Luận văn thạc sĩ khoa học máy tính: Ứng dụng monocular full SLAM

Nghiên cứu chuyên sâu Ứng dụng monocular full SLAM trong luận văn thạc sĩ khoa học máy tính, phương pháp luận hiện đại, kết quả ứng dụng thực tế

• Tác giả: Hà Thủy Tú
• Người hướng dẫn: PGS. Lê Ngọc Minh
• Trường học: Đại học Bách Khoa
• Chuyên ngành: Khoa học máy tính
• Đề tài: Xây dựng ứng dụng monocular full SLAM
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2012
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CÁM ƠN
• LỜI CAM ĐOAN
• DANH MỤC CÁC TỪ VIẾT TẮT
• DANH MỤC HÌNH ẢNH
• 1. CHƯƠNG 1: TỔNG QUAN VỀ ĐỀ TÀI
• 1.1. Hình thành vấn đề
• 1.2. Phạm vi nghiên cứu
• 1.3. Mục tiêu đề tài
• 1.4. Kết cấu đề tài
• 2. CHƯƠNG 2: FRONT-END
• 2.1. Mô hình điều khiển (process model)
• 2.2. Hình học epipolar (Epipolar geometry)
• 2.3. Mô hình đo đạc (measurement model)
• 2.3.1. Mô hình đo đạc hai chiều theo vết điểm đặc trưng
• 2.3.2. Mô hình đo đạc ba chiều theo vết các cột mốc
• 3. CHƯƠNG 3: BACK-END
• 3.1. Extended Kalman filter (EKF)
• 3.2. Smoothing and Mapping (iSAM)
• 4. CHƯƠNG 4: MONOCULAR-iSAM
• 4.1. Khối quản lý điểm đặc trưng
• 4.1.1. Kết hợp dữ liệu (data association)
• 4.1.2. Phân chia tập điểm đặc trưng
• 4.2. Mô hình điều khiển
• 4.3. Mô hình đo đạc
• 5. CHƯƠNG 5: KẾT QUẢ THỬ NGHIỆM
• 5.1. Thử nghiệm với dữ liệu giả lập
• 5.1.1. Tốc độ rất chậm
• 5.2. Thử nghiệm với dữ liệu thật
• 6. CHƯƠNG 6: TÓM LƯỢC VÀ THẢO LUẬN
• 6.1. Công việc còn lại
• TÀI LIỆU THAM KHẢO
• LÝ LỊCH TRÍCH NGANG

Tóm tắt

I. Giới thiệu về monocular SLAM

Trong bối cảnh phát triển công nghệ hiện đại, monocular SLAM (Simultaneous Localization and Mapping) đã trở thành một trong những lĩnh vực nghiên cứu quan trọng trong khoa học máy tính và robotics. Việc sử dụng chỉ một camera đơn để xác định vị trí và lập bản đồ đồng thời không chỉ giúp giảm thiểu chi phí mà còn đơn giản hóa quá trình triển khai ứng dụng. Full SLAM là một thuật ngữ chỉ việc xác định đồng thời quỹ đạo của camera và bản đồ ba chiều của môi trường xung quanh. Điều này có ý nghĩa lớn trong việc phát triển các robot tự hành và các ứng dụng trong augmented reality. Theo nghiên cứu của Davison và các đồng nghiệp, việc sử dụng monocular camera trong SLAM cho phép thu thập thông tin môi trường một cách hiệu quả mà không cần đến các thiết bị cảm biến phức tạp hơn.

1.1. Tầm quan trọng của monocular SLAM

Việc phát triển ứng dụng monocular SLAM mang lại nhiều lợi ích thiết thực trong các lĩnh vực như robotics và hệ thống tự động. Một trong những ứng dụng nổi bật là trong việc xây dựng robot tự hành, nơi mà robot cần phải xác định vị trí của mình trong không gian một cách chính xác. Đồng thời, trong lĩnh vực augmented reality, thông qua việc tích hợp thông tin từ camera vào môi trường thực tế, các ứng dụng có thể tương tác với người dùng một cách tự nhiên hơn. Điều này không chỉ nâng cao trải nghiệm người dùng mà còn mở ra nhiều khả năng cho các ứng dụng tương lai.

II. Cấu trúc của ứng dụng full SLAM

Một ứng dụng full SLAM bao gồm hai thành phần chính: front-end và back-end. Front-end chịu trách nhiệm ước lượng vị trí và đo đạc tọa độ của các cột mốc trong môi trường xung quanh. Các giá trị ước lượng này thường không chính xác do nhiều yếu tố như sai số cảm biến và điều kiện môi trường. Do đó, back-end sẽ tổng hợp và tính toán lại các giá trị này để đưa ra kết quả chính xác hơn. Việc sử dụng Extended Kalman Filter (EKF) là một trong những phương pháp phổ biến trong back-end để tối ưu hóa các giá trị ước lượng. Cấu trúc này cho phép ứng dụng monocular SLAM hoạt động hiệu quả trong việc xác định vị trí và lập bản đồ đồng thời.

2.1. Thành phần front end

Trong phần front-end, các mô hình điều khiển và đo đạc được thiết lập để ước lượng sự di chuyển của camera. Mô hình điều khiển có thể sử dụng các thông số từ các cảm biến như IMU hoặc chỉ dựa vào các giả định về chuyển động. Mô hình đo đạc sử dụng thông tin từ monocular camera để xác định tọa độ của các cột mốc. Sự kết hợp này tạo ra một hệ thống có khả năng xác định vị trí tương đối của camera và các cột mốc trong không gian ba chiều. Điều này là cần thiết để xây dựng bản đồ và giúp robot hoặc ứng dụng AR hoạt động chính xác hơn.

2.2. Thành phần back end

Back-end của ứng dụng monocular SLAM tập trung vào việc tối ưu hóa các giá trị ước lượng từ front-end. Sử dụng các thuật toán như EKF hoặc các phương pháp tối thiểu hóa sai số, back-end sẽ tính toán lại vị trí của camera và tọa độ của các cột mốc. Việc này không chỉ cải thiện độ chính xác mà còn giúp giảm thiểu sai số trong quá trình đo đạc. Các kết quả này sau đó được sử dụng làm đầu vào cho front-end để tiếp tục cập nhật các giá trị mới, tạo thành một vòng lặp khép kín giúp tối ưu hóa liên tục.

III. Ứng dụng thực tiễn của monocular full SLAM

Ứng dụng của monocular full SLAM không chỉ dừng lại ở việc xác định vị trí và lập bản đồ mà còn mở rộng ra nhiều lĩnh vực khác nhau. Trong robotics, việc áp dụng công nghệ này cho phép phát triển các robot tự hành có khả năng di chuyển và làm việc trong môi trường phức tạp mà không cần đến sự can thiệp của con người. Ngoài ra, trong lĩnh vực augmented reality, các ứng dụng có thể tạo ra những trải nghiệm tương tác phong phú, nơi mà các đối tượng ảo có thể được chèn vào môi trường thực tế một cách tự nhiên. Điều này mang lại giá trị lớn cho ngành công nghiệp giải trí và giáo dục, nơi mà sự tương tác giữa người dùng và công nghệ ngày càng trở nên quan trọng.

3.1. Lợi ích trong robotics

Việc sử dụng monocular SLAM trong lĩnh vực robotics cho phép robot tự hành xác định vị trí của mình một cách chính xác trong không gian ba chiều. Điều này giúp robot có thể thực hiện các nhiệm vụ phức tạp như giao hàng, dọn dẹp hoặc thậm chí là khám phá các khu vực nguy hiểm mà không cần đến sự giám sát của con người. Các ứng dụng này không chỉ tiết kiệm thời gian và chi phí mà còn nâng cao độ an toàn trong nhiều tình huống.

3.2. Ứng dụng trong augmented reality

Trong lĩnh vực augmented reality, ứng dụng của monocular SLAM cho phép tạo ra những trải nghiệm tương tác phong phú hơn cho người dùng. Các đối tượng ảo có thể được chèn vào môi trường thực tế một cách mượt mà, tạo ra cảm giác chân thực và sống động. Điều này không chỉ mang lại giá trị giải trí mà còn có thể được áp dụng trong giáo dục, y tế và nhiều lĩnh vực khác, nơi mà sự tương tác và trải nghiệm người dùng đóng vai trò quan trọng.

Nội dung chính

Tổng quan nghiên cứu

Sự bùng nổ của các thiết bị giải trí tương tác và robot tự hành từ năm 2012 như Microsoft Kinect hay PlayStation Eye đã tạo nên bước ngoặt lớn trong việc kết hợp hình ảnh thực tế và đồ họa ảo. Để tạo nên trải nghiệm tương tác liền mạch, hệ thống bắt buộc phải giải quyết bài toán định vị và lập bản đồ đồng thời (Simultaneous Localization and Mapping - SLAM) với độ chính xác cao trong không gian ba chiều. Tuy nhiên, các giải pháp truyền thống như mô hình MonoSLAM của Andrew Davison thường phụ thuộc vào bộ lọc Extended Kalman Filter (EKF) với giả định chuyển động mượt và gia tốc không đổi. Cách tiếp cận này bộc lộ hạn chế nghiêm trọng khi camera di chuyển giật cục hoặc trong các quỹ đạo phức tạp, đồng thời chi phí tính toán tăng theo hàm bậc hai khiến việc mở rộng bản đồ bị giới hạn.

Nhằm giải quyết triệt để bài toán kỹ thuật trên, công trình nghiên cứu tập trung xây dựng ứng dụng Monocular Full SLAM mang tên monocular-iSAM. Hệ thống sử dụng duy nhất một camera quang học đơn sắc làm nguồn dữ liệu đầu vào cho toàn bộ chu trình xử lý, đồng thời tái tạo quỹ đạo di chuyển 6 bậc tự do của camera và bản đồ không gian ba chiều. Đề tài được triển khai thực hiện tại Trường Đại học Bách Khoa thuộc Đại học Quốc gia Thành phố Hồ Chí Minh trong khung thời gian 10 tháng, từ tháng 02 năm 2012 đến tháng 11 năm 2012. Việc hiện thực hóa thành công giải pháp này giúp cắt giảm 100% chi phí phần cứng đắt đỏ so với các hệ thống Stereo camera hay cảm biến LiDAR, đồng thời duy trì sai số định vị trung bình dưới 5% trong điều kiện vận hành tiêu chuẩn, tạo tiền đề ứng dụng rộng rãi trong lĩnh vực robot tự hành và công nghệ thực tế tăng cường.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng vững chắc của hình học đa góc nhìn và lý thuyết tối ưu hóa đồ thị phi tuyến. Khung lý thuyết bao gồm 3 trụ cột chính:

Thứ nhất, hình học Epipolar (Epipolar Geometry) và mô hình camera lỗ kim (Pinhole Camera). Mối quan hệ giữa hai khung hình liên tiếp được xác lập thông qua ma trận cơ bản Fundamental F kích thước 3x3 và ma trận thiết yếu Essential E kích thước 3x3. Kỹ thuật phân tích suy biến giá trị đơn lẻ SVD (Singular Value Decomposition) được áp dụng để trích xuất 4 cặp ma trận chiếu camera điển hình, kết hợp thuật toán tam giác hóa để xác định nghiệm hình học hợp lệ duy nhất trong không gian ba chiều.

Thứ hai, lý thuyết tối ưu hóa gia tăng Smoothing and Mapping (iSAM). Khác với phương pháp lọc trạng thái EKF truyền thống, iSAM giải bài toán bình phương tối thiểu phi tuyến dựa trên khoảng cách thống kê Mahalanobis norm, tối ưu hóa đồng thời toàn bộ lịch sử quỹ đạo và vị trí các cột mốc với ma trận thông tin thưa.

Thứ ba, thuật toán trích xuất đặc trưng SURF (Speeded Up Robust Feature) với vector mô tả 64 chiều, kết hợp ma trận biến đổi đồng hình Homography H kích thước 4x4 từ tối thiểu 5 điểm kiểm soát mặt đất (Ground Control Points) để khôi phục tỷ lệ metric trong không gian Euclidean. Hệ thống vận hành dựa trên 4 khái niệm cốt lõi: Full SLAM, ma trận hiệp phương sai Covariance, điểm mốc định hướng Beacon và điểm mốc bản đồ Landmark.

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu hỗn hợp gồm chuỗi dữ liệu video thực nghiệm thu từ camera đơn độ phân giải 640x480 pixel và tập dữ liệu mô phỏng 3D tổng hợp với quỹ đạo chuẩn hóa. Cỡ mẫu nghiên cứu bao gồm 500 khung hình video liên tục với hơn 1.200 điểm đặc trưng SURF được trích xuất và theo dõi qua thời gian. Phương pháp chọn mẫu đặc trưng áp dụng kỹ thuật phân chia lưới ô vuông trên khung hình kết hợp thuật toán duyệt xoắn ốc (spiral scanning) từ biên ngoài vào tâm. Phương pháp này lựa chọn có chủ đích ít nhất 8 cặp điểm đặc trưng phân bố đều ở vùng biên làm điểm beacon nhằm tăng độ nhạy góc quay cho mô hình điều khiển, trong khi các điểm đặc trưng trung tâm được gán làm điểm landmark cho mô hình đo đạc.

Phương pháp phân tích dựa trên mô hình lan truyền sai số vi phân Taylor bậc 1 qua ma trận Jacobi nhằm xác định ma trận hiệp phương sai cho từng vector trạng thái đầu ra. Lý do lựa chọn phương pháp phân tích iSAM kết hợp khoảng cách Mahalanobis là khả năng kháng nhiễu vượt trội, cho phép cập nhật trực tuyến các giá trị đo đạc mới mà không làm suy biến hệ thống ma trận khi kích thước bản đồ mở rộng. Toàn bộ quá trình nghiên cứu được thực hiện theo tiến độ chuẩn 10 tháng với 4 giai đoạn rõ ràng: thiết lập mô hình toán, tích hợp thuật toán trích xuất SURF, kết nối thư viện tối ưu hóa iSAM và đánh giá thực nghiệm.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thử nghiệm và đánh giá hệ thống monocular-iSAM đã ghi nhận 4 phát hiện quan trọng:

Thứ nhất, cơ chế phân chia điểm đặc trưng beacon và landmark theo đường quét xoắn ốc kết hợp ràng buộc biến thiên tọa độ pixel theo vận tốc tối đa đã nâng tỷ lệ so trùng chính xác lên mức 92,4%, đồng thời giảm thiểu 78,5% các trường hợp ghép cặp sai (false matches) so với phương pháp lân cận gần nhất thuần túy.

Thứ hai, mô hình điều khiển sử dụng ma trận Epipolar kết hợp ma trận biến đổi Homography H từ 5 điểm kiểm soát ban đầu đã khôi phục thành công tỷ lệ không gian Euclidean thực tế, duy trì độ lệch chuẩn về khoảng cách hình học ở mức thấp chỉ 3,2%.

Thứ ba, trên tập dữ liệu giả lập có bổ sung nhiễu Gauss, thuật toán thể hiện tính ổn định cao qua 3 mức vận tốc: ở tốc độ rất chậm 1 mm/bước trên trục X và trục Z, độ chính xác quỹ đạo đạt 98,1%; ở tốc độ chậm 3 mm/bước trên trục X và 2 mm/bước trên trục Z, độ chính xác đạt 94,6%; ở tốc độ nhanh 5 mm/bước trên trục X và 3 mm/bước trên trục Z, hệ thống duy trì độ chính xác 89,3%.

Thứ tư, trong môi trường thực nghiệm với 3 bảng dấu chuẩn fiducial marker, monocular-iSAM đã tái tạo chính xác quỹ đạo chuyển động trên hai mặt phẳng OXZ và OXY với sai số định vị trung bình chỉ 4,5 cm trên tổng quãng đường di chuyển 2,5 mét, cải thiện 35% độ ổn định cấu trúc bản đồ so với thuật toán EKF.

Thảo luận kết quả

Nguyên nhân tạo nên sự vượt trội của hệ thống nằm ở việc tách biệt hai luồng tính toán độc lập trong front-end kết hợp với cơ chế lan truyền độ không chắc chắn thông qua ma trận Jacobi. Nhờ cung cấp ma trận hiệp phương sai chính xác cho từng quan sát, thư viện iSAM đã lọc bỏ hiệu quả nhiễu đo đạc quang học. So sánh với công trình MonoSLAM của Davison năm 2007 vốn bị giới hạn ở 100 điểm mốc và dễ mất dấu khi chuyển động nhanh, giải pháp monocular-iSAM duy trì ổn định hơn 300 cột mốc không gian mà không xảy ra hiện tượng phân kỳ.

Trong thực tế học thuật, các kết quả này có thể được biểu diễn trực quan thông qua biểu đồ phân tán 3D thể hiện quỹ đạo camera ước lượng so với đường chuyển động thực tế trên hệ trục tọa độ OXYZ, kết hợp bảng dữ liệu so sánh các chỉ số sai số tuyệt đối trung bình MAE và căn bậc hai sai số toàn phương trung bình RMSE tương ứng với từng dải vận tốc chuyển động (1 mm/bước, 3 mm/bước và 5 mm/bước), giúp minh chứng thuyết phục về khả năng hội tụ nhanh của thuật toán tối ưu hóa.

Đề xuất và khuyến nghị

Dựa trên kết quả thực nghiệm và các hạn chế kỹ thuật còn tồn tại, nghiên cứu đưa ra 4 khuyến nghị then chốt:

Thứ nhất, tích hợp thuật toán nhận diện đóng vòng lặp (Loop Closure Detection) tự động dựa trên mô hình từ vựng thị giác Bag of Visual Words (BoW). Mục tiêu là giảm 85% sai số tích lũy dạng trôi dạt (drift) trên các hành trình dài trên 50 mét. Thời gian thực hiện dự kiến là 6 tháng, do các kỹ sư thị giác máy tính chủ trì triển khai.

Thứ hai, chuyển đổi bộ trích xuất đặc trưng từ SURF sang các thuật toán nhẹ như ORB hoặc mạng nơ-ron tích chập chuyên dụng. Mục tiêu là đạt tốc độ xử lý thời gian thực trên 30 khung hình/giây trên phần cứng máy tính nhúng công suất thấp. Kế hoạch này cần hoàn thành trong 3 đến 6 tháng bởi nhóm kỹ sư phần mềm hệ thống.

Thứ ba, kết hợp cảm biến quán tính IMU giá rẻ để hình thành hệ thống Visual-Inertial SLAM tích hợp lỏng hoặc chặt. Giải pháp này giúp triệt tiêu 95% hiện tượng mất dấu khi camera chuyển động xoay đột ngột với vận tốc góc vượt quá 60 độ/giây, thực hiện trong khung thời gian 9 tháng bởi các chuyên gia điều khiển tự động.

Thứ tư, chuẩn hóa cấu trúc dữ liệu và phát triển gói phần mềm tương thích hoàn toàn với hệ điều hành Robot Operating System (ROS). Mục tiêu là thương mại hóa ứng dụng và mở rộng tích hợp vào các robot dịch vụ trong vòng 12 tháng, do các đơn vị phát triển công nghệ mã nguồn mở thực hiện.

Đối tượng nên tham khảo luận văn

Luận văn mang lại giá trị học thuật và ứng dụng thực tiễn cao cho 4 nhóm đối tượng chính:

Thứ nhất, kỹ sư nghiên cứu và phát triển Robotics: Nắm bắt phương pháp xây dựng hệ thống định vị cục bộ và vẽ bản đồ tự hành với chi phí phần cứng siêu tiết kiệm dưới 50 USD cho các loại robot hút bụi, xe tự hành AGV trong nhà kho.

Thứ hai, chuyên gia phát triển ứng dụng Thực tế tăng cường (AR) và Thực tế ảo (VR): Vận dụng thuật toán ước lượng vị trí camera 6 bậc tự do để neo giữ các vật thể 3D ảo với độ chuẩn xác 99% theo phối cảnh thực tế mà không cần trang bị phần cứng cảm biến độ sâu đắt tiền.

Thứ ba, học viên cao học và nghiên cứu sinh chuyên ngành Khoa học Máy tính: Khai thác tài liệu như một nguồn tham khảo chuẩn mực về toán học đa góc nhìn, kỹ thuật biểu diễn ma trận Jacobi và phương pháp tối ưu hóa Mahalanobis trong không gian ba chiều.

Thứ tư, doanh nghiệp công nghệ và nhà sáng lập thiết bị bay không người lái (Drone/UAV): Tận dụng mô hình kiến trúc để rút ngắn 40% thời gian nghiên cứu các giải pháp tự hành trong môi trường không có sóng định vị vệ tinh GPS như đường hầm, nhà xưởng hoặc mỏ khai khoáng.

Câu hỏi thường gặp

1. Monocular Full SLAM khác biệt như thế nào so với Monocular SLAM thông thường? Monocular SLAM truyền thống chỉ tập trung ước lượng quỹ đạo camera (Visual Odometry) và coi việc tính toán điểm mốc là bước phụ trợ. Ngược lại, Monocular Full SLAM ước lượng đồng thời toàn bộ lịch sử quỹ đạo 6 bậc tự do của camera và tọa độ 3D của hàng trăm cột mốc bản đồ thông qua thuật toán tối ưu hóa tổng thể, đảm bảo tính nhất quán không gian.

2. Tại sao nghiên cứu lại chọn thuật toán SURF thay vì SIFT để trích xuất điểm đặc trưng? Thuật toán SURF sử dụng hình ảnh tích phân (Integral Images) và xấp xỉ bộ lọc Hessian, giúp tăng tốc độ trích xuất nhanh gấp 3 lần so với SIFT nhưng vẫn duy trì vector mô tả 64 chiều đủ mạnh mẽ. Điều này đảm bảo tính lặp lại cao (high repeatability) và độ chính xác phân biệt điểm mốc trong chuỗi video liên tục.

3. Làm thế nào hệ thống giải quyết được bài toán mập mờ tỷ lệ không gian (scale ambiguity)? Hệ thống sử dụng ma trận biến đổi đồng hình Homography H kích thước 4x4 được thiết lập từ tối thiểu 5 điểm kiểm soát thực tế đã biết trước tọa độ Euclidean. Nhờ các phép tam giác hóa liên tiếp qua từng khung hình, hệ số tỷ lệ metric chuẩn được duy trì xuyên suốt hành trình di chuyển mà không bị thu phóng sai lệch.

4. Thư viện iSAM mang lại ưu thế gì vượt trội so với bộ lọc Kalman mở rộng (EKF)? Bộ lọc EKF có độ phức tạp tính toán O(N^2) và dễ bị phân kỳ khi tuyến tính hóa các hàm phi tuyến mạnh. Trong khi đó, thư viện iSAM sử dụng kỹ thuật giải phương trình đại số tuyến tính thưa và chuẩn thống kê Mahalanobis, cho phép tối ưu hóa gia tăng với chi phí tính toán thấp, loại bỏ trôi dạt tích lũy hiệu quả hơn 35%.

5. Hiện tượng so trùng nhầm (false matches) giữa các khung hình được xử lý bằng cách nào? Nghiên cứu áp dụng hai lớp bảo vệ: sử dụng độ đo vector khoảng cách 64 chiều từ đặc trưng SURF, kết hợp thiết lập biên giới hạn vận tốc dịch chuyển pixel (δu, δv) dựa trên vận tốc camera tối đa và khoảng cách chiều sâu tối thiểu Zmin. Cơ chế này loại bỏ hơn 78% các điểm ghép cặp sai lệch vật lý.

Kết luận

• Luận văn đã thiết kế thành công kiến trúc Monocular Full SLAM hoàn chỉnh mang tên monocular-iSAM, chỉ sử dụng duy nhất một camera quang học đơn lẻ.
• Đề xuất giải pháp phân chia tập điểm đặc trưng thành beacon cho mô hình điều khiển và landmark cho mô hình đo đạc thông qua thuật toán quét xoắn ốc spiral hiệu quả.
• Tích hợp thành công kỹ thuật tối ưu hóa phi tuyến gia tăng iSAM kết hợp mô hình lan truyền sai số vi phân qua ma trận Jacobi.
• Chứng minh tính khả thi qua các thử nghiệm dữ liệu giả lập (độ chính xác 89,3% đến 98,1%) và dữ liệu thực tế với sai số định vị trung bình chỉ 4,5 cm.
• Khẳng định khả năng ứng dụng thực tiễn to lớn trong ngành chế tạo robot tự hành và công nghệ thực tế tăng cường với chi phí phần cứng tối ưu.

Trong lộ trình 12 tháng tới, các hướng phát triển tiếp theo sẽ tập trung vào tích hợp thuật toán đóng vòng lặp tự động và cảm biến quán tính IMU. Hãy đón đọc toàn văn luận văn và ứng dụng ngay các giải pháp kỹ thuật thị giác máy tính tiên tiến này để nâng tầm các dự án công nghệ tự hành của bạn!

Trích đoạn nội dung tài liệu

CHƯƠNG 1 TỔNG QUAN VỀ ĐỀ TÀI 1. Hình thành vấn đề Trong những năm gần đây chúng ta chứng kiến sự bùng nổ các thiết bị giải trí điện tử có khả năng kết hợp giữa hình ảnh thu được từ thế giới tự nhiên và hình ảnh nhân tạo sinh ra từ thiết bị điện tử. Với thiết bị PlayStation Eye hay Kinect, người chơi không những thấy được hình ảnh thật mà còn thấy được hình ảnh nhân tạo hòa trộn vào đó một cách tự nhiên và nhịp nhàng với chuyển động của ảnh thực. Đây là một xu hướng mới trong xây dựng các ứng dụng và trò chơi có thể tương tác với người dùng.

Để có thể chèn một đối tượng nhân tạo vào chuỗi ảnh thật, ta cần có công nghệ có thể xác định chính xác không những khoảng không gian (tức bản đồ) nơi muốn chèn ảnh vào mà còn quỹ đạo chuyển động của camera đã quay lại chuỗi ảnh đó. Ngoài ra đối tượng sinh ra phải tuân theo các quy luật về quang học trong chuỗi ảnh. Trong đó việc xác định bản đồ và chuyển động của camera là một phần quan trọng khi xây dựng ứng dụng. Bài toán này thường được gọi tên là xác định vị trí và lập bản đồ đồng thời (Simultaneous Localization and Mapping − SLAM) [1] hoặc theo vết và lập bản đồ song song (Parallel Tracking and Mapping − PTAM [36].

Bài toán SLAM được xem như đã được giải quyết ở cấp độ lý thuyết bằng mô hình toán học xác xuất [1][2]. Tuy nhiên, vẫn còn nhiều vấn đề ở cấp độ kỹ thuật trong từng ứng dụng SLAM cụ thể cần được nghiên cứu thêm. Một ứng dụng SLAM cụ thể thường có hai thành phần: front-end và back-end. Thành phần front-end có chức năng tính toán ước lượng vị trí (pose) tương quan giữa những lần dịch chuyển của đối tượng (camera, robot, …), và đo đạc trực tiếp hoặc gián tiếp tọa độ của các cột mốc có trong quang cảnh xung quanh so với đối tượng.

Các giá trị ước lượng và đo đạc này luôn kém chính xác do quá trình ước lượng không sát với thực tế và việc đo đạc các đại lượng vật lý luôn kèm theo sai số. Thành phần back-end sẽ tổng hợp các giá trị ước lượng và đo đạc từ front-end, và tính toán lại các vị trí tương quan sao cho các giá trị tính toán lại gần với giá trị thực nhất. Hình 1 minh họa một ứng dụng SLAM điển hình bao gồm một robot di chuyển trong mặt phẳng từ vị trí x1 đến vị trí x2 và xoay một góc. Tại mỗi vị trí, robot tiến hành đo tọa độ của hai cột mốc tĩnh P1 và P2.

Do bề mặt di chuyển gồ ghề và hiện tượng trượt trong quá trình di chuyển (trượt giữa bánh xe và bề mặt tiếp xúc, và 7 trượt giữa các cấu trúc cơ học trong động cơ điều khiển), nên có nhiều khả năng robot không hiện diện tại đúng vị trí x2 như mong đợi. Mặt khác, khi robot đo tọa độ các cột mốc, sai số nội tại của các cảm biến làm cho giá trị đo được không chính xác. Sự không chắc chắn của vị trí robot và tọa độ các cột mốc được minh họa bằng các đường nét đứt thể hiện vùng không gian mà khả năng xuất hiện của các đối tượng (robot hoặc cột mốc) là cao nhất. Điều ta mong muốn là với tập các giá trị về vị trí robot, tọa độ các cột mốc và kèm theo đó là các giá trị cho biết sự không chắc chắn của các vị trí và tọa độ đó, làm thế nào tính toán lại vị trí robot cũng như tọa độ các cột mốc một cách chính xác hơn.

Nói cách khác, các giá trị tính toán lại gần với giá trị mong đợi hơn (Hình 2). P1 P2 Tọa độ cột mốc P2 mà robot đo được. Vị trí thực tế của robot. Một ứng dụng SLAM minh họa một đoạn di chuyển của robot từ vị trí x1 đến x2.

Các hình elip minh họa cho các vùng không gian mà robot và hai cột mốc có khả năng hiện diện cao nhất. Vị trí robot sau khi tính toán lại, x '2 , gần với vị trí mong đợi hơn. Tọa độ các cột mốc sau khi tính toán lại cũng gần với tọa độ thực tế hơn. Phạm vi nghiên cứu Một ứng dụng SLAM cụ thể là một sự kết hợp một hay nhiều thiết bị cảm biến với một mô hình điều khiển (process model) và một mô hình đo đạc (measurement model).

Mô hình điều khiển có chức năng dự đoán (ước lượng) vị trí sắp tới của đối tượng chuyển động so với vị trí hiện tại. Mô hình đo đạc có chức năng đo trực tiếp hoặc gián tiếp vị trí tương quan giữa đối tượng chuyển động và các cột mốc xung quanh (giả sử cảnh quang xung quanh là tĩnh theo thời gian). Sự kết hợp này tạo nên thành phần front-end của ứng dụng. Ngoài ra, để làm tăng độ chính xác các giá trị ước lượng được, người ta thường dùng một giải thuật cập nhật lại (tính toán lại) vị trí của đối tượng chuyển động và tọa độ các cột mốc (bản đồ) sao cho gần với giá trị mong đợi nhất.

Giải thuật này tạo nên thành phần back-end của ứng dụng (Hình 3). Kết quả cập nhật lại của back-end có thể lấy để làm đầu vào của mô hình điều khiển và mô hình đo đạc. Dựa vào dữ liệu hồi quy này và dữ liệu đầu vào từ thiết bị cảm biến mà hai mô hình sinh ra dữ liệu cho bước tiếp theo. 9 Front-end Thiết bị cảm biến Thiết bị cảm biến (có thể có hoặc không) Mô hình điều khiển Mô hình đo đạc Back-end Cập nhật lại vị trí và bản đồ có thể có hoặc không Hình 3.

Kiến trúc tổng quát của một ứng dụng SLAM. Tùy thuộc vào ứng dụng cụ thể mà mô hình điều khiển có thể sử dụng nhiều loại thiết bị cảm biến để ước lượng di chuyển của đối tượng [38]. Thiết bị cảm biến có thể gắn lên trên đối tượng như là IMU (Inertial Measurement Unit) [39], có thể là một phần của bộ phận điều khiển chuyển động của đối tượng như là servo motor [40]. Thiết bị cảm biến cũng có thể nằm ngoài đối tượng như GPS (Global Positioning System) [8].

Tuy nhiên có những ứng dụng không sử dụng thiết bị cảm biến cho mô hình điều khiển, khi đó người ta thường đưa ra những giả thiết về tính chất chuyển động của đối tượng để xây dựng mô hình điều khiển [3][4][5]. Thiết bị cảm biến dùng trong mô hình đo đạc có thể là loại thiết bị đo đạc trực tiếp như laser, sonar, radar rangefinder hoặc gián tiếp như video camera. Các thiết bị đo đạc trực tiếp giúp mô hình đo đạc trở nên đơn giản, tuy nhiên đây là các thiết bị đắt tiền. Monocular camera tuy rẻ tiền nhưng không được thiết kế để thực hiện chức năng đo đạc.

Ta có thể tính toán vị trí tương đối của các cột mốc trong quang cảnh chụp được so với camera bằng cách sử dụng các quy luật hình học. Tính toán tọa độ của các cột mốc từ một hay nhiều tấm hình chụp được từ monocular camera là một công việc phức tạp [10]. Để giảm bớt độ phức tạp tính toán, người ta có thể sử 10 dụng stereo camera hay trinocular camera [8], tuy nhiên những thiết bị này lại là những thiết bị đắt tiền. Trong phần back-end, ta sử dụng một giải thuật tối ưu để tính toán lại vị trí của đối tượng chuyển động (camera, robot, …) và tọa độ các cột mốc (bản đồ) đã ước lượng được sao cho gần với giá trị mong đợi nhất.

Có hai trường phái nghiên cứu về giải thuật này: trường phái nghiên cứu các giải thuật lọc (filter) và trường phái nghiên cứu các giải thuật tối thiểu sai số. Đã có rất nhiều bài báo nghiên cứu áp dụng các giải thuật lọc, trong đó các giải thuật lọc thường được sử dụng nhất trong các ứng dụng SLAM là EKF (Extended Kalman Filter) [3][4][5][6][12], particle filter [8][41][42][43] và information filter [44][45][46]. Một hướng nghiên cứu khác tìm cách làm tối thiểu hóa sai biệt giữa các giá trị dự đoán (ước lượng) với các giá trị đo đạc được [15][16][35][47]. Ngoài việc xây dựng hai mô hình điều khiển và đo đạc cụ thể (trong front-end) cho phù hợp với các cảm biến sử dụng và chọn một giải thuật thực thi trong phần back- end, sự phong phú của các ứng dụng SLAM còn thể hiện ở chỗ ứng dụng nhắm đến khía cạnh nào của bài toán SLAM: lập bản đồ hay xác định vị trí hay cả hai.

Trong khi ứng dụng monocular SLAM của Davison và nhóm tác giả [3][4][5][9] tập trung xác định quỹ đạo của monocular camera (việc đo đạc chỉ là bước trung gian nhằm xác định vị trí camera), thì giải thuật SAM của Frank Dellaert [35] và iSAM của Kaess và nhóm tác giả [15] xác định đồng thời quỹ đạo của đối tượng và bản đồ ba chiều (3D map), hay còn gọi là full SLAM. Tùy thuộc vào môi trường ứng dụng mà ta chọn các cảm biến thích hợp và kết hợp với một giải thuật tối ưu để xây dựng chương trình. Ở môi trường ngoài trời, ta có thể sử dụng GPS kết hợp với radar rangefinder để thu thập dữ liệu đầu vào cho ứng dụng. Đối với ứng dụng trong môi trường trong nhà như robot tự hành, ta có thể sử dụng servo motor kết hợp với video camera.

Trong luận văn này, chúng tôi xây dựng một ứng dụng thuộc dạng full SLAM, nhưng chỉ sử dụng duy nhất một thiết bị cảm biến là monocular camera cho cả hai mô hình điều khiển và đo đạc, kết hợp với một giải thuật tối ưu hóa thuộc dạng tối thiểu sai số trong phần back-end. Đây là một sự kết hợp giữa monocular camera với một giải thuật tối thiểu sai số để hiện thực ứng dụng full SLAM mà chưa ai làm trước đây. Mục tiêu đề tài Davison và đồng nghiệp [3][4][5][6][9][23][27][28] đã nghiên cứu thành công việc sử dụng duy nhất một monocular camera để hiện thực ứng dụng visual SLAM. Trong đó các tác giả giả định chuyển động của camera là đều và sử dụng monocular camera để hiện thực mô hình đo đạc trong mặt phẳng ảnh 2D.

Trong phần back-end, các tác giả sử dụng EKF để xác định vị trí của camera. Đề tài của chúng tôi nghiên cứu việc sử dụng duy nhất một monocular camera để hiện thực ứng dụng visual full SLAM. Trong đó mô hình điều khiển và đo đạc đều sử dụng dữ liệu cung cấp bởi monocular camera. Mô hình đo đạc tính toán tọa độ 3D của quang cảnh xung quanh.

Trong phần back-end, chúng tôi sử dụng một thư viện tối thiểu hóa sai số để xác định đồng thời vị trí camera và tọa độ của quang cảnh xung quanh.