Điều hướng xe tự hành dùng trí tuệ nhân tạo

Điều hướng xe tự hành dùng trí tuệ nhân tạo Điều hướng xe tự hành dùng trí tuệ nhân tạo Điều hướng xe tự hành dùng trí tuệ nhân tạo Điều hướng xe tự hành dùng trí tuệ nhân tạo Điều hướng xe tự hành dùng trí tuệ nhân tạo Điều hướng xe tự hành dùng trí tuệ nhân tạo Điều hướng xe tự hành dùng trí tuệ nhân tạo

MỤC LỤC LÝ LỊCH KHOA HỌC i LỜI CAM ĐOAN iii LỜI CẢM ƠN iv TÓM TẮT v ABSTRACT vi MỤC LỤC vii DANH MỤC CÁC CHỮ VIẾT TẮT ix DANH MỤC CÁC BẢNG BIỂU .x DANH MỤC CÁC HÌNH ẢNH VÀ BIỂU ĐỒ xi Chương 1: TỔNG QUAN 1.1 Đặt vấn đề .1 1.2 Mục tiêu đề tài 1.3 Giới hạn đề tài 1.4 Nội dung đề tài .3 Chương 2: CƠ SỞ LÝ THUYẾT CỦA XE TỰ HÀNH .4 2.1 Giới thiệu xe tự hành 2.2 Tổng quan trí tuệ nhân tạo 2.2.1 Trí tuệ nhân tạo (Artificial Intelligence- AI) 2.2.2 Machine Learning 2.2.3 Deep Learning .12 2.3 Convolutional Neural Network (CNN) 16 2.4 Bộ điều khiển PID 25 Chương 3: THIẾT KẾ VÀ LỰA CHỌN THIẾT BỊ 27 3.1 Các thành phần phần cứng .27 3.1.1 Xe điều khiển Trophy Truck .27 3.1.2 Động Brushed Motor RC-540PH 28 3.1.3 Động RC Servo TowerPro MG946R 29 3.1.4 Waterproof Brushed ESC Controller WP-1040 29 3.1.5 Raspberry Pi Model B .30 3.1.6 Raspberry Pi Power Pack 31 vii 3.1.7 Raspberry Pi Camera Module 31 3.1.8 Arduino Uno R3 32 3.1.9 PWM/Servo Driver PCA9685 33 3.1.10 Encoder Omron E6B2-CWZ6C 10P/R .34 3.1.11 Pin Lipo 2S-30C 3600mAh 34 3.2 Sơ đồ kết nối phần cứng 35 3.3 Cấu trúc phần cứng mô hình xe tự hành 35 Chương 4: GIẢI THUẬT ĐIỀU KHIỂN CỦA MƠ HÌNH XE TỰ HÀNH .38 4.1 Sơ đồ khối thu thập liệu huấn luyện 38 4.2 Sơ đồ khối điều hướng mơ hình xe tự hành 39 4.3 Cấu trúc mạng tối ưu thông số .40 4.4 Phần mềm thư viện sử dụng để lập trinhg 43 4.4.1 Giới thiệu thư viện Tensorflow 43 4.4.2 Giới thiệu thư viện Keras 43 Chương 5: THỰC NGHIỆM 44 5.1 Môi trường thực nghiệm 44 5.2 Mô tả tập liệu 45 5.3 Các phương pháp để tạo nhiều liệu khác .46 5.4 Quá trình huấn luyện 46 5.5 Kết thực nghiệm trời: 48 Chương 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN .50 6.1 Kết luận 50 6.2 Hướng phát triển .51 TÀI LIỆU THAM KHẢO 52 PHỤ LỤC 54 viii DANH MỤC CÁC CHỮ VIẾT TẮT AI: Artificial Intelligence ANN: Artificial Neural Network CNN: Convolutional Neural Network CPU: Control Processing Unit ESC: Electronic Speed Control GPS: Global Positioning System GPU: Graphics Processing Unit PID: Proportional Integral Derivative PWM: Pulse Width Modulation 10 RNN: Recurrent Neural Network 11 USB: Universal Serial Bus ix DANH MỤC CÁC BẢNG BIỂU Bảng 3.1: Thông số hoạt động RC Servo TowerPro MG946R 29 Bảng 3.2: Thông số board Arduino Uno 33 Bảng 5.1: Sự ảnh hưởng chu kỳ huấn luyện đến độ xác mơ hình 47 Bảng 6.1: Sự ảnh hưởng số lượng mẫu huấn luyện đến độ xác mơ hình 50 x DANH MỤC CÁC HÌNH ẢNH VÀ BIỂU ĐỒ Hình 2.1: Sự phát triển xe tự hành tương lai .4 Hình 2.2: Mối quan hệ AI, Machine Learning Deep Learning Hình 2.3: Cấu trúc tế bào thần kinh sinh học Hình 2.4: Cấu trúc tế bào thần kinh nhân tạo 10 Hình 2.5: Học có giám sát 11 Hình 2.6: Học không giám sát 12 Hình 2.7: Học tăng cường 12 Hình 2.8: So sánh hiệu suất DL với thuật toán học theo thứ tự 14 Hình 2.9: Tổ chức hệ thống vỏ não thị giác .15 Hình 2.10: Mơ hình RNN 15 Hình 2.11: Kiến trúc mạng autoencoders 16 Hình 2.12: Ví dụ cách thức xử lý ANN với cấu trúc kết nối đầy đủ 17 Hình 2.13: Ý tưởng thiết kế CNN .17 Hình 2.14: Minh họa tích chập 18 Hình 2.15: Ví dụ ứng dụng tích chập 19 Hình 2.16: Các thành phần lớp tích chập 20 Hình 2.17: Ví dụ lớp Convolution ảnh 21 Hình 2.18: Cách tính tham số lớp pooling 22 Hình 2.19: Quá trình tinh chỉnh tuyến tính .23 Hình 2.20: Flatten liệu nhận từ lớp convolution a) ma trận 3x3 b) mảng sau áp dụng flatten 23 Hình 2.21: Kiến trúc mạng CNN 24 Hình 2.22: Bộ điều khiển PID 26 Hình 2.23: Bộ điều khiển PID cho tốc độ xe 26 Hình 3.1: Sơ đồ khối mơ hình xe tự hành 27 Hình 3.2: Xe điều khiển Trophy Truck .27 Hình 3.3: Chi tiết bên xe điều khiển 28 xi Hình 3.4: Động Brushed Motor RC-540PH 28 Hình 3.5: RC Servo TowerPro MG946R .29 Hình 3.6: Waterproof Brushed ESC Controller WP-1040 30 Hình 3.7: Raspberry Pi Model B 30 Hình 3.8: Raspberry Pi Power Pack 31 Hình 3.9: Raspberry Pi Camera 32 Hình 3.10: Board Arduino Uno (mặt trước sau) .32 Hình 3.11: Mạch Điều Khiển 16 Chanel PWM PCA9685 .33 Hình 3.12: Encoder Omron E6B2-CWZ6C 10P/R 34 Hình 3.13: Pin Lipo 2S-30C 3600mAh 34 Hình 3.14: Sơ đồ kết nối phần cứng 35 Hình 3.15: Phía mơ hình xe tự hành 36 Hình 3.16: Phía trái mơ hình xe tự hành 36 Hình 3.17: Bên xe tự hành (a) bên xe nhìn từ phía (b) bánh encoder (c) hệ thống bể lái (d) Motor ESC 37 Hình 4.1: Sơ đồ khối thu thập liệu huấn luyện 38 Hình 4.2: Sơ đồ khối điều hướng mơ hình xe tự hành 39 Hình 4.3: Cấu trúc mạng huấn luyện cho mơ hình xe tự hành 40 Hình 4.4: Lớp dropout a) mạng nơ-ron tiêu chuẩn, b) mạng nơ-ron sau áp dụng dropout 42 Hình 5.1: Quỹ đạo thực nghiệm 1: (a) Quỹ đạo hình bầu dục.(b) góc rẽ đường (c) mơ hình xe di chuyển theo quỹ đạo 44 Hình 5.2:Quỹ đạo thực nghiệm 2: (a) quỹ đạo hình số (b) (c) biển báo hiệu đường .44 Hình 5.3: Tập liệu thu thập được: (a) mẫu từ tập liệu lái xe (b), (c) (d) hình ảnh điển hình tập liệu 45 Hình 5.4: Ví dụ phương pháp tạo thêm liệu huấn luyện 46 Hình 5.5: Sơ đồ huấn luyện cho mơ hình xe tự hành 47 xii Hình 5.6: Trực quan lớp tích chập a) ảnh gốc b), c) d) lớp tích chập thứ 1,2 48 Hình 5.7: Độ xác mạng CNN đề xuất 49 Hình 5.8: Giá trị góc lái dự đoán .49 xiii Chương 1: TỔNG QUAN 1.1 Đặt vấn đề Ngày nay, với phát triển mạnh mẽ khoa học công nghệ giao thông vận tải, nhiều phương tiện trang bị chế độ tự lái để hỗ trợ người lái xe trì sức khỏe lái xe đường dài giảm thiểu rủi ro tai nạn giao thông Điều hướng quỹ đạo cho phương tiện giao thơng khía cạnh quan trọng phát triển mơ hình xe khơng người lái Có nhiều phương pháp để thực điều này, cách để có kết tốt phù hợp với cách mạng cơng nghiệp 4.0 sử dụng thuật tốn liên quan đến lĩnh vực trí tuệ nhân tạo Cụ thể, chúng tơi thực thuật tốn mạng nơ-ron tích chập (CNN) để điều hướng cho phương tiện tự hành [1] Học tập sâu (Deep Learning) lĩnh vực thuộc phần máy học (Machine Learning) lấy cảm hứng từ mạng nơron nhân tạo Một loại mạng sâu đặc biệt mạng nơ-ron tích chập, thường gọi CNN ConvNet Sự khác biệt CNN so với mạng thần kinh truyền thống số lượng nơron lớp giảm số lượng lớp ẩn lớn gọi mạng sâu Chúng thường huấn luyện chiến lược lan truyền ngược Vì vậy, xây dựng hệ thống thơng minh với độ xác cao [1] Trước đây, có nhiều nghiên cứu điều hướng cho xe tự hành đươc thực Bao gồm phương pháp như: phát đường theo thời gian thực để điều hướng tự động [2], hệ thống theo dõi đường cho ứng dụng xe thông minh [3], phát đường với xe di chuyển cảnh quan giao thông [4] phương pháp liên quan đến hướng nghiên cứu là: [5], [6] Mặc dù phương pháp mang lại độ xác thuyết phục phát đường có số lý khiến việc phát không thành công Lý chủ quan Sau phát hai vạch kẻ đường cần tính tốn xây dựng đường ảo tâm xe, sau ước tính góc lệch thân xe đường ảo đó, tiếp đến điều chỉnh góc lái xe cho xe ln vị trí đường Các tính tốn góc lái đề cập vơ phức tạp gây nhiều sai số Lý thứ hai khách quan Một số đường mà vạch kẻ khơng có bị mờ Thậm chí, xe chạy đường dốc, máy ảnh gắn phía trước hướng lên trời không theo kịp đường phía trước Điều dẫn đến việc phát khơng xác Ngồi ra, phương pháp GPS áp dụng để điều hướng xe tự lái Nếu GPS sử dụng độc lập, gây lỗi cao nên việc áp dụng phương pháp mơ hình xe khơng người lái khó khăn yêu cầu điều chỉnh sai số [7], [8] Nhận thấy với hạn chế nêu trên, tác giả đề xuất phương pháp sử dụng mạng nơ-ron tích chập để điều hướng phương tiện tự lái Trong nghiên cứu này, xây dựng mơ hình xe tự hành cách dự đốn góc lái từ hình ảnh thơ đào tạo qua mạng CNN Dữ liệu thu thập từ máy ảnh gắn phía trước xe sau tiền xử lý đưa vào mạng CNN để tính tốn giá trị góc lái Giá trị góc lái sau tính tốn so sánh với giá trị góc lái mong muốn cho hình ảnh trọng số CNN điều chỉnh để thu kết tốt 1.2 Mục tiêu đề tài Mục tiêu đề tài huấn luyện mơ hình xe tự lái tự động điều hướng theo thời gian thực mơi trường ngồi trời với nhiều điều kiện lái xe khác 1.3 Giới hạn đề tài Do hạn chế phương pháp dựa thị giác không bền vững với thay đổi ánh sáng tác động nhiễu từ môi trường bên ngồi Vì đề tài “Điều hướng xe tự hành dung trí tuệ nhân tạo” có giới hạn như: chưa chạy môi trường ban đêm, sương mù quỹ đạo di chuyển đơn giản 1.4 Nội dung đề tài Đề tài “Điều hướng xe tự hành dung trí tuệ nhân tạo” bao gồm chương sau: Chương I: Tổng quan: Chương trình bày tổng quan sơ yêu cầu báo cáo đặt vấn đề, mục tiêu, giới hạn nội dung đề tài Chương II: Cơ sở lý thuyết: Chương trình bày giới thiệu xe tự hành, công nghệ khác sử dụng xe tự hành, tổng quan trí tuệ nhân tạo lý thuyết mạng nơ-ron tích chập (CNN) Chương III: Thiết kế phần cứng lựa chọn thiết bị: Chương trình bày thiết kế phần cứng lựa chọn thiết bị phần cứng cho mơ hình xe tự hành Chương IV: Giải thuật điều khiển xe tự hành : Chương trình bày giải thuật, lưu đồ thu thập liệu huấn luyện, điều hướng xe tự hành mơ hình huấn luyện, cấu trúc mạng tối ưu hóa thơng số Chương V: Thực nghiệm: Chương trình bày việc thực điều hướng cho xe tự hành theo hai quỹ đạo hình bầu dục hình số Chương VI: Kết quả: Kết luận chung ưu điểm hạn chế đề tài, khẳng định kết đóng góp đạt được, đề xuất ý kiến để cải thiện khuyết điểm định hướng phát triển đề tài Để bắt đầu trình này, bạn nhấn nút khởi động, xe chạy chụp ảnh đưa đến mơ hình CNN để dự đốn tốc độ góc cho xe Sau đó, xe chạy điều hướng với góc lái ga nhận từ mơ hình CNN Cuối cùng, để dừng xe, nhấn nút dừng Hình 4.2 4.3 Cấu trúc mạng tối ưu thông số Một mạng nơ-ron tích chập sử dụng để huấn luyện liệu Kiến trúc mạng bao gồm lớp, bao gồm lớp chuẩn hóa, lớp chập, lớp gộp tối đa lớp kết nối hoàn toàn Kiến trúc mạng nghiên cứu tác giả mơ tả Hình 4.3 Hình 4.3: Cấu trúc mạng huấn luyện cho mơ hình xe tự hành 40 Lớp thực chuẩn hóa tất ảnh có giá trị pixel từ -1 đến Các lớp pooling thiết kế thực nghiệm, tác giả sử dụng kernel có kích thước 5x5 với khơng bước trượt cho lớp đầu tiên, kernel có kích thức 3x3 khơng có bước trượt Độ sâu tương ứng lớp 16, 32 64 Các lớp max-pooling xen kẽ với lớp tích chập Lớp max-pooling công cụ mạnh mẽ thường CNN sử dụng Đây phương pháp thay đổi kích thước hình ảnh lớn giữ lại thơng tin quan trọng chúng Nó liên quan đến việc trượt khung cửa sổ nhỏ dọc theo hình ảnh nhận giá trị tối đa từ cửa sổ bước Sau gộp, hình ảnh có khoảng phần tư pixel so với đầu Điều làm giảm số lượng hyperparameters cần phải tính tốn, từ giảm thời gian tính toán tránh việc overfitting Tất lớp maxpooling chọn với kernel 2x2 không bước trượt Các lớp kết nối hoàn toàn thiết kế với việc giảm dần kích thước: 19456 500 Lớp đầu chắn nơtron mơ hình chúng tơi dự đốn giá trị lệnh điều khiển đầu cho góc lái Bên cạnh đó, chúng tơi sử dụng kích hoạt lớp ELUs (đơn vị tuyến tính theo cấp số nhân) theo lớp co giãn để cải thiện hội tụ Các ELU chức cố gắng kích hoạt trung bình gần khơng để tăng tốc độ học tập Nó ELUs có độ xác phân loại cao so với ReLUs [10] Đầu lớp ReLU có kích thước với đầu vào, khác biệt tất giá trị âm hình ảnh bị xóa sau  x; x  f ( x)   x a(e  1); x  Với a siêu tham số điều kiện a  41 (4) Đối với đề tài này, sử dụng hàm MSE (Mean-Square-Loss) Chức thơng thường sử dụng cho tốn hồi quy mà đơn giản giá trị trung bình tổng bình phương khác biệt kết thực tế dự đoán    MSE    yi  yi  n   (5) Để tối ưu hóa mát này, thuật tốn tối ưu hóa Adam sử dụng Thuật tốn tối ưu hóa thường chọn cho ứng dụng học tập sâu Tác giả sử dụng tham số mặc định Adam cung cấp Keras (learning rate of 0.001, 1  0.9 ,   0.999 ,   1e  and decay = 0) [11] Mạng nơron giải mã chứa nhiều lớp ẩn phi tuyến tính, điều làm cho chúng trở thành mơ hình phức tạp dẫn đến mối quan hệ phức tạp đầu vào đầu chúng Để làm cho kiến trúc mạnh mẽ để ngăn chặn vấn đề overfitting, lớp dropout thêm vào mạng thực Việc bỏ học vơ hiệu hóa tế bào thần kinh mạng xác suất định ngăn cản đồng thích hợp đối tượng Đối với nghiên cứu này, tác giả áp dụng tỷ lệ dropout 20% [12] (Hình 4.4) a) b) Hình 4.4: Lớp dropout a) mạng nơ-ron tiêu chuẩn, b) mạng nơ-ron sau áp dụng dropout 42 4.4 Phần mềm thư viện sử dụng để lập trình 4.4.1 Giới thiệu thư viện Tensorflow  TensorFlow thư viện phần mềm mã nguồn mở dành cho máy học nhiều loại hình tác vụ nhận thức hiểu ngơn ngữ  Chạy desktop Linux Mac OS X 64-bit hệ thống máy chủ, tảng điện toán di động, bao gồm Android iOS Apple  TensorFlow chạy nhiều CPU GPU  TensorFlow cung cấp API Python, tài liệu API C/C++ 4.4.2 Giới thiệu thư viện Keras  Keras framework machine learning viết Python nhằm giảm thiểu thời gian việc lên ý tưởng giai đoạn thực chúng Nó bao gồm hai API high-level: Keras Sequential Keras Functional  Nó sử dụng chung với thư viện Deep Learning tiếng Tensorflow  Dễ sử dụng, xây dựng model nhanh  Keras run CPUvà GPU  Hỗ trợ xây dựng CNN, RNN kết hợp hai 43 Chương 5: THỰC NGHIỆM Trong chương này, liệu thu thập sử dụng để huấn luyện kiến trúc mạng chương kết thực nghiệm trình bày Điều bao gồm (1) môi trường thực nghiệm để thu thập liệu, (2) mô tả tập liệu, (3) phương pháp để tạo nhiều liệu khác nhau, (4) kết q trình huấn luyện thử nghiệm 5.1 Mơi trường thực nghiệm b) a) c) Hình 5.1: Quỹ đạo thực nghiệm 1: (a) Quỹ đạo hình bầu dục.(b) góc rẽ đường (c) mơ hình xe di chuyển theo quỹ đạo b) c) a) Hình 5.2:Quỹ đạo thực nghiệm 2: (a) quỹ đạo hình số (b) (c) biển báo hiệu đường 44 Để thu thập liệu đào tạo, điều khiển mô hình xe tự hành theo quỹ đạo ngồi trời tạo mặt phẳng rải nhựa để thu thập hình ảnh có đánh dấu thời gian Đường viền hình bầu dục đường dài 50 mét rộng 70 cm với đường viền dải băng rộng 10 cm Hình 5.1 Chiếc xe điều khiển để rẽ trái rẽ phải đường cong bán kính mét thời điểm Đường viền hình số bao gồm hai vịng trịn tạo hình thành giao lộ ngang tiếp tuyến thể Hình 5.2 Quỹ đạo dài 40 mét có đường cong bên phải bên trái Bán kính đường cong mét Có bốn biển báo giao thơng có đường kính 15 cm dựng lên mép đường để hướng dẫn cho xe 5.2 Mô tả tập liệu Chuẩn bị liệu vấn đề cần thiết làm việc với mạng học tập sâu Raspberry Pi ghi lại hình ảnh thơng tin lái xe từ người dùng tay lái xe xung quanh đường đua với tốc độ 5-6km / h Dữ liệu thu thập chứa 15.500 hình ảnh ghép lại với góc lái Độ phân giải ban đầu hình ảnh 160x120 Pi Camera cấu hình để chụp tốc độ 10 khung hình / giây với thời gian phơi sáng 5000us để tránh tượng mờ rung động xe lái đường Các hình ảnh mẫu tập liệu thể Hình 5.3 Hình 5.3: Tập liệu thu thập được: (a) mẫu từ tập liệu lái xe (b), (c) (d) hình ảnh điển hình tập liệu 45 5.3 Các phương pháp để tạo nhiều liệu khác Mơ hình học tập sâu có xu hướng vượt q tập liệu nhỏ có q mẫu để đào tạo, dẫn đến mơ hình có hiệu suất tổng qt Tăng cường liệu công nghệ chuyên dụng tạo nhiều trường hợp liệu huấn luyện cách tạo mẫu thông qua việc biến đổi ngẫu nhiên mẫu có Phương pháp làm tăng số lượng tập huấn luyện Các phép biến đổi thông thường là lật ngang, điều chỉnh độ sáng, tạo bóng ngẫu nhiên, thay đổi chiều cao chiều rộng ảnh (hình 5.4) Hình 5.4: Ví dụ phương pháp tạo thêm liệu huấn luyện 5.4 Quá trình huấn luyện Từ tập liệu lưu trữ, tác giả chia chúng thành hai phần riêng biệt Một liệu huấn luyện liệu thử nghiệm với tỷ lệ 80:20 Một sơ đồ huấn luyện thể Hình 5.5 Tác giả tận dụng lợi GPU NVIDIA GeForce GT 740M với nhớ 2GB có sẵn để huấn luyện mạng với ba lần, 30, 50, 100 chu kỳ (Bảng 5.1) 46 Hình 5.5: Sơ đồ huấn luyện cho mơ hình xe tự hành Tổng thời gian mà thực đào tạo kết hợp với 100 chu kỳ cho 15500 mẫu khoảng 280 phút Do đó, trung bình chu kỳ 168 giây để hồn thành Một số hình ảnh đại diện cho lớp tích chập thể hình 5.6 Bảng 5.1: Sự ảnh hưởng chu kỳ huấn luyện đến độ xác mơ hình Số thứ tự Số lượng mẫu huấn luyện Chu kỳ huấn luyện Thời gian huấn luyện Độ xác 15500 30 92 minutes 97,08% 15500 50 155 minutes 97,77% 15500 100 280 minutes 98,23% 47 a) b) c) d) Hình 5.6: Trực quan lớp tích chập a) ảnh gốc b), c) d) lớp tích chập thứ 1,2 5.5 Kết thực nghiệm trời: Sau huấn luyện laptop, mơ hình chép trở lại Raspberry Pi Mạng sau điều khiển xe sử dụng để cấp khung hình từ Camera Pi làm đầu vào Trong giai đoạn điều khiển, giây 10 hình ảnh xử lý tốc độ tối đa xe xung quanh đường cong khoảng 5-6 km/h Mơ hình dự đốn góc lái đạt độ xác thuyết phục, cụ thể 98,23% (Hình 5.7) Kết thí nghiệm dựa mơ hình xe tự hành tự động điều hướng hai quỹ đạo với điều kiện lái xe đa dạng, cho dù dấu hiệu đường có hay khơng Giá trị góc lái dự đốn tương đối xác (Hình 5.8) 48 Hình 5.7: Độ xác mạng CNN đề xuất Hình 5.8: Giá trị góc lái dự đốn 49 Chương 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 6.1 Kết luận Ưu điểm nghiên cứu là:  Tác giả ứng dụng mạng neural học sâu cấu hình phần cứng thấp chạy thực nghiệm cho kết thuyết phục, cụ thể 98,23%  Ngoài ra, luận văn cịn kết hợp nhận dạng biển báo giao thơng xe tự hành mơ hình thực tế  Đề tài cịn mở rộng phạm vi ứng dụng loại robot xe tự hành thực môi trường khác  Dữ liệu vấn đề quan trọng dẫn đến độ xác mơ hình chúng tơi (Bảng 6.1) Hơn nữa, tăng chu kỳ huấn luyện để mơ hình tiếp cận đến vị trí hội tụ cách để có mơ hình với kết thuyết phục (Bảng 5.1) Bảng 6.1: Sự ảnh hưởng số lượng mẫu huấn luyện đến độ xác mơ hình Số thứ tự Số lượng mẫu huấn luyện 10000 Chu kỳ huấn luyện 100 Thời gian huấn luyện 173 minutes Độ xác 12500 15500 100 100 212 minutes 280 minutes 97,15% 98,23% 96,78% Nhược điểm: tác giả quan sát thấy trình huấn luyện / thực nghiệm mơ hình xảy vấn đề độ trễ máy ảnh Việc định nghĩa khoảng thời gian từ cảm biến máy ảnh quan sát trường đến máy tính thực đọc liệu hình ảnh số Thật khơng may, thời gian dài đáng kể tùy thuộc vào máy ảnh hiệu suất Pi, khoảng 300-350 mili giây Điều cao đáng kể so với độ trễ nhận thức người Độ trễ máy ảnh cao ảnh hưởng 50 tiêu cực đến hiệu suất điều khiển, đặc biệt ứng dụng quan trọng an tồn, mạng thần kinh học sâu phân tích cảnh cũ 6.2 Hướng phát triển Tóm lại, tác giả tạo mơ hình dự đốn góc lái mơ hình xe tự hành sử dụng mạng nơ-ron tích chập Mặc dù đạt kết khả quan tương lai gần, tác giả tiếp cận số nghiên cứu sau đây: 1) Nghiên cứu cải thiện độ xác mơ hình tốt vấn đề mà nhóm quan tâm 2) Xác định sử dụng máy ảnh có tốc độ sập cao cải thiện hiệu suất mơ hình xe tự hành 3) Thêm phần huấn luyện giá trị tốc độ mơ hình xe tự hành với tham vọng xe chạy tốc độ cao xác 51 TÀI LIỆU THAM KHẢO [1] Minh-Thien Duong, Truong-Dong Do and My-Ha Le, “Navigating Self- Driving Vehicles Using Convolutional Neural Network”, 2018 4th International Conference on Green Technology and Sustainable Development (GTSD) IEEE, 2018 p 607-610 [2] S G Jeong et al., “Real time lane detection for autonomous navigation,” in Proc IEEE Intell Transp Syst., Aug 2001, pp 508–513 [3] K A Redmill, S Upadhya, A Krishnamurthy, and Ü Özgüner, “A lane tracking system for intelligent vehicle application,” in Proc IEEE Intell.Transp Syst., Aug 2001, pp 273–279 [4] Hsu-Yung Cheng, Bor-Shenn Jeng, Pei-Ting Tseng, and Kuo-Chin Fan, “Lane Detection with Moving Vehicles in Traffic Scenes”, IEE Transactions on intelligent transportation systems, vol 7, No.4, December 2006 [5] Kamarul Ghazali, Rui Xiao, Jie Ma, “Road Lane Detection Using H-Maxima and Improve Hough Transform”, 2012 Fourth International Conference on Computational Intelligence, Modelling and Simulation [6] Mohamed Aly, “Real time Detection of Lane Markers in Urban Streets” 2008 IEEE Intelligent Vehicles Symposium Eindhoven University of Technology Eindhoven, The Netherlands, June 4-6, 2008 [7] S Hong, M Hyung Lee, S Hong Kwon and H Hwan Chun, “A car test for the estimation of GPS/INS alignment errors,” IEEE Trans Intell Trans Syst 5(3), 208–218 (2004) [8] Vicente Milanés, José E Naranjo, Carlos González, Javier Alonso and Teresa de Pedro, “ Autonomous vehicle based in cooperative GPS and inertial systems”, Robotica (2008) volume 26, pp 627-633, Cambridge University Press [9] Araki M, “PID Control” Control systems robotics and automation – Vol II [10] Djork-Arné Clevert, Thomas Unterthiner, Sepp Hochreiter, "Fast and Accurate Deep Network Learning by Exponential Linear Units (ELUs)" Published as a conference paper at ICLR 2016 52 [11] Diederik P Kingma, Jimmy Ba, “Adam: A method for Stochastic Optimization” Published as a conference paper at ICLR 2015 [12] Nitish Srivastava, Geoffrey Hinton, Alex Krizhevsky, Ilya Sutskever, Ruslan Salakhutdinov, “Dropout: A Simple Way to Prevent Neural Networks from Overfitting”, Journal of Machine Learning Research 15 (2014) 53 PHỤ LỤC Hai báo đăng tạp chí quốc tế, thuộc hệ thống IEEE “4th International Conference on Green Technology and Sustainable Development – GTSD 2018”: [1] Minh-Thien Duong, Truong-Dong Do and My-Ha Le, “Navigating Self- Driving Vehicles Using Convolutional Neural Network”, 2018 4th International Conference on Green Technology and Sustainable Development (GTSD) IEEE, 2018 p 607-610 [2] Truong-Dong Do, Minh-Thien Duong, Quoc-Vu Dang and My-Ha Le, “Real-Time Self-Driving Car Navigation Using Deep Neural Network”, 2018 4th International Conference on Green Technology and Sustainable Development (GTSD) IEEE, 2018 p 7-12 54 ... tài ? ?Điều hướng xe tự hành dung trí tuệ nhân tạo? ?? có giới hạn như: chưa chạy môi trường ban đêm, sương mù quỹ đạo di chuyển đơn giản 1.4 Nội dung đề tài Đề tài ? ?Điều hướng xe tự hành dung trí tuệ. .. thể đốn trước Hình 2.1: Sự phát triển xe tự hành tương lai 2.2 Tổng quan trí tuệ nhân tạo 2.2.1 Trí tuệ nhân tạo (Artificial Intelligence- AI) Trí tuệ nhân tạo (AI) có sức mạnh phân chia nhiều... với mục tiêu này, điều khơng phân loại thuật tốn kỹ thuật trí tuệ nhân tạo cụ thể Đây sáu số thuật toán kỹ thuật trí tuệ nhân tạo: - Machine Learning lĩnh vực trí tuệ nhân tạo cung cấp cho máy