Tổng quan nghiên cứu

Theo thống kê từ các tổ chức an toàn giao thông quốc tế, hơn 90% các vụ tai nạn giao thông đường bộ bắt nguồn từ lỗi chủ quan và phản xạ chậm trễ của người điều khiển phương tiện. Trong bối cảnh ngành công nghiệp ô tô toàn cầu đang chuyển dịch mạnh mẽ sang tự động hóa với tốc độ tăng trưởng thị trường hệ thống hỗ trợ lái nâng cao đạt khoảng 12% mỗi năm, việc phát triển các giải pháp hỗ trợ lái xe an toàn, tin cậy và chi phí tối ưu trở thành vấn đề cấp thiết. Luận văn tập trung giải quyết bài toán thiết kế và hiện thực hóa mô hình hệ thống hỗ trợ lái thông minh trên xe ô tô quy mô thử nghiệm, tích hợp đồng thời các tính năng cảnh báo và điều khiển tự động.

Mục tiêu cụ thể của nghiên cứu bao gồm ba nhiệm vụ trọng tâm: xây dựng thuật toán nhận diện làn đường tự động; phát triển mô hình học sâu nhận dạng hệ thống biển báo giao thông; và thiết kế cơ chế phát hiện vật cản kết hợp tự động chuyển làn đường an toàn. Phạm vi nghiên cứu được triển khai thực nghiệm trên sa hình mô phỏng tại Trường Đại học Bách Khoa - Đại học Quốc gia Thành phố Hồ Chí Minh, hoàn thành vào tháng 9 năm 2020. Hệ thống vận hành thử nghiệm ở dải vận tốc 0,2 m/s với chuỗi 800 lượt kiểm thử độc lập trên toàn bộ các khối chức năng.

Ý nghĩa khoa học và thực tiễn của công trình thể hiện qua việc tích hợp thành công kiến trúc xử lý song song giữa hai bo mạch máy tính đơn Raspberry Pi 4 cùng vi điều khiển 32-bit Tiva C TM4C123GH6 chạy hệ điều hành thời gian thực. Kết quả thực nghiệm ghi nhận độ chính xác nhận dạng biển báo trung bình đạt 86,0% và tỷ lệ thực hiện thao tác tránh vật cản chuyển làn thành công đạt 72,0%, mở ra hướng tiếp cận khả thi cho các dòng xe tự hành phân khúc nghiên cứu và ứng dụng công nghiệp.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên sự giao thoa của ba nền tảng lý thuyết kỹ thuật chính: lý thuyết hệ điều hành thời gian thực, thị giác máy tính xử lý ảnh cổ điển và mạng nơ-ron tích chập trong học sâu.

Trong kiến trúc điều khiển nhúng, lý thuyết lập trình thời gian thực với hệ điều hành mã nguồn mở FreeRTOS đóng vai trò hạt nhân. Mô hình này vận hành cơ chế lập lịch ưu tiên dựa trên mức độ khẩn cấp của tiến trình, đảm bảo tính tiền định và triệt tiêu độ trễ trễ hạn trong việc phân phối lệnh điều khiển cơ cấu chấp hành. Hệ thống quản lý 5 tác vụ độc lập bao gồm nhận dữ liệu từ các bộ xử lý ảnh, điều khiển động cơ bước chấp hành lái, điều tốc động cơ dẫn động và kích hoạt hệ thống đèn còi cảnh báo.

Trong lĩnh vực thị giác máy tính, nghiên cứu ứng dụng giải thuật biến đổi đường thẳng Hough kết hợp với các toán tử lọc không gian, cân bằng lược đồ màu và trích xuất vùng quan tâm nhằm phát hiện vạch kẻ làn đường. Đối với tác vụ phân loại biển báo, mô hình mạng nơ-ron tích chập LeNet được áp dụng với cấu trúc gồm các lớp tích chập, lớp lấy mẫu gộp và lớp kết nối đầy đủ, sử dụng hàm kích hoạt phi tuyến cùng tầng phân loại Softmax để nhận biết 6 nhóm biển báo giao thông tiêu chuẩn.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp thực nghiệm kết hợp định lượng thông qua việc thu thập và phân tích dữ liệu trực tiếp trên mô hình phần cứng vật lý. Cỡ mẫu thực nghiệm bao gồm tổng cộng 800 lượt chạy thử nghiệm độc lập, được phân bổ có kiểm soát thành 3 tập dữ liệu đo lường: 100 lượt thử nghiệm bám làn đường, 100 lượt thử nghiệm phát hiện vật cản chuyển làn, và 600 lượt thử nghiệm nhận dạng biển báo giao thông chia đều cho 6 phân lớp biển báo khác nhau.

Phương pháp chọn mẫu là chọn mẫu ngẫu nhiên phân tầng theo các điều kiện vận hành, mô phỏng các tình huống thực tế như góc tiếp cận biển báo thay đổi từ âm 15 độ đến dương 15 độ, cường độ ánh sáng môi trường dao động và sự xuất hiện đột ngột của vật cản trên hành trình. Lý do lựa chọn giải thuật Hough Transform cho làn đường là nhằm tối ưu hóa tài nguyên tính toán cục bộ trên chip ARM Cortex-A72, trong khi mạng LeNet được chọn nhờ khả năng cân bằng tuyệt vời giữa độ chính xác phân loại và thời gian suy luận dưới 50 mili-giây trên phần cứng nhúng không tích hợp GPU rời.

Toàn bộ chu kỳ nghiên cứu, chế tạo mô hình xe, thiết lập mạng cảm biến hồng ngoại, cảm biến đo khoảng cách laser Time-of-Flight VL53L0X, lập trình nạp mã nguồn và đánh giá thực nghiệm được thực hiện xuyên suốt trong khung thời gian 6 tháng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Hệ thống đã trải qua quá trình đánh giá hiệu năng nghiêm ngặt với các phát hiện định lượng cụ thể:

Thứ nhất, mô hình học sâu LeNet triển khai trên Raspberry Pi 4 kết hợp camera 5 Megapixel cảm biến OV5647 đạt độ chính xác phân loại biển báo trung bình là 86,0% trên tổng số 600 lượt kiểm thử. Cụ thể, biển báo giới hạn tốc độ 10 km/h đạt độ chính xác cao nhất với 95,0% (95 lần chính xác trên 100 lần thử); biển báo dừng đạt 93,0%; biển báo giới hạn tốc độ 80 km/h đạt 90,0%; biển báo giới hạn tốc độ 30 km/h đạt 87,0%; biển báo rẽ trái đạt 86,0%; và biển báo rẽ phải đạt tỷ lệ 65,0%.

Thứ hai, tính năng phát hiện vật cản và tự động chuyển làn ghi nhận tỷ lệ thực hiện chính xác đạt 72,0% (72 trên 100 lượt thử nghiệm thành công) ở dải tốc độ vận hành 0,2 m/s. Sự kết hợp giữa cảm biến laser khoảng cách VL53L0X phía trước cùng mạng lưới cảm biến hồng ngoại góc quét hai bên hông xe giúp bộ điều khiển trung tâm đưa ra quyết định rẽ vòng tránh va chạm kịp thời.

Thứ ba, chương trình nhận dạng làn đường sử dụng biến đổi Hough đạt độ chính xác 45,0% (45 lần chạy đúng trên 100 lần thử). Hệ thống đã nhận diện được vạch kẻ và gửi tín hiệu điều chỉnh góc lái servo, tuy nhiên tỷ lệ duy trì bám tâm đường còn chịu ảnh hưởng lớn bởi chất lượng ánh sáng môi trường.

Thứ tư, kiến trúc vi điều khiển Tiva C Series TM4C123GH6 kết hợp mạch cầu H L298 và động cơ DC Servo GM25-370 duy trì hoạt động ổn định, phân phối thông suốt cả 5 tác vụ FreeRTOS mà không xảy ra hiện tượng tràn bộ nhớ hay nghẽn bus giao tiếp UART.

Thảo luận kết quả

Khi phân tích sâu về sự chênh lệch kết quả, tỷ lệ nhận diện biển báo rẽ phải đạt 65,0%, thấp hơn đáng kể so với mức 95,0% của biển giới hạn tốc độ 10 km/h. Nguyên nhân chủ yếu xuất phát từ đặc trưng hình học của mũi tên rẽ phải dễ bị biến dạng quang học khi camera tiếp cận ở góc nghiêng, đồng thời số lượng mẫu huấn luyện cho trường hợp này có độ biến thiên ánh sáng cao hơn.

Đối với tính năng nhận dạng làn đường đạt mức 45,0%, sự hạn chế bắt nguồn từ việc giải thuật Hough Transform truyền thống phụ thuộc chặt chẽ vào ngưỡng nhị phân cố định, khiến hệ thống dễ mất dấu vạch kẻ khi đi qua các đoạn đường có bóng đổ hoặc độ tương phản thấp.

Các dữ liệu thực nghiệm trên có thể được biểu diễn trực quan thông qua biểu đồ cột so sánh độ chính xác giữa 6 loại biển báo và bảng tổng hợp ma trận nhầm lẫn để minh họa rõ các trường hợp phân loại sai. So với các công bố học thuật quốc tế cùng thời điểm về hệ thống nhúng hỗ trợ lái mức độ thấp, việc đạt tỷ lệ nhận dạng biển báo 86,0% trên bo mạch vi xử lý đơn lẻ chứng minh giải pháp phần cứng phân tán hai tầng có tính hiệu quả cao về mặt chi phí và khả năng đáp ứng thời gian thực.

Đề xuất và khuyến nghị

Dựa trên các kết quả và hạn chế đã ghi nhận trong quá trình thực nghiệm, nghiên cứu đề xuất 4 nhóm giải pháp kỹ thuật cụ thể:

Thứ nhất, nâng cấp giải thuật nhận diện làn đường bằng cách chuyển đổi từ phương pháp Hough Transform sang mô hình mạng học sâu phân đoạn ngữ nghĩa kích thước nhỏ như Fast-SCNN hoặc ENet. Mục tiêu hành động là nâng tỷ lệ bám làn chính xác từ 45,0% lên trên 85,0% trong mọi điều kiện ánh sáng, với lộ trình thực hiện trong vòng 6 tháng do nhóm kỹ sư thị giác máy tính phụ trách.

Thứ hai, mở rộng tập dữ liệu huấn luyện và cải tiến cấu trúc mạng nơ-ron nhận dạng biển báo sang kiến trúc MobileNetV3 hoặc YOLOv5-Nano. Giải pháp này giúp mở rộng số lượng phân loại từ 6 lên trên 30 loại biển báo theo Quy chuẩn kỹ thuật quốc gia về báo hiệu đường bộ QCVN 41:2019/BGTVT, đảm bảo độ chính xác toàn hệ thống duy trì trên 92,0% với thời gian suy luận dưới 30 mili-giây, hoàn thành trong 3 tháng tiếp theo.

Thứ ba, tái cấu trúc hệ thống chấp hành cơ khí bằng việc thay thế động cơ RC Servo truyền thống bằng cơ cấu lái trợ lực điện có cảm biến góc quay phản hồi kín, kết hợp bổ sung cảm biến quét laser LiDAR 2D góc quét 360 độ. Mục tiêu là giảm sai số điều hướng chuyển làn xuống dưới 5,0%, nâng tỷ lệ tránh vật cản thành công lên trên 90,0% ở dải vận tốc 0,5 m/s, thực hiện trong 4 tháng bởi nhóm kỹ sư cơ điện tử.

Thứ tư, tích hợp mô-đun định vị vệ tinh vi sai RTK-GPS và kết nối không dây IoT thông qua giao thức MQTT kết hợp ứng dụng bản đồ số Google Maps. Giải pháp này cho phép hệ thống lập kế hoạch hành trình toàn cục với độ trễ truyền nhận dữ liệu máy chủ dưới 50 mili-giây, do nhóm kỹ sư phần mềm hệ thống triển khai trong thời gian 5 tháng.

Đối tượng nên tham khảo luận văn

Công trình luận văn mang lại giá trị học thuật và ứng dụng thực tiễn cao cho 4 nhóm đối tượng trọng tâm:

Nhóm 1: Học viên cao học và sinh viên các ngành Kỹ thuật Điện tử, Cơ điện tử, Kỹ thuật Điều khiển và Tự động hóa. Tài liệu cung cấp bản hướng dẫn chi tiết về phương pháp phân chia kiến trúc xử lý giữa tầng máy tính biên Raspberry Pi và tầng điều khiển thời gian thực Tiva C TM4C123GH6 sử dụng FreeRTOS.

Nhóm 2: Kỹ sư nghiên cứu và phát triển phần mềm nhúng trong ngành công nghiệp ô tô thông minh. Luận văn cung cấp use case thực tế về việc tối ưu hóa mạng nơ-ron LeNet và thuật toán thị giác máy tính OpenCV trên nền tảng phần cứng giới hạn năng lượng, phục vụ triển khai các tính năng hỗ trợ lái cấp độ 1 và 2.

Nhóm 3: Các nhà nghiên cứu trong lĩnh vực Trí tuệ nhân tạo biên và Thị giác máy tính. Đây là tài liệu tham khảo giá trị về phương pháp đánh giá thực nghiệm đa biến, xử lý ma trận nhầm lẫn và tối ưu hóa luồng dữ liệu camera CSI kép trong môi trường thực thi thời gian thực.

Nhóm 4: Các doanh nghiệp khởi nghiệp phát triển robot tự hành AGV trong nhà xưởng và xe giao hàng không người lái cỡ nhỏ. Doanh nghiệp có thể kế thừa thiết kế mạch cảm biến phối hợp giữa ToF VL53L0X, PIR HC-SR501 và mạch cầu L298 để thương mại hóa nhanh các giải pháp điều hướng tránh vật cản tự động với chi phí vật tư thấp.

Câu hỏi thường gặp

Câu hỏi 1: Tại sao hệ thống lại sử dụng đồng thời hai bo mạch Raspberry Pi 4 thay vì một bo mạch duy nhất? Trả lời: Việc phân tách thành hai bo mạch Raspberry Pi 4 riêng biệt nhằm tối ưu hóa năng lực tính toán song song độc lập. Một bo mạch chuyên trách xử lý luồng video 5 Megapixel cho thuật toán nhận diện làn đường, trong khi bo mạch thứ hai chạy mạng nơ-ron LeNet nhận dạng biển báo, giúp loại bỏ hoàn toàn hiện tượng tụt khung hình và giảm độ trễ xử lý xuống dưới 50 mili-giây.

Câu hỏi 2: Hạn chế cốt lõi khiến thuật toán nhận dạng làn đường chỉ đạt độ chính xác 45,0% là gì? Trả lời: Nguyên nhân cốt lõi là giải thuật Hough Line Transform phụ thuộc lớn vào việc nhị phân hóa ảnh tĩnh với ngưỡng độ xám cố định. Trong điều kiện ánh sáng phòng thí nghiệm thay đổi hoặc mặt đường có độ phản xạ không đều, các đường biên vạch kẻ bị đứt đoạn, khiến giải thuật trích xuất sai các đoạn thẳng không thuộc làn đường.

Câu hỏi 3: Cảm biến laser VL53L0X đóng vai trò gì trong cơ chế tránh vật cản của xe? Trả lời: Cảm biến VL53L0X sử dụng công nghệ đo thời gian bay của tia laser Time-of-Flight với độ chính xác đến từng milimét trong phạm vi 2 mét. Thiết bị cung cấp dữ liệu khoảng cách tức thời tới vật thể phía trước, giúp vi điều khiển Tiva C kích hoạt thuật toán rẽ tránh vật cản đạt tỷ lệ thành công 72,0%.

Câu hỏi 4: Hệ điều hành FreeRTOS trên vi điều khiển Tiva C giải quyết bài toán gì trong hệ thống? Trả lời: FreeRTOS đảm bảo tính tiền định tuyệt đối cho các tác vụ điều khiển động cơ DC Servo GM25-370 và góc lái servo RC. Hệ điều hành phân phối thời gian CPU theo cơ chế đa nhiệm ưu tiên, đảm bảo các tín hiệu cảnh báo va chạm và lệnh dừng khẩn cấp được thực thi ngay lập tức mà không bị nghẽn lệnh.

Câu hỏi 5: Hệ thống thử nghiệm này có thể triển khai trực tiếp lên ô tô thương mại chạy tốc độ cao hay không? Trả lời: Hệ thống hiện tại mới dừng ở mức mô hình mẫu với tốc độ thử nghiệm 0,2 m/s. Để ứng dụng trên xe thương mại ở tốc độ trên 60 km/h, hệ thống cần được nâng cấp vi xử lý chuyên dụng chuẩn ô tô, bổ sung cảm biến LiDAR 3D quét đa tia và chuyển đổi thuật toán sang các mạng nơ-ron học sâu thế hệ mới.

Kết luận

Năm đóng góp cốt lõi của công trình luận văn bao gồm:

  • Thiết kế và tích hợp thành công kiến trúc phần cứng phân tầng kết hợp máy tính biên Raspberry Pi 4 và vi điều khiển ARM Cortex-M4 Tiva C.
  • Triển khai hoàn chỉnh 5 tác vụ điều khiển thời gian thực trên hệ điều hành FreeRTOS, đảm bảo tính đồng bộ và triệt tiêu độ trễ chấp hành.
  • Ứng dụng thành công mạng nơ-ron tích chập LeNet trong phân loại 6 nhóm biển báo giao thông với độ chính xác trung bình đạt 86,0%.
  • Xây dựng cơ chế an toàn phối hợp đa cảm biến giúp xe tự động phát hiện vật cản và chuyển làn đạt tỷ lệ thành công 72,0%.
  • Cung cấp tập dữ liệu thực nghiệm 800 mẫu đo lường chi tiết làm tiền đề phát triển các thuật toán lái tự động trên nền tảng nhúng.

Về kế hoạch phát triển tiếp theo, nhóm nghiên cứu dự kiến hoàn thiện tích hợp cảm biến LiDAR 2D và nâng cấp mô hình học sâu phân đoạn làn đường trong vòng 6 tháng tới. Độc giả quan tâm đến việc phát triển hệ thống hỗ trợ lái xe thông minh và robot tự hành có thể khai thác trực tiếp mô hình kiến trúc này để triển khai các dự án nghiên cứu chuyên sâu hoặc ứng dụng công nghiệp thực tế.