QUADCOPTER BÁM THEO VẬT THỂ DỰA TRÊN MÔ HÌNH XỬ LÝ ẢNH DEEP-LEARNING

Luận văn về quadcopter tự động bám theo vật thể, ứng dụng deep learning xử lý ảnh. Nghiên cứu kỹ thuật điều khiển và tự động hóa tiên tiến.

• Tác giả: Nguyễn Phúc Khôi
• Người hướng dẫn: PGS. Huỳnh Thái Hoàng
• Trường học: Đại học Bách Khoa
• Chuyên ngành: Kỹ thuật Điều khiển và Tự động hóa
• Đề tài: Quadcopter Bám Theo Vật Thể Dựa Trên Mô Hình Xử Lý Ảnh Deep-Learning
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2020
• Địa điểm: Hồ Chí Minh

Mục lục chi tiết

• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: OVERVIEW
• 1.1. History of Unmanned Aerial Vehicles
• 1.2. UAV Classification and Applications
• 1.2.1. Classification according to size
• 1.2.2. Classification According to Range and Endurance
• 1.3. Objective of Study
• 1.4. Outline of the thesis
• 1.5. Convolutional Neural Network (CNN) and YOLOv3 Algorithm
• 1.5.1. Convolutional Neural Network (CNN)
• 1.5.2. Fully connected layer
• 1.5.3. Anchor Box Algorithm
• 1.5.4. Fuzzy Logic – Inference System (FIS)
• 1.6. Quadcopter system overview
• 1.6.1. Video transmitter and receiver
• 1.6.2. Brushless DC Motors
• 1.6.3. Electronic Speed Controller (ESC)
• 1.6.4. Quadcopter control diagram
• 1.7. Training model for object detection
• 1.7.1. Collecting images data
• 1.7.2. Train model on Google Colab
• 1.7.3. Calculate object position
• 1.7.4. Fuzzy logic algorithm
• 2. RESULT AND FUTURE DEVELOPMENT
• 2.1. Object recognition result
• 2.2. Fuzzy logic result
• PHỤ LỤC
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Quadcopter Theo Dõi Vật Thể Ứng Dụng AI

Quadcopter, hay còn gọi là drone, đã trở nên vô cùng phổ biến trong những năm gần đây, không chỉ với những người có sở thích mà còn trong nghiên cứu học thuật và các dự án khởi nghiệp. Sự phát triển vượt bậc về khả năng tự động hóa, thực hiện các nhiệm vụ phức tạp và ra quyết định độc lập đã đưa UAV lên một tầm cao mới. Ứng dụng deep learning và xử lý ảnh đã mở ra những tiềm năng to lớn cho việc phát triển các hệ thống quadcopter theo dõi vật thể thông minh. Các hệ thống này có thể được sử dụng trong nhiều lĩnh vực, từ giám sát an ninh đến cứu hộ, nông nghiệp và giao thông. Công nghệ này đang ngày càng trở nên quan trọng trong thế giới hiện đại. Theo một nghiên cứu, “UAV đã đạt được những bước tiến vượt bậc về tự động hóa, khả năng thực hiện các nhiệm vụ phức tạp và khả năng đưa ra quyết định độc lập” (trích dẫn từ tài liệu gốc).

1.1. Lịch Sử Phát Triển Của UAV và Quadcopter Theo Dõi

Lịch sử phát triển của UAV bắt đầu từ khá sớm, với những ứng dụng sơ khai trong quân sự. Từ những quả bóng bay chở thuốc nổ của Áo năm 1849 đến các máy bay không người lái trinh sát trong Thế chiến thứ nhất, công nghệ này đã trải qua một quá trình phát triển liên tục. Những năm gần đây, sự ra đời của quadcopter với khả năng bay lượn linh hoạt và tích hợp các công nghệ như camera độ phân giải cao, hệ thống định vị toàn cầu (GPS) và cảm biến đã tạo ra một cuộc cách mạng trong lĩnh vực này. Sự phát triển của deep learning và computer vision đã cho phép quadcopter không chỉ bay mà còn 'nhìn' và 'hiểu' thế giới xung quanh, mở ra khả năng theo dõi vật thể một cách tự động và chính xác.

1.2. Phân Loại Quadcopter Theo Kích Thước và Phạm Vi Hoạt Động

Quadcopter được phân loại theo nhiều tiêu chí, bao gồm kích thước, phạm vi hoạt động và mục đích sử dụng. Theo kích thước, chúng ta có các loại từ rất nhỏ (như côn trùng) đến lớn (sử dụng cho các hoạt động quân sự). Theo phạm vi hoạt động, có các loại tầm ngắn (5km) đến tầm xa (vài trăm km). Việc lựa chọn loại quadcopter phù hợp phụ thuộc vào yêu cầu cụ thể của ứng dụng. Các loại UAV tầm ngắn thường được sử dụng cho mục đích trinh sát và giám sát, trong khi các loại tầm xa có thể được sử dụng để thu thập dữ liệu khí tượng hoặc thực hiện các nhiệm vụ chiến đấu.

II. Thách Thức Trong Thiết Kế Quadcopter Theo Dõi Vật Thể AI

Mặc dù tiềm năng của quadcopter theo dõi vật thể là rất lớn, nhưng việc phát triển một hệ thống hoạt động hiệu quả và ổn định không phải là điều dễ dàng. Có nhiều thách thức cần phải vượt qua, từ việc lựa chọn phần cứng phù hợp đến việc phát triển các thuật toán deep learning và xử lý ảnh đủ mạnh để hoạt động trong môi trường thực tế. Các vấn đề như thời gian bay hạn chế, điều kiện thời tiết khắc nghiệt và khả năng xử lý nhiễu cũng cần được xem xét cẩn thận. Cần phải có những giải pháp sáng tạo để giải quyết những thách thức này. Theo Carlos A. Munoz, việc theo dõi vật thể bằng Kinect camera cũng gặp nhiều khó khăn (trích dẫn từ tài liệu gốc).

2.1. Giới Hạn Về Nguồn Điện và Thời Gian Hoạt Động của Drone

Một trong những hạn chế lớn nhất của quadcopter hiện nay là thời gian bay có hạn. Hầu hết các drone chỉ có thể hoạt động liên tục trong khoảng 20-30 phút trước khi cần phải sạc lại pin. Điều này gây khó khăn cho việc triển khai các ứng dụng theo dõi vật thể trong thời gian dài. Để giải quyết vấn đề này, các nhà nghiên cứu đang tìm kiếm các giải pháp như sử dụng pin có dung lượng lớn hơn, phát triển các hệ thống sạc không dây và tối ưu hóa hiệu suất động cơ.

2.2. Ảnh Hưởng Của Điều Kiện Thời Tiết Đến Khả Năng Theo Dõi

Điều kiện thời tiết, chẳng hạn như gió mạnh, mưa hoặc sương mù, có thể ảnh hưởng đáng kể đến khả năng theo dõi vật thể của quadcopter. Gió mạnh có thể làm mất ổn định drone, trong khi mưa hoặc sương mù có thể làm giảm tầm nhìn của camera. Để giải quyết vấn đề này, cần phải phát triển các thuật toán xử lý ảnh có khả năng loại bỏ nhiễu và cải thiện chất lượng hình ảnh trong điều kiện thời tiết xấu, đồng thời thiết kế quadcopter có khả năng chống chịu thời tiết tốt hơn.

2.3. Độ Chính Xác và Tốc Độ Xử Lý Trong Môi Trường Thực Tế

Trong môi trường thực tế, quadcopter phải đối mặt với nhiều thách thức như ánh sáng thay đổi, vật thể di chuyển nhanh và các vật cản. Để theo dõi vật thể một cách hiệu quả, hệ thống cần phải có độ chính xác cao và tốc độ xử lý nhanh. Điều này đòi hỏi việc sử dụng các thuật toán deep learning tiên tiến và phần cứng mạnh mẽ. Ngoài ra, cần phải có các cơ chế để xử lý các trường hợp vật thể bị che khuất hoặc biến mất khỏi tầm nhìn.

III. Cách Ứng Dụng Deep Learning Để Nhận Dạng Vật Thể Trên Drone

Deep learning đóng vai trò then chốt trong việc giúp quadcopter có khả năng nhận dạng đối tượng một cách tự động và chính xác. Các mô hình deep learning, chẳng hạn như YOLO, SSD và Faster R-CNN, được huấn luyện trên một lượng lớn dữ liệu hình ảnh để có thể nhận biết các vật thể khác nhau. Sau khi được huấn luyện, các mô hình này có thể được tích hợp vào quadcopter để thực hiện nhiệm vụ theo dõi vật thể trong thời gian thực. Các tác giả của Đại học Osaka cũng sử dụng computer vision (trích dẫn từ tài liệu gốc).

3.1. Lựa Chọn Mô Hình Deep Learning Phù Hợp YOLO SSD Faster R CNN

Việc lựa chọn mô hình deep learning phù hợp là rất quan trọng để đạt được hiệu suất tốt nhất. YOLO (You Only Look Once) là một mô hình nhanh và hiệu quả, phù hợp cho các ứng dụng thời gian thực. SSD (Single Shot Detector) cung cấp độ chính xác cao hơn YOLO, nhưng có tốc độ chậm hơn. Faster R-CNN là một mô hình mạnh mẽ, nhưng đòi hỏi nhiều tài nguyên tính toán hơn. Việc lựa chọn mô hình phù hợp phụ thuộc vào yêu cầu cụ thể của ứng dụng, chẳng hạn như tốc độ, độ chính xác và tài nguyên phần cứng.

3.2. Huấn Luyện Mô Hình Deep Learning Với Dữ Liệu Hình Ảnh

Để mô hình deep learning có thể nhận biết các vật thể một cách chính xác, cần phải huấn luyện nó trên một lượng lớn dữ liệu hình ảnh. Dữ liệu này cần phải được gắn nhãn (labeled) để mô hình biết được vị trí và loại của các vật thể trong ảnh. Quá trình huấn luyện có thể tốn nhiều thời gian và tài nguyên tính toán, nhưng nó là bước quan trọng để đảm bảo hiệu suất của hệ thống theo dõi vật thể. Google Colab được sử dụng trong luận văn gốc để huấn luyện mô hình YOLOv3.

3.3. Tối Ưu Hóa Mô Hình Để Chạy Trên Quadcopter Embedded Systems

Sau khi mô hình deep learning đã được huấn luyện, cần phải tối ưu hóa nó để có thể chạy trên quadcopter, vốn có tài nguyên tính toán hạn chế. Các kỹ thuật tối ưu hóa bao gồm giảm kích thước mô hình, sử dụng các phép tính số học dấu chấm động có độ chính xác thấp hơn và sử dụng các thư viện được tối ưu hóa cho embedded systems. Mục tiêu là giảm thời gian xử lý và tiêu thụ năng lượng của mô hình để quadcopter có thể hoạt động hiệu quả trong thời gian dài.

IV. Phương Pháp Xử Lý Ảnh Để Tăng Cường Khả Năng Theo Dõi AI

Ngoài deep learning, các kỹ thuật xử lý ảnh cũng đóng vai trò quan trọng trong việc tăng cường khả năng theo dõi vật thể của quadcopter. Các kỹ thuật này có thể được sử dụng để cải thiện chất lượng hình ảnh, loại bỏ nhiễu và trích xuất các đặc trưng quan trọng của vật thể. Các thuật toán như Kalman filter và Correlation filter có thể được sử dụng để theo dõi vị trí của vật thể theo thời gian và dự đoán vị trí của nó trong tương lai.

4.1. Tiền Xử Lý Ảnh Để Cải Thiện Chất Lượng Hình Ảnh

Trước khi đưa hình ảnh vào mô hình deep learning, cần phải thực hiện các bước tiền xử lý ảnh để cải thiện chất lượng hình ảnh. Các bước này có thể bao gồm điều chỉnh độ sáng và độ tương phản, loại bỏ nhiễu và làm sắc nét hình ảnh. Mục tiêu là làm cho hình ảnh rõ ràng hơn và dễ dàng hơn cho mô hình deep learning nhận biết các vật thể.

4.2. Trích Xuất Đặc Trưng Của Vật Thể Để Theo Dõi Dễ Dàng Hơn

Các thuật toán xử lý ảnh có thể được sử dụng để trích xuất các đặc trưng quan trọng của vật thể, chẳng hạn như hình dạng, màu sắc và kết cấu. Các đặc trưng này có thể được sử dụng để phân biệt vật thể với các đối tượng khác trong ảnh và theo dõi vị trí của nó theo thời gian. Các thuật toán như SIFT (Scale-Invariant Feature Transform) và SURF (Speeded Up Robust Features) thường được sử dụng để trích xuất các đặc trưng từ hình ảnh.

4.3. Sử Dụng Kalman Filter Để Theo Dõi Vị Trí Vật Thể Theo Thời Gian

Kalman filter là một thuật toán mạnh mẽ để ước lượng trạng thái của một hệ thống động theo thời gian. Trong ứng dụng theo dõi vật thể, Kalman filter có thể được sử dụng để theo dõi vị trí của vật thể và dự đoán vị trí của nó trong tương lai. Thuật toán này sử dụng thông tin từ các cảm biến (chẳng hạn như camera và GPS) và một mô hình động học của vật thể để đưa ra ước lượng tốt nhất về vị trí của vật thể.

V. Ứng Dụng Thực Tế Của Quadcopter Theo Dõi Vật Thể AI

Quadcopter theo dõi vật thể có rất nhiều ứng dụng thực tế trong nhiều lĩnh vực khác nhau. Trong lĩnh vực an ninh, chúng có thể được sử dụng để giám sát các khu vực rộng lớn và phát hiện các hoạt động bất thường. Trong lĩnh vực nông nghiệp, chúng có thể được sử dụng để kiểm tra sức khỏe của cây trồng và phát hiện sâu bệnh. Trong lĩnh vực cứu hộ, chúng có thể được sử dụng để tìm kiếm và cứu nạn người bị mắc kẹt trong các khu vực nguy hiểm. Ngoài ra, ứng dụng trong giao thông và quân sự cũng rất tiềm năng. Theo luận văn gốc, quadcopter đã đạt được những bước tiến lớn trong nhiều lĩnh vực (trích dẫn từ tài liệu gốc).

5.1. Giám Sát An Ninh Và Phát Hiện Các Hoạt Động Bất Thường

Trong lĩnh vực an ninh, quadcopter theo dõi vật thể có thể được sử dụng để giám sát các khu vực rộng lớn, chẳng hạn như biên giới, nhà máy hoặc khu dân cư. Chúng có thể được trang bị camera độ phân giải cao và cảm biến hồng ngoại để phát hiện các hoạt động bất thường, chẳng hạn như đột nhập, trộm cắp hoặc cháy nổ. Thông tin này có thể được truyền trực tiếp đến trung tâm điều khiển để có thể đưa ra phản ứng kịp thời.

5.2. Kiểm Tra Sức Khỏe Cây Trồng và Phát Hiện Sâu Bệnh Trong Nông Nghiệp

Trong lĩnh vực nông nghiệp, quadcopter theo dõi vật thể có thể được sử dụng để kiểm tra sức khỏe của cây trồng và phát hiện sâu bệnh. Chúng có thể được trang bị các cảm biến đa phổ để thu thập thông tin về tình trạng dinh dưỡng và sức khỏe của cây trồng. Thông tin này có thể được sử dụng để đưa ra các quyết định về tưới tiêu, bón phân và phòng trừ sâu bệnh một cách chính xác và hiệu quả.

5.3. Tìm Kiếm Và Cứu Nạn Trong Các Khu Vực Nguy Hiểm

Trong lĩnh vực cứu hộ, quadcopter theo dõi vật thể có thể được sử dụng để tìm kiếm và cứu nạn người bị mắc kẹt trong các khu vực nguy hiểm, chẳng hạn như núi cao, rừng rậm hoặc vùng lũ lụt. Chúng có thể được trang bị camera nhiệt để phát hiện người bị mất tích trong bóng tối hoặc trong điều kiện thời tiết xấu. Ngoài ra, chúng cũng có thể được sử dụng để vận chuyển các vật phẩm cứu trợ, chẳng hạn như nước uống, thực phẩm và thuốc men, đến những người cần giúp đỡ.

VI. Tương Lai Của Quadcopter Theo Dõi Vật Thể Ứng Dụng Trí Tuệ Nhân Tạo

Tương lai của quadcopter theo dõi vật thể là rất hứa hẹn. Với sự phát triển của trí tuệ nhân tạo, deep learning và xử lý ảnh, chúng ta có thể mong đợi những hệ thống thông minh hơn, linh hoạt hơn và hiệu quả hơn. Các quadcopter trong tương lai có thể sẽ có khả năng tự động học hỏi và thích nghi với môi trường xung quanh, đồng thời có thể thực hiện các nhiệm vụ phức tạp hơn mà không cần sự can thiệp của con người. Sự kết hợp của Edge Computing hứa hẹn sẽ đem đến nhiều cải tiến đáng kể.

6.1. Phát Triển Thuật Toán Deep Learning Mạnh Mẽ Hơn

Các nhà nghiên cứu đang không ngừng phát triển các thuật toán deep learning mạnh mẽ hơn để cải thiện khả năng nhận dạng đối tượng và theo dõi vật thể của quadcopter. Các thuật toán này có thể sẽ có khả năng xử lý dữ liệu từ nhiều nguồn khác nhau (chẳng hạn như camera, LiDAR và radar) để tạo ra một cái nhìn toàn diện hơn về môi trường xung quanh. Ngoài ra, chúng cũng có thể có khả năng học hỏi từ kinh nghiệm và cải thiện hiệu suất theo thời gian.

6.2. Tích Hợp Cảm Biến Thông Minh Để Tăng Cường Nhận Thức Môi Trường

Việc tích hợp các cảm biến thông minh vào quadcopter có thể giúp chúng nhận thức môi trường xung quanh một cách tốt hơn. Các cảm biến này có thể bao gồm LiDAR (Light Detection and Ranging), radar và cảm biến siêu âm. LiDAR có thể được sử dụng để tạo ra bản đồ 3D chi tiết về môi trường xung quanh, trong khi radar và cảm biến siêu âm có thể được sử dụng để phát hiện các vật cản trong điều kiện tầm nhìn kém. Thông tin từ các cảm biến này có thể được sử dụng để giúp quadcopter tránh chướng ngại vật và điều hướng một cách an toàn.

6.3. Ứng Dụng Edge Computing Để Xử Lý Dữ Liệu Trực Tiếp Trên Drone

Edge computing là một xu hướng mới trong lĩnh vực trí tuệ nhân tạo, trong đó dữ liệu được xử lý trực tiếp trên thiết bị (chẳng hạn như quadcopter) thay vì gửi về trung tâm dữ liệu để xử lý. Điều này có thể giúp giảm độ trễ và tăng tính bảo mật của hệ thống. Việc ứng dụng edge computing cho quadcopter theo dõi vật thể có thể giúp chúng hoạt động nhanh chóng và hiệu quả hơn, đồng thời giảm thiểu rủi ro về bảo mật dữ liệu.

Nội dung chính

Tổng quan nghiên cứu

Trong những năm gần đây, việc ứng dụng các phương tiện bay không người lái (UAV) ngày càng phổ biến trong nhiều lĩnh vực như nghiên cứu khoa học, giải trí, vận chuyển và cứu hộ. Theo ước tính, UAV có thể thực hiện các nhiệm vụ phức tạp với khả năng tự động hóa cao, giúp giảm thiểu sự can thiệp của con người và tăng hiệu quả công việc. Tuy nhiên, việc điều khiển và theo dõi đối tượng bằng UAV vẫn còn nhiều thách thức, đặc biệt là trong việc xử lý hình ảnh và ra quyết định tự động trên thiết bị bay nhỏ gọn.

Luận văn tập trung nghiên cứu phát triển hệ thống quadcopter có khả năng bám theo vật thể dựa trên mô hình xử lý ảnh và học sâu (deep learning). Mục tiêu cụ thể là xây dựng một trạm mặt đất sử dụng thuật toán YOLOv3 để nhận diện và theo dõi ba loại đối tượng khác nhau, đồng thời áp dụng bộ xử lý logic mờ (fuzzy logic) để điều khiển quadcopter tự động thông qua các tín hiệu PWM gửi đến bộ điều khiển Ardupilot. Nghiên cứu được thực hiện trong phạm vi thời gian đến năm 2020 tại Thành phố Hồ Chí Minh, với việc sử dụng phần cứng gồm GPU GTX 1060 và CPU AMD Ryzen 5 để xử lý mô hình nhận diện.

Ý nghĩa của nghiên cứu thể hiện qua việc nâng cao khả năng tự động hóa trong điều khiển UAV, giảm tải cho người điều khiển và mở rộng ứng dụng trong các lĩnh vực như giám sát, cứu hộ, và vận chuyển hàng hóa. Các chỉ số hiệu suất như độ chính xác nhận diện, tốc độ xử lý và độ ổn định trong điều khiển được đánh giá nhằm đảm bảo tính khả thi và hiệu quả của hệ thống.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai nền tảng lý thuyết chính: mạng nơ-ron tích chập (Convolutional Neural Network - CNN) và hệ thống suy luận logic mờ (Fuzzy Logic Inference System - FIS).

• Mạng nơ-ron tích chập (CNN): CNN là mô hình học sâu chuyên dụng cho xử lý ảnh, bao gồm các lớp convolution, pooling và fully connected. Thuật toán YOLOv3 được sử dụng làm bộ nhận diện đối tượng, với kiến trúc Darknet-53 gồm 53 lớp convolution, giúp phát hiện đối tượng trong thời gian thực với độ chính xác cao. YOLOv3 chia ảnh đầu vào thành lưới 13x13, dự đoán vị trí và loại đối tượng qua các bounding box, sử dụng thuật toán Non-Maximum Suppression để loại bỏ các dự đoán trùng lặp.

• Logic mờ (Fuzzy Logic): Hệ thống logic mờ mô phỏng cách con người xử lý thông tin không chính xác hoặc mơ hồ, sử dụng các hàm thành viên để biểu diễn mức độ thuộc về của dữ liệu. Trong nghiên cứu, FIS được áp dụng để xử lý khoảng cách x, y giữa tâm bounding box và tâm khung hình, từ đó tạo ra các tín hiệu PWM điều khiển các động cơ quadcopter theo các quy tắc IF-THEN.

Các khái niệm chính bao gồm: receptive field trong CNN, anchor box trong YOLOv3, membership function trong logic mờ, và các tham số điều khiển quadcopter như throttle, roll, pitch, yaw.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là hình ảnh thu được từ camera FPV gắn trên quadcopter, được truyền về trạm mặt đất để xử lý. Bộ dữ liệu huấn luyện mô hình YOLOv3 được thu thập và gán nhãn thủ công, sau đó huấn luyện trên nền tảng Google Colab sử dụng framework Darknet với GPU hỗ trợ CUDA. Quá trình huấn luyện kéo dài nhiều giờ nhằm tối ưu trọng số mô hình.

Phương pháp phân tích bao gồm:

• Sử dụng CNN YOLOv3 để nhận diện và xác định vị trí đối tượng trong ảnh.
• Áp dụng hệ thống logic mờ để chuyển đổi khoảng cách x, y thành tín hiệu điều khiển PWM.
• Điều khiển quadcopter qua bộ điều khiển Ardupilot Mega 2.8 với firmware PID.
• Giao diện người dùng Python hiển thị kết quả nhận diện và các thông số điều khiển theo thời gian thực.

Cỡ mẫu nghiên cứu gồm nhiều chuỗi hình ảnh thực tế thu thập tại Thành phố Hồ Chí Minh, với ba loại đối tượng được lựa chọn để theo dõi. Phương pháp chọn mẫu là ngẫu nhiên trong các điều kiện ánh sáng và môi trường khác nhau nhằm đánh giá tính ổn định của hệ thống.

Timeline nghiên cứu kéo dài từ đầu năm 2019 đến tháng 9 năm 2020, bao gồm các giai đoạn thu thập dữ liệu, huấn luyện mô hình, thiết kế thuật toán logic mờ, tích hợp phần cứng và thử nghiệm thực tế.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu suất nhận diện đối tượng: Mô hình YOLOv3 đạt độ chính xác trung bình (mAP) khoảng 78% trên bộ dữ liệu thử nghiệm với ba lớp đối tượng. Tốc độ xử lý đạt khoảng 30 khung hình/giây trên GPU GTX 1060, đảm bảo khả năng nhận diện thời gian thực.

2. Độ chính xác điều khiển quadcopter: Hệ thống logic mờ cho phép quadcopter duy trì khoảng cách trung bình ±5 cm so với tâm đối tượng trong không gian 2D, với tỷ lệ thành công trong việc bám theo đối tượng đạt 85% trong các thử nghiệm thực tế.

3. Tính ổn định và phản hồi điều khiển: Quadcopter phản ứng nhanh với các thay đổi vị trí của đối tượng, thời gian trễ trung bình từ nhận diện đến điều khiển là khoảng 150 ms, phù hợp với yêu cầu bay ổn định.

4. So sánh với các nghiên cứu khác: So với phương pháp sử dụng bộ xử lý nhúng trên drone, việc xử lý trên trạm mặt đất giúp giảm tải trọng và tiết kiệm năng lượng cho quadcopter, đồng thời tận dụng được sức mạnh tính toán của GPU.

Thảo luận kết quả

Nguyên nhân của hiệu suất cao trong nhận diện là do việc sử dụng mô hình YOLOv3 với kiến trúc Darknet-53, giúp giữ lại nhiều đặc trưng quan trọng của ảnh mà không bị mất mát do pooling. Việc huấn luyện trên Google Colab với bộ dữ liệu đa dạng cũng góp phần nâng cao khả năng tổng quát của mô hình.

Logic mờ được thiết kế phù hợp với đặc tính điều khiển quadcopter, cho phép xử lý các tín hiệu không chính xác và biến đổi liên tục trong môi trường bay thực tế. So với các nghiên cứu sử dụng thuật toán Kalman hoặc CMT Tracker, phương pháp logic mờ đơn giản hơn nhưng vẫn đảm bảo độ chính xác và ổn định.

Dữ liệu có thể được trình bày qua biểu đồ đường thể hiện biến thiên tọa độ bounding box theo thời gian, bảng so sánh độ chính xác nhận diện giữa các mô hình, và biểu đồ phản hồi tín hiệu PWM tương ứng với khoảng cách x, y.

Kết quả nghiên cứu có ý nghĩa quan trọng trong việc phát triển các hệ thống UAV tự động, giảm thiểu sự phụ thuộc vào người điều khiển và mở rộng ứng dụng trong các lĩnh vực như giám sát an ninh, cứu hộ và giao nhận hàng hóa.

Đề xuất và khuyến nghị

1. Tối ưu hóa mô hình nhận diện: Cập nhật và huấn luyện thêm các phiên bản YOLO mới hơn như YOLOv4 hoặc YOLOv5 để nâng cao độ chính xác và tốc độ xử lý, hướng tới mục tiêu tăng mAP lên trên 85% trong vòng 6 tháng tới. Chủ thể thực hiện: nhóm nghiên cứu AI.

2. Nâng cấp phần cứng trạm mặt đất: Trang bị GPU thế hệ mới với hiệu năng cao hơn để giảm thời gian trễ xử lý xuống dưới 100 ms, dự kiến hoàn thành trong 3 tháng. Chủ thể thực hiện: bộ phận kỹ thuật.

3. Phát triển thuật toán logic mờ đa biến: Mở rộng hệ thống logic mờ để xử lý thêm các yếu tố như tốc độ và hướng di chuyển của đối tượng, nhằm cải thiện khả năng bám theo trong môi trường phức tạp, thời gian thực hiện 9 tháng. Chủ thể thực hiện: nhóm điều khiển tự động.

4. Thử nghiệm thực tế mở rộng: Triển khai thử nghiệm tại nhiều địa điểm và điều kiện môi trường khác nhau để đánh giá tính ổn định và khả năng ứng dụng thực tế, tiến hành trong vòng 1 năm. Chủ thể thực hiện: phòng thí nghiệm UAV.

5. Phát triển giao diện người dùng nâng cao: Thiết kế giao diện trực quan hơn, hỗ trợ cảnh báo và điều chỉnh thủ công khi cần thiết, hoàn thiện trong 4 tháng. Chủ thể thực hiện: nhóm phát triển phần mềm.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành điều khiển tự động và trí tuệ nhân tạo: Luận văn cung cấp kiến thức sâu về ứng dụng CNN và logic mờ trong điều khiển UAV, hỗ trợ phát triển các đề tài nghiên cứu liên quan.

2. Kỹ sư phát triển UAV và robot bay: Tham khảo để áp dụng các thuật toán nhận diện và điều khiển tự động, giúp cải tiến sản phẩm và nâng cao hiệu suất hoạt động.

3. Doanh nghiệp công nghệ và startup trong lĩnh vực drone: Tận dụng kết quả nghiên cứu để phát triển các giải pháp UAV tự động phục vụ giao nhận, giám sát và các ứng dụng thương mại khác.

4. Cơ quan quản lý và đào tạo chuyên ngành hàng không không người lái: Sử dụng làm tài liệu tham khảo trong đào tạo và xây dựng tiêu chuẩn kỹ thuật cho UAV tự động.

Câu hỏi thường gặp

1. Hệ thống nhận diện đối tượng sử dụng mô hình nào?
   Hệ thống sử dụng mô hình YOLOv3, một mạng nơ-ron tích chập sâu với kiến trúc Darknet-53, cho phép nhận diện nhanh và chính xác ba loại đối tượng khác nhau trong ảnh.

2. Logic mờ được áp dụng như thế nào trong điều khiển quadcopter?
   Logic mờ xử lý khoảng cách x, y giữa tâm đối tượng và tâm khung hình để tạo ra các tín hiệu PWM điều khiển động cơ, giúp quadcopter tự động điều chỉnh vị trí bay nhằm bám theo đối tượng.

3. Tại sao xử lý hình ảnh được thực hiện trên trạm mặt đất thay vì trên drone?
   Việc xử lý trên trạm mặt đất tận dụng được sức mạnh tính toán của GPU, giảm tải trọng và tiêu thụ năng lượng trên drone, đồng thời tránh quá tải phần cứng nhỏ gọn của quadcopter.

4. Độ trễ trong quá trình nhận diện và điều khiển là bao nhiêu?
   Thời gian trễ trung bình từ khi nhận diện đến khi quadcopter nhận tín hiệu điều khiển khoảng 150 ms, đảm bảo phản ứng kịp thời và bay ổn định.

5. Hệ thống có thể áp dụng cho các loại drone khác không?
   Với cấu trúc điều khiển dựa trên tín hiệu PWM và thuật toán logic mờ, hệ thống có thể được điều chỉnh để áp dụng cho các loại drone khác có cấu hình tương tự, tuy nhiên cần hiệu chỉnh tham số phù hợp.

Kết luận

• Luận văn đã phát triển thành công hệ thống quadcopter tự động bám theo vật thể dựa trên mô hình YOLOv3 và logic mờ, đạt độ chính xác nhận diện khoảng 78% và tỷ lệ bám theo thành công 85%.
• Việc xử lý hình ảnh trên trạm mặt đất giúp giảm tải phần cứng trên drone, đồng thời tận dụng hiệu năng GPU để xử lý thời gian thực.
• Hệ thống logic mờ cho phép điều khiển quadcopter ổn định, phản ứng nhanh với sự thay đổi vị trí đối tượng.
• Kết quả nghiên cứu mở ra hướng phát triển UAV tự động trong các ứng dụng giám sát, cứu hộ và giao nhận hàng hóa.
• Các bước tiếp theo bao gồm tối ưu mô hình, nâng cấp phần cứng, mở rộng thuật toán điều khiển và thử nghiệm thực tế đa dạng nhằm hoàn thiện hệ thống.

Để tiếp tục phát triển và ứng dụng rộng rãi, các nhà nghiên cứu và kỹ sư được khuyến khích tham khảo và áp dụng các giải pháp trong luận văn, đồng thời đóng góp ý kiến cải tiến nhằm nâng cao hiệu quả và tính ứng dụng của UAV tự động.