I. Mô hình xe tự hành HCMUTE Tổng quan
Luận văn nghiên cứu mô hình xe tự hành của sinh viên Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh (HCMUTE), tập trung vào việc ứng dụng thị giác máy tính và học sâu (deep learning) để thực hiện nhiệm vụ điều khiển tự động. Nghiên cứu xe tự hành HCMUTE này sử dụng một mô hình thu nhỏ tỷ lệ 1:10, tích hợp camera, máy tính nhúng NVIDIA TX2 và Arduino. Mục tiêu chính là thiết kế và phát triển một hệ thống có khả năng nhận diện môi trường, lập kế hoạch đường đi và điều khiển xe di chuyển một cách tự động. Đây là một ví dụ điển hình về ứng dụng công nghệ xe tự hành trong giáo dục đào tạo, thể hiện tiến bộ công nghệ đáng kể của sinh viên HCMUTE.
1.1. Lý do chọn đề tài và mục tiêu nghiên cứu
Việc lựa chọn mô hình xe tự hành là do tính ứng dụng cao của công nghệ xe tự hành trên thế giới. Đề tài này tích hợp nhiều lĩnh vực công nghệ tiên tiến, bao gồm thị giác máy tính, học sâu (deep learning), và điều khiển tự động. Nghiên cứu xe tự hành HCMUTE hướng đến các mục tiêu cụ thể: nghiên cứu lý thuyết về xe tự lái, lựa chọn phần cứng phù hợp (camera, NVIDIA TX2, Arduino), ứng dụng mạng BiSeNet cho nhận diện hình ảnh (nhận diện vật thể), và thiết kế thuật toán điều khiển tự động. Luận văn nhấn mạnh vào việc sử dụng mạng neuron trong thuật toán học sâu để xử lý hình ảnh từ camera và đưa ra quyết định điều khiển. Phát triển xe tự hành là một lĩnh vực tiềm năng, góp phần vào giáo dục đào tạo và tiến bộ công nghệ.
1.2. Phương pháp nghiên cứu và phạm vi nghiên cứu
Luận văn áp dụng phương pháp nghiên cứu định tính và định lượng. Phần định tính tập trung vào việc nghiên cứu lý thuyết, tìm hiểu các công nghệ liên quan đến xe tự lái, thị giác máy tính, và học sâu. Phần định lượng bao gồm thiết kế, xây dựng và thử nghiệm mô hình xe tự hành. Phạm vi nghiên cứu tập trung vào việc xây dựng và kiểm tra một mô hình xe tự hành thu nhỏ tỷ lệ 1:10, sử dụng mạng BiSeNet cho nhiệm vụ phân đoạn ảnh (xử lý ảnh). Mô phỏng xe tự hành được thực hiện trong môi trường ngoài trời tại HCMUTE, với các điều kiện thử nghiệm khác nhau để đánh giá hiệu quả của hệ thống. Dữ liệu thu thập được sẽ được sử dụng để phân tích và đánh giá hiệu quả của thuật toán điều khiển (điều khiển tự động). Nghiên cứu khoa học này đóng góp vào sự phát triển của công nghệ tự động hóa.
II. Ứng dụng Thị giác máy tính và Học sâu trong Mô hình
Luận văn tập trung vào việc ứng dụng thị giác máy tính và học sâu (deep learning) để giải quyết bài toán nhận diện và điều khiển trong mô hình xe tự hành. Cụ thể, mạng BiSeNet được sử dụng để thực hiện nhiệm vụ phân đoạn ảnh, cho phép hệ thống xác định đường đi, người đi bộ và các biển báo giao thông từ hình ảnh thu được từ camera. Thuật toán học sâu được huấn luyện trên một tập dữ liệu lớn (big data) để đảm bảo độ chính xác cao trong quá trình nhận diện. Việc tích hợp AI vào hệ thống giúp cho mô hình xe tự hành có khả năng xử lý thông tin phức tạp và đưa ra quyết định chính xác trong thời gian thực. Trí tuệ nhân tạo đóng vai trò quan trọng trong việc đảm bảo an toàn và hiệu quả của hệ thống.
2.1. Mạng BiSeNet và xử lý ảnh
Mạng BiSeNet là một kiến trúc mạng thần kinh tích chập (CNN) hiệu quả cho nhiệm vụ phân đoạn ảnh. Luận văn này trình bày chi tiết về cấu trúc và nguyên lý hoạt động của BiSeNet. Khả năng kết hợp thông tin không gian (spatial information) và trường tiếp nhận (receptive field) giúp BiSeNet có khả năng phân đoạn ảnh với độ chính xác cao. Kết quả thử nghiệm trên mô hình xe tự hành cho thấy BiSeNet có thể phân biệt hiệu quả giữa đường đi, người đi bộ và các vật thể khác. Xử lý ảnh là một phần không thể thiếu trong hệ thống thị giác máy tính của xe tự hành, đóng góp quan trọng vào quá trình ra quyết định của hệ thống. Việc lựa chọn BiSeNet là dựa trên hiệu quả và độ chính xác của nó trong các bài toán phân đoạn ảnh tương tự.
2.2. Học sâu và điều khiển tự động
Học sâu (deep learning) đóng vai trò then chốt trong việc xây dựng hệ thống điều khiển tự động cho mô hình xe tự hành. Luận văn mô tả quá trình huấn luyện mạng neuron để điều khiển xe tự lái. Dữ liệu huấn luyện bao gồm các thông tin về vị trí của xe, hướng di chuyển, và các vật thể xung quanh. Thuật toán học máy được sử dụng để tối ưu hóa quá trình điều khiển, giúp cho xe có thể di chuyển an toàn và hiệu quả. Điều khiển tự động được thực hiện thông qua việc điều khiển góc lái và tốc độ của xe dựa trên thông tin nhận diện từ thị giác máy tính. Sự kết hợp giữa thị giác máy tính và học sâu tạo nên một hệ thống điều khiển tự động thông minh và hiệu quả cho xe tự hành.
III. Kết quả và đánh giá
Kết quả nghiên cứu cho thấy mô hình xe tự hành HCMUTE hoạt động hiệu quả trong môi trường thử nghiệm. Hệ thống có khả năng nhận diện đường đi, người đi bộ và các biển báo giao thông với độ chính xác cao. Xe không người lái này có khả năng điều khiển tự động trong nhiều điều kiện khác nhau, bao gồm cả điều kiện ánh sáng yếu. Tuy nhiên, vẫn còn một số hạn chế cần được cải thiện trong tương lai, ví dụ như khả năng xử lý các tình huống phức tạp và tốc độ xử lý thông tin. Nghiên cứu này đóng góp vào việc phát triển công nghệ xe tự hành tại Việt Nam, đồng thời tạo điều kiện cho sinh viên HCMUTE tiếp cận và làm quen với các công nghệ tiên tiến.
3.1. Phân tích kết quả thử nghiệm
Các thử nghiệm được tiến hành trong nhiều điều kiện khác nhau để đánh giá hiệu quả của mô hình xe tự hành. Kết quả cho thấy hệ thống hoạt động ổn định và chính xác trong hầu hết các trường hợp. Độ chính xác của việc nhận diện đường đi, người đi bộ và các biển báo giao thông được đánh giá cao. Phân tích các số liệu thống kê cho thấy hệ thống có khả năng thích ứng với các điều kiện môi trường khác nhau. Tuy nhiên, một số hạn chế về tốc độ xử lý và khả năng xử lý các tình huống phức tạp vẫn cần được cải thiện. Dữ liệu lớn thu thập được trong quá trình thử nghiệm sẽ là cơ sở để cải tiến hệ thống trong tương lai.
3.2. Đánh giá và hướng phát triển
Mô hình xe tự hành HCMUTE thể hiện được những bước tiến đáng kể trong việc ứng dụng thị giác máy tính và học sâu vào xe tự lái. Nghiên cứu này có giá trị thực tiễn cao và có thể được ứng dụng rộng rãi trong lĩnh vực công nghệ xe tự hành. Tuy nhiên, để hoàn thiện hơn, cần tiếp tục nghiên cứu và cải tiến các thuật toán, cũng như nâng cao khả năng xử lý thông tin của hệ thống. Việc tích hợp thêm các cảm biến khác, chẳng hạn như cảm biến LiDAR và radar, cũng sẽ giúp nâng cao độ chính xác và an toàn của hệ thống. Phát triển xe tự hành là một quá trình liên tục, đòi hỏi sự nỗ lực và đầu tư nghiên cứu lâu dài.
