Tổng quan nghiên cứu

Thị trường thiết bị bay không người lái dân dụng đang chứng kiến tốc độ tăng trưởng vượt bậc với hàng triệu thiết bị được ứng dụng trong giám sát an ninh, cứu hộ cứu nạn và hậu cần thông minh. Tuy nhiên, các dòng drone thương mại cỡ nhỏ như DJI Tello với trọng lượng chỉ 80 gram, thời lượng pin 13 phút, tốc độ tối đa 8 m/s và tầm hoạt động 100 mét thường bị hạn chế nghiêm trọng về năng lực xử lý thuật toán phức tạp do không tích hợp vi xử lý trí tuệ nhân tạo chuyên dụng trên bo mạch. Luận văn tập trung giải quyết bài toán cốt lõi: xây dựng một kiến trúc điều khiển tự hành thời gian thực kết hợp giữa xử lý thị giác máy tính và học máy từ xa thông qua giao tiếp không dây.

Mục tiêu cụ thể của nghiên cứu là thiết kế hệ thống nhận diện và tự động bám theo đối tượng xác định trong không gian ba chiều bằng cách khai thác luồng hình ảnh độ phân giải HD 720p tốc độ 30 khung hình/giây từ camera góc nhìn 82.6 độ của drone. Toàn bộ quá trình thử nghiệm và đánh giá thực nghiệm được tiến hành trong môi trường phòng lab tiêu chuẩn tại Trường Đại học Bách Khoa - Đại học Quốc gia Thành phố Hồ Chí Minh, hoàn thành vào tháng 12 năm 2022. Ý nghĩa khoa học và thực tiễn của công trình thể hiện ở việc tối ưu hóa thành công đường truyền dữ liệu và thuật toán điều khiển, giúp một thiết bị bay giá rẻ dưới 100 USD đạt được khả năng tracking chính xác với độ tin cậy nhận dạng vượt mốc 80%, mở ra tiềm năng ứng dụng rộng rãi cho các mô hình tự hành chi phí thấp.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu ứng dụng nền tảng lý thuyết học sâu (Deep Learning) kết hợp cùng các kỹ thuật xử lý ảnh trong thị giác máy tính hiện đại. Mô hình trọng tâm được triển khai là Single Shot MultiBox Detector (SSD) kết hợp mạng trích xuất đặc trưng nền tảng VGG-16 đã lược bỏ các tầng kết nối đầy đủ (fully-connected) và bổ sung 6 tầng tích chập phụ trợ (auxiliary convolutional layers). Kiến trúc này cho phép trích xuất các bản đồ đặc trưng đa tỷ lệ (multi-scale feature maps), phục vụ phát hiện vật thể ở nhiều kích thước khác nhau trực tiếp trong một lượt truyền thuận.

Hệ thống vận hành dựa trên 4 khái niệm nền tảng:

  1. Khung bao giới hạn mặc định (Default Bounding Boxes): Tập hợp các khung với tỷ lệ khung hình và kích thước định sẵn tại mỗi vị trí ô lưới.
  2. Độ mất mát phân loại (Confidence Loss): Đo lường mức độ sai lệch nhãn phân loại của vật thể, được tính toán thông qua hàm mất mát Cross-Entropy.
  3. Độ mất mát vị trí (Location Loss): Đánh giá độ sai lệch không gian giữa khung bao dự đoán và khung bao thực tế (Ground Truth) bằng chuẩn L2-Norm (Smooth L1).
  4. Không gian phân vùng điều khiển: Kỹ thuật chia khung hình camera thành 9 vùng hình học để ánh xạ tọa độ tâm vật thể sang các vector vận tốc điều khiển bay tương ứng.

Phương pháp nghiên cứu

Nghiên cứu áp dụng quy trình thực nghiệm định lượng chuẩn gồm 5 bước khép kín: thu thập dữ liệu, tiền xử lý và gán nhãn, huấn luyện mô hình học máy, đánh giá độ chính xác, và lập trình điều khiển phản hồi thời gian thực.

Nguồn dữ liệu hình ảnh được thu thập trực tiếp từ webcam và camera 5MP của drone DJI Tello dưới nhiều góc độ và cự ly khác nhau. Nhằm đánh giá chính xác tác động của quy mô dữ liệu đến khả năng học máy, phương pháp chọn mẫu phân tầng có chủ đích được áp dụng với 5 mức kích thước tập dữ liệu: 50, 100, 150, 200 và 250 ảnh mẫu cho 4 lớp đối tượng thử nghiệm riêng biệt gồm điện thoại, nón, hộp và tai nghe. Công cụ LabelImg được sử dụng để số hóa tọa độ nhãn và đóng gói thành định dạng TFRecord phục vụ TensorFlow Object Detection API.

Lý do lựa chọn phương pháp huấn luyện SSD với 2000 bước huấn luyện (training steps) trên nền tảng TensorFlow và thư viện OpenCV là nhằm tối ưu hóa sự cân bằng giữa độ chính xác nhận diện và tốc độ phản hồi điều khiển, giảm thiểu tối đa độ trễ truyền thông qua mạng Wi-Fi UDP so với các mạng nơ-ron nặng như YOLO hay các nền tảng hạn chế tùy biến như Teachable Machine.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm và kiểm thử hệ thống đã mang lại 4 kết quả định lượng nổi bật:

  1. Sự hội tụ tối ưu của hàm mất mát: Sau 2000 bước huấn luyện trên GPU, hàm mất mát phân loại (Classification loss) giảm mạnh và duy trì ổn định ở mức 0.0799 trong giai đoạn 1950 - 2000 bước, chứng minh mô hình đạt trạng thái hội tụ cao và không xảy ra hiện tượng quá khớp (overfitting).
  2. Độ chính xác nhận diện tăng trưởng vượt trội theo quy mô mẫu: Đối với vật thể điện thoại (cellphone), độ chính xác tăng tuyến tính từ 85% với 50 mẫu lên 97% với 250 mẫu (tăng trưởng 12%). Đối với vật thể nón (cap), độ chính xác tăng từ 81% với 50 mẫu lên mức tối đa 98% với 250 mẫu (tăng trưởng 17%).
  3. Hiệu suất phát hiện thời gian thực ổn định: Mô hình nhận diện duy trì tỷ lệ phát hiện chính xác trên 80% xuyên suốt quá trình bay thực nghiệm, đáp ứng đầy đủ yêu cầu nhận diện vật thể trong môi trường chuyển động liên tục.
  4. Độ trễ điều khiển và đáp ứng không gian tối ưu: Thuật toán chia 9 vùng không gian cho phép drone phát hiện tức thì sự thay đổi vị trí của vật thể và truyền lệnh điều chỉnh yaw/pitch/throttle với thời gian đáp ứng dưới 100 mili-giây, giữ vững mục tiêu tại vùng trung tâm khung hình.

Thảo luận kết quả

Hiệu năng ấn tượng của hệ thống bắt nguồn từ cơ chế trích xuất đặc trưng đa tầng của mạng SSD, cho phép nhận diện tốt vật thể ngay cả khi hình ảnh truyền về từ camera góc rộng FOV 82.6 độ bị biến dạng quang học nhẹ. So với các giải pháp khác, việc lựa chọn TensorFlow SSD mang lại lợi thế vượt trội về mặt tài nguyên tính toán so với YOLO (vốn đòi hỏi cấu hình máy tính trạm xử lý đồ họa cao và dễ gây trễ khung hình qua luồng Wi-Fi) và vượt trội về khả năng trích xuất tọa độ bounding box so với Teachable Machine (chỉ xuất định dạng phân loại thuần túy).

Toàn bộ dữ liệu thực nghiệm trong luận văn có thể được trực quan hóa sinh động:

  • Biểu đồ đường biểu diễn sự suy giảm của hàm Classification loss từ các bước đầu tiên xuống mức 0.0799 ở bước 2000, phản ánh tốc độ hội tụ nhanh của thuật toán.
  • Bảng dữ liệu và biểu đồ cột so sánh tương quan giữa 5 mức mẫu dữ liệu (50 đến 250 ảnh) và tỷ lệ nhận diện chính xác (81% đến 98%), thể hiện rõ ràng quy luật quy mô dữ liệu quyết định trực tiếp tới chất lượng mô hình.

Một hạn chế thực tế được ghi nhận là do DJI Tello không có cảm biến tránh vật cản chuyên dụng và trọng lượng nhẹ 80g, hệ thống hoạt động lý tưởng nhất trong môi trường kín gió và ánh sáng đồng đều; khi ánh sáng môi trường thay đổi đột ngột, độ tin cậy nhận dạng có sự suy giảm khoảng 5% đến 8%.

Đề xuất và khuyến nghị

Nhằm hoàn thiện và nâng cao tính ứng dụng thực tiễn của công trình trong tương lai, 4 giải pháp chiến lược được đề xuất:

  1. Nâng cấp phần cứng tích hợp AI Onboard: Chuyển đổi nền tảng phần cứng sang các dòng máy bay có tích hợp vi xử lý AI cục bộ như Raspberry Pi 4 hoặc NVIDIA Jetson Nano nhằm triệt tiêu hoàn toàn độ trễ truyền dữ liệu Wi-Fi, nâng tốc độ xử lý khung hình từ 30 fps lên 60 fps và giảm thời gian trễ vòng lặp điều khiển xuống dưới 50 mili-giây. Mục tiêu này dự kiến hoàn thành trong vòng 6 tháng bởi đội ngũ kỹ sư nhúng và hệ thống tự hành.
  2. Mở rộng tập dữ liệu và kỹ thuật tăng cường ảnh (Data Augmentation): Thu thập bổ sung từ 500 đến 1000 mẫu hình ảnh cho mỗi lớp đối tượng trong các điều kiện nhiễu sáng, ngược sáng và nền phức tạp, kết hợp kỹ thuật xoay góc, làm mờ chuyển động để duy trì độ chính xác nhận dạng trên 95% ở mọi môi trường thực địa. Timeline thực hiện trong vòng 3 tháng do các chuyên gia xử lý dữ liệu đảm nhiệm.
  3. Cải tiến giải thuật điều khiển bám mục tiêu bằng bộ điều khiển PID: Thay thế logic điều khiển phân vùng rời rạc hiện tại bằng giải thuật PID (Proportional-Integral-Derivative) liên tục nhằm làm mượt quỹ đạo bay, triệt tiêu hiện tượng giật cục khi drone chuyển hướng với sai số vị trí dưới 5 cm. Kế hoạch triển khai trong 4 tháng bởi nhóm phát triển thuật toán điều khiển.
  4. Ứng dụng công nghệ pin và hệ thống định vị bổ trợ: Trang bị nền tảng drone công nghiệp có thời lượng bay kéo dài từ 25 đến 30 phút, tích hợp cảm biến siêu âm và GPS đa băng tần để mở rộng bán kính giám sát lên trên 500 mét, phục vụ các nghiệp vụ tuần tra diện rộng trong vòng 12 tháng bởi đơn vị phát triển giải pháp thương mại.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu cung cấp tài liệu giá trị cao cho 4 nhóm đối tượng chuyên môn:

  1. Sinh viên và học viên cao học ngành Kỹ thuật Máy tính và Trí tuệ Nhân tạo: Nắm bắt trọn vẹn quy trình xây dựng ứng dụng Deep Learning thực tế, từ bước thu thập dữ liệu với LabelImg, huấn luyện mô hình SSD trên TensorFlow đến xuất file mô hình phục vụ điều khiển ngoại vi.
  2. Kỹ sư phát triển hệ thống điều khiển Robot và UAV: Tiếp cận giải pháp kiến trúc phân tầng kết nối giữa máy tính xử lý trung tâm và thiết bị bay qua giao thức mạng không dây, ứng dụng bộ thư viện mã nguồn mở Python và OpenCV để giải quyết bài toán bám mục tiêu.
  3. Các doanh nghiệp và đơn vị phát triển giải pháp giám sát an ninh thông minh: Tham khảo mô hình drone tự hành giá rẻ ứng dụng trong việc tuần tra nhà kho, bãi đỗ xe hoặc giám sát các khu vực khép kín với chi phí đầu tư phần cứng ban đầu tối ưu dưới 200 USD mỗi điểm nút.
  4. Giảng viên và nhà nghiên cứu trong lĩnh vực Thị giác máy tính ứng dụng: Sử dụng luận văn làm học liệu tham khảo, case study thực hành mẫu cho các môn học về Hệ thống Nhúng thông minh, Xử lý ảnh số và Ứng dụng Học máy hiện đại.

Câu hỏi thường gặp

Tại sao nghiên cứu lựa chọn mô hình SSD kết hợp TensorFlow thay vì YOLO? Mô hình SSD kết hợp TensorFlow Object Detection API đảm bảo sự cân bằng tối ưu giữa độ chính xác và tốc độ xử lý trên phần cứng máy tính tầm trung. Trong khi YOLO đòi hỏi tài nguyên tính toán GPU rất lớn dễ gây nghẽn luồng truyền video 30 fps của drone, SSD duy trì tốc độ nhận diện mượt mà và hỗ trợ trích xuất tọa độ bounding box chuẩn xác cho thuật toán điều khiển.

Dung lượng tập dữ liệu bao nhiêu hình ảnh là đủ để mô hình đạt độ chính xác trên 90%? Kết quả thực nghiệm trên 4 lớp vật thể chứng minh rằng với quy mô từ 150 đến 250 ảnh mẫu được gán nhãn chuẩn xác cho mỗi đối tượng, mô hình đạt độ chính xác từ 90% đến 98%. Việc huấn luyện dưới 100 mẫu chỉ mang lại độ chính xác từ 81% đến 88%, chưa đảm bảo độ tin cậy khi bay thực tế.

Hệ thống xử lý như thế nào khi đối tượng di chuyển ra khỏi vùng trung tâm của khung hình? Khung hình camera được thuật toán chia thành 9 phân vùng không gian. Khi tọa độ tâm bounding box của vật thể lệch sang các vùng ngoại vi như vùng 1, 4, 7 hoặc 3, 6, 9, hệ thống sẽ tự động kích hoạt các lệnh điều khiển yaw và throttle tương ứng qua Wi-Fi để đưa mục tiêu trở lại vị trí cân bằng ở vùng trung tâm số 5.

Giới hạn phần cứng của DJI Tello ảnh hưởng như thế nào đến khả năng vận hành? DJI Tello có trọng lượng 80g và thời gian bay 13 phút, không tích hợp máy tính AI trên bo mạch nên bắt buộc phải gửi hình ảnh về máy trạm xử lý. Tầm phát sóng Wi-Fi giới hạn trong 100 mét và khả năng kháng gió thấp, do đó hệ thống đạt hiệu suất tối ưu nhất trong không gian trong nhà hoặc môi trường gió nhẹ.

Hệ thống có khả năng nhận diện nhiều vật thể cùng lúc không? Kiến trúc SSD cho phép nhận diện đồng thời nhiều vật thể trên cùng một khung hình thông qua các default bounding box đa tỷ lệ. Tuy nhiên, trong phạm vi điều khiển bay bám đuôi, thuật toán ưu tiên khóa mục tiêu theo nhãn định danh có điểm số tin cậy (confidence score) cao nhất để điều hướng động cơ chuẩn xác.

Kết luận

  • Xây dựng thành công hệ thống drone tự hành nhận diện và bám mục tiêu thời gian thực bằng mô hình học máy TensorFlow và thị giác máy tính OpenCV.
  • Huấn luyện mô hình SSD với 2000 bước đạt độ hội tụ xuất sắc, giảm hàm mất mát phân loại xuống mức 0.0799.
  • Chứng minh tính hiệu quả của tập dữ liệu khi quy mô 250 mẫu giúp độ chính xác nhận diện đạt từ 97% đến 98%.
  • Hiện thực hóa thuật toán điều khiển 9 phân vùng không gian, giúp drone DJI Tello phản hồi chuyển động mượt mà và duy trì mục tiêu ở trung tâm khung hình.
  • Thiết lập giải pháp ứng dụng trí tuệ nhân tạo trên nền tảng drone thương mại chi phí thấp với tính khả thi cao.

Công trình là bước đệm quan trọng trong việc dân chủ hóa công nghệ thị giác máy tính cho các thiết bị bay không người lái cỡ nhỏ. Trong lộ trình 6 đến 12 tháng tới, việc tích hợp vi xử lý AI cục bộ và giải thuật điều khiển PID sẽ tiếp tục nâng tầm độ ổn định của hệ thống. Các nhà nghiên cứu và kỹ sư quan tâm có thể khai thác mã nguồn và kiến trúc của luận văn để mở rộng các dự án giám sát tự động thế hệ mới.