Nghiên Cứu Lắp Đặt Và Lập Trình Hệ Thống Cảnh Báo Tiền Va Chạm (PCS) Trên Mô Hình Xe Tự Chế

Nghiên cứu lắp đặt và lập trình hệ thống cảnh báo tiền va chạm PCS trên mô hình xe tự chế, nâng cao an toàn giao thông và hiệu suất lái.

• Tác giả: Lý Thuận Hưng
• Người hướng dẫn: ThS. Nguyễn Thành Tuyên
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Công Nghệ Kỹ Thuật Ô Tô
• Đề tài: Nghiên Cứu Lắp Đặt Và Lập Trình Hệ Thống Cảnh Báo Tiền Va Chạm (PCS) Trên Mô Hình Xe Tự Chế
• Loại tài liệu: Đồ Án Tốt Nghiệp
• Năm xuất bản: 2024
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• TÓM TẮT
• MỤC LỤC
• DANH MỤC CÁC TỪ VIẾT TẮT
• DANH MỤC CÁC HÌNH ẢNH
• DANH SÁCH CÁC BẢNG BIỂU
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Đối tượng nghiên cứu
• 1.2. Tình hình nghiên cứu trong và ngoài nước
• 1.2.1. Tình hình nghiên cứu trong nước
• 1.2.1.1. Nghiên cứu các loại cảm biến hỗ trợ lái xe nâng cao (ADAS)
• 1.2.1.2. Phát hiện điểm mù với độ tin cậy cao và thời gian thực cho hệ thống hỗ trợ lái xe thông minh
• 1.2.1.3. Nhận diện vật thể trong vùng nguy hiểm phía trước xe và cảnh báo lệch làn đường
• 1.2.1.4. Mobileye 630
• 1.2.2. Tình hình nghiên cứu ngoài nước
• 1.2.2.1. Kết hợp Camera và Lidar 2D cho việc phát hiện đối tượng và khoảng cách đối tượng
• 1.2.2.2. Phép đo của ADAS sử dụng hệ điều hành Robot ROS
• 1.3. Phạm vi đề tài
• 1.3.1. Phạm vi nghiên cứu
• 1.3.2. Phương pháp nghiên cứu
• 1.3.3. Giá trị thực tiễn
• 1.3.4. Kết quả dự kiến
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Nguyên lý hoạt động hệ thống cảnh báo tiền va chạm (PCS)
• 2.2. Cấu tạo và nguyên lý hoạt động của từng bộ phận
• 2.2.1. Cảm biến tốc độ
• 2.2.2. Cảm biến đo khoảng cách
• 2.2.2.1. Cảm biến đo khoảng cách loại Radar
• 2.2.2.2. Cảm biến đo khoảng cách loại Lidar
• 2.2.3. Camera nhận diện vật thể
• 2.2.3.1. Nguyên lý hoạt động
• 2.2.3.2. Thành phần cảnh báo
• 2.2.3.3. Màn hình cảnh báo
• 2.3. Giới thiệu về thị giác máy tính (Computer Vision)
• 2.3.1. Cách hoạt động của thị giác máy tính
• 2.3.2. Giới thiệu xử lý ảnh
• 2.3.2.1. Thu nhận ảnh (Image Acquisition)
• 2.3.2.2. Phân đoạn ảnh (Segmentation) hay phân vùng ảnh
• 2.3.2.3. Hiển thị ảnh (Image Representation)
• 2.3.2.4. Nhận diện ảnh (Image Recognition and Interpretation)
• 2.3.3. Cơ sở tri thức (Knowledge Base)
• 2.4. Tổng quan nhận diện đối tượng
• 2.4.1. Tổng quan về mô hình phát hiện đối tượng
• 2.4.2. Giới thiệu mô hình SSD
• 2.4.2.1. Mạng neuron tích chập
• 2.4.2.2. Kiến trúc của mô hình mạng SSD
• 2.4.2.3. Áp dụng feature map với các kích thước khác nhau
• 2.4.2.4. Dự báo thông qua mạng tích chập đối với object
• 2.4.2.5. Default box và tỉ lệ cạnh
• 2.4.3. Nhu cầu về lightweight model
• 2.4.3.1. Các dạng tích chập
• 2.4.3.2. Inverted Residual Block
• 2.4.3.3. Bỏ non-linear
• 2.5. Ngôn ngữ lập trình Python và thư viện OpenCV
• 2.5.1. Ngôn ngữ lập trình Python
• 2.5.2. Thư viện OpenCV
• 2.6. Tổng quan về phần cứng
• 2.6.1. NVIDIA Jetson nano Developer Kit B01
• 2.6.2. Camera Raspberry Pi v2
• 2.6.3. Màn hình LCD. Module relay và Còi 12V
• 2.6.4. Cảm biến Hall 3144E
• 2.7. Tổng quan về phần mềm
• 3. CHƯƠNG 3: THUẬT TOÁN HỆ THỐNG VÀ THIẾT KẾ LẬP TRÌNH
• 3.1. Thiết lập ban đầu
• 3.2. Xử lý thông tin từ camera
• 3.2.1. Phát hiện vật thể
• 3.2.2. Đọc thông tin đầu vào từ camera. Tiền xử lý ảnh đầu vào. Phát hiện vật thể
• 3.3. Xử lý thông tin từ RpLidar A1M8
• 3.4. Xử lý thông tin từ cảm biến tốc độ Hall 3144E
• 3.5. Sơ đồ thiết kế hệ thống cảnh báo tiền va chạm
• 4. CHƯƠNG 4: THỰC NGHIỆM VÀ KẾT QUẢ
• 4.1. Thiết kế lắp đặt hệ thống cảnh báo tiền va chạm
• 4.2. Thực nghiệm và kết quả
• 4.3. So sánh và đánh giá kết quả
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN HỆ THỐNG
• 5.1. Hướng phát triển
• DANH MỤC CÁC TỪ VIẾT TẮT
• DANH MỤC CÁC HÌNH ẢNH
• DANH SÁCH CÁC BẢNG BIỂU

Tóm tắt

I. Tổng quan về hệ thống cảnh báo tiền va chạm trên xe tự chế

Hệ thống cảnh báo tiền va chạm (PCS) là một trong những công nghệ tiên tiến nhất trong lĩnh vực an toàn giao thông. Với sự gia tăng số lượng xe ô tô và tình trạng giao thông ngày càng phức tạp, việc trang bị hệ thống này trở nên cần thiết hơn bao giờ hết. PCS giúp phát hiện các vật thể xung quanh xe và cảnh báo người lái khi có nguy cơ va chạm. Công nghệ này không chỉ giúp giảm thiểu tai nạn mà còn nâng cao sự an toàn cho người lái và hành khách.

1.1. Định nghĩa và vai trò của hệ thống cảnh báo va chạm

Hệ thống cảnh báo va chạm (PCS) sử dụng các cảm biến như radar, lidar và camera để phát hiện vật thể. Khi phát hiện nguy cơ va chạm, hệ thống sẽ cảnh báo người lái bằng âm thanh hoặc hình ảnh, giúp họ có thời gian phản ứng kịp thời.

1.2. Lợi ích của việc sử dụng hệ thống cảnh báo tiền va chạm

Việc trang bị PCS mang lại nhiều lợi ích như giảm thiểu nguy cơ va chạm, tăng cường an toàn cho người lái và hành khách, cũng như giảm căng thẳng khi lái xe trong điều kiện giao thông đông đúc.

II. Vấn đề và thách thức trong việc phát triển hệ thống cảnh báo va chạm

Mặc dù hệ thống cảnh báo tiền va chạm mang lại nhiều lợi ích, nhưng vẫn tồn tại một số thách thức trong việc phát triển và triển khai công nghệ này. Các vấn đề như độ chính xác của cảm biến, khả năng hoạt động trong điều kiện thời tiết xấu và chi phí sản xuất là những yếu tố cần được xem xét.

2.1. Độ chính xác của cảm biến trong hệ thống cảnh báo

Độ chính xác của các cảm biến như radar và lidar là rất quan trọng. Nếu cảm biến không hoạt động chính xác, hệ thống có thể đưa ra cảnh báo sai, dẫn đến nguy cơ tai nạn.

2.2. Chi phí sản xuất và triển khai hệ thống

Chi phí sản xuất hệ thống cảnh báo tiền va chạm vẫn còn cao, điều này có thể hạn chế khả năng tiếp cận của người tiêu dùng. Cần có các giải pháp để giảm chi phí mà vẫn đảm bảo chất lượng.

III. Phương pháp phát triển hệ thống cảnh báo tiền va chạm hiệu quả

Để phát triển một hệ thống cảnh báo tiền va chạm hiệu quả, cần áp dụng các công nghệ tiên tiến như xử lý ảnh và trí tuệ nhân tạo. Việc kết hợp nhiều loại cảm biến sẽ giúp tăng cường khả năng phát hiện và cảnh báo.

3.1. Sử dụng công nghệ xử lý ảnh trong hệ thống cảnh báo

Công nghệ xử lý ảnh giúp nhận diện và phân loại các vật thể xung quanh xe. Việc áp dụng các thuật toán học sâu sẽ nâng cao độ chính xác trong việc phát hiện vật thể.

3.2. Kết hợp nhiều loại cảm biến để tăng cường hiệu quả

Kết hợp giữa camera, lidar và radar sẽ giúp hệ thống có cái nhìn toàn diện hơn về môi trường xung quanh, từ đó đưa ra cảnh báo chính xác hơn cho người lái.

IV. Ứng dụng thực tiễn của hệ thống cảnh báo tiền va chạm

Hệ thống cảnh báo tiền va chạm đã được áp dụng rộng rãi trong nhiều loại xe, từ xe hơi đến xe tải. Các nghiên cứu cho thấy rằng việc sử dụng PCS đã giúp giảm thiểu đáng kể số vụ tai nạn giao thông.

4.1. Các mô hình xe tự chế sử dụng hệ thống cảnh báo

Nhiều mô hình xe tự chế đã được phát triển với hệ thống cảnh báo tiền va chạm, cho thấy tính khả thi và hiệu quả của công nghệ này trong việc nâng cao an toàn giao thông.

4.2. Kết quả nghiên cứu và thực nghiệm

Các nghiên cứu cho thấy rằng hệ thống cảnh báo tiền va chạm có thể giảm thiểu nguy cơ tai nạn lên đến 30%, nhờ vào khả năng phát hiện và cảnh báo kịp thời.

V. Kết luận và tương lai của hệ thống cảnh báo tiền va chạm

Hệ thống cảnh báo tiền va chạm đang trở thành một phần không thể thiếu trong công nghệ ô tô hiện đại. Với sự phát triển không ngừng của công nghệ, tương lai của PCS hứa hẹn sẽ mang lại nhiều cải tiến đáng kể trong việc nâng cao an toàn giao thông.

5.1. Xu hướng phát triển công nghệ cảnh báo va chạm

Công nghệ cảnh báo va chạm sẽ tiếp tục phát triển với sự tích hợp của trí tuệ nhân tạo và Internet of Things (IoT), giúp nâng cao khả năng nhận diện và phản ứng của hệ thống.

5.2. Tầm quan trọng của việc nghiên cứu và phát triển hệ thống

Nghiên cứu và phát triển hệ thống cảnh báo tiền va chạm là cần thiết để đảm bảo an toàn cho người lái và hành khách, đồng thời giảm thiểu tai nạn giao thông trong tương lai.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Sự gia tăng mật độ phương tiện ô tô tại các đô thị lớn kéo theo số vụ tai nạn giao thông ngày càng tăng, gây thiệt hại nghiêm trọng về người và tài sản. Trong các giải pháp an toàn chủ động hỗ trợ người điều khiển, hệ thống cảnh báo va chạm giữ vai trò then chốt bên cạnh hệ thống chống bó cứng phanh (ABS) hay cân bằng điện tử. Các tổ chức đánh giá an toàn phương tiện đường bộ quốc tế như EURO NCAP, Latin NCAP, C-NCAP và ANCAP đã đưa hệ thống phanh tự động khẩn cấp (AEB) cùng tính năng phát hiện người tham gia giao thông dễ bị tổn thương vào tiêu chuẩn kiểm định an toàn bắt buộc hoặc khuyến nghị trên các dòng xe thương mại mới.

Hệ thống cảnh báo tiền va chạm (Pre-Collision System - PCS) hoạt động thông qua việc thu thập dữ liệu môi trường từ các cảm biến, phân tích nguy cơ va chạm và đưa ra cảnh báo kịp thời. Xuất phát từ yêu cầu nghiên cứu làm chủ công nghệ hỗ trợ lái xe nâng cao (ADAS) với chi phí thấp, đồ án tốt nghiệp "Nghiên cứu lắp đặt và lập trình hệ thống cảnh báo tiền va chạm (PCS) trên mô hình xe tự chế" được thực hiện bởi sinh viên Lý Thuận Hưng và Trần Bá Thông, dưới sự hướng dẫn của ThS. Nguyễn Thành Tuyên tại Khoa Cơ khí Động lực, Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh (tháng 5/2024).

Mục tiêu và nhiệm vụ nghiên cứu của đồ án được xác định cụ thể:

1. Nghiên cứu tổng quan lý thuyết, cấu tạo và nguyên lý hoạt động của hệ thống cảnh báo tiền va chạm (PCS) trên ô tô.
2. Tìm hiểu công nghệ thị giác máy tính, xử lý ảnh kỹ thuật số và các kiến trúc học sâu phát hiện đối tượng phù hợp cho thiết bị nhúng.
3. Nghiên cứu cấu hình phần cứng bao gồm máy tính nhúng NVIDIA Jetson Nano B01, Camera Raspberry Pi v2, cảm biến RpLidar A1M8, cảm biến tốc độ Hall 3144E và các khối điều khiển phụ trợ.
4. Xây dựng lưu đồ thuật toán và lập trình hệ thống xử lý đa luồng dữ liệu trên ngôn ngữ Python để nhận diện chướng ngại vật, tính toán khoảng cách và xác định nguy cơ va chạm.
5. Thiết kế, lắp đặt toàn bộ hệ thống lên mô hình xe tự chế và tiến hành thử nghiệm thực địa để đánh giá độ chính xác, độ trễ và độ tin cậy trong các kịch bản di chuyển thực tế.

Đối tượng nghiên cứu của đề tài là hệ thống cảnh báo tiền va chạm (PCS), các thuật toán xử lý ảnh nhận diện đối tượng và thiết bị máy tính nhúng kết hợp cảm biến đo khoảng cách. Phạm vi nghiên cứu về mặt không gian được giới hạn trong việc chế tạo, lắp đặt thử nghiệm trên mô hình xe tự chế và thực nghiệm kiểm chứng tại khuôn viên Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh. Về mặt chức năng, đồ án tập trung vào cơ chế cảnh báo mức 1 (âm thanh và hình ảnh), chưa tích hợp cơ cấu chấp hành can thiệp trực tiếp vào hệ thống phanh thủy lực của xe thật.

Cơ sở lý thuyết và phương pháp

Đồ án xây dựng dựa trên nguyên lý điều khiển của hệ thống PCS thương mại (tham chiếu theo tài liệu Toyota Camry 2022) gồm 3 cấp độ vận hành: Mức 1 (Cảnh báo bằng hình ảnh và âm thanh khi phát hiện nguy cơ va chạm); Mức 2 (Hỗ trợ phanh khẩn cấp - Brake Assist khi người lái bắt đầu tác động phanh); Mức 3 (Phanh chủ động tự động kích hoạt khi nguy cơ va chạm ở mức tối đa mà người lái chưa phản ứng). Dải tốc độ kích hoạt của hệ thống tham chiếu được tóm tắt như sau:

Chức năng	Vật thể phát hiện	Vận tốc xe hoạt động	Tốc độ tương đối giữa xe và vật thể
Cảnh báo	Xe cùng chiều / xe đỗ	10 – 180 km/h	10 – 180 km/h
Cảnh báo	Xe di chuyển ngược chiều	10 – 180 km/h	20 – 180 km/h
Cảnh báo	Người đi bộ / người đi xe đạp	10 – 180 km/h	10 – 180 km/h
Hỗ trợ phanh (BA)	Phương tiện di chuyển	30 – 180 km/h	30 – 180 km/h
Hỗ trợ phanh (BA)	Người đi bộ / người đi xe đạp	30 – 80 km/h	30 – 80 km/h
Tự động phanh (AEB)	Xe cùng chiều / ngược chiều	10 – 180 km/h	10 – 180 km/h (20 – 180 km/h ngược chiều)
Tự động phanh (AEB)	Người đi bộ / người đi xe đạp	10 – 80 km/h	10 – 80 km/h

Về nguyên lý đo đạc khoảng cách, tác giả khảo sát cảm biến Radar và Lidar hoạt động theo nguyên lý thời gian bay (Time-of-Flight): $$D = \frac{t \cdot c}{2}$$ Trong đó $D$ là khoảng cách đến vật thể (m), $t$ là thời gian phát và nhận lại tín hiệu (s), $c$ là vận tốc ánh sáng ($3 \cdot 10^8$ m/s đối với Lidar) hoặc vận tốc sóng điện từ. Về đo tốc độ di chuyển, cảm biến Hall 3144E hoạt động dựa trên hiệu ứng Hall và lực Lorentz, đếm số xung vuông khi bánh răng từ tính quay qua khe hở cảm biến để vi xử lý tính vận tốc góc của bánh xe.

Về thị giác máy tính và học máy, quy trình xử lý ảnh gồm các bước: thu nhận ảnh (Camera CSI), tiền xử lý, phân đoạn ảnh, trích xuất đặc trưng và nhận diện. Đồ án sử dụng mô hình học sâu MobileNet-SSD (kết hợp Single Shot MultiBox Detector và mạng trích xuất đặc trưng MobileNetV2). Kiến trúc này tối ưu hóa tài nguyên cho thiết bị nhúng nhờ cơ chế tích chập tách biệt chiều sâu (Depthwise Separable Convolution), khối Inverted Residual Block và loại bỏ hàm kích hoạt phi tuyến ở lớp thắt cổ chai (Linear Bottlenecks), cho phép dự báo bounding box và phân lớp đối tượng trực tiếp trên nhiều bản đồ đặc trưng (feature maps) có kích thước khác nhau.

Phương pháp nghiên cứu kết hợp giữa nghiên cứu lý thuyết tổng quan (tài liệu ADAS, thuật toán Mobileye, các mô hình kết hợp Lidar 2D và Camera trên hệ điều hành ROS), phương pháp thiết kế kỹ thuật (tích hợp phần cứng và lập trình nhúng trên Python/OpenCV) và phương pháp thực nghiệm kiểm chứng qua 4 kịch bản giao thông thực tế. Nguồn dữ liệu gồm luồng video thời gian thực từ camera, dữ liệu quét đám mây điểm 2D từ Lidar A1M8 và chuỗi xung điện áp từ cảm biến Hall.

Thiết kế và triển khai hệ thống

Hệ thống được thiết kế theo cấu trúc module phần cứng và phần mềm khép kín, tối ưu hóa cho mô hình xe tự chế chạy nguồn điện độc lập.

Thành phần thiết bị	Tên model / Quy cách	Vai trò kỹ thuật trong hệ thống
Máy tính nhúng	NVIDIA Jetson Nano B01	Xử lý trung tâm, chạy mô hình MobileNet-SSD, tính toán thuật toán va chạm
Camera	Raspberry Pi v2 (Sony IMX219)	Thu thập hình ảnh phía trước qua cổng CSI, độ phân giải 8MP
Cảm biến đo khoảng cách	RpLidar A1M8	Quét laser 2D 360 độ (tần số 5.5 - 10 Hz), đo khoảng cách vật cản
Cảm biến tốc độ	Hall 3144E	Đọc xung từ tính bánh xe qua chân GPIO để tính toán vận tốc tức thời
Nguồn cấp điện	Bình ắc quy khô GS 12V	Cấp nguồn cho toàn bộ hệ thống
Mạch chuyển đổi nguồn	Mạch Buck hạ áp	Hạ điện áp từ 12V xuống 5V ổn định cấp cho Jetson Nano và ngoại vi
Thiết bị hiển thị	Màn hình LCD 7 inch	Kết nối HDMI hiển thị giao diện camera, bounding box và cảnh báo chữ "PHANH"
Thiết bị phát âm thanh	Module Relay 5V + Còi 12V	Đóng cắt mạch kích còi chíp phát âm thanh cảnh báo tần số liên tục

Phần mềm được lập trình hoàn toàn bằng Python với thư viện OpenCV. Cấu trúc mã nguồn tổ chức các lớp hình học không gian gồm lớp Point quản lý tọa độ và lớp Zone quản lý vùng nguy hiểm phía trước xe. Các hàm chức năng chính bao gồm getCenterPoint() tính toán tọa độ tâm bounding box của vật thể, isOverlap() kiểm tra độ giao cắt giữa vật cản và vùng cảnh báo quy định. Luồng dữ liệu vận hành theo chu trình:

1. Đọc và tiền xử lý khung hình từ Camera Raspberry Pi v2.
2. Đưa khung hình qua mạng MobileNet-SSD để phát hiện đối tượng (người, phương tiện) và trích xuất bounding box.
3. Đồng thời quét dữ liệu từ RpLidar A1M8 để xác định khoảng cách vật lý $D$ đến vật cản nằm trong góc quét trước đầu xe.
4. Ghi nhận số xung từ cảm biến Hall 3144E qua chân ngắt GPIO để tính vận tốc xe $v$, từ đó suy ra quãng đường phanh an toàn $S_{phanh}$.
5. Thuật toán so sánh khoảng cách thực tế $D$ với khoảng cách cảnh báo an toàn. Nếu $D \le S_{phanh}$ và tâm đối tượng nằm trong vùng nguy cơ (isOverlap() == True), hệ thống kích hoạt đồng thời cảnh báo thị giác trên màn hình LCD và kích mở module relay để còi 12V phát tín hiệu liên tục. Khi vật thể di chuyển ra khỏi vùng nguy hiểm hoặc khoảng cách đạt ngưỡng an toàn, hệ thống tự động ngắt còi và xóa cảnh báo.

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 trình bày bối cảnh tai nạn giao thông đô thị và vai trò của các hệ thống an toàn chủ động ADAS, đặc biệt là hệ thống cảnh báo tiền va chạm (FCWS/PCS) và phanh khẩn cấp tự động (AEB). Tác giả dẫn chứng các tiêu chuẩn an toàn từ các tổ chức thử nghiệm xe quốc tế như EURO NCAP, Latin NCAP, C-NCAP, ANCAP. Nội dung tổng quan khảo sát 4 hướng nghiên cứu trong nước (nghiên cứu cảm biến ADAS, phát hiện điểm mù Cascade-AdaBoost, nhận diện vùng nguy hiểm làn đường, phân tích thiết bị thương mại Mobileye 630) và 3 nghiên cứu ngoài nước (kết hợp Camera và Lidar 2D trên ROS/Jetson Nano, công nghệ Lidar ô tô, xe mini tự hành cho người khiếm thị). Từ đó, đề tài xác định đối tượng nghiên cứu, phạm vi lắp đặt trên mô hình xe tự chế trong khuôn viên trường và kế hoạch chế tạo thiết bị thử nghiệm.

Chương 2: Cơ sở lý thuyết

Chương 2 phân tích chuyên sâu nguyên lý hoạt động 3 mức của hệ thống PCS và trích dẫn các bảng vận tốc kích hoạt (Bảng 2.1, 2.2, 2.3) từ tài liệu xe thương mại. Chương này trình bày chi tiết nguyên lý cảm biến tốc độ Hall 3144E dựa trên lực Lorentz; công thức tính khoảng cách của Radar và Lidar; đặc tính của Camera nhận diện vật thể. Về xử lý ảnh và thị giác máy tính, chương mô tả tiến trình 5 bước cơ bản, cấu trúc mạng nơ-ron tích chập (CNN), cơ chế default box đa tỷ lệ của mạng SSD và cấu trúc tích chập tách biệt chiều sâu kết hợp Inverted Residual Block của MobileNetV2. Phần cuối chương giới thiệu các thông số kỹ thuật phần cứng (Jetson Nano B01, Camera Pi v2, RpLidar A1M8, ắc quy GS 12V, mạch Buck, LCD 7 inch, Relay và còi 12V) và công cụ phần mềm (Python, OpenCV).

Chương 3: Thuật toán hệ thống và thiết kế lập trình

Chương 3 tập trung xây dựng kiến trúc thuật toán và sơ đồ lắp đặt thực tế. Tác giả mô tả chi tiết các khối chương trình Python: thiết lập đọc video đầu vào; thuật toán tiền xử lý ảnh; cấu trúc lớp Point, lớp Zone, phương thức getCenterPoint() và hàm isOverlap() để giới hạn vùng cảnh báo va chạm. Tiếp theo là thuật toán kết nối và lọc dữ liệu góc quét/khoảng cách từ RpLidar A1M8; thuật toán ngắt chân GPIO đọc tín hiệu cảm biến Hall để tính chu kỳ quay, vận tốc xe và tính toán quãng đường phanh cần thiết. Toàn bộ logic so sánh khoảng cách, điều khiển relay đóng còi và hiển thị hình ảnh cảnh báo được chuẩn hóa qua lưu đồ thuật toán và sơ đồ kết nối dây phần cứng cùng bản vẽ hộp chứa mạch hạ áp và Jetson Nano trên xe.

Chương 4: Thực nghiệm và kết quả

Chương 4 công bố kết quả lắp đặt hoàn thiện hệ thống lên mô hình xe tự chế và tiến hành thử nghiệm trong khuôn viên trường. Thực nghiệm được chia làm 4 kịch bản động học:

1. Vật cản di chuyển cùng chiều phía trước xe.
2. Vật cản di chuyển ngược chiều đối đầu.
3. Vật cản di chuyển cắt ngang đầu xe.
4. Xe di chuyển vào góc cua xuất hiện vật cản.

Chương này cũng tiến hành các thử nghiệm đo đạc chuyên sâu về độ nhiễu và sai số khoảng cách của cảm biến RpLidar A1M8 theo các cự ly khác nhau. Tác giả tổng hợp số liệu tỷ lệ nhận diện chính xác, biểu đồ phụ thuộc khoảng cách và lập bảng so sánh hiệu năng giữa phiên bản ban đầu với phiên bản đã được tối ưu, cải tiến.

Chương 5: Kết luận và hướng phát triển hệ thống

Chương 5 tổng kết toàn bộ kết quả đạt được của đề tài sau quá trình nghiên cứu lý thuyết, lắp ráp phần cứng và thử nghiệm thực địa. Hệ thống chứng minh tính khả thi của giải pháp ADAS chi phí thấp, xử lý thời gian thực trên máy tính nhúng Jetson Nano. Đồng thời, tác giả thẳng thắn chỉ ra các hạn chế về tầm quét Lidar 2D, điều kiện thử nghiệm thực địa và đề xuất các định hướng nâng cấp trong tương lai như can thiệp cơ cấu chấp hành phanh thực tế và truyền thông CAN-bus.

Kết quả và đóng góp

Đồ án đã chế tạo thành công mô hình phần cứng hoạt động hoàn chỉnh, tích hợp máy tính nhúng NVIDIA Jetson Nano Developer Kit B01 với Camera Raspberry Pi v2, cảm biến RpLidar A1M8, cảm biến Hall 3144E và cụm thiết bị cảnh báo (LCD 7 inch, relay, còi 12V) cấp nguồn qua ắc quy 12V và mạch Buck.

Về mặt phần mềm, thuật toán xử lý dữ liệu đa luồng đã kết hợp thành công mô hình MobileNet-SSD nhận diện đối tượng theo thời gian thực và đo khoảng cách chính xác từ Lidar, tính toán tương quan với tốc độ bánh xe từ cảm biến Hall. Khi phát hiện chướng ngại vật trong vùng nguy hiểm có khoảng cách nhỏ hơn ngưỡng phanh an toàn, hệ thống phản hồi cảnh báo thị giác (chữ "PHANH" trên LCD) và kích hoạt còi báo động 12V qua relay mà không bị trễ nghiêm trọng.

Kết quả thử nghiệm định lượng theo các bảng biểu trong văn bản:

Nội dung thực nghiệm (Theo danh mục bảng Chương 4)	Kịch bản / Mục tiêu đánh giá	Kết quả ghi nhận trong báo cáo
Bảng 4.1 & Bảng 4.2	Tỷ lệ chính xác tổng thể & theo cự ly	Đạt độ chính xác cao ở cự ly gần và trung bình; giảm dần khi cự ly tăng
Bảng 4.3	Vật thể di chuyển cùng chiều trước xe	Nhận diện ổn định hình dáng phương tiện, bám sát khoảng cách di chuyển
Bảng 4.4	Vật thể di chuyển ngược chiều xe	Xác định nhanh đối tượng đối đầu, tính toán cự ly tương đối kịp thời
Bảng 4.5	Vật thể di chuyển cắt ngang đầu xe	Phản hồi chính xác khi bounding box giao cắt với vùng cảnh báo (Zone)
Bảng 4.6	Xe di chuyển vào góc cua	Nhận diện được vật cản nhưng góc quét Lidar bị hạn chế theo quỹ đạo cong
Bảng 4.7	Độ chính xác đo khoảng cách của Lidar	Sai số đo cự ly nhỏ trong phạm vi thử nghiệm, độ nhiễu tăng nhẹ ngoài trời
Bảng 4.8	So sánh phiên bản cũ và cải tiến	Phiên bản cải tiến tối ưu hóa tốc độ xử lý khung hình và độ tin cậy cảnh báo

Đóng góp của đề tài thể hiện ở việc tự thiết kế, chế tạo thành công một mô hình thực nghiệm ADAS tiền va chạm với giá thành thấp (DIY), làm chủ kỹ thuật lập trình nhúng ghép nối camera AI và Lidar 2D trên nền tảng Jetson Nano. Đề tài cung cấp tài liệu kỹ thuật chi tiết về cấu trúc phần cứng, lưu đồ thuật toán và kết quả đo đạc thực nghiệm làm nền tảng cho việc nghiên cứu hệ thống an toàn chủ động trong đào tạo kỹ thuật ô tô.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của đồ án được tác giả chỉ rõ dựa trên điều kiện thực nghiệm:

• Phạm vi thử nghiệm mới dừng lại ở mô hình xe tự chế trong khuôn viên trường học với dải tốc độ thấp, chưa được thử nghiệm trên ô tô thương mại trong điều kiện giao thông hỗn hợp ngoài đường công cộng.
• Cảm biến RpLidar A1M8 là dòng Lidar 2D chỉ quét trên một mặt phẳng cắt ngang, dễ bị ảnh hưởng bởi độ rung lắc của thân xe khi di chuyển hoặc khi xe đi vào đoạn đường không bằng phẳng, mấp mô.
• Độ nhạy của camera và Lidar chịu ảnh hưởng lớn từ điều kiện thời tiết thực tế (mưa, ánh sáng chói, sương mù).
• Hệ thống mới dừng lại ở mức độ cảnh báo (Mức 1 trong phân loại PCS), chưa có cơ cấu chấp hành điều khiển phanh tự động (Mức 2 và Mức 3) do giới hạn phần cứng của mô hình xe tự chế.

Hướng nghiên cứu tiếp theo được đề xuất:

• Nâng cấp cảm biến sang Lidar 3D hoặc tích hợp cảm biến Radar bước sóng milimet để mở rộng không gian quan sát và tăng khả năng hoạt động dưới mọi điều kiện thời tiết.
• Tích hợp mạng truyền thông giao tiếp nội bộ CAN-bus của ô tô để đọc trực tiếp dữ liệu tốc độ xe từ ECU động cơ/ABS thay cho cảm biến ngoài.
• Thiết kế cơ cấu chấp hành điều khiển phanh khẩn cấp tự động (AEB) để hoàn thiện đủ 3 mức hoạt động của hệ thống PCS trên xe thực tế.
• Tối ưu hóa mô hình mạng học sâu để nâng cao tốc độ xử lý khung hình (FPS) trên phần cứng nhúng.

Giá trị tham khảo

Đồ án là tài liệu tham khảo có giá trị học thuật và ứng dụng thực hành cao cho sinh viên, giảng viên và kỹ sư thuộc các chuyên ngành Công nghệ Kỹ thuật Ô tô, Cơ điện tử, Kỹ thuật Điều khiển & Tự động hóa, và Khoa học Máy tính. Tài liệu đặc biệt hữu ích cho những ai đang thực hiện đề tài về hệ thống hỗ trợ lái xe nâng cao (ADAS), xe tự hành, hoặc ứng dụng trí tuệ nhân tạo nhúng trong điều khiển phương tiện.

Nội dung đáng tham khảo nhất của đồ án tập trung tại:

• Chương 2 và Chương 3: Phương pháp tiếp cận lý thuyết về mô hình MobileNet-SSD, kỹ thuật tích chập tách biệt chiều sâu và cách thức lập trình kết hợp dữ liệu camera với cảm biến Lidar 2D qua thư viện OpenCV trên Jetson Nano.
• Cấu trúc các hàm xử lý không gian vùng cảnh báo (Zone, Point, isOverlap) và thuật toán tính quãng đường phanh theo vận tốc thu thập từ cảm biến Hall.
• Quy trình thiết kế, chế tạo hộp bảo vệ, lắp đặt phần cứng trên khung xe mô hình và thiết lập các kịch bản thử nghiệm va chạm thực tế tại Chương 4.

Câu hỏi thường gặp

1. Hệ thống sử dụng mô hình học sâu nào để nhận diện vật thể và tại sao mô hình này được lựa chọn?
Hệ thống sử dụng mô hình MobileNet-SSD (kết hợp Single Shot MultiBox Detector và mạng trích xuất đặc trưng MobileNetV2). Mô hình này được lựa chọn nhờ cấu trúc tích chập tách biệt chiều sâu (Depthwise Separable Convolution) và khối Inverted Residual giúp giảm đáng kể số lượng tham số tính toán và dung lượng bộ nhớ, đảm bảo tốc độ xử lý khung hình thời gian thực khi chạy trực tiếp trên máy tính nhúng NVIDIA Jetson Nano B01.

2. Khoảng cách tới vật cản được đo lường bằng thiết bị nào và theo nguyên lý gì?
Khoảng cách tới vật thể được đo bằng cảm biến laser RpLidar A1M8 kết hợp với góc nhìn camera. Lidar A1M8 quét 360 độ mặt phẳng 2D theo nguyên lý thời gian bay (Time-of-Flight), phát chùm tia laser cận hồng ngoại và thu nhận ánh sáng phản xạ để tính cự ly theo công thức $D = \frac{t \cdot c}{2}$.

3. Vận tốc xe mô hình được xác định bằng phương pháp nào trong đồ án?
Vận tốc xe được xác định thông qua cảm biến Hall 3144E lắp đặt tại bánh xe. Khi bánh xe quay, các cực từ nam châm đi qua phần tử Hall tạo ra sự biến thiên từ trường, phát tín hiệu xung vuông về chân ngắt GPIO của Jetson Nano. Chương trình đếm tần số xung theo thời gian để tính toán vận tốc quay của bánh xe và vận tốc di chuyển của mô hình.

4. Cơ chế cảnh báo tiền va chạm được kích hoạt dựa trên điều kiện thuật toán nào?
Hệ thống kích hoạt cảnh báo khi đồng thời thỏa mãn hai điều kiện: chướng ngại vật được nhận diện có tâm điểm nằm trong vùng quan tâm nguy hiểm quy định phía trước xe (isOverlap() == True), và khoảng cách đo được từ Lidar nhỏ hơn hoặc bằng quãng đường phanh an toàn tính toán từ vận tốc hiện tại của xe. Khi đó, chữ "PHANH" hiển thị trên màn hình LCD 7 inch và chân GPIO kích mở module relay để còi 12V kêu liên tục.

5. Hệ thống đã được kiểm nghiệm qua những kịch bản giao thông nào và phạm vi ở đâu?
Hệ thống được lắp đặt trên mô hình xe tự chế và thực nghiệm tại khuôn viên Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh qua 4 tình huống: vật thể di chuyển cùng chiều phía trước, vật thể di chuyển ngược chiều đối đầu, vật thể di chuyển cắt ngang đầu xe, và xe di chuyển vào góc cua gặp vật cản.

Kết luận

Đồ án tốt nghiệp của sinh viên Lý Thuận Hưng và Trần Bá Thông đã hoàn thành nghiên cứu, thiết kế lắp đặt và lập trình thành công hệ thống cảnh báo tiền va chạm (PCS) trên mô hình xe tự chế. Giải pháp tích hợp máy tính nhúng NVIDIA Jetson Nano, mô hình học sâu MobileNet-SSD, cảm biến RpLidar A1M8 và cảm biến tốc độ Hall 3144E mang lại khả năng phát hiện vật cản và đưa ra cảnh báo âm thanh, hình ảnh chính xác theo thời gian thực. Kết quả thực nghiệm đa kịch bản tại trường đã chứng minh tính khả thi của một hệ thống ADAS chi phí thấp, tạo tiền đề kỹ thuật vững chắc cho các nghiên cứu can thiệp phanh tự động và tích hợp trên phương tiện thương mại sau này.

Trích đoạn nội dung tài liệu

Đặt vấn đề Với tình hình vấn đề giao thông đang ngày càng trở nên nhức nhối, đặc biệt tại các thành phố lớn, với lượng ô tô ngày càng nhiều. Kéo theo các vụ tai nạn giao thông liên tục gia tăng, gây thiệt hại về người và tài sản. Để giải quyết vấn đề này, nhiều giải pháp đã được đề ra như hệ thống chống bó cứng phanh, hệ thống kiểm soát lực kéo, hệ thống ổn định thân xe, trong đó hệ thống cảnh báo va chạm đóng vai trò quan trọng trong việc hỗ trợ lái xe an toàn. Hệ thống cảnh báo va chạm sử dụng các công nghệ tiên tiến như radar, lidar, camera để phát hiện các phương tiện hoặc chướng ngại vật xung quanh xe.

Khi có nguy cơ va chạm, hệ thống sẽ cảnh báo người lái bằng âm thanh, hình ảnh hoặc rung động, giúp họ có thời gian phản ứng để tránh tai nạn. Có hai loại hệ thống cảnh báo va chạm chính: + Hệ thống cảnh báo va chạm phía trước (FCWS): Phát hiện nguy cơ va chạm với các phương tiện phía trước. + Hệ thống phanh khẩn cấp tự động (AEB): Tự động phanh xe khi có nguy cơ va chạm cao, giúp giảm thiểu nguy cơ tai nạn. Hệ thống cảnh báo va chạm mang lại nhiều lợi ích cho người lái xe, bao gồm: + Giảm thiểu nguy cơ va chạm: Hệ thống cảnh báo va chạm giúp người lái xe nhận thức được nguy hiểm và có hành động kịp thời để tránh tai nạn.

+ Tăng cường sự an toàn cho người lái xe và hành khách: Hệ thống cảnh báo va chạm giúp giảm thiểu nguy cơ thương vong trong các vụ tai nạn giao thông. + Giảm thiểu căng thẳng cho người lái xe: Hệ thống cảnh báo va chạm giúp người lái xe tự tin hơn khi lái xe trên đường đông đúc. Việc sử dụng hệ thống cảnh báo va chạm ngày càng phổ biến trên thế giới. Nhiều quốc gia đã khuyến khích hoặc bắt buộc các nhà sản xuất ô tô trang bị hệ thống này cho các xe mới.

Nó cũng là một trong các tiêu chí để đánh giá độ an toàn do các cơ quan, tổ chức an toàn giao thông đường bộ và chính phủ tài trợ gọi tắt là “EURO NCAP, Latin NCAP, C-NCAP, ANCAP,…” như: + Kiểm tra công nghệ phanh tự động khẩn cấp (AEB) + Tính năng phát hiện người đi đường dễ bị tổn thương 1 + Khả năng bảo về người đi bộ,… Tuy mỗi hãng xe có thể có tên gọi, cấu tạo và dãy tốc độ hoạt động chênh lệch không nhiều với nhau, nhưng chúng vẫn chung qui lại về nguyên lí và hoạt động và chức năng của chúng [1]. Đối tượng nghiên cứu - Nghiên cứu, tìm hiểu cơ sở lý thuyết, cấu tạo của hệ thống tiền va chạm. - Nghiên cứu công nghệ xử lý ảnh. - Nghiên cứu máy tính nhúng Jetson Nano, Camera Raspberry Pi v2, Rplidar A1M8, nguồn.

Tình hình nghiên cứu trong và ngoài nước 1. Tình hình nghiên cứu trong nước 1. Nghiên cứu các loại cảm biến hỗ trợ lái xe nâng cao (ADAS) Tất cả hệ thống ADAS hoạt động dựa trên việc ghi nhận - xử lý - thực thi. Hệ thống trang bị cảm biến để lấy thông tin về môi trường xung quanh, bộ xử lý tổng hợp thông tin để phân tích và phát tín hiệu tới người lái thông qua việc rung, cảnh báo, phanh,.Cảm biến sử dụng cho hệ thống ADAS liên quan đến nhận biết và định vị vật thể xung quanh xe: camera, cảm biến siêu âm (Sonar); cảm biến Radar, cảm biến Lidar [2].1: Một số ứng dụng của hệ thống ADAS (Nguồn: synopsys.

Phát hiện điểm mù với độ tin cậy cao và thời gian thực cho hệ thống hỗ trợ lái xe thông minh Hệ thống hỗ trợ lái xe thông minh là một nhân tố quan trọng trong hệ thống an toàn chủ động. Các ứng dụng này nó yêu cầu hiệu suất phát hiện vật thể đạt mức độ chính xác cao và thời gian thực là những yếu tố cấp thiết. Nghiên cứu đề xuất bộ phân tầng Cascade – AdaBoost cùng với tập dữ liệu mẫu và thuật toán đào tạo. Cải tiến thêm tốc độ phát hiện vật cản và kỹ thuật lựa chọn vùng quan tâm được xử dụng để tránh trích xuất các vùng có khả năng đưa ra cảnh báo lỗi [3].2: Xây dựng sơ đồ khối đề xuất của hệ thống 1.

Nhận diện vật thể trong vùng nguy hiểm phía trước xe và cảnh báo lệch làn đường Hệ thống nhận diện đối và kiểm soát quỹ đạo đường đi của xe. Khi xe có dấu hiệu lệch làn đường hoặc có đối tượng xuất hiện trong vùng không an toàn của xe, hệ thống sẽ nhận diện và đưa tín hiệu tới cho người lái [4].3: Quy trình xác định làn đường và đối tượng 3 1. Mobileye 630 Mobileye 630 giúp hạn chế rủi ro và tai nạn cho người sử dụng, khi xe đang ở điểm mù, không quan sát được vật cản và cảnh báo cho người lái. Ngoài việc cảnh báo va chạm hệ thống còn đọc được biển báo giao thông, cảnh báo tốc độ và cảnh báo chuyển làn.4: Hệ thống Mobileye 630 Mobileye 630 dựa vào khoảng cách giữa hai xe và tốc độ thực tế của xe từ tín hiệu CAN để tính toán thời gian xử lý tính huống để đảm bảo mức độ an toàn cho người lái xe, nó có thể có đọ chính xác cao tới 0,1 giây (không sử dụng GPS vì sẽ có độ trễ).

Hệ thống gồm: một camera trong xe ở phía sau gương để quan sát khi lái xe, hệ thống âm thanh cảnh báo và màn hình sẽ giúp quan sát dễ dàng những cảnh báo bằng hình ảnh thông qua màn hình khi lái xe và bộ phận báo rung được cài vào vô lăng [5]. Tình hình nghiên cứu ngoài nước 1. Kết hợp Camera và Lidar 2D cho việc phát hiện đối tượng và khoảng cách đối tượng. Phép đo của ADAS sử dụng hệ điều hành Robot ROS Trong những năm gần đây, hệ thống hỗ trợ lái xe tiên tiến (ADAS) đã trở thành một công cụ quan trọng nhằm bảo vệ con người khỏi va chạm xe cộ.

Hệ thống cảnh báo va chạm, một phần thiết yếu của ADAS, sử dụng nhiều loại cảm biến như máy ảnh, radar, và LiDAR để nhận biết môi trường. Máy ảnh thường được dùng để nhận dạng vật thể, trong khi radar và LiDAR đo khoảng cách. LiDAR và radar có ưu điểm trong việc đo khoảng 4 cách xa trong nhiều điều kiện khác nhau, nhưng chúng thường được kết hợp với camera để phân tích môi trường một cách toàn diện hơn. Việc kết hợp camera và LiDAR 2D là một giải pháp chi phí thấp cho hệ thống ADAS, dù có hạn chế như LiDAR 2D chỉ quét một đường ngang duy nhất.

Để khắc phục điều này, cần hiệu chỉnh giữa các cảm biến để đảm bảo dữ liệu chính xác. Bài báo này đề xuất một hệ thống cảnh báo va chạm thời gian thực sử dụng LiDAR 2D và camera để nhận biết môi trường và ước tính khoảng cách và góc của chướng ngại vật, triển khai trên Nvidia Jetson Nano bằng Hệ điều hành Robot (ROS). Phát hiện đối tượng trong ADAS ngày càng sử dụng các thuật toán học sâu, đặc biệt là các mạng thần kinh chuyển đổi (CNN). Các mô hình phát hiện hai giai đoạn như R- CNN, Faster R-CNN có độ chính xác cao nhưng chậm hơn so với các mô hình một giai đoạn như YOLO, SSD.

Hệ thống ADAS sử dụng thuật toán học sâu và đa cảm biến yêu cầu xử lý song song và tốc độ cao, điều này đòi hỏi phần cứng mạnh mẽ như GPU và phần mềm hỗ trợ như ROS. ROS cho phép lập kế hoạch phát triển hệ thống mô-đun và hệ thống song song, rất phù hợp cho việc triển khai các ứng dụng như ADAS [6].5: Quy trình kiểm soát phanh 5 1. Hệ thống Lidar cho xe ô tô Một lidar thông thường hoạt động bằng cách quét trường nhìn của nó bằng một hoặc nhiều chùm tia laser. Điều này được thực hiện thông qua hệ thống điều khiển chùm tia được thiết kế tinh tế.

Chùm tia laser được tạo ra bởi một diode laser được điều chế biên độ phát ra ở bước sóng cận hồng ngoại. Chùm tia laze được môi trường phản chiếu trở lại máy quét, với tín hiệu phản hồi được bộ tách sóng quang nhận được. Thiết bị điện tử nhanh lọc tín hiệu và đo sự khác biệt giữa tín hiệu truyền và tín hiệu nhận, tỷ lệ thuận với khoảng cách. Phạm vi được ước tính từ mô hình cảm biến dựa trên sự khác biệt này.

Sự khác biệt về sự biến đổi của năng lượng phản xạ do vật liệu bề mặt cũng như trạng thái môi trường giữa máy phát và máy thu được bù đắp thông qua xử lý tín hiệu. Đầu ra của lidar bao gồm các đám mây điểm 3D tương ứng với môi trường được quét và cường độ tương ứng với năng lượng laser phản xạ. Hình bên dưới thể hiện sự trình bày khái niệm của nguyên lý vận hành này [7].6: Cách hoạt động của Lidar 1. Xe mini tự hành dựa trên Lidar hỗ trợ cho người khiếm thị Nghiên cứu đề xuất phát triển một xe tự lái sử dụng công nghệ tự động, đáp ứng nhu cầu ngày càng tăng của ngành công nghiệp ô tô và tiềm năng phát triển trong tương lai của các phương tiện tự hành.

Hệ thống này được thiết kế để hoạt động tốt trong điều kiện giao thông phức tạp tại Ấn Độ, mang lại giá trị lớn cho ngành công nghiệp ô tô nước này. Xe sẽ sử dụng thiết bị LiDAR và camera để phát hiện đối tượng và phân tích môi trường, tạo ra bản đồ 2D của khu vực xung quanh. Công nghệ SLAM (Simultaneous Localization and Mapping) và hợp nhất cảm biến sẽ được kết hợp với các kỹ thuật học sâu trên hình ảnh để đảm bảo vận hành trơn tru. Xe sẽ có khả năng tự di chuyển trong các tình huống thực tế bằng cách sử dụng dữ liệu hình 6 ảnh và theo dõi hoạt động thực tế với sự hỗ trợ của các cảm biến.

Hệ thống này sẽ được điều khiển bởi một máy tính mini ASUS (NUC), đóng vai trò là bộ xử lý chính, hay "bộ não" của hệ thống.7: Lidar quét trên ứng dụng Slam Các cảm biến camera trong xe sẽ hoạt động như các cảm biến thụ động, thu thập dữ liệu mà không phát ra tín hiệu nào vào môi trường. Camera sẽ phát hiện và nhận dạng các đối tượng như xe cộ, biển báo, vạch kẻ đường, người đi bộ và các đối tượng liên quan khác. Công nghệ camera đã phát triển đáng kể trong những năm gần đây, bao gồm các tính năng như hình ảnh 3D, ước lượng độ sâu, tầm nhìn lập thể, độ phân giải cao và cơ chế lấy nét tiên tiến.