Luận văn thạc sĩ về quadcopter bám theo vật thể sử dụng deep learning trong kỹ thuật điều khiển và tự động hóa

• Tác giả: Nguyễn Phúc Khôi
• Người hướng dẫn: PGS. Huỳnh Thái Hoàng
• Trường học: Trường Đại Học Bách Khoa - Đại Học Quốc Gia TP.HCM
• Chuyên ngành: Kỹ Thuật Điều Khiển và Tự Động Hóa
• Đề tài: Nghiên Cứu Quadcopter Bám Theo Vật Thể Bằng Deep Learning Trong Kỹ Thuật Điều Khiển Và Tự Động Hóa
• Loại tài liệu: luận văn
• Năm xuất bản: 2020
• Địa điểm: TP.HCM

• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: OVERVIEW
• 1.1. History of Unmanned Aerial Vehicles
• 1.2. UAV Classification and Applications
• 1.2.1. Classification according to size
• 1.2.2. Classification According to Range and Endurance
• 1.3. Objective of Study
• 1.4. Outline of the thesis
• 1.5. Convolutional Neural Network (CNN) and YOLOv3 Algorithm
• 1.5.1. Convolutional Neural Network (CNN)
• 1.5.2. Fully connected layer
• 1.5.3. Anchor Box Algorithm
• 1.6. Fuzzy Logic ± Inference System (FIS)
• 1.7. Quadcopter system overview
• 1.7.1. Video transmitter and receiver
• 1.7.2. Brushless DC Motors
• 1.7.3. Electronic Speed Controller (ESC)
• 1.7.4. Quadcopter control diagram
• 1.8. Training model for object detection
• 1.8.1. Collecting images data
• 1.8.2. Train model on Google Colab
• 1.8.3. Calculate object position
• 1.8.4. Fuzzy logic algorithm
• 2. RESULT AND FUTURE DEVELOPMENT
• 2.1. Object recognition result
• 2.2. Fuzzy logic result
• PHỤ LỤC
• TÀI LIỆU THAM KHẢO

I. Tổng quan về nghiên cứu quadcopter bám theo vật thể bằng deep learning

Nghiên cứu về quadcopter bám theo vật thể bằng deep learning đang trở thành một lĩnh vực quan trọng trong kỹ thuật điều khiển và tự động hóa. Các quadcopter hiện đại có khả năng tự động nhận diện và theo dõi các đối tượng, mở ra nhiều ứng dụng trong thực tiễn. Việc áp dụng các mô hình học sâu như CNN (Mạng nơ-ron tích chập) giúp cải thiện độ chính xác và hiệu suất của hệ thống. Nghiên cứu này không chỉ giúp nâng cao khả năng tự động hóa mà còn tạo ra những giải pháp mới cho các bài toán phức tạp trong điều khiển UAV.

1.1. Định nghĩa và ứng dụng của quadcopter trong tự động hóa

Các quadcopter là loại UAV có bốn cánh quạt, cho phép chúng bay ổn định và linh hoạt. Chúng được sử dụng rộng rãi trong nhiều lĩnh vực như giám sát, cứu hộ, và giao hàng. Việc áp dụng deep learning giúp quadcopter nhận diện và theo dõi các đối tượng một cách hiệu quả hơn.

1.2. Lịch sử phát triển của công nghệ quadcopter

Công nghệ quadcopter đã trải qua nhiều giai đoạn phát triển từ những năm 2000. Sự phát triển của các cảm biến và công nghệ deep learning đã giúp quadcopter trở nên thông minh hơn, có khả năng tự động hóa cao hơn trong việc theo dõi và điều khiển.

II. Thách thức trong việc bám theo vật thể bằng quadcopter

Mặc dù công nghệ quadcopter đã phát triển mạnh mẽ, nhưng vẫn còn nhiều thách thức trong việc bám theo vật thể. Các yếu tố như điều kiện thời tiết, ánh sáng và tốc độ di chuyển của đối tượng có thể ảnh hưởng đến khả năng nhận diện và theo dõi. Hệ thống cần phải được tối ưu hóa để xử lý các tình huống này một cách hiệu quả.

2.1. Ảnh hưởng của điều kiện môi trường đến hiệu suất quadcopter

Điều kiện môi trường như gió mạnh, mưa hoặc ánh sáng yếu có thể làm giảm khả năng nhận diện của quadcopter. Việc phát triển các thuật toán mạnh mẽ hơn để xử lý các tình huống này là rất cần thiết.

2.2. Tốc độ và chuyển động của đối tượng theo dõi

Tốc độ di chuyển của đối tượng có thể làm cho việc theo dõi trở nên khó khăn hơn. Các thuật toán cần phải được tối ưu hóa để có thể theo dõi các đối tượng di chuyển nhanh mà không bị mất dấu.

III. Phương pháp sử dụng deep learning trong quadcopter bám theo vật thể

Phương pháp chính trong nghiên cứu này là sử dụng deep learning để nhận diện và theo dõi đối tượng. Mô hình YOLOv3 (You Only Look Once) được áp dụng để phát hiện đối tượng trong thời gian thực. Hệ thống sử dụng các cảm biến và camera để thu thập dữ liệu và xử lý thông tin.

3.1. Mô hình YOLOv3 và cách hoạt động

YOLOv3 là một trong những mô hình deep learning tiên tiến nhất cho nhận diện đối tượng. Nó cho phép quadcopter phát hiện và theo dõi nhiều đối tượng cùng lúc với độ chính xác cao.

3.2. Tích hợp fuzzy logic trong điều khiển quadcopter

Fuzzy logic được sử dụng để điều khiển các tín hiệu PWM cho quadcopter. Hệ thống này giúp điều chỉnh các thông số như tốc độ và hướng bay một cách linh hoạt, dựa trên dữ liệu đầu vào từ cảm biến.

IV. Kết quả nghiên cứu và ứng dụng thực tiễn của quadcopter

Nghiên cứu đã cho thấy rằng việc áp dụng deep learning trong quadcopter có thể cải thiện đáng kể khả năng theo dõi đối tượng. Các thử nghiệm thực tế cho thấy quadcopter có thể theo dõi các đối tượng di chuyển với độ chính xác cao trong nhiều điều kiện khác nhau.

4.1. Kết quả thử nghiệm với các đối tượng khác nhau

Các thử nghiệm đã được thực hiện với nhiều loại đối tượng khác nhau, từ người đến xe cộ. Kết quả cho thấy quadcopter có khả năng theo dõi chính xác và ổn định.

4.2. Ứng dụng trong các lĩnh vực khác nhau

Công nghệ này có thể được áp dụng trong nhiều lĩnh vực như cứu hộ, giám sát an ninh, và giao hàng. Việc sử dụng quadcopter trong các tình huống thực tế đã chứng minh tính khả thi và hiệu quả của nó.

V. Kết luận và triển vọng tương lai của quadcopter bám theo vật thể

Nghiên cứu về quadcopter bám theo vật thể bằng deep learning mở ra nhiều cơ hội mới trong lĩnh vực tự động hóa. Với sự phát triển không ngừng của công nghệ, tương lai của quadcopter hứa hẹn sẽ mang lại nhiều ứng dụng thú vị và hữu ích hơn nữa.

5.1. Triển vọng phát triển công nghệ quadcopter

Công nghệ quadcopter sẽ tiếp tục phát triển với sự hỗ trợ của các công nghệ mới như AI và IoT. Điều này sẽ giúp nâng cao khả năng tự động hóa và mở rộng ứng dụng của quadcopter.

5.2. Tác động của quadcopter đến xã hội và kinh tế

Việc áp dụng quadcopter trong các lĩnh vực như giao hàng và giám sát sẽ có tác động lớn đến xã hội và kinh tế. Nó không chỉ giúp tiết kiệm thời gian mà còn giảm chi phí vận hành.