Bối cảnh và vấn đề nghiên cứu

Công nghệ xe tự hành là một trong những hướng phát triển trọng điểm của ngành công nghiệp tự động hóa và trí tuệ nhân tạo trên toàn cầu, với sự tham gia của nhiều tập đoàn công nghệ lớn như Tesla, Google (Waymo), Uber. Theo các báo cáo an toàn giao thông quốc tế, có tới 9/10 số vụ tai nạn giao thông bắt nguồn từ lỗi phán đoán của người lái, và việc tự động hóa quá trình điều khiển phương tiện được kỳ vọng sẽ giảm thiểu 34% rủi ro va chạm. Tuy nhiên, các vụ tai nạn thực tế trong quá trình thử nghiệm xe tự lái (tiêu biểu như sự cố của hệ thống Tesla Autopilot năm 2019) cho thấy công nghệ này vẫn cần tiếp tục được hoàn thiện về độ chính xác và tính ổn định. Tại Việt Nam, nghiên cứu xe tự hành còn khá mới mẻ, với các thử nghiệm cấp độ 3 (theo thang đo SAE) của Tập đoàn FPT trên xe điện khuôn viên đô thị Ecopark vào năm 2019.

Khóa luận "Xây dựng chương trình điều khiển xe tự hành ứng dụng Deep Learning" do sinh viên Trương Văn Việt và Trần Thảo Nguyên thực hiện (ngành Kỹ thuật Máy tính, Trường Đại học Công nghệ Thông tin – ĐHQG TP.HCM, năm 2021) hướng đến mục tiêu thiết kế và hiện thực hóa một hệ thống điều khiển tự động hoàn chỉnh trên mô hình xe vật lý cỡ nhỏ.

Mục tiêu và nhiệm vụ nghiên cứu của đề tài được xác định cụ thể như sau:

  1. Xây dựng chương trình điều khiển tự động cho xe mô hình dựa trên mạng học sâu (Deep Learning), tiếp nhận dữ liệu đầu vào là luồng hình ảnh từ camera gắn trên xe và tính toán dữ liệu đầu ra là góc lái và tốc độ bánh xe theo thời gian thực.
  2. Giải quyết bài toán xác định góc lái phương tiện tương thích với làn đường thông qua mô hình học sâu.
  3. Giải quyết bài toán phát hiện và nhận diện tín hiệu giao thông, bao gồm 15 loại biển báo giao thông đường bộ tiêu chuẩn của Việt Nam và 3 trạng thái đèn tín hiệu giao thông (đỏ, vàng, xanh).
  4. Tích hợp giải thuật điều khiển tốc độ vi sai và cân bằng phản hồi để xe vận hành ổn định trên đường thử nghiệm thực tế.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Mô hình xe tự hành kích thước nhỏ (xe RC cải tiến), hệ thống tính toán nhúng, các thuật toán thị giác máy tính và kiến trúc học sâu xử lý ảnh.
  • Phạm vi không gian và điều kiện môi trường: Xe vận hành trên sa bàn đường mô hình có nền màu đen, phân định bởi hai vạch kẻ màu trắng hai bên. Điều kiện ánh sáng thử nghiệm là ánh sáng ban ngày đồng đều, không bị chói sáng cục bộ.
  • Phạm vi nhận diện tín hiệu: Hệ thống nhận diện tối đa 4 biển báo xuất hiện đồng thời trong cùng một khung hình từ danh mục 15 loại biển báo (các mã: 224, 122, 301e, 301d, 301a, 102, 302a, 302b, 202, 127, 134, 408, 123a, 123b, 124a) và 3 màu đèn giao thông.
  • Phạm vi vận tốc và hiệu năng: Vận tốc thiết lập tối đa của xe là 3 km/h trên đoạn đường thẳng và 1 km/h khi vào đoạn đường cong; tốc độ xử lý luồng dữ liệu hình ảnh đạt ngưỡng tối thiểu 12 khung hình/giây (FPS).

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết và mô hình tính toán

Nghiên cứu kết hợp lý thuyết điều khiển tự động cổ điển và các kiến trúc học sâu tiên tiến trong lĩnh vực thị giác máy tính:

  • Thuật toán điều khiển PID (Proportional - Integral - Derivative): Bộ điều khiển vi tích phân tỉ lệ hoạt động theo cơ chế hồi tiếp vòng kín. Tín hiệu điều khiển $u(t) = MV(t)$ được tính toán dựa trên tổng ba thành phần: khâu tỉ lệ $K_p \cdot e(t)$ (xử lý sai số hiện tại), khâu tích phân $K_i \int_0^t e(\tau)d\tau$ (loại bỏ triệt để sai số tích lũy quá khứ), và khâu vi phân $K_d \frac{de(t)}{dt}$ (dự đoán xu hướng sai số tương lai), nhằm ổn định phản hồi điều hướng của bánh xe.
  • Mô hình động học vi sai ô tô (Differential Kinematics): Khóa luận quy đổi mô hình xe 4 bánh về hệ tương đương 3 bánh (1 bánh dẫn hướng phía trước và 2 bánh phát động độc lập phía sau). Dựa trên hình học tiếp tuyến quỹ đạo và góc lệch lái $c = b - a$, công thức tính toán tốc độ độc lập cho bánh trái ($V_l$) và bánh phải ($V_r$) được thiết lập nhằm tránh hiện tượng trượt lốp khi vào cua: $$V_l = V \cdot \left[1 - \frac{d_3 \cdot \tan(b-a)}{2 \cdot d_4}\right]$$ $$V_r = V \cdot \left[1 + \frac{d_3 \cdot \tan(b-a)}{2 \cdot d_4}\right]$$ Trong đó $V$ là vận tốc trung tâm của xe, $d_3$ là khoảng cách giữa hai bánh phát động, và $d_4$ là chiều dài cơ sở từ trục sau đến tâm quay dẫn hướng.
  • Mạng nơ-ron tích chập (Convolutional Neural Network - CNN): Khai thác các tầng trích xuất đặc trưng gồm Convolutional Layer (bộ lọc trượt, stride, padding tạo feature map), Pooling Layer (giảm chiều dữ liệu, chống overfitting), hàm kích hoạt phi tuyến ReLU ($f(x) = \max(0, x)$), và Fully Connected Layer để ánh xạ đặc trưng thành tín hiệu điều khiển.
  • Kiến trúc nhận diện Single Shot MultiBox Detector (SSD): Cơ chế phát hiện vật thể trực tiếp không qua bước đề xuất vùng (region proposal), sử dụng các lưới ô vuông (grid cells) và tập hộp mặc định (default boxes / fixed priors) trên nhiều tầng đặc trưng (multi-scale feature maps) kết hợp hàm mất mát MultiBox Loss (bao gồm Confidence Loss theo Cross-Entropy và Location Loss theo L2-Norm cân bằng bởi hệ số $\alpha$).
  • Mạng đường trục MobileNet: Sử dụng kỹ thuật tích chập tách biệt chiều sâu (Depthwise Separable Convolution) gồm hai bước: Depthwise Convolution (tích chập theo từng kênh riêng biệt với kích thước $k \times k$) và Pointwise Convolution (tích chập $1 \times 1$ để tổng hợp số kênh), giúp giảm thiểu đáng kể số lượng tham số và khối lượng tính toán so với tích chập tiêu chuẩn. Đề tài ứng dụng MobileNetV2 kết hợp SSD cho tác vụ nhận diện biển báo/đèn và MobileNetV3 Small cho tác vụ dự đoán góc lái.

Phương pháp nghiên cứu và thực nghiệm

  • Phương pháp thực nghiệm thiết kế hệ thống: Chế tạo mô hình phần cứng nhúng, cấu hình các giao tiếp điều khiển động cơ, thu nhận hình ảnh qua bus camera chuyên dụng.
  • Phương pháp thu thập và tiền xử lý dữ liệu: Thu thập hình ảnh thực tế từ sa bàn, gán nhãn khung bao (bounding box) cho bài toán nhận diện biển báo và gán nhãn góc quay vô-lăng tương ứng với từng khung hình làn đường.
  • Phương pháp huấn luyện mô hình: Triển khai huấn luyện các mạng học sâu trên nền tảng Google Colab sử dụng GPU tăng tốc, sau đó chuyển giao mô hình (weight/graph) xuống kít máy tính nhúng để thực thi suy luận tại biên.

Nguồn và quy mô dữ liệu huấn luyện

Bộ dữ liệu huấn luyện được nhóm tác giả tự xây dựng hoàn chỉnh cho môi trường mô hình:

  • Dữ liệu biển báo giao thông: Thu thập và gán nhãn 15 lớp biển báo đường bộ Việt Nam, quy mô đạt 3.000 ảnh/loại biển báo.
  • Dữ liệu làn đường (vùng đường chạy): 2.000 ảnh chụp điều kiện sa bàn.
  • Dữ liệu góc lái xe: Ít nhất 2.000 mẫu dữ liệu ghép cặp giữa ảnh làn đường và thông số góc bẻ lái thực tế.

Thiết kế và triển khai hệ thống

Kiến trúc phần cứng và kết nối thiết bị

Hệ thống phần cứng của xe tự hành được thiết kế đồng bộ trên khung gầm xe mô hình RC, bao gồm các khối chức năng chính:

  • Khối xử lý trung tâm: Kít vi máy tính nhúng NVIDIA Jetson Nano Development Kit, đảm nhiệm việc đọc luồng camera, chạy suy luận các mạng học sâu MobileNet/SSD và tính toán giải thuật điều khiển.
  • Khối thu nhận hình ảnh: Camera chuẩn CSI IMX219-200 góc rộng, kết nối trực tiếp vào giao tiếp CSI của Jetson Nano để truyền hình ảnh thời gian thực với độ trễ thấp.
  • Khối công suất và điều khiển động cơ: Mạch cầu H XY-160D kết nối giữa các chân GPIO/PWM của Jetson Nano và hệ thống động cơ điện DC, cho phép điều khiển đảo chiều và điều tốc hai bánh phát động độc lập.
  • Khối nguồn năng lượng: Sử dụng hai khối pin độc lập để chống sụt áp và nhiễu xung động cơ:
    • Khối pin Shangyi 3S (11.1V - 2200mAh): Cấp nguồn công suất cho mạch cầu H và động cơ truyền động.
    • Khối pin Shangyi 2S (7.4V - 4200mAh): Cấp nguồn ổn áp cho kít tính toán Jetson Nano và camera.
Thành phần phần cứng Model / Thông số kỹ thuật Chức năng trong hệ thống
Vi xử lý nhúng NVIDIA Jetson Nano Dev Kit Xử lý AI, chạy mô hình học sâu, điều khiển trung tâm
Camera cảm biến CSI Sony IMX219-200 Thu nhận luồng hình ảnh làn đường và biển báo
Mạch điều khiển động cơ Cầu H đôi XY-160D Điều khiển tốc độ PWM và chiều quay động cơ bánh xe
Nguồn động lực Pin LiPo Shangyi 3S 2200mAh Cung cấp năng lượng cho động cơ và cầu H
Nguồn mạch điều khiển Pin LiPo Shangyi 2S 4200mAh Cung cấp năng lượng cho kít Jetson Nano và mạch số
Khung xe Khung gầm RC car cải tiến Chịu tải linh kiện, liên kết cơ cấu lái và dẫn động

Luồng xử lý phần mềm và tích hợp thuật toán

Chương trình điều khiển vận hành theo chu trình khép kín:

  1. Camera thu nhận khung hình sa bàn và truyền vào bộ nhớ đệm của Jetson Nano.
  2. Khung hình được tiền xử lý và chuyển đồng thời qua hai luồng mạng học sâu:
    • Luồng 1 (MobileNetV3 Small): Trích xuất đặc trưng không gian làn đường, dự đoán trực tiếp góc bẻ lái tối ưu $a$.
    • Luồng 2 (SSD MobileNetV2): Phát hiện vùng biển báo và đèn tín hiệu, trả về tọa độ bounding box và nhãn định danh (tối đa 4 đối tượng đồng thời).
  3. Khối điều khiển nhận diện tín hiệu kết hợp góc lái $a$ và trạng thái biển báo (ví dụ: biển giới hạn tốc độ, biển rẽ, đèn đỏ phải dừng).
  4. Áp dụng giải thuật vi sai chuyển đổi góc lái $a$ thành tỉ lệ xung PWM điều tốc độc lập cho hai bánh xe trái/phải thông qua mạch cầu H XY-160D.
  5. Vòng lặp phản hồi duy trì liên tục ở tốc độ 12 FPS.

Nội dung chính theo từng chương

Chương 1: Tổng quan đề tài

Chương 1 phân tích bức tranh tổng thể về nghiên cứu xe tự hành trên thế giới từ những ý tưởng ban đầu năm 1925, mốc lý thuyết năm 1969 của John McCarthy với khái niệm ROBO-CHAUFFEUR, đến các dấu mốc thương mại hóa của Toyota Prius Hybrid (2003), Tesla Autopilot (2015), GM Super Cruise (2017) và xe tự hành cấp độ 4 của Waymo (2020). Tại Việt Nam, nghiên cứu cấp độ 3 của FPT hợp tác cùng Yamaha năm 2019 (vận hành 4 km, qua 5 trạm đón với tốc độ 7 km/h) là tiền đề thực tiễn quan trọng. Tác giả xác lập lý do lựa chọn đề tài là xây dựng mô hình tự hành đơn giản, chi phí thấp nhằm tạo nền tảng tiếp cận dễ dàng cho sinh viên ngành Kỹ thuật máy tính; đồng thời xác định rõ ràng mục tiêu, giới hạn môi trường thử nghiệm và ý nghĩa học thuật của hệ thống.

Chương 2: Cơ sở lý thuyết

Chương này cung cấp hệ thống cơ sở toán học và thuật toán kỹ thuật hoàn chỉnh:

  • Trình bày toán học giải thuật PID, phương trình hàm truyền sai số và bảng so sánh 4 phương pháp hiệu chỉnh tham số $K_p, K_i, K_d$ (thủ công, Ziegler-Nichols, phần mềm mô phỏng, Cohen-Coon).
  • Phân tích nguyên lý bộ vi sai cơ khí ô tô và xây dựng hệ phương trình hình học để giải bài toán điều tốc hai bánh phát động khi vào cua.
  • Trình bày tổng quan học sâu (Deep Learning), các tác vụ cơ bản trong thị giác máy tính (Image Classification, Object Localization, Object Detection, Semantic Segmentation, Instance Segmentation).
  • Đi sâu vào cấu trúc CNN (tích chập, pooling, activation ReLU, fully connected layer) và cơ chế shared weight.
  • So sánh các mô hình nhận diện đối tượng dựa trên độ chính xác (mAP) và thời gian thực thi (execution time) trên tập dữ liệu chuẩn COCO/PASCAL VOC: Faster R-CNN (độ chính xác cao từ 90.62% - 95.77% mAP nhưng chậm, tiêu tốn tài nguyên), YOLO v2 (tốc độ nhanh nhưng nhận diện vật nhỏ hạn chế), và SSD-MobileNet (cân bằng tối ưu giữa tốc độ và độ chính xác cho hệ thống nhúng).
  • Trình bày chi tiết kiến trúc SSD (MultiBox, Default Boxes, IoU threshold 0.5, hàm mất mát kết hợp) và kiến trúc MobileNetV2/MobileNetV3 (cơ chế Depthwise Separable Convolution gồm Depthwise Convolution $k \times k$ và Pointwise Convolution $1 \times 1$).

Chương 3: Tiến hành thực nghiệm

Chương 3 trình bày toàn bộ quá trình thiết kế, lắp đặt và kiểm thử từng thành phần hệ thống:

  • Quy trình lắp đặt cơ khí và đấu nối mạch điện tử giữa Jetson Nano, mạch cầu H XY-160D, camera CSI và hệ thống pin đôi.
  • Xây dựng quy trình thu thập và tiền xử lý bộ dữ liệu trên đường sa bàn mô hình; phương pháp gán nhãn bounding box cho 15 loại biển báo và dữ liệu phân đoạn làn đường.
  • Cấu hình môi trường huấn luyện mô hình trên hạ tầng Google Colab.
  • Thực nghiệm độc lập từng mô hình: kiểm thử mô hình nhận diện biển báo MobileNetV2-SSD khi chưa và sau khi cải thiện tập dữ liệu (loại bỏ nhiễu và bổ sung trường hợp phức tạp); kiểm thử mô hình MobileNetV3 Small dự đoán góc lái từ ảnh làn đường.
  • Tích hợp toàn diện các mô hình lên kít Jetson Nano và kiểm tra luồng dữ liệu điều khiển kết hợp PID.

Chương 4: Kết quả thực nghiệm

Chương 4 công bố các số liệu định lượng thu được từ các bài kiểm tra thực tế:

  • Kết quả nhận diện góc lái xe và khả năng bám làn đường của mô hình MobileNetV3 Small.
  • Kết quả đánh giá độ chính xác của mô hình nhận diện biển báo giao thông trên tập dữ liệu thử nghiệm.
  • Kết quả chạy thực nghiệm hệ thống tổng hợp trên xe mô hình thực tế: đo đạc tốc độ xử lý thời gian thực, độ ổn định của giải thuật vi sai và khả năng đáp ứng biển báo.
  • Đánh giá tổng thể hiệu năng phần cứng Jetson Nano và nguồn pin trong quá trình vận hành liên tục.
  • So sánh đối sánh các chỉ số đạt được với các đề tài nghiên cứu xe tự hành mô hình tham khảo trước đó.

Kết quả và đóng góp

Kết quả thực nghiệm chính

Hệ thống điều khiển xe tự hành đã được triển khai và kiểm chứng thực nghiệm trên sa bàn thực tế với các thông số định lượng cụ thể:

  • Tốc độ xử lý khung hình: Đạt tốc độ ổn định 12 FPS trên kít nhúng NVIDIA Jetson Nano khi đồng thời kích hoạt cả hai mô hình học sâu và thuật toán điều khiển vi sai.
  • Khả năng tự hành liên tục: Xe mô hình hoàn thành xuất sắc 7 vòng chạy liên tục trên bản đồ sa bàn mô hình mà không lệch khỏi làn đường, vượt chỉ tiêu ban đầu đề ra là 4 vòng liên tục.
  • Kiểm soát vận tốc và chuyển hướng: Xe duy trì tốc độ vận hành tối đa 3 km/h trên các đoạn đường thẳng và tự động điều chỉnh giảm xuống mức tối đa 1 km/h khi vào cung đường cong nhờ giải thuật vi sai phối hợp góc bẻ lái.
  • Độ chính xác nhận diện biển báo: Đạt yêu cầu thiết kế trên 75% độ chính xác đối với tập dữ liệu kiểm thử 15 loại biển báo và 3 màu đèn giao thông.
Tiêu chí đánh giá Chỉ tiêu đặt ra ban đầu Kết quả thực nghiệm đạt được Trạng thái
Tốc độ xử lý (FPS) $\ge 12$ FPS Đạt đúng 12 FPS Đạt
Độ chính xác nhận diện biển báo $> 75%$ $> 75%$ trên tập dữ liệu Đạt
Khả năng chạy liên tục sa bàn Tối thiểu 4 vòng Đạt 7 vòng liên tục Vượt chỉ tiêu
Vận tốc đoạn thẳng tối đa 3 km/h 3 km/h Đạt
Vận tốc đoạn cua tối đa 1 km/h 1 km/h Đạt
Số lượng biển báo xử lý đồng thời Tối đa 4 biển báo 4 biển báo trong khung hình Đạt

Giải pháp và đóng góp của đề tài

  1. Đề xuất giải pháp tích hợp song song hai mô hình học sâu kích thước nhỏ (MobileNetV2-SSD cho nhận diện vật thể và MobileNetV3 Small cho hồi quy góc lái) phù hợp với năng lực tính toán hạn chế của kít nhúng Jetson Nano.
  2. Xây dựng công thức tính toán vận tốc bánh xe vi sai dựa trên hình học góc lái rút gọn (chuyển đổi hệ 4 bánh sang 3 bánh), loại bỏ hiện tượng trượt lốp khi xe bẻ lái ở các góc hẹp trên mô hình.
  3. Đóng góp một bộ dữ liệu ảnh thực nghiệm hoàn chỉnh về 15 loại biển báo đường bộ Việt Nam và dữ liệu làn đường phục vụ công tác nghiên cứu, đào tạo chuyên ngành Kỹ thuật máy tính.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của đề tài

  • Hệ thống chỉ hoạt động ổn định trong môi trường ánh sáng ban ngày đồng đều, chưa có khả năng thích ứng trong điều kiện thiếu sáng, ban đêm hoặc khi có hiện tượng chói sáng mạnh làm lóa camera.
  • Sa bàn thử nghiệm là đường mô hình đơn sắc (mặt đường màu đen, vạch kẻ màu trắng rõ ràng), chưa mô phỏng được độ phức tạp của bề mặt đường thực tế (nhiều màu sắc, vạch kẻ mờ hoặc mặt đường gồ ghề).
  • Năng lực xử lý đồng thời bị giới hạn ở mức tối đa 4 biển báo trong một khung hình để bảo toàn tốc độ xử lý 12 FPS trên phần cứng nhúng.

Hướng mở rộng nghiên cứu

  • Nâng cấp phần cứng tính toán hoặc tối ưu hóa mô hình mạng nơ-ron (lượng tử hóa mô hình - quantization, sử dụng TensorRT) để nâng cao tốc độ xử lý vượt ngưỡng 12 FPS và tăng vận tốc vận hành của xe.
  • Mở rộng bộ dữ liệu huấn luyện sang các điều kiện môi trường đa dạng hơn (ánh sáng phức tạp, ban đêm, điều kiện thời tiết nhân tạo) nhằm nâng cao tính thích ứng.
  • Tích hợp thêm các cảm biến phụ trợ như cảm biến siêu âm, radar hoặc LiDAR để tăng cường khả năng phát hiện vật cản đa chiều và nâng cao mức độ an toàn.

Giá trị tham khảo

Khóa luận là tài liệu học thuật có giá trị tham khảo thực tiễn cao cho:

  • Sinh viên ngành Kỹ thuật Máy tính, Tự động hóa, Công nghệ Thông tin, Cơ điện tử: Cung cấp tài liệu hoàn chỉnh từ khâu thiết kế mạch điều khiển, lựa chọn nguồn pin, cấu hình kít Jetson Nano đến triển khai các mô hình AI nhúng.
  • Nhóm nghiên cứu tham gia các cuộc thi xe tự hành mô hình: Có thể kế thừa trực tiếp phương pháp tính toán góc lái vi sai, cấu trúc phân luồng xử lý giữa bài toán làn đường và bài toán biển báo, cũng như phương pháp thu thập và gán nhãn dữ liệu chuẩn Việt Nam.
  • Nội dung đáng tham khảo nhất: Phương pháp luận chuyển đổi mô hình học sâu lên thiết bị biên (Edge AI) trong Chương 2 và sơ đồ phối hợp phần cứng - phần mềm điều tốc vi sai trong Chương 3.

Câu hỏi thường gặp

1. Khóa luận sử dụng những mô hình học sâu cụ thể nào cho từng bài toán?
Khóa luận chia hệ thống thành hai luồng xử lý riêng biệt: sử dụng mô hình MobileNetV2 kết hợp kiến trúc SSD (Single Shot MultiBox Detector) cho bài toán phát hiện và nhận diện 15 loại biển báo cùng 3 trạng thái đèn giao thông; và sử dụng mô hình MobileNetV3 Small cho bài toán xác định góc lái phương tiện từ hình ảnh làn đường.

2. Hệ thống phần cứng trên xe mô hình gồm những linh kiện chính nào?
Phần cứng bao gồm kít vi máy tính nhúng NVIDIA Jetson Nano Development Kit, camera CSI Sony IMX219-200, mạch cầu H điều khiển động cơ XY-160D, cùng hai khối pin cấp nguồn độc lập là pin LiPo Shangyi 3S 2200mAh (cho động cơ/cầu H) và pin Shangyi 2S 4200mAh (cho kít Jetson Nano).

3. Khóa luận giải quyết bài toán chênh lệch tốc độ hai bánh khi xe vào cua như thế nào?
Tác giả quy đổi mô hình 4 bánh về hệ 3 bánh tương đương (1 bánh lái dẫn hướng, 2 bánh phát động sau), sau đó áp dụng công thức lượng giác dựa trên góc bẻ lái $c = b - a$ và tỷ lệ hình học giữa chiều rộng xe $d_3$ và chiều dài cơ sở $d_4$ để tính toán vận tốc bánh trái ($V_l$) và bánh phải ($V_r$), giúp loại bỏ hiện tượng trượt bánh khi chuyển hướng.

4. Kết quả thực nghiệm vận hành của xe trên sa bàn đạt được những chỉ số gì?
Xe đạt tốc độ xử lý ổn định 12 FPS trên kít Jetson Nano, hoàn thành 7 vòng chạy liên tục trên bản đồ sa bàn mô hình không lệch làn (vượt chỉ tiêu thiết kế ban đầu là 4 vòng), đạt tốc độ tối đa 3 km/h trên đường thẳng, 1 km/h trên đoạn đường cong, và độ chính xác nhận diện biển báo đạt trên 75%.

5. Danh mục các loại biển báo giao thông mà hệ thống nhận diện gồm những loại nào?
Hệ thống được huấn luyện để nhận diện 15 loại biển báo giao thông đường bộ tiêu chuẩn của Việt Nam theo các mã: 224, 122, 301e, 301d, 301a, 102, 302a, 302b, 202, 127, 134, 408, 123a, 123b, 124a, cùng 3 tín hiệu đèn giao thông màu xanh, đỏ, vàng (nhận diện tối đa 4 biển báo đồng thời trong một khung hình).

Kết luận

Khóa luận tốt nghiệp của sinh viên Trương Văn Việt và Trần Thảo Nguyên đã xây dựng thành công chương trình điều khiển xe tự hành ứng dụng Deep Learning trên nền tảng phần cứng nhúng NVIDIA Jetson Nano. Bằng sự kết hợp giữa mô hình nhận diện đối tượng MobileNetV2-SSD và mô hình bám làn MobileNetV3 Small cùng giải thuật điều tốc vi sai, xe mô hình đã vận hành ổn định 7 vòng liên tục trên sa bàn với tốc độ xử lý 12 FPS. Công trình thể hiện quy trình nghiên cứu thực nghiệm chặt chẽ, đóng góp một giải pháp tham khảo giá trị cho các bài toán điều khiển tự động trên thiết bị biên và các dự án xe tự hành mô hình trong giáo dục đại học.