Sử dụng thiết bị không người lái trong khảo sát môi trường

ĐẠI HỌC QUỐC GIA TP.HCM -TRƯỜNG ĐẠI HỌC BÁCH KHOA KHOA: KH & KT Máy tính _ BỘ MÔN: KHMT _ CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự - Hạnh phúc NHIỆM VỤ LUẬN ÁN TỐT NGHIỆP Chú ý: Sinh viên phải dán tờ vào trang thuyết trình HỌ VÀ TÊN: Võ An Khang MSSV: 1711700 _ HỌ VÀ TÊN: Huỳnh Quốc Phú _ MSSV: 1711638 _ HỌ VÀ TÊN: _ MSSV: NGÀNH: _ LỚP: Đầu đề luận án: Sử Dụng Thiết Bị Không Người Lái Trong Khảo Sát Môi Trường Nhiệm vụ đề tài (yêu cầu nội dung số liệu ban đầu): - Tìm hiểu thiết bị bay khơng người lái - Tìm hiểu cơng cụ hỗ trợ giả lập mơi trường hỗ trợ q trình huấn luyện - Xây dựng giải thuật tìm được, xây dựng lại mội trường thời gian thực - Hiện thực giải thuật kiểm chứng môi trường giả lập, môi trường thực tế Ngày giao nhiệm vụ luận án: 1/3/2021 Ngày hoàn thành nhiệm vụ: 30/6/2021 Họ tên giảng viên hướng dẫn: Phần hướng dẫn: 1) Nguyễn Đức Dũng 2) _ 3) _ Nội dung yêu cầu LVTN thông qua Bộ môn Ngày tháng năm CHỦ NHIỆM BỘ MƠN GIẢNG VIÊN HƯỚNG DẪN CHÍNH (Ký ghi rõ họ tên) (Ký ghi rõ họ tên) PHẦN DÀNH CHO KHOA, BỘ MÔN: Người duyệt (chấm sơ bộ): Đơn vị: _ Ngày bảo vệ: _ Điểm tổng kết: Nơi lưu trữ luận án: TRƯỜNG ĐẠI HỌC BÁCH KHOA KHOA KH & KT MÁY TÍNH CỘNG HỊA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự - Hạnh phúc -Ngày 01 tháng 08 năm 2021 PHIẾU CHẤM BẢO VỆ LVTN (Dành cho người hướng dẫn/phản biện) Họ tên SV: Võ An Khang, Huỳnh Quốc Phú MSSV: 1711700, 1712638 Ngành (chuyên ngành): KHMT Đề tài: Sử Dụng Thiết Bị Không Người Lái Trong Khảo Sát Môi Trường Họ tên người hướng dẫn/phản biện: Nguyễn Đức Dũng Tổng quát thuyết minh: Số trang: Số chương: Số bảng số liệu Số hình vẽ: Số tài liệu tham khảo: Phần mềm tính tốn: Hiện vật (sản phẩm) Tổng quát vẽ: - Số vẽ: Bản A1: Bản A2: Khổ khác: - Số vẽ vẽ tay Số vẽ máy tính: Những ưu điểm LVTN: Nhóm thực khảo sát hướng tiếp cận cho toán điều khiển thiết bị bay không người lái môi trường chưa biết trước Nhóm thực giải pháp tái cấu trúc mội trường giải thuật tìm đường phù hợp với chiến lượt khác Các kết đánh giá cho thấy giải pháp cho phép thiết bị di chuyển đến mục tiêu đồng thời tái tạo lại môi trường cách tương đối trình di chuyển Những thiếu sót LVTN: Do điều kiện khách quan nên nhóm chưa hồn chỉnh phần thực nghiệm ngồi trời, khó khăn thiết bị làm hạn chế kết đánh giá nhóm Đề nghị: Được bảo vệ o Bổ sung thêm để bảo vệ o câu hỏi SV phải trả lời trước Hội đồng: a Không bảo vệ o b c 10 Đánh giá chung (bằng chữ: giỏi, khá, TB): Giỏi Điểm: 10 /10 Ký tên (ghi rõ họ tên) Nguyễn Đức Dũng ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA KHOA KHOA HỌC & KỸ THUẬT MÁY TÍNH ——————– * ——————— BÁO CÁO LUẬN VĂN TỐT NGHIỆP Sử Dụng Thiết Bị Không Người Lái Trong Khảo Sát Môi Trường HỘI ĐỒNG: Khoa học máy tính GVHD: Tiến sĩ Nguyễn Đức Dũng GVPB: Thạc sĩ Trần Hồng Tài Sinh viên thực hiện: Võ An Khang MSSV: 1711700 Huỳnh Quốc Phú MSSV: 1712638 Tp Hồ Chí Minh, 7/2021 Lời cam đoan Chúng tơi xin cam đoan cơng trình nghiên cứu riêng hướng dẫn TS Nguyễn Đức Dũng Nội dung nghiên cứu kết trung thực chưa công bố trước Các số liệu sử dụng cho trình phân tích, nhận xét chúng tơi thu thập từ nhiều nguồn khác ghi rõ phần tài liệu tham khảo Ngồi ra, chúng tơi có sử dụng số nhận xét, đánh giá số liệu tác giả khác, quan tổ chức khác Tất có trích dẫn thích nguồn gốc Nếu phát có gian lận nào, chúng tơi xin hồn tồn chịu trách nhiệm nội dung luận văn tốt nghiệp Trường đại học Bách Khoa thành phố Hồ Chí Minh không liên quan đến vi phạm tác quyền, quyền chúng tơi gây q trình thực Lời ngỏ Luận văn tốt nghiệp thử thách cuối lớn sinh viên Vì vậy, chúng tơi biết ơn người hỗ trợ chúng tơi q trình thực đề tài luận văn Chúng xin cảm ơn thầy Nguyễn Đức Dũng hỗ trợ nhiều kiến thức, định hình chi tiết hướng toán, giám sát tiến độ quan tâm vấn đề khác tình hình dịch bệnh cho nhóm q trình làm luận văn Chúng tơi xin cảm ơn anh Hồng Minh Phương hỗ trợ chúng tơi tìm hiểu sở lý thuyết cách giải cho đề tài Chúng xin cảm ơn thầy Nguyễn Cao Trí chia kinh nghiệm làm việc với drone người giúp chúng tơi có đam mê để thực đề tài máy bay không người lái Chúng xin cảm ơn người Graphicsminer Lab giúp đỡ nhiệt tình cho nhóm Cuối hết, xin cảm ơn cha mẹ, người nuôi nấng trưởng thành ngày hôm Xin chân thành cảm ơn người! Tóm tắt nội dung Trong năm gần đây, Máy bay không người lái (UAV - Unmanned Aerial Vehicle) ngày phát triển trở nên gần gũi sống người với lợi mà mang lại Tuy nhiên, phần lớn loại UAV phổ biến cần có người điều khiển để hoạt động Vậy để UAV hoạt động độc lập việc cần thiết Mục tiêu luận văn phát triển hệ thống máy bay khơng người lái điều hướng tự động an tồn mơi trường khơng biết trước Để làm điều đó, nhóm tập trung giải hai toán lập quỹ đạo bay tái cấu trúc môi trường - hai tốn sở để hướng tới máy bay khơng người lái hoàn toàn tự động Phương pháp đề xuất thực tảng thử nghiệm thiết kế bao gồm máy bay không người lái bản, camera độ sâu máy tính nhúng Được thử nghiệm thành công nhiều môi trường khác nhau, cho thấy hiệu theo thời gian thực việc bay an toàn lưu trữ đồ cho nhiệm vụ quan trắc Mục lục Danh sách bảng iii Danh sách hình vẽ iv Giới thiệu đề tài 1.1 Đặt vấn đề 1.2 Động lực 1.3 Mục tiêu 1.4 Tổng quan luận văn Cơ sở lý thuyết 2.1 2.2 Mơ hình hóa điều khiển Quadcopter 2.1.1 Mơ hình hóa 2.1.2 Điều khiển Motion Planning 2.2.1 Khơng gian cấu hình tốn Motion Planning 2.2.2 Mơ hình hóa tốn 2.2.3 Các thuật toán Search-based 10 2.2.4 Các thuật toán Sampling-based 13 Tái cấu trúc môi trường chưa biết trước 3.1 3.2 20 Mơ hình hóa tốn 21 3.1.1 Phân loại đồ 22 3.1.2 Occupancy Grid Map 24 Tái cấu trúc môi trường chưa biết trước 27 3.2.1 Bản đồ toàn cục 28 i 3.2.2 Bản đồ cục 30 Xây dựng quỹ đạo di chuyển 4.1 32 Bài tốn tối ưu hóa quỹ đạo 33 4.1.1 Mơ hình hóa tốn 33 4.1.2 Minimum Effort Trajectory 35 4.1.3 Ràng buộc điểm tham chiếu 36 4.1.4 Tái mơ hình tốn theo dạng Quy Hoạch Tồn Phương khơng ràng buộc 38 4.2 Xây dựng quỹ đạo qua môi trường chưa biết trước 39 4.2.1 Xây dựng quỹ đạo toàn cục 40 4.2.2 Tái xây dựng quỹ đạo cục 41 Thiết kế hệ thống kết thực nghiệm 5.1 43 Thiết kế hệ thống 43 5.1.1 Thiết kế tảng phần cứng (PKDrone Kit) 43 5.1.2 Nền tảng phần mềm 49 5.2 Phương pháp thực nghiệm 52 5.3 Kết đánh giá 53 5.3.1 Mơ hình mơ 53 A Quỹ đạo di chuyển 53 B Tái cấu trúc môi trường 65 5.3.2 Thí nghiệm thực tế 66 Tổng kết 70 6.1 Tổng kết 70 6.2 Hướng phát triển 72 Tài liệu tham khảo 73 THIẾT KẾ HỆ THỐNG VÀ KẾT QUẢ THỰC NGHIỆM (a) Quỹ đạo cục từ waypoints A* (b) Quỹ đạo cục từ waypoints Astar với path smoothing (c) Quỹ đạo cục từ waypoints RRT*.(d) Quỹ đạo cục từ waypoints Informed RRT* Hình 5.19: Kết quỹ đạo cục xây dựng từ waypoints phương pháp motion planning cho mô Đường cong màu xanh dương quỹ đạo, điểm màu tím waypoints tương ứng, màu đỏ không gian trạng thái biểu diễn ring buffer Planning hình 5.19 Thời gian xử lý Bảng thông số 5.5 cho ta thông tin cần thiết lời giải cho quỹ đạo toàn cục 5.18 Lần này, Giải thuật A* có tốc độ thực nhanh nhất, nhiên thời gian cần để tối ưu hóa quỹ đạo q lớn số lượng lớn ràng buộc Bước hậu xử lí path smoothing cải thiện vấn đề đưa thời gian tối ưu quỹ đạo 52ms Tuy nhiên tổng thời gian quỹ đạo lại so với giải thuật lấy mẫu Bên cạnh đó, ta có thông số quỹ đạo cục 5.19 bảng 5.6 Ta lại có tổng thời gian sinh quỹ đạo phương pháp A* kết hợp path smoothing nhỏ cho quãng đường ngắn Trường hợp giải thuật Informed RRT* thất bại cho việc tìm đường đến mục tiêu cần nhiều thời gian 10ms Khoảng cách tới vật cản Để đánh giá độ an toàn quỹ đạo, ta xem xét biểu đồ 5.20 Biểu đồ cho thấy khoảng cách đến vật cản gần dương, đảm bảo an toàn quỹ đạo đề xuất 62 THIẾT KẾ HỆ THỐNG VÀ KẾT QUẢ THỰC NGHIỆM A* A* với path smoothing RRT* Informed RRT* Thời gian thực thi giải thuật (ms) 23 177 Thời gian tối ưu quỹ đạo 39686 52 Số lượng waypoints Goal cost từ giải thuật Công đạo 82 40 39.11 0.173 0.009 50 50 144 102 6 49.01 50.70 0.024 0.026 quỹ Bảng 5.5: Bảng thể thông số giải thuật quỹ đạo tương ứng với kết hình 5.18 mơ A* A* với path smoothing RRT* Informed RRT* Thời gian thực thi giải thuật (ms) 0.05 0.11 Thời gian tối ưu quỹ đạo 399 73 Số lượng waypoints Goal cost từ giải thuật Công đạo 5.6 0.48 0.12 10 10 23 21 3 8.76 NA 0.07 NA quỹ Bảng 5.6: Bảng thể thông số giải thuật quỹ đạo tương ứng với kết hình 5.19 mơ Hình 5.20: Biểu đồ khoảng đến vật cản gần quỹ đạo UAV mơ Bên cạnh đó, ta xem xét sai số quỹ đạo đề quỹ đạo thật thông qua điều khiển động học qua biểu đồ 5.21 Sai số RMSE hai quỹ đạo 0.12 63 THIẾT KẾ HỆ THỐNG VÀ KẾT QUẢ THỰC NGHIỆM Hình 5.21: Biểu đồ quỹ đạo đề xuất quỹ đạo di chuyển mô Đánh giá Ở mô thứ với vật thể động Nhóm thành cơng việc nhận diện xây dựng trước quỹ đạo không va chạm vật thể vào tầm nhìn Tuy nhiên, tính an tồn khơng cịn đảm bảo vật thể tiếp tục di chuyển vào quỹ đạo mới, dẫn đến va chạm khơng đáng có Kết luận từ mơ Ở ví dụ mơi trường mơ trên, nhóm thành cơng đưa UAV từ trạng thái bắt đầu trạng thái mục tiêu mong muốn, đồng thời tránh va chạm với vật cản mơi trường Từ nhóm nhận định việc tái cấu trúc không gian trạng thái xây dựng quỹ đạo đề xuất khả thi mặt thực nghiệm trơng mơi trường mơ Nhóm nhận thấy rằng, với khối Global Planning - xây dựng quỹ đạo toàn cục, sử dụng giải thực Informed RRT* cho kết tốt tính phức tạp độ lớn khơng gian trạng thái tồn cục Về khối Local Planning - xây dựng quỹ đạo cục bộ, việc dựa vào giải thuật A* để xây dựng quỹ đạo 64 THIẾT KẾ HỆ THỐNG VÀ KẾT QUẢ THỰC NGHIỆM Loại đồ Global Map Local Map Thời gian chèn(ms) 450 43 Ram (Mb) 492 213 Bảng 5.7: Bảng so sánh thời gian chèn gói tin point cloud ram sử dụng đồ cho kết tốt nhất, mục tiêu cục chọn gần với trạng thái tại, không gian trạng thái cục xây dựng tương đối nhỏ B Tái cấu trúc môi trường Đối với vấn đề tái cấu trúc môi trường, tham số để đánh giá bao gồm : Tốc độ gói tin point cloud chèn vào đồ; Tần số cập nhập gói tin đồ; Mức độ chiếm dụng RAM đồ Sau thực nghiệm, việc tái cấu trúc môi trường mô thực độc lập ROS node khác với thơng số cấu hình : Độ chi tiết ô 40cm; Global Map độ sâu Octree 16; Local Map độ lớn grid 16*16*16 Sau thực qua ba mơ hình mơ phỏng, ta có bảng 5.7 Đầu tiên, tham số tốc độ gói tin point cloud từ sensor thêm vào đồ (đơn vị ms) Bảng cho thấy tốc độ thêm gói tin point cloud vào Local Map nhanh gấp 10 lần Global Map Tiếp theo dung lượng ram sử dụng cho Global Map nhiều gấp 2.3 lần so với Local Map Từ tốc độ xử lý tác vụ thêm vậy, ta so sánh tốc độ cập nhập gói tin đồ (đơn vị Hz) theo thời gian thực suốt trình di chuyển loại đồ Hình 5.22 cho ta thấy, gói tin đồ từ Local Map có thời gian cập nhập khoảng 7.4Hz (135ms), nhanh gần gấp đôi so với Global Map 65 THIẾT KẾ HỆ THỐNG VÀ KẾT QUẢ THỰC NGHIỆM Hình 5.22: So sánh tốc độ cập nhập gói tin đồ theo thời gian giả lập Qua tham số so sánh ta thấy rằng, việc sử dụng Local Map để đáp ứng tác vụ cần tương tác theo thời gian thực hồn tịan khả thi Bên cạnh đó, để sử dụng đồ cho nhiệm vụ sau đó, cấu trúc Octomap mang đến linh hoạt gọn nhẹ phù hợp cho hệ thống máy tính nhúng nhỏ gọn 5.3.2 Thí nghiệm thực tế Đối với thí nghiệm thực tế, để đảm bảo tính ổn định hệ thống trình bày phần 5.1.1, cần phải giới hạn xung nhịp Jetson Nano 4-core ARM A57 @ 1.2 GHz Còn GPU NVIDIA Maxwell architecture with 128 NVIDIA CUDA® cores RAM 4GB khơng có thay đổi Tuy nhiên, tình hình đại dịch Covid-19, việc đánh giá bay thực tế trở nên bất khả thi với nhóm Vì nhóm thực nghiệm đánh giá yếu tố sau : đánh giá khối ước tính trạng thái (VIO) nhà ngồi trời; thời gian chạy giải thuật xây dựng quỹ đạo chuyển; thời gian chèn gói tin vào đồ, thời gian đáp ứng gói tin đồ Ước tính trạng thái Như đề cập phần 5.1.2, để đánh giá cụ thể khả đáp ứng từ khối ước tính trạng thái, nhóm tiến hành thực thí nghiệm sau : • Di chuyển nhà : Lúc này, khối EKF2 PX4 hoạt động khơng đủ tín hiệu GPS Do đó, việc xác định vị trí UAV hồn tồn dựa vào khối ước tính trạng thái (VIO) Hình 5.23 cho ta thấy việc sử dụng VINS-Mono đầu vào 66 THIẾT KẾ HỆ THỐNG VÀ KẾT QUẢ THỰC NGHIỆM (a) Vị trí ước tính từ VINS-Mono (b) Vị trí ước tính từ EKF2 với đầu vào từ VINS-Mono Hình 5.23: Sử dụng VINS-Mono việc ước tính trạng thái nhà cho khối EKF2 PX4 mang đến xác chấp nhận cho việc di chuyển nhà • Di chuyển ngồi trời: Ở phần 5.1.2, ta thấy việc sử dụng GPS cho khối EKF2 khơng khả thi cho tốn Bên cạnh đó, hỗ trợ từ Firmware PX4 cho phép kết hợp sử dụng VIO GPS Nên cần phải so sánh việc sử dụng với quỹ đạo Hình 5.24 cho ta thấy việc phối hợp sử dụng VINS-Mono GPS không khả thi Việc sai số đến từ chất lượng GPS mà nhóm sử dụng Từ đánh giá thực tế trên, nhóm định sử dụng VINS-Mono khối ước tính trại thái cho tồn hệ thống Đánh giá Sau việc thực nghiệm, nhóm thấy việc sử dụng VINS-Mono cho khối ước tính trạng thái hệ thống thực tiễn hoàn toàn khả thi Xây dựng quỹ đạo tái tạo đồ Do tình hình phức tạp dịch covid-19, việc thực bay đánh giá ngồi trời khơng khả thi điểm Được đồng ý thấy hướng dẫn, nhóm tiến hành thực nghiệm khách quan nhà sau : • Đối với khối xây dựng quỹ đạo, nhóm tiến hành đánh giá khối Global Planning từ điểm (0, 0, 0) đến điểm (5, 0, 1.75) với giải thuật InformedRRT* với thông số thời gian thực thi giải thuật 138 ms, thời gian tối ưu quỹ đạo 258 ms, số lượng waypoints • Đối với khối tái tạo mơi trường Hình 5.25 cho ta thấy việc sử dụng khối tái tạo môi 67 THIẾT KẾ HỆ THỐNG VÀ KẾT QUẢ THỰC NGHIỆM (a) Vị trí ước tính từ VINS-Mono (b) Vị trí ước tính từ EKF2 sử dụng VINS-Mono GPS (c) Vị trí ước tính từ EKF2 với VINS-Mono Hình 5.24: So sánh khối ước tính trạng thái với quỹ đạo di chuyển trường thực tế Một số tinh chỉnh thơng số cảm biến Intel Realsense D435i nhóm thực nghiệm cho kết tốt sau : Với thơng số thời gian chèn trung bình Global Map 600 ms có dung lượng ram sử dụng 350 Mb thời gian đáp ứng gói tin đồ 2.3Hz Cịn LocalMap thơng số thời gian chèn trung bình 128 ms, dung lượng ram sử dụng 150 Mb thời gian đáp ứng gói tin đồ 4.8Hz 68 THIẾT KẾ HỆ THỐNG VÀ KẾT QUẢ THỰC NGHIỆM (a) Dữ liệu pointcloud từ cảm biến Realsense D435i (b) Dữ liệu octomap xây dựng Hình 5.25: Minh họa sử dụng hệ thống tái tạo môi trường thực tế Kết luận Sau thực nghiệm thực tế với kết khả quan, nhóm tin việc hệ thống đáp ứng tốt điều kiện thực tế hồn tồn khả thi Sau tình hình dịch ổn định, nhóm chắn tiến hành thực nghiệm bay thử đánh giá lần ln kết mà nhóm mong Như vậy, qua việc xây dựng hệ thống đánh giá kết thực nghiệm mô thực tế cho thấy hệ thống hoàn toàn đáp ứng nhiệm vụ đề đề tài Ở chương nhóm tổng kết tiến hành đánh giá đề tài 69 Chương Tổng kết Trong chương này, nhóm tổng kết q trình nghiên cứu, thực đánh giá hệ thống phương pháp đề xuất Bao gồm kết đạt được, thuận lợi, khó khăn thách thức trải qua Đồng thời, nhóm đề xuất hướng phát triển từ kết đề tài 6.1 Tổng kết Đề tài tập trung vào việc xây dựng hệ thống UAV có khả tự động tái cấu trúc môi trường xây dựng quỹ đạo di chuyển an tồn đến điểm Nhóm lên kế hoạch nghiên cứu xây dựng hệ thống đồng từ phần cứng tới phần mềm để giải tốn đặt Kết Sau q trình nghiên cứu phát triển, nhóm thu kết sau : • Hiện thực thành cơng hệ thống tái cấu trúc môi trường chưa biết trước theo thời gian thực phục vụ cho nhiệm vụ xây dựng quỹ đạo di chuyển lưu trữ để sử dụng cho tác vụ khác • Đánh giá phương pháp tìm đường đề xuất thành công phương pháp giải toán xây dựng quỹ đạo di chuyển an tồn cho máy bay khơng người lái theo thời gian thực 70 TỔNG KẾT • Xây dựng mơ hình giả lập dựa phần cứng để đánh giá xác hiệu toàn hệ thống trước thực nghiệm thực tế • Kiểm thử đánh giá khối ước tính trạng thái (VIO) hệ thống phần cứng nhóm phù hợp với u cầu tốn thực tiễn • Thiết kế hồn thiện hệ thống máy bay khơng người lái với chi phí thấp Từ đó, đánh giá tính khả thi đề tài thực tiễn Hạn chế Mặc dù nhóm thực đầy đủ nhiệm vụ đặt cịn giới hạn định : • Việc sử dụng hai loại đồ dẫn tới tốn nhớ tài ngun tính tốn • Sử dụng dựa ROS giao tiếp với qua chế gửi nhận gói tin nên độ trễ q trình chuyển qua lại Global Planning Local Planning lớn Ảnh hưởng đến an tồn bay • Vận tốc bay thực tế hạn chế 0.4 m/s Do giới hạn khối ước tính trạng thái Mapping, bay vận tốc cao không kiểm sốt việc an tồn bay • Chưa kiểm tra việc bay thực tế toàn hệ thống ảnh hưởng đại dịch Covid-19 Khó khăn Việc nghiên cứu phát triển hệ thống giải pháp từ phần cứng tới phần mềm thường gặp nhiều khó khăn, điển : • Việc đánh giá giải thuật hệ thống phần mềm phải dựa phần cứng thực tế Quá trình đánh giá ảnh hưởng lớn đến tiến độ đề tài • Trên sở tự thiết kế hệ thống phần cứng, việc lắp ráp thành phần riêng lẻ với cần nhiều thí nghiệm thực tế để tinh chỉnh tham số bay dựa cảm qua thơng số chuyến bay • Cả hai thành viên nhóm sinh viên chuyên ngành Khoa học máy tính nên khơng có kinh nghiệm điện tử mơ hình động học máy bay 71 TỔNG KẾT • Việc ảnh hưởng đại dịch Covid-19 khiến việc tiến thành thực nghiệm ngồi thực tế nhóm gặp nhiều khó khăn 6.2 Hướng phát triển Việc xây dựng quỹ đạo di chuyển an toàn tiêu chí sở tiến tới xây dựng hệ thống máy bay khơng người lái hồn tồn tự động Bản thân thành viên nhóm muốn hướng tới để hoàn thành số hướng phát triển sau : • Xây dựng hệ thống bay tự động mơi trường động (có vật thể di chuyển xe cộ, người, ) • Xây dựng hệ thống theo dõi đối tượng dựa máy bay không người lái • Xây dựng hệ thống tự động khám phá môi trường chưa biết trước 72 Tài liệu tham khảo [1] E Kaufmann, A Loquercio, R Ranftl, A Dosovitskiy, V Koltun, and D Scaramuzza Deep drone racing: Learning agile flight in dynamic environments In : IEEE Transaction on Robotics (T-RO) journal, 2019 https://arxiv.org/pdf/1905.09727.pdf [2] PX4 - the Open source Professional Autopilot https://px4.io/ [3] Fischler, M A.; Bolles, R C Random Sample Consensus: A Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography In : Communications of the ACM (1981) 24 (6): 381–395 https://dl.acm.org/doi/10.1145/358669.358692 [4] Georg Klein, David Murray Parallel Tracking and Mapping for Small AR Workspaces, In : Proc International Symposium on Mixed and Augmented Reality, 2017 https://www.robots.ox.ac.uk/~gk/PTAM/ [5] Raul Mur-Artal, J M M Montiel, Juan D Tardos ORB-SLAM: a Versatile and Accurate Monocular SLAM System, In : IEEE Transactions on Robotics, vol 31, no 5, pp 1147-1163, October 2015 https://arxiv.org/abs/1502.00956 [6] Richard A Newcombe; Steven J Lovegrove; Andrew J Davison DTAM: Dense tracking and mapping in real-time, In : International Conference on Computer Vision, 2011 https://doi.org/10.1109/ICCV.2011.6126513 [7] J Engel, T Schăops and D Cremers LSD-SLAM: Large-Scale Direct Monocular SLAM, In: IEEE Transactions on Robotics ( Volume: 34, Issue: 4), 2018 https://vision.in.tum.de/research/vslam/lsdslam [8] Tong Qin , Peiliang Li , and Shaojie Shen VINS-Mono: A Robust and Versatile Monocular Visual-Inertial State Estimator, In: 2013 IEEE International Conference 73 TÀI LIỆU THAM KHẢO on Computer Vision, 2013 https://ieeexplore.ieee.org/document/8421746 [9] Sertac Karaman, Emilio Frazzoli Sampling-based Algorithms for Optimal Motion Planning, May 2011 https://arxiv.org/abs/1105.1186 [10] https://en.wikipedia.org/wiki/Motion_planning [11] Amit Patel Inroduction to A* http://theory.stanford.edu/~amitp/GameProgramming/AStarComparison.html [12] Jonathan D Gammell, Siddhartha S Srinivasa, Timothy D Barfoot Informed RRT*: Optimal Sampling-based Path Planning Focused via Direct Sampling of an Admissible Ellipsoidal Heuristic April 2014 https://arxiv.org/abs/1404.2334 [13] Vladyslav Usenko, Lukas von Stumberg, Andrej Pangercic, Daniel Cremers RealTime Trajectory Replanning for MAVs using Uniform B-splines and a 3D Circular Buffer Mar 2017 https://arxiv.org/abs/1703.01416 [14] Charles Richter, Adam Bry, Nicholas Roy Polynomial Trajectory Planning for AggressiveQuadrotor Flight in Dense Indoor Environments 2013 https://groups.csail.mit.edu/rrg/papers/Richter_ISRR13.pdf [15] D Mellinger and V Kumar Minimum snap trajectory generation and control for quadrotors, In IEEE International Conference on Robotics and Automation, pp 25202525, 2011 https://ieeexplore.ieee.org/document/5980409 [16] H Oleynikova, M Burri, Z Taylor, J Nieto, R Siegwart and E Galceran Continuous-time trajectory optimization for online UAV replanning, In IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), pp 5332-5339, 2016 https://ieeexplore.ieee.org/document/7759784 [17] Guillaume Lozenguez, Lounis Adouane, Aurélie Beynier, Philippe Martinet: Punctual versus continuous auction coordination for multi-robot and multi-task topological navigation, In: Autonomous Robots,599–613, 2015 https://doi.org/10.1007/s10514-015-9483-7 [18] A Elfes , H Moravec High resolution maps from wide angle sonar, In: IEEE International Conference on Robotics and Automation,116–121, 1985 74 TÀI LIỆU THAM KHẢO https://doi.org/10.1109/ROBOT.1985.1087316 [19] Bresenham J E Algorithm for computer control of a digital plotter, In: IBM Systems Journal, vol.4 p.25-30, 1965 https://doi.org/10.1147/sj.41.0025 [20] Armin Hornung, Kai M Wurm, Maren Bennewitz, Cyrill Stachniss, and Wolfram Burgard Octomap: An efficient probabilistic 3d mapping framework based on octrees., In: Autonomous Robots, 34(3):189–206, 2013 https://doi.org/10.1007/s10514-012-9321-0 [21] V Usenko, L von Stumberg, A Pangercic, D Cremers Real-Time Trajectory Replanning for MAVs using Uniform B-splines and 3D Circular Buffer, In: International Conference on Intelligent Robots and Systems (IROS), 2017 https://doi.org/10.1109/IROS.2017.8202160 [22] P Felzenszwalb, D Huttenlocher Distance Transforms of Sampled Functions, In: Theory of Computing, Vol 8, No 19, September 2012 http://cs.brown.edu/people/pfelzens/dt/ [23] Luxin Han, Fei Gao, Boyu Zhou, Shaojie Shen FIESTA: Fast Incremental Euclidean Distance Fields for Online Motion Planning of Aerial Robots, In: IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2019 http://cs.brown.edu/people/pfelzens/dt/ [24] S Liu, M Watterson, S Tang, and V Kumar High speed navigation for quadrotors with limited onboard sensing, In: EEE International Conference on Robotics and Automation (ICRA), pp 1484–1491, 2016 https://doi.org/10.1109/icra.2016.7487284 [25] B T Lopez and J P How Aggressive collision avoidance with limited field-ofview sensing, In: IEEE/RSJ International Conference on Intelligent Robots and Systems(IROS), pp 1358–1365, 2017 https://doi.org/10.1109/iros.2017.8202314 [26] M Kleinbort, K Solovey, Z Littlefield, K E Bekris and D Halperin, "Probabilistic Completeness of RRT for Geometric and Kinodynamic Planning With Forward Propagation," in IEEE Robotics and Automation Letters, vol 4, no 2, pp x-xvi, April 2019, doi: 10.1109/LRA.2018.2888947 https://ieeexplore.ieee.org/document/8584061 75 TÀI LIỆU THAM KHẢO [27] K Solovey, L Janson, E Schmerling, E Frazzoli and M Pavone, "Revisiting the Asymptotic Optimality of RRT*," 2020 IEEE International Conference on Robotics and Automation (ICRA), 2020, pp 2189-2195, doi: 10.1109/ICRA40945.2020.9196553 https://ieeexplore.ieee.org/document/9196553 76 ... Phú MSSV: 1711700, 1712638 Ngành (chuyên ngành): KHMT Đề tài: Sử Dụng Thiết Bị Không Người Lái Trong Khảo Sát Môi Trường Họ tên người hướng dẫn/phản biện: Nguyễn Đức Dũng Tổng quát thuyết minh:... THÀNH PHỐ HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA KHOA KHOA HỌC & KỸ THUẬT MÁY TÍNH ——————– * ——————— BÁO CÁO LUẬN VĂN TỐT NGHIỆP Sử Dụng Thiết Bị Không Người Lái Trong Khảo Sát Môi Trường HỘI ĐỒNG:... khoảng cách phương tiện bay có người lái không người lái cho thấy tiến đáng kinh ngạc ví dụng hình 1.2 Tuy nhiên, không giống đua quay phim máy bay không người lái tự động, thông thường đồ thô