Bối cảnh và vấn đề nghiên cứu

Đồ án tốt nghiệp "Nghiên cứu, thiết kế và chế tạo hệ thống giám sát người lái" được thực hiện bởi sinh viên Nguyễn Thành Đạt và Huỳnh Trung Hiếu, dưới sự hướng dẫn của ThS. Nguyễn Thiện Dinh tại Bộ môn Động cơ, Khoa Cơ khí Động lực, Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh (khóa 2020, lớp 20145CL3A, nghiệm thu tháng 5 và chỉnh sửa tháng 6 năm 2024).

Lý do chọn đề tài và bối cảnh thực tiễn

Sự phát triển của khoa học kỹ thuật hiện đại đã thúc đẩy sự giao thoa công nghệ sâu rộng trên các dòng ô tô đời mới. Chiếc ô tô ngày nay không chỉ đơn thuần là sự kết hợp cơ khí giữa động cơ và hộp số, mà còn tích hợp các hệ thống điện, điện tử tinh vi cùng mạng lưới truyền thông số như mạng CAN (Controller Area Network), hệ thống cảm biến và các bộ điều khiển điện tử ECU.

Tại Việt Nam, công nghệ xử lý ảnh ngày càng được nghiên cứu và ứng dụng vào lĩnh vực giao thông nhằm giám sát, nhận diện hành vi và giảm thiểu tai nạn giao thông; tiêu biểu là hãng xe VinFast đã giới thiệu tính năng nhận diện gương mặt tài xế để đưa ra cảnh báo khi phát hiện dấu hiệu mệt mỏi, buồn ngủ. Trong môi trường học thuật, các nghiên cứu xử lý ảnh kết hợp máy học cũng mở rộng từ nông nghiệp, xử lý hóa đơn (luận văn ThS. Thân Đức Trường) cho đến lĩnh vực kỹ thuật ô tô như mô phỏng hệ thống đèn Matrix LED trên xe Audi (nghiên cứu của ThS. Nguyễn Thiện Dinh). Trên thế giới, các ứng dụng thị giác máy tính đã được thương mại hóa tiêu biểu như hệ thống Face Connect trên mẫu xe Genesis GV60 (sử dụng camera nhận diện tài xế để mở cửa) hay hệ thống DMS (Driver Monitoring System) trên các dòng xe Subaru (giám sát mất tập trung, cảnh báo mệt mỏi và tự động điều chỉnh ghế, gương). Trước yêu cầu hội nhập công nghệ và cạnh tranh kỹ thuật, việc sinh viên chuyên ngành Công nghệ Kỹ thuật Ô tô tiếp cận xử lý ảnh kết hợp vi xử lý và mạng truyền thông trên ô tô là một yêu cầu thực tiễn cấp thiết.

Mục tiêu và nhiệm vụ nghiên cứu

Mục tiêu tổng quát của đề tài là xây dựng hoàn chỉnh một mô hình hệ thống giám sát người lái dựa trên kỹ thuật xử lý hình ảnh, kết hợp với dữ liệu vận hành từ mạng CAN và hệ thống định vị GPS.

Các nhiệm vụ nghiên cứu được xác định cụ thể trong văn bản gồm 5 nội dung:

  1. Nghiên cứu tổng quan đề tài.
  2. Cơ sở lý thuyết về nhận diện giám sát người lái.
  3. Thiết kế hệ thống nhận diện.
  4. Phát triển thêm hệ thống hỗ trợ người lái kết hợp định vị.
  5. Kết luận và kiến nghị.

Sản phẩm bàn giao của đề tài bao gồm:

  • Một quyển thuyết minh đồ án.
  • Một tệp văn bản Word thuyết minh.
  • Một tệp trình chiếu PowerPoint.
  • Một mô hình phần cứng hệ thống giám sát người lái hoàn chỉnh.

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Ngôn ngữ lập trình Python và các công cụ, mô hình máy học đã được huấn luyện sẵn; nền tảng vi điều khiển Arduino Uno R3 và các module mở rộng chức năng; máy tính nhúng Raspberry Pi 4 Model B; các chuẩn giao tiếp truyền dữ liệu liên thiết bị (CAN Bus, UART, SPI).
  • Phạm vi nghiên cứu: Giới hạn ở việc lập trình chương trình nhận diện trạng thái khuôn mặt người lái trên Raspberry Pi 4 bằng ngôn ngữ Python; sử dụng module CAN Bus Shield kết nối cổng OBD-II của ô tô để trích xuất tín hiệu tốc độ xe (dùng làm điều kiện kích hoạt/tắt chương trình nhận diện); tích hợp module GPS SIM808 nhằm xác định vị trí hiện tại và tự động hiển thị bản đồ điều hướng đến điểm nghỉ chân (nhà hàng, trạm dừng) trong phạm vi bán kính 5 km khi phát hiện trạng thái mệt mỏi.

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và mô hình tính toán

Nghiên cứu ứng dụng các nguyên lý thị giác máy tính và chuẩn truyền thông ô tô bao gồm:

  • Lý thuyết xử lý ảnh số: Quá trình chuyển đổi tín hiệu quang học thu nhận từ cảm biến camera thành tín hiệu số dưới dạng ma trận điểm ảnh (pixel); áp dụng các phép biến đổi hình học, hàm Gaussian giảm nhiễu, làm mịn ảnh và thuật toán phát hiện biên cạnh.
  • Mô hình 68 điểm mốc khuôn mặt (68 facial landmarks): Ứng dụng mô hình trích xuất đặc trưng hình học khuôn mặt có sẵn từ thư viện Dlib nhằm định vị chính xác tọa độ các vùng mắt, mũi, miệng và đường viền khuôn mặt.
  • Chỉ số EAR (Eye Aspect Ratio): Công thức toán học tính toán tỷ lệ khung hình mắt dựa trên khoảng cách giữa các điểm mốc mí trên và mí dưới so với khoảng cách khóe mắt ngang. Khi mắt nhắm lại, giá trị EAR giảm xuống dưới một ngưỡng xác định, làm căn cứ xác định trạng thái buồn ngủ.
  • Chỉ số MAR (Mouth Aspect Ratio) và thuật toán PnP (Perspective and Points): Đo lường tỷ lệ mở của miệng (phát hiện ngáp) và ước lượng tư thế quay đầu không gian 3 chiều (Head Pose) để xác định hướng nhìn của tài xế (nhìn thẳng, nhìn lên, nhìn sang trái, nhìn sang phải).
  • Giao thức CAN (Controller Area Network) và chuẩn OBD-II: Khung truyền dữ liệu vi sai hai dây (CAN High - CANL Low) chuẩn CAN V2.0B tốc độ cao (lên đến 1 Mbps), hỗ trợ định dạng khung chuẩn 11-bit và mở rộng 29-bit; trích xuất dữ liệu vận hành thông qua các mã định danh tham số (PIDs).

Phương pháp nghiên cứu

  • Phương pháp phân tích - tổng hợp lý thuyết: Thu thập, đối chiếu tài liệu kỹ thuật về các thư viện xử lý ảnh nguồn mở (OpenCV, Dlib, MediaPipe), tài liệu phần cứng Raspberry Pi, vi điều khiển ATmega328, và tập lệnh AT của module SIM808.
  • Phương pháp thực nghiệm kỹ thuật và tích hợp hệ thống: Chế tạo mạch ghép nối giữa Arduino Uno R3, CAN Bus Shield (MCP2515), module GPS SIM808 và máy tính nhúng Raspberry Pi 4; thiết lập môi trường thực thi trên hệ điều hành Raspbian (Linux).
  • Phương pháp kiểm thử và khảo sát thực tế: Kết nối trực tiếp hệ thống vào cổng chẩn đoán OBD-II trên ô tô thực tế để đo kiểm khả năng đọc tín hiệu tốc độ xe; mô phỏng các tư thế lái xe và trạng thái buồn ngủ trước camera nhằm đánh giá độ chính xác của các thuật toán nhận diện và phản hồi điều hướng.

Thiết kế và triển khai

Hệ thống giám sát người lái được thiết kế theo kiến trúc module tích hợp đa phần cứng, kết hợp giữa tầng thu thập tín hiệu phương tiện, tầng cảm biến thị giác và tầng xử lý trung tâm.

Kiến trúc phần cứng và sơ đồ kết nối

Toàn bộ hệ thống được phân định thành 3 phân hệ chức năng:

  1. Phân hệ đọc dữ liệu mạng CAN: Sử dụng đầu nối chuẩn OBD-II cắm vào giắc chẩn đoán của ô tô. Đường truyền chỉ sử dụng hai dây tín hiệu là CANH và CANL, được kết nối thông qua 2 đầu DB9 chuyển tiếp đến module CAN Bus Shield. IC MCP2515 trên shield thực hiện chuyển đổi tín hiệu giao tiếp từ chuẩn CAN sang chuẩn SPI để truyền dữ liệu về vi điều khiển Arduino Uno R3.
  2. Phân hệ định vị địa lý (GPS): Module SIM808 nhận tín hiệu vệ tinh qua ăng-ten GPS chuyên dụng, giao tiếp với Arduino Uno R3 qua giao thức nối tiếp bất đồng bộ UART (chân TX/RX) bằng các tập lệnh chuẩn AT.
  3. Phân hệ tính toán thị giác và giao diện người dùng: Máy tính nhúng Raspberry Pi 4 Model B tiếp nhận tín hiệu điều khiển từ Arduino Uno R3 qua chân GPIO/UART. Khi nhận được tín hiệu xác nhận xe đang di chuyển, Raspberry Pi kích hoạt camera USB (PC-LM1E) ghi hình vùng mặt người lái, chạy các luồng xử lý ảnh Python trong thời gian thực và xuất dữ liệu lên màn hình cảm ứng 7 inch qua cổng HDMI.
Thiết bị / Linh kiện Thông số kỹ thuật chi tiết Vai trò chức năng trong hệ thống
Raspberry Pi 4 Model B CPU Quad-core Cortex-A72 (64-bit) @ 1.5GHz; RAM 4GB; nguồn USB-C 5V (tối thiểu 3A); cổng kết nối 40 chân GPIO, 2 cổng micro-HDMI, cổng USB 2.0/3.0. Bộ xử lý trung tâm; chạy hệ điều hành Linux/Raspbian, biên dịch Python, xử lý thuật toán nhận diện và điều khiển màn hình hiển thị.
Arduino Uno R3 Vi điều khiển 8-bit ATmega328; tần số 16MHz; Flash 32KB; SRAM 2KB; EEPROM 1KB; điện áp hoạt động 5V DC; dòng tiêu thụ 30mA; 14 chân Digital I/O; 6 chân Analog. Thu thập dữ liệu tốc độ từ CAN Bus Shield và tọa độ GPS từ SIM808; truyền tín hiệu điều kiện kích hoạt sang Raspberry Pi.
Module CAN Bus Shield IC điều khiển MCP2515; chuẩn CAN V2.0B tốc độ tối đa 1 Mb/giây; giao tiếp SPI tần số đến 10MHz; hỗ trợ khung chuẩn 11-bit và mở rộng 29-bit; điện áp 5–12VDC. Trích xuất tín hiệu vật lý từ đường truyền CANH, CANL trên cổng OBD-II của ô tô và chuyển tiếp sang vi điều khiển.
Module GPS SIM808 Chip SIMCOM SIM808; GPS độ nhạy cao (22 kênh theo dõi, 66 kênh tiếp nhận); hỗ trợ A-GPS; tích hợp modem GSM/GPRS 4 băng tần; giao tiếp UART. Định vị vị trí tọa độ địa lý thời gian thực của xe; cung cấp dữ liệu phục vụ tìm kiếm trạm dừng chân.
Camera USB PC-LM1E Cảm biến CMOS 1/2.9"; độ phân giải 1080p @ 30fps; góc nhìn 65°; khoảng cách lấy nét 0,3–5m; chiếu sáng tối thiểu ≤ 5 lux; định dạng MJPEG/YUV; 2.0 Megapixels. Thu nhận luồng hình ảnh khuôn mặt người lái trong khoang cabin gửi về máy tính nhúng qua giao tiếp USB.
Màn hình cảm ứng 7 Inch Kích thước hiển thị 7 inch chuẩn; độ phân giải 800 × 480 dots; cảm ứng điện dung 5 điểm; giao tiếp hình ảnh HDMI; kích thước 164,9 × 124,27 mm; trọng lượng 380g. Hiển thị giao diện giám sát, trạng thái chuyển động của xe, cảnh báo tài xế và giao diện bản đồ điều hướng.
Dây cáp OBD-II to DB9 Đầu cắm OBD-II chuẩn trên ô tô, kết nối nối dài qua cổng DB9; trích xuất 2 chân CANH và CANL. Kết nối vật lý an toàn vào mạng điều khiển ô tô mà không can thiệp sâu vào hệ thống điện nguyên bản.

Cài đặt môi trường và quy trình phần mềm

  • Cấu hình hệ điều hành: Sử dụng công cụ phần mềm Raspberry Pi Imager trên máy tính để ghi hệ điều hành Raspberry Pi OS (Raspbian) lên thẻ nhớ MicroSD. Kích hoạt tính năng kết nối mạng không dây và dịch vụ điều khiển từ xa RealVNC nhằm thao tác dòng lệnh và giao diện qua máy tính cá nhân.
  • Môi trường lập trình: Thiết lập môi trường Python 3 trên Raspberry Pi; cài đặt các thư viện phụ thuộc chuyên sâu bao gồm OpenCV, Dlib (mô hình dự đoán 68 điểm), MediaPipe-rpi4. Trên máy tính phát triển, chương trình được hỗ trợ gỡ lỗi thông qua Arduino IDE, PyCharm và VSCode.
  • Quy trình logic thuật toán:
    1. Khi xe chưa di chuyển (tốc độ bằng 0 trích xuất từ mạng CAN), hệ thống ở trạng thái chờ, màn hình thông báo xe chưa vận hành.
    2. Khi xe bắt đầu lăn bánh, tín hiệu CAN kích hoạt chân điều khiển xuất điện áp mức cao; Raspberry Pi nhận tín hiệu và khởi động quy trình giám sát thị giác.
    3. Camera quét liên tục vùng mặt; thuật toán tính toán góc xoay đầu (nhìn thẳng, nhìn lên, rẽ trái, rẽ phải). Nếu tài xế lệch hướng nhìn quá thời gian quy định, hệ thống phát cảnh báo mất tập trung.
    4. Thuật toán tính toán chỉ số EAR liên tục; nếu phát hiện mắt nhắm vượt ngưỡng cho phép, hệ thống xác nhận người lái rơi vào trạng thái buồn ngủ.
    5. Khi trạng thái mệt mỏi/buồn ngủ kích hoạt, chương trình tự động trích xuất tọa độ GPS từ SIM808, mở giao diện bản đồ trên màn hình 7 inch và đề xuất danh sách các trạm dừng chân hoặc nhà hàng trong bán kính 5 km.

Nội dung chính theo từng chương

Chương 1. Lí do chọn đề tài

Chương 1 thiết lập tính cấp thiết của việc tích hợp công nghệ đa ngành vào đào tạo và thực tiễn kỹ thuật ô tô. Tác giả phân tích thực trạng ứng dụng xử lý ảnh tại Việt Nam (an ninh, nông nghiệp, nhận dạng hóa đơn và định hướng của VinFast) cùng xu thế phát triển trên thế giới (thư viện OpenCV từ năm 1999, các tính năng thương mại như Genesis Face Connect và Subaru DMS). Từ đó, đề tài xác định rõ 5 nhiệm vụ trọng tâm, 3 nhóm đối tượng nghiên cứu cốt lõi (Python/máy học, phần cứng Arduino/module, chuẩn truyền thông UART/CAN), cùng các sản phẩm bàn giao gồm mô hình vật lý và hệ thống tài liệu kỹ thuật.

Chương 2. Cơ sở lý thuyết về xử lí ảnh trên ngôn ngữ lập trình Python và giới thiệu các phần cứng sử dụng

Nội dung chương trình bày chi tiết nguyên lý nền tảng của thị giác máy tính và các công cụ thực thi. Tác giả phân tích vai trò của ngôn ngữ Python (từ phiên bản 1.0 năm 1994 đến phiên bản 3 hiện tại) cùng các thư viện chuyên dụng: OpenCV (tiền xử lý, ma trận điểm ảnh), Dlib (nổi bật với năng lực trích xuất 68 điểm khuôn mặt theo thời gian thực), và MediaPipe (mô hình máy học tối ưu của Google Research ra mắt năm 2019). Đồng thời, chương 2 công bố toàn bộ bảng thông số kỹ thuật của các thành phần phần cứng được lựa chọn: vi điều khiển Arduino Uno R3 (ATmega328), máy tính nhúng Raspberry Pi 4 Model B (Cortex-A72, 4GB RAM), module GPS SIM808, module CAN Bus Shield MCP2515, camera USB PC-LM1E và màn hình cảm ứng 7 inch.

Chương 3. Thiết lập phần cứng và lý thuyết lập trình các chức năng của hệ thống giám sát người lái

Chương 3 tập trung mô tả chi tiết quy trình thiết lập kỹ thuật và giải thuật điều khiển. Các bước thực hiện bao gồm:

  • Quy trình cài đặt hệ điều hành Raspberry Pi OS thông qua Raspberry Pi Imager, cấu hình môi trường mạng và dịch vụ RealVNC.
  • Quá trình biên dịch và cài đặt các thư viện Dlib, OpenCV và MediaPipe cho phần cứng nhúng.
  • Xây dựng sơ đồ khối và lưu đồ thuật toán tổng thể của hệ thống giám sát người lái (được bổ sung tại trang 59 theo yêu cầu của hội đồng bảo vệ).
  • Cơ sở toán học tính toán chỉ số EAR để nhận diện mắt nhắm và thuật toán PnP ước lượng hướng nhìn.
  • Phương pháp lập trình giao tiếp nối tiếp UART nhận dữ liệu chuỗi NMEA và tập lệnh AT từ module SIM808.
  • Phương pháp lập trình lọc và đọc mã định danh tham số (PIDs) tốc độ xe từ mạng CAN thông qua IC điều khiển MCP2515.
  • Thiết kế thuật toán tự động hiển thị giao diện bản đồ và tìm kiếm các địa điểm nghỉ chân trong bán kính 5 km.

Chương 4. Khảo sát hệ thống giám sát người lái và đánh giá kết quả đạt được

Chương 4 là chương thực nghiệm trọng tâm (được mở rộng và bổ sung theo góp ý của Hội đồng bảo vệ đồ án ngày 07/06/2024). Các kết quả đo đạc và thử nghiệm thực tế được trình bày thành hai giai đoạn:

  1. Khảo sát đơn lẻ các chức năng thu thập tín hiệu:
    • Tín hiệu mạng CAN: Hệ thống kết nối thành công với cổng OBD-II ô tô, trích xuất chuẩn xác dữ liệu tốc độ vận hành, xuất điện áp mức cao kích hoạt đèn LED chỉ thị trạng thái xe chạy.
    • Tín hiệu định vị GPS: Module SIM808 phản hồi chính xác chuỗi dữ liệu tọa độ địa lý về Arduino qua UART.
  2. Khảo sát hệ thống tích hợp hoàn chỉnh:
    • Thử nghiệm trên mô hình lắp đặt thực tế với góc đặt camera tối ưu.
    • Giao diện màn hình 7 inch hiển thị chính xác trạng thái khi xe dừng (chưa di chuyển) và khi xe vận hành (bật chế độ giám sát).
    • Kiểm thử thành công các kịch bản hành vi người lái: nhận diện chính xác tư thế khi tài xế nhìn lên, quay đầu sang trái, quay đầu sang phải và trạng thái nhắm mắt buồn ngủ.
    • Khi phát hiện buồn ngủ, hệ thống kích hoạt thành công giao diện bản đồ, thực hiện hai lần thử nghiệm tìm kiếm tự động các nhà hàng/điểm dừng chân trong phạm vi bán kính 5 km.

Chương 5. Kết luận và kiến nghị

Tổng kết toàn bộ mức độ hoàn thành nhiệm vụ thiết kế, chế tạo và thử nghiệm hệ thống giám sát người lái; đồng thời đề xuất các định hướng cải tiến kỹ thuật cho đề tài ở các giai đoạn nghiên cứu tiếp theo (bổ sung tại trang 81).

Kết quả và đóng góp

Kết quả kỹ thuật đạt được

  • Chế tạo hoàn chỉnh mô hình vật lý: Tích hợp thành công các khối phần cứng rời rạc (Raspberry Pi 4, Arduino Uno R3, CAN Bus Shield MCP2515, SIM808, camera PC-LM1E, màn hình 7 inch) thành một thiết bị giám sát người lái đồng bộ, hoạt động ổn định với nguồn cấp bảo vệ qua bộ chuyển đổi nguồn USB-C.
  • Khai thác dữ liệu mạng CAN ô tô: Đọc thành công dữ liệu tốc độ xe theo thời gian thực từ cổng chẩn đoán OBD-II (thông qua hai chân vật lý CANH và CANL), dùng làm điều kiện chuyển mạch logic an toàn cho hệ thống.
  • Độ tin cậy của thuật toán thị giác: Áp dụng hiệu quả mô hình 68 điểm mốc của Dlib và chỉ số EAR, phân biệt rõ ràng trạng thái mở mắt bình thường và nhắm mắt buồn ngủ; xác định chuẩn xác các hướng lệch đầu của tài xế (nhìn lên, nhìn sang trái, nhìn sang phải).
  • Hệ thống điều hướng tự động: Kết hợp thành công dữ liệu định vị toàn cầu GPS từ SIM808 với giao diện bản đồ số, thực hiện hiển thị trực quan và tự động truy xuất các điểm dừng chân, nhà hàng trong bán kính 5 km.
  • Tiêu chuẩn học thuật: Đồ án vượt qua kiểm tra liêm chính học thuật với tỷ lệ trùng lặp toàn văn đạt 12% và tỷ lệ trùng lặp từ một nguồn cao nhất là 5% (theo biên bản kiểm tra đạo văn ngày 22/05/2024).

Giải pháp và kiến nghị của tác giả

Sau phiên bảo vệ ngày 07/06/2024, nhóm tác giả đã nghiêm túc tiếp thu các ý kiến đóng góp của Hội đồng (do GVC. Huỳnh Quốc Việt phản biện và ThS. Nguyễn Thiện Dinh hướng dẫn) và hoàn thiện các nội dung:

  • Bổ sung dữ liệu thực nghiệm chi tiết cho Chương 4.
  • Bổ sung sơ đồ lưu đồ thuật toán điều khiển tổng thể tại trang 59.
  • Bổ sung mục hướng phát triển và hoàn thiện đề tài tại trang 81.

Đóng góp thực tiễn của đề tài

Đồ án mang tính ứng dụng thực tiễn cao khi kết nối thành công chuyên môn kỹ thuật ô tô truyền thống (động cơ, hệ thống điện thân xe, mạng truyền thông CAN) với công nghệ thông tin hiện đại (xử lý ảnh nhúng, trí tuệ nhân tạo, hệ thống nhúng). Đây là mô hình thử nghiệm trực quan phục vụ công tác học tập, nghiên cứu cho sinh viên chuyên ngành Công nghệ Kỹ thuật Ô tô tại Trường Đại học Sư phạm Kỹ thuật TP.HCM trong việc tiếp cận các hệ thống hỗ trợ lái xe an toàn tiên tiến (ADAS).

Hạn chế và hướng nghiên cứu tiếp

Hạn chế được ghi nhận

Căn cứ trên văn bản thuyết minh và biên bản hội đồng, hệ thống còn tồn tại một số điểm giới hạn:

  • Tài nguyên tính toán phần cứng: Việc xử lý đồng thời các luồng video 1080p, thuật toán định vị 68 điểm mốc khuôn mặt và hiển thị bản đồ trên vi xử lý Raspberry Pi 4 Model B gặp giới hạn nhất định về tốc độ khung hình và hiệu năng xử lý đa nhiệm khi so sánh với máy tính hiệu năng cao.
  • Phụ thuộc điều kiện môi trường: Cảm biến camera PC-LM1E yêu cầu mức chiếu sáng tối thiểu ≤ 5 lux, do đó khả năng nhận diện có thể bị ảnh hưởng trong điều kiện lái xe ban đêm hoặc môi trường ánh sáng thay đổi đột ngột.
  • Giới hạn chức năng bản đồ: Bán kính quét điểm dừng chân hiện đang thiết lập cố định ở mức 5 km và phụ thuộc vào kết nối mạng dữ liệu.
  • Mức độ tích hợp mạng CAN: Hệ thống mới chỉ dừng lại ở việc đọc tín hiệu tốc độ xe để bật/tắt chức năng giám sát, chưa đọc và xử lý các thông số vận hành chuyên sâu khác (như góc đánh lái, hành trình bàn đạp ga/phanh).

Hướng phát triển tiếp theo

Theo định hướng bổ sung tại trang 81 của đồ án:

  • Nâng cấp bộ vi xử lý trung tâm lên Raspberry Pi 5 (cho hiệu năng tính toán cao gấp 2 đến 3 lần thế hệ Pi 4) nhằm tối ưu hóa độ mượt mà và giảm độ trễ thuật toán.
  • Bổ sung camera cảm biến hồng ngoại chuyên dụng để hệ thống nhận diện ổn định trong điều kiện khoang lái hoàn toàn không có ánh sáng.
  • Mở rộng thuật toán đọc mạng CAN để khai thác thêm nhiều tham số vận hành của xe (như vị trí bướm ga, áp suất phanh, cảm biến làn đường) nhằm nâng cao độ chính xác khi đánh giá hành vi mất tập trung của người lái.
  • Tích hợp thêm các phương thức cảnh báo vật lý đa kênh như cảnh báo âm thanh đa cấp độ hoặc cơ cấu rung vô lăng.

Giá trị tham khảo

Tài liệu đồ án này có giá trị ứng dụng và tham khảo đối với:

  • Sinh viên các ngành Công nghệ Kỹ thuật Ô tô, Kỹ thuật Cơ điện tử, Kỹ thuật Điều khiển và Tự động hóa: Tài liệu cung cấp hướng dẫn rõ ràng về cách trích xuất dữ liệu thực tế từ cổng chẩn đoán OBD-II qua mạng CAN Bus bằng phần cứng giá rẻ (MCP2515 kết hợp Arduino), là nền tảng phục vụ cho các đồ án tốt nghiệp liên quan đến hệ thống điện tử ô tô thông minh.
  • Người nghiên cứu các hệ thống hỗ trợ lái xe ADAS/DMS: Tài liệu là một ca nghiên cứu cụ thể về việc triển khai các thư viện thị giác máy tính mã nguồn mở (OpenCV, Dlib, MediaPipe) trên các hệ thống nhúng Linux tài nguyên hạn chế.
  • Các phần nội dung đáng tham khảo nhất:
    • Sơ đồ mạch và kỹ thuật đo thông mạch trích xuất hai chân CANH, CANL trên cáp chuyển đổi OBD-II sang DB9 (Hình 2.12, Hình 2.13).
    • Quy trình cấu hình hệ điều hành Raspbian và cài đặt môi trường thư viện Dlib, MediaPipe trên máy tính nhúng Raspberry Pi 4 (Chương 3).
    • Phương pháp xây dựng giải thuật nhận diện buồn ngủ dựa trên chỉ số EAR 68 điểm mặt và lưu đồ thuật toán hệ thống tại trang 59.

Câu hỏi thường gặp

1. Hệ thống giám sát người lái trong đề tài phân chia nhiệm vụ giữa các phần cứng như thế nào?

Hệ thống sử dụng cơ chế điều khiển phân tầng: Vi điều khiển Arduino Uno R3 kết hợp CAN Bus Shield (MCP2515) đảm nhận nhiệm vụ đọc tín hiệu tốc độ từ mạng CAN qua cổng OBD-II và nhận tọa độ GPS từ module SIM808 qua UART. Máy tính nhúng Raspberry Pi 4 Model B (4GB RAM) đóng vai trò là bộ xử lý trung tâm, tiếp nhận tín hiệu kích hoạt từ Arduino, thu thập luồng video từ camera PC-LM1E, thực thi các thuật toán xử lý ảnh Python (OpenCV, Dlib) và xuất kết quả cảnh báo/bản đồ lên màn hình cảm ứng 7 inch.

2. Tín hiệu tốc độ xe từ mạng CAN đóng vai trò gì trong hoạt động của hệ thống?

Tín hiệu tốc độ xe được trích xuất từ cổng OBD-II (thông qua hai đường truyền vi sai CANH và CANL) đóng vai trò làm điều kiện chuyển mạch logic an toàn. Khi xe chưa di chuyển (tốc độ bằng 0), hệ thống nhận diện ở trạng thái chờ nhằm tiết kiệm tài nguyên tính toán; màn hình hiển thị trạng thái xe chưa lăn bánh. Chỉ khi phát hiện xe đang vận hành trên đường, vi điều khiển mới kích hoạt tín hiệu cho Raspberry Pi khởi chạy chương trình giám sát thị giác người lái.

3. Thuật toán phát hiện tài xế nhắm mắt (buồn ngủ) hoạt động dựa trên cơ sở nào?

Thuật toán dựa trên mô hình 68 điểm mốc khuôn mặt (facial landmarks) được cung cấp bởi thư viện Dlib. Chương trình tính toán chỉ số tỷ lệ khung hình mắt EAR (Eye Aspect Ratio) dựa trên khoảng cách giữa các điểm mí trên, mí dưới và hai khóe mắt. Khi người lái nhắm mắt, khoảng cách giữa các mí mắt co lại làm chỉ số EAR giảm xuống dưới một ngưỡng xác định; nếu hiện tượng này kéo dài liên tục, hệ thống sẽ kích hoạt cảnh báo buồn ngủ.

4. Hệ thống phản hồi như thế nào khi phát hiện tài xế rơi vào trạng thái mệt mỏi hoặc mất tập trung?

Khi phát hiện tài xế mất tập trung (nhìn lên, nhìn sang trái hoặc nhìn sang phải lệch hướng quá lâu), hệ thống sẽ hiển thị cảnh báo tương ứng trên màn hình 7 inch. Khi phát hiện tài xế nhắm mắt buồn ngủ, hệ thống sẽ tự động kích hoạt chức năng định vị từ module SIM808, hiển thị giao diện bản đồ và tự động đề xuất danh sách các điểm dừng chân hoặc nhà hàng gần nhất trong bán kính 5 km để người lái nghỉ ngơi.

5. Nhóm tác giả đã thực hiện những chỉnh sửa, bổ sung cụ thể nào theo yêu cầu của Hội đồng đánh giá ngày 07/06/2024?

Theo bản xác nhận chỉnh sửa đồ án tốt nghiệp, nhóm tác giả đã bổ sung ba nội dung quan trọng:

  1. Bổ sung nội dung thực nghiệm và phân tích chuyên sâu cho phần kết quả sinh viên thực hiện tại Chương 4.
  2. Bổ sung sơ đồ lưu đồ thuật toán hoàn chỉnh của hệ thống giám sát người lái tại trang 59.
  3. Bổ sung chi tiết các định hướng phát triển hệ thống trong tương lai tại trang 81.

Kết luận

Đồ án tốt nghiệp "Nghiên cứu, thiết kế và chế tạo hệ thống giám sát người lái" của sinh viên Nguyễn Thành Đạt và Huỳnh Trung Hiếu đã chế tạo thành công một mô hình nhúng tích hợp hoàn chỉnh, kết hợp hiệu quả giữa mạng truyền thông ô tô (CAN/OBD-II), công nghệ định vị vệ tinh (GPS SIM808) và kỹ thuật thị giác máy tính (Python, OpenCV, Dlib). Hệ thống giải quyết trọn vẹn chu trình kỹ thuật từ việc trích xuất tín hiệu vận hành thực tế của xe, nhận diện chính xác các hành vi mất tập trung và buồn ngủ của tài xế qua chỉ số EAR, cho đến giải pháp hỗ trợ điều hướng tự động đến điểm dừng chân trong bán kính 5 km. Đề tài thể hiện năng lực ứng dụng kiến thức liên ngành vững chắc, đáp ứng các tiêu chuẩn học thuật của Trường Đại học Sư phạm Kỹ thuật TP.HCM và là tài liệu kỹ thuật có giá trị tham khảo cao cho các nghiên cứu phát triển hệ thống an toàn chủ động ADAS trên ô tô.