Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh cuộc cách mạng công nghệ và sự tiến bộ của trí tuệ nhân tạo (AI), đặc biệt là phân ngành học sâu (Deep Learning), công nghệ xe tự hành (Autonomous Vehicles) đang trở thành một trong những hướng phát triển công nghệ tiên tiến nhằm giải quyết các bài toán về an toàn giao thông, tối ưu hóa vận hành và nâng cao tiện ích di chuyển. Trên thế giới, các doanh nghiệp tiên phong như Tesla và Google đã khẳng định tiềm năng của phương tiện tự hành, trong khi tại Việt Nam, các tập đoàn như Vingroup và FPT cũng đang thúc đẩy nghiên cứu nhằm làm chủ công nghệ này. Việc nghiên cứu, thiết kế và thử nghiệm các mô hình xe tự lái tích hợp thị giác máy tính và học máy tạo điều kiện quan trọng để người học tiếp cận công nghệ thực tế và tích lũy kiến thức kỹ thuật phần cứng - phần mềm nhúng.

Đề tài "Nghiên cứu và phát triển mô hình xe tự hành ứng dụng AI" do sinh viên Văn Huy Du và Trần Văn Đạt thực hiện dưới sự hướng dẫn của TS. Trần Vũ Hoàng tại Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh (chuyên ngành Công nghệ Kỹ thuật Máy tính, bảo vệ tháng 7/2024) tập trung giải quyết bài toán tự động điều khiển xe di chuyển bám làn và phản xạ theo biển báo giao thông trên sa bàn mô hình.

Mục tiêu và nhiệm vụ nghiên cứu cụ thể bao gồm:

  1. Xây dựng một hệ thống mô hình xe tự động hoàn chỉnh, tích hợp phần cứng máy tính nhúng và các thuật toán AI/thị giác máy tính.
  2. Xử lý ảnh thu thập từ camera theo thời gian thực nhằm nhận diện làn đường (đường cong, đường thẳng, đường ngoằn ngoèo, nút giao ngã ba).
  3. Huấn luyện mô hình học sâu để nhận diện chính xác các biển báo giao thông cơ bản và đưa ra quyết định điều khiển hướng lái, tốc độ phù hợp.
  4. Đánh giá và kiểm chứng độ ổn định của hệ thống thông qua thực nghiệm trên sa bàn mô phỏng.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Mô hình xe tự hành kích thước nhỏ được trang bị camera và bo mạch xử lý nhúng, có khả năng phân tích luồng hình ảnh, ước tính quỹ đạo di chuyển và truyền tín hiệu điều khiển động cơ trong thời gian thực.
  • Phạm vi nghiên cứu:
    • Mô hình phần cứng xe tỷ lệ 1:10 hoạt động trong điều kiện ánh sáng đầy đủ và kết nối mạng ổn định.
    • Sa bàn thử nghiệm có diện tích $2\text{ m}^2$, bao gồm các phân đoạn địa hình: đoạn đường cong, đoạn đường ngoằn ngoèo và đoạn ngã ba.
    • Tập dữ liệu nhận diện giới hạn ở 6 loại biển báo giao thông chuẩn quy ước: Biển báo dừng lại (STOP), Cấm rẽ trái (No Turn Left), Cấm rẽ phải (No Turn Right), Rẽ trái (Turn Left), Rẽ phải (Turn Right) và Đi thẳng (Go Straight).

Cơ sở lý thuyết và phương pháp tiếp cận

Khung lý thuyết và mô hình ứng dụng

Khóa luận xây dựng hệ thống dựa trên các nền tảng lý thuyết kỹ thuật máy tính và thị giác máy tính:

  • Tiêu chuẩn cấp độ tự động hóa của SAE (Society of Automobile Engineers): Phân loại 6 cấp độ từ Cấp 0 (Không tự động hóa), Cấp 1 (Hỗ trợ tài xế), Cấp 2 (Tự động hóa bán phần), Cấp 3 (Tự động hóa có điều kiện), Cấp 4 (Tự động hóa cao) đến Cấp 5 (Tự động hóa hoàn toàn không cần can thiệp của con người). Mô hình nghiên cứu mô phỏng các tính năng tự hành ở quy mô thử nghiệm học thuật.
  • Quy trình xử lý ảnh số kinh điển: Thực hiện chuỗi bước gồm thu nhận dữ liệu (Data Acquisition), tiền xử lý (Preprocessing), chuyển đổi không gian màu (Color Space Transformation), tăng cường chất lượng ảnh (Image Enhancement), phân đoạn ảnh (Image Segmentation) và nhận dạng/phân loại (Recognition and Classification).
  • Không gian màu HSV (Hue - Saturation - Value): Sử dụng để tách biệt thông tin màu sắc (Hue: $0^\circ - 360^\circ$) và độ bão hòa (Saturation: $0 - 100%$) khỏi cường độ sáng (Value: $0 - 100%$), giúp hạn chế tác động của sự biến đổi ánh sáng môi trường.
  • Thuật toán phát hiện cạnh Canny (Canny Edge Detection): Triển khai qua 4 giai đoạn: (1) Giảm nhiễu bằng bộ lọc Gaussian hạt nhân $5 \times 5$; (2) Tính toán độ lớn và hướng gradient cường độ ảnh bằng toán tử Sobel ($G_x, G_y$); (3) Triệt tiêu không cực đại (Non-maximum Suppression) để làm mỏng biên; (4) Phân ngưỡng kép (Hysteresis Thresholding) với hai ngưỡng $\text{minVal}$ và $\text{maxVal}$ để chọn lọc các cạnh thực sự.
  • Biến đổi đường thẳng Hough (Hough Line Transform): Ánh xạ phương trình đường thẳng từ không gian ảnh sang không gian tham số cực $(\rho, \theta)$ với phương trình $\rho = x \cos\theta + y \sin\theta$ (trong đó $\theta \in [0, \pi)$ và $\rho$ bị chặn), chuyển bài toán tìm đường thẳng thẳng hàng thành bài toán tìm giao điểm của các đường hình sin trong không gian Hough.
  • Mạng nơ-ron tích chập (Convolutional Neural Network - CNN): Áp dụng kiến trúc học sâu gồm các lớp tích chập (Convolutional Layers) với bộ lọc kernel, tham số bước trượt (Stride), đệm (Padding); các lớp gộp giảm chiều không gian (Max-pooling, Average-pooling); hàm kích hoạt phi tuyến ReLU; và các lớp kết nối đầy đủ (Fully Connected / Dense Layer) kết hợp hàm Softmax ở đầu ra để phân loại xác suất đối tượng biển báo.

Phương pháp nghiên cứu thực tế

Tác giả áp dụng phối hợp 4 phương pháp nghiên cứu chính:

  1. Phương pháp thu thập số liệu: Tổng hợp, phân tích các công trình nghiên cứu và tài liệu kỹ thuật về xe tự hành, thị giác máy tính và mạng nơ-ron tích chập trong và ngoài nước.
  2. Phương pháp điều tra - thiết kế: Nghiên cứu lý thuyết, lựa chọn kiến trúc phần cứng, lập trình xử lý luồng dữ liệu hình ảnh trên ngôn ngữ Python và xây dựng quy trình huấn luyện mô hình AI.
  3. Phương pháp thực nghiệm: Chế tạo mô hình xe thực tế tỷ lệ 1:10, bố trí sa bàn thử nghiệm $2\text{ m}^2$ và cho xe vận hành trực tiếp để đo đạc khả năng giữ làn và nhận diện biển báo.
  4. Phương pháp phân tích - tổng kết kinh nghiệm: Hiệu chỉnh các thông số thuật toán (vùng ROI, ngưỡng phân loại, tham số lọc nhiễu) nhằm tăng cường độ ổn định của hệ thống khi chạy thực tế.

Thiết kế và triển khai hệ thống

Hệ thống xe tự hành được thiết kế theo cấu trúc module nhỏ gọn, linh hoạt, sử dụng máy tính nhúng Jetson Nano làm khối xử lý trung tâm, tiếp nhận luồng video từ camera và điều khiển các cơ cấu chấp hành qua mạch cầu công suất và động cơ servo.

                  +-----------------------+
                  |     Camera IMX219     |
                  +-----------+-----------+
                              |
                              v
+------------+    +-----------------------+    +-----------------------+
| Pin LiPo   |--->|      Jetson Nano      |--->| Mạch cầu L298N / ĐC   |
| 3S (11.1V) |    | (Xử lý ảnh & AI CNN)  |    | Động cơ lái Servo 17g |
+------------+    +-----------------------+    +-----------------------+

Lựa chọn linh kiện và phần cứng

Quá trình thiết kế phần cứng bao gồm việc tính toán, so sánh và lựa chọn các thành phần linh kiện tối ưu cho khung xe tỷ lệ 1:10:

Bảng 1: So sánh thông số kỹ thuật các loại động cơ DC

Tiêu chí DC 540 DC 775 DC 380 (Được chọn)
Điện áp hoạt động 6 - 12V 12 - 24V 6 - 12V
Dòng không tải Ở 12V: 0.95A Ở 12V: 1.28A Phù hợp tiết kiệm năng lượng
Chiều dài thân 50 mm 98 mm 38 mm
Đường kính thân 35.5 mm 45 mm 27 mm
Trọng lượng 161 g 400 g 78.3 g

Bảng 2: So sánh thông số module điều khiển động cơ

Tiêu chí Module L298N (Được chọn) Module BTS7960
Điện áp hoạt động 5 - 12V 6 - 27V
Dòng tải tối đa 2A / kênh (tối đa 4A toàn module) 43A
Công suất tải tối đa 25W 1032W
Kích thước $43 \times 43 \times 27\text{ mm}$ $50 \times 50 \times 43\text{ mm}$
Trọng lượng 30 g 66 g

Bảng 3: So sánh thông số kỹ thuật các loại động cơ Servo

Tiêu chí MG996R SG90 RC Servo 17g (Được chọn)
Mô-men xoắn $4.5\text{ kg}\cdot\text{cm}$ (tại 6V) Nhỏ, độ bền thấp Đủ mô-men cho góc lái xe 1:10
Kích thước Chiều dài 40.7 mm Nhỏ gọn Nhỏ gọn, dễ lắp ráp
Khối lượng 55 g 9 g 17.5 g

Bảng 4: So sánh thông số kỹ thuật camera quan sát

Tiêu chí Arducam IMX477 HQ IMX219 (Được chọn)
Kích thước cảm biến CCD $1/2.3\text{ inch}$ $1/4\text{ inch}$
Tiêu cự 6 mm 3.15 mm
Góc nhìn (FOV) $65^\circ$ $160^\circ$
Độ phân giải $4056 \times 3040$ $3280 \times 2464$
Kích thước module $38 \times 38\text{ mm}$ $25 \times 24\text{ mm}$

Bảng 5: Điện áp hoạt động và yêu cầu dòng điện các module trong hệ thống

Module Điện áp hoạt động Dòng điện tối đa
Động cơ DC 380 6 - 12V 2 - 3A khi chịu tải
Servo 17g 4.8 - 6V 1A khi tải cao
Module L298N 5 - 12V 2A cho mỗi kênh, tối đa 4A cho module
Pin LiPo 3S 11.1V - 11.6V (dung lượng 1500mAh, dòng xả 35C, kích thước $75 \times 35 \times 24\text{ mm}$) Cung cấp nguồn tổng cho hệ thống công suất

Khung xe sử dụng loại xe RC tỷ lệ 1:10 chất liệu sợi carbon kích thước $300 \times 150\text{ mm}$, trọng lượng 780g, đảm bảo độ nhẹ, cứng cáp và khả năng chịu tải cho toàn bộ khối máy tính và cảm biến.

Quy trình phần mềm và thuật toán điều khiển

Hệ thống phần mềm được xây dựng hoàn toàn bằng ngôn ngữ Python trên nền hệ điều hành nhúng của Jetson Nano, tích hợp thư viện OpenCV và nền tảng học sâu:

  1. Tiền xử lý và lọc biên làn đường: Ảnh chụp từ camera IMX219 được cắt chọn vùng quan tâm (ROI), chuyển đổi sang không gian HSV, áp dụng bộ lọc làm mịn Gaussian kernel $5 \times 5$ và chạy thuật toán Canny để trích xuất cạnh.
  2. Biến đổi Hough và gom cụm vạch kẻ đường: Áp dụng Hough Line Transform để trích xuất các đường thẳng. Khung hình được chia thành hai vùng: vùng bên trái (chiếm 2/3 khung hình bên trái) và vùng bên phải (chiếm 1/3 khung hình bên phải). Độ dốc của từng đoạn thẳng nối hai điểm $(x_1, y_1)$ và $(x_2, y_2)$ được tính theo công thức: $$m = \frac{y_2 - y_1}{x_2 - x_1}$$ Đoạn đường có độ dốc âm ($m < 0$) nằm trong vùng trái được gom vào nhóm vạch trái; đoạn có độ dốc dương ($m > 0$) nằm trong vùng phải được gom vào nhóm vạch phải. Các giá trị độ dốc và hệ số chặn trung bình được tính toán để tạo nên hai vạch đường đại diện.
  3. Tính toán góc lái (Steering Angle): Hệ thống xác định độ lệch tâm $x_\text{offset}$ dựa trên trung điểm của hai vạch biên so với điểm chính giữa khung hình, từ đó tính toán góc bẻ lái cho động cơ servo 17g để giữ xe luôn chạy ở giữa làn.
  4. Nhận diện biển báo bằng mạng CNN: Luồng ảnh chứa biển báo được đưa qua mô hình CNN phân loại thành một trong 6 lớp hành động.

Bảng 6: Danh mục 6 loại biển báo giao thông được triển khai trong hệ thống

STT Ký hiệu Tên biển báo Hành vi điều khiển tương ứng
1 STOP Biển báo Dừng lại Xe dừng chuyển động
2 NTL No Turn Left (Cấm rẽ trái) Không cho phép bẻ lái sang trái tại nút giao
3 NTR No Turn Right (Cấm rẽ phải) Không cho phép bẻ lái sang phải tại nút giao
4 TL Turn Left (Rẽ trái) Bẻ góc lái servo sang trái
5 TR Turn Right (Rẽ phải) Bẻ góc lái servo sang phải
6 GS Go Straight (Đi thẳng) Duy trì hướng lái thẳng qua nút giao

Nội dung chính theo từng chương

Chương 1. Tổng quan về đề tài

Chương 1 trình bày lý do chọn đề tài, khảo sát tổng quan về xu hướng xe tự lái trên thế giới và tại Việt Nam. Tác giả nêu rõ mục tiêu nghiên cứu, giới hạn kỹ thuật (mô hình 1:10, sa bàn $2\text{ m}^2$, 6 biển báo), phương pháp nghiên cứu và bố cục tổng thể của quyển báo cáo.

Chương 2. Cơ sở lý thuyết

Chương này đi sâu vào cơ sở khoa học của các công nghệ cốt lõi: 6 cấp độ tự hành theo chuẩn SAE; nguyên lý mạng thần kinh nhân tạo (ANN) và mạng nơ-ron tích chập (CNN) với các khái niệm tích chập, bộ lọc kernel, bước trượt stride, kỹ thuật padding, pooling (Max-pooling, Average-pooling), hàm kích hoạt ReLU và Softmax; tổng quan các giai đoạn xử lý ảnh kỹ thuật số; mô hình màu HSV; thuật toán phát hiện cạnh Canny và phép biến đổi đường thẳng Hough Line trong không gian tọa độ cực.

Chương 3. Thiết kế hệ thống

Chương 3 trình bày chi tiết các yêu cầu kỹ thuật và phân tích lựa chọn phần cứng. Tác giả tiến hành so sánh thông số các loại động cơ DC (DC 380, DC 540, DC 775), module cầu H (L298N, BTS7960), động cơ servo (RC 17g, SG90, MG996R), module camera (IMX219, IMX477) và nguồn pin LiPo 3S 1500mAh 35C. Đồng thời, chương này mô tả quy cách thiết kế sa bàn thử nghiệm $2\text{ m}^2$ (đường cong, đường ngoằn ngoèo, ngã ba) và cấu trúc 6 loại biển báo giao thông phục vụ huấn luyện.

Chương 4. Phương pháp phát hiện và nhận diện làn đường

Chương 4 tập trung vào giải thuật phần mềm: phân tích các hướng tiếp cận nhận diện làn đường (đánh dấu làn đường, xác định vị trí xe so với tâm làn, xác định vị trí xe theo góc nhìn chim bay - bird's eye view). Trình bày chi tiết giải thuật tiền xử lý ảnh, trích xuất ROI, phân vùng khung hình (2/3 trái, 1/3 phải), công thức tính toán độ dốc $m$, thuật toán gom cụm vạch kẻ đường và công thức tính toán góc lái trong thời gian thực. Giới thiệu cấu trúc mô hình mạng CNN phục vụ nhận dạng 6 nhóm biển báo.

Chương 5. Kết quả và đánh giá

Chương 5 công bố kết quả thực nghiệm hệ thống mô hình hoàn chỉnh. Tác giả đánh giá khả năng nhận diện vạch làn đường trong các điều kiện hình học sa bàn khác nhau (đường cong, đường ngoằn ngoèo, đường ngã ba) và kết quả phân loại biển báo giao thông. Mô tả chi tiết hành vi vận hành thực tế của xe (giữ làn, rẽ trái, rẽ phải, đi thẳng, dừng xe) khi tương tác trực tiếp với các biển báo trên sa bàn.

Chương 6. Kết luận và hướng phát triển

Chương 6 tổng kết toàn bộ các kết quả kỹ thuật đã đạt được, chỉ ra các ưu điểm về tính gọn nhẹ và khả năng đáp ứng thời gian thực của hệ thống. Đồng thời, tác giả nghiêm túc phân tích các mặt hạn chế còn tồn tại (nhiễu xử lý ảnh khi ánh sáng thay đổi, tải tính toán khi chạy song song hai mô hình) và vạch ra các hướng mở rộng nghiên cứu trong tương lai.

Kết quả và đóng góp

Kết quả thực nghiệm chính

  • Chế tạo hoàn chỉnh mô hình phần cứng: Lắp ráp thành công mô hình xe tự hành 1:10 trên khung carbon 780g, tích hợp mạch máy tính nhúng Jetson Nano, camera IMX219 góc rộng $160^\circ$, động cơ DC 380 điều khiển qua mạch L298N và servo lái 17g được cấp nguồn từ pin LiPo 3S 11.1V.
  • Vận hành bám làn thời gian thực: Thuật toán kết hợp tiền xử lý HSV, phát hiện biên Canny, biến đổi Hough Line và phân chia vùng khung hình (2/3 trái - 1/3 phải) cho phép xe tự động tính toán góc lái và duy trì di chuyển ổn định trên cả ba dạng địa hình sa bàn: đoạn cong, đoạn ngoằn ngoèo và đoạn ngã ba.
  • Nhận diện và phản xạ biển báo: Mô hình học sâu CNN nhận diện chính xác 6 loại biển báo giao thông cơ bản (STOP, NTL, NTR, TL, TR, GS). Xe thực hiện đúng các thao tác chuyển hướng (rẽ trái/phải), duy trì đi thẳng hoặc dừng xe hoàn toàn tương ứng với từng biển báo được phát hiện.
  • Tính toàn vẹn học thuật: Báo cáo đạt tỷ lệ trùng lặp văn bản 35%, đáp ứng yêu cầu thẩm định đồ án tốt nghiệp đại học theo nhận xét của Giáo viên hướng dẫn.

Đóng góp của đề tài

  • Xây dựng thành công một quy trình hoàn chỉnh từ khâu thiết kế phần cứng, lựa chọn linh kiện phù hợp với tải trọng và công suất, đến phát triển thuật toán phần mềm nhúng ứng dụng AI cho xe tự hành quy mô nhỏ.
  • Đề xuất phương pháp kết hợp giữa xử lý ảnh truyền thống (HSV, Canny, Hough Transform) để nhận diện làn đường và tính toán góc lái hình học, cùng với mạng nơ-ron tích chập (CNN) để phân loại biển báo giao thông.
  • Cung cấp mô hình sa bàn thử nghiệm $2\text{ m}^2$ với đầy đủ các tình huống đường cong, đường giao cắt và hệ thống biển báo, làm cơ sở thực nghiệm rõ ràng cho các nghiên cứu tiếp theo.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế kỹ thuật

  1. Độ nhạy với nhiễu môi trường: Hệ thống xử lý ảnh truyền thống vẫn chịu ảnh hưởng bởi nhiễu khi điều kiện ánh sáng môi trường thay đổi bất thường hoặc khi có các vật thể gây nhiễu biên cạnh trên đường đi.
  2. Kiến trúc mô hình chưa tối ưu hóa tài nguyên: Tác vụ nhận diện làn đường và nhận diện biển báo giao thông đang được thực hiện qua các khối xử lý tách biệt, chưa tích hợp chung vào một mạng nơ-ron duy nhất, dẫn đến việc tiêu tốn thêm tài nguyên tính toán của Jetson Nano (theo góp ý của GVHD).
  3. Chưa đồng nhất không gian màu: Quy trình xử lý còn chuyển đổi qua lại giữa các không gian màu khác nhau thay vì chuẩn hóa trên một không gian màu duy nhất xuyên suốt hệ thống.
  4. Phạm vi thử nghiệm giới hạn: Mô hình chỉ mới hoạt động trên sa bàn phòng thí nghiệm với tỷ lệ 1:10 trong điều kiện ánh sáng đầy đủ và kết nối mạng nội bộ ổn định.

Hướng nghiên cứu tiếp

  • Tích hợp cả hai tác vụ dự đoán góc lái và nhận diện biển báo trên cùng một kiến trúc mạng học sâu duy nhất (End-to-End Deep Learning hoặc Multi-task Learning) nhằm giảm độ trễ tính toán và nâng cao hiệu suất xử lý trên máy tính nhúng.
  • Tối ưu hóa thuật toán lọc nhiễu và thống nhất sử dụng một không gian màu duy nhất trong toàn bộ chu trình xử lý ảnh.
  • Nâng cấp phần cứng, bổ sung các cảm biến phụ trợ (cảm biến siêu âm, LiDAR hoặc IMU) để nâng cao độ an toàn và khả năng tránh vật cản trong các điều kiện môi trường phức tạp.

Giá trị tham khảo

Đồ án tốt nghiệp là tài liệu tham khảo kỹ thuật hữu ích đối với:

  • Sinh viên và học viên ngành Công nghệ Kỹ thuật Máy tính, Điện tử - Viễn thông, Tự động hóa và Trí tuệ nhân tạo: Cung cấp tài liệu thực hành chi tiết về việc xây dựng hệ thống nhúng với Jetson Nano, kỹ thuật lập trình điều khiển động cơ qua PWM và giao tiếp ngoại vi.
  • Người nghiên cứu các đề tài xe tự hành và robot di động (AGV): Cung cấp các phân tích, số liệu so sánh chọn lựa linh kiện (DC 380 vs 540/775; L298N vs BTS7960; Servo 17g vs MG996R/SG90; Camera IMX219 vs IMX477) và công thức toán học tính toán độ dốc vạch kẻ đường, phân chia vùng ảnh camera để bẻ lái.

Câu hỏi thường gặp

1. Bo mạch xử lý trung tâm và loại camera nào được sử dụng trên mô hình xe tự hành?
Hệ thống sử dụng bo mạch máy tính nhúng NVIDIA Jetson Nano làm bộ xử lý trung tâm và module Camera IMX219 có cảm biến $1/4\text{ inch}$, tiêu cự 3.15mm, độ phân giải $3280 \times 2464$ cùng góc nhìn rộng $160^\circ$ để bao quát toàn bộ làn đường phía trước xe.

2. Thuật toán phát hiện làn đường phân loại vạch kẻ đường trái và phải dựa trên nguyên lý nào?
Sau khi trích xuất các đường thẳng bằng biến đổi Hough Line, hệ thống chia khung hình thành hai vùng: vùng trái (chiếm 2/3 màn hình bên trái) và vùng phải (chiếm 1/3 màn hình bên phải). Độ dốc $m = (y_2 - y_1)/(x_2 - x_1)$ được tính cho từng đoạn thẳng; đoạn có độ dốc âm ($m < 0$) nằm ở vùng trái được phân vào nhóm vạch trái, còn đoạn có độ dốc dương ($m > 0$) nằm ở vùng phải được phân vào nhóm vạch phải.

3. Khung xe và nguồn cấp năng lượng trên mô hình có thông số kỹ thuật ra sao?
Mô hình sử dụng khung xe RC tỷ lệ 1:10 bằng sợi carbon kích thước $300 \times 150\text{ mm}$, trọng lượng 780g. Toàn bộ hệ thống động lực và vi xử lý được cấp nguồn bởi pin LiPo 3S điện áp 11.1V - 11.6V, dung lượng 1500mAh và dòng xả 35C.

4. Hệ thống đã được huấn luyện để nhận diện những loại biển báo giao thông nào?
Mô hình học sâu CNN được huấn luyện để phân loại 6 loại biển báo chuẩn trên sa bàn: Biển báo dừng (STOP), Cấm rẽ trái (No Turn Left), Cấm rẽ phải (No Turn Right), Rẽ trái (Turn Left), Rẽ phải (Turn Right) và Đi thẳng (Go Straight).

5. Giáo viên hướng dẫn đã chỉ ra những điểm hạn chế kỹ thuật cốt lõi nào cần cải thiện?
Giáo viên hướng dẫn chỉ ra hai điểm hạn chế chính: nhóm nghiên cứu nên xem xét lồng ghép đồng thời hai tác vụ (dự đoán góc lái và nhận diện biển báo) vào cùng một kiến trúc mạng để giảm thời gian tính toán, đồng thời cần thống nhất sử dụng duy nhất một loại không gian màu trong toàn bộ quy trình xử lý ảnh.

Kết luận

Đồ án tốt nghiệp "Nghiên cứu và phát triển mô hình xe tự hành ứng dụng AI" của sinh viên Văn Huy Du và Trần Văn Đạt đã thiết kế và chế tạo thành công một mô hình xe tự hành tỷ lệ 1:10 hoàn chỉnh hoạt động trên máy tính nhúng Jetson Nano. Bằng việc kết hợp các thuật toán thị giác máy tính truyền thống (HSV, Canny, Hough Transform) với mô hình mạng nơ-ron tích chập (CNN), hệ thống đã thực hiện tốt các tác vụ bám làn đường và nhận diện 6 loại biển báo giao thông trên sa bàn $2\text{ m}^2$. Mặc dù vẫn còn một số hạn chế về khả năng lọc nhiễu ánh sáng và tính tối ưu hóa kiến trúc mạng, công trình đã thể hiện rõ phương pháp nghiên cứu thực nghiệm chặt chẽ và cung cấp nền tảng kỹ thuật có giá trị tham khảo cao cho các ứng dụng hệ thống nhúng tự hành.