Bối cảnh và vấn đề nghiên cứu

Khóa luận tốt nghiệp "Định vị cho robot di động ngoài trời dùng giải thuật xử lý ảnh" được thực hiện bởi sinh viên Trương Chánh Trực (MSSV: 11151210) và Nguyễn Trần Hoàng Vũ (MSSV: 11151189), dưới sự hướng dẫn của TS. Lê Mỹ Hà, thuộc Bộ môn Điều khiển Tự động, Khoa Đào tạo Chất lượng cao, Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh (khóa học 2011 – 2015, bảo vệ tháng 7/2015). Công trình thuộc ngành Công nghệ Kỹ thuật Điều khiển và Tự động hóa, tập trung giải quyết bài toán định vị và khôi phục quỹ đạo di chuyển cho thiết bị tự hành trong môi trường ngoài trời bằng dữ liệu thị giác máy tính.

Trong kỹ thuật robot di động, các phương pháp định vị cổ điển chủ yếu sử dụng các cảm biến quán tính, đo cự ly hoặc gia tốc kế. Tuy nhiên, sai số tích lũy cơ học và trôi dạt dữ liệu theo thời gian khiến các phép đo thuần cảm biến không thể giải quyết triệt để yêu cầu xác định vị trí chính xác. Các phương thức hỗ trợ khác như hệ thống định vị toàn cầu GPS lại bộc lộ hạn chế lớn: độ chính xác không cao với sai số dao động từ vài mét đến vài chục mét, chỉ thích hợp cho phạm vi không gian lớn và không hỗ trợ phát hiện vật cản gần. Đối với thiết bị thu nhận chiều sâu như cảm biến Kinect (tích hợp camera RGB và camera hồng ngoại IR), phạm vi hoạt động bị giới hạn và dễ bị nhiễu dưới ánh sáng mặt trời tự nhiên. Môi trường ngoài trời có địa hình gồ ghề, quy mô mở rộng và điều kiện ánh sáng biến thiên phức tạp hơn nhiều so với môi trường trong nhà, đòi hỏi robot phải có khả năng tương tác trực tiếp với không gian xung quanh qua hình ảnh trực quan.

Mục tiêu nghiên cứu của đề tài được xác định cụ thể:

  1. Nghiên cứu phương pháp định vị robot di động dựa vào giải thuật cấu trúc từ chuyển động (Structure from Motion - SFM), chỉ sử dụng dữ liệu chuỗi ảnh 2D thu nhận từ camera gắn trên thiết bị di chuyển.
  2. Ước lượng vị trí và góc quay của camera trong quá trình di chuyển để tính toán tọa độ và hướng di chuyển của robot trong không gian làm việc.

Khách thể và đối tượng nghiên cứu:

  • Khách thể nghiên cứu: Các thuật toán thị giác máy tính bao gồm giải thuật trích xuất đặc trưng SIFT, giải thuật loại trừ điểm ngoại lai RANSAC, phương pháp cân chỉnh ma trận thông số nội camera, và giải thuật tối ưu phi tuyến để tái cấu trúc không gian đám mây điểm 3D.
  • Đối tượng nghiên cứu: Tập dữ liệu chuỗi ảnh 2D tuần tự được ghi nhận từ camera gắn trên thiết bị di chuyển trên mặt đất.

Phạm vi và nhiệm vụ nghiên cứu:

  • Nhiệm vụ nghiên cứu:
    1. Tìm hiểu lý thuyết về lập bản đồ và định vị robot (SLAM/SFM).
    2. Tìm hiểu các phép toán xử lý ảnh, trích chọn đặc trưng và loại bỏ đặc trưng yếu hoặc sai.
    3. Nghiên cứu và hiện thực thuật toán trích xuất đặc trưng SIFT.
    4. Ứng dụng thuật toán RANSAC loại bỏ các liên kết sai giữa các khung hình liên tiếp.
    5. Xây dựng thuật toán tối ưu tái cấu trúc 3D, lập bản đồ đám mây điểm, xác định vị trí và góc quay camera.
  • Phạm vi nghiên cứu: Thử nghiệm thu thập dữ liệu bằng hệ thống camera lắp đặt trên phương tiện có người lái (xe máy) di chuyển ngoài trời trong khuôn viên Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh, kết hợp kiểm chứng trên tập dữ liệu ảnh chuẩn gồm 372 ảnh được công bố trên Internet.

Cơ sở lý thuyết và phương pháp

Phương pháp nghiên cứu của đề tài kết hợp giữa khảo sát lý thuyết các mô hình thị giác hình học, mô phỏng thuật toán trên phần mềm và kiểm chứng thực nghiệm bằng hệ thống phần cứng thực tế.

Khung lý thuyết của đề tài dựa trên hình học đa góc nhìn (Multiple View Geometry), bao gồm các thành phần cốt lõi:

  1. Trích chọn đặc trưng cục bộ (Local Feature Selection): Tác giả phân tích và so sánh bốn kỹ thuật nhận dạng đặc trưng: Harris corner, Harris Laplace, SURF và SIFT. SIFT được lựa chọn làm giải thuật trọng tâm nhờ tính bất biến vượt trội đối với phép quay, biến đổi tỉ lệ (co giãn ảnh), nhiễu và độ chiếu sáng.
Phương pháp trích đặc trưng Nguyên lý phát hiện Khả năng bất biến tỷ lệ Khả năng bất biến Affine Đặc điểm tính toán
Harris corner Dựa trên hàm tương quan tự động cục bộ, phát hiện điểm góc Không hỗ trợ Rất hạn chế Tính toán nhanh, nhạy với nhiễu
Harris Laplace Kết hợp hàm Harris với Laplace of Gaussian (LoG) tìm cực trị Có hỗ trợ tỷ lệ tự động Hạn chế Tốc độ trung bình
SURF Dùng tích phân ảnh (Integral Image) và xấp xỉ Haar-Wavelet 2D Có hỗ trợ Tốt Nhanh hơn SIFT, vector 64 chiều
SIFT Tìm cực trị không gian tỷ lệ qua Difference of Gaussians (DoG) Bất biến hoàn toàn tỷ lệ Bất biến xoay và Affine Độ chính xác cao, vector 128 chiều
  1. Mô hình camera lỗ kim (Pin-hole Camera Model): Mối quan hệ hình học giữa điểm không gian 3D $M_w$ trong hệ tọa độ thế giới thực và điểm ảnh $m(x, y)$ trên mặt phẳng ảnh được biểu diễn qua ma trận chiếu phối cảnh $P$: $$m' = A [R \mid t] M'_w$$ Trong đó:
  • $M'_w = [X, Y, Z, 1]^T$ là tọa độ thuần nhất trong không gian thế giới.
  • $[R \mid t]$ là ma trận thông số ngoại (Extrinsic), gồm ma trận quay $R$ kích thước $3 \times 3$ và vector tịnh tiến $t = [t_x, t_y, t_z]^T$.
  • $A$ là ma trận thông số nội (Intrinsic) kích thước $3 \times 3$: $$A = \begin{bmatrix} \alpha & \gamma & u_0 \ 0 & \beta & v_0 \ 0 & 0 & 1 \end{bmatrix}$$ Với $\alpha, \beta$ là tỉ lệ tiêu cự dọc theo hai trục ảnh, $u_0, v_0$ là tọa độ điểm chính (quang tâm trên ảnh), và $\gamma$ là hệ số méo trục.
  1. Hình học Epipolar, Ma trận cơ bản và Ma trận thiết yếu:
  • Mối liên hệ giữa hai điểm ảnh tương ứng $x$ và $x'$ từ hai góc chụp liên tiếp thỏa mãn phương trình epipolar: $x'^T F x = 0$, với $F$ là ma trận cơ bản (Fundamental matrix) cấp $3 \times 3$ có hạng 2.
  • Ma trận thiết yếu (Essential matrix) $E$ được chuẩn hóa qua ma trận thông số nội $K$: $E = K^T F K$.
  • Phân tích suy biến giá trị đơn lẻ (SVD) của $E = U \cdot \text{diag}(1, 1, 0) \cdot V^T$ cho ra 4 cặp nghiệm khả dĩ của $[R \mid t]$. Nghiệm duy nhất đúng được xác định bằng điều kiện điểm tái tạo 3D phải nằm phía trước cả hai vị trí camera (chiều sâu dương).

  1. Giải thuật 8 điểm kết hợp RANSAC: Để ước lượng ma trận $F$ và loại bỏ các cặp điểm tương đồng sai (outliers), thuật toán chọn ngẫu nhiên tập tối thiểu 8 cặp điểm để tính toán $F$ và $E$, kiểm tra số lượng điểm nội biên (inliers) thỏa mãn ngưỡng sai số, lặp lại để tìm ma trận tối ưu có lượng inlier lớn nhất trước khi lọc sạch dữ liệu.

  2. Giải thuật tối ưu vị trí (Reprojection Error Minimization): Sau khi xác định cấu trúc ban đầu từ hai khung hình đầu tiên, vị trí của camera ở các khung hình thứ ba trở đi được giải quyết bằng bài toán tối ưu phi tuyến, cực tiểu hóa sai số chiếu lại giữa điểm quan sát trên ảnh $x_i$ và hình chiếu của điểm 3D tương ứng $X_i$: $$\min_{R, t} \sum_{i=1}^N | x_i - \pi(X_i; R, t) |^2$$

Thiết kế và thực nghiệm hệ thống

Phần cứng thu thập dữ liệu phục vụ nghiên cứu gồm hai cấu hình: hệ thống camera đơn (Monocular camera) và hệ thống camera lập thể (Stereo camera), được gắn cố định trên xe máy thử nghiệm để chạy trong khuôn viên trường.

1. Quy trình cân chỉnh camera (Camera Calibration)

Quá trình tìm thông số nội được thực hiện thông qua công cụ Calibrator trên nền tảng MATLAB bằng bàn cờ mẫu chuẩn (Chessboard):

  • Thu nhận các ảnh chụp bàn cờ ở nhiều góc độ và khoảng cách khác nhau (yêu cầu trên 10 cặp hình, góc nghiêng bàn cờ không vượt quá 45° so với mặt phẳng camera).
  • Chuẩn hóa tọa độ, tính toán ma trận Homography $H$ qua tối ưu Levenberg-Marquardt, trích xuất ma trận tham số $B$, từ đó xác định ma trận thông số nội $A$ và các hệ số méo xuyên tâm $k_1, k_2$.
  • Tiêu chuẩn chấp nhận kết quả cân chỉnh: sai số chiếu lại trung bình (Reprojection Error) phải nhỏ hơn 1 pixel. Ma trận thông số nội của hệ thống camera thực nghiệm được xác định thành công trên file dữ liệu calibrationSession.

2. Quy trình xử lý chuỗi ảnh và khôi phục quỹ đạo

Thuật toán vận hành theo quy trình khép kín:

  • Tiền xử lý và tạo không gian tỷ lệ: Phóng đại kích thước ảnh lên 2 lần, thực hiện lọc Gaussian đa mức độ lệch chuẩn $\sigma$ và tính toán các ảnh vi phân Gaussian (DoG).
  • Phát hiện và tinh lọc điểm SIFT: Tìm cực trị cục bộ trong lân cận $3 \times 3 \times 3$ (so sánh mỗi pixel với 26 điểm lân cận). Điểm cực trị được hiệu chỉnh vị trí bằng khai triển Taylor bậc 2, sau đó loại bỏ các điểm có độ tương phản thấp và các điểm nằm trên đường biên dựa trên vết và định thức của ma trận Hessian $2 \times 2$.
  • Gán hướng và mô tả vector: Xây dựng biểu đồ phân bố gradient 36 mức (mỗi mức 10°). Điểm đặc trưng được biểu diễn bằng vector 128 chiều trích xuất từ 16 ô lân cận (mỗi ô $4 \times 4$ với 8 hướng gradient).
  • Đối sánh cặp điểm: So khớp vector đặc trưng giữa hai khung hình liên tiếp bằng khoảng cách Euclid ($L_2$ norm), kết hợp thuật toán cây tìm kiếm K-D để giảm tải thời gian tính toán.
  • Tái tạo 3D và định vị: Áp dụng thuật toán 8 điểm - RANSAC để tính ma trận $F$, ma trận $E$, giải giải thuật SVD tìm tư thế tương đối $[R \mid t]$ của hai khung hình đầu, sau đó lặp bài toán cực tiểu sai số chiếu lại cho các khung hình tiếp theo để định vị vị trí tọa độ $(x, z)$ trên mặt phẳng chuyển động 2D.

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 khái quát lịch sử và thực trạng các giải pháp định vị robot di động ngoài trời. Tác giả phân tích chi tiết ưu điểm và khuyết điểm của các phương pháp hiện hành:

  • Phương pháp cảm biến truyền thống (đo khoảng cách, gia tốc kế) luôn tồn tại sai số tích lũy không thể loại bỏ hoàn toàn.
  • Phương pháp định vị GPS có sai số từ vài mét đến hàng chục mét, chỉ dùng được cho bản đồ vĩ mô và không phát hiện được vật cản gần (dẫn chứng nghiên cứu của Nguyễn Minh Thức).
  • Thiết bị Kinect bị giới hạn khoảng cách và phụ thuộc vào cảm biến hồng ngoại.
  • Tác giả tổng thuật các nghiên cứu trong và ngoài nước sử dụng stereo camera trên xe lăn [2], kết hợp stereo camera với GPS [3], và mô hình định vị/lập bản đồ mức đối tượng 3D [4]. Trên cơ sở đó, chương 1 xác định mục tiêu sử dụng thuật toán SFM với camera đơn để nhận biết vị trí mà không cần bản đồ môi trường cho trước.

Chương 2: Xây dựng đám mây điểm trong không gian 3D và định vị robot

Chương 2 trình bày toàn bộ cơ sở toán học và thuật toán xử lý ảnh:

  • Khảo sát các bộ trích chọn đặc trưng Harris, Harris Laplace, SURF và SIFT; khẳng định tính ưu việt của SIFT trong việc bảo toàn đặc trưng qua biến đổi affine và xoay ảnh.
  • Chi tiết các bước thuật toán SIFT: tính ảnh làm mịn Gaussian $L(x, y, \sigma)$, xây dựng vi phân DoG $D(x, y, \sigma)$, so sánh 26 điểm lân cận để tìm cực trị, khai triển Taylor loại điểm tương phản thấp, sử dụng ma trận Hessian 2x2 để triệt tiêu điểm viền biên, tính biểu đồ hướng Gradient 36 mức và trích xuất vector mô tả $4 \times 4 \times 8 = 128$ phần tử.
  • Thiết lập mô hình quang học Pin-hole, thiết lập quan hệ giữa tọa độ điểm ảnh và tọa độ thực tế 3D qua 5 thông số nội và 12 thông số ngoại.
  • Trình bày thuật toán RANSAC tổng quát và minh họa bài toán khớp đường thẳng thực nghiệm với điều kiện 90% điểm đạt khoảng cách sai số $k \le 0.1$.
  • Thiết lập hình học Epipolar, quan hệ giữa mặt phẳng epipolar, ma trận cơ bản $F$, ma trận thiết yếu $E$ và thuật toán SVD giải 4 nghiệm tư thế camera.
  • Đề xuất thuật toán 8 điểm kết hợp RANSAC và hàm mục tiêu phi tuyến tối ưu hóa vị trí camera cho chuỗi khung hình liên tiếp.
  • Giới thiệu bổ sung nguyên lý camera lập thể (Stereo camera): các bộ lọc $5 \times 5$ (Blob detector, Corner detector), kỹ thuật đối sánh vòng (Circular matching) qua 4 ảnh và công thức tính chiều sâu $Z = f \cdot \frac{b}{d}$ từ độ sai lệch $d = x_r - x_l$.

Chương 3: Thực nghiệm định vị trí thiết bị di chuyển

Chương 3 ghi nhận toàn bộ quá trình triển khai thực tế và kết quả đo đạc:

  • Quy trình cân chỉnh camera trên MATLAB qua bàn cờ mẫu: xác định ma trận chuẩn hóa $N$, homography $H$, giải nghiệm Levenberg-Marquardt để xuất file tham số nội calibrationSession.
  • Kết quả xử lý SIFT trên ảnh thực tế: từ cấp đầu tiên của ảnh DoG qua lọc 26 điểm lân cận ban đầu thu được 982 điểm đặc trưng; sau bước lọc điểm tương phản thấp giảm còn 498 điểm; tiếp tục lọc qua Hessian thu được tập điểm đặc trưng chất lượng cao.
  • Kiểm thử thuật toán đối sánh cặp điểm theo khoảng cách Euclid cực tiểu: minh chứng khả năng loại bỏ các liên kết chéo sai sau khi áp dụng bộ lọc RANSAC.
  • Thực nghiệm 1 (Dữ liệu mô phỏng Internet): Chạy giải thuật trên tập 372 ảnh, ước lượng thành công ma trận cơ bản $F$, ma trận thiết yếu $E$, tính ma trận phép chiếu $P_2$, và vẽ đồ thị quỹ đạo dịch chuyển không gian trên tọa độ $P(1, 4)$ và $P(3, 4)$.
  • Thực nghiệm 2 (Dữ liệu thực tế ngoài trời): Hệ thống camera đơn gắn trên xe máy thu nhận 1051 khung hình kích thước $1280 \times 720$ pixel khi di chuyển theo một lộ trình khép kín trong khuôn viên trường. Kết quả cho thấy mỗi khung hình trích xuất khoảng 7000 điểm đặc trưng, tỷ lệ tương đồng giữa các cặp khung hình đạt từ 70% đến 93%. Đám mây điểm 3D được tái tạo dày đặc và quỹ đạo dịch chuyển của phương tiện khôi phục được dạng vòng khép kín trùng khớp với đường đi thực tế.
  • Thử nghiệm trên hệ thống Stereo camera: Gặp khó khăn trong quá trình đồng bộ và cân chỉnh hệ thống nên kết quả chưa đạt độ chính xác mong muốn.

Chương 4: Kết luận

Chương 4 đúc kết các kết quả đạt được của đồ án tốt nghiệp: hoàn thiện cơ sở lý thuyết về thị giác máy tính trong định vị robot, xây dựng thành công giải thuật trích xuất SIFT kết hợp RANSAC và tối ưu hóa ma trận camera, thực nghiệm thành công trên chuỗi 1051 ảnh với camera đơn. Đồng thời, chương 4 ghi nhận những hạn chế về năng lực tính toán phần cứng và định hướng mở rộng nghiên cứu.

Kết quả và đóng góp

Đồ án đã đạt được các kết quả thực nghiệm với các số liệu kỹ thuật cụ thể được ghi nhận trong văn bản:

Hạng mục thực nghiệm Thông số / Kết quả đo đạc thực tế
Số lượng điểm đặc trưng SIFT ban đầu 982 điểm (tìm kiếm trên 26 điểm lân cận không gian tỷ lệ DoG)
Số lượng điểm sau khi lọc tương phản thấp 498 điểm (đã loại bỏ các điểm yếu dưới ngưỡng)
Tiêu chuẩn sai số cân chỉnh camera Reprojection error $< 1$ pixel trên giao diện Calibrator
Tập dữ liệu kiểm chứng Internet 372 khung hình, dựng thành công quỹ đạo chuyển động 2D
Tập dữ liệu thực tế tại khuôn viên trường 1051 khung hình, độ phân giải $1280 \times 720$ pixel
Mật độ đặc trưng trích xuất mỗi frame Khoảng 7000 điểm đặc trưng / frame
Độ tương đồng giữa các cặp khung hình Đạt từ 70% đến 93%
Độ khép kín của quỹ đạo thực tế Quỹ đạo 1 vòng khép kín được tái tạo gần như hoàn chỉnh

Các giải pháp và đóng góp tác giả tự nêu:

  1. Đề xuất quy trình định vị thiết bị di chuyển ngoài trời sử dụng camera thị giác đơn lẻ mà không cần trang bị các cảm biến phần cứng phụ trợ đắt tiền hoặc dựa dẫm vào tín hiệu GPS.
  2. Ứng dụng thành công giải thuật 8 điểm kết hợp RANSAC để loại bỏ triệt để các cặp điểm tương đồng sai phát sinh do rung lắc và thay đổi ánh sáng ngoại cảnh.
  3. Hiện thực hóa việc tái tạo không gian làm việc dưới dạng đám mây điểm 3D song song với quá trình ước lượng quỹ đạo chuyển động thực tế của phương tiện di chuyển có người lái.

Hạn chế và hướng nghiên cứu tiếp

Các hạn chế được văn bản đề cập trực tiếp:

  • Hệ thống Stereo camera chưa đạt yêu cầu: Kết quả thử nghiệm trên hệ thống camera lập thể chưa chính xác do nhóm tác giả gặp nhiều khó khăn trong thao tác cơ khí và cân chỉnh đồng bộ quang học giữa hai camera.
  • Hạn chế về tài nguyên xử lý tính toán: Độ dày đặc của đám mây điểm 3D bị giới hạn, chưa thể nâng cao mật độ điểm hơn nữa do cấu hình máy tính thực nghiệm không đủ mạnh để xử lý khối lượng phép toán tối ưu hóa phi tuyến lớn trong thời gian thực.

Hướng nghiên cứu tiếp theo:

  • Tối ưu hóa tốc độ thực thi của giải thuật trích xuất đặc trưng và bài toán tối ưu phi tuyến để nâng cao tần số xử lý khung hình.
  • Hoàn thiện kỹ thuật cân chỉnh cơ khí và đồng bộ tín hiệu cho hệ thống stereo camera nhằm khai thác thông tin độ sâu trực tiếp mà không phụ thuộc hoàn toàn vào chuyển động tịnh tiến của camera đơn.

Giá trị tham khảo

Khóa luận tốt nghiệp là tài liệu tham khảo có giá trị học thuật và kỹ thuật thực hành rõ ràng cho các nhóm đối tượng:

  • Sinh viên ngành Kỹ thuật Điều khiển và Tự động hóa, Cơ điện tử, Robot học và Công nghệ Thông tin: Tài liệu hữu ích cho những người đang nghiên cứu đồ án, khóa luận hoặc đề tài nghiên cứu khoa học liên quan đến định vị thị giác (Visual Odometry), cấu trúc từ chuyển động (SFM) và hệ thống xe tự hành (AGV/Mobile Robot).
  • Kỹ sư thị giác máy tính và lập trình nhúng: Phần tài liệu đáng tham khảo nhất là Chương 2 và Chương 3, đặc biệt là quy trình từng bước trích lọc điểm đặc trưng SIFT (từ DoG, ma trận Hessian đến vector 128 chiều), cách kết hợp giải thuật 8 điểm với RANSAC để ước lượng ma trận cơ bản $F$, ma trận thiết yếu $E$, và quy trình cân chỉnh camera bằng bàn cờ mẫu trên MATLAB.

Câu hỏi thường gặp

1. Tại sao nhóm tác giả lựa chọn giải thuật SIFT thay vì Harris corner hay SURF?

Theo phân tích tại mục 2.1 của khóa luận, Harris corner không có khả năng chống chịu sự thay đổi về tỷ lệ (co giãn ảnh) và phép biến đổi affine. Mặc dù SURF có tốc độ tính toán nhanh hơn nhờ xấp xỉ ma trận Hessian và ảnh tích phân, thuật toán SIFT (theo các nghiên cứu của David G. Lowe) vẫn cung cấp số lượng điểm đặc trưng chất lượng cao, tính ổn định và tính bất biến gần như tuyệt đối trước các biến đổi hình học, phép quay và sự thay đổi độ sáng trong môi trường thực tế.

2. Tiêu chí nào được dùng để đánh giá độ chính xác của quá trình cân chỉnh camera?

Theo mục 3.1, độ chính xác của phép cân chỉnh được đánh giá qua sai số chiếu lại (Reprojection errors) – tức khoảng cách tính bằng đơn vị pixel giữa điểm đặc trưng nhận dạng được trên ảnh và điểm chiếu lại từ hệ tọa độ bàn cờ. Quy tắc kỹ thuật được áp dụng trong đồ án là sai số chiếu lại trung bình phải đạt giá trị nhỏ hơn 1 pixel.

3. Tập dữ liệu thực nghiệm ngoài trời tại trường có quy mô và thông số như thế nào?

Thực nghiệm ngoài trời được tiến hành bằng cách gắn camera lên xe máy chạy một vòng khép kín trong khuôn viên Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh. Dữ liệu thu thập gồm 1051 khung hình với độ phân giải chuẩn $1280 \times 720$ pixel. Mỗi khung hình phát hiện được khoảng 7000 điểm đặc trưng với độ tương đồng giữa các khung hình liên tiếp đạt từ 70% đến 93%.

4. Thuật toán RANSAC đóng vai trò gì trong việc xác định ma trận hình học Epipolar?

Trong quá trình di chuyển ngoài trời, sự thay đổi khung cảnh và nhiễu ảnh tạo ra nhiều cặp điểm tương đồng sai. Nếu dùng toàn bộ các cặp điểm này, việc tính toán ma trận cơ bản $F$ và ma trận thiết yếu $E$ sẽ bị sai lệch nghiêm trọng. Thuật toán RANSAC lấy mẫu ngẫu nhiên tối thiểu 8 cặp điểm, tính toán ma trận và đếm số lượng điểm thỏa mãn ngưỡng sai số (inliers). Ma trận có số điểm inlier lớn nhất sẽ được chọn, giúp loại bỏ hoàn toàn các điểm ngoại lai (outliers).

5. Nguyên nhân nào khiến thử nghiệm trên hệ thống Stereo camera chưa đạt kết quả chính xác?

Văn bản nêu rõ nguyên nhân hệ thống stereo camera chưa đạt kết quả chính xác xuất phát từ những khó khăn trong việc cân chỉnh đồng bộ hệ thống camera (camera calibration). Việc căn chỉnh cơ khí giữa hai camera, góc nghiêng tương đối và tìm kiếm thông số nội/ngoại chuẩn xác giữa hai mắt camera phức tạp hơn nhiều so với việc cân chỉnh một camera đơn lẻ.

Kết luận

Khóa luận tốt nghiệp của sinh viên Trương Chánh Trực và Nguyễn Trần Hoàng Vũ đã giải quyết thành công bài toán định vị robot di động ngoài trời bằng phương pháp thị giác máy tính với camera đơn. Công trình đã làm chủ quy trình toán học từ trích xuất đặc trưng SIFT, lọc nhiễu qua RANSAC, đến ước lượng ma trận tư thế và tối ưu hóa sai số chiếu lại. Kết quả thực nghiệm trên 1051 khung hình thực tế tại khuôn viên trường đã tái tạo thành công đám mây điểm 3D và quỹ đạo vòng khép kín của phương tiện di chuyển, đặt nền móng kỹ thuật quan trọng cho các ứng dụng tự hành tiếp theo trong ngành Công nghệ Kỹ thuật Điều khiển và Tự động hóa.