Xây Dựng Hệ Thống Định Vị Dùng Thị Giác Lập Thể

Luận văn thạc sĩ về xây dựng hệ thống định vị dùng thị giác lập thể, chuyên ngành Kỹ thuật Điều khiển và Tự động hóa. Nghiên cứu ứng dụng camera stereo.

• Tác giả: Diệp Thanh Hải
• Người hướng dẫn: TS. Nguyễn Vĩnh Hảo
• Trường học: Trường Đại Học Bách Khoa – ĐHQG – TP.HCM
• Chuyên ngành: Kỹ thuật Điều khiển và Tự động hóa
• Đề tài: Xây Dựng Hệ Thống Định Vị Dùng Thị Giác Lập Thể
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2018
• Địa điểm: TP. Hồ Chí Minh

Tóm tắt

I. Tổng Quan Về Hệ Thống Định Vị Dùng Thị Giác Lập Thể

Cuộc cách mạng công nghiệp 4.0 chứng kiến sự bùng nổ của các xe tự hành, và hệ thống định vị đóng vai trò then chốt. Ngoài việc phát hiện làn đường và vật cản, xác định vị trí xe là yếu tố quan trọng. Khi biết vị trí, hệ thống điều khiển tự động có thể vận hành xe theo quỹ đạo định trước. Các phương pháp định vị phổ biến bao gồm wheel odometry, wifi router, GPS, LiDAR và Visual Odometry. Trong đó, Visual Odometry sử dụng camera để phân tích hình ảnh và ước lượng vị trí, tương tự như cách con người định hướng. Đề tài này tập trung vào Stereo Visual Odometry, phát triển ứng dụng định vị 3D và đánh giá trong các môi trường khác nhau. Theo nghiên cứu của Moravec năm 1980, ý tưởng ước lượng vị trí dựa trên hình ảnh đầu vào mở ra hướng phát triển mới cho công nghệ định vị.

1.1. Ưu Điểm Của Định Vị Dùng Thị Giác Lập Thể Stereo Vision

Định vị bằng thị giác lập thể (Stereo Vision) mang lại nhiều lợi thế. Thứ nhất, không cần điểm tham chiếu trước, giảm chi phí đầu tư ban đầu. Thứ hai, ít bị ảnh hưởng bởi địa hình và thời tiết, tăng tính ổn định trong nhiều môi trường. Thứ ba, có thể tận dụng camera cho các tiện ích khác, tối ưu hóa phần cứng. Tuy nhiên, hệ thống dễ bị ảnh hưởng bởi ánh sáng và độ phong phú của môi trường. Khối lượng tính toán lớn đòi hỏi bộ xử lý mạnh và bộ nhớ dung lượng cao. Do đó, cần cân nhắc kỹ các yếu tố này khi triển khai hệ thống Visual SLAM. Thí nghiệm của Moravec đã cho thấy tiềm năng của SLAM Stereo trong việc xác định vị trí một cách chính xác.

1.2. Phân Loại Các Kỹ Thuật Định Vị Hiện Đại GPS LiDAR IMU

Ngoài Visual SLAM, các kỹ thuật định vị khác cũng đóng vai trò quan trọng. GPS cung cấp tọa độ tuyệt đối nhưng dễ bị nhiễu và không hoạt động trong nhà. LiDAR đo khoảng cách chính xác nhưng chi phí cao. IMU (Inertial Measurement Unit) đo quán tính nhưng sai số tích lũy theo thời gian. Việc kết hợp các kỹ thuật này (ví dụ: Sensor Fusion) có thể tạo ra hệ thống định vị mạnh mẽ và đáng tin cậy hơn. Các nghiên cứu về robot Mars 2020 Rover đã ứng dụng nhiều kỹ thuật định vị khác nhau để đảm bảo hoạt động hiệu quả trên sao Hỏa.

II. Thách Thức Trong Xây Dựng Hệ Thống Định Vị Thị Giác Lập Thể

Xây dựng hệ thống định vị dùng thị giác lập thể (Stereo Vision) không hề dễ dàng. Vấn đề lớn nhất là độ chính xác và độ ổn định của hệ thống. Các yếu tố như ánh sáng, góc nhìn, và sự thay đổi của môi trường có thể ảnh hưởng đến chất lượng hình ảnh và gây sai lệch trong quá trình tính toán vị trí. Ngoài ra, việc xử lý lượng lớn dữ liệu hình ảnh đòi hỏi phần cứng mạnh mẽ và thuật toán tối ưu. Theo nghiên cứu của A.Geiger vào năm 2011, việc tái hiện môi trường 3D từ ảnh chụp (3D reconstruction) và nhận biết nội dung trong ảnh (scene understanding) là những thách thức lớn.

2.1. Ảnh Hưởng Của Ánh Sáng Và Môi Trường Đến Định Vị Thị Giác

Ánh sáng yếu, ánh sáng mạnh, hoặc ánh sáng thay đổi liên tục đều gây khó khăn cho việc trích xuất đặc trưng (feature extraction) và khớp đặc trưng (feature matching). Môi trường thiếu đặc trưng hoặc có quá nhiều đặc trưng giống nhau cũng làm giảm độ chính xác của hệ thống. Cần có các thuật toán mạnh mẽ để xử lý các trường hợp này. Các nghiên cứu về robot tự hành trong nông nghiệp đã chỉ ra rằng môi trường đồng cỏ có rất nhiều đặc trưng giống nhau, gây khó khăn cho việc định vị chính xác.

2.2. Yêu Cầu Về Phần Cứng Và Thuật Toán Cho Hệ Thống SLAM

Hệ thống SLAM (Simultaneous Localization and Mapping) dùng thị giác lập thể đòi hỏi phần cứng mạnh mẽ để xử lý lượng lớn dữ liệu hình ảnh trong thời gian thực. Các thuật toán cần được tối ưu hóa để giảm thời gian tính toán và tăng độ chính xác. Việc sử dụng GPU (Graphics Processing Unit) có thể giúp tăng tốc quá trình xử lý hình ảnh. Ngoài ra, các thuật toán như Bundle Adjustment và Graph Optimization cần được triển khai để tối ưu hóa bản đồ 3D và vị trí của robot.

2.3. Các Vấn Đề Về Hiệu Suất Và Độ Ổn Định Của Hệ Thống Định Vị

Độ chính xác và độ ổn định là hai yếu tố quan trọng nhất của hệ thống định vị. Hệ thống cần hoạt động ổn định trong thời gian dài và cung cấp vị trí chính xác ngay cả khi có sự thay đổi của môi trường. Cần có các phương pháp đánh giá hiệu năng (performance evaluation) và kiểm tra lỗi (error checking) để đảm bảo hệ thống hoạt động tốt. Việc tích hợp IMU (Inertial Measurement Unit) có thể giúp cải thiện độ ổn định của hệ thống trong môi trường không bằng phẳng.

III. Phương Pháp Stereo Visual Odometry Để Tăng Độ Chính Xác

Stereo Visual Odometry là một phương pháp hiệu quả để xây dựng hệ thống định vị. Phương pháp này sử dụng hai camera để thu thập hình ảnh, tạo ra thông tin chiều sâu (depth perception) và cải thiện độ chính xác của việc ước lượng vị trí. Quá trình bao gồm các bước: trích xuất đặc trưng, khớp đặc trưng, ước lượng chuyển động và xây dựng bản đồ. Các thuật toán như SIFT, FAST, và RANSAC được sử dụng để thực hiện các bước này. Theo nghiên cứu của [8], việc sử dụng kỹ thuật tái hiện môi trường 3D từ ảnh chụp (3D reconstruction) có thể cải thiện đáng kể độ chính xác của hệ thống.

3.1. Trích Xuất Đặc Trưng Feature Extraction Trong Ảnh Stereo

Trích xuất đặc trưng là bước quan trọng để tìm ra các điểm đặc biệt trong ảnh. Các thuật toán như SIFT (Scale-Invariant Feature Transform), FAST (Features from Accelerated Segment Test), và ORB (Oriented FAST and Rotated BRIEF) được sử dụng để trích xuất các đặc trưng này. Các đặc trưng này phải ổn định và dễ nhận diện trong các điều kiện ánh sáng và góc nhìn khác nhau. Việc lựa chọn thuật toán trích xuất đặc trưng phù hợp có thể ảnh hưởng lớn đến hiệu năng của hệ thống SLAM.

3.2. Khớp Đặc Trưng Feature Matching Giữa Các Cặp Ảnh Lập Thể

Sau khi trích xuất đặc trưng, bước tiếp theo là khớp các đặc trưng giữa các cặp ảnh lập thể. Điều này giúp xác định sự tương ứng giữa các điểm trong không gian 3D. Các thuật toán như Brute-Force Matching và FLANN (Fast Library for Approximate Nearest Neighbors) Matching được sử dụng để thực hiện việc này. Việc khớp đặc trưng chính xác là rất quan trọng để ước lượng chuyển động (motion estimation) một cách chính xác. Kỹ thuật Bucketing cũng có thể được sử dụng để cải thiện hiệu quả của việc khớp đặc trưng.

3.3. Ước Lượng Chuyển Động Motion Estimation Dựa Trên Dữ Liệu Stereo

Ước lượng chuyển động là bước quan trọng để xác định vị trí và hướng của robot. Các thuật toán như Triangulation, Gauss-Newton, và RANSAC được sử dụng để ước lượng chuyển động dựa trên dữ liệu stereo. RANSAC (RANdom SAmple Consensus) giúp loại bỏ các điểm ngoại lệ (outliers) và cải thiện độ chính xác của việc ước lượng chuyển động. Việc ước lượng chuyển động chính xác là rất quan trọng để xây dựng bản đồ 3D và định vị robot trong môi trường.

IV. Xây Dựng Mô Hình Xe Và Chương Trình Định Vị Thực Tế

Việc xây dựng mô hình xe và chương trình định vị thực tế là bước quan trọng để kiểm chứng và đánh giá hiệu năng của hệ thống định vị dùng thị giác lập thể. Mô hình xe cần được thiết kế sao cho phù hợp với các điều kiện thực nghiệm. Chương trình định vị cần được viết bằng ngôn ngữ lập trình C++ và sử dụng các thư viện như libpng, png++, và libviso. Việc xây dựng chương trình vẽ quỹ đạo di chuyển theo tọa độ cũng rất quan trọng để đánh giá kết quả. Theo tác giả luận văn, chương trình được xây dựng bằng ngôn ngữ lập trình C++.

4.1. Thiết Kế Mô Hình Xe Thực Nghiệm Để Thu Thập Dữ Liệu

Mô hình xe cần được thiết kế để có thể di chuyển trong các môi trường khác nhau và thu thập dữ liệu hình ảnh từ camera stereo. Mô hình xe cần có đủ độ cứng và độ ổn định để đảm bảo rằng dữ liệu thu thập được là chính xác. Mô hình xe cũng cần có đủ không gian để lắp đặt camera stereo và các thiết bị khác. Việc lựa chọn vật liệu và thiết kế của mô hình xe có thể ảnh hưởng đến hiệu năng của hệ thống định vị.

4.2. Lập Trình Ứng Dụng Truy Xuất Ảnh Từ Camera Stereo ZED Camera

Ứng dụng cần có khả năng truy xuất ảnh từ camera stereo một cách nhanh chóng và hiệu quả. Camera ZED stereo camera thường được sử dụng vì nó cung cấp dữ liệu stereo chất lượng cao. Ứng dụng cần có khả năng xử lý các thông số của camera stereo, chẳng hạn như tiêu cự (focal length) và khoảng cách giữa hai camera (baseline). Ứng dụng cũng cần có khả năng chỉnh sửa ảnh (image rectification) để đảm bảo rằng các dòng epipolar là song song.

4.3. Xây Dựng Chương Trình Vẽ Quỹ Đạo Di Chuyển Để Đánh Giá Kết Quả

Chương trình vẽ quỹ đạo di chuyển giúp đánh giá kết quả của hệ thống định vị. Chương trình cần có khả năng đọc dữ liệu tọa độ từ hệ thống định vị và vẽ quỹ đạo di chuyển trên đồ thị. Chương trình cũng cần có khả năng hiển thị các thông số khác, chẳng hạn như vận tốc và gia tốc. Việc sử dụng Matlab để xây dựng chương trình vẽ quỹ đạo di chuyển là một lựa chọn phổ biến.

V. Thực Nghiệm Kiểm Chứng Và Đánh Giá Kết Quả Định Vị

Thực nghiệm kiểm chứng và đánh giá kết quả là bước cuối cùng để xác định hiệu năng của hệ thống định vị dùng thị giác lập thể. Các thực nghiệm cần được thực hiện trong các môi trường khác nhau, với các quỹ đạo di chuyển khác nhau. Kết quả cần được đánh giá dựa trên các tiêu chí như độ chính xác, độ ổn định và thời gian tính toán. Các kết quả thực nghiệm được vẽ lại trên Matlab để phục vụ cho việc đánh giá. TN1, TN2, TN3, TN4, TN5, TN6, TN7, TN8 và TN9 là các thí nghiệm đã được thực hiện để kiểm tra hệ thống.

5.1. Thiết Lập Các Môi Trường Thực Nghiệm Đa Dạng Trong Nhà Ngoài Trời

Các môi trường thực nghiệm cần đa dạng để đánh giá hiệu năng của hệ thống định vị trong các điều kiện khác nhau. Các môi trường có thể bao gồm trong nhà, ngoài trời, có nhiều đặc trưng, có ít đặc trưng, có ánh sáng tốt, có ánh sáng yếu. Việc thực nghiệm trong các môi trường khác nhau giúp xác định điểm mạnh và điểm yếu của hệ thống định vị.

5.2. Thực Hiện Các Quỹ Đạo Di Chuyển Khác Nhau Đường Thẳng Đường Tròn Hình Vuông

Các quỹ đạo di chuyển cần khác nhau để đánh giá khả năng của hệ thống định vị trong việc theo dõi các chuyển động khác nhau. Các quỹ đạo có thể bao gồm đường thẳng, đường tròn, hình vuông. Việc thực nghiệm với các quỹ đạo khác nhau giúp xác định khả năng của hệ thống định vị trong việc xử lý các chuyển động phức tạp.

5.3. Đánh Giá Độ Chính Xác Và Ổn Định Của Hệ Thống Định Vị Bằng Đồ Thị

Độ chính xác và ổn định là hai yếu tố quan trọng nhất cần được đánh giá. Độ chính xác có thể được đánh giá bằng cách so sánh quỹ đạo di chuyển được ước lượng với quỹ đạo di chuyển thực tế. Độ ổn định có thể được đánh giá bằng cách xem xét sự thay đổi của vị trí theo thời gian. Việc sử dụng đồ thị để hiển thị kết quả giúp dễ dàng phân tích và so sánh các kết quả thực nghiệm.

VI. Kết Luận Hướng Phát Triển Hệ Thống Định Vị Tương Lai

Luận văn này đã trình bày quá trình xây dựng và đánh giá một hệ thống định vị dùng thị giác lập thể. Kết quả thực nghiệm cho thấy hệ thống có khả năng định vị chính xác trong một số môi trường nhất định. Tuy nhiên, vẫn còn nhiều vấn đề cần được giải quyết để cải thiện hiệu năng và độ ổn định của hệ thống. Hướng phát triển của đề tài bao gồm việc tích hợp thêm các cảm biến khác, sử dụng các thuật toán học sâu (deep learning) và phát triển các ứng dụng thực tế. Việc kết hợp VO với Inertial Odometry (INS) có thể tạo ra hệ thống Sensor Fusion mạnh mẽ

6.1. Những Kết Quả Đã Đạt Được Và Các Hạn Chế Cần Khắc Phục

Hệ thống đã đạt được một số kết quả nhất định trong việc định vị chính xác trong một số môi trường nhất định. Tuy nhiên, hệ thống vẫn còn hạn chế về độ ổn định trong các môi trường phức tạp và thời gian tính toán. Cần có các giải pháp để khắc phục các hạn chế này, chẳng hạn như sử dụng các thuật toán mạnh mẽ hơn hoặc tích hợp thêm các cảm biến khác.

6.2. Tích Hợp Cảm Biến Và Thuật Toán Học Sâu Để Cải Thiện Định Vị

Việc tích hợp thêm các cảm biến khác, chẳng hạn như IMU (Inertial Measurement Unit) và LiDAR, có thể giúp cải thiện độ chính xác và ổn định của hệ thống định vị. Việc sử dụng các thuật toán học sâu (deep learning) có thể giúp tự động trích xuất đặc trưng và khớp đặc trưng, giảm thời gian tính toán và tăng độ chính xác.

6.3. Ứng Dụng Thực Tế Của Hệ Thống Định Vị Dùng Thị Giác Lập Thể

Hệ thống định vị dùng thị giác lập thể có thể được ứng dụng trong nhiều lĩnh vực khác nhau, chẳng hạn như robot tự hành, xe tự hành, thực tế ảo tăng cường và giám sát an ninh. Việc phát triển các ứng dụng thực tế sẽ giúp hệ thống định vị trở nên hữu ích và phổ biến hơn. Ứng dụng trong nông nghiệp và vận tải cũng là những tiềm năng lớn của hệ thống.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN ĐỀ TÀI 1.1 Các kỹ thuật định vị Theo dự báo cuộc cách mạng công nghiệp lần thứ 4 (industry 4.0) thì trong lĩnh vực xây dựng hệ thống xe tự hành (autonomous vehicle) là một trong những nội dung nổi bật đang thu hút được nhiều sự đầu tư, nghiên cứu. Trong số các yếu tố quan trọng quyết định chất lượng công nghệ xe tự hành, bên cạnh yêu cầu kỹ thuật phát hiện làn đường, kỹ thuật phát hiện vật cản cảnh báo va chạm, kỹ thuật nhận biết biển báo giao thông, thì còn có yêu cầu xác định vị trí của xe. Khi xác định được vị trí của xe thì hệ thống điều khiển tự động có thể đưa ra những quyết định điều chỉnh, vận hành xe đi theo quỹ đạo/ đích đến đã chọn trước mà không cần sự can thiệp của con người. Một số phương pháp định vị đang được sử dụng phổ biến: ▪ Hệ thống wheel odometry: encoder được gắn vào trục bánh xe để đếm số vòng quay cùng với thông tin về đường kính thiết kế của bánh xe từ đó sẽ tính được quãng đường và hướng di chuyển tương đối.

Uu điểm là chi phí rẻ, độ phân giải cao, không cần tọa độ tham chiếu, dễ xác định được vị trí và hướng chuyển động. Khuyết điểm là chỉ áp dụng được với đối tượng di chuyển bằng bánh xe và chỉ hoạt động trên mặt phẳng, không trượt. Sai số lũy tiến theo độ dài quãng đường di chuyển. Sai số bên trong hệ thống bao gồm sai số do đường kính không bằng nhau và tốc độ quay không đều của các bánh xe.

Sai số bên ngoài hệ thống do môi trường như lực cản, loại vật liệu của bề mặt tiếp xúc với bánh xe, sai số này chỉ có thể được triệt tiêu khi có sự tham chiếu với một hệ thống định vị loại khác. ▪ Hệ thống định vị bằng wifi router: có ưu điểm lớn là tận dụng được hệ thống wifi đã được phủ sóng rộng rãi, có thể hoạt động được trong nhà hoặc ngoài trời. Phát hiện vị trí của đối tượng bằng địa chỉ của thiết bị đầu cuối, cường độ của sóng wifi, sai số không tích lũy, tuy nhiên không ổn định, độ chính xác thấp, dễ bị nhiễu trong môi trường có nhiều đối tượng. Chỉ sử dụng được trong môi trường đã xây dựng sẵn hệ thống thu và phát sóng wifi.

1 ▪ Định vị bằng vệ tinh là kỹ thuật xác định vị trí của thiết bị thu bằng sóng radio từ 4 vệ tinh gần nhất. Các hệ thống phổ biến hiện nay như: GPS, GLONASS, GALILEO, BEIDOU được vận hành bởi một số quốc gia. Kỹ thuật định vị bằng vệ tinh được sử dụng trong các ứng dụng vận tải, địa lý, dân sự. Trong các hệ thống định vị bằng vệ tinh thì được biết đến phổ biến nhất là hệ thống GPS của Mỹ, bao gồm các vệ tinh bay xung quanh quỹ đạo Trái đất.

Các hệ thống định vị này có ưu điểm cung cấp tọa độ tuyệt đối với sai số biết trước và không lũy tiến, chi phí đầu tư thấp. Tuy nhiên hệ thống dễ bị nhiễu bởi thời tiết không gian, sai số trong khoảng 10m, không định vị được khi ở trong nhà, môi trường dưới nước hoặc khu vực kín như trong đường ngầm. Hệ thống GPS với 24 vệ tinh, xác định vị trí từ tín hiệu của 3 vệ tinh ▪ Hệ thống định vị sử dụng tia laser để đo khoảng cách (LiDAR): tương tự như hệ thống quét bằng sóng siêu âm nhưng độ chính xác và tần số quét cao hơn. Hiện tại được áp dụng phổ biến trong công nghệ robot và xe tự hành vì khả năng vượt trội trong việc đo lường trực tiếp 3D trong thời gian thực.

Hệ thống quét 3D bằng laser giá thành cao và khó khăn khi tích hợp vào phần cứng của xe, cũng như hạn chế về độ phân giải số tia theo chiều dọc. Sự phản xạ của tia laser chịu ảnh hưởng của vật liệu và hình dạng bề mặt của đối tượng. Thiết bị đo khoảng cách Velodyne HDL-64E-S2 ▪ Hệ thống định vị Inertial odometry (INS): sử dụng IMU (Inertial Measurement Unit) gồm có các cảm biến Accelerometer, Gyroscope, Magnetomer đo được quán tính theo thời gian thực, từ đó dùng thuật toán tính tích phân ngược lại thì có được vận tốc và vị trí mà không cần tọa độ tham chiếu. Ưu điểm của kỹ thuật này là không bị ảnh hưởng bởi môi trường thời tiết, ánh sáng, địa hình, tuy nhiên bất lợi là sai số được tích lũy dần qua thời gian.

Hệ thống này thường được sử dụng cho các thiết bị hàng không, hàng hải. Bộ cảm biến IMU loại Mti-10 của công ty Xsens ▪ Hệ thống định vị Visual Odometry: sử dụng camera để ghi hình môi trường rồi phân tích hình ảnh theo thứ tự thời gian để ước lượng vị trí và khoảng cách đã di chuyển. Kỹ thuật này giống như cách định hướng tự nhiên của động vật dựa trên thị giác. Ưu điểm là không cần điểm tham chiếu, chi phí đầu tư không cao, không bị ảnh hưởng bởi địa hình, thời tiết, có thể tận dụng camera để phục vụ cho các tiện ích khác.

Một số điểm bất lợi là: hệ thống dễ bị ảnh hưởng bởi điều kiện ánh 3 sáng và độ phong phú của môi trường (có nhiều hay ít các điểm đặc trưng), khối lượng tính toán nhiều nên cần bộ xử lý tốc độ cao và bộ nhớ lớn. Hệ thống định vị Visual Odometry (VO) có thể sử dụng 1 camera (Monocular Visual Odometry) hoặc 2 camera (Binocular Visual Odometry hoặc Stereo Visual Odometry). Đề tài này tập trung vào tìm hiểu phương pháp Stereo Visual Odometry, phát triển ứng dụng hệ thống định vị 3D, thực nghiệm và đánh giá trong các môi trường khác nhau về độ phong phú của đặc trưng, điều kiện ánh sáng.2 Các nghiên cứu và ứng dụng liên quan Visual Odometry (VO) Ý tưởng ước lượng vị trí của robot dựa trên một tập hình ảnh đầu vào được giới thiệu lần đầu tiên bởi Moravec năm 1980 [1]. Trong thí nghiệm sử dụng một xe di chuyển theo từng đoạn rồi dừng, trên xe có 1 thanh trượt đặt nằm ngang, trên thanh trượt có lắp một camera.

Mỗi khi xe dừng thì camera trượt ngang và chụp chín ảnh tại chín vị trí có khoảng cách bằng nhau, chương trình được viết để tìm các đặc trưng góc (corner features) giống nhau trong ảnh và so sánh với ảnh của các lần chụp sau để tìm vùng tương quan chéo (cross correlation), các điểm không phù hợp (outlier) sẽ được loại bỏ ở mỗi bước chụp ảnh bằng cách kiểm tra sự không nhất quán về độ sâu trong chín hình ảnh đươc chụp. Mặc dù thí nghiệm đã sử dụng một camera gắn trên thanh trượt nhưng các bước thực hiện của chương trình thì theo thuật toán stereo VO. Từ năm 1980 đến năm 2000 các nghiên cứu về VO đã được tài trợ bởi NASA để chuẩn bị cho dự án khám phá sao hỏa năm 2004. Kết quả từ các nghiên cứu trên đã được ứng dụng vào bù trượt của bánh xe và xây dựng hệ thống định vị của robot tự hành Spirit năm 2004, Opportunity năm 2004, Curiosity năm 2012 và tương lai là Mars 2020 Rover [2], [3], [4].

Hình 4 mô tả các thiết bị đo lường của robot Mars 2020 Rover, trong đó có sử dụng hai camera Matscam-Z. Sơ đồ các thiết bị đo lường của Mars 2020 Rover [5] Nghiên cứu ở [7] vào năm 2007 về việc tích hợp kỹ thuật Stereo VO với bộ IMU để nâng cao độ chính xác khi hoạt động trong môi trường không bằng phẳng tự nhiên sử dụng bộ lọc Kalman mở rộng (EKF) với dữ liệu từ stereo VO và IMU đã mang lại kết quả giảm sai số lớn nhất từ 3. Nghiên cứu về định vị sử dụng Stereo VO đồng thời phát triển thêm kỹ thuật tái hiện môi trường 3D từ ảnh chụp (3D reconstruction), nhận biết được nội dung trong ảnh (scene understanding) ở công trình nghiên cứu của A.Geiger vào năm 2011 ở [8] Stereo sequence 3D reconstruction Hình 5. Tái hiện môi trường 3D từ cặp ảnh chụp từ stereo camera [8] 5 Các nghiên cứu khác về ứng dụng VO cho robot tự hành trong nông nghiệp của S.

Ericson năm 2016 ở [9], nghiên cứu ứng dụng VO trong lĩnh vực vận tải, cứu hộ của M. Minh họa ứng dụng VO trong vận tải bởi 2 thiết bị bay quadrotor [10] Kỹ thuật Stixel World được giới thiệu với khả năng phát hiện các đối tượng đang di chuyển trực diện đến gần, ứng dụng trong công nghệ hê thống hỗ trợ lái xe ADAS(advanced driver assistance system) giúp cảnh báo nguy cơ va chạm trong công trình nghiên cứu của H. Trong hình 7 các đối tượng có nguy cơ gây ra va chạm lớn nhất được đánh dấu màu đỏ là kết quả của thuật toán vẽ các đường nằm ngang để kiểm tra liên tục hình ảnh những đối tượng nào ở trong vùng va chạm và có sự thay đổi độ sâu ảnh (khoảng cách) theo hướng tiến lại gần xe. Trên đường cao tốc Ở công trường 6 Ở khu vực ngoại ô Ở khu vực đô thị Hình 7.

Kết quả dự báo va chạm khi di chuyển ở các môi trường khác nhau [11] Các nghiên cứu về visual odometry cho hệ xe tự hành đang được thương mại hóa của công ty Tesla và Mobileye đã đạt những kết quả rất tốt như: free space pixel labeling, holistic path planning, general object detection, sign detection. Ứng dụng visual odometry được phát triển bởi Tesla và Mobileye Nghiên cứu về visual odometry cho hệ xe tự hành sử dụng cho ứng dụng trong nông nghiệp trong công trình nghiên cứu năm 2016 ở [28]. Trong hình 9 mô tả thiết bị phần cứng được sử dụng để đánh giá thuật toán SLAM của 2 tác giả S. Trong nghiên cứu này, hệ xe tự hành được thực nghiệm trong môi trường nhiều thách 7 thức là cánh đồng cỏ có rất nhiều đặc trưng giống nhau.

Hệ xe di chuyển theo quỹ đạo forward – backward phổ biến trong nông nghiệp ở quãng đường 1. Kết quả được đánh giá dựa trên tập dữ liệu từ bộ định vị có độ chính xác cao GPS/IMU. Hình 9 Sử dụng kỹ thuật visual odometry vào ứng dụng trong nông nghiệp [28] 1.3 Mục tiêu đề tài Bài toán dẫn đường cho robot di động theo [Leonard, D.Whyte, 1991] là việc trả lời 3 câu hỏi sau: ▪ Robot đang ở đâu? ▪ Robot sẽ đi tới đâu? ▪ Robot sẽ đi tới đó như thế nào? Để trả lời cho 3 câu hỏi trên thì cần thực hiện các công việc sau: phải có một mô hình môi trường (đã cho hoặc tự xây dựng), nhận biết và phân tích môi trường, tìm vị trí của robot trong môi trường, lập kế hoạch và điều khiển chuyển động.