Khóa Luận Tốt Nghiệp: Mô Hình Phát Hiện Và Tránh Vật Cản Trong Xe Tự Hành

• Tác giả: Nguyen Võ Hữu Phúc
• Người hướng dẫn: Ths. Trần Hoàng Lộc
• Trường học: Đại học Quốc gia TP. Hồ Chí Minh
• Chuyên ngành: Kỹ thuật máy tính
• Đề tài: Mô Hình Phát Hiện Và Tránh Vật Cản Trong Xe Tự Hành
• Loại tài liệu: Khóa luận tốt nghiệp
• Năm xuất bản: 2023
• Địa điểm: TP. Hồ Chí Minh

• LỜI CẢM ƠN
• 1. TÓM TẮT KHÓA LUẬN
• 2. TỔNG QUAN ĐỀ TÀI
• 2.1. Tình hình ngoài nước
• 2.2. Tình hình trong nước
• 2.3. Giới thiệu về Machine Learning
• 2.4. Kiến trúc Machine Learning
• 2.4.1. Neural Network là gì?
• 2.4.2. Artificial Neural Network
• 2.4.3. Multi-layer Perceptron
• 2.4.4. Convolutional Neural Network
• 2.4.5. Single Shot MultiBox Detector
• 2.4.6. Giới thiệu về SSD
• 2.4.7. Ưu điểm và nhược điểm của SSD
• 2.4.8. Quá trình phát triển và cải tiến của SSD
• 2.4.9. Ứng dụng của SSD
• 2.4.10. Giới thiệu về MobileNet
• 2.4.11. Kiến trúc của mạng MobileNet
• 2.4.12. Ưu và nhược điểm của MobileNetV3
• 2.4.13. Giới thiệu về Lidar
• 2.4.14. Cách thức hoạt động
• 2.4.15. Ứng dụng của Lidar
• 2.4.16. Thuật toán lan truyền ngược (Backpropagation algorithm)
• 2.4.17. Hàm kích hoạt (Activation function)
• 2.4.18. Hàm mất mát
• 2.4.19. Độ chính xác của mô hình
• 2.4.20. Phần mềm và thư viện hỗ trợ
• 3. NỘI DUNG THỰC HIỆN
• 3.1. Mô hình nhận diện vật thể SSDlite với backbone MobileNetV3
• 3.1.1. Giới thiệu mô hình
• 3.1.2. Kiến trúc và kích thước mô hình
• 3.2. Đánh giá mô hình và nhận xét
• 3.2.1. Mô hình SSDlite với MobileNetV3 cắt giảm 2 lớp cuối của mạng
• 3.2.2. Giới thiệu mô hình
• 3.2.3. Kiến trúc mô hình sau khi cắt giảm
• 3.2.4. Chi tiết mô hình
• 3.2.5. Tệp dataset COCO
• 3.2.6. Tiền xử lý ảnh
• 3.2.7. Tại sao phải tiền xử lý ảnh
• 3.2.8. Xử lý ảnh bằng thư viện Pytorch
• 3.2.9. Huấn luyện và đánh giá mô hình
• 3.2.10. Khởi tạo mô hình tùy chỉnh
• 3.2.11. Huấn luyện mô hình
• 3.2.12. Đánh giá mô hình
• 3.2.13. Phần mềm mô phỏng CARLA
• 3.2.13.1. Thiết lập môi trường mô phỏng
• 3.2.13.2. Khởi chạy CARLA
• 3.2.13.3. Kết nối máy khách
• 3.2.13.4. Tương tác với mô phỏng
• 3.2.14. Chương trình điều khiển
• 3.2.15. Luồng xử lý nhận diện vật cản
• 3.2.15.1. Luồng xử lý tín hiệu Lidar
• 3.2.15.2. Luồng xử lý tín hiệu điều khiển xe
• 4. THIẾT KẾ PHẦN CỨNG
• 4.1. Thiết kế phần cứng
• 4.2. Chương trình mô phỏng CARLA
• 4.2.1. Thực nghiệm mô hình trên phần cứng JetsonNano
• 4.2.2. Độ chính xác của mô hình
• 4.2.3. Hiệu năng của mô hình trên phần cứng JetsonNano
• 5. KẾT LUẬN VÀ ĐỊNH HƯỚNG PHÁT TRIỂN
• 5.1. Thực hiện mô phỏng
• 5.2. Mô hình sử dụng
• 5.3. Định hướng phát triển
• TÀI LIỆU THAM KHẢO

I. Tổng Quan Về Mô Hình Phát Hiện Và Tránh Vật Cản Trong Xe Tự Hành

Mô hình phát hiện và tránh vật cản trong xe tự hành là một trong những lĩnh vực nghiên cứu quan trọng trong công nghệ xe tự lái. Công nghệ này không chỉ giúp tăng cường an toàn giao thông mà còn tối ưu hóa hiệu suất vận chuyển. Việc phát triển các mô hình này dựa trên các thuật toán học sâu và các cảm biến hiện đại như Lidar và Camera. Mục tiêu chính là giảm thiểu tai nạn và nâng cao trải nghiệm lái xe tự động.

1.1. Giới Thiệu Về Công Nghệ Xe Tự Hành

Công nghệ xe tự hành đã phát triển mạnh mẽ trong những năm gần đây. Các hệ thống này sử dụng nhiều cảm biến và thuật toán để nhận diện môi trường xung quanh, từ đó đưa ra quyết định điều khiển xe một cách an toàn và hiệu quả.

1.2. Vai Trò Của Mô Hình Phát Hiện Vật Cản

Mô hình phát hiện vật cản đóng vai trò quan trọng trong việc đảm bảo an toàn cho xe tự hành. Nó giúp nhận diện các vật thể như người đi bộ, xe cộ và các chướng ngại vật khác, từ đó đưa ra các hành động tránh né kịp thời.

II. Thách Thức Trong Việc Phát Triển Mô Hình Phát Hiện Vật Cản

Mặc dù công nghệ phát hiện vật cản đã có nhiều tiến bộ, nhưng vẫn còn nhiều thách thức cần phải vượt qua. Các vấn đề như độ chính xác của mô hình, khả năng nhận diện trong điều kiện ánh sáng yếu, và sự phức tạp của môi trường giao thông là những yếu tố cần được cải thiện.

2.1. Độ Chính Xác Của Mô Hình

Độ chính xác của mô hình phát hiện vật cản là một trong những yếu tố quan trọng nhất. Các nghiên cứu cho thấy rằng việc cải thiện độ chính xác có thể giảm thiểu tai nạn và tăng cường an toàn giao thông.

2.2. Khả Năng Nhận Diện Trong Điều Kiện Khó Khăn

Mô hình cần phải hoạt động hiệu quả trong nhiều điều kiện khác nhau, bao gồm ánh sáng yếu, thời tiết xấu và môi trường phức tạp. Điều này đòi hỏi các thuật toán phải được tối ưu hóa để xử lý các tình huống này.

III. Phương Pháp Phát Triển Mô Hình Phát Hiện Vật Cản

Để phát triển mô hình phát hiện vật cản hiệu quả, các nhà nghiên cứu đã áp dụng nhiều phương pháp khác nhau, bao gồm việc sử dụng các mạng nơ-ron sâu và các thuật toán học máy tiên tiến. Việc kết hợp giữa Lidar và Camera cũng là một trong những giải pháp được ưa chuộng.

3.1. Sử Dụng Mạng Nơ Ron Sâu

Mạng nơ-ron sâu (Deep Learning) đã chứng minh được hiệu quả trong việc nhận diện hình ảnh. Các mô hình như SSDlite kết hợp với MobileNetV3 đã được sử dụng để tối ưu hóa quá trình phát hiện vật cản.

3.2. Kết Hợp Giữa Lidar Và Camera

Việc kết hợp giữa Lidar và Camera giúp tăng cường khả năng nhận diện vật cản. Lidar cung cấp thông tin về khoảng cách, trong khi Camera giúp nhận diện hình ảnh, từ đó tạo ra một hệ thống phát hiện toàn diện.

IV. Ứng Dụng Thực Tiễn Của Mô Hình Phát Hiện Vật Cản

Mô hình phát hiện và tránh vật cản đã được áp dụng trong nhiều lĩnh vực khác nhau, từ xe tự hành đến các ứng dụng trong công nghiệp. Các kết quả nghiên cứu cho thấy rằng việc áp dụng công nghệ này có thể cải thiện đáng kể an toàn giao thông.

4.1. Ứng Dụng Trong Xe Tự Hành

Các công ty như Waymo và Cruise đã áp dụng mô hình phát hiện vật cản trong xe tự hành của họ. Điều này giúp tăng cường an toàn và giảm thiểu tai nạn giao thông.

4.2. Ứng Dụng Trong Ngành Công Nghiệp

Ngoài xe tự hành, mô hình phát hiện vật cản còn được áp dụng trong các lĩnh vực như logistics và sản xuất, giúp tối ưu hóa quy trình và nâng cao hiệu quả làm việc.

V. Kết Luận Và Tương Lai Của Mô Hình Phát Hiện Vật Cản

Mô hình phát hiện và tránh vật cản trong xe tự hành đang trên đà phát triển mạnh mẽ. Tương lai của công nghệ này hứa hẹn sẽ mang lại nhiều cải tiến đáng kể, từ việc nâng cao độ chính xác đến việc mở rộng ứng dụng trong nhiều lĩnh vực khác nhau.

5.1. Hướng Phát Triển Trong Tương Lai

Trong tương lai, việc cải thiện mô hình nhận diện vật cản sẽ là một trong những ưu tiên hàng đầu. Các nghiên cứu sẽ tiếp tục tập trung vào việc tối ưu hóa thuật toán và cải thiện độ chính xác.

5.2. Tích Hợp Công Nghệ Mới

Việc tích hợp các công nghệ mới như AI và IoT sẽ giúp nâng cao khả năng của mô hình phát hiện vật cản, từ đó tạo ra những giải pháp an toàn và hiệu quả hơn cho xe tự hành.