Xây Dựng Thuật Toán Bám Quỹ Đạo, Phát Hiện và Tránh Vật Cản Cho Xe Tự Hành

• Tác giả: Nguyễn Minh Huy
• Người hướng dẫn: TS. Nguyễn Vĩnh Hảo
• Trường học: Trường Đại Học Bách Khoa Tp. Hồ Chí Minh
• Chuyên ngành: Kỹ Thuật Điều Khiển & Tự Động Hóa
• Đề tài: Xây Dựng Thuật Toán Bám Quỹ Đạo, Phát Hiện Và Tránh Vật Cản Cho Xe Tự Hành
• Loại tài liệu: Luận Văn Tốt Nghiệp
• Năm xuất bản: 2021
• Địa điểm: Tp. Hồ Chí Minh

• LỜI CẢM ƠN
• 1. TÓM TẮT LUẬN VĂN
• 2. TỔNG QUAN VỀ ĐỀ TÀI
• 2.1. Giới thiệu về xe tự hành
• 2.2. Một số ứng dụng thực tiễn
• 2.3. Robot giao hàng OTSAW Digital
• 2.4. Taxi tự lái của Google
• 2.5. Mục tiêu của đề tài
• 2.6. Sơ lược nội dung của luận văn
• 2.7. Mô hình định vị RTK-GPS
• 2.8. Điều khiển bám quỹ đạo
• 2.9. Thuật toán tiền xử lý quỹ đạo Cubic Spline Trajectories
• 2.10. Bộ điều khiển bám quỹ đạo Stanley Steering Controller
• 2.11. Bộ điều khiển PID và PI mờ
• 2.12. Điều khiển tránh vật cản
• 2.13. Mô hình MobileNet
• 2.14. Mô hình SSD: Single Shot Multibox Detector
• 2.15. Thuật toán Block Matching
• 2.16. Thuật toán đo khoảng cách dùng stereo camera
• 2.17. Thuật toán điều khiển tránh vật cản
• 3. THIẾT KẾ PHẦN CỨNG MÔ HÌNH
• 3.1. Sơ đồ kết nối phần cứng của mô hình
• 3.2. Giới thiệu các module, thiết bị trên mô hình
• 3.2.1. Vi điều khiển STM32F407
• 3.2.2. Module định vị GPS Ublox NEO - M8P
• 3.2.3. Module cảm biến gia tốc và góc quay IMU
• 3.2.4. Module thu phát sóng RF Lora 433MHz
• 3.2.5. Máy tính nhúng
• 3.2.6. Stereo camera Bumblebee2
• 3.2.7. Sơ đồ cấp nguồn cho mô hình
• 3.3. Thi công phần cứng
• 3.3.1. Mô hình robot
• 3.3.2. Trạm Base GPS
• 3.4. Thiết lập phần cứng
• 3.4.1. Cài đặt module Lora
• 3.4.2. Thực hiện Survey – in, cấu hình cho trạm Base
• 3.4.3. Cấu hình cho trạm Rover
• 3.4.4. Thu thập dữ liệu, tách thông tin và chuyển đổi hệ tọa độ GPS
• 4. THIẾT KẾ GIẢI THUẬT
• 4.1. Giải thuật điều khiển bám quỹ đạo
• 4.1.1. Khối thuật toán Cubic Spline
• 4.1.2. Khối thuật toán Stanley Controller
• 4.1.3. Khối Fuzzy Controller
• 4.1.4. Khối PID Controller
• 4.2. Hệ thống ROS node và giải thuật tránh vật cản
• 4.2.1. Camera1394stereo Node
• 4.2.2. Stereo_image_proc Node
• 4.2.3. Object Detection Node
• 4.2.4. Lane Detection Node
• 4.2.5. Object Avoidance Node
• 4.3. Giao diện điều khiển trên máy tính
• 4.3.1. Giao diện các phím tắt Control Panel
• 4.3.2. Giao diện cấu hình các thông số cho mô hình
• 4.3.3. Giao diện quan sát dữ liệu
• 4.3.4. Giao diện điều Manual
• 4.3.5. Giao diện điều khiển Path Tracking
• 5. KẾT QUẢ THỰC NGHIỆM
• 5.1. Kết quả điều khiển vận tốc động cơ bằng thuật toán PID
• 5.2. Kết quả điều khiển góc Fuzzy
• 5.3. Kết quả điều khiển bám quỹ đạo
• 5.4. Kết quả phát hiện, theo dõi và xác định tọa độ vật thể
• 5.5. Kết quả phát hiện làn đường
• 5.6. Kết quả tránh vật cản
• 6. ĐÁNH GIÁ, KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 6.1. Đánh giá kết quả
• 6.2. Hướng phát triển
• PHỤ LỤC
• A. Thuật toán Cubic Spline
• B. Đặc trưng của bộ điều khiển PID
• C. Thông số kỹ thuật của STM32F407VTGx
• D. Thông số kỹ thuật của module GPS
• E. Thông số kỹ thuật của Antenna
• F. Thông số kỹ thuật của IMU
• G. Thông số kỹ thuật của module Lora
• H. Thông số kỹ thuật của mạch cầu H
• I. Thông số kỹ thuật của máy tính nhúng
• J. Thông số kỹ thuật của Camera
• K. Chỉ số IoU (Intersection over Union)
• L. Thuật toán Non – Maximum Suppression
• M. Thuật toán phát hiện cạnh Canny
• N. Thuật toán phát đường thẳng Hough Transform
• O. Thuật toán min-union để xấp xỉ hàm 𝑑𝑑𝑑𝑑, 𝑜𝑜𝑜𝑜𝑜𝑜
• TÀI LIỆU THAM KHẢO

I. Tổng Quan Về Thuật Toán Bám Quỹ Đạo Cho Xe Tự Hành

Xe tự hành đang trở thành một xu hướng tất yếu trong ngành công nghiệp ô tô và robotics. Để xe tự hành có thể di chuyển an toàn và hiệu quả, việc bám quỹ đạo và tránh vật cản là hai yếu tố then chốt. Luận văn này tập trung vào việc xây dựng các thuật toán nhằm giải quyết hai bài toán này. Xe tự hành không chỉ đơn thuần là một phương tiện di chuyển; nó còn mang đến tiềm năng to lớn trong việc cải thiện giao thông, giảm tai nạn và nâng cao chất lượng cuộc sống. Ứng dụng của xe tự hành trải dài từ vận tải hàng hóa đến dịch vụ taxi tự lái, mở ra một kỷ nguyên mới cho hệ thống giao thông thông minh. TS. Nguyễn Vĩnh Hảo đã hướng dẫn tận tình để hoàn thiện luận văn.

1.1. Giới thiệu chung về xe tự hành và ứng dụng thực tiễn

Xe tự hành là phương tiện có khả năng di chuyển mà không cần sự can thiệp liên tục của con người. Ứng dụng thực tiễn của xe tự hành rất đa dạng, bao gồm vận chuyển hàng hóa, dịch vụ taxi tự lái, và thậm chí là robot giao hàng. Theo luận văn, các cấp độ tự lái được phân chia theo tiêu chuẩn SAE, từ cấp độ 0 (hoàn toàn thủ công) đến cấp độ 5 (hoàn toàn tự động). Sự phát triển của xe tự hành hứa hẹn mang lại nhiều lợi ích cho xã hội, từ giảm thiểu tai nạn giao thông đến tối ưu hóa luồng di chuyển.

1.2. Mục tiêu và phạm vi nghiên cứu về bám quỹ đạo

Mục tiêu chính của luận văn là xây dựng một hệ thống xe tự hành có khả năng bám quỹ đạo đã được xác định trước và tránh vật cản một cách an toàn. Phạm vi nghiên cứu tập trung vào việc phát triển các thuật toán điều khiển, sử dụng thông tin từ cảm biến như stereo camera và GPS RTK. Việc tối ưu hóa các thuật toán để đạt được sai số tối thiểu và đảm bảo tính ổn định của hệ thống là một trong những thách thức quan trọng. Giao diện người dùng trực quan, dễ sử dụng cũng là một yếu tố được chú trọng để người dùng có thể dễ dàng điều khiển và giám sát xe tự hành.

1.3. Các thuật toán được sử dụng và mô hình định vị RTK GPS

Luận văn sử dụng nhiều thuật toán khác nhau để giải quyết bài toán bám quỹ đạo và tránh vật cản, bao gồm Stanley Controller, Cubic Spline Trajectories, và các thuật toán thị giác máy như MobileNet và SSD. Mô hình định vị RTK-GPS được sử dụng để xác định vị trí chính xác của xe. RTK-GPS sử dụng trạm tham chiếu để cải thiện độ chính xác so với GPS thông thường. Điều này rất quan trọng để xe tự hành có thể bám quỹ đạo một cách chính xác. Thuật toán tiền xử lý quỹ đạo Cubic Spline giúp tạo ra các đường đi mượt mà, đảm bảo sự thoải mái cho hành khách.

II. Thách Thức Giải Pháp Thuật Toán Tránh Vật Cản Xe

Việc phát triển thuật toán tránh vật cản cho xe tự hành đối mặt với nhiều thách thức. Môi trường giao thông thực tế rất phức tạp và khó đoán, với sự xuất hiện của các vật cản tĩnh và động. Thuật toán phải có khả năng phát hiện, phân loại và dự đoán chuyển động của các vật cản này một cách nhanh chóng và chính xác. Bên cạnh đó, việc tích hợp thông tin từ nhiều loại cảm biến khác nhau, như LiDAR, camera, và radar, cũng đòi hỏi sự phức tạp trong thiết kế thuật toán. Giải pháp được đề xuất trong luận văn là kết hợp các thuật toán thị giác máy tiên tiến và các phương pháp điều khiển thông minh để vượt qua những thách thức này.

2.1. Các phương pháp phát hiện và phân loại vật cản

Các phương pháp phát hiện và phân loại vật cản đóng vai trò quan trọng trong thuật toán tránh vật cản. Luận văn sử dụng các mô hình Deep Learning như MobileNet và SSD để phát hiện và phân loại các đối tượng như người, xe cộ, và biển báo giao thông. MobileNet là một mạng nơ-ron tích chập nhẹ, phù hợp với các ứng dụng thời gian thực trên xe tự hành. SSD (Single Shot Multibox Detector) cho phép phát hiện nhiều đối tượng trong một lần, tăng tốc độ xử lý. Việc sử dụng stereo camera cho phép ước lượng khoảng cách đến vật cản, cung cấp thông tin quan trọng cho việc lập kế hoạch đường đi an toàn.

2.2. Thuật toán điều khiển tránh vật cản và đảm bảo an toàn

Sau khi vật cản được phát hiện và phân loại, thuật toán điều khiển tránh vật cản sẽ quyết định hành động phù hợp, như giảm tốc độ, chuyển làn, hoặc dừng lại. Luận văn đề xuất một thuật toán điều khiển dựa trên nguyên tắc an toàn, đảm bảo rằng xe tự hành luôn duy trì một khoảng cách an toàn với các vật cản. Thuật toán này cũng xem xét các yếu tố như vận tốc và hướng di chuyển của vật cản để đưa ra quyết định chính xác. Các phương pháp điều khiển như PID và Fuzzy Logic được sử dụng để điều khiển xe tự hành một cách mượt mà và ổn định.

2.3. Tích hợp thông tin từ nhiều nguồn cảm biến khác nhau

Việc tích hợp thông tin từ nhiều nguồn cảm biến khác nhau, như stereo camera, IMU, và GPS, là rất quan trọng để xây dựng một hệ thống xe tự hành đáng tin cậy. Sensor Fusion giúp cải thiện độ chính xác và độ tin cậy của thông tin về môi trường xung quanh. Ví dụ, thông tin từ stereo camera có thể được kết hợp với thông tin từ IMU để ước lượng chính xác hơn vị trí và hướng di chuyển của xe tự hành. GPS cung cấp thông tin vị trí toàn cục, giúp xe tự hành định vị trên bản đồ. Việc xử lý và kết hợp thông tin từ các cảm biến này đòi hỏi các thuật toán phức tạp và hiệu quả.

III. Ứng Dụng Stanley Controller Cho Thuật Toán Bám Quỹ Đạo

Stanley Controller là một thuật toán điều khiển bám quỹ đạo phổ biến, được sử dụng rộng rãi trong các hệ thống xe tự hành. Thuật toán này đơn giản, dễ hiểu và dễ triển khai, nhưng vẫn đảm bảo hiệu suất tốt trong nhiều tình huống khác nhau. Trong luận văn, Stanley Controller được sử dụng để điều khiển góc lái của xe tự hành, giúp xe bám sát theo quỹ đạo tham chiếu. Việc điều chỉnh các tham số của Stanley Controller để đạt được hiệu suất tối ưu là một trong những mục tiêu quan trọng của nghiên cứu.

3.1. Cơ sở lý thuyết của Stanley Controller và ưu điểm

Stanley Controller là một thuật toán điều khiển phản hồi, sử dụng thông tin về sai số vị trí và sai số góc để điều chỉnh góc lái của xe. Ưu điểm của Stanley Controller là tính đơn giản, dễ hiểu và khả năng hoạt động tốt trong nhiều điều kiện khác nhau. Thuật toán này đặc biệt phù hợp với các hệ thống xe tự hành có tốc độ di chuyển trung bình và thấp. Theo tài liệu tham khảo, Stanley Controller đã được chứng minh là hiệu quả trong cả mô phỏng và thực nghiệm. Nó phù hợp để thiết kế thuật toán bám quỹ đạo xe tự hành.

3.2. Triển khai và điều chỉnh Stanley Controller trong ROS

Trong luận văn, Stanley Controller được triển khai trong môi trường ROS (Robot Operating System). ROS cung cấp một nền tảng linh hoạt và mạnh mẽ để phát triển và thử nghiệm các thuật toán cho xe tự hành. Việc điều chỉnh các tham số của Stanley Controller, như hệ số khuếch đại K và tham số mềm hóa, là rất quan trọng để đạt được hiệu suất tối ưu. Các thử nghiệm mô phỏng và thực nghiệm được thực hiện để đánh giá hiệu suất của Stanley Controller và tìm ra các tham số phù hợp nhất. ROS cung cấp các công cụ giúp quan sát hiệu suất, từ đó điều chỉnh Stanley Controller cho phù hợp.

3.3. So sánh Stanley Controller với các phương pháp khác

Stanley Controller được so sánh với các phương pháp điều khiển bám quỹ đạo khác, như PID Controller và MPC (Model Predictive Control). PID Controller là một phương pháp điều khiển cổ điển, đơn giản nhưng hiệu quả trong nhiều ứng dụng. MPC là một phương pháp điều khiển tối ưu, có khả năng dự đoán và tối ưu hóa hành vi của hệ thống trong tương lai. Kết quả so sánh cho thấy Stanley Controller có hiệu suất tốt trong nhiều tình huống, đặc biệt là khi tốc độ di chuyển không quá cao. Trong khi MPC phức tạp hơn nhưng có thể đạt hiệu suất tốt hơn trong các tình huống phức tạp hơn, như khi có sự thay đổi đột ngột trong quỹ đạo tham chiếu.

IV. Kết Hợp Fuzzy Logic và PID Để Điều Khiển Xe Tự Hành

Luận văn này đề xuất một phương pháp kết hợp Fuzzy Logic và PID để điều khiển xe tự hành. Ưu điểm của việc này là tận dụng được sức mạnh của cả hai phương pháp. PID Controller có khả năng điều khiển chính xác trong các điều kiện hoạt động ổn định, trong khi Fuzzy Logic có khả năng xử lý các tình huống không chắc chắn và phi tuyến tính. Sự kết hợp này giúp xe tự hành hoạt động mượt mà và ổn định hơn trong các môi trường giao thông phức tạp.

4.1. Thiết kế bộ điều khiển Fuzzy PID cho xe tự hành

Thiết kế bộ điều khiển Fuzzy PID bao gồm việc xác định các biến đầu vào và đầu ra, xây dựng các tập mờ, và thiết lập các luật mờ. Các biến đầu vào thường là sai số vị trí và sai số góc, trong khi biến đầu ra là các tham số của PID Controller. Các luật mờ được thiết kế để điều chỉnh các tham số PID dựa trên giá trị của các biến đầu vào. Ví dụ, khi sai số vị trí lớn, các luật mờ có thể tăng hệ số khuếch đại Kp để xe tự hành phản ứng nhanh hơn. Việc điều chỉnh các luật mờ đòi hỏi sự hiểu biết sâu sắc về hệ thống và kinh nghiệm thực tiễn.

4.2. Ưu điểm của bộ điều khiển Fuzzy PID so với PID truyền thống

Bộ điều khiển Fuzzy PID có nhiều ưu điểm so với PID truyền thống. Fuzzy Logic có khả năng xử lý các tình huống không chắc chắn và phi tuyến tính, trong khi PID truyền thống thường hoạt động tốt hơn trong các điều kiện tuyến tính. Fuzzy PID có khả năng tự điều chỉnh các tham số PID dựa trên điều kiện hoạt động, giúp xe tự hành thích ứng tốt hơn với các thay đổi trong môi trường. Điều này đặc biệt quan trọng trong các môi trường giao thông phức tạp, nơi mà các điều kiện có thể thay đổi nhanh chóng.

4.3. Thử nghiệm và đánh giá hiệu suất của bộ điều khiển

Hiệu suất của bộ điều khiển Fuzzy PID được đánh giá thông qua các thử nghiệm mô phỏng và thực nghiệm. Các thử nghiệm mô phỏng cho phép đánh giá hiệu suất của bộ điều khiển trong các điều kiện khác nhau, trong khi các thử nghiệm thực nghiệm cho phép đánh giá hiệu suất của bộ điều khiển trong môi trường thực tế. Các kết quả thử nghiệm cho thấy bộ điều khiển Fuzzy PID có hiệu suất tốt hơn so với PID truyền thống trong nhiều tình huống. Nó giúp xe tự hành bám quỹ đạo một cách chính xác hơn và phản ứng nhanh hơn với các thay đổi trong môi trường. Các thử nghiệm này sử dụng các chỉ số như sai số trung bình, sai số cực đại, và thời gian đáp ứng để đánh giá hiệu suất.

V. Kết Quả Thực Nghiệm và Đánh Giá Thuật Toán Bám Quỹ Đạo

Luận văn trình bày kết quả thực nghiệm của các thuật toán bám quỹ đạo và tránh vật cản trên một mô hình xe tự hành thực tế. Các thử nghiệm được thực hiện trong nhiều điều kiện khác nhau, bao gồm cả trong nhà và ngoài trời, với các loại quỹ đạo tham chiếu và vật cản khác nhau. Kết quả cho thấy các thuật toán được đề xuất có khả năng hoạt động tốt trong nhiều tình huống, nhưng vẫn còn một số hạn chế cần được cải thiện. Các kết quả thực nghiệm cung cấp thông tin quan trọng để đánh giá hiệu suất của các thuật toán và xác định các hướng nghiên cứu tiếp theo.

5.1. Mô tả hệ thống thử nghiệm và quy trình thực nghiệm

Hệ thống thử nghiệm bao gồm một mô hình xe tự hành được trang bị các cảm biến như stereo camera, IMU, và GPS RTK. Xe tự hành được điều khiển bởi một máy tính nhúng chạy hệ điều hành ROS. Quy trình thực nghiệm bao gồm việc thiết kế các quỹ đạo tham chiếu, đặt các vật cản trong môi trường, và thu thập dữ liệu từ các cảm biến. Dữ liệu thu thập được sử dụng để đánh giá hiệu suất của các thuật toán. Các thử nghiệm được thực hiện trong nhiều điều kiện khác nhau để đảm bảo tính tổng quát của kết quả.

5.2. Phân tích kết quả bám quỹ đạo và tránh vật cản

Kết quả bám quỹ đạo được đánh giá bằng cách so sánh vị trí thực tế của xe tự hành với quỹ đạo tham chiếu. Các chỉ số như sai số trung bình, sai số cực đại, và độ lệch chuẩn được sử dụng để đánh giá hiệu suất bám quỹ đạo. Kết quả tránh vật cản được đánh giá bằng cách xem xét khả năng của xe tự hành trong việc phát hiện và tránh các vật cản một cách an toàn. Các thử nghiệm cho thấy các thuật toán được đề xuất có khả năng bám quỹ đạo và tránh vật cản tốt trong nhiều tình huống, nhưng vẫn còn một số hạn chế cần được cải thiện.

5.3. Thảo luận về các yếu tố ảnh hưởng đến hiệu suất

Hiệu suất của các thuật toán bám quỹ đạo và tránh vật cản bị ảnh hưởng bởi nhiều yếu tố, bao gồm độ chính xác của cảm biến, độ trễ của hệ thống, và điều kiện môi trường. Độ chính xác của cảm biến ảnh hưởng trực tiếp đến khả năng của xe tự hành trong việc nhận biết môi trường xung quanh. Độ trễ của hệ thống ảnh hưởng đến khả năng của xe tự hành trong việc phản ứng nhanh chóng với các thay đổi trong môi trường. Điều kiện môi trường, như ánh sáng và thời tiết, cũng có thể ảnh hưởng đến hiệu suất của các cảm biến và thuật toán.

VI. Kết Luận Hướng Phát Triển Thuật Toán Xe Tự Hành

Luận văn đã trình bày một nghiên cứu về thuật toán bám quỹ đạo và tránh vật cản cho xe tự hành. Các thuật toán được đề xuất dựa trên các phương pháp điều khiển tiên tiến và các kỹ thuật thị giác máy hiện đại. Kết quả thực nghiệm cho thấy các thuật toán có khả năng hoạt động tốt trong nhiều tình huống, nhưng vẫn còn một số hạn chế cần được cải thiện. Nghiên cứu này cung cấp một nền tảng vững chắc cho các nghiên cứu tiếp theo trong lĩnh vực xe tự hành.

6.1. Tóm tắt các kết quả chính và đóng góp của luận văn

Luận văn đã đạt được một số kết quả chính, bao gồm việc phát triển và thử nghiệm các thuật toán bám quỹ đạo và tránh vật cản cho xe tự hành. Các thuật toán được đề xuất dựa trên các phương pháp điều khiển tiên tiến và các kỹ thuật thị giác máy hiện đại. Luận văn cũng đóng góp vào việc đánh giá hiệu suất của các thuật toán trong nhiều điều kiện khác nhau. Các kết quả thực nghiệm cung cấp thông tin quan trọng cho các nghiên cứu tiếp theo.

6.2. Hướng phát triển trong tương lai về thuật toán

Trong tương lai, có nhiều hướng phát triển tiềm năng cho thuật toán bám quỹ đạo và tránh vật cản cho xe tự hành. Một hướng là cải thiện độ chính xác và độ tin cậy của các cảm biến. Một hướng khác là phát triển các thuật toán có khả năng hoạt động tốt hơn trong các điều kiện môi trường khắc nghiệt. Nghiên cứu về các phương pháp Deep Learning và Reinforcement Learning có thể giúp cải thiện khả năng thích ứng và tự học của xe tự hành. Việc tích hợp các hệ thống bản đồ và giao thông thông minh cũng có thể giúp xe tự hành hoạt động an toàn và hiệu quả hơn.

6.3. Ứng dụng tiềm năng của xe tự hành trong thực tế

Xe tự hành có tiềm năng ứng dụng rộng rãi trong nhiều lĩnh vực khác nhau, bao gồm vận tải hàng hóa, dịch vụ taxi tự lái, và nông nghiệp thông minh. Trong vận tải hàng hóa, xe tự hành có thể giúp giảm chi phí và tăng hiệu quả. Trong dịch vụ taxi tự lái, xe tự hành có thể cung cấp dịch vụ di chuyển an toàn và tiện lợi cho người dân. Trong nông nghiệp thông minh, xe tự hành có thể giúp tự động hóa các công việc như gieo hạt, phun thuốc, và thu hoạch. Việc phát triển và ứng dụng xe tự hành có thể mang lại nhiều lợi ích cho xã hội và kinh tế.