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.