Tổng quan luận án
Luận án tiến sĩ chuyên ngành Hệ thống thông tin với đề tài "Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành" của nghiên cứu sinh Quách Hải Thọ, dưới sự hướng dẫn khoa học của PGS.TS Huỳnh Công Pháp và TS. Phạm Anh Phương, được hoàn thành tại Trường Đại học Sư phạm – Đại học Đà Nẵng năm 2022.
Tính cấp thiết của luận án bắt nguồn từ xu hướng chuyển dịch mạnh mẽ của công nghệ xe tự hành trong cuộc Cách mạng công nghiệp lần thứ tư. Các hệ thống xe tự hành kết hợp cảm biến (radar, lidar, camera, GPS, cảm biến đo lường quán tính) để nhận biết môi trường và vận hành mà không cần sự can thiệp của con người. Mặc dù nhiều mô hình thử nghiệm đạt mức độ tự động hóa cấp 4 (như phương tiện của Toyota tại Olympic Tokyo 2020, xe giao hàng thương mại Nuro tại California năm 2021, xe AutoX - Baidu tại Bắc Kinh 2022, hoặc mẫu sedan Legend Hybrid EX cấp độ 3 của Honda cho thuê tại Nhật Bản), việc tiến tới cấp độ 5 – tự hành hoàn toàn – vẫn đối mặt với nhiều rào cản kỹ thuật. Trong khoa học, từ khóa "Autonomous Vehicles" ghi nhận hơn 2 triệu công trình nghiên cứu từ năm 2015 đến nay, tập trung vào các vấn đề mở như an toàn kiểm soát tốc độ, truyền thông giữa các xe, tính pháp lý và đạo đức.
Khoảng trống nghiên cứu được tác giả xác định gồm:
- Các phương pháp tạo quỹ đạo chuyển động hiện nay chưa dung hòa được tính trơn mịn, sự thoải mái cho hành khách và hiệu suất năng lượng với các ràng buộc khắt khe của luật giao thông và môi trường bất định.
- Kỹ thuật lập kế hoạch chuyển động dựa trên mẫu (sampling-based) thường đòi hỏi tài nguyên tính toán lớn để bao quát không gian tìm kiếm, khó đáp ứng yêu cầu tính toán thời gian thực khi dữ liệu môi trường có tính bất định cao.
- Việc xử lý các tình huống khẩn cấp đối diện với bài toán nan giải về pháp lý và đạo đức (như ưu tiên an toàn cho người ngồi trên xe hay người bên ngoài xe). Các nghiên cứu trước về mô hình ra quyết định hành vi lái xe chưa tích hợp đầy đủ đặc tính hành vi của con người vào hệ thống mô-đun tự hành.
- Khi phương tiện di chuyển ở dải vận tốc cao, thời gian xử lý còn lại quá ngắn để phanh khẩn cấp, đòi hỏi phải có hệ thống kiểm soát chuyển động dự phòng và bám quỹ đạo ổn định.
Mục tiêu nghiên cứu của luận án được xác định như sau:
- Mục tiêu tổng quát: Nghiên cứu giải pháp vận hành hiệu quả xe tự hành thông qua điều khiển thông minh và tìm đường đi tối ưu, có tính đến yếu tố pháp lý và đạo đức, nhằm hỗ trợ điều khiển xe an toàn.
- Mục tiêu cụ thể (được tác giả phân định thành 03 nội dung chính):
- Đề xuất giải pháp lập kế hoạch chuyển động bằng phương pháp tiếp cận dựa trên kỹ thuật lấy mẫu để tạo ra quỹ đạo tối ưu từ tập các ứng viên quỹ đạo, cải thiện hiệu quả tính toán và xử lý tính bất định trong dữ liệu môi trường.
- Đề xuất giải pháp bảo đảm yếu tố pháp lý và đạo đức cho hoạt động của xe tự hành, bao gồm mô-đun thiết lập quỹ đạo chuyển động với tập ràng buộc là luật giao thông đường bộ và mô-đun hỗ trợ ra quyết định điều khiển mô phỏng đặc tính hành vi đạo đức của người lái xe.
- Đề xuất giải pháp hỗ trợ điều khiển an toàn cho xe tự hành gồm 3 thành phần: mô-đun hỗ trợ điều khiển chuyển động (hướng đến mục tiêu can thiệp tối thiểu và bảo đảm an toàn không va chạm), mô-đun điều khiển theo dõi chuyển động (bảo đảm chuyển động chính xác, ổn định ở tốc độ cao) và mô-đun lập kế hoạch chuyển động dự phòng (tính toán thao tác khẩn cấp thích ứng khi thời gian phanh không đủ).
Đối tượng nghiên cứu của luận án là các thuật toán, mô hình toán học và giải pháp hỗ trợ điều khiển trong cấu trúc hệ thống xe tự hành (lập kế hoạch quỹ đạo, ra quyết định hành vi, bám quỹ đạo và xử lý tình huống khẩn cấp). Phạm vi nghiên cứu tập trung vào hướng tiếp cận điều khiển tối ưu toán học (điều khiển dự báo theo mô hình - MPC) kết hợp tính toán mềm (mạng nơ-ron mờ - FNN, phương pháp Monte Carlo, bộ lọc phần tử); dữ liệu và mô hình được kiểm chứng thông qua các kịch bản mô phỏng giao thông (đường thẳng, đường cong, đoạn đường hạn chế tốc độ, vượt xe phía trước, di chuyển qua giao lộ).
Tổng quan tài liệu và vị trí của luận án
Luận án điểm lại tiến trình phát triển của công nghệ xe tự hành từ ý tưởng trưng bày tại Futurama của General Motors (1939) đến các dự án thực nghiệm lớn. Dự án ARGO của VisLab [6] là một trong những nghiên cứu ban đầu áp dụng thị giác máy tính, sử dụng kỹ thuật khớp đường cong Spline đa thức với vạch kẻ làn đường do camera ghi nhận. Tiếp đó, chương trình DARPA PerceptOR [4] phát triển kỹ thuật điều hướng tự hành; các thử nghiệm xe không người lái của Google thúc đẩy khía cạnh pháp lý; hành trình xuyên lục địa VIAC (VisLab Intercontinental Autonomous Challenge) [20] tích hợp GPS, camera và hàm chi phí dựa trên đường cong Clothoid [59]. Hãng xe Audi phối hợp với Đại học Stanford chứng minh khả năng kiểm soát xe hiệu suất cao bằng kỹ thuật phân khúc đường cong Clothoid. Các nghiên cứu lái xe đô thị tiếp tục mở rộng việc kết hợp đường Clothoid, cây tìm kiếm ngẫu nhiên RRT và các kỹ thuật liên quan [19].
Tại Việt Nam, nghiên cứu xe tự hành còn ở giai đoạn đầu với một số kết quả tiêu biểu: nhóm AIT thuộc FPT Software phát triển phần mềm công nghệ xe tự hành ADAS dựa trên học sâu thay cho thị giác máy tính truyền thống, giải quyết bài toán giữ làn, rẽ theo vạch đường, nhận diện biển báo và tự động phanh tránh vật cản, đồng thời nghiên cứu giao tiếp V2X, V2Home; Trung tâm MICA (Trường Đại học Bách khoa Hà Nội) thực hiện các đề tài do Quỹ NAFOSTED tài trợ về phát hiện bất thường trong video, định vị đối tượng chuyển động; Phòng thí nghiệm truyền thông đa phương tiện (Trường Đại học Công nghệ thông tin – ĐHQG TP.HCM) nghiên cứu nhận diện sự kiện và đối tượng trong dữ liệu video.
Về mặt học thuật, tác giả hệ thống hóa các kỹ thuật thiết lập đường đi cho xe tự hành qua 4 nhóm phương pháp chính:
- Dựa trên đồ thị tìm kiếm: Thuật toán Dijkstra [55] và thuật toán A* [5] áp dụng trên không gian trạng thái rời rạc dạng lưới. Nhược điểm là chi phí tính toán tăng nhanh khi kích thước không gian tăng và quỹ đạo tạo ra thiếu tính trơn mịn động học.
- Dựa trên mẫu: Tiêu biểu là thuật toán cây mở rộng ngẫu nhiên RRT [56] và bản đồ lộ trình xác suất PRM, tìm kiếm nhanh trong không gian cấu hình nhiều chiều nhưng quỹ đạo thu được thường gấp khúc, chưa bảo đảm tính tối ưu toàn cục.
- Dựa trên đường cong nội suy: Sử dụng đoạn thẳng và cung tròn [29], đường cong Clothoid [59], đường cong đa thức [6], đường cong Bezier [64] và đường cong Spline [52]. Nhóm này bảo đảm tính liên tục của độ cong và gia tốc hướng tâm, phù hợp với động học chuyển hướng của xe nhưng xử lý kém linh hoạt trước các chướng ngại vật phức tạp biến đổi theo thời gian.
- Dựa trên tối ưu hóa: Phương pháp điều khiển tối ưu [35], kỹ thuật dải đàn hồi [28] và điều khiển dự báo theo mô hình (MPC) [8, 62]. MPC cho phép xử lý đồng thời hệ thống đa biến có ràng buộc trạng thái và điều khiển, bù thời gian trễ nhưng gặp khó khăn về khối lượng tính toán trực tuyến khi kết hợp mô hình phi tuyến ở dải tốc độ cao.
Đối với bài toán ra quyết định hành vi, các công trình trước đây áp dụng mạng nơ-ron truyền ngược BPNN [39], cây quyết định [11], hồi quy vector hỗ trợ SVR [65], lý thuyết tập mờ [12], hệ chuyên gia hoặc mạng Petri. Tác giả phân tích: BPNN có khả năng học mạnh, tính toán song song nhưng thiếu cơ chế suy diễn quy tắc rõ ràng; logic mờ mô phỏng tốt tư duy con người và xử lý thông tin định tính nhưng không có khả năng tự học thích nghi.
Khoảng trống mà luận án lựa chọn giải quyết là:
- Khắc phục sự bùng nổ tính toán và tính bất định môi trường trong kỹ thuật lấy mẫu bằng cách tích hợp thuật toán lọc phần tử (Particle Filter) đệ quy Bayes để đánh giá trọng số và tái chọn mẫu các ứng viên quỹ đạo.
- Xây dựng mô hình ra quyết định kết hợp nơ-ron mờ (FNN) nhằm tích hợp tri thức phán đoán đạo đức của người lái xe vào hệ thống điều khiển, khắc phục nhược điểm của từng phương pháp đơn lẻ.
- Thiết lập cấu trúc điều khiển phân cấp hai cấp độ dựa trên MPC (cấp 1 lập kế hoạch chuyển động với miền dự báo dài; cấp 2 điều khiển theo dõi với miền dự báo ngắn), kết hợp cơ chế chuyển động dự phòng thích ứng để xử lý các tình huống khẩn cấp ở tốc độ cao.
Cơ sở lý thuyết và phương pháp nghiên cứu
Cơ sở lý thuyết và khung phân tích
- Mô hình hình học làn đường: Làn đường thứ $i$ ($lane_i$) được xác định bởi đường biên trái ($BL_i$) và đường biên phải ($BR_i$), tạo thành một polyline tổng thể $lane(s) = \bigcup_i lane_i$. Vị trí của phương tiện trong hệ trục tọa độ toàn cục được mô tả qua tọa độ $(S_x, S_y)$, góc hướng $\theta_r$, khoảng cách tới xe $d_r$, chiều dài cung tham chiếu $s_r$ và độ cong đường dẫn $\kappa_r(s_r)$.
- Mô hình động học xe một đường đơn (Bicycle Model): Mô hình hóa chuyển động xe với 2 trạng thái vận tốc và 3 trạng thái vị trí, giả định tốc độ dọc $U_x$ không đổi trên khoảng dự báo để giữ tính lồi của bài toán tối ưu. Phương trình chuyển động biểu diễn theo hệ số trượt $r$ và góc trượt ngang $\beta$:
$$\dot{\beta} = \frac{F_{yf} \cos(\delta) + F_{yr}}{m U_x} - r$$
$$\dot{r} = \frac{a F_{yf} - b F_{yr}}{I_{zz}}$$
Trong đó: $m$ là tổng khối lượng xe; $I_{zz}$ là mô-men quán tính quanh trục đứng; $a, b$ lần lượt là khoảng cách từ trọng tâm đến trục trước và trục sau; $\delta$ là góc lái bánh trước; $F_{yf}, F_{yr}$ là lực ngang tác dụng lên bánh trước và bánh sau.
- Mô hình bánh xe Fiala Brush: Lực ngang bánh xe được xác định phi tuyến qua hàm $F_{y[f,r]} = f_{wheel}(\alpha, F_z)$, với $\alpha_f, \alpha_r$ là góc trượt bánh trước và bánh sau (áp dụng xấp xỉ góc nhỏ $\alpha_r = \beta - \frac{b r}{U_x}$). Lực ngang bánh trước $F_{yf}$ được chọn làm biến điều khiển đầu vào cho mô hình tối ưu, sau đó ánh xạ ngược lại góc lái bánh trước $\delta$ thông qua mô hình bánh xe nghịch đảo:
$$\delta = \beta + \frac{a r}{U_x} - f_{wheel}^{-1}(F_{yf})$$
- Mô hình theo dõi hướng chuyển động: Trạng thái sai số bám quỹ đạo được biểu diễn qua độ lệch ngang $e$, độ lệch hướng $\Delta\psi$ và khoảng cách cung $s$:
$$\Delta\dot{\psi} = r - U_x \kappa(s)$$
- Lý thuyết Monte Carlo và Bộ lọc phần tử (Particle Filter): Vận dụng định lý giới hạn trung tâm và luật số lớn. Thuật toán lọc phần tử đệ quy Bayes ước lượng mật độ hậu nghiệm phi tuyến gồm 5 bước lặp:
- Khởi tạo: Sinh $\mathcal{N}$ phần tử ${x_0^i}_{i=1}^{\mathcal{N}}$ từ phân phối trạng thái ban đầu.
- Cập nhật thời gian: Tính phần tử ưu tiên $x_k^{i-} = f_{k-1}(x_{k-1}^{i+}, \omega_{k-1}^i)$.
- Cập nhật theo đo lường: Tính trọng số $q_i = p(y_k | x_k^{i-})$ từ cảm biến và chuẩn hóa: $\tilde{q}i = \frac{q_i}{\sum{j=1}^{\mathcal{N}} q_j}$.
- Xác định trạng thái: Tính trạng thái xấp xỉ $x_k^+ = \sum_{i=1}^{\mathcal{N}} \tilde{q}_i x_k^{i-}$.
- Tái chọn mẫu: Loại bỏ các phần tử có trọng số thấp, nhân bản các phần tử có trọng số cao nhằm tránh hiện tượng thoái hóa trọng số.
- Điều khiển dự báo theo mô hình (MPC): Tối ưu hóa hàm chi phí bậc hai trên miền dự báo $N_P$ và miền điều khiển $N_C$ ($N_C \le N_P$):
$$\min_{\Delta u} J_{N_C, N_P} (x(k), u(k-1), \Delta u(\cdot))$$
Ràng buộc trạng thái $x(k+i) \in X$, tín hiệu điều khiển $u(k+i) \in U$ và bước tăng điều khiển $\Delta u(k+i) \in \Delta U$. Tín hiệu điều khiển thực thi tại mỗi chu kỳ là $u(k) = u(k-1) + \Delta u^*(k)$.
Phương pháp nghiên cứu thực tế
Tác giả áp dụng phương pháp nghiên cứu lý thuyết kết hợp mô phỏng thực nghiệm số. Cấu trúc điều khiển phân cấp được thiết lập gồm hai cấp: cấp lập kế hoạch chuyển động (tính toán quỹ đạo với chân trời dự báo dài, xét vật cản) và cấp điều khiển bám (chân trời dự báo ngắn, bám quỹ đạo tối ưu). Mô hình mạng nơ-ron mờ FNN được huấn luyện và đối chiếu với mạng truyền ngược BPNN trên bộ dữ liệu tình huống khẩn cấp.
Nguồn tư liệu và dữ liệu
Dữ liệu nghiên cứu bao gồm:
- Dữ liệu hình học làn đường, biên đường và quy định phân làn theo Luật Giao thông đường bộ Việt Nam.
- Dữ liệu kịch bản mô phỏng giao thông (chạy thẳng, qua đường cong, vượt xe, tránh vật cản tĩnh/động, vào giao lộ).
- Tập thông số vật lý xe và lốp (khối lượng $m$, quán tính $I_{zz}$, độ cứng chống trượt $C_{\alpha f}, C_{\alpha r}$, hệ số ma sát mặt đường $\mu$).
- Dữ liệu huấn luyện thực nghiệm cho mạng ra quyết định điều khiển (tập dữ liệu khảo sát hành vi xử lý của lái xe trong các tình huống khẩn cấp).
Nội dung chính theo từng chương
Chương 1: Tổng quan về điều khiển xe tự hành
Chương 1 thiết lập bức tranh tổng thể về lý thuyết và cấu trúc xe tự hành. Tác giả trình bày định nghĩa của SAE về 6 cấp độ tự động hóa từ 0 đến 5, phân tích cấu trúc 3 bộ phận nòng cốt (cảm nhận, điều khiển, chấp hành) và sơ đồ khối chức năng của hệ thống xe tự hành (Hình 1.1, Hình 1.2).
Tác giả chỉ rõ 4 nhóm rào cản kỹ thuật chính:
- Tình huống giao thông khó dự đoán thời gian thực.
- Điều kiện thời tiết bất lợi (mưa lớn, sương mù làm suy giảm tín hiệu cảm biến).
- Hạ tầng đường bộ chưa đồng bộ (thiếu cảm biến gắn đường, vạch kẻ chưa chuẩn hóa).
- Hệ thống định vị GPS còn sai số, chưa hoàn hảo cho bản đồ ảo chi tiết.
Để giải quyết các thách thức trên, chương này xây dựng cơ sở toán học chuẩn bị cho toàn bộ luận án, bao gồm: mô hình động học xe một đường đơn kết hợp mô hình lốp Fiala brush (Hình 1.5, phương trình 1.2 – 1.10); cơ sở lý thuyết xác suất Monte Carlo, các biến thể (DSMC, DMC, KMC, QMC) và giải thuật bộ lọc phần tử Particle Filter (Hình 1.6); tổng quan nguyên lý 5 bước của MPC (Hình 1.7, Hình 1.8, phương trình 1.14 – 1.17). Đặc biệt, tác giả đề xuất cấu trúc điều khiển phân cấp dựa trên MPC (Hình 1.9, Hình 1.10) phân tách cấp lập kế hoạch quỹ đạo dài và cấp bám quỹ đạo ngắn, tạo tiền đề kiến trúc cho các chương kế tiếp.
Chương 2: Giải pháp đề xuất tìm đường đi tối ưu cho xe tự hành
Chương 2 tập trung vào mô-đun lập kế hoạch chuyển động. Sau khi phân tích ưu nhược điểm của các thuật toán đồ thị, cây RRT, đường cong Clothoid/Bezier/Spline và tối ưu hóa toán học, tác giả đề xuất giải pháp lập kế hoạch chuyển động dựa trên kỹ thuật lấy mẫu kết hợp bộ lọc phần tử.
Quy trình giải pháp gồm:
- Thiết lập tập ứng viên quỹ đạo dựa trên không gian trạng thái của xe và các mục tiêu chuyển động (Hình 2.11).
- Áp dụng cấu trúc bộ lọc phần tử để gán trọng số cho từng ứng viên dựa trên hàm hợp lý đo lường khoảng cách an toàn với chướng ngại vật, giới hạn tốc độ và độ êm thuận gia tốc (Hình 2.13, Hình 2.14, Hình 2.15).
- Tái chọn mẫu các ứng viên có xác suất cao để hội tụ nhanh về quỹ đạo tối ưu toàn cục mà không cần quét toàn bộ không gian liên tục.
Kết quả mô phỏng thực nghiệm được tác giả thực hiện trên hai kịch bản: di chuyển trên đường thẳng (Hình 2.17) và di chuyển trên đường cong (Hình 2.18). Dữ liệu đối chiếu về thời gian xử lý và tỷ lệ thất bại được tổng hợp qua Bảng 2.1 và Bảng 2.2, chứng minh giải pháp đề xuất duy trì thời gian đáp ứng phù hợp cho tính toán thời gian thực khi số lượng ứng viên quỹ đạo biến thiên.
| Số lượng ứng viên quỹ đạo |
Thời gian xử lý trung bình (ms) |
Tỷ lệ thất bại (%) |
| Mẫu nhỏ (tập ứng viên giới hạn) |
Thấp, đáp ứng chu kỳ thời gian thực |
Cao hơn do thiếu độ bao phủ không gian |
| Mẫu đề xuất (kết hợp Particle Filter) |
Cân bằng, hội tụ nhanh qua tái chọn mẫu |
Giảm rõ rệt, bảo đảm quỹ đạo không va chạm |
| Mẫu mở rộng không lọc |
Rất cao, vượt ngưỡng xử lý chu kỳ |
Thấp nhưng không khả thi thời gian thực |
(Tổng hợp theo nội dung Bảng 2.1 và Bảng 2.2 trong văn bản)
Chương 3: Giải pháp đề xuất cho vấn đề pháp lý và đạo đức trong hoạt động của xe tự hành
Chương 3 giải quyết hai khía cạnh then chốt trong vận hành giao thông thực tế: mô-đun hỗ trợ ra quyết định điều khiển (yếu tố đạo đức) và mô-đun thiết lập quỹ đạo chuyển động (yếu tố pháp lý).
- Mô-đun hỗ trợ ra quyết định điều khiển:
- Tác giả xây dựng mạng nơ-ron mờ kết hợp (FNN - Fuzzy Neural Network) gồm hai mạng thành phần: mạng tiền đề (xử lý logic mờ các biến trạng thái đầu vào) và mạng hệ quả (tính toán giá trị điều khiển đầu ra).
- Các bộ chỉ số và biến được chuẩn hóa qua các bảng dữ liệu trong luận án: Bảng 3.1 (Quy định các chỉ số ảnh hưởng), Bảng 3.2 (Bộ chỉ số của mô-đun ra quyết định), Bảng 3.3 (Tập biến đầu vào) và Bảng 3.4 (Giá trị đầu ra của mô-đun quyết định điều khiển).
- Thử nghiệm trên dữ liệu tình huống khẩn cấp (Hình 3.1, Hình 3.4), kết quả huấn luyện và sai số (Hình 3.5, Hình 3.6, Bảng 3.5) cho thấy mạng FNN có sai số tuyệt đối trung bình (MAE) thấp hơn và độ ổn định cao hơn so với mạng nơ-ron truyền ngược BPNN truyền thống.
| Mô hình kiểm chứng |
Khả năng biểu diễn tri thức |
Khả năng học thích nghi |
Kết quả sai số dự báo (Bảng 3.5) |
| Mạng truyền ngược BPNN |
Kém (hộp đen, thiếu diễn giải luật) |
Tốt qua giải thuật lan truyền ngược |
Sai số lớn hơn ở biên tình huống khẩn cấp |
| Mạng nơ-ron mờ FNN |
Cao (tích hợp mệnh đề mờ tiền đề) |
Tốt (tự điều chỉnh trọng số hệ quả) |
Tối ưu hơn, giảm thiểu lỗi phán đoán hành vi |
- Mô-đun thiết lập quỹ đạo chuyển động bảo đảm pháp lý:
- Xây dựng dựa trên mô hình MPC với các hàm chi phí tích hợp ràng buộc luật giao thông đường bộ.
- Thực nghiệm kiểm chứng qua 3 kịch bản phức tạp:
- Xe di chuyển qua đoạn đường giới hạn tốc độ (Hình 3.7, Hình 3.8, Hình 3.9), ghi nhận sự biến thiên mượt mà của vận tốc khi qua biển báo.
- Xe thực hiện thao tác vượt phải an toàn phương tiện phía trước khi đủ điều kiện làn đường (Hình 3.10, Hình 3.11, Hình 3.12).
- Xe điều hướng khi đi vào nút giao lộ phức tạp (Hình 3.13).
Chương 4: Giải pháp đề xuất hỗ trợ điều khiển an toàn xe tự hành
Chương 4 hoàn thiện hệ thống điều khiển thông qua bộ ba mô-đun an toàn vận hành:
- Mô-đun điều khiển theo dõi chuyển động:
- Giải quyết bài toán bám quỹ đạo chính xác ở dải tốc độ cao, xử lý tính không chắc chắn biến đổi theo thời gian và sự hiện diện của chướng ngại vật di động.
- Sử dụng mô hình động học sai số (Hình 4.1, Hình 4.2). Kết quả mô phỏng (Bảng 4.1 thông số mô phỏng, Bảng 4.2 kết quả đối chuẩn 3 bộ điều khiển, Hình 4.3) chứng minh bộ điều khiển đề xuất triệt tiêu sai số bám ngang $e$ và sai số góc hướng $\Delta\psi$ nhanh hơn các bộ điều khiển thông thường.
- Mô-đun hỗ trợ điều khiển chuyển động:
- Thiết kế theo 2 tiêu chí cốt lõi: can thiệp tối thiểu (chỉ kích hoạt quyền kiểm soát tự trị khi phát hiện nguy cơ va chạm vượt ngưỡng) và bảo đảm an toàn tuyệt đối (ràng buộc trạng thái không va chạm trong bài toán tối ưu).
- Rút ngắn chu kỳ tính toán để giảm thiểu độ lệch dự báo đầu vào. Mô phỏng thực nghiệm qua kịch bản 1 (Hình 4.6, 4.7) và kịch bản 2 (Hình 4.8, 4.9, 4.10) cho thấy xe duy trì gia tốc, góc xoay thân xe nằm trong giới hạn ổn định động học.
- Mô-đun lập kế hoạch chuyển động dự phòng:
- Phát huy tác dụng trong tình huống xe chạy tốc độ lớn, cự ly xử lý không đủ để phanh dừng hoàn toàn.
- Mô hình hóa giới hạn bám của lốp thông qua vết tiếp xúc hình elip tạo bởi lực kéo ngang và lực kéo dọc (Hình 4.11), phân phối chi phí quanh chướng ngại vật (Hình 4.12) và đánh giá quỹ đạo dự kiến của các xe xung quanh (Hình 4.13, Hình 4.14, Hình 4.15).
- Thuật toán tự động sinh quỹ đạo thao tác khẩn cấp thích ứng (Hình 4.16). Kết quả kiểm chứng trên 3 kịch bản khẩn cấp (Hình 4.17 – 4.21) với các biến điều khiển đầu vào $u_1, u_2$ chứng minh phương tiện tránh được va chạm mà không bị mất lái hoặc trượt bánh.
Kết quả và những đóng góp mới
Luận án tự xác định 03 đóng góp mới về mặt khoa học lý luận và kỹ thuật thực tiễn:
- Đóng góp thứ nhất: Đề xuất phương án lập kế hoạch chuyển động bằng phương pháp tiếp cận dựa trên kỹ thuật lấy mẫu kết hợp bộ lọc phần tử. Giải pháp này cải thiện hiệu quả tính toán, xử lý hiệu quả tính bất định trong dữ liệu cảm biến và hệ thống định vị, cho phép tạo ra quỹ đạo trơn tru, tối ưu từ tập ứng viên quỹ đạo trong không gian ràng buộc.
- Đóng góp thứ hai: Xây dựng thành công mô-đun giải quyết bài toán hỗ trợ ra quyết định điều khiển cho xe tự hành tích hợp ràng buộc luật giao thông đường bộ và yếu tố đạo đức lái xe. Hệ thống tách biệt thành hai cấu phần: mô hình mạng nơ-ron mờ (FNN) mô phỏng hành vi ra quyết định của con người trong tình huống nguy cấp; và mô-đun thiết lập quỹ đạo MPC tích hợp các quy tắc giao thông (giới hạn tốc độ, vượt xe, giao lộ), bảo đảm tính pháp lý và an toàn toàn cục.
- Đóng góp thứ ba: Xây dựng hoàn chỉnh tập mô-đun hỗ trợ ra quyết định điều khiển an toàn cho xe tự hành gồm 3 mô-đun chức năng:
- Mô-đun điều khiển theo dõi chuyển động: kết hợp các yếu tố không chắc chắn của vật cản di động vào bài toán tối ưu, giữ xe chuyển động chính xác, ổn định ở tốc độ cao.
- Mô-đun hỗ trợ điều khiển chuyển động: thực hiện nguyên tắc can thiệp tối thiểu và bảo đảm trạng thái không va chạm thông qua việc rút ngắn chu kỳ lập kế hoạch.
- Mô-đun lập kế hoạch chuyển động dự phòng: kích hoạt các thao tác khẩn cấp thích ứng dựa trên giới hạn elip ma sát bánh xe trong các tình huống vận tốc cao mà khoảng cách phanh không còn an toàn.
Về mặt kiến nghị và giải pháp đề xuất, tác giả chỉ ra rằng kết quả nghiên cứu của luận án có thể làm tiền đề khoa học để xây dựng kiến trúc phần mềm nhúng điều khiển trên các dòng xe tự hành thực tế tại Việt Nam, phục vụ các đề án giao thông thông minh và phương tiện tự hành chuyên dụng.
Hạn chế và hướng nghiên cứu tiếp
Căn cứ vào nội dung được tác giả phân tích trong văn bản, luận án còn một số hạn chế và định hướng phát triển:
- Về tính toán trực tuyến: Giải bài toán tối ưu hóa của mô hình điều khiển dự báo (MPC) cho các hệ thống phi tuyến bậc cao với khoảng cách điều khiển $N_C$ lớn vẫn đòi hỏi tài nguyên tính toán đáng kể của bộ xử lý, gây khó khăn nhất định khi phương tiện vận hành ở tốc độ rất cao.
- Về biểu diễn tri thức và học thích nghi: Mô hình logic mờ tuy gần với tư duy con người nhưng khả năng học thích nghi tự động còn hạn chế; việc kết hợp trong mạng FNN giúp cải thiện nhưng việc thiết lập các tham số mờ ban đầu vẫn phụ thuộc vào dữ liệu khảo sát chủ quan.
- Về môi trường thử nghiệm: Các kết quả đánh giá trong luận án chủ yếu thực hiện thông qua mô phỏng số trên các kịch bản giao thông giả định (đường thẳng, đường cong, giao lộ, tránh chướng ngại vật). Hướng nghiên cứu tiếp theo cần mở rộng tích hợp hệ thống mô-đun đề xuất lên nền tảng phần cứng xe thực nghiệm để kiểm chứng độ trễ truyền thông, nhiễu cảm biến thực tế và độ bền vững của thuật toán trong điều kiện thời tiết khắc nghiệt.
Giá trị tham khảo
Luận án là tài liệu tham khảo hữu ích cho các nhóm đối tượng học thuật và kỹ thuật:
- Nghiên cứu sinh, học viên cao học và giảng viên: Chuyên ngành Hệ thống thông tin, Kỹ thuật điều khiển và Tự động hóa, Khoa học máy tính, Kỹ thuật ô tô có thể tham khảo phương pháp luận kết hợp giữa điều khiển dự báo tối ưu (MPC) với tính toán mềm (FNN, Bộ lọc phần tử) và mô hình động lực học xe Fiala brush (Chương 1, Chương 2, Chương 3).
- Kỹ sư phát triển hệ thống tự hành và ADAS: Có thể ứng dụng cấu trúc phân cấp hai cấp độ và thuật toán lập kế hoạch chuyển động dự phòng khẩn cấp dựa trên elip ma sát lốp (Chương 4) để cài đặt trên các thiết bị điều khiển biên.
- Các nhà hoạch định chính sách và tiêu chuẩn giao thông thông minh: Luận án cung cấp cơ sở phân tích kỹ thuật về việc cụ thể hóa các quy tắc pháp lý và tình huống đạo đức thành các hàm toán học ràng buộc trong phần mềm điều khiển xe không người lái.
Câu hỏi thường gặp
1. Luận án giải quyết bài toán lấy mẫu quỹ đạo chuyển động bằng phương pháp nào để không bị bùng nổ tính toán?
Tác giả sử dụng phương pháp tiếp cận dựa trên kỹ thuật lấy mẫu kết hợp cấu trúc cơ bản của bộ lọc phần tử (Particle Filter / SMC). Thay vì duyệt toàn bộ không gian liên tục, thuật toán khởi tạo tập ứng viên quỹ đạo, gán trọng số dựa trên cảm biến đo lường và thực hiện tái chọn mẫu để tập trung vào các quỹ đạo có xác suất an toàn cao, giúp tối ưu hóa thời gian tính toán và xử lý được tính bất định của môi trường.
2. Mô hình động học nào được tác giả sử dụng để mô tả hoạt động của xe tự hành?
Luận án sử dụng mô hình xe một đường đơn (Bicycle Model) với 2 trạng thái vận tốc và 3 trạng thái vị trí, kết hợp mô hình lốp Fiala brush phi tuyến. Góc lái bánh trước $\delta$ được ánh xạ từ lực ngang bánh trước mong muốn $F_{yf}$ thông qua hàm bánh xe nghịch đảo.
3. Yếu tố đạo đức và pháp lý được cụ thể hóa như thế nào trong hệ thống điều khiển?
Yếu tố pháp lý được hiện thực hóa qua mô-đun thiết lập quỹ đạo MPC với các ràng buộc tuân thủ luật giao thông (giới hạn tốc độ, vạch kẻ đường, quy tắc vượt xe, nhường đường tại giao lộ). Yếu tố đạo đức được xử lý thông qua mô-đun mạng nơ-ron mờ (FNN) huấn luyện từ dữ liệu hành vi của người lái xe trong các tình huống khẩn cấp, giúp xe đưa ra phán đoán điều hướng giảm thiểu rủi ro va chạm.
4. Hai mục tiêu cốt lõi của mô-đun hỗ trợ điều khiển chuyển động trong Chương 4 là gì?
Hai mục tiêu là: (1) Can thiệp tối thiểu – hệ thống chỉ áp dụng quyền kiểm soát tự trị khi xuất hiện nguy cơ va chạm trong các tình huống phức tạp; (2) Đảm bảo an toàn – trạng thái không va chạm của xe được thực thi nghiêm ngặt thông qua các ràng buộc tối ưu hóa toán học và rút ngắn chu kỳ dự báo.
5. Mô-đun lập kế hoạch chuyển động dự phòng được kích hoạt trong hoàn cảnh nào?
Mô-đun dự phòng được kích hoạt khi xe tham gia giao thông ở vận tốc lớn, cự ly và thời gian xử lý còn lại quá ngắn không đủ để thực hiện thao tác phanh dừng khẩn cấp. Mô-đun sẽ dựa trên vết tiếp xúc elip ma sát bánh xe và dự báo chuyển động của các phương tiện xung quanh để tạo ra thao tác đánh lái khẩn cấp thích ứng tránh chướng ngại vật.
Kết luận
Luận án tiến sĩ của tác giả Quách Hải Thọ đã giải quyết một cách có hệ thống bài toán hỗ trợ điều khiển xe tự hành thông qua việc kết hợp giữa lý thuyết điều khiển dự báo mô hình (MPC) và các kỹ thuật tính toán mềm (Particle Filter, FNN). Công trình đã xây dựng thành công bộ giải pháp hoàn chỉnh gồm mô-đun tìm đường tối ưu, mô-đun ra quyết định theo chuẩn mực pháp lý - đạo đức, cùng hệ thống ba mô-đun hỗ trợ an toàn vận hành ở dải tốc độ cao. Các kết quả mô phỏng thực nghiệm đã chứng minh tính khả thi, độ tin cậy và khả năng đáp ứng thời gian thực của các mô hình toán học đề xuất, tạo cơ sở khoa học quan trọng cho việc nghiên cứu và ứng dụng phương tiện tự hành trong thực tiễn giao thông thông minh.
