều khiển STM32.

Kết luận

Đồ án tốt nghiệp của sinh viên Phan Văn Hoàng Anh đã hoàn thành toàn diện các mục tiêu đề ra trong việc nghiên cứu, thiết kế và thi công hệ thống điều hướng cho xe tự hành ngoài trời trên nền tảng xe golf điện Ezgo TXT tại khuôn viên HCMUTE. Bằng cách kết hợp linh hoạt giữa định vị vệ tinh chính xác cao GNSS RTK, cảm biến quán tính IMU và hệ thống thị giác máy tính dựa trên các mô hình AI hiện đại (YOLOv11, DepthAnything V2, SegFormer-B0), hệ thống đảm bảo khả năng bám quỹ đạo mượt mà và tránh các chướng ngại vật tĩnh an toàn. Đây là một công trình kỹ thuật có tính ứng dụng cao, cung cấp cấu trúc phần cứng và giải pháp thuật toán hoàn chỉnh làm nền tảng cho các nghiên cứu phát triển phương tiện tự hành tiếp theo trong nước.