Khám Phá Mô Hình Xe Tự Hành Tại HCMUTE

• Tác giả: Huỳnh Việt Cường
• Người hướng dẫn: TS. Trần Vũ Hoàng
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Công Nghệ Kỹ Thuật Máy Tính
• Đề tài: Mô Hình Xe Tự Hành HCMUTE: Sáng Tạo Công Nghệ Tương Lai
• Loại tài liệu: báo cáo tổng kết đề tài nghiên cứu khoa học
• Năm xuất bản: 2020
• Địa điểm: Thành Phố Hồ Chí Minh

• 1. CHƯƠNG 1: MỞ ĐẦU
• 1.1. LÝ DO CHỌN ĐỀ TÀI
• 1.2. PHƯƠNG PHÁP, ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU
• 1.3. BỐ CỤC
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. THƯ VIỆN PYTORCH
• 2.2. Các khái niệm cơ bản trong xử lý ảnh
• 2.3. Biến đổi Hough
• 2.4. Phân đoạn ảnh (Image Segmentation)
• 2.5. Bài toán phát hiện vật thể (Object Detection)
• 2.6. Phương pháp tối ưu
• 2.7. GIẢI THUẬT ĐIỀU KHIỂN PID
• 3. CHƯƠNG 3: GIỚI THIỆU VỀ PHẦN CỨNG
• 3.1. TỔNG QUAN PHẦN CỨNG
• 3.2. CHI TIẾT PHẦN CỨNG
• 3.2.1. Tổng quan về xe Traxxas Desert
• 3.2.2. Các thiết bị trên xe
• 3.2.3. Tổng quang về mạch adapter CDS TX2
• 4. CHƯƠNG 4: THIẾT KẾ PHẦN MỀM
• 4.1. XỬ LÝ ON-ROAD
• 4.1.1. Xử lý ảnh RGB
• 4.1.2. Xử lý ảnh depth
• 4.2. XỬ LÝ OFF-ROAD
• 4.2.1. Tổng quan phương pháp
• 5. CHƯƠNG 5: KẾT QUẢ THỰC HIỆN, SO SÁNH VÀ ĐÁNH GIÁ
• 5.1. Môi trường thực nghiệm
• 5.2. Tập dữ liệu
• 5.3. KỸ THUẬT HUẤN LUYỆN MẠNG VÀ THIẾT LẬP THÔNG SỐ
• 5.4. Xử lý On-road
• 5.5. Xử lý Off-road
• 5.6. Môi trường mô phỏng
• 5.7. Môi trường thực tế
• 5.8. SO SÁNH VÀ ĐÁNH GIÁ
• 5.8.1. Các phương pháp đánh giá kết quả
• 5.8.2. Kết quả On-road
• 5.8.3. Kết quả Off-road
• 6. CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 6.1. HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

I. Mô Hình Xe Tự Hành HCMUTE Tổng Quan

Đề tài nghiên cứu Mô hình xe tự hành tại trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh (HCMUTE) tập trung vào việc phát triển một hệ thống hỗ trợ người lái (ADAS) tiên tiến. Nghiên cứu này có ý nghĩa quan trọng trong bối cảnh phát triển xe tự hành toàn cầu, đặc biệt là tại Việt Nam. Công nghệ xe tự hành là một lĩnh vực đầy thách thức, đòi hỏi sự kết hợp hài hòa giữa xử lý ảnh, học máy, và học sâu. Nghiên cứu xe tự hành tại HCMUTE đóng góp vào việc đào tạo nguồn nhân lực chất lượng cao, thúc đẩy sáng tạo công nghệ trong nước. Sinh viên HCMUTE đã nỗ lực ứng dụng kiến thức lý thuyết vào thực tiễn, tạo ra một mô hình xe tự hành với nhiều chức năng hữu ích. Giảng viên HCMUTE đã hướng dẫn và hỗ trợ sinh viên trong suốt quá trình nghiên cứu, đảm bảo chất lượng kết quả. Công trình này còn góp phần vào nghiên cứu khoa học HCMUTE, tạo nền tảng vững chắc cho các dự án nghiên cứu tương lai trong lĩnh vực này. Tương lai công nghệ sẽ phụ thuộc vào các sáng kiến nghiên cứu như thế này.

1.1. Mục tiêu và Phương pháp Nghiên cứu

Mục tiêu chính của đề tài là xây dựng một mô hình xe tự hành có khả năng nhận diện làn đường, phát hiện biển báo giao thông, và phát hiện vật cản. Nghiên cứu sử dụng phương pháp kết hợp giữa xử lý ảnh truyền thống và học sâu, tận dụng ưu điểm của cả hai. Phương pháp bao gồm các giai đoạn: nghiên cứu lý thuyết, khảo sát các thách thức, thiết kế thuật toán, thực hiện lập trình, kiểm tra và đánh giá kết quả. Hệ thống sử dụng NVIDIA Jetson TX2 làm nền tảng xử lý. Dữ liệu được thu thập từ cả môi trường mô phỏng (Unity) và môi trường thực tế. Các thuật toán được tối ưu để đảm bảo hiệu suất xử lý đáp ứng yêu cầu thời gian thực. Xe tự lái HCMUTE được thiết kế với mục tiêu tối ưu hóa về độ chính xác và tốc độ xử lý, giải quyết các thách thức thực tế của an toàn giao thông. Hệ thống tự lái được đánh giá dựa trên các chỉ số như độ chính xác nhận diện, tốc độ xử lý (FPS), và khả năng hoạt động ổn định trong điều kiện khác nhau. Nghiên cứu này góp phần vào phát triển bản vững xe tự hành tại Việt Nam.

1.2. Công nghệ và Thuật toán

Đề tài sử dụng thư viện PyTorch để xây dựng và huấn luyện các mô hình học sâu. Các thuật toán xử lý ảnh được áp dụng để tiền xử lý ảnh, tách biên, và phân đoạn ảnh. Học máy được dùng trong việc huấn luyện mô hình nhận diện làn đường và biển báo. Hệ thống tự lái sử dụng các sensor như camera, để thu thập dữ liệu. Camera xe tự hành đóng vai trò quan trọng, cung cấp dữ liệu hình ảnh cho quá trình xử lý. Dữ liệu được xử lý bằng các thuật toán phát hiện vật thể (Object Detection) hiệu quả như SSD, kết hợp với các kỹ thuật giảm trọng lượng mô hình. AI trong xe tự hành được thể hiện qua việc ứng dụng các mô hình học sâu để nhận diện các đối tượng trên đường. Mô hình học sâu được huấn luyện trên một tập dữ liệu lớn, bao gồm các hình ảnh được ghi nhận trong nhiều điều kiện khác nhau. Việc tối ưu thuật toán giúp giảm chi phí tính toán, cho phép hệ thống hoạt động hiệu quả trên phần cứng hạn chế. An toàn xe tự hành là yếu tố được ưu tiên hàng đầu, được đảm bảo thông qua việc thiết kế các thuật toán chính xác và đáng tin cậy. Thuật toán điều khiển PID được sử dụng để điều khiển mô hình xe.

1.3. Kết quả và Đánh giá

Kết quả nghiên cứu cho thấy mô hình xe tự hành đã đạt được hiệu suất cao trong việc nhận diện làn đường, phát hiện biển báo, và phát hiện vật cản trong cả môi trường mô phỏng và môi trường thực tế. Kết quả on-road và kết quả off-road cho thấy tính khả thi của hệ thống. Các phương pháp đánh giá bao gồm đo lường độ chính xác, tốc độ xử lý và độ ổn định. Thực tế ảo và mô phỏng xe tự hành đã đóng vai trò quan trọng trong việc kiểm tra và đánh giá hiệu quả của hệ thống. Ứng dụng xe tự hành trong tương lai sẽ mang lại nhiều lợi ích, góp phần giảm thiểu tai nạn giao thông. Tiềm năng xe tự hành ở Việt Nam là rất lớn, đòi hỏi sự đầu tư và phát triển mạnh mẽ. Xe tự hành tương lai sẽ tích hợp nhiều công nghệ tiên tiến hơn nữa, hướng tới sự tự động hóa hoàn toàn. Tuy nhiên, vẫn còn những hạn chế xe tự hành cần được giải quyết như vấn đề an toàn giao thông xe tự hành, vấn đề pháp lý xe tự hành, và chi phí xe tự hành.