Luận văn thạc sĩ: Tối ưu hóa bản đồ 2D với bộ lọc Kalman sử dụng camera nổi

Luận văn thạc sĩ HCMUTE nghiên cứu tối ưu hóa bản đồ 2D bằng bộ lọc Kalman kết hợp camera nổi, nâng cao độ chính xác trong định vị.

• Tác giả: Trần Cẩm Nhân
• Người hướng dẫn: ThS. Nguyễn Đình Phú
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Kỹ Thuật Điện Tử
• Đề tài: Tối Ưu Hóa Bản Đồ 2D Bằng Bộ Lọc Kalman Với Camera Nổi
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2016
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LÝ LỊCH CÁ NHÂN
• LỜI CAM ĐOAN
• LỜI CẢM TẠ
• TÓM TẮT
• SUMMARY
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Tổng quan về hướng nghiên cứu
• 1.2. Tính cấp thiết của đề tài, ý nghĩa khoa học và thực tiễn của đề tài
• 1.3. Mục đích nghiên cứu và đối tượng nghiên cứu của đề tài
• 1.4. Nhiệm vụ và giới hạn
• 1.5. Phương pháp nghiên cứu
• 1.6. Kế hoạch thực hiện đề tài
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Khoảng cách Euclid giữa hai điểm trong hệ toạ độ Descartes
• 2.2. Các phép biến đổi tọa độ ba chiều
• 2.2.1. Phép tịnh tiến
• 2.3. Bộ lọc Kalman
• 3. CHƯƠNG 3: SƠ ĐỒ KHỐI VÀ THU THẬP, XỬ LÝ DỮ LIỆU LẤY TỪ CAMERA KINECT
• 3.1. Những thành phần chính của cảm biến Kinect
• 3.2. Thông số kỹ thuật của camera Kinect
• 3.3. Nguyên lý đo độ sâu của camera Kinect
• 3.4. Chuyển đổi dữ liệu ảnh 2D có được từ cảm biến Kinect thành ảnh 3D
• 4. CHƯƠNG 4: NHẬN DẠNG ĐIỂM ĐẶC TRƯNG VÀ CẶP ĐIỂM TƯƠNG ĐỒNG TRÊN ẢNH 2D
• 4.1. Nhận dạng các điểm đặc trưng trên ảnh 2D dùng thuật toán SIFT
• 4.1.1. Xác định vị trí của điểm đặc trưng
• 4.1.2. Mô tả đặc tính điểm đặc trưng
• 4.2. Nhận dạng các cặp điểm tương đồng của 2 ảnh 2D
• 5. CHƯƠNG 5: GHÉP CÁC CẶP ĐIỂM TƯƠNG ĐỒNG CỦA MÂY 3D
• 5.1. Ghép các cặp điểm tương đồng của hai đám mây 3D
• 5.2. Ghép các cặp điểm tương đồng của nhiều đám mây 3D
• 5.3. Xác định ma trận chuyển đổi từ encoder của robot tự hành
• 6. CHƯƠNG 6: KẾT QUẢ THỰC HIỆN VÀ ĐÁNH GIÁ
• 6.1. Thi công mô hình robot
• 6.2. Chuyển đổi dữ liệu ảnh 2D có được từ cảm biến Kinect thành ảnh 3D
• 6.3. Nhận dạng các điểm đặc trưng của vật thể trong ảnh RGB dùng thuật toán SIFT
• 6.4. Tìm các cặp điểm đặc trưng tương đồng của 2 ảnh RGB
• 6.5. Xác định các cặp tương đồng của 2 đám mây 3D tương ứng với các cặp điểm tương đồng của 2 ảnh RGB liên tiếp
• 6.6. Ghép các cặp điểm tương đồng của hai đám mây 3D lại với nhau
• 6.7. Ghép các cặp điểm tương đồng của nhiều đám mây 3D lại với nhau
• 6.7.1. Kết quả với lối đi có ít chi tiết
• 6.7.2. Kết quả với lối đi có nhiều chi tiết
• 6.8. Tối ưu hóa bản đồ 3D bằng bộ lọc Kalman
• 7. CHƯƠNG 7: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 7.2. HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về hướng nghiên cứu

Lĩnh vực robot tự hành đã phát triển mạnh mẽ từ thế kỷ 20, kết hợp nhiều kỹ thuật từ cơ khí, điện tử đến khoa học máy tính. Bản đồ 3D đóng vai trò quan trọng trong việc điều khiển robot, giúp chúng di chuyển và tương tác với môi trường. Nghiên cứu của Peter Henry và các đồng tác giả đã chỉ ra rằng camera RGB-D cung cấp dữ liệu cần thiết để xây dựng bản đồ 3D. Tuy nhiên, các nghiên cứu trước đó chưa đề cập đến việc tối ưu hóa bản đồ 3D. Việc này rất cần thiết để cải thiện độ chính xác và hiệu quả trong quá trình điều hướng của robot. Các nghiên cứu khác như của Liang-Chia Chen cũng đã chỉ ra khả năng vẽ bản đồ 3D trong thời gian thực nhưng vẫn chưa giải quyết vấn đề tối ưu hóa. Do đó, nghiên cứu này sẽ tập trung vào việc áp dụng bộ lọc Kalman để tối ưu hóa bản đồ 2D, từ đó tạo ra bản đồ 3D chính xác hơn.

II. Tính cấp thiết của đề tài

Robot tự hành có khả năng thực hiện các nhiệm vụ trong môi trường nguy hiểm, nơi con người không thể tiếp cận. Việc phát triển bản đồ cho robot là rất quan trọng, giúp chúng xác định vị trí và điều hướng trong không gian. Bản đồ 2D là nền tảng để xây dựng bản đồ 3D, và việc tối ưu hóa bản đồ này sẽ giúp robot hoạt động hiệu quả hơn. Nghiên cứu này không chỉ có ý nghĩa lý thuyết mà còn có ứng dụng thực tiễn trong nhiều lĩnh vực như y tế, công nghiệp và nghiên cứu khoa học. Việc sử dụng camera nổi để thu thập dữ liệu hình ảnh và áp dụng thuật toán Kalman sẽ giúp cải thiện độ chính xác của bản đồ, từ đó nâng cao khả năng hoạt động của robot trong các môi trường phức tạp.

III. Mục đích nghiên cứu và đối tượng nghiên cứu

Mục đích chính của nghiên cứu này là xây dựng một hệ thống bản đồ cho robot tự hành, sử dụng bộ lọc Kalman để tối ưu hóa bản đồ 2D. Đối tượng nghiên cứu là các thuật toán và công nghệ liên quan đến việc thu thập và xử lý dữ liệu từ camera nổi. Nghiên cứu sẽ tập trung vào việc phát triển một phương pháp hiệu quả để chuyển đổi dữ liệu hình ảnh thành bản đồ 2D, từ đó tạo ra bản đồ 3D chính xác hơn. Kết quả của nghiên cứu này sẽ góp phần vào việc phát triển robot tại Việt Nam, mở ra hướng đi mới cho các ứng dụng trong thực tế.

IV. Phương pháp nghiên cứu

Nghiên cứu sẽ áp dụng các phương pháp như xử lý hình ảnh và phân tích dữ liệu không gian để thu thập và xử lý thông tin từ camera nổi. Bộ lọc Kalman sẽ được sử dụng để tối ưu hóa dữ liệu thu thập được, giúp giảm thiểu sai số trong quá trình xây dựng bản đồ. Các thuật toán như SIFT sẽ được áp dụng để nhận diện các điểm đặc trưng trong ảnh, từ đó xác định các cặp điểm tương đồng giữa các khung hình. Quá trình này sẽ giúp tạo ra một bản đồ 2D chính xác, từ đó kết hợp nhiều bản đồ 2D để xây dựng bản đồ 3D. Phương pháp này không chỉ hiệu quả mà còn tiết kiệm chi phí so với các phương pháp khác như sử dụng laser scanner.

V. Kết quả thực hiện và đánh giá

Kết quả nghiên cứu cho thấy việc áp dụng bộ lọc Kalman trong quá trình tối ưu hóa bản đồ 2D mang lại hiệu quả cao. Các bản đồ 3D được xây dựng từ nhiều lớp bản đồ 2D chồng lên nhau, giúp cải thiện độ chính xác và giảm thiểu sai số. Việc sử dụng camera nổi để thu thập dữ liệu hình ảnh đã chứng minh tính khả thi trong việc xây dựng bản đồ cho robot tự hành. Đánh giá thực nghiệm cho thấy robot có khả năng di chuyển và điều hướng trong không gian phức tạp một cách hiệu quả, mở ra nhiều cơ hội ứng dụng trong thực tế.

Nội dung chính

Tổng quan nghiên cứu

Robot tự hành là lĩnh vực công nghệ phát triển mạnh mẽ trong thế kỷ 20, kết hợp nhiều ngành khoa học như kỹ thuật cơ khí, điện tử và khoa học máy tính. Một trong những yếu tố then chốt để robot tự hành hoạt động hiệu quả là khả năng xây dựng bản đồ không gian xung quanh. Theo một nghiên cứu gần đây, bản đồ 3D đóng vai trò quan trọng trong việc điều hướng và thao tác của robot, đặc biệt trong môi trường trong nhà. Camera RGB-D, như camera Kinect của Microsoft, cung cấp dữ liệu ảnh RGB kèm theo thông tin độ sâu, giúp chuyển đổi thành dữ liệu mây điểm 3D phục vụ cho việc xây dựng bản đồ.

Mục tiêu nghiên cứu của luận văn là xây dựng và tối ưu hóa hệ thống bản đồ 3D cho robot tự hành trong không gian trong nhà sử dụng camera nổi Kinect kết hợp bộ lọc Kalman nhằm giảm thiểu sai số cộng dồn trong quá trình ghép mây điểm 3D. Phạm vi nghiên cứu tập trung vào môi trường phòng kín với điều kiện ánh sáng tốt và nhiều chi tiết nhận dạng như bàn, ghế, ảnh treo tường, trong khoảng thời gian từ tháng 9/2015 đến tháng 2/2016 tại Thành phố Hồ Chí Minh.

Việc phát triển hệ thống bản đồ 3D tối ưu không chỉ nâng cao độ chính xác định vị và điều hướng cho robot mà còn góp phần thúc đẩy ứng dụng robot tự hành trong các lĩnh vực như y tế, công nghiệp và môi trường nguy hiểm. Các chỉ số hiệu suất như độ chính xác vị trí ước lượng và thời gian xử lý dữ liệu được sử dụng làm metrics đánh giá hiệu quả của hệ thống.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình sau:

• Khoảng cách Euclid trong hệ tọa độ Descartes 3 chiều: Công thức tính khoảng cách giữa hai điểm trong không gian 3D được sử dụng để xác định sự tương đồng giữa các điểm trong mây điểm 3D.

• Phép biến đổi tọa độ 3D (tịnh tiến và xoay): Ma trận chuyển đổi 4x4 được sử dụng để dịch chuyển và xoay các đám mây điểm 3D về cùng hệ tọa độ, phục vụ cho việc ghép mây điểm.

• Thuật toán SIFT (Scale Invariant Feature Transform): Thuật toán nhận dạng điểm đặc trưng trên ảnh 2D, không phụ thuộc vào độ phóng to, thu nhỏ hay góc nhìn, giúp tìm các điểm tương đồng giữa hai ảnh RGB.

• Bộ lọc Kalman: Phương pháp ước lượng trạng thái tối ưu, giảm thiểu sai số cộng dồn trong quá trình ghép mây điểm 3D bằng cách kết hợp dữ liệu từ camera Kinect và tín hiệu encoder bánh xe robot.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là ảnh RGB và ảnh độ sâu thu thập từ camera Kinect với độ phân giải 640x480 pixel, tầm đo độ sâu hiệu quả từ 0.8 m đến 4 m. Dữ liệu encoder bánh xe robot được giả lập để hỗ trợ bộ lọc Kalman.

Phương pháp phân tích bao gồm:

• Xử lý ảnh 2D để nhận dạng điểm đặc trưng bằng thuật toán SIFT.

• Xác định các cặp điểm tương đồng trên hai ảnh RGB liên tiếp.

• Chuyển đổi các điểm tương đồng trên ảnh 2D sang tọa độ mây điểm 3D.

• Tính toán ma trận chuyển đổi giữa các mây điểm 3D dựa trên các cặp điểm tương đồng.

• Ghép các mây điểm 3D liên tiếp để tạo bản đồ 3D tổng thể.

• Áp dụng bộ lọc Kalman để tối ưu hóa ma trận chuyển đổi, giảm sai số cộng dồn.

Quá trình nghiên cứu được thực hiện theo timeline từ tháng 9/2015 đến tháng 2/2016, bao gồm nghiên cứu lý thuyết, phát triển thuật toán, thu thập dữ liệu thực nghiệm và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Nhận dạng điểm đặc trưng và cặp điểm tương đồng trên ảnh RGB: Thuật toán SIFT đã xác định thành công các điểm đặc trưng trên ảnh RGB với số lượng điểm tương đồng trung bình đạt khoảng 150 điểm cho mỗi cặp ảnh chụp từ hai góc khác nhau trong phòng học. Việc lựa chọn ngưỡng δ = 0.6 giúp cân bằng giữa số lượng và chất lượng điểm tương đồng.

2. Chuyển đổi và ghép mây điểm 3D: Từ các điểm tương đồng trên ảnh RGB, các cặp điểm tương đồng trên mây điểm 3D được xác định chính xác, cho phép tính toán ma trận chuyển đổi 4x4 với sai số vị trí trung bình dưới 5 cm. Việc ghép hai mây điểm 3D tạo ra đám mây lớn hơn, mở rộng không gian mô tả.

3. Tối ưu hóa bản đồ 3D bằng bộ lọc Kalman: Khi áp dụng bộ lọc Kalman kết hợp dữ liệu encoder giả lập, sai số cộng dồn trong quá trình ghép mây điểm giảm khoảng 30% so với phương pháp không sử dụng bộ lọc. Bản đồ 3D sau tối ưu có độ chính xác cao hơn, thể hiện qua các biểu đồ tọa độ X, Y, Z của robot di chuyển trong phòng.

4. Thời gian xử lý: Thời gian xử lý trung bình cho việc kết hợp ảnh RGB và ảnh độ sâu đến khi ghép xong một cặp mây 3D là khoảng 1.2 giây trong môi trường ít chi tiết và 1.8 giây trong môi trường nhiều chi tiết, phù hợp với yêu cầu thời gian thực cho robot tự hành trong nhà.

Thảo luận kết quả

Nguyên nhân chính của sai số cộng dồn trong ghép mây điểm 3D là do nhiễu trong dữ liệu ảnh độ sâu và sai lệch trong quá trình nhận dạng điểm đặc trưng. Việc sử dụng bộ lọc Kalman giúp kết hợp hiệu quả dữ liệu từ camera Kinect và encoder bánh xe, giảm thiểu sai số này. Kết quả phù hợp với các nghiên cứu trước đây về ứng dụng bộ lọc Kalman trong định vị và vẽ bản đồ đồng thời (SLAM).

So sánh với các phương pháp sử dụng laser scanner, hệ thống camera Kinect có chi phí thấp hơn nhiều trong khi vẫn đảm bảo độ chính xác chấp nhận được cho ứng dụng trong nhà. Biểu đồ so sánh số lượng điểm tương đồng và thời gian xử lý minh họa rõ sự ổn định và hiệu quả của thuật toán trong các điều kiện môi trường khác nhau.

Đề xuất và khuyến nghị

1. Triển khai bộ lọc Kalman tích hợp đa cảm biến: Kết hợp thêm các cảm biến như IMU (Inertial Measurement Unit) để nâng cao độ chính xác định vị và giảm sai số cộng dồn trong bản đồ 3D. Thời gian thực hiện: 6 tháng; chủ thể: nhóm nghiên cứu robot tự hành.

2. Phát triển thuật toán nhận dạng điểm đặc trưng nâng cao: Áp dụng các thuật toán mới như SURF hoặc ORB để tăng tốc độ xử lý và cải thiện độ bền vững của điểm đặc trưng trong môi trường nhiều nhiễu. Thời gian thực hiện: 4 tháng; chủ thể: phòng nghiên cứu xử lý ảnh.

3. Mở rộng phạm vi ứng dụng bản đồ 3D: Thử nghiệm hệ thống trong các môi trường phức tạp hơn như nhà xưởng hoặc khu vực có ánh sáng yếu để đánh giá tính ổn định và khả năng thích ứng. Thời gian thực hiện: 8 tháng; chủ thể: đơn vị phát triển robot công nghiệp.

4. Tối ưu hóa phần cứng và phần mềm: Nâng cấp cấu hình máy tính xử lý và tối ưu thuật toán để giảm thời gian xử lý xuống dưới 1 giây cho mỗi cặp mây điểm, đáp ứng yêu cầu thời gian thực cao hơn. Thời gian thực hiện: 5 tháng; chủ thể: bộ phận kỹ thuật phần mềm.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành kỹ thuật điện tử, cơ khí và khoa học máy tính: Nghiên cứu về xử lý ảnh, robot tự hành và SLAM có thể áp dụng các phương pháp và thuật toán trong luận văn để phát triển đề tài liên quan.

2. Các công ty phát triển robot tự hành trong công nghiệp và dịch vụ: Áp dụng giải pháp tối ưu hóa bản đồ 3D bằng bộ lọc Kalman để nâng cao hiệu suất và độ chính xác của robot trong môi trường làm việc thực tế.

3. Nhà phát triển phần mềm xử lý ảnh và thị giác máy tính: Tham khảo thuật toán SIFT và kỹ thuật ghép mây điểm 3D để cải tiến các sản phẩm phần mềm liên quan đến nhận dạng và mô hình hóa không gian.

4. Cơ quan đào tạo và giảng dạy kỹ thuật: Sử dụng luận văn làm tài liệu tham khảo cho các khóa học về robot, xử lý ảnh và hệ thống cảm biến, giúp sinh viên hiểu rõ quy trình nghiên cứu và ứng dụng thực tế.

Câu hỏi thường gặp

1. Camera Kinect có phù hợp để xây dựng bản đồ 3D cho robot tự hành không?
   Camera Kinect cung cấp dữ liệu RGB và độ sâu với độ phân giải 640x480, tầm đo hiệu quả từ 0.8 đến 4 m, phù hợp cho môi trường trong nhà. Nó có chi phí thấp hơn laser scanner và độ chính xác đủ dùng cho các ứng dụng robot tự hành trong phòng kín.

2. Bộ lọc Kalman giúp gì trong việc tối ưu hóa bản đồ 3D?
   Bộ lọc Kalman kết hợp dữ liệu từ nhiều cảm biến, giảm thiểu sai số đo lường và sai số cộng dồn trong quá trình ghép mây điểm 3D, từ đó nâng cao độ chính xác vị trí và chất lượng bản đồ.

3. Thuật toán SIFT có ưu điểm gì trong nhận dạng điểm đặc trưng?
   SIFT nhận dạng điểm đặc trưng không phụ thuộc vào độ phóng to, thu nhỏ và góc nhìn, giúp tìm các điểm tương đồng chính xác giữa các ảnh RGB chụp từ các góc khác nhau, là bước quan trọng để ghép mây điểm 3D.

4. Sai số cộng dồn ảnh hưởng thế nào đến bản đồ 3D?
   Sai số cộng dồn làm cho các điểm trong mây điểm 3D bị lệch dần theo thời gian, gây méo bản đồ và giảm độ chính xác định vị. Việc áp dụng bộ lọc Kalman giúp giảm thiểu hiện tượng này.

5. Thời gian xử lý của hệ thống có đáp ứng yêu cầu thời gian thực không?
   Thời gian xử lý trung bình khoảng 1.2 đến 1.8 giây cho mỗi cặp mây điểm, phù hợp với các ứng dụng robot tự hành trong nhà. Tuy nhiên, có thể tối ưu thêm để đạt thời gian xử lý nhanh hơn.

Kết luận

• Đã xây dựng thành công hệ thống vẽ bản đồ 3D cho robot tự hành sử dụng camera Kinect và thuật toán SIFT để nhận dạng điểm đặc trưng.
• Áp dụng bộ lọc Kalman giúp tối ưu hóa ma trận chuyển đổi, giảm sai số cộng dồn trong quá trình ghép mây điểm 3D.
• Hệ thống đạt độ chính xác vị trí ước lượng dưới 5 cm và thời gian xử lý phù hợp với yêu cầu thực tế.
• Kết quả nghiên cứu góp phần nâng cao hiệu quả định vị và điều hướng cho robot tự hành trong môi trường trong nhà.
• Đề xuất mở rộng nghiên cứu tích hợp đa cảm biến và tối ưu thuật toán để nâng cao hiệu suất và ứng dụng trong môi trường phức tạp hơn.

Tiếp theo, nghiên cứu sẽ tập trung vào phát triển thuật toán nhận dạng điểm đặc trưng nâng cao, tích hợp thêm cảm biến IMU và thử nghiệm trong môi trường thực tế đa dạng hơn. Độc giả và các nhà nghiên cứu được khuyến khích áp dụng và phát triển các giải pháp từ luận văn để thúc đẩy công nghệ robot tự hành tại Việt Nam.

Trích đoạn nội dung tài liệu

Chương 1: TỔNG QUAN 1.1 Tổng quan về hướng nghiên cứu Robot tự hành là một lĩnh vực mới, ra đời vào khoảng thế kỷ 20. Lĩnh vực này kết hợp nhiều kỹ thuật và nguyên lý khoa học, từ kiến thức về kỹ thuật cơ khí, điện, điện tử đến khoa học máy tính, nhận thức và xã hội. Trong bài báo “RGB-D Mapping: Using depth cameras for dense 3D modeling of indoor environments” [1] của nhóm tác giả Peter Henry , Michael Krainin , Evan Herbst , Xiaofeng Ren , Dieter Fox đã khẳng định rằng bản đồ 3D có một vai trò vô cùng quan trọng trong việc điều khiển robot. Được ứng dụng trong quá trình điều hướng, thao tác, điều khiển từ xa robot,… Bài báo này còn định nghĩa camera RGB- D là một hệ thống cảm biến hình ảnh sẽ cho ta ảnh RGB kèm theo độ sâu của các pixel.

Bài báo đã thực nghiệm vẽ bản đồ một không gian dài 114m của một phòng thì nghiệm với thuật toán RGBD-ICP nhưng đòi hỏi một hệ thống phần cứng máy tính tốc độ cao để xử lý các thuật toán. Bài báo này không đề cập đến việc tối ưu hóa bản đồ 3D. Trong bài báo “Real-time 3-D feature detection and correspondence refinement for indoor environment-mapping using RGB-D cameras” [2] của nhóm tác giả Liang- Chia Chen, Nguyen Van Thai và Hsien-I Lin đã công bố kết quả vẽ bản đồ 3D cho môi trường trong nhà đáp ứng thời gian thực bằng camera Kinect. Cũng nhóm tác giả này với bài báo “In situ clouds-powered 3-D radiation detection and localization using novel color-depth-radiation (CDR) mapping” [3] đã hoàn thành chương trình điều khiển robot tự hành có gắn camera Kinect và radar để di chuyển và vẽ bản đồ môi trường xung quanh.

Cả hai bài báo này vẫn chưa đề cập đến vấn đề tối ưu hóa bản đồ. Với đề tài “Local and Global Localization for Mobile Robots using Visual Landmarks” nhóm tác giả Stephen Se, David Lowe, Jim Little của trường Đại Học Trang 16 Luan van University of British Columbia ở Canada đã xác định được vị trí cục bộ và toàn cục của robot dựa vào các vật mốc mà robot nhận dạng được [4]. Bài báo này đề cập đến việc xây dựng bản đồ dựa trên bản đồ cơ sở trước đó nhưng chưa nêu nên phương pháp cũng như là các bước thực hiện. Trong bài báo “Calibrated Kinect Sensors for Robot Simultaneous Localization and Mapping” của tác giả Yin-Tien Wang, Chin-An Shen và Jr-Syu Yang của trường đại học Tamkang, Đài Loan đã trình bày thuật toán định vị và vẽ bản đồ đồng thời của robot dùng cảm biến Kinect, cảm biến đo ba màu đỏ-xanh lá-xanh dương và độ sâu (RGB-D).

Độ méo dạng của ảnh RGB và ảnh độ sâu sẽ được chuẩn hoá trước khi dùng cảm biến này để đo vật. Thuật toán SUFT (Speeded up robust features) sẽ nhận dạng ra vật mốc trong ảnh RGB thu được và xây dựng lên bản đồ môi trường [5]. Đề tài này xác định tọa độ robot bằng cách nhận dạng vật mốc và cần phải xây một thư viện vật mốc gồm nhiều vật mốc khác nhau cho robot. Với bài báo “Method to Convert Kinect’s 3D Depth Data to a 2D Map for Indoor SLAM” nhóm tác giả Kamarulzaman Kamarudin, Syed Muhammad Mamduh, Ali Yeon Md Shakaff, Shaharil Mad Saad, Ammar Zakaria, Abu Hassan Abdullah and Latifah Munirah Kamarudin đến từ trường Đại Học Malaysia Perlis đã trình bày về vẽ bản đồ dùng camera Kinect 3D.

Dữ liệu độ sâu của camera này lấy từ cảm biến độ sâu sẽ được truy hồi và chuyển sang bản đồ 2D. Tuy nhiên bài báo này chưa chắc chắn về độ tin cậy của camera Kinect cũng như phương pháp được đề cập khi robot hoạt động trong môi trường khác như robot di chuyển, gặp các vật thể các toà nhà bằng kính hoặc trong trường hợp không phát hiện ra vật mốc nào[6].2 Tính cấp thiết của đề tài, ý nghĩa khoa học và thực tiễn của đề tài Robot tự hành ra đời nhằm mục đích giúp con người thực hiện những nhiệm vụ lặp đi lặp lại nhiều lần với độ chính xác cao, làm những nhiệm vụ trong các môi trường nguy hiểm, có nguy cơ ảnh hưởng đến tính mạng nếu con người ở trong môi trường ấy như môi trường hoá chất, môi trường yếm khí,. Ngoài ra, robot tự hành còn hoạt động ở những nơi mà con người không thể đến được như đáy lòng đại dương, Trang 17 Luan van các vệ tinh ngoài trái đất như mặt trăng, sao hoả,…. Bên cạnh đó robot tự hành còn ứng dụng trong nhiều lĩnh vực của cuộc sống để phục vụ nhu cầu con người đặc biệt là trong y tế.

Robot được mô hình hoá giống như con người vậy. Để robot có thể di chuyển đúng mục đích trong một không gian nhất định thì robot phải biết được mình đang ở đâu trong không gian đó và không gian đó trông như thế nào (to hay nhỏ, có vật cản hay không, đường đi trong không gian như thế nào,…). Tất cả những vấn đề này sẽ được giải quyết nếu như robot được cung cấp một thư viện bản đồ. Thư viện bản đồ này có chức năng giống như bản đồ mà chúng ta thường dùng trong thực tế để tìm đường đi đến nơi đích.

Nên việc phát triển việc vẽ bản đồ là một yêu cầu rất cấp thiết để một con robot có thể hoạt động và phát huy chức năng của mình trong thực tế.3 Mục đích nghiên cứu và đối tượng nghiên cứu của đề tài Với tính cấp thiết của đề tài như trên thì người nghiên cứu đã lựa chọn đề tài “Tối ưu hóa bản đồ 2D với bộ lọc Kalman dùng camera nổi” làm đề tài tốt nghiệp thạc sĩ chuyên ngành Điện-Điện Tử của mình. Với mục đích nghiên cứu là có thể xây dựng một hệ thống bản đồ cho robot tự hành, người nghiên cứu hi vọng đề tài của mình sẽ đóng góp được một phần nhỏ kiến thức cho dự án chế tạo và phát triển robot ở Việt Nam trong tương lai. Bản đồ 3D đươc tạo nên bằng cách sắp xếp nhiều lớp bản đồ 2D chồng lên nhau nên nó không những hội tụ được những ưu điểm của bản đồ 2D riêng rẻ mà còn có cả những ưu điểm của việc kết hợp các bản đồ 2D với nhau. Và trong thực tế bản đồ 3D có ứng dụng hơn bản đồ 2D nên cụ thể hơn đề tài sẽ xây dựng một hệ thống bản đồ 3D cho robot tự hành thay vì bản đồ 2D.

Người nghiên cứu xác định đối tượng nghiên cứu của mình là phương pháp vẽ bản đồ 3D. Trang 18 Luan van 1.4 Nhiệm vụ và giới hạn 1.1 Nhiệm vụ Với mục đích xây dựng một hệ thống bản đồ cho robot tự hành đề tài có các nhiệm vụ sau: - Thu thập dữ liệu là các ảnh RGB và ảnh độ sâu của không gian bằng camera Kinect. Kết hợp hai ảnh này lại với nhau để tạo thành mây 3D của khung cảnh. - Xây dựng thuật toán SIFT để nhận dạng các điểm đặc trưng trong khung cảnh của ảnh RGB.

- Xác định các điểm tương đồng của hai ảnh RGB liên tiếp cũng như là các điểm tương đồng của hai đám mây 3D liên tiếp để tính toán ma trận chuyển đổi giữa hai đám mây và nhiều đám mây. - Xây dựng thuật toán bộ lọc Kalman để tối ưu hóa độ chính xác của ma trận chuyển đổi. - Đo thực nghiệm để kiểm tra chất lượng của thuật toán và đưa ra nhận xét đánh giá kết quả.2 Giới hạn Đề tài chọn camera nổi là camera Kinect của hãng Microsoft làm cảm biến thu thập dữ liệu. Camera này cho ta ảnh RGB với độ phân giải 640x480 pixel, tầm đo từ 0.

Đề tài chỉ dùng camera Kinect để thu thập dữ liệu thực tế là ảnh RGB và ảnh độ sâu của khung cảnh để làm dữ liệu xử lý cho các thuật toán. Các dữ liệu khác như dữ liệu encoder đề tài sẽ sử dụng dữ liệu giả lập để kiểm tra thuật toán. Đề tài chỉ thực hiện vẽ bản đồ cho không gian trong phòng kín có điều kiện ánh sáng tốt để giảm tối đa nhiễu do ánh sáng gây ra và có nhiều chi tiết để nhận dạng như ảnh treo tường, bàn, ghế, …. Không gian này phải ở trạng thái tĩnh trong quá trình đo đạt.

Trang 19 Luan van 1.5 Phương pháp nghiên cứu Trong quá trình nghiên cứu, người nghiên cứu sử dụng các phương pháp sau: - Phương pháp phân tích và tổng hợp lý thuyết: được sử dụng trong quá trình nghiên cứu lý thuyết được trình bày trong phần cơ sở lý thuyết. - Phương pháp phân loại và hệ thống hóa lý thuyết: được dùng trong quá trình tham khảo các bài báo khoa học trong nước và quốc tế. - Phương pháp mô hình hóa: được dùng trong quá trình xây dựng nên sơ đồ khối của hệ thống đề tài. - Phương pháp quan sát khoa học: được dùng nhiều khi đo đạt thực nghiệm.

- Phương pháp thực nghiệm khoa học: được sử dụng trong quá trình đo đạt thực nghiệm đề tài. - Phương pháp phân tích tổng kết kinh nghiệm: được thực hiện trong quá trình kiểm tra và đánh giá dữ liệu thu được từ đo đạt.6 Kế hoạch thực hiện đề tài Bảng 1.1: Kế hoạch thực hiện đề tài Thời gian Nội dung Tháng thứ nhất 9/2015 Nghiên cứu lý thuyết về: - Các phép chuyển đổi trong hệ tọa độ 3D. - Bộ lọc Kalman và ứng dụng bộ lọc Kalman trong điều khiển robot. - Thuật toán nhận dạng SIFT và tìm cặp điểm đặc trưng tương đồng trên ảnh RGB.

Tháng thứ 2 10/2015 Nghiên cứu lý thuyết về: - Phương pháp tính toán ma trận chuyển đổi giữa các đám mây. - Phương pháp dịch chuyển các đám mây lại với nhau. Trang 20 Luan van Tháng thứ 3 11/2015 - Viết chương trình đọc ảnh RGB và ảnh độ sâu tương ứng. - Viết chương trình kết hợp ảnh RGB và ảnh độ sâu thành mây 3D.

- Viết chương trình tìm điểm đặc trưng của ảnh RGB, tìm cặp điểm đặc trưng tương đồng của hai ảnh RGB và mây liên tiếp. - Viết chương trình tìm ma trận chuyển đổi hai mây 3D từ tọa độ các cặp điểm tương đồng. - Viết chương trình ghép 2 đám mây 3D lại với nhau. Tháng thứ 4 12/2015 - Viết chương trình vẽ bản đồ 3D cho robot tự hành khi di chuyển trong không gian trong nhà - Viết chương trình tối ưu hóa bản đồ 3D cho robot tự hành di chuyển trong không gian trong nhà với bộ lọc Kalman.

Tháng thứ 5 1/2016 Thu thập dữ liệu, đo đạt thực nghiệm và nhận xét, đánh giá. Tháng thứ 6 2/2016 Viết luận văn. Trang 21 Luan van Chương 2: CƠ SỞ LÝ THUYẾT 2.1 Khoảng cách Euclid giữa hai điểm trong hệ toạ độ Descartes Trong hệ toạ độ Descartes Oxy cho hai điểm 𝐴(𝑥𝑎 , 𝑦𝑎 ) và 𝐵(𝑥𝑏 , 𝑦𝑏 ) như hình 2.