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.

• Tác giả: Phan Thanh Danh
• Người hướng dẫn: Assoc. Prof Lê Mỹ Hà
• Trường học: Ho Chi Minh City University of Technology and Education
• Chuyên ngành: Computer Engineering Technology
• Đề tài: Research, Design And Construct An Autonomous Golf Cart Using Multisensor Fusion
• Loại tài liệu: Graduation Project
• Năm xuất bản: 2022
• Địa điểm: Ho Chi Minh City

Mục lục chi tiết

• ACKNOWLEDGEMENT
• ABSTRACT
• LIST OF FIGURES
• LIST OF TABLES
• 1. CHAPTER 1: OVERVIEW AND RELATED RESEARCH
• 1.1. Convolutional Neural Network
• 2. RGB IMAGE-BASED ALGORITHMS
• 2.1. Enhanced Semantic Segmentation
• 2.2. Lane-Line Detection
• 3. ALGORITHMS OF GPS DATA
• 4. ALGORITHMS ON 2D LiDAR
• 5. FUSION OF CAMERA AND 2D LIDAR
• 4. ESTIMATION AND CONTROL OF STEERING ANGLE
• 5. COMPARISONS AND EVALUATION
• 6. CONCLUSION AND FUTURE WORK

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.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Lĩnh vực xe tự hành (autonomous vehicles) phát triển mạnh mẽ nhằm nâng cao hiệu quả giao thông, đảm bảo tính ổn định của phương tiện và an toàn cho người sử dụng. Khả năng tự điều hướng và phản ứng chính xác của xe phụ thuộc trực tiếp vào mức độ nhận thức môi trường xung quanh, đòi hỏi sự kết hợp đồng thời từ nhiều loại cảm biến khác nhau. Các phương pháp tiếp cận sơ khởi thường sử dụng cảm biến siêu âm (như HC-SR04) hoặc hồng ngoại, tuy nhiên khoảng cách đo hạn chế khiến các thiết bị này không thể nắm bắt đầy đủ hình học của vật thể trong không gian thực tế. Mặt khác, xu hướng kết hợp cảm biến 3D LiDAR với camera đem lại độ chính xác cao nhưng chi phí phần cứng quá đắt đỏ, tạo rào cản lớn cho các dự án nghiên cứu quy mô sinh viên. Bên cạnh đó, việc điều khiển hướng ngang (lateral control) và hệ thống bẻ lái cho các phương tiện không được trang bị sẵn hệ thống trợ lực lái điện tử (Electronic Power Steering - EPS) thường gặp nhiều sai số cơ khí và khó khăn trong thuật toán điều khiển.

Xuất phát từ thực tiễn trên, đề tài "Nghiên cứu, thiết kế và chế tạo xe golf tự hành ứng dụng kỹ thuật dung hợp đa cảm biến" (Research, design and construct an autonomous golf cart using multisensor fusion) được thực hiện nhằm xây dựng một mô hình xe tự hành hoàn chỉnh với chi phí tối ưu, có khả năng vận hành ổn định trong môi trường thực nghiệm.

Mục tiêu và nhiệm vụ nghiên cứu của đề tài bao gồm:

1. Nghiên cứu tài liệu, khảo sát và tổng hợp lý thuyết để xác định hướng đi của dự án.
2. Tính toán các thông số kỹ thuật và thiết kế sơ đồ khối hệ thống bẻ lái sử dụng động cơ DC servo.
3. Thiết kế, thi công mạch in (PCB) và đấu nối liên kết toàn bộ các mô-đun phần cứng.
4. Thử nghiệm và xử lý các sai số, sự cố cơ khí cũng như điện tử trong hệ thống dẫn động bánh xe.
5. Xây dựng thuật toán bẻ lái phù hợp với cơ cấu cơ khí và điều khiển của toàn hệ thống.
6. Thu thập, xử lý và trực quan hóa dữ liệu từ các cảm biến.
7. Lựa chọn, cải tiến các mô hình học sâu và thuật toán phục vụ khối nhận thức (perception).
8. Lập trình điều khiển cho các bộ vi điều khiển và bộ xử lý tính toán trung tâm.
9. Thử nghiệm, tinh chỉnh và đánh giá toàn diện hệ thống xe trong điều kiện thực tế.
10. Viết báo cáo đồ án tốt nghiệp.
11. Chuẩn bị tài liệu và slide phục vụ bảo vệ đồ án.

Đối tượng nghiên cứu là mẫu xe golf điện EZGO thực tế, hệ thống cơ cấu chấp hành lái, mạch công suất, các cảm biến thu nhận tín hiệu môi trường (Camera, 2D LiDAR, GPS, Encoder) cùng các thuật toán thị giác máy tính, phân cụm dữ liệu và điều khiển tự động. Phạm vi không gian của đề tài giới hạn trong khuôn viên Trường Đại học Sư phạm Kỹ thuật TP.HCM (HCMUTE) với các kịch bản giao thông cơ bản; thời gian hoàn thành và nghiệm thu đồ án vào năm 2022.

Cơ sở lý thuyết và phương pháp

Đồ án ứng dụng tổng hợp các cơ sở lý thuyết về thị giác máy tính, xử lý tín hiệu cảm biến và kỹ thuật điều khiển tự động:

• Mạng nơ-ron tích chập (CNN) và phân đoạn ảnh ngữ nghĩa (Semantic Segmentation): Cấu trúc CNN chuẩn gồm hai phần chính: mạng trích xuất đặc trưng (Backbone) và tầng kết nối đầy đủ (FCN) để phân loại. Kiến trúc ResNet-18 sử dụng khối Residual Block với liên kết tắt (skip connection) nhằm giải quyết triệt để hiện tượng triệt tiêu đạo hàm (Vanishing Gradient). Kiến trúc MobileNet ứng dụng tích chập tách biệt theo chiều sâu (Depthwise Separable Convolution - DSC) gồm hai pha Depthwise Convolution và Pointwise Convolution để giảm thiểu số lượng tham số tính toán. Mô hình LiteSeg sử dụng mô-đun Atrous Spatial Pyramid Pooling (ASPP) cải tiến kết hợp mô-đun chú ý Convolutional Block Attention Module (CBAM) và cấu trúc Cross Stage Partial (CSP) để nắm bắt thông tin ngữ cảnh cục bộ lẫn toàn cục. Mô hình Ultra-Fast Lane Detection (UFLD) được sử dụng cho bài toán phát hiện vạch kẻ đường thời gian thực.
• Thuật toán tối ưu hóa: Sử dụng phương pháp Gradient Descent (GD), Stochastic Gradient Descent (SGD), Batch GD, Mini-batch GD và bộ tối ưu hóa Adam (Adaptive Moment Estimation) kết hợp ưu điểm của Momentum và RMSprop để điều chỉnh trọng số mô hình.
• Xử lý dữ liệu 2D LiDAR và đám mây điểm: Thuật toán Adaptive Breakpoint Detector (ABD) phân cụm các điểm laser dựa trên ngưỡng khoảng cách biến thiên theo khoảng cách quét hình học (ứng dụng định lý hàm số Sin và Cosin). Thuật toán RANSAC (Random Sample Consensus) với cơ chế biểu quyết ngẫu nhiên (voting) được dùng để ước lượng và khớp đường thẳng thân xe cũng như vật cản từ dữ liệu điểm 2D.
• Xử lý tín hiệu GPS và bản đồ số: Bộ lọc Kalman tuyến tính (Linear-Gaussian State Space Model) được áp dụng để khử nhiễu tín hiệu tọa độ GPS thực tế. Thuật toán kiểm tra điểm đến liên tục (circular checking) dựa trên phương trình đường tròn hỗ trợ định hướng lộ trình trên nền bản đồ số vector OpenStreetMap (OSM).
• Điều khiển tự động và tăng tốc phần mềm: Bộ điều khiển phản hồi PID (Proportional Integral Derivative) tính toán góc bẻ lái dựa trên độ lệch giữa tâm đường dự kiến và vị trí hiện tại của xe. Mô hình được huấn luyện trên nền tảng PyTorch và tối ưu hóa suy luận bằng NVIDIA TensorRT thông qua hiệu chuẩn độ chính xác FP16/INT8, hợp nhất tầng (Layer & Tensor Fusion), tối ưu bộ nhớ động và xử lý đa luồng (Multi-Stream Execution). Toàn bộ hệ thống được xây dựng trên kiến trúc đa luồng (Multithreading) và phân tán qua giao thức mạng UDP (User Datagram Protocol).

Phương pháp nghiên cứu chính là thiết kế hệ thống kỹ thuật kết hợp thực nghiệm thực tế: thu thập và gán nhãn tập dữ liệu giao thông nội khu bằng công cụ Hasty, huấn luyện và tinh chỉnh (fine-tuning) các mô hình học sâu dựa trên trọng số tiền huấn luyện từ tập dữ liệu Mapillary Vistas, sau đó tích hợp vào phần cứng và kiểm thử trực tiếp trên các tuyến đường trong trường học.

Thiết kế và triển khai hệ thống kỹ thuật

Hệ thống xe golf tự hành được thiết kế đồng bộ giữa cơ cấu phần cứng, hệ thống vi điều khiển và kiến trúc phần mềm phân tán.

Phân hệ / Thiết bị	Tên thiết bị / Mã hiệu	Thông số kỹ thuật & Chức năng chính trong hệ thống
Khung xe cơ sở	EZGO Golf Cart	Kích thước 240.03 x 120 x 173.99 cm, trục cơ sở 166.878 cm, nguồn 36V, sạc QQui 36V-21A, tỷ số truyền cầu sau 12.44:1, không có trợ lực lái điện (RPSS/EPS).
Động cơ bẻ lái	Ezi-Servo EzM-60 & Driver EzS-PD-60	Nguồn 24VDC, điều khiển vòng kín với vi điều khiển 23-bit, kết hợp hộp số giảm tốc 1:11 tạo 5500 xung/vòng (tương đương 184 xung cho 1 độ bẻ lái).
Cảm biến góc lái	Omron E6FAG5C	Encoder tuyệt đối 8-bit, mã Gray, nguồn 12-24VDC, độ phân giải 256 xung/vòng, đo trực tiếp góc bẻ lái thực tế của trục lái.
Cảm biến hình ảnh	Orbbec Astra	Dải đo 0.4 - 8m, RGB 1280x960 @10fps, Depth 640x480 @30fps, góc nhìn ngang 60°, góc nhìn chéo 73°; phục vụ nhận diện làn đường và phân đoạn ngữ nghĩa.
Cảm biến 2D LiDAR	RPLidar A1	Dải đo 0.15 - 12m, tần số lấy mẫu 8K, tốc độ quét 5.5Hz, độ phân giải góc ≤ 1°, giao tiếp UART 3.3V; phát hiện và đo khoảng cách vật cản bên phải.
Cảm biến định vị	GPS Ublox NEO-M8N	Nguồn 3.3 - 5VDC, tần số xuất dữ liệu tối đa 10Hz, hỗ trợ GPS/GLONASS/Galileo/BeiDou, giao tiếp UART; thu nhận tọa độ toàn cầu của xe.
Bộ xử lý trung tâm	Laptop Acer Nitro 5	CPU AMD Ryzen 5 3550H (2.1 - 3.7GHz), GPU NVIDIA GTX 1650 4GB GDDR5, RAM 8GB DDR4; xử lý các mô hình học sâu thị giác máy tính nặng.
Bộ xử lý phụ trợ	NVIDIA Jetson TX2	CPU 6 nhân (Dual Denver 2 + Quad ARM A57), GPU Pascal 256 nhân CUDA, RAM 8GB LPDDR4; tiếp nhận và tính toán dữ liệu từ GPS và LiDAR.
Khối điều khiển	Bo mạch PCB 2 lớp	Tích hợp vi điều khiển Arduino Mega (đọc encoder, chạy thuật toán lái, xuất xung điều khiển Ezi-Servo) và Arduino Nano (điều khiển tốc độ qua điện áp cảm biến ga Rheostatic và relay đảo chiều).
Điều khiển từ xa	Devo7 & RX601	Bộ truyền 7 kênh 2.4GHz và bộ thu 6 kênh; hỗ trợ người vận hành chuyển đổi giữa chế độ Thủ công (Manual) và Tự động (Automatic).
Mạng & Hiển thị	Router WiFi & Màn hình Waveshare	Router phát WiFi nội bộ kết nối UDP giữa Laptop và Jetson TX2; màn hình cảm ứng điện dung GT911 hiển thị giao diện điều khiển PyQT.

Phần mềm hệ thống được thiết kế vận hành song song 7 luồng (threads) độc lập trên hai bộ xử lý, trao đổi thông tin qua biến toàn cục và giao thức mạng UDP. Laptop tiếp nhận luồng hình ảnh từ camera Astra để thực thi đồng thời mô hình phân đoạn đường LiteSeg (tích hợp CSP và CBAM) cùng mô hình nhận diện vạch kẻ đường UFLD. Jetson TX2 đồng thời thu thập tọa độ GPS để lọc Kalman và quét dữ liệu 2D LiDAR qua thuật toán ABD để phân cụm chướng ngại vật. Dữ liệu từ các khối được dung hợp để thuật toán PID tính toán góc lái mục tiêu và tốc độ di chuyển, sau đó truyền lệnh qua cổng nối tiếp xuống hai bo mạch vi điều khiển Arduino trên bo mạch PCB điều khiển cơ cấu chấp hành.

Nội dung chính theo từng chương

Chương 1: Giới thiệu tổng quan và các nghiên cứu liên quan (Overview and Related Research)

Trình bày tổng quan lịch sử phát triển của ngành công nghiệp ô tô tự hành, sự cần thiết của hệ thống nhận thức đa cảm biến nhằm đảm bảo an toàn vận hành. Phân tích ưu và nhược điểm của các phương pháp điều hướng xe tự hành trước đây (cảm biến siêu âm, hồng ngoại, mở rộng bộ lọc Kalman EKF, thuật toán Lyapunov, kết hợp 3D LiDAR và camera). Nêu rõ vấn đề chi phí đắt đỏ của 3D LiDAR và các lỗi cơ khí trong truyền động xích điều khiển hướng ngang trên xe golf không có EPS. Xác định 11 nội dung nhiệm vụ cụ thể, mục tiêu chế tạo hệ thống xe golf tự hành chi phí thấp hoạt động trong khuôn viên HCMUTE với 2 chế độ (Manual và Automatic), đồng thời nêu rõ các giới hạn về phạm vi và phần cứng của đồ án.

Chương 2: Cơ sở lý thuyết (Literature Review)

Cung cấp hệ thống lý thuyết nền tảng cho việc triển khai đồ án:

• Mạng nơ-ron tích chập (CNN) với hai khối cơ bản Backbone và FCN.
• Ba dạng phân đoạn hình ảnh: Phân đoạn thực thể (Instance Segmentation), phân đoạn ngữ nghĩa (Semantic Segmentation) và phân đoạn toàn cảnh (Panoptic Segmentation).
• Kiến trúc mạng ResNet (với khối Residual Block loại bỏ triệt tiêu đạo hàm) và kiến trúc mạng nhẹ MobileNet sử dụng tích chập tách biệt chiều sâu (DSC) gồm Depthwise và Pointwise Convolution.
• Các thuật toán tối ưu hóa mô hình học sâu: Gradient Descent (SGD, Batch, Mini-batch) và Adam (kết hợp Momentum và RMSprop với hiệu chỉnh sai số bias).
• Thuật toán phân cụm đám mây điểm 2D LiDAR Adaptive Breakpoint Detector (ABD) dựa trên ngưỡng thích ứng hình học và thuật toán ước lượng đường thẳng RANSAC.
• Lý thuyết bộ lọc không gian trạng thái tuyến tính Kalman, bộ điều khiển phản hồi vòng kín PID.
• Khung phần mềm PyTorch, kỹ thuật tối ưu hóa mô hình bằng NVIDIA TensorRT, bản đồ số OpenStreetMap (OSM) và kỹ thuật lập trình đa luồng (Multithreading).

Chương 3: Nền tảng phần cứng (The Hardware Platform)

Trình bày chi tiết cấu trúc, thông số kỹ thuật và mối quan hệ kết nối giữa các thành phần phần cứng trên xe:

• Xe golf EZGO cơ sở và các thông số kích thước, hệ thống dẫn động 36V.
• Động cơ Ezi-Servo EzM-60 và driver EzS-PD-60, kết hợp hộp số 1:11 cho tỷ lệ 184 xung/độ lái.
• Cảm biến đo góc lái tuyệt đối Omron E6FAG5C 8-bit (256 xung/vòng).
• Bộ điều khiển vô tuyến Devo7 và mạch thu RX601 tần số 2.4GHz.
• Camera Orbbec Astra, cảm biến 2D LiDAR RPLidar A1 và mô-đun GPS Ublox NEO-M8N.
• Màn hình cảm ứng Waveshare GT911, bộ định tuyến WiFi router chuẩn 802.11 b/g/n.
• Hệ thống máy tính gồm Laptop Acer Nitro 5 (Ryzen 5 3550H, GTX 1650 4GB) và mạch nhúng NVIDIA Jetson TX2.
• Thiết kế mạch in PCB 2 lớp tích hợp Arduino Mega (điều khiển hướng lái) và Arduino Nano (điều khiển tốc độ qua biến trở chân ga Rheostatic và relay đảo chiều), giao tiếp với nhau qua giao thức One-Wire.

Chương 4: Thiết kế phần mềm (Software Design)

Mô tả chi tiết kiến trúc phần mềm và luồng hoạt động của các thuật toán:

• Cơ chế đa luồng với 7 luồng xử lý đồng thời phân bố trên Laptop và Jetson TX2, liên lạc dữ liệu qua biến toàn cục và gói tin UDP.
• Cải tiến mô hình phân đoạn ảnh nhẹ LiteSeg: tích hợp mô-đun Atrous Spatial Pyramid Pooling (ASPP), cấu trúc Cross Stage Partial (CSP) và khối chú ý Convolutional Block Attention Module (CBAM) nhằm nâng cao độ chính xác phân đoạn làn đường khuôn viên trường.
• Mô hình nhận diện vạch kẻ đường Ultra-Fast Lane Detection (UFLD).
• Thuật toán lọc Kalman xử lý tín hiệu GPS kết hợp phương pháp kiểm tra điểm đến liên tục bằng phương trình đường tròn (circular checking).
• Thuật toán phân cụm điểm ABD và trích xuất đường biên vật cản bên phải bằng RANSAC trên dữ liệu LiDAR 2D.
• Phương pháp dung hợp dữ liệu giữa Camera và LiDAR để đưa ra quyết định tránh vật cản an toàn.
• Thuật toán ước lượng góc bẻ lái mục tiêu dựa trên sai lệch tâm đường và bộ điều khiển PID bám quỹ đạo.

Chương 5: Kết quả thực nghiệm, so sánh và đánh giá (Experimental Result, Comparison, and Evaluation)

Trình bày các thiết lập thử nghiệm và kết quả đạt được:

• Quy trình thu thập bộ dữ liệu thực tế tại khuôn viên trường HCMUTE và gán nhãn bằng công cụ Hasty; dữ liệu huấn luyện khởi tạo từ tập Mapillary Vistas.
• Đồ thị huấn luyện loss và mIoU của mô hình nhận diện vạch kẻ đường và mô hình phân đoạn ngữ nghĩa.
• Bảng so sánh hiệu năng các phiên bản mô hình LiteSeg (LiteSeg gốc, CSP LiteSeg, CBAM LiteSeg và CSP CBAM LiteSeg).
• So sánh hiệu quả tăng tốc giữa mô hình gốc và mô hình sau khi tối ưu hóa qua TensorRT.
• Đánh giá thời gian thực thi của hệ thống trước và sau khi áp dụng kỹ thuật lập trình đa luồng (Multithreading).
• Hình ảnh trực quan hóa kết quả phân đoạn đường, phát hiện làn đường, kết quả phân cụm khoảng cách ngắn/dài của LiDAR, dữ liệu định vị GPS trước và sau khi lọc Kalman trên bản đồ UTE.
• Đánh giá độ bám quỹ đạo xe qua các trường hợp di chuyển thẳng, tránh vật cản và đồ thị phản hồi góc lái giữa góc gửi từ máy tính và góc đo thực tế từ Encoder.

Chương 6: Kết luận và hướng phát triển (Conclusion and Future Works)

Tóm tắt các kết quả đạt được của đề tài và đề xuất các định hướng nâng cấp, cải tiến hệ thống trong các giai đoạn nghiên cứu tiếp theo.

Kết quả và đóng góp

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

• Kết quả kỹ thuật đạt được:

  • Chế tạo thành công mô hình xe golf tự hành hoàn chỉnh trên nền tảng xe điện EZGO thực tế, vận hành ổn định trên các cung đường trong khuôn viên trường HCMUTE với hai chế độ điều khiển: Tự động (Automatic) và Thủ công (Manual).
  • Hệ thống phần mềm đạt tốc độ xử lý tối thiểu 20 khung hình/giây (FPS), đáp ứng tiêu chuẩn thời gian thực cho các ứng dụng tự hành ngoài thực tế.
  • Triển khai thành công các mô hình thị giác máy tính nhẹ gồm LiteSeg (cải tiến với CSP và CBAM) và UFLD, được huấn luyện và tinh chỉnh trên bộ dữ liệu ảnh đường nội khu tự thu thập.
  • Xử lý thành công dữ liệu GPS qua bộ lọc Kalman giúp triệt tiêu hiện tượng trôi tọa độ và kết hợp thuật toán ABD/RANSAC trên 2D LiDAR để nhận diện chướng ngại vật hỗ trợ né tránh an toàn.
  • Thiết kế hoàn chỉnh mạch in PCB 2 lớp và cơ cấu điều khiển cơ khí trực tiếp trục lái qua Ezi-Servo kết hợp hộp số 1:11 và Encoder tuyệt đối 8-bit (độ phân giải 184 xung/độ).
  • Đồ án được hội đồng và giảng viên hướng dẫn đánh giá mức xếp loại Xuất sắc (Excellent) với điểm số tuyệt đối 10/10.

• Đóng góp của đề tài:

  • Đề xuất giải pháp xe tự hành ứng dụng cảm biến 2D LiDAR chi phí thấp kết hợp Camera và GPS thay thế cho cảm biến 3D LiDAR đắt tiền, phù hợp với điều kiện nghiên cứu của sinh viên.
  • Xây dựng hoàn chỉnh chuỗi thuật toán điều khiển hướng ngang (lateral control pipeline) cho phương tiện giao thông không trang bị sẵn hệ thống trợ lực lái điện (EPS).
  • Xây dựng bộ dữ liệu hình ảnh đường nội khu HCMUTE có gán nhãn phục vụ huấn luyện các bài toán thị giác máy tính.
  • Tạo dựng nền tảng phần cứng và phần mềm thực nghiệm cơ sở cho các thế hệ sinh viên tiếp theo tại HCMUTE nghiên cứu sâu hơn về lĩnh vực xe tự hành thực tế.

Hạn chế và hướng nghiên cứu tiếp

Theo đánh giá của tác giả và giảng viên hướng dẫn, đề tài tồn tại một số hạn chế:

• Hệ thống chưa thể tự hành hoàn toàn ở mức độ độc lập cao mà vẫn cần có người giám sát (operator) trên xe để xử lý tình huống khẩn cấp.
• Toàn bộ cảm biến và thiết bị phần cứng được sử dụng thuộc phân khúc giá thành thấp, do đó độ chính xác và hiệu quả hoạt động chỉ dừng ở mức chấp nhận được trong môi trường thực tế và dễ bị suy giảm chất lượng trong điều kiện thời tiết ngoài trời.
• Xe chỉ vận hành tốt trong phạm vi khuôn viên trường HCMUTE với các kịch bản giao thông cơ bản, chưa thể đáp ứng các môi trường phức tạp như mật độ người đi bộ quá đông đúc hoặc có những thay đổi bất ngờ.
• Góc mở quan sát của camera Astra còn hạn chế khiến hệ thống khó hoạt động tối ưu trên các cung đường có bề rộng quá lớn.
• Do giới hạn về phần cứng tính toán trên xe, hệ thống phải ưu tiên các thuật toán dạng nhẹ, chưa thể áp dụng những mô hình có độ chính xác tối ưu nhất nhưng yêu cầu tài nguyên lớn.

Hướng nghiên cứu và phát triển tiếp theo được định hướng tập trung vào việc nâng cấp phần cứng cảm biến, hoàn thiện các thuật toán nhận thức để xe xử lý được các kịch bản giao thông phức tạp hơn và tiến tới khả năng tự hành hoàn toàn không cần người giám sát.

Giá trị tham khảo

Tài liệu đồ án là nguồn tham khảo hữu ích cho:

• Sinh viên, học viên và nhóm nghiên cứu thuộc các chuyên ngành Kỹ thuật Máy tính, Công nghệ Thông tin, Điện - Điện tử, Kỹ thuật Điều khiển & Tự động hóa, Kỹ thuật Ô tô hoặc Robot học.
• Người thực hiện các đề tài về xe tự hành quy mô nhỏ, robot tự hành ngoài trời (AGV/AMR), hệ thống trợ lái nâng cao (ADAS) hoặc hệ thống nhúng điều khiển phương tiện điện.
• Các phần đáng tham khảo sâu:
  • Phương pháp thiết kế kiến trúc phần cứng phân tán kết hợp máy tính có GPU (Laptop GTX 1650), mạch nhúng AI (Jetson TX2) và vi điều khiển (Arduino Mega/Nano) qua giao thức mạng UDP và One-Wire.
  • Kỹ thuật xây dựng, tinh chỉnh và tối ưu hóa mô hình học sâu phân đoạn ảnh (LiteSeg + CSP + CBAM) và nhận diện làn đường thời gian thực bằng NVIDIA TensorRT.
  • Thuật toán phân cụm đám mây điểm 2D LiDAR thích ứng (ABD) kết hợp RANSAC và bộ lọc Kalman cho dữ liệu GPS.
  • Thiết kế cơ cấu cơ điện tử điều khiển góc bẻ lái trực tiếp bằng Ezi-Servo và Encoder tuyệt đối trên phương tiện không có EPS.

Câu hỏi thường gặp

1. Đồ án sử dụng những loại cảm biến nào và vai trò của từng cảm biến trong hệ thống là gì? Hệ thống sử dụng 4 loại cảm biến chính: Camera Orbbec Astra thu thập hình ảnh RGB và độ sâu phục vụ nhận diện vạch kẻ đường (UFLD) và phân đoạn ngữ nghĩa mặt đường (LiteSeg); cảm biến 2D LiDAR RPLidar A1 quét đám mây điểm 2D để phát hiện và đo khoảng cách vật cản bên phải xe; mô-đun GPS Ublox NEO-M8N thu nhận tọa độ vị trí toàn cầu để định hướng hành trình; và cảm biến góc quay tuyệt đối Omron E6FAG5C (8-bit) gắn ở trục lái để đo góc bẻ lái thực tế phản hồi về bộ điều khiển.

2. Kiến trúc tính toán và điều khiển của xe golf tự hành được phân bổ như thế nào? Hệ thống sử dụng hai bộ xử lý chính và hai vi điều khiển: Laptop Acer Nitro 5 (GPU GTX 1650) đảm nhận các tác vụ thị giác máy tính nặng (LiteSeg, UFLD); bo mạch NVIDIA Jetson TX2 xử lý dữ liệu từ GPS và 2D LiDAR; hai bộ xử lý này giao tiếp qua WiFi nội bộ bằng giao thức UDP. Về mặt chấp hành, bo mạch PCB gồm Arduino Mega (nhận lệnh góc lái từ laptop, đọc tín hiệu encoder và điều khiển động cơ Ezi-Servo) và Arduino Nano (điều khiển tốc độ xe qua cảm biến ga Rheostatic và relay đảo chiều). Hai vi điều khiển Arduino giao tiếp với nhau bằng giao thức One-Wire.

3. Tốc độ xử lý của hệ thống đạt được là bao nhiêu và nhờ những giải pháp kỹ thuật nào? Hệ thống đạt tốc độ xử lý tối thiểu 20 FPS trong điều kiện vận hành thực tế. Tốc độ này đạt được nhờ 3 giải pháp chính: áp dụng kiến trúc lập trình đa luồng (7 luồng chạy song song trên Laptop và Jetson TX2), sử dụng các mô hình học sâu dạng nhẹ (LiteSeg cải tiến và UFLD), cùng với việc chuyển đổi và tối ưu hóa mô hình suy luận bằng thư viện NVIDIA TensorRT (hiệu chuẩn độ chính xác, hợp nhất tầng và tối ưu hóa bộ nhớ GPU).

4. Cơ chế điều khiển hướng lái của xe được thiết kế như thế nào khi xe không có trợ lực lái điện (EPS)? Do xe golf EZGO không có hệ thống trợ lực lái điện sẵn, nhóm nghiên cứu đã kết nối trực tiếp động cơ Ezi-Servo (EzM-60) vào trục lái thông qua hộp số giảm tốc có tỷ số truyền 1:11. Với động cơ gốc có 500 xung/vòng, sau hộp số đạt 5500 xung/vòng, tương ứng với 184 xung cho 1 độ bẻ lái ngang. Góc lái mục tiêu được tính toán từ thuật toán PID dựa trên độ lệch tâm đường, sau đó vi điều khiển Arduino Mega phát xung điều khiển servo và sử dụng phản hồi từ cảm biến Encoder tuyệt đối 8-bit để kiểm soát góc lái chính xác.

5. Vì sao xe golf tự hành trong đồ án vẫn cần người vận hành (operator) giám sát trên xe? Xe chưa thể vận hành tự động hoàn toàn không người lái do toàn bộ hệ thống phần cứng và cảm biến sử dụng là dòng giá rẻ với độ chính xác ở mức chấp nhận được trong môi trường thực tế, góc mở camera còn hạn hẹp trên đường lớn, và các thuật toán được thiết kế ưu tiên sự gọn nhẹ nên chưa xử lý được các tình huống giao thông phức tạp như mật độ người đi bộ dày đặc hoặc các vật cản thay đổi đột ngột.

Kết luận

Đồ án tốt nghiệp của nhóm tác giả Phan Thanh Danh và Nguyễn Tấn Thiên Niên đã nghiên cứu, thiết kế và chế tạo thành công hệ thống xe golf tự hành ứng dụng kỹ thuật dung hợp đa cảm biến (Camera, 2D LiDAR, GPS và Encoder) vận hành thực tế trong khuôn viên HCMUTE. Bằng việc kết hợp kiến trúc tính toán phân tán, kỹ thuật đa luồng và tối ưu hóa mô hình học sâu bằng TensorRT, hệ thống đạt tốc độ xử lý trên 20 FPS, đáp ứng tốt yêu cầu điều khiển bám làn và né tránh vật cản thời gian thực ở hai chế độ tự động và thủ công. Mặc dù còn một số hạn chế về năng lực xử lý kịch bản phức tạp do sử dụng các cảm biến giá rẻ, công trình đã giải quyết thành công bài toán điều khiển hướng ngang cho phương tiện không có EPS và tạo dựng nền tảng kỹ thuật thực nghiệm vững chắc cho các nghiên cứu xe tự hành tiếp theo.