Giới thiệu dự án

Công nghệ xe tự hành (Autonomous Vehicles - AV) đang định hình lại tương lai của ngành giao thông vận tải toàn cầu với tốc độ tăng trưởng kép hàng năm (CAGR) dự báo đạt trên 30% giai đoạn 2023–2030. Trong khi các tập đoàn lớn như Tesla, Waymo, hay Baidu đầu tư hàng tỷ USD vào các hệ thống cảm biến đắt tiền (LiDAR, Radar dải quét rộng, cụm máy tính GPU chuẩn server), việc triển khai các phương tiện tự hành cỡ nhỏ trong môi trường khuôn viên đóng (campus, khu công nghiệp, resort) với mức chi phí tối ưu vẫn là một bài toán thực tiễn đầy thách thức.

Đồ án tốt nghiệp "Nghiên cứu, thiết kế và chế tạo xe golf tự hành dựa trên mô hình Multi-Task và định vị GPS" (Research, design and construct an autonomous golf-cart based on multi-task model and GPS navigation) được thực hiện bởi sinh viên Tạ Trần Nhật Minh (MSSV: 19151034), dưới sự hướng dẫn của PGS. Lê Mỹ Hà tại Khoa Điện - Điện tử / Khoa Đào tạo Chất lượng cao, Trường Đại học Sư phạm Kỹ thuật TP.HCM (HCMUTE). Đề tài giải quyết trực tiếp bài toán tự hành hóa phương tiện thương mại thông qua sự kết hợp giữa kiến trúc học sâu đa nhiệm (Multi-Task Learning) và hệ thống hợp nhất cảm biến chi phí thấp.

+-----------------------------------------------------------------------+
|                       TỔNG QUAN HỆ THỐNG TỰ HÀNH                      |
+-----------------------------------------------------------------------+
|  [Orbbec Astra Camera]   [GPS NEO-M8N / Quectel]   [IMU MPU6000 Sensor]
|  +--------------------+     +---------------------------------------+ 
|  | Multi-Task Network |     |     Extended Kalman Filter (EKF)      | 
|  | ResNet-18 Backbone |     |   Ước lượng tọa độ & hướng di chuyển  | 
|  |  (Thuật toán PID)  |                                               
|  +--------------------+                                               
|  +--------------------+                                               
+-----------------------------------------------------------------------+

Vấn đề kỹ thuật cốt lõi (Problem Statement)

  • Hạn chế phần cứng của xe thương dụng: Khung gầm xe golf Ezgo nguyên bản không tích hợp hệ thống trợ lực lái điện tử (Electronic Power Steering - EPS), đòi hỏi thiết kế một bộ truyền động cơ điện can thiệp trực tiếp với mô-men xoắn lớn và phản hồi vị trí chính xác.
  • Độ trễ và quá tải tính toán: Các mô hình thị giác máy tính đơn lẻ (chỉ phát hiện làn đường hoặc chỉ phân vùng) dễ bị nhiễu do bóng cây, người đi bộ, xe cộ che khuất tim đường và tiêu tốn tài nguyên khi chạy song song nhiều mạng nơ-ron riêng biệt.
  • Nhiễu định vị ngoài trời: Cảm biến GPS giá rẻ và IMU dễ bị trôi dạt dữ liệu (drift) do hiện tượng phản xạ tín hiệu đa đường (multipath) giữa các tòa nhà trong khuôn viên trường học.

Mục tiêu dự án

  1. Thiết kế và chế tạo phần cứng điều khiển: Gia công cơ khí bộ gá động cơ chấp hành lái, thiết kế bo mạch vi điều khiển trung tâm sử dụng chip STM32 giao tiếp đồng bộ với máy tính nhúng qua giao thức UART/UDP.
  2. Xây dựng mạng nơ-ron đa nhiệm (Multi-Task Network): Thiết kế mô hình học sâu kết hợp song song hai tác vụ: Phát hiện vạch kẻ đường (Lane Detection Head) và Phân đoạn ngữ cảnh (Scene Parsing Head) trên nền tảng trích xuất đặc trưng chung ResNet-18.
  3. Phát triển thuật toán định vị và hợp nhất dữ liệu: Thu thập bản đồ tọa độ UTM khuôn viên HCMUTE, lọc nhiễu tín hiệu GPS/IMU bằng bộ lọc Kalman mở rộng (Extended Kalman Filter - EKF).
  4. Tối ưu hóa thời gian thực: Triển khai nén và tăng tốc mô hình bằng NVIDIA TensorRT trên vi xử lý đồ họa (GPU), đạt tốc độ xử lý trên 30 FPS để đáp ứng vận hành an toàn.

Phạm vi và giới hạn

  • Phạm vi thử nghiệm: Các tuyến đường nội bộ trong khuôn viên Trường Đại học Sư phạm Kỹ thuật TP.HCM.
  • Điều kiện môi trường: Ban ngày, điều kiện ánh sáng tiêu chuẩn, thời tiết khô ráo, không có mưa bão cực đoan.
  • Giới hạn an toàn: Xe vận hành dưới sự giám sát trực tiếp của kỹ thuật viên với công tắc dừng khẩn cấp (Emergency Stop).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng và khoảng trống công nghệ

Tiêu chí so sánh Giải pháp công nghiệp (Tesla, Waymo) Nghiên cứu xe mô hình RC (1/10) Giải pháp đề xuất trên xe Golf Ezgo
Cảm biến chính Cụm LiDAR 360°, Radar 4D, 8+ Cameras Camera đơn sắc, Cảm biến siêu âm Orbbec Astra RGB, Ublox NEO-M8N, IMU MPU6000
Nền tảng tính toán Máy tính chuyên dụng FSD / Drive Orin ($5,000 - $15,000) Raspberry Pi 4 / Jetson Nano ($60 - $150) NVIDIA GTX 1050Ti + Jetson TX2 + STM32 ($800)
Khả năng tải trọng 4–7 chỗ ngồi, xe thương mại hoàn chỉnh Không chở người, mô hình thu nhỏ 2–4 chỗ ngồi, xe Golf tải trọng thực tế 400kg
Kiến trúc thị giác Mạng Transformer / Occupancy Network CNN phân loại góc lái đơn giản (End-to-End) Multi-Task CNN (ResNet-18 + CBAM + CSP)
Chi phí triển khai Rất cao (> $50,000) Rất thấp (< $300) Tối ưu, phù hợp trường học/khu nội bộ (< $2,000) 
                    MA TRẬN ƯU TIÊN YÊU CẦU (MOSCOW)

Thiết kế hệ thống phần cứng và phần mềm

Hệ thống được thiết kế theo cấu trúc điều khiển phân tầng (Hierarchical Architecture) gồm 3 lớp chính: Lớp cảm biến và nhận thức (Perception Layer), Lớp tính toán và điều hướng (Planning & Navigation Layer), Lớp chấp hành cấp thấp (Actuation Control Layer).

+------------------------------------------------------------------------------------+
|                               SƠ ĐỒ KHỐI PHẦN CỨNG                                 |
+------------------------------------------------------------------------------------+
|                                                                                    |
|   +-------------------+     +--------------------+     +-----------------------+   |
|   |  Astra 3D Camera  |     | GPS Quectel / M8N  |     |  IMU MPU6000 6-DOF    |   |
|   +-------------------+     +--------------------------------------------------+   |
|   |   Primary Unit    |     |            Support Unit (NVIDIA Jetson TX2)       |   |
|   |  (Multi-Task MTL) | UDP |           - Thuật toán EKF Localization           |   |
|   +----------------------------------------------------------------------------+   |
|   |                   STM32 Central Controller Circuit Board                   |   |
|   |         - Bộ giải mã tín hiệu Absolute Encoder qua SPI/Analog              |   |
|   |         - Bộ điều khiển xung PWM & Direction cho Driver Ezi-Servo          |   |
|   |         - Khối Relay cách ly quang điều khiển chân ga/phanh điện tử         |   |
|   +----------------------------------------------------------------------------+   |
|   |                       Khối cơ cấu chấp hành (Actuators)                    |   |
|   |   - Động cơ bước có phản hồi Ezi-SERVO-PR-MI-56L (Lực kéo trục lái 2.5 N.m)|   |
|   |   - Bộ gá bánh răng giảm tốc truyền động xích tới trục lái Ezgo           |   |
|   |   - Khối van điều khiển chân ga và thắng cơ khí của xe Golf               |   |
|   +----------------------------------------------------------------------------+   |
+------------------------------------------------------------------------------------+

Phương pháp nghiên cứu và quy trình phát triển

Dự án triển khai theo quy trình lai giữa V-Model và Agile:

  • Giai đoạn 1 (02/2023 - 03/2023): Khảo sát cấu trúc cơ khí xe golf Ezgo, giải mã cơ cấu truyền động vô lăng, thiết kế mạch PCB điều khiển trung tâm tích hợp vi điều khiển STM32F4.
  • Giai đoạn 2 (03/2023 - 04/2023): Lắp đặt cụm cảm biến Camera Orbbec Astra, GPS Ublox NEO-M8N, IMU MPU6000; viết driver thu thập dữ liệu đồng bộ mốc thời gian (timestamp).
  • Giai đoạn 3 (04/2023 - 05/2023): Ghi hình thực địa tại campus HCMUTE, dán nhãn dữ liệu bằng công cụ LabelMe; xây dựng, huấn luyện mô hình Multi-Task trên framework PyTorch.
  • Giai đoạn 4 (05/2023 - 06/2023): Tối ưu hóa mô hình bằng TensorRT; lập trình bộ điều khiển PID bám làn và lọc Kalman mở rộng (EKF); chạy thử nghiệm, tinh chỉnh tham số thực địa.

Implementation và kết quả

Kiến trúc mô hình Multi-Task Learning và Cơ sở toán học

Mạng nơ-ron đa nhiệm sử dụng mạng cơ sở (Backbone) ResNet-18 kết hợp với mô-đun chú ý không gian và kênh CBAM (Convolutional Block Attention Module) cùng cấu trúc phân tách giai đoạn CSP (Cross Stage Partial) nhằm trích xuất đặc trưng tối ưu với chi phí tính toán thấp.

                    KIẾN TRÚC MẠNG NƠ-RON ĐA NHIỆM (MTL)
+--------------------------------------------------------------------------+
|                     Input Image (3 x 288 x 800)                          |
+--------------------------------------------------------------------------+
|                   Shared Backbone: ResNet-18 + CBAM                      |
|                  Trích xuất đặc trưng đa quy mô (Features)               |
+---------------------------------+     +----------------------------------+
|       Lane Detection Head       |     |        Scene Parsing Head        |
|  - Dự đoán vị trí vạch kẻ qua   |     |  - Phân đoạn vùng mặt đường lái  |
|    phương pháp phân loại hàng   |     |    được (Drivable Area Mask)     |
|  - Cấu trúc Ultra-Fast (UFLD)   |     |  - Cấu trúc CSP Feature Fusion   |
    Tọa độ vạch làn (Row Anchors)            Mặt nạ nhị phân không gian
                     [Giao thoa & Tinh chỉnh kết quả]
               Khử nhiễu các điểm vạch nằm ngoài mặt đường
  1. Hàm mất mát tổng quát (Total Loss Function): $$\mathcal{L}{total} = \lambda{lane}\mathcal{L}{lane} + \lambda{seg}\mathcal{L}_{seg}$$ Trong đó:
  • $\mathcal{L}{lane}$ bao gồm mất mát phân loại vị trí vạch ($\mathcal{L}{cls}$) và mất mát độ mượt của đường cong ($\mathcal{L}_{sim}$).
  • $\mathcal{L}_{seg}$ là mất mát Cross-Entropy kết hợp Dice Loss cho tác vụ phân vùng điểm ảnh ngữ cảnh.

  1. Chỉ số đánh giá phân đoạn ảnh (mIoU): $$IoU = \frac{|A \cap B|}{|A \cup B|} = \frac{TP}{TP + FP + FN}$$ $$mIoU = \frac{1}{N}\sum_{i=1}^{N} IoU_i$$

  2. Thuật toán điều khiển PID góc lái bám làn: $$u(t) = K_p e(t) + K_i \int_{0}^{t} e(\tau)d\tau + K_d \frac{de(t)}{dt}$$ Trong đó $e(t)$ là khoảng cách lệch tâm (lateral offset) giữa tâm xe và tim đường tính toán từ thuật toán RANSAC kết hợp với góc hướng xe.

# Trích đoạn mã nguồn định nghĩa mô hình Multi-Task bằng PyTorch
import torch
import torch.nn as nn
import torchvision.models as models

class MultiTaskAutonomousNet(nn.Module):
    def __init__(self, num_classes_seg=2, num_lanes=4, num_row_anchors=50, num_gridding=100):
        super(MultiTaskAutonomousNet, self).__init__()
        # Backbone ResNet-18 chia sẻ đặc trưng
        resnet = models.resnet18(pretrained=True)
        self.shared_conv = nn.Sequential(
            resnet.conv1, resnet.bn1, resnet.relu, resnet.maxpool,
            resnet.layer1, resnet.layer2, resnet.layer3, resnet.layer4
        )
        
        # 1. Lane Detection Head (UFLD Formulation)
        self.lane_head = nn.Sequential(
            nn.Conv2d(512, 128, kernel_size=3, padding=1),
            nn.BatchNorm2d(128),
            nn.ReLU(),
            nn.AdaptiveAvgPool2d((1, num_row_anchors)),
            nn.Flatten(),
            nn.Linear(128 * num_row_anchors, (num_gridding + 1) * num_row_anchors * num_lanes)
        )
        
        # 2. Scene Parsing / Drivable Area Head (Segmentation)
        self.seg_head = nn.Sequential(
            nn.Conv2d(512, 128, kernel_size=3, padding=1),
            nn.BatchNorm2d(128),
            nn.ReLU(),
            nn.Upsample(scale_factor=32, mode='bilinear', align_corners=True),
            nn.Conv2d(128, num_classes_seg, kernel_size=1)
        )
        
    def forward(self, x):
        features = self.shared_conv(x)
        lane_logits = self.lane_head(features)
        seg_mask = self.seg_head(features)
        return lane_logits, seg_mask

Triển khai bộ lọc Kalman mở rộng (EKF) cho định vị GPS/IMU

Bộ lọc Kalman mở rộng (EKF) giải quyết bài toán phi tuyến trong chuyển động động học của xe golf:

$$\begin{aligned} \mathbf{x}k &= \begin{bmatrix} x_k & y_k & \theta_k & v_k \end{bmatrix}^T \ \mathbf{x}{k|k-1} &= f(\mathbf{x}_{k-1}, \mathbf{u}_k) + \mathbf{w}k \ \mathbf{P}{k|k-1} &= \mathbf{F}k \mathbf{P}{k-1} \mathbf{F}_k^T + \mathbf{Q}_k \end{aligned}$$

Khi nhận được gói tin NMEA từ GPS (tọa độ UTM $x_{gps}, y_{gps}$) và vận tốc góc $\omega$ từ IMU MPU6000, ma trận đo lường $\mathbf{H}_k$ được tuyến tính hóa qua ma trận Jacobian để cập nhật vector trạng thái $\mathbf{x}_k$ và hiệp phương sai sai số $\mathbf{P}_k$.

+---------------------------------------------------------------------------------+
|                    LƯU ĐỒ THUẬT TOÁN HỢP NHẤT DỮ LIỆU & ĐIỀU KHIỂN             |
+---------------------------------------------------------------------------------+
|                                                                                 |
|   [Khởi tạo hệ thống: Đọc cấu hình Waypoints bản đồ campus & Kết nối cảm biến]  |
|                     [Chụp Frame ảnh từ Orbbec Astra Camera]                     |
|                [Inference TensorRT Model: MTL ResNet-18 (FP16)]                 |
|     [Dự đoán các điểm Lane]                       [Tạo Mask Scene Parsing]      |
|         [Lọc các điểm vạch nằm ngoài vùng Drivable Mask & Fit RANSAC]           |
|        [Tính sai số lệch tâm $e_{lateral}$ & Độ cong góc bám quỹ đạo]           |
|        [Đọc GPS/IMU -> Cập nhật bộ lọc EKF -> Xác định vị trí trên UTM Map]     |
|         [Bộ điều khiển Lateral PID tính toán góc bẻ lái mục tiêu $\delta$]      |
|        [Gửi bản tin điều khiển UART xuống mạch STM32 -> Kích Driver Động cơ]   |
|                                                                                 |
+---------------------------------------------------------------------------------+

Kết quả thử nghiệm và Đánh giá hiệu năng

  • Tập dữ liệu tùy biến (Custom Campus Dataset): Thu thập 4,500 frames hình ảnh trên các cung đường đại học HCMUTE dưới các điều kiện bóng râm, ngược sáng và vật cản phức tạp.
  • Độ chính xác phát hiện làn (Lane Detection Accuracy): Đạt 93.50% trên tập test, giảm thiểu hiện tượng nhận diện nhầm vỉa hè hoặc bóng cây so với mô hình Single-Task.
  • Độ chính xác phân vùng ngữ cảnh (Scene Parsing mIoU): Đạt giá trị tối ưu, đóng vai trò lớp lọc không gian (spatial filter) loại bỏ các điểm giả mạo ngoài mặt đường.
  • Tốc độ xử lý (Inference Latency):
    • Mô hình PyTorch tiêu chuẩn (FP32) trên GPU GTX 1050Ti: ~14.2 FPS (70.4 ms/frame).
    • Mô hình sau khi tối ưu qua NVIDIA TensorRT (FP16 Engine): Đạt 34.0 FPS (~29.4 ms/frame), cải thiện 139.4% về tốc độ, đáp ứng hoàn hảo yêu cầu điều khiển thời gian thực ở vận tốc 15–20 km/h.

Đổi mới và đóng góp

  1. Kiến trúc Multi-Task tinh gọn kết hợp CBAM & CSP: Thay vì vận hành song song hai mạng nơ-ron độc lập gây nghẽn cổ chai tài nguyên phần cứng, mô hình chia sẻ 85% trọng số mạng backbone ResNet-18. Khối Scene Parsing đóng vai trò kiểm duyệt không gian (spatial gating), nâng cao độ chính xác bám làn thêm 11.2% trong điều kiện bị người hoặc phương tiện che khuất.
  2. Cơ cấu điều khiển lái trực tiếp không trợ lực (Direct Steering Actuation without EPS): Đồ án thiết kế thành công giải pháp cơ điện tử tích hợp động cơ bước công suất cao Ezi-Servo cùng Encoder tuyệt đối truyền động trực tiếp trục lái xe Ezgo, đạt sai số góc quay dưới $0.8^\circ$ mà không cần can thiệp hay thay thế hệ thống cơ khí nguyên bản của xe.
  3. Chiến lược hợp nhất đa cảm biến chi phí thấp: Kết hợp Camera RGB, GPS giá rẻ và IMU thông qua EKF, loại bỏ hoàn toàn sự phụ thuộc vào cảm biến LiDAR đắt tiền, giảm tổng chi phí hệ thống xuống dưới 10% so với các cấu hình tự hành thương mại tiêu chuẩn.

Ứng dụng thực tế và triển khai

Kịch bản triển khai thực tế (Real-World Use Cases)

  • Vận chuyển nội bộ thông minh: Vận chuyển sinh viên, cán bộ giảng viên trong các khuôn viên trường đại học diện tích lớn (như HCMUTE, ĐHQG TP.HCM).
  • Du lịch & Nghỉ dưỡng: Phương tiện đưa đón hành khách tự động tại các sân golf, khu nghỉ dưỡng cao cấp (resort), công viên sinh thái với tốc độ giới hạn 15–25 km/h.
  • Logistics nhà máy: Vận chuyển linh kiện, hàng hóa bán thành phẩm giữa các phân xưởng trong các khu chế xuất, khu công nghệ cao.
                   LỘ TRÌNH TRIỂN KHAI THỰC TẾ (ROADMAP)
2023 (Q2)               2023 (Q4)               2024 (Q2)               2024 (Q4)
+--------------+        +--------------+        +--------------+        +--------------+
| ĐATN điểm 10 |        | Cụm RTK-GPS  |        | Tránh vật cản|        | hành Shuttle |
| Mẫu thử số 1 |        | Định vị cm   |        | Radar mmWave |        | Campus HCMUTE|
+--------------+        +--------------+        +--------------+        +--------------+

Phân tích hiệu quả kinh tế (Cost-Benefit Analysis)

  • Chi phí trang bị: Dưới 45 triệu VNĐ cho toàn bộ gói nâng cấp phần cứng (vi xử lý, mạch STM32, camera, servo, GPS/IMU), chỉ chiếm khoảng 15–20% giá trị của một hệ thống tự hành lắp đặt cảm biến LiDAR công nghiệp.
  • Thời gian hoàn vốn (ROI): Ước tính 14–18 tháng thông qua việc cắt giảm chi phí nhân công vận hành xe điện nội bộ tại các khu du lịch quy mô 50–100 hecta.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Độ tin cậy cảm biến GPS: Dữ liệu GPS chưa có trạm tham chiếu vi sai RTK nên sai số định vị trong một số hẻm tòa nhà cao tầng vẫn dao động từ 1.5 – 3.0 m.
  • Điều kiện thời tiết hạn chế: Camera thị giác nhạy cảm với sương mù dày, mưa lớn làm mờ ống kính hoặc hiện tượng lóa sáng cực mạnh khi chiếu trực tiếp vào mặt trời.
  • Tự động hóa hoàn toàn: Hệ thống vẫn cần người vận hành ngồi tại ghế lái để sẵn sàng can thiệp khẩn cấp (Cấp độ tự hành SAE Level 2+).

Hướng phát triển tiếp theo

  • Bổ sung module RTK-GPS để nâng cao độ chính xác định vị đạt mức sai số milimet.
  • Tích hợp mạng cảm biến siêu âm (Ultrasonic Array) hoặc Radar sóng milimet (mmWave Radar) để nhận diện và phanh chủ động khi gặp vật cản bất ngờ trong cự ly gần (< 3 m).
  • Nâng cấp phần cứng máy tính nhúng lên nền tảng NVIDIA Jetson Orin Nano / AGX để xử lý đồng thời mô hình 3D Object Detection và BEV (Bird's Eye View) Perception.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành: Cung cấp tài liệu tham khảo thực chiến về quy trình thiết kế xe tự hành từ cơ khí, mạch điện tử STM32, đến triển khai mô hình học sâu PyTorch/TensorRT.
  • Kỹ sư AI / Robotics: Nắm bắt kỹ thuật tối ưu mạng nơ-ron đa nhiệm (Multi-Task Learning) và phương pháp hợp nhất EKF trên hệ thống nhúng có tài nguyên giới hạn.
  • Doanh nghiệp vận tải & Ban quản lý khu đô thị: Tiếp cận mô hình chuyển đổi xe điện truyền thống thành xe tự hành với chi phí đầu tư thấp, tính khả thi cao.

Câu hỏi thường gặp

1. Yêu cầu phần cứng tối thiểu để triển khai mô hình Multi-Task này là gì?

Hệ thống yêu cầu máy tính nhúng có GPU hỗ trợ CUDA (tối thiểu NVIDIA Jetson Nano/TX2 hoặc GPU rời GTX 1050Ti 4GB VRAM), vi điều khiển STM32F4/F1 cho tác vụ chấp hành cấp thấp, camera RGB độ phân giải tối thiểu 720p 30fps và module GPS hỗ trợ tần số quét $\ge 5\text{ Hz}$.

2. Mô hình xử lý thế nào khi vạch kẻ đường bị mờ hoặc xe đi qua ngã tư không có vạch làn?

Khi vạch kẻ đường bị mất, nhánh Scene Parsing Head vẫn liên tục phân đoạn vùng mặt đường lái được (Drivable Area). Hệ thống tự động chuyển đổi trọng số điều khiển sang chế độ bám theo tọa độ điểm mốc (Waypoint Tracking) từ bản đồ định vị EKF GPS/IMU để vượt qua ngã tư an toàn.

3. Tại sao hệ thống không sử dụng hệ thống trợ lực lái điện (EPS) có sẵn của ô tô?

Xe golf Ezgo nguyên bản là dòng xe điện hạng nhẹ sử dụng cơ cấu trục lái thuần cơ khí (cơ cấu trục vít - thanh răng) không trang bị motor trợ lực điện EPS. Nhóm tác giả đã thiết kế bộ gá động cơ bước Ezi-Servo kết nối qua xích truyền động để điều khiển trực tiếp vô lăng, giúp tiết kiệm chi phí hoán cải khung gầm.

4. Giao thức truyền thông giữa máy tính xử lý trung tâm và mạch STM32 là gì?

Hệ thống sử dụng chuẩn giao tiếp nối tiếp UART/RS232 tốc độ cao (Baudrate 115200 bps) với cấu trúc bản tin nhị phân có mã kiểm tra checksum CRC16. Ngoài ra, Jetson TX2 và Laptop trao đổi dữ liệu vị trí GPS/IMU thông qua giao thức mạng nội bộ UDP Socket.

5. Chi phí chế tạo toàn bộ hệ thống tự hành này khoảng bao nhiêu?

Tổng chi phí linh kiện phần cứng và cảm biến cho dự án dao động trong khoảng 35 – 45 triệu VNĐ (chưa bao gồm khung xe golf có sẵn), tối ưu hơn rất nhiều so với các bộ kit tự hành thương mại nhập khẩu.

Kết luận

Đồ án tốt nghiệp "Nghiên cứu, thiết kế và chế tạo xe golf tự hành dựa trên mô hình Multi-Task và định vị GPS" của sinh viên Tạ Trần Nhật Minh (hướng dẫn bởi PGS. Lê Mỹ Hà) tại HCMUTE là một công trình nghiên cứu ứng dụng xuất sắc, đạt điểm tuyệt đối 10/10 từ Hội đồng chấm bảo vệ. Đề tài đã chứng minh tính khả thi vượt trội trong việc tự hành hóa phương tiện giao thông thực tế bằng giải pháp thị giác đa nhiệm tinh gọn kết hợp định vị cảm biến chi phí thấp. Đây là tiền đề vững chắc cho việc phát triển các phương tiện di chuyển thông minh nội bộ "Make in Vietnam", mở ra tiềm năng thương mại hóa và ứng dụng rộng rãi trong các đô thị thông minh tương lai.