nghiên cứu chế tạo mô hình xe điện tự hành dùng cảm biến lidar và xử lý

TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP THÀNH PHỐ HỒ CHÍ MINH

KHOA CÔNG NGHỆ ĐỘNG LỰC

-o0o -BÁO CÁO ĐỀ CƯƠNG KHOÁ LUẬN TỐT NGHIỆP

NGHIÊN CỨU CHẾ TẠO MÔ HÌNH XE ĐIỆN

MỤC LỤC

DANH MỤC HÌNH ẢNHDANH MỤC VIẾT TẮT

ROS Robot Operation System

SLAM Simultaneous Localization and Mapping CNN Convolution Neural Network

Chương 1: NỘI DUNG KHUNG CỦA ĐỀ TÀI KLTN

1.1 LÝ DO CHỌN ĐỀ TÀI

Trong thời đại hiện nay, sự phát triển của công nghệ, đặc biệt là Trí tuệ nhân tạo (AI) và ô tô tự hành, đã mở ra một cánh cửa mới đầy triển vọng cho ngành công nghiệp ô tô Xe tự hành không chỉ là một xu hướng, mà còn là một nhu cầu tất yếu trong việc cải thiện giao thông, giảm tai nạn và nâng cao chất lượng cuộc sống.Lý do chọn đề tài về xe tự hành không chỉ đến từ sự hứng thú với công nghệ mới mà còn bắt nguồn từ ý nghĩa to lớn mà nó mang lại Xe tự hành không chỉ đơn thuần là một phát minh kỹ thuật mà còn là giải pháp tối ưu cho những vấn đề giao thông và môi trường Với khả năng tự động lái và xử lý thông tin môi trường, xe tự hành hứa hẹn sẽ giảm bớt tắc đường, ùn tắc và tai nạn giao thông, đồng thời cải thiện hiệu suất năng lượng và giảm phát thải khí nhà kính.Ngoài ra, việc nghiên cứu và phát triển các công nghệ liên quan đến xe tự hành cũng mở ra một lĩnh vực rộng lớn cho sự sáng tạo và phát triển kỹ thuật Từ việc phát triển các thuật toán thông minh đến việc thiết kế các cảm biến và

các công nghệ mới nhất vào cuộc sống hàng ngày.Cuối cùng, việc nghiên cứu về xe tự hành không chỉ là một hành trình kỹ thuật mà còn là một cơ hội để góp phần vào sự phát triển bền vững và hiện đại hóa của xã hội Với niềm đam mê và sự cam kết, đề tài này không chỉ đáp ứng nhu cầu cá nhân mà còn hướng tới mục tiêu lớn hơn là tạo ra một tương lai xanh, an toàn và tiện nghi cho mọi người.

Hình1.1 xe tự hành

1.2 MỤC TIÊU NGHIÊN CỨU

Mục tiêu chính của dự án này là nghiên cứu và xây dựng một mô hình xe tự hành có khả năng tự động chạy theo làn đường,tránh vật cản và nhận diện biển báo giao thông Mục đích cuối cùng là để đạt được một hệ thống hoàn chỉnh, có thể tự vận hành trên đường mà không cần sự can thiệp của con người.

Mô tả mục đích cụ thể:

Để đạt được mục tiêu này, dự án sẽ tập trung vào các phần chính sau:

Nghiên cứu và phát triển hệ thống nhận diện lane đường: Sử dụng các phương pháp xử

lý ảnh, đặc biệt là lý thuyết về Deep Learning và Convolution Neural Network, để xây

dựng một hệ thống nhận diện lane đường chính xác và đáng tin cậy Hệ thống này sẽ giúp xe tự hành duy trì đúng vị trí trên làn đường và di chuyển an toàn.

Nghiên cứu và phát triển hệ thống và nhận diện biển báo giao thông: Áp dụng các kỹ

thuật xử lý ảnh và Deep Learning để xây dựng một hệ thống có khả năng nhận diện

vật cản và hiểu biển báo giao thông trên đường Điều này sẽ giúp xe tự hành phản ứng đúng đắn với các biển báo chỉ dẫn và tăng cường an toàn giao thông.

Xây dựng mô hình xe tự hành cỡ nhỏ: Dựa trên các kết quả từ hệ thống nhận diện lane,tránh vật cản và nhận diện biển báo, chúng tôi sẽ phát triển một mô hình xe tự hành cỡ nhỏ có khả năng tự vận hành trên đường Mô hình này sẽ tích hợp thông tin từ cảm biến và hệ thống nhận diện để điều khiển xe một cách an toàn và linh hoạt.

Hình 1.2 Machine learning và Deep learning

Chương 2 : NỘI DUNG,ĐỐI TƯỢNG , PHƯƠNG PHÁP NGHIÊN CỨU VÀ GIỚI HẠN ĐỀ TÀI.

2.1 NỘI DUNG NGHIÊN CỨU

-Tìm hiểu các chi tiết sử dụng để làm của đề tài như : RP LIDAR A1 , Jetson nano,camera,các loại động cơ servo,mạch arduino và mạch cầu H để điều khiển động cơ,nguồn cấp cho các thiết bị,

- Tìm hiểu các phần mềm sử dụng cho đồ án như : hệ điều hành ROS , thuật toán xây dựng bản đồ SLAM, các thuật toán tìm đường phù hợp,…

-Chế tạo mô hình xe tự hành phù hợp để gắn các chi tiết với nhau.

-Tìm hiểu cách giao tiếp của các chi tiết với nhau , xây dựng kết nối mô hình xe với cảm biển LIDAR.

-Xây dựng phần mềm dựa trên nền tảng ROS và dữ liệu từ cảm biến Lidar Robot lập bản đồ trong môi trường chưa xác định bằng phương pháp Hector SLAM và tự di chuyển trong môi trường đó thông qua thuật toán Dijkstra.

-Thực hiện nhận diện biển báo sử dụng các mô hình học máy như Convolutional Neural Networks (CNNs) để huấn luyện hệ thống nhận diện biển báo từ dữ liệu hình ảnh.

Hình 2.1.1 Hệ điều hành ROS

Hình 2.1.2 Thuật toán Dịkstra

2.2 ĐỐI TƯỢNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU*Đối tượng nghiên cứu:

Hector SLAM,Jetson nano,ROS, thuật toán Dijkstra.

-Phương pháp thống kê tổng hợp: thu thập, tổng hợp các tài liệu kĩ thuật.

- Nghiên cứu lí thuyết: tìm hiểu về các tài liệu kĩ thuật, các công trình nghiên cứu, các bài báo khoa học về phát hiện, tránh va chạm ,nhận diện biển báo cho robot tự hành, các kĩ thuật tính toán va chạm dựa trên xác suất va chạm.

- Phương pháp mô hình hóa, mô phỏng: nghiên cứu và sử dụng các mô hình toán học cho robot, mô phỏng và kiểm chứng các thuật toán xử lí số liệu.

- Phương pháp kiểm chứng: kết hợp phân tích đánh giá thông qua các kết quả tính toán, kết quả mô phỏng.

2.3 GIỚI HẠN CỦA ĐỀ TÀI

-Đề tài chỉ có thể xây dựng mô hình tự hành trong một môi trường cố định,chưa thể tự hành trong các điều kiện môi trường khác nhau.

-Khó điều khiển tốc độ và góc chuyển hướng mượt khi xe gặp vật cản.

Chương 3: HƯỚNG NGHIÊN CỨU VÀ KẾT QUẢ DỰ KIẾN

3.1 HƯỚNG NGHIÊN CỨU CỦA ĐỀ TÀI

-Nâng cao hiệu suất của cảm biến lidar và camera để thu thập dữ liệu chính xác và chi tiết hơn về môi trường xung quanh.Tích hợp các cảm biến khác như radar, ultrasonic để cải thiện khả năng đánh giá và định vị mục tiêu.

- Nghiên cứu và phát triển thuật toán thông minh hơn cho việc nhận diện và phân loại các đối tượng trong môi trường đường đi, bao gồm xe cộ, người đi bộ, vật cản, biển báo giao thông, v.v.Tích hợp các phương pháp học máy sâu (deep learning) để cải thiện khả năng nhận diện và dự đoán.

3.2 KẾT QUẢ DỰ KIẾN

Xe có thể tự hoạt động độc lập , tự tìm đường đi tối ưu nhất, tránh né được vật cản và có thể nhận diện được biển báo.

Chương 4 : KẾT QUẢ ĐANG THỰC HIỆN

- Thực hiện kết nối RP LIDAR A1 và Jetson nano vào khung xe - Đang thực hiện code arduino điều khiển động cơ

- Tiếp tục học hỏi và thực hiện xây dựng map trên nền tảng ROS.

Hình 4.1 Mô hình đang thực hiện

Chương 5: NHỮNG KHÓ KHĂN CỦA ĐỀ TÀI

-Gặp khó khăn về khoản code cho xe chạy trong địa hình bất kì - Chưa biết cách xử lý dữ liệu quét map của Hector SLAM.

-Chưa biết xử lý hình ảnh trong machine learning để nhận diện biển báo.