I. Tổng Quan Hệ Thống Theo Dõi Làn Đường Xe Tự Hành Hiện Nay
Xe tự hành đang trở thành hiện thực nhờ sự phát triển của thuật toán, cảm biến và bộ vi xử lý. Học sâu đóng vai trò quan trọng, giúp xe đưa ra quyết định như con người và hiểu môi trường xung quanh. Tuy nhiên, việc giữ làn đường vẫn là một thách thức, đặc biệt trong môi trường không ổn định. Cần có các phương pháp mới với khả năng thích ứng và thời gian xử lý tối ưu cho hệ thống thời gian thực. Tránh vật cản cũng là một thách thức lớn. Các cảm biến hiện đại có khả năng xử lý dữ liệu thời gian thực là cần thiết để đảm bảo an toàn cho hành khách, người đi bộ và các vật thể trên đường. Nhiều nghiên cứu sử dụng robot di động tự hành trang bị công nghệ LiDAR để tránh vật cản. Các kỹ thuật khác nhau đã được phát triển để điều khiển xe bằng camera và LiDAR.
1.1. Ứng dụng Camera trong Hệ Thống ADAS cho Xe Tự Hành
Camera là một phần của hệ thống nhận diện hình ảnh trên xe tự hành. Nó giúp xe nhận biết môi trường xung quanh bằng cách tích hợp với các thuật toán theo dõi và phát hiện từ bộ điều khiển trung tâm. Trong xe bán tự hành, nó thường được sử dụng trong hệ thống ADAS, như cảnh báo lệch làn đường và hỗ trợ đỗ xe. Khi phát triển một hệ thống tự hành hoàn toàn, các nhà khoa học kết hợp camera, LiDAR, laser và hệ thống IMU-GPS vào thuật toán 'Sensor Fusion'.
1.2. Vai trò của LiDAR trong Nhận Diện Môi Trường Xe Tự Hành
Xe tự hành trang bị công nghệ LiDAR có thể đưa ra quyết định dựa trên các vật thể xung quanh. Nó giống như 'đôi mắt' của xe và rất quan trọng để biến xe tự hành thành hiện thực. Các nhà sản xuất ô tô đang sử dụng công nghệ này để phát triển xe tự hành. LiDAR giúp xe nhìn về phía trước. Nó đo khoảng cách vật thể so với vị trí của xe để tạo ra mô hình 3D của môi trường. Một hệ thống máy tính tích hợp theo dõi thời gian giữa các xung laser ban đầu và bộ thu để tính khoảng cách ánh sáng. LiDAR xử lý 100.000 xung laser mỗi giây và sử dụng các điểm dữ liệu này để xây dựng các biểu diễn 3D của các vật thể gần đó.
II. Thách Thức và Giới Hạn Hệ Thống Lái Tự Động Cấp Độ 3 5
Dự án này tập trung vào nghiên cứu, thiết kế và xây dựng hệ thống theo dõi làn đường và tránh vật cản cho xe tự hành dựa trên camera đơn và LiDAR 2D để tạo ra một chiếc xe tự hành chi phí thấp hoạt động trong các tình huống cụ thể. Dự án sử dụng các kỹ thuật học sâu để phát hiện làn đường và vật thể trong môi trường thời gian thực. Hơn nữa, các phương trình toán học nhóm dữ liệu LiDAR 2D và khớp dữ liệu với một đường thẳng để tìm các vật thể cản trở. Tuy nhiên, dự án vẫn còn nhiều hạn chế, đặc biệt là khả năng hoạt động trong các tình huống phức tạp.
2.1. Giới hạn về Môi Trường Hoạt Động của Xe Tự Hành
Xe không thể chạy trong các tình huống phức tạp như vật cản động, thời tiết bất thường, người đi bộ, v.v. Robot tự lái chỉ có thể hoạt động ở các địa điểm cụ thể trong khuôn viên trường HCMUTE. Hạn chế về tỷ lệ xe 1:10 và vị trí camera ngăn cản nó chạy chính xác trên các con đường lớn. Các cảm biến chi phí thấp không hoạt động tốt trong điều kiện ngoài trời.
2.2. Hạn Chế Thuật Toán và Phần Cứng trong Xe Tự Hành
Do giới hạn về phần cứng, dự án này ưu tiên các thuật toán nhẹ nhưng hiệu quả. Do đó, một số phương pháp chính xác nhất không được sử dụng. Các thuật toán xử lý ảnh cho xe tự hành cần được tối ưu để chạy trên các thiết bị có cấu hình thấp. Việc fusion sensor cũng cần được cải thiện để tăng độ chính xác.
2.3. Vấn đề An Toàn Xe Tự Hành và Tiêu Chuẩn An Toàn
Việc đảm bảo an toàn xe tự hành là một thách thức lớn. Cần có các tiêu chuẩn an toàn xe tự hành rõ ràng và được tuân thủ. Các hệ thống như hệ thống cảnh báo lệch làn đường (LDW), hệ thống hỗ trợ giữ làn đường (LKA) và hệ thống phanh khẩn cấp tự động (AEB) cần được phát triển và tích hợp một cách hiệu quả.
III. Phương Pháp Theo Dõi Làn Đường Bằng Học Sâu cho Xe Tự Hành
Dự án nghiên cứu phát hiện làn đường bằng "Ultra Fast Structure-aware Deep Lane Detection" để xác định góc lái cho robot. Thuật toán YOLO-v4 được sử dụng để phát hiện và nhận dạng các biển báo giao thông (trái, phải, thẳng và dừng) và các vật cản ("xe hơi" với tỷ lệ phù hợp cho hệ thống). Thuật toán phân cụm và trích xuất đặc trưng được áp dụng cho LiDAR 2D để hỗ trợ hệ thống tránh vật cản. Bộ điều khiển PID được sử dụng để điều khiển góc lái. Robot có khả năng chạy trong khuôn viên trường HCMUTE. Tìm hiểu cách điều khiển servo và động cơ bằng Arduino, Devo7 và NVIDIA Jetson TX2.
3.1. Ứng dụng Ultra Fast Lane Detection trong Hệ Thống Lái Tự Động
Phương pháp "Ultra Fast Structure-aware Deep Lane Detection" được sử dụng để xác định góc lái cho robot. Phương pháp này tập trung vào việc phát hiện làn đường nhanh chóng và chính xác, cho phép xe phản ứng kịp thời với các thay đổi trên đường. Đây là một phần quan trọng của hệ thống lái tự động.
3.2. Sử dụng YOLOv4 cho Nhận Diện Vật Thể và Biển Báo Giao Thông
Thuật toán YOLO-v4 được sử dụng để phát hiện và nhận dạng các biển báo giao thông và các vật cản. YOLOv4 là một thuật toán object detection mạnh mẽ, cho phép xe nhận biết các đối tượng xung quanh một cách nhanh chóng và chính xác. Việc sử dụng Mosaic augmentation giúp tăng cường hiệu suất của mô hình YOLO.
3.3. Phân Cụm và Trích Xuất Đặc Trưng LiDAR 2D để Tránh Vật Cản
Thuật toán phân cụm và trích xuất đặc trưng được áp dụng cho LiDAR 2D để hỗ trợ hệ thống tránh vật cản. LiDAR cung cấp thông tin về khoảng cách và vị trí của các vật thể xung quanh, cho phép xe tránh va chạm. Adaptive Breakpoint Detection được sử dụng để phân cụm các đối tượng trong mặt phẳng quét.
IV. Thiết Kế Hệ Thống Điều Khiển Góc Lái PID cho Xe Tự Hành
Bộ điều khiển PID được sử dụng để điều khiển góc lái. PID là một thuật toán điều khiển vòng kín được sử dụng rộng rãi trong các hệ thống tự động hóa. Nó điều chỉnh góc lái dựa trên sai số giữa vị trí mong muốn và vị trí thực tế của xe. Việc sử dụng bộ điều khiển PID giúp xe duy trì làn đường một cách ổn định và chính xác. Hệ thống sử dụng Arduino, Devo7 và NVIDIA Jetson TX2 để điều khiển servo và động cơ.
4.1. Nguyên Lý Hoạt Động của Bộ Điều Khiển PID trong Xe Tự Hành
Bộ điều khiển PID (Proportional-Integral-Derivative) là một thuật toán điều khiển phản hồi được sử dụng để điều chỉnh góc lái của xe. Nó tính toán sai số giữa vị trí mong muốn và vị trí thực tế, sau đó điều chỉnh góc lái để giảm thiểu sai số này. Các thành phần P, I và D của bộ điều khiển PID đóng vai trò khác nhau trong việc điều chỉnh góc lái.
4.2. Tối Ưu Hóa Tham Số PID cho Hệ Thống Lái Tự Động
Việc tối ưu hóa các tham số của bộ điều khiển PID là rất quan trọng để đảm bảo hiệu suất của hệ thống lái tự động. Các tham số này có thể được điều chỉnh bằng cách sử dụng các phương pháp thử nghiệm và sai sót, hoặc bằng cách sử dụng các thuật toán tối ưu hóa tự động. Việc tối ưu hóa tham số PID giúp xe duy trì làn đường một cách ổn định và chính xác.
4.3. Ứng Dụng Arduino Jetson TX2 Điều Khiển Servo và Động Cơ
Hệ thống sử dụng Arduino, Devo7 và NVIDIA Jetson TX2 để điều khiển servo và động cơ. Arduino được sử dụng để điều khiển các thiết bị ngoại vi, chẳng hạn như servo và động cơ. NVIDIA Jetson TX2 được sử dụng để xử lý dữ liệu từ camera và LiDAR, và để chạy các thuật toán học sâu. Việc sử dụng các nền tảng này cho phép hệ thống hoạt động một cách hiệu quả và linh hoạt.
V. Kết Quả Thử Nghiệm và Đánh Giá Hệ Thống Theo Dõi Làn Đường
Chương này mô tả các thử nghiệm, bao gồm thiết lập thử nghiệm, thu thập dữ liệu và các tham số được xác định trước ban đầu. Ngoài ra, các kết quả và so sánh cũng được trình bày. Các thử nghiệm được thực hiện trên khuôn viên trường HCMUTE. Dữ liệu được thu thập từ camera và LiDAR. Các kết quả cho thấy hệ thống có khả năng theo dõi làn đường và tránh vật cản trong các tình huống cụ thể.
5.1. Thiết Lập Thử Nghiệm và Thu Thập Dữ Liệu cho Xe Tự Hành
Các thử nghiệm được thực hiện trên khuôn viên trường HCMUTE. Dữ liệu được thu thập từ camera và LiDAR. Dữ liệu này bao gồm hình ảnh và điểm đám mây. Dữ liệu được sử dụng để huấn luyện và đánh giá các thuật toán học sâu.
5.2. Đánh Giá Hiệu Suất của Mô Hình Nhận Diện Làn Đường và Vật Thể
Hiệu suất của mô hình nhận diện làn đường và vật thể được đánh giá bằng cách sử dụng các chỉ số như độ chính xác, độ thu hồi và F1-score. Các kết quả cho thấy mô hình có khả năng nhận diện làn đường và vật thể một cách chính xác trong các tình huống cụ thể. So sánh giữa mô hình gốc và mô hình với TensorRT cho thấy sự cải thiện về tốc độ xử lý.
5.3. So Sánh và Phân Tích Kết Quả Thử Nghiệm trên Dữ Liệu Thực Tế
So sánh giữa 2D RANSAC và Linear Regression trên dữ liệu LiDAR 2D cho thấy RANSAC có khả năng loại bỏ nhiễu tốt hơn. Các kết quả thử nghiệm trên dữ liệu thực tế cho thấy hệ thống có khả năng theo dõi làn đường và tránh vật cản trong các tình huống cụ thể. Tuy nhiên, hệ thống vẫn còn nhiều hạn chế và cần được cải thiện để hoạt động trong các tình huống phức tạp hơn.
VI. Kết Luận và Hướng Phát Triển Hệ Thống Lái Tự Động Tương Lai
Chương này đưa ra kết luận và một số công việc trong tương lai sẽ được thực hiện. Dự án đã thành công trong việc xây dựng một hệ thống theo dõi làn đường và tránh vật cản cho xe tự hành dựa trên camera đơn và LiDAR 2D. Tuy nhiên, hệ thống vẫn còn nhiều hạn chế và cần được cải thiện để hoạt động trong các tình huống phức tạp hơn. Các công việc trong tương lai bao gồm cải thiện độ chính xác của mô hình nhận diện làn đường và vật thể, tích hợp thêm các cảm biến khác, và phát triển các thuật toán điều khiển tiên tiến hơn.
6.1. Tóm Tắt Thành Tựu và Hạn Chế của Dự Án Nghiên Cứu
Dự án đã thành công trong việc xây dựng một hệ thống theo dõi làn đường và tránh vật cản cho xe tự hành dựa trên camera đơn và LiDAR 2D. Tuy nhiên, hệ thống vẫn còn nhiều hạn chế, chẳng hạn như khả năng hoạt động trong các tình huống phức tạp, độ chính xác của mô hình nhận diện làn đường và vật thể, và khả năng tích hợp với các cảm biến khác.
6.2. Đề Xuất Các Hướng Nghiên Cứu và Phát Triển Tiếp Theo
Các hướng nghiên cứu và phát triển tiếp theo bao gồm cải thiện độ chính xác của mô hình nhận diện làn đường và vật thể, tích hợp thêm các cảm biến khác, phát triển các thuật toán điều khiển tiên tiến hơn, và thử nghiệm hệ thống trong các tình huống thực tế hơn. Cần tập trung vào functional safety, ISO 26262 và SOTIF để đảm bảo an toàn cho xe tự hành.
6.3. Tầm Quan Trọng của Hệ Thống Lái Tự Động trong Tương Lai
Hệ thống lái tự động có tiềm năng cách mạng hóa ngành giao thông vận tải. Nó có thể giúp giảm tai nạn giao thông, giảm ùn tắc giao thông, và cải thiện hiệu quả sử dụng năng lượng. Tuy nhiên, vẫn còn nhiều thách thức cần được giải quyết trước khi hệ thống lái tự động có thể được triển khai rộng rãi. Cần có sự hợp tác giữa các nhà nghiên cứu, các nhà sản xuất ô tô, và các nhà hoạch định chính sách để đảm bảo rằng hệ thống lái tự động được phát triển và triển khai một cách an toàn và hiệu quả.
