Xây dựng hệ thống hỗ trợ đỗ xe thông qua Camera 360

Đồ án xây dựng hệ thống hỗ trợ đỗ xe thông qua camera 360 - ĐH Sư phạm Kỹ thuật TP.HCM

• Tác giả: Nguyễn Xuân Phúc
• Người hướng dẫn: ThS. Nguyễn Trọng Thức
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Công nghệ Kỹ thuật Ô tô
• Đề tài: Xây dựng hệ thống hỗ trợ đỗ xe thông qua Camera 360
• Loại tài liệu: Đồ án tốt nghiệp
• Năm xuất bản: 2025
• Địa điểm: Thành phố Hồ Chí Minh

Tóm tắt

I. Tổng quan về hệ thống hỗ trợ đỗ xe qua camera 360

Hệ thống hỗ trợ đỗ xe thông qua camera 360 là một trong những ứng dụng tiêu biểu của công nghệ ô tô hiện đại. Đồ án tốt nghiệp này được thực hiện tại Trường Đại học Sư phạm Kỹ thuật TP.HCM, thuộc Khoa Cơ Khí Động Lực, ngành Công nghệ Kỹ thuật Ô tô. Nhóm sinh viên Nguyễn Xuân Phúc và Nguyễn Quốc Anh đã xây dựng hệ thống gồm hai phần cốt lõi: nhận diện ô đỗ xe và điều khiển xe tự động đến vị trí đích. Hệ thống sử dụng kỹ thuật ghép ảnh từ nhiều camera để tạo góc nhìn toàn cảnh 360 độ xung quanh xe. Trí tuệ nhân tạo (AI) được tích hợp để phân tích hình ảnh, nhận diện và xác định các ô đỗ xe khả dụng dựa trên kích thước thực tế. Mô hình xe thu nhỏ được dùng làm nền tảng thử nghiệm. Đây là hướng nghiên cứu phù hợp với xu thế phát triển xe tự hành toàn cầu. Hệ thống giải quyết bài toán đỗ xe trong không gian chật hẹp, giảm thiểu rủi ro va chạm và nâng cao trải nghiệm người lái. Kết quả đạt được mở ra tiềm năng ứng dụng thực tiễn trong bối cảnh đô thị hóa nhanh chóng tại Việt Nam.

1.1. Bối cảnh nghiên cứu và mục tiêu đề tài

Đô thị hóa tăng nhanh khiến không gian đỗ xe ngày càng khan hiếm. Tình trạng va chạm khi lùi xe xảy ra phổ biến, đặc biệt trong các bãi đỗ hẹp. Đề tài được triển khai vào tháng 01/2025, dưới sự hướng dẫn của ThS. Nguyễn Trọng Thức. Mục tiêu chính là nghiên cứu, thiết kế và chế tạo hệ thống lùi xe tự động có tích hợp camera 360 và AI. Hệ thống hướng đến việc hỗ trợ lùi xe chính xác, an toàn, giảm tải nhận thức cho người lái trong môi trường đỗ xe phức tạp. Nền tảng thực nghiệm là mô hình xe ô tô thu nhỏ, cho phép kiểm chứng thuật toán trước khi triển khai thực tế.

1.2. Phạm vi và ý nghĩa khoa học của hệ thống

Hệ thống được xây dựng trong phạm vi đồ án tốt nghiệp cấp đại học, nhưng mang giá trị khoa học ứng dụng cao. Nghiên cứu kết hợp ba lĩnh vực: xử lý ảnh số, trí tuệ nhân tạo và điều khiển tự động. Đây là hướng tiếp cận liên ngành hiện đang được các tập đoàn ô tô lớn trên thế giới tập trung phát triển. Tại Việt Nam, nghiên cứu này góp phần làm phong phú thêm tài nguyên học thuật trong lĩnh vực xe tự hành. Kết quả cũng là tài liệu tham khảo cho các khóa học sau và các dự án hợp tác doanh nghiệp trong tương lai tại Trường Đại học Sư phạm Kỹ thuật TP.HCM.

II. Phân tích vấn đề kỹ thuật trong đỗ xe tự động bằng camera 360

Việc xây dựng hệ thống đỗ xe tự động đặt ra nhiều thách thức kỹ thuật phức tạp. Đầu tiên là bài toán ghép ảnh từ nhiều camera thành một khung nhìn 360 độ liền mạch, đòi hỏi hiệu chỉnh quang học chính xác và xử lý thời gian thực. Thứ hai là độ chính xác trong nhận diện ô đỗ xe: thuật toán phải phân biệt được ô trống và ô đã có xe, kể cả trong điều kiện ánh sáng thay đổi hay góc nhìn bị khuất. Thứ ba là điều khiển quỹ đạo xe đến vị trí đích một cách mượt mà và tránh vật cản. Động cơ DC được sử dụng trong mô hình yêu cầu điều khiển chính xác về tốc độ và hướng quay thông qua bộ điều khiển phù hợp. Ngoài ra, độ trễ xử lý ảnh có thể ảnh hưởng đến phản ứng của hệ thống trong môi trường động. Các nghiên cứu trong nước tại Đại học Bách khoa Hà Nội và Đại học Quốc gia TP.HCM đã chỉ ra rằng kết hợp Deep Learning với cảm biến vật lý như siêu âm hoặc LiDAR là hướng giải quyết hiệu quả. Nhóm nghiên cứu đã phân tích kỹ các hạn chế này để lựa chọn giải pháp tối ưu cho nền tảng mô hình.

2.1. Thách thức trong xử lý hình ảnh và nhận diện ô đỗ

Camera đơn lẻ không cung cấp đủ góc nhìn để xác định toàn bộ không gian xung quanh xe. Ghép ảnh từ bốn camera tạo ra nhiều vấn đề như sai lệch màu sắc giữa các camera, biến dạng hình học ở vùng nối và độ trễ xử lý. Thuật toán nhận diện ô đỗ dựa trên AI phải xử lý được các trường hợp ô đỗ bị che khuất một phần, vạch kẻ mờ hoặc ánh sáng không đồng đều. Độ chính xác nhận diện ảnh hưởng trực tiếp đến an toàn của toàn bộ hệ thống. Các mô hình học sâu như YOLO hoặc CNN thường được áp dụng để giải quyết bài toán phân loại ô đỗ này trong thời gian thực.

2.2. Thách thức trong điều khiển xe tự động đến vị trí đích

Sau khi xác định ô đỗ, hệ thống phải tính toán quỹ đạo lùi xe và điều khiển động cơ DC để thực hiện chính xác. Động cơ DC trong mô hình cần được điều khiển cả tốc độ lẫn chiều quay, thông qua mạch cầu H hoặc các driver chuyên dụng. Bộ điều khiển PID thường được áp dụng để giữ xe đi đúng quỹ đạo. Sai số tích lũy nhỏ trong góc đánh lái cũng có thể khiến xe lệch khỏi ô đỗ. Cảm biến phản hồi như encoder hoặc cảm biến siêu âm bổ sung thêm thông tin để hệ thống hiệu chỉnh theo thời gian thực, đảm bảo kết quả đỗ xe đạt độ chính xác yêu cầu.

III. Giải pháp và phương pháp xây dựng hệ thống camera 360 đỗ xe

Nhóm nghiên cứu đề xuất kiến trúc hệ thống gồm hai module độc lập nhưng phối hợp chặt chẽ. Module thứ nhất là hệ thống nhận diện không gian đỗ xe, sử dụng kỹ thuật ghép camera 360 để tạo ảnh toàn cảnh. Ảnh tổng hợp được đưa vào mô hình AI để phân tích và đánh dấu các ô đỗ xe trống theo kích thước chuẩn. Module thứ hai là hệ thống điều khiển chuyển động, nhận tọa độ ô đỗ đã chọn và tự động dẫn hướng mô hình xe đến vị trí đó. Động cơ DC được điều khiển thông qua tín hiệu PWM với vòng hồi tiếp. Công tắc KCD1 ON-OFF 3A được tích hợp để vận hành an toàn cho mạch điện. Bánh xe được làm bằng nhựa nylon PP, đường kính 24mm, đảm bảo độ bám và độ chính xác di chuyển trên mô hình. Tất cả linh kiện được lựa chọn theo tiêu chí tương thích, chi phí hợp lý và dễ kiểm thử. Phương pháp thực nghiệm theo từng giai đoạn cho phép kiểm chứng từng module trước khi tích hợp toàn hệ thống, giảm thiểu rủi ro lỗi hệ thống tổng thể.

3.1. Kỹ thuật ghép camera và ứng dụng AI nhận diện ô đỗ

Bốn camera được bố trí xung quanh mô hình xe để thu thập hình ảnh đa góc độ. Kỹ thuật ghép ảnh (Image Stitching) xử lý dữ liệu thô thành khung nhìn chim (Bird's Eye View) toàn diện. Mô hình AI được huấn luyện để nhận diện ô đỗ xe dựa trên vạch kẻ và không gian trống. Dữ liệu đầu vào là ảnh RGB từ camera, đầu ra là tọa độ và trạng thái từng ô đỗ. Quá trình xử lý được tối ưu để đáp ứng yêu cầu thời gian thực, đảm bảo phản hồi nhanh khi môi trường xung quanh thay đổi, phục vụ cho bước điều khiển tiếp theo.

3.2. Thiết kế mạch điều khiển và cơ cấu chấp hành

Mạch điều khiển được thiết kế để điều phối tín hiệu từ bộ xử lý trung tâm đến các động cơ DC. Động cơ DC hoạt động bằng dòng điện một chiều, gồm stator với nam châm vĩnh cửu, rotor với cuộn dây và bộ cổ góp - chổi than để đổi chiều dòng điện. Tốc độ và hướng quay được điều chỉnh bằng điều chế độ rộng xung (PWM). Công tắc KCD1 đảm bảo an toàn khi cắt nguồn khẩn cấp. Khung xe làm từ thép cuộn, bánh xe nhựa nylon đường kính 24mm chịu lực tối đa 10kg, cung cấp độ ổn định cần thiết cho toàn bộ quá trình thử nghiệm vận hành thực tế.

IV. Kết quả và ứng dụng thực tiễn của hệ thống hỗ trợ đỗ xe 360

Hệ thống hỗ trợ đỗ xe qua camera 360 được xây dựng tại Trường Đại học Sư phạm Kỹ thuật TP.HCM đã chứng minh tính khả thi của việc tích hợp AI và điều khiển tự động trên nền tảng mô hình. Kết quả thực nghiệm cho thấy hệ thống có khả năng nhận diện ô đỗ xe và dẫn hướng xe vào vị trí với độ chính xác chấp nhận được trong không gian thử nghiệm. Đây là bước tiến quan trọng trong nghiên cứu xe tự hành cấp đại học tại Việt Nam. Hệ thống có tiềm năng mở rộng ứng dụng trong thực tế: từ bãi đỗ xe thông minh tại các tòa nhà văn phòng, trung tâm thương mại đến các hệ thống giao thông đô thị thông minh. Xu hướng hợp tác với doanh nghiệp như VinFast và FPT Software trong tương lai có thể đẩy nhanh quá trình thương mại hóa công nghệ này. Nghiên cứu cũng là tài liệu tham chiếu cho các đề tài tiếp theo tập trung vào cải tiến thuật toán, mở rộng kịch bản đỗ xe và tối ưu hóa hiệu năng xử lý. Hướng phát triển tiếp theo bao gồm tích hợp LiDAR và nâng cấp mô hình AI để xử lý môi trường phức tạp hơn.

4.1. Đánh giá kết quả thực nghiệm trên mô hình xe

Quá trình thử nghiệm được thực hiện trên mô hình xe thu nhỏ trong môi trường bãi đỗ mô phỏng. Hệ thống nhận diện ô đỗ hoạt động ổn định trong điều kiện ánh sáng tiêu chuẩn. Mô-đun điều khiển xe dẫn hướng thành công vào ô đỗ đã chỉ định với sai số vị trí nhỏ. Các thành phần cơ khí như khung thép cuộn và bánh nhựa nylon hoạt động ổn định trong suốt quá trình thử nghiệm. Kết quả xác nhận tính đúng đắn của kiến trúc hệ thống hai module độc lập, đặt nền móng cho các nghiên cứu chuyên sâu hơn trong tương lai tại Khoa Cơ Khí Động Lực.

4.2. Hướng phát triển và khả năng ứng dụng thực tế

Hệ thống hiện tại có thể phát triển theo nhiều hướng. Thứ nhất là nâng cấp lên phần cứng mạnh hơn để xử lý ảnh độ phân giải cao theo thời gian thực. Thứ hai là tích hợp thêm cảm biến LiDAR để tăng độ chính xác định vị. Thứ ba là phát triển giao diện người dùng cho phép chọn ô đỗ thông qua màn hình cảm ứng hoặc ứng dụng điện thoại. Trong dài hạn, công nghệ này có thể được chuyển giao cho doanh nghiệp sản xuất ô tô trong nước, đóng góp vào chiến lược phát triển xe thông minh và hệ thống giao thông đô thị bền vững tại Việt Nam.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Sự phát triển của khoa học kỹ thuật hiện đại đã thúc đẩy mạnh mẽ việc ứng dụng các công nghệ tiên tiến vào ngành công nghiệp ô tô, trong đó công nghệ xe tự hành đóng vai trò hỗ trợ người lái và góp phần giảm thiểu tai nạn giao thông. Cùng với sự gia tăng tỷ lệ sở hữu ô tô cá nhân, áp lực về không gian đỗ xe tại các khu đô thị ngày càng trở nên nghiêm trọng. Quỹ đất dành cho hạ tầng giao thông tĩnh bị thu hẹp khiến các vị trí đỗ xe thực tế thường có kích thước chỉ lớn hơn thân xe một khoảng nhỏ. Tình trạng này tạo ra thách thức lớn đối với người điều khiển phương tiện, đặc biệt là các tài xế mới thiếu kinh nghiệm trong việc căn chỉnh khoảng cách và xử lý góc lái trong không gian hẹp.

Xuất phát từ thực tế đó, hệ thống hỗ trợ đỗ xe tự động (Automated Parking System - APS) đã được phát triển nhằm cho phép phương tiện tự động thực hiện các thao tác di chuyển vào ô đỗ với sự can thiệp tối thiểu từ con người. Trên thị trường ô tô thương mại, các tập đoàn lớn như Tesla, BMW, Ford và Mercedes-Benz đã nghiên cứu và tích hợp các tính năng tự đỗ xe (Autopark) hoặc quan sát toàn cảnh qua hệ thống camera 360 độ (Surround View). Nhằm tiếp cận và làm chủ giải pháp công nghệ này trên nền tảng thực nghiệm, nhóm tác giả thuộc Khoa Cơ khí Động lực, Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh đã thực hiện đề tài "Xây dựng hệ thống hỗ trợ đỗ xe thông qua Camera 360".

Nhiệm vụ và mục tiêu của đề tài được xác định theo 3 trọng tâm chính:

1. Phát triển thuật toán xử lý hình ảnh: Sử dụng camera để thu thập dữ liệu về môi trường xung quanh phương tiện, xây dựng tập dữ liệu phục vụ huấn luyện mô hình trí tuệ nhân tạo (AI) nhằm phân tích không gian và vạch ra lộ trình di chuyển hợp lý.
2. Tích hợp hệ thống phần cứng: Triển khai nhúng mô hình đã huấn luyện lên máy tính đơn bo Raspberry Pi, đồng thời kết nối camera và các mạch điều khiển công suất để vận hành cơ cấu chấp hành của phương tiện mô hình.
3. Kiểm thử và đánh giá: Thực nghiệm hoạt động của hệ thống mô hình trong các tình huống giả lập nhằm kiểm tra tốc độ xử lý ảnh và khả năng phản hồi tín hiệu kịp thời để đưa xe vào vị trí đỗ an toàn, chính xác.

Đối tượng nghiên cứu của đồ án là hệ thống hỗ trợ đỗ xe tự động (APS). Phạm vi nghiên cứu tập trung vào việc khảo sát quá trình xử lý hình ảnh thị giác máy tính và xử lý dữ liệu phản hồi phục vụ điều khiển chuyển động của xe mô hình mà không cần sử dụng các loại cảm biến đo khoảng cách phụ trợ (như cảm biến siêu âm hay LiDAR). Môi trường thực nghiệm được giới hạn trên sa bàn bãi đỗ xe thu nhỏ với điều kiện chiếu sáng cố định.

Cơ sở lý thuyết và phương pháp

Về cơ sở lý thuyết, đồ án tổng hợp tiến trình phát triển của hệ thống đỗ xe tự động thương mại qua bốn giai đoạn công nghệ chính:

• Giai đoạn khởi đầu (thập niên 1990): Đánh dấu bước đệm của công nghệ cảm biến sóng siêu âm và radar gắn tại cản trước, cản sau nhằm xác định khoảng cách tới vật cản qua thời gian phản hồi của sóng âm (tiêu biểu như mẫu xe Lexus LS 400 ra mắt năm 1991).
• Giai đoạn phát triển (thập niên 2000): Sự ra đời của hệ thống hỗ trợ đỗ xe bán tự động (Semi-Automated Parking Assist), kết hợp cảm biến siêu âm, hồng ngoại và camera lùi. Tiêu biểu là hệ thống Intelligent Parking Assist (IPA) trên dòng xe Toyota Prius (2003) tại Nhật Bản, nơi xe tự động can thiệp vào cơ cấu lái trong khi tài xế vẫn kiểm soát chân ga và chân phanh.
• Giai đoạn tự động hóa cao (thập niên 2010): Ứng dụng trí tuệ nhân tạo và học máy (Machine Learning) cùng hệ thống camera 360 độ và xử lý thời gian thực, tiêu biểu là Parking Assistant Plus của BMW hoặc tính năng Summon của Tesla.
• Giai đoạn hiện đại (từ 2020 đến nay): Tích hợp định vị chính xác, bản đồ 3D, kết nối Internet vạn vật (IoT) và phát triển lên các cấp độ lái tự hành cao (Level 4 và Level 5) do các hãng như Waymo, Tesla, Audi dẫn đầu, kết hợp robot vận chuyển tại các bãi đỗ thông minh.

Đồ án cũng tổng hợp các nghiên cứu trong nước từ Trường Đại học Bách khoa Hà Nội và Đại học Quốc gia TP.HCM về mô hình học sâu nhận diện bãi đỗ từ ảnh vệ tinh, xe tự hành bằng cảm biến siêu âm và thuật toán PID; đồng thời điểm qua các thành tựu quốc tế tại Hoa Kỳ (Tesla, Ford, General Motors, Waymo), Nhật Bản (Toyota, Nissan với ProPILOT Park, Honda), Đức (Mercedes-Benz, BMW, Audi) và Trung Quốc (BYD với Auto-park trên dòng xe BYD Han, BYD Tang).

Về thuật toán nhận diện vật thể, tác giả phân tích và so sánh các mô hình học sâu phổ biến:

• Faster R-CNN: Kết hợp mạng tạo vùng nghi vấn (RPN) với mạng nơ-ron tích chập (CNN), cho độ chính xác cao trong môi trường phức tạp nhưng tốc độ xử lý chậm và tốn tài nguyên tính toán.
• Mask R-CNN: Bổ sung nhánh phân đoạn pixel (segmentation mask) cho từng vật thể, phân tích chi tiết nhưng không phù hợp cho các thiết bị phần cứng nhúng thời gian thực.
• CNNs rút gọn (Simplified CNNs): Giảm bớt phép tính phức tạp để tăng tốc độ nhưng độ chính xác suy giảm.
• YOLO (You Only Look Once): Xử lý bài toán nhận diện theo kiến trúc end-to-end dạng bài toán hồi quy duy nhất, chia ảnh thành dạng lưới (grid) để dự đoán trực tiếp hộp bao (bounding box) và phân lớp vật thể.

Đồ án lựa chọn mô hình YOLOv8-segment phát triển trên thư viện Ultralytics. Đây là phiên bản cải tiến hỗ trợ phân đoạn đối tượng, có cấu trúc gọn nhẹ và tốc độ thực thi nhanh hơn so với YOLOv3, YOLOv5 hay YOLOv11, đáp ứng yêu cầu xử lý thời gian thực trên bo mạch nhúng.

Về lý thuyết điều khiển chuyển động, đồ án áp dụng nguyên lý lực điện từ $F = I \cdot L \cdot B \cdot \sin\theta$ và các phương trình toán học cơ bản của động cơ một chiều (DC):

• Phương trình cân bằng điện áp phần ứng: $$V = I \cdot R + L \frac{dI}{dt} + V_b$$ Trong đó $V$ là điện áp cấp, $I$ là dòng điện, $R$ là điện trở cuộn dây, $L$ là hệ số tự cảm, và $V_b = k_e \cdot \omega$ là sức phản điện động phụ thuộc vào hằng số điện động $k_e$ và vận tốc góc $\omega$.
• Phương trình cân bằng mô-men trục quay: $$\tau = J \frac{d\omega}{dt} + B \cdot \omega + \tau_L$$ Trong đó $\tau$ là mô-men sinh ra, $J$ là mô-men quán tính rôto, $B$ là hệ số ma sát nhớt, và $\tau_L$ là mô-men tải ngoài.

Phương pháp nghiên cứu thực tế gồm:

• Phương pháp nghiên cứu tài liệu: Thu thập cơ sở lý thuyết về APS, thị giác máy tính, máy tính nhúng Raspberry Pi và các hệ thống điều khiển tự động.
• Phương pháp thiết kế và mô phỏng thực nghiệm: Xây dựng mô hình ô tô 3 bánh thu nhỏ và bãi đỗ thực nghiệm; lập trình các thuật toán điều hướng và giao tiếp phần cứng bằng ngôn ngữ Python.
• Phương pháp thu thập và chuẩn bị dữ liệu: Dùng camera ghi lại hình ảnh sa bàn bãi đỗ xe, sử dụng phần mềm Labelme để gán nhãn thủ công các lớp vùng đỗ và vật cản phục vụ huấn luyện mạng nơ-ron.
• Phương pháp đánh giá thực nghiệm: Đánh giá độ chính xác thông qua hàm mất mát (loss), ma trận nhầm lẫn (confusion matrix) của mô hình học sâu và độ chuẩn xác điều khiển xe vào ô đỗ.

Thiết kế và triển khai

Hệ thống được thiết kế theo kiến trúc tích hợp giữa phần mềm xử lý ảnh trên máy tính và phần cứng điều khiển nhúng trên xe mô hình thu nhỏ.

Hạng mục linh kiện	Thông số kỹ thuật chi tiết theo văn bản
Bộ xử lý nhúng	Raspberry Pi 3 Model B+ (Broadcom BCM2837B0, Cortex-A53 64-bit 1.4GHz, RAM 1GB LPDDR2, Wi-Fi 2.4/5GHz, Bluetooth 4.2, cổng kết nối HDMI, microSD, USB)
Cảm biến hình ảnh	Webcam kết nối qua cổng USB (sử dụng cảm biến ảnh CMOS/CCD)
Mạch công suất	Module điều khiển động cơ L298N Dual H-Bridge (dòng định mức 2A/kênh, điện áp điều khiển tối đa 46V, hỗ trợ điều chế xung PWM và đảo chiều logic)
Động cơ chấp hành	02 Động cơ DC giảm tốc 2 trục, tỷ số truyền 1:48 (tốc độ không tải ~125 vòng/phút ở 3V và ~208 vòng/phút ở 5V; dòng tiêu thụ không tải 60mA, dòng tải tối đa 300mA)
Nguồn năng lượng	Pin sạc Li-ion 18650 UltraFire 6800mAh (điện áp danh định 3.7V)
Khung xe thực nghiệm	Khung vật liệu mica trong suốt 3 bánh (chiều dài khung ~213mm, chiều rộng đầu xe ~151mm, chiều rộng đuôi xe ~101mm)
Cơ cấu di chuyển	02 bánh xe nhựa đường kính 66mm, chiều rộng 25mm kết hợp 01 bánh dẫn động đa hướng phía trước (thân thép cuộn, con lăn nylon PP đường kính 24mm, chịu tải 10kg)
Thiết bị đóng cắt	Công tắc bập bênh KCD1 ON-OFF 2 chân (dòng điện tối đa 3A, điện áp làm việc 250V AC hoặc 12V DC)

Quy trình vận hành và kiến trúc luồng dữ liệu của hệ thống:

1. Thu nhận tín hiệu hình ảnh: Camera ghi nhận toàn cảnh bãi đỗ từ góc nhìn bao quát, mô phỏng không gian quan sát của hệ thống camera 360 quanh phương tiện.
2. Xử lý nhận diện bằng mô hình AI: Khung hình được đưa vào mô hình YOLOv8-segment đã huấn luyện. Kiến trúc mô hình bao gồm:
   • Các lớp tích chập (Convolutional Layers): Trích xuất các đặc trưng hình ảnh như góc, cạnh và các đường bao của ô đỗ.
   • Các lớp phân đoạn (Segmentation Layers): Tạo mặt nạ đa giác xác định chính xác ranh giới của các ô đỗ và vị trí xe trong khung hình.
   • Các lớp kết nối đầy đủ (Fully Connected Layers) và hàm kích hoạt ReLU: Phân loại trạng thái ô đỗ thành hai nhóm: ô đỗ còn trống (khả dụng) và ô đỗ đã có phương tiện chiếm chỗ.
3. Truyền nhận dữ liệu và xuất tọa độ: Tọa độ pixel của ô đỗ đích và vị trí tức thời của xe được xử lý trên môi trường Visual Studio Code, sau đó truyền tín hiệu về vi điều khiển Raspberry Pi.
4. Điều khiển chuyển động: Raspberry Pi nhận tọa độ phản hồi từ camera, áp dụng thuật toán điều khiển PID để tính toán độ sai lệch quỹ đạo và góc quay bánh xe. Vi điều khiển sau đó xuất tín hiệu điều khiển logic (IN1 - IN4) cùng xung điều chế độ rộng (PWM) qua module cầu H L298N để điều chỉnh tốc độ độc lập của hai động cơ DC giảm tốc, đưa mô hình xe lùi chính xác vào ô đỗ mục tiêu.

Nội dung chính theo từng chương

CHƯƠNG I. Lý do chọn đề tài

Chương đầu tiên đặt vấn đề nghiên cứu dựa trên sự phát triển của công nghệ ô tô thông minh và nhu cầu cấp thiết về hệ thống hỗ trợ đỗ xe tự động (APS) trong bối cảnh các đô thị hiện đại bị giới hạn nghiêm trọng về diện tích đỗ xe. Nội dung chương công bố đối tượng nghiên cứu (hệ thống đỗ xe tự động), phạm vi nghiên cứu (quá trình xử lý ảnh và phản hồi không sử dụng cảm biến khoảng cách, thực hiện trên mô hình thu nhỏ), xác định rõ 3 mục tiêu cụ thể, 4 phương pháp nghiên cứu và phân định cấu trúc các bước thực hiện của đề tài.

CHƯƠNG II: CƠ SỞ LÝ THUYẾT

Nội dung chương II tập trung hệ thống hóa toàn bộ nền tảng lý thuyết chuyên ngành:

• Khái quát lịch sử hình thành và phát triển của công nghệ hỗ trợ đỗ xe tự động APS qua các mốc thời gian từ thập niên 1990 đến nay; phân tích 9 lợi ích cốt lõi của hệ thống đỗ xe tự động (tiết kiệm thời gian, tăng cường an toàn, tối ưu không gian bãi đỗ, giảm căng thẳng cho người lái, nâng cao hiệu quả giao thông, giảm phát thải khí CO2, tăng trải nghiệm người dùng, tiết kiệm chi phí sửa chữa/quản lý, và nâng cao năng lực kết nối bảo mật).
• Phân tích tình hình nghiên cứu thực tế tại các trường đại học trong nước (Đại học Bách khoa Hà Nội, Đại học Quốc gia TP.HCM) và các quốc gia tiên tiến (Hoa Kỳ, Nhật Bản, Đức, Trung Quốc).
• Tổng quan các thuật toán thị giác máy tính phát hiện vật thể, so sánh ưu nhược điểm của Faster R-CNN, Mask R-CNN, CNNs rút gọn và YOLO; lập luận kỹ thuật về việc lựa chọn mạng YOLOv8-segment tích hợp với thư viện Ultralytics.
• Trình bày chi tiết cấu tạo, nguyên lý vận hành, thông số kỹ thuật của toàn bộ các linh kiện phần cứng (Raspberry Pi 3 Model B+, module L298N, động cơ DC giảm tốc 1:48, pin 18650, khung xe mica, bánh xe nhựa 66mm, bánh đa hướng, công tắc KCD1).
• Trình bày cơ sở toán học của động cơ điện một chiều bao gồm phương trình điện áp phần ứng, mô-men động cơ và nguyên lý điều khiển vận tốc/chiều quay thông qua phương pháp điều chế độ rộng xung (PWM) kết hợp mạch cầu H.

CHƯƠNG III: PHÂN TÍCH VÀ THIẾT KẾ HỆ THỐNG

Chương III trình bày quá trình hiện thực hóa giải pháp kỹ thuật:

• Thiết kế hệ thống và quy trình thu thập dữ liệu ảnh từ camera trên mô hình sa bàn bãi đỗ xe; tiến hành làm sạch, chuẩn hóa và sử dụng phần mềm Labelme để gán nhãn cho các ô đỗ trống và ô đỗ có vật cản.
• Triển khai huấn luyện mô hình YOLOv8-segment, giám sát độ hội tụ qua đồ thị độ mất mát (loss function) và kiểm tra chất lượng phân đoạn đối tượng qua kiểm thử độc lập.
• Thiết lập sơ đồ thuật toán tổng thể của chương trình và thuật toán hàm draw_segments để xác định và vẽ ranh giới không gian đỗ xe khả dụng.
• Xây dựng cơ chế giao tiếp truyền nhận dữ liệu tọa độ từ môi trường lập trình Visual Studio Code trên máy tính đến máy tính nhúng Raspberry Pi.
• Thiết lập sơ đồ thuật toán điều khiển động cơ dựa trên thuật toán PID, tiếp nhận dữ liệu ảnh phản hồi trực tiếp từ camera để liên tục điều chỉnh góc lệch và vận tốc bánh xe nhằm đưa xe vào vị trí đỗ.

CHƯƠNG IV: KẾT LUẬN

Chương tổng kết đánh giá mức độ hoàn thành so với mục tiêu ban đầu, xác nhận khả năng vận hành ổn định của mô hình xe tự đỗ thông qua camera xử lý hình ảnh và thuật toán PID. Chương này cũng phân tích các mặt hạn chế còn tồn đọng trong quá trình thử nghiệm và vạch ra các định hướng phát triển nhằm nâng cao năng lực làm việc của hệ thống trong điều kiện thực tế.

Kết quả và đóng góp

Đồ án ghi nhận các kết quả thực nghiệm và giá trị đóng góp cụ thể:

• Chế tạo hoàn chỉnh mô hình ô tô 3 bánh phần cứng với cơ cấu cơ khí và hệ thống điện - điện tử tích hợp đầy đủ bo mạch nhúng Raspberry Pi 3 Model B+, mạch công suất cầu H L298N, 02 động cơ DC giảm tốc 1:48, nguồn pin sạc 18650 và thiết bị thu nhận hình ảnh.
• Xây dựng hoàn chỉnh tập dữ liệu huấn luyện và áp dụng thành công mô hình YOLOv8-segment với khả năng phân đoạn chính xác trạng thái ô đỗ (phân biệt rõ ràng giữa ô đỗ trống và ô đỗ đã có xe đỗ). Chất lượng mô hình được xác thực thông qua biểu đồ suy giảm độ mất mát trong quá trình huấn luyện và Bảng 3.1 (Ma trận confusion của YOLOv8-segment).
• Thiết lập thành công chu trình điều khiển khép kín: hệ thống thu nhận hình ảnh từ camera, phân tích vùng đỗ, tính toán tọa độ sai lệch, truyền dữ liệu tới Raspberry Pi và thực thi thuật toán điều khiển động cơ đưa xe lùi vào ô đỗ chính xác mà hoàn toàn không cần phụ thuộc vào cảm biến khoảng cách siêu âm hay LiDAR.

Về mặt đóng góp, đề tài đưa ra một giải pháp kỹ thuật tinh gọn, chứng minh tính khả thi của việc thay thế mạng lưới cảm biến đo khoảng cách ngoại vi đắt tiền bằng hệ thống xử lý thị giác máy tính tập trung kết hợp thuật toán phân đoạn ảnh AI tiên tiến trên các nền tảng nhúng có chi phí thấp.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của đề tài được tác giả xác định dựa trên phạm vi nghiên cứu thực nghiệm:

• Mô hình thử nghiệm mới chỉ hoạt động trong điều kiện môi trường lý tưởng với nguồn sáng cố định tại sa bàn mô phỏng; chưa khảo sát các yếu tố gây nhiễu môi trường như ánh sáng thay đổi phức tạp, thời tiết mưa, bụi hoặc bóng râm.
• Động cơ DC giảm tốc tỷ số 1:48 là dòng động cơ phổ thông, có độ bền cơ học và mô-men xoắn ở mức hạn chế, dễ sinh tiếng ồn khi hoạt động ở tải cao. Pin sạc 18650 UltraFire 6800mAh có dòng xả thấp và chất lượng dung lượng thực tế không ổn định nếu thiếu mạch bảo vệ BMS chuyên sâu.
• Năng lực phần cứng của Raspberry Pi 3 Model B+ (RAM 1GB LPDDR2, vi xử lý 4 nhân Cortex-A53) còn giới hạn, tạo ra thách thức lớn về độ trễ khi vừa chạy thuật toán xử lý ảnh học sâu vừa thực thi chu trình điều khiển vòng lặp kín.

Hướng nghiên cứu tiếp theo mà đồ án đề xuất:

• Cải tiến thuật toán xử lý ảnh để mô hình có khả năng thích nghi và nhận diện chính xác trong các điều kiện môi trường phức tạp, ánh sáng biến thiên hoặc có vật cản di động bất ngờ.
• Nâng cấp phần cứng bằng cách sử dụng các dòng máy tính nhúng chuyên dụng có bộ xử lý đồ họa GPU (như dòng Nvidia Jetson Nano) và thay thế động cơ bước hoặc động cơ DC có gắn encoder phản hồi chính xác vị trí góc quay.
• Nghiên cứu tích hợp các giao thức truyền thông không dây công nghiệp và IoT như MQTT, HTTP nhằm kết nối phương tiện với hệ thống quản lý hạ tầng bãi đỗ xe thông minh.

Giá trị tham khảo

Đồ án là tài liệu tham khảo hữu ích cho sinh viên, giảng viên và các nhóm nghiên cứu thuộc các chuyên ngành Công nghệ Kỹ thuật Ô tô, Kỹ thuật Cơ điện tử, Kỹ thuật Điều khiển và Tự động hóa, cũng như ngành Khoa học Máy tính:

• Cung cấp tài liệu thực chứng về phương pháp gán nhãn dữ liệu bằng Labelme và quy trình huấn luyện, triển khai mô hình phân đoạn đối tượng YOLOv8-segment trong các bài toán giao thông thông minh.
• Cung cấp mô hình tham khảo chi tiết về sơ đồ kết nối phần cứng giữa máy tính đơn bo Raspberry Pi và module điều khiển động cơ L298N cùng phương pháp lập trình điều khiển xe bằng thuật toán PID dựa trên tín hiệu phản hồi từ thị giác máy tính.

Câu hỏi thường gặp

1. Vì sao nhóm tác giả lại lựa chọn mô hình YOLOv8-segment thay vì Faster R-CNN hay Mask R-CNN?

Faster R-CNN và Mask R-CNN có độ chính xác cao nhưng cấu trúc mạng phức tạp, tốc độ xử lý khung hình thấp và đòi hỏi năng lực phần cứng rất lớn, không phù hợp để triển khai thời gian thực trên các thiết bị nhúng. YOLOv8-segment được xây dựng trên kiến trúc end-to-end gọn nhẹ, xử lý trực tiếp bài toán phân đoạn và phát hiện vật thể với tốc độ cao, đồng thời thư viện Ultralytics đã được tích hợp sẵn các công cụ tối ưu hóa, phù hợp cho bài toán nhận diện hạ tầng bãi đỗ xe trong thời gian thực.

2. Điểm đặc thù trong phạm vi nghiên cứu của đề tài là gì?

Phạm vi nghiên cứu của đề tài tập trung hoàn toàn vào việc khảo sát quá trình xử lý hình ảnh và dữ liệu phản hồi từ camera để điều khiển phương tiện lùi đỗ vào ô mà không sử dụng các loại cảm biến đo khoảng cách phụ trợ thường thấy trên ô tô (như cảm biến sóng siêu âm hay cảm biến quét LiDAR).

3. Hệ thống phần cứng trên mô hình xe thu nhỏ gồm những thành phần cụ thể nào?

Phần cứng của mô hình xe gồm có: máy tính nhúng Raspberry Pi 3 Model B+, module công suất điều khiển động cơ L298N Dual H-Bridge, 02 động cơ DC giảm tốc 2 trục tỷ số truyền 1:48, 02 bánh xe nhựa đường kính 66mm, 01 bánh xe dẫn động đa hướng, khung xe mica 3 bánh, nguồn cấp là pin sạc Li-ion 18650 UltraFire 6800mAh, công tắc bập bênh KCD1 và hệ thống webcam cổng USB thu nhận hình ảnh.

4. Hệ thống AI phân loại và xác định trạng thái các ô đỗ xe như thế nào?

Dựa trên hình ảnh thu nhận từ camera bao quát, mô hình YOLOv8-segment phân tích các đặc trưng đường biên, hình học để xác định các ô đỗ khả dụng và phân loại trực tiếp trạng thái của từng ô đỗ thành hai nhóm: ô đỗ còn trống (đủ điều kiện tiếp nhận phương tiện) và ô đỗ đã có xe đỗ (bị chiếm dụng).

5. Những phương trình vật lý nào được sử dụng để mô tả động học động cơ DC trong đồ án?

Đồ án sử dụng phương trình điện áp phần ứng $V = I \cdot R + L \frac{dI}{dt} + V_b$ (với sức phản điện động $V_b = k_e \cdot \omega$) để mô tả phần điện từ của động cơ, kết hợp phương trình cân bằng mô-men cơ học $\tau = J \frac{d\omega}{dt} + B \cdot \omega + \tau_L$ để mô tả động lực học trục quay rôto dưới tác động của mô-men quán tính, ma sát nhớt và mô-men tải.

Kết luận

Đồ án tốt nghiệp "Xây dựng hệ thống hỗ trợ đỗ xe thông qua Camera 360" đã hoàn thành mục tiêu nghiên cứu, chế tạo và thử nghiệm mô hình xe tự đỗ ứng dụng thị giác máy tính và điều khiển tự động. Bằng việc kết hợp mô hình học sâu YOLOv8-segment với thuật toán điều khiển PID trên nền tảng máy tính nhúng Raspberry Pi 3 Model B+, hệ thống đã chứng minh khả năng đưa xe vào ô đỗ chính xác chỉ dựa trên tín hiệu phản hồi hình ảnh từ camera mà không cần đến các cảm biến đo khoảng cách. Kết quả của đồ án cung cấp tài liệu kỹ thuật có giá trị tham khảo rõ ràng cho các nghiên cứu phát triển hệ thống giao thông thông minh và xe tự hành cấp độ thấp trong điều kiện tối ưu hóa chi phí phần cứng.

Trích đoạn nội dung tài liệu

CHƯƠNG I. Lý do chọn đề tài Trong thời đại công nghệ ngày càng phát triển, khoa học kỹ thuật phát triển với tốc độ vũ bão, những ứng dụng công nghệ tiên tiến được áp dụng vào ô tô ngày càng nhiều. Xe tự hành là một ví dụ điển hình, xe tự hành có thể đáp ứng được phần công việc của người lái, giảm thiểu tai nạn giao thông, … Với việc cuộc sống phát triển, việc sở hữu một chiếc ô tô không phải là việc quá khó khăn, vì thế nhu cầu không gian đỗ xe sẽ càng nhiều, không gian đỗ xe ngày càng hạn chế và việc đỗ xe chính xác trở thành thách thức lớn đối với người lái, đặc biệt là những lái mới, tại vì không gian chỉ lớn hơn kích thước xe một tí thì việc xoay sở chiếc xe vào đó không phải là dễ. Điều này là một trong những lý do hệ thống đỗ xe tự động (Automated Parking System – APS).

Hệ thống giúp phương tiện tự động thực hiện các thao tác đỗ xe với sự can thiệp tối thiểu từ người lái. Hệ thống đỗ xe tự động đã và đang trở thành một phần quan trọng trong các dòng xe hiện đại. Tesla, BMW, Ford hay Mercedes-Benz là các dòng xe lớn đã phát triển và tích hợp các giải pháp hỗ trợ đỗ xe như hệ thống tự đỗ (Autopark) hay hỗ trợ đỗ xe 3600 (Surround View). Với những điều trên, nhóm chúng tôi quyết định chọn đề tài “Xây dựng hệ thống hỗ trợ đỗ xe thông qua Camera 360”.

Đối tượng và phạm vi nghiên cứu - Đối tượng nghiên cứu: nghiên cứu khảo sát hệ thống đỗ xe tự động - Phạm vi nghiên cứu: nghiên cứu khảo sát quá trình xử lý ảnh và xử lý phản hồi mà không sử dụng các cảm biến để điều khiển motor. Mục tiêu - Phát triển thuật toán xử lý hình ảnh: Sử dụng camera để nhận diện môi trường xung quanh vạch ra lộ trình, thu thập dữ liệu để huấn luyện mô hình AI. - Tích hợp phần cứng: Nhúng mô hình đã huấn luyện vào Raspberry pi. Kết nối camera với vi điều khiển để điều khiển xe.

1 - Kiểm thử và đánh giá: Hệ thống xử lý hình ảnh và phản hồi nhanh chóng để xe điều khiển kịp thời vào ô đỗ xe. Phương pháp nghiên cứu - Nghiên cứu tài liệu: Tìm hiểu các công nghệ liên quan như xử lý hình ảnh, các loại cảm biến và thuật toán điều khiển tự động. Nghiên cứu các tài liệu kỹ thuật về Raspberry Pi và hệ thống đỗ xe tự động. - Nghiên cứu mô phỏng: Xây dựng mô hình thu nhỏ bao gồm phần cứng (camera, cảm biến, động cơ) và phần mềm điều khiển.

Lập trình xử lý dữ liệu và thuật toán điều hướng bằng Python. - Phương pháp thực nghiệm: Kiểm tra hệ thống trong các tình huống giả lập phát hiện vị trí đỗ xe, tránh vật cản. - Phương pháp đánh giá: So sánh tính hiệu quả của hệ thống dựa trên các tiêu chí như thời gian, độ chính xác. Ghi nhận và phân tích kết quả thực nghiệm để đề xuất cải tiến.

Nội dung nghiên cứu - Tìm hiểu tổng quan về cấu trúc và nguyên lý hoạt động hệ thống đỗ xe tự động APS trên ô tô. - Đánh giá hiệu quả và an toàn của hệ thống trong các điều kiện thực tế. - Xác định các thách thức và hạn chế hiện tại của công nghệ. - Đề xuất các cải tiến và hướng phát triển trong tương lai.

2 CHƯƠNG II: CƠ SỞ LÝ THUYẾT 2. Tổng quan về hệ thống hỗ trợ đỗ xe tự động Hệ thống lùi đỗ xe tự động (Automated Parking System - APS) là một thành tựu vượt bậc trong ngành công nghiệp ô tô, không chỉ minh chứng cho sức mạnh của công nghệ mà còn phản ánh nỗ lực không ngừng nghỉ của con người trong việc cải thiện sự tiện nghi và an toàn khi lái xe. Lịch sử hình thành và phát triển hệ thống này là câu chuyện đầy cảm hứng về sự tiến hóa từ những ý tưởng đơn giản đến những giải pháp phức tạp và tinh tế. Những ngày đầu của ngành công nghiệp ô tô, việc đỗ xe luôn là thách thức đối với người lái, nhất là tại các đô thị đông đúc - không gian hạn chế.

Ban đầu, nhà sản xuất tập trung vào việc thiết kế gương chiếu hậu và cảm biến cơ bản để hỗ trợ người lái quan sát phía sau. Và nỗ lực này đã mở đường cho sự phát triển các công nghệ hỗ trợ tiên tiến hơn. Giai đoạn khởi đầu – Bước đệm công nghệ cảm biến (1990s) Vào những năm 1990, các nhà sản xuất ô tô bắt đầu tích hợp hệ thống cảm biến siêu âm và radar vào xe. Hệ thống này phát ra sóng âm thanh và đo thời gian sóng phản hồi để xác định khoảng cách với chướng ngại vật.

Công nghệ này không chỉ giúp cảnh báo người lái mà còn tạo cơ sở cho việc tự động hóa quy trình lùi đỗ. Hệ thống hỗ trợ đỗ xe cơ bản (Parking Sensors): Các cảm biến siêu âm được lắp ở cản trước và sau của xe để phát hiện khoảng cách tới vật cản. Được giới thiệu lần đầu trên một số mẫu xe cao cấp, ví dụ: Lexus LS 400 (1991).1: Xe có trang bị radar xác định khoảng cách với chướng ngại vật. Giai đoạn phát triển công nghệ hỗ trợ đỗ xe (2000s) Vào đầu thế kỷ 21, các hãng xe hàng đầu như Toyota, Lexus, và BMW đã giới thiệu hệ thống lùi đỗ tự động.

Hệ thống này sử dụng kết hợp các cảm biến, camera, và thuật toán thông minh để tự động điều chỉnh vô lăng và định hướng xe vào vị trí đỗ. Những chiếc xe như Toyota Prius hay Lexus LS trở thành biểu tượng tiên phong với tính năng này, thu hút sự chú ý của giới yêu xe và công nghệ. Công nghệ này so với giai đoạn 1990s thì nó tiến bộ về cảm biến và camera: - Cảm biến siêu âm và cảm biến hồng ngoại trở nên phổ biến hơn. - Camera lùi được tích hợp, giúp tài xế quan sát phía sau xe.

- Ra đời hệ thống hỗ trợ đỗ xe bán tự động (Semi-Automated Parking Assist). Toyota là một trong những hãng tiên phong với hệ thống "Intelligent Parking Assist" (IPA), ra mắt trên Toyota Prius (2003) tại Nhật Bản. Hệ thống này yêu cầu tài xế điều chỉnh chân ga và phanh, trong khi xe tự động xoay vô-lăng để đỗ xe.2: Xe sử dụng cảm biến và camera để quan sát phía sau xe. Giai đoạn tự động hóa cao – Kỷ nguyên AI và Machine Learning (2010s) Trong những năm gần đây, sự bùng nổ của trí tuệ nhân tạo AI và Machine Learning đã cách mạng hóa hệ thống lùi đỗ tự động.

Công nghệ nhận dạng hình ảnh và xử lý dữ liệu thời gian thực cho phép xe không chỉ lùi đỗ chính xác mà còn phân tích môi trường xung quanh, nhận diện các yếu tố như vạch kẻ đường, người đi bộ, và các vật cản động. Điều này biến việc đỗ xe, vốn là một thách thức thường nhật, thành một trải nghiệm hoàn toàn tự động và liền mạch. - Hệ thống tự động đỗ xe (Fully Automated Parking Assist) Công nghệ này kết hợp giữa các cảm biến siêu âm, radar, và Camera 360°. Xe có khả năng tự động tìm kiếm không gian đỗ, tính toán quỹ đạo, điều khiển vô-lăng, và điều chỉnh tốc độ mà không cần sự can thiệp của tài xế.

Các hang xe tiêu biểu: BMW với hệ thống "Parking Assistant Plus". Tesla với tính năng "Summon" (cho phép xe tự động di chuyển vào hoặc ra khỏi bãi đỗ qua ứng dụng di động). - Tích hợp AI và Machine Learning Hệ thống bắt đầu học cách nhận dạng các loại không gian đỗ xe khác nhau. Dữ liệu từ cảm biến LiDAR và radar cho phép xe tự động định vị chính xác hơn trong các môi trường phức tạp.3: Xe sử dụng Camera 360 nhận dạng và mô phỏng vị trí ô đỗ.

Giai đoạn hiện đại và hướng tới tương lai (2020s - nay) Nhìn về phía trước, hệ thống lùi đỗ tự động đang tiến hóa để trở thành một phần của các hệ thống lái tự hành toàn diện. Các công nghệ như định vị GPS chính xác, bản đồ 3D chi tiết, và kết nối Internet vạn vật (IoT) sẽ cho phép xe tự động tìm và đỗ vào chỗ trống. Hành trình phát triển của hệ thống lùi đỗ xe tự động không chỉ là minh chứng cho sức sáng tạo của con người, mà còn thể hiện cam kết của ngành công nghiệp ô tô trong việc mang đến những giải pháp bền vững, an toàn và tiện lợi hơn cho xã hội. Mỗi bước tiến, dù nhỏ bé, đều góp phần vào một tương lai mà mọi người đều có thể yên tâm khi cầm lái, dù là trong những không gian chật hẹp nhất.

- Hệ thống đỗ xe thông minh dựa trên IoT Tích hợp hệ thống đỗ xe tự động với các cơ sở hạ tầng thông minh, chẳng hạn như bãi đỗ xe tự hành. Xe tự động giao tiếp với hệ thống quản lý bãi đỗ để tìm vị trí trống. - Phát triển công nghệ tự lái cấp cao Công nghệ tự hành cấp 4 và 5 (Fully Autonomous) đã đưa hệ thống đỗ xe tự động trở thành một phần trong hệ thống tự hành toàn diện của xe. Các công ty như Waymo, Tesla, và Audi đang dẫn đầu trong việc tích hợp tính năng này.

- Ứng dụng robot hỗ trợ đỗ xe Một số bãi đỗ hiện đại sử dụng robot để tự động di chuyển xe vào vị trí đỗ, tiết kiệm không gian và tối ưu hóa thời gian.4: Hệ thống đỗ xe thông minh trên xe Tesla. Lợi ích của hệ thống đỗ xe tự động - Tiết kiệm thời gian công sức Giảm thời gian tìm chỗ đỗ xe: Hệ thống giúp tài xế tìm ra ô đỗ phù hợp nhanh chóng, tiết kiệm thời gian so với việc tìm kiếm bằng mắt thường. Tự động đỗ xe: Các hệ thống tự động giúp xe vào đúng vị trí mà không cần sự can thiệp của tài xế, giúp giảm căng thẳng và mệt mỏi trong quá trình đỗ xe.5: Mô phỏng khả năng tự động đổ xe. - Tăng cường an toàn Tránh va chạm: Cảm biến và camera giúp cảnh báo tài xế về các vật cản hoặc nguy cơ va chạm trong quá trình đỗ xe, giảm thiểu rủi ro tai nạn.6: Tăng cường an toàn.

7 Đỗ xe trong không gian hạn chế: Hệ thống có thể giúp xe đỗ chính xác trong các ô đỗ nhỏ hoặc các không gian hẹp mà tài xế khó thực hiện một cách chính xác bằng mắt thường. - Tăng hiệu quả sử dụng không gian đỗ xe Tối ưu hóa không gian: Hệ thống có thể giúp đỗ xe chặt chẽ hơn, tiết kiệm diện tích và tăng số lượng ô đỗ trong bãi đỗ.