Đồ án: Hệ thống nhận diện biển báo giao thông cho xe tự lái - Bách Khoa HN

Đồ án tốt nghiệp: Xây dựng hệ thống tự động nhận diện biển báo giao thông, ứng dụng cho xe tự lái trong điều kiện khó khăn. Giải pháp tiềm năng cho giao thông thông minh.

Chuyên ngành

Cơ Điện Tử

Người đăng

Ẩn danh

Thể loại

Đồ án tốt nghiệp

2022

76
4
0

Phí lưu trữ

30 Point

Mục lục chi tiết

Lời cảm ơn

Tóm tắt nội dung đồ án

DANH MỤC HÌNH VẼ

DANH MỤC BẢNG BIỂU

DANH SÁCH THUẬT NGỮ

1. CHƯƠNG 1. TỔNG QUAN VỀ XE TỰ LÁI

1.1. Công nghệ xe tự lái và các ứng dụng hiện nay

1.2. Lịch sử phát triển công nghệ ô tô tự lái

1.3. Nguyên lý hoạt động của công nghệ ô tô tự lái

1.4. Các cấp độ của xe tự lái

1.5. Những ứng dụng của AI trong xe tự lái

1.6. Bài toán trích xuất thông tin môi trường trong xe tự lái

1.7. Học máy, học sâu

1.8. Phương pháp huấn luyện các mô hình học sâu

1.9. Overfitting – Quá khớp

1.10. Phân loại các bài toán trong thị giác máy

2. Bài toán phát hiện vật thể (object detection) và các mạng xương sống phổ biến trong mô hình học sâu

2.1. Các mô hình nhận diện vật thể

2.2. Các mạng xương sống(backbone) phổ biến

2.3. Các điều kiện thách thức trong môi trường thực tế

2.4. Biển báo giao thông được quan sát với kích thước nhỏ

2.5. Các điều kiện challenging khác

2.6. Các kĩ thuật xử lí nâng cao hiệu suất cho mô hình

2.7. Chỉnh sửa Anchor box

3. HUẤN LUYỆN MÔ HÌNH NHẬN DIỆN BIỂN BÁO GIAO THÔNG

3.1. Huấn luyện mô hình phát hiện biển báo giao thông

3.2. Chuẩn bị dữ liệu

3.3. Chuyển định dạng dữ liệu

3.4. Huấn luyện mô hình

3.5. Huấn luyện mô hìnb phần loại biển báo giao thông

3.6. Chuẩn bị dữ liệu

3.7. Chuyển định dạng dữ liệu

3.8. Huấn luyện mô hình

3.9. Kết hợp 2 model detector và classifier để được model cuối cùng phát hiện và phân loại biển báo giao thông

3.10. Hướng phát triển của đồ án trong tương lai

TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về Nhận diện Biển báo Giao thông cho Xe Tự lái

Xe tự lái đang thu hút sự quan tâm lớn từ các hãng công nghệ. Một trong những bài toán quan trọng là trích xuất thông tin từ môi trường (Perception). Đồ án tập trung vào bài toán nhận diện biển báo giao thông trên đường, một phần nhỏ của Perception. Hệ thống được xây dựng để nhận diện và phân loại biển báo kích thước nhỏ, áp dụng các kỹ thuật preprocessing để nâng cao hiệu suất mô hình. Xe tự lái (self-driving car) có khả năng cảm nhận môi trường xung quanh và di chuyển an toàn với ít hoặc không có sự can thiệp của con người. Xe tự lái kết hợp các công nghệ như radar, lidar, sonar, định vị GPS, trí tuệ nhân tạo(AI). Hệ thống điều khiển nâng cao phân tích thông tin thu được để xác định đường đi phù hợp, chướng ngại vật và biển báo liên quan. Các cấp độ tự động hóa được áp dụng phổ biến trong hầu hết các mẫu xe hơi của nhiều hãng lớn hiện nay. Các quốc gia dẫn đầu công nghệ thế giới như Mỹ, Đức, Anh, Nhật Bản, Singapore đang đẩy mạnh nhiều chính sách mở cửa cho xe tự hành toàn cầu như ban hành quy định mới, sửa đổi luật giao thông và công nhận sự tồn tại của ô tô không người lái. Để ứng dụng công nghệ ô tô tự lái, các nhà phát triển đã tích hợp công nghệ AI nhằm cung cấp năng lượng, kết hợp lượng lớn dữ liệu từ các hệ thống nhận dạng hình ảnh, máy học và mạng thần kinh. Mạng nơ-ron sẽ xác định các mẫu trong dữ liệu được cung cấp cho thuật toán máy học. Dữ liệu này thường là hình ảnh thu được trên xe tự lái để mạng thần kinh tập xác định đèn giao thông, lề đường, người đi bộ, cây cối, biển báo và các bộ phận khác trong môi trường lái xe.

1.1. Tầm quan trọng của Phát hiện Biển báo trong ADAS Tự động hóa

Phát hiện biển báo giao thông là một yêu cầu thiết yếu cho bất kỳ ứng dụng nào trong các phương tiện thông minh tự trị. Hệ thống hỗ trợ lái xe nâng cao (ADAS) dựa vào thông tin chính xác từ camera nhận diện biển báo để đưa ra quyết định an toàn. Trong đồ án này, tập trung xây dựng mô hình phát hiện các đối tượng giao thông. Dựa trên các bộ dữ liệu hiện có và các mô hình được đào tạo trước, áp dụng thêm các kỹ thuật xử lí dữ liệu để đào tạo mô hình đạt được độ chính xác cao hơn ngay cả đối với dữ liệu thử nghiệm rất thách thức. Nhận diện biển báo giao thông là một trong những bài toán quan trọng và khó trong xe tự lái.

1.2. Các phương pháp Nhận diện Biển báo Giao thông phổ biến hiện nay

Việc định vị và nhận diện đúng các vật thể đóng vai trò quan trọng trong xe tự lái. Hiện nay đã có rất nhiều thuật toán và phương pháp được nghiên cứu và đã đạt độ chính xác rất cao. Các thuật toán phát hiện vật thể tốt nhất hiện nay đều dựa trên công nghệ Deep Learning. Có hai phương pháp tiếp cận chính: Single stage detection framework: sử dụng một mạng đơn duy nhất để đưa ra vị trí và phân loại đối tượng trong hình ảnh. Region proposal detection frameworks sử dụng 2 giai đoạn riêng biệt. Giai đoạn một sẽ đưa ra những vùng mà có xác suất chứa vật thể cao được đề xuất. Giai đoạn 2 phát hiện và phân loại vật thể trong các vùng đề xuất đó.

1.3. Thách thức trong Nhận diện Biển báo Kích thước nhỏ và Môi trường

Mặc dù trong nhiều năm đã có rất nhiều nghiên cứu về bài toán này, tuy nhiên vẫn còn rất nhiều thách thức. Các mô hình nhận diện không ổn định do điều kiện ánh sáng. Ánh sáng thay đổi ảnh hưởng tới màu sắc, các đường biên và độ tương phản của biển báo do đó làm các mô hình trích xuất sai đặc trưng dẫn đến nhận diện nhầm. Các ảnh biển báo chụp bởi camera có thể làm biển bị méo bị biến dạng. Ảnh bị nhòe do Camera chuyển động, dẫn đến các đường biên của biển báo sẽ bị mờ. Các ảnh biển báo trên đường bị che lấp một phần bởi các vật thể khác như cột đèn dẫn đến mô hình khó nhận diện. Các điều kiện thời tiết khắc nghiệt như sương mù, sẽ che lấp tầm nhìn một phần hoặc toàn bộ biển báo.

II. Các Vấn đề và Hạn chế của Nhận diện Biển báo Giao thông

Nhận diện biển báo giao thông là một bài toán phức tạp và có nhiều hạn chế. Độ chính xác và tốc độ nhận diện biển báo giao thông có thể bị ảnh hưởng bởi nhiều yếu tố, bao gồm: Điều kiện ánh sáng, Thời tiết, Góc nhìn camera, Độ phân giải hình ảnh. Các biển báo giao thông có thể bị che khuất bởi các vật thể khác, chẳng hạn như cây cối, xe cộ hoặc người đi bộ. Dataset biển báo giao thông hiện tại vẫn còn hạn chế về số lượng và chất lượng, đặc biệt là đối với các loại biển báo giao thông ít phổ biến. Các thuật toán hiện tại vẫn chưa thể đạt được độ chính xác và tốc độ đủ cao để đáp ứng yêu cầu của xe tự lái.

2.1. Ảnh hưởng của Ánh sáng và Thời tiết đến Độ chính xác

Điều kiện ánh sáng thay đổi ảnh hưởng tới màu sắc, các đường biên và độ tương phản của biển báo do đó làm các mô hình trích xuất sai đặc trưng dẫn đến nhận diện nhầm. Các điều kiện thời tiết khắc nghiệt như sương mù, sẽ che lấp tầm nhìn một phần hoặc toàn bộ biển báo. Khi ánh sáng thay đổi sẽ gây ra nhiễu ảnh hưởng tới khả năng của mô hình.

2.2. Khó khăn khi Biển báo bị Che khuất hoặc Biến dạng hình học

Các ảnh biển báo trên đường bị che lấp một phần bởi các vật thể khác như cột đèn dẫn đến mô hình khó nhận diện. Các ảnh biển báo chụp bởi camera có thể làm biển bị méo bị biến dạng. Biển báo giao thông được quan sát với kích thước nhỏ. Việc quan sát trước, dự đoán trước trên một đoạn đường là rất quan trọng ,điều đó đòi hỏi camera phải trích xuất được các thông tin từ xa, khi đó thông tin của đối tượng nhận về có thể có kích thước rất nhỏ gây khó khăn trong việc phát hiện và phân loại đối tượng.

2.3. Giới hạn của Dataset ảnh hưởng đến Khả năng Học của Mô hình

Các mô hình phần loại vẫn chưa đạt được sự ổn định khi thay đổi môi trường. Độ chính xác nhận diện biển báo không ổn định. Dataset biển báo giao thông hiện tại vẫn còn hạn chế về số lượng và chất lượng, đặc biệt là đối với các loại biển báo giao thông ít phổ biến.

III. Xây dựng Hệ thống Nhận diện Biển báo Giải pháp và Phương pháp

Để xây dựng một hệ thống nhận diện biển báo giao thông hiệu quả, cần kết hợp nhiều phương pháp và kỹ thuật khác nhau. Đầu tiên, cần thu thập và xây dựng một dataset lớn và đa dạng, bao gồm các hình ảnh biển báo giao thông trong nhiều điều kiện khác nhau. Tiếp theo, cần lựa chọn một mô hình học sâu phù hợp và huấn luyện mô hình trên dataset đã thu thập. Cuối cùng, cần triển khai và kiểm tra hệ thống trong môi trường thực tế để đánh giá hiệu quả.

3.1. Thu thập và Gán nhãn Dataset Biển báo Giao thông chất lượng cao

Việc thu thập dữ liệu là bước quan trọng để đảm bảo tính chính xác của mô hình. Cần đảm bảo dataset bao gồm các biến thể khác nhau của biển báo và điều kiện môi trường. Ánh sáng thay đổi ảnh hưởng tới màu sắc, các đường biên và độ tương phản của biển báo do đó làm các mô hình trích xuất sai đặc trưng dẫn đến nhận diện nhầm.

3.2. Lựa chọn Kiến trúc Mạng Nơ ron phù hợp CNN YOLO SSD

Lựa chọn kiến trúc mạng nơ-ron phù hợp là yếu tố then chốt. CNN, YOLO, SSD là những lựa chọn phổ biến, mỗi kiến trúc có ưu điểm riêng về tốc độ và độ chính xác. Hiện nay phương pháp thứ hai có độ chính xác cao hơn nhưng yêu cầu tính toán lại nhiều hơn do đó rất khó ứng dụng trong mô hình tự lái đòi hỏi thời gian thực. Do vậy vừa đảm bảo được việc chính xác cao và chi phí tính toán thấp nên single stage detector thường được sử dụng trong các hệ thống tự lái.

3.3. Tối ưu hóa Thuật toán và Các tham số Huấn luyện Learning Rate

Tối ưu hóa thuật toán và các tham số huấn luyện (learning rate) là yếu tố quan trọng để đạt được hiệu suất tốt nhất. Sử dụng thuật toán Gradient descent để tối ưu hàm mất mát và giảm sai số. Learning rate khởi tạo cao có thể gây ra hiện tượng bùng nổ hàm mất mát (loss exploding). Vì vậy để tránh hiện tượng này, chúng ta nên tăng learning rate một cách tuyến tính từ 0 lên giá trị learning rate sử dụng trong khoảng vài trăm đến vài nghìn iteration đầu khi mới bắt đầu huấn luyện một mô hình.

IV. Ứng dụng Thực tiễn và Kết quả Nghiên cứu về Nhận diện BBGT

Nhiều nghiên cứu đã chứng minh tiềm năng của việc sử dụng học sâu để nhận diện biển báo giao thông. Các hệ thống nhận diện biển báo giao thông đã được triển khai trong một số xe tự lái thử nghiệm và đã cho thấy kết quả khả quan. Các ứng dụng của nhận diện biển báo giao thông bao gồm: Cảnh báo người lái xe về các biển báo giao thông quan trọng, Điều khiển tốc độ xe tự động, Hỗ trợ điều hướng xe tự lái.

4.1. Đánh giá hiệu suất của Hệ thống Độ chính xác và Tốc độ xử lý

Đánh giá hiệu suất là bước quan trọng để xác định khả năng của hệ thống. Độ chính xác và tốc độ xử lý là hai chỉ số chính cần được xem xét. Precision đại diện cho độ tin cậy của mô hình, là tỉ lệ số điểm true positive trong số những điểm được phân loại là positive, cho chúng ta biết độ chính xác của phép dự đoán như tỉ lệ phần trăm các dự đoán đúng. Recall đại diện cho độ nhạy của mô hình, là tỉ lệ số điểm true positive trong số những điểm thực sự là positive, cho ta biết xem có bỏ sót nhiều điểm positive không.

4.2. Phân tích Lỗi và Các trường hợp Nhận diện sai trong Thực tế

Phân tích lỗi và các trường hợp nhận diện sai giúp cải thiện hệ thống. Cần xác định nguyên nhân gây ra lỗi và tìm cách khắc phục. Điều kiện ánh sáng thay đổi ảnh hưởng tới màu sắc, các đường biên và độ tương phản của biển báo do đó làm các mô hình trích xuất sai đặc trưng dẫn đến nhận diện nhầm. Các ảnh biển báo trên đường bị che lấp một phần bởi các vật thể khác như cột đèn dẫn đến mô hình khó nhận diện.

4.3. Thử nghiệm và So sánh với Các phương pháp Nhận diện BBGT khác

Thử nghiệm và so sánh với các phương pháp nhận diện BBGT khác giúp đánh giá khách quan hiệu quả của hệ thống. Cần so sánh độ chính xác, tốc độ xử lý và khả năng hoạt động trong các điều kiện khác nhau. Có nhiều cách để nhận diện đối tượng có thể được sử dụng cũng như trong nhiều lĩnh vực thực tế. Về phần tiếp cận mô hình, thuật toán nhận dạng đối tượng có thể được phân loại thành 2 dạng chính: One-stage và Two-stage Method.

V. Kết luận và Hướng Phát triển Tương lai của Nhận diện BBGT

Nhận diện biển báo giao thông là một lĩnh vực nghiên cứu đầy tiềm năng. Trong tương lai, các hệ thống nhận diện biển báo giao thông sẽ ngày càng trở nên chính xác và hiệu quả hơn. Điều này sẽ góp phần quan trọng vào sự phát triển của xe tự lái và giao thông thông minh.

5.1. Tóm tắt Thành tựu và Thách thức còn tồn đọng trong lĩnh vực

Tóm tắt thành tựu và thách thức còn tồn đọng giúp định hướng nghiên cứu trong tương lai. Cần tập trung vào việc giải quyết các vấn đề về độ chính xác, tốc độ xử lý và khả năng hoạt động trong các điều kiện khác nhau. Các mô hình phần loại vẫn chưa đạt được sự ổn định khi thay đổi môi trường.

5.2. Hướng nghiên cứu mới Kết hợp LiDAR Radar và Xử lý Ngôn ngữ tự nhiên

Kết hợp LiDAR, Radar và xử lý ngôn ngữ tự nhiên là hướng nghiên cứu đầy hứa hẹn. Các cảm biến này cung cấp thông tin bổ sung giúp cải thiện khả năng nhận diện biển báo giao thông. Bên cạnh đó xe tự lái cũng dùng Radar để phát hiện vật thể ở cự ly xa và ước tính vận tốc của vật thể đó. Tuy nhiên nó lại không xác định được hình dạng của vật thể và độ phân giải còn thấp.

5.3. Ảnh hưởng của Nhận diện BBGT đến An toàn và Phát triển Xe Tự lái

Nhận diện BBGT đóng vai trò quan trọng trong việc đảm bảo an toàn và phát triển xe tự lái. Hệ thống nhận diện biển báo giao thông chính xác và hiệu quả sẽ giúp xe tự lái đưa ra quyết định an toàn và di chuyển một cách thông minh. Công nghệ AI trên ô tô được phát triển với mục đích đảm bảo sự an toàn cho người điều khiển xe.

22/09/2025

Trích đoạn nội dung tài liệu

CHƯƠNG 1. TỔNG QUAN VỀ XE TỰ LÁI 1. Công nghệ xe tự lái và các ứng dụng hiện nay Xe tự lái còn gọi là xe tự hành (self-driving car) có khả năng cảm nhận môi trường xung quanh và di chuyển an toàn với ít hoặc không có sự can thiệp của con người.Xe tự lái kết hợp các công nghệ có khả năng cảm biến môi trường xung quanh như radar, lidar, sonar, định vị GPS, trí tuệ nhân tạo(AI),. Hệ thống điều khiển nâng cao sẽ phân tích thông tin thu được để xác định đường đi phù hợp, cũng như chướng ngại vật và biển báo liên quan.

Công nghệ ô tô tự lái đã “chớm nở” từ rất sớm và đạt được nhiều thành tựu nổi bật ở thời điểm hiện tại, hứa hẹn sẽ mang đến triển vọng phát triển cho ngành công nghiệp tự động hóa trong tương lai. Công nghệ ô tô tự lái ngày càng phát triển và trở nên thịnh hành hơn khi thị trường đòi hỏi những đột phá để mở ra kỷ nguyên mới cho ngành công nghiệp tự động hóa.Công nghệ ô tô tự lái ngày càng phát triển SVTH: Hoàng Anh Dũng 1 Đồ án nghiên cứu GVHD:Nguyễn Xuân Hạ 1. Lịch sử phát triển công nghệ ô tô tự lái Năm 1939, trong cuộc triển lãm của General Motors, Norman Bel Geddes đã tạo ra chiếc xe hơi tự lái đầu tiên. Đó là chiếc xe điện từ trường điều khiển bằng sóng vô tuyến tạo thành nhờ các gai kim loại từ hóa được gắn trên đường.

Năm 1977, Nhật Bản đã cải tiến ý tưởng trên bằng cách sử dụng hệ thống camera chuyển dữ liệu đến máy tính để xử lý hình ảnh con đường. Tuy nhiên, chiếc xe này chỉ di chuyển được với tốc độ khoảng 32km/giờ. Sau một thập kỷ, người Đức tiếp tục cho ra đời một phương tiện được trang bị camera có thể tự lái với tốc độ khoảng 90km/giờ. Khi công nghệ này được cải thiện thì khả năng phát hiện và phản ứng với môi trường của xe tự lái cũng tăng theo.

Từ 1950 - 2000, các tính năng an toàn/tiện lợi, đai ghế điều khiển hành trình và Antilock Brakes (Hệ thống chống bó phanh) được khám phá. Trong năm 2000 - 2010, các tính năng tự động hóa, hệ thống kiểm soát hành trình, phát hiện điểm mù, cảnh báo va chạm, chệch làn và phanh chống bó cứng tiếp tục được phát triển. Những tính năng này nhằm đảm bảo sự an toàn và tiện lợi cho người dùng. Giai đoạn từ 2010 - 2016, các khả năng hỗ trợ người lái như: camera chiếu hậu, phanh khẩn cấp tự động và hỗ trợ tập trung vào làn đường đã xuất hiện.

SVTH: Hoàng Anh Dũng 2 Đồ án nghiên cứu GVHD:Nguyễn Xuân Hạ Hình 1-18. Các tính năng trên xe tự hành được hoàn thiện theo thời gian Kể từ năm 2016 đến nay, tính năng của xe tự hành đã dần trở nên tự chủ hơn như: giúp người lái xe đi đúng làn đường, phát triển công nghệ ACC (Adaptive Cruise Control - hệ thống kiểm soát hành trình thích ứng) và khả năng tự đỗ xe. Các chuyên gia dự tính từ nay đến năm 2025 sẽ tập trung nghiên cứu để nâng cấp các tính năng: an toàn tự động một phần, hỗ trợ giữ làn đường, kiểm soát hành trình, tự đỗ xe, hỗ trợ lái khi kẹt xe,. để các phương tiện tự hành hoạt động hiệu quả và an toàn hơn.

Những thành tựu ở thời điểm hiện tại và tiềm năng phát triển trong tương lai của công nghệ ô tô tự lái Bất chấp ảnh hưởng của COVID -19, thị trường xe tự hành vẫn có tiềm năng to lớn và mang lại nhiều lợi ích về kinh tế - xã hội. Theo trang tin Globenewswire, thị trường ô tô tự lái toàn cầu được định giá 20,97 tỷ USD vào năm 2020 và dự kiến đạt 61,93 tỷ USD với tốc độ tăng trưởng kép hàng năm là 22,75%. Các cấp độ tự động hóa được áp dụng phổ biến trong hầu hết các mẫu xe hơi của nhiều hãng lớn hiện nay.2 triệu ô tô tự lái cấp độ 2 được bán ra, con số này tăng 78% so với năm 2019. SVTH: Hoàng Anh Dũng 3 Đồ án nghiên cứu GVHD:Nguyễn Xuân Hạ Hiện nay, xe tự lái đặc biệt được thử nghiệm và sử dụng phổ biến ở California, Arizona, Washington, Texas, Michigan và một số tiểu bang của Hoa Kỳ.

Thị trường xe tự hành đặt ra mục tiêu đạt 37,22 tỷ USD vào năm 2023 với tốc độ CAGR (Compound Annual Growth Rate - tỷ lệ tăng trưởng kép hàng năm) là 16,84%. Các quốc gia dẫn đầu công nghệ thế giới như Mỹ, Đức, Anh, Nhật Bản, Singapore,. đang đẩy mạnh nhiều chính sách mở cửa cho xe tự hành toàn cầu như: ban hành quy định mới, sửa đổi luật giao thông và công nhận sự tồn tại của ô tô không người lái,. Nguyên lý hoạt động của công nghệ ô tô tự lái Để ứng dụng công nghệ ô tô tự lái, các nhà phát triển đã tích hợp công nghệ AI nhằm cung cấp năng lượng, kết hợp lượng lớn dữ liệu từ các hệ thống nhận dạng hình ảnh, máy học và mạng thần kinh.

Mạng nơ-ron sẽ xác định các mẫu trong dữ liệu được cung cấp cho thuật toán máy học. Dữ liệu này thường là hình ảnh thu được trên xe tự lái để mạng thần kinh tập xác định đèn giao thông, lề đường, người đi bộ, cây cối, biển báo và các bộ phận khác trong môi trường lái xe. Hệ thống kiểm soát hành trình của công nghệ ô tô tự lái Các công nghệ trên sẽ kết hợp với tính năng của xe tự hành có sẵn để vận hành như: SVTH: Hoàng Anh Dũng 4 Đồ án nghiên cứu GVHD:Nguyễn Xuân Hạ - Hệ thống kiểm soát hành trình thích ứng (ACC): khi dừng xe sẽ tự động duy trì khoảng cách giữa xe của người lái và phương tiện phía trước. - Tính năng đánh lái tập trung vào làn đường: khi ô tô băng qua vạch kẻ đường, tính năng này sẽ can thiệp bằng cách tự động thúc xe về phía làn đường đối diện.

- Tay lái rảnh: tính năng này cho phép người điều khiển không cần đặt tay vào vô lăng. Cơ quan Quản lý An toàn Giao thông đường cao cấp Hoa Kỳ (NHTSA) phân loại cấp độ xe tự lái khác nhau để xác định mức độ tự chủ của người lái và phương tiện khi vận hành. Cụ thể, có sáu cấp độ xe tự lái từ 0 đến 5 và mỗi cấp độ sẽ thể hiện nhiệm vụ, vai trò khác nhau. Các cấp độ của xe tự lái Tính đến thời điểm hiện tại, thuật ngữ “xe tự lái” đang dần trở nên quen thuộc hơn trong ngành công nghiệp sản xuất ô tô.

Xe tự lái là một lĩnh vực hoàn toàn mới và để áp dụng vào thực tế, chúng ta sẽ cần phải đặt ra những quy chuẩn chung. Hiệp hội Kỹ sư Ô tô (SAE) – tổ chức phát triển các quy định và tiêu chuẩn cho ngành công nghiệp ô tô toàn cầu - đã xây dựng một hệ thống phân loại gồm 6 cấp độ tự lái khác nhau để xác định mức độ tự chủ của phương tiện và người lái khi vận hành. Theo đó, 6 thang đo các cấp độ xe tự lái sẽ bắt đầu từ Cấp độ 0 – tức là không hề có sự trợ giúp nào từ phương tiện – cho đến Cấp độ 5 – khi phương tiện tự chủ hoàn toàn mà không cần đến bất cứ thao tác điều khiển nào đến từ người ngồi sau vô-lăng. SVTH: Hoàng Anh Dũng 5 Đồ án nghiên cứu GVHD:Nguyễn Xuân Hạ Hình 1-20.

Thang đo 6 cấp độ xe tự lái theo phân loại của SAE International 1. Xe tự lái Cấp độ 0 – Không tự động hóa Ở cấp độ này, người lái sẽ hoàn toàn phụ trách việc điều khiển phương tiện, từ đánh lái, tăng tốc, phanh, đỗ xe hay bất cứ hành động nào nhằm điều hướng chiếc xe. Mặc dù vậy, mức độ tự lái này vẫn bao gồm những tính năng như hỗ trợ phanh khẩn cấp, cảnh báo điểm mù hay cảnh báo lệch làn đường. Lý do là vì những công nghệ này không tham gia điều khiển phương tiện mà thay vào đó đưa ra cảnh báo hoặc chỉ dẫn cho chủ phương tiện trong những tình huống cụ thể.

Phần lớn các mẫu xe hơi bán có mặt trên thị trường hiện nay đều là những phương tiện thuộc nhóm này. Xe tự lái Cấp độ 1 – Hỗ trợ người lái Ở cấp độ thấp nhất trong thang phân loại xe ô tô tự lái, người lái phải thực hiện hầu hết các tác vụ cần thiết để điều khiển chiếc xe, kết hợp với một số tính năng nhất định. Những tính năng này sẽ hỗ trợ người lái trong việc điều hướng chiếc xe trong một vài trường hợp cụ thể. Hệ thống kiểm soát hành trình thích ứng – Adaptive Cruise Control (ACC), là một ví dụ tiêu biểu cho xe tự lái Cấp độ 1.

Theo đó, hệ thống này sẽ chọn tốc độ phù hợp cho phương tiện để nó giữ khoảng cách an toàn với các phương tiện di chuyển ở phía trước. SVTH: Hoàng Anh Dũng 6 Đồ án nghiên cứu GVHD:Nguyễn Xuân Hạ Thêm vào đó, tính năng Hỗ trợ giữ làn đường Lane Keeping Assist (LKA) cũng được coi là công nghệ tự động hóa Cấp độ 1. Hệ thống kiểm soát hành trình thích ứng AAC được coi là công nghệ xe tự hành Cấp độ 1 Khác với tính năng cảnh báo lệch làn đường, hỗ trợ giữ làn đường sẽ tự điều khiển phương tiện để đảm báo chiếc xe đi theo đúng làn đường nhất định. Một phương tiện với cả hệ thống kiểm soát hành trình thích ứng và hỗ trợ giữ làn đường sẽ đủ điều kiện để xếp hạng xe tự lái Cấp độ 2.

Xe tự lái Cấp độ 2 – Tự hành một phần dưới sự giám sát của tài xế Ở cấp độ tự lái này, chiếc xe không chỉ có một hệ thống hỗ trợ người lái duy nhất, mà sở hữu nhiều hệ thống Hỗ trợ người lái nâng cao - Advanced Driver Assistance Systems (ADAS) đã được lập trình từ trước giúp phương tiện tự đánh lái, tăng tốc và phanh trong những tình huống phức tạp. Nhưng mặc dù chiếc xe có thể tự đánh lái hay phanh, tài xế vẫn được yêu cầu phải chủ động tham gia vào quá trình điều khiển phương tiện, đặc biệt là phải để 2 tay lên vô lăng cũng như theo dõi hướng di chuyển của phương tiện. SVTH: Hoàng Anh Dũng 7 Đồ án nghiên cứu GVHD:Nguyễn Xuân Hạ Cấp độ 2 thường được gọi là tự lái một phần và nhiều mẫu xe từng được giới thiệu tại thị trường Mỹ và châu Âu trong năm 2020 vừa qua đều có thể xếp vào cấp độ này.

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