I. Tổng quan về thuật toán tránh va chạm người đi bộ cho xe điện tự hành
Xe điện tự hành là hướng nghiên cứu trọng điểm trong lĩnh vực tự động hóa hiện đại. Tại Trường Đại học Sư phạm Kỹ thuật TP.HCM (ĐH SPKT TP.HCM), nhóm sinh viên Lê Tuấn Anh và Phạm Trung Hiếu đã thực hiện đồ án tốt nghiệp về nghiên cứu thuật toán tránh va chạm người đi bộ cho xe điện tự hành dưới sự hướng dẫn của PGS. TS Lê Mỹ Hà, Khoa Điện – Điện tử. Đây là đồ án thuộc ngành Công nghệ Kỹ thuật Điều khiển và Tự động hóa, hoàn thành vào tháng 7/2024. Bài toán phát hiện và tránh va chạm với người đi bộ là thách thức cốt lõi của xe tự hành. Người đi bộ là đối tượng dễ bị tổn thương nhất trong giao thông. Hành vi của họ khó dự đoán. Hệ thống xe tự hành phải xử lý thông tin nhanh chóng và ra quyết định chính xác trong thời gian thực. Nghiên cứu này tích hợp các kỹ thuật học máy, thị giác máy tính và điều khiển tự động. Mục tiêu là xây dựng hệ thống có thể nhận diện người đi bộ, ước lượng khoảng cách và điều chỉnh quỹ đạo xe an toàn. Kết quả nghiên cứu đóng góp thiết thực vào lĩnh vực giao thông thông minh tại Việt Nam.
1.1. Bối cảnh nghiên cứu tại ĐH SPKT TP.HCM
Đồ án được thực hiện tại Khoa Điện – Điện tử, Trường Đại học Sư phạm Kỹ thuật TP.HCM trong học kỳ 2 năm học 2023–2024. Nhóm nghiên cứu gồm hai sinh viên khóa 2020, mã số 20151247 và 20151220. Giảng viên hướng dẫn là PGS. Lê Mỹ Hà với mã cán bộ 2922. Đề tài được kiểm tra đạo văn vào ngày 18/06/2024 với tỷ lệ trùng lặp toàn nội dung là 34% và tỷ lệ trùng lặp cao nhất từ một nguồn là 8%, đáp ứng tiêu chuẩn liêm chính học thuật theo quy định của nhà trường. Nghiên cứu phản ánh xu hướng ứng dụng công nghệ tự động hóa tiên tiến trong môi trường giáo dục kỹ thuật.
1.2. Tầm quan trọng của an toàn giao thông cho xe tự hành
An toàn giao thông là ưu tiên hàng đầu khi triển khai xe điện tự hành. Theo thống kê toàn cầu, phần lớn tai nạn giao thông liên quan đến người đi bộ xảy ra do phản ứng chậm của người lái. Xe tự hành cần hệ thống cảm biến và thuật toán đủ mạnh để phát hiện người đi bộ trong nhiều điều kiện ánh sáng và môi trường khác nhau. Việc nghiên cứu thuật toán tránh va chạm giúp nâng cao độ tin cậy của hệ thống, giảm thiểu rủi ro tai nạn và tạo nền tảng cho việc thương mại hóa xe tự hành tại Việt Nam trong tương lai gần.
II. Phân tích thách thức nhận diện người đi bộ trong xe điện tự hành
Nhận diện người đi bộ trong điều kiện thực tế đặt ra nhiều thách thức kỹ thuật phức tạp. Người đi bộ có ngoại hình đa dạng, tư thế thay đổi liên tục và hành vi khó đoán. Môi trường giao thông đô thị có mật độ cao, ánh sáng thay đổi theo thời gian và nhiều vật thể che khuất. Các hệ thống camera đơn thuần gặp khó khăn khi ước lượng khoảng cách chính xác. Camera độ sâu và LiDAR cải thiện khả năng này nhưng chi phí cao. Mạng nơ-ron tích chập (CNN) đã chứng minh hiệu quả vượt trội trong phân loại hình ảnh. Tuy nhiên, việc xử lý thời gian thực đòi hỏi phần cứng tính toán mạnh. Trên xe điện tự hành nhỏ gọn, tài nguyên tính toán bị giới hạn. Sự cân bằng giữa độ chính xác và tốc độ xử lý là yếu tố then chốt. Ngoài ra, dữ liệu huấn luyện phải đa dạng và đại diện cho nhiều tình huống thực tế. Thiếu dữ liệu chất lượng cao là rào cản lớn trong nghiên cứu trong nước. Các nghiên cứu tại ĐH SPKT TP.HCM tập trung giải quyết bài toán này với nguồn lực sẵn có.
2.1. Hạn chế của phương pháp nhận diện truyền thống
Các phương pháp nhận diện truyền thống dựa trên đặc trưng thủ công như HOG (Histogram of Oriented Gradients) kết hợp SVM đã được sử dụng rộng rãi trước đây. Phương pháp này có tốc độ xử lý tương đối nhanh nhưng độ chính xác thấp khi người đi bộ bị che khuất một phần, mặc quần áo tối màu hoặc xuất hiện ở góc nhìn bất thường. Trong điều kiện ánh sáng yếu hoặc ngược sáng, hiệu suất giảm mạnh. Hệ thống không đủ linh hoạt để thích nghi với môi trường thay đổi động. Đây là lý do các phương pháp học sâu dần thay thế trong các nghiên cứu hiện đại về xe tự hành.
2.2. Vai trò của học máy và mạng nơ ron trong bài toán phát hiện
Machine Learning, đặc biệt là Deep Learning, đã cách mạng hóa khả năng nhận diện người đi bộ. Mạng nơ-ron tích chập học các đặc trưng tự động từ dữ liệu hình ảnh thay vì phụ thuộc vào đặc trưng thủ công. Cấu trúc mạng gồm các lớp nơ-ron kết nối với nhau, mô phỏng cơ chế xử lý của não người. Mỗi nơ-ron nhận đầu vào, tính tổng có trọng số và kích hoạt nếu vượt ngưỡng. Quá trình huấn luyện điều chỉnh trọng số để tối ưu độ chính xác. Sự phổ biến của Internet và dữ liệu lớn đã thúc đẩy mạnh mẽ sự phát triển của các mô hình học máy ứng dụng trong nhận diện đối tượng.
III. Giải pháp thuật toán tránh va chạm và hệ thống điều khiển xe điện tự hành
Hệ thống đề xuất trong đồ án tích hợp ba module chính: nhận diện người đi bộ, ước lượng khoảng cách và điều khiển tránh va chạm. Module nhận diện sử dụng mô hình học sâu được huấn luyện trên tập dữ liệu người đi bộ đa dạng. Camera được dùng làm cảm biến chính thu thập hình ảnh môi trường xung quanh xe. Sau khi phát hiện người đi bộ, hệ thống tính toán khoảng cách và dự đoán quỹ đạo di chuyển. Thuật toán điều khiển nhận tín hiệu này và ra lệnh điều chỉnh tốc độ hoặc hướng xe kịp thời. Động cơ servo đóng vai trò quan trọng trong việc điều khiển lái xe. Servo là thiết bị điện cơ gồm động cơ, cơ cấu phản hồi và mạch điều khiển. Cơ cấu phản hồi cung cấp thông tin thời gian thực về vị trí hiện tại, cho phép điều chỉnh liên tục và chính xác. Hệ thống điều khiển phản hồi đảm bảo xe thực hiện quỹ đạo tránh va chạm đúng như tính toán. Toàn bộ quy trình diễn ra trong thời gian thực, đảm bảo phản ứng kịp thời trước các tình huống nguy hiểm.
3.1. Kiến trúc mạng nơ ron ứng dụng trong phát hiện người đi bộ
Mạng nơ-ron tích chập (CNN) được lựa chọn làm nền tảng cho module nhận diện. Kiến trúc mạng bao gồm các lớp tích chập trích xuất đặc trưng không gian, lớp gộp giảm chiều dữ liệu và lớp kết nối đầy đủ phân loại đối tượng. Mô hình được huấn luyện với tập dữ liệu ảnh người đi bộ trong nhiều điều kiện khác nhau. Quá trình tối ưu hóa điều chỉnh trọng số qua nhiều vòng lặp nhằm giảm thiểu sai số. Kết quả là mô hình có khả năng nhận diện người đi bộ với độ chính xác cao, ngay cả trong điều kiện che khuất một phần hoặc góc nhìn nghiêng.
3.2. Cơ chế điều khiển servo và phản hồi thời gian thực
Động cơ servo là thành phần cốt lõi trong hệ thống lái của xe điện tự hành. Cấu trúc servo gồm stator tạo trường từ, rotor chuyển động dưới tác dụng của trường từ và cuộn dây dẫn điện. Mạch điều khiển xử lý tín hiệu từ module nhận diện và ra lệnh điều chỉnh góc lái. Bộ mã hóa vị trí cung cấp phản hồi liên tục về góc quay thực tế. Hệ thống điều khiển vòng kín so sánh vị trí mong muốn với vị trí thực và hiệu chỉnh sai lệch. Cơ chế này đảm bảo xe điều chỉnh hướng di chuyển nhanh chóng và chính xác khi phát hiện người đi bộ trước mặt.
IV. Kết quả và ứng dụng thực tiễn của nghiên cứu tại ĐH SPKT TP
Đồ án tốt nghiệp của nhóm sinh viên Khoa Điện – Điện tử ĐH SPKT TP.HCM đã hoàn thành xây dựng nguyên mẫu xe điện tự hành có khả năng phát hiện và tránh va chạm với người đi bộ. Hệ thống được kiểm thử trong môi trường có kiểm soát và đạt kết quả khả quan về khả năng phản ứng. Thời gian từ khi phát hiện người đi bộ đến khi xe thực hiện hành động tránh nằm trong giới hạn an toàn. Nghiên cứu chứng minh tính khả thi của việc tích hợp học sâu vào hệ thống xe tự hành chi phí thấp. Đây là nền tảng quan trọng cho các nghiên cứu tiếp theo về xe tự hành trong nước. Ứng dụng tiềm năng bao gồm xe giao hàng tự động trong khuôn viên trường đại học, robot phục vụ trong bệnh viện và xe tuần tra an ninh. Với xu hướng phát triển của giao thông thông minh tại Việt Nam, các kết quả nghiên cứu này có giá trị thực tiễn cao. Sự kết hợp giữa đào tạo kỹ thuật chất lượng và nghiên cứu ứng dụng tại ĐH SPKT TP.HCM mở ra triển vọng lớn cho lĩnh vực tự động hóa giao thông.
4.1. Đánh giá hiệu suất hệ thống tránh va chạm
Hệ thống được đánh giá qua các tiêu chí chính: độ chính xác nhận diện người đi bộ, thời gian phản hồi và tỷ lệ phát hiện nhầm. Kết quả thực nghiệm cho thấy mô hình học sâu đạt độ chính xác vượt trội so với phương pháp truyền thống trong cùng điều kiện kiểm thử. Hệ thống điều khiển servo phản ứng nhanh và ổn định. Các trường hợp thất bại chủ yếu xảy ra khi người đi bộ bị che khuất hoàn toàn hoặc xuất hiện đột ngột ở khoảng cách rất gần. Đây là cơ sở để nhóm nghiên cứu đề xuất cải tiến trong các phiên bản tiếp theo.
4.2. Hướng phát triển và mở rộng ứng dụng trong tương lai
Nghiên cứu mở ra nhiều hướng phát triển tiếp theo. Việc tích hợp thêm cảm biến LiDAR hoặc radar sẽ cải thiện đáng kể khả năng ước lượng khoảng cách. Sử dụng dữ liệu huấn luyện lớn hơn, đặc biệt dữ liệu thu thập tại Việt Nam, sẽ tăng độ bền vững của mô hình. Thuật toán lập kế hoạch quỹ đạo nâng cao có thể giúp xe xử lý nhiều người đi bộ cùng lúc. Triển khai trên nền tảng phần cứng mạnh hơn sẽ rút ngắn thời gian xử lý. Đây là hướng nghiên cứu có tiềm năng lớn trong bối cảnh Việt Nam đang đầu tư mạnh vào hạ tầng giao thông thông minh và đô thị thông minh.
