CHƯƠNG 1. Lý do chọn đề tài Trong kỷ nguyên số ngày nay, đi kèm theo nhu cầu người dùng thì sự phát triển vượt bậc và đáng ngạc nhiên của các lĩnh vực đều đem lại cho con người những thành tựu giá trị và những rào cản thách thức. Trong đó không thể không nói tới công nghệ AI, đã có rất nhiều sản phẩm đã được ứng dụng triệt để cũng như đang được nghiên cứu phát triển. Và một trong những ứng dụng thành công nhất của AI chính là xe tự hành.
Hòa cùng xu hướng công nghệ, hiện nay ngành ô tô trên toàn thế giới đang không ngừng nghiên cứu và phát triển để cho ra đời những mẫu xe thông minh, không người lái. Bằng việc vận dụng công nghệ AI thay cho con người, mà xe tự hành có thể giúp giảm bớt sức lao động, mang về lợi nhuận kinh tế cao và có thể làm việc trong nhiều điều kiện đặc biệt khác. Trong một bài báo, các tác giả Alexandros Nikitas, Eric Tchouamou Njoya và Samir Dani đã cho rằng “Phương tiện kết nối và tự hành (Connected and autonomous vehicles – CAV) có thể trở thành loại hình phương tiện giao thông có tầm ảnh hưởng mạnh mẽ nhất trong tương lai”. Thế nhưng cho dù trên lý thuyết, CAV có thể tạo ra tác động lớn, góp phần thay đổi mô hình quản lý giao thông, tình hình an toàn giao thông, kinh tế, môi trường, cũng như cơ sở hạ tầng công cộng, thì trên thực tế, công nghệ này sẽ còn phải đối mặt với rất nhiều thách thức phức tạp liên quan đến sự chấp nhận của cộng đồng, sự đồng thuận trong chính ngành phát triển ngành công nghiệp xe hơi, cũng như sự ủng hộ từ phía người tiêu dùng và các cơ quan quản lý xã hội, hoạch định chính sách… trước khi muốn trở thành một tiêu chuẩn mới trong lĩnh vực giao thông vận tải.
Những lợi ích mang lại từ xe tự hành, như là: – Cải thiện tình hình an toàn và phòng chống tai nạn giao thông, cũng như góp phần nâng cao ý thức tham gia giao thông. – Cải thiện tình hình an ninh chung: Đơn giản hóa quy trình giám sát và kiểm soát các loại hình phương tiện giao thông. – Giảm tắc nghẽn giao thông nhờ vào khả năng quản lý lưu lượng giao thông. Đồng thời nâng cao hiệu quả khai thác cơ sở hạ tầng giao thông do các phương tiện di chuyển hiệu quả, có trật tự hơn.
– Tiết kiệm thời gian đáng kể: Mọi người có thể sử dụng khoảng thời gian ngồi 1 trên trên xe để nghỉ ngơi hoặc làm việc cũng như giải trí. – Tiện ích cuộc sống được nâng cao. – Góp phần bảo vệ môi trường: Giúp tiết kiệm nhiên liệu cũng như cắt giảm khí thải nhờ vào khả năng vận hành linh hoạt của công nghệ tự hành. – Giúp thúc đẩy văn hóa chia sẻ phương tiện giao thông, đồng thời tạo điều kiện phát triển giao thông công cộng – Loại bỏ các vấn đề, rào cản đối với người điều khiển phương tiện giao thông như tuổi tác, thể trạng, và kỹ năng trong việc lái xe.
– Tiết kiệm ngân sách đầu tư cho hạ tầng giao thông. – Công nghệ mô phỏng mới giúp cải thiện đáng kể độ an toàn cho xe tự lái. Đứng trên phương diện là sinh viên, nhóm chúng em nhận thấy được xe tự hành đã, đang và sẽ chiếm lĩnh một vị trí quan trọng trong ngành ô tô thời gian tới. Và hiện nay, ngành ô tô Việt Nam ngày càng phát triển mạnh mẽ, là tiềm năng trẻ trong giới ô tô toàn cầu.
Nên chúng em tin vào tương lai của ngành ô tô tự hành Việt Nam. Vì tất cả lý do trên, nên nhóm chúng em quyết định nghiên cứu đề tài “Nghiên cứu, thiết kế và lắp đặt hệ thống điều khiển ứng dụng xử lý ảnh vào xe mini để vận chuyển hàng hóa trong khuôn viên viện”. Mục đích của đề tài Mục đích đề tài là nghiên cứu xây dựng một mô hình xe vận chuyển hàng hóa tự động chạy theo lane và nhận diện biển báo để xe có thể hoạt động trên một khu vực nhất định mà không cần đến sự kiểm soát của con người hỗ trợ chúng ta trong việc vận chuyển hàng hóa một cách tự động. Nghiên cứu về những vấn đề của xử lý ảnh trên lý thuyết và những khó khăn khi áp dụng sang thực tế.
Áp dụng được hệ thống lý thuyết lên mô hình thực tế-mô hình vận chuyển hàng hóa. Đối tượng và phạm vi nghiên cứu 1. Đối tượng nghiên cứu - Về lý thuyết: + Tìm hiểu về ngôn ngữ lập trình Python trong xử lý ảnh. + Nghiên cứu về phương pháp xử lý ảnh theo cạnh (Canny) và theo màu.
+ Nghiên cứu về phương pháp định dạng đường thẳng (Hough Lines). 2 + Nghiên cứu thực hiện và tự phát triển phương pháp định dạng đường thẳng của lane dạng đứt đoạn (lane đường giữa). + Nghiên cứu phương pháp nhận diện khung tròn của biển báo (HoughCircles) + Nghiên cứu phương pháp nhận diện biển báo bằng mạng tích chập CNN. + Nghiên cứu các phương pháp theo dõi đối tượng (CSRT, Meanshift, Optical Flow).
+ Tìm hiểu về hệ điều hành Raspberry Pi Os. - Về mô hình: + Tìm hiểu về Raspberry Pi 3B+. + Ứng dụng hệ thống phần mềm đã phát triển lên mô hình. + Tự phát triển hệ thống cơ khí cho mô hình.
Phạm vi nghiên cứu Đề tài có phạm vi nghiên cứu ở mức độ ứng dụng các thư viện trong OpenCV cũng như một vài khía cạnh nhỏ của DeepLearning để có thể tạo ra hệ thống nhận diện lane đường và biển báo. Chưa đi sâu và DeepLearning được vì vấn đề thời gian nghiên cứu. Phạm vi hoạt động của mô hình cũng hạn chế vì các vấn đề khả năng xử lý của phần cứng cũng như khả năng tối ưu hóa của phần mềm ở mức độ sử dụng các thư viện hỗ trợ. Phân tích đánh giá các hướng nghiên cứu đã có của các tác giả trong và ngoài nước liên quan đến đề tài 1.
Phân tích đánh giá các hướng nghiên cứu đã có của các tác giả ngoài nước liên quan đến đề tài - Với đề tài: “Lane And Road Signs Recognition For Drive Assistance System” do Ahmed Herchi và Abdellatif Mtibaa nghiên cứu đã xác định được lane và biển báo giao thông trên đường khi xe di chuyển. Đề tài đã chỉ cách thức để xác định lane và phương trình để tính toán nhằm giữ xe luôn đi đúng lane đường của nó, đồng thời nêu ra các phương thức để nhận diện biển báo giao thông một cách chính xác nhất. Các bước để xử lý hình ảnh đầu vào, phương pháp lọc nhiễu để tăng độ chính xác khi xử lý đề được trình bày một cách cụ thể. Từ đó tác giả cũng đề xuất ra phương pháp hiệu quả nhất trong việc xác định lane và biển báo giao thông.
3 - Với đề tài: “A Simple Way to Prevent Neural Networks from Overfitting” do Nitish Srivastava, Geofrey Hinton, Alex Krizhevsky, Ilya Sutskever đồng nghiên cứu. Nghiên cứu đã nêu ra một khái niệm mới việc đào tạo học máy là sử dụng mạng Neural networks. Với việc sử dụng nó cho phép chúng ta đào tạo máy học một cách nhanh chóng và dễ dàng hơn, đồng thời độ chính xác cũng được cải thiện rất nhiều do với những phương pháp đào tạo khác. Các phương trình tính toán, cũng như cách thiết lập hệ thống mạng Neural đều được trình bày một cách cụ thể nhất,giúp người đọc có thể hiểu dễ dàng hơn.
- Trong đề tài: “Deep Residual Learing for Image Recognition” do Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun đã trình bày cách thức xây dựng khung hình để dễ dàng đào tạo của mạng sâu hơn so với các mạng được sử dụng hiện nay.Đề tài chỉ ra cách định dạng rõ ràng hơn về các lớp là học các hàm dư với tham chiếu đến các đầu vào của lớp, thay vì học các hàm không được ước tính.Các bằng chứng thực nghiệm cũng được đưa ra để chứng minh cho việc tối ưu hóa và đạt được độ chính xác bằng cách tăng nhiều lớp Neural. Phân tích đánh giá các hướng nghiên cứu đã có của các tác giả trong nước liên quan đến đề tài - Với đề tài: “Phát hiện và nhận dạng biển báo giao thông đường bộ sử dụng đặc trưng HOG và mạng Neural nhân tạo” do Trương Quốc Bảo, Trương Quốc Định thuộc trường đại học Cần Thơ nghiên cứu vào năm 2015. Tác giả đã trình bày thuật toán xử lý ảnh và học máy để tự động phát hiện và nhận diện biển báo giao thông đường bộ sử dụng đặc trưng cục bộ HOG và mạng Nơron nhận tạo. Hệ thống có thể phát hiện và nhận dạng hầu hết các biển báo giao thông như biển cấm, biển báo nguy hiểm, biển hiệu lệnh và biển chỉ dẫn không bị chồng lấp.
Thực nghiệm được tiến hành với 31 video với thời gian trung bình để phát hiện và nhận diện và nhận dạng các biển báo giao thông trên một frame ảnh xấp xỉ 0.021 giây khi sử dụng mô hình phân lớp với mạng Neural nhân tạo và khoảng 0.099 giây khi sử dụng mô hình phân lớp SVM và độ chính xác nhận dạng khoảng 94%. - Luận văn thạc sĩ: “Nghiên cứu về mạng Neural tích chập và ứng dụng cho bài toán nhận dạng biển báo giao thông” của Lê Thị Thu Hằng, Đại Học Công Nghệ Hà Nội 2016 đã giới thiệu khái quát về một số kiểu mạng Neural và đặc điểm của chúng.Trong đó đề tài đã nêu ra được định nghĩa về mạng Neural tích chập một cách cụ thể nhất và cách xây dựng 4 mô hình mạng Neural tích chập, ứng dụng vào việc nhận dạng biển báo giao thông trên đường. - Đồ án tốt nghiệp: “Robot vận chuyển mẫu xét nghiệm trong bệnh viện” của Đinh Việt Hùng và Đặng Thị Huỳnh Như, Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh, 2019 trong đề tải đã mô tả quá trình thu thập và xử lý hình ảnh của lane đường có sẵn trong bệnh viện, giúp robot có thể vận hành một cách tự động trong môi trường đã thiết lập sẵn. Hạn chế của đề tải là robot chỉ có thể tự vận hành trong một môi trường cố định, còn ra những môi trường khác thì không thể vận hành được.
- Đồ án tốt nghiệp: “Ứng dụng xử lý ảnh trong chạy theo lane, nhận diện biển báo và áp dụng lên xe tự hành” của Nguyễn Trung Trực và Lê Minh Hùng, Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh, 2020 trong đề tài đã ứng dụng xử lý ảnh để nhận biết lane và biển báo để điều khiển hoạt động của xe. Hạn chế của đề tải là nhiễu khi xử lý ảnh.