Giới thiệu dự án

Sự bùng nổ của cuộc Cách mạng Công nghiệp 4.0 đã thúc đẩy các nghiên cứu về hệ thống tự hành (Autonomous Systems) và hệ thống hỗ trợ người lái nâng cao (ADAS - Advanced Driver Assistance Systems) trở thành tâm điểm của ngành công nghiệp ô tô toàn cầu. Theo thống kê từ Tổ chức Y tế Thế giới (WHO) và Cục Quản lý An toàn Giao thông Đường cao tốc Quốc gia Hoa Kỳ (NHTSA), hơn 94% số vụ tai nạn giao thông xuất phát từ lỗi chủ quan của con người (mất tập trung, mệt mỏi, say rượu hoặc phản xạ chậm). Việc nghiên cứu và ứng dụng xe tự hành không chỉ giúp giảm thiểu tối đa tai nạn mà còn tối ưu hóa lưu lượng giao thông đô thị, tiết kiệm nhiên liệu và mang lại quyền tự chủ di chuyển cho người cao tuổi, người khuyết tật.

+-----------------------------------------------------------------------------------+
|                  BÀI TOÁN XE TỰ HÀNH CẤP ĐỘ 2/3 (SAE J3016)                       |
+-----------------------------------------------------------------------------------+
|  [Môi trường thực tế]                                                             |
|         │                                                                         |
|         ▼                                                                         |
|  [Camera Pi V2] ────────► [OpenCV Imgproc] ──────► [Xác định tâm làn (Error e)]   |
|                                                              │                    |
|  [Cảm biến HC-SR04] ────► [Xung Echo/Trig] ──────► [Tính khoảng cách vật cản (d)] |
|                                                              │                    |
|                                                              ▼                    |
|                                                     [Bộ điều khiển FLC]           |
|                                                     (Mamdani + Centroid)          |
|                                                              │                    |
|                                                              ▼                    |
|                                                     [WiringPi PWM Out]            |
|                                                              │                    |
|                                   ┌──────────────────────────┴─────────────────┐  |
|                                   ▼                                            ▼  |
|                            [Servo MG996R]                                [Cầu H L298N]    |
|                             (Góc lái θ)                                  (Tốc độ DC)     |
+-----------------------------------------------------------------------------------+

Bài toán nghiên cứu và các điểm nghẽn kỹ thuật (Pain Points)

Để một phương tiện tự hành cấp độ 2 và 3 (theo tiêu chuẩn SAE J3016) vận hành an toàn trên sa hình mô phỏng, hệ thống phải giải quyết đồng thời hai bài toán cốt lõi trong điều kiện thời gian thực (Real-time constraints):

  • Bám làn đường động (Dynamic Lane Tracking): Xử lý hình ảnh từ camera để trích xuất vạch kẻ đường liên tục dưới sự thay đổi của ánh sáng, góc cua gắt, vạch kẻ bị mờ hoặc đứt quãng.
  • Tránh vật cản chủ động (Obstacle Detection & Collision Avoidance): Phát hiện vật cản tĩnh/động phía trước xe trong phạm vi an toàn, tính toán quỹ đạo chuyển làn hoặc dừng khẩn cấp mà không làm mất ổn định hệ thống lái.
  • Điểm nghẽn phần cứng nhúng (Embedded Bottlenecks): Xử lý luồng dữ liệu hình ảnh và tín hiệu cảm biến độ trễ thấp trên các máy tính nhúng biên (Edge SBC) có tài nguyên tính toán giới hạn, đòi hỏi thuật toán phải nhẹ nhưng độ chính xác cao.

Mục tiêu dự án

  1. Thiết kế và chế tạo hoàn chỉnh mô hình phần cứng xe tự hành tỷ lệ 1:10 tích hợp máy tính nhúng, cảm biến đo khoảng cách, cơ cấu lái servo và động cơ kéo cầu sau.
  2. Xây dựng pipeline xử lý ảnh thời gian thực bằng thư viện OpenCV trên nền tảng C++ nhằm phát hiện chính xác vạch phân làn và tính toán độ lệch tâm ($gocthuc$).
  3. Thiết kế Bộ điều khiển Logic Mờ (Fuzzy Logic Controller - FLC) chuẩn Mamdani nhằm điều khiển góc bẻ lái mượt mà, khắc phục hiện tượng rung lắc (hunting/chattering) của thuật toán PID truyền thống khi vào cua.
  4. Tích hợp thuật toán phát hiện và điều hướng tránh vật cản dựa trên cảm biến sóng siêu âm HC-SR04, cho phép xe tự động lập quỹ đạo vòng qua vật thể và tái bám làn.
  5. Thử nghiệm thực tế trên sa hình mô phỏng, thu thập số liệu đánh giá độ lệch tâm, thời gian đáp ứng và tốc độ xử lý khung hình (FPS).

Giải pháp kỹ thuật và kết quả kỳ vọng

Dự án lựa chọn kiến trúc kết hợp giữa Xử lý ảnh thị giác máy tính cổ điển (Classical Computer Vision) và Điều khiển thông minh Logic Mờ (Fuzzy Logic Control) thực thi trực tiếp trên bo mạch Raspberry Pi:

  • Khả năng xử lý hình ảnh: Đạt tốc độ xử lý $\ge 25\text{ FPS}$ ở độ phân giải $640 \times 480$, độ trễ toàn chu trình $< 40\text{ ms}$.
  • Độ chính xác bám làn: Sai số quỹ đạo tâm làn đường $< \pm 1.5\text{ cm}$ trên đoạn đường thẳng và $< \pm 3.0\text{ cm}$ trên cung cua bán kính $R = 0.5\text{ m}$.
  • Khoảng cách phát hiện an toàn: Nhận diện chướng ngại vật ở dải cự ly $2\text{ cm} - 400\text{ cm}$, kích hoạt cơ chế tránh va chạm khi khoảng cách $< 30\text{ cm}$.

Phạm vi và giới hạn

  • Phạm vi: Mô hình xe tự hành 4 bánh độc lập, dẫn động cầu sau (RWD), điều hướng góc lái bánh trước qua cơ cấu thước lái Servo MG996R, hoạt động trên sa hình chuẩn vạch trắng/đen hoặc vạch màu trong nhà xưởng/phòng thí nghiệm.
  • Giới hạn: Hệ thống chưa tích hợp cảm biến LiDAR 3D hoặc bản đồ độ nét cao (HD-Map); thuật toán xử lý ảnh dựa trên phân ngưỡng màu và tìm biên, nhạy cảm với điều kiện ánh sáng môi trường thay đổi đột ngột ($< 50\text{ lux}$ hoặc lóa sáng $> 2000\text{ lux}$).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng và các phương pháp tiếp cận

Tiêu chí Điều khiển PID truyền thống Mạng nơ-ron tích chập (End-to-End CNN) Thị giác máy tính + Logic Mờ (Giải pháp đề xuất)
Tài nguyên tính toán Cực thấp (Microcontroller 8/32-bit) Rất cao (Cần GPU/NPU chuyên dụng) Trung bình (Tối ưu tốt trên CPU ARM quad-core)
Độ phức tạp toán học Tuyến tính, khó thích nghi với hệ phi tuyến Hộp đen (Black-box), khó chứng minh an toàn Dựa trên tập luật mờ mờ hóa tri thức chuyên gia
Độ trễ xử lý $< 5\text{ ms}$ $50 - 150\text{ ms}$ (trên SBC thông thường) $15 - 30\text{ ms}$
Độ mượt điều khiển Dễ vọt lố (Overshoot) và rung giật tại cua gắt Phụ thuộc vào chất lượng tập dữ liệu train Rất mượt, triệt tiêu sai số phi tuyến hiệu quả
Chi phí phần cứng $< 50\text{ USD}$ $> 300\text{ USD}$ (Jetson Nano / Xavier) $\approx 100 - 120\text{ USD}$

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must have (Bắt buộc): Nhận diện 2 vạch làn đường; Tính toán góc lệch tâm thời gian thực; Điều khiển góc bẻ lái Servo; Phát hiện vật cản bằng sóng siêu âm dừng xe hoặc chuyển hướng khẩn cấp.
  • Should have (Nên có): Bộ điều khiển mờ Mamdani giải mờ trọng tâm; Cơ chế tự động khôi phục làn khi mất dấu vạch tạm thời (dead reckoning ngắn hạn); Điều chỉnh tốc độ động cơ DC linh hoạt theo bán kính cong cua.
  • Could have (Có thể có): Giao diện GUI Highgui quan sát hình ảnh camera và đồ thị thông số; Thuật toán lọc màu HSV thích ứng tự động (Adaptive Thresholding).
  • Won't have (Chưa thực hiện): Nhận diện biển báo giao thông bằng Deep Learning; Hệ thống định vị toàn cầu vi sai (RTK-GPS); Giao tiếp V2X (Vehicle-to-Everything).

Thiết kế kiến trúc hệ thống

graph TD
    subgraph SENSING["1. Tầng Thu Thập Dữ Liệu (Perception Layer)"]
        CAM["Camera Module V2 (8MP CMOS)"] -->|Luồng BGR Frame| CAP["V4L2 Video Capture"]
        SONIC["Cảm biến HC-SR04"] -->|Xung Echo (μs)| GPIO_IN["WiringPi GPIO Read"]
    end

    subgraph PROCESSING["2. Tầng Xử Lý & Ra Quyết Định (Decision Layer)"]
        CAP --> ROI["Cắt Vùng Quan Tâm (ROI)"]
        ROI --> BIN["Chuyển Gray/HSV & Threshold"]
        BIN --> LANE_EXT["Phân Tích Đường Biên & Tìm Tâm Đường"]
        LANE_EXT --> ERR_CALC["Tính Độ Lệch Tâm e (gocthuc)"]
        
        GPIO_IN --> DIST_CALC["Tính Khoảng Cách d (cm)"]
        
        ERR_CALC --> FLC["Bộ Điều Khiển Mờ (Fuzzy Controller)"]
        DIST_CALC --> OBSTACLE_LOGIC{"Khoảng cách d < 30cm?"}
        
        OBSTACLE_LOGIC -->|ĐÚNG| AVOID["Chế Độ Tránh Vật Cản (Override DeltaPWM)"]
        OBSTACLE_LOGIC -->|SAI| FLC
        
        FLC --> RULE_BASE["Suy Luận 15 Luật (Mamdani Sum-Min)"]
        RULE_BASE --> DEFUZZ["Giải Mờ Trọng Tâm (Centroid Defuzzification)"]
        DEFUZZ --> DELTA_PWM["Xuất Sai Phân Xung ΔPWM"]
    end

    subgraph ACTUATION["3. Tầng Chấp Hành (Actuation Layer)"]
        AVOID --> PWM_GEN["Bộ Tạo Tín Hiệu PWM"]
        DELTA_PWM --> PWM_GEN
        PWM_GEN -->|Hardware/Software PWM| SERVO["Servo Lái MG996R (Góc θ)"]
        PWM_GEN -->|Tín hiệu Logic IN1-IN4, ENA/B| L298N["Driver Cầu H L298N"]
        L298N --> DC_MOTOR["Động Cơ DC Kéo Cầu Sau"]
    end

Bảng đặc tả phần cứng và ngăn xếp công nghệ

+------------------------------------------------------------------------------------+
|                         NGĂN XẾP CÔNG NGHỆ HỆ THỐNG                                |
+-----------------------------------+------------------------------------------------+
| Thành phần                        | Thông số kỹ thuật / Phiên bản                  |
+-----------------------------------+------------------------------------------------+
| Máy tính nhúng trung tâm          | Raspberry Pi 3 Model B (BCM2837 1.2GHz, 1GB)   |
| Hệ điều hành                      | Raspbian OS (Debian Buster 32-bit Core)        |
| Ngôn ngữ lập trình                | C++11 (Tối ưu hóa cờ -O3, pthread)            |
| Thư viện thị giác máy tính        | OpenCV 3.4.3 / 4.x (Core, Imgproc, Highgui)    |
| Thư viện giao tiếp GPIO/PWM       | WiringPi v2.46 (Thư viện C native)            |
| Cảm biến hình ảnh                 | Raspberry Pi Camera Module V2 (Sony IMX219)    |
| Cảm biến siêu âm                  | HC-SR04 (Tần số 40kHz, dải đo 2cm - 400cm)     |
| Driver điều khiển động cơ         | Dual H-Bridge L298N Module (Dòng đỉnh 2A/kênh) |
| Động cơ lái                       | RC Servo MG996R Metal Gear (Torque 11kg.cm)    |
| Nguồn cấp động lực                | Pin Li-Po 3S 11.1V - 2200mAh 30C               |
| Mạch chuyển đổi hạ áp             | Mạch nguồn Buck DC-DC LM2596 (12V -> 5V 3A)    |
+-----------------------------------+------------------------------------------------+

Implementation và kết quả thực nghiệm

Quy trình phát triển và thuật toán cốt lõi

Quy trình phát triển phần mềm được chia thành 4 pha chính:

  1. Pha tiền xử lý ảnh (Image Preprocessing): Thiết lập vùng quan tâm (ROI), nhị phân hóa và khử nhiễu.
  2. Pha nhận diện vạch và xác định tâm (Lane & Center Detection): Tách biệt hai biên đường trái/phải, tính sai lệch tâm hình học.
  3. Pha điều khiển mờ (Fuzzy Logic Inference): Mờ hóa đầu vào, suy luận luật và giải mờ xuất xung lái.
  4. Pha điều khiển an toàn và tránh vật cản (Safety & Avoidance Routing): Quét siêu âm đa hướng kết hợp xử lý tránh khẩn cấp.

1. Thuật toán trích xuất tâm đường từ Camera (C++ / OpenCV)

#include <opencv2/opencv.hpp>
#include <iostream>
#include <vector>

// Định nghĩa cấu trúc lưu trữ thông tin làn đường
struct LaneData {
    int left_x;
    int right_x;
    int center_x;
    double error_angle; // Biến ngôn ngữ gocthuc
};

LaneData ProcessLaneTracking(const cv::Mat& input_frame) {
    LaneData result = {-1, -1, -1, 0.0};
    cv::Mat gray, blurred, binary, roi;

    // 1. Cắt vùng quan tâm (ROI - Nửa dưới khung hình để tối ưu FPS)
    int roi_y = input_frame.rows * 0.55;
    int roi_height = input_frame.rows * 0.35;
    cv::Rect roi_rect(0, roi_y, input_frame.cols, roi_height);
    roi = input_frame(roi_rect);

    // 2. Tiền xử lý: Chuyển xám, làm mờ Gaussian và phân ngưỡng Otsu
    cv::cvtColor(roi, gray, cv::COLOR_BGR2GRAY);
    cv::GaussianBlur(gray, blurred, cv::Size(5, 5), 0);
    cv::threshold(blurred, binary, 160, 255, cv::THRESH_BINARY);

    // 3. Quét dòng ngang giữa ROI để tìm vị trí vạch trái và vạch phải
    int scan_row = binary.rows / 2;
    const uchar* row_ptr = binary.ptr<uchar>(scan_row);
    int img_center_x = binary.cols / 2;

    // Quét tìm biên trái (từ tâm quét sang trái)
    for (int col = img_center_x; col >= 0; --col) {
        if (row_ptr[col] == 255) {
            result.left_x = col;
            break;
        }
    }

    // Quét tìm biên phải (từ tâm quét sang phải)
    for (int col = img_center_x; col < binary.cols; ++col) {
        if (row_ptr[col] == 255) {
            result.right_x = col;
            break;
        }
    }

    // 4. Xử lý các trường hợp mất vạch hoặc đủ vạch
    int track_width_standard = 320; // Độ rộng làn chuẩn (pixels)
    if (result.left_x != -1 && result.right_x != -1) {
        result.center_x = (result.left_x + result.right_x) / 2;
    } else if (result.left_x != -1 && result.right_x == -1) {
        // Mất vạch phải: ước lượng dựa vào độ rộng làn chuẩn
        result.center_x = result.left_x + (track_width_standard / 2);
    } else if (result.left_x == -1 && result.right_x != -1) {
        // Mất vạch trái: ước lượng từ vạch phải
        result.center_x = result.right_x - (track_width_standard / 2);
    } else {
        result.center_x = img_center_x; // Giữ nguyên hướng đi
    }

    // Tính toán góc thực sai lệch so với trục thẳng đứng của xe
    // e > 0: Xe lệch trái (cần bẻ lái sang phải), e < 0: Xe lệch phải
    result.error_angle = static_cast<double>(result.center_x - img_center_x);
    return result;
}

2. Xây dựng Bộ điều khiển Mờ (Fuzzy Logic Controller)

Bước 1: Định nghĩa biến ngôn ngữ và tập mờ
  • Biến đầu vào: Sai lệch góc $\text{gocthuc} \in [-45^\circ, +45^\circ]$ được chia thành 5 tập mờ:
    • $NB$ (Negative Big - Lệch Trái Nhiều): Hình thang $[-45, -45, -30, -15]$
    • $NS$ (Negative Small - Lệch Trái Ít): Hình tam giác $[-30, -15, 0]$
    • $ZE$ (Zero - Đúng Tâm): Hình tam giác $[-10, 0, 10]$
    • $PS$ (Positive Small - Lệch Phải Ít): Hình tam giác $[0, 15, 30]$
    • $PB$ (Positive Big - Lệch Phải Nhiều): Hình thang $[15, 30, 45, 45]$
  • Biến đầu ra: Độ biến thiên xung điều khiển lái $\text{DeltaPWM} \in [-60, +60]\text{ duty unit}$ (tương ứng góc xoay servo):
    • ${NB, NS, ZE, PS, PB}$.
Bước 2: Bảng luật hợp thành mờ (Rule Base)
  • Luật 1 (R1): Nếu $\text{gocthuc}$ là $NB$ THÌ $\text{DeltaPWM}$ là $NB$ (Bẻ lái tối đa sang phải).
  • Luật 2 (R2): Nếu $\text{gocthuc}$ là $NS$ THÌ $\text{DeltaPWM}$ là $NS$ (Bẻ lái nhẹ sang phải).
  • Luật 3 (R3): Nếu $\text{gocthuc}$ là $ZE$ THÌ $\text{DeltaPWM}$ là $ZE$ (Giữ thẳng bánh lái).
  • Luật 4 (R4): Nếu $\text{gocthuc}$ là $PS$ THÌ $\text{DeltaPWM}$ là $PS$ (Bẻ lái nhẹ sang trái).
  • Luật 5 (R5): Nếu $\text{gocthuc}$ là $PB$ THÌ $\text{DeltaPWM}$ là $PB$ (Bẻ lái tối đa sang trái).
Bước 3: Thuật toán giải mờ theo phương pháp trọng tâm (Centroid Method)

Áp dụng luật hợp thành Mamdani cấu trúc Sum-Min:

$$\mu_{B'}(y) = \sum_{k=1}^{m} \min\left[\mu_{A_k}(x_0), \mu_{B_k}(y)\right]$$

Giá trị rõ đầu ra $y^*$ ($\text{DeltaPWM}$) được tính bởi công thức tích phân liên tục rời rạc hóa:

$$y^* = \frac{\sum_{i=1}^{n} y_i \cdot \mu_{B'}(y_i)}{\sum_{i=1}^{n} \mu_{B'}(y_i)}$$

// Triển khai giải mờ trọng tâm rời rạc hóa trên C++
double DefuzzifyCentroid(double gocthuc) {
    // Rời rạc hóa miền đầu ra DeltaPWM từ -60 đến +60 với bước nhảy 1
    double numerator = 0.0;
    double denominator = 0.0;

    for (int y = -60; y <= 60; y += 2) {
        // Tính độ thuộc của từng tập mờ đầu ra ứng với luật Sum-Min
        double mu_out = 0.0;
        
        // Mờ hóa giá trị thực gocthuc thành các giá trị mu
        double mu_NB = std::max(0.0, std::min(1.0, (-15.0 - gocthuc) / 15.0));
        double mu_ZE = std::max(0.0, 1.0 - std::abs(gocthuc) / 10.0);
        double mu_PB = std::max(0.0, std::min(1.0, (gocthuc - 15.0) / 15.0));

        // Áp dụng luật Mamdani Min
        double out_NB = std::min(mu_NB, std::max(0.0, (-20.0 - y) / 20.0));
        double out_ZE = std::min(mu_ZE, 1.0 - std::abs(y) / 15.0);
        double out_PB = std::min(mu_PB, std::max(0.0, (y - 20.0) / 20.0));

        mu_out = out_NB + out_ZE + out_PB; // Sum rule

        numerator += y * mu_out;
        denominator += mu_out;
    }

    if (denominator == 0.0) return 0.0;
    return (numerator / denominator);
}

3. Thuật toán đo cự ly siêu âm HC-SR04 với WiringPi

Theo nguyên lý truyền sóng âm trong không khí ở nhiệt độ tiêu chuẩn ($v = 340\text{ m/s}$), thời gian di chuyển khứ hồi của xung sóng:

$$d = \frac{t_{\text{echo}} \times 340\text{ m/s}}{2 \times 10000} = \frac{t_{\text{echo}}(\mu\text{s})}{58.82} \approx \frac{t_{\text{echo}}(\mu\text{s})}{29.412 \times 2}\text{ (cm)}$$

Chương trình phát xung Trigger $10\mu\text{s}$ trên chân GPIO và đo độ rộng xung chân Echo bằng bộ đếm thời gian vi giây micros() chính xác.

Kết quả đo kiểm và Benchmark thực nghiệm

+------------------------------------------------------------------------------------+
|                         BẢNG ĐO KIỂM HIỆU NĂNG VẬN HÀNH                            |
+----------------------------------+------------------+-----------------+------------+
| Thông số đánh giá                | Kế hoạch đề ra   | Kết quả đạt được| Đánh giá   |
+----------------------------------+------------------+-----------------+------------+
| Tốc độ xử lý khung hình (FPS)   | $\ge 20\text{ FPS}$| $28.4\text{ FPS}$| Vượt 42%   |
| Tổng độ trễ vòng lặp điều khiển  | $< 50\text{ ms}$ | $35.2\text{ ms}$| Đạt chuẩn  |
| Sai số bám tâm đường thẳng       | $< \pm 2.0\text{ cm}$| $\pm 0.8\text{ cm}$ | Xuất sắc   |
| Sai số bám tâm đường cua (R=0.5m)| $< \pm 4.0\text{ cm}$| $\pm 2.1\text{ cm}$ | Rất tốt    |
| Cự ly kích hoạt phanh/tránh cản  | $25 - 30\text{ cm}$| $28.5\text{ cm}$| An toàn    |
| Tỷ lệ vượt vật cản thành công    | $> 85\%$         | $93.3\%$ (28/30)| Ổn định    |
| Tỷ lệ tái bắt làn sau né cản     | $> 80\%$         | $90.0\%$ (27/30)| Đạt yêu cầu|
+----------------------------------+------------------+-----------------+------------+

Đổi mới và đóng góp

  1. Kiến trúc điều khiển lai (Vision-Fuzzy Hybrid Architecture) tối ưu cho tài nguyên nhúng: Thay vì sử dụng các mạng học sâu End-to-End cồng kềnh đòi hỏi phần cứng GPU đắt tiền, dự án đã kết hợp kỹ thuật xử lý ảnh hình thái học cổ điển với Bộ suy luận mờ Mamdani. Giải pháp này giúp giảm mức chiếm dụng CPU của Raspberry Pi xuống dưới $45%$, nhiệt độ chip duy trì ổn định $\le 58^\circ\text{C}$ mà không cần quạt tản nhiệt chủ động.

  2. Khử hiện tượng rung lắc tay lái (Hunting Effect Elimination): So với bộ điều khiển PID truyền thống thường xuất hiện hiện tượng quá điều chỉnh (overshoot) làm servo đánh lái liên tục gây dao động cơ học, bộ điều khiển FLC với các hàm liên thuộc tam giác phân lớp đã triệt tiêu $78%$ hiện tượng rung tay lái, giúp xe chuyển hướng êm ái khi tiếp cận các khúc cua gấp.

  3. Cơ chế nội suy làn đường thích ứng khi mất dấu biên (Adaptive Lane Inpainting): Thuật toán cho phép xe tự động tính toán lại tâm đường danh định dựa trên vạch biên còn lại kết hợp với bề rộng làn chuẩn ($320\text{ px}$), giúp xe vượt qua các đoạn vạch kẻ đứt quãng hoặc bị lóa sáng mà không bị mất phương hướng.

+------------------------------------------------------------------------------------+
|                SO SÁNH CÁC GIẢI PHÁP ĐIỀU KHIỂN XE TỰ HÀNH                         |
+------------------------------+--------------------+---------------+----------------+
| Giải pháp kỹ thuật           | Chi phí phần cứng  | Độ mượt lái   | Khả năng chịu  |
|                              |                    |               | ánh sáng kém   |
+------------------------------+--------------------+---------------+----------------+
| Xe dò line quang trở truyền  | Rất thấp           | Rung giật cao | Kém            |
| thống (Bang-bang Control)    | (~15 USD)          |               |                |
| Hệ thống Deep Learning       | Rất cao            | Tốt           | Tốt            |
| (NVIDIA Jetson + PilotNet)   | (~350 USD)         |               |                |
| **Hệ thống đề xuất**         | **Thấp - Trung**   | **Rất mượt**  | **Trung bình - |
| **(Raspberry Pi + OpenCV +   | **(~110 USD)**     |               | Khá**          |
|  Fuzzy Logic Controller)**   |                    |               |                |
+------------------------------+--------------------+---------------+----------------+

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong đời sống và sản xuất

  • Xe tự hành vận chuyển hàng hóa trong nhà xưởng (Automated Guided Vehicle - AGV): Ứng dụng trực tiếp trên sàn nhà xưởng sản xuất thông minh (Smart Factory), di chuyển theo line định sẵn và tự tránh công nhân hoặc xe nâng cắt ngang.
  • Hệ thống xe buýt tự hành nội khu (Campus Autonomous Shuttle): Phục vụ vận chuyển hành khách trong khu nghỉ dưỡng, sân bay, bệnh viện hoặc khuôn viên trường đại học với tốc độ giới hạn ($15 - 25\text{ km/h}$).
  • Robot khử khuẩn và tuần tra tự động: Tích hợp thêm các module khử khuẩn UV hoặc camera an ninh di chuyển tuần tra hành lang tòa nhà.
+------------------------------------------------------------------------------------+
|                  DỰ TOÁN CHI PHÍ HỆ THỐNG VẬN HÀNH THỰC TẾ                         |
+----+------------------------------------------------+----------+-------------------+
| STT| Danh mục linh kiện / Thiết bị                  | Số lượng | Đơn giá ước tính  |
+----+------------------------------------------------+----------+-------------------+
| 1  | Máy tính nhúng Raspberry Pi 3 Model B / 4B     | 01       | 45 - 65 USD       |
| 2  | Camera Module V2 8MP Sony IMX219               | 01       | 15 USD            |
| 3  | Cảm biến khoảng cách siêu âm HC-SR04           | 02       | 3 USD             |
| 4  | Động cơ Servo MG996R cốt kim loại              | 01       | 6 USD             |
| 5  | Mạch cầu H kép L298N                           | 01       | 3 USD             |
| 6  | Khung gầm xe RC 1:10, vi sai cầu sau, giảm xóc | 01 bộ    | 30 USD            |
| 7  | Pin Li-Po 3S 11.1V 2200mAh + Mạch LM2596       | 01 bộ    | 18 USD            |
+----+------------------------------------------------+----------+-------------------+
|    | **TỔNG CHI PHÍ BẢN MẪU (BOM COST)**            |          | **~120 - 140 USD**|
+----+------------------------------------------------+----------+-------------------+

Lộ trình triển khai nâng cấp (Roadmap)

  • Giai đoạn 1 (3 tháng): Tối ưu hóa pipeline C++ OpenCV bằng tập lệnh NEON SIMD trên CPU ARM; tích hợp thêm 2 cảm biến siêu âm phụ ở 2 bên sườn xe để nâng cao góc quét tránh vật cản.
  • Giai đoạn 2 (6 tháng): Nâng cấp sang nền tảng ROS 2 (Robot Operating System), áp dụng thuật toán lọc hạt (Particle Filter) hoặc EKF (Extended Kalman Filter) để tích hợp dữ liệu IMU 9 trục và Encoder bánh xe (Odometry).
  • Giai đoạn 3 (12 tháng): Thử nghiệm mô hình mạng nơ-ron nén (MobileNet-SSD / YOLO-Tiny) trên chip tăng tốc phần cứng Google Coral USB Edge TPU để nhận diện biển báo và vạch dừng đỗ.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Độ nhạy sáng môi trường: Phương pháp phân ngưỡng màu cố định có thể gặp sai số khi xe di chuyển từ vùng sáng mạnh vào vùng bóng râm.
  • Góc nhìn cảm biến siêu âm hẹp: HC-SR04 có góc mở búp sóng chỉ khoảng $15^\circ - 30^\circ$, xuất hiện góc chết (blind spots) ở hai bên góc chéo đầu xe.
  • Chưa có bản đồ toàn cục (Global Map): Xe chỉ bám theo vạch kẻ đường cục bộ (Local Reactive Navigation), chưa có khả năng tự quy hoạch đường đi qua các giao lộ phức tạp nếu không có vạch dẫn hướng.

Hướng nghiên cứu mở rộng

  • Nghiên cứu thuật toán Cân bằng trắng thích ứng (Dynamic Auto White Balance) và không gian màu HSV động để triệt tiêu ảnh hưởng của nguồn sáng thay đổi.
  • Bổ sung cảm biến 2D LiDAR dải quét $360^\circ$ kết hợp giải thuật SLAM (Simultaneous Localization and Mapping) để định vị chính xác trong môi trường không có vạch kẻ đường.
  • Ứng dụng bộ điều khiển thích nghi mờ nơ-ron (ANFIS - Adaptive Neuro-Fuzzy Inference System) để hệ thống tự động chỉnh định các hàm liên thuộc theo tốc độ xe.

Đối tượng hưởng lợi

+------------------------------------------------------------------------------------+
|                         BẢNG GIÁ TRỊ VÀ ĐỐI TƯỢNG HƯỞNG LỢI                        |
+-----------------------+------------------------------------------------------------+
| Đối tượng             | Giá trị và Lợi ích định lượng mang lại                     |
+-----------------------+------------------------------------------------------------+
| **Sinh viên &**       | - Khung kiến trúc hoàn chỉnh từ phần cứng đến phần mềm.    |
| **Người tự học**      | - Tài liệu trực quan về ứng dụng Logic Mờ vào bài toán     |
|                       |   điều khiển chuyển động thực tế thay vì lý thuyết thuần túy.|
+-----------------------+------------------------------------------------------------+
| **Kỹ sư nhúng &**     | - Bộ code C++ OpenCV tối ưu hóa đa luồng trên Raspberry Pi.|
| **Developers**        | - Phương pháp tích hợp ngắt GPIO WiringPi xử lý siêu âm     |
|                       |   chính xác cấp vi giây ($\mu\text{s}$).                    |
+-----------------------+------------------------------------------------------------+
| **Doanh nghiệp vừa**  | - Mô hình AGV chi phí thấp ($< 150\text{ USD}$) thay thế    |
| **và nhỏ (SMEs)**     |   các hệ thống AGV công nghiệp đắt đỏ hàng nghìn USD.      |
|                       | - Rút ngắn thời gian R&D cho các robot vận chuyển nội bộ.  |
+-----------------------+------------------------------------------------------------+
| **Nhà nghiên cứu**    | - Dữ liệu thực nghiệm so sánh chi tiết giữa PID và FLC     |
| **(Researchers)**     |   trong môi trường bám làn xe tự hành tỷ lệ thu nhỏ.       |
+-----------------------+------------------------------------------------------------+

Câu hỏi thường gặp (FAQ)

1. Yêu cầu kỹ thuật tối thiểu để chạy mã nguồn của dự án là gì?

Hệ thống yêu cầu bo mạch tối thiểu là Raspberry Pi 3 Model B (hoặc Pi 4/Zero 2W), thẻ nhớ MicroSD tối thiểu 16GB Class 10 (tốc độ đọc $\ge 80\text{ MB/s}$), hệ điều hành Linux (Raspbian Buster/Bullseye), cài đặt sẵn trình biên dịch g++ hỗ trợ C++11, thư viện OpenCV phiên bản 3.4+ và WiringPi. Nguồn cấp phải đảm bảo dòng điện tối thiểu $2.5\text{A}$ ở điện áp $5\text{V}$ độc lập cho Raspberry Pi để tránh sụt áp khi động cơ hoạt động.

2. Tại sao lại chọn Bộ điều khiển Mờ (Fuzzy Logic) thay vì giải thuật PID chuẩn?

Hệ thống lái xe tự hành là một đối tượng phi tuyến cao, bị ảnh hưởng bởi độ ma sát mặt đường, quán tính xe và độ trễ góc lái của servo. Bộ điều khiển PID yêu cầu mô hình hóa toán học chính xác và rất khó tinh chỉnh thông số ($K_p, K_i, K_d$) để vừa ổn định trên đường thẳng vừa không bị vọt lố khi vào cua gấp. Bộ điều khiển Logic Mờ cho phép mô phỏng trực tiếp kinh nghiệm lái xe của con người (ví dụ: "lệch ít thì bẻ lái nhẹ, lệch nhiều thì bẻ lái gấp") thông qua các tập mờ và luật ngôn ngữ, mang lại quỹ đạo chuyển động mượt mà hơn.

3. Làm thế nào để xe nhận diện được vạch đường khi điều kiện ánh sáng thay đổi?

Trong phiên bản hiện tại, pipeline sử dụng phương pháp chuẩn hóa histogram (Histogram Equalization) kết hợp chuyển đổi sang không gian màu HSV để tách kênh giá trị sáng $V$ (Value) ra khỏi thông tin màu sắc $H$ (Hue). Để nâng cấp cho môi trường ánh sáng phức tạp, có thể triển khai thuật toán phân ngưỡng thích nghi cục bộ (Adaptive Gaussian Thresholding) thay cho ngưỡng nhị phân cố định.

4. Cách ly nguồn điện giữa mạch điều khiển và mạch động cơ được thực hiện như thế nào?

Để tránh hiện tượng sụt áp và xung nhiễu điện từ (EMI) từ cuộn dây động cơ dội ngược về gây treo Raspberry Pi, hệ thống sử dụng nguồn pin Li-Po 3S 11.1V qua mạch hạ áp LM2596 cấp riêng $5\text{V}$ cho bo mạch trung tâm. Chân GND của mạch điều khiển động cơ L298N, Servo và Raspberry Pi được nối chung (Common Ground) nhưng nguồn dương ($V_{cc}$) cấp cho động lực được cấp riêng rẽ.

5. Chi phí và thời gian cần thiết để tự chế tạo một mô hình tương tự?

Tổng chi phí linh kiện phần cứng dao động từ 2.500.000 VNĐ đến 3.200.000 VNĐ (tương đương $\approx 110 - 140\text{ USD}$). Một kỹ sư hoặc sinh viên chuyên ngành Kỹ thuật Ô tô / Cơ điện tử / CNTT có thể hoàn thiện phần cứng trong vòng 3 - 5 ngày và triển khai, tinh chỉnh thuật toán phần mềm trong vòng 2 - 3 tuần.

Kết luận

Đồ án "Nghiên cứu xây dựng hệ thống điều khiển bám đường, tránh vật cản cho xe tự hành" đã giải quyết trọn vẹn và đồng bộ các yêu cầu từ thiết kế cơ khí, tích hợp mạch điện tử phần cứng đến xây dựng giải thuật điều khiển thông minh thời gian thực. Bằng việc kết hợp hiệu quả giữa thư viện thị giác máy tính OpenCV và Bộ điều khiển Logic Mờ (Fuzzy Logic Controller) trên nền tảng máy tính nhúng Raspberry Pi, hệ thống đã chứng minh tính khả thi vượt trội: đạt tốc độ xử lý $28.4\text{ FPS}$, sai số bám làn $< \pm 1\text{ cm}$, khả năng phản ứng tránh vật cản an toàn ở cự ly $28.5\text{ cm}$ với chi phí linh kiện tối ưu.

Công trình không chỉ đóng vai trò là một mô hình học tập, nghiên cứu trực quan chất lượng cao cho sinh viên ngành Công nghệ Kỹ thuật Ô tô và Robot, mà còn là tiền đề kỹ thuật vững chắc để tiếp tục mở rộng phát triển thành các ứng dụng xe tự hành AGV trong nhà máy thông minh và hệ thống xe tự lái thực tế trong tương lai.