Nghiên Cứu, Thiết Kế và Chế Tạo Chức Năng Tự Hành Cho Xe Điện Dựa Trên Deep Learning

Nghiên cứu về hệ thống tự hành cho xe điện đang trở thành một trong những lĩnh vực… 100 trang · Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh · 2024.

• Tác giả: Trần Văn Hồ
• Người hướng dẫn: PGS. Lê Mỹ Hà
• 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, Thiết Kế, Chế Tạo Chức Năng Tự Hành Cho Xe Điện Dựa Trên Deep Learning
• Loại tài liệu: Đồ Án Tốt Nghiệp
• Năm xuất bản: 2024
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN VỀ ĐỀ TÀI
• 1.1. Lý do chọn đề tài
• 1.2. Mục tiêu đề tài
• 1.3. Đối tượng và phạm vi nghiên cứu
• 1.4. Tình hình nghiên cứu
• 1.4.1. Tình hình nghiên cứu trong nước
• 1.4.2. Tình hình nghiên cứu ngoài nước
• 1.5. Phương pháp nghiên cứu
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Tổng quan về trí tuệ nhân tạo
• 2.1.1. Học máy (Machine Learning)
• 2.1.2. Tổng quan
• 2.2. Xe tự hành
• 2.3. Tiêu chuẩn an toàn của công nghệ xe tự lái
• 2.4. Framework Pytorch và TensorRT
• 2.5. Thuật toán tìm đường tối ưu Dijkstra
• 2.6. Thuật toán điều khiển PID
• 2.7. Hệ thống định vị toàn cầu GPS, AGPS
• 3. CHƯƠNG 3: THIẾT KẾ VÀ XÂY DỰNG HỆ THỐNG
• 3.1. Tổng quan hệ thống
• 3.2. Các thiết bị phần cứng
• 3.2.1. Xe Golf Ezgo
• 3.2.2. Bộ điều khiển từ xa
• 3.2.3. Điều khiển tốc độ
• 3.3. Mô hình đa tác vụ
• 3.4. Mạch điều khiển
• 3.5. Ứng dụng dẫn đường
• 3.5.1. Xây dựng map
• 3.5.2. Thuật toán tìm đường tối ưu Dijkstra
• 3.5.3. Tín hiệu dẫn đường và các chức năng khác
• 3.6. Thuật toán điều khiển
• 3.6.1. Điều khiển góc lái với PID
• 3.6.2. Phát hiện vật cản
• 3.6.3. Kết hợp với tín hiệu GPS
• 3.6.4. Chiến thuật đánh lái
• 4. CHƯƠNG 4: KẾT QUẢ THỰC NGHIỆM
• 4.1. Môi trường đánh giá
• 4.2. Huấn luyện mô hình đa tác vụ
• 4.3. Thu thập và đánh nhãn dữ liệu
• 4.4. Kết quả huấn luyện
• 4.5. Kết quả thực nghiệm xe tự hành trong khuôn viên trường Đại học Sư phạm Kỹ Thuật
• 4.5.1. Kết quả dự đoán của mô hình
• 4.5.2. Kết quả thực nghiệm khả năng tự hành của xe
• 5. CHƯƠNG 5: KẾT LUẬN VÀ KIẾN NGHỊ
• 5.1. Hướng phát triển của đề tài
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về Nghiên Cứu Hệ Thống Tự Hành Cho Xe Điện

Nghiên cứu về hệ thống tự hành cho xe điện đang trở thành một trong những lĩnh vực nóng nhất trong ngành công nghiệp ô tô. Sự phát triển của công nghệ deep learning đã mở ra nhiều cơ hội mới cho việc thiết kế và triển khai các hệ thống tự hành. Mục tiêu chính của nghiên cứu này là phát triển một hệ thống có khả năng tự động lái và tương tác an toàn với môi trường xung quanh. Việc áp dụng trí tuệ nhân tạo trong lĩnh vực này không chỉ giúp cải thiện hiệu suất mà còn nâng cao tính an toàn cho người sử dụng.

1.1. Lịch sử và sự phát triển của xe tự hành

Lịch sử phát triển của xe tự hành bắt đầu từ những năm 1980 với các nghiên cứu ban đầu về trí tuệ nhân tạo. Các công nghệ như mạng nơ-ron và thuật toán học sâu đã được áp dụng để cải thiện khả năng nhận diện và điều khiển xe.

1.2. Tầm quan trọng của deep learning trong xe tự hành

Công nghệ deep learning cho phép xe tự hành nhận diện và phân tích môi trường xung quanh một cách chính xác. Điều này giúp xe có thể đưa ra quyết định nhanh chóng và hiệu quả trong các tình huống giao thông phức tạp.

II. Thách thức trong Nghiên Cứu Hệ Thống Tự Hành

Mặc dù có nhiều tiến bộ, nhưng việc phát triển hệ thống tự hành vẫn gặp phải nhiều thách thức. Các vấn đề như an toàn giao thông, khả năng xử lý dữ liệu lớn và sự tương tác với các phương tiện khác là những yếu tố cần được giải quyết. Đặc biệt, việc đảm bảo an toàn cho người đi bộ và các phương tiện khác trong môi trường giao thông phức tạp là một trong những thách thức lớn nhất.

2.1. Vấn đề an toàn giao thông

An toàn giao thông là một trong những yếu tố quan trọng nhất trong việc phát triển xe tự hành. Các hệ thống cần phải được thiết kế để giảm thiểu rủi ro và đảm bảo an toàn cho tất cả người tham gia giao thông.

2.2. Khả năng xử lý dữ liệu lớn

Hệ thống xe tự hành cần phải xử lý một lượng lớn dữ liệu từ cảm biến và camera. Việc tối ưu hóa khả năng xử lý này là rất quan trọng để đảm bảo hệ thống hoạt động hiệu quả trong thời gian thực.

III. Phương Pháp Nghiên Cứu Hệ Thống Tự Hành Dựa Trên Deep Learning

Nghiên cứu này áp dụng các phương pháp deep learning để phát triển một mô hình đa tác vụ cho xe tự hành. Mô hình này sẽ giúp nhận diện làn đường và các yếu tố khác trong giao thông thông qua phân đoạn hình ảnh và nhận diện đối tượng. Việc sử dụng mô hình đa tác vụ không chỉ giảm áp lực tính toán mà còn đảm bảo hệ thống hoạt động hiệu quả trong thời gian thực.

3.1. Mô hình đa tác vụ trong deep learning

Mô hình đa tác vụ cho phép xử lý nhiều nhiệm vụ cùng một lúc, giúp cải thiện hiệu suất và giảm thiểu thời gian xử lý. Điều này rất quan trọng trong việc phát triển hệ thống tự hành.

3.2. Thuật toán phân đoạn hình ảnh và nhận diện đối tượng

Sử dụng các thuật toán như YOLO và Mask R-CNN giúp xe tự hành nhận diện và phân tích môi trường xung quanh một cách chính xác, từ đó đưa ra quyết định điều khiển phù hợp.

IV. Ứng Dụng Thực Tiễn Của Hệ Thống Tự Hành

Hệ thống tự hành cho xe điện có nhiều ứng dụng thực tiễn trong đời sống. Từ việc vận chuyển hàng hóa đến việc hỗ trợ người khuyết tật, công nghệ này đang dần trở thành một phần không thể thiếu trong xã hội hiện đại. Các ứng dụng này không chỉ giúp tiết kiệm thời gian mà còn nâng cao hiệu quả công việc.

4.1. Vận chuyển hàng hóa tự động

Hệ thống xe tự hành có thể được sử dụng để vận chuyển hàng hóa trong các khu công nghiệp hoặc khu vực đô thị, giúp giảm thiểu chi phí và thời gian vận chuyển.

4.2. Hỗ trợ người khuyết tật

Công nghệ tự hành có thể giúp người khuyết tật di chuyển một cách dễ dàng và an toàn hơn, mở ra nhiều cơ hội cho họ trong cuộc sống hàng ngày.

V. Kết Luận và Tương Lai Của Hệ Thống Tự Hành

Nghiên cứu và phát triển hệ thống tự hành cho xe điện dựa trên deep learning đang mở ra nhiều triển vọng mới cho ngành công nghiệp ô tô. Tương lai của công nghệ này hứa hẹn sẽ mang lại nhiều lợi ích cho xã hội, từ việc giảm thiểu tai nạn giao thông đến việc cải thiện môi trường. Tuy nhiên, cần tiếp tục nghiên cứu và phát triển để giải quyết các thách thức hiện tại.

5.1. Triển vọng phát triển công nghệ tự hành

Công nghệ tự hành dự kiến sẽ tiếp tục phát triển mạnh mẽ trong những năm tới, với sự tham gia của nhiều công ty và tổ chức nghiên cứu. Điều này sẽ thúc đẩy sự đổi mới và cải tiến trong lĩnh vực này.

5.2. Những thách thức cần vượt qua

Mặc dù có nhiều tiềm năng, nhưng vẫn còn nhiều thách thức cần được giải quyết, bao gồm vấn đề pháp lý, đạo đức và an toàn. Cần có sự hợp tác giữa các bên liên quan để phát triển một hệ thống tự hành an toàn và hiệu quả.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Sự phát triển của cuộc Cách mạng Công nghiệp lần thứ tư đã thúc đẩy quá trình tích hợp các công nghệ thông minh như Trí tuệ nhân tạo (AI), Internet vạn vật (IoT) và điện toán biên vào lĩnh vực giao thông vận tải, trong đó xe tự hành (Autonomous Vehicles) đóng vai trò là một hướng nghiên cứu trọng điểm của ngành công nghiệp ô tô toàn cầu. Theo các thống kê và nhận định được trích dẫn trong đồ án, việc ứng dụng xe tự lái có tiềm năng cắt giảm tới 90% các vụ tai nạn giao thông nhờ loại bỏ các sai sót từ người lái. Đồng thời, sự kết hợp giữa hệ truyền động điện và tính năng tự hành góp phần giảm ùn tắc, tiết kiệm năng lượng và hạn chế phát thải ô nhiễm. Báo cáo thị trường của New-Journal cho thấy quy mô thị trường xe tự hành dự kiến tăng thêm 319,41 tỷ USD trong giai đoạn 2022–2027 với tốc độ tăng trưởng kép hàng năm (CAGR) đạt 38,45%. Trên bình diện quốc tế, các tập đoàn công nghệ và sản xuất ô tô như Waymo, Tesla, Uber, Aptiv, Aurora, Baidu hay Pony.AI đã và đang thử nghiệm nhiều giải pháp tự hành từ cấp độ 3 đến cấp độ 4 theo phân loại của Hiệp hội Kỹ sư Ô tô (SAE). Tại Việt Nam, các đơn vị như FPT, Phenikaa-X và VinFast cũng đã triển khai thử nghiệm các dòng xe tự lái trong các khu đô thị và khuôn viên công nghệ.

Xuất phát từ bối cảnh đó, đề tài "Nghiên cứu, thiết kế, chế tạo chức năng tự hành cho xe điện dựa trên Deep Learning" được nhóm tác giả thực hiện nhằm xây dựng một phương tiện tự hành hoạt động trong không gian khuôn viên khép kín (trường đại học, bệnh viện, khu nghỉ dưỡng). Người dùng chỉ cần thiết lập điểm đến trên ứng dụng di động, hệ thống sẽ tự động định tuyến, nhận dạng làn đường, phát hiện vật cản và điều khiển xe di chuyển an toàn đến vị trí yêu cầu.

Nhiệm vụ nghiên cứu của đề tài được xác định qua 5 mục tiêu cụ thể:

1. Thiết kế và triển khai mô hình học sâu đa tác vụ (Multitask Learning) lên phần cứng máy tính nhúng Nvidia Jetson TX2, kết nối với camera và tối ưu hóa xử lý thời gian thực.
2. Thiết kế và chế tạo mạch điều khiển trung tâm cho xe tự hành sử dụng vi điều khiển STM32.
3. Xây dựng ứng dụng dẫn đường trên hệ điều hành Android có khả năng tìm kiếm tuyến đường tối ưu và tuyến đường dự phòng trong khuôn viên trường dựa trên thuật toán Dijkstra, đồng thời gửi tín hiệu chỉ dẫn rẽ hoặc đi thẳng tới hệ thống lái.
4. Xây dựng thuật toán điều khiển góc lái tự động dựa trên bộ điều khiển tỷ lệ - tích phân - vi phân (PID).
5. Tích hợp toàn bộ hệ thống cơ điện tử và phần mềm lên nền tảng xe điện sân golf Ezgo, sau đó tiến hành thử nghiệm thực tế tại khuôn viên Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh.

Đối tượng nghiên cứu của đồ án bao gồm: các ngôn ngữ lập trình Python, Java, C/C++; các thư viện và framework học sâu PyTorch, TensorFlow; các kiến trúc mạng nơ-ron tích chập dùng cho bài toán phân đoạn hình ảnh (Image Segmentation) và nhận diện vật thể (Object Detection); mô hình học đa tác vụ; xe điện sân golf Ezgo; giải thuật tìm đường Dijkstra và giải thuật điều khiển góc lái PID; cùng quy trình phát triển ứng dụng di động Android.

Phạm vi nghiên cứu được giới hạn về mặt không gian trong khuôn viên Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh. Thuật toán điều khiển được thiết kế phù hợp với mật độ giao thông thấp đến trung bình. Về mặt quang học, khả năng định vị làn đường của xe bị giới hạn bởi góc mở (FOV) của camera Astra khi di chuyển trên các cung đường có độ rộng lòng đường lớn. Đồng thời, toàn bộ dữ liệu thực nghiệm và quá trình vận hành được thực hiện trong điều kiện đường thông thoáng để bảo đảm an toàn kỹ thuật.

Cơ sở lý thuyết và phương pháp

Đề tài vận dụng tổng hợp các cơ sở lý thuyết về thị giác máy tính, điều khiển tự động và định vị dẫn đường:

• Lý thuyết mạng nơ-ron tích chập (CNN) và học đa tác vụ: Mạng tích chập được sử dụng để trích xuất đặc trưng hình ảnh qua các lớp tích chập (Convolutional Layer) với các tham số bộ lọc (Filter map), độ trượt (Stride), phần đệm (Padding) và bản đồ đặc trưng (Feature map). Các lớp gom cụm (Pooling Layer gồm Max Pooling và Average Pooling) được sử dụng để giảm số chiều tham số, kết hợp với các hàm kích hoạt phi tuyến như Sigmoid, Softmax, ReLU và Leaky ReLU trước khi đưa qua lớp kết nối đầy đủ (Fully Connected Layer). Thay vì sử dụng hai mạng độc lập, đồ án áp dụng mô hình học đa tác vụ (Multitask Learning) dùng chung một cấu trúc trích xuất đặc trưng (Backbone) và phân nhánh ở phần đầu ra nhằm thực hiện đồng thời hai nhiệm vụ: phân đoạn ngữ nghĩa làn đường (Semantic Segmentation) và nhận diện vật thể giao thông (Object Detection).
• Tối ưu hóa mô hình với PyTorch và TensorRT: Mô hình được huấn luyện trên nền tảng PyTorch nhờ cơ chế đồ thị động (Dynamic Graphs). Để đưa mô hình lên phần cứng nhúng, nhóm tác giả ứng dụng thư viện Nvidia TensorRT nhằm nén và tăng tốc suy luận thông qua 5 kỹ thuật: hiệu chuẩn độ chính xác (Precision Calibration từ FP32 xuống FP16/INT8), gộp lớp và tensor (Layer & Tensor Fusion), tinh chỉnh nhân tự động (Kernel Auto-tuning), quản lý bộ nhớ tensor động (Dynamic Tensor Memory) và thực thi đa luồng (Multiple Stream Execution).
• Thuật toán định tuyến Dijkstra: Được áp dụng để giải quyết bài toán tìm đường đi ngắn nhất trên đồ thị không có trọng số âm, biểu diễn mạng lưới đường nội bộ của trường đại học. So với thuật toán Bellman-Ford (chuyên xử lý đồ thị có cạnh âm nhưng chi phí tính toán cao) và thuật toán A* (đòi hỏi hàm heuristic chính xác), Dijkstra được lựa chọn nhờ tính ổn định và tính khả thi khi triển khai trên bản đồ tĩnh quy mô khuôn viên.
• Thuật toán điều khiển PID: Sử dụng phản hồi vòng kín để điều chỉnh góc lái xe theo thời gian thực dựa trên sai lệch giữa góc hướng hiện tại và góc hướng mục tiêu từ thị giác máy tính kết hợp la bàn số.
• Định vị kết hợp GPS và A-GPS: Tận dụng hệ thống A-GPS (Assisted GPS) tích hợp trên thiết bị di động, kết hợp dữ liệu mạng viễn thông và Wi-Fi để tăng tốc độ khởi tạo vị trí và giảm thiểu sai số mất sóng vệ tinh trong môi trường có nhiều công trình xây dựng.

Phương pháp nghiên cứu thực nghiệm bao gồm: thu thập tập dữ liệu hình ảnh thực tế tại khuôn viên trường; tiến hành gán nhãn thủ công cho tác vụ phân đoạn làn đường bằng công cụ Labelme và gán nhãn khung bao (bounding box) cho tác vụ phát hiện vật cản bằng công cụ LabelImg; huấn luyện mạng đa tác vụ trên máy trạm; nén mô hình sang định dạng TensorRT; lập trình giao tiếp giữa máy tính nhúng Jetson TX2 và vi điều khiển STM32 qua giao thức truyền thông nối tiếp; và kiểm thử khả năng vận hành thực địa của xe điện.

Thiết kế và triển khai hệ thống

Hệ thống xe tự hành được xây dựng trên nền tảng cơ khí của xe điện sân golf Ezgo kết hợp các khối cảm biến, khối xử lý trung tâm và cơ cấu chấp hành:

Thông số kỹ thuật xe Golf Ezgo	Giá trị
Chiều dài tổng thể	240,03 cm
Chiều rộng tổng thể	120 cm
Chiều cao tổng thể	173,99 cm
Chiều dài cơ sở	166,878 cm
Khoảng cách hai bánh trước	86 cm
Khoảng cách hai bánh sau	97 cm
Tỷ lệ truyền động trục sau	12,44:1
Nguồn cấp động lực	36V DC
Bộ sạc	36V – 21 Amps
Hệ thống lái nguyên bản	Trục vít - thanh răng không trợ lực

Để chuyển đổi hệ thống lái cơ khí nguyên bản thành hệ thống lái điện tử (Steer-by-Wire), nhóm tác giả lắp đặt bổ sung động cơ Servo công nghiệp kèm bộ điều khiển và cảm biến phản hồi góc lái:

Thiết bị	Thông số kỹ thuật chính
Động cơ Servo EzM-60	Điện áp 24V DC ±10%; MCU 32-bit; dòng tiêu thụ tối đa 500 mA; tốc độ quay 0–3.000 rpm; điều khiển vòng kín; hỗ trợ chiều quay CW/CCW; 64 bước lệnh chuyển động.
Bộ điều khiển driver EzS-PD-60	Điều khiển vòng kín; nhận xung điều khiển vị trí; tích hợp bảo vệ quá dòng, cảnh báo lỗi; xuất tín hiệu In-Position, Alarm, Encoder Signal qua bộ ghép quang (Photocoupler).
Bộ mã hóa góc quay (Encoder)	Absolute Encoder (loại đo tuyệt đối) 8-bit, độ phân giải 256 xung/vòng, đo góc quay cơ cấu lái trực tiếp nhằm xác định chính xác góc bẻ lái hiện thời.
Bộ điều khiển từ xa	Tay phát Devo 7 và bộ thu RX-601 phục vụ chuyển mạch khẩn cấp hoặc can thiệp điều khiển bằng tay.

Kiến trúc phần mềm và luồng dữ liệu của hệ thống:

1. Tầng cảm biến và định vị: Camera Astra gắn phía trước xe thu thập luồng hình ảnh giao thông gửi về Jetson TX2. Đồng thời, điện thoại thông minh chạy ứng dụng Android tự phát triển thu thập tọa độ A-GPS và tính toán góc phương vị (Bearing Angle). Bản đồ khuôn viên được mô hình hóa thành đồ thị với các nút (node) giao cắt và các cung có hướng biểu diễn đường một chiều hoặc hai chiều; giải thuật Dijkstra chịu trách nhiệm xuất ra lộ trình ngắn nhất cùng tín hiệu điều hướng (rẽ trái, rẽ phải, đi thẳng) tại các nút giao.
2. Tầng tính toán biên (Jetson TX2): Luồng dữ liệu ảnh đi qua mạng nơ-ron đa tác vụ tích hợp các khối SPPF (Spatial Pyramid Pooling - Fast) và PAFPN (Feature Pyramid Attention Module with Positional Encoding). Mô hình xuất ra đồng thời hai kết quả: mặt nạ phân đoạn làn đường (dùng để xác định tim đường và tính toán góc bẻ lái mong muốn) và các khung chữ nhật định vị vật cản (người đi bộ, xe cộ, chướng ngại vật).
3. Tầng điều khiển chấp hành (STM32): Máy tính Jetson TX2 truyền thông điệp điều khiển tốc độ và góc lái mong muốn xuống mạch vi điều khiển STM32. Vi điều khiển thực thi giải thuật PID để điều tiết xung cấp cho driver EzS-PD-60 nhằm xoay động cơ EzM-60 đạt đúng góc lái yêu cầu thông qua phản hồi từ Absolute Encoder 8-bit. Khối điều khiển tốc độ sử dụng mạng relay và mạch công suất can thiệp trực tiếp vào bộ điều tốc 36V của xe Golf Ezgo. Cơ chế xử lý đa luồng (Multithreading) trên Jetson TX2 bảo đảm luồng nhận diện hình ảnh, luồng giao tiếp GPS và luồng điều khiển cơ cấu chấp hành hoạt động song song không gây nghẽn dữ liệu.

Nội dung chính theo từng chương

Chương 1: Tổng quan về đề tài

Chương này trình bày lý do lựa chọn nghiên cứu chức năng tự hành cho xe điện chạy trong khuôn viên, phân tích tính cấp thiết của việc áp dụng trí tuệ nhân tạo vào ngành công nghệ kỹ thuật ô tô nhằm giảm thiểu tai nạn giao thông và bảo vệ môi trường. Tác giả khảo sát chi tiết hiện trạng nghiên cứu công nghệ xe tự lái trên thế giới (Tesla, Waymo, Uber, Aptiv, Aurora) và tại Việt Nam (FPT thử nghiệm xe golf tự hành tại Ecopark và Khu công nghệ cao TP.HCM; Phenikaa-X và VinFast phát triển xe tự hành cấp độ 4). Trên cơ sở đó, chương xác định rõ 5 mục tiêu cốt lõi, đối tượng nghiên cứu (các giải thuật deep learning, mạng đa tác vụ, hệ thống nhúng, xe golf Ezgo) cùng phạm vi và các giới hạn vận hành trong khuôn viên Đại học Sư phạm Kỹ thuật TP.HCM.

Chương 2: Cơ sở lý thuyết

Chương 2 cung cấp nền tảng toán học và kỹ thuật chuyên sâu làm cơ sở cho toàn bộ đồ án. Tác giả trình bày cấu trúc mạng nơ-ron nhân tạo, mạng nơ-ron tích chập (CNN) với cơ chế hoạt động của các lớp tích chập, lớp gom cụm, các hàm kích hoạt và lớp kết nối đầy đủ. Hai bài toán thị giác máy tính chính được đối sánh chi tiết: phát hiện vật thể (mạng một giai đoạn YOLO, SSD, Nanodet và mạng hai giai đoạn R-CNN, Fast R-CNN) và phân đoạn hình ảnh (Semantic Segmentation và Instance Segmentation). Tiếp theo, tác giả trình bày nguyên lý mô hình học đa tác vụ, 6 cấp độ tự hành theo chuẩn SAE, các tiêu chuẩn an toàn kỹ thuật phương tiện (FMVSS). Phần cuối chương phân tích cơ chế tối ưu hóa mô hình với PyTorch và TensorRT (FP16/INT8), thuật toán tìm đường ngắn nhất Dijkstra (so sánh với Bellman-Ford và A*), cấu trúc giải thuật điều khiển phản hồi vòng kín PID (khâu P, khâu I, khâu D) và nguyên lý định vị của hệ thống GPS/A-GPS.

Chương 3: Thiết kế và xây dựng hệ thống

Chương 3 mô tả chi tiết kiến trúc phần cứng và phần mềm của xe tự hành. Về mặt phần cứng, chương cung cấp toàn bộ bảng thông số kỹ thuật của xe điện sân golf Ezgo, động cơ bước/servo EzM-60, bộ điều khiển EzS-PD-60, Absolute Encoder 8-bit, bộ điều khiển vô tuyến Devo 7 / RX-601, máy tính nhúng Nvidia Jetson TX2, camera Astra và mạch vi điều khiển STM32. Về mặt phần mềm, tác giả trình bày sơ đồ thiết kế mạng học đa tác vụ sử dụng cấu trúc PAFPN và SPPF; thiết kế ứng dụng Android dẫn đường trên nền đồ thị khuôn viên trường với thuật toán Dijkstra; và giải thuật điều khiển lái kết hợp giữa nhận diện làn đường, phát hiện vật cản (né chướng ngại vật bằng bounding box), tín hiệu dẫn đường GPS và thuật toán PID góc lái.

Chương 4: Kết quả thực nghiệm

Chương 4 ghi nhận toàn bộ quá trình và kết quả thử nghiệm hệ thống. Tác giả mô tả môi trường thu thập dữ liệu tại HCMUTE, quy trình gán nhãn dữ liệu bằng phần mềm Labelme và LabelImg. Diễn biến quá trình huấn luyện mô hình đa tác vụ được thể hiện qua đồ thị hàm mất mát (loss), giá trị độ chính xác phát hiện vật thể trung bình (mAP) và độ tương đồng phân đoạn làn đường trung bình (mIoU). Tiếp đó, chương trình bày kết quả thực nghiệm xe chạy thực tế trên các cung đường trong khuôn viên trường: xe nhận diện vạch kẻ đường, phát hiện chướng ngại vật và thực hiện động tác né tránh, tự hành đi qua các giao lộ (rẽ trái, rẽ phải, đi thẳng) theo chỉ thị từ ứng dụng dẫn đường di động và tự động dừng lại khi tới đích. Tác giả cũng chỉ ra các trường hợp mô hình dự đoán kém hiệu quả tại các khúc cua gấp.

Chương 5: Kết luận và kiến nghị

Chương cuối tóm tắt mức độ hoàn thành so với mục tiêu ban đầu của đồ án, khẳng định hệ thống xe tự hành đã vận hành đồng bộ giữa phần mềm thị giác máy tính, ứng dụng dẫn đường và cơ cấu chấp hành thực tế. Tác giả đề xuất các hướng phát triển kỹ thuật tiếp theo nhằm nâng cao độ an toàn và mở rộng phạm vi ứng dụng của hệ thống tự hành.

Kết quả và đóng góp

Nghiên cứu đã hoàn thành việc thiết kế, tích hợp và thử nghiệm thực tế hệ thống xe tự hành với các kết quả cụ thể được ghi nhận trong văn bản:

• Hiệu năng xử lý thời gian thực: Sau khi tối ưu hóa mô hình học sâu đa tác vụ bằng thư viện TensorRT trên phần cứng máy tính nhúng Nvidia Jetson TX2, tốc độ xử lý của hệ thống đạt mức 25–26 FPS (khung hình/giây). Tốc độ này đáp ứng hoàn toàn yêu cầu xử lý thị giác theo thời gian thực cho phương tiện di chuyển ở dải vận tốc thấp trong khuôn viên.
• Khả năng vận hành tự hành đồng bộ: Xe điện sân golf Ezgo đã thực hiện thành công các tác vụ điều khiển tự động: bám làn đường theo kết quả phân đoạn ảnh, chủ động điều chỉnh góc lái né tránh chướng ngại vật dựa trên thông tin kích thước và tọa độ bounding box, tiếp nhận tín hiệu từ ứng dụng Android tại các nút giao để rẽ trái, rẽ phải hoặc đi thẳng theo lộ trình của giải thuật Dijkstra, và tự dừng chính xác khi đến điểm kết thúc.
• Giải pháp thiết kế phần cứng và phần mềm kết hợp: Đồ án đề xuất giải pháp tích hợp mô hình học đa tác vụ (Multitask Learning) kết hợp hai nhánh nhận diện làn đường và phát hiện vật thể trên cùng một mạng nơ-ron, giúp tiết kiệm đáng kể tài nguyên tính toán của phần cứng nhúng so với việc chạy song song hai mô hình độc lập. Hệ thống kết hợp cơ cấu lái điện tử sử dụng động cơ servo vòng kín EzM-60 và cảm biến góc quay tuyệt đối (Absolute Encoder) 8-bit, giải quyết được bài toán tự động hóa cơ cấu lái cơ khí không trợ lực của xe golf nguyên bản.

Hạn chế và hướng nghiên cứu tiếp

Dựa trên phạm vi và các kết quả thực nghiệm được nhóm tác giả nêu trong văn bản, đồ án ghi nhận các hạn chế kỹ thuật:

• Độ chính xác nhận diện tại góc cua: Khả năng phân đoạn và phát hiện của mô hình deep learning bị suy giảm chất lượng tại các khúc cua hẹp hoặc đoạn đường vào cua gấp, dẫn đến việc tính toán góc đánh lái chưa thật sự tối ưu ở các góc rẽ lớn.
• Giới hạn góc nhìn của camera: Do chỉ sử dụng một camera hành trình Astra gắn phía trước với góc quan sát cố định, hệ thống gặp khó khăn khi quan sát toàn cảnh các tuyến đường có bề rộng lòng đường lớn hoặc khi chuyển hướng đột ngột tại các giao lộ rộng.
• Điều kiện giao thông thử nghiệm: Dữ liệu thử nghiệm và kịch bản thực nghiệm chủ yếu được thực hiện trong điều kiện đường nội bộ thông thoáng, ít người qua lại nhằm bảo đảm an toàn. Do đó, khả năng ứng phó của xe trong các tình huống giao thông phức tạp, mật độ phương tiện đông đúc bất ngờ vẫn chưa được đánh giá đầy đủ.

Hướng phát triển tiếp theo được đề xuất bao gồm: nâng cấp mô hình học sâu để cải thiện độ chính xác tại các cung đường cua; nghiên cứu bổ sung thêm các cảm biến phụ trợ (như camera góc rộng hoặc cảm biến đo khoảng cách đa hướng) để bao quát môi trường xung quanh xe; và tiếp tục tối ưu hóa thuật toán điều khiển để phương tiện vận hành an toàn trong điều kiện giao thông đông đúc hơn.

Giá trị tham khảo

Đồ án là tài liệu tham khảo kỹ thuật hữu ích cho sinh viên, học viên cao học và các nhóm nghiên cứu thuộc các chuyên ngành Công nghệ Kỹ thuật Ô tô, Kỹ thuật Cơ điện tử, Robot và Hệ thống điều khiển thông minh, hoặc Kỹ thuật Máy tính:

• Tham khảo về kiến trúc hệ thống: Cung cấp giải pháp thực tế về việc chuyển đổi (retrofit) một mẫu xe điện sân golf cơ khí nguyên bản (không có trợ lực lái) thành một hệ thống Steer-by-Wire thông qua động cơ servo công nghiệp, driver điều khiển vòng kín và cảm biến encoder góc tuyệt đối.
• Tham khảo về triển khai AI nhúng: Quy trình huấn luyện mô hình đa tác vụ (kết hợp Image Segmentation và Object Detection) và tối ưu hóa suy luận bằng Nvidia TensorRT trên máy tính nhúng Jetson TX2 đạt tốc độ 25–26 FPS là tài liệu thực hành có giá trị cao cho các dự án thị giác máy tính thời gian thực.
• Tham khảo về tích hợp hệ thống đa tầng: Cách thức phối hợp điều khiển giữa ứng dụng dẫn đường Android (A-GPS, Dijkstra) với máy tính xử lý ảnh (Jetson TX2) và mạch vi điều khiển chấp hành (STM32, giải thuật PID) là mô hình tham khảo toàn diện cho các đề tài đồ án tốt nghiệp về xe tự hành cấp độ thấp.

Câu hỏi thường gặp

1. Hệ thống xe tự hành trong đồ án sử dụng phần cứng xử lý hình ảnh nào và tốc độ khung hình thực tế đạt bao nhiêu?
Hệ thống sử dụng máy tính nhúng Nvidia Jetson TX2 kết nối với camera Astra. Mô hình deep learning đa tác vụ được tối ưu hóa bằng thư viện TensorRT, cho tốc độ xử lý thực nghiệm đạt 25–26 FPS, đáp ứng tốt yêu cầu điều khiển phương tiện theo thời gian thực.

2. Đồ án giải quyết bài toán tự động hóa hệ thống lái của xe Golf Ezgo bằng những thiết bị cơ điện tử nào?
Xe Golf Ezgo nguyên bản không có trợ lực lái điện. Nhóm tác giả đã tích hợp động cơ servo EzM-60 (nguồn 24V DC, điều khiển vòng kín bởi MCU 32-bit), bộ điều khiển driver EzS-PD-60 và cảm biến đo góc lái trực tiếp loại Absolute Encoder 8-bit (độ phân giải 256 xung/vòng) để thực hiện điều khiển góc bẻ lái tự động thông qua vi điều khiển STM32.

3. Ứng dụng dẫn đường trên điện thoại đóng vai trò gì và sử dụng giải thuật nào để định tuyến?
Ứng dụng Android thu thập tín hiệu A-GPS từ điện thoại để xác định vị trí toàn cục của xe trong khuôn viên trường. Bản đồ nội bộ được xây dựng thành một đồ thị có trọng số (biểu diễn các đường một chiều và hai chiều). Ứng dụng sử dụng thuật toán Dijkstra để tính toán tuyến đường ngắn nhất và tuyến đường dự phòng, sau đó gửi các chỉ thị điều hướng (rẽ trái, rẽ phải hoặc đi thẳng) đến hệ thống điều khiển khi xe tiến vào vùng nút giao.

4. Mô hình học sâu trong đề tài thực hiện những nhiệm vụ thị giác nào cùng lúc?
Mô hình sử dụng phương pháp học đa tác vụ (Multitask Learning) với bộ trích xuất đặc trưng chung kết hợp cấu trúc PAFPN và SPPF, sau đó phân nhánh để thực hiện đồng thời hai tác vụ: phân đoạn ngữ nghĩa làn đường (Semantic Segmentation) nhằm duy trì quỹ đạo xe ở giữa làn và phát hiện đối tượng (Object Detection) nhằm định vị chướng ngại vật trên đường di chuyển.

5. Hạn chế lớn nhất được ghi nhận trong quá trình thực nghiệm xe tự hành tại trường là gì?
Kết quả thực nghiệm cho thấy dự đoán của mô hình thị giác máy tính chưa tốt tại các đoạn đường vào cua hoặc góc cua hẹp, do góc mở quan sát của camera bị hạn chế và dữ liệu đường cua có độ phức tạp cao hơn so với các đoạn đường thẳng.

Kết luận

Đồ án tốt nghiệp của nhóm tác giả Trần Văn Hồ và Nguyễn Hoàng Anh Tuấn đã chế tạo và thử nghiệm thành công chức năng tự hành cho xe điện sân golf Ezgo trong khuôn viên Trường Đại học Sư phạm Kỹ thuật TP.HCM. Bằng việc kết hợp mô hình học sâu đa tác vụ tối ưu hóa bằng TensorRT trên Jetson TX2, thuật toán tìm đường Dijkstra trên ứng dụng Android và giải thuật điều khiển góc lái PID trên vi điều khiển STM32, hệ thống đạt tốc độ xử lý 25–26 FPS và hoàn thành an toàn các lộ trình di chuyển thực tế. Công trình là tài liệu tham khảo kỹ thuật có giá trị thực tiễn cao cho các nghiên cứu chuyển đổi xe tự hành và ứng dụng trí tuệ nhân tạo nhúng trong ngành công nghệ kỹ thuật ô tô.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN VỀ ĐỀ TÀI 1. Lý do chọn đề tài Trong những năm gần đây, ngành công nghiệp ô tô đã có nhiều biến chuyển với sự xuất hiện của các xu hướng mới, nổi bật là xe tự hành. Bằng việc được trang bị những tính năng ưu việt và bộ xử lý thông minh, xe tự hành có khả năng "cảm nhận" môi trường xung quanh và tự vận hành mà ít phải phụ thuộc vào sự can thiệp của con người. Và để bắt kịp xu hướng toàn cầu, nền công nghiệp ô tô ở Việt Nam cũng đang nỗ lực nghiên cứu, áp dụng các công nghệ và thiết bị hiện đại.

Hiện nay, khi mà thế giới bước vào cuộc cách mạng công nghiệp lần thứ 4, các công nghệ robot ngày càng được tích hợp rộng rãi trong nhiều lĩnh vực, và trong trường hợp của xe tự hành, sự kết hợp của các mô hình tiên tiến như điện toán biên, Internet of Things (IoT), và đặc biệt là Trí tuệ Nhân tạo (AI) đã mở ra nhiều khả năng mới. Xe tự hành không chỉ thu thập dữ liệu từ cảm biến mà còn có khả năng quan sát, học hỏi từ kinh nghiệm và đưa ra quyết định tự động khi tham gia giao thông. Ứng dụng của xe tự hành không chỉ giải quyết vấn đề tai nạn giao thông mà còn mang lại nhiều lợi ích khác. Dự kiến số lượng tai nạn giao thông sẽ giảm đến 90% khi thay thế lái xe bằng xe tự hành.

Đồng thời, sự phát triển của xe điện kết hợp với tính năng tự hành sẽ cải thiện môi trường và giảm tắc nghẽn giao thông, tiết kiệm nhiên liệu và giảm thiểu khí thải. Nhận thức về tầm quan trọng và xu hướng của xe tự hành, chúng em đã chọn đề tài “Nghiên cứu, thiết kế, chế tạo chức năng tự hành cho xe điện dựa trên Deep Learning”. Với mục đích phát triển một mô hình xe tự hành chạy trong các khuôn viên rộng lớn như trường học, bệnh viện, khu du lịch,… mà trong đó người dùng chỉ cần lựa chọn điểm đến, thì xe có thể tìm và di chuyển một cách an toàn, tối ưu đến điểm đến của mình. Mục tiêu đề tài - Thiết kế và triển khai mô hình máy học đa tác vụ lên các phần cứng Jetson Tx2.

Kết nối với camera và đảm bảo có thể hoạt động với thời gian thực. - Thiết kế và chế tạo bộ điều khiển cho xe tự hành bằng STM32. - Thiết kế một ứng dụng android có thể tìm đường tối ưu, đường dự phòng trong khuông viên trường bằng thuật toán Dijkstra và đưa ra các chỉ dẫn rẻ hay đi thẳng cho xe tự hành. - Xây dựng thuật toán điều khiển góc lái cho xe dựa trên thuật toán điều khiển PID - Triển khai, hoàn thiện các hệ thống trên Xe Golf Ezgo và tiến hành thực nghiệm trong khuôn viên trường Đại học Sư phạm Kỹ Thuật Thành phố Hồ Chí Minh.

Đối tượng và phạm vi nghiên cứu Đối tượng nghiên cứu: Ngôn ngữ Python, Java, C/C++ và các framework Pytorch, Tensorflow. Mạng phân đoạn, phát hiện và nhận diện bối cảnh và vật thể. Mạng học đa tác vụ. Xe Golf Ezgo.

Thuật toán điều khiển PID và thuật toán tối ưu Dijkstra. Thiết kế xây dựng ứng dụng android chỉ đường. Phạm vi nghiên cứu: Xe và ứng dụng chỉ đường chỉ có thể hoạt động trong khuôn viên trường Đại học Sư phạm Kỹ Thuật thành phố Hồ Chí Minh. Thuật toán điều khiển của xe chỉ phù hợp khi di chuyển trên những đoạn đường không quá đông.

Khả năng điều khiển của xe sẽ bị hạn chế khi gặp những đường có độ rộng lớn vì góc của camera bị giới hạn. Trong quá trình thử nghiệm và thu thập thông dữ liệu, để đảm bảo an toàn xe thường di chuyển trên đoạn đường vắng người và thoáng đãng. Vì thế khi một số tình huống bất ngờ như đường quá đông đúc có thể xe sẽ không hoạt động tốt. Tình hình nghiên cứu 1.

Tình hình nghiên cứu trong nước Công nghệ xe tự lái trong nước đang có những bước phát triển tích cực và ngày càng đáp ứng tốt hơn với yêu cầu của ngành giao thông thế hệ mới. Các doanh nghiệp Việt như FPT, Phenikaa-X và VinFast đã đưa ra những giải pháp tiên tiến, đặt nền móng cho sự phát triển của xe tự hành trong thị trường nội địa, chủ động tham gia vào cuộc cách mạng công nghiệp 4.0 và xu hướng phát triển xe tự hành trên thế giới. FPT đã thành công trong việc thử nghiệm công nghệ xe tự hành trên các loại xe thương mại 4 chỗ và xe điện sân golf tại khu công nghệ cao TP. HCM và FPT Complex ở Đà Nẵng.

Đến năm 2019, xe tự hành của FPT đã được thử nghiệm tại khu đô thị Ecopark, mở ra khả năng đặt xe từ xa thông qua ứng dụng trên điện thoại do FPT Software phát triển. 2 Phenikaa-X, vào tháng 5/2021, cũng giới thiệu mẫu xe tự hành đầu tiên của mình, với mục tiêu trở thành công ty công nghệ hàng đầu trong lĩnh vực xe tự hành và robot công nghiệp tại Việt Nam. Mẫu xe của Phenikaa-X được trang bị công nghệ xe tự lái ở cấp độ 4, theo thang đo 5 cấp độ của Hiệp hội Kỹ sư xe hơi (SAE), nơi chiếc xe được coi là hoàn toàn tự động, cho phép người lái thoải mái nghỉ ngơi hoặc rời khỏi ghế lái trong khu vực nhất định. VinFast cũng là một đối thủ đáng chú ý, khi vào tháng 8/2021, họ đã thử nghiệm thành công mẫu xe tự hành cấp độ 4 có khả năng di chuyển với tốc độ tối đa 30 km/h.

VinFast đã tích hợp công nghệ tự lái vào các mẫu xe điện thông minh mới và sẽ triển khai trên các xe buýt điện trong thời gian sớm nhất, điều này là một bước quan trọng cho sự phát triển của ngành công nghiệp xe tự hành trong nước. Ngoài ra, sự gia tăng của các cuộc thi về xe tự hành cũng làm tăng cường môi trường cho việc phổ biến công nghệ này, đồng thời tạo điều kiện cho sự đổi mới và phát triển trong lĩnh vực xe tự hành, giúp nó ngày càng hoàn thiện và đáp ứng đúng xu hướng phát triển công nghệ toàn cầu trong lĩnh vực này. Tình hình nghiên cứu ngoài nước Lĩnh vực xe tự hành đang phát triển mạnh mẽ trên toàn cầu với sự tham gia của nhiều công ty lớn như Uber, Tesla và Waymo (công ty xe tự lái của Google) tại Mỹ, cũng như Auto-X, Baidu, Pony.AI và Xpeng tại các quốc gia khác. Uber, với công nghệ tầm nhìn 360 độ kết hợp giữa camera, radar và cảm biến khác, đang dẫn đầu với số lượng phương tiện trên đường.

Tesla sử dụng 8 camera, cảm biến siêu âm và radar để phát triển công nghệ xe tự hành của mình. Waymo tập trung vào việc tạo ra người "tài xế ảo" giàu kinh nghiệm nhất thế giới với hàng triệu km trải nghiệm lái xe trong thực tế và hàng tỷ tình huống mô phỏng. Aptiv, thông qua giải pháp phần cứng và phần mềm cảm biến, đang đóng vai trò quan trọng trong việc triển khai các tính năng lái xe tự động như kiểm soát hành trình và công nghệ hỗ trợ giữ làn đường. Aurora, tập trung vào phát triển công nghệ tự lái cấp độ 4 trợ lên.

Và theo một nghiên cứu thị trường gần đây của New-Journal [1], thị trường xe tự hành được dự đoán sẽ tăng trưởng với tốc độ nhanh chóng trong những năm tới. Quy mô thị trường dự kiến sẽ tăng thêm 319,41 tỷ USD, tăng tốc với tốc độ CAGR là 38,45% từ 3 năm 2022 đến năm 2027. Nhu cầu tự lái phương tiện ngày càng tăng để thúc đẩy thị trường xe tự lái. Các nhà sản xuất lớn và các công ty công nghệ đều đang đầu tư vào lĩnh vực này.

Tuy hiện tại vẫn còn nhiều hạn chế trong các thuật toán xử lý và các hạn chế về mặt pháp lí và đạo đức song đây vẫn là một trong những lĩnh vực đầy hấp dẫn và đáng mong đợi trong tương lai 1. Phương pháp nghiên cứu - Tìm hiểu và tổng hợp những nghiên cứu về các mạng cho bài toán nhận diện và phân đoạn ứng dụng cho xe tự hành. - Tìm hiểu và tổng hợp những nghiên cứu về bài toán đa tác vụ. - Nghiên cứu và thiết kế mô hình đa tác vụ ứng dụng cho xe tự hành.

- Viết chương trình cho hệ thống và huấn luyện mạng. - Nghiên cứu, xây dựng thuật toán điều khiển và thử nghiệm chúng trong các cuộc thi đua xe tự hành mô phỏng và thực tế với xe mô hình nhỏ - Nghiên cứu, thiết kế bộ điều khiển cho xe tự hành - Xây dựng và thử nghiệm tính chính xác của GPS cũng như là khả năng chỉ đường của ứng dụng - Sử dụng các nguồn tài liệu khác từ Internet 4 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2.1 Tổng quan về trí tuệ nhân tạo Trí tuệ nhân tạo (Artificial Intelligence - AI) là một lĩnh vực trong khoa học máy tính nhằm phát triển các hệ thống có khả năng thực hiện các nhiệm vụ yêu cầu sự hiểu biết, quyết định, và học hỏi mà thông thường đòi hỏi sự tham gia của con người. Mục tiêu của trí tuệ nhân tạo là tạo ra máy tính hoặc hệ thống có khả năng tự động hóa công việc thông minh mà trước đây chỉ có con người mới có thể thực hiện được.1 Học máy (Machine Learning) Học máy, hay Machine Learning (ML) trong tiếng Việt, thuộc lĩnh vực quan trọng của trí tuệ nhân tạo (AI), tập trung vào phát triển thuật toán và mô hình máy tính có khả năng tự học và cải thiện dựa trên dữ liệu xử lý. Khác với cách truyền thống lập trình máy tính để thực hiện công việc cụ thể, học máy cho phép máy tính tự học từ dữ liệu và trải nghiệm để tự động cải thiện hiệu suất theo thời gian.

Các phương pháp chính của học máy bao gồm: - Học giám sát (Supervised Learning): Mô hình được đào tạo trên tập dữ liệu có đầu vào và đầu ra mong muốn. Mục tiêu là học cách ánh xạ từ đầu vào đến đầu ra, giúp mô hình có thể dự đoán đầu ra cho các đầu vào mới. - Học không giám sát (Unsupervised Learning): Mô hình được đào tạo trên tập dữ liệu chỉ có đầu vào mà không có đầu ra mong muốn. Mục tiêu của học không giám sát là khám phá cấu trúc hoặc mối quan hệ trong dữ liệu, như phân cụm hoặc giả định về cấu trúc ẩn.

- Học tăng cường (Reinforcement Learning): Mô hình hoạt động trong một môi trường động và học từ trải nghiệm bằng cách thực hiện hành động và nhận phản hồi từ môi trường. Mục tiêu là tối ưu hóa một hàm thưởng hoặc minh họa.