Đồ án: Nghiên cứu, Thiết kế Xe Golf Tự Hành Sử Dụng Đa Cảm Biến
Nghiên cứu, thiết kế xe golf tự hành tích hợp hệ thống đa cảm biến nhằm tối ưu hóa khả năng vận hành an toàn và chính xác trên sân golf.
Trường đại học
Ho Chi Minh City University of Technology and EducationChuyên ngành
Computer Engineering TechnologyNgười đăng
Ẩn danhThể loại
Graduation ProjectPhí lưu trữ
35 PointMục lục chi tiết
Tóm tắt
I. Xe Golf Tự Hành Tổng quan về công nghệ tiềm năng
Sự phát triển của công nghệ xe tự lái đang mở ra một kỷ nguyên mới cho ngành giao thông vận tải, hứa hẹn nâng cao hiệu quả và đảm bảo an toàn. Trọng tâm của cuộc cách mạng này là khả năng nhận thức môi trường xung quanh, đòi hỏi sự tích hợp của nhiều loại cảm biến khác nhau. Một chiếc xe golf tự hành là một nền tảng lý tưởng để nghiên cứu và triển khai các công nghệ này trong môi trường được kiểm soát. Nghiên cứu này tập trung vào việc thiết kế và xây dựng một mẫu xe golf tự hành có khả năng hoạt động tốt trong khuôn viên trường Đại học Sư phạm Kỹ thuật TP.HCM (HCMUTE). Mục tiêu cốt lõi là tạo ra một hệ thống tự hành cơ bản, làm tiền đề cho các thế hệ sinh viên tiếp theo trong lĩnh vực xe tự lái thực tế. Hệ thống này được xây dựng dựa trên nguyên tắc kết hợp đa cảm biến chi phí thấp, bao gồm Camera, GPS và LiDAR 2D. Các thuật toán xử lý ảnh và học máy được kết hợp với kỹ thuật điều khiển và thiết kế cơ khí để tạo nên một giải pháp hoàn chỉnh. Việc sử dụng các linh kiện giá rẻ là một lựa chọn có chủ đích, nhằm chứng minh tính khả thi của việc xây dựng một hệ thống xe tự lái hiệu quả với ngân sách hạn chế, phù hợp cho mục đích nghiên cứu và giáo dục. Dự án không chỉ mang lại một sản phẩm cụ thể mà còn đóng góp một nền tảng kiến thức quan trọng về vận hành xe tự lái trong điều kiện thực tế.
1.1. Khái niệm xe tự hành và vai trò của đa cảm biến
Xe tự hành là phương tiện có khả năng phân tích, tự quản lý và di chuyển trên một lộ trình định sẵn dựa trên việc thấu hiểu bối cảnh và quan sát môi trường. Để đạt được điều này, xe cần làm rõ toàn bộ thông tin xung quanh nó. Việc chỉ sử dụng một loại cảm biến duy nhất không thể cung cấp đủ dữ liệu để đưa ra quyết định an toàn và chính xác. Do đó, phương pháp kết hợp đa cảm biến (multisensor fusion) đóng vai trò then chốt. Mỗi loại cảm biến có ưu và nhược điểm riêng: Camera cung cấp dữ liệu hình ảnh phong phú về màu sắc và chi tiết, rất hữu ích cho việc nhận diện làn đường, biển báo; Cảm biến LiDAR cung cấp thông tin khoảng cách chính xác dưới dạng đám mây điểm, lý tưởng cho việc phát hiện vật cản; và định vị GPS xác định vị trí toàn cầu của xe. Bằng cách kết hợp dữ liệu từ các nguồn này, hệ thống có thể tạo ra một bức tranh toàn diện và đáng tin cậy hơn về môi trường hoạt động, bù đắp cho những điểm yếu của từng cảm biến riêng lẻ.
1.2. Mục tiêu nghiên cứu xe golf tự lái tại HCMUTE
Mục tiêu chính của dự án là nghiên cứu, thiết kế và chế tạo một chiếc xe golf tự hành có thể hoạt động hiệu quả trong khuôn viên trường HCMUTE. Dự án này đóng vai trò là một cuộc điều tra cơ bản nhất về hoạt động của xe tự lái trong thực tế, tạo ra một nền tảng phần cứng và thuật toán vững chắc. Hệ thống được thiết kế với hai chế độ hoạt động: Tự động (Automatic) và Thủ công (Manual). Sản phẩm cuối cùng là một mô hình xe golf sử dụng tổ hợp đa cảm biến, có khả năng di chuyển tốt trong các kịch bản không quá phức tạp tại trường. Bên cạnh đó, dự án còn hướng đến việc xây dựng một quy trình điều khiển tự động cho một phương tiện không có Hệ thống Trợ lực lái điện tử (Electronic Power Steering - EPS), một thách thức phổ biến trong các trường hợp xe có cơ cấu cơ khí đơn giản. Thành công của dự án sẽ hỗ trợ sinh viên và giảng viên trong việc di chuyển quanh khuôn viên, đồng thời cung cấp một công cụ học tập và nghiên cứu thực tiễn quý giá.
II. Thách thức chính khi thiết kế xe golf tự hành chi phí thấp
Việc xây dựng một hệ thống xe golf tự hành phải đối mặt với nhiều thách thức, đặc biệt khi bị giới hạn bởi ngân sách và việc sử dụng các linh kiện chi phí thấp. Những thách thức này không chỉ liên quan đến phần cứng mà còn cả phần mềm và môi trường hoạt động. Một trong những khó khăn lớn nhất là độ chính xác và độ tin cậy của các cảm biến giá rẻ. Chúng thường hoạt động kém hiệu quả trong điều kiện ngoài trời, bị ảnh hưởng bởi ánh sáng mạnh, thời tiết xấu hoặc nhiễu tín hiệu, dẫn đến dữ liệu đầu vào không ổn định. Điều này đòi hỏi các thuật toán xử lý phải có khả năng lọc nhiễu và bù đắp sai số hiệu quả. Hơn nữa, môi trường thực tế như khuôn viên trường học luôn tiềm ẩn các tình huống phức tạp và khó lường, chẳng hạn như đám đông người đi bộ, các phương tiện di chuyển đột ngột, hoặc các vật cản bất ngờ xuất hiện. Hệ thống xe tự lái phải đủ thông minh để nhận diện và phản ứng kịp thời với những thay đổi này. Một thách thức kỹ thuật quan trọng khác được đề cập trong nghiên cứu là việc điều khiển một chiếc xe không có hệ thống trợ lực lái điện tử (EPS). Việc này đòi hỏi một hệ thống cơ-điện tử mạnh mẽ và một thuật toán điều khiển tự động chính xác để có thể xoay vô lăng một cách mượt mà và ổn định.
2.1. Hạn chế của cảm biến giá rẻ trong môi trường thực tế
Các cảm biến giá rẻ, mặc dù giúp giảm chi phí đáng kể cho dự án, lại đi kèm với những hạn chế cố hữu. Theo tài liệu nghiên cứu, độ chính xác và hiệu quả của hệ thống chỉ ở mức "chấp nhận được" trong môi trường thực tế do chất lượng của phần cứng. Ví dụ, module định vị GPS có thể bị nhiễu tín hiệu khi di chuyển gần các tòa nhà cao tầng, dẫn đến sai số vị trí. Cảm biến LiDAR 2D có phạm vi và độ phân giải hạn chế so với các phiên bản 3D đắt tiền, gây khó khăn trong việc nhận dạng hình dạng đầy đủ của vật thể. Tương tự, camera có góc quan sát bị giới hạn, khiến xe không thể hoạt động tốt trên các con đường có kích thước lớn. Những hạn chế này buộc nhóm nghiên cứu phải ưu tiên các thuật toán nhẹ nhưng hiệu quả, thay vì các phương pháp có độ chính xác cao nhất nhưng đòi hỏi tài nguyên tính toán lớn. Do đó, việc xử lý và tổng hợp dữ liệu từ các cảm biến này trở thành một bài toán cốt lõi.
2.2. Vấn đề điều khiển lateral và thiếu trợ lực lái điện
Một trong những thách thức cơ khí lớn nhất của dự án là thiết kế một hệ thống lái tự động cho chiếc xe golf nguyên bản không được trang bị Trợ lực lái điện tử (EPS). Trong các hệ thống xe hiện đại, EPS giúp giảm đáng kể lực cần thiết để xoay vô lăng. Khi thiếu EPS, hệ thống truyền động phải tạo ra một mô-men xoắn đủ lớn để thắng được ma sát và các lực cản từ bánh xe. Nhóm nghiên cứu đã đề xuất một giải pháp sử dụng động cơ DC servo kết nối trực tiếp với trục lái. Tuy nhiên, điều này dẫn đến các vấn đề về điều khiển và các lỗi đặc thù do hệ thống truyền động gây ra. Việc đảm bảo góc lái thực tế khớp với góc lái mong muốn từ thuật toán đòi hỏi một vòng lặp phản hồi chính xác, sử dụng một bộ mã hóa (encoder) và một bộ điều khiển PID được tinh chỉnh cẩn thận. Bài toán điều khiển tự động này không chỉ là về phần mềm mà còn đòi hỏi sự tính toán kỹ lưỡng về thông số cơ khí và điện tử.
III. Phương pháp kết hợp đa cảm biến để nhận thức môi trường
Để giải quyết các thách thức về nhận thức môi trường, dự án xe golf tự hành đã triển khai một phương pháp kết hợp đa cảm biến một cách thông minh. Nền tảng của hệ thống là sự tổng hợp dữ liệu từ ba nguồn chính: Camera, cảm biến LiDAR 2D, và module định vị GPS. Mỗi cảm biến đóng một vai trò riêng biệt và bổ trợ cho nhau, tạo nên một hệ thống nhận thức mạnh mẽ và đáng tin cậy hơn. Dữ liệu từ camera được sử dụng cho các tác vụ thị giác máy tính, chủ yếu là phát hiện làn đường và phân đoạn ngữ nghĩa cảnh quan đường đi. Dữ liệu từ cảm biến LiDAR được dùng như một lớp bảo vệ an toàn, chuyên trách phát hiện vật cản ở gần và tính toán khoảng cách. Trong khi đó, dữ liệu định vị GPS sau khi được xử lý sẽ cung cấp thông tin về vị trí và lộ trình tổng thể của xe. Các luồng dữ liệu này không hoạt động độc lập. Chúng được xử lý song song trên các đơn vị tính toán khác nhau (Laptop và Jetson TX2) bằng kỹ thuật đa luồng (multithreading) và giao tiếp với nhau qua giao thức UDP. Sự kết hợp này cho phép chiếc xe tự lái vừa có khả năng bám theo làn đường, vừa tránh được các chướng ngại vật đột ngột, đồng thời luôn biết mình đang ở đâu trên bản đồ, từ đó đưa ra quyết định di chuyển tối ưu.
3.1. Xử lý ảnh thời gian thực với Camera và học sâu
Camera đóng vai trò là "mắt thần" của hệ thống xe golf tự hành. Dữ liệu hình ảnh RGB thu thập được sẽ được đưa vào hai mô hình học sâu (deep learning) đã được cải tiến: một mô hình phát hiện làn đường (Ultra-Fast lane line detection) và một mô hình phân đoạn ngữ nghĩa (LiteSeg). Đặc biệt, mô hình LiteSeg được tăng cường với module CBAM (Convolutional Block Attention Module) để giúp mạng nơ-ron tập trung vào các đặc trưng quan trọng. Cả hai mô hình này đều được huấn luyện và tinh chỉnh (fine-tuned) trên bộ dữ liệu do nhóm tự thu thập và gán nhãn trong khuôn viên HCMUTE. Quá trình này đảm bảo các mô hình có khả năng nhận diện tốt đặc điểm đường đi và môi trường đặc thù tại đây. Để tối ưu hóa tốc độ xử lý và đáp ứng yêu cầu thời gian thực, các mô hình được xử lý trên laptop trang bị card đồ họa NVIDIA GTX 1650, đảm bảo tốc độ khung hình tối thiểu là 20 FPS.
3.2. Ứng dụng cảm biến LiDAR 2D để phát hiện vật cản
Cảm biến LiDAR 2D là một thành phần an toàn quan trọng của xe tự lái. Nó quét môi trường theo mặt phẳng ngang và trả về một tập hợp các điểm dữ liệu (đám mây điểm), thể hiện khoảng cách từ cảm biến đến các vật thể xung quanh. Để biến dữ liệu thô này thành thông tin hữu ích, thuật toán Adaptive Breakpoint Detector (ABD) được sử dụng để phân cụm các điểm dữ liệu thành các nhóm tương ứng với các vật thể trong thế giới thực. Sau khi các cụm điểm được xác định, thuật toán RANSAC (Random Sample Consensus) được áp dụng để ước tính đường thẳng bao quanh thân của vật cản. Thông tin này giúp hệ thống xác định vị trí, kích thước của vật cản và đưa ra quyết định né tránh. Dữ liệu từ LiDAR đóng vai trò như một lớp xác thực và bổ sung cho dữ liệu từ camera, đặc biệt hiệu quả trong việc phát hiện các vật cản ở cự ly gần mà camera có thể bỏ sót.
3.3. Tối ưu dữ liệu định vị GPS bằng bộ lọc Kalman
Tín hiệu định vị GPS thô thường chứa nhiều nhiễu do các yếu tố môi trường như nhà cao tầng, cây cối, gây ra sự biến động và sai lệch về vị trí. Để khắc phục vấn đề này, Bộ lọc Kalman (Kalman Filter) đã được áp dụng. Đây là một thuật toán đệ quy giúp ước tính trạng thái của một hệ thống động từ một loạt các phép đo không hoàn chỉnh và nhiễu. Trong ứng dụng này, Bộ lọc Kalman giúp làm mịn dữ liệu vị trí từ module GPS, loại bỏ các đột biến bất thường và cung cấp một ước tính vị trí ổn định, chính xác hơn theo thời gian. Dữ liệu GPS sau khi được lọc sẽ được sử dụng để kiểm tra xem xe có đang đi đúng lộ trình đã định sẵn hay không. Sự kết hợp giữa định vị GPS đã được tối ưu và dữ liệu từ OpenStreetMap giúp xe duy trì đúng hướng đi trên bản đồ khuôn viên trường.
IV. Hướng dẫn thiết kế hệ thống điều khiển cho xe golf tự lái
Hệ thống điều khiển là bộ não và hệ thần kinh của chiếc xe golf tự hành, chịu trách nhiệm biến các quyết định từ khối nhận thức thành hành động cơ học cụ thể. Thiết kế của hệ thống này được phân cấp rõ ràng để đảm bảo hiệu suất và độ tin cậy. Ở cấp cao nhất là các bộ xử lý mạnh mẽ, bao gồm một laptop với card đồ họa NVIDIA GTX 1650 và một bo mạch Jetson TX2. Laptop đảm nhiệm các tác vụ nặng về xử lý ảnh và học sâu, trong khi Jetson TX2 xử lý tín hiệu từ GPS và LiDAR. Việc phân chia công việc này giúp giảm tải cho bộ xử lý trung tâm và tối ưu hóa thời gian thực thi. Ở cấp thấp hơn là các vi điều khiển. Dự án sử dụng hai bo mạch Arduino: một Arduino Mega để điều khiển góc lái và một Arduino Nano để điều khiển tốc độ. Các bộ xử lý cấp cao sẽ gửi lệnh (góc lái mong muốn, tốc độ) đến các vi điều khiển này. Các vi điều khiển sau đó sẽ trực tiếp điều khiển các cơ cấu chấp hành như động cơ servo lái và rơ-le tốc độ. Toàn bộ hệ thống phần cứng được kết nối thông qua một bo mạch in (PCB) được thiết kế riêng, giúp hệ thống dây dẫn gọn gàng và ổn định. Cấu trúc phân tán và đa luồng này là chìa khóa để xây dựng một hệ thống điều khiển tự động phức tạp nhưng hiệu quả.
4.1. Cấu trúc phần cứng Jetson TX2 Arduino và hệ thống truyền động
Cấu trúc phần cứng được thiết kế theo mô hình phân tán. Laptop đóng vai trò là bộ xử lý chính cho các tác vụ thị giác máy tính. Jetson TX2 là bộ xử lý phụ, chuyên trách thu thập và tiền xử lý dữ liệu từ cảm biến GPS và LiDAR. Hai thiết bị này giao tiếp với nhau qua mạng Wi-Fi nội bộ. Các lệnh điều khiển cuối cùng được gửi đến hai vi điều khiển Arduino. Arduino Mega nhận tín hiệu góc lái mong muốn, thực thi thuật toán bộ điều khiển PID, đọc phản hồi từ encoder trên trục lái và xuất tín hiệu xung đến driver của động cơ servo. Trong khi đó, Arduino Nano điều khiển tốc độ của xe thông qua hai rơ-le, một rơ-le để điều khiển hướng (tiến/lùi) và một rơ-le để điều khiển tốc độ bằng cách thay đổi điện áp cấp cho biến trở của xe. Sự phân chia nhiệm vụ rõ ràng này giúp mỗi thành phần tập trung vào chức năng chuyên biệt, tăng tính ổn định và dễ dàng gỡ lỗi cho toàn bộ hệ thống.
4.2. Thuật toán điều khiển góc lái PID và xử lý tín hiệu
Việc điều khiển góc lái chính xác là yếu tố sống còn đối với một xe tự lái. Do xe không có EPS, một bộ điều khiển PID (Proportional-Integral-Derivative) được triển khai trên Arduino Mega. Thuật toán này liên tục tính toán sai số giữa góc lái mong muốn (nhận từ laptop) và góc lái thực tế (đọc từ encoder). Dựa trên sai số này, bộ điều khiển PID sẽ tạo ra một tín hiệu điều chỉnh để điều khiển động cơ servo, nhằm mục đích giảm sai số về 0. Ba thành phần của PID – Tỷ lệ (P), Tích phân (I), và Vi phân (D) – được tinh chỉnh để đảm bảo hệ thống lái phản ứng nhanh, ổn định và không bị dao động quá mức. Dữ liệu từ encoder có độ phân giải 256 xung/vòng, cung cấp phản hồi chính xác về góc lái thực tế, tạo thành một vòng lặp điều khiển khép kín (closed-loop control) mạnh mẽ, giúp chiếc xe golf tự hành di chuyển mượt mà và bám theo quỹ đạo mong muốn.
V. Kết quả thực nghiệm và đánh giá hiệu năng xe golf tự hành
Hiệu quả của hệ thống xe golf tự hành đã được kiểm chứng thông qua các thử nghiệm thực tế trong khuôn viên trường HCMUTE. Các kết quả thực nghiệm cho thấy hệ thống tổng thể hoạt động tốt trên một số tuyến đường trong trường, đáp ứng được các yêu cầu cơ bản của một phương tiện tự hành. Một trong những thành công lớn nhất là hiệu suất xử lý. Nhờ vào việc sử dụng kỹ thuật đa luồng và tối ưu hóa bằng TensorRT, hệ thống đạt được tốc độ khung hình tối thiểu là 20 FPS (khung hình trên giây). Đây là một con số ấn tượng, đủ để đáp ứng các ứng dụng thực tế đòi hỏi phản ứng thời gian thực. Các mô hình học sâu cho xử lý ảnh, sau khi được huấn luyện trên bộ dữ liệu tùy chỉnh, đã cho thấy khả năng nhận diện làn đường và phân loại các khu vực đường đi một cách chính xác. Thuật toán phân cụm cho dữ liệu LiDAR cũng hoạt động hiệu quả ở cả khoảng cách ngắn và dài. Hệ thống định vị GPS, sau khi qua Bộ lọc Kalman, đã cung cấp dữ liệu vị trí mượt mà và ổn định hơn đáng kể so với dữ liệu thô. Các kết quả trực quan hóa góc lái cũng cho thấy bộ điều khiển PID đã điều khiển động cơ bám theo tín hiệu đặt một cách chính xác, đảm bảo chiếc xe tự lái di chuyển ổn định và an toàn trong quá trình thử nghiệm.
5.1. Hiệu quả của mô hình phân đoạn ngữ nghĩa và phát hiện làn
Các mô hình thị giác máy tính là cốt lõi của khả năng nhận thức đường đi. Biểu đồ huấn luyện cho thấy cả hai mô hình phát hiện làn đường và phân đoạn ngữ nghĩa đều đạt được chỉ số mIoU (mean Intersection over Union) và độ lỗi (loss) tốt, chứng tỏ quá trình học máy đã thành công. Kết quả đầu ra của mô hình phân đoạn ngữ nghĩa (LiteSeg với CBAM) cho thấy khả năng phân biệt rõ ràng giữa các khu vực như mặt đường, vỉa hè và thảm cỏ trong môi trường phức tạp của khuôn viên trường. Tương tự, mô hình phát hiện làn đường có thể xác định chính xác vị trí của các vạch kẻ đường. Việc so sánh các phiên bản khác nhau của mô hình LiteSeg (bản gốc, bản có CSP, bản có CBAM, và bản kết hợp cả hai) cũng cho thấy việc bổ sung các module cải tiến đã giúp tăng độ chính xác mà không ảnh hưởng quá nhiều đến tốc độ xử lý.
5.2. Đánh giá độ chính xác và an toàn của hệ thống trên thực địa
Độ chính xác và an toàn được đánh giá thông qua các kịch bản vận hành thực tế. Dữ liệu vị trí từ GPS sau khi được lọc bởi Bộ lọc Kalman cho thấy quỹ đạo di chuyển của xe mượt mà và bám sát con đường trên bản đồ hơn nhiều so với dữ liệu gốc. Trong các thử nghiệm, hệ thống đã chứng tỏ khả năng duy trì quỹ đạo ổn định và thực hiện các thao tác né tránh vật cản một cách an toàn. Biểu đồ trực quan hóa góc lái cho thấy tín hiệu phản hồi từ encoder (đường màu xanh) bám rất sát tín hiệu điều khiển được gửi đến vi điều khiển (đường màu đỏ), minh chứng cho hiệu quả của bộ điều khiển PID. Thời gian thực thi của toàn bộ hệ thống cũng được cải thiện đáng kể sau khi áp dụng kỹ thuật đa luồng. Mặc dù vẫn còn những hạn chế, các kết quả này khẳng định tính khả thi và tiềm năng của việc xây dựng một chiếc xe golf tự hành an toàn, hiệu quả với chi phí thấp.
VI. Tương lai của xe golf tự hành và hướng phát triển tiếp theo
Dự án nghiên cứu, thiết kế và chế tạo xe golf tự hành tại HCMUTE đã đặt một nền móng vững chắc cho lĩnh vực xe tự lái thực tế trong môi trường học thuật. Hệ thống đã chứng minh được khả năng hoạt động tốt trong các kịch bản cơ bản, sử dụng các linh kiện chi phí thấp và các thuật toán được tối ưu hóa. Đây là một thành tựu quan trọng, không chỉ tạo ra một sản phẩm hữu ích mà còn cung cấp một nền tảng nghiên cứu và học tập quý giá. Tuy nhiên, hành trình phát triển một chiếc xe tự lái hoàn thiện vẫn còn dài. Những hạn chế hiện tại của hệ thống, như đã nêu, chính là những cơ hội cho các hướng phát triển trong tương lai. Để chiếc xe golf tự hành có thể hoạt động trong nhiều môi trường phức tạp hơn, cần có những cải tiến đáng kể cả về phần cứng lẫn phần mềm. Việc nâng cấp cảm biến, tăng cường năng lực tính toán và phát triển các thuật toán thông minh hơn sẽ là những bước đi tiếp theo. Tương lai của dự án này không chỉ dừng lại ở việc cải thiện một mô hình đơn lẻ, mà còn có thể mở rộng ra các ứng dụng khác, góp phần thúc đẩy nghiên cứu và đào tạo trong lĩnh vực công nghệ cao tại Việt Nam.
6.1. Tổng kết những đóng góp chính của dự án
Đóng góp quan trọng nhất của dự án là việc xây dựng thành công một hệ thống xe golf tự hành hoàn chỉnh từ đầu, dựa trên phương pháp kết hợp đa cảm biến chi phí thấp. Dự án đã cung cấp một giải pháp thực tiễn cho bài toán điều khiển tự động trên một phương tiện không có trợ lực lái điện. Hơn nữa, việc tự thu thập và gán nhãn một bộ dữ liệu riêng cho môi trường HCMUTE và tinh chỉnh các mô hình học sâu như LiteSeg là một đóng góp có giá trị, giúp tăng hiệu quả nhận dạng trong bối cảnh cụ thể. Hệ thống đã được chứng minh là có thể hoạt động ở tốc độ thời gian thực (tối thiểu 20 FPS), đảm bảo tính ứng dụng thực tiễn. Tóm lại, dự án này là một minh chứng rõ ràng rằng việc xây dựng một nền tảng xe tự lái cho mục đích nghiên cứu và giáo dục là hoàn toàn khả thi ngay cả với nguồn lực hạn chế.
6.2. Các cải tiến tiềm năng cho hệ thống tự hành trong tương lai
Để nâng cao năng lực của hệ thống, có một số hướng phát triển tiềm năng. Thứ nhất, cần cải thiện khả năng hoạt động trong các môi trường phức tạp hơn, chẳng hạn như khi có nhiều người qua lại hoặc các thay đổi đột ngột. Điều này đòi hỏi các thuật toán dự đoán hành vi và ra quyết định phức tạp hơn. Thứ hai, có thể nâng cấp hệ thống cảm biến. Thay thế cảm biến LiDAR 2D bằng LiDAR 3D hoặc sử dụng camera có độ phân giải và góc nhìn tốt hơn sẽ cung cấp cho hệ thống một cái nhìn toàn diện hơn về môi trường. Thứ ba, cần nghiên cứu các phương pháp kết hợp đa cảm biến tiên tiến hơn, chẳng hạn như sử dụng Bộ lọc Kalman Mở rộng (Extended Kalman Filter - EKF) để tích hợp dữ liệu từ nhiều nguồn một cách chặt chẽ hơn. Cuối cùng, việc tối ưu hóa hơn nữa các mô hình học sâu và triển khai chúng trên các nền tảng phần cứng mạnh mẽ hơn sẽ giúp tăng cả độ chính xác và tốc độ xử lý của toàn bộ hệ thống xe tự lái.
21/09/2025
