Bối cảnh và vấn đề nghiên cứu

Trong xu hướng phát triển của cuộc Cách mạng công nghiệp 4.0, sự kết hợp giữa Trí tuệ nhân tạo (AI) và Internet vạn vật (IoT) đang mở ra nhiều hướng tiếp cận mới trong ngành công nghiệp ô tô và hệ thống giao thông thông minh. Tai nạn giao thông đường bộ vẫn là một vấn đề nghiêm trọng, gây ra nhiều thiệt hại về người và tài sản. Việc phát triển các hệ thống xe tự hành thông minh có khả năng nhận diện đối tượng và phản ứng chính xác, kịp thời trước các tình huống giao thông phức tạp được xem là giải pháp kỹ thuật cần thiết nhằm giảm thiểu rủi ro tai nạn, tối ưu hóa lộ trình di chuyển, tiết kiệm năng lượng và giảm lượng khí thải môi trường.

Đề tài "Thiết kế và xây dựng mô hình điều khiển xe thông minh" được thực hiện bởi sinh viên Võ Phước Tiến và Trần Quốc Tiến, dưới sự hướng dẫn của ThS. Nguyễn Ngô Lâm tại Bộ môn Kỹ thuật Máy tính Viễn thông, Khoa Điện - Điện tử, Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh (thời gian thực hiện từ ngày 19/02/2024 đến ngày 25/06/2024).

Đồ án xác định bốn mục tiêu nghiên cứu cụ thể:

  1. Phát triển mô hình nhận biết đối tượng: Sử dụng mô hình học sâu (Deep Learning) để huấn luyện tập dữ liệu tự tạo nhằm nhận biết và phân loại các đối tượng giao thông như biển báo hiệu và đèn tín hiệu giao thông.
  2. Tối ưu hóa hiệu suất và tốc độ xử lý: Tinh chỉnh mô hình thị giác máy tính nhằm đảm bảo tốc độ phản hồi và độ chính xác phù hợp với điều kiện vận hành thực tế của mô hình xe tự hành.
  3. Đảm bảo tính ổn định và an toàn: Kiểm tra, đánh giá khả năng phản ứng và duy trì trạng thái an toàn của hệ thống trước các tình huống giao thông và chướng ngại vật bất ngờ.
  4. Triển khai và thử nghiệm thực tế: Xây dựng hoàn chỉnh mô hình phần cứng gồm xe tự hành và tay cầm điều khiển để kiểm nghiệm hiệu suất hoạt động trên sa hình thực tế.

Đối tượng nghiên cứu của đề tài bao gồm:

  • Phần cứng: Vi điều khiển ESP32 Dev Module, module ESP32-CAM AI-Thinker (camera OV2640), module SIM 4G A7680C, module định vị vệ tinh GPS GY-NEO 6M V2, cảm biến khoảng cách siêu âm HY-SRF05, module điều khiển động cơ L298N, mạch giảm áp DC-DC (XL4015, SY8205), màn hình hiển thị LCD 16x2 (giao tiếp I2C), cụm module Joystick và pin Lithium 18650.
  • Phần mềm: Môi trường lập trình Arduino IDE (ngôn ngữ C/C++) cho vi điều khiển nhúng, Visual Studio Code và Google Colab (ngôn ngữ Python) cho thuật toán xử lý ảnh, nền tảng gắn nhãn dữ liệu Roboflow, kiến trúc học sâu YOLOv8 và nền tảng cơ sở dữ liệu thời gian thực Google Firebase.

Phạm vi nghiên cứu giới hạn ở việc xây dựng một mô hình xe thông minh thu nhỏ, huấn luyện mô hình học sâu nhận diện các loại biển báo và trạng thái đèn tín hiệu giao thông cơ bản, kết hợp hai chế độ vận hành độc lập: điều khiển thủ công không dây (Manual) và vận hành tự động (Auto) có khả năng phát hiện vật cản và gửi tọa độ định vị vị trí qua tin nhắn SMS.

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và công nghệ ứng dụng

Nghiên cứu xây dựng trên nền tảng lý thuyết mạng nơ-ron tích chập (Convolutional Neural Network - CNN) và các thuật toán phát hiện đối tượng trong thị giác máy tính. Quá trình phát triển các mô hình nhận diện đối tượng được đối chiếu qua các phương pháp như Biểu đồ gradient định hướng (Histogram of Oriented Gradients - HOG), R-CNN và họ mô hình You Only Look Once (YOLO). Đồ án lựa chọn kiến trúc YOLOv8 nhờ khả năng trích xuất đặc trưng nhanh, xử lý hồi quy trực tiếp vị trí khung bao (Bounding Box) và phân loại đối tượng trong một lượt quét ảnh, kết hợp các giải thuật tối ưu như Tỉ lệ giao trên hợp (Intersection Over Union - IoU), Triệt tiêu phi cực đại (Non-maximum Suppression - NMS) và chỉ số đánh giá độ chính xác trung bình (Mean Average Precision - mAP).

Về mặt truyền thông nhúng, hệ thống áp dụng đồng thời các chuẩn giao tiếp:

  • Giao tiếp có dây: UART (truyền nhận nối tiếp bất đồng bộ giữa ESP32 với module SIM 4G A7680C và GPS Neo 6M), I2C (giao tiếp 2 dây SDA và SCL giữa ESP32 và màn hình LCD 16x2).
  • Giao tiếp không dây: Chuẩn Wi-Fi IEEE 802.11 b/g/n (truyền luồng hình ảnh thời gian thực từ ESP32-CAM về máy tính) và giao thức không dây độc quyền ESP-NOW của hãng Espressif (truyền nhận gói tin trực tiếp giữa các vi điều khiển ESP32 ở băng tần 2.4GHz với kích thước gói tin tối đa 250 byte, không cần thông qua bộ định tuyến mạng trung gian).
  • Nền tảng đám mây: Google Firebase (Realtime Database) đóng vai trò làm máy chủ trung gian đồng bộ lệnh điều khiển từ chương trình xử lý ảnh trên máy tính xuống hệ thống vi điều khiển trên xe.

Phương pháp nghiên cứu

Đồ án sử dụng phương pháp thiết kế và tích hợp hệ thống kỹ thuật kết hợp phương pháp thực nghiệm:

  • Phương pháp thu thập và tiền xử lý dữ liệu: Tự thu thập tập ảnh chụp các biển báo giao thông và đèn tín hiệu thực tế; gán nhãn dữ liệu, áp dụng các kỹ thuật tăng cường dữ liệu hình ảnh (Data Augmentation) trên nền tảng Roboflow.
  • Phương pháp huấn luyện mô hình: Sử dụng môi trường điện toán đám mây Google Colab với tài nguyên phần cứng GPU để huấn luyện mô hình mạng nơ-ron YOLOv8 trên tệp cấu hình YAML tương thích.
  • Phương pháp thực nghiệm phần cứng: Thiết kế mạch nguyên lý, lắp ráp các khối linh kiện phần cứng, lập trình giải thuật điều khiển phân tán trên hai vi điều khiển ESP32, sau đó kiểm tra độ chính xác nhận diện đối tượng qua 5 lần chạy thử nghiệm thực tế trên các sa hình mẫu.

Thiết kế và triển khai

Hệ thống được thiết kế thành một cấu trúc điều khiển phân tán gồm hai khối phần cứng chính: Khối điều khiển trên xe (Xe thông minh) và Khối tay cầm điều khiển (Bộ điều khiển từ xa).

Khối chức năng Thành phần phần cứng chính Chức năng kỹ thuật
Xử lý trung tâm 1 (Trên xe) Vi điều khiển ESP32 Dev Module Đọc dữ liệu cảm biến, nhận lệnh từ ESP-NOW / Firebase, điều khiển module cầu H L298N và giao tiếp module SIM/GPS.
Xử lý trung tâm 2 (Tay cầm) Vi điều khiển ESP32 Dev Module Đọc tín hiệu Analog từ Joystick 2 trục, nút nhấn chuyển chế độ và truyền tín hiệu điều khiển qua ESP-NOW.
Khối thu nhận hình ảnh Module ESP32-CAM (Camera OV2640) Thu nhận luồng video giao thông phía trước xe và truyền luồng qua mạng Wi-Fi cục bộ (giao thức HTTP/IP).
Khối đo khoảng cách Cảm biến siêu âm HY-SRF05 Đo khoảng cách từ đầu xe đến vật cản phía trước bằng sóng siêu âm; kích hoạt ngắt an toàn khi khoảng cách dưới ngưỡng cho phép.
Khối định vị & Truyền tin Module GPS Neo 6M & SIM 4G A7680C Nhận tín hiệu tọa độ kinh độ/vĩ độ toàn cầu và gửi tin nhắn SMS chứa liên kết vị trí đến số điện thoại người dùng.
Khối chấp hành động cơ Driver L298N & Động cơ DC giảm tốc Điều khiển tốc độ (PWM) và chiều quay của các bánh xe (tiến, lùi, rẽ trái, rẽ phải, dừng).
Khối hiển thị & Cảnh báo LCD 16x2 I2C & Còi báo (Buzzer) Hiển thị chế độ hoạt động, trạng thái kết nối mạng và phát tín hiệu cảnh báo âm thanh khi gặp sự cố.
Khối nguồn Mạch giảm áp XL4015, SY8205 & Pin 18650 Cung cấp nguồn điện áp ổn định 12V cho động cơ và 5V (dòng tối đa 5A) cho các mạch vi điều khiển.

Quy trình vận hành phần mềm của hệ thống bao gồm hai chế độ:

  • Chế độ Manual: Người dùng thao tác cần gạt Joystick trên tay cầm. Tín hiệu biến trở trục X, Y và nút nhấn được ESP32 chuyển đổi thành bản tin nhị phân và phát qua giao thức ESP-NOW đến ESP32 trên xe để điều khiển hướng chạy và vận tốc của xe theo thời gian thực.
  • Chế độ Auto: ESP32-CAM phát luồng dữ liệu hình ảnh qua địa chỉ IP mạng nội bộ. Máy tính chạy mã nguồn Python (VS Code) tiếp nhận luồng hình ảnh, đưa qua mô hình YOLOv8 để phát hiện biển báo (biển rẽ trái, rẽ phải, dừng lại, giới hạn tốc độ) và màu đèn giao thông (đỏ, vàng, xanh). Kết quả nhận diện được gửi lên Firebase Realtime Database. ESP32 trên xe liên tục truy vấn trạng thái từ Firebase kết hợp với việc quét khoảng cách liên tục từ cảm biến siêu âm HY-SRF05 để đưa ra quyết định di chuyển tự động hoặc dừng khẩn cấp khi gặp vật cản.

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương này phân tích tính cấp thiết của việc tích hợp Trí tuệ nhân tạo và xử lý ảnh vào hệ thống xe tự hành thông minh nhằm giảm thiểu tai nạn giao thông và tối ưu hóa hệ thống vận tải trong thời đại công nghệ 4.0. Tác giả xác lập 4 mục tiêu nghiên cứu cụ thể, chỉ rõ đối tượng nghiên cứu phần cứng (ESP32, ESP32-CAM, SIM 4G A7680C, GPS Neo-6M, cảm biến khoảng cách, driver L298N) và đối tượng phần mềm (C, Python, YOLOv8, Firebase, Roboflow, Colab, Arduino IDE), đồng thời vạch rõ phạm vi nghiên cứu và bố cục tổng thể 6 chương của báo cáo.

Chương 2: Cơ sở lý thuyết

Chương 2 trình bày toàn bộ nền tảng lý thuyết phục vụ cho việc xây dựng đồ án, chia thành các phần:

  • Tổng quan về Deep Learning, kiến trúc mạng nơ-ron (lớp Input, Hidden, Output), cơ chế lan truyền tiến và lan truyền ngược; các ứng dụng của thị giác máy tính và xử lý ảnh (biến đổi ảnh, trích xuất đặc trưng, phân loại ảnh, nhận diện biển báo và dự đoán hành vi).
  • Khảo sát chi tiết thông số kỹ thuật của các module phần cứng: ESP32-CAM AI-Thinker (32-bit CPU, 520KB SRAM, 4MB PSRAM ngoài, camera OV2640), ESP32 Dev Module (vi xử lý kép Tensilica Xtensa LX6), module cầu H L298N (IC L298, IC 78M05, điều khiển 2 hoặc 4 động cơ DC), cảm biến khoảng cách siêu âm HY-SRF05, module SIM 4G A7680C DTU, module GPS GY-NEO 6M V2 (ăng-ten gốm 12x12mm, tốc độ baud mặc định 9600), module LCD 16x2 giao tiếp I2C qua chip điều khiển HD44780, pin sạc Lithium 18650, module Joystick 2 trục biến trở 10k, mạch giảm áp DC-DC XL4015 (dòng ra 5A, hiệu suất chuyển đổi 96%), mạch giảm áp DC-DC SY8205 (5V-5A), động cơ DC giảm tốc vàng 2 trục (dải nguồn 3V-12VDC, tốc độ 125 vòng/phút tại 3VDC và 208 vòng/phút tại 5VDC), nút nhấn SW15 R13-507 và mạch hiển thị dung lượng pin LED vạch.
  • Phân tích cơ chế hoạt động của các chuẩn giao tiếp: UART (khung truyền start bit, data bits, parity bit, stop bits ở các tốc độ baud 9600 - 115200), giao tiếp nối tiếp 2 dây I2C (SDA, SCL với giới hạn chiều dài đường truyền hiệu quả dưới 1.5m), các chuẩn kết nối không dây Wi-Fi (802.11 b/g/n/ac/ax) và giao thức mạng cục bộ không dây ESP-NOW (mô hình 1 chiều, 1-nhiều, nhiều-1 và 2 chiều).
  • Giới thiệu các nền tảng phần mềm: IoT, Google Firebase (Realtime Database, Authentication, Firestore, Cloud Functions), nền tảng gán nhãn Roboflow, môi trường Google Colab hỗ trợ tăng tốc phần cứng GPU, giải thuật YOLOv8 và các môi trường soạn thảo mã nguồn VS Code, Arduino IDE.

Chương 3: Thiết kế và xây dựng hệ thống

Chương này xác định các yêu cầu kỹ thuật chi tiết của hệ thống và thiết lập sơ đồ khối chức năng tổng quan. Tác giả trình bày sơ đồ nguyên lý mạch chi tiết cho từng khối chức năng riêng biệt:

  • Khối hiển thị (LCD 16x2) và khối nút nhấn/chuyển đổi chế độ.
  • Khối điều khiển động cơ chấp hành sử dụng L298N.
  • Khối gửi tin nhắn khẩn cấp qua SIM A7680C và khối định vị vệ tinh GPS Neo 6M.
  • Khối đo khoảng cách an toàn bằng cảm biến siêu âm HY-SRF05.
  • Khối xử lý trung tâm 1 (ESP32 trên xe) và Khối xử lý trung tâm 2 (ESP32 trên tay cầm điều khiển).
  • Sơ đồ nguyên lý khối cấp nguồn 1 và khối cấp nguồn 2 nhằm bảo đảm tính ổn định điện áp và cách ly nhiễu giữa tải động cơ và mạch logic điều khiển.

Chương 4: Thi công – Tính toán – Lập trình cho hệ thống

Chương 4 ghi lại các bước thi công thực tế của mô hình:

  • Lắp ráp khung xe, bố trí cơ khí cho các mạch vi điều khiển, camera và module truyền thông; thi công vỏ hộp tay cầm điều khiển chứa Joystick và các nút bấm.
  • Xây dựng tệp dữ liệu huấn luyện (Dataset): Tạo dự án trên Roboflow, tải lên tập ảnh chụp biển báo và đèn giao thông, thực hiện gán nhãn thủ công (Annotation), áp dụng các bước tiền xử lý ảnh và tăng cường dữ liệu (Augmentation), xuất tệp dữ liệu theo đúng định dạng cấu trúc của YOLOv8.
  • Huấn luyện mô hình với Google Colab: Thiết lập môi trường thực thi (Runtime) với GPU, cài đặt thư viện phần mềm Ultralytics, cấu hình tệp data.yaml và tiến hành quá trình huấn luyện mô hình YOLOv8, trích xuất tệp trọng số sau khi hoàn thành.
  • Xây dựng lưu đồ giải thuật điều khiển: Lưu đồ khối xử lý trung tâm 1, lưu đồ giải thuật chế độ Manual, lưu đồ giải thuật chế độ Auto, lưu đồ hoạt động của ESP32-CAM truyền luồng video, lưu đồ khối xử lý trung tâm 2 (tay cầm), và lưu đồ khối xử lý ảnh trên máy tính đồng bộ dữ liệu với Firebase.

Chương 5: Kết quả - Kiểm tra – Đánh giá

Chương này báo cáo các kết quả thực nghiệm đạt được sau khi hoàn thiện hệ thống:

  • Đánh giá thông số huấn luyện mô hình học sâu (đồ thị Precision-Recall, hàm mất mát và chỉ số mAP).
  • Kết quả chức năng gửi tọa độ GPS: Module GPS Neo 6M trích xuất thành công vĩ độ/kinh độ, phối hợp cùng module SIM 4G A7680C gửi tin nhắn chứa đường dẫn bản đồ về điện thoại người dùng khi có yêu cầu.
  • Kết quả vận hành ở chế độ Manual: Tay cầm Joystick điều khiển xe di chuyển linh hoạt (tiến, lùi, rẽ, dừng) với độ trễ thấp thông qua giao thức ESP-NOW.
  • Kết quả vận hành ở chế độ Auto: Hệ thống nhận diện chính xác các biển báo điều hướng, biển báo dừng và tín hiệu đèn giao thông (xanh/đỏ/vàng), xe tự động thực thi hành động tương ứng và kích hoạt cơ chế dừng tự động khi cảm biến HY-SRF05 phát hiện vật cản phía trước.
  • Thống kê độ tin cậy nhận diện ngoài thực tế thông qua bảng dữ liệu 5 lần chạy thực nghiệm cho từng loại biển báo và đèn tín hiệu.

Chương 6: Kết luận và hướng phát triển

Chương 6 tổng kết các hạng mục đã hoàn thành của đề tài và đề xuất các giải pháp kỹ thuật nhằm nâng cấp và hoàn thiện hệ thống trong các nghiên cứu tiếp theo.

Kết quả và đóng góp

Kết quả thực nghiệm chính

  • Phần cứng: Chế tạo thành công mô hình xe 4 bánh tích hợp đầy đủ hệ thống vi điều khiển ESP32, ESP32-CAM, module SIM 4G A7680C, GPS Neo 6M, cảm biến siêu âm HY-SRF05 và mạch cầu H L298N; chế tạo hoàn chỉnh tay cầm điều khiển tích hợp Joystick và màn hình LCD 16x2.
  • Truyền thông: Thiết lập thành công giao tiếp không dây thời gian thực qua giao thức ESP-NOW giữa tay cầm và xe; truyền luồng hình ảnh ổn định từ ESP32-CAM qua Wi-Fi và đồng bộ dữ liệu điều khiển qua Google Firebase.
  • Nhận diện và tự hành: Mô hình học sâu YOLOv8 sau khi huấn luyện trên tập dữ liệu tự tạo đã nhận diện thành công các đối tượng đèn tín hiệu và biển báo giao thông trong điều kiện thực tế. Xe phản hồi chính xác các lệnh dừng khi gặp đèn đỏ, biển báo dừng hoặc vật cản đo bởi cảm biến siêu âm; tự động chuyển hướng khi gặp biển báo rẽ.
  • Định vị: Trích xuất chính xác tọa độ vị trí từ vệ tinh GPS và truyền thành công bản tin văn bản qua mạng 4G đến thiết bị di động của người dùng.

Đóng góp của đề tài

  1. Đề xuất kiến trúc phần cứng nhúng phân tán giá thành thấp dựa trên vi điều khiển ESP32 và ESP32-CAM, tích hợp linh hoạt các chuẩn truyền thông có dây (UART, I2C) và không dây (ESP-NOW, Wi-Fi).
  2. Xây dựng quy trình khép kín từ thu thập, gán nhãn dữ liệu trên Roboflow, huấn luyện mô hình YOLOv8 trên Google Colab cho đến triển khai nhận diện thời gian thực phục vụ điều khiển xe thông minh.
  3. Kết hợp giải pháp điều khiển linh hoạt giữa chế độ thủ công độ trễ thấp (ESP-NOW) và chế độ tự hành dựa trên thị giác máy tính kết hợp cảm biến siêu âm phát hiện chướng ngại vật.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế

  • Xử lý hình ảnh phụ thuộc vào máy tính trung gian: ESP32-CAM chỉ đóng vai trò thu và truyền luồng video; toàn bộ quá trình nhận diện YOLOv8 phải thực hiện trên máy tính do tài nguyên tính toán của vi điều khiển nhúng chưa đáp ứng được việc suy luận mô hình học sâu trực tiếp.
  • Độ trễ đường truyền hình ảnh: Việc truyền luồng video qua giao thức Wi-Fi đôi khi chịu ảnh hưởng bởi chất lượng mạng nội bộ, gây ra hiện tượng trễ khung hình trong một số thời điểm.
  • Tập dữ liệu nhận diện: Số lượng lớp đối tượng biển báo và đèn tín hiệu được huấn luyện còn giới hạn ở các mẫu cơ bản, chưa bao quát toàn bộ các tình huống giao thông đa dạng và điều kiện thời tiết phức tạp ngoài trời.
  • Phạm vi truyền thông ESP-NOW: Khoảng cách giao tiếp giữa tay cầm và mô hình xe bị giới hạn bởi công suất phát của ăng-ten tích hợp trên bo mạch vi điều khiển.

Hướng nghiên cứu tiếp

  • Tích hợp máy tính nhúng chuyên dụng: Nâng cấp phần cứng xử lý trên xe bằng các board máy tính biên (như Raspberry Pi hoặc Nvidia Jetson) để thực hiện suy luận mô hình AI cục bộ ngay trên xe mà không cần truyền video về máy tính qua Wi-Fi.
  • Mở rộng tập dữ liệu: Bổ sung thêm dữ liệu hình ảnh về vạch kẻ đường (Lane Detection), người đi bộ, chướng ngại vật động và các điều kiện chiếu sáng khác nhau (ban đêm, ngược sáng, trời mưa).
  • Nâng cao thuật toán tự hành: Phát triển thuật toán bám làn đường tự động, tích hợp bộ lọc Kalman hoặc cảm biến quán tính (IMU) kết hợp dữ liệu GPS để cải thiện độ chính xác định vị và vẽ quỹ đạo di chuyển.

Giá trị tham khảo

Đồ án là tài liệu tham khảo hữu ích cho sinh viên, học viên và giảng viên thuộc các chuyên ngành:

  • Công nghệ Kỹ thuật Điện tử - Viễn thông, Kỹ thuật Máy tính: Tham khảo phương pháp thiết kế phần cứng nhúng, phân chia khối nguồn, giao tiếp vi điều khiển qua các chuẩn UART, I2C và ứng dụng giao thức ESP-NOW.
  • Kỹ thuật Điều khiển và Tự động hóa, Robot: Tham khảo cấu trúc điều khiển động cơ DC qua cầu H L298N, thuật toán đo khoảng cách tránh vật cản bằng cảm biến siêu âm và thiết kế mạch tay cầm điều khiển từ xa.
  • Công nghệ Thông tin, Trí tuệ Nhân tạo: Tham khảo quy trình xây dựng dataset với Roboflow, cấu hình huấn luyện mô hình YOLOv8 trên Google Colab và tích hợp đồng bộ dữ liệu đám mây qua Firebase Realtime Database.

Câu hỏi thường gặp

1. Hệ thống sử dụng những linh kiện chính nào cho khối xử lý và thu thập hình ảnh?

Hệ thống sử dụng vi điều khiển ESP32 Dev Module làm bộ xử lý trung tâm điều khiển các cảm biến và cơ cấu chấp hành. Khối thu nhận hình ảnh sử dụng module ESP32-CAM AI-Thinker trang bị cảm biến camera OV2640, có khả năng phát luồng video qua mạng Wi-Fi cục bộ đến máy tính xử lý.

2. Giao thức ESP-NOW đóng vai trò gì trong đồ án?

Giao thức ESP-NOW do Espressif phát triển hoạt động ở băng tần 2.4GHz, được sử dụng để truyền tín hiệu điều khiển trực tiếp một chiều từ tay cầm (Master) đến vi điều khiển trên xe (Slave) với độ trễ thấp và kích thước gói tin tối đa 250 byte, không yêu cầu kết nối qua điểm truy cập Wi-Fi (Router).

3. Quy trình huấn luyện mô hình nhận diện biển báo được thực hiện như thế nào?

Dữ liệu hình ảnh biển báo và đèn tín hiệu được thu thập và tải lên nền tảng Roboflow để gán nhãn (Annotation) và tăng cường dữ liệu (Augmentation), sau đó xuất ra theo định dạng YOLOv8. Quá trình huấn luyện mô hình sử dụng phần cứng GPU trên nền tảng Google Colab thông qua tệp cấu hình data.yaml và thư viện Ultralytics.

4. Cơ chế gửi tin nhắn định vị tọa độ khẩn cấp hoạt động ra sao?

Module GPS GY-NEO 6M V2 nhận tín hiệu định vị vệ tinh và truyền dữ liệu tọa độ (vĩ độ, kinh độ) về vi điều khiển ESP32 qua giao tiếp UART (tốc độ baud 9600). Khi có yêu cầu, ESP32 điều khiển module SIM 4G A7680C qua tập lệnh AT để gửi tin nhắn SMS chứa liên kết bản đồ vị trí trực tiếp đến số điện thoại người dùng.

5. Xe tự động xử lý dừng khi gặp chướng ngại vật bằng cách nào?

Ở chế độ tự hành (Auto), ngoài việc nhận diện biển báo dừng hoặc đèn đỏ từ mô hình YOLOv8 qua Firebase, vi điều khiển ESP32 trên xe liên tục đọc tín hiệu thời gian phản hồi từ cảm biến siêu âm HY-SRF05. Khi phát hiện vật cản nằm trong phạm vi khoảng cách không an toàn, vi điều khiển tự động ngắt xung điều khiển động cơ tại mạch L298N để dừng xe tức thời.

Kết luận

Đồ án tốt nghiệp "Thiết kế và xây dựng mô hình điều khiển xe thông minh" đã hoàn thành việc nghiên cứu, thiết kế và chế tạo thực nghiệm một mô hình xe tự hành tích hợp thị giác máy tính và IoT. Bằng việc kết hợp vi điều khiển ESP32, mô hình học sâu YOLOv8, module truyền thông SIM 4G, GPS Neo 6M và giao thức ESP-NOW, hệ thống đáp ứng tốt các yêu cầu về điều khiển thủ công lẫn tự hành nhận diện biển báo giao thông và phát hiện vật cản an toàn. Nghiên cứu cung cấp một tài liệu thiết kế hệ thống nhúng hoàn chỉnh, đóng vai trò nền tảng để phát triển các ứng dụng xe tự hành và tự động hóa phức tạp hơn trong tương lai.