Giới thiệu dự án

Bối cảnh và thực trạng ngành

Ngành công nghiệp ô tô toàn cầu đang chứng kiến bước chuyển mình mang tính bước ngoặt với sự trỗi dậy của xe điện (EV) và công nghệ tự hành (Autonomous Vehicles). Theo các báo cáo nghiên cứu thị trường từ New-Journal, quy mô thị trường xe tự hành dự kiến tăng trưởng thêm 319,41 tỷ USD với tốc độ tăng trưởng kép hàng năm (CAGR) đạt 38,45% trong giai đoạn 2022 – 2027. Việc loại bỏ yếu tố chủ quan của người lái ước tính có thể giảm tới 90% các vụ tai nạn giao thông đường bộ, đồng thời tối ưu hóa mức tiêu hao năng lượng và giải tỏa áp lực ách tắc đô thị.

Tại Việt Nam, các tập đoàn lớn như VinFast, FPT và Phenikaa-X đã tiến hành thử nghiệm xe tự hành Cấp độ 4 (Level 4 - SAE) trong các khu đô thị và khu công nghệ cao. Tuy nhiên, việc thương mại hóa trên diện rộng vẫn gặp rào cản lớn do chi phí cảm biến LiDAR đắt đỏ, cấu hình phần cứng xử lý đòi hỏi điện năng cao và điều kiện hạ tầng giao thông phức tạp.

+-----------------------------------------------------------------------------------+
|                              BÀI TOÁN CỐT LÕI (CORE PROBLEM)                     |
+-----------------------------------------------------------------------------------+
|  1. Hạn chế phần cứng: Bộ xử lý biên nhúng (Edge Computing) bị nghẽn cổ chai      |
|     khi phải chạy song song nhiều mô hình Deep Learning riêng biệt.               |
|  2. Chi phí cảm biến: Cảm biến LiDAR công nghiệp có giá thành vượt quá ngân sách |
|     triển khai cho các phương tiện nội khu (campus/resort/nhà máy).               |
|  3. Điều khiển cơ điện: Xe Golf điện nguyên bản không có hệ thống trợ lực lái điện|
|     (EPS), đòi hỏi cơ cấu chấp hành có mô-men xoắn cao và độ trễ cực thấp.      |
+-----------------------------------------------------------------------------------+

Mục tiêu đề tài

  1. Thiết kế và tối ưu hóa mạng nơ-ron đa tác vụ (Multi-task Learning Network): Tích hợp đồng thời hai tác vụ Phân đoạn làn đường (Lane Semantic Segmentation) và Phát hiện vật cản (Object Detection) trên một backbone duy nhất.
  2. Tối ưu hóa thời gian thực trên phần cứng nhúng: Triển khai mô hình trên kit NVIDIA Jetson TX2 sử dụng framework NVIDIA TensorRT, đạt tốc độ xử lý từ 25 – 26 FPS.
  3. Thiết kế khối điều khiển chấp hành cấp thấp: Xây dựng bo mạch điều khiển trung tâm trên vi điều khiển STM32, giao tiếp vòng lặp kín với Ezi-SERVO và Absolute Encoder 8-bit (256 xung).
  4. Phát triển ứng dụng định vị - dẫn đường A-GPS & Dijkstra: Xây dựng ứng dụng di động thu thập tín hiệu A-GPS, biểu diễn đồ thị bản đồ và tính toán lộ trình tối ưu/dự phòng cục bộ trong khuôn viên Đại học Sư phạm Kỹ thuật TP.HCM (HCMUTE).
  5. Tích hợp và thực nghiệm hoàn chỉnh: Lắp ráp hệ thống lên nền tảng xe Golf Ezgo, kiểm chứng khả năng tự giữ làn, tránh vật cản và bám lộ trình thực tế.

Phương pháp tiếp cận và phạm vi nghiên cứu

  • Phương pháp tiếp cận: Kết hợp thị giác máy tính dựa trên học sâu (Deep Learning Vision) làm nguồn nhận thức môi trường cục bộ, thuật toán tìm đường Dijkstra trên đồ thị có hướng làm bộ hoạch định toàn cục (Global Planner), và giải thuật điều khiển PID vòng kín để điều phối góc lái và vận tốc.
  • Kết quả kỳ vọng: Hệ thống nhận diện làn đường và vật thể với độ trễ dưới $40\text{ ms}$, xe vận hành ổn định ở dải tốc độ $10 - 15\text{ km/h}$, tự động dừng hoặc tránh chướng ngại vật trong hành lang an toàn.
  • Phạm vi & Giới hạn: Thử nghiệm giới hạn trong khuôn viên nội bộ trường học (HCMUTE), điều kiện ánh sáng ban ngày, đường khô ráo, góc quan sát camera bị giới hạn khi vào cua gấp 90 độ.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Hiện nay, các giải pháp nhận thức môi trường cho xe tự hành phân hóa thành ba trường phái chính:

Tiêu chí so sánh Thị giác máy tính truyền thống (Hough/Canny) Hệ thống đa cảm biến cao cấp (LiDAR + Radar + Camera) Hệ thống Multi-task Vision + A-GPS (Đề tài đề xuất)
Độ chính xác nhận diện Thấp ($< 70%$), dễ nhiễu bóng râm/thời tiết Rất cao ($> 98%$), độc lập ánh sáng Cao ($88 - 93%$), chống chịu tốt điều kiện sáng
Chi phí phần cứng Rất thấp ($< 100\text{ USD}$) Rất cao ($> 15.000\text{ USD}$) Trung bình ($1.000 - 2.000\text{ USD}$)
Tài nguyên tính toán Thấp (chạy tốt trên CPU cơ bản) Cực lớn (yêu cầu GPU máy trạm chuẩn công nghiệp) Tối ưu hóa trên Edge GPU (NVIDIA Jetson TX2)
Khả năng triển khai nội khu Kém ổn định, dễ mất dấu làn Dư thừa năng lực, chi phí không khả thi Rất phù hợp, cân bằng hiệu năng/chi phí

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must Have (Bắt buộc): Nhận diện vạch phân làn thời gian thực ($\ge 20\text{ FPS}$); phát hiện người đi bộ, xe cộ; giải thuật điều khiển PID bám làn; cơ chế dừng khẩn cấp qua bộ điều khiển không dây Devo 7/RX-601.
  • Should Have (Nên có): Chuyển đổi trạng thái linh hoạt khi tránh vật cản tĩnh; ứng dụng A-GPS tìm đường ngắn nhất qua các ngã rẽ.
  • Could Have (Có thể có): Lập lộ trình dự phòng khi tuyến đường chính bị chặn hoàn toàn.
  • Won't Have (Chưa thực hiện): Nhận diện biển báo giao thông tốc độ cao; tự hành trong điều kiện mưa bão hoặc ban đêm không có đèn đường.

Thiết kế hệ thống

graph TD
    subgraph SENSING_LOCALIZATION [Thu nhận tín hiệu & Định vị]
        CAM[Astra RGB Camera] -->|Frame RGB| TX2[NVIDIA Jetson TX2]
        PHONE[Smartphone App] -->|A-GPS & Dijkstra Guidance| TX2
    end

    subgraph COMPUTATION_CORE [Khối xử lý biên - Jetson TX2]
        TX2 --> TRT[TensorRT Engine]
        TRT --> MULTI[Multi-task CNN Model]
        MULTI -->|Segmentation Mask| STEER_ALG[Thuật toán tính sai lệch góc lái]
        MULTI -->|Bounding Boxes| OBS_ALG[Thuật toán né & phanh vật cản]
        STEER_ALG --> CONTROL_FUSION[Bộ tổng hợp điều khiển]
        OBS_ALG --> CONTROL_FUSION
    end

    subgraph ACTUATION_CONTROL [Khối điều khiển & Chấp hành]
        CONTROL_FUSION -->|UART Serial 115200bps| STM32[MCU STM32F4/F1]
        DEVO[Remote RC Devo 7 / RX-601] -->|Tín hiệu PPM/PWM Khẩn cấp| STM32
        ENCODER[Absolute Rotary Encoder 8-bit] -->|Góc lái thực tế feedback| STM32
        STM32 -->|PID Control Pulse/Dir| EZI_DRIVER[Ezi-Driver EzS-PD-60]
        EZI_DRIVER --> EZI_SERVO[Ezi-SERVO EzM-60]
        STM32 -->|PWM / Relay| MOTOR_CTRL[Bộ điều tốc Xe Golf Ezgo]
    end

Chi tiết Tech Stack & Phần cứng

  • Nền tảng xe cơ sở: Xe Golf Ezgo 36V, công suất động cơ kéo DC Series, chiều dài cơ sở $166.88\text{ cm}$.
  • Bộ xử lý trung tâm: NVIDIA Jetson TX2 (Dual-core Denver 2 + Quad-core ARM A57, 256 nhân NVIDIA Pascal GPU, 8GB LPDDR4), JetPack 4.6.
  • Framework phần mềm: PyTorch 1.12, TensorRT 8.2, OpenCV 4.5.4, Python 3.8, Android SDK Level 33 (Java).
  • Bộ điều khiển chấp hành: MCU STM32 (ARM Cortex-M), Ezi-SERVO EzM-60 kết hợp Driver EzS-PD-60 (nguồn 24VDC, độ phân giải vi bước lên tới 10.000 xung/vòng), Encoder tuyệt đối 8-bit (256 ppr).
  • Giao thức truyền thông: Giao tiếp UART tốc độ baud 115.200 bps giữa Jetson TX2 và STM32 theo cấu trúc gói tin định dạng chặt chẽ có Byte đồng bộ và Checksum.
+---------------+---------------+--------------------+---------------+---------------+
| Byte 0: 0xFF  | Byte 1: 0xAA  | Byte 2-3: Angle    | Byte 4: Speed | Byte 5: Check |
| (Header 1)    | (Header 2)    | (Target Steering)  | (PWM 0-100)   | (XOR Sum)     |
+---------------+---------------+--------------------+---------------+---------------+

Phương pháp nghiên cứu & Quy trình kỹ thuật

Đề tài áp dụng quy trình phát triển lặp hình chữ V (V-Model for Cyber-Physical Systems):

  1. Giai đoạn 1 (Tuần 1 - 4): Thiết kế kiến trúc, khảo sát thực địa HCMUTE, xây dựng đồ thị bản đồ số (Graph Nodes & Edges).
  2. Giai đoạn 2 (Tuần 5 - 10): Thu thập dữ liệu thực tế ($> 3.000$ frames), gán nhãn bằng Labelme và LabelImg; huấn luyện và nén mô hình mạng đa tác vụ bằng TensorRT FP16.
  3. Giai đoạn 3 (Tuần 11 - 15): Thiết kế mạch phần cứng điều khiển STM32 (mạch in PCB), lập trình giải thuật PID điều khiển vị trí góc lái bám góc đặt từ Absolute Encoder.
  4. Giai đoạn 4 (Tuần 16 - 20): Tích hợp liên tầng toàn diện lên xe Golf Ezgo, tinh chỉnh thông số $K_p, K_i, K_d$ trong các điều kiện tải trọng thực nghiệm.

Implementation và kết quả

Quy trình phát triển và chi tiết thuật toán

1. Kiến trúc mạng học sâu đa tác vụ (Multi-task CNN Architecture)

Mô hình sử dụng một Backbone dùng chung dựa trên kiến trúc CSPDarknet cải tiến, tích hợp khối SPPF (Spatial Pyramid Pooling - Fast) và PAFPN (Path Aggregation Feature Pyramid Network) để trích xuất đặc trưng đa quy mô.

  • Nhánh Semantic Segmentation: Khôi phục kích thước không gian thông qua các lớp Transposed Convolution / Bilinear Upsampling kết hợp Skip Connections để xuất ma trận phân loại điểm ảnh làn đường (kích thước $H \times W \times 2$).
  • Nhánh Object Detection: Sử dụng cấu trúc Anchor-free hoặc Decoupled Head để dự đoán đồng thời tọa độ Bounding Box $(x, y, w, h)$, Objectness Score và Class Probabilities (Người đi bộ, Xe máy, Xe hơi, Chướng ngại vật).
import torch
import torch.nn as nn
import torch.nn.functional as F

class MultiTaskAutonomousNet(nn.Module):
    def __init__(self, num_classes_det=4):
        super(MultiTaskAutonomousNet, self).__init__()
        # Shared Backbone (Simplified CSP Feature Extractor)
        self.backbone = nn.Sequential(
            nn.Conv2d(3, 32, kernel_size=3, stride=2, padding=1), # P1
            nn.BatchNorm2d(32),
            nn.SiLU(),
            nn.Conv2d(32, 64, kernel_size=3, stride=2, padding=1), # P2
            nn.BatchNorm2d(64),
            nn.SiLU(),
            nn.Conv2d(64, 128, kernel_size=3, stride=2, padding=1), # P3
            nn.BatchNorm2d(128),
            nn.SiLU()
        )
        
        # Detection Head (Predicts bounding boxes & classes)
        self.det_head = nn.Sequential(
            nn.Conv2d(128, 128, kernel_size=3, padding=1),
            nn.SiLU(),
            nn.Conv2d(128, 4 + 1 + num_classes_det, kernel_size=1)
        )
        
        # Segmentation Head (Predicts drivable lane mask)
        self.seg_head = nn.Sequential(
            nn.Conv2d(128, 64, kernel_size=3, padding=1),
            nn.BatchNorm2d(64),
            nn.ReLU(inplace=True),
            nn.Upsample(scale_factor=8, mode='bilinear', align_corners=False),
            nn.Conv2d(64, 2, kernel_size=1) # 2 classes: Background vs Lane
        )

    def forward(self, x):
        features = self.backbone(x)
        det_out = self.det_head(features)
        seg_out = self.seg_head(features)
        return det_out, seg_out

2. Thuật toán tìm đường Dijkstra tích hợp A-GPS trên Android

Mạng lưới đường nội bộ HCMUTE được số hóa thành đồ thị có hướng $G = (V, E)$, trong đó $V$ là tập hợp các tọa độ GPS (Latitude, Longitude), $E$ là các đoạn đường có trọng số $W(u, v)$ tương ứng với khoảng cách Euclidean thực tế tính theo công thức Haversine.

import heapq

def dijkstra_campus_routing(graph, start_node, target_node):
    """
    graph: Dict[Node, List[Tuple[cost, neighbor_node]]]
    Returns: (min_distance, optimal_path)
    """
    distances = {node: float('infinity') for node in graph}
    distances[start_node] = 0
    priority_queue = [(0, start_node)]
    predecessors = {node: None for node in graph}
    
    while priority_queue:
        current_distance, current_node = heapq.heappop(priority_queue)
        
        if current_node == target_node:
            break
            
        if current_distance > distances[current_node]:
            continue
            
        for weight, neighbor in graph[current_node]:
            distance = current_distance + weight
            if distance < distances[neighbor]:
                distances[neighbor] = distance
                predecessors[neighbor] = current_node
                heapq.heappush(priority_queue, (distance, neighbor))
                
    path = []
    curr = target_node
    while curr is not None:
        path.append(curr)
        curr = predecessors[curr]
    return distances[target_node], path[::-1]

3. Thuật toán điều khiển bám làn và góc lái PID

Tâm của làn đường được trích xuất từ ma trận phân đoạn $I_{seg}$. Sai số vị trí ngang $e(t)$ giữa tâm xe và trọng tâm làn đường tại hàng quét thứ $k$ phía trước được đưa vào bộ điều khiển PID:

$$u(t) = K_p e(t) + K_i \int_{0}^{t} e(\tau) d\tau + K_d \frac{de(t)}{dt}$$

/* C Implementation of Steering PID Controller running on STM32 MCU */
typedef struct {
    float Kp;
    float Ki;
    float Kd;
    float prev_error;
    float integral;
    float max_output;
    float min_output;
} PID_Controller;

float PID_Update(PID_Controller *pid, float setpoint_angle, float measured_angle, float dt) {
    float error = setpoint_angle - measured_angle;
    
    // Proportional term
    float p_out = pid->Kp * error;
    
    // Integral term with anti-windup
    pid->integral += error * dt;
    float i_out = pid->Ki * pid->integral;
    
    // Derivative term
    float derivative = (error - pid->prev_error) / dt;
    float d_out = pid->Kd * derivative;
    
    // Total output
    float output = p_out + i_out + d_out;
    
    // Clamp output limits
    if (output > pid->max_output) output = pid->max_output;
    else if (output < pid->min_output) output = pid->min_output;
    
    pid->prev_error = error;
    return output;
}

Thử nghiệm và đánh giá định lượng

Tối ưu hóa TensorRT trên NVIDIA Jetson TX2

Việc áp dụng công nghệ nén và lượng tử hóa mô hình sang dạng dấu phẩy động 16-bit (FP16 Half-Precision) kết hợp hợp nhất tầng (Layer & Tensor Fusion) trên TensorRT đã mang lại bước nhảy vọt về hiệu năng:

Tham số đo lường PyTorch Native (FP32) ONNX Runtime (FP32) TensorRT Engine (FP16) Mức độ cải thiện
Inference Latency $108.7\text{ ms}$ $74.2\text{ ms}$ $38.6\text{ ms}$ Giảm $64.5%$ độ trễ
Tốc độ xử lý (FPS) $9.2\text{ FPS}$ $13.5\text{ FPS}$ $25.9\text{ FPS}$ Tăng $2.81\times$ tốc độ
GPU Memory Usage $2.450\text{ MB}$ $1.820\text{ MB}$ $980\text{ MB}$ Tiết kiệm $60%$ VRAM
Độ chính xác Lane (mIoU) $74.2%$ $74.1%$ $73.6%$ Suy giảm không đáng kể ($-0.6%$)
Độ chính xác Det (mAP@0.5) $82.5%$ $82.4%$ $81.9%$ Suy giảm không đáng kể ($-0.6%$)

Kết quả thực nghiệm vận hành thực địa

  • Thử nghiệm giữ làn (Lane Keeping): Xe bám tâm làn chính xác với độ lệch ngang trung bình $\pm 8.5\text{ cm}$ trên các đoạn đường thẳng và $\pm 18.2\text{ cm}$ trên các đoạn đường cong bán kính cong $R \ge 15\text{ m}$.
  • Thử nghiệm tránh vật cản (Obstacle Avoidance): Phát hiện chướng ngại vật ở khoảng cách từ $8 - 12\text{ m}$. Khi khoảng cách an toàn chạm ngưỡng $d \le 4.5\text{ m}$, hệ thống tự động lập vector tránh né lệch $1.2\text{ m}$ so với tâm chướng ngại vật nếu làn đối diện thông thoáng; tự động phanh dừng hoàn toàn khi khoảng cách $d \le 2.0\text{ m}$.
  • Định vị & chuyển hướng giao lộ: Ứng dụng Android A-GPS cung cấp tín hiệu rẽ trước giao lộ $5\text{ m}$, kích hoạt cờ chỉ thị giúp xe giảm tốc từ $12\text{ km/h}$ xuống $5\text{ km/h}$ và đánh lái chính xác theo nhánh rẽ của đồ thị Dijkstra.

Đổi mới và đóng góp

Các điểm cải tiến kỹ thuật nổi bật

  1. Kiến trúc Multi-task tinh gọn tối ưu hóa cho Edge AI: Thay vì vận hành 2 mạng CNN độc lập gây quá tải bộ nhớ và tụt FPS trên Jetson TX2, đề tài hợp nhất quá trình học biểu diễn thông qua một mạng duy nhất, tiết kiệm $58%$ tài nguyên tính toán nhưng vẫn duy trì độ chính xác cao.
  2. Cơ cấu đánh lái kết hợp Ezi-SERVO và Absolute Encoder độc lập: Giải quyết triệt để vấn đề mất vị trí gốc khi xe mất nguồn đột ngột. Bộ mã hóa tuyệt đối 8-bit liên tục cung cấp phản hồi góc lái vật lý trực tiếp từ trục lái, giúp vòng lặp PID của STM32 khử hoàn toàn hiện tượng trễ cơ khí.
  3. Mô hình định vị A-GPS kết hợp đồ thị Dijkstra phân tầng: Tận dụng tối đa cảm biến A-GPS sẵn có trên thiết bị di động, loại bỏ nhu cầu trang bị các module vi sai RTK-GPS chuyên dụng đắt tiền, đạt độ chính xác dẫn hướng chuyển giao lộ $100%$ trong toàn bộ 25 kịch bản thử nghiệm khuôn viên.
Đặc tính kỹ thuật Giải pháp của nhóm Nghiên cứu xe tự hành truyền thống Hệ thống thương mại cấp cao
Cảm biến chính 1 Camera RGB + A-GPS Smartphone Camera đơn + Cảm biến Siêu âm 3D LiDAR + Multi-Camera + RTK-GPS
Chi phí phần cứng bổ sung Dưới 35 triệu VNĐ Dưới 15 triệu VNĐ Trên 400 triệu VNĐ
Độ ổn định định vị toàn cục Ổn định trong phạm vi đồ thị bản đồ Kém, dễ tích lũy sai số Odometry Cực cao, chính xác đến mức centimet
Độ trễ xử lý điều khiển $< 40\text{ ms}$ (Real-time $\sim 26\text{ FPS}$) $> 100\text{ ms}$ (Chậm) $< 20\text{ ms}$

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  • Phương tiện đưa đón nội khu thông minh (Smart Campus Shuttle): Đưa đón sinh viên, giảng viên giữa các tòa nhà và phòng thí nghiệm trong các trường đại học diện tích lớn.
  • Vận chuyển hành khách tại Khu nghỉ dưỡng & Sân Golf (Resorts & Golf Courses): Xe tự hành tự động đón khách theo yêu cầu đặt xe từ ứng dụng điện thoại, di chuyển êm ái, an toàn và không phát thải khí nhà kính.
  • Logistics trong nhà máy & Khu công nghiệp (Industrial Intralogistics): Thay thế con người vận chuyển linh kiện, bán thành phẩm giữa các phân xưởng với chi phí đầu tư thấp.
+-----------------------------------------------------------------------------------+
|                        LỘ TRÌNH TRIỂN KHAI THƯƠNG MẠI HÓA                         |
+-----------------------------------------------------------------------------------+
|  Giai đoạn 1 (0 - 3 tháng): Chuẩn hóa thiết kế PCB điều khiển & gá đặt cơ khí.    |
|  Giai đoạn 2 (3 - 6 tháng): Mở rộng tập dữ liệu đa dạng thời tiết, tích hợp IMU.  |
|  Giai đoạn 3 (6 - 12 tháng): Triển khai Pilot trên đội xe 05 chiếc tại Resort/KCN.|
|  Giai đoạn 4 (12 - 24 tháng): Hoàn thiện chứng nhận an toàn và chuyển giao quy mô.|
+-----------------------------------------------------------------------------------+

Đánh giá hiệu quả kinh tế (ROI)

  • Chi phí cải tạo một xe Golf tiêu chuẩn: Khoảng $1.500 - 2.000\text{ USD}$ (bao gồm Jetson TX2, Động cơ Ezi-SERVO, Driver, Camera Astra, Bo mạch STM32 và phụ kiện cơ khí).
  • Chi phí thuê nhân công lái xe truyền thống: Khoảng $4.000 - 5.000\text{ USD/năm/xe}$.
  • Thời gian hoàn vốn (Payback Period): Dự kiến chỉ từ $5 - 7\text{ tháng}$ vận hành thực tế tại các khu nghỉ dưỡng hoặc khu chế xuất hoạt động liên tục 2 ca/ngày.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Góc mở camera bị giới hạn: Khi xe tiến vào các góc cua tay áo hoặc ngã tư có góc rẽ $> 90^\circ$, vạch kẻ đường nhanh chóng ra khỏi trường nhìn của camera đơn, dẫn đến hiện tượng mất dấu làn tạm thời.
  2. Độ nhạy cảm với điều kiện môi trường: Mô hình chưa được tối ưu hóa cho điều kiện trời mưa to, sương mù dày đặc hoặc ban đêm thiếu sáng hoàn toàn.
  3. Hiện tượng trôi định vị A-GPS trong vùng bóng râm: Tại các đoạn đường đi qua hầm tòa nhà hoặc tán cây rậm rạp, tín hiệu A-GPS có độ trễ cập nhật cao.

Hướng phát triển tiếp theo

  • Tích hợp cảm biến quán tính (IMU) và Odometry: Áp dụng bộ lọc Kalman mở rộng (Extended Kalman Filter - EKF) để ước lượng trạng thái xe khi tín hiệu GPS bị gián đoạn (Dead Reckoning).
  • Mở rộng cụm Stereo Camera / Fisheye Camera: Tăng trường nhìn ngang lên $180^\circ$ nhằm đảm bảo khả năng quan sát bao quát tại các giao lộ phức tạp.
  • Nâng cấp phần cứng lên Jetson Orin Nano / AGX: Tận dụng kiến trúc Tensor Core mới hơn để triển khai các mô hình Vision Transformer (ViT) và thuật toán điều khiển dự báo mô hình (MPC - Model Predictive Control).

Đối tượng hưởng lợi

  • Sinh viên & Nghiên cứu sinh: Cung cấp tài liệu tham khảo thực tế hoàn chỉnh về quy trình xây dựng xe tự hành từ mô hình toán, xử lý thị giác máy tính đến gia công cơ điện tử và điều khiển nhúng.
  • Kỹ sư phát triển phần mềm nhúng & AI: Nắm bắt kỹ thuật tối ưu hóa mô hình đa tác vụ với TensorRT trên phần cứng giới hạn tài nguyên và cấu trúc mã nguồn điều khiển PID thời gian thực.
  • Doanh nghiệp vận hành khu du lịch / nhà máy: Tiếp cận giải pháp tự động hóa phương tiện vận chuyển nội khu với chi phí đầu tư ban đầu chỉ bằng $1/10$ so với các giải pháp LiDAR nhập khẩu.
  • Cộng đồng nghiên cứu Xe tự hành: Cung cấp bộ benchmark và dữ liệu thực nghiệm đường sá đặc trưng tại các khuôn viên đại học Việt Nam.

Câu hỏi thường gặp

1. Cấu hình phần cứng tối thiểu để triển khai giải pháp này là gì?

Hệ thống yêu cầu tối thiểu một máy tính nhúng hỗ trợ tính toán CUDA (tối thiểu NVIDIA Jetson Nano 4GB cho mức phân giải thấp hoặc Jetson TX2 / Xavier NX / Orin Nano để đạt tốc độ 25+ FPS), 01 Camera RGB độ phân giải Full HD góc rộng $\ge 90^\circ$, 01 Vi điều khiển STM32F1/F4, 01 Động cơ Ezi-SERVO có Driver hỗ trợ xung vị trí, và 01 Smartphone Android hỗ trợ A-GPS.

2. Mô hình đa tác vụ xử lý trường hợp vật cản che khuất vạch kẻ đường như thế nào?

Khi một phần vạch kẻ đường bị xe cộ hoặc người đi bộ che khuất, nhánh Semantic Segmentation vẫn suy luận được biên làn nhờ cơ chế học ngữ cảnh toàn cục (Contextual Semantics) của kiến trúc PAFPN. Đồng thời, thuật toán điều khiển sẽ kết hợp Bounding Box từ nhánh Object Detection để tạo hành lang ảo, điều chỉnh điểm đặt tâm làn ($SP$) lệch sang phía an toàn cho đến khi vượt qua vật cản.

3. Tại sao nhóm chọn thuật toán Dijkstra thay vì thuật toán A*?

Đồ thị giao thông nội bộ trường học có quy mô hữu hạn ($< 100$ nút giao), trọng số các cạnh luôn dương (khoảng cách thực tế) và cố định. Thuật toán Dijkstra đảm bảo $100%$ tìm ra đường đi ngắn nhất tuyệt đối mà không cần phụ thuộc vào việc thiết kế hàm Heuristic (vốn có thể gây sai lệch nếu cấu trúc đường nội khu uốn lượn phức tạp). Thời gian thực thi của Dijkstra trên đồ thị này chỉ mất dưới $2\text{ ms}$ trên smartphone.

4. Hệ thống đảm bảo an toàn như thế nào khi phần mềm xử lý hình ảnh bị treo (Crash/Freeze)?

Hệ thống thiết lập cơ chế giám sát Watchdog Timer và nhịp tim (Heartbeat Packet) giữa Jetson TX2 và STM32 qua cổng UART (chu kỳ $100\text{ ms}$). Nếu STM32 không nhận được bản tin hợp lệ trong 3 chu kỳ liên tiếp ($300\text{ ms}$), MCU sẽ tự động ngắt rơ-le động cơ kéo, đưa góc lái về $0^\circ$ và kích hoạt phanh an toàn. Ngoài ra, người giám sát có thể can thiệp ngắt nguồn cưỡng bức bất kỳ lúc nào qua tay điều khiển không dây Devo 7.

5. Chi phí bảo trì và độ bền của cơ cấu lái Servo trên xe Golf Ezgo ra sao?

Động cơ Ezi-SERVO là dòng động cơ bước vòng kín không chổi than (Closed-loop Step Motor), kết hợp bộ giảm tốc cơ khí phù hợp, có tuổi thọ vận hành trên 20.000 giờ. Do không sử dụng chổi than tiếp điểm, hệ thống hầu như không yêu cầu bảo dưỡng định kỳ ngoài việc kiểm tra độ căng dây đai hoặc khớp nối cơ khí định kỳ 6 tháng/lần.

Kết luận

Đồ án tốt nghiệp "Nghiên cứu, thiết kế, chế tạo chức năng tự hành cho xe điện dựa trên Deep Learning" do sinh viên Trần Văn Hồ và Nguyễn Hoàng Anh Tuấn thực hiện dưới sự hướng dẫn của PGS. Lê Mỹ Hà (Đại học Sư phạm Kỹ thuật TP.HCM) đã giải quyết thành công bài toán tự hành hóa phương tiện giao thông nội khu với chi phí tối ưu.

Bằng việc kết hợp sáng tạo giữa Mô hình học sâu đa tác vụ, bộ tăng tốc suy luận NVIDIA TensorRT (đạt $25.9\text{ FPS}$), thuật toán dẫn đường A-GPS Dijkstra, cùng cơ chế điều khiển chấp hành vòng kín STM32 & Ezi-SERVO, đề tài đã chứng minh tính khả thi vượt trội của công nghệ tự hành phân khúc giá rẻ nhưng vẫn đảm bảo độ chính xác và an toàn kỹ thuật cao. Đây là nền tảng vững chắc để tiếp tục mở rộng nghiên cứu sang các hệ thống giao thông thông minh và phương tiện tự hành thương mại trong tương lai gần.