Đồ án: Thiết kế và Thực hiện Xe Tự Hành Dò Làn Đường

Đồ án thiết kế và triển khai xe tự hành bám làn: Nghiên cứu, xây dựng hệ thống, thuật toán điều khiển xe tự động di chuyển theo làn đường.

• Tác giả: Lê Thị Kiều Giang
• Người hướng dẫn: Assoc. Trương Ngọc Sơn
• Trường học: Ho Chi Minh City University of Technology and Education
• Chuyên ngành: Computer Engineering Technology
• Đề tài: Design and implementation of a self-driving car for following lane
• Loại tài liệu: Graduation project
• Năm xuất bản: 2023
• Địa điểm: Ho Chi Minh City

Tóm tắt

I. Giới thiệu tổng quan về xe tự hành dò làn và tầm quan trọng thiết kế

Xe tự hành dò làn là một trong những ứng dụng nổi bật nhất của lĩnh vực trí tuệ nhân tạo (AI) và công nghệ thị giác máy tính (Computer Vision). Mục tiêu là phát triển một hệ thống giúp phương tiện có khả năng nhận diện, theo dõi làn đường một cách chính xác, từ đó nâng cao an toàn và giảm thiểu rủi ro tai nạn do lỗi con người. Hệ thống này sử dụng các cảm biến như camera Raspberry Pi V2 IMX219 8MP kết hợp với bộ xử lý Jetson Nano mạnh mẽ, vận dụng các thuật toán học sâu như mạng CNN, YOLO, U-Net để xử lý, phân tích hình ảnh. Việc thiết kế xe tự hành dò làn đòi hỏi sự kết hợp chặt chẽ giữa phần cứng và phần mềm nhằm tối ưu hiệu suất trong việc nhận dạng và xử lý tín hiệu đường đi, làm nền tảng cho khả năng lái tự động an toàn và chính xác hơn.

1.1. Tổng quan công nghệ và thuật toán xe tự hành dò làn

Công nghệ xe tự hành dò làn bao gồm nhiều thành phần: cảm biến camera, bộ xử lý AI như Jetson Nano, và các thuật toán nhận dạng ảnh. Mạng CNN (Convolutional Neural Network) là nền tảng để phát hiện các mẫu và đặc trưng của hình ảnh. Mạng U-Net được dùng để phân đoạn hình ảnh làn đường, còn YOLO (You Only Look Once) chuyên nhận diện nhanh các vật thể như biển báo giao thông. Sự kết hợp linh hoạt các thuật toán này giúp hệ thống phân biệt rõ ràng các làn đường giữa nhiều điều kiện ánh sáng và môi trường khác nhau.

1.2. Lý do và ứng dụng thực tiễn của xe tự hành dò làn

Tỷ lệ tai nạn giao thông do lỗi con người chiếm phần lớn, gây thiệt hại lớn về người và của. Xe tự hành dò làn giúp giảm thiểu nguyên nhân này bằng cách hỗ trợ người lái hoặc vận hành hoàn toàn tự động trong việc giữ đúng làn đường. Ưu điểm của hệ thống này gồm tăng cường sự an toàn, giảm mệt mỏi cho người lái và thích hợp với việc phát triển các phương tiện vận tải thông minh tương lai.

II. Các vấn đề và thách thức trong thiết kế xe tự hành dò làn chính xác và hiệu quả

Mặc dù đã có nhiều tiến bộ, việc thiết kế và triển khai xe tự hành dò làn còn đối mặt nhiều thách thức quan trọng. Trong môi trường thực tế, các yếu tố như điều kiện ánh sáng thay đổi, vết xe mờ, làn đường phức tạp hoặc có chướng ngại vật là nguy cơ gây sai lệch khi nhận dạng. Hơn nữa, tích hợp phần cứng như camera, bộ xử lý Jetson Nano với các mô-đun điều khiển động cơ cần đảm bảo tính ổn định và độ trễ thấp. Ngoài ra, cần tối ưu khả năng xử lý thuật toán để đáp ứng thời gian thực trên thiết bị nhúng, tránh tiêu tốn năng lượng và tài nguyên quá mức.

2.1. Thách thức xử lý hình ảnh trong điều kiện thực tế đa dạng

Hình ảnh thu được từ camera có thể bị ảnh hưởng bởi ánh sáng yếu, bóng đổ, thời tiết như mưa, sương mù, gây mất chi tiết quan trọng của làn đường. Việc làm sạch dữ liệu, tiền xử lý ảnh trước khi vào mô hình mạng U-Net hay YOLO là cần thiết để tăng tính chính xác. Một nghiên cứu tại Đại học Bách Khoa TP.HCM cũng chỉ ra rằng, sự kết hợp kỹ thuật xử lý hình ảnh cùng thuật toán học sâu giúp cải thiện đáng kể độ tin cậy trong nhận dạng làn.

2.2. Hạn chế về phần cứng và xử lý trên nền tảng nhúng Jetson Nano

Jetson Nano cung cấp sức mạnh xử lý lớn nhưng phải đối mặt với giới hạn về năng lượng và bộ nhớ khi chạy đồng thời nhiều mạng nơ-ron. Việc phân chia nhiệm vụ giữa Jetson Nano và các bộ điều khiển như Arduino Nano, PCA9685 giúp giảm tải. Quá trình tối ưu hoá phần mềm và phần cứng nhằm đảm bảo chạy trơn tru, vấn đề đo độ trễ và giao tiếp bằng giao thức I2C, UART được cân nhắc kỹ lưỡng.

III. Phương pháp thiết kế hệ thống xe tự hành dò làn theo hướng hiện đại và chính xác

Trong thiết kế xe tự hành dò làn, phương pháp tiếp cận bao gồm phát triển mô hình AI kết hợp phần cứng chuyên biệt để xử lý và điều khiển. Hệ thống được chia thành các khối chủ đạo gồm: khối AI sử dụng mạng U-Net cho phân đoạn và YOLO cho nhận diện biển báo, khối điều khiển động cơ DC và servo lái bánh xe. Mỗi thành phần được xây dựng theo tiêu chuẩn và thiết kế tối ưu hiệu năng. Phần mềm làm việc theo pipeline xử lý hình ảnh, dự đoán và điều khiển động cơ dựa trên dữ liệu đó một cách đồng bộ và chuẩn xác.

3.1. Mô hình AI và thuật toán nhận dạng lane dùng U Net và YOLO

Mô hình U-Net được sử dụng để phân đoạn pixel nhận diện làn đường với độ chi tiết cao, mô hình này có cấu trúc encoder-decoder giúp lưu giữ thông tin chi tiết vùng biên của lane lines. Cùng lúc đó, YOLOv8 với khả năng nhận dạng nhanh và chính xác được dùng cho việc phát hiện và phân loại các biển báo giao thông trong thời gian thực. Quá trình huấn luyện được thực hiện trên môi trường Google Colab với dữ liệu được chuẩn bị kỹ càng nhằm đạt độ chính xác mAP cao.

3.2. Thiết kế phần cứng điều khiển động cơ và lái xe tự hành

Phần cứng bao gồm Arduino Nano điều khiển tốc độ xe thông qua driver động cơ cầu H L298N. Servo lái bánh được điều khiển bởi PWM qua module PCA9685 để điều chỉnh góc quay chính xác. Kiến trúc này tiết kiệm năng lượng và phân chia nhiệm vụ hiệu quả, tránh gian đoạn chờ trễ, giúp xe vận hành ổn định và mượt mà. Giao tiếp dữ liệu giữa Jetson Nano và Arduino thông qua giao thức I2C/UART đảm bảo tính đồng bộ và chính xác.

3.3. Toàn bộ quá trình tiền xử lý dữ liệu và đào tạo mô hình

Tiền xử lý ảnh bao gồm làm sạch dữ liệu, cắt nhận diện vùng quan tâm (ROI), nâng cao chất lượng ảnh đầu vào bằng các thao tác như cropping, resize. Dữ liệu ảnh và video được phân lớp, gán nhãn bằng phần mềm chuyên biệt như LabelMe, tạo tập dữ liệu phù hợp cho YOLOv8 và U-Net. Mô hình được huấn luyện với nhiều epoch, tối ưu hàm loss phù hợp như binary cross entropy cho U-Net, và sử dụng thuật toán Adam. Kết quả các bước này cho ra các file model nhẹ, được convert sang định dạng onnx hoặc tflite để triển khai trên Jetson Nano.

IV. Ứng dụng thực tiễn và kết quả nghiên cứu về xe tự hành dò làn trong dự án tốt nghiệp

Dự án tốt nghiệp tại Đại học Sư phạm Kỹ thuật TP.HCM đã xây dựng mô hình xe tự hành dò làn thành công với khả năng di chuyển chính xác trên làn đường và nhận biết các biển báo giao thông. Kết quả thử nghiệm trên bộ dữ liệu hơn 3000 ảnh với việc huấn luyện mô hình U-Net và YOLOv8 đạt độ chính xác cao với mAP gần 1 tại IoU 0.5, tốc độ xử lý ổn định nhờ tối ưu phần cứng và phần mềm. Sản phẩm cuối cùng gồm mô hình xe ô tô nhỏ tích hợp phần cứng, video demo, báo cáo chi tiết quy trình từ thiết kế đến thử nghiệm.

4.1. Kết quả đánh giá hiệu suất mô hình nhận dạng làn đường và ký hiệu giao thông

Các chỉ số Precision, Recall và F1-Score đạt mức cao, cho thấy mô hình nhận dạng lane và biển báo hoạt động hiệu quả trên môi trường thử nghiệm với ánh sáng tốt. Việc sử dụng thuật toán YOLOv8 nâng cao tốc độ nhận diện, giảm độ trễ trên nền tảng Jetson Nano. Đánh giá ngoài ra còn tập trung vào hiệu suất xử lý khung hình (FPS) để đảm bảo khả năng chạy real-time. Kết quả báo cáo có sự tham chiếu của hội đồng khoa học, được xác nhận qua bảo vệ đồ án.

4.2. Triển khai phần cứng và kết nối giao thức điều khiển chính xác

Phần cứng Arduino Nano kết hợp driver L298N quản lý tốc độ bánh xe, PCA9685 điều khiển servo lái với tín hiệu PWM ổn định. Giao tiếp thiết bị qua UART và I2C được cấu hình tối ưu. Mạch điều khiển này giúp xe vận hành mượt mà, đáp ứng linh hoạt các điều kiện đường đi trong môi trường trong nhà. Việc tổ chức hệ thống module rõ ràng giúp quá trình test, tinh chỉnh diễn ra nhanh chóng, đồng thời tiết kiệm năng lượng cho thời gian vận hành kéo dài.

V. Hướng dẫn kết luận và xu hướng phát triển tương lai của xe tự hành dò làn

Dự án xe tự hành dò làn gợi mở tiềm năng to lớn của việc áp dụng AI và xử lý thị giác máy tính trong phát triển công nghệ phương tiện tự động. Mặc dù đã đạt được nhiều thành tựu trong việc thiết kế và thực hiện mô hình, vẫn còn một số hạn chế như phạm vi nhận diện trong điều kiện ánh sáng yếu, hay khả năng thích ứng với môi trường ngoài trời đa dạng. Tương lai, việc cải tiến thuật toán, sử dụng sensor đa dạng hơn như lidar, nâng cấp phần cứng với chip AI chuyên dụng, và tích hợp thêm các chức năng hỗ trợ sẽ giúp xe tự hành trở nên thông minh và an toàn hơn nữa.

5.1. Tổng kết ưu điểm và giới hạn hiện tại của hệ thống tự hành dò làn

Hệ thống hiện tại đã chứng minh khả năng nhận diện làn và biển báo với độ chính xác cao trong điều kiện ánh sáng đủ và môi trường indoor. Kết hợp mô hình AI mạnh mẽ cùng thiết kế phần cứng tối ưu giúp xe vận hành ổn định. Tuy nhiên, vẫn còn hạn chế trong nhận diện làn khi môi trường thay đổi phức tạp như ngoài trời nắng gắt, mưa hoặc vết kẻ làn không rõ ràng. Việc xử lý độ trễ tín hiệu và tiết kiệm năng lượng cũng cần được cải thiện ở các phiên bản kế tiếp.

5.2. Định hướng phát triển công nghệ xe tự hành dò làn trong tương lai

Nâng cao hệ thống cảm biến tích hợp đa dạng như lidar, radar bên cạnh camera để tăng độ tin cậy nhận dạng. Áp dụng các mô hình học sâu thế hệ mới với khả năng học tăng cường để thích ứng với môi trường thực tế phức tạp. Tích hợp công nghệ 5G và IoT để xe tự hành có thể giao tiếp với hạ tầng giao thông thông minh. Phát triển phần cứng chuyên dụng AI để tăng tốc xử lý, giảm tiêu thụ năng lượng cho phép vận hành liên tục lâu dài. Đồng thời, chú trọng nâng cao tính an toàn và luật pháp để đưa xe tự hành vào ứng dụng thực tế rộng rãi.

Trích đoạn nội dung tài liệu

HO CHI MINH CITY UNIVERSITY OF TECHNOLOGY AND EDUCATION FACULTY FOR HIGH QUALITY TRAINING GRADUATION PROJECT DESIGN AND IMPLEMENTATION OF A SELF-DRIVING CAR FOR FOLLOWING LANE LÊ THỊ KIỀU GIANG Student ID: 19119001 NGUYỄN HƯNG THỊNH Student ID: 19119056 Major: COMPUTER ENGINEERING TECHNOLOGY Advisor: TRƯƠNG NGỌC SƠN, Assoc. Ho Chi Minh City, June 2023 THE SOCIALIST REPUBLIC OF VIETNAM Independence – Freedom– Happiness -------- Ho Chi Minh City, June 26, 2023 GRADUATION PROJECT ASSIGNMENT Student name: Lê Thị Kiều Giang Student ID: 19119001 Student name: Nguyễn Hưng Thịnh Student ID: 19119056 Major: Computer Engineering Technology Class: 19119CLA Advisor: Assoc. Trương Ngọc Sơn Phone number: 0931085929 Date of assignment: 25 February, 2023 Date of submission: 26 June, 2023 1. Project title: Design and implementation of a self-driving car for following lane 2.

Initial materials provided by the advisor: Documents such as paper and books related to AI, control hardware devices. Content of the project: - Analyze the challenges of the project. - Learn about the technical specifications, guiding thought and theoretical basis of the components of the hardware. - Propose the model and summarize the overall system.

Design block diagram, principal diagram. - Pre-processing data (cleaning data, generating object detection data). - System configuration and design hardware. - Test run, check, evaluate and adjust.

- Conduct report writing. Final product: A car model that moves along the lane and can recognize traffic signs, a final report, a video. CHAIR OF THE PROGRAM ADVISOR (Sign with full name) (Sign with full name) THE SOCIALIST REPUBLIC OF VIETNAM Independence – Freedom– Happiness -------- Ho Chi Minh City, June 26, 2023 ADVISOR’S EVALUATION SHEET Student name: Lê Thị Kiều Giang Student ID: 19119001 Student name: Nguyễn Hưng Thịnh Student ID: 19119056 Major: Computer Engineering Technology Project title: Design and implementation of a self-driving car for following lane Advisor: Assoc. Trương Ngọc Sơn EVALUATION 1.

Content of the project:. Approval for oral defense? (Approved or denied). ) Ho Chi Minh City, June …, 2023 ADVISOR (Sign with full name) ĐẠI HỌC SƯ PHẠM KỸ THUẬT CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM THÀNH PHỐ HỒ CHÍ MINH Độc lập – Tự Do – Hạnh phúc KHOA ĐÀO TẠO CHẤT LƯỢNG CAO Tp. HCM, ngày 15 tháng 07 năm 2023 BẢN GIẢI TRÌNH CHỈNH SỬA ĐỒ ÁN TỐT NGHIỆP NGÀNH: CNKT MÁY TÍNH 1.

Tên đề tài: Design and implementation of a self-driving car for following lane 2. Tên sinh viên: Lê Thị Kiều Giang MSSV: 19119001 Tên sinh viên: Nguyễn Hưng Thịnh MSSV: 19119056 3. Trương Ngọc Sơn 4. Hội đồng bảo vệ HĐ 1, phòng A4-401, ngày 07 tháng 07 năm 2023 5.

Giải trình chỉnh sửa báo cáo đồ án tốt nghiệp: TT Nội dung góp ý của Hội đồng Kết quả chỉnh sửa, bổ sung Ghi chú The authors have mentioned Đã bổ sung “AI system will transmit signals to the control that “AI systemwill transmit system, including angle and speed signals to the control system, data. The angle data will be 1 including angle and speed calculated through the PID data”. Which function method and the speed data will be calculates these parameters in obtained from the Linear this system? function. Authors should be replace “the Đã kiểm tra và chỉnh sửa, kết quả 2 trình bày được bổ sung trong group”, “our team” by “we” trang 1, 2, 3, 19 và 65.

Authors should shorten the thesis objectives, focus on the Đã kiểm tra và chỉnh sửa, kết quả feature or implementation 3 trình bày được bổ sung trong phần methods of your “self-driving 1. car for following lane” instead of researching theory or kits. 4 Chapter 3 Design and Đã kiểm tra và chỉnh sửa, kết quả Số hiệu: BM16/QT-PKHCN-QHQT-NCKH/02 Lần soát xét: 02 Ngày hiệu lực: 01/4/2020 Trang: 1/2 Implementation: authors trình bày được bổ sung trong phần should not introduce too much 3. about board or kit specification; instead, focus on the requirements of blocks and your “methods” to process or “designs” of blocks to meet these requirements.1: The name of blocks should be “DC motor Đã kiểm tra và chỉnh sửa, kết quả control”, “Servo motor 5 trình bày được bổ sung trong control” instead of “Control Figure 3.

motor DC” and “Control Servo”. Đã kiểm tra và chỉnh sửa, kết quả Flowchart: the “begin” and trình bày được bổ sung trong 6 “end” should be represented in Figure 3.7, Figure terminator shapes instead of 3. Xác nhận của trưởng Xác nhận của GVHD Nhóm thực hiện báo cáo ngành (Ký họ và tên) (Ký họ và tên) (Ký họ và tên) Số hiệu: BM16/QT-PKHCN-QHQT-NCKH/02 Lần soát xét: 02 Ngày hiệu lực: 01/4/2020 Trang: 2/2 DECLARATION We hereby declare that this is the final report, "Design and implementation of a self- driving car for following lane". The simulations and study findings are accurate and were carried out entirely under the direction of the instructor, Assoc.

TRUONG NGOC SON. The report does not duplicate any other sources either. Additionally, the paper includes a variety of cited and carefully labeled reference materials. Before the department, faculty, and school, we would like to fully accept responsibility for this promise.

Student LE THI KIEU GIANG NGUYEN HUNG THINH i ACKNOWLEDGEMENTS First, we would like to express my deepest gratitude to the School Board of the Ho Chi Minh City University of Technology and Education, as well as the Faculty for High Quality Training, for establishing wonderful conditions for me to pursue our project. In addition, we would also like to express our sincere thanks to the Head of the Department, Assoc. Truong Ngoc Son, who always closely follows the learning situation and encourages and creates development opportunities for each generation of students. Last but not least, we cannot prevent mistakes due to a lack of knowledge and implementation time.

We welcome your feedback and suggestions to help us improve this topic. Many thanks for all your help and regards. Student LE THI KIEU GIANG NGUYEN HUNG THINH ii TABLE OF CONTENTS DECLARATION. ii TABLE OF CONTENTS.

iii LIST OF FIGURES. v LIST OF TABLES. viii LIST OF ABBREVIATIONS. Object and Scope of the study.

Object of the study. Scope of the study. 3 CHAPTER 2:LITERATURE REVIEW. Overview of CNN.

Theory U-net architecture. Creating layers in U-net architecture. The overview of a self-driving car. Other techniques used in the Project.

Pulse width modulation (PWM). 17 CHAPTER 3: DESIGN AND IMPLEMENTATION. Requirements of the topic. Software design 46 CHAPTER 4: EXPERIMENT RESULTS AND DISCUSSION.

Sign traffic generation 53 4. Evaluation and comparison.500 dataset and Extra 2000 dataset 55 4. Evaluate of the Yolo model 57 4. FPS expansion and improvement.

Run a Yolov4 and YoloV5 model by converting it to the TensorRT engine and then running it in Jetson Nano. Improve the detection accuracy of Yolo. 61 CHAPTER 5: CONCLUSION AND FUTURE WORKS. 69 iv LIST OF FIGURES Figure 2.1: Architecture of CNN network.2: YOLO network architecture diagram.3: Types of Image Segmentation.

Each bluebox corresponds to a multi-channel feature map.5: Layers in U-net architecture.8: Transmitted in the form of packets of I2C.10: Transmitted in the form of packets of UART.1: Block of Design a self-driving car for following lane system.2: The detailed block of the AI system.3: NVIDIA Jetson Nano Developer Kit eMMC.4: Camera Raspberry Pi V2 IMX219 8MP.5: The schematic of the AI system.6: The flowchart of recognized lanes.7: The flowchart of generate the lane.8: The process flow of Labeling and classification for lane dataset.9: Result the name of class.10: The process flow of Labeling and classification for traffic signs dataset.11: Format to export dataset.12: Detection of images.13: Parameter of ratio Frame.14: The process flow of Train Yolv8 on Google Colab.15: Create CNN network.16: The flowchart of Recognize CNN network.17: The flowchart of Convert model.18: The flowchart of Training U-net Segmentation processing.19: Processing for Training U-net Segmentation.20: The process flow of Detecting traffic signs in real-time.21: The flowchart of Detecting Lane in real-time.25: Bounding box of traffic sign.26: The detailed block of the Control system.28: H-Bridge Motor driver L298N.30: H-Bridge Pin Configuration.32: PCA9685 16-Channel PWM Driver.33: RC Servo MG996R Motor.34: 18650 Li-Ion Rechargeable Battery 3.35: The schematic of the Control system.36: The flowchart of DC Motor Control.37: The flowchart of Servo Motor Control.1: Traffic map of the self-driving car system.2: The structure layers of the self-driving car system.3: The recognition of lane and traffic signs by autonomous vehicles.4: The recognition of lane by autonomous vehicles.5: The recognition of traffic signs by autonomous vehicles.6: Result of generating lane process.8: Result of labelling each lane image.9: The segmentation of image.10: Result of generating Sign traffic process.11: Traffic sign details.12: Result of labelling each traffic sign image.13: Labelling of other classes.14: Loss and Accuracy Graph of 2.500 dataset first with 100 epochs.15: Results of test image from 2.500 dataset first with 100 epochs.16: Loss and Accuracy Graph of extra 2000 dataset second - 100 epochs.17: Results of test image from extra 2000 dataset second - 100 epochs.18: Result of the recognized traffic sign by Yolo.19: Loss and Accuracy Graph of training with CNN model.20: The process of converting the Yolo models into the TensorRT engine.21: Result of run the command $ cmake .22: Result of run the command $ make.23: Result of export to yolov5n.24: The flowchart of Deploy engine file on Jetson Nano by TensorRT.25: The flowchart of combining Yolo with Classification.26: The flowchart of combining Yolo without Classification.27: Results of the combination of Yolo, classification, and segmentation.64 vii LIST OF TABLES Table 3.1: Camera Raspberry Pi V2 IMX219 8MP Specifications.2: 12V gear motor Specifications.3: RC Servo MG996R Motor Specifications.1: Results of training for Lane detection model.2: Results of deploying for Lane detection model.3: Results of training for Yolo versions.4: Results of deploying for Yolo versions.5: Results of Classification.6: Results of deploying detection lane and traffic signs.63 viii LIST OF ABBREVIATIONS AI Artificial intelligence CV Computer vision CNN Convolutional Neural Network YOLO You Only Look Once PWM Pulse width modulation I2C Inter-Integrated Circuit UART Universal Asynchronous Receiver/Transmitter FPS Frame per second I2C Inter-Integrated Circuit TWI Two Wired Interface SDA Serial Data SCL Serial Clock MSB Most significant bit UART Universal Asynchronous Receiver/Transmitter LSB Least significant bit PID Proportional-Integral-Derivative GPU Graphics processing unit CPU Central Processing Unit GPIO General Purpose Input/Output ix ABSTRACT Several businesses, including Tesla, Audi, Google, etc., are developing self-driving vehicles. The idea of autonomous cars originated from the occurrence of accidents due to careless people driving and, in this way, dangerous accidents frequently occur. We decided to implement the topic "Design and implementation of a self-driving car for following lane". Our project aims to add lane detection as a safety function to cars so that they will not divert attention from the road when the driver is not alert.

This can make operating an automobile stronger, simpler, and much safer than it was previously. We researched numerous papers and articles about it for this aim. It is interesting to see how many businesses and developers are contributing to this subject. What we did was combine innovative image processing methods with machine learning models.

The most difficult task was interpreting these lines with the image to make sense of the lanes. We began with a basic lane detection module based on the U-net model to get our edges and lines in the image detected. Slop-intercept approaches have been used for this. Then the race begins for integrating our code with the hardware.

And eventually, it became unique and innovative by introducing mathematical calculations. x CHAPTER 1: INTRODUCTION The first chapter explains the project overview, the project's research object, the project methodology, and the project goals, in addition to the basic goal behind self- driving cars. In addition, the layout of the entire report is presented below. Introduction Self-driving cars are software-based and almost all human mistakes can be improved.

Self-driving cars are a technological development in the automotive industry that provides drivers with both comfort and safety.