I. Giới thiệu về luận văn thạc sĩ
Luận văn thạc sĩ với chủ đề 'Điều hướng xe tự hành bằng trí tuệ nhân tạo' được thực hiện bởi Dương Minh Thiện, thuộc ngành Kỹ thuật Điều khiển và Tự động hóa. Nghiên cứu này tập trung vào việc ứng dụng trí tuệ nhân tạo (AI) và học máy để phát triển hệ thống điều khiển cho xe tự lái. Mục tiêu chính là tạo ra một mô hình xe có khả năng tự động điều hướng trong môi trường thực tế, giảm thiểu sự can thiệp của con người. Luận văn này đóng góp vào lĩnh vực giao thông thông minh và công nghệ xe hơi, hướng tới việc giải quyết các vấn đề như kẹt xe và tai nạn giao thông.
1.1. Mục tiêu nghiên cứu
Mục tiêu chính của luận văn là huấn luyện một mô hình xe tự lái có khả năng điều hướng tự động trong môi trường ngoài trời với nhiều điều kiện lái xe khác nhau. Nghiên cứu sử dụng mạng nơ-ron tích chập (CNN) để dự đoán góc lái từ hình ảnh thô, giúp xe tự động di chuyển mà không cần sự can thiệp của con người.
1.2. Giới hạn nghiên cứu
Nghiên cứu có một số giới hạn, bao gồm việc chưa thể hoạt động hiệu quả trong môi trường ban đêm hoặc sương mù. Quỹ đạo di chuyển của xe còn đơn giản, chưa đáp ứng được các tình huống phức tạp trong thực tế.
II. Cơ sở lý thuyết và công nghệ
Luận văn đề cập đến các khái niệm cơ bản về xe tự hành, trí tuệ nhân tạo, và học máy. Xe tự hành là phương tiện có khả năng di chuyển mà không cần sự điều khiển liên tục của con người. Trí tuệ nhân tạo được sử dụng để xử lý dữ liệu và đưa ra quyết định thông minh. Học máy, đặc biệt là mạng nơ-ron tích chập (CNN), là công nghệ chính được áp dụng để huấn luyện mô hình điều hướng xe.
2.1. Xe tự hành
Xe tự hành sử dụng các cảm biến, radar, và bản đồ GPS để thu thập thông tin về môi trường xung quanh. Các thuật toán AI xử lý dữ liệu này để điều khiển xe một cách tự động. Mục tiêu là đạt được cấp độ 3/4 trong thang đo tự động hóa, nơi xe có thể tự lái trong hầu hết các tình huống.
2.2. Trí tuệ nhân tạo và học máy
Trí tuệ nhân tạo là lĩnh vực rộng bao gồm nhiều kỹ thuật và thuật toán. Học máy là một nhánh của AI, tập trung vào việc huấn luyện máy tính học từ dữ liệu. Mạng nơ-ron tích chập (CNN) là một loại mạng sâu được sử dụng để xử lý hình ảnh và dự đoán góc lái trong nghiên cứu này.
III. Thiết kế và thực nghiệm
Luận văn trình bày chi tiết về thiết kế phần cứng và phần mềm của mô hình xe tự hành. Phần cứng bao gồm các thành phần như Raspberry Pi, camera, và động cơ. Phần mềm sử dụng TensorFlow và Keras để huấn luyện mô hình CNN. Quá trình thực nghiệm được thực hiện trên hai quỹ đạo hình bầu dục và hình số 8, với kết quả cho thấy mô hình có khả năng giữ làn đường hiệu quả.
3.1. Thiết kế phần cứng
Phần cứng của mô hình xe tự hành bao gồm Raspberry Pi 3 Model B, camera module, và các động cơ điều khiển. Raspberry Pi đóng vai trò là bộ xử lý trung tâm, thu thập dữ liệu từ camera và điều khiển động cơ. Camera được sử dụng để thu thập hình ảnh đường đi, là đầu vào cho mô hình CNN.
3.2. Quá trình thực nghiệm
Thực nghiệm được thực hiện trên hai quỹ đạo hình bầu dục và hình số 8. Mô hình xe tự hành được huấn luyện để dự đoán góc lái từ hình ảnh thô. Kết quả cho thấy xe có khả năng giữ làn đường hiệu quả với tốc độ tối đa 5-6 km/h, ngay cả khi vạch đường bị che khuất.
IV. Kết luận và hướng phát triển
Luận văn kết luận rằng mô hình xe tự hành sử dụng mạng nơ-ron tích chập (CNN) có khả năng điều hướng tự động hiệu quả trong môi trường ngoài trời. Tuy nhiên, nghiên cứu còn một số hạn chế, đặc biệt là trong điều kiện ánh sáng yếu hoặc sương mù. Hướng phát triển tương lai bao gồm cải thiện độ chính xác của mô hình và mở rộng khả năng hoạt động trong các tình huống phức tạp hơn.
4.1. Kết quả đạt được
Mô hình xe tự hành đã chứng minh khả năng điều hướng tự động hiệu quả trên hai quỹ đạo thử nghiệm. Mạng nơ-ron tích chập (CNN) đã được huấn luyện thành công để dự đoán góc lái từ hình ảnh thô, giúp xe tự động giữ làn đường trong thời gian thực.
4.2. Hướng phát triển
Hướng phát triển tương lai bao gồm cải thiện độ chính xác của mô hình trong điều kiện ánh sáng yếu và sương mù. Ngoài ra, nghiên cứu có thể mở rộng để xử lý các tình huống giao thông phức tạp hơn, như đối phó với các phương tiện khác trên đường.
