Đồ án: Hệ thống Lane Keeping & Navigation cho Xe Tự Hành (Camera, GPS, IMU)

• Tác giả: Nguyễn Hoàng Hải Nam
• Người hướng dẫn: Assoc. Lê Mỹ Hà
• Trường học: Ho Chi Minh City University Of Technology And Education
• Chuyên ngành: Automation And Control Engineering
• Đề tài: Design And Implementation Of A Lane Keeping And Navigation System For Self-Driving Vehicle Based On The Fusion Of Camera, GPS And IMU
• Loại tài liệu: Graduation project
• Năm xuất bản: 2022
• Địa điểm: Ho Chi Minh City

Mục lục chi tiết

• ACKNOWLEDGEMENTS
• ABSTRACT
• TABLE OF CONTENTS
• LIST OF FIGURES
• LIST OF TABLES
• 1. CHAPTER 1: INTRODUCTION
• 2. CHAPTER 2: THEORETICAL BASIS
• 2.1. Technologies used in Self-driving Car
• 2.2. Deep Learning Applications in Self-driving Car
• 2.3. Convolutional Neural Network
• 2.4. Stride and Padding
• 2.5. Fully Connected Layer
• 2.6. Image Segmentation Techniques
• 2.7. Threshold Based Segmentation
• 2.8. Edge Based Segmentation
• 2.9. Clustering Based Segmentation
• 2.10. Artificial Neural Network Based Segmentation
• 2.11. Semantic Segmentation Dataset for Road Scene Application
• 2.12. Our Customized Dataset
• 3. CHAPTER 3: DESIGN AND CALCULATION
• 3.1. Design and Propose of the Image Segmentation Model
• 3.2. Mathematical Analysis of a 4-wheeled Ground Vehicle
• 3.3. Ackerman Steering Geometry
• 3.4. Analyze the Kinematic Model of Four-wheeled Vehicle
• 3.5. Analyze the Dynamic Model of Four-wheeled Vehicle
• 3.6. Designing of Control System
• 3.7. Waypoint-based Geometric Lateral Controller
• 3.8. Image-Segmentation-based Lateral Controller
• 3.9. Preparing of GPS Road Map
• 3.10. Extended Kalman Filter
• 3.11. Fusion Strategy between Segmentation-based Controller and GPS-waypoint Controller
• 4. CHAPTER 4: HARDWARE ASSEMBLY
• 4.1. Brushed Motor RC-540
• 4.2. MG996R Servo Motor
• 4.3. PCA9685 Servo Driver
• 4.4. Jetson NVIDIA TX2
• 4.5. Self-driving Car Model
• 5. CHAPTER 5: EXPERIMENTAL RESULTS
• 6. CHAPTER 6: CONCLUSION AND FUTURE WORK
• 6.1. Work in the future

Tóm tắt

I. Toàn cảnh Lane Keeping Navigation cho Xe Tự Hành

Lane Keeping và Navigation (Giữ làn và Dẫn đường) là hai công nghệ trụ cột trong việc phát triển xe tự hành an toàn và hiệu quả. Chức năng giữ làn đảm bảo xe di chuyển ổn định trong một làn đường cụ thể, trong khi hệ thống dẫn đường chịu trách nhiệm hoạch định và thực thi lộ trình từ điểm xuất phát đến đích. Nghiên cứu của Nguyễn Hoàng Hải Nam và Phạm Duy Hưng (2022) tại ĐH Sư phạm Kỹ thuật TP.HCM đã đề xuất một giải pháp đột phá, kết hợp phương pháp phân vùng ảnh dựa trên Camera và bộ điều khiển bên sử dụng GPS và IMU. Hệ thống này được thiết kế để hoạt động trong môi trường đô thị, đặc biệt là trong khuôn viên trường học, nơi có nhiều tình huống giao thông phức tạp. Mục tiêu chính là xây dựng một mô hình xe tự hành tỷ lệ 1/10 có chi phí thấp nhưng vẫn đảm bảo khả năng hoạt động tự chủ trong thời gian thực. Bằng cách tích hợp các cảm biến giá rẻ và áp dụng các thuật toán phát hiện vạch kẻ đường thông minh, dự án mở ra một hướng đi tiềm năng cho việc triển khai Hệ thống hỗ trợ lái xe nâng cao (ADAS) trên các phương tiện thực tế. Việc sử dụng các công nghệ như thị giác máy tính cho xe tự lái và hợp nhất dữ liệu cảm biến (Sensor Fusion) không chỉ giải quyết bài toán kỹ thuật mà còn tối ưu hóa chi phí, tạo tiền đề cho các nghiên cứu sâu hơn về xe tự hành tại Việt Nam. Nền tảng của hệ thống này là sự kết hợp giữa khả năng nhận dạng môi trường của camera và dữ liệu vị trí địa lý từ các cảm biến khác, tạo nên một hệ thống nhận thức toàn diện cho phương tiện.

1.1. Vai trò của Hệ thống hỗ trợ giữ làn đường LKAS

Hệ thống hỗ trợ giữ làn đường, hay Lane Keeping Assist System (LKAS), là một thành phần cốt lõi của công nghệ tự hành. Chức năng chính của nó là tự động điều chỉnh góc lái để giữ cho xe luôn di chuyển ở trung tâm làn đường. LKAS hoạt động dựa trên dữ liệu từ camera phía trước, sử dụng các thuật toán xử lý ảnh kỹ thuật số để nhận diện vạch kẻ đường. Khi phát hiện xe có xu hướng đi chệch làn mà không có tín hiệu xi-nhan, hệ thống sẽ can thiệp nhẹ vào vô-lăng để đưa xe trở lại đúng quỹ đạo. Đây là một bước tiến so với Hệ thống cảnh báo chệch làn đường (LDWS), vốn chỉ đưa ra cảnh báo bằng âm thanh hoặc rung vô-lăng. Trong bối cảnh giao thông đô thị, LKAS giúp giảm thiểu rủi ro do tài xế mất tập trung, mệt mỏi hoặc các yếu tố bất ngờ khác. Nó không chỉ nâng cao an toàn mà còn cải thiện trải nghiệm lái xe, giảm bớt căng thẳng cho người điều khiển trên những hành trình dài. Nghiên cứu ứng dụng LKAS trên mô hình xe tự hành quy mô nhỏ cho thấy tiềm năng to lớn trong việc tinh chỉnh và hoàn thiện các thuật toán điều khiển trước khi áp dụng trên xe thực tế.

1.2. Tầm quan trọng của định vị chính xác trong xe tự lái

Định vị chính xác là yêu cầu cơ bản và quan trọng nhất đối với chức năng dẫn đường của xe tự hành. Một hệ thống định vị đáng tin cậy phải xác định được vị trí, hướng và vận tốc của xe với sai số cực nhỏ. Hệ thống định vị toàn cầu (GPS) là công nghệ phổ biến nhất, tuy nhiên tín hiệu GPS thường bị nhiễu hoặc mất trong các khu vực như đường hầm, nhà cao tầng hoặc điều kiện thời tiết xấu. Để khắc phục nhược điểm này, các hệ thống hiện đại thường kết hợp GPS với Đơn vị đo lường quán tính (IMU). IMU cung cấp dữ liệu về gia tốc và vận tốc góc, giúp ước tính vị trí của xe khi tín hiệu GPS không khả dụng. Hơn nữa, việc tích hợp bản đồ độ phân giải cao (HD Maps) và công nghệ Định vị và lập bản đồ đồng thời (SLAM) cho phép xe tự hành xây dựng một mô hình chi tiết về môi trường xung quanh, từ đó tăng cường độ chính xác và độ tin cậy của hệ thống định vị. Sự kết hợp này tạo ra một giải pháp toàn diện, đảm bảo xe luôn biết chính xác vị trí của mình trên bản đồ và trong môi trường thực tế.

II. Thách thức cốt lõi khi giữ làn và định vị xe tự lái

Việc triển khai một hệ thống giữ làn và dẫn đường hiệu quả cho xe tự hành phải đối mặt với nhiều thách thức kỹ thuật. Một trong những vấn đề lớn nhất là độ chính xác và độ ổn định của các cảm biến trong môi trường thực tế. Các cảm biến chi phí thấp như GPS và IMU thường xuyên bị nhiễu tín hiệu, dẫn đến sai lệch lớn về vị trí và hướng di chuyển. Theo báo cáo nghiên cứu, "độ chính xác và ổn định của hệ thống chỉ dừng ở mức chấp nhận được trong môi trường ngoài trời do tất cả các cảm biến đều có chi phí thấp". Thêm vào đó, hệ thống camera, mặc dù mạnh mẽ trong việc nhận dạng làn đường, lại rất nhạy cảm với điều kiện ánh sáng. Ánh sáng quá chói, bóng râm, mưa lớn hoặc sương mù có thể làm giảm chất lượng hình ảnh, khiến các thuật toán phát hiện vạch kẻ đường hoạt động sai lệch. Một thách thức khác là yêu cầu xử lý một lượng lớn dữ liệu trong thời gian thực. Hệ thống phải đồng thời thu thập dữ liệu từ nhiều cảm biến Lidar, Radar, Camera, xử lý, hợp nhất và đưa ra quyết định điều khiển trong vài mili giây. Điều này đặt ra yêu cầu cao về năng lực tính toán của bộ xử lý trung tâm, ví dụ như NVIDIA Jetson TX2 được sử dụng trong dự án. Cuối cùng, việc xây dựng và duy trì một bản đồ độ phân giải cao (HD Maps) chính xác và cập nhật liên tục cũng là một bài toán phức tạp và tốn kém, đặc biệt là ở những khu vực có cơ sở hạ tầng thay đổi thường xuyên. Tất cả những yếu tố này đòi hỏi các giải pháp thuật toán thông minh và chiến lược hợp nhất dữ liệu hiệu quả.

2.1. Nhiễu tín hiệu từ GPS và Đơn vị đo lường quán tính IMU

Nhiễu tín hiệu là vấn đề cố hữu của các hệ thống định vị dựa trên Hệ thống định vị toàn cầu (GPS) và Đơn vị đo lường quán tính (IMU). Tín hiệu GPS có thể bị suy yếu hoặc phản xạ bởi các tòa nhà cao tầng, cây cối, gây ra hiện tượng đa đường (multipath), dẫn đến sai số vị trí lên tới vài mét. Trong khi đó, cảm biến IMU, dù hoạt động độc lập với tín hiệu bên ngoài, lại bị ảnh hưởng bởi lỗi tích lũy (drift error). Sai số nhỏ trong các phép đo gia tốc và vận tốc góc sẽ tích tụ theo thời gian, khiến cho ước tính vị trí ngày càng trở nên thiếu chính xác. Nghiên cứu đã chỉ ra rằng, khi chỉ dựa vào IMU, vị trí của xe có thể trôi đi đáng kể chỉ sau một thời gian ngắn. Đây là một rủi ro lớn, đặc biệt khi xe cần thực hiện các thao tác chính xác như chuyển làn hoặc đi qua giao lộ. Việc giải quyết vấn đề nhiễu tín hiệu đòi hỏi các thuật toán lọc và hợp nhất dữ liệu cảm biến (Sensor Fusion) phức tạp để bù trừ sai số của từng loại cảm biến.

2.2. Xử lý hình ảnh thời gian thực với Computer Vision

Thị giác máy tính cho xe tự lái hay Computer Vision đóng vai trò là "đôi mắt" của phương tiện, nhưng nó cũng đi kèm với gánh nặng tính toán khổng lồ. Để đảm bảo an toàn, hệ thống phải phân tích luồng video từ camera với tốc độ hàng chục khung hình mỗi giây (fps). Mỗi khung hình cần trải qua nhiều bước xử lý phức tạp: hiệu chỉnh biến dạng ống kính, nhận diện vạch kẻ đường, phát hiện vật cản, và phân vùng các đối tượng. Các mô hình học sâu như mạng nơ-ron tích chập (CNN) dù mang lại độ chính xác cao nhưng lại yêu cầu tài nguyên phần cứng rất lớn. Dự án nghiên cứu đã phải lựa chọn một phương pháp đủ nhẹ để có thể chạy trên phần cứng nhúng trong thời gian thực. Cụ thể, hệ thống đạt được tốc độ 11-13 fps trên bo mạch NVIDIA Jetson TX2. Thách thức nằm ở việc cân bằng giữa độ chính xác của thuật toán và tốc độ xử lý. Một thuật toán quá phức tạp có thể cho kết quả nhận dạng tốt hơn nhưng lại gây ra độ trễ, khiến xe phản ứng chậm với các tình huống trên đường. Ngược lại, một thuật toán quá đơn giản có thể chạy nhanh nhưng lại dễ mắc lỗi, gây nguy hiểm.

III. Phương pháp phát hiện làn đường bằng Thị giác Máy tính

Phương pháp cốt lõi để thực hiện chức năng giữ làn là sử dụng thị giác máy tính cho xe tự lái để phân tích hình ảnh thu được từ camera. Hệ thống này bao gồm hai giai đoạn chính: tiền xử lý ảnh và áp dụng mô hình học sâu để phân vùng. Ban đầu, hình ảnh thô từ camera thường bị biến dạng do ống kính góc rộng. Vì vậy, bước hiệu chỉnh camera (camera calibration) là bắt buộc để loại bỏ các hiệu ứng "mắt cá", đảm bảo các đường thẳng trong thực tế vẫn là đường thẳng trong ảnh đã xử lý. Sau khi hiệu chỉnh, hình ảnh được đưa vào một mô hình phân vùng ngữ nghĩa (Semantic Segmentation). Nghiên cứu của Nam và Hưng đã lựa chọn mô hình BiSeNet (Bilateral Segmentation Network) vì khả năng cân bằng giữa tốc độ và độ chính xác. BiSeNet được huấn luyện trên một bộ dữ liệu tùy chỉnh gồm 1299 hình ảnh được thu thập tại khuôn viên trường ĐH Sư phạm Kỹ thuật TP.HCM trong các điều kiện ánh sáng khác nhau (sáng, chiều, tối). Mô hình này học cách phân loại từng pixel trong ảnh thuộc về một trong ba lớp: đường đi, xe cộ, và người đi bộ. Kết quả đầu ra là một bản đồ phân vùng, trong đó khu vực đường đi được đánh dấu rõ ràng. Từ bản đồ này, hệ thống sử dụng các phép toán hình học để xác định đường viền của làn đường và tính toán độ lệch của xe so với tâm làn, từ đó tạo ra tín hiệu điều khiển góc lái phù hợp. Việc áp dụng thuật toán phát hiện vạch kẻ đường dựa trên học sâu giúp hệ thống trở nên mạnh mẽ và linh hoạt hơn so với các phương pháp xử lý ảnh truyền thống.

3.1. Ứng dụng thuật toán xử lý ảnh kỹ thuật số để nhận diện

Trước khi các mô hình học sâu trở nên phổ biến, xử lý ảnh kỹ thuật số truyền thống là phương pháp chính để nhận diện làn đường. Các kỹ thuật này thường bao gồm một chuỗi các bước xử lý. Đầu tiên là chuyển đổi ảnh màu sang ảnh xám để giảm độ phức tạp tính toán. Tiếp theo, áp dụng các bộ lọc như Gaussian Blur để làm mờ ảnh và loại bỏ nhiễu. Sau đó, sử dụng các toán tử phát hiện cạnh như Sobel hoặc Canny để tìm ra các đường nét tương phản mạnh trong ảnh, thường là các vạch kẻ đường. Cuối cùng, thuật toán Hough Transform được sử dụng để nhóm các điểm ảnh cạnh thành các đường thẳng. Từ các đường thẳng này, hệ thống sẽ lọc ra những đường có khả năng là vạch kẻ làn dựa trên độ dốc và vị trí của chúng. Mặc dù các phương pháp này tương đối đơn giản và nhanh, chúng lại rất nhạy cảm với sự thay đổi của môi trường như bóng râm, vạch kẻ bị mờ, hoặc khi có các vật thể khác trên đường. Đây chính là lý do các giải pháp dựa trên học sâu đang dần thay thế các kỹ thuật truyền thống.

3.2. Mô hình BiSeNet Giải pháp phân vùng ảnh cho xe tự hành

Mô hình BiSeNet được đề xuất bởi Yu et al. (2018) là một kiến trúc mạng nơ-ron được thiết kế đặc biệt cho các tác vụ phân vùng ảnh thời gian thực. Điểm độc đáo của BiSeNet là cấu trúc hai nhánh song song: Nhánh Không gian (Spatial Path - SP) và Nhánh Ngữ cảnh (Context Path - CP). Nhánh Không gian bao gồm một vài lớp tích chập nông, được thiết kế để giữ lại thông tin không gian có độ phân giải cao, chẳng hạn như chi tiết về cạnh và kết cấu của vật thể. Ngược lại, Nhánh Ngữ cảnh sử dụng một mô hình nhẹ (ví dụ: ResNet18) với các lớp tích chập sâu để thu được trường tiếp nhận (receptive field) lớn, giúp nắm bắt thông tin ngữ cảnh toàn cục. Sau đó, các đặc trưng từ hai nhánh này được hợp nhất lại thông qua một Module Hợp nhất Đặc trưng (Feature Fusion Module - FFM). Kiến trúc này cho phép BiSeNet vừa duy trì được độ chi tiết không gian, vừa hiểu được ngữ cảnh rộng của hình ảnh, từ đó tạo ra kết quả phân vùng chính xác trong khi vẫn đảm bảo tốc độ xử lý cao, phù hợp với các ứng dụng yêu cầu độ trễ thấp như xe tự hành.

IV. Bí quyết Hợp nhất Dữ liệu Cảm biến để Định vị Chính xác

Để đạt được khả năng định vị và dẫn đường đáng tin cậy, việc chỉ dựa vào một loại cảm biến là không đủ. Giải pháp hiệu quả nhất là hợp nhất dữ liệu cảm biến (Sensor Fusion) từ nhiều nguồn khác nhau để bù trừ cho điểm yếu của nhau. Trong dự án này, phương pháp hợp nhất dữ liệu tập trung vào việc kết hợp thông tin từ GPS, IMU và camera. Trọng tâm của quá trình này là việc sử dụng Bộ lọc Kalman (Kalman Filter) mở rộng, hay còn gọi là Extended Kalman Filter (EKF). EKF là một thuật toán đệ quy mạnh mẽ, có khả năng ước tính trạng thái của một hệ thống động (trong trường hợp này là vị trí và hướng của xe) ngay cả khi các phép đo bị nhiễu. Thuật toán hoạt động theo hai bước: dự đoán và cập nhật. Ở bước dự đoán, EKF sử dụng mô hình động học của xe và dữ liệu từ IMU để ước tính vị trí tiếp theo. Ở bước cập nhật, nó sử dụng phép đo mới từ GPS để hiệu chỉnh lại giá trị dự đoán, giảm thiểu sai số tích lũy. Theo kết quả nghiên cứu, EKF đã cải thiện đáng kể độ chính xác của dữ liệu GPS thô. Chiến lược hợp nhất còn bao gồm việc chuyển đổi giữa hai bộ điều khiển: bộ điều khiển dựa trên phân vùng ảnh và bộ điều khiển dựa trên điểm tham chiếu GPS. Sự kết hợp này cho phép xe vừa bám làn đường một cách chính xác, vừa tuân thủ lộ trình đã được hoạch định đường đi (Path Planning) từ trước.

4.1. Vai trò của Bộ lọc Kalman Kalman Filter mở rộng

Bộ lọc Kalman mở rộng (EKF) đóng vai trò trung tâm trong việc tích hợp dữ liệu từ GPS và IMU. Không giống như bộ lọc Kalman tuyến tính, EKF có thể xử lý các hệ thống phi tuyến, vốn là đặc trưng của mô hình chuyển động của xe. Thuật toán này giúp ước tính các biến trạng thái quan trọng như tọa độ (x, y) và góc yaw của xe. Dữ liệu từ IMU, với tần số cập nhật cao, được dùng trong giai đoạn dự đoán để cung cấp một ước tính liên tục về chuyển động của xe. Khi có một điểm dữ liệu GPS mới (với tần số thấp hơn và nhiễu nhiều hơn), EKF sẽ thực hiện bước cập nhật. Nó so sánh vị trí đo được từ GPS với vị trí dự đoán từ IMU, sau đó tính toán một "sai số" và sử dụng nó để điều chỉnh lại ước tính trạng thái. Quá trình này không chỉ làm mịn đường đi của xe mà còn giúp lọc bỏ các sai số đột biến từ GPS. Kết quả thực nghiệm cho thấy quỹ đạo của xe sau khi qua bộ lọc EKF trở nên mượt mà và gần với thực tế hơn nhiều so với chỉ sử dụng dữ liệu GPS gốc, chứng minh hiệu quả của EKF trong các ứng dụng điều hướng.

4.2. Tích hợp GPS và bản đồ để hoạch định đường đi Path Planning

Chức năng dẫn đường của xe tự hành yêu cầu một lộ trình xác định trước, được biểu diễn dưới dạng một chuỗi các điểm tham chiếu (waypoints). Quá trình hoạch định đường đi (Path Planning) bắt đầu bằng việc sử dụng các công cụ bản đồ như OpenStreetMap (OSM) để trích xuất tọa độ GPS của con đường mong muốn. Trong dự án, lộ trình trong khuôn viên trường ĐH Sư phạm Kỹ thuật TP.HCM đã được số hóa thành một tập hợp gồm 400 điểm GPS. Tuy nhiên, khoảng cách giữa các điểm này còn lớn, có thể khiến xe di chuyển giật cục. Để giải quyết vấn đề này, phương pháp nội suy tuyến tính (Linear Interpolation) đã được áp dụng để tăng mật độ điểm tham chiếu lên 4000 điểm, tạo ra một quỹ đạo mượt mà hơn. Xe tự hành sẽ liên tục so sánh vị trí hiện tại của nó (đã được lọc qua EKF) với điểm tham chiếu gần nhất trên lộ trình. Dựa trên sai số vị trí và sai số góc, một bộ điều khiển hình học (Geometric Lateral Controller) sẽ tính toán góc lái cần thiết để đưa xe bám theo quỹ đạo đã định. Sự kết hợp giữa hoạch định đường đi và điều khiển dựa trên điểm tham chiếu là nền tảng cho khả năng điều hướng tự động của xe.

V. Kết quả thực nghiệm hệ thống giữ làn định vị xe tự hành

Hệ thống giữ làn và dẫn đường đã được triển khai và thử nghiệm thành công trên mô hình xe RC tỷ lệ 1/10 trong khuôn viên trường ĐH Sư phạm Kỹ thuật TP.HCM. Kết quả thực nghiệm là minh chứng rõ ràng cho tính khả thi của giải pháp kết hợp chi phí thấp. Mô hình xe đã có thể hoạt động tự chủ trên một lộ trình được xác định trước từ khu C đến khu F, thực hiện các tác vụ giữ làn và bám theo quỹ đạo GPS một cách ổn định. Về mặt hiệu năng, hệ thống xử lý hình ảnh và điều khiển đạt tốc độ 11-13 khung hình/giây (fps) trên bo mạch NVIDIA Jetson TX2, đáp ứng yêu cầu hoạt động trong thời gian thực. Mô hình phân vùng ảnh BiSeNet, sau khi được huấn luyện trên bộ dữ liệu tùy chỉnh, đã đạt được chỉ số mIoU (Mean Intersection over Union) tốt, cho thấy khả năng nhận diện chính xác khu vực đường đi trong các điều kiện ánh sáng khác nhau. Dữ liệu từ bộ lọc Kalman mở rộng cũng cho thấy sự cải thiện đáng kể về độ chính xác vị trí so với dữ liệu GPS thô. Góc lái được ghi lại trong quá trình thử nghiệm cho thấy tín hiệu điều khiển khá mượt mà sau khi qua bộ lọc PID. Mặc dù vẫn còn một số hạn chế như cần sự có mặt của người vận hành và hoạt động chưa ổn định trong điều kiện thời tiết khắc nghiệt, nhưng kết quả này đã đặt một nền tảng vững chắc cho các phát triển trong tương lai, hướng tới một hệ thống xe tự hành hoàn thiện hơn.

5.1. Đánh giá hiệu năng điều khiển quỹ đạo Trajectory Control

Hiệu năng điều khiển quỹ đạo (Trajectory Control) được đánh giá dựa trên khả năng bám theo lộ trình GPS đã định. Dữ liệu thực nghiệm cho thấy, sau khi áp dụng bộ lọc EKF, quỹ đạo di chuyển của xe (màu xanh lá) bám sát hơn vào các điểm tham chiếu so với dữ liệu GPS gốc (màu xanh dương). Điều này chứng tỏ EKF đã loại bỏ hiệu quả nhiễu và sai số đột biến. Tín hiệu góc lái cũng được phân tích. Tín hiệu gốc từ các bộ điều khiển có thể khá nhiễu và thay đổi đột ngột. Tuy nhiên, sau khi được lọc qua một bộ điều khiển PID (Proportional-Integral-Derivative), tín hiệu góc lái trở nên ổn định và mượt mà hơn, giúp cho servo lái hoạt động trơn tru, tránh các chuyển động giật cục. Phân tích tốc độ góc yaw từ EKF so với giá trị thực tế (ground truth) cũng cho thấy sự tương đồng cao, khẳng định khả năng ước tính trạng thái chính xác của hệ thống. Nhìn chung, hệ thống điều khiển quỹ đạo đã hoạt động đúng như thiết kế, đảm bảo xe có thể tự động đi theo một lộ trình phức tạp trong môi trường thực tế.

5.2. Phân tích độ chính xác mô hình BiSeNet trên dữ liệu tùy chỉnh

Độ chính xác của chức năng giữ làn phụ thuộc rất nhiều vào mô hình phân vùng ảnh. Mô hình BiSeNet-ResNet18 đã được huấn luyện trong 200 epochs trên bộ dữ liệu gồm 1299 ảnh thu thập tại trường. Quá trình huấn luyện cho thấy cả loss trên tập huấn luyện (training loss) và loss trên tập xác thực (validation loss) đều giảm dần, cho thấy mô hình học được các đặc trưng quan trọng mà không bị quá khớp (overfitting). Chỉ số mIoU, thước đo độ chính xác của phân vùng, đã được ghi nhận và theo dõi trong suốt quá trình huấn luyện. Kết quả dự đoán trên tập dữ liệu thử nghiệm (test set) cho thấy mô hình có khả năng phân biệt rõ ràng giữa đường đi, xe cộ và người đi bộ ngay cả trong các kịch bản phức tạp như có bóng râm hoặc ánh sáng thay đổi. Khả năng nhận diện chính xác này là yếu tố then chốt giúp bộ điều khiển dựa trên hình ảnh tính toán được góc lái phù hợp để giữ xe trong làn. Thành công của việc huấn luyện mô hình trên dữ liệu tùy chỉnh chứng tỏ tầm quan trọng của việc thu thập dữ liệu phù hợp với môi trường vận hành thực tế.

VI. Tương lai của Công nghệ Giữ làn và Điều hướng Tự động

Dự án thiết kế và triển khai hệ thống giữ làn và dẫn đường cho xe tự hành dựa trên sự kết hợp của camera, GPS và IMU đã đạt được những kết quả ban đầu đầy hứa hẹn. Đây là một bước đệm quan trọng, tạo ra một quy trình làm việc hoàn chỉnh cho các dự án xe tự hành quy mô lớn hơn trong tương lai. Hướng phát triển tiếp theo sẽ tập trung vào việc khắc phục các hạn chế còn tồn tại. Một trong những ưu tiên hàng đầu là cải thiện độ chính xác và độ tin cậy của hệ thống, đặc biệt là trong các điều kiện thời tiết bất lợi và môi trường giao thông phức tạp hơn. Điều này có thể đạt được bằng cách tích hợp thêm các loại cảm biến khác như Lidar và Radar để tạo ra một hệ thống nhận thức 360 độ. Hợp nhất dữ liệu cảm biến (Sensor Fusion) sẽ đóng vai trò ngày càng quan trọng, đòi hỏi các thuật toán phức tạp hơn để xử lý thông tin đa dạng. Bên cạnh đó, việc tối ưu hóa các mô hình học sâu để chúng vừa chính xác hơn, vừa tiêu thụ ít tài nguyên tính toán hơn cũng là một hướng đi cần thiết. Mục tiêu cuối cùng là phát triển một Hệ thống hỗ trợ lái xe nâng cao (ADAS) toàn diện, có khả năng đạt đến các cấp độ tự hành cao hơn, giảm thiểu sự can thiệp của con người và tiến gần hơn đến tầm nhìn về một tương lai giao thông hoàn toàn tự động.

6.1. Hướng tới Hệ thống hỗ trợ lái xe nâng cao ADAS toàn diện

Các công nghệ được phát triển trong dự án này, như Hệ thống hỗ trợ giữ làn đường (LKAS) và dẫn đường dựa trên GPS, là những thành phần nền tảng của một Hệ thống hỗtery hỗ trợ lái xe nâng cao (ADAS). Trong tương lai, hệ thống có thể được mở rộng để tích hợp thêm các tính năng ADAS khác. Ví dụ, bằng cách sử dụng các mô hình phát hiện đối tượng như YOLO, xe có thể nhận diện và phản ứng với các phương tiện khác, người đi bộ và biển báo giao thông. Điều này sẽ cho phép triển khai các tính năng như Phanh khẩn cấp tự động (AEB) và Kiểm soát hành trình thích ứng (ACC). Hơn nữa, việc kết hợp dữ liệu từ nhiều camera để tạo ra một góc nhìn toàn cảnh (bird's-eye view) sẽ giúp xe thực hiện các thao tác phức tạp như tự động đỗ xe hoặc chuyển làn an toàn. Việc tích hợp sâu hơn giữa các module nhận thức, hoạch định đường đi (Path Planning) và điều khiển sẽ là chìa khóa để xây dựng một hệ thống ADAS mạnh mẽ và đáng tin cậy.

6.2. Thách thức và tiềm năng của việc mở rộng quy mô ứng dụng

Việc chuyển từ một mô hình xe tỷ lệ 1/10 sang một chiếc ô tô kích thước thật mang đến nhiều thách thức mới. Động lực học của một chiếc xe thật phức tạp hơn nhiều, đòi hỏi các mô hình điều khiển chính xác hơn. Các cảm biến cũng phải có chất lượng và độ bền cao hơn để hoạt động ổn định trong mọi điều kiện. Một thách thức lớn khác là vấn đề an toàn và pháp lý. Một hệ thống tự hành trên đường công cộng phải được kiểm thử nghiêm ngặt để đảm bảo an toàn tuyệt đối. Tuy nhiên, tiềm năng của việc mở rộng quy mô là rất lớn. Một hệ thống Lane Keeping & Navigation hiệu quả có thể được tích hợp vào xe thương mại, xe buýt công cộng hoặc các phương tiện giao hàng tự động. Điều này không chỉ giúp tăng cường an toàn giao thông mà còn có thể tối ưu hóa luồng giao thông, giảm tắc nghẽn và tiết kiệm năng lượng. Thành công của các dự án nghiên cứu quy mô nhỏ chính là tiền đề để giải quyết những thách thức này và hiện thực hóa tiềm năng của công nghệ xe tự hành.