Điều Khiển Mô Hình Drone Bay Bám Theo Đối Tượng

Chuyên khảo phân tích Điều khiển mô hình drone bay bám theo đối tượng, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên cứu tiếp theo.

2022

114
3
0

Phí lưu trữ

35 Point

Mục lục chi tiết

LỜI CẢM ƠN

1. CHƯƠNG 1: TỔNG QUAN ĐỀ TÀI

1.1. Đặt vấn đề

1.2. Nghiên cứu quốc tế

1.3. Nghiên cứu trong nước

1.4. Mục tiêu và yêu cầu của đề tài

1.5. Giới hạn đề tài

1.6. Nhiệm vụ đề tài

1.7. Nội dung đề tài

2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT

2.1. Lý thuyết điều khiển bay

2.1.1. Bộ điều khiển PID

2.2. Tổng quan về xử lý ảnh

2.2.1. Giới thiệu về xử lý ảnh

2.2.2. Các quá trình xử lý ảnh

2.2.3. Phạm vi ứng dụng của xử lý ảnh

2.2.4. Giới thiệu thư viện OpenCV

2.3. Tổng quan về trí tuệ nhân tạo

2.3.1. Trí tuệ nhân tạo (Artificial Intelligence)

2.3.4. Mạng nơ-ron tích chập (Convolution Neural Network)

2.3.4. Phát hiện đối tượng bằng cách sử dụng học sâu

2.3.4.1. Cơ sở CNN phát hiện đối tượng

2.5. Đánh giá mô hình phát hiện đối tượng

2.5.2. Intersection Over Union (IOU)
2.5.3. Precision, Recall và F1-score
2.5.4. Precision-Recall curve và Average precision

2.6. Lập trình Python

3. YÊU CẦU PHẦN CỨNG

3.1. Sơ đồ khối hệ thống

3.2. Thành phần phần cứng

3.2.1. Mô hình máy bay

3.2.2. Hệ thống máy tính nhúng NVIDIA Jetson Nano Developer Kit

4. THUẬT TOÁN ĐIỀU KHIỂN

4.1. Mô hình mạng phát hiện người

4.1.3. Head (phần đầu) – nhận dạng

4.2. Deep Learning platform

4.2.2. Kiến trúc và cách sử dụng tập lệnh

4.4. Thuật toán bay bám theo đối tượng

5. KẾT QUẢ THỰC NGHIỆM, PHÂN TÍCH, TỔNG HỢP

5.1. Quá trình đào tạo dữ liệu

5.1.1. Thu thập dữ liệu

5.1.2. Dán nhãn và làm giàu tập dữ liệu

5.1.3. Tiến hành đào tạo

5.2. Kết quả thực nghiệm

5.2.1. Phát hiện người

5.2.2. Bay bám theo người

6. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN

6.2. Định hướng phát triển

TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về điều khiển drone bám theo đối tượng sử dụng học sâu

Điều khiển drone bám theo đối tượng là một lĩnh vực đang phát triển mạnh mẽ nhờ vào sự tiến bộ của công nghệ học sâu. Các mô hình drone hiện nay có khả năng tự động phát hiện và theo dõi đối tượng, mang lại nhiều ứng dụng thực tiễn trong các lĩnh vực như giám sát, cứu hộ và giải trí. Việc áp dụng học sâu trong điều khiển drone không chỉ giúp cải thiện độ chính xác mà còn nâng cao hiệu suất hoạt động của drone.

1.1. Khái niệm về drone và ứng dụng trong thực tiễn

Drone, hay còn gọi là máy bay không người lái, là thiết bị bay có khả năng tự động hoặc điều khiển từ xa. Chúng được ứng dụng rộng rãi trong nhiều lĩnh vực như nông nghiệp, giám sát an ninh và quay phim. Sự phát triển của công nghệ đã giúp drone trở thành công cụ hữu ích trong việc thực hiện các nhiệm vụ phức tạp.

1.2. Tầm quan trọng của học sâu trong điều khiển drone

Học sâu đóng vai trò quan trọng trong việc phát triển các thuật toán nhận diện và theo dõi đối tượng. Các mô hình học sâu như CNN giúp drone nhận diện và theo dõi đối tượng một cách chính xác, từ đó nâng cao hiệu quả hoạt động của chúng trong các nhiệm vụ thực tế.

II. Thách thức trong việc điều khiển drone bám theo đối tượng

Mặc dù công nghệ điều khiển drone đã phát triển, nhưng vẫn còn nhiều thách thức cần giải quyết. Các vấn đề như độ chính xác trong nhận diện đối tượng, khả năng xử lý dữ liệu thời gian thực và điều kiện môi trường ảnh hưởng đến hiệu suất của drone. Những thách thức này đòi hỏi các giải pháp sáng tạo và hiệu quả.

2.1. Độ chính xác trong nhận diện đối tượng

Độ chính xác trong việc nhận diện đối tượng là một trong những thách thức lớn nhất. Các yếu tố như ánh sáng, góc nhìn và tốc độ di chuyển của đối tượng có thể ảnh hưởng đến khả năng nhận diện của drone. Việc cải thiện độ chính xác này là cần thiết để đảm bảo hiệu quả hoạt động.

2.2. Khả năng xử lý dữ liệu thời gian thực

Drone cần xử lý dữ liệu từ camera và cảm biến trong thời gian thực để thực hiện các nhiệm vụ bám theo đối tượng. Điều này đòi hỏi một hệ thống tính toán mạnh mẽ và hiệu quả, có khả năng xử lý nhanh chóng và chính xác.

III. Phương pháp điều khiển drone bám theo đối tượng bằng học sâu

Để điều khiển drone bám theo đối tượng, các phương pháp học sâu như mạng nơ-ron tích chập (CNN) được áp dụng. Các mô hình này giúp drone nhận diện và theo dõi đối tượng một cách hiệu quả. Việc sử dụng các thuật toán tối ưu hóa cũng góp phần nâng cao hiệu suất điều khiển.

3.1. Sử dụng mạng nơ ron tích chập CNN trong nhận diện đối tượng

Mạng nơ-ron tích chập (CNN) là một trong những công nghệ tiên tiến nhất trong việc nhận diện đối tượng. CNN giúp drone phân tích hình ảnh và nhận diện đối tượng một cách chính xác, từ đó thực hiện các lệnh điều khiển phù hợp.

3.2. Thuật toán tối ưu hóa trong điều khiển drone

Các thuật toán tối ưu hóa như PID (Proportional-Integral-Derivative) được sử dụng để điều khiển drone một cách mượt mà và chính xác. Việc kết hợp giữa học sâu và các thuật toán điều khiển truyền thống giúp nâng cao hiệu suất hoạt động của drone.

IV. Ứng dụng thực tiễn của drone bám theo đối tượng

Drone bám theo đối tượng có nhiều ứng dụng thực tiễn trong các lĩnh vực như giám sát an ninh, cứu hộ và giải trí. Việc sử dụng drone trong các nhiệm vụ này không chỉ giúp tiết kiệm thời gian mà còn nâng cao hiệu quả công việc.

4.1. Ứng dụng trong giám sát an ninh

Drone có khả năng giám sát các khu vực rộng lớn và khó tiếp cận. Chúng có thể được sử dụng để theo dõi các hoạt động đáng ngờ và đảm bảo an ninh cho các sự kiện lớn.

4.2. Ứng dụng trong cứu hộ

Trong các tình huống khẩn cấp, drone có thể được sử dụng để tìm kiếm và cứu hộ người bị nạn. Chúng có khả năng tiếp cận nhanh chóng và cung cấp thông tin kịp thời cho các đội cứu hộ.

V. Kết luận và tương lai của điều khiển drone bám theo đối tượng

Điều khiển drone bám theo đối tượng sử dụng học sâu đang mở ra nhiều cơ hội mới trong các lĩnh vực khác nhau. Tương lai của công nghệ này hứa hẹn sẽ mang lại nhiều cải tiến và ứng dụng mới, giúp nâng cao hiệu quả và độ chính xác trong các nhiệm vụ thực tiễn.

5.1. Xu hướng phát triển công nghệ drone

Công nghệ drone đang phát triển nhanh chóng với nhiều cải tiến về tính năng và hiệu suất. Các nghiên cứu mới sẽ tiếp tục mở rộng khả năng của drone trong việc bám theo đối tượng và thực hiện các nhiệm vụ phức tạp.

5.2. Tác động của học sâu đến tương lai của drone

Học sâu sẽ tiếp tục đóng vai trò quan trọng trong việc phát triển các thuật toán điều khiển drone. Sự kết hợp giữa học sâu và công nghệ drone sẽ tạo ra những bước tiến mới trong việc tự động hóa và nâng cao hiệu quả công việc.

11/07/2025

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan Chương này cung cấp cái nhìn tổng quát về đề tài bao gồm giới thiệu, tình hình nghiên cứu trong nước, ngoài nước, mục tiêu, giới hạn và nội dung đề tài. Chương 2: Cơ sở lý thuyết Chương này cung cấp những kiến thức cơ bản về nguyên lý của drone, bộ điều khiển PID, học sâu, mạng nơ-ron tích chập, các mô hình phát hiện đối tượng. Chương 3: Phần cứng sử dụng Chương này trình bày chi tiết về phần cứng được sử dụng. Chương 4: Thuật toán điều khiển Chương này trình bày mô hình mạng, thuật toán và sơ đồ điều khiển cho bài toán điều khiển bay sử dụng PID và mô hình mạng noron để phát hiện và bám theo đối tượng.

Chương 5: Kết quả thực nghiệm, phân tích và tổng hợp Chương này trình bày kết quả thực nghiệm của đề tài, từ đó đưa ra đánh giá chung về mô hình. Chương 6: Kết luận và hướng phát triển Chương này đưa ra kết luận cũng như ưu điểm và hạn chế của đề tài. Đây cũng là phần đề xuất những ý tưởng mới và định hướng phát triển trong tương lai. Trang 7 ĐỒ ÁN TỐT NGHIỆP CHƯƠNG 2.1 Cơ sở lý thuyết về Drone 2.1 Lý thuyết điều khiển bay Trong đồ án này đề cập đến drone thường gặp gồm bốn động cơ.

Bốn cánh quạt gắn trên bốn động cơ giúp tạo ra lực nâng cho phép drone bay lên khi cánh quạt quay. Nguyên lý hoạt động chính của mô hình này dựa trên sự chuyển động của các dòng khí do cánh máy bay tạo ra làm drone bay lên và sự điều chỉnh tốc độ động cơ sẽ làm thay đổi hướng bay của drone.1 dưới đây mô tả cấu trúc cơ bản của drone.1 Mẫu quadcopter X Các cánh quạt số 1 và 3(CCW) quay ngược chiều kim đồng hồ, trong khi cánh quạt số 3 và 4(CW) quay cùng chiều kim đồng hồ để cân bằng momen xoắn tạo bởi bốn cánh quạt. Tất cả bốn cánh quạt phải tạo ra lực đẩy bằng nhau khi drone cất cánh và hạ cánh (Throttle Up hoặc Throttle Down). Góc Roll được điều khiển bằng cách thay đổi tốc độ giữa cặp cánh bên phải (số 1 và số 4) với cặp cánh bên trái (số 3 và số 2), sao cho tổng lực đẩy tạo ra bởi bốn cánh quạt không thay đổi.

Tương tự, góc Pitch được điều khiển bằng cách thay đổi tốc độ giữa cặp cánh phía trước (số 3 và số 1) với cặp cánh phía sau (số 2 và số 4), trong khi vẫn giữ được tổng lực đẩy. Góc Yaw được điều khiển bằng cách thay đổi tốc độ giữa cặp cánh CCW (số 1 và số 2) với cặp cánh CW (số 3 và số 4), sao cho tổng lực đẩy của bốn cánh vẫn không đổi.2 thể hiện cách hoạt động của drone. Trang 8 ĐỒ ÁN TỐT NGHIỆP Hình 2.2 Cách hoạt động các góc Roll, Pitch, Yaw [4] Mô hình TELLO Drone được sử dụng trong đồ án này.3 Mô hình Tello drone 2.2 Bộ điều khiển PID Bộ điều khiển PID (Proporttional-Intergral-Derivative) [2] là một bộ khiển hồi tiếp được sử dụng trong các cơ chế điều khiển. Bộ điều khiển PID liên tục tính toán giá trị “sai số” là hiệu số giữa giá trị biến đổi và giá trị đặt.

Bộ điều khiển sẽ giảm tối đa sai số bằng cách điều chỉnh giá trị điều khiển đầu vào. Công thức bộ điều khiển PID: Trang 9 ĐỒ ÁN TỐT NGHIỆP t de(t ) (0.e(t )  K i  e( )d ( )  K d 0 dt Trong đó: K p là độ lợi tỷ lệ, giá trị càng lớn thì thời gian đáp ứng càng nhanh tuy nhiên sai số càng lớn. Ki là độ lợi tích phân, giá trị càng lớn kéo theo sai số ổn định bị triệt tiêu càng nhanh, nhưng đổi lại độ vọt lố càng lớn. K d là độ lợi vi phân, giá trị càng lớn càng giảm độ vọt lố, nhưng sẽ làm chậm đáp ứng quá độ và có thể dẫn đến mất ổn định.

t là thời gian tức thời hiện tại.  là biến tích hợp, xác định từ thời điểm 0 đến t.4 Bộ điều khiển PID [2] 2.1 Khâu tỉ lệ (Proportional) Khâu tỉ lệ làm thay đổi giá trị đầu ra, tỉ lệ với giá trị sai số hiện tại. Đáp ứng tỉ lệ có thể được thay đổi bằng cách nhân sai số đó với một hằng số K p , gọi là hằng số tỉ lệ. Trang 10 ĐỒ ÁN TỐT NGHIỆP Hình 2.5 Khâu ti lệ [2] Khâu tỉ lệ được xác định bởi: Pout  K p e(t ) (0.2) Hệ số của khâu tỉ lệ lớn là do thay đổi ở đầu ra lớn mà sai số thay đổi nhỏ.

Nếu hệ số của khâu tỉ lệ quá cao, hệ thống sẽ không ổn định. Ngược lại, hệ số nhỏ là do đáp ứng đầu ra nhỏ trong khi sai số đầu vào lớn, và làm cho bộ điều khiển kém nhạy, hoặc đáp ứng chậm. Nếu hệ số của khâu tỉ lệ quá thấp, tác động điều khiển có thể sẽ quá bé khi đáp ứng với các nhiễu của hệ thống.2 Khâu tích phân (Integral) Khâu tích phân tỉ lệ thuận với cả biên độ sai số và quãng thời gian xảy ra sai số. Tổng sai số tức thời theo thời gian (tích phân sai số) cho ta tích lũy bù đã được hiệu chỉnh trước đó.

Tích lũy sai số này được nhân với độ lợi tích phân và cộng với tín hiệu đầu ra của bộ điều khiển. Biên độ phân phối của khâu tích phân của các tác động điều chỉnh được xác định bởi độ lợi tích phân Ki. Trang 11 ĐỒ ÁN TỐT NGHIỆP Hình 2.6 Khâu tích phân [2] Thừa số tích phân được xác định bởi: t I out  K i  e( )d (0.3) 0 Khâu tích phân (khi cộng thêm khâu tỉ lệ) sẽ tăng tốc bám theo điểm đặt và khử số dư sai số ổn định với một tỉ lệ chỉ phụ thuộc vào bộ điều khiển. Tuy nhiên, vì khâu tích phân là đáp ứng của sai số tích lũy trong quá khứ nên nó có thể khiến giá trị hiện tại vọt lố vượt qua giá trị đặt.3 Khâu vi phân (Derivative) Tốc độ thay đổi của sai số được tính toán bằng cách xác định độ dốc của sai số theo thời gian (gọi là đạo hàm bậc một theo thời gian) và nhân tốc độ này với độ lợi vi phân K d.

Biên độ của phân phối khâu vi phân (đôi khi được gọi là tốc độ) được giới hạn bởi độ lợi vi phân K d. Trang 12 ĐỒ ÁN TỐT NGHIỆP Hình 2.7 Khâu vi phân [2] Thừa số vi phân được xác định bởi: de(t ) Dout  K d (0.4) dt Khâu vi phân làm chậm tốc độ thay đổi đầu ra bộ điều khiển và đạt tới điểm đặt của bộ điều khiển. Từ đó, khâu vi phân được sử dụng để làm giảm độ vọt lố được tạo ra bởi thành phần tích phân và cải thiện độ ổn định của bộ điều khiển. Tuy nhiên, phép vi phân sẽ khuếch đại nhiễu và do đó khâu này sẽ nhạy cảm hơn đối với nhiễu trong sai số, và có thể khiến quá trình không ổn định nếu nhiễu và độ lợi vi phân đủ lớn.2 Tổng quan về xử lý ảnh 2.1 Giới thiệu về xử lý ảnh Xử lý ảnh là lĩnh vực nghiên cứu lớn và là nền tảng của lĩnh vực thị giác máy tính, là quá trình biến đổi từ một ảnh ban đầu sang ảnh khác tùy theo mong muốn của người sử dụng.

Xử lý ảnh bao gồm các quá trình phân tích, thay đổi chất lượng, phân đoạn và phát hiện biên, gán nhãn cho đối tượng để trích xuất và thể hiện các thông tin của bức ảnh. Xử lý ảnh nhằm các mục đích: - Biến đổi ảnh để làm tăng chất lượng ảnh - Nhận dạng ảnh, dự đoán ảnh, đánh giá và trích xuất các thông tin của ảnh. Trang 13 ĐỒ ÁN TỐT NGHIỆP 2.2 Các quá trình xử lý ảnh Về cơ bản, quá trình xử lý ảnh bao gồm các công đoạn sau: Thu nhận ảnh: Đầu tiên, ảnh từ thế giới bên ngoài được thu lại qua các thiết bị quay chụp. Với sự phát triển của công nghệ, chúng ta có thể chụp được ảnh đen trắng hoặc ảnh màu bằng camera kỹ thuật số.

Đây là loại ảnh có thể tiến hành các thao tác hậu kỳ, xử lý ảnh. Các thông số của ảnh như độ phân giải, chất lượng, dung lượng lưu trữ phụ thuộc vào thiết bị quay chụp, điều này cũng ảnh hưởng đến các thao tác xử lý ảnh về sau.8 Quá trình xử lý ảnh Tiền xử lý ảnh: Ở bước này, ảnh sẽ được khôi phục để tăng cường chất lượng, độ tương phản, làm nét ảnh, chuyển về ảnh xám hoặc nhị phân hóa ảnh, khử nhiễu bằng các bộ lọc, co giãn ảnh,. Điều này giúp thể hiện rõ các đặc trưng và thông tin của ảnh để thuận tiện cho các bước xử lý về sau. Phân đoạn ảnh: Đây là bước then chốt trong việc xử lý ảnh, giúp chúng ta phân biệt các đối tượng cần quan tâm với phần còn lại của ảnh.

Bước này sẽ phân tích ảnh để làm nổi bật những thành phần có tính chất hay đặc trưng nào đó dựa theo đường biên hoặc các vùng liên thông. Mỗi đối tượng trong ảnh được gọi là vùng hay miền, đường bao quanh đối tượng gọi là đường biên. Mỗi một vùng ảnh phải có một đặc tính đồng nhất. Biểu diễn và mô tả: kết quả của việc phân đoạn ảnh được cho dưới dạng điểm ảnh thô, trong đó có hàm chứa biên của một vùng ảnh, và tập hợp tất cả các điểm ảnh thuộc về vùng ảnh đó.

Ta có thể biểu diễn một vùng ảnh trong giới hạn đặc điểm bên ngoài nó (đường biên của nó), hoặc trong giới hạn bên trong (những điểm ảnh bên trong bao gồm vùng). Biểu diễn dạng biên cho một vùng phù hợp với những ứng dụng chỉ quan tâm chủ yếu đến các đặc trưng hình dạng bên ngoài đối Trang 14 ĐỒ ÁN TỐT NGHIỆP tượng. Trong khi biểu diễn dạng vùng lại thích hợp cho các ứng dụng khai thác các tính chất bên trong của đối tượng.3 Phạm vi ứng dụng của xử lý ảnh Kỹ thuật xử lý ảnh trước đây chủ yếu được dùng để nâng cao chất lượng hình ảnh. Gần đây, xử lý ảnh ngày càng ứng dụng ở nhiều lĩnh vực, có thể nói không có lĩnh vực khoa học nào mà không sử dụng các thành tựu của công nghệ xử lý ảnh số.

Trong y học, các kỹ thuật xử lý ảnh cho phép biến đổi hình ảnh tạo ra từ tia bức xạ thành hình ảnh quang học được ghi lại bề mặt phim X-quang hay trực tiếp trên bề mặt của màn hình hiển thị.

Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ

Tài liệu "Điều Khiển Drone Bám Theo Đối Tượng Sử Dụng Học Sâu" khám phá các phương pháp tiên tiến trong việc điều khiển drone để theo dõi đối tượng một cách tự động và chính xác. Bằng cách áp dụng các kỹ thuật học sâu, tài liệu này không chỉ cung cấp cái nhìn sâu sắc về cách thức hoạt động của các thuật toán mà còn nêu bật những lợi ích mà công nghệ này mang lại, như khả năng tự động hóa cao và độ chính xác trong việc theo dõi.

Để mở rộng kiến thức của bạn về lĩnh vực này, bạn có thể tham khảo thêm tài liệu Luận án tiến sĩ nghiên cứu phát triển một số kỹ thuật theo bám đối tượng dựa trên kiến trúc mạng siamese, nơi bạn sẽ tìm thấy những nghiên cứu sâu hơn về các kỹ thuật theo dõi đối tượng. Ngoài ra, tài liệu Luận văn thạc sĩ kỹ thuật điện tử ứng dụng xử lý ảnh nhận dạng vật thể theo màu sắc và hình dạng cho robot tay máy cũng sẽ cung cấp cho bạn cái nhìn về cách nhận dạng và theo dõi vật thể trong các ứng dụng robot. Cuối cùng, bạn có thể tìm hiểu thêm về Hcmute ứng dụng xử lý ảnh trong hệ thống tiện nghi trên ô tô, tài liệu này sẽ giúp bạn thấy được ứng dụng của xử lý ảnh trong các lĩnh vực khác nhau, bao gồm cả ô tô.

Những tài liệu này không chỉ giúp bạn hiểu rõ hơn về công nghệ điều khiển drone mà còn mở ra nhiều hướng nghiên cứu và ứng dụng thú vị khác trong lĩnh vực học sâu và xử lý ảnh.