Tổng quan nghiên cứu

Sự phát triển mạnh mẽ của công nghệ giao thông thông minh đã thúc đẩy các nghiên cứu về phương tiện tự hành theo tiêu chuẩn 6 cấp độ từ 0 đến 5 của SAE International và NHTSA. Hiện nay, phần lớn hệ thống thương mại mới chỉ đạt mức hỗ trợ lái bán tự động cấp độ 2, trong khi mục tiêu tiến tới cấp độ 3 và cấp độ 4 trong môi trường đô thị đòi hỏi khả năng bám quỹ đạo chính xác tuyệt đối và nhận thức không gian nhạy bén. Trong thực tế, các thiết bị định vị vệ tinh thông thường trên thiết bị di động có mức sai số từ 2 đến 4 mét do chịu ảnh hưởng của hiện tượng trễ tầng đối lưu và nhiễu đa đường, dẫn đến nguy cơ mất an toàn nghiêm trọng cho xe tự lái khi lưu thông ở tốc độ cao.

Nghiên cứu tập trung giải quyết bài toán cốt lõi: xây dựng giải thuật điều khiển bám quỹ đạo kết hợp phát hiện và tránh chướng ngại vật theo thời gian thực cho mô hình xe tự hành ba bánh. Mục tiêu cụ thể là tích hợp công nghệ định vị động học thời gian thực cùng thuật toán làm mượt quỹ đạo và bộ điều khiển hình học, đồng thời ứng dụng thị giác máy tính để nhận diện người đi bộ, phương tiện và làn đường.

Đề tài được tiến hành thử nghiệm thực địa trong khuôn viên trường học và các tuyến đường nội bộ với giới hạn vận tốc thiết kế đạt 0.8 m/s trong suốt giai đoạn năm 2021. Kết quả nghiên cứu mang lại ý nghĩa thực tiễn to lớn khi thu hẹp sai số bám lệch ngang xuống dưới 0.05 mét, duy trì tần suất xử lý hình ảnh ổn định trên 20 khung hình mỗi giây và tạo tiền đề vững chắc cho việc ứng dụng robot giao hàng tự động phục vụ hơn 700 hộ dân tại các khu đô thị thông minh.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng kết hợp các lý thuyết điều khiển tự động hiện đại và mô hình học sâu tiên tiến:

Thứ nhất, mô hình động học xe tự hành và giải thuật Stanley Steering Controller: Đây là bộ điều khiển bám quỹ đạo hình học lấy điểm mốc tại tâm trục trước của phương tiện, trực tiếp triệt tiêu sai số góc hướng và sai số khoảng cách lệch ngang theo hàm phi tuyến vận tốc. Nhằm khắc phục hiện tượng mất ổn định khi vận hành ở tốc độ thấp, hệ số làm mềm vận tốc được bổ sung vào mẫu số của hàm lượng giác.

Thứ hai, thuật toán quy hoạch đường đi Cubic Spline Trajectories: Phương pháp này nội suy các điểm mốc tọa độ rời rạc thành đường cong liên tục bậc ba, đảm bảo đạo hàm cấp một và cấp hai không bị đứt gãy, loại bỏ hoàn toàn hiện tượng vọt lố góc bẻ lái tại các khúc cua gấp.

Thứ ba, mạng nơ-ron tích chập MobileNet kết hợp kiến trúc Single Shot Multibox Detector: Mạng MobileNet gồm 30 lớp tích chập với cơ chế tích chập tách biệt chiều sâu giúp giảm từ 8 đến 9 lần số lượng tham số tính toán so với tích chập tiêu chuẩn. Cấu trúc SSD sử dụng các hộp neo mặc định có tỷ lệ khung hình biến thiên từ 0.2 đến 0.9 để nhận dạng đa tỷ lệ đối tượng trong thời gian thực.

Hệ thống còn ứng dụng lý thuyết điều khiển mờ lai vi tích phân tỷ lệ và phương pháp vận tốc cong nhằm đưa ra quyết định chuyển hướng tối ưu khi xuất hiện vật cản.

Phương pháp nghiên cứu

Nguồn dữ liệu của đề tài bao gồm tập dữ liệu chuẩn quốc tế PASCAL VOC 2012 với 11.530 hình ảnh thuộc 20 nhóm đối tượng giao thông, kết hợp với luồng dữ liệu hình ảnh thu nhận trực tiếp từ stereo camera Bumblebee2 và chuỗi bản tin định vị vệ tinh chuẩn NMEA truyền qua sóng vô tuyến RF LoRa tần số 433 MHz.

Phương pháp chọn mẫu được thực hiện theo quy trình phân tầng ngẫu nhiên với tỷ lệ 70% tập huấn luyện và 30% tập kiểm thử cho mô hình học sâu. Đối với phần thực nghiệm điều khiển, nghiên cứu thực hiện chọn mẫu có hệ thống qua 40 lượt chạy trên 6 dạng quỹ đạo tiêu chuẩn gồm: đường thẳng, quỹ đạo chữ U, chữ L, chữ Z, đường cong liên tục và quỹ đạo tổng hợp.

Lý do lựa chọn phương pháp phân tích sai số toàn phương trung bình và đánh giá độ chính xác trung bình là nhằm định lượng trực tiếp sai lệch không gian thực tế và năng lực đáp ứng thuật toán trên máy tính nhúng có tài nguyên giới hạn. Toàn bộ quy trình nghiên cứu được triển khai theo 5 giai đoạn chặt chẽ trong vòng 12 tháng, từ khâu thiết kế phần cứng, cấu hình trạm đo tĩnh, huấn luyện mạng nơ-ron đến kiểm thử động học ngoài trời.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình phân tích dữ liệu thực nghiệm đã mang lại những kết quả ấn tượng:

Thứ nhất, giải thuật làm mượt Cubic Spline kết hợp bộ điều khiển Stanley giúp giảm độ vọt lố lệch ngang hơn 45% so với phương pháp nội suy đoạn thẳng tuyến tính. Sai số bám quỹ đạo trung bình được kiểm soát chặt chẽ ở mức dưới 0.08 mét khi xe di chuyển ở vận tốc định mức 0.8 m/s trên các cung đường cong phức tạp.

Thứ hai, mô hình MobileNet-SSD huấn luyện trên PASCAL VOC 2012 đạt độ chính xác trung bình đạt 72.5% đối với các lớp đối tượng giao thông trọng yếu như người đi bộ, xe hơi và xe máy. Tốc độ xử lý đạt ngưỡng 22 đến 25 khung hình mỗi giây trên nền tảng hệ điều hành robot, giúp giảm hơn 85% chi phí tính toán và giảm độ trễ xử lý xuống dưới 40 mili-giây so với kiến trúc Faster R-CNN truyền thống.

Thứ ba, hệ thống thị giác lập thể Bumblebee2 tích hợp thuật toán khớp khối trích xuất bản đồ thị sai chính xác, hỗ trợ ước lượng khoảng cách không gian ba chiều của vật cản với sai số khoảng cách dưới 4.8% trong phạm vi làm việc từ 1.0 đến 6.0 mét.

Thứ tư, bộ điều khiển PI mờ điều khiển vận tốc hai động cơ chấp hành DC duy trì sai số xác lập dưới 1.2% và độ vọt lố dưới 2.0% ở mọi dải vận tốc từ 10 đến 60 vòng/phút, triệt tiêu hiện tượng trượt bánh khi xe chuyển hướng đột ngột 90 độ.

Thảo luận kết quả

Hiệu quả vượt trội của hệ thống xuất phát từ sự tương hỗ chặt chẽ giữa các tầng giải thuật. Cơ chế tích chập tách biệt chiều sâu trong MobileNet đã phân tách việc lọc không gian và biến đổi kênh, giúp máy tính nhúng xử lý khung hình với tốc độ cao mà không gây nghẽn cổ chai dữ liệu. Việc bổ sung hệ số làm mềm trong giải thuật Stanley đã loại bỏ hiện tượng phân kỳ góc lái khi vận tốc tiến dần về 0.

So với các công trình cùng thời kỳ sử dụng thuật toán Pure Pursuit, giải thuật Stanley trong nghiên cứu này cho thấy tốc độ hội tụ về quỹ đạo mục tiêu nhanh hơn khoảng 30% khi xe bắt đầu từ vị trí có độ lệch góc hướng lớn. Về thị giác máy tính, việc kết hợp thuật toán KCF theo dõi đối tượng giúp duy trì liên tục quỹ đạo chuyển động của người đi bộ ngay cả khi khung hình bị che khuất một phần.

Dữ liệu thực nghiệm bám quỹ đạo được biểu diễn chi tiết qua đồ thị đáp ứng tọa độ phẳng UTM, thể hiện sự trùng khít giữa đường đi thực tế và quỹ đạo tham chiếu. Đồng thời, bảng tổng hợp kiểm thử thị giác dưới ba điều kiện chiếu sáng ghi nhận tỷ lệ phát hiện thành công đạt 94% trong nhà, 89% dưới bóng râm và 86% ngoài trời nắng gắt, khẳng định tính thích ứng cao của hệ thống trong môi trường ngoại cảnh biến động.

Đề xuất và khuyến nghị

Dựa trên các kết quả đạt được, nghiên cứu đưa ra 4 khuyến nghị then chốt nhằm nâng cấp hệ thống:

Thứ nhất, tích hợp cảm biến LiDAR 3D đa tia vào hệ thống cảm biến môi trường nhằm mở rộng tầm quét chướng ngại vật lên 30 mét và giảm tỷ lệ điểm mù không gian xuống dưới 1.5%. Kế hoạch này cần được nhóm nghiên cứu phần cứng hoàn thiện trong thời gian 6 tháng tới.

Thứ hai, thực hiện tối ưu hóa cấu trúc mạng nơ-ron sâu bằng công cụ TensorRT trên các bộ vi xử lý đồ họa nhúng chuyên dụng, đặt mục tiêu nâng tốc độ suy luận thị giác lên mức 45 khung hình mỗi giây và giảm độ trễ phản hồi xuống dưới 20 mili-giây. Nhiệm vụ này do các kỹ sư trí tuệ nhân tạo triển khai trong khung thời gian 3 tháng.

Thứ ba, nâng cấp hạ tầng truyền dẫn không dây từ sóng RF LoRa 433 MHz sang mạng dữ liệu 5G NR hoặc giao thức NTRIP qua Internet di động, nhằm cắt giảm độ trễ truyền gói tin hiệu chỉnh xuống dưới 5 mili-giây và mở rộng bán kính hoạt động giữa trạm phát và trạm thu lên trên 10 km. Đây là trọng tâm thực hiện của các kỹ sư viễn thông trong vòng 9 tháng.

Thứ tư, hoàn thiện giải thuật điều khiển dự báo mô hình thích nghi để thay thế cho cấu trúc điều khiển hình học, hướng tới nâng vận tốc vận hành an toàn của phương tiện lên mức 2.0 m/s trên các bề mặt đường có hệ số ma sát trơn trượt phức tạp. Công việc này do chuyên gia điều khiển tự động hóa đảm nhiệm với lộ trình 12 tháng.

Đối tượng nên tham khảo luận văn

Nội dung luận văn mang giá trị học thuật và ứng dụng chuyên sâu cho 4 nhóm đối tượng:

Thứ nhất, kỹ sư điều khiển và lập trình robot tự hành: Tài liệu cung cấp toàn bộ quy trình thiết kế phần cứng vi điều khiển, sơ đồ tích hợp mạch công suất và kiến trúc điều phối đa luồng trên hệ điều hành robot, trực tiếp ứng dụng cho các dòng xe tự hành phục vụ vận chuyển hàng hóa trong nhà xưởng.

Thứ hai, học viên cao học và giảng viên chuyên ngành Tự động hóa: Luận văn là tài liệu tham khảo giá trị về mô hình toán học giải thuật Stanley, kỹ thuật nội suy làm mượt đường đi và phương pháp thiết kế bộ điều khiển mờ lai phục vụ công tác giảng dạy và nghiên cứu mở rộng.

Thứ ba, doanh nghiệp phát triển dịch vụ logistics đô thị và giao hàng chặng cuối: Nghiên cứu cung cấp giải pháp thực tế về mô hình robot tự hành ngoài trời với chi phí triển khai tối ưu, giúp doanh nghiệp rút ngắn thời gian thử nghiệm sản phẩm thương mại.

Thứ tư, lập trình viên thị giác máy tính và trí tuệ nhân tạo nhúng: Tài liệu mang lại hướng dẫn chi tiết về quy trình thu thập dữ liệu, huấn luyện mô hình nhận diện gọn nhẹ và giải thuật đo khoảng cách thực tế thông qua camera kép trên máy tính nhúng.

Câu hỏi thường gặp

Thuật toán Stanley Controller mang lại ưu thế gì nổi bật so với các giải thuật bám quỹ đạo hình học truyền thống? Bộ điều khiển Stanley trực tiếp kết hợp sai số góc hướng của phương tiện và sai số khoảng cách lệch ngang từ tâm trục trước tới quỹ đạo mục tiêu. Nhờ cơ chế bù trừ phi tuyến tự động theo vận tốc di chuyển, giải thuật giúp xe triệt tiêu hiện tượng cắt góc khi vào cua và duy trì sai số bám quỹ đạo luôn dưới 0.05 mét.

Sự kết hợp giữa MobileNet và SSD tối ưu hóa khả năng nhận diện thời gian thực như thế nào? Mô hình MobileNet sử dụng các lớp tích chập tách biệt chiều sâu giúp cắt giảm số lượng tham số tính toán từ 8 đến 9 lần. Khi kết hợp với kiến trúc SSD dự đoán đa tỷ lệ trên nhiều bản đồ đặc trưng, hệ thống đạt tốc độ nhận diện trên 20 khung hình mỗi giây với độ chính xác trên 70% trên máy tính nhúng.

Hệ thống định vị RTK-GPS giải quyết bài toán sai số vị trí ngoài trời ra sao? Phương pháp RTK sử dụng một trạm phát cố định để thu tín hiệu vệ tinh, tính toán số gia sai số vi phân và truyền gói dữ liệu hiệu chỉnh qua sóng LoRa 433 MHz tới trạm thu di động trên xe. Quá trình này triệt tiêu hoàn toàn độ lệch 2 đến 4 mét của GPS tiêu chuẩn, đưa độ chính xác về mức centimet.

Stereo camera Bumblebee2 xác định tọa độ không gian ba chiều của vật thể dựa trên cơ chế nào? Camera kép thu nhận đồng thời hai luồng ảnh trái và phải có khoảng cách trục quang học xác định. Thông qua thuật toán khớp khối, hệ thống tính toán bản đồ thị sai và áp dụng công thức lượng giác quang học để xác định chính xác khoảng cách và tọa độ ba chiều của vật thể với sai số dưới 5%.

Hệ điều hành robot ROS đóng vai trò gì trong kiến trúc toàn hệ thống? Hệ điều hành ROS đóng vai trò là nền tảng trung gian quản lý và đồng bộ hóa các tiến trình độc lập gồm: thu thập ảnh camera, nhận diện vật thể, phát hiện làn đường và giao tiếp nối tiếp với vi điều khiển. Nhờ đó, dữ liệu cảm biến được truyền nhận theo thời gian thực với độ trễ tối thiểu.

Kết luận

  • Xây dựng thành công mô hình phần cứng xe tự hành ngoài trời ba bánh hoạt động ổn định ở dải vận tốc lên tới 0.8 m/s.
  • Tích hợp hoàn chỉnh hệ thống định vị động học thời gian thực kết hợp thuật toán Cubic Spline và Stanley Controller, duy trì sai số lệch ngang dưới 0.05 mét.
  • Huấn luyện thành công mô hình MobileNet-SSD đạt độ chính xác 72.5% và tốc độ xử lý 22 đến 25 khung hình mỗi giây trên hệ điều hành robot.
  • Làm chủ kỹ thuật thị giác lập thể đo khoảng cách ba chiều và thuật toán tránh vật cản dựa trên phương pháp vận tốc cong.
  • Phát triển giao diện điều khiển và giám sát trực quan trên máy tính, hỗ trợ thu thập dữ liệu và chuyển đổi bản đồ tự động.

Đóng góp chính của luận văn là đã hoàn thiện một giải pháp tổng thể, kết hợp chặt chẽ giữa điều khiển tự động truyền thống và trí tuệ nhân tạo hiện đại để giải quyết bài toán tự hành cấp độ 3 trong đô thị.

Lộ trình phát triển trong 12 tháng tiếp theo sẽ tập trung vào việc tích hợp cảm biến LiDAR 3D, ứng dụng giải thuật điều khiển dự báo mô hình và nâng cao tốc độ di chuyển lên ngưỡng 2.0 m/s. Các viện nghiên cứu và doanh nghiệp công nghệ quan tâm có thể khai thác và hợp tác chuyển giao công nghệ để đưa mô hình ứng dụng vào thực tiễn giao vận thông minh.