Bối cảnh và vấn đề nghiên cứu

Trong những thập kỷ gần đây, sự phát triển nhanh chóng của các thuật toán thị giác máy tính, cảm biến và bộ vi xử lý đã đưa công nghệ xe tự hành từ các kịch bản mô phỏng trở thành hiện thực. Trong các hệ thống tự hành, học sâu (Deep Learning) đóng vai trò trung tâm như bộ não điều khiển, giúp phương tiện nhận thức môi trường xung quanh và đưa ra các quyết định điều hướng tương tự con người. Tuy nhiên, việc duy trì làn đường (lane-keeping) và tránh vật cản (obstacle avoidance) vẫn là thách thức kỹ thuật phức tạp, đặc biệt là khi triển khai trên các mô hình phần cứng nhúng có chi phí thấp và hoạt động trong môi trường thực tế không dự đoán trước.

Đề tài "Research, Design, and Construct Lane Tracking and Obstacle Avoidance System for Autonomous Ground Vehicles Based on Monocular Vision and 2D-LiDAR" (Nghiên cứu, thiết kế và chế tạo hệ thống theo dõi làn đường và tránh vật cản cho xe tự hành trên mặt đất dựa trên thị giác đơn mục và 2D-LiDAR) được thực hiện bởi sinh viên Lê Trung Lĩnh (MSSV: 18151016), ngành Công nghệ Kỹ thuật Điều khiển và Tự động hóa, dưới sự hướng dẫn của PGS. Lê Mỹ Hà tại Trường Đại học Sư phạm Kỹ thuật TP.HCM (HCMUTE), bảo vệ vào tháng 8 năm 2022.

Nhiệm vụ nghiên cứu của đề tài bao gồm 6 mục tiêu cụ thể:

  1. Nghiên cứu thuật toán phát hiện làn đường sử dụng mô hình "Ultra Fast Structure-aware Deep Lane Detection" (UFLD) để xác định góc bẻ lái cho robot.
  2. Nghiên cứu thuật toán YOLOv4 (phiên bản YOLOv4-tiny) nhằm phát hiện và nhận diện các biển báo giao thông (rẽ trái, rẽ phải, đi thẳng, dừng lại) và các vật cản (mô hình ô tô phù hợp tỷ lệ hệ thống).
  3. Ứng dụng thuật toán phân cụm và trích xuất đặc trưng cho cảm biến 2D-LiDAR để hỗ trợ hệ thống tránh va chạm vật cản.
  4. Thiết kế và ứng dụng bộ điều khiển PID (Proportional - Integral - Derivative) để điều khiển góc lái.
  5. Chế tạo hoàn chỉnh mô hình robot xe tự hành có khả năng vận hành thực tế tại khuôn viên trường HCMUTE với hai chế độ: Tự hành (Autonomic) và Thủ công (Manual).
  6. Làm chủ kỹ thuật điều khiển động cơ và động cơ servo thông qua vi điều khiển Arduino Uno R3, tay điều khiển Devo7/mạch thu RX701 và máy tính nhúng NVIDIA Jetson TX2.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Mô hình xe tự hành mặt đất tỷ lệ 1:10 (Desert Buggy RC Car), tích hợp hệ thống cảm biến gồm Camera USB đơn mục (Monocular Camera) và cảm biến khoảng cách laser quét mặt phẳng (2D-LiDAR).
  • Phạm vi không gian: Các cung đường được thiết lập thử nghiệm thực tế trong khuôn viên Trường Đại học Sư phạm Kỹ thuật TP.HCM (HCMUTE).
  • Phạm vi kỹ thuật: Hệ thống tập trung vào các kịch bản định sẵn với biển báo và vật cản tĩnh/chuẩn hóa; chưa áp dụng cho các điều kiện thời tiết bất thường, vật cản động phức tạp hoặc có người đi bộ tham gia giao thông.

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và mô hình ứng dụng

Đề tài tích hợp nhiều khối kiến thức liên ngành giữa xử lý ảnh, học sâu, xử lý dữ liệu điểm đám mây (point cloud) và lý thuyết điều khiển tự động:

  • Thị giác máy tính và Học sâu (Deep Learning): Sử dụng mạng nơ-ron tích chập (Convolutional Neural Networks - CNN) với các kiến trúc như CSPDarknet53, Spatial Pyramid Pooling (SPP), Path Aggregation Network (PANet). Đề tài ứng dụng thuật toán phát hiện đối tượng đơn tầng YOLOv4-tiny với kỹ thuật tăng cường dữ liệu Mosaic (Mosaic data augmentation) và phân cụm K-means ($k=5$) theo khoảng cách $d = 1 - \text{IoU}$ để tối ưu hóa kích thước Anchor Box. Mô hình phát hiện làn đường dựa trên cấu trúc Ultra-Fast Deep Lane Detection (UFLD).
  • Kỹ thuật tối ưu hóa mô hình nhúng: Sử dụng thư viện NVIDIA TensorRT để tối ưu hóa đồ thị tính toán (Graph optimization), kết hợp các tầng (Layer & Tensor Fusion), tự động tinh chỉnh nhân tính toán (Kernel auto-tuning), quản lý bộ nhớ động (Dynamic Tensor Memory) và chuyển đổi độ chính xác từ FP32 sang FP16 nhằm tăng tốc độ suy luận (inference time) trên kit nhúng Jetson TX2.
  • Xử lý tín hiệu 2D-LiDAR: Ứng dụng thuật toán phát hiện điểm ngắt thích nghi (Adaptive Breakpoint Detector - ABD) dựa trên định lý sin và cosin để phân tách chuỗi dữ liệu quét 360 độ thành các cụm vật cản riêng biệt; sử dụng thuật toán đồng thuận mẫu ngẫu nhiên RANSAC (Random Sample Consensus) để khớp đường thẳng cho thân vật thể và loại bỏ các điểm nhiễu ngoại lai (outliers), khắc phục nhược điểm của phương pháp bình phương bé nhất (Least Squares).
  • Lý thuyết điều khiển: Ứng dụng bộ điều khiển PID kinh điển trong miền rời rạc để tính toán giá trị hiệu chỉnh góc quay của cơ cấu lái Servo MG996R dựa trên độ lệch (error) giữa tâm làn đường phát hiện được và tâm hình ảnh của xe.

Phương pháp nghiên cứu

  • Phương pháp thu thập và tiền xử lý dữ liệu: Thu thập hình ảnh thực tế tại khuôn viên trường trong nhiều điều kiện chiếu sáng khác nhau, sử dụng công cụ gán nhãn dữ liệu (labeling tool) để tạo tập dữ liệu huấn luyện cho bài toán nhận diện làn đường và biển báo/vật thể.
  • Phương pháp thực nghiệm và kiểm thử: Huấn luyện mô hình trên máy trạm, chuyển đổi sang định dạng TensorRT FP16, nạp vào máy tính nhúng NVIDIA Jetson TX2; tiến hành thử nghiệm độc lập từng module (thị giác, LiDAR, điều khiển góc lái) và kiểm thử tích hợp trên mô hình xe chạy thực tế trên đường thử HCMUTE.
  • Phương pháp đa luồng (Multithreading): Thiết kế kiến trúc phần mềm song song nhiều luồng để phân tách tác vụ đọc cảm biến, xử lý mô hình AI, thuật toán LiDAR và xuất tín hiệu điều khiển nhằm đảm bảo tính thời gian thực (real-time).

Thiết kế và triển khai hệ thống

Kiến trúc phần cứng

Hệ thống phần cứng được xây dựng trên khung gầm xe điều khiển từ xa tỷ lệ 1:10 (Desert Buggy) dẫn động 4 bánh (4WD), trang bị các linh kiện tính toán và cảm biến chuyên dụng:

Thành phần phần cứng Tên linh kiện / Thông số kỹ thuật chính Vai trò trong hệ thống
Khung gầm & Truyền động Desert Buggy 1/10 (Chiều dài cơ sở 300mm, khoảng sáng gầm 70mm, 4WD) Nền tảng cơ khí di chuyển của mô hình xe
Động cơ kéo Brushed Motor RC-540PH Dẫn động tiến/lùi cho xe
Cơ cấu lái RC Servo MG996R (Bánh răng kim loại, lực kéo cao) Điều khiển góc quay bánh trước
Bộ xử lý trung tâm NVIDIA Jetson TX2 (GPU Pascal 256 nhân, CPU Dual Denver + Quad ARM A57) Chạy mô hình Deep Learning, xử lý LiDAR và lập quỹ đạo
Vi điều khiển phụ trợ Arduino Uno R3 (ATmega328P) Giao tiếp điều khiển tầng thấp, nhận lệnh và phát xung
Mạch điều khiển PWM PCA9685 16-Channel 12-bit PWM (Giao tiếp I2C) Điều chế độ rộng xung chính xác để điều khiển góc Servo và ESC
Cảm biến thị giác IMX335 5MP USB Camera (A) Thu nhận chuỗi khung hình phục vụ bám làn và nhận diện biển báo
Cảm biến khoảng cách RPLiDAR A1 2D (Tần số quét 5.5Hz, tầm quét 360 độ) Quét vật cản ở tầm thấp và bên hông vùng khuất của camera
Hệ thống điều khiển từ xa Bộ thu phát Devo7 (Transmitter 2.4GHz) & RX701 (Receiver) Cho phép người dùng can thiệp chuyển đổi chế độ Manual / Auto
Màn hình hiển thị Waveshare Touch Screen Hiển thị giao diện điều khiển, thông số và trạng thái xe tại chỗ
Nguồn cấp Pin Gaoneng GNB 7.4V LiPo & Pin Tiger 3S 11.1V LiPo Cấp nguồn độc lập cho mạch công suất động cơ và hệ thống xử lý

Kiến trúc phần mềm và luồng hoạt động

Quy trình xử lý phần mềm của xe tự hành được vận hành tuần tự và song song qua các khối chức năng:

  1. Khối thị giác (Camera Pipeline): Camera IMX335 thu nhận khung hình đầu vào. Khung hình được đưa đồng thời vào mạng UFLD để xác định vị trí làn đường bên trái/phải và mạng YOLOv4-tiny để phát hiện biển báo giao thông (rẽ trái, rẽ phải, đi thẳng, dừng lại) cùng phương tiện phía trước. Dữ liệu từ UFLD được dùng để tính toán tâm làn đường dự kiến.
  2. Khối cảm biến laser (LiDAR Pipeline): Dữ liệu đám mây điểm 2D từ RPLiDAR A1 được lọc và đưa vào thuật toán Adaptive Breakpoint Detector (ABD) để phân tách thành các đoạn cụm đối tượng. Thuật toán RANSAC thực hiện khớp đường thẳng trên các điểm của cụm để xác định hình dáng vật thể và tính toán khoảng cách ngắn nhất đến thân xe, thiết lập điều kiện an toàn chống va chạm.
  3. Khối điều khiển và ra quyết định (Decision & Control Pipeline): Nếu phát hiện vật cản trong ngưỡng nguy hiểm hoặc biển báo dừng, hệ thống ưu tiên phát lệnh dừng hoặc chuyển hướng né tránh. Trong điều kiện bình thường, độ lệch giữa tâm xe và tâm làn đường được đưa vào bộ điều khiển PID để tính góc bẻ lái tối ưu, truyền qua I2C đến mạch PCA9685 điều khiển Servo MG996R và điều chỉnh tốc độ động cơ DC.

Nội dung chính theo từng chương

Chương 1: Giới thiệu đề tài và mục tiêu nghiên cứu (Proposal)

Chương này tổng quan bối cảnh phát triển của các công nghệ xe tự hành trên thế giới, nhấn mạnh tầm quan trọng của việc kết hợp cảm biến Camera và LiDAR trong bài toán tự hành mức độ thấp trên phần cứng giá rẻ. Tác giả phân tích các công trình nghiên cứu liên quan trước đó (sử dụng bộ lọc Sobel, biến đổi Hough hoặc mạng luồng quang học kết hợp phân vùng ngữ nghĩa), từ đó làm rõ lý do lựa chọn kiến trúc kết hợp mạng nơ-ron học sâu UFLD, YOLOv4-tiny và thuật toán hình học 2D-LiDAR. Chương 1 cũng xác định 6 mục tiêu trọng tâm, các giới hạn kỹ thuật của đề tài và bố cục tổng thể của báo cáo.

Chương 2: Tổng quan lý thuyết và cơ sở kỹ thuật (Literature Review)

Chương 2 trình bày chi tiết nền tảng lý thuyết kỹ thuật:

  • Công nghệ cảm biến: Nguyên lý hoạt động của hệ thống camera và cảm biến LiDAR (so sánh giữa 3D LiDAR và 2D LiDAR chi phí thấp; cơ chế quét laser hồng ngoại bước sóng 900nm và tạo point-cloud).
  • Học sâu trong xe tự hành: Các bài toán phân loại ảnh, định vị và phát hiện đối tượng; các độ đo đánh giá mô hình như IoU (Intersection over Union), Non-Max Suppression (NMS), Ma trận nhầm lẫn (Confusion Matrix), Precision, Recall, F1-Score.
  • Dòng thuật toán YOLO: Quá trình tiến hóa từ YOLOv1, YOLOv2, YOLOv3 đến YOLOv4; nguyên lý hoạt động của Anchor Box, cơ chế phân cụm K-means trên tập dữ liệu và hàm mất mát kết hợp giữa vị trí (Localization loss) và phân lớp (Classification loss).
  • Mạng nơ-ron tích chập (CNN): Cấu trúc các tầng Convolution, Max Pooling, Average Pooling, Fully Connected (FC), cơ chế Zero Padding, Stride, và các hàm kích hoạt (ReLU, Leaky ReLU, Softmax).
  • Bộ điều khiển PID: Cơ sở toán học của ba thành phần Tỷ lệ ($K_P$), Tích phân ($K_I$) và Vi phân ($K_D$) trong cả miền liên tục và miền thời gian rời rạc.
  • Thuật toán RANSAC: So sánh sự vượt trội của RANSAC so với phương pháp bình phương bé nhất (Least Squares) khi dữ liệu chứa nhiều điểm nhiễu ngoại lai (outliers); mã giả và quy trình bỏ phiếu lặp để tìm mô hình khớp tốt nhất.
  • Nền tảng NVIDIA TensorRT: Các cơ chế tối ưu hóa bao gồm chuyển đổi lượng tử hóa FP16/INT8 Calibration, ghép tầng/tensor (Layers and Tensor Fusion), tinh chỉnh nhân phần cứng (Kernel auto-tuning), quản lý bộ nhớ động và thực thi đa luồng CUDA streams.
  • Thuật toán xử lý LiDAR (ABD): Cơ sở hình học tính toán ngưỡng thích nghi $D_{\max}$ dựa trên định lý sin và cosin để phân cụm dữ liệu quét 2D.

Chương 3: Thiết kế và cấu hình nền tảng phần cứng (The Hardware Platform)

Chương này tập trung mô tả chi tiết các thông số kỹ thuật, cấu hình chân kết nối và sơ đồ khối ghép nối giữa các linh kiện trong mô hình xe tự hành Desert Buggy 1/10:

  • Bảng thông số chi tiết của xe RC (trọng lượng 1850g, kích thước $41 \times 24.7 \times 21\text{ cm}$, pin 7.4V 2200mAh LiPo).
  • Cấu hình mạch điều khiển PCA9685 qua giao tiếp I2C với vi điều khiển, cơ chế chia tần số từ 40Hz đến 1000Hz và thiết lập thanh ghi LEDn_ON / LEDn_OFF để tạo chu kỳ xung điều khiển servo chính xác.
  • Thông số kỹ thuật của bộ điều khiển không dây Devo7 và mạch thu RX701 (băng tần 2.4GHz).
  • Cấu hình cảm biến RPLiDAR A1, Camera USB IMX335 5MP, máy tính nhúng NVIDIA Jetson TX2, Arduino Uno R3, động cơ chổi than RC-540PH, Servo MG996R và màn hình cảm ứng Waveshare Touch Screen.

Chương 4: Thiết kế phần mềm và thuật toán điều khiển (Software Design)

Trình bày chi tiết kiến trúc phần mềm và cấu trúc các mạng nơ-ron:

  • Cấu trúc mạng YOLOv4-tiny rút gọn, tích hợp khối Cross-Stage-Partial (CSPDarknet53) và SPP để giảm khối lượng tính toán.
  • Thiết kế thuật toán phát hiện làn đường Ultra-Fast Lane Detection (UFLD) định hướng tìm kiếm tọa độ đường bao làn đường.
  • Thiết kế thuật toán bẻ lái sử dụng bộ điều khiển PID dựa trên sai số lệch tâm làn.
  • Quy trình triển khai thuật toán phân cụm điểm ngắt thích nghi (ABD) kết hợp RANSAC trên luồng dữ liệu 2D LiDAR để trích xuất vật cản dạng đường thẳng và đo khoảng cách an toàn.

Chương 5: Thực nghiệm và đánh giá kết quả (Experiments and Results)

Chương 5 cung cấp toàn bộ kết quả thực nghiệm của hệ thống:

  • Xây dựng và gán nhãn tập dữ liệu tùy chỉnh (custom dataset) cho phát hiện làn đường và phát hiện đối tượng/biển báo trên đường thử HCMUTE dưới nhiều điều kiện ánh sáng.
  • Quá trình huấn luyện mô hình: Biểu đồ suy giảm hàm mất mát (Loss) và các chỉ số độ đo (mIoU cho làn đường, mAP cho nhận diện vật thể).
  • Đánh giá hiệu năng tăng tốc suy luận khi chuyển đổi mô hình từ định dạng gốc sang TensorRT FP16 trên NVIDIA Jetson TX2.
  • Đánh giá thời gian thực thi (execution time) trước và sau khi áp dụng kỹ thuật đa luồng (multithreading).
  • So sánh thực nghiệm trực tiếp giữa thuật toán 2D RANSAC và Hồi quy tuyến tính (Linear Regression) trên dữ liệu thực tế từ LiDAR.
  • Kết quả chạy thử nghiệm thực tế của xe mô hình trên sa bàn và đường nội bộ HCMUTE.

Chương 6: Kết luận và hướng phát triển (Conclusion and Future Work)

Tổng kết mức độ hoàn thành các mục tiêu đã đề ra trong đề tài và vạch ra các hướng nghiên cứu mở rộng tiếp theo nhằm hoàn thiện hệ thống xe tự hành.

Kết quả và đóng góp

Kết quả chính

  • Chế tạo thành công nền tảng phần cứng hoàn chỉnh: Xây dựng mô hình xe tự hành 1:10 tích hợp đầy đủ hệ thống tính toán nhúng (Jetson TX2, Arduino Uno R3), cảm biến (IMX335 Camera, RPLiDAR A1) và cơ cấu chấp hành (ESC, Servo MG996R) hoạt động ổn định với 2 chế độ Tự hành và Thủ công.
  • Tối ưu hóa mô hình AI trên thiết bị nhúng: Chuyển đổi thành công hai mô hình học sâu (UFLD bám làn và YOLOv4-tiny nhận diện biển báo/vật cản) sang định dạng TensorRT FP16, giúp giảm đáng kể độ trễ tính toán và nâng cao tốc độ khung hình xử lý trong thời gian thực.
  • Xử lý dữ liệu LiDAR hiệu quả: Kết hợp thành công thuật toán phân cụm ABD và khớp đường thẳng RANSAC, cho phép mô hình xe nhận diện chính xác biên dạng vật thể bên hông và phía trước từ dữ liệu 2D LiDAR mà không bị ảnh hưởng bởi các điểm nhiễu ngoại lai.
  • Tối ưu hóa luồng thực thi: Áp dụng kỹ thuật đa luồng (multithreading) giúp hệ thống đồng thời đọc cảm biến, xử lý học sâu và xuất tín hiệu điều khiển PID một cách trơn tru, cải thiện rõ rệt tổng thời gian thực thi của toàn bộ pipeline.

Đóng góp kỹ thuật của đề tài

  • Đề xuất một giải pháp kết hợp hiệu quả giữa cảm biến thị giác đơn mục giá rẻ và cảm biến 2D-LiDAR để giải quyết đồng thời bài toán bám làn, nhận diện biển báo và phát hiện vật cản ở các vùng khuất của camera.
  • Cung cấp quy trình hoàn chỉnh từ thu thập dữ liệu, huấn luyện, tối ưu hóa bằng TensorRT đến triển khai phần mềm đa luồng trên nền tảng nhúng NVIDIA Jetson TX2 cho xe tự hành cỡ nhỏ.
  • Chứng minh tính hiệu quả vượt trội của RANSAC so với phương pháp bình phương bé nhất trong việc lọc nhiễu và định vị khoảng cách từ cảm biến LiDAR 2D chi phí thấp.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế được ghi nhận

Theo đánh giá của người hướng dẫn và tác giả, đồ án còn một số hạn chế:

  • Hệ thống chưa đạt tới mức độ tự hành hoàn toàn trong mọi kịch bản thực tế.
  • Xe chưa có khả năng xử lý các kịch bản giao thông phức tạp như vật cản động di chuyển nhanh, người đi bộ tham gia giao thông hoặc điều kiện thời tiết khắc nghiệt (mưa, sương mù, ánh sáng quá yếu).
  • Giới hạn kích thước xe tỷ lệ 1:10 và vị trí đặt camera góc nhìn hẹp khiến xe chỉ vận hành chính xác trên các cung đường thử nghiệm quy chuẩn trong khuôn viên HCMUTE, chưa thể thích ứng trực tiếp trên các tuyến đường giao thông quy mô lớn.
  • Cảm biến 2D-LiDAR và Camera giá rẻ có độ ổn định và độ chính xác suy giảm khi hoạt động ngoài trời dưới ánh nắng gắt.
  • Để đáp ứng năng lực phần cứng hạn chế, đồ án ưu tiên các thuật toán nhẹ (như YOLOv4-tiny), do đó độ chính xác nhận diện trong một số trường hợp phức tạp chưa đạt mức tối đa.

Hướng nghiên cứu tiếp

  • Nâng cấp phần cứng cảm biến và nghiên cứu các thuật toán thị giác/hợp nhất cảm biến có độ chính xác cao hơn.
  • Mở rộng tập dữ liệu huấn luyện để tăng cường khả năng nhận diện trong điều kiện môi trường, thời tiết và ánh sáng đa dạng.
  • Phát triển thêm các thuật toán bám quỹ đạo và tránh vật cản động trong các môi trường giao thông phức tạp.

Giá trị tham khảo

Đồ án tốt nghiệp này là tài liệu tham khảo có giá trị kỹ thuật cao cho:

  • Sinh viên và học viên: Thuộc các ngành Kỹ thuật Điều khiển và Tự động hóa, Cơ điện tử, Kỹ thuật Robot, Kỹ thuật Máy tính và Công nghệ Thông tin đang thực hiện đồ án, nghiên cứu về xe tự hành (Autonomous Vehicles) hoặc robot di động (AGV/AMR).
  • Kỹ sư phát triển hệ thống nhúng và AI: Tham khảo chi tiết về quy trình chuyển đổi và tối ưu hóa mô hình Deep Learning bằng NVIDIA TensorRT trên dòng kit NVIDIA Jetson.
  • Nghiên cứu xử lý cảm biến: Cung cấp phương pháp thực tế triển khai thuật toán phân cụm điểm ngắt thích nghi (ABD) và RANSAC trên dữ liệu điểm mây của cảm biến 2D-LiDAR chi phí thấp.

Câu hỏi thường gặp

1. Đồ án sử dụng những mô hình học sâu (Deep Learning) nào cho hệ thống thị giác?
Hệ thống sử dụng hai mô hình học sâu chính chạy trên luồng camera: mô hình Ultra Fast Structure-aware Deep Lane Detection (UFLD) cho bài toán phát hiện làn đường để định hướng góc bẻ lái, và mô hình YOLOv4-tiny (kết hợp kỹ thuật tăng cường dữ liệu Mosaic) để phát hiện vật cản (ô tô mô hình) cùng 4 loại biển báo giao thông (rẽ trái, rẽ phải, đi thẳng, dừng lại).

2. Kỹ thuật nào được áp dụng để tăng tốc độ xử lý mô hình học sâu trên máy tính nhúng NVIDIA Jetson TX2?
Tác giả đã sử dụng thư viện NVIDIA TensorRT để tối ưu hóa đồ thị mạng nơ-ron và chuyển đổi mô hình từ độ chính xác dấu phẩy động 32-bit (FP32) sang định dạng 16-bit (FP16), kết hợp với kỹ thuật đa luồng (multithreading) nhằm tối ưu hóa bộ nhớ GPU và giảm thời gian suy luận (inference time) để đạt hiệu năng thời gian thực.

3. Dữ liệu từ cảm biến 2D-LiDAR được xử lý qua những thuật toán nào để phát hiện vật cản?
Dữ liệu 2D-LiDAR được xử lý trước tiên qua thuật toán Phát hiện điểm ngắt thích nghi (Adaptive Breakpoint Detector - ABD) với ngưỡng khoảng cách $D_{\max}$ biến thiên theo hàm lượng giác để phân tách các cụm điểm quét. Sau đó, thuật toán RANSAC được áp dụng trên từng cụm để khớp thành các đoạn thẳng thân vật thể, loại bỏ các điểm nhiễu ngoại lai và tính khoảng cách an toàn giúp xe tránh va chạm.

4. Cơ chế điều khiển góc lái của mô hình xe tự hành được thiết kế như thế nào?
Góc lái của xe được điều khiển bởi động cơ Servo RC MG996R thông qua xung PWM từ mạch điều khiển PCA9685 (giao tiếp I2C với vi điều khiển). Thuật toán điều khiển sử dụng bộ điều khiển PID rời rạc, lấy sai số giữa tâm làn đường do mạng UFLD phát hiện và tâm khung hình của xe để tính toán góc bẻ lái tương ứng.

5. Mô hình xe tự hành có những chế độ vận hành nào và được chế tạo trên nền tảng phần cứng nào?
Mô hình xe được chế tạo trên nền tảng khung gầm xe điều khiển từ xa Desert Buggy tỷ lệ 1:10 (dẫn động 4 bánh 4WD, động cơ chổi than 540). Xe có hai chế độ vận hành: chế độ Tự hành (Autonomic) dựa trên Camera, LiDAR, Jetson TX2 và chế độ Thủ công (Manual) cho phép người dùng điều khiển từ xa qua tay phát sóng Devo7 2.4GHz.

Kết luận

Đồ án tốt nghiệp của sinh viên Lê Trung Lĩnh đã nghiên cứu, thiết kế và chế tạo thành công mô hình xe tự hành 1:10 tích hợp hệ thống bám làn và tránh vật cản dựa trên camera đơn mục và cảm biến 2D-LiDAR. Bằng việc kết hợp các kiến trúc học sâu UFLD, YOLOv4-tiny tối ưu qua TensorRT FP16 với các thuật toán hình học ABD, RANSAC và bộ điều khiển PID, hệ thống đã vận hành ổn định trong các kịch bản thử nghiệm thực tế tại khuôn viên trường HCMUTE. Đồ án là một tài liệu tham khảo kỹ thuật hữu ích về phương pháp tích hợp cảm biến chi phí thấp và tối ưu hóa xử lý thời gian thực trên các hệ thống nhúng tự hành.