Tổng quan luận án

Luận án tiến sĩ "Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành" do nghiên cứu sinh Quách Hải Thọ thực hiện dưới sự hướng dẫn khoa học của TS. Huỳnh Công Pháp và TS. Phạm Anh Phương, thuộc ngành Hệ thống Thông tin (mã ngành: 9480104) tại Trường Đại học Sư phạm – Đại học Đà Nẵng (năm bảo vệ: 2022).

Trong bối cảnh cuộc Cách mạng công nghiệp 4.0 và sự phát triển của công nghệ cảm biến, Internet vạn vật (IoT), robotics, dữ liệu lớn và trí tuệ nhân tạo, xe tự hành trở thành lĩnh vực nghiên cứu đa ngành thu hút sự quan tâm của giới khoa học và công nghiệp. Tuy nhiên, để các phương tiện tự hành có thể vận hành an toàn trong môi trường giao thông phức tạp, nhiều thách thức kỹ thuật và phi kỹ thuật vẫn đang tồn tại. Theo tác giả, khoảng trống nghiên cứu cốt lõi nằm ở việc:

  1. Tạo ra quỹ đạo chuyển động tối ưu có khả năng đáp ứng đồng thời tính trơn mịn, hiệu quả năng lượng, hiệu năng tính toán và khả năng xử lý tính bất định trong dữ liệu môi trường do cảm biến thu nhận.
  2. Tích hợp các ràng buộc pháp lý (luật giao thông đường bộ) và các yếu tố đạo đức (đặc tính hành vi của người lái xe trong tình huống khẩn cấp) vào mô hình ra quyết định và quy trình điều khiển phương tiện.
  3. Xây dựng cơ chế điều khiển an toàn phân cấp nhằm xử lý các tình huống phức tạp, tốc độ cao với thời gian phản hồi ngắn mà các phương pháp truyền thống khó đáp ứng trong thời gian thực.

Mục tiêu nghiên cứu của luận án được xác định cụ thể như sau:

  • Mục tiêu tổng quát: Nghiên cứu giải pháp vận hành hiệu quả xe tự hành thông qua điều khiển thông minh và tìm đường đi tối ưu, có tính đến yếu tố pháp lý và đạo đức, nhằm hỗ trợ điều khiển xe an toàn.
  • Mục tiêu cụ thể:
    1. Mục tiêu 1: Đề xuất giải pháp lập kế hoạch chuyển động bằng phương pháp tiếp cận dựa trên kỹ thuật lấy mẫu nhằm tạo ra quỹ đạo tối ưu từ tập các ứng viên quỹ đạo, cải thiện hiệu quả tính toán và xử lý tính bất định trong dữ liệu môi trường.
    2. Mục tiêu 2: Đề xuất giải pháp bảo đảm yếu tố pháp lý và đạo đức trong hoạt động của xe tự hành thông qua việc xây dựng mô-đun thiết lập quỹ đạo chuyển động tích hợp luật giao thông và mô-đun hỗ trợ ra quyết định điều khiển dựa trên đặc tính hành vi đạo đức của người lái xe.
    3. Mục tiêu 3: Đề xuất giải pháp hỗ trợ điều khiển an toàn gồm ba mô-đun: mô-đun hỗ trợ điều khiển chuyển động (theo nguyên tắc can thiệp tối thiểu và bảo đảm an toàn), mô-đun điều khiển theo dõi chuyển động (bảo đảm bám quỹ đạo chính xác, ổn định ở tốc độ cao) và mô-đun lập kế hoạch chuyển động dự phòng (xử lý tình huống khẩn cấp khi thời gian phanh không đủ).

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Các thuật toán, mô hình toán học và giải pháp kiến trúc mô-đun phục vụ bài toán lập kế hoạch chuyển động, hỗ trợ ra quyết định và điều khiển an toàn cho xe tự hành.
  • Phạm vi nghiên cứu: Mô hình hóa động học và động lực học phương tiện trong môi trường giao thông đường bộ; tập trung vào cấp độ tự động hóa phân cấp, kiểm soát chuyển động trong các tình huống cụ thể (đường thẳng, đường cong, đoạn giới hạn tốc độ, vượt xe, qua giao lộ và tránh chướng ngại vật khẩn cấp) dựa trên điều kiện luật giao thông đường bộ Việt Nam.

Tổng quan tài liệu và vị trí của luận án

Tổng quan tài liệu trong luận án được phân tích theo dòng phát triển lịch sử, các tiêu chuẩn phân cấp, các công trình quốc tế và thực trạng nghiên cứu trong nước:

  1. Phân cấp tự động hóa: Luận án tiếp cận theo tiêu chuẩn phân loại 6 cấp độ (từ cấp độ 0 đến cấp độ 5) của Hiệp hội Kỹ sư Ô tô Toàn cầu (SAE International Standard):

    • Cấp độ 0 (Không tự động hóa): Người lái điều khiển hoàn toàn vô lăng, chân ga, phanh và quan sát môi trường.
    • Cấp độ 1 (Hỗ trợ lái xe): Hỗ trợ hướng lái hoặc phanh, tăng/giảm tốc trong một số điều kiện nhất định.
    • Cấp độ 2 (Tự động hóa một phần): Hệ thống hỗ trợ xử lý hướng lái và phanh đồng thời nhưng người lái phải luôn tập trung giám sát.
    • Cấp độ 3 (Tự động hóa có điều kiện): Xe tự quản lý môi trường và xử lý tác vụ trong khu vực nhất định; người lái can thiệp khi có yêu cầu.
    • Cấp độ 4 (Tự động hóa mức cao): Xe tự xử lý trong hầu hết các kịch bản thiết kế mà không cần người lái can thiệp tức thì.
    • Cấp độ 5 (Tự động hóa hoàn toàn): Xe hoạt động độc lập trong mọi điều kiện đường sá và thời tiết, không cần vô lăng hay bàn đạp.

  2. Các công trình nghiên cứu và dự án trên thế giới:

    • Ý tưởng xe thông minh bắt đầu từ triển lãm Futurama của General Motors (GM) năm 1939.
    • Dự án ARGO của VisLab [6] ứng dụng hệ thống thị giác máy tính và kỹ thuật làm khớp đường cong Spline đa thức theo tín hiệu làn đường.
    • Chương trình DARPA PerceptOR [4] phát triển kỹ thuật điều hướng tự động trên địa hình phức tạp.
    • Dự án VisLab Intercontinental Autonomous Challenge (VIAC) [20] thử nghiệm xe tự hành liên lục địa sử dụng định vị GPS, camera và hàm chi phí dựa trên đường cong Clothoid [59].
    • Các công trình của Audi hợp tác với Đại học Stanford về kiểm soát xe hiệu năng cao; các nghiên cứu của Padovan et al. [19] về kiến trúc điều khiển tổng thể trong môi trường đô thị.
    • Các nghiên cứu về lập kế hoạch quỹ đạo và điều khiển: lập kế hoạch rời rạc (Dijkstra [55], A* [5], cây RRT [56]), lập kế hoạch liên tục qua đường cong nội suy (Bezier [64], Spline [52], đa thức [6]), và phương pháp điều khiển dự báo theo mô hình (MPC) [8, 14, 15, 62].
    • Các phương pháp ra quyết định hành vi: mạng nơ-ron [39], cây quyết định [11], hồi quy vector hỗ trợ [65], lý thuyết tập mờ [12], hệ chuyên gia và mạng Petri.

  3. Tình hình nghiên cứu tại Việt Nam:

    • Nhóm kỹ sư AIT thuộc FPT Software nghiên cứu phần mềm công nghệ xe tự hành ADAS, ứng dụng học sâu (thay thế thị giác máy tính thuần túy) cho nhận thức môi trường, căn làn đường, rẽ hướng, nhận diện biển báo và tự động phanh tránh vật cản, kết hợp công nghệ truyền thông V2X (V2V, V2I, V2C, V2H, V2N, V2P).
    • Trung tâm MICA (Trường Đại học Bách khoa Hà Nội) với các đề tài NAFOSTED về phát hiện bất thường và định vị đối tượng qua camera.
    • Phòng thí nghiệm Truyền thông Đa phương tiện (Trường Đại học Công nghệ Thông tin – Đại học Quốc gia TP.HCM) với các nghiên cứu xử lý hình ảnh và video.

Khoảng trống nghiên cứu được luận án lựa chọn giải quyết: Hầu hết các giải thuật điều khiển mô hình dự báo truyền thống gặp khó khăn về khối lượng tính toán trực tuyến khi vận hành ở tốc độ cao; các mô hình ra quyết định hiện có thường dừng lại ở mức lý thuyết mà chưa tích hợp trực tiếp các ràng buộc luật giao thông đường bộ và chuẩn mực đạo đức của người lái; cấu trúc một cấp độ điều khiển thường làm suy giảm khả năng phản hồi theo thời gian thực trước tính bất định của môi trường.

Cơ sở lý thuyết và phương pháp nghiên cứu

Luận án sử dụng phương pháp nghiên cứu lý thuyết kết hợp với thực nghiệm mô phỏng số trên máy tính. Các công cụ toán học và mô hình lý thuyết được tác giả sử dụng bao gồm:

1. Mô hình động học và động lực học phương tiện

Hệ thống đường giao thông được biểu diễn dạng polyline gồm các làn đường liền kề $lane_i$, giới hạn bởi đường biên trái $BL_i$ và đường biên phải $BR_i$. Mô hình xe hai bánh (single-track / bicycle model) được sử dụng để mô tả chuyển động ngang và xoay quanh trục đứng:

$$\dot{\beta} = \frac{F_{yf} \cos(\delta) + F_{yr}}{m V_x} - r$$

$$\dot{r} = \frac{l_f F_{yf} - l_r F_{yr}}{I_{zz}}$$

Trong đó:

  • $m$: Tổng khối lượng xe; $I_{zz}$: Mô-men quán tính quanh trục đứng.
  • $r$: Tốc độ góc xoay thân xe (yaw rate); $\beta$: Góc trượt ngang tại trọng tâm.
  • $V_x$, $U_x$: Vận tốc dọc của xe; $\delta$: Góc lái bánh trước.
  • $l_f$, $l_r$: Khoảng cách từ trọng tâm xe lần lượt đến trục trước và trục sau ($L = l_f + l_r$).
  • $F_{yf}$, $F_{yr}$: Lực ngang tác dụng lên bánh trước và bánh sau.

Lực ngang bánh xe được mô hình hóa phi tuyến theo mô hình lốp Fiala brush:

$$F_{y[f,r]} = f_{wheel}(\alpha, F_z)$$

Góc trượt của bánh trước ($\alpha_f$) và bánh sau ($\alpha_r$) xấp xỉ góc nhỏ:

$$\alpha_f = \beta + \frac{l_f r}{U_x} - \delta; \quad \alpha_r = \beta - \frac{l_r r}{U_x}$$

Mô hình theo dõi hướng chuyển động theo đường dẫn tham chiếu có độ cong $\kappa(s)$ với độ lệch góc hướng $\Delta \psi$:

$$\Delta \dot{\psi} = r - U_x \kappa(s)$$

2. Phương pháp Monte Carlo và Bộ lọc phần tử (Particle Filter)

Luận án sử dụng phương pháp Sequential Monte Carlo (SMC) dựa trên ước lượng đệ quy Bayes để xử lý trạng thái phi tuyến và nhiễu phi Gauss. Quy trình lọc phần tử thực hiện qua 4 bước:

  1. Khởi tạo: Khởi tạo $N$ phần tử ban đầu ${x_0^i}_{i=1}^N$ từ phân bố trạng thái tiên nghiệm.
  2. Cập nhật thời gian (Dự báo): Lan truyền trạng thái từng phần tử qua mô hình hệ thống: $$x_k^{i-} = f_{k-1}(x_{k-1}^{i+}, \omega_{k-1}^i)$$
  3. Cập nhật đo lường: Cập nhật và chuẩn hóa trọng số $q_i$ của từng phần tử dựa trên hàm hợp lý đo lường $p(y_k | x_k^{i-})$ từ cảm biến: $$q_i = \frac{p(y_k | x_k^{i-})}{\sum_{j=1}^N p(y_k | x_k^{j-})}$$
  4. Ước lượng trạng thái và Tái chọn mẫu (Resampling): Ước lượng trạng thái hậu nghiệm và loại bỏ hiện tượng thoái hóa trọng số: $$x_k^+ = \sum_{i=1}^N q_i x_k^{i-}$$

3. Điều khiển dự báo theo mô hình (Model Predictive Control - MPC)

MPC giải quyết bài toán tối ưu hóa trạng thái tương lai trên chân trời dự báo $N_P$ và chân trời điều khiển $N_C$ ($N_C \le N_P$). Hàm mục tiêu tổng quát:

$$\min_{\Delta u} J_{N_C, N_P}(x(k), u(k-1), \Delta u(.))$$

Thỏa mãn các ràng buộc:

  • $x(k+i+1) = f(x(k+i), u(k+i))$ với $i = 0, \dots, N_P - 1$
  • $u(k+i) = u(k-1) + \sum_{j=0}^i \Delta u(k+j)$ với $i = 0, \dots, N_C - 1$
  • $\Delta u(k+i) \in \Delta U, \quad u(k+i) \in U, \quad x(k+i) \in X$

Tín hiệu điều khiển được thực thi theo nguyên tắc chân trời lùi (receding horizon): $u(k) = u(k-1) + \Delta u^*(k)$.

Thành phần lý thuyết Công cụ / Mô hình sử dụng Mục đích trong luận án
Động học & Động lực học Mô hình xe 2 bánh, Lốp Fiala brush Mô phỏng phản ứng chuyển động ngang, góc lái và lực bánh xe
Xử lý bất định Bộ lọc phần tử (SMC), Monte Carlo Ước lượng trạng thái môi trường và tạo tập ứng viên quỹ đạo tối ưu
Lập kế hoạch & Theo dõi MPC tuyến tính hóa / bậc 2 (2 cấp độ) Tối ưu hóa quỹ đạo dài hạn và bám quỹ đạo tức thời ngắn hạn
Ra quyết định hành vi Mạng nơ-ron mờ (FNN), Mạng BPNN Mô phỏng phán đoán đạo đức và ra quyết định chuyển hướng khẩn cấp

Nội dung chính theo từng chương

CHƯƠNG 1: TỔNG QUAN VỀ ĐIỀU KHIỂN XE TỰ HÀNH

Chương 1 thiết lập nền tảng lý luận và phân tích hiện trạng công nghệ xe tự hành:

  • Trình bày định nghĩa hệ thống tự hành theo quan điểm của Sridhar Lakshmanan gồm 3 khối: bộ phận cảm nhận, bộ phận điều khiển và bộ phận chấp hành.
  • Phân tích chi tiết cấu trúc hệ thống gồm 3 mô-đun cốt lõi: Mô-đun nhận thức môi trường và định vị (radar, Lidar, camera, GPS); Mô-đun lập kế hoạch chuyển động (ra quyết định hành vi, thiết lập kịch bản); Mô-đun điều khiển (phân cấp toàn cục và cục bộ).
  • Khái quát 4 phương pháp biến thể của Monte Carlo: Phương pháp mô phỏng trực tiếp (DSMC), Phương pháp động lực (DMC), Phương pháp động học (KMC), và Phương pháp lượng tử (QMC); cùng các yếu tố nền tảng gồm số ngẫu nhiên, luật số lớn và định lý giới hạn trung tâm.
  • Đề xuất kiến trúc điều khiển phân cấp 2 cấp độ dựa trên MPC:
    • Cấp 1 (Lập kế hoạch chuyển động): Hoạt động với chân trời dự báo dài ($N_P$ lớn), tính toán quỹ đạo tham chiếu khả thi tránh chướng ngại vật trong điều kiện có nhiều đối tượng tham gia giao thông.
    • Cấp 2 (Điều khiển theo dõi): Hoạt động với chân trời dự báo ngắn hơn ($N_P$ nhỏ), điều khiển bám sát quỹ đạo tham chiếu từ Cấp 1, xuất lệnh phanh/ga/đánh lái đáp ứng thời gian thực.

CHƯƠNG 2: GIẢI PHÁP ĐỀ XUẤT TÌM ĐƯỜNG ĐI TỐI ƯU CHO XE TỰ HÀNH

Chương 2 tập trung phân tích và xây dựng giải pháp tạo quỹ đạo chuyển động tối ưu:

  • Tổng quan các kỹ thuật thiết lập đường đi:
    • Dựa trên đồ thị tìm kiếm: Thuật toán Dijkstra, thuật toán A*.
    • Dựa trên lấy mẫu: Cây ngẫu nhiên khám phá nhanh (RRT), PRM.
    • Đường cong nội suy: Đường thẳng và cung tròn, đường cong Clothoid, đường cong đa thức, đường cong Bezier, đường cong Spline.
    • Phương pháp tối ưu: Tối ưu hóa số trên hàm chi phí.
  • Xây dựng mô-đun lập kế hoạch dựa trên kỹ thuật lấy mẫu (Sampling-based): Sử dụng bộ lọc phần tử để sinh tập ứng viên quỹ đạo, đánh giá chi phí thích ứng đối với chướng ngại vật tĩnh và động, cập nhật trọng số xác suất và chọn quỹ đạo tối ưu.
  • Thực nghiệm mô phỏng:
    • Kịch bản di chuyển trên đường thẳng và kịch bản di chuyển trên đường cong.
    • Đánh giá hiệu năng qua so sánh số lượng ứng viên quỹ đạo với thời gian xử lý và tỷ lệ thất bại (Bảng 2.2), chứng minh sự cân bằng giữa độ chính xác và chi phí tính toán.

CHƯƠNG 3: GIẢI PHÁP ĐỀ XUẤT CHO VẤN ĐỀ PHÁP LÝ VÀ ĐẠO ĐỨC TRONG HOẠT ĐỘNG CỦA XE TỰ HÀNH

Chương 3 giải quyết hai khía cạnh phức tạp khi xe tự hành tham gia giao thông công cộng:

  • Mô-đun hỗ trợ ra quyết định điều khiển (Yếu tố đạo đức):
    • Xây dựng mô hình Mạng kết hợp Nơ-ron Mờ (Fuzzy Neural Network - FNN) gồm Mạng tiền đề (Premise Network) và Mạng hệ quả (Consequence Network) để mô phỏng quyết định của người lái xe trong các tình huống khẩn cấp.
    • Thu thập tập dữ liệu thực nghiệm hành vi lái xe, so sánh kết quả huấn luyện và sai số giữa mạng FNN và mạng truyền ngược truyền thống (BPNN - Back Propagation Neural Network). Kết quả chỉ ra FNN có sai số tuyệt đối trung bình (MAE) thấp hơn và hội tụ nhanh hơn.
  • Mô-đun thiết lập quỹ đạo chuyển động (Yếu tố pháp lý):
    • Thiết lập bài toán tối ưu hóa dựa trên MPC tích hợp tập ràng buộc quy định bởi Luật Giao thông đường bộ Việt Nam.
    • Mô phỏng thực nghiệm 3 kịch bản điển hình:
      1. Xe di chuyển qua đoạn đường giới hạn tốc độ (kiểm soát gia tốc dọc và vận tốc trong ngưỡng cho phép).
      2. Xe thực hiện thao tác vượt phải/vượt trái đối với xe phía trước bảo đảm khoảng cách an toàn.
      3. Xe di chuyển và xử lý xung đột quỹ đạo khi đi vào giao lộ.

CHƯƠNG 4: GIẢI PHÁP ĐỀ XUẤT HỖ TRỢ ĐIỀU KHIỂN AN TOÀN XE TỰ HÀNH

Chương 4 hoàn thiện hệ thống điều khiển an toàn đa tầng:

  • Mô-đun điều khiển theo dõi chuyển động: Kiểm soát điều hướng chính xác, tích hợp các yếu tố bất định biến đổi theo thời gian của chướng ngại vật di động vào hàm tối ưu, bảo đảm duy trì giới hạn biên đường ở tốc độ cao.
  • Mô-đun hỗ trợ điều khiển chuyển động:
    • Hoạt động theo 2 nguyên tắc thiết kế cốt lõi: Can thiệp tối thiểu (chỉ kích hoạt quyền kiểm soát tự trị khi phát hiện nguy cơ va chạm) và Bảo đảm an toàn (ràng buộc không va chạm được thực thi tường minh).
    • Rút ngắn chu kỳ tính toán để giảm thiểu sai lệch so với dự báo.
  • Mô-đun lập kế hoạch chuyển động dự phòng:
    • Thiết kế cho các trường hợp vận tốc lớn khi thời gian còn lại không đủ để thực hiện phanh dừng khẩn cấp.
    • Ứng dụng mô hình vết tiếp xúc hình elip ma sát (tạo bởi lực kéo dọc và lực kéo ngang) để xác định giới hạn bám của lốp.
    • Phân phối hàm chi phí trong vùng lân cận chướng ngại vật, đánh giá khả năng di chuyển của phương tiện xung quanh để sinh thao tác cơ động khẩn cấp thích ứng.
  • Kết quả thực nghiệm: Đánh giá so sánh 3 bộ điều khiển (Bảng 4.2) qua các kịch bản mô phỏng chuyển động tránh va chạm phức tạp.

Kết quả và những đóng góp mới

Luận án đã đạt được các kết quả và đóng góp mới cụ thể sau:

  1. Về mặt lý luận và phương pháp:

    • Đề xuất giải pháp lập kế hoạch chuyển động dựa trên kỹ thuật lấy mẫu kết hợp bộ lọc phần tử (SMC), giải quyết đồng thời bài toán giảm chi phí tính toán và xử lý tính bất định của dữ liệu môi trường do cảm biến cung cấp.
    • Xây dựng mô hình ra quyết định hành vi dựa trên mạng kết hợp nơ-ron mờ (FNN), kết hợp khả năng học thích nghi của mạng nơ-ron với năng lực biểu diễn tri thức định tính của logic mờ, giúp mô phỏng phán đoán đạo đức của người lái trong tình huống khẩn cấp.
    • Thiết lập cấu trúc điều khiển phân cấp 2 cấp độ dựa trên MPC, phân tách nhiệm vụ lập kế hoạch quỹ đạo dài hạn và theo dõi quỹ đạo ngắn hạn, khắc phục nhược điểm về thời gian tính toán trực tuyến của các bộ điều khiển MPC một cấp truyền thống.

  2. Về mặt thực tiễn và ứng dụng:

    • Xây dựng thành công tập ràng buộc tối ưu hóa tích hợp các điều khoản Luật Giao thông đường bộ Việt Nam (giới hạn tốc độ, quy tắc vượt xe, nhường đường tại giao lộ) vào thuật toán điều khiển quỹ đạo.
    • Đề xuất hệ thống hỗ trợ điều khiển an toàn đa tầng gồm 3 mô-đun chức năng: theo dõi chuyển động, can thiệp điều khiển tối thiểu và lập kế hoạch chuyển động dự phòng khi gặp tình huống khẩn cấp ở vận tốc cao dựa trên giới hạn elip ma sát lốp.
    • Cung cấp kết quả mô phỏng số chi tiết trên nhiều kịch bản giao thông phức tạp, làm cơ sở thực nghiệm phục vụ việc phát triển các khối phần mềm nhúng trên xe tự hành.

  3. Kiến nghị kỹ thuật đề xuất:

    • Cần áp dụng cấu trúc điều khiển phân cấp thời gian thực khi triển khai các thuật toán tối ưu hóa trên phần cứng xe tự hành nhằm bảo đảm chu kỳ lấy mẫu.
    • Khuyến nghị tích hợp các quy tắc giao thông sở tại thành các hàm ràng buộc cứng/mềm trong bài toán quy hoạch toán học thay vì chỉ dựa hoàn toàn vào dữ liệu học máy.

Hạn chế và hướng nghiên cứu tiếp

Dựa trên các phân tích trong văn bản luận án, các hạn chế và hướng phát triển được xác định gồm:

  • Hạn chế:
    • Độ chính xác của các mô-đun nhận thức và lập kế hoạch vẫn phụ thuộc lớn vào chất lượng dữ liệu cảm biến; trong điều kiện thời tiết khắc nghiệt (mưa lớn, nắng gắt, sương mù hoặc tuyết), tín hiệu cảm biến bị nhiễu ảnh hưởng đến hiệu quả xử lý.
    • Hệ thống định vị GPS hiện tại chưa đạt độ hoàn hảo tuyệt đối trong mọi môi trường địa hình đô thị phức tạp.
    • Các giải pháp điều khiển đòi hỏi hạ tầng đường giao thông phải có vạch kẻ làn rõ ràng, đồng bộ và đạt chuẩn kỹ thuật.
    • Thuật toán tối ưu hóa MPC phi tuyến vẫn đòi hỏi năng lực tính toán cao nếu số lượng biến trạng thái và đối tượng chướng ngại vật tăng mạnh.
  • Hướng nghiên cứu tiếp:
    • Mở rộng kích thước và tính đa dạng của bộ dữ liệu thực nghiệm huấn luyện hành vi lái xe trong nhiều điều kiện khí tượng và văn hóa giao thông khác nhau.
    • Tối ưu hóa mã nguồn và thuật toán quy hoạch số để triển khai thử nghiệm thực tế trên phương tiện vật lý (thay vì mô phỏng).
    • Tích hợp thêm các giao thức truyền thông kết nối xe với vạn vật (V2X) để nâng cao khả năng dự báo quỹ đạo của các phương tiện xung quanh.

Giá trị tham khảo

Luận án là tài liệu tham khảo chuyên môn hữu ích cho các nhóm đối tượng sau:

  • Nghiên cứu sinh, học viên cao học và giảng viên: Thuộc các chuyên ngành Hệ thống thông tin, Kỹ thuật điều khiển và Tự động hóa, Khoa học máy tính, Kỹ thuật Ô tô và Cơ điện tử. Có thể tham khảo chi tiết chương 1 và chương 2 về phương pháp xây dựng mô hình động học xe hai bánh, mô hình lốp Fiala brush, thuật toán lọc phần tử SMC và cấu trúc MPC phân cấp.
  • Kỹ sư phát triển hệ thống tự hành và ADAS: Có thể tham khảo chương 3 và chương 4 để áp dụng cấu trúc mạng FNN trong bài toán ra quyết định, thuật toán lập kế hoạch dự phòng dựa trên elip ma sát và cơ chế điều khiển can thiệp tối thiểu.
  • Chuyên gia và cơ quan quản lý giao thông: Tham khảo phương pháp toán học hóa các quy định của Luật Giao thông đường bộ thành các ràng buộc tối ưu hóa phục vụ xây dựng tiêu chuẩn kỹ thuật cho phương tiện tự hành trong tương lai.

Câu hỏi thường gặp

1. Luận án phân loại mức độ tự động hóa của xe tự hành theo tiêu chuẩn nào và gồm bao nhiêu cấp độ?

Luận án sử dụng tiêu chuẩn phân loại của Hiệp hội Kỹ sư Ô tô Toàn cầu (SAE International Standard), chia mức độ tự động hóa thành 6 cấp độ từ 0 đến 5: Cấp độ 0 (Không tự động hóa), Cấp độ 1 (Hỗ trợ lái xe), Cấp độ 2 (Tự động hóa một phần), Cấp độ 3 (Tự động hóa có điều kiện), Cấp độ 4 (Tự động hóa mức cao) và Cấp độ 5 (Tự động hóa hoàn toàn).

2. Cấu trúc điều khiển phân cấp dựa trên MPC trong luận án được tổ chức như thế nào?

Cấu trúc được tổ chức thành 2 cấp độ:

  • Cấp 1 (Lập kế hoạch chuyển động): Sử dụng chân trời dự báo dài ($N_P$ lớn) để tính toán quỹ đạo tham chiếu khả thi, xem xét nhiều đối tượng và chướng ngại vật trên đường cùng các ràng buộc môi trường.
  • Cấp 2 (Điều khiển theo dõi): Sử dụng bộ điều khiển MPC với chân trời dự báo ngắn hơn, tập trung theo dõi bám sát quỹ đạo tham chiếu đã lập ở Cấp 1 và điều khiển phanh/ga/góc lái mà không cần tính toán lại toàn bộ chướng ngại vật.

3. Mô hình mạng nơ-ron mờ (FNN) ở Chương 3 được cấu tạo ra sao và có ưu điểm gì so với BPNN?

Mạng FNN gồm 2 phần chính: Mạng tiền đề (Premise Network) thực hiện việc mờ hóa các biến đầu vào và Mạng hệ quả (Consequence Network) thực hiện suy diễn và tính toán giá trị đầu ra. So với mạng truyền ngược truyền thống (BPNN), FNN kết hợp được khả năng biểu diễn tri thức định tính của logic mờ với khả năng tự học của mạng nơ-ron, giúp đạt tốc độ hội tụ nhanh hơn và sai số tuyệt đối trung bình (MAE) thấp hơn khi mô phỏng hành vi ra quyết định của người lái.

4. Ba mô-đun thành phần trong giải pháp hỗ trợ điều khiển an toàn ở Chương 4 có vai trò gì?

  • Mô-đun điều khiển theo dõi chuyển động: Kiểm soát hướng di chuyển chính xác và ổn định ở tốc độ cao khi có chướng ngại vật di động.
  • Mô-đun hỗ trợ điều khiển chuyển động: Thực thi kiểm soát tự trị theo nguyên tắc can thiệp tối thiểu và bảo đảm trạng thái không va chạm qua các ràng buộc tối ưu.
  • Mô-đun lập kế hoạch chuyển động dự phòng: Xác định quỹ đạo tránh va chạm khẩn cấp dựa trên giới hạn elip ma sát lực bám của lốp khi thời gian không đủ để phanh dừng an toàn.

Kết luận

Luận án tiến sĩ của tác giả Quách Hải Thọ đã giải quyết một cách có hệ thống bài toán hỗ trợ điều khiển xe tự hành thông qua việc kết hợp các công cụ điều khiển tối ưu toán học (MPC), kỹ thuật tính toán mềm (FNN, BPNN) và phương pháp xác suất (Monte Carlo, Particle Filter). Các mô-đun đề xuất đã giải quyết đồng thời bài toán tìm đường đi tối ưu, tích hợp các ràng buộc pháp lý - đạo đức và bảo đảm an toàn chuyển động trong các kịch bản giao thông phức tạp. Công trình có giá trị khoa học và thực tiễn cao, đóng góp nền tảng kỹ thuật hữu ích cho sự phát triển của công nghệ phương tiện tự hành tại Việt Nam.