Bối cảnh và vấn đề nghiên cứu

Trong các hệ thống robot di động tự hành, khả năng nhận thức không gian ba chiều và ước lượng khoảng cách chính xác giữ vai trò tiên quyết đối với các tác vụ điều hướng, tránh vật cản và xây dựng bản đồ đồng thời (SLAM). Để thu nhận dữ liệu độ sâu dày đặc và chính xác, các hệ thống công nghiệp thường sử dụng cảm biến LiDAR đa tia (từ 16 đến 128 tia). Tuy nhiên, thiết bị này có chi phí đắt đỏ (từ 2.000 USD trở lên), kích thước cồng kềnh và tiêu thụ nhiều điện năng, gây khó khăn cho việc tích hợp trên các nền tảng robot nhỏ và giá rẻ.

Ngược lại, camera đơn (monocular camera) sở hữu ưu điểm vượt trội về giá thành (khoảng 50–100 USD) và kích thước nhỏ gọn nhưng chỉ cung cấp hình ảnh hai chiều; các thuật toán ước lượng độ sâu từ ảnh đơn (Monocular Depth Estimation - MDE) thường chỉ suy luận ra độ sâu tương đối mà thiếu đi quy mô vật lý tuyệt đối (metric scale). Cảm biến LiDAR một tia (single-line LiDAR) là giải pháp dung hòa với chi phí vừa phải (500–1.000 USD) và cung cấp phép đo khoảng cách tuyệt đối chuẩn xác, song dữ liệu thu được lại cực kỳ thưa thớt (chỉ gồm một dải quét duy nhất, tương đương khoảng 0.1% số điểm ảnh). Bài toán hoàn thiện độ sâu từ LiDAR một tia (Single-Line LiDAR Depth Completion - SLDC) nhằm kết hợp ưu điểm của camera RGB và cảm biến LiDAR thưa để tái tạo bản đồ độ sâu dày đặc có quy mô tuyệt đối là hướng tiếp cận trọng tâm của đề tài.

Khóa luận tốt nghiệp "Depth Completion for Low-Cost Mobile Robots Using Monocular Vision and Single-Line LiDAR" do sinh viên Lê Thành Tài (MSSV: 22139057), chuyên ngành Hệ thống nhúng và IoT, Khoa Điện - Điện tử, Trường Đại học Công nghệ Kỹ thuật TP. Hồ Chí Minh thực hiện dưới sự hướng dẫn của PGS. Nguyễn Mạnh Hùng (hoàn thành tháng 01/2026), tập trung giải quyết các mục tiêu và nhiệm vụ nghiên cứu sau:

  1. Xây dựng và đánh giá hoàn chỉnh một pipeline hoàn thiện độ sâu (depth completion) phục vụ cho robot di động chi phí thấp.
  2. Thu thập và thiết lập bộ dữ liệu thực nghiệm chuyên biệt, kết hợp giữa hình ảnh RGB và bản đồ độ sâu thô trong môi trường trong nhà.
  3. Ứng dụng và điều chỉnh khuôn khổ G2-MonoDepth, tích hợp dữ liệu đơn ảnh với dải độ sâu từ LiDAR một tia để suy luận bản đồ độ sâu dày đặc (dense depth map) theo tỷ lệ khoảng cách thực tế, phục vụ trực tiếp cho tác vụ điều hướng của robot.

Đối tượng và phạm vi nghiên cứu của đề tài được giới hạn rõ ràng:

  • Đối tượng nghiên cứu: Thuật toán và mô hình học sâu hoàn thiện bản đồ độ sâu dựa trên kiến trúc mạng U-Net tích hợp khối ReZero; sự phối hợp thông tin giữa ảnh thị giác 2D và dữ liệu laser 1 tia.
  • Phạm vi không gian: Không gian trong nhà (indoor) với ba bối cảnh thực nghiệm cụ thể gồm góc phòng, cuối hành lang kín và giữa hành lang; tập trung vào các vật thể gia dụng và chướng ngại vật phổ biến như hộp giày, hộp quà, ghế đẩu, ba lô, ván trượt và thanh gậy dài.
  • Phạm vi thiết bị: Sử dụng thiết bị Intel RealSense Depth Camera D435 làm công cụ thu thập dữ liệu hình ảnh màu và dữ liệu độ sâu tham chiếu (ground truth).
  • Phạm vi thời gian: Nghiên cứu được triển khai và hoàn thành báo cáo vào tháng 01/2026.

Cơ sở lý thuyết và phương pháp

Khóa luận thiết lập nền tảng dựa trên các lý thuyết cốt lõi về cảm biến thị giác máy tính và các kiến trúc mạng nơ-ron tích chập chuyên sâu:

  • Lý thuyết cảm biến độ sâu: Tác giả hệ thống hóa các nguyên lý đo khoảng cách bao gồm Stereo Camera (dựa trên baseline và độ chênh lệch thị sai disparity), Camera hồng ngoại (IR), Time-of-Flight (dToF và iToF), Ánh sáng cấu trúc (Structured Light - phân tích biến dạng của mẫu chiếu hồng ngoại) và LiDAR (phát xung laser, đo thời gian bay để tái tạo point cloud 3D).
  • Ước lượng độ sâu từ ảnh đơn (MDE): Phân tích các mô hình từ mạng đa tỉ lệ của Eigen & Fergus đến mạng hồi quy thứ tự DORN, cùng các kỹ thuật học có giám sát và tự giám sát khai thác ràng buộc hình học (photometric loss, epipolar constraint).
  • Bài toán hoàn thiện độ sâu (Depth Completion): Mô hình hóa dưới dạng ánh xạ từ bản đồ thưa $Y \in \mathbb{R}^{H \times W}$ với mặt nạ $M \in {0, 1}^{H \times W}$ và ảnh hướng dẫn $I \in \mathbb{R}^{H \times W \times 3}$ thành bản đồ dày đặc $\hat{Y} \in \mathbb{R}^{H \times W}$. Hàm mục tiêu tối ưu hóa kết hợp giữa hàm dữ liệu $L_{data}$ bảo toàn các điểm đo hợp lệ và hàm điều chuẩn $L_{reg}$. Thành phần điều chuẩn khai thác hàm làm mượt có nhận biết biên (edge-aware smoothness) và hàm mất mát gradient đa tỉ lệ $L_{sg}$ thông qua toán tử Sobel ($S_x, S_y$) nhằm bảo toàn cạnh và mặt phẳng hình học.
  • Kiến trúc U-Net: Mạng nơ-ron đối xứng gồm nhánh encoder trích xuất đặc trưng ngữ nghĩa mức cao, vùng thắt bottleneck nén đặc trưng, và nhánh decoder khôi phục độ phân giải không gian thông qua các kết nối tắt (skip connections).
  • Khối ReZero (Residual Zero): Cơ chế điều chỉnh dòng thông tin mạng sâu theo công thức $x_{l+1} = x_l + \alpha_l F(x_l)$, trong đó tham số vô hướng $\alpha_l$ được khởi tạo bằng 0. Trạng thái khởi tạo này thỏa mãn điều kiện đẳng hình động lực (dynamical isometry) với ma trận Jacobian xấp xỉ ma trận đơn vị ($J_l \approx I$), giúp gradient lan truyền ổn định mà không cần đến các lớp Batch Normalization hay Layer Normalization. Việc loại bỏ chuẩn hóa tầng giúp bảo tồn nguyên vẹn thang đo độ sâu vật lý tuyệt đối của dữ liệu.
  • Khuôn khổ G2-MonoDepth: Mô hình suy luận độ sâu tổng quát đa phương thức RGB+X, tích hợp hàm mất mát dung hòa giữa quan hệ tương đối từ ảnh RGB và quan hệ tuyệt đối từ dữ liệu X thưa thớt.

Phương pháp nghiên cứu thực nghiệm được triển khai thông qua quy trình thu thập dữ liệu thực địa, trích xuất dải quét mô phỏng LiDAR 1 tia từ đường giữa ground truth, và huấn luyện mô hình theo cơ chế học có giám sát theo từng điểm ảnh (pixel-wise supervision).

Thiết kế và triển khai hệ thống

Hệ thống được thiết kế đồng bộ từ khâu phần cứng thu nhận tín hiệu đến kiến trúc xử lý học sâu:

Thông số kỹ thuật của thiết bị thu thập Giá trị công bố trong nghiên cứu
Thiết bị sử dụng Intel RealSense Depth Camera D435
Công nghệ đo độ sâu Active Stereoscopic (Bộ chiếu hồng ngoại IR + 2 cảm biến IR)
Khoảng cách đo hiệu dụng 0.3 m – 3.0 m
Độ phân giải độ sâu 1280 × 720 pixel
Tốc độ khung hình tối đa Lên đến 90 fps
Trường nhìn (FOV) 85.2° ngang × 58° dọc
Cảm biến hình ảnh RGB Tích hợp, độ phân giải lên đến 1920 × 1080 pixel
Kích thước phần cứng 90 mm × 25 mm × 25 mm
Định dạng dữ liệu độ sâu 16-bit nguyên bản

Quy trình xử lý dữ liệu và cấu hình mạng được tổ chức theo các bước kỹ thuật:

  • Căn chỉnh dữ liệu độ sâu (Depth Alignment): Hiệu chuẩn tham số nội tại (intrinsic) và tham số ngoại tại (extrinsic) của camera, sau đó thực hiện phép đăng ký hình ảnh (registration) để chuyển đổi bản đồ độ sâu về cùng hệ tọa độ và trường nhìn với camera RGB. Các vùng không phản hồi hoặc mất tín hiệu (invalid depth band) được lọc bỏ trước khi đưa vào mô hình.
  • Quy trình chụp ảnh thực nghiệm: Đặt camera trên tripod giữ cố định độ cao; bắt đầu chụp từ cự ly gần 30–40 cm và lùi dần theo các bước cố định 30 cm (từ 4 đến 6 khoảng cách). Tại mỗi khoảng cách, chụp 1 ảnh chính diện, 2 góc lệch trái (15–30°) và 2 góc lệch phải (15–30°), tạo ra chuỗi 5–6 ảnh đa hướng. Thiết lập bố cục che khuất đa dạng với các vật thể mỏng (ván trượt dựng đứng, thanh gậy) và vật thể dạng khối (hộp, ghế, ba lô) dưới các điều kiện chiếu sáng khác nhau.
  • Phân chia dữ liệu theo cơ chế Sliding Window: Dữ liệu được chia theo tỷ lệ 80% cho tập huấn luyện (training) và 20% cho tập kiểm định (validation). Để tránh hiện tượng các ảnh liền kề trong cùng một cảnh tập trung cục bộ vào tập kiểm định gây sai lệch đánh giá, tác giả duyệt dữ liệu theo cửa sổ trượt kích thước cố định 6 ảnh liên tiếp. Xác suất lựa chọn ảnh kiểm định trong mỗi cửa sổ gồm: 60% xác suất chọn 1 ảnh ngẫu nhiên, 30% xác suất không chọn ảnh nào (nhằm tạo độ thưa hợp lý, giảm bias chuỗi), và 10% xác suất chọn 2 ảnh không liền kề (vị trí cách nhau ít nhất 2 đơn vị). Tập dữ liệu sau đó được cân bằng ngẫu nhiên để đạt đúng tỷ lệ 20% validation.
  • Kiến trúc mạng học sâu:
    • Tầng khởi đầu: 1 lớp tích chập Conv 3×3 tiếp nhận dữ liệu đầu vào kết hợp giữa 3 kênh RGB và 1 kênh độ sâu thưa từ LiDAR một tia (trích từ hàng điểm ảnh chính giữa của ground truth).
    • Nhánh Encoder: Gồm 6 khối encoder tuần tự với số kênh đặc trưng tăng dần: 64, 128, 256, 512, 512, 512. Mỗi khối gồm nhiều ReZero block và sử dụng phép tích chập bước nhảy (Stride Conv 3×3) để giảm kích thước không gian.
    • Vùng Bottleneck: Gồm 3 khối ReZero duy trì độ sâu đặc trưng 512 kênh ở mức biểu diễn trừu tượng cao nhất.
    • Nhánh Decoder: Gồm 6 khối decoder đối xứng, sử dụng phép nội suy gần nhất (Nearest Interpolation) để tăng kích thước không gian, tránh việc tạo ra các giá trị trung gian gây mượt hóa sai lệch như Bilinear Interpolation hoặc lỗi ô cờ checkerboard của Deconvolution. Các đặc trưng từ encoder được ghép nối trực tiếp (concatenation) với decoder qua các đường skip connection.
    • Tầng ra: 1 lớp Conv 3×3 đưa ra bản đồ độ sâu dự đoán 1 kênh duy nhất.
    • Khởi tạo trọng số: Sử dụng phương pháp Kaiming Normal Initialization với hệ số góc $a = 0.2$ (phù hợp hàm kích hoạt LeakyReLU), các hệ số chệch (bias) được gán bằng 0.

Nội dung chính theo từng chương

Bố cục của khóa luận tốt nghiệp được tổ chức thành 5 chương với các nội dung chi tiết:

Chương 1: Tổng quan

Chương 1 trình bày tính cấp thiết của việc thu nhận dữ liệu độ sâu chính xác trong bài toán nhận thức của robot di động. Tác giả phân tích sự chênh lệch giữa các hệ thống cảm biến hiện nay: hệ thống LiDAR đa tia có chi phí cao (từ 2.000 USD) và tiêu tốn năng lượng; camera RGB giá rẻ (50–100 USD) nhưng thiếu thang đo metric; và LiDAR một tia (500–1.000 USD) có dữ liệu đo chính xác nhưng quá thưa thớt. Chương này tổng quan ba nhánh nghiên cứu chính trong học sâu thị giác: ước lượng độ sâu đơn ảnh (MDE), hoàn thiện độ sâu từ dữ liệu thưa (sparse-to-dense) và nâng cao chất lượng độ sâu (depth enhancement). Tác giả dẫn xuất các nghiên cứu nền tảng như Eigen & Fergus, DORN, Sparse-to-Dense của Ma & Karaman, DeepLiDAR, các cơ chế tự giám sát R2M và LDP của Hu et al., từ đó giới thiệu khuôn khổ thống nhất G2-MonoDepth làm cơ sở xác định mục tiêu của đề tài.

Chương 2: Cơ sở lý thuyết

Chương 2 cung cấp hệ thống lý thuyết toàn diện về các công nghệ cảm biến và mô hình học sâu. Phần cảm biến làm rõ nguyên lý của Stereo Camera, Camera hồng ngoại, cảm biến siêu âm, cảm biến ToF và LiDAR (nguyên lý thời gian bay, cấu trúc phát laser, bộ quét, photodetector và point cloud 3D). Phần Depth Camera làm rõ cấu trúc hệ quang học stereo và camera ánh sáng cấu trúc. Về mặt giải thuật, chương này trình bày mô hình toán học của Depth Completion, phân tích chi tiết hàm dữ liệu $L_{data}$, hàm làm mượt có nhận biết biên $L_{smooth}$ và hàm mất mát gradient đa tỉ lệ $L_{sg}$ sử dụng toán tử Sobel. Tiếp theo, tác giả phân tích các nghiên cứu chuyên sâu về Single-Line LiDAR Depth Completion (Lu et al., Ryu et al., Hu et al.). Cuối cùng, chương tập trung phân tích cấu trúc mạng U-Net (encoder, bottleneck, decoder, skip connections), nguyên lý đẳng hình động lực và ma trận Jacobian của kiến trúc ReZero, cùng khuôn khổ dữ liệu RGB+X của G2-MonoDepth.

Chương 3: Thiết kế hệ thống

Chương 3 trình bày toàn bộ giải pháp kỹ thuật của nghiên cứu. Tác giả nêu chi tiết thông số kỹ thuật của camera Intel RealSense D435 và tầm quan trọng của việc lưu trữ dữ liệu độ sâu định dạng 16-bit nguyên bản. Quy trình căn chỉnh hình học (Depth Alignment) được mô tả qua các bước calibration, registration và biến đổi tọa độ để loại bỏ sai lệch giữa ảnh màu và ảnh độ sâu. Quy trình thu thập dữ liệu thực nghiệm được chuẩn hóa qua các bước di chuyển cự ly (30–40 cm, bước lùi 30 cm) và thay đổi góc nhìn (xoay trái/phải 15–30°) tại 3 bối cảnh trong nhà với nhiều loại vật thể che khuất. Tác giả trình bày thuật toán phân chia dữ liệu 80/20 bằng sliding window kích thước 6 ảnh với phân phối xác suất 60-30-10. Phần thiết kế mạng chi tiết hóa kiến trúc U-Net ReZero mở rộng: tầng Conv 3×3 đầu vào, 6 khối encoder (64d đến 512d), 3 khối bottleneck (512d), 6 khối decoder dùng Nearest Interpolation, các skip connections dạng concatenation, và phương pháp khởi tạo Kaiming Normal ($a = 0.2$).

Chương 4: Kết quả

Chương 4 ghi nhận và phân tích các kết quả thực nghiệm đạt được từ quá trình huấn luyện và đánh giá mô hình. Nội dung bao gồm việc công bố cấu hình phần cứng huấn luyện tại Bảng 4.1 và đồ thị hàm mất mát (loss curve) trong Hình 4.2 để chứng minh sự hội tụ ổn định của mô hình. Tác giả đánh giá định lượng mô hình thông qua các chỉ số sai số chuẩn hóa gồm Root Mean Squared Error (RMSE) và Absolute Relative Error (AbsRel) được tổng hợp tại Bảng 4.2. Bên cạnh đó, chương 4 phân tích bản đồ phân bố sai số (error map) trong Hình 4.3 nhằm đánh giá ảnh hưởng của mật độ dữ liệu thưa, đồng thời trực quan hóa các kết quả suy luận (inference) trong Hình 4.4 so sánh giữa ảnh RGB, dữ liệu LiDAR một tia và bản đồ độ sâu dự đoán hoàn chỉnh.

Chương 5: Kết luận và hướng phát triển

Chương 5 đúc kết toàn bộ công trình nghiên cứu, khẳng định việc xây dựng thành công pipeline hoàn thiện độ sâu cho robot di động chi phí thấp bằng cách kết hợp camera RGB và LiDAR 1 tia. Tác giả đánh giá tính khả thi của giải pháp trong việc thay thế các cảm biến đắt tiền, đồng thời vạch ra các hướng mở rộng nhằm hoàn thiện hệ thống trong các nghiên cứu tiếp theo.

Kết quả và đóng góp

Nghiên cứu đã đạt được các kết quả thực nghiệm cụ thể và đóng góp học thuật như sau:

Tiêu chí đánh giá thực nghiệm Kết quả ghi nhận trong văn bản
Sai số toàn phương trung bình (RMSE) 24 cm
Đánh giá sai số tương đối Được lượng hóa qua chỉ số Absolute Relative Error (AbsRel)
Chất lượng phục hồi hình học Duy trì độ chính xác tuyệt đối và tính nhất quán hình học giữa các điểm ảnh
Khả năng tách biên Giữ biên sắc nét nhờ skip connections và lớp tích chập chuẩn hóa ban đầu

Về mặt giải pháp kỹ thuật, tác giả đã thiết lập thành công quy trình xử lý dữ liệu thực nghiệm có kiểm soát với thuật toán sliding window đảm bảo tính đại diện cho tập kiểm tra, đồng thời tùy biến kiến trúc U-Net bằng cách loại bỏ các tầng chuẩn hóa làm mất tỷ lệ để thay bằng khối ReZero, kết hợp phép nội suy gần nhất (Nearest Interpolation) giúp bảo toàn giá trị đo thực tế.

Về mặt đóng góp so với các nghiên cứu trước, đề tài chứng minh tính khả thi của giải pháp thay thế LiDAR đa tia đắt tiền (từ 2.000 USD) bằng hệ thống kết hợp giữa camera đơn và LiDAR một tia có chi phí thấp hơn đáng kể. Mô hình giải quyết được hạn chế thiếu quy mô khoảng cách tuyệt đối của các phương pháp monocular depth estimation truyền thống, đồng thời không đòi hỏi dữ liệu gán nhãn dày đặc tốn kém như các hệ thống sparse-to-dense dành cho LiDAR đa tia.

Hạn chế và hướng nghiên cứu tiếp

Khóa luận chỉ ra các hạn chế thực tế trong quá trình triển khai:

  • Phạm vi dữ liệu thực nghiệm: Toàn bộ quá trình thu thập chỉ được thực hiện trong môi trường trong nhà (indoor), chưa bao quát được các điều kiện hoạt động ngoài trời với cường độ ánh sáng tự nhiên mạnh, bề mặt có độ phản xạ phức tạp hoặc khoảng cách quan sát lớn.
  • Nhiễu từ cảm biến tham chiếu: Cảm biến Intel RealSense D435 gặp hiện tượng mất tín hiệu hoặc nhiễu dữ liệu độ sâu cục bộ đối với các vật thể có tiết diện hẹp hoặc quá mỏng (chẳng hạn như gậy dài hoặc ván trượt dựng đứng).
  • Dữ liệu LiDAR một tia: Dữ liệu laser 1 tia trong nghiên cứu được mô phỏng bằng cách trích xuất từ hàng điểm ảnh giữa của ground truth, chưa phản ánh đầy đủ toàn bộ các đặc tính nhiễu vật lý và sai số cơ quang học của một thiết bị LiDAR một tia độc lập ngoài thực tế.

Hướng nghiên cứu tiếp theo được tác giả xác định:

  • Mở rộng phạm vi thu thập dữ liệu sang các môi trường ngoài trời và các điều kiện chiếu sáng phức tạp.
  • Tích hợp pipeline mô hình trực tiếp lên phần cứng máy tính nhúng của robot di động để đánh giá hiệu năng xử lý thời gian thực và khả năng ứng dụng thực địa cho các thuật toán SLAM và tránh vật cản.

Giá trị tham khảo

Báo cáo khóa luận là tài liệu học thuật hữu ích cho:

  • Sinh viên, học viên và nghiên cứu viên thuộc các ngành Hệ thống nhúng và IoT, Kỹ thuật Máy tính, Điện tử - Viễn thông, Robot và Thị giác máy tính đang thực hiện các đề tài về ước lượng độ sâu hoặc hoàn thiện bản đồ độ sâu.
  • Các kỹ sư phát triển robot tự hành dịch vụ, robot quét dọn hoặc xe tự hành quy mô nhỏ cần giải pháp tối ưu hóa chi phí phần cứng nhận thức không gian.

Các nội dung có giá trị tham khảo chuyên sâu bao gồm: quy trình căn chỉnh đồng bộ dữ liệu RGB-D (Depth Alignment), thuật toán phân chia dữ liệu chuỗi bằng cửa sổ trượt (Sliding Window), và kỹ thuật ứng dụng khối ReZero kết hợp Nearest Interpolation trong mạng U-Net để bảo toàn thang đo metric.

Câu hỏi thường gặp

  1. Tại sao nghiên cứu lại kết hợp camera đơn với LiDAR một tia thay vì sử dụng hoàn toàn camera đơn hoặc LiDAR đa tia? LiDAR đa tia (16–128 tia) có giá thành rất cao (từ 2.000 USD trở lên) và tiêu thụ nhiều điện năng, không phù hợp cho robot chi phí thấp. Ngược lại, camera đơn giá rẻ (50–100 USD) chỉ cung cấp thông tin 2D và độ sâu tương đối, thiếu thang đo metric tuyệt đối cần thiết cho điều hướng an toàn. LiDAR một tia (500–1.000 USD) cung cấp phép đo metric chính xác nhưng quá thưa (~0.1% điểm ảnh). Việc kết hợp camera đơn và LiDAR một tia thông qua học sâu tạo ra giải pháp dung hòa giữa chi phí phần cứng thấp và độ chính xác không gian cao.

  2. Tại sao nhánh decoder của mô hình lại lựa chọn phép nội suy gần nhất (Nearest Interpolation) thay vì Deconvolution hay Bilinear Interpolation? Tác giả sử dụng Nearest Interpolation nhằm bảo toàn thang đo tuyệt đối của giá trị độ sâu trong quá trình khôi phục độ phân giải. Phép tích chập chuyển vị (Deconvolution) có thể gây ra hiện tượng nhiễu dạng kẻ ca-rô (checkerboard), trong khi Bilinear Interpolation có xu hướng làm mượt các giá trị độ sâu, tạo ra các giá trị trung gian không phản ánh đúng cấu trúc hình học thực tế. Nearest Interpolation chỉ sao chép giá trị lân cận mà không sinh thêm giá trị mới, giúp duy trì tính nhất quán hình học của bản đồ độ sâu.

  3. Cơ chế phân chia dữ liệu bằng Sliding Window được thiết kế như thế nào để đảm bảo tính khách quan cho tập kiểm định? Dữ liệu được duyệt tuần tự theo các cửa sổ cố định 6 ảnh liên tiếp của từng cảnh. Trong mỗi cửa sổ, ảnh validation được chọn theo phân phối xác suất: 60% trường hợp chọn ngẫu nhiên 1 ảnh, 30% trường hợp không chọn ảnh nào (nhằm tạo độ thưa, tránh việc cảnh nào cũng bị ép xuất hiện gây thiên lệch chuỗi), và 10% trường hợp chọn 2 ảnh không liền kề nhau (chỉ số cách nhau ít nhất 2 đơn vị). Cuối cùng, tập validation được cân bằng lại để đạt đúng tỷ lệ chuẩn 20% tổng số ảnh.

  4. Khối ReZero mang lại lợi thế kỹ thuật gì cho mô hình hoàn thiện độ sâu so với các phương pháp chuẩn hóa thông thường? ReZero sử dụng cơ chế cổng residual với tham số $\alpha_l$ khởi tạo bằng 0 theo công thức $x_{l+1} = x_l + \alpha_l F(x_l)$, giúp mạng khởi đầu như một ánh xạ đồng nhất (identity mapping) và đảm bảo điều kiện đẳng hình động lực với ma trận Jacobian $J_l \approx I$. Kiến trúc này giúp gradient lan truyền ổn định ở các mạng sâu mà không cần dùng đến Batch Normalization hay Layer Normalization - những kỹ thuật vốn làm thay đổi phân phối và cản trở việc duy trì thang đo độ sâu vật lý tuyệt đối từ dữ liệu LiDAR.

  5. Mô hình đạt được sai số định lượng cụ thể là bao nhiêu trên tập dữ liệu kiểm định? Theo kết quả thực nghiệm được ghi nhận trong tóm tắt và chương đánh giá của khóa luận, mô hình hoàn thiện độ sâu đạt sai số toàn phương trung bình RMSE là 24 cm, đồng thời duy trì được tính nhất quán về quan hệ hình học tương đối giữa các điểm ảnh và tái tạo mượt mà cấu trúc không gian của cảnh quan trong nhà.

Kết luận

Khóa luận tốt nghiệp của sinh viên Lê Thành Tài đã giải quyết trọn vẹn bài toán hoàn thiện độ sâu cho robot di động chi phí thấp bằng cách kết hợp thông tin thị giác từ camera RGB đơn với dữ liệu khoảng cách từ LiDAR một tia. Nghiên cứu đã xây dựng thành công bộ dữ liệu thực nghiệm trong nhà chuẩn hóa, đồng thời đề xuất kiến trúc mạng U-Net tích hợp khối ReZero và phép nội suy gần nhất để bảo toàn thang đo metric vật lý. Kết quả thực nghiệm với sai số RMSE đạt 24 cm khẳng định tính khả thi của giải pháp thay thế các cảm biến đắt tiền, mở ra hướng ứng dụng hiệu quả cho các nền tảng robot tự hành giá rẻ.